摘要：目的：針對無線傳感器網絡隨機部署節(jié)點的區(qū)域覆蓋和傳感器節(jié)點能量消耗問題，提出一種基于慣性權重余弦自適應調整策略的改進果蠅優(yōu)化算法。方法：該算法在果蠅優(yōu)化算法基礎上，通過引入慣性權重的學習因子調整策略，在線調整算法的搜索步長。結果：增強了果蠅個體的自適應性及全局搜索能力，從而實現全局最優(yōu)。結論：仿真實驗表明，提出的改進果蠅優(yōu)化算法不僅提高了收斂速度和全局搜索能力，還顯著提升了WSN的覆蓋率。

關鍵詞：無線傳感器網絡；改進果蠅優(yōu)化算法；慣性權重余弦自適應調整策略；學習因子調整策略；覆蓋率

中圖分類號：TP31" " " 文獻標志碼：A" " " 文章編號：1008-4657（2024）04-0015-11

0" " " " 引言

無線傳感器網絡（Wireless" Sensor" Networks，WSN）是一種遠距離、分布式的多跳自組織的傳感網絡，主要由一組可以合作感知和采集檢測的傳感器組成。這些傳感器采用無線通信方式，實現遠距離數據傳輸、監(jiān)測和共享。由于良好的擴展性和靈活性，WSN技術被廣泛使用物聯網系統中［ 1 ］。

WSN在實際應用時存在許多問題，如監(jiān)測面積大、環(huán)境惡劣、能量有限、成本高、網絡連接不穩(wěn)定、效率低、傳感器覆蓋不全面等［ 2 ］。針對這些問題，學者們利用智能算法進行了大量的研究，取得了豐碩的成果。史振興等［ 3 ］對于WSN中較為重要的能耗較高問題，提出一種能使能量均衡分配的分層式分簇單跳和多跳的無線傳感器網絡路由算法（LEACHC），可以將網絡分為兩層，調節(jié)傳輸數據的跳數和簇頭，最大限度地均勻化能耗，使網絡生命周期延長。陳玲君［ 4 ］針對如何能夠減少傳感器節(jié)點定位誤差，提出一種基于改進粒子群優(yōu)化算法修正DV-Hop誤差的傳感器節(jié)點定位方法，該算法通過分析粒子之間的間距、雙變異因子和權重設置，提高了傳感器節(jié)點定位精度。武娟等［ 5 ］針對WSN節(jié)點隨機分布導致覆蓋不充分的問題，提出了一種改進麻雀搜索-覆蓋率增量（ISSA-ICR）算法，該算法改進了搜索者的位置更新方式，采用了以迭代次數為自由度的t分度擾動和動態(tài)調整策略平衡了算法全局搜索能力，又引入隨機回歸的越界處理策略解決節(jié)點部署位置的問題。Mo Yuanbin等［ 6 ］對WSN的覆蓋和部署問題設計了一種基于粒子群算法、優(yōu)化信息共享和人工免疫系統（AIS）多樣性維持機制的新型SI算法，在給定傳感器節(jié)點數和最小傳感器節(jié)點數下獲得了WSN中要求的最大覆蓋概率，仿真結果表明該算法具有實用性。吉珊珊［ 7 ］為了降低移動sink無線傳感器網絡的能耗和sink移動距離，提出了一種基于增強蟻群算法的傳感網絡移動sink路徑規(guī)劃算法，該算法在人工蟻群算法的基礎上引入了遺傳算子，可以避免算法過早收斂。同時將不均勻的數據量作為網絡的約束條件，采用增強的人工蟻群算法選擇匯集點的帕累托次優(yōu)集，有效的降低了網絡能耗，提高了網絡能耗的均勻性。

