由于无线传感器网络的覆盖属于组合优化的类别来提高节点的数量有限的情况下其覆盖，人造蜂群算法引入的和改进的。过注入的整体最佳个别反馈来改善收敛速度和提高蜂检测的更新方法，突变法维高斯用于利用粒子的先验知识，使它可以保证足够的生命力并改善整体算法。究能力。模拟实验中所提出的算法的40nœuds.Le覆盖的条件下进行已达到87.2％，比改进算法的更高1.6％和3.87％蛙跳和标准的人工蜂群算法。线传感器网络;人工蜂群;整体最优;一维高斯变异;概率测量模型;覆盖优化中图分类号：TN711？ 34; TP393.04文献标识码：文章编号：1004？是？ 373X（2018）03 0014 – 05Résumé：属于组合优化类的无线传感器网络的覆盖范围时，蚁群算法人工蜜蜂被引入并显影，以改善在条件覆盖率节点数量有限。敛速度和更新调查方法：突变方法粒子的一维高斯和先验知识被充分利用，从而使活性粒子，提高算法的整体搜索能力。
算法40节用的实验经验执行时，该实验结果表明，改进算法的覆盖可以达到87.2％，和分别是高达1.6％和3.87％与改进的算法相比。合蛙跳算法和标准人工蜂群算法。键词：无线传感器网络;人工蜂群;整体优化;高斯变异？维;概率测量模型;覆盖优化引言无线传感器网络[1]包括一组的网络已被广泛用于在物联网，智能运输领域的低消耗和方便的优点，定位目标和环境检测[2？ 3]。而，由于传感器节点在网络的数量增加时，冗余节点的问题日益成为important.Comment使投资成本低和有效利用成为热门话题，并且增加网络的覆盖区域正成为无线传感器网络应用中的关键问题。于传统算法中节点覆盖率低[4？ 5]，技术层面的整体优化仍然不足。线传感器网络的结构非常相似的群体智能算法，许多专家使用智能算法来优化无线传感器网络启动特性。[6]中，最优化改进粒子群算法适用于自组织无线传感器网络，其有效地改善了文献nœuds.La覆盖[7]建立基于节点位置信息的部署模型，提出了一种改进的混合蛙跳。
法;文献[8]使用遗传算法来优化无线传感器网络的覆盖范围;文献[9]使用Firefly算法来优化网络覆盖。而，应用于无线传感器网络的覆盖问题，这些群体智能算法也存在一些缺点和其优化的结果不是很理想。工蜂群算法[10-11]具有整体良好并证明优于在许多领域的其他算法。无线传感器网络部署节点的结构特点相结合被认为是蜂群的过程中找到miel.L’algorithme的最优源改善人工蜂群被施加到优化无线传感器网络覆盖，并与其他算法相比，提出了经验。过该算法获得的效果得到显着改善。工蜂群算法和改进方法的人工蜂群算法描述了一种基于蜜蜂在活动中发挥作用的三种蜜蜂，蜜蜂和蜜蜂的球探。
蜂不在normales.Lorsque蜂方面存在的检测已完成收获的蜂蜜，它被自动转换为一个检测蜂[12？ 13。究的阶段是：第一，蜂，以选择距离最近的蜂蜜和蜜蜂通过信息看到一个蜂源，选择蜂蜜的在更好的来源过程，最后蜜蜂放弃了蜂蜜的来源，并将其随机转化为检测蜜蜂。找新的蜂蜜来源。虑到每个蜂蜜源的位置作为解决方案，上述过程是优化问题。设蜂蜜源的位置由总数和蜂蜜的第一源表达是通过其受益值来表示。察到蜂蜜选择源是如下的概率：观察蜂平衡蜂蜜的周边源之后，选择[14]蜂蜜的更好的来源和位置的更新式蜂蜜来源是：其中：[0，1]之间的随机数。果是这种情况，观察蜜蜂将更新位置，否则不会改变。周期数增加时，次数增加1时的循环次数达到限制阈值时，蜂蜜的源极被拒绝，并转换成检测蜂。生的式位置如下：算法改善了蜂群算法蜜蜂人工菌落，适应一定次数后。该值仍然没有得到改善，所述蜂变成侦察蜂然后随机地生成蜜位置而不是原始位置的新来源。机搜索侦察蜂的目的是为了确保蜜蜂是可行的，当所有的蜜蜂都集中在蜂蜜的来源时，该算法的状态收敛。而，由于战略放弃蜂蜜的原始来源的所有信息，该算法收敛速度慢的蜜蜂，以保证足够的活力，充分发挥知识，研究战略的转移是一维高斯用于计算公式如下：在人工蜂群算法使用选择蜂蜜用于更新的源的位置的概率。此它具有全局搜索的能力，因此粒子呈现出强烈的随机特征。
