[发明专利]一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法

权利要求书

1.一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于，包括以下步骤：

步骤1：基于布尔感知模型创建无线传感器网络覆盖数学模型；将连续的待监测区域离散化处理为m×l个像素点，并在该离散化区域内随机分配N个无线传感器节点，构成无线传感器节点集合S＝{s₁,s₂,s₃,…,s_n}，监测区域节点集合M＝{m₁,m₂,m₃,…,m_n}；每个无线传感器网络节点均保证相同的感知半径R_C和通信半径R；

步骤2：计算每个传感器节点感知像素点的概率，继而计算每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,m_j)；

步骤3：根据每个像素点处传感节点被整个无线传感器节点集合S感知的联合概率p(S,m_j)，计算得到无线传感器网络的覆盖率R_cov，建立适应度函数；

步骤4：结合Cubic混沌映射、单纯形法与逐维反向学习对白骨顶鸡算法进行改进，防止因为搜索范围小导致陷入局部最优解，保证收敛速度和搜索效果的均衡，确保算法具备强鲁棒性；初始化参数，包括：白骨顶鸡种群N，维数d，最大迭代次数MaxIter，区域面积m×l，通信半径R；

步骤5：采用改进后的白骨顶鸡算法对无线传感器网络覆盖优化，求取覆盖率；初始化种群，利用Cubic混沌对立公式产生白骨顶鸡种群个体，划分为跟随者种群与领导者种群，并记录两个种群的适应度值，找到最好覆盖率的白骨顶鸡gBest；

步骤6：根据单纯形法、链式运动与最优个体引导公式更新白骨顶鸡随跟随者种群位置，并将更新后的跟随者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest；

步骤7：基于领导者运动公式更新领导者种群位置；

步骤8：基于逐维反向学习策略对领导者种群进行进一步的位置更新，并将更新后的领导者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest；

步骤9：判断迭代次数是否达到最大迭代次数，是则输出最优解，反之回到步骤3继续迭代更新。

2.根据权利要求1所述的基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于：步骤4中：结合Cubic混沌映射、单纯形法与逐维反向学习对白骨顶鸡算法进行改进，包括：

步骤4-1：将Cubic混沌映射与对立学习结合，提出一种COBL(Cubic and opposition-basedlearning)策略，增加种群多样性；

步骤4-2：结合单纯形法更新跟随者位置，帮助算法跳出局部最优；

步骤4-3：对领导者种群进行逐维反向学习，加强算法全局搜索的能力。

3.根据权利要求1所述的基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法，其特征在于：步骤5：采用改进后的白骨顶鸡算法对无线传感器网络覆盖优化，求取覆盖率，具体包括：

步骤5-1：初始化参数，包括：白骨顶鸡种群N，维数d，最大迭代次数MaxIter，区域面积m×l，通信半径R；

步骤5-2：初始化种群，利用Cubic混沌对立公式产生白骨顶鸡种群个体，划分为跟随者种群与领导者种群，并记录两个种群的适应度值，找到最优覆盖率的白骨顶鸡gBest；

步骤5-3：根据单纯形法、链式运动与最优个体引导公式更新白骨顶鸡随跟随者种群位置，并将更新后的跟随者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest。

步骤5-4：基于领导者运动公式更新领导者种群位置；

步骤5-5：基于逐维反向学习策略对领导者种群进行进一步的位置更新，并将更新后的领导者适应度与最优个体gBest适应度进行比较，若前者较大，则更新gBest；

步骤5-6：判断迭代次数是否达到最大迭代次数，是则输出最优解，反之回到步骤5-3继续迭代更新。