「记忆的科技园」改进布谷鸟算法在水质传感器部署上的应用无线传感器网络(WirelessSensorNetwork

无线传感器网络(WirelessSensorNetworks ， WSNs)是一种分布式传感网络。 WSNs中的传感器通过无线方式通信，可以与互联网进行有线或无线方式的连接进而形成一个多跳的自组织网络系统[1] 。由于其密集型和随机分布等特点，被广泛应用于环境监测、医疗护理、目标跟踪及交通控制等领域[2-4] 。由于传统传感器节点部署的随机性和盲目性，使传感器对目标区域不能进行有效合理的监测，因此采用合理的传感器部署方案成为WSNs应用中首先要考虑的问题。
传感器网络优化部署是一个多目标优化问题，一个水质监测系统要实现好的监测效果需要对水质传感器进行合理的部署。目前，国内外许多学者对WSNs的覆盖部署进行了深入的研究，其问题的关键是针对不同的水域情况，通过采用适当的优化策略对特定区域的传感器节点进行部署，在保证传感器覆盖率最大化的条件下，尽可能少地使用传感器，达到资源的有效利用。随着群智能优化算法的兴起，其越来越多地成为研究者关注的焦点。文献[5]-[6]用果蝇算法和鱼群算法对传感器节点进行优化布局，并取得了不错的效果；文献[7]提出了采用加权因子调整的粒子群算法对传感器节点进行自适应部署，但算法中参数值的设定需根据经验值进行设定；文献[8]采用混沌粒子群算法覆盖优化无线传感器网络，该算法的寻优速度较快，但其仍旧没有摆脱粒子群算法易陷入局部极值点的缺点；文献[9]提出了基于改进的蚁群算法优化网络节点，该方法局部搜索能力强，但搜索速度较慢；文献[10]提出了把莱维飞行和粒子群相结合的算法来优化传感器节点，该算法利用莱维飞行搜索的遍历性大大提高了网络的覆盖率，克服了传统粒子群算法容易陷入局部最优的缺点；文献[11]提出分布式在无线传感器网络布局优化中的应用，证明了分布式布谷鸟算法在优化时间上要强于粒子群算法，但优化精度不高；文献[12]提出了一种可变参数的改进CS算法，提高了收敛的速度；文献[13]提出了动态适应布谷鸟算法，对布谷鸟的发现概率和搜索步长进行动态调整，使得算法的收敛速度和精度都得到了一定的改善。
本文布谷鸟算法中用布谷鸟个体作为单个传感器，模拟雏鸟不被寄主发现的过程，将无线传感器网络中覆盖率作为优化目标，布谷鸟优胜劣汰的过程是一个不断迭代，用好的可行解取代较差可行解的过程，因此，在这个过程中可以引入梯度下降求局部最优解的方法。本文通过采用动量梯度下降法、均方根算法、Adam优化算法等深度学习中常用的优化算法的思想，通过更新节点的位置快速计算每次迭代的最优解，能够有效提高问题的优化效率。
在水质传感器网络覆盖中，通常通过增加传感器个数以提高覆盖率。然而传感器节点个数过多，会产生大量冗余节点，造成数据传输冲突，影响网络稳定性，且造成资源浪费。因此，在水质传感器网络布局阶段，节点数目和网络覆盖率需要同时考虑。
本文在监测水域的二维平面内，运用布谷鸟算法对节点自行进行布置，以实现对固定区域内最大覆盖率为目标，在保证监测数据有效的前提条件下，使传感器资源得到进一步的利用。假设每个传感器都有相同的通信半径和感知半径[14] ，设s={s1 ， s2 ， s3 ， … ， sn}是一组无线传感器集合， (xi ， yi)为集合中任意一个无线传感器节点si的坐标， (xj ， yj)为监测区域中任意一点pj的坐标，则节点si到点pj的欧氏距离定义为：

文章图片
2算法设计
布谷鸟搜索(CuckooSearch ， CS)算法是由英国学者Yang于2009年受布谷鸟巢寄生育雏行为的启发提出的一种新型的群智能优化算法。 CS算法通过模拟布谷鸟巢寄生育雏行为，结合鸟类、果蝇等的Lévy飞行机制进行寻优操作，能够快速有效地找到问题的最优解。 CS算法的关键参数仅为外来鸟蛋被发现的概率和种群数目，整个算法操作简单、易于实现。 CS算法利用Lévy飞行进行全局搜索，具有良好的全局寻优能力。