[发明专利]一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法

权利要求书

1.一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法，包括麻雀、探索者和追随者，其特征在于：在无线传感器网络中，感知半径及通信半径分别为R和R^c，为保证无线传感器网络的连通性，节点的通信半径设置为大于或者等于节点感知半径的2倍，假设有N个同构传感器节点，每个传感器节点都具有相同的感知半径R及通信半径R^c，节点集合可表示为S＝{s₁,s₂,s₃,…,s_n}，监测区域节点的集合M＝{m₁,m₂,m₃,…,m_n}，(x_i,y_i)与(x_j,y_j)分别对应集合中s_i、m_j的二维空间坐标，采用布尔模型作为节点感知模型，只要监测区域处于节点感知范围则视为覆盖该节点，传感器节点与检测区域节点之间的欧氏距离为：

监测点mj被节点si感知的概率为：

所有传感器节点对点mj的联合感知概率为：

式中S_all为监测区域内的所有无线传感器节点，假设监测区域为矩形，面积为L·Wm²，为便于计算，将该矩形划分为L·W个面积相等的网格，监测节点m位于网格的中心点位置，通过上式(3)计算出所有监测点的联合感知概率，累加之和即为覆盖面积，覆盖率C_r可表示如下：

所求问题描述如下：

f(1)＝Max(C_r(I))#(5)

假设2R＝R^c，建立有向图邻接矩阵向量M_v，其用于存储任意两节点的连通情况，M_v[i][j]＝1表示第i个节点可向第j个节点传送信息，即单向连通，当其值为0表示不连通：

S_v＝M_v+M_v²+M_v³…+M_v^n-1#(7)

其中n为传感器节点数目，若S_v中存在元素为0，网络不连通；反之则连通，所述麻雀的位置可以用以下矩阵表示：

其中n是麻雀的数量，d表示要优化的变量的维数，然后，所有麻雀的适应度值可以用以下向量表示：

其中n表示麻雀的数量，F_x冲每行的值表示个体的适应值，在SSA中，具有较好适应度值的探索者在搜索过程中优先获得食物，此外，因为探索者负责寻找食物和引导整个种群的流动，所以，探索者可以在更广泛的地方寻找食物，根据规则(1)和(2)，在每次迭代过程中，探索者的位置更新如下：

其中，t代表当前迭代数，iter_max是一个常数，表示最大的迭代次数，X_i，j表示第i个麻雀在第j维中的位置信息，α∈(0，1]是一个随机数，R2∈[0，1]和ST∈[0.5，1]分别表示预警值和安全值，Q是服从正态分布的随机数，L表示一个l×d的矩阵，其中该矩阵内每个元素全部为1，当R2＜ST时，这意味着此时的觅食环境周围没有捕食者，探索者可以执行广泛的搜索操作，当R2≥ST时，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食，追随者的位置更新描述如下：

其中，X_P是目前探索者所占据的最优位置，X_worse则表示当前全局最差的位置，A表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且Ａ⁺＝Ａ^T(ＡA^T)^-1，当i＞n/2时，这表明，适应度值较低的第i个追随者获得很少食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量，当意识到危险时，麻雀种群会做出反捕食行为，其数学表达式如下：

其中，X_best是当前的全局最优位置，β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数，K∈[-1，1]是一个随机数，f_i则是当前麻雀个体的适应度值，f_p和f_w分别是当前全局最佳和最差的适应度值，ε是最小的常数，以避免分母出现零，当f_i＞f_g表示此时的麻雀正处于种群的边缘，极其容易受到捕食者的攻击，f_i＝f_g时，这表明处于种群中间的麻雀意识到了危险，需要靠近其它的麻雀以此尽量减少它们被捕食的风险，K表示麻雀移动的方向同时也是步长控制参数。

2.根据权利要求1所述的一种增强型麻雀搜索算法的无线传感器网络优化覆盖方法，其特征在于：所述探索者的比例因子pd是一个固定值，其值为0.2，这与算法的早期和后期策略相同，因此不灵活，导致算法收敛速度慢，为了提高算法的搜索效率，提出了一个收敛因子∝来约束原比例因子，其数学描述如下：

其中，T是最大迭代次数，t是当前迭代次数，∝的值从1非线性减小到0，在迭代的早期，∝值较大，即探索者个数较多，有利于全局优化搜索，加快算法的收敛速度，在迭代的后期，∝值较小，即探索者个数较少，集中于理论最优值附近，有利于局部寻优，从而提高解的精度。