基于多个改进策略的增强麻雀搜索算法

doi:10.11772/j.issn.1001-9081.2022081270

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (9): 2845-2854.DOI: 10.11772/j.issn.1001-9081.2022081270

基于多个改进策略的增强麻雀搜索算法

李大海, 詹美欣(), 王振东

江西理工大学信息工程学院，江西赣州 341000

收稿日期:2022-08-26 修回日期:2022-10-23 接受日期:2022-11-03 发布日期:2023-01-11 出版日期:2023-09-10
通讯作者: 詹美欣
作者简介:李大海（1975—），男，山东乳山人，副教授，博士，CCF会员，主要研究方向：智能优化算法、强化学习
王振东（1982－），男，湖北随州人，副教授，博士，主要研究方向：无线传感器网络、智能优化算法。
基金资助:
国家自然科学基金资助项目(620620237);江西理工大学校级基金资助项目(205200100013)

Enhanced sparrow search algorithm based on multiple improvement strategies

Dahai LI, Meixin ZHAN(), Zhendong WANG

School of Information Engineering，Jiangxi University of Science and Technology，Ganzhou Jiangxi 341000，China

Received:2022-08-26 Revised:2022-10-23 Accepted:2022-11-03 Online:2023-01-11 Published:2023-09-10
Contact: Meixin ZHAN
About author:LI Dahai， born in 1975， Ph. D.， associate professor. His research interests include intelligent optimization algorithm， reinforcement learning.
WANG Zhendong， born in 1982， Ph. D.， associate professor. His research interests include wireless sensor network， intelligent optimization algorithm.
Supported by:
National Natural Science Foundation of China(620620237);Science Foundation of Jiangxi University of Science and Technology(205200100013)

摘要/Abstract

摘要：

针对麻雀搜索算法（SSA）存在寻优精度不高且易陷入局部最优的问题，提出一种基于多个改进策略的增强麻雀搜索算法（EMISSA）。首先，为平衡算法的全局和局部搜索能力，引入模糊逻辑来动态调整麻雀发现者的规模；其次，对麻雀跟随者进行混合差分变异操作以产生变异子群，从而增强EMISSA跳出局部最优的能力；最后，通过拓扑对立学习（TOBL）产生当前麻雀发现者个体的拓扑对立解，以充分挖掘搜索空间内的优质位置信息。通过2013年进化计算大会（CEC2013）中的12个测试函数评估EMISSA、标准SSA以及混沌麻雀搜索优化算法（CSSOA）等改进麻雀算法的性能。实验结果表明，EMISSA在30维情况下，在12个测试函数上获得了11个第一；在80维情况下，在所有的测试函数上都获得了第一。而在Friedman检验中，EMISSA的排名均获得了第一。将EMISSA应用于障碍物环境下的无线传感器网络（WSN）节点部署，实验结果表明，相较于其他算法，EMISSA获得了最高的无线节点覆盖率，节点分布更均匀，覆盖冗余更少。

关键词: 麻雀搜索算法, 模糊逻辑, 混合差分变异操作, 拓扑对立学习, 无线传感器网络, 节点部署

Abstract:

Aiming at the drawbacks that Sparrow Search Algorithm （SSA） has relatively low search accuracy and is easy to fall into the local optimum， an Enhanced Sparrow Search Algorithm based on Multiple Improvement strategies （EMISSA） was proposed. Firstly， in order to balance the global search and local search abilities of the algorithm， fuzzy logic was introduced to adjust the scale of sparrow finders dynamically. Secondly， the mixed differential mutation operation was performed on sparrow followers to generate mutation subgroups， thereby enhancing the ability of EMISSA to jump out of the local optimum. Finally， Topological Opposition-Based Learning （TOBL） was used to obtain topological opposition solutions of sparrow finders， thereby fully mining high-quality position information in the search space. EMISSA， standard SSA and Chaotic Sparrow Search Optimization Algorithm （CSSOA） were evaluated by 12 test functions in 2013 Congress on Evolutionary Computation （CEC2013）. Experimental results show that EMISSA achieves 11 first places on 12 test functions in the 30-dimensional case； in the 80-dimensional case， the proposed algorithm has the optimal results on all the test functions. In the Friedman test， EMISSA ranks first on all the test functions. Experimental results of applying EMISSA to the Wireless Sensor Network （WSN） node deployment in obstacle environment show that compared with other algorithms， EMISSA achieves the highest wireless node coverage with more uniform node distribution and less coverage redundancy.

