基于改进人工大猩猩部队优化算法的WSN网络覆盖研究

基于改进人工大猩猩部队优化算法的WSN网络覆盖研究

1. 引言

无线传感器网络（WSN）覆盖优化是保障通信质量与降低能耗的关键。传统随机部署方式易导致覆盖冗余和留白，而人工大猩猩部队优化算法（GTO）在收敛速度和全局探索能力上存在不足。本文提出改进算法IGTO，通过Tent混沌策略和复合突变策略提升性能，实现高效网络覆盖。

2. 网络覆盖模型构建

2.1 感知模型
节点感知概率：
$$w(t_i,k_j)=\{\begin{array}{ll}1,& d(t_i,k_j)\le R\\ 0,& \text{其他}\end{array}$$其中，距离计算：
$$d=\sqrt{(t_x-k_x{)}^2+(t_y-k_y{)}^2}$$
2.2 联合感知概率
$$P(k_j)=1-\prod _{i=1}^N\left(1-w(t_i,k_j)\right)$$
2.3 覆盖率目标函数
$$ZON=\frac{{\sum }_{j=1}^{L\times W}P(k_j)}{m}$$

3. 改进人工大猩猩部队优化算法（IGTO）

3.1 Tent混沌初始化
混沌映射公式：
$$y_{i+1}=\{\begin{array}{ll}\frac{y_i}{0.7},& y_i<0.7\\ \frac{10}{3}(1-y_i),& y_i\ge 0.7\end{array}$$
3.2 复合突变策略
生成三个候选位置：
$$V_{i_1,j}=\{\begin{array}{ll}{X}_{r6,j}+F_1(X_{r7,j}-X_{r8,j}),& \text{rand}<C_1\text{或}j=j_{\text{rand}}\\ X_{i,j},& \text{其他}\end{array}$$$$V_{i_2,j}=\{\begin{array}{ll}{X}_{r9,j}+F_2(X_{r10,j}-X_{r11,j})+F_2(X_{r12,j}-X_{r13,j}),& \text{rand}<C_2\text{或}j=j_{\text{rand}}\\ X_{i,j},& \text{其他}\end{array}$$$$V_{i_3,j}=\{\begin{array}{ll}{X}_{i,j}+\text{rand}(X_{r14,j}-X_{s,j})+F_3(X_{r15,j}-X_{r16,j}),& \text{rand}<C_3\text{或}j=j_{\text{rand}}\\ X_{i,j},& \text{其他}\end{array}$$
3.3 节点部署流程

1. 混沌初始化种群
2. 探索阶段更新位置（公式6）
3. 开发阶段优化（公式12、15）
4. 复合突变选优（公式23）

4. 实验与结果分析

4.1 参数设置

算法	参数设置
IGTO	$F_1=1,F_2=0.8,F_3=1$
GTO	$C_{r}1=0.1,C_{r}2=0.2$
AO	$\alpha =0.1,\beta =0.1$
SMA	$Z=0.03$

4.2 多算法对比结果

算法	Best	Mean	Std
IGTO	0.9969	0.9924	0.0033
GTO	0.9673	0.9472	0.0145
AO	0.9435	0.9349	0.0097
SMA	0.9685	0.9439	0.0129

4.3 覆盖率对比

• 节点数35：IGTO覆盖率97.5% vs GTO 94.2%（图1）
• 节点数45：IGTO覆盖率99.7% vs GTO 96.7%（图3）

5. 结论

改进的IGTO算法通过混沌初始化和复合突变策略，显著提升了WSN覆盖性能。实验表明，IGTO在覆盖率和稳定性上均优于GTO及其他对比算法，适用于复杂环境下的高效部署。

参考文献

贾鹤鸣, 饶洪华, 李玉海, 等. 改进人工大猩猩部队优化算法的WSN网络覆盖[J]. 龙岩学院学报, 2023, 41(5): 1-7.