基于混合雞群優(yōu)化算法的WSN節(jié)點(diǎn)部署優(yōu)化

韋修喜,鄭寶峰

(廣西民族大學(xué) a.人工智能學(xué)院;b.電子信息學(xué)院,南寧 530006)

無線傳感網(wǎng)絡(luò)(WSN)是由一組輕量級(jí)、自主的空間分布節(jié)點(diǎn)組成,這些節(jié)點(diǎn)相互協(xié)調(diào),形成一個(gè)感知特定應(yīng)用任務(wù)的通信網(wǎng)絡(luò)［1］,具有成本低,適應(yīng)度高等特點(diǎn).隨著科技的不斷發(fā)展,科學(xué)家對(duì)于WSN的研究也越來越多,并已經(jīng)應(yīng)用到許多領(lǐng)域,如:路徑調(diào)度目標(biāo)跟蹤、災(zāi)難預(yù)警和可穿戴設(shè)備［2］等.其中WSN的覆蓋率問題是關(guān)鍵問題也是難點(diǎn)之一,覆蓋率的大小反映了WSN網(wǎng)絡(luò)的性能以及效率的好壞.在傳統(tǒng)WSN網(wǎng)絡(luò)中,傳感器的部署位置大多是采用隨機(jī)拋撒進(jìn)行決定的,通過這種方法部署的網(wǎng)絡(luò)容易出現(xiàn)節(jié)點(diǎn)分布不均的問題,使得一部分空間內(nèi)的節(jié)點(diǎn)密度過高,從而導(dǎo)致網(wǎng)絡(luò)的覆蓋率降低,傳感速度和效率變差.而解決這一問題就需要對(duì)節(jié)點(diǎn)部署方法進(jìn)行優(yōu)化.

隨著群智能優(yōu)化算法的出現(xiàn),如:教與學(xué)優(yōu)化算法(Teaching-learning-based Optimization,TLBO)［3］,麻雀搜索算法(Sparrow Search Algorithm,SSA)［4］,旗魚優(yōu)化算法(Sail Fish Optimizer,SFO)［5］等.近年來,群智能優(yōu)化算法的研究人員越來越多,由于這類優(yōu)化算法對(duì)于解決尋優(yōu)問題有著顯著的優(yōu)點(diǎn),許多國(guó)內(nèi)外學(xué)者將群智能優(yōu)化算法融到WSN節(jié)點(diǎn)部署優(yōu)化中,如:MIAO等［6］等將增強(qiáng)層次結(jié)構(gòu)的灰狼優(yōu)化算法應(yīng)用其中,DEEPA等［7］提出了利用Lévy飛行增強(qiáng)的鯨魚優(yōu)化算法,并應(yīng)用到WSN覆蓋優(yōu)化中,并將KNN(K-Nearest Neighbor,KNN)變體整合到WSN中,得到了效率更高、收斂度更好的覆蓋優(yōu)化方法.宋明智等［8］等提出了改進(jìn)虛擬力-粒子群算法于WSN節(jié)點(diǎn)隨機(jī)部署中的應(yīng)用,最終實(shí)驗(yàn)表明其提出的方法覆蓋率較其他優(yōu)化算法有3%～5%的提升.

雖然,將群智能優(yōu)化算法運(yùn)用到WSN節(jié)點(diǎn)部署優(yōu)化中能使其覆蓋率有一定的提升,但使用基本算法所得到的結(jié)果仍然還有許多不足,故這些算法還有許多可以提升和改進(jìn)的空間.為了獲得更好的WSN網(wǎng)絡(luò)性能,還需要進(jìn)一步開拓群智能優(yōu)化算法的能力,更好地改善WSN節(jié)點(diǎn)部署優(yōu)化問題,提高覆蓋率.