Key words: Sparrow Search Algorithm (SSA), fuzzy logic, mixed differential mutation operation, Topological Opposition-Based Learning (TOBL), Wireless Sensor Network (WSN), node deployment

中图分类号:

TP301.6

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, 2023, 43(9): 2845-2854.

Dahai LI, Meixin ZHAN, Zhendong WANG. Enhanced sparrow search algorithm based on multiple improvement strategies[J]. Journal of Computer Applications, 2023, 43(9): 2845-2854.

图/表 17

参考文献 31

1	刘小龙，李荣钧，杨萍. 基于高斯分布估计的细菌觅食优化算法［J］. 控制与决策， 2011， 26（8）：1233-1238.
	LIU X L， LI R J， YANG P. Bacterial foraging optimization algorithm based on estimation of distribution［J］. Control and Decision， 2011， 26（8）：1233-1238.
2	YILDIZ B S， PHOLDEE N， BUREERAT S， et al. Robust design of a robot gripper mechanism using new hybrid grasshopper optimization algorithm［J］. Expert Systems， 2021， 38（3）： No.e12666. 10.1111/exsy.12666
3	PAUL K， DALAPATI P， KUMAR N. Optimal rescheduling of generators to alleviate congestion in transmission system： a novel modified whale optimization approach［J］. Arabian Journal for Science and Engineering， 2022， 47（3）：3255-3279. 10.1007/s13369-021-06136-y
4	JAVIDRAD F， NAZARI M. A new hybrid particle swarm and simulated annealing stochastic optimization method［J］. Applied Soft Computing， 2017， 60： 634-654. 10.1016/j.asoc.2017.07.023
5	李长安，谢宗奎，吴忠强，等. 改进灰狼算法及其在港口泊位调度中的应用［J］. 哈尔滨工程大学学报， 2021， 53（1）：101-108.
	LI C A， XIE Z K， WU Z Q， et al. Improved grey wolf algorithm and its application in port berth scheduling［J］. Journal of Harbin Institute of Technology， 2021， 53（1）：101-108.
6	吴冬梅，郝凤鸣，蒋国平. 基于多智能体混沌鸟群算法的机构优化［J］. 信息与控制， 2021， 50（4）：449-458. 10.13976/j.cnki.xk.2021.0381
	WU D M， HAO F M， JIANG G P. Mechanism optimization based on multi-agent chaos bird swarm algorithm［J］. Information and Control， 2021， 50（4）：449-458. 10.13976/j.cnki.xk.2021.0381
7	河南科技大学. 基于单种群自适应异构蚁群算法的机器人路径规划方法： 202111131279.3［P］. 2021-12-31.
	Henan University of Science and Technology. Robot path planning method based on single-population adaptive heterogeneous ant colony algorithm：202111131279.3［P］. 2021-12-31.
8	XUE J K， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm［J］. Systems Science and Control Engineering， 2020， 8（1）： 22-34. 10.1080/21642583.2019.1708830
9	王海瑞，鲜于建川. 改进麻雀搜索算法在分布式电源配置中的应用［J］. 计算机工程与应用， 2021， 57（20）： 245-252.
	WANG H R， XIANYU J C. Application of distributed generation configuration based on improved sparrow search algorithm［J］. Computer Engineering and Applications， 2021， 57（20）： 245-252.
10	江妍，马瑜，梁远哲，等. 基于分数阶麻雀搜索优化OTSU肺组织分割算法［J］. 计算机科学， 2021， 48（6A）：28-32. 10.11896/jsjkx.200900176
	JIANG Y， MA Y， LIANG Y Z， et al. Lung tissue segmentation algorithm： fractional order sparrow search optimization for OTSU［J］. Computer Science， 2021， 48（6A）：28-32. 10.11896/jsjkx.200900176
11	欧阳城添，朱东林，王丰奇，等. 基于折射麻雀搜索算法的无人机路径规划［J］. 电光与控制， 2022， 29（6）： 25-31. 10.3969/j.issn.1671-637X.2022.06.006
	OUYANG C T， ZHU D L， WANG F Q， et al. UAV path planning based on refracted sparrow search algorithm［J］. Electronics Optics and Control， 2022， 29（6）： 25-31. 10.3969/j.issn.1671-637X.2022.06.006
12	付华，刘昊. 多策略融合的改进麻雀搜索算法及其应用［J］. 控制与决策， 2022， 37（1）： 87-96.
	FU H， LIU H. Improved sparrow search algorithm with multi-strategy integration and its application［J］. Control and Decision， 2022， 37（1）： 87-96.
13	李爱莲，全凌翔，崔桂梅，等. 融合正余弦和柯西变异的麻雀搜索算法［J］. 计算机工程与应用， 2022， 58（3）： 91-99. 10.3778/j.issn.1002-8331.2106-0148
	LI A L， QUAN L X， CUI G M， et al. Sparrow search algorithm combining sine-cosine and Cauchy mutation［J］. Computer Engineering and Applications， 2022， 58（3）： 91-99. 10.3778/j.issn.1002-8331.2106-0148
14	王振东，汪嘉宝，李大海. 一种增强型麻雀搜索算法的无线传感器网络覆盖优化研究［J］. 传感技术学报， 2021， 34（6）：818-828. 10.3969/j.issn.1004-1699.2021.06.016
	WANG Z D， WANG J B， LI D H. Study on WSN optimization coverage of an enhanced sparrow search algorithm［J］. Chinese Journal of Sensors and Actuators， 2021， 34（6）： 818-828. 10.3969/j.issn.1004-1699.2021.06.016
