遺伝的アルゴリズムと強化されたクジラアルゴリズムに基づくワイヤレスセンサーネットワークのカバレッジの最適化方法

ワイヤレスセンサーネットワーク（WSN）でのノードのランダムな展開、GARWOAと呼ばれるWSNカバレッジ最適化方法によって引き起こされるカバレッジの冗長性とカバレッジホールの問題に応じて、遺伝的アルゴリズム（GA）と強化されたクジラ最適化アルゴリム（RWOA）グローバル検索とローカル開発パフォーマンスのバランスを取る。まず、母集団は正弦マップと区分的線形カオスマップ（SPM）を使用して初期化され、検索スペースでより均等に分配されます。第二に、アルゴリズムの探索と開発の効率を高めるために、クジラ最適化アルゴリズム（WOA）の線形制御係数「A」に対して非線形改善が行われます。最後に、アルゴリズムの局所的なオプティマと早期収束現象に陥る傾向を改善するために、徴収飛行メカニズムが導入されます。シミュレーション実験は、10の標準テスト関数の中で、Garwoaが最適化能力を向上させる他のアルゴリズムを上回ることを示しています。3回のカバレッジ実験では、Garwoaのカバレッジ比は95.73、98.15、および99.34％であり、これはそれぞれ3.27、2.32、および0.87％であり、それぞれMutant Grey Wolf Optimizer（MUGWO）です。

In response to the problem of coverage redundancy and coverage holes caused by the random deployment of nodes in wireless sensor networks (WSN), a WSN coverage optimization method called GARWOA is proposed, which combines the genetic algorithm (GA) and reinforced whale optimization algorithm (RWOA) to balance global search and local development performance. First, the population is initialized using sine map and piecewise linear chaotic map (SPM) to distribute it more evenly in the search space. Secondly, a non-linear improvement is made to the linear control factor 'a' in the whale optimization algorithm (WOA) to enhance the efficiency of algorithm exploration and development. Finally, a Levy flight mechanism is introduced to improve the algorithm's tendency to fall into local optima and premature convergence phenomena. Simulation experiments indicate that among the 10 standard test functions, GARWOA outperforms other algorithms with better optimization ability. In three coverage experiments, the coverage ratio of GARWOA is 95.73, 98.15, and 99.34%, which is 3.27, 2.32 and 0.87% higher than mutant grey wolf optimizer (MuGWO), respectively.