面向WSN覆盖优化的增强型蜘蛛蜂优化器:自适应学习与双中点引导机制

《Biomimetics》:Biomimetic Coverage Optimization in WSNs via an Enhanced Spider-Wasp Optimizer with Adaptive Learning and Dual-Median-Point Guidance

【字体: 大 中 小 】 时间:2026年10月22日 来源:Biomimetics 4.2

编辑推荐:

  无线传感器网络(wireless sensor networks, WSNs)中的覆盖优化是一个非凸部署问题,基于群体的优化器在此类问题上常常过早收敛并丧失多样性。本文提出了增强型蜘蛛蜂优化器(Enhanced Spider-Wasp Optimizer, E

  
无线传感器网络(wireless sensor networks, WSNs)中的覆盖优化是一个非凸部署问题,基于群体的优化器在此类问题上常常过早收敛并丧失多样性。本文提出了增强型蜘蛛蜂优化器(Enhanced Spider-Wasp Optimizer, ESWO),它是蜘蛛蜂优化器(Spider-Wasp Optimizer, SWO)的扩展,概念上受蛛蜂科(Pompilidae)黄蜂的觅食和筑巢行为启发。ESWO整合了:(i)自适应学习策略(Adaptive Learning Strategy, ALS),利用个体间四种位置差距来维持多样性;(ii)双中点引导(Dual-Median-Point Guidance, DMPG)机制,将开发转向两个精英解的中点;(iii)具有巢穴重叠避免的位置更新规则。覆盖性能在离散化目标网格上评估,采用欧几里得二元圆盘感知模型和能量惩罚适应度。在四种场景(25–65个节点;50 × 50 至165 × 165 m2)中,将ESWO与包括SWO在内的七种算法进行了比较。它取得了81%、88%、92%和85%的覆盖率,在每个场景中都是最高的(在最小场景中与MGWO并列81%)。在100 × 100 m2场景中,ESWO在523次迭代后达到85%的覆盖率,而竞争对手需要601–698次,尽管最终收敛迭代次数并非一致最低。在15次运行中,ESWO获得了90.2%的平均覆盖率(标准差1.2),95%的成功率和最低的估算能量消耗(175.3 J)。
无线传感器网络(wireless sensor networks, WSNs)覆盖优化是部署中的关键问题,需在最大化覆盖与最小化能耗间权衡,但其高维、非凸、离散特性使传统优化方法(如线性规划、梯度下降)易陷入局部最优。元启发式算法虽有效,但常见早熟收敛和多样性丧失。基线蜘蛛蜂优化器(Spider-Wasp Optimizer, SWO)受蛛蜂科(Pompilidae)觅食行为启发,但应用于WSN覆盖时仍存在探索不足、后期多样性下降和局部精化欠佳等问题。为此,研究人员提出增强型蜘蛛蜂优化器(Enhanced Spider-Wasp Optimizer, ESWO),集成三项机制:自适应学习策略(Adaptive Learning Strategy, ALS)利用四种位置差距维持种群多样性;双中点引导(Dual-Median-Point Guidance, DMPG)以两个精英解的中点引导开发;巢穴重叠避免更新改善探索-开发平衡。研究在四种部署场景(25–65节点,面积50×50至165×165 m2)中与七种先进算法对比,ESWO在覆盖率、收敛速度、能耗和稳定性上均表现最优或接近最优,为WSN部署提供了实用优化工具。

关键技术方法:研究人员在MATLAB R2023b中仿真,设置四种规模场景:25节点/50×50 m2、40节点/90×90 m2、50节点/100×100 m2、65节点/165×165 m2。ESWO算法核心:ALS从排序后种群中抽取精英池和劣势池,计算最优-较优、最优-较差、较优-较差及随机两两个体间的L1范数距离,作为学习因子和体验因子,更新位置;DMPG从精英池为每个个体抽取两个不同精英,取其中点作为引导点,并以引导强度参数控制引导距离;同时加入巢穴重叠避免操作,随机选取三个不同体产生差分扰动。覆盖评估采用欧几里得二元圆盘感知模型(传感半径Rs),适应度函数包含覆盖率与能量约束惩罚。对比算法包括AGWO、ATSA、EAOA、EPSO、IHBA、MGWO和SWO,每种算法运行15次作统计分析。