上述文獻中的算法雖然在從節(jié)點移動距離、能耗優(yōu)化、節(jié)點個數等方面優(yōu)化了WSN的覆蓋和部署問題，但由于這些算法中引入的參數較多，運算復雜，增加了系統的運算負擔，這也限制了上述算法在實際中的應用。相較于蟻群算法、ISSA-ICR和粒子群算法，果蠅優(yōu)化算法由于系統參數較少，運算簡單，是解決WSN覆蓋問題更為有效的方法。尹向兵等［ 8 ］對傳統節(jié)點部署中的覆蓋面積小，速度慢的問題，提出將果蠅優(yōu)化算法與WSN覆蓋模型結合，可得到更好的覆蓋率，但是沒有避免早熟收斂。寧劍平等［ 9 ］對支持向量機回歸模型的優(yōu)化問題，提出一種遞減步長的果蠅優(yōu)化算法，該算法使果蠅的搜索步長隨著算法迭代進程逐漸減少，使算法前期有較強的全局搜索能力，后期增強其局部搜索能力，但對于前期搜索速度沒有提高?；艋刍鄣龋?10 ］提出了一種離散果蠅優(yōu)化算法改善WSN中的節(jié)點浪費、覆蓋率不高的問題。該算法引入了嗅覺分類搜索和移民操作種群協同進化機制，使算法精度和效率得到了提高，但是算法融合較多，過于復雜。王越群等［ 11 ］對于礦井無線傳感器網絡中能量有限、傳輸距離長的問題，提出簇內通信優(yōu)化機制，構建簇首和節(jié)點剩余能量的適應度函數來優(yōu)化果蠅算法，尋找能量最小的通信路徑，但對覆蓋率沒有改進。

以上文獻中主要使用果蠅優(yōu)化算法解決了WSN中的覆蓋率小、算法陷入局部最優(yōu)的問題，使算法具有更大的搜索范圍，提高了算法的精度，并使通信的能量最小化，但是并沒有充分考慮算法在前期搜索尋優(yōu)中存在的速度快慢問題。前期較快的搜索速度可以加快傳感器網絡形成的速度，節(jié)約時間成本。

1" " " " WSN覆蓋模型

假設監(jiān)測區(qū)域內的每個傳感器節(jié)點的感知半徑Rs和通信半徑Rc都相同，且通信半徑大于等于兩倍的感知半徑，則認定WSN能夠實現監(jiān)測區(qū)域全覆蓋，傳感器節(jié)點也能全部相連通，這樣傳感器數據才能穩(wěn)定傳輸［ 12 ］。將WSN的覆蓋情況簡化成網格覆蓋模型，監(jiān)測區(qū)域分成M" ×" N的網格點。

在這個二維的區(qū)域內，有n個傳感器節(jié)點隨機分布，每個節(jié)點的位置可以表示為Wi" =" （xi，yi），（i = 1，2，…，n）。則傳感器節(jié)點的集可以表示為W = {ω1，ω2，…，ωi，…，ωn}。這時，網格點q = （x，y）和每個傳感器節(jié)點Wi之間的距離可以用歐氏距離表示：

diq" =" （1）

在傳感器感知模型里，分為二元檢測感知模型和概率感知模型，本文選用二元感知模型，公式為：

pi = 1" " " diq ≤ r0" " " diq" ＞ r（2）

式中的r是傳感器的傳感半徑（即r = Rs - Rc）；diq是歐氏距離。

下一個傳感器節(jié)點能接收到上一個傳感器節(jié)點發(fā)送信號的概率則為：

P = 1 - （1 - pi）（3）

為了求得最大覆蓋率，并使傳感器節(jié)點分布更均勻，因此將WSN網絡覆蓋優(yōu)化模型設置為算法的目標函數（Fitness function）。為了得到目標監(jiān)控區(qū)域內的節(jié)點覆蓋率，其判斷模型為：

Scov = Fitness function （4）

其中，M" ×" N為監(jiān)控區(qū)域范圍內設置的網格點，如果網格節(jié)點能被傳感器節(jié)點覆蓋，則該節(jié)點就能被監(jiān)測到；ΣP 為成功覆蓋的網格點總數。

2" " 果蠅優(yōu)化算法

2.1" " 果蠅算法簡介

果蠅優(yōu)化算法（Fruit" Fly" Optimization" Algorithm，FOA）是Pan" Wen" Tsao提出的一種新興群體優(yōu)化算法［ 13 ］，該算法是模仿果蠅的覓食過程，如圖1所示。圖中的圓為果蠅群體，它們的初始位置在一個搜索區(qū)域里隨機分布，食物即尋優(yōu)目標在距離坐標原點較遠的位置，這時果蠅群體會通過嗅覺判斷自身與原點間的距離，隨機搜索固定范圍內的食物信號，當接近食物的位置時，群體會根據味道濃度進行位置判定，向味道濃度最大的個體移動，最后再通過視覺一起朝著食物飛去，最終實現整個算法的運算。

