一种无线传感器节点部署方法、存储介质及计算设备

摘要

本发明公开了一种无线传感器节点部署方法、存储介质及计算设备，采用佳点集对萤火虫在目标监测区间进行种群初始化，使萤火虫个体均匀的分布在目标区域中，增强萤火虫个体的解空间遍历性；再引入变形sigmoid函数曲线拥有非线性指数递减特点来改进的萤火虫算法，使得在目标区域寻找新的高亮度个体的能力和在当前最优解附近寻找新的高亮度个体能力之间保持平衡；最后通过高斯分布进行微小扰动，克服萤火虫算法迭代后期个体逐渐向适应度值较好的个体靠拢所导致的陷入早熟的陷阱。

权利要求

1.一种无线传感器节点部署方法，其特征在于，包括以下步骤：S1、设置光吸收系数、最大吸引力、步长因子，种群规模，迭代次数和维度参数；

S2、根据步骤S1设定的参数，采用佳点集方法对目标监测区间的种群进行初始化，得到每个萤火虫的位置信息及对应的适应度值，计算佳点集具体为：S201、设VD是D维Euclidean空间内的单位立方体，即x∈VD，0≤xi≤1，i＝1,2,…,D；

S202、若r∈VD，形为 偏差φ(n)满足φ(n)

‑1+ε

≤V(r,ε)n ，称Pn(i)为佳点集，r为佳点，V(r,ε)是仅与r和ε相关的正常数，ε是任意小的正数；

S203、用分圆域法求佳点集r，取r＝2cos(2kπ/t)，1≤k≤D，t是满足的最小素数，或取rk＝e，1≤k≤D，r均为佳点；

S3、利用变形sigmoid函数曲线作为惯性权重和变步长策略，对步骤S2每个萤火虫的位置信息及对应的适应度值进行优化，实现对萤火虫个体从t时刻到t+1时刻位置信息及对应的适应度值的迭代更新，确定种群中当前全局最优值和当前局部极值，t+1时刻萤火虫i的位置信息Xi(t+1)具体如下：Xi(t+1)＝w(t)Xi(t)+βij(rij)(Xi(t)‑Xj(t))+α(t+1)(rand‑0.5)其中，t为当前迭代次数，w(t)是权重系数，w(t)∈[0,1]；α(t+1)是可变步长，rand为[0,1]上服从均匀分布的随机数，βij为是两个萤火虫之间的吸引力，rij为两个萤火虫之间的Euclidean距离；

S4、根据步骤S3确定的种群当前全局最优值和当前局部极值，使用改进后的惯性权重更新公式和改进后的步长更新公式分别更新惯性权重和步长因子来更新每个萤火虫位置，利用惯性权重更新公式和步长更新公式分别更新惯性权重和步长因子，具体为：α(t+1)＝max(αmin,min(A(t),αmax))其中，t为当前迭代次数；Tmax是最大迭代次数；w(t)是权重系数，w(t)∈[0,1]；α(t+1)是可变步长，fgbest是当前个体全局最优解的适应值，fpbest当前个体当前最优解的适应度值，αmax、αmin分别是步长的上限和下限；

S5、根据步骤S3确定的种群中当前全局最优值和当前局部极值，对步骤S4更新后的萤火虫个体适应度值进行高斯扰动，对比更新前后个体位置的适应度值，保留个体位置适应度值大于设定阈值的个体位置，确定更新至最优覆盖率时的最大迭代次数，高斯扰动后的t+1位置Gbest 计算如下：

