[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

说明书

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，包括：1)基于布尔感知模型创建无线传感器网络覆盖数学模型，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,msubgt;j/subgt;)；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,msubgt;j/subgt;)，计算得到无线传感器网络的覆盖率Rsubgt;cov/subgt;，建立适应度函数；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；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。

技术领域

本发明属于无线传感器网络技术领域,涉及一种无线传感器网络覆盖方法，具体涉及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。

背景技术

近年来，人们对物联网技术的研究不断深入，作为物联网核心部分的无线传感网络(Wireless Sensor Networks，WSNs)成为人们的重要研究对象之一。无线传感器网络以其集成功能多样、涉猎范围广等优点，应用广泛。但是在指定区域内，如果抛洒过量的传感器节点不仅会导致节点冗余，还会导致能源、材料的大量浪费。因此合理部署传感器节点位置，对优化其性能有着重要的意义。

近年来，智能优化算法在无线传感器网络覆盖优化中得到广泛应用.如遗传算法，粒子群算法，花朵授粉算法等。但是这些算法存在收敛速度慢，收敛精度不高，易陷入局部最优等缺点，导致算法在优化后期无法取得更优的覆盖率。

白骨顶鸡优化算法(Coot Optimization Algorithm,COOT)是2021年提出的一种元启发式优化算法，灵感来源于白骨顶鸡的移动习性。算法对白骨顶鸡种群进行了层级划分，适应度值高者为种群领导者，其余为跟随者。跟随者具有两种位置更新方式，分别为主动更新和被动更新。主动更新过程中，跟随者根据链式运动或随机运动更新位置，并不依赖领导者；在被动更新过程中，跟随者需要向领导者方向发生靠拢。种群需要朝着最佳区域前进，因此在跟随者向领导者靠拢的同时，领导者也要同时不断调整自身位置向最优区域靠近。

发明内容

本发明目的在于，提出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，克服标准白骨顶鸡算法容易陷入局部最优，覆盖效果较差等缺陷，提高网络有效覆盖率和节点利用率的同时，降低不必要的节点能量消耗，延长整个网络的生存周期。

本发明的技术方案是：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，包括如下步骤：

步骤1：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：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等。

步骤5：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。