15	VALDEZ F， CASTILLO O， PERAZA C. Fuzzy logic in dynamic parameter adaptation of harmony search optimization for benchmark functions and fuzzy controllers［J］. International Journal of Fuzzy Systems， 2020， 22（4）： 1198-1211. 10.1007/s40815-020-00860-7
16	ZHAO F Q， DU S L， LU H， et al. A hybrid self-adaptive invasive weed algorithm with differential evolution［J］. Connection Science， 2021， 33（4）： 929-953. 10.1080/09540091.2021.1917517
17	ZHANG J Q， SANDERSON A C. JADE： adaptive differential evolution with optional external archive［J］. IEEE Transactions on Evolutionary Computation， 2009， 13（5）： 945-958. 10.1109/tevc.2009.2014613
18	孙灿，周新宇，王明文. 一种融合邻域搜索的多策略差分进化算法［J］. 系统仿真学报， 2020， 32（6）： 1071-1084. 10.16182/j.issn1004731x.joss.18-0787
	SUN C， ZHOU X Y， WANG M W. A multi-strategy differential evolution algorithm combined with neighborhood search［J］. Journal of System Simulation， 2020， 32（6）： 1071-1084. 10.16182/j.issn1004731x.joss.18-0787
19	DAI C Y， HU Z B， LI Z， et al. An improved grey prediction evolution algorithm based on topological opposition-based learning［J］. IEEE Access， 2020， 8： 30745-30762. 10.1109/access.2020.2973197
20	李浩君，张鹏威，郭海东. 基于种群曼哈顿距离的自适应多目标粒子群优化算法［J］. 计算机集成制造系统， 2020， 26（4）：1019-1032.
	LI H J， ZHANG P W， GUO H D. Adaptive multi-objective particle swarm optimization algorithm based on population Manhattan distance［J］. Computer Integrated Manufacturing Systems， 2020， 26（4）： 1019-1032.
21	LIANG J J， QU B Y， SUGANTHAN P N， et al. Problem definitions and evaluation criteria for the CEC 2013 special session on real-parameter optimization［R/OL］. （2013-01）［2022-06-21］..
22	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法［J］. 计算机工程与应用， 2021， 57（24）： 74-82.
	ZHANG W K， LIU S， REN C H. Mixed strategy improved sparrow search algorithm［J］. Computer Engineering and Applications， 2021， 57（24）： 74-82.
23	印雷，顾德，刘飞. 基于改进麻雀搜索算法优化的DV-Hop定位算法［J］. 传感技术学报， 2021， 34（5）： 670-675. 10.3969/j.issn.1004-1699.2021.05.017
	YIN L， GU D， LIU F， Improved sparrow search algorithm based DV-Hop localization in WSN［J］. Chinese Journal of Sensors and Actuators， 2021， 34（5）： 670-675. 10.3969/j.issn.1004-1699.2021.05.017
24	张新明，姜云，刘尚旺，等. 灰狼与郊狼混合优化算法及其聚类优化［J］. 自动化学报， 2022， 48（11）： 2757-2776.
	ZHANG X M， JIANG Y， LIU S W， et al. Hybrid coyote optimization algorithm with grey wolf optimizer and its application to clustering optimization［J］. Acta Automatica Sinica， 2022， 48（11）： 2757-2776.
25	QI X G， LI Z N， CHEN C， et al. A wireless sensor node deployment scheme based on embedded virtual force resampling particle swarm optimization algorithm［J］. Applied Intelligence， 2021， 52（7）： 7420-7441. 10.1007/s10489-021-02745-0
26	JIA H D， CHU S C， HU P， et al. Hybrid algorithm optimization for coverage problem in wireless sensor networks［J］. Telecommunication Systems， 2022， 80（1）： 105-121. 10.1007/s11235-022-00883-5
27	MIAO Y， SUN Z L， WANG N， et al. Time efficient data collection with mobile sink and vMIMO technique in wireless sensor networks［J］. IEEE Systems Journal， 2018， 12（1）： 639-647. 10.1109/jsyst.2016.2597166
28	张谦. 基于群智能算法的无线传感器网络覆盖优化研究［D］. 长沙：湖南大学， 2015.
	ZHANG Q. The research of coverage optimization in wireless sensor network based on swarm intelligent algorithm［D］. Changsha： Hunan University， 2015.
29	ZOU M， PING Z， ZHENG S J， et al. A novel energy efficient converage control in WSNs based on ant colony optimization［C］// Proceedings of the 2010 International Symposium on Computer， Communication， Control and Automation. Piscataway： IEEE， 2010：523-527. 10.1109/3ca.2010.5533741
30	BINH H T T， HANH N T， QUAN L van， et al. Metaheuristics for maximization of obstacles constrained area coverage in heterogeneous wireless sensor networks［J］. Applied Soft Computing， 2020， 86： No.105939. 10.1016/j.asoc.2019.105939
31	韩尧，李少华. 基于改进人工势场法的无人机航迹规划［J］. 系统工程与电子技术， 2021， 43（11）： 3305-3311. 10.12305/j.issn.1001-506X.2021.11.31
	HAN Y， LI S H. UAV path planning based on improved artificial potential field［J］. Systems Engineering and Electronics， 2021， 43（11）： 3305-3311. 10.12305/j.issn.1001-506X.2021.11.31

