王志強　陳力園　代蛟

摘要： 為優(yōu)化無線傳感器網(wǎng)絡(luò)的部署問題， 提出一種新的無線傳感器網(wǎng)絡(luò)三維部署優(yōu)化方法. 在增強灰狼優(yōu)化算法的基礎(chǔ)上， 通過在外層位置更新策略中引入自適應(yīng)權(quán)重方法， 平衡了增強灰狼優(yōu)化算法開發(fā)與勘探之間的搜索. 在馬鞍形曲面山坡上進(jìn)行仿真實驗， 實驗結(jié)果表明， 在50個節(jié)點下， 該方法在保證連通的情況下最高覆蓋率可達(dá)97.58%， 平均覆蓋率可達(dá)96.74%， 與其他算法相比提高了1.64%～3.87%， 可以有效提升無線傳感器網(wǎng)絡(luò)的覆蓋率， 增強無線傳感器網(wǎng)絡(luò)的服務(wù)質(zhì)量.

關(guān)鍵詞： 通信工程； 灰狼優(yōu)化算法； Tent映射； 自適應(yīng)權(quán)重； 無線傳感器網(wǎng)絡(luò)

中圖分類號： TP212.9； TN929.5 文獻(xiàn)標(biāo)志碼： A文章編號： 1671-5489（2024）02-0410-07

Three-Dimensional? Deployment Optimization Method ofWireless Sensor Network Based on WTGWO

WANG Zhiqiang1， CHEN Liyuan2， DAI Jiao3

（1. The Ninth Design and Research Institute of Machinery Industry Co.， Ltd， Changchun 130011， China；2. Changchun Branch of China Telecom Co.， Ltd.， Changchun 130033， China;3. FAW Jiefang Automobile Co.， Ltd.， Changchun 130011， China）

Abstract： In order to optimize the deployment of wireless sensor networks， we proposed? a new? 3D deployment optimization method of wireless sensor networks. On the basis of enhanced gray wolf optimization algorithm， an adaptive weight method was introduced in the outer position update strategy to? balance the search between the development and exploration of the enhanced gray wolf optimization algorithm. Simulation experiments were carried out on the saddle-shaped curved slope， and the experimental results show that under 50 nodes， the proposed method can achieve the highest coverage rate of 97.58%， and the average coverage rate can reach 96.74% while ensuring connectivity， which is an increase of 1.64%—3.87% compared with other algorithms. It can effectively improve the coverage of wireless sensor networks and enhance the service quality of wireless sensor networks.

Keywords： communication engineering; gray wolf optimization algorithm; Tent mapping; adaptive weight; wireless sensor network

隨著5G通訊技術(shù)和物聯(lián)網(wǎng)應(yīng)用的快速發(fā)展，無線傳感器網(wǎng)絡(luò)（WSN）［1-3］的應(yīng)用開始普遍化. 無線傳感器網(wǎng)絡(luò)在智能交通［4］、 邊境安全監(jiān)測［5］和健康監(jiān)測等許多領(lǐng)域應(yīng)用廣泛［6］. 無線傳感器網(wǎng)絡(luò)的服務(wù)質(zhì)量與無線傳感器網(wǎng)絡(luò)的覆蓋相關(guān)， 因此優(yōu)化無線傳感器部署， 擴大無線傳感器網(wǎng)絡(luò)覆蓋率至關(guān)重要. 無線傳感器部署環(huán)境包括二維（2D）和三維（3D）， 在2D環(huán)境中優(yōu)化無線傳感器的部署， 擴大無線傳感器網(wǎng)絡(luò)的覆蓋范圍較簡單， 且已經(jīng)有許多較理想的部署方法. 但在實際應(yīng)用中， 加強無線傳感器在3D環(huán)境中的部署， 擴大其覆蓋范圍更具有應(yīng)用價值， 尤其是加強無線傳感器在3D表面上的部署. 這樣不僅可以降低無線傳感器網(wǎng)絡(luò)部署的成本， 同時還可以加強無線傳感器網(wǎng)絡(luò)的服務(wù)質(zhì)量.

Cao等［7］基于非概率測度的融合算子提出了一個改進(jìn)的三維方向感知模型， 并將其應(yīng)用在平原、 丘陵和山脈3種3D環(huán)境中進(jìn)行仿真實驗， 實驗結(jié)果表明， 該模型可以有效優(yōu)化無線傳感器的部署. Bhat等［8］提出了一種基于距離縮小定位（RRBL）的定位算法， 將其應(yīng)用于無線傳感器在2D和3D環(huán)境中的部署， 實驗結(jié)果表明， 該方法與其他定位算法相比性能有所提高. 上述研究雖然優(yōu)化了無線傳感器的部署， 但還存在優(yōu)化的空間.