雞群優(yōu)化算法(Chicken Swarm Optimization,CSO),于2014年由MENG等［9］提出,該算法作為群智能優(yōu)化算法中的一員,一經(jīng)提出就備受研究人員及學(xué)者關(guān)注.目前CSO算法及其改進(jìn)算法已經(jīng)應(yīng)用到了光伏發(fā)電［10］,電動(dòng)汽車充電站規(guī)劃［11］,電網(wǎng)控制［12］等領(lǐng)域中,但應(yīng)用到WSN節(jié)點(diǎn)部署優(yōu)化的案例還不是很成熟,因此這一方向具有一定的研究意義.并且,WU等［13］根據(jù)隨機(jī)搜索算法的收斂準(zhǔn)則,證明CSO算法滿足兩個(gè)收斂準(zhǔn)則,保證了全局收斂性,但也指出了該算法的不足.由于算法的學(xué)習(xí)方法等原因,導(dǎo)致該算法在收斂速度和收斂精度上有所損失,同時(shí)易過早陷入局部最優(yōu)解,因此CSO算法還有許多提升的空間.故DEB等［14］等將TLBO算法與CSO算法相結(jié)合,提出了一種基于教與學(xué)算法的雞群優(yōu)化算法.LIANG等［15］提出了一種改進(jìn)CSO算法用于機(jī)器人路徑尋優(yōu),該算法引入了具有Lévy飛行特性的搜索策略和非線性遞減策略,尋找到了較好的路徑.雖然已經(jīng)有許多學(xué)者和專家對(duì)CSO算法的改進(jìn)和應(yīng)用進(jìn)行了大量的研究,但仍有許多開發(fā)的空間.

針對(duì)上述不足,本文提出了一種混合雞群優(yōu)化算法(HCSO)用于WSN節(jié)點(diǎn)部署優(yōu)化的應(yīng)用.

1 WSN節(jié)點(diǎn)部署優(yōu)化概念與模型

1.1 問題假設(shè)

1.2 節(jié)點(diǎn)覆蓋模型

設(shè)監(jiān)測(cè)區(qū)域內(nèi)分布有N個(gè)傳感器節(jié)點(diǎn),每個(gè)節(jié)點(diǎn)的感知半徑為r,通信半徑為R,并且滿足2r≤R.設(shè)T={t1,t2,…,tN},其中ti為第i個(gè)傳感器,其位置坐標(biāo)表示為(xi,yi),若第j個(gè)像素點(diǎn)為hj,其位置坐標(biāo)為(xj,yj).則任意像素點(diǎn)與傳感器之間的歐氏距離可用式(1)來表示:

(1)

對(duì)于傳感器與像素點(diǎn)的感知概率,本文使用二元感知模型進(jìn)行建模,如式(2)表示:

(2)

其中p(ti,hj)為感知概率,r為傳感器的感知半徑,若p(ti,hj)為1則表示像素點(diǎn)hj被傳感器ti所覆蓋,反之則沒有被覆蓋.

在整個(gè)監(jiān)測(cè)范圍中,會(huì)出現(xiàn)同一個(gè)像素點(diǎn)被不同的多個(gè)傳感器同時(shí)感應(yīng)到的現(xiàn)象,故需要進(jìn)行聯(lián)合感知概率的計(jì)算.像素點(diǎn)與多個(gè)傳感器的聯(lián)合感知概率如式(3)所展示:

(3)

其中p(T,hj)為聯(lián)合感知概率.最終,覆蓋率由式(4)求出:

(4)

其中pcov表示為覆蓋率.綜上所述,式(4)為HCSO應(yīng)用到WSN節(jié)點(diǎn)部署優(yōu)化的適應(yīng)度函數(shù),其目標(biāo)為提高pcov數(shù)值.

2 雞群優(yōu)化算法

公雞為適應(yīng)度較好的前NR只雞,根據(jù)上述表示方法,公雞的位置更新公式為:

(5)

(6)

NH代表母雞的總數(shù),母雞的適應(yīng)度適中,母雞的位置更新公式如下所示:

(7)

(8)

S2=exp(fr2-fi),

(9)

其中,R1和R2均為［0,1］的隨機(jī)數(shù);r1為與母雞同一子群的公雞;r2為另一只隨機(jī)選取的雞,且r2≠i,r2≠r1,fr2

適應(yīng)度最差的個(gè)體將被劃分為小雞種群,NC代表種群中小雞的個(gè)數(shù).由于小雞是種群中的弱勢(shì)群體,故指定其只能跟隨雞媽媽進(jìn)行覓食.式(10)展示了這一現(xiàn)象的位置更新公式:

(10)

3 混合雞群優(yōu)化算法

3.1 自適應(yīng)種群分配

CSO算法是一個(gè)全局算法,為了加強(qiáng)其后期的局部搜索能力,本文加入了自適應(yīng)種群分配策略.該策略使前期公雞種群的粒子個(gè)數(shù)增加,隨著迭代的過程,慢慢減少;而母雞種群的粒子個(gè)數(shù)與之相反,是處于慢慢增加的狀態(tài).由于每G次迭代CSO會(huì)重新規(guī)劃一次種群秩序,故種群數(shù)量的改變也是每G次進(jìn)行一次.該策略的具體實(shí)現(xiàn)方法如式(11)所示:

(11)

其中PR,PH,PC分別代表每一個(gè)種群個(gè)體數(shù)量占雞群總數(shù)量的百分比;t代表當(dāng)前迭代次數(shù);T代表最大迭代次數(shù);C1,C2用來控制每次迭代種群個(gè)體數(shù)量百分比增長(zhǎng)或減小的速度;PRmin用來控制最終公雞的數(shù)量比;PHmax用來控制母雞的最終數(shù)量比,經(jīng)實(shí)驗(yàn)測(cè)試PRmin和PHmax的取值與基本CSO算法的公雞和母雞占比數(shù)相同時(shí)算法的性能最優(yōu).

3.2 融合正余弦思想的公雞位置更新優(yōu)化

由于CSO算法中公雞位置更新方法只是基于正態(tài)分布的變異方法,當(dāng)算法的種群多樣性變低時(shí),會(huì)導(dǎo)致公雞種群的個(gè)體難以跳出局部最優(yōu),從而使算法效率變慢,收斂精度變低.本文引入正余弦算法(Sine Cosine Algorithm,SCA)［16］的思想來優(yōu)化公雞位置更新公式,具體方法如下:

(12)

(13)

3.3 改進(jìn)小雞更新思想

由于CSO算法中,小雞向其母親學(xué)習(xí),若其母親陷入局部最優(yōu)解,小雞也會(huì)隨之學(xué)習(xí),從而降低算法整體的效率.故本文使小雞向其雙親學(xué)習(xí),并增加突變的可能,學(xué)習(xí)全局最優(yōu)個(gè)體.引進(jìn)隨機(jī)交叉變異思想,改進(jìn)后的小雞位置更新公式如下:

(14)

(15)

其中FL∈［0,2］為隨機(jī)交叉變異的調(diào)節(jié)參數(shù);Q是［-1,1］的隨機(jī)數(shù),該參數(shù)為學(xué)習(xí)調(diào)控因子,能夠同時(shí)調(diào)控兩邊的學(xué)習(xí)力度;ω是一個(gè)自適應(yīng)權(quán)重系數(shù);r為［0,1］之間的隨機(jī)數(shù),控制小雞是否發(fā)生突變.改進(jìn)后的小雞更新位置公式使小雞能夠更好地跳出局部最優(yōu)解,提高適應(yīng)度,提高算法的效率.

3.4 HCSO節(jié)點(diǎn)部署優(yōu)化流程

步驟1 初始化WSN節(jié)點(diǎn)參數(shù)和HCSO算法參數(shù),如:節(jié)點(diǎn)個(gè)數(shù)N,感知半徑r,粒子個(gè)數(shù)pop,最大迭代次數(shù)等.

步驟2 初始化粒子位置,并使用式(1)～(4)計(jì)算覆蓋率.

步驟3 判斷mod(t,G)是否為1,是則根據(jù)式(11)進(jìn)行種群規(guī)劃;否則進(jìn)行步驟4.

步驟4 每個(gè)粒子根據(jù)其被劃分的種群,按照式(7)～(9),式(12)～(15)進(jìn)行位置更新.

步驟5 算法若到最大迭代次數(shù),則輸出優(yōu)化后的覆蓋率等結(jié)果;算法若沒達(dá)到最大迭代次數(shù),跳至第3步進(jìn)行下一次的迭代.

3.5 復(fù)雜度分析

假設(shè)種群中總粒子數(shù)量為N,公雞數(shù)量為NR,小雞數(shù)量為NC,解空間維度為D,T為最大迭代次數(shù).HCSO引入了自適應(yīng)種群分配策略,每G次更改一次種群比例,則計(jì)算種群百分比的時(shí)間復(fù)雜度為O(T/G);改進(jìn)后的公雞位置更新公式時(shí)間復(fù)雜度為O(NRDT);修改了小雞的學(xué)習(xí)策略,其時(shí)間復(fù)雜度為O(NCDT),本算法的時(shí)間復(fù)雜度與原算法相同.