规则序号	模糊规则
1	If （iteration is Early） and （diversity is Low） then （PD is Very_Big）（1）
2	If （iteration is Early） and （diversity is Medium） then （PD is Big）（1）
3	If （iteration is Early） and （diversity is High） then （PD is Medium）（1）
4	If （iteration is Medium） and （diversity is Low） then （PD is Big）（1）
5	If （iteration is Medium） and （diversity is Medium） then （PD is Medium）（1）
6	If （iteration is Medium） and （diversity is High） then （PD is Small）（1）
7	If （iteration is Late） and （diversity is Low） then （PD is Medium）（1）
8	If （iteration is Late） and （diversity is Medium） then （PD is Small）（1）
9	If （iteration is Late） and （diversity is High） then （PD is Very_Small）（1）

规则序号	模糊规则
1	If （iteration is Early） and （diversity is Low） then （PD is Very_Big）（1）
2	If （iteration is Early） and （diversity is Medium） then （PD is Big）（1）
3	If （iteration is Early） and （diversity is High） then （PD is Medium）（1）
4	If （iteration is Medium） and （diversity is Low） then （PD is Big）（1）
5	If （iteration is Medium） and （diversity is Medium） then （PD is Medium）（1）
6	If （iteration is Medium） and （diversity is High） then （PD is Small）（1）
7	If （iteration is Late） and （diversity is Low） then （PD is Medium）（1）
8	If （iteration is Late） and （diversity is Medium） then （PD is Small）（1）
9	If （iteration is Late） and （diversity is High） then （PD is Very_Small）（1）

函数	函数名	F^*
f₁	Sphere Function	-1 400
f₂	Rotated Bent Cigar Function	-1 200
f₃	Rotated Discus Function	-1 100
f₄	Different Powers Function	-1 000
f₅	Rotated Rosenbrock’s Function	-900
f₆	Rotated Ackley’s Function	-700
f₇	Rotated Rastrigin’s function	-300
f₈	Non-Continuous RotatedRastrigin’s Function	-200
f₉	Expanded Scaffer’s F6 Function	600
f₁₀	Composition Function 3	900
f₁₁	Composition Function 6	1 200
f₁₂	Composition Function 8	1 400

函数	函数名	F^*
f₁	Sphere Function	-1 400
f₂	Rotated Bent Cigar Function	-1 200
f₃	Rotated Discus Function	-1 100
f₄	Different Powers Function	-1 000
f₅	Rotated Rosenbrock’s Function	-900
f₆	Rotated Ackley’s Function	-700
f₇	Rotated Rastrigin’s function	-300
f₈	Non-Continuous RotatedRastrigin’s Function	-200
f₉	Expanded Scaffer’s F6 Function	600
f₁₀	Composition Function 3	900
f₁₁	Composition Function 6	1 200
f₁₂	Composition Function 8	1 400