FOA可以實現對求解空間的群體迭代搜索，且原理簡單，操作易于實現，具有較強的局部搜索能力［ 14 ］。各類算法與FOA算法的對比，如表1所示［ 15 ］。

從表1中可以明顯看出FOA算法的優(yōu)勢，如計算量較小、復雜度比較簡單、精度較高等，但存在穩(wěn)定性較差的問題。

2.2" " FOA算法的主要步驟及分析

果蠅群體迭代尋優(yōu)的主要步驟有以下幾步。

1）首先初始化果蠅群體規(guī)模Sizepop、迭代次數最大值Maxgen，然后隨機初始果蠅群體所在位置。初始化果蠅算法的基本參數和WSN覆蓋模型的相關參數。

X _axisY _axis（5）

2）初始化果蠅群體位置后，為了讓果蠅能夠利用嗅覺搜尋食物，再賦值給每個果蠅隨機的距離和方向：

Xi = X _axis + 2*step*rand - stepYi = Y _axis + 2*step*rand - step（6）

式中，i代表第i個果蠅的個體，step代表果蠅的搜索步長，rand為［0，1］之間的隨機數。而step的數值在FOA算法中為1。

3）但因為具體食物的位置果蠅群體無法直接獲知。所以算法中先計算第i個果蠅與初始原點間的距離Dist，再通過算出味道濃度的判定值Si確定與食物的距離，該值設定為距離的倒數。

Disti = Si = （7）

4）把得出的氣味濃度判定值Si代入判定氣味濃度值的函數（適應度函數）中，找到果蠅個體味道濃度（Smelli）。在無線傳感器網絡模型里，公式（4）為FOA算法的優(yōu)化函數，即濃度判斷函數。

Smelli = Fitness function（Si）（8）

5）找出果蠅群體中氣味濃度最大的果蠅個體（即尋找最優(yōu)個體）和其對應的濃度值。

［bestSmell" bestIndex］ = max Smell（9）

6）保留果蠅個體中最佳的味道濃度值和對應的X _axis，Y _axis坐標，判斷是否這次迭代的最佳味道濃度值比上次最佳味道濃度值好，如果是，那么果蠅群體則通過視覺飛向該位置。

Smell = bestSmellX _axis = X（bestIndex）Y _axis = Y（bestIndex）（10）

7）重復執(zhí)行步驟2）至步驟5），進行迭代尋優(yōu)過程，可以得到當前位置果蠅個體的最佳味道濃度值bestSmelli，分析該值是否優(yōu)于上次迭代的最佳味道濃度值，同時判斷當前迭代次數是否小于最大迭代次數Maxgen，若是，則繼續(xù)執(zhí)行步驟6），否則，算法結束。

對于FOA算法的整個計算步驟可以看出，該算法比較簡單，計算所需要的參數較少，因此計算量不大，運算處理時間較短，且能夠實現的尋優(yōu)結果較為精確。整個算法編寫的過程邏輯清晰，易于實現。但是，該算法在初期存在果蠅個體搜尋速度慢、易陷入局部最優(yōu)等問題，導致算法后期收斂速度減慢。針對這些不足，本文結合慣性權重調整和可變步長的策略，對FOA算法進行了一定的改進。

3" " " " 改進FOA算法

受到一種改進粒子群算法中改進收斂算法速度的啟發(fā)，為避免FOA算法在初期個體搜尋速度較慢的情況，在FOA算法的基本輸入參數上引入一個最大速度Vmax和一個最小速度Vmin，為防止果蠅個體盲目搜索，將輸入的速度定在［Vmin，Vmax］范圍內，公式如下：

V _ x（t） = r1（t）.*（Vmax - Vmin） + VminV _ y（t） = r2（t）.*（Vmax - Vmin） + Vmin（11）

r1和r2表示為［0，1］之間的隨機數，最大、最小速度Vmax、Vmin取自參考文獻［ 16 ］，以下未說明的常量都引自該參考文獻，其余是實驗中的隨機變量。通過公式（11）可得到關于果蠅個體的初始隨機速度分量，分別是X軸方向上的速度分量V_ x和Y軸方向上的速度分量V_ y。

