文章目錄

• 一、理論基礎
• • 1、節點覆蓋模型
  • 2、共生生物搜索算法(SOS)
  • • （1）種群初始化
    • （2）互利共生
    • （3）偏利共生
    • （4）寄生
• 二、仿真實驗與分析
• • 1、函數測試與數值分析
  • 2、SOS優化WSN覆蓋
• 三、參考文獻

一、理論基礎

1、節點覆蓋模型

本文采取0/1覆蓋模型，具體描述請參考這里。

2、共生生物搜索算法(SOS)

共生生物搜索(Symbiotic Organisms Search, SOS)算法模仿生物行為，最終形成“互利共生”、“偏利共生”和“寄生”3個進化階段,引導個體逐漸進化。SOS算法的關鍵操作具體如下：

（1）種群初始化

假設種群數目為$N$，個體的搜索范圍上限和下限分別為$U$和$L$，按下式隨機生成$N$個初始個體$X_i$：$$X_i=L+\text{rand}(1,D)\times (U?L)\text{\hspace{1em}(1)}$$其中，$X_i$表示種群中第$i$($i=1,2,?,N$)個生物個體，$\text{rand}$表示$[0,1]$之間的隨機數，$D$表示所優化問題的維數。

（2）互利共生

對于種群中的每個個體$X_i$，隨機選擇一個其他個體$X_j(i,j\in \{1,2,?,N\},j=i)$與其自身按照下式進行互利共生，生成2個新的個體：$$\{\begin{array}{l}{X}_{i\text{new}}=X_i+\text{rand}(0,1)\times (X_{\text{best}}?\text{MV}\times {\text{BF}}_1)\\ X_{j\text{new}}=X_j+\text{rand}(0,1)\times (X_{\text{best}}?\text{MV}\times {\text{BF}}_2)\end{array}\text{\hspace{1em}(2)}$$其中，$\text{rand}(0,1)$為$[0,1]$之間的隨機數；$X_{\text{best}}$為當前迭代次數下的最優個體；$\text{MV}=(X_i+X_j)/2$為“互利向量”，代表生物體之間的關系特征；${\text{BF}}_1$、${\text{BF}}_2$為獲益因子，隨機選擇1或2。
經式(2)產生新的個體$X_{i_{\text{new}}}$和$X_{j_{\text{new}}}$，通過與$X_i$和$X_j$進行適應度值的比較，最終保留$X_{i_{\text{new}}}$與$X_i$、$X_{j_{\text{new}}}$與$X_j$中的較優個體，替換$X_i$和$X_j$。

（3）偏利共生

種群中的個體$X_i$按照下式進行“偏利共生”策略：$$X_{i\text{new}}=X_i+\text{rand}(?1,1)\times (X_{\text{best}}?X_j)\text{\hspace{1em}(3)}$$其中，$X_j$為種群中與$X_i$不同的個體，即$i,j\in \{1,2,?,N\},j=i$；$X_{\text{best}}$為當前種群中的最優個體；$\text{rand}(?1,1)$為$[?1,1]$之間的隨機數。通過式(3)新產生的個體$X_{i\text{new}}$經適應度值比較之后決定是否要替換$X_i$。
由偏利共生的策略可見：與“互利共生”階段類似，每個個體都從種群中隨機選擇一個其他個體與其自身相互作用；與之不同的是，二者相互作用僅使$X_i$受益，對于$X_j$自身的發展既無利益也無損害。

（4）寄生

在定義域內產生一個或者多個隨機數(不多于基因位位數)，修改個體$X_i$相應的基因位，形成新個體$\text{Parasite\_Vector}$(簡稱P_V)，與隨機選擇的個體$X_j(i,j\in 1,2,???,N,j=i)$(稱為“宿主”)進行適應度值比較。若P_V的適應度值更優，則“宿主”$X_j$將被P_V取代，否則$X_j$將被視為免疫個體被保留。

二、仿真實驗與分析

1、函數測試與數值分析

將SOS與FPA、WOA、MFO、SCA、GWO進行對比，以文獻[1]中的F1、F2、F16、F17、F25、F26為例，種群規模設置為30，最大迭代次數設置為500，每個算法獨立運算30次。結果顯示如下：

