基于混合鸡群优化算法的WSN节点部署优化.pdf

无线传感网络(W i r e l e s sS e n s o rN e t w o r k,WS N)技术,在节点随机部署的情况下,容易出现节点分布不均的问题.为了提高节点部署的覆盖率,提出了一种基于混合鸡群优化算法(H y b r i dC h i c k e nS w a r m O p t i m i z a t i o nA l g o r i t h m,HC S O)的WS N节点部署优化方法.首先为了平衡算法的全局搜索和局部搜索的能力,提出了一种自适应种群分配策略;其次,结合正余弦算法思想,改进了公鸡种群更新公式,提高其收敛速度和精度;最后,优化小鸡种群学习方式,使其不仅学习母鸡,也向公鸡和最优个体学习,提高小鸡粒子的质量.将HC S O算法在基准函数上测试,实验结果表明,本算法比其他算法的法收敛精度提高了1 0%,收敛速度均比原算法提高了0.0 50.1 0s.最后将HC S O算法应用于WS N节点部署优化中,结果表明所提出的方法所得到的覆盖率高于其他算法,提高了0.21 3.1个百分点,充分证明了基于HC S O算法的WS N节点部署优化方法的优越性.关键词:无线传感网络;节点部署;鸡群优化算法;自适应分配;正余弦算法中图分类号:T P 1 8文献标志码:A无线传感网络(WS N)是由一组轻量级、自主的空间分布节点组成,这些节点相互协调,形成一个感知特定应用任务的通信网络1,具有成本低,适应度高等特点.随着科技的不断发展,科学家对于WS N的研究也越来越多,并已经应用到许多领域,如:路径调度目标跟踪、灾难预警和可穿戴设备2等.其中WS N的覆盖率问题是关键问题也是难点之一,覆盖率的大小反映了WS N网络的性能以及效率的好坏.在传统WS N网络中,传感器的部署位置大多是采用随机抛撒进行决定的,通过这种方法部署的网络容易出现节点分布不均的问题,使得一部分空间内的节点密度过高,从而导致网络的覆盖率降低,传感速度和效率变差.而解决这一问题就需要对节点部署方法进行优化.随着群智能优化算法的出现,如:教与学优化算法(T e a c h i n g-l e a r n i n g-b a s e dO p t i m i z a t i o n,T L B O)3,麻雀搜索算法(S p a r r o wS e a r c hA l g o r i t h m,S S A)4,旗鱼优化算法(S a i lF i s hO p t i m i z e r,S F O)5等.近年来,群智能优化算法的研究人员越来越多,由于这类优化算法对于解决寻优问题有着显著的优点,许多国内外学者将群智能优化算法融到WS N节点部署优化中,如:M I AO等6等将增强层次结构的灰狼优化算法应用其中,D E E P A等7提出了利用L v y飞行增强的鲸鱼优化算法,并应用到WS N覆盖优化中,并将KNN(K-N e a r e s tN e i g h b o r,KNN)变体整合到WS N中,得到了效率更高、收敛度更好的覆盖优化方法.宋明智等8等提出了改进虚拟力-粒子群算法于WS N节点随机部署中的应用,最终实验表明其提出的方法覆盖率较其他优化算法有3%5%的提升.虽然,将群智能优化算法运用到WS N节点部署优化中能使其覆盖率有一定的提升,但使用基本算法所得到的结果仍然还有许多不足,故这些算法还有许多可以提升和改进的空间.为了获得更好的WS N网络性能,还需要进一步开拓群智能优化算法的能力,更好地改善WS N节点部署优化问题,提高覆盖率.鸡群优化算法(C h i c k e nS w a r mO p t i m i z a t i o n,C S O),于2 0 1 4年由ME NG等9提出,该算法作为群智能优化算法中的一员,一经提出就备受研究人员及学者关注.目前C S O算法及其改进算法已经应用到了光伏发 收稿日期:2 0 2 2-0 6-2 1;修回日期:2 0 2 2-0 7-2 1.基金项目:国家自然科学基金(6 2 2 6 6 0 0 7;6 1 6 6 2 0 0 5);广西自然科学基金(2 0 2 1 G X N S F AA 2 2 0 0 6 8;2 0 1 8 G X N S F A A 2 9 4 0 6 8).