4 仿真實(shí)驗(yàn)設(shè)計(jì)與分析

4.1 基準(zhǔn)函數(shù)測(cè)試

4.1.1實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證HCSO算法的有效性,本文選取了6個(gè)具有代表性的基準(zhǔn)測(cè)試函數(shù),其中函數(shù)f1為簡(jiǎn)單的單峰函數(shù),能夠測(cè)試算法的收斂速度;函數(shù)f2為高維單峰函數(shù),能夠測(cè)試算法的收斂精度和收斂速度;函數(shù)f3是不連續(xù)階梯函數(shù),該函數(shù)能夠?qū)λ惴ǖ挠行赃M(jìn)行測(cè)試;函數(shù)f4～f6為3個(gè)不同的多峰函數(shù),能夠很好地檢驗(yàn)算法的全局搜索能力.通過這些函數(shù)對(duì)HCSO進(jìn)行測(cè)試,并與PSO［17］,CSO,SCA,GWO［18］,ICSO［15］進(jìn)行結(jié)果對(duì)照及分析,表1中給出了函數(shù)的具體表達(dá)式.每個(gè)算法在其搜索空間中共有30個(gè)粒子進(jìn)行搜索,單獨(dú)在6個(gè)基準(zhǔn)函數(shù)上運(yùn)行30次(每次迭代1 000次)所統(tǒng)計(jì)出來其優(yōu)化結(jié)果進(jìn)行比較.各算法的具體參數(shù)設(shè)計(jì)如表1所示,基準(zhǔn)函數(shù)表達(dá)式如表2所示.

4.1.2測(cè)試結(jié)果分析

圖1、圖2為每個(gè)算法在f1～f6的函數(shù)收斂圖和箱線圖,附表Ⅰ為每個(gè)算法在f1～f6單獨(dú)運(yùn)行30次(每次迭代1 000次)所統(tǒng)計(jì)出來的數(shù)據(jù)表.通過3種不同的展示方法可以明顯看出,HCSO與原算法相比,收斂精度、收斂速度和跳出局部最優(yōu)能力都有提高.

表1 算法參數(shù)表

表2 基準(zhǔn)函數(shù)表

在單峰測(cè)試函數(shù),圖1(a-c)中可以看到雖然本算法沒有優(yōu)化到理想最優(yōu)值,但相較于其他算法,HCSO的精度都是最好的.GWO雖然能快速地收斂,但都陷入了局部最優(yōu).附表Ⅰ中黑體部分為HCSO運(yùn)算結(jié)果,可以看出 PSO和SCA運(yùn)行速度非?？?但他們的精度卻不高,雖然HCSO的運(yùn)行速度總體比PSO和SCA的運(yùn)行速度慢,但這是由CSO算法本身的結(jié)構(gòu)造成的,HCSO已經(jīng)比其原算法有所減少.故本算法對(duì)于單峰函數(shù)優(yōu)化起到了比較好的效果.

在多峰函數(shù)測(cè)試中,可以在箱線圖中看出,HCSO是最穩(wěn)定的,且沒有離群值.對(duì)于函數(shù)f4和f5,HCSO已經(jīng)找到了理論最優(yōu)值,并且十分穩(wěn)定.附表Ⅰ中可以看到其平均值和標(biāo)準(zhǔn)差都是0,說明獨(dú)立運(yùn)行的30次每次都能找到局部最優(yōu).雖然其他算法也能夠找到,但是并不穩(wěn)定.在圖1(d)和圖1(f)中可以看到,HCSO幾乎在不到100次迭代就可以找到理論最優(yōu)值,故其收斂速度也很優(yōu)秀.因此可以看出,HCSO對(duì)于多峰函數(shù)的優(yōu)化也很出色,其收斂速度和精度都有大幅度提高,并且穩(wěn)定性較好.

由圖2的算法箱線圖可以看出,改進(jìn)后的HCSO算法對(duì)于單峰基準(zhǔn)函數(shù)和多峰基準(zhǔn)函數(shù)的優(yōu)化結(jié)果都很穩(wěn)定,沒有較大的離群值和標(biāo)準(zhǔn)差.同時(shí)在表3中也可以看到HCSO在每個(gè)算法中的標(biāo)準(zhǔn)差都是最小的,因此HCSO的改進(jìn)也加強(qiáng)了算法的穩(wěn)定性.

綜上所述,本文提出的HCSO算法在測(cè)試中表現(xiàn)的性能均高于PSO,CSO,SCA,GWO,ICSO.其收斂速度和收斂精度以及穩(wěn)定性非常出色,所耗費(fèi)的時(shí)間大部分也與原算法相仿甚至優(yōu)于原算法,驗(yàn)證了改進(jìn)的有效性.

