基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

doi:10.11772/j.issn.1001-9081.2023040501

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (4): 1009-1017.DOI: 10.11772/j.issn.1001-9081.2023040501

• 第九届全国智能信息处理学术会议（NCIIP 2023） • 上一篇下一篇

基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

韦修喜¹, 彭茂松², 黄华娟¹()

^1.广西民族大学人工智能学院，南宁 530006
^2.广西民族大学电子信息学院，南宁 530006

收稿日期:2023-04-05 修回日期:2023-06-02 接受日期:2023-06-07 发布日期:2023-12-04 出版日期:2024-04-10
通讯作者: 黄华娟
作者简介:韦修喜（1980—），男（壮族），广西百色人，副教授，博士，主要研究方向：机器学习、计算智能
彭茂松（1997—），男，四川成都人，硕士研究生，CCF会员，主要研究方向：智能优化
黄华娟（1984—），女（壮族），广西崇左人，副教授，博士，CCF会员，主要研究方向：机器学习、数据挖掘。hhj‑025@163.com
基金资助:
国家自然科学基金资助项目(62266007);广西自然科学基金资助项目(2021GXNSFAA220068)

Node coverage optimization of wireless sensor network based on multi-strategy improved butterfly optimization algorithm

Xiuxi WEI¹, Maosong PENG², Huajuan HUANG¹()

^1.College of Artificial Intelligence，Guangxi Minzu University，Nanning Guangxi 530006，China
^2.College of Electronic Information，Guangxi Minzu University，Nanning Guangxi 530006，China

Received:2023-04-05 Revised:2023-06-02 Accepted:2023-06-07 Online:2023-12-04 Published:2024-04-10
Contact: Huajuan HUANG
About author:WEI Xiuxi， born in 1980， Ph. D.， associate professor. His research interests include machine learning， computational intelligence.
PENG Maosong， born in 1997， M. S. candidate. His research interests include intelligent optimization.
HUANG Huajuan， born in 1984， Ph. D.， associate professor. Her research interests include machine learning， data mining.
Supported by:
National Natural Science Foundation of China(62266007);Guangxi?Natural?Science?Foundation(2021GXNSFAA220068)

摘要/Abstract

摘要：

针对无线传感网络（WSN）的节点覆盖存在着覆盖率低、节点分布不均匀的问题，提出一种基于多策略改进的蝴蝶优化算法（MIBOA）的节点覆盖优化策略。首先，将基础的蝴蝶优化算法（BOA）与麻雀搜索算法（SSA）结合改进搜索过程；其次，引入自适应权重系数提高寻优精度和收敛速度；最后，对当前最优个体进行柯西变异扰动，提高算法鲁棒性。基准测试函数的寻优实验结果说明，MIBOA基本可在3 s内求解测试函数最优值，且收敛平均值精度较BOA提高了97.96%。将MIBOA应用于WSN节点覆盖优化问题，与BOA和SSA相比，节点覆盖率至少提高了3.63个百分点；与改进灰狼优化算法（IGWO）相比，部署时间缩短了145.82 s；与改进鲸群优化算法（IWOA）相比，节点覆盖率提高了0.20个百分点且时间缩短了1 112.61 s。综上，MIBOA可较好提高节点覆盖率并降低冗余覆盖率，有效延长WSN的生存时间。

关键词: 蝴蝶优化算法, 麻雀搜索算法, 自适应权重系数, 无线传感网络, 节点覆盖率

Abstract:

Aiming at the problems of low coverage rate and uneven distribution of nodes in Wireless Sensor Network （WSN）， a node coverage optimization strategy based on Multi-strategy Improved Butterfly Optimization Algorithm （MIBOA） was proposed. Firstly， the basic Butterfly Optimization Algorithm （BOA） was combined with Sparrow Search Algorithm （SSA） to improve the search process. Secondly， the adaptive weight coefficient was introduced to improve the optimization accuracy and convergence speed. Finally， the current best individual was perturbed by Cauchy mutation to improve the robustness of the algorithm. The optimization experiment results on benchmark functions show that， MIBOA can basically solve the optimal value of the test function within 3 seconds， and the average accuracy of convergence is improved by 97.96% compared with BOA. MIBOA was applied to the WSN node coverage optimization problem. Compared with optimization results of BOA and SSA， the node coverage rate was improved by 3.63 percentage points at least. Compared with the Improved Grey Wolf Optimization algorithm （IGWO）， the deployment time was shortened by 145.82 seconds. Compared with the Improved Whale Optimization Algorithm （IWOA）， the node coverage rate was increased by 0.20 percentage points and the time was shortened by 1 112.61 seconds. In conclusion， MIBOA can improve the node coverage rate and reduce the redundant coverage rate， and effectively prolong the lifetime of WSN.

Key words: Butterfly Optimization Algorithm (BOA), Sparrow Search Algorithm (SSA), adaptive weight coefficient, Wireless Sensing Network (WSN), node coverage rate

中图分类号:

TP183

韦修喜, 彭茂松, 黄华娟. 基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化[J]. 计算机应用, 2024, 44(4): 1009-1017.

Xiuxi WEI, Maosong PENG, Huajuan HUANG. Node coverage optimization of wireless sensor network based on multi-strategy improved butterfly optimization algorithm[J]. Journal of Computer Applications, 2024, 44(4): 1009-1017.

图/表 9

表1 测试函数详细信息

Tab. 1 Detail information of test functions

函数编号	函数名	函数表达式	定义域	维度	最优值
F1	Zakharov	$F 1 x = ∑ i = 1 n ∑ j = 1 i x j 2$	［-100，100］	50	0
F2	Rosenbrock	$F 2 x = ∑ i = 1 n - 1 100 (x i + 1 - x i) 2 + (x i - 1) 2$	［-30，30］	50	0
F3	High Conditioned Elliptic	$F 3 x = ∑ i = 1 n (106) i - 1 n - 1 x i 2$	［-100，100］	50	0
F4	Ackley	$F 4 x = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n c o s (2 π x i) + 20 + e$	［-32，32］	50	8.88E-16
F5	Schaffer	$F 5 (x 1, x 2) = 0.5 + s i n x 12 + x 22 2 - 0.5 / 1 + 0.001 (x 12 + x 22) 2$	［-100，100］	50	0
F6	Alpine	$F 6 x = ∑ i = 1 n x i s i n (x i) + 0.1 x i$	［-10，10］	50	0

表1 测试函数详细信息

Tab. 1 Detail information of test functions

函数编号	函数名	函数表达式	定义域	维度	最优值
F1	Zakharov	$F 1 x = ∑ i = 1 n ∑ j = 1 i x j 2$	［-100，100］	50	0
F2	Rosenbrock	$F 2 x = ∑ i = 1 n - 1 100 (x i + 1 - x i) 2 + (x i - 1) 2$	［-30，30］	50	0
F3	High Conditioned Elliptic	$F 3 x = ∑ i = 1 n (106) i - 1 n - 1 x i 2$	［-100，100］	50	0
F4	Ackley	$F 4 x = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n c o s (2 π x i) + 20 + e$	［-32，32］	50	8.88E-16
F5	Schaffer	$F 5 (x 1, x 2) = 0.5 + s i n x 12 + x 22 2 - 0.5 / 1 + 0.001 (x 12 + x 22) 2$	［-100，100］	50	0
F6	Alpine	$F 6 x = ∑ i = 1 n x i s i n (x i) + 0.1 x i$	［-10，10］	50	0