作者简介(通信作者):韦修喜(1 9 8 0-),男,广西百色人,广西民族大学副教授,博士,研究方向为机器学习、计算智能,E-m a i l:w e i x i u x i 1 6 3.c o m.电1 0,电动汽车充电站规划1 1,电网控制1 2等领域中,但应用到WS N节点部署优化的案例还不是很成熟,因此这一方向具有一定的研究意义.并且,WU等1 3根据随机搜索算法的收敛准则,证明C S O算法满足两个收敛准则,保证了全局收敛性,但也指出了该算法的不足.由于算法的学习方法等原因,导致该算法在收敛速度和收敛精度上有所损失,同时易过早陷入局部最优解,因此C S O算法还有许多提升的空间.故D E B等1 4等将T L B O算法与C S O算法相结合,提出了一种基于教与学算法的鸡群优化算法.L I ANG等1 5提出了一种改进C S O算法用于机器人路径寻优,该算法引入了具有L v y飞行特性的搜索策略和非线性递减策略,寻找到了较好的路径.虽然已经有许多学者和专家对C S O算法的改进和应用进行了大量的研究,但仍有许多开发的空间.针对上述不足,本文提出了一种混合鸡群优化算法(HC S O)用于WS N节点部署优化的应用.1 W S N节点部署优化概念与模型1.1 问题假设假设WS N里面的每个节点对应一个传感器,传感器的覆盖范围都是半径固定的圆.假设每个传感器都可以实时感受到其感知半径内的其他传感器位置,并且所有的传感器的结构都是相同,这样就可以将WS N节点覆盖优化问题看为一个二维问题.若整个监测区域划为MN个像素,如果WS N网络能够覆盖x个像素点,则覆盖率为xMN.1.2 节点覆盖模型设监测区域内分布有N个传感器节点,每个节点的感知半径为r,通信半径为R,并且满足2rR.设T=t1,t2,tN,其中ti为第i个传感器,其位置坐标表示为(xi,yi),若第j个像素点为hj,其位置坐标为(xj,yj).则任意像素点与传感器之间的欧氏距离可用式(1)来表示:d(ti,hj)=(xi-xj)2+(yi-yj)2.(1)对于传感器与像素点的感知概率,本文使用二元感知模型进行建模,如式(2)表示:p(ti,hj)=1,d(ti,hj)r,0,d(ti,hj)r,(2)其中p(ti,hj)为感知概率,r为传感器的感知半径,若p(ti,hj)为1则表示像素点hj被传感器ti所覆盖,反之则没有被覆盖.在整个监测范围中,会出现同一个像素点被不同的多个传感器同时感应到的现象,故需要进行联合感知概率的计算.像素点与多个传感器的联合感知概率如式(3)所展示:p(T,hj)=1-tiT(1-p(ti,hj),(3)其中p(T,hj)为联合感知概率.最终,覆盖率由式(4)求出:pc o v=MNj=1p(T,hj)MN,(4)其中pc o v表示为覆盖率.综上所述,式(4)为HC S O应用到WS N节点部署优化的适应度函数,其目标为提高pc o v数值.2 鸡群优化算法C S O算法是通过观察鸡群的等级秩序以及鸡群的觅食行为而提出的.该算法中设置有公鸡、母鸡、小鸡3种等级不同的群体.其中公鸡群体的适应度最优,是其子群的领导者.小鸡群体的适应度最差,是种群中的弱势群体.剩下的粒子则为母鸡种群.假设整个鸡群中总共有N只鸡,则xti,j为第t次迭代中,第i只鸡在第j(j(1,D),D为解的维度)维度上的位置.85河南师范大学学报(自然科学版)2 0 2 3年公鸡为适应度较好的前NR只鸡,根据上述表示方法,公鸡的位置更新公式为:xt+1i,j=xti,j1+N(0,2),(5)2=1,fifk,e x p(fk-fi|fi|-),fifk,k1,NR,k1,(6)其中xt+1i,j为下一次迭代中第i只鸡在第j维度上的位置;N(0,2)代表均值为0,方差为2的正态分布;k与i均代表一只公鸡,且k与i不相等,公鸡的适应度值分别由fi和fk对应;为计算机中最小的常数,保证了式子分母不为零,防止出现错误.NH代表母鸡的总数,母鸡的适应度适中,母鸡的位置更新公式如下所示:xt+1i,j=xti,j+S1R1(xtr1,j-xti,j)+S2R2(xtr2,j-xti,j),(7)S1=e x p(fi-fr1a b s(fi)+),(8)S2=e x p(fr2-fi),(9)其中,R1和R2均为0,1 的随机数;r1为与母鸡同一子群的公鸡;r2为另一只随机选取的鸡,且r2i,r2r1,fr2fi.