函數：F1 FPA：最差值: 9.5109e-12,最優值:1.1937e-18,平均值:1.2781e-12,標準差:2.4481e-12 WOA：最差值: 0.76207,最優值:2.3163e-13,平均值:0.076207,標準差:0.23253 MFO：最差值: 1.6904e-08,最優值:0,平均值:5.6347e-10,標準差:3.0863e-09 SCA：最差值: 0.0029332,最優值:1.1219e-05,平均值:0.00034985,標準差:0.0005416 GWO：最差值: 0.76207,最優值:3.8961e-09,平均值:0.025402,標準差:0.13913 SOS：最差值: 0,最優值:0,平均值:0,標準差:0 函數：F2 FPA：最差值: -1,最優值:-1,平均值:-1,標準差:4.0834e-09 WOA：最差值: -1,最優值:-1,平均值:-1,標準差:6.8516e-07 MFO：最差值: -1,最優值:-1,平均值:-1,標準差:0 SCA：最差值: -0.99207,最優值:-0.99989,平均值:-0.9979,標準差:0.0020357 GWO：最差值: -1,最優值:-1,平均值:-1,標準差:8.2047e-07 SOS：最差值: -1,最優值:-1,平均值:-1,標準差:0 函數：F16 FPA：最差值: 0.4289,最優值:0.087323,平均值:0.20346,標準差:0.075546 WOA：最差值: 0.15936,最優值:0.024134,平均值:0.061615,標準差:0.037101 MFO：最差值: 42.6906,最優值:0.001229,平均值:7.4352,標準差:13.1045 SCA：最差值: 6.976,最優值:3.7828,平均值:4.8192,標準差:0.61568 GWO：最差值: 1.2637,最優值:6.5089e-05,平均值:0.62033,標準差:0.30985 SOS：最差值: 5.5871e-23,最優值:1.1133e-26,平均值:6.7267e-24,標準差:1.3362e-23 函數：F17 FPA：最差值: 130.5562,最優值:37.1901,平均值:68.9236,標準差:24.3054 WOA：最差值: 5.9377e-70,最優值:2.1857e-89,平均值:1.9822e-71,標準差:1.084e-70 MFO：最差值: 10001.9982,最優值:0.66141,平均值:2006.8331,標準差:4065.0722 SCA：最差值: 68.3455,最優值:0.0017531,平均值:10.2897,標準差:17.2873 GWO：最差值: 1.278e-26,最優值:3.4061e-29,平均值:2.0882e-27,標準差:3.1648e-27 SOS：最差值: 1.0245e-133,最優值:5.2837e-139,平均值:4.0699e-135,標準差:1.8616e-134 函數：F25 FPA：最差值: 2.3744,最優值:1.3128,平均值:1.6881,標準差:0.24307 WOA：最差值: 0,最優值:0,平均值:0,標準差:0 MFO：最差值: 90.8951,最優值:0.3891,平均值:16.0292,標準差:33.9355 SCA：最差值: 1.473,最優值:0.17989,平均值:0.91643,標準差:0.34017 GWO：最差值: 0.042361,最優值:0,平均值:0.0051044,標準差:0.009838 SOS：最差值: 0,最優值:0,平均值:0,標準差:0 函數：F26 FPA：最差值: 16.5721,最優值:6.0727,平均值:10.7366,標準差:3.0996 WOA：最差值: 7.9936e-15,最優值:8.8818e-16,平均值:4.5593e-15,標準差:1.9755e-15 MFO：最差值: 19.9631,最優值:1.9986,平均值:15.8598,標準差:5.9102 SCA：最差值: 20.3871,最優值:0.022724,平均值:12.4272,標準差:9.5256 GWO：最差值: 1.4655e-13,最優值:7.5495e-14,平均值:1.0617e-13,標準差:2.2479e-14 SOS：最差值: 4.4409e-15,最優值:8.8818e-16,平均值:3.8488e-15,標準差:1.3467e-15

實驗結果表明，SOS算法精度更佳，收斂速度優勢明顯。

2、SOS優化WSN覆蓋

設監測區域為$50m\times 50m$的二維平面，傳感器節點個數$N=35$，其感知半徑是$R_s=5m$，通信半徑$R_c=10m$，迭代500次。初始部署、SOS優化覆蓋、SOS算法覆蓋率進化曲線如下圖所示。
初始部署和最終部署的節點位置及對應的覆蓋率分別為：

初始位置： 32.6545 32.446 41.2426 45.945 13.0846 49.5728 29.2021 43.8733 48.0295 3.955 47.3663 37.7734 1.3201 16.5851 19.2888 18.9047 12.7334 26.0067 22.0335 31.4901 23.0718 7.1101 47.1069 20.9824 37.1141 18.8479 9.1479 36.7856 14.2348 8.1498 13.6283 15.9827 41.5419 35.7073 40.6812 44.231 26.2897 40.0419 4.9575 40.1513 34.5246 27.7789 29.3381 33.8751 32.179 6.9931 9.0222 42.9654 17.4824 23.1989 4.3904 33.918 14.0562 35.1384 49.8881 42.8776 22.4286 23.2057 18.4397 44.4531 39.7413 45.4298 19 34.206 44.524 32.9813 6.6118 27.7741 43.4236 16.3376 初始覆蓋率：0.69512 最優位置： 15.7466 29.0815 10.9187 41.3071 47.0841 19.2871 35.9243 39.494 36.3785 25.5118 46.3233 4.6537 28.624 12.7572 35.1543 9.1547 20.18 19.4115 4.5097 2.912 4.2651 46.435 46.7193 27.6348 26.4977 4.1642 18.8016 45.9033 38.8681 32.5106 9.3462 31.4209 3.2417 36.6712 25.3966 48.3782 34.4429 47.0442 43.9273 13.483 45.667 45.6503 18.5576 36.9728 21.9133 28.5272 3.554 23.739 23.2557 13.3457 17.6117 1.143 37.6181 3.3859 29.5581 22.2684 10.7122 20.5166 16.3281 13.6298 37.6176 17.8293 6.3979 11.3552 46.7737 36.7952 29.6526 32.3906 26.8222 40.7059 最優覆蓋率：0.89773

實驗結果表明，SOS能夠有效提升傳感器節點的覆蓋率，使得節點分布更加均勻。

三、參考文獻

[1] Min-Yuan Cheng, Doddy Prayogo. Symbiotic Organisms Search: A new metaheuristic optimization algorithm[J]. Computers & Structures, 2014, 139: 98-112.
[2] 王艷嬌, 馬壯. 基于子種群拉伸操作的精英共生生物搜索算法[J]. 控制與決策, 2019, 34(7): 1355-1364.

總結

以上是生活随笔為你收集整理的基于共生生物搜索算法的无线传感器网络覆盖优化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。