群體智能優(yōu)化算法目前已被應(yīng)用到各種優(yōu)化問題中， 如最短路徑問題、 醫(yī)療分類問題［9］和系統(tǒng)資源分配問題等. Du［10］將分布式粒子群優(yōu)化（DPSO）算法和三維虛擬力（VF）算法相結(jié)合， 并將其應(yīng)用于無線傳感器在3D環(huán)境中的部署， 實驗結(jié)果表明， 在不考慮通信限制 （CL）的情況下， 該方法的性能優(yōu)于其他方法. Tang等［11］提出了一種基于Voronoi圖（VNSGA）的非支配排序遺傳算法， 并將其用于解決無線傳感器網(wǎng)絡(luò)的部署問題， 實驗結(jié)果表明， 該算法在不同距離大小的兩種地形上均優(yōu)于對比算法. 因此， 將群體智能優(yōu)化算法應(yīng)用到無線傳感器網(wǎng)絡(luò)部署優(yōu)化問題中可有效加強無線傳感器網(wǎng)絡(luò)的部署， 擴大其覆蓋面積. 基于此， 本文將應(yīng)用改進(jìn)后的灰狼優(yōu)化算法（WTGWO）解決無線傳感器網(wǎng)絡(luò)在3D環(huán)境中的部署問題.

1 實驗方法

1.1 WSN優(yōu)化問題

1.1.1 覆蓋優(yōu)化

無線傳感器網(wǎng)絡(luò)覆蓋和部署的數(shù)學(xué)模型包括覆蓋率計算［12］、 網(wǎng)絡(luò)連通性的判斷［13］和網(wǎng)絡(luò)部署情況［14］等. 在無線傳感器網(wǎng)絡(luò)中， 分別用rp和Rc表示感知半徑和通信半徑.

1.2.4 外層優(yōu)化

在外層優(yōu)化中， 文獻(xiàn)［13］采用與傳統(tǒng)灰狼算法一致的位置更新策略. 但傳統(tǒng)灰狼優(yōu)化算法還存在開發(fā)和勘探之間不平衡的問題， 為解決該問題， 本文在灰狼優(yōu)化算法外圍位置更新策略中引入了自適應(yīng)權(quán)重方法［16］. 自適應(yīng)權(quán)重方法種類有很多， 本文選用呈指數(shù)變化的自適應(yīng)權(quán)重方法. 自適應(yīng)權(quán)重方法可以使算法在前期具有較強的全局搜索能力， 并隨著迭代次數(shù)的增長使權(quán)重呈指數(shù)減小， 以此逐漸增強算法的局部搜索能力. 自適應(yīng)權(quán)重方法數(shù)學(xué)建模公式為w=e（-10t/maxt）2.（16）經(jīng)過優(yōu)化后的外圍位置更新公式為1=wα-1·α，

1.2.5 增強灰狼算法應(yīng)用于WSN優(yōu)化

本文實驗主要為解決無線傳感器網(wǎng)絡(luò)的覆蓋問題， 因此應(yīng)用覆蓋率構(gòu)建適應(yīng)度函數(shù)， 步驟如下：

步驟1） 設(shè)置曲面長[WTBX]L和寬W、 傳感器數(shù)量N、 感知半徑rp和通信半徑Rc、 維度dim等；

步驟3） 根據(jù)式（14）Tent映射初始種群及相關(guān)參數(shù)；

步驟3） 根據(jù)式（8），（9）對距離進(jìn)行更新；

步驟4） 根據(jù)式（16），（17）外層優(yōu)化對位置進(jìn)行更新；

步驟5） 根據(jù)式（11）～（13）判斷是否為最大迭代次數(shù)， 否則返回步驟3）， 到達(dá)最大迭代次數(shù)， 記錄覆蓋率， 判斷是否連通以及連通率、 三維和二維部署圖等.

2 實驗設(shè)置及結(jié)果

2.1 實驗設(shè)置

本文實驗基于MATLAB實現(xiàn). 模擬環(huán)境為馬鞍形曲面山坡， 結(jié)果顯示了50個節(jié)點下無線傳感器網(wǎng)絡(luò)原始二維部署圖、 三維部署圖及利用本文優(yōu)化算法優(yōu)化后的最優(yōu)二維部署圖、 三維部署圖. 為驗證本文算法的有效性， 設(shè)置了對比實驗. 對比實驗選取其他3個常用的群體智能優(yōu)化算法在同樣環(huán)境下優(yōu)化無線傳感器網(wǎng)絡(luò)部署， 分別是灰狼優(yōu)化算法、 遺傳優(yōu)化算法（genetic algorithm， GA）、 粒子群優(yōu)化算法（particle swarm optimization， PSO）， 并繪制了對比折線圖. 為驗證本文算法在連通性方面的優(yōu)越性， 針對30，40，50個節(jié)點分別記錄了經(jīng)過不同算法優(yōu)化的無線傳感器網(wǎng)絡(luò)的連通率以及平均覆蓋率. 實驗獨立重復(fù)20次， 迭代次數(shù)設(shè)置為400， 初始種群數(shù)為50. 為降低仿真實驗難度， 本文實驗根據(jù)文獻(xiàn)［13］中設(shè)置的實驗環(huán)境設(shè)置相同的馬鞍形曲面山坡環(huán)境[15]. 同時為簡化優(yōu)化模型， 做如下假設(shè)：