隨后引入慣性權重并分析其變化，提出一種慣性權重余弦自適應調整策略，將改進慣性權重公式定義如下：

w（t）" =" 0.1 +" 0.9 cos（12）

Maxgen為最大迭代次數。通過余弦公式對慣性權重進行調整，改變果蠅個體的行為，使搜索過程更適應算法的各個階段。在算法初期，增大慣性權重，分散果蠅個體的搜索過程，擴大搜索的空間，使算法免于陷入局部最優(yōu)，增加算法前期的全局搜索能力；隨著算法運行到后期，減小慣性權重，這時會縮小果蠅個體搜尋范圍，導致搜索空間減少，使局部尋優(yōu)能力得到提升，加快算法收斂。

同時為加強果蠅個體的學習能力，引入基于慣性權重的學習因子調整策略，慣性權重、學習因子取值和以下未說明的變量都引自參考文獻［ 17 ］。根據果蠅個體行為的穩(wěn)定性條件進行修正，經式（13）得出學習因子h1，h2。

h1（t） = 1.3 + 1.2cos（πw（t））h2（t） =" 2 - 1.2cos（πw（t））（13）

w（t）為改進后的慣性權重，在迭代過程中，給予每個果蠅一個隨機初始速度，即X軸方向的速度分量和Y軸方向的速度分量，改進FOA算法的速度和位置更新公式為：

vi _ x（t + 1） = w（t）vi _ x（t ） + h1（t）r1（t）［Xbestindex - xi（t）］vi _ y（t + 1） = w（t）vi _ y（t ） + h2（t）r2（t）［Ybestindex - yi（t）］（14）

其中，X（bestindex）和Y（bestindex）表示最優(yōu)味道濃度果蠅個體的位置坐標。之后對速度分量限定范圍，使迭代后的速度分量不超過［Vmin，Vmax］的范圍：

V _ x（t + 1） ＞" Vmax = VmaxV _ y（t + 1） ＜" Vmin = Vmin（15）

FOA算法中的果蠅個體每次迭代都從同一個起點開始獲得隨機的速度，并向著隨機方向搜索，但FOA算法中初始搜索步長s是已經設定好的，自適應性較差。而針對于上述情況，再引入可變步長Hi，將整個搜索的迭代過程分成若干個周期，將任意迭代次數看成是一個周期T，且周期內的步長通過正弦函數Sin（x）表示跌宕變化［ 18 ］。公式如下：

α = mod（i，T）" " " " " " " " " " i∈［1，Maxgen］（16）

Hi" = L × （sin（i） + 1）a" " " " " "Hi" ＜ LL" " " " " " " " " " " " " " " " " " "Hi" ＞ L（17）

公式（16）中，T表示單位周期中的迭代次數，而mod（i，T）為第i次迭代相對于T取余數。公式（17）中，L表示算法參數中設置的搜索區(qū)域長度。

從公式中可以看出，可變步長可以增加整個搜索過程的自適應性，能夠較容易地脫離局部最優(yōu)，減少局部收斂的可能性，其次在迭代周期中使用Sin（x）函數，可以使的步長產生正弦變化。在Sin（x）單調遞增的過程中，步長呈現指數性增大，使算法的全局搜索能力增強，收斂速度加快，且不容易出現陷入局部最優(yōu)解，同時增大步長還可以解決在上一個單調區(qū)間內Sin（x）函數可能會出現的局部收斂問題。當處在Sin（x）單調遞減的函數區(qū)間內時，步長指數性下降，使得算法可以完成小范圍內的高精度搜索，結果可以呈現更好的收斂效果。

接下來將可變步長和速度向量融入到FOA算法的位置迭代中來，并依次迭代下去：

Xi = X _axis + V _ x（t） + Hi Yi = Y _axis + V _ y（t） + Hi（18）

經過數次的迭代，在得到每次迭代的果蠅個體位置后，根據味道濃度判定函數（適應度函數Fitness function），得出果蠅個體的味道濃度，找到味道濃度最好的果蠅位置，并將位置和最佳味道濃度值bestSmelli保留，判斷這次最佳氣味濃度是否大于上一代，否則繼續(xù)迭代，直至最大迭代次數Maxgen，算法結束。