函数	指标	EMISSA	SSA	CSSOA	MSSSA	ISSA	ESSA
f₁	Mean	9.73E+00	2.23E+04	1.86E+04	4.80E+01	1.01E+01	6.89E+04
	Std	5.07E+00	6.38E+03	5.81E+03	2.38E+01	1.28E+01	7.21E+02
	Rank	1	5	4	3	2	6
f₂	Mean	1.55E+10	2.13E+15	6.09E+13	2.55E+10	1.75E+10	1.62E+21
	Std	5.38E+09	7.42E+15	1.06E+14	1.86E+10	9.28E+09	4.30E+21
	Rank	1	5	4	3	2	6
f₃	Mean	3.39E+04	6.04E+04	5.54E+04	6.00E+04	4.53E+04	6.94E+04
	Std	6.35E+03	5.52E+03	6.17E+03	4.71E+03	7.64E+03	5.84E+02
	Rank	1	5	3	4	2	6
f₄	Mean	4.82E+01	6.90E+03	4.42E+03	1.69E+02	1.25E+02	3.91E+04
	Std	2.84E+01	2.97E+03	1.15E+03	3.54E+01	4.45E+01	1.81E+04
	Rank	1	5	4	3	2	6
f₅	Mean	1.36E+02	2.45E+03	2.11E+03	1.43E+02	1.67E+02	1.95E+04
	Std	2.86E+01	8.61E+02	1.32E+03	3.84E+01	4.47E+01	4.65E+03
	Rank	1	5	4	2	3	6
f₆	Mean	2.10E+01	2.10E+01	2.10E+01	2.10E+01	2.10E+01	2.10E+01
	Std	3.86E-02	6.05E-02	5.20E-02	5.95E-02	4.70E-02	7.81E-02
	Rank	1	5	3	4	2	6
f₇	Mean	4.35E+02	8.52E+02	5.08E+02	8.97E+02	8.76E+02	1.13E+03
	Std	1.06E+02	1.38E+02	1.10E+02	1.05E+02	1.01E+02	3.38E+01
	Rank	1	3	2	5	4	6
f₈	Mean	5.02E+02	1.00E+03	6.37E+02	8.79E+02	9.13E+02	1.08E+03
	Std	7.10E+01	1.16E+02	9.24E+01	1.37E+02	1.56E+02	6.85E+01
	Rank	1	5	2	3	4	6
f₉	Mean	1.44E+01	1.50E+01	1.40E+01	1.50E+01	1.50E+01	1.50E+01
	Std	5.09E-01	9.15E-02	5.56E-01	8.34E-02	0.00E+00	4.79E-09
	Rank	2	6	1	5	3	4
f₁₀	Mean	6.35E+03	6.85E+03	6.60E+03	7.00E+03	7.23E+03	9.43E+03
	Std	9.26E+02	8.62E+02	8.13E+02	8.44E+02	5.60E+02	4.10E+02
	Rank	1	3	2	4	5	6
f₁₁	Mean	2.43E+02	4.05E+02	3.44E+02	4.08E+02	4.33E+02	4.57E+02
	Std	7.51E+01	6.63E+01	9.58E+01	9.70E+00	1.63E+02	4.66E+01
	Rank	1	34	2	4	5	6
f₁₂	Mean	4.40E+03	7.15E+03	4.49E+03	6.09E+03	5.71E+03	8.20E+03
	Std	4.63E+02	1.31E+03	7.24E+02	9.06E+02	4.14E+02	1.10E+03
	Rank	1	5	2	4	3	6
Count		11	0	1	0	0	0
Ave Rank		1.29	4.33	2.79	3.58	3.33	5.67
Total Rank		1	5	2	4	3	6

基于多个改进策略的增强麻雀搜索算法

Enhanced sparrow search algorithm based on multiple improvement strategies