其中， 为当前最优位置，f为当前位置的适应度值；

扰动后的位置Gbestnew为：

2

Gbestnew＝Gbest×(1+Gaussian(μ,σ))2

其中，Gbest为当前最优位置，μ为均值，σ为方差；

S6、如果当前迭代次数大于步骤S5得到的最大迭代次数，结束并输出最优覆盖率和传感器节点位置图，完成无线传感器节点部属。

2.根据权利要求1所述的无线传感器节点部署方法，其特征在于，步骤S6中，如果当前迭代次数小于等于最大迭代次数，返回步骤S3。

3.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1或2所述的方法中的任一方法。

4.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1或2所述的方法中的任一方法的指令。

说明书

一种无线传感器节点部署方法、存储介质及计算设备

技术领域

[0001] 本发明属于无线传感网络技术领域，具体涉及一种基于佳点集自适应优化萤火虫算法的无线传感器节点部署方法、存储介质及计算设备。

背景技术

[0002] 无线传感网络(WSNs)是由多个传感器节点组成，通过无线通信的方式以自组织形式组成的多跳无线网络。网络中的每个节点具有感知通信、计算储存数据、处理传输数据的能力，而无线传感网络因具有部署灵活、可靠性高等优势被广泛的应用到军工农林，航天航空，结构健康监测等领域。传感器节点目标区域覆盖率是衡量WSN服务质量的指标之一，为了给WSN覆盖优化问题提供了新的思路，群智能算法被应用于该领域提升WSNs的综合性能。

[0003] 现有方法存在在演化后期存在盲目搜索现象，后期精细局部搜索难以跳出局部最优，以及未实现目标区域的百分百覆盖的问题。虽然在WSN节点部署上行之有效，但为了满足实际应用的需求，WSN的覆盖率仍需提高。

[0004] 于是，将目光转移到佳点集和自适应惯性权重策略优化标准萤火虫算法(GPSAFA)，并基于该算法对目标监测区域确定传感器节点位置使得网络覆盖率达到最大，覆盖冗余和覆盖漏洞达到最小，搜索速度和精度都有所提高。

发明内容

[0005] 本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于佳点集自适应优化萤火虫算法的无线传感器节点部署方法、存储介质及计算设备，解决现有的无线传感器网络中覆盖空洞和覆盖冗余缺乏行之有效方法等问题。

[0006] 本发明采用以下技术方案：

[0007] 一种无线传感器节点部署方法，包括以下步骤：

[0008] S1、设置光吸收系数、最大吸引力、步长因子，种群规模，迭代次数和维度参数；

[0009] S2、根据步骤S1设定的参数，采用佳点集方法对目标监测区间的种群进行初始化，得到每个萤火虫的位置信息及对应的适应度值；

[0010] S3、利用变形sigmoid函数曲线作为惯性权重和变步长策略，对步骤S2每个萤火虫的位置信息及对应的适应度值进行优化，实现对萤火虫个体从t时刻到t+1时刻位置信息及对应的适应度值的迭代更新，确定种群中当前全局最优值和当前局部极值；

[0011] S4、根据步骤S3确定的种群当前全局最优值和当前局部极值，使用改进后的惯性权重更新公式和改进后的步长更新公式分别更新惯性权重和步长因子来更新每个萤火虫位置；

[0012] S5、根据步骤S3确定的种群中当前全局最优值和当前局部极值，对步骤S4更新后的萤火虫个体适应度值进行高斯扰动，对比更新前后个体位置的适应度值，保留个体位置适应度值大于设定阈值的个体位置，确定更新至最优覆盖率时的最大迭代次数；

[0013] S6、如果当前迭代次数大于步骤S5得到的最大迭代次数，结束并输出最优覆盖率和传感器节点位置图，完成无线传感器节点部属。

[0014] 具体的，步骤S2中，计算佳点集具体为：

[0015] S201、设VD是D维Euclidean空间内的单位立方体，即x∈VD，x∈(x1,x2,…xD)，0≤xi≤1，i＝1,2,…,D；

[0016] S202、若r∈VD，形为 偏差φ(n)满足‑1+ε
φ(n)≤V(r,ε)n ，称Pn(i)为佳点集，r为佳点，V(r,ε)是仅与r和ε相关的正常数，ε是任意小的正数；

[0017] S203、用分圆域法求佳点集r，取r＝2cos(2kπ/t)，1≤k≤D，t是满足的最小素数，k或取r＝e，1≤k≤D，r均为佳点。

[0018] 具体的，步骤S3中，t+1时刻萤火虫i的位置信息Xi(t+1)具体如下：

[0019] Xi(t+1)＝w(t)Xi(t)+βij(rij)(Xi(t)‑Xj(t))+α(t+1)(rand‑0.5)[0020] 其中，t为当前迭代次数，w(t)是权重系数，w(t)∈[0,1]；α(t+1)是可变步长，rand为[0,1]上服从均匀分布的随机数，βij为是两个萤火虫之间的吸引力，rij为两个萤火虫之间的Euclidean距离。