具體的算法偽代碼如下：

具體的改進FOA算法流程圖如圖2所示，算法先設定基本參數，后引入學習因子和可變步長，更新果蠅速度向量，開始果蠅迭代搜索，得出每次迭代的最佳味道濃度和最佳味道個體，與上一代的最佳味道濃度對比，如果優(yōu)于上一次，則保存位置信息，最后判斷迭代是否結束，得到最終的覆蓋率。

4" " 試驗仿真與結果分析

4.1" " 仿真參數的設置

為了驗證改進后的FOA算法在WSN應用中能否增大傳感器節(jié)點的覆蓋率以及實現傳感器的部署過程中的最優(yōu)化問題，本文設計了仿真實驗。仿真平臺選擇Matlab R2022b，對改進前后FOA的部分參數進行如下設置：部署監(jiān)測區(qū)域為L × L = 40 m × 40 m，試驗網格點為0.4 × 0.4，傳感器節(jié)點數為25，果蠅之間的離散度設置為0.4，果蠅個體的搜索步長設為0.2，果蠅的種群規(guī)模設置為30，最大迭代次數設為250，Rs = 5 m為傳感器的感知半徑，通信半徑Rc = 10 m。對于改進后的果蠅算法引入的速度最大值Vmax和最小值Vmin，分別設置為0.3和-0.3。

4.2" " 改進FOA算法與FOA算法對比

根據上面設定的參數，編寫改進后的FOA算法代碼，建立相應的數學模型，運行得出結果如圖3所示。

由圖3可以明顯看出，在同樣的區(qū)域搜索面積、無線傳感器節(jié)點個數和傳感器節(jié)點感知半徑下，經過250次迭代搜尋后，改進后的FOA算法的覆蓋面積要優(yōu)于FOA算法，且仿真圖中的傳感器節(jié)點分布也更均勻，未監(jiān)測到的空白區(qū)域更少，感知圓的疊加區(qū)域很小，覆蓋率更高。改進FOA算法和FOA算法的算法訓練過程對比，如圖4所示。

從圖4中可以看出，FOA算法的初始位置覆蓋率為66%左右，而改進FOA算法初始覆蓋率為69%，且隨著迭代次數的推進，改進FOA算法的曲線斜率要大于FOA算法的斜率。在算法運行的初期，即迭代次數達到50次的時候，FOA算法覆蓋率僅為82%左右，而改進后的FOA算法覆蓋率已達到89%左右；在算法運行的后期即迭代次數為250次時，FOA算法的區(qū)域覆蓋率最大僅為93.109%，而改進后的FOA算法的區(qū)域覆蓋率最大達到97.03%。由此可見，改進后的FOA算法比起FOA算法的全局搜索能力有很大提高，搜索速度也有所加快，能使傳感器節(jié)點更快形成全覆蓋，減少無線傳感器網絡的形成時間。

4.3" " 改進FOA算法與其他算法對比

為進行有效對比驗證，將改進的FOA算法與粒子群算法（PSO）、均勻粒子群算法（UPSO）、混沌粒子群優(yōu)化算法（CPSO）進行對比仿真實驗。仿真設置了相同的參數，仿真環(huán)境則模擬WSN布局。仿真實驗的基本參數設置如下：空間設置為40 m × 40 m的方形搜索區(qū)域，選擇隨機部署25個同構傳感器節(jié)點在該區(qū)域內，每個節(jié)點的感知半徑Rs = 5 m，通信半徑Rc = 10 m，感知誤差半徑Re = 0.1 m。各種算法的輸入參數如下：各算法的種群規(guī)模Sizepop統一設置為30，迭代次數Maxgen統一設置為250，粒子群算法和UPSO算法慣性權重設置為1，學習因子h = h1 = h2 = 2.5。CPSO算法的慣性權重、學習因子與改進FOA算法設置一致，采用相同的節(jié)點覆蓋模型即適應度函數。

以下為覆蓋對比仿真結果，如圖5所示。

圖中“+”表示傳感器節(jié)點，不同圖中的圓形代表不同算法的覆蓋范圍。從圖中可以看出，在40 m ×40 m的搜索區(qū)域內，改進后的FOA算法的區(qū)域覆蓋率要優(yōu)于PSO算法和改進PSO算法，且傳感器節(jié)點分布更加均勻，各個節(jié)點的感知圓半徑一致，感知圓間的重疊面積能達到最小，在整個區(qū)域面積里，能在有限的傳感器節(jié)點個數下使覆蓋率達到最大。從而減少傳感器節(jié)點個數，節(jié)約成本。