适应度最差的个体将被划分为小鸡种群,NC代表种群中小鸡的个数.由于小鸡是种群中的弱势群体,故指定其只能跟随鸡妈妈进行觅食.式(1 0)展示了这一现象的位置更新公式:xt+1i,j=xti,j+F L(xtm,j-xti,j),(1 0)其中xtm,j表示鸡妈妈的位置,F L表示小鸡跟随其鸡妈妈的调节参数,通常为0,2上的随机数.3 混合鸡群优化算法3.1 自适应种群分配C S O算法是一个全局算法,为了加强其后期的局部搜索能力,本文加入了自适应种群分配策略.该策略使前期公鸡种群的粒子个数增加,随着迭代的过程,慢慢减少;而母鸡种群的粒子个数与之相反,是处于慢慢增加的状态.由于每G次迭代C S O会重新规划一次种群秩序,故种群数量的改变也是每G次进行一次.该策略的具体实现方法如式(1 1)所示:PR=C1t a n(4-t4T)+PRm i n,PH=C2t a n(4-t4T)+PHm a x,PC=1-PR-PH,PRPH,(1 1)其中PR,PH,PC分别代表每一个种群个体数量占鸡群总数量的百分比;t代表当前迭代次数;T代表最大迭代次数;C1,C2用来控制每次迭代种群个体数量百分比增长或减小的速度;PRm i n用来控制最终公鸡的数量比;PHm a x用来控制母鸡的最终数量比,经实验测试PRm i n和PHm a x的取值与基本C S O算法的公鸡和母鸡占比数相同时算法的性能最优.3.2 融合正余弦思想的公鸡位置更新优化由于C S O算法中公鸡位置更新方法只是基于正态分布的变异方法,当算法的种群多样性变低时,会导致公鸡种群的个体难以跳出局部最优,从而使算法效率变慢,收敛精度变低.本文引入正余弦算法(S i n eC o-s i n eA l g o r i t h m,S C A)1 6的思想来优化公鸡位置更新公式,具体方法如下:xt+1i,j=xti,j+2r1s i n(r2)|r3ptj-xti,j|,r40.5,xti,j+2r1c o s(r2)|r3ptj-xti,j|,r40.5,(1 2)95第5期 韦修喜,等:基于混合鸡群优化算法的WS N节点部署优化r1=a(1-tT),(1 3)其中r1控制迭代方向,r2控制移动距离,r3控制最优解的影响力,r4用来选择使用正弦还是余弦更新位置;r20,2 ,r30,2,r40,1且都为随机数;ptj为第t次迭代中第j维的最优解;a为正常数.3.3 改进小鸡更新思想由于C S O算法中,小鸡向其母亲学习,若其母亲陷入局部最优解,小鸡也会随之学习,从而降低算法整体的效率.故本文使小鸡向其双亲学习,并增加突变的可能,学习全局最优个体.引进随机交叉变异思想,改进后的小鸡位置更新公式如下:xt+1i,j=F Lxti,j+(1-F L)(Q(xtm,j-xti,j)+(1-Q)(xtr,j-xti,j),r0.5,F Lxti,j+(1-F L)(Q(xtm,j-xti,j)+(1-Q)(ptj-xti,j),r0.5,(1 4)=t3T3,(1 5)其中F L0,2 为随机交叉变异的调节参数;Q是-1,1 的随机数,该参数为学习调控因子,能够同时调控两边的学习力度;是一个自适应权重系数;r为0,1之间的随机数,控制小鸡是否发生突变.改进后的小鸡更新位置公式使小鸡能够更好地跳出局部最优解,提高适应度,提高算法的效率.3.4 H C S O节点部署优化流程步骤1 初始化WS N节点参数和HC S O算法参数,如:节点个数N,感知半径r,粒子个数p o p,最大迭代次数等.步骤2 初始化粒子位置,并使用式(1)(4)计算覆盖率.步骤3 判断m o d(t,G)是否为1,是则根据式(1 1)进行种群规划;否则进行步骤4.步骤4 每个粒子根据其被划分的种群,按照式(7)(9),式(1 2)(1 5)进行位置更新.步骤5 算法若到最大迭代次数,则输出优化后的覆盖率等结果;算法若没达到最大迭代次数,跳至第3步进行下一次的迭代.3.5 复杂度分析假设种群中总粒子数量为N,公鸡数量为NR,小鸡数量为NC,解空间维度为D,T为最大迭代次数.HC S O引入了自适应种群分配策略,每G次更改一次种群比例,则计算种群百分比的时间复杂度为O(T/G);改进后的公鸡位置更新公式时间复杂度为O(NRDT);修改了小鸡的学习策略,其时间复杂度为O(NCDT),本算法的时间复杂度与原算法相同.4 仿真实验设计与分析4.1 基准函数测试4.1.1 实验设计为了验证HC S O算法的有效性,本文选取了6个具有代表性的基准测试函数,其中函数f1为简单的单峰函数,能够测试算法的收敛速度;函数f2为高维单峰函数,能够测试算法的收敛精度和收敛速度;函数f3是不连续阶梯函数,该函数能够对算法的有效性进行测试;函数f4f6为3个不同的多峰函数,能够很好地检验算法的全局搜索能力.