[0021] 具体的，步骤S4中，利用惯性权重更新公式和步长更新公式分别更新惯性权重和步长因子，具体为：

[0022]

[0023] α(t+1)＝max(αmin,min(A(t),αmax))

[0024]

[0025] 其中，t为当前迭代次数；Tmax是最大迭代次数；w(t)是权重系数，w(t)∈[0,1]；α(t+1)是可变步长，fgbest是当前个体全局最优解的适应值，fpbest当前个体当前最优解的适应度值，αmax、αmin分别是步长的上限和下限。

[0026] 具体的，步骤S5中，高斯扰动后的位置Gbestt+1计算如下：

[0027]

[0028] 其中， 为当前最优位置，f为当前位置的适应度值。

[0029] 进一步的，扰动后的位置Gbestnew为：

[0030] Gbestnew＝Gbest×(1+Gaussian(μ,σ2))

[0031] 其中，Gbest为当前最优位置，μ为均值，σ2为方差。

[0032] 具体的，步骤S6中，如果当前迭代次数小于等于最大迭代次数，返回步骤S3。

[0033] 本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

[0034] 本发明的另一个技术方案是，一种计算设备，包括：

[0035] 一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

[0036] 与现有技术相比，本发明至少具有以下有益效果：

[0037] 本发明一种无线传感器节点部署方法，利用佳点集方法对萤火虫种群进行初始化，使之均匀分布在目标区域内，利用改进后的Xi(t+1)公式在空间内进行迭代优化找出萤火虫种群中下一时刻的当前全局最优值和当前局部极值；为了平衡局部搜索和全局搜索找到更好的最优解集，利用改进后的w(t)公式和改进后的α(t+1)公式来更新每个萤火虫位置，非线性递减的w(t)和逐步递减的α(t+1)使得萤火虫个体在遍历目标区域的整个空间时先进行粗略搜索再进行局部搜索，防止个体在演化迭代时错过空间内适应度更高的位置；避免萤火虫个体陷入“早熟”陷阱而位置停滞不前且适应度值不再变化，对当前全局最优进行高斯扰动，打破或者避免这种情况，让部分个体跳出陷阱去寻找潜在的比当前时刻适应度更高的全局最优解，直到达到步骤六中的最大迭代次数；再根据约束条件传感器节点的个数N来确定适应度值排在前N个的萤火虫个体的位置，间接的确定传感器节点部署的位置，从而实现WSN覆盖率最大。

[0038] 进一步的，在群智能算法中随机初始化导致种群的个体聚集扎聚集，导致后期演化过程中陷入局部极值不能遍历目标监测区域，进而影响萤火虫算法最终的优化结果；通过佳点集方法使种群中的个体均匀的分布在目标区域能保持较高的种群多样性，进而间接提高解的质量，减小种群中个体陷入局部极值的可能。

[0039] 进一步的，种群个体在演化前期需要较大的步长尽快遍历整个目标区域，而到了演化后期则需要较小的步长进行仔细搜索。全局粗略搜索和局部精细搜索是耦合关系，所以要尽量平衡二者的关系，防止出现震荡现象和早熟现象的发生。

[0040] 进一步的，为了平衡全局粗略搜索和局部精细搜索，提出用非线性指数递减的函数和变步长策略来改进的萤火虫算法，不仅能提高算法收敛速度和搜索精度，还能避免前期陷入局部极值后期过早收敛。

[0041] 进一步的，在萤火虫算法演化后期，萤火中逐渐向亮度高适应度好的其他个体靠拢移动，使得算法极有可能陷入局部极值的“陷阱”，并且没有跳出来的能力。为避免该事件发生，对种群的每一代当前全局最优进行高斯扰动，让部分个体跳出陷阱，去寻找其他潜在的全局最优解。

[0042] 进一步的，部分跳出早熟陷阱的个体随机散落在目标区域各个地方，若散落地的适应度值比之前更大则进行精细搜索找到更大的局部极值并于全局最优值比较，大则保留；否则舍弃。