表2 不同算法的寻优结果

Tab. 2 Optimization results of different algorithms

函数	算法	最差值	最优值	平均值	标准差	运行时间/s
F1	BOA	5.37E+05	9.79E-12	3.02E+03	3.23E+04	0.176 22
	MSBOA	1.38E+05	0.00E+00	8.24E+02	8.84E+03	8.677 50
	MIBOA	1.60E-10	0.00E+00	3.20E-13	7.16E-12	0.970 41
	PPSO	1.69E+06	4.83E-01	4.69E+03	7.59E+04	0.149 02
	GWO	9.48E+08	3.59E+00	1.93E+06	4.20E+07	0.384 43
F2	BOA	2.92E+10	4.89E+01	1.06E+08	1.50E+09	0.293 91
	MSBOA	1.26E+10	4.70E+01	2.76E+07	5.60E+08	6.921 90
	MIBOA	4.90E+01	6.13E-05	2.99E-01	3.79E+00	1.128 20
	PPSO	1.31E+10	4.83E+01	4.15E+07	6.80E+08	0.205 13
	GWO	5.88E+10	4.61E+01	5.16E+08	4.50E+09	0.454 99
F3	BOA	4.60E+09	1.22E-11	3.09E+07	3.00E+08	0.870 86
	MSBOA	1.13E+09	0.00E+00	3.70E+06	5.40E+07	6.322 40
	MIBOA	4.62E+09	0.00E+00	9.24E+06	2.10E+08	1.569 50
	PPSO	1.74E+09	7.33E-01	7.02E+06	9.80E+07	0.486 78
	GWO	5.23E+09	1.56E-25	2.59E+07	2.80E+08	0.731 09
F4	BOA	2.13E+01	1.17E-10	4.90E+00	8.51E+00	0.332 36
	MSBOA	2.13E+01	8.88E-16	9.71E+00	1.04E+01	11.265 90
	MIBOA	2.07E-06	8.88E-16	4.15E-09	9.27E-08	1.160 40
	PPSO	2.12E+01	2.00E+01	2.00E+01	5.55E-02	0.241 55
	GWO	2.14E+01	2.11E+01	2.11E+01	3.32E-02	0.588 92
F5	BOA	1.12E+01	3.31E-06	1.52E+00	2.92E+00	2.282 00
	MSBOA	5.73E+00	0.00E+00	3.42E-02	3.07E-01	5.022 80
	MIBOA	4.30E-03	0.00E+00	2.58E-05	3.30E-04	2.641 60
	PPSO	9.61E+00	7.28E-02	2.99E-01	7.13E-01	1.195 70
	GWO	1.08E+01	1.98E-08	4.18E-01	1.45E+00	1.420 40
F6	BOA	5.64E+01	1.48E-10	3.25E+00	1.05E+01	0.214 65
	MSBOA	1.34E-01	0.00E+00	8.22E-04	7.07E-03	2.250 20
	MIBOA	3.97E-09	0.00E+00	7.93E-12	1.77E-10	0.630 10
	PPSO	5.37E+05	9.79E-12	3.02E+03	3.23E+04	0.147 02
	GWO	1.38E+05	0.00E+00	8.24E+02	8.84E+03	0.260 20

图1 F1~F6测试函数的适应度收敛曲线

Fig. 1 Convergence curves of fitness of test functions F1-F6

图2 F1~F6测试函数的箱线图

Fig. 2 Boxplots of test functions F1-F6

图3 节点部署对比

Fig. 3 Comparison node deployment

图4 相同节点数下不同算法优化后覆盖率对比

Fig. 4 Comparison of coverage rates optimized by different algorithms with same node number

表3 不同节点数下不同算法优化后的覆盖率对比

Tab. 3 Comparison of coverage rates optimized by different algorithms under different node numbers

节点数	覆盖率/%
节点数	BOA	SSA	MIBOA
45	83.04	91.17	96.08
50	86.64	91.85	96.61
55	88.55	92.93	99.41

表4 IGWO与其他优化部署策略结果对比

Tab. 4 Result comparison of IGWO and other optimized deployment strategies

部署策略	覆盖率/%	时间/s
随机初始化	75.47	—
BOA	80.78	10.46
SSA	89.41	6.28
GWO	91.16	147.70
IGWO	94.28	158.60
MIBOA	93.04	12.78

表5 IWOA与其他优化部署策略结果对比

Tab. 5 Result comparison of IWOA and other optimized deployment strategies

部署策略	覆盖率/%	时间/s
随机初始化	81.72	—
BOA	88.55	539.96
SSA	92.93	268.55
WOA	92.72	784.21
IWOA	99.21	1 566.97
MIBOA	99.41	454.36