使增加利润值判断，收敛速度也不会显着提高。此，蜂蜜源的最佳位置被添加到更新公式中，这使得性能更加平衡。改进的更新算法的位置的表达式如下：图1示出了在改进人工蜂群算法的步骤。络覆盖的无线传感器的优化问题可以描述如下网络覆盖的优化问题：组织多个节点可以检测和在已知尺寸的区域进行通信，以一定的措施同时确保节点之间的连接。署节点并尽可能少地使用节点以最大化网络覆盖范围。络覆盖是最重要的参数之一。用的节点测量包括两种二进制测量和概率测量模型[15]。
为第一有其自身的局限性，很容易达到测量精度低，这就是为什么无线传感器网络的覆盖问题是通过测量概率模型研究。推测，存在在测量范围内的节点和该节点是由节点表示，具有相同属性和相同的参数，和所述通信范围内的每个节点是用于解决检测范围假设节点处于该位置，二维空间中的问题。该范围中的任何点的坐标如下：如下相对检测的概率，因此可以表示为：其中：是由传感器节点测量的可靠性参数，并且对应于所述传感器的欧几里德距离;满足与传感器节点的属性和输入参数相关联的参数。有的测量范围的节点的表示：检测从位于测量范围中的接合点传感器节点获得的概率可以如下计算。测阈值在本文中被定义0.8，也就是说，当联合检测的概率小于0.8时，点可以被认为是没有被检测到，否则点可以被认为是检测到。定检测区是一个普通的矩形，以便计算所述无线传感器网络的覆盖范围，小面积相等的矩形时在检测区分开，那么小矩形被视为在一个点使用式（8），用于计算检测的所有点的概率，并在同一时间，计算被计算出来。检测点的数目，是覆盖和覆盖率两者的产物可以被表示为：实验结果及分析为了验证在人工蜂群改进算法的效果无线传感器的网络覆盖，使用Matlab软件进行仿真实验。
所提出的算法的有效性相对于被示出为标准粒子群算法，标准算法的人工蜂群的优化和改进的越级算法[7 ]。同的节点号的比较实验，在50μm见方的方形区域中进行，40个节点随机部署，检测范围为5μm，恒温阀芯10μm的通信半径和相对参数由检测节点测量的可靠性传感器传感器节点属性。与比较算法迭代的数目为500个粒子的个数为50。这些中，人工蜂群算法的标准算法和改进的人工蜂群有相同的参数，蜂蜜收集时间的最大数目是50，改进的越级算法的迭代次数为5，粒子群算法的参数被线性地减少从0.5到0.2。了验证该算法的优越性，我们比较粒子群的标准优化（PSO），改进的算法越级（GSFLA）和人工蜂群的标准算法（ ABCA）（见表1）。1中的结果表明，利用该算法改进人工蜂群无线传感器网络的覆盖范围是87.2％，这比算法改进saute-更1.6％绵羊和3.87相比，标准的人工蜂群算法。％，网络覆盖率得到显着提升。视觉上观察确实覆盖范围，实验结果上述被去除，并且视觉效果覆盖40个初始节点，改进的算法越级人工蜂群的标准算法改进人工蜂群算法示于图2至图6，可以看出上述的不同的算法覆盖地图，节点的初始覆盖智能优化后，大的现象白色消失，节点的分布趋向于平衡和算法优化效果提高人工蜂群是最好的。同的节点号的经验，以验证在传感器网络覆盖人工蜂群的改进算法的效果，而不fil.Les配置设置保持不变从标准人工蜂群并且改进了不同节点数的蛙跳算法。
果示于表2中。2示出了改进的人工蜂群的算法可以比其它算法更有效地改善了无线传感器网络的覆盖范围，无论数量的使用的节点数或节点数。了方便的算法的覆盖范围的优化效果节点改变期间的差的比较，节点的数量和覆盖范围之间的关系被表示为曲线图，如图图。7.这可见于节点和覆盖范围的数量之间的关系：作为无线传感器节点的数目增加，网络覆盖已显著改善。点的利用率反映在曲线的斜率上。着无线传感器的数量增加节点，趋势有所减弱，但是改进的人工蜂群算法的下降速度比标准人工蜂群，这表明较低的人工蜂得到改善。算法的整体研究能力更强，使用节点的相同条件下更好的网络覆盖更好。之，在与无线传感器网络的结构特点的组合，改进的人工蜂群的算法被引入并且整体最佳个别反馈被添加到该提高收敛速度的更新策略该算法通过一维高斯变异更新方法确保粒子的活力。时，它提供了良好的整体搜索能力。较实验在40节进行，结果表明使用该算法，网络覆盖范围提高人工蜂群比其他算法更高，恒温阀芯或大于所述改进算法更和1.6％ 3.87以上的标准人工蜂群算法。％，而且可以规范节点的不同节点的试验分布，提高人工蜂群算法仍能保持良好的全局搜索能力和强大，并提供更好的利用和更好的覆盖打结作为其他算法。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com