[0043] 综上所述，本发明利用改进后萤火虫算法优化无线传感器节点部署问题，利用较少数量的传感器节点实现对目标监测区域覆盖率最大化问题。把目标区域覆盖优化问题转化为求取适应度最大值，即亮度最大问题，WSN覆盖率中传感器节点位置寻优过程具体为萤火虫种群间的因亮度强弱相互吸引的生物行为，种群中亮度较高萤火虫集合所处位置即为节点部署位置。

[0044] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

[0045] 图1为本发明的实现流程图；

[0046] 图2为N＝400时混沌‑佳点集初始化分布对比图，其中，(a)为混沌立方映射产生的400个点，(b)为佳点集方法产生的400个点；

[0047] 图3为N＝100时，Tmax＝1000时，A＝100m×100m时传感器节点随机部署图；

[0048] 图4为N＝100时，Tmax＝1000时，A＝100m×100m时传感器随机部署迭代‑覆盖率图；

[0049] 图5为N＝40时，Tmax＝300时，A＝50m×50m时，ASFA、GPSAFA算法节点部署分布对比图；

[0050] 图6为N＝40时，Tmax＝300时，A＝50m×50m时，ASFA、GPSAFA算法优化覆盖率‑迭代对比图；

[0051] 图7为N＝40时，Tmax＝80时，A＝80m×80m时，HAPSO、GPSAFA算法节点部署分布对比图；

[0052] 图8为N＝40时，Tmax＝80时，A＝80m×80m时，HAPSO、GPSAFA算法优化覆盖率‑迭代对比图；

[0053] 图9为N＝100时，Tmax＝1000，A＝100m×100m，CTFA、GPSAFA算法节点部署分布对比图；

[0054] 图10为N＝100时，Tmax＝1000，A＝100m×100m，CTFA、GPSAFA算法覆盖率‑迭代对比图。

具体实施方式

[0055] 本发明提供了一种基于佳点集自适应优化萤火虫算法的无线传感器节点部署方法、存储介质及计算设备，首先佳点集对萤火虫在目标监测区间进行种群初始化，使萤火虫个体均匀的分布在目标区域中，增强萤火虫个体的解空间遍历性；再引入变形sigmoid函数曲线拥有非线性指数递减特点来改进的萤火虫算法，使得在目标区域寻找新的高亮度个体的能力和在当前最优解附近寻找新的高亮度个体能力之间保持平衡；最后通过高斯分布进行微小扰动，克服萤火虫算法迭代后期个体逐渐向适应度值较好的个体靠拢所导致的陷入早熟的“陷阱”。通过仿真结果可知，改进的算法在目标监测区域中没有出现扎堆聚集的现象，并且很少有覆盖空洞和节点冗余。并且该算法与ASFA算法、HSPSO算法以及CGSO算法相比覆盖率分别提高了14％、11％和1.13％，并且在相同覆盖率的情况下，该算法所用传感器节点数目更少，节约部署成本。

[0056] 请参阅图1，本发明一种基于佳点集自适应优化萤火虫算法的无线传感器节点部署方法，佳点集初始化萤火虫种群、自适应惯性权重更新权重因子平衡局部和全局搜索、高斯扰动跳出早熟陷阱、判断算法结束循环的条件、满足条件则结束算法并输出最优解集，不满足条件返回相关步骤，具体步骤如下：

[0057] S1、算法初始化并设置算法光吸收系数、最大吸引力、步长因子，种群规模，迭代次数，维度等相关参数；

[0058] 在面积为A(m×n)的目标监测区域内，随机初始化n个萤火虫的光吸收系数γ，步长因子α，循环变量由1开始递增，循环至最大迭代次数Tmax。

[0059] S2、采用佳点集方法对种群进行初始化，得到每个萤火虫的位置信息及其适应度值；

[0060] 利用佳点集方法初始化萤火虫种群，使得种群在目标监测区域分布的更均匀，提高种群的多样性，进而提高全局最优值的质量。

[0061] 求得佳点集的基本方法如下：

[0062] S201、设VD是D维Euclidean空间内的单位立方体，即x∈VD，x∈(x1,x2,…xD)，其中0≤xi≤1，i＝1,2,…,D；

[0063] S202、若r∈VD，形为 其偏差φ(n)满‑1+ε
足φ(n)≤V(r,ε)n ，则称Pn(i)为佳点集，r为佳点，V(r,ε)其中是仅于r和ε相关的正常数，ε是任意小的正数；