通过这些函数对HC S O进行测试,并与P S O1 7,C S O,S C A,GWO1 8,I C S O1 5进行结果对照及分析,表1中给出了函数的具体表达式.每个算法在其搜索空间中共有3 0个粒子进行搜索,单独在6个基准函数上运行3 0次(每次迭代10 0 0次)所统计出来其优化结果进行比较.各算法的具体参数设计如表1所示,基准函数表达式如表2所示.4.1.2 测试结果分析图1、图2为每个算法在f1f6的函数收敛图和箱线图,附表为每个算法在f1f6单独运行3 0次(每次迭代10 0 0次)所统计出来的数据表.通过3种不同的展示方法可以明显看出,HC S O与原算法相比,收敛精度、收敛速度和跳出局部最优能力都有提高.06河南师范大学学报(自然科学版)2 0 2 3年表1 算法参数表T a b.1 A l g o r i t h mp a r a m e t e r t a b l e算法名称参数设置P S Oc1=c2=1.5,=0.8C S ONR=0.1 5N,NH=0.7N,NM=0.5NH,NC=N-NR-NH,G=1 0,F0,2S C Ar2=0,2 ,r30,2,r40,1GWOr10,1,r20,1I C S ONR=0.1 5N,NH=0.7N,NM=0.5NH,NC=N-NR-NR,G=1 0,F0,2HC S OG=1 0,F0,2,Prm i n=0.1 5,Phm a x=0.7,C1=1 3,C2=-8表2 基准函数表T a b.2 B e n c h m a r kf u n c t i o nt a b l e基准函数范围维度最优值f1(x)=Di=1x2ixi-1 0 0,1 0 03 00f2(x)=Di=1|xi|+Di=1|xi|xi-1 0,1 03 00f3(x)=Di=1(|xi+0.5|)2xi-1.2 8,1.2 83 00f4(x)=Di=1x2i-1 0 c o s(2 xi)+1 0 xi-5.1 2,5.1 23 00f5(x)=-2 0 e x p(-0.21nDi=1x2i)-e x p(1nDi=1c o s(2 xi)+2 0+exi-3 2,3 23 00f6(x)=140 0 0Di=1(x2i)-Di=1c o s(xii)+1xi-6 0 0,6 0 03 00 在单峰测试函数,图1(a-c)中可以看到虽然本算法没有优化到理想最优值,但相较于其他算法,HC S O的精度都是最好的.GWO虽然能快速地收敛,但都陷入了局部最优.附表中黑体部分为HC S O运算结果,可以看出P S O和S C A运行速度非常快,但他们的精度却不高,虽然HC S O的运行速度总体比P S O和S C A16第5期 韦修喜,等:基于混合鸡群优化算法的WS N节点部署优化的运行速度慢,但这是由C S O算法本身的结构造成的,HC S O已经比其原算法有所减少.故本算法对于单峰函数优化起到了比较好的效果.在多峰函数测试中,可以在箱线图中看出,HC S O是最稳定的,且没有离群值.对于函数f4和f5,HC-S O已经找到了理论最优值,并且十分稳定.附表中可以看到其平均值和标准差都是0,说明独立运行的3 0次每次都能找到局部最优.虽然其他算法也能够找到,但是并不稳定.在图1(d)和图1(f)中可以看到,HC S O几乎在不到1 0 0次迭代就可以找到理论最优值,故其收敛速度也很优秀.因此可以看出,HC S O对于多峰函数的优化也很出色,其收敛速度和精度都有大幅度提高,并且稳定性较好.由图2的算法箱线图可以看出,改进后的HC S O算法对于单峰基准函数和多峰基准函数的优化结果都很稳定,没有较大的离群值和标准差.同时在表3中也可以看到HC S O在每个算法中的标准差都是最小的,因此HC S O的改进也加强了算法的稳定性.