虚拟导向的改进灰狼算法综合无线传感器网络布局

秦宇祺 张雪 张倩倩 黄鹏

摘 要：为了提高无线传感网络覆盖率和目标检测概率，动态无线传感网络布局优化成为无线传感器网络覆盖研究的关键。由于传统的灰狼算法在优化过程中难以协调全局探索和局部开发能力，文中将基本灰狼算法（GWO）与Logistic序列变异，并与干扰粒子相结合，采取一种从整体到局部的优化策略，同时学习虚拟力算法在指导无线传感节点散步过程中的优越性，对狼群位置更新机制做出一些改进，提出一种虚拟导向的改进灰狼算法，在有效提高网络覆盖率的同时，提高算法的收敛速度和收敛精度。

关键词：GWO;动态网络布局;Logistic序列变异;干扰粒子;虚拟力;传感器

中图分类号：TP39;TN911.72文献标识码：A文章编号：2095-1302（2019）09-000-05

0 引 言

随着无线通信技术、嵌入式计算技术、传感器技术、微电子技术的高速发展，无线传感器网络（Wireless Sensor Network，WSN）应运而生[1]。无线传感器网络以其低功耗、低成本、分布式、自组织等特点为信息感知带来一场新的变革，被广泛运用于目标跟踪和环境监测等领域。由于传感器节点的能量有限及其应用区域的特殊性，为了增强无线传感器网络的监测质量、提高网络可靠性，动态无线传感器网络布局优化已成为无线传感器网络性能优化的关键[2]。

近年来，研究人员尝试从不同角度解决传感器节点位置优化问题，在文献[3]中，研究了基于移动机器人的节点部署算法—假设节点均具有准确定位能力，利用已有信息部署后续节点。但由于依次部署会导致较长延时，因此不具有普遍性。文献[4-5]中提出了改进的混合无线传感器网络节点分布优化算法，文献[6]中提出了一种基于虚拟力的节点分布优化算法（Virtual Force Algorithm，VFA），该算法将每个传感器节点近似为一个虚拟电荷，建立传感器节点与目标、其他传感器节点间的虚拟力模型，根据受力平衡，各点受到其他点的虚拟力作用，向目标区域扩散，最终达到平衡状态，从而实现网络充分覆盖。与上述其他算法相比，该算法具有更快的运算速度，在提高网络覆盖率性能方面表现突出。然而对于由固定传感节点和移动传感节点构成的无线传感网络，固定传感节点对移动传感节点的虚拟力可能会限制无线传感网络的布局优化。针对上述问题，本文结合灰狼算法和虚拟力算法，提出了一种虚拟导向的改进灰狼算法。

灰狼算法作为一种新型智能进化算法，已经被证明与粒子群算法（Particle Swarm Optimization，PSO）、引力搜索算法（Gravitational Search Algorithm，GSA）相比性能更優，同时具有模型简单、参数设置较少、寻优性能较好等优点，但与其他算法一样，灰狼算法也存在探索和开发能力难以协调、求解精度低等缺点。因此，本文将基本灰狼算法与Logistic序列变异、干扰粒子相结合，从而在平衡灰狼群体探索和开发能力的同时，增强种群多样性，提高收敛精度。

采用虚拟力改进灰狼算法的狼群包围策略，指导头狼带领包围进攻方向，加快算法收敛。该策略既避免了虚拟力算法导致的移动传感节点优化约束，又使灰狼算法有目的的向扩大覆盖率和目标监测率的方向进化。

1 GWO算法优化WSN覆盖基本原理

4.2 测试结果数据比较

从仿真及数据比较图中可以看出，无论是灰狼算法还是改进灰狼算法，相较于粒子群算法在收敛速度方面明显提高，并且虚拟导向的改进灰狼算法与其他两种算法相比，覆盖率明显提高，收敛精度较高，收敛速度快，性能较稳定，鲁棒性较好。

5 结 语

无线传感网络布局优化有利于改善网络性能，提高网络有效覆盖率，本文提出一种用于无线传感网络布局优化的虚拟导向改进灰狼算法，采用概率测量模型评价网络性能，以优化网络的有效覆盖率为目标，在对基本灰狼算法改进其探索和局部开发能力，提高其收敛精度的基础上，更新灰狼位置时引入虚拟导向策略，指导灰狼种群进化，提高收敛速度和精度。实验表明，虚拟导向的改进灰狼算法能有效实现无线传感网络布局优化，收敛精度更高，速度更快且鲁棒性更好。

参 考 文 献

[1]贾杰.无线传感器网络覆盖控制与节点部署技术[D].南京：南京邮电大学，2010.

[2] WANG X，JIANG A，WANG S. Mobile agent based wireless sensor network for intelligent maintenance [J]. Lecture notes in computer science，2005（2）：316-325.

[3] HOWARD A，MATARIC M J，SUKHATME G S. An incremental self-deployment algorithm for mobile sensor networks [J]. Autonomous robots，2002，13（2）：113-126.

[4] WANG G，CAO G，PORTA T L. A bidding protocol for deploying mobile sensors [C]// Proceedings of the 11th IEEE International Conference on Network Protocols（ICNP）. Atlanta，Georgia，USA：IEEE，2003：315-324.

[5]王雪，王晟，马俊杰.无线传感网络移动节点位置并行微粒群优化策略[J].计算机学报，2007，30（4）：563-568.

[6] ZOU Y，CHAKRABARTY K. Sensor deployment and target localization based on virtual forces [A]. IEEE INFOCOM [C]// Piscataway，NJ，USA：IEEE Press，2003：1293-1303.

[7] KUMAR S，TEN H L，BALOGH J. On k-coverage in a mostly sleeping sensor network [C]// Proc 10th Annual Int1 Conference Mobile Computing and Networking. New York：ACM Press，2004：144-158.

[8] LI S，XU C，PAN W，et al. Sensor deployment optimization for detecting maneuvering targets [A]. 7th International Conference on Information Fusion [C]// Piscataway，NJ，USA：IEEE Press，2005.

[9] WANG X，WANG S，MA J. Dynamic deployment optimization in wireless sensor networks [J]. Lecture notes in control and information sciences，2006，344：182-187.

[10] WANG X，WANG S，MA J J. Dynamic sensor deployment strategy based on virtual force-directed particle swarm optimizaion in wireless sensor networks [J]. Chinese journal of electronics，2007，35（11）：2038-2042.

[11] ZHOU L M，YANG K H，ZHOU P. Optimal coverage configuration based on artificial fish swarm algorithm in WSNs [J]. Application research of computers，2010.

[12] LIU H，CHAI Z J，DU J Z，et al.Sensor redeployment algorithm based on combined virtual forces in three dimensional space [J]. Acta aotumatica sinica，2011（6）.

[13] CUI L Z，LI X Y，HU H D，et al. A coverage hole recovery algorithm with minimum energy consumption based on polar coordinates in WSNs [J] .Computer engineering & science，2018.

[14] FANG W，SONG X H. A deployment strategy for coverage control in wireless sensor networks based on the blind-zone of Voronoi diagram [J]. Acta physica sinica，2014，63（22）：220701.