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 31

相关文章 15

编辑推荐

Metrics

函数	指标	EMISSA	SSA	CSSOA	MSSSA	ISSA	ESSA
f₁	Mean	2.05E+03	1.15E+05	1.15E+05	2.18E+04	5.78E+03	1.54E+05
	Std	4.03E+02	8.18E+03	8.76E+03	6.00E+03	3.35E+03	4.55E+02
	Rank	1	4	5	3	2	6
f₂	Mean	7.76E+10	8.40E+20	3.19E+18	2.95E+13	1.18E+12	1.38E+24
	Std	3.19E+10	2.11E+21	6.43E+18	7.18E+13	2.60E+12	8.43E+23
	Rank	1	5	4	3	2	6
f₃	Mean	1.03E+05	2.07E+05	1.64E+05	3.44E+05	1.06E+05	2.02E+05
	Std	1.46E+04	1.62E+04	1.52E+04	5.52E+04	3.87E+04	3.18E+04
	Rank	1	5	3	6	2	4
f₄	Mean	5.60E+02	3.63E+04	2.29E+04	2.74E+03	8.72E+02	8.47E+04
	Std	2.04E+02	9.84E+03	2.97E+03	7.76E+02	2.73E+02	2.86E+03
	Rank	1	5	4	3	2	6
f₅	Mean	6.12E+02	2.45E+04	1.99E+04	2.43E+03	6.67E+02	4.48E+04
	Std	1.11E+02	3.17E+03	2.81E+03	7.45E+02	1.28E+02	3.64E+02
	Rank	1	5	4	3	2	6
f₆	Mean	2.10E+01	2.12E+01	2.12E+01	2.13E+01	2.12E+01	2.12E+01
	Std	7.09E-02	3.21E-02	2.67E-02	3.53E-02	3.98E-02	4.80E-02
	Rank	1	3	2	6	4	5
f₇	Mean	1.54E+03	2.33E+03	1.92E+03	2.11E+03	1.80E+03	2.62E+03
	Std	5.30E+01	8.01E+01	1.36E+02	6.61E+01	9.57E+01	1.71E+01
	Rank	1	5	3	4	2	6
f₈	Mean	2.05E+03	2.54E+03	2.20E+03	2.39E+03	2.10E+03	2.63E+03
	Std	1.58E+02	9.75E+01	1.85E+02	9.58E+01	1.49E+02	9.33E+01
	Rank	1	5	3	4	2	6
f₉	Mean	3.81E+01	3.89E+01	3.83E+01	3.86E+01	3.86E+01	3.92E+01
	Std	6.14E-01	3.70E-01	2.22E-01	3.60E-01	3.68E-01	1.85E-01
	Rank	1	5	2	3	4	6
f₁₀	Mean	2.04E+04	2.35E+04	2.33E+04	2.30E+04	2.54E+04	2.88E+04
	Std	1.01E+03	1.68E+03	2.02E+03	2.56E+03	1.91E+03	1.13E+03
	Rank	1	4	3	2	5	6
f₁₁	Mean	2.25E+02	9.49E+02	6.52E+02	6.54E+02	5.77E+02	2.34E+03
	Std	8.38E+01	9.32E+02	1.97E+01	2.24E+01	1.58E+02	1.38E+03
	Rank	1	5	3	4	2	6
f₁₂	Mean	1.36E+04	2.30E+04	2.00E+04	2.21E+04	1.78E+04	2.36E+04
	Std	8.69E+02	1.71E+03	1.44E+03	2.25E+03	1.62E+03	1.40E+03
	Rank	1	5	3	4	2	6
Count		12	0	0	0	0	0
Ave Rank		1.00	4.75	3.33	3.79	2.50	5.63
Total Rank		1	5	3	4	2	6