综上所述,本文提出的HC S O算法在测试中表现的性能均高于P S O,C S O,S C A,GWO,I C S O.其收敛速度和收敛精度以及稳定性非常出色,所耗费的时间大部分也与原算法相仿甚至优于原算法,验证了改进的有效性.4.2 W S N节点部署优化测试由于函数测试中的算法应用到WS N节点部署优化中其表现的性能较差,无法充分验证HC S O算法在WS N节点部署优化中的性能和效果,因此在此测试中,选择C S O,I C S O算法和文献1 9-2 1 中的算法和模型的覆盖实验进行对比,并且设置的实验模型环境与这些文献中的实验模型环境相同.设需要覆盖区域是一个S=2 0m2 0m的二维平面,内有N=2 4个传感器节点,其感知半径为r=2.5m,通讯半径为R=5m.覆盖率对比曲线如图3(a)所示.HC S O优化节点分布图如图4(a)所示.表3展示了在本场景中不同算法优化后得到的结果,其中随机抛撒所获得的覆盖率为6 7.3 5%,说明这种情况下,传感器无法均匀分布在整个空间中,有许多范围没有被覆盖到.使用C S O算法优化后,覆盖率达到了8 3.9 0%,使用I C S O算法优化后,覆盖率达到了8 7.3 0%,使用这两种方法比随机抛撒策略覆盖率有了一定的提高,但仍有一定的优化空间.文献1 9 的I WOA算法,将覆盖提升到了9 3.5 6%,分布较为均匀.HC-S O算法改进了公鸡收敛公式,使其能够学习S C A算法的更新方法,使得算法中的优秀个体能够更好地找到最优值.同时改变小鸡学习方式,提高了算法整体粒子质量,使得算法所获得的结果精度更高.从实验中可26河南师范大学学报(自然科学版)2 0 2 3年以看到,HC S O算法的覆盖率达到了9 4.5 6%,较随机抛撒提高了2 7.2 1个百分点,极大程度地解决了WS N节点分布不均匀问题.设需要覆盖区域是一个S=2 0 0m2 0 0m的二维平面,内有N=6 0个传感器节点,其感知半径为r=2 0m,通讯半径为R=4 0m.节点优化后的结果如表4,覆盖率对比曲线如图3(b)所示.HC S O优化节点分布图如图4(b)所示.表3 优化结果对比T a b.3 C o m p a r i s o no fo p t i m i z a t i o nr e s u l t s算法随机抛撒I WOA1 9C S OI C S OHC S O覆盖率/%6 7.3 59 3.5 68 3.9 08 7.3 09 4.5 6表4 2 0 02 0 0优化结果对比T a b.4 2 0 02 0 0C o m p a r i s o no fo p t i m i z a t i o nr e s u l t s算法随机抛撒I WOA1 9C S OI C S OHC S O覆盖率/%8 7.2 99 9.7 29 6.9 79 2.3 29 9.9 3 在本场景下,HC S O较C S O和I C S O的覆盖率分别提升了2.9 6和7.6 1个百分点,与I WOA所获得的覆盖率相差较小,但HC S O的精度更高.通过图3(b)中的HC S O优化覆盖图可以看出,HC S O算法优化的WS N传感网络已经几乎达到了全覆盖.设需要覆盖区域是一个S=5 0m5 0m的二维平面,内有N=4 0个传感器节点,其感知半径为r=5m,通讯半径为R=1 0m.节点优化后的结果如表5,覆盖率对比曲线如图3(c)所示.HC S O优化节点分布图如图4(c)所示.根据表5的数据可以看到,HC S O所获得的覆盖率相比随机抛撒最终提高了2 2.8 0个百分点.HC S O算36第5期 韦修喜,等:基于混合鸡群优化算法的WS N节点部署优化法在迭代2 0 0次时,所用时间仅比C S O算法慢0.0 8s.所获得的覆盖率比I WOA算法提高了7.2 7个百分点,且速度要比I WOA算法快得多.与H P S B A相比,虽然覆盖率在迭代2 0 0次不如H P S B A所得到的结果好,但H P S B A迭代2 0 0次所花费的时间比HC S O算法迭代3 0 0次所花费的时间还要多,最终HC S O算法所得到的覆盖率比H P S B A提高了0.0 7个百分点.HC S O算法使用自适应种群调整策略,较好平衡了算法局部搜索和全局搜索能力,提高了算法的运行速度.迭代次数调整到3 0 0次,HC S O算法的运行速度是最快的,同时其获得的覆盖率也是精度最高的.