1） 無線傳感器節(jié)點總能根據(jù)計算結(jié)果部署在準(zhǔn)確位置；

2） 不考慮節(jié)點的能量問題.

2.2 實驗結(jié)果

2.2.1 WTGWO優(yōu)化結(jié)果

原始部署如圖2所示， 展示了在50個節(jié)點下隨機部署無線傳感器的二維部署圖和三維部署圖. WTGWO優(yōu)化結(jié)果如圖3所示， 展示了在50個節(jié)點下經(jīng)過WTGWO優(yōu)化后達(dá)到最優(yōu)覆蓋率的二維部署圖和三維部署圖. 圖2和圖3中， 紅點表示節(jié)點位置， 黑點表示被覆蓋的位置. 由圖2和圖3可見， 在隨機部署下， 無線傳感器部署較凌亂， 且存在很多未被覆蓋的區(qū)域， 但在經(jīng)過WTGWO優(yōu)化后， 無線傳感器部署的較均勻， 且實現(xiàn)了最大面積覆蓋， 覆蓋率可達(dá)97.58%. 為驗證經(jīng)過WTGWO算法優(yōu)化后的無線傳感器網(wǎng)絡(luò)的連通性， 本文實驗應(yīng)用Kruskal算法生成了無線傳感器網(wǎng)絡(luò)最小生成樹， 結(jié)果如圖4所示. 由圖4可見， 經(jīng)過WTGWO算法優(yōu)化后的無線傳感器網(wǎng)絡(luò)在達(dá)到最優(yōu)覆蓋率的同時也保證了連通， 說明本文實驗提出的WTGWO算法可以優(yōu)化無線傳感器網(wǎng)絡(luò)的部署.

2.2.2 對比實驗

為驗證本文算法的有效性， 將WTGWO算法與其他3個常用的群體智能優(yōu)化算法進(jìn)行比較. 覆蓋率對比結(jié)果如圖5所示， 其展示了在30，40，50個節(jié)點下， WTGWO算法與其他算法隨著迭代次數(shù)的增加覆蓋率的變化情況. 由圖5可見， 雖然在40個節(jié)點下GWO和PSO算法似乎達(dá)到了與WTGWO算法同樣的覆蓋率， 但在30和50個節(jié)點下， 本文提出的WTGWO算法覆蓋率都最好. 尤其在50個節(jié)點下， WTGWO算法的曲線大部分都高于其他算法的曲線， 表明WTGWO算法的收斂速度明顯快于其他算法.

為進(jìn)一步證明WTGWO算法的有效性， 表1列出了WTGWO算法與其他算法在30，40，50個節(jié)點下的連通率及平均覆蓋率對比結(jié)果.

由表1可見： 在30個節(jié)點下， 所有算法都不能保證連通; 在40個節(jié)點下只有WTGWO和GWO算法能保證連通， 在保證連通的情況下， WTGWO算法覆蓋率最好; 在50個節(jié)點下， 所有算法都能保證連通， 但WTGWO算法達(dá)到了最好覆蓋率. 因此在保證無線傳感器網(wǎng)絡(luò)連通的情況下， 本文算法可達(dá)到最高覆蓋率. 與其他算法相比， 本文算法最適用于無線傳感器網(wǎng)絡(luò)的三維部署.

綜上所述， 為優(yōu)化增強灰狼優(yōu)化算法的尋優(yōu)能力， 本文在其外圍位置更新策略中引入了自適應(yīng)權(quán)重方法. 自適應(yīng)權(quán)重方法可以隨著迭代次數(shù)的增加調(diào)整權(quán)重的大小， 進(jìn)而控制算法增強全局搜索能力， 或者是增強局部搜索能力， 從而可以平衡灰狼優(yōu)化算法開發(fā)與勘探之間的搜索. 為優(yōu)化無線傳感器網(wǎng)絡(luò)的三維部署， 應(yīng)用該算法在馬鞍形曲面山坡上進(jìn)行了無線傳感器網(wǎng)絡(luò)三維部署優(yōu)化仿真實驗. 實驗結(jié)果表明， 本文算法可以在相同節(jié)點的情況下保證網(wǎng)絡(luò)的連通率， 同時達(dá)到最大覆蓋率. 從而在保證無線傳感器網(wǎng)絡(luò)服務(wù)質(zhì)量的基礎(chǔ)上， 達(dá)到降低無線傳感器網(wǎng)絡(luò)部署成本的目的.