参考文献 33

1	JAWAD H M， NORDIN R， GHARGHAN S K， et al. Energy-efficient wireless sensor networks for precision agriculture： a review［J］. Sensors， 2017， 17（8）： 1781. 10.3390/s17081781
2	MOHD AMAN A H， YADEGARIDEHKORDI E， ATTARBASHI Z S， et al. A survey on trend and classification of internet of things reviews［J］. IEEE Access， 2020， 8： 111763-111782. 10.1109/access.2020.3002932
3	DING G， WU Q， ZHANG L， et al. An amateur drone surveillance system based on the cognitive internet of things［J］. IEEE Communications Magazine， 2018， 56（1）： 29-35. 10.1109/mcom.2017.1700452
4	GHARGHAN S K， NORDIN R， ISMAIL M. A wireless sensor network with soft computing localization techniques for track cycling applications［J］. Sensors， 2016， 16（8）： 1043. 10.3390/s16081043
5	SISINNI E， SAIFULLAH A， HAN S， et al. Industrial internet of things： challenges， opportunities， and directions［J］. IEEE Transactions on Industrial Informatics， 2018， 14（11）： 4724-4734. 10.1109/tii.2018.2852491
6	MA D X， MA J， XU P M， et al. The application research progress of wireless sensor networks［J］. Applied Mechanics and Materials， 2013， 475/476： 520-523. 10.4028/www.scientific.net/amm.475-476.520
7	苗春雨，陈丽娜，吴建军，等. 无线传感器网络节点位置验证框架［J］. 计算机研究与发展， 2019， 56（6）： 1231-1243.
	MIAO C Y， CHEN L N， WU J J， et al. Node location verification framework for WSN［J］. Journal of Computer Research and Development， 2019， 56（6）： 1231-1243.
8	胡小平，曹敬.改进灰狼优化算法在WSN节点部署中的应用［J］.传感技术学报，2018，31（5）：753-758. 10.3969/j.issn.1004-1699.2018.05.017
	HU X P， CAO J. Improved grey wolf optimization algorithm for WSN node deployment［J］. Chinese Journal of Sensors and Actuators， 2018，31（5）：753-758. 10.3969/j.issn.1004-1699.2018.05.017
9	石拓，李建中.无线传感器网络中覆盖算法研究综述［J］.智能计算机与应用，2021，11（8）：193-196. 10.3969/j.issn.2095-2163.2021.08.043
	SHI T， LI J Z. A review of the coverage problems in WSNs［J］. Intelligent Computer and Applications， 2021，11（8）：193-196. 10.3969/j.issn.2095-2163.2021.08.043
10	李凌云. 结构优化的群体智能优化算法研究［D］. 成都：电子科技大学， 2022：1.
	LI L Y. Research on swarm intelligence optimization algorithm for structure optimization［D］. Chengdu： University of Electronic Science and Technology of China， 2022：1.
11	李二超，张生辉.基于新评价指标自适应预测的动态多目标优化算法［J］.计算机应用， 2023， 43（10）： 3178-3187. 10.11772/j.issn.1001-9081.2022091453
	LI E C， ZHANG S H. Dynamic multi-objective optimization algorithm based on adaptive prediction of new evaluation index［J］. Journal of Computer Applications， 2023， 43（10）： 3178-3187. 10.11772/j.issn.1001-9081.2022091453
12	苏李君，张亚玲，徐小平，等.基于灰狼优化算法的微分方程数值解法［J］.计算机应用，2022，42（S2）：140-147.
	SU L J， ZHANG Y L， XU X P， et al. Numerical solution of differential equation based on grey wolf optimization algorithm［J］. Journal of Computer Applications， 2022， 42（S2）： 140-147.
13	马学森，许雪梅，蒋功辉，等.混合自适应粒子群工作流调度优化算法［J］.计算机应用，2023，43（2）：474-483.
	MA X S， XU X M， JIANG G H， et al. Hybrid adaptive particle swarm optimization algorithm for workflow scheduling［J］. Journal of Computer Applications， 2023， 43（2）： 474-483.
14	ZHONG L L， ZHOU Y Q， LUO Q F， et al. Wind driven dragonfly algorithm for global optimization［J］. Concurrency and Computation： Practice and Experience， 2020， 33（6）： e6054. 10.1002/cpe.6054
15	李庚松，刘艺，郑奇斌，等.基于多目标混合蚁狮优化的算法选择方法［J］.计算机研究与发展， 2023， 60（7）： 1533-1550. 10.7544/issn1000-1239.202220769
	LI G S， LIU Y， ZHENG Q B， et al. Algorithm selection method based on multi-objective hybrid ant lion optimizer［J］. Journal of Computer Research and Development， 2023， 60（7）： 1533-1550. 10.7544/issn1000-1239.202220769
16	龚瑞昆，邓朋浩.基于改进PSO-BFO算法的WSN节点覆盖优化［J］.华北理工大学学报（自然科学版），2021，43（4）：52-59.