表5 5 0m5 0m优化结果对比T a b.5 5 0m 5 0mC o m p a r i s o no f o p t i m i z a t i o nr e s u l t s算法2 0 0覆盖率/%时间/s3 0 0覆盖率/%时间/s随机抛撒7 3.2 0-7 4.9 3-I WOA1 98 6.6 25 5.3 19 0.8 18 1.4 3H P S B A2 19 4.9 32 0.6 8-C S O8 1.8 11 5.2 78 1.8 12 1.3I C S O8 3.8 61 5.8 98 7.5 12 1.8 2HC S O9 4.8 91 5.3 59 52 0.3 8表6 1 0 0m1 0 0m优化结果对比T a b.6 1 0 0m 1 0 0mC o m p a r i s o no f o p t i m i z a t i o nr e s u l t s算法2 0 0覆盖率/%时间/s3 0 0覆盖率/%时间/s随机抛撒7 9.6 4-7 7.2 0-E S C A2 09 8.5 8-I WOA1 99 7.9 21 0 09 9.2 11 5 8.6C S O9 1.9 67 5.8 39 2.9 81 0 3.9 8I C S O9 0.5 57 3.1 49 0.5 51 0 4.8 2HC S O9 8.9 06 6.7 59 9.2 61 0 0.2 9 设需要覆盖区域是一个S=1 0 0m1 0 0m的二维平面,内有N=5 0个传感器节点,其感知半径为r=1 0m,通讯半径为R=2 0m.节点优化后的结果如表6,覆盖率对比曲线如图3(d)所示.HC S O优化节点分布图如图4(d)所示.46河南师范大学学报(自然科学版)2 0 2 3年在文献2 0 中,没有给出E S C A算法的迭代次数和迭代时间的数据.根据覆盖率可以看到,最终HC S O算法所获得的覆盖率比E S C A算法提高了0.6 8个百分点.在迭代次数为2 0 0时,随机抛撒所得到的覆盖率仅达到了7 9.6 4%,说明存在大部分节点冗余,节点分布不均匀.使用C S O算法和I C S O算法优化后,覆盖率分别为9 1.9 6%和9 0.5 5%,起到了一定的优化效果.文献1 9 中的I WOA算法优化后,大幅度提高了节点覆盖率,达到了9 7.9 2%,但仍比HC S O算法优化后的覆盖率低.HC S O算法优化后覆盖率达到了9 8.9 0%,同时HC S O算法的运行速度也是最快的,耗时为6 6.7 5s.迭代次数调整到3 0 0后,HC S O算法仍然能够继续寻找更好的分配策略,最终使WS N节点覆盖率达到了9 9.2 6%,从图4(b)中也可以看到,节点分布比较均匀,很好地解决了节点冗余问题.5 结 论本文针对在传统无线传感网络中,使用随机抛撒策略对传感器节点进行部署,会出现被覆盖区域的节点分布不均匀,覆盖率低等问题.提出了一种混合鸡群优化算法.该算法加入了自适应种群分配策略,提高算法的前后期搜索速度及精度;又利用正余弦算法改进C S O公鸡的更新策略,提高了跳出局部最优解的能力;最后更新小鸡学习策略,使其学习其双亲以及最优个体,还能够交叉突变,提高小鸡群体的质量,从而提高算法整体质量.通过6个基准函数测试,比对了HC S O算法与其他算法所获得的优化结果.表明HC S O算法均取得了比较理想的适应度值,加快了运行速度和收敛速度.最后将HC S O算法应用到WS N节点部署优化中去,首先与原算法比较基本都能提高21 0个百分点,与其他改进算法进行比较,也能够对不同环境下的节点覆盖率进行一定的优化提高,增强了WS N网络的性能.后续将对多目标的C S O算法进行研究,并准备运用到多目标WS N节点部署问题中.附 录附表见电子版(D O I:1 0.1 6 3 6 6/j.c n k i.1 0 0 0-2 3 6 7.2 0 2 3.0 5.0 0 6).