改进猎人猎物优化算法在WSN覆盖中的应用

doi:10.11772/j.issn.1001-9081.2023081208

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (8): 2506-2513.DOI: 10.11772/j.issn.1001-9081.2023081208

改进猎人猎物优化算法在WSN覆盖中的应用

杨乐, 张达敏(), 何庆, 邓佳欣, 左锋琴

贵州大学大数据与信息工程学院，贵阳 550025

收稿日期:2023-09-06 修回日期:2023-10-19 接受日期:2023-11-03 发布日期:2024-08-22 出版日期:2024-08-10
通讯作者: 张达敏
作者简介:杨乐（2001—），男，陕西咸阳人，硕士研究生，主要研究方向：无线传感器网络、群智能算法、机器学习
张达敏（1967—），男，贵州贵阳人，教授，博士，主要研究方向：认知无线电、群智能算法、信号与信息处理 1203813362@qq.com
何庆（1982—），男，贵州黔南州人，教授，博士，主要研究方向：大数据技术应用、机器学习、自然语言处理
邓佳欣（1998—），女，贵州毕节人，硕士研究生，主要研究方向：认知无线电、群智能算法
左锋琴（1998—），女，贵州织金人，硕士研究生，主要研究方向：认知无线电、群智能算法。
基金资助:
国家自然科学基金资助项目(62166006);贵州省科学技术基金资助项目(黔科合基础［2020］1Y254)

Application of improved hunter-prey optimization algorithm in WSN coverage

Le YANG, Damin ZHANG(), Qing HE, Jiaxin DENG, Fengqin ZUO

College of Big Data and Information Engineering，Guizhou University，Guiyang Guizhou 550025，China

Received:2023-09-06 Revised:2023-10-19 Accepted:2023-11-03 Online:2024-08-22 Published:2024-08-10
Contact: Damin ZHANG
About author:YANG Le， born in 2001， M. S. candidate. His research interests include wireless sensor network， swarm intelligence algorithm， machine learning.
HE Qing， born in 1982， Ph. D.， professor. His research interests include application of big data technology， machine learning， natural language processing.
DENG Jiaxin， born in 1998， M. S. candidate. Her research interests include cognitive radio， swarm intelligence algorithm.
ZUO Fengqin， born in 1998， M. S. candidate. Her research interests include cognitive radio， swarm intelligence algorithm.
Supported by:
National Natural Science Foundation of China(62166006);Science and Technology Foundation of Guizhou Province （Qiankehe Basic ［2020］1Y254）

摘要/Abstract

摘要：

针对传统无线传感器网络（WSN）节点部署覆盖盲区大、分布不均等问题，提出一种改进的猎人猎物优化（IHPO）算法优化网络覆盖。首先，在猎物位置更新阶段，引入差分进化（DE）思想并借助动态比例因子进行交叉变异，从而增强种群信息交流；其次，在全局最优位置更新阶段，由α稳定分布提出自适应α变异对全局最优位置进行扰动，从而平衡不同时期算法的性能需求；最后，利用自适应α变异扰动的全局最优位置引导种群完成动态反向学习，从而增加种群的全局搜索能力和多样性。在WSN覆盖问题中，使用IHPO优化的网络节点分布更均匀、覆盖率更高，在传感器感知能力不足时能达到92.56%的覆盖率，对比原始HPO算法优化的节点提高了25.74%，对比改进粒子群优化（IPSO）算法、改进灰狼优化算法（IGWO）优化的节点分别提高了13.98%、16.41%。同时，IHPO算法优化的节点能耗更均衡，在路由测试中的网络工作时间可以延长至2 500轮次。

关键词: 猎人猎物优化算法, 差分进化, 自适应α变异, 动态反向学习, 无线传感器网络覆盖

Abstract:

An Improved Hunter-Prey Optimization （IHPO） algorithm was proposed to improve network coverage in order to tackle the issues of node deployment coverage blind areas and uneven distribution of conventional Wireless Sensor Network （WSN）. Firstly， with the goal to improve population information exchange， Differential Evolution （DE） was introduced， and cross-variation with dynamic proportional factors was implemented during the prey position update stage. Secondly， adaptive α variation was proposed on the basis of α stable distribution in the phase of updating the global optimal location to disturb the location， so as to balance the algorithm’s performance demands over time. Finally， the population was guided to complete dynamic reverse learning by using the global optimal location with adaptive α variation perturbation， thereby increasing the population’s variety and capacity for global search. In WSN coverage challenge， the network nodes optimized by IHPO were distributed more uniformly and had a higher coverage rate. When the sensor perception capacity was insufficient， the coverage rate increased to 92.56%， which was 25.74% higher than that of the nodes optimized by the original HPO algorithm， and 13.98% and 16.41% higher than those of the nodes optimized by Improved Particle Swarm Optimization （IPSO） and Improved Grey Wolf Optimizer （IGWO）， respectively. At the same time， the energy consumption of the nodes optimized by IHOP was more evenly distributed， and those nodes had the network working duration increased to 2 500 cycles in routing test.

Key words: Hunter-Prey Optimization (HPO) algorithm, differential evolution, adaptive α variation, dynamic reverse learning, Wireless Sensor Network (WSN) coverage

中图分类号:

TP183

杨乐, 张达敏, 何庆, 邓佳欣, 左锋琴. 改进猎人猎物优化算法在WSN覆盖中的应用[J]. 计算机应用, 2024, 44(8): 2506-2513.

Le YANG, Damin ZHANG, Qing HE, Jiaxin DENG, Fengqin ZUO. Application of improved hunter-prey optimization algorithm in WSN coverage[J]. Journal of Computer Applications, 2024, 44(8): 2506-2513.

图/表 15

图1 HPO算法的流程

Fig. 1 Flowchart of HPO algorithm

图2 α变化曲线

Fig. 2 Curve of change in α

图3 不同α对应的概率分布函数

Fig. 3 Probability distribution function corresponding to different α

图4 种群个体编码示意图

Fig. 4 Schematic diagram of population individual coding

表1 不同算法在场景1中的覆盖率

Tab. 1 Coverage rates of different algorithms in scenario one

算法	网络覆盖率/%
算法	最优值	最差值	平均值	标准差
IHPO	96.78	92.94	94.81	0.008 3
HPO	81.86	74.60	79.59	0.018 8
PSO	85.44	81.41	82.56	0.018 0
IPSO	93.46	85.15	90.35	0.016 9
GWO	93.20	75.28	90.02	0.038 8
IGWO	95.39	90.83	92.69	0.020 5

图5 不同算法在场景1中的迭代曲线

Fig. 5 Iteration curves of different algorithms in scenario one

图6 场景1中节点数量变化对覆盖率的影响

Fig. 6 Influence of node number change on coverage rate in scenario one

表2 不同算法在场景2中的覆盖率

Tab. 2 Coverage rates of different algorithms in scenario two

算法	网络覆盖率/%
算法	最优值	最差值	平均值	标准差
IHPO	93.98	91.22	92.56	0.018 5
HPO	75.36	71.52	73.61	0.007 9
PSO	72.03	69.38	71.19	0.008 2
IPSO	90.58	73.56	81.21	0.032 2
GWO	72.23	69.38	70.38	0.007 4
IGWO	89.14	72.68	79.52	0.042 0

图7 不同算法在场景2中的迭代曲线

Fig. 7 Iteration curves of different algorithms in scenario two

图8 场景2中不同算法的部署结果

Fig. 8 Deployment results of different algorithms in scenario two

图9 场景2中节点数量对覆盖率的影响

Fig. 9 Influence of node number on coverage rate in scenario two

图10 场景2中节点数为100时的IHPO部署情况

Fig. 10 IHPO deployment with 100 nodes in scenario two

表3 LEACH协议参数

Tab. 3 Parameters of LEACH protocol

参数名称	值
基站坐标/（m，m）	（50，50）
节点初始能量/J	1
自由空间能耗系/（pJ·bit·m^-2）	10
多路衰减能耗系数/（pJ·bit·m^-4）	0.001 3
处理单位数据能耗/（nJ·bit^-1）	50
数据包大小/bit	4 000
控制信息大小/bit	200
簇头概率	0.1
最大运行轮次	2 500

