「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( 三 ) 无线传感器网络(WirelessSensorNetwork

文章图片
式中， ω为Adam中的学习率。由式(17)可以看出在Adam优化算法中采用了动量梯度下降法的优点，使得在寻优过程中可以跳出局部最优解，同时也吸收了均方根算法的优点，加快了在寻优方向上的搜寻步长，减少了不利的扰动对寻优过程造成的影响。
4更新淘汰概率Pa
在梯度下降法寻找最优值的过程中，因为噪音的存在，随着迭代次数的增加，结果会在最优解的附近摆动，不会精确地收敛，此时的学习率是个固定值，因此需要随着迭代次数的增加慢慢减少学习率。
在本文布谷鸟算法的改进中淘汰概率Pa利用梯度下降的思想，随迭代次数的变化如式(18)所示：
5仿真结果
5.1实验设计
本文采用基于深度学习的优化方法改进布谷鸟算法对传感器节点在监测区域内进行网络覆盖率的最优部署，在100m×100m的水域内，以2m为边长划分网格计算覆盖率。设定传感器半径为10m ，最大迭代次数为1000 ，初始淘汰概率设为0.25 ， β1设置大小为0.1 ， β2设置大小为1 ， ε设为10-4 ，在本文算法中步长控制量以及淘汰概率Pa随迭代次数变化。迭代计算中，当迭代次数大于最大迭代次数时跳出循环，则计算停止，保存最优结果退出布谷鸟更新过程。
5.2实验结果与分析
实验中随机生成30个传感器节点，图1为原始的传感器随机分布图， X、Y为二维平面的横纵坐标。由图1可以看出，原始的传感器分布比较杂乱，在随机分配传感器的条件下，其覆盖率比较低,只有59.64% ，实际工作中无法达到预期的监测结果。

文章图片
图2为在随机分布传感器节点的条件下，节点通过基于Adam算法改进的布谷鸟算法Adam-CS迭代更新之后的最优位置分布图，在此分布条件下传感器的覆盖率达到最优。从图2中可以看出，优化后的传感器节点分布比较均匀，传感器的重合度降低，覆盖率达到86.48% ，进而使得水质传感器节点部署得到优化，可有效提高传感器网络的监测性能。

文章图片
图3为原始布谷鸟算法（CS）、基于动量梯度下降法改进的布谷鸟算法（Momentum-CS）、基于均方根算法改进的布谷鸟算法（RMSprop-CS）以及Adam-CS4种方法的实验对比图。在相同的区域面积部署相同数量及大小的传感器节点。考虑到随机部署的不确定性对实验结果的影响，对4种方法各进行了10次实验，对实验结果做均值处理。由图3可知，在相同的初始条件下， Adam-CS算法可以更有效地提高网络的部署效果。随着迭代次数的增加， 4条曲线趋于平衡，规定每增加30次迭代次数覆盖率增长少于0.05%的情况下为曲线达到的平衡状态，则4种方法的结果如表1所示。可见， Adam-CS算法可以利用更少的迭代次数实现更好的部署效果。

文章图片

文章图片
6结论
本文基于深度学习的优化方法改进布谷鸟算法，以水质传感器网络覆盖率达到最优为目标，对传感器节点进行优化部署。在充分利用布谷鸟算法优点的基础上，对布谷鸟算法中的步长控制量和淘汰概率利用深度学习的优化方法进行调整，大大提高了算法的寻优性能。仿真结果表明，改进后的算法能高效地搜索全局空间，获得更加精确的结果，实现了深度学习方法和群智能优化算法的结合，同时把改进的算法应用在水质传感器网络的布局优化中，在水环境监测中有一定的实践意义。
参考文献
[1]毛莺池，陈力军，陈道蓄.无线传感器网络覆盖控制技术研究[J].计算机科学， 2007 ， 34(3)：20-22.