参 考 文 献1 S HA RMAA,C HAUHANS.A n a l y t i c e v a l u a t i o no f n o n-u n i f o r m i t i e s f o r c o v e r a g ep r o b a b i l i t yc o m p u t a t i o no f r a n d o m l yd e p l o y e dw i r e l e s ss e n s o rn e t w o r kJ.I n t e r n a t i o n a l J o u r n a l o fS e n s o rN e t w o r k s,2 0 2 0,3 4(1):1-1 4.2WAN GJ,J UC W,GAOY,e ta l.AP S Ob a s e de n e r g ye f f i c i e n t c o v e r a g ec o n t r o l a l g o r i t h mf o rw i r e l e s ss e n s o rn e t w o r k sJ.C o m p u t e r s,M a t e r r a l s&C o n t i n u a,2 0 1 8(9):4 3 3-4 4 6.3B AY KA S OG L U A,HAMZ A D AY IA,K S ESY.T e s t i n gt h ep e r f o r m a n c eo f t e a c h i n g-l e a r n i n gb a s e do p t i m i z a t i o n(T L B O)a l g o r i t h mo nc o m b i n a t o r i a l p r o b l e m s:f l o ws h o pa n d j o bs h o ps c h e d u l i n gc a s e sJ.I n f o r m a t i o nS c i e n c e s,2 0 1 4,2 7 6:2 0 4-2 1 8.4XU EJK,S HE NB.An o v e l s w a r mi n t e l l i g e n c e o p t i m i z a t i o na p p r o a c h:s p a r r o ws e a r c ha l g o r i t h mJ.S y s t e m sS c i e n c e&C o n t r o l E n g i n e e r-i n g,2 0 2 0,8(1):2 2-3 4.5S HA D R AVANS,NA J IH R,B A R D S I R IV K.T h eS a i l f i s hO p t i m i z e r:an o v e ln a t u r e-i n s p i r e dm e t a h e u r i s t i ca l g o r i t h mf o rs o l v i n gc o n-s t r a i n e de n g i n e e r i n go p t i m i z a t i o np r o b l e m sJ.E n g i n e e r i n gA p p l i c a t i o n so fA r t i f i c i a l I n t e l l i g e n c e,2 0 1 9,8 0:2 0-3 4.6M I AOZM,YUANXF,Z HOUFY,e t a l.G r e yw o l f o p t i m i z e rw i t ha ne n h a n c e dh i e r a r c h ya n d i t s a p p l i c a t i o n t o t h ew i r e l e s s s e n s o rn e t-w o r kc o v e r a g eo p t i m i z a t i o np r o b l e mJ.A p p l i e dS o f tC o m p u t i n g,2 0 2 0,9 6:1 0 6 6 0 2.7D E E P AR,V E NKA T A RAMANR.E n h a n c i n gWh a l eO p t i m i z a t i o nA l g o r i t h mw i t hL e v yF l i g h t f o r c o v e r a g eo p t i m i z a t i o n i nw i r e l e s s s e n-s o rn e t w o r k sJ.C o m p u t e r s&E l e c t r i c a lE n g i n e e r i n g,2 0 2 1,9 4:1 0 7 3 5 9.8宋明智,杨乐.