	GONG R K， DENG P H. WSN node coverage optimization based in improved PSO-BFO algorithm［J］. Journal of North China University of Science and Technology （Natural Science Edition）， 2021，43（4）：52-59.
17	宋婷婷，张达敏，王依柔，等. 基于改进鲸鱼优化算法的WSN覆盖优化［J］.传感技术学报，2020，33（3）：415-422. 10.3969/j.issn.1004-1699.2020.03.016
	SONG T T， ZHANG D M， WANG Y R， et al. WSN coverage optimization based on improved whale optimization algorithm［J］. Chinese Journal of Sensors and Actuators， 2020，33（3）：415-422. 10.3969/j.issn.1004-1699.2020.03.016
18	ARORA S， SINGH S. Butterfly optimization algorithm： a novel approach for global optimization［J］. Soft Computing， 2019， 23： 715-734. 10.1007/s00500-018-3102-4
19	ARORA S， SINGH S. Node localization in wireless sensor networks using butterfly optimization algorithm［J］. Arabian Journal for Science & Engineering， 2017， 42： 3325-3335. 10.1007/s13369-017-2471-9
20	DUBEY A K. Optimized hybrid learning for multi disease prediction enabled by lion with butterfly optimization algorithm［J］. Sādhanā， 2021， 46： No. 63. 10.1007/s12046-021-01574-8
21	TUBISHAT M， ALSWAITTI M， MIRJALILI S， et al. Dynamic butterfly optimization algorithm for feature selection［J］. IEEE Access， 2020， 8： 194303-194314. 10.1109/access.2020.3033757
22	ARORA S， SINGH S. An improved butterfly optimization algorithm with chaos［J］. Journal of Intelligent & Fuzzy Systems： Applications in Engineering and Technology， 2017， 32（1）： 1079-1088. 10.3233/jifs-16798
23	ARORA S， ANAND P. Learning automata-based butterfly optimization algorithm for engineering design problems［J］. International Journal of Computational Materials Science and Engineering， 2018， 7（4）： 1850021.
24	宁杰琼，何庆.混合策略改进的蝴蝶优化算法［J］.计算机应用研究，2021，38（6）：1718-1723，1738. 10.19734/j.issn.1001-3695.2020.06.0171
	NING J Q， HE Q. Mixed strategy to improve butterfly optimization algorithm［J］. Application Research of Computers， 2021， 38（6）： 1718-1723，1738. 10.19734/j.issn.1001-3695.2020.06.0171
25	XUE J， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34. 10.1080/21642583.2019.1708830
26	薛建凯. 一种新型的群智能优化技术的研究与应用：麻雀搜索算法［D］.上海：东华大学， 2020： 17-19. 10.1080/21642583.2019.1708830
	XUE J K. Research and application of a new swarm intelligent optimization technique： sparrow search algorithm［D］. Shanghai： Donghua University， 2020： 17-19. 10.1080/21642583.2019.1708830
27	WOLPERT D H， MACREADY W G. No free lunch theorems for optimization［J］. IEEE Transactions on Evolutionary Computation， 1997， 1（1）： 67-82. 10.1109/4235.585893
28	肖爽，张京敏. 基于Lévy飞行和自适应权重的混合WOAMFO算法［J］.数学的实践与认识，2021，51（10）：133-143.
	XIAO S， ZHANG J M. Hybrid algorithm WOAMFO based on Lévy flight and adaptive weight［J］. Mathematics in Practice and Theory， 2021， 51（10）： 133-143.
29	王依柔，张达敏，徐航，等.基于自适应扰动的疯狂蝴蝶算法［J］.计算机应用研究，2020，37（11）：3276-3280.
	WANG Y R， ZHANG D M， XU H， et al. Crazy butterfly algorithm based on adaptive perturbation［J］. Application Research of Computers， 2020，37（11）： 3276-3280.
30	苏福清，匡洪海，钟浩，等.基于柯西变异改进粒子群算法的无功优化［J］.电气工程学报，2021，16（1）：55-61.
	SU F Q， KUANG H H， ZHONG H， et al. Reactive power optimization based on Cauchy mutation and improved adaptive particle swarm optimization［J］. Journal of Electrical Engineering， 2021， 16（1）：55-61.
31	GHASEMI M， AKBARI E， RAHIMNEJAD A， et al. Phasor particle swarm optimization： a simple and efficient variant of PSO［J］. Soft Computing， 2019， 23： 9701-9718. 10.1007/s00500-018-3536-8
32	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69： 46-61. 10.1016/j.advengsoft.2013.12.007
33	LIANG J J， QU B Y， SUGANTHAN P N. Problem definitions and evaluation criteria for the CEC 2014 special session and competition on single objective real-parameter numerical optimization［R/OL］. ［2023-04-01］. .