4.2 WSN節(jié)點(diǎn)部署優(yōu)化測(cè)試

由于函數(shù)測(cè)試中的算法應(yīng)用到WSN節(jié)點(diǎn)部署優(yōu)化中其表現(xiàn)的性能較差,無法充分驗(yàn)證HCSO算法在WSN節(jié)點(diǎn)部署優(yōu)化中的性能和效果,因此在此測(cè)試中,選擇CSO,ICSO算法和文獻(xiàn)［19-21］中的算法和模型的覆蓋實(shí)驗(yàn)進(jìn)行對(duì)比,并且設(shè)置的實(shí)驗(yàn)?zāi)Ｐ铜h(huán)境與這些文獻(xiàn)中的實(shí)驗(yàn)?zāi)Ｐ铜h(huán)境相同.

設(shè)需要覆蓋區(qū)域是一個(gè)S=20 m×20 m的二維平面,內(nèi)有N=24個(gè)傳感器節(jié)點(diǎn),其感知半徑為r=2.5 m,通訊半徑為R=5 m.覆蓋率對(duì)比曲線如圖3(a)所示.HCSO優(yōu)化節(jié)點(diǎn)分布圖如圖4(a)所示.

表3展示了在本場(chǎng)景中不同算法優(yōu)化后得到的結(jié)果,其中隨機(jī)拋撒所獲得的覆蓋率為67.35%,說明這種情況下,傳感器無法均勻分布在整個(gè)空間中,有許多范圍沒有被覆蓋到.使用CSO算法優(yōu)化后,覆蓋率達(dá)到了83.90%,使用ICSO算法優(yōu)化后,覆蓋率達(dá)到了87.30%,使用這兩種方法比隨機(jī)拋撒策略覆蓋率有了一定的提高,但仍有一定的優(yōu)化空間.文獻(xiàn)［19］的IWOA算法,將覆蓋提升到了93.56%,分布較為均勻.HCSO算法改進(jìn)了公雞收斂公式,使其能夠?qū)W習(xí)SCA算法的更新方法,使得算法中的優(yōu)秀個(gè)體能夠更好地找到最優(yōu)值.同時(shí)改變小雞學(xué)習(xí)方式,提高了算法整體粒子質(zhì)量,使得算法所獲得的結(jié)果精度更高.從實(shí)驗(yàn)中可以看到,HCSO算法的覆蓋率達(dá)到了94.56%,較隨機(jī)拋撒提高了27.21個(gè)百分點(diǎn),極大程度地解決了WSN節(jié)點(diǎn)分布不均勻問題.

設(shè)需要覆蓋區(qū)域是一個(gè)S=200 m×200 m的二維平面,內(nèi)有N=60個(gè)傳感器節(jié)點(diǎn),其感知半徑為r=20 m,通訊半徑為R=40 m.節(jié)點(diǎn)優(yōu)化后的結(jié)果如表4,覆蓋率對(duì)比曲線如圖3(b)所示.HCSO優(yōu)化節(jié)點(diǎn)分布圖如圖4(b)所示.

表3 優(yōu)化結(jié)果對(duì)比

表4 200×200優(yōu)化結(jié)果對(duì)比

在本場(chǎng)景下,HCSO較CSO和ICSO的覆蓋率分別提升了2.96和7.61個(gè)百分點(diǎn),與IWOA所獲得的覆蓋率相差較小,但HCSO的精度更高.通過圖3(b)中的HCSO優(yōu)化覆蓋圖可以看出,HCSO算法優(yōu)化的WSN傳感網(wǎng)絡(luò)已經(jīng)幾乎達(dá)到了全覆蓋.

設(shè)需要覆蓋區(qū)域是一個(gè)S=50 m×50 m的二維平面,內(nèi)有N=40個(gè)傳感器節(jié)點(diǎn),其感知半徑為r=5 m,通訊半徑為R=10 m.節(jié)點(diǎn)優(yōu)化后的結(jié)果如表5,覆蓋率對(duì)比曲線如圖3(c)所示.HCSO優(yōu)化節(jié)點(diǎn)分布圖如圖4(c)所示.