改进V F P S O算法于WS N节点随机部署中的应用J.计算机工程与应用,2 0 1 6,5 2(2):1 4 1-1 4 5.S ON G MZ,YAN GL.R a n d o md e p l o y m e n to fs e n s o rn o d e su s i n ge n h a n c e dV F P S Oa l g o r i t h mJ.C o m p u t e rE n g i n e e r i n ga n dA p p l i c a-t i o n s,2 0 1 6,5 2(2):1 4 1-1 4 5.9ME N GXB,L I UY,GAOXZ,e t a l.An e wb i o-i n s p i r e da l g o r i t h m:c h i c k e ns w a r mo p t i m i z a t i o nC/I n t e r n a t i o n a lC o n f e r e n c e i nS w a r mI n t e l l i g e n c e.C h a m:S p r i n g e r,2 0 1 4:8 6-9 4.1 0L I UZF,L ILL,T S E N GML,e t a l.P r e d i c t i o ns h o r t-t e r mp h o t o v o l t a i cp o w e r u s i n g i m p r o v e dc h i c k e ns w a r mo p t i m i z e r-E x t r e m e l e a r n i n gm a c h i n em o d e lJ.J o u r n a l o fC l e a n e rP r o d u c t i o n,2 0 2 0,2 4 8:1 1 9 2 7 2.1 1S A CHANS,D E BS,S I N GHSN,e t a l.P l a n n i n ga n do p e r a t i o no fE Vc h a r g i n gs t a t i o n sb yc h i c k e ns w a r mo p t i m i z a t i o nd r i v e nh e u r i s t i c sJ.E n e r g yC o n v e r s i o na n dE c o n o m i c s,2 0 2 1,2(2):9 1-9 9.56第5期 韦修喜,等:基于混合鸡群优化算法的WS N节点部署优化1 2O THMANA M,E L-F E R GANYAA.A d a p t i v ev i r t u a l-i n e r t i a c o n t r o l a n dc h i c k e ns w a r mo p t i m i z e r f o r f r e q u e n c ys t a b i l i t y i np o w e r-g r i d sp e n e t r a t e db yr e n e w a b l ee n e r g ys o u r c e sJ.N e u r a lC o m p u t i n ga n dA p p l i c a t i o n s,2 0 2 1,3 3(7):2 9 0 5-2 9 1 8.1 3WUDH,XUSP,KON GF.C o n v e r g e n c e a n a l y s i s a n d i m p r o v e m e n t o f t h e c h i c k e ns w a r mo p t i m i z a t i o na l g o r i t h mJ.I E E EA c c e s s,2 0 1 6,4:9 4 0 0-9 4 1 2.1 4D E BS,GAOXZ,T AMM IK,e