实验参数	参数设置
部署区域	100 m×100 m二维平面
区域大小/m²	9 000
节点数量	28
感知半径/m	12
障碍物类型	三角形、菱形
障碍物数量	5
种群规模	30
最大迭代次数	1 500

[1]	单飞桥, 王照伟, 沈跃. 基于精确时间协议的工业无线传感器网络时间同步方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2255-2260.
[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]	刘拥民, 杨钰津, 罗皓懿, 黄浩, 谢铁强. 基于双向循环生成对抗网络的无线传感网入侵检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 160-168.
[4]	田洪亮, 王佳玥, 李晨曦. 基于混合算法区块链和节点身份认证的数据存储方案[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2481-2486.
[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]	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.
[8]	孙环, 陈宏滨. 基于萤火虫算法的无线传感器网络节点重部署策略[J]. 计算机应用, 2021, 41(2): 492-497.
[9]	胡润彦, 李翠然. 基于模糊控制的自供能无线传感器网络分簇算法[J]. 计算机应用, 2020, 40(9): 2691-2697.
[10]	韩雨涝, 房鼎益. 基于链路交点相对位置信息的轻量级覆盖空洞检测算法[J]. 计算机应用, 2020, 40(9): 2698-2705.
[11]	韩雨涝, 房鼎益. 联合无线充电与数据收集的移动充电装置多目标路径规划算法[J]. 计算机应用, 2020, 40(6): 1745-1750.
[12]	卢光跃, 周亮, 吕少卿, 施聪, 苏可可. 基于图信号处理的无线传感器网络异常节点检测算法[J]. 计算机应用, 2020, 40(3): 783-787.
[13]	任秀丽, 陈洋. 无线传感网中数据传输延时优化的路由协议[J]. 计算机应用, 2020, 40(1): 196-201.
[14]	刘颖, 王凤伟, 刘卫华, 艾达, 李芸, 杨凡超. 基于亮度分区模糊融合的高动态范围成像算法[J]. 计算机应用, 2020, 40(1): 233-238.
[15]	吴三柱, 李鹏, 吴三斌. 移动无线传感器网络中抑制病毒传播模型[J]. 计算机应用, 2020, 40(1): 129-135.