算法訓練仿真對比結果如圖6所示。

從上圖的算法訓練過程中可以看出，在250次迭代過程中，改進FOA算法（實線）比起另外三個算法具有很大優(yōu)勢。其中，PSO（帶“*”的實線）、UPSO（帶“○”的實線）、CPSO算法（帶“▲”的實線）的初始覆蓋率都是76.389%，在0～85次迭代時，三種算法長勢平緩。PSO和UPSO算法在85～150次迭代中，覆蓋率漲幅依然沒有變化，而在迭代次數分別為150次和161次時覆蓋率開始上升，但覆蓋率增長速度較低，最終的覆蓋率分別為82.738%和87.657%，UPSO相較于PSO算法覆蓋率略有提高；CPSO算法從85～250次迭代覆蓋率開始增大，最終達到95.309%，且曲線斜率較之UPSO和PSO算法都有增大，搜索速度得到提升；而改進FOA的算法訓練曲線整體上升得很穩(wěn)定，斜率在迭代初期很大，在0～50次迭代過程中，覆蓋率已從69%左右提升到89%左右，搜索速度很快，全局搜索能力較強，后期斜率變小，從50次往后迭代，搜索速度減慢，局部搜索能力變強，最終覆蓋率達到97.03%，相較于PSO算法及其改進算法具有更好的覆蓋效果和搜索速度。

為避免隨機性的影響，將多種算法各做了10次仿真，并使用Monte Carlo算法對輸出的10次覆蓋率結果進行均化處理，取其中的最大值和最小值得到最好覆蓋率和最差覆蓋率，再通過Monte Carlo算法對輸出的10次覆蓋率結果計算平均覆蓋率、標準差。最后總結如表2所示。

根據表2中數據可以直觀發(fā)現，四種比較方式中，改進FOA算法的所有覆蓋率都超過了PSO相關算法的覆蓋率，在WSN覆蓋率的應用中具有更快的搜索速度，在WSN覆蓋率方面也超過了其他算法，在WSN傳感器覆蓋中更有優(yōu)勢。

5" " 結論

本文基于WSN覆蓋模型，在FOA算法的基礎上，提出了改進FOA算法。經過Matlab實驗仿真，與FOA算法、PSO算法、UPSO、CPSO算法對比，可見在迭代次數不高的情況下，改進后的FOA算法在前期全局搜索能力加快，顯著提升了WSN節(jié)點的部署效率，整體提高了WSN的覆蓋率，還可減少傳感器節(jié)點數量，縮減成本。仿真結果也表明，改進算法能夠提高WSN的部署效率，增大了傳感器的覆蓋率，有一定的優(yōu)越性和先進性。

總而言之，總結出以下四點：第一，該算法引入了慣性權重余弦自適應調整策略，在果蠅個體迭代時的位置判定上加入了速度向量參數，由改進后的慣性權重公式，通過余弦調整慣性權重，給予果蠅個體在X軸和Y軸上的速度向量，增強果蠅個體的自適應性，使得改進后的算法運行初期，慣性權重增大，果蠅個體有較好的全局搜索能力，而運行后期，慣性權重減少，算法局部搜索能力增強，加快收斂速度。同時再加入學習因子，從而避免出現局部最優(yōu)的情況。同時對于果蠅搜索步長也做了調整，引入了可變步長Hi，增加了算法搜索過程中的多樣性和自身調整能力，能夠有效跳出局部收斂。第二，但對于迭代次數較多的情況下，改進FOA算法的尋優(yōu)速度會變慢，效果不盡如人意。而且由于節(jié)點的分布隨機，每次迭代的結果好壞參半。第三，在算法的改進過程中，主要通過在原算法的過程中引入其他改進因子，從而達到改進的效果，這些改進因子大多來源于其他算法和公式，但參數的選取不同。第四，對于改進FOA算法，還有許多可以優(yōu)化的方面，如本改進算法的感知圓半徑是固定值，但現實中往往節(jié)點感知半徑并不相同，通過傳感器的可變感知半徑可以優(yōu)化能量損耗問題。同時本文改進算法在多次迭代后的效果不佳，也有待后續(xù)研究。

參考文獻：

［1］王澤華.無線傳感器網絡發(fā)展應用［J］.電腦知識與技術，2020，16（14）：252-253.