參考文獻(xiàn)

［1］YU J T， YU Z， DING M L， et al. Research on the Tenacity Survivability of Wireless Sensor Networks ［J］. Journal of Ambient Intelligence and Humanized Computing， 2020， 11（9）： 3535-3544.

［2］LI M， JIANG F， PEI C. Review on Positioning Technology of Wireless Sensor Networks ［J］. Wireless Personal Communications， 2020， 115（3）： 2023-2046.

［3］CHEN X， WU T. Region Segmentation Model for Wireless Sensor Networks Considering Optimal Energy Conservation Constraints ［J］. Journal of Networks Software Tools and Applications， 2019， 22： S7507-S7514.

［4］CII S， TOMASINI G， BACCI M L， et al. Solar Wireless Sensor Nodes for Condition Monitoring of Freight Trains ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（5）： 3995-4007.

［5］ZRELLI A， EZZEDINE T. A New Approach of WSN Deployment， K-Coverage and Connectivity in Border Area ［J］. Wireless Personal Communications， 2021， 121（4）： 3365-3381.

［6］HAO X H， YUEN K V， KUOK S C. Energy-Aware Versatile Wireless Sensor Network Configuration for Structural Health Monitoring ［J］. Structural Control & Health Monitoring， 2022， 29（11）： 17-1-17-21.

［7］CAO B， ZHAO J W， L Z H， et al. 3D Terrain Multiobjective Deployment Optimization of Heterogeneous Directional Sensor Networks in Security Monitoring ［J］. IEEE Transactions on Big Data， 2019， 5（4）： 495-505.

［8］BHAT S J， SANTHOSH K V. Localization of Isotropic and Anisotropic Wireless Sensor Networks in 2D and 3D Fields ［J］. Telecommunication Systems， 2022， 79（2）： 309-321.

［9］BHARANIDHARAN N， RAJAGURU H. Performance Enhancement of Swarm Intelligence Techniques in Dementia Classification Using Dragonfly-Based Hybrid Algorithms ［J］. International Journal of Imaging Systems and Technology， 2020， 30（1）： 57-74.

［10］DU Y Z. Method for the Optimal Sensor Deployment of WSNs in 3D Terrain Based on the DPSOVF Algorithm ［J］. IEEE Access， 2020， 8： 140806-140821.

［11］TANG Y F， HUANG D C， LI R， et al. A Non-dominated Sorting Genetic Algorithm Based on Voronoi Diagram for Deployment of Wireless Sensor Networks on 3D Terrains ［J］. Electronics， 2022， 11（19）： 1-23.

［12］LI Q Y， LIU N Z. Nodes Deployment Algorithm Based on Data Fusion and Evidence Theory in Wireless Sensor Networks ［J］. Wireless Personal Communications， 2021， 116（2）： 1481-1492.

［13］WANG Z D， XIE H M. Wireless Sensor Network Deployment of 3D Surface Based on Enhanced Grey Wolf Optimizer ［J］. IEEE Access， 2020， 8： 57229-57251.

［14］XU J， LIU Y Z， MENG Y Y. Analysis and Simulation of Reliability of Wireless Sensor Network Based on Node Optimization Deployment Model ［J］. Journal of Networks Software Tools and Applications， 2019， 22： S7585-S7591.

［15］GAO Z J， LIU Z Y， WANG L C. An Image Encryption Algorithm Based on the Improved Sine-Tent Map ［J］. Discrete Dynamics in Nature and Society， 2021， 2021： 9187619-1-9187619-16.

［16］TONG R N， LI P， LANG X， et al. A Novel Adaptive Weighted Kernel Extreme Learning Machine Algorithm and Its Application in Wind Turbine Blade Icing Fault Detection ［J］. Measurement， 2021， 185： 110009-1-110009-20.

（責(zé)任編輯： 韓 嘯）

收稿日期： 2023-06-30. 網(wǎng)絡(luò)首發(fā)日期： 2024-01-02.

第一作者簡介： 王志強（1987—）， 男， 漢族， 碩士， 副高級工程師， 從事新能源汽車產(chǎn)業(yè)數(shù)字化和智能化的研究， E-mail： 8777412@qq.com.

通信作者簡介： 陳力園（1987—）， 女， 漢族， 碩士， 工程師， 從事無線通信的研究， E-mail： 18943150373@189.cn.

基金項目： 吉林省科技發(fā)展計劃項目（批準(zhǔn)號： 20200204065NY）.

網(wǎng)絡(luò)首發(fā)地址： https：//link.cnki.net/urlid/22.1340.o.20231229.1022.001.