图11 不同算法首个传感器节点死亡及所有节点均死亡的所在轮次

Fig. 11 Rounds where the first sensor node died and all nodes died for different algorithms

图12 不同算法的能耗曲线对比

Fig. 12 Comparison of energy consumption curves of different algorithms

参考文献 20

1	SRINIVAS M N， MADHUSUDANAN V， MURTY A V S N， et al. A review article on wireless sensor networks in view of e-epidemic models［J］. Wireless Personal Communications， 2021， 120（1）： 95-111.
2	LIU R， MO Y. Performance of a novel enhanced sparrow search algorithm for engineering design process： coverage optimization in wireless sensor network［J］. Processes， 2022， 10（9）： No.1691.
3	HE Q， LAN Z， ZHANG D， et al. Improved marine predator algorithm for wireless sensor network coverage optimization problem［J］. Sustainability， 2022， 14（16）： No.9944.
4	WANG J， JU C， GAO Y， et al. A PSO based energy efficient coverage control algorithm for wireless sensor networks［J］. Computers， Materials and Continua， 2018， 56（3）：433-446.
5	TUBA E， TUBA M， BEKO M. Mobile wireless sensor networks coverage maximization by firefly algorithm［C］// Proceedings of the 27th International Conference on Radioelektronika. Piscataway： IEEE， 2017：1-5.
6	MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69：46-61.
7	罗鑫. 基于改进粒子群算法的红外WSN覆盖研究［J］. 激光与红外， 2023， 53（2）：289-295.
	LUO X. Research on infrared WSN coverage based on improved particle swarm algorithm［J］. Laser and Infrared， 2023， 53（2）：289-295.
8	MIAO Z， YUAN X， ZHOU F， et al. Grey wolf optimizer with an enhanced hierarchy and its application to the wireless sensor network coverage optimization problem［J］. Applied Soft Computing， 2020， 96： No.10662.
9	ZHU F， WANG W. A coverage optimization method for WSNs based on the improved weed algorithm［J］. Sensors， 2021， 21（17）： No.5869.
10	范星泽，禹梅. 改进灰狼算法的无线传感器网络覆盖优化［J］. 计算机科学， 2022， 49（6A）：628-631.
	FAN X Z， YU M. Coverage optimization of WSN based on improved grey wolf optimizer［J］. Computer Science， 2022， 49（6A）：628-631.
11	NARUEI I， KEYNIA F， SABBAGH MOLAHOSSEINI A. Hunter-prey optimization： algorithm and applications［J］. Soft Computing， 2022， 26（3）：1279-1314.
12	高雨虹，曲昭伟，宋现敏. 基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测［J］. 交通运输系统工程与信息， 2023， 23（1）：198-206， 264.
	GAO Y H， QU Z W， SONG X M. Car operation rate prediction based on combination model of hunter-prey optimizer algorithm and bi-directional long short-term memory neural network［J］. Journal of Transportation Systems Engineering and Information Technology， 2023， 23（1）：198-206， 264.
13	鲁英达，张菁. 基于改进猎人猎物算法的VMD-KELM短期负荷预测［J］. 电气工程学报， 2023， 18（4）：228-238.
	LU Y D， ZHANG J. VMD-KEM short-term load prediction based on improved hunter prey optimizer［J］. Journal of Electrical Engineering， 2023， 18（4）：228-238.
14	STORN R， PRICE K. Differential evolution： a simple and efficient heuristic for global optimization over continuous spaces［J］. Journal of Global Optimization， 1997， 11：341-359.
15	LIANG J， TIAN M， LIU Y， et al. Coverage optimization of soil moisture wireless sensor networks based on adaptive Cauchy variant butterfly optimization algorithm［J］. Scientific Reports， 2022， 12（4）： No.11867.
16	LIU X， TIAN M， ZHOU J， et al. An efficient coverage method for SEMWSNs based on adaptive chaotic Gaussian variant snake optimization algorithm［J］. Mathematical Biosciences and Engineering， 2023， 20（2）：3191-3215.
17	许杰，汤显峰. 融合莱维飞行与混合变异的蝠鲼觅食优化传感器节点覆盖策略［J］. 传感技术学报， 2023， 36（4）：635-645.
	XU J， TANG X F. Sensor nodes coverage strategy based on improved manta ray foraging optimization with Levy flight and hybrid mutation［J］. Chinese Journal of Sensors and Actuators， 2023， 36（4）：635-645.
18	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.
	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.
19	CHEN W， YANG P， ZHAO W， et al. Improved ant lion optimizer for coverage optimization in wireless sensor networks［J］. Wireless Communications and Mobile Computing， 2022， 2022： No.8808575.
20	吴亮，赵晴峰，汤显峰. 基于动态分级蝴蝶优化算法的WSN节点覆盖优化［J］. 传感技术学报， 2022， 35（5）：650-659.
	WU L， ZHAO Q F， TANG X F. Nodes coverage optimization of wireless sensor network based on dynamic leveling butterfly optimization algorithm［J］. Chinese Journal of Sensors and Actuators， 2022， 35（5）：650-659.