［2］馬世登.物聯網中的感知環(huán)境安全機制［J］.數字技術與應用，2023，41（2）：228-230.

［3］史振興，范秀娟，姜瑩，等.一種能量均衡化分層式分簇單跳和多跳混合的WSN路由算法研究［J］.制造業(yè)自動化，2013，35（15）：53-56.

［4］陳玲君.基于改進的粒子群算法在WSN節(jié)點定位中的研究［J］.微型機與應用，2016，35（24）：70-72.

［5］武娟，李洪兵，羅磊，等.WSN中基于改進麻雀搜索算法的多目標覆蓋優(yōu)化［J］.電子測量技術，2022，45（15）：48-56.

［6］Mo Yuanbin，Liu Jizhong，Wang Baolei，et al. A novel swarm intelligence algorithm and its application in solving wireless sensor networks coverage problems［J］. Journal of Networks，2012，7（12）：2037-2043.

［7］吉珊珊.基于增強蟻群算法的傳感網移動sink路徑規(guī)劃［J］.系統仿真學報，2019，31（11）：2543-2552.

［8］尹向兵，吳良超.基于周期果蠅算法的無線傳感網覆蓋優(yōu)化［J］.赤峰學院學報（自然科學版），2017，33（16）：15-17.

［9］寧劍平，王冰，李洪儒，等.遞減步長果蠅優(yōu)化算法及應用［J］.深圳大學學報（理工版），2014，31（4）：367-373.

［10］霍慧慧，李國勇.改進的離散果蠅優(yōu)化算法在WSNs覆蓋中的應用［J］.傳感器與微系統，2016，35（2）：157-160.

［11］王越群，湯麗娟.基于果蠅優(yōu)化算法的礦井WSN路由協議研究［J］.電子制作，2021（24）：33-36.

［12］Zhu Hairong，Li Ping，Cheng Jian. Optimization method for wireless sensor network coverage based on improved PSO algorithm［J］.Computer Engineering，2011，37（8）：82-84.

［13］Pan Wen Tsao. A new fruit fly optimization algorithm：taking the financial distress model as an example［J］. Knowledge-Based Systems，2012，26（2）：69-74.

［14］王楚柯，陸安江，吳意樂.自適應果蠅優(yōu)化算法在WSN節(jié)點覆蓋優(yōu)化中的應用［J］.微電子學與計算機，2019，36（2）：11-15.

［15］吳小文，李擎.果蠅算法和5種群智能算法的尋優(yōu)性能研究［J］.火力與指揮控制，2013，38（4）：17-20.

［16］張俊溪，張嘉桐，張玉梅.一種改進的粒子群優(yōu)化算法［J］.陜西師范大學學報（自然科學版），2016，44（2）：15-20.

［17］趙遠東，方正華.帶有權重函數學習因子的粒子群算法［J］.計算機應用，2013，33（8）：2265-2268.

［18］吳良超，郭星.基于改進果蠅算法的無線傳感網絡布局研究［J］.微電子學與計算機，2016，33（12）：152-155.

The Application of Fruit Fly Optimization Algorithm

Based on Inertia Weight Adjustment in WSN

SUN Ruopenga， QUAN Yueb， LIU Shuaishuaia， GUO Haib， YU Xueqianb

（a. School of Mechanical Engineering；b. School of Electrical and Electronic Engineering，

Anhui Science and Technology University， Bengbu 233030， China）

Abstract： Objective：An improved fruit fly optimization algorithm based on an inertia weight cosine adaptive adjustment strategy is proposed for the area coverage and sensor node energy consumption problems of randomly deployed nodes in wireless sensor networks. Methods：The algorithm adjusts the search step of the algorithm online based on the fruit fly optimization algorithm by introducing a learning factor adjustment strategy for inertia weights. Results：The adaptivity of individual fruit fly and the global search ability are enhanced so as to achieve global optimality. Conclusions：Simulation experiments show that the proposed improved fruit fly optimization algorithm not only improves the convergence speed and global search capability， but also significantly improves the coverage of WSN.

Key words： wireless sensor network；improved fruit fly optimization algorithm；inertia weight cosine adaptive adjustment strategy；learning factor adjustment strategy；coverage