[1]	李大海, 詹美欣, 王振东. 基于多个改进策略的增强麻雀搜索算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2845-2854.
[2]	张玉杰, 王帆. 基于改进麻雀搜索算法的照明控制优化[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 835-841.
[3]	向君幸, 吴永红. 基于邻域重心反向学习的混合樽海鞘群蝴蝶优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 820-826.
[4]	王哲, 王启名, 李陶深, 葛丽娜. 基于深度强化学习的SWIPT边缘网络联合优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3540-3550.
[5]	高兵, 郑雅, 秦静, 邹启杰, 汪祖民. 基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1201-1206.
[6]	段玉先, 刘昌云. 基于Sobol序列和纵横交叉策略的麻雀搜索算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 36-43.
[7]	陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9): 2668-2677.
[8]	汤安迪, 韩统, 徐登武, 谢磊. 基于混沌麻雀搜索算法的无人机航迹规划方法[J]. 计算机应用, 2021, 41(7): 2128-2136.
[9]	张争万, 张春炯, 李洪兵, 谢涛. 基于免疫连通模型的多路径传输选择算法[J]. 计算机应用, 2020, 40(12): 3571-3577.
[10]	韩司, 郑宝昆, 曹奇敏. 基于逻辑密钥树的无线传感网络密钥管理方案[J]. 计算机应用, 2019, 39(5): 1378-1384.
[11]	谢小军, 于浩, 陶磊, 张信明. 可充电无线传感网络能量均衡路由算法[J]. 计算机应用, 2017, 37(6): 1545-1549.
[12]	徐同伟, 何庆, 吴意乐, 顾海霞. 基于改进离散果蝇优化算法的WSN广播路由算法[J]. 计算机应用, 2017, 37(4): 965-969.
[13]	甘峰浩, 牛玉刚, 贾廷纲. 基于模糊压缩感知的无线传感网络拥塞控制算法[J]. 计算机应用, 2015, 35(9): 2430-2435.
[14]	刘明珠许士涛陈光. 基于自适应更新的无线传感网络MAC协议[J]. 计算机应用, 2012, 32(12): 3508-3511.
[15]	任秀丽韩静晶. 基于无线传感网的海洋监测节点定位算法[J]. 计算机应用, 2012, 32(10): 2692-2695.

基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

Node coverage optimization of wireless sensor network based on multi-strategy improved butterfly optimization algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 33

相关文章 15

编辑推荐

Metrics