[1]	冷强奎, 孙薛梓, 孟祥福. 基于样本势和噪声进化的不平衡数据过采样方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2466-2475.
[2]	魏凤凤, 陈伟能. 分布式数据驱动的多约束进化优化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1393-1400.
[3]	黄亚伟, 钱雪忠, 宋威. 基于双档案种群大小自适应方法的改进差分进化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3844-3853.
[4]	王波, 王浩, 杜晓昕, 郑晓东, 周薇. 基于亚群和差分进化的混合蜻蜓算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2868-2876.
[5]	林剑, 叶璟轩, 刘雯雯, 邵晓雯. 求解带容量约束车辆路径问题的多模态差分进化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2248-2254.
[6]	高乾顺, 范纯龙, 李炎达, 滕一平. 基于差分进化的神经网络通用扰动生成方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3436-3442.
[7]	徐小平, 唐阳丽, 王峰. 求解旅行商问题的人工协同搜索算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1837-1843.
[8]	聂青青, 万定生, 朱跃龙, 李致家, 姚成. 基于时域卷积网络的水文模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1756-1761.
[9]	代荣荣, 李宏慧, 付学良. 基于差分进化融合蚁群算法的数据中心流量调度机制[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3863-3869.
[10]	张祥飞, 鲁宇明, 张平生. 基于协同进化的约束多目标优化算法[J]. 计算机应用, 2021, 41(7): 2012-2018.
[11]	蔡瑞光, 张德生, 肖燕婷. 参数独立的加权局部均值伪近邻分类算法[J]. 计算机应用, 2021, 41(6): 1694-1700.
[12]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[13]	邵志胜, 张国富, 苏兆品, 李磊. 基于软件体系结构和广义差分进化的测试资源动态分配算法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3692-3701.
[14]	薛锋, 史旭华, 史非凡. 基于代理模型的差分进化约束优化[J]. 计算机应用, 2020, 40(4): 1091-1096.
[15]	赵志学, 李夏苗, 周鲜成. 考虑拥堵区域的多车型绿色车辆路径问题优化[J]. 计算机应用, 2020, 40(3): 883-890.

改进猎人猎物优化算法在WSN覆盖中的应用

Application of improved hunter-prey optimization algorithm in WSN coverage

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 20

相关文章 15

编辑推荐

Metrics