根據(jù)表5的數(shù)據(jù)可以看到,HCSO所獲得的覆蓋率相比隨機(jī)拋撒最終提高了22.80個(gè)百分點(diǎn).HCSO算法在迭代200次時(shí),所用時(shí)間僅比CSO算法慢0.08 s.所獲得的覆蓋率比IWOA算法提高了7.27個(gè)百分點(diǎn),且速度要比IWOA算法快得多.與HPSBA相比,雖然覆蓋率在迭代200次不如HPSBA所得到的結(jié)果好,但HPSBA迭代200次所花費(fèi)的時(shí)間比HCSO算法迭代300次所花費(fèi)的時(shí)間還要多,最終HCSO算法所得到的覆蓋率比HPSBA提高了0.07個(gè)百分點(diǎn).HCSO算法使用自適應(yīng)種群調(diào)整策略,較好平衡了算法局部搜索和全局搜索能力,提高了算法的運(yùn)行速度.迭代次數(shù)調(diào)整到300次,HCSO算法的運(yùn)行速度是最快的,同時(shí)其獲得的覆蓋率也是精度最高的.

設(shè)需要覆蓋區(qū)域是一個(gè)S=100 m×100 m的二維平面,內(nèi)有N=50個(gè)傳感器節(jié)點(diǎn),其感知半徑為r=10 m,通訊半徑為R=20 m.節(jié)點(diǎn)優(yōu)化后的結(jié)果如表6,覆蓋率對(duì)比曲線如圖3(d)所示.HCSO優(yōu)化節(jié)點(diǎn)分布圖如圖4(d)所示.

在文獻(xiàn)［20］中,沒有給出ESCA算法的迭代次數(shù)和迭代時(shí)間的數(shù)據(jù).根據(jù)覆蓋率可以看到,最終HCSO算法所獲得的覆蓋率比ESCA算法提高了0.68個(gè)百分點(diǎn).在迭代次數(shù)為200時(shí),隨機(jī)拋撒所得到的覆蓋率僅達(dá)到了79.64%,說明存在大部分節(jié)點(diǎn)冗余,節(jié)點(diǎn)分布不均勻.使用CSO算法和ICSO算法優(yōu)化后,覆蓋率分別為91.96%和90.55%,起到了一定的優(yōu)化效果.文獻(xiàn)［19］中的IWOA算法優(yōu)化后,大幅度提高了節(jié)點(diǎn)覆蓋率,達(dá)到了97.92%,但仍比HCSO算法優(yōu)化后的覆蓋率低.HCSO算法優(yōu)化后覆蓋率達(dá)到了98.90%,同時(shí)HCSO算法的運(yùn)行速度也是最快的,耗時(shí)為66.75 s.迭代次數(shù)調(diào)整到300后,HCSO算法仍然能夠繼續(xù)尋找更好的分配策略,最終使WSN節(jié)點(diǎn)覆蓋率達(dá)到了99.26%,從圖4(b)中也可以看到,節(jié)點(diǎn)分布比較均勻,很好地解決了節(jié)點(diǎn)冗余問題.

5 結(jié) 論

本文針對(duì)在傳統(tǒng)無線傳感網(wǎng)絡(luò)中,使用隨機(jī)拋撒策略對(duì)傳感器節(jié)點(diǎn)進(jìn)行部署,會(huì)出現(xiàn)被覆蓋區(qū)域的節(jié)點(diǎn)分布不均勻,覆蓋率低等問題.提出了一種混合雞群優(yōu)化算法.該算法加入了自適應(yīng)種群分配策略,提高算法的前后期搜索速度及精度;又利用正余弦算法改進(jìn)CSO公雞的更新策略,提高了跳出局部最優(yōu)解的能力;最后更新小雞學(xué)習(xí)策略,使其學(xué)習(xí)其雙親以及最優(yōu)個(gè)體,還能夠交叉突變,提高小雞群體的質(zhì)量,從而提高算法整體質(zhì)量.通過6個(gè)基準(zhǔn)函數(shù)測(cè)試,比對(duì)了HCSO算法與其他算法所獲得的優(yōu)化結(jié)果.表明HCSO算法均取得了比較理想的適應(yīng)度值,加快了運(yùn)行速度和收斂速度.最后將HCSO算法應(yīng)用到WSN節(jié)點(diǎn)部署優(yōu)化中去,首先與原算法比較基本都能提高2～10個(gè)百分點(diǎn),與其他改進(jìn)算法進(jìn)行比較,也能夠?qū)Σ煌h(huán)境下的節(jié)點(diǎn)覆蓋率進(jìn)行一定的優(yōu)化提高,增強(qiáng)了WSN網(wǎng)絡(luò)的性能.后續(xù)將對(duì)多目標(biāo)的CSO算法進(jìn)行研究,并準(zhǔn)備運(yùn)用到多目標(biāo)WSN節(jié)點(diǎn)部署問題中.

附 錄

附表Ⅰ見電子版(DOI:10.16366/j.cnki.1000-2367.2023.05.006).