研究结果如下:

- 4.1 Experimental Settings(实验设置):通过设定四种部署场景和统一评价指标(覆盖率、收敛速度、计算效率),为后续比较提供基准。
- 4.2 Coverage Performance and Convergence(覆盖性能与收敛):在四种场景中,ESWO覆盖率分别达到81%、88%、92%、85%,均高于或并列高于其他算法(最小场景与MGWO并列81%),证明其能有效提升覆盖质量。
- 4.3 Convergence Speed Analysis(收敛速度分析):在100×100 m2、50节点场景中,ESWO达到70%、75%、85%覆盖率所需迭代次数均为最少(85%需523次,其他算法601–698次),表明ALS和DMPG能加快收敛至高质量解。
- 4.4 Coverage Error Rate and Deployment Visualization(覆盖率误差与部署可视化):通过盒须图和柱状图比较,ESWO在四个部署区域中覆盖率误差最低,在大规模场景优势更明显,体现其探索-开发平衡能力。
- 4.5 Robustness Under Varying Sensing Radii(不同传感半径下的鲁棒性):在100×100 m2、50节点场景中,改变传感半径后ESWO仍保持稳定覆盖率,节点分布更均匀、重叠更少,证明其对感知范围变化不敏感。
- 4.6 Obstacle Adaptability(障碍适应性):在障碍物占比10%、20%、30%的环境中,ESWO覆盖率始终最高(30%障碍时仍达71.8%),显示其对复杂地形的适应能力。
- 4.7 Energy Efficiency and Network Lifetime(能量效率与网络寿命):ESWO平均节点移动距离最短(18.7 m),估算能耗最低(175.3 J),且计算时间在大规模部署中更少,表明其能降低部署能耗。
- 4.8 Statistical Reliability(统计可靠性):15次独立运行中,ESWO平均覆盖率90.2%,标准差1.2,成功率95%,说明算法性能稳定可靠。
- 4.9 Effectiveness of the Algorithmic Enhancements(算法增强的有效性):通过消融比较(SWO+ALS、SWO+DMPG、SWO+NOA、完整ESWO),完整ESWO在165×165 m2场景中覆盖率和收敛性最佳,验证了三项机制协同作用。
- 4.10 Biomimetic Validity, Limitations, and Future Directions(仿生有效性、局限与未来方向):讨论指出ESWO的仿生映射是概念性解释;局限性包括仅静态离线场景、简化能量模型、二维部署、非Pareto多目标、未在硬件验证。未来将融入GIS、真实传播模型、动态适应和大规模扩展。

讨论部分总结:ESWO的机制与Pompilidae行为对应——ALS模拟猎物搜索阶段的广泛探索,DMPG模拟筑巢时对高质量参考点的偏好,但明确这是类比而非实证。研究结论翻译如下:本文提出了用于WSN覆盖优化的增强型蜘蛛蜂优化器(ESWO)。ESWO通过基于四种位置差距的自适应学习策略、基于两个精英解中点的双中点引导机制以及巢穴重叠避免更新扩展了SWO;与Pompilidae觅食和筑巢行为的联系是概念性解释,而非生物学验证。在四个模拟场景中,ESWO在八种算法中取得了最高覆盖率(在50×50 m2场景中与MGWO并列),并在100×100 m2场景中以最少迭代次数达到70%、75%和85%的阈值,尽管其最终收敛迭代次数并非一致最低。它还在10%–30%障碍区域保持最高覆盖率,并具有最低的估计能耗。因此,当覆盖率是主要目标且能量是约束时,ESWO可能是WSN部署规划的实用选择。研究结果仅限于静态、二维模拟和简化能量模型,且未进行组件消融,因此ALS、DMPG和巢穴重叠避免的各自贡献未被分离。未来工作将增加消融研究、动态和地形感知部署、真实传播模型、多目标公式化以及在物理传感器硬件上的测试。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号