[0064] S203、通常用分圆域法求佳点集r，取r＝2cos(2kπ/t)，1≤k≤D，t是满足的最小素k数，或取r＝e，1≤k≤D，r均为佳点。

[0065] S3、利用变形sigmoid函数曲线拥有非线性指数递减特点作为惯性权重和变步长策略平衡算法的全局搜索和局部搜索能力；

[0066] 利用自适应惯性权重w(t)和变步长α(t+1)，平衡萤火虫算法的全局搜索和局部搜索能力，实现对目标监测区域的全局和局部都进行搜索，具体如下：

[0067] Xi(t+1)＝w(t)Xi(t)+βij(rij)(Xi(t)‑Xj(t))+α(t+1)(rand‑0.5)[0068] 其中，t为当前迭代次数；w(t)是权重系数，w(t)∈[0,1]；α(t+1)是可变步长。

[0069] S4、根据惯性权重更新公式和步长更新公式分别更新惯性权重和步长因子来更新每个萤火虫位置；

[0070] 利用w(t)更新公式和α(t+1)更新公式分别更新惯性权重和步长因子，w(t)随演化次数的增加而指数递减，满足了不同演化阶段萤火虫对移动的距离要求，使萤火虫个体向高亮度、高质量区域快速移动，增加算法搜索能力；α(t+1)随演化次数的增加而指数递减，使得搜索从全局粗略搜索到局部精细搜索，提高算法的进度。

[0071]

[0072] α(t+1)＝max(αmin,min(A(t),αmax))

[0073]

[0074] 其中，t为当前迭代次数；Tmax是最大迭代次数；w(t)是权重系数，w(t)∈[0,1]；α(t+1)是可变步长，fgbest是当前个体全局最优解的适应值，fpbest当前个体当前最优解的适应度值，αmax、αmin分别是步长的上下限。

[0075] 计算位置更新后种群中每个萤火虫个体的适应度值f，找到种群当前全局亮度最大的萤火虫的位置；

[0076]

[0077] 其中，Aarea(Sall)是传感器节点集的覆盖面积，A是目标监测区域面积，Sall是传感器节点集。

[0078] S5、对更新后的萤火虫个体进行高斯扰动，对比更新前后个体位置的适应度值，保留个体位置适应度值大于设定阈值的个体位置，确定更新达到最优覆盖率时的最大迭代次数，否则舍弃扰动后的位置；

[0079] 采用高斯扰动策略对位置更新后萤火虫个体位置进行扰动更新，避免萤火虫个体陷入局部最优解，收敛早熟，使其具有提高算法跳出局部最优的能力。

[0080] Gbestnew＝Gbest×(1+Gaussian(μ,σ2))

[0081] 其中，Gbestnew为扰动后的位置，Gbest为当前最优位置，μ表示均值，σ2表示方差。

[0082] 对新的全局最优位置按下式进行更新：

[0083]

[0084] 其中， 为当前最优位置，f为当前位置的适应度值。

[0085] S6、判断算法是否达到Tmax；若满足t＞Tmax则算法结束，输出最优覆盖率和传感器节点位置图(即萤火虫全局最优的位置)；否则返回至步骤S3。

[0086] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0087] 请参阅图2，图2中分别给出混沌逻辑序列法和佳点集方法产生的种群规模为400的初始化种群分布，从图(a)和(b)可知，佳点集方法布设比混沌逻辑序列法更均匀稳定，能够遍历区间的各个地方，使萤火虫个体找到比自己亮度更高个体(即适应度高)所在的位置。

[0088] 在MATLAB2017a环境下进行仿真实验。目标监测区域为100m×100m的正方形平面A内随机部署100个传感器节点。每一个传感器节点代表种群中的一个萤火虫，节点的感知半径为7m，通信半径为14m，初始化算法的各项基本参数α,β0,γ,t,n,D。

[0089] 实验结果如图3和图4所示，其中图3和图4分别是随机部署传感器节点对目标监测区域进行覆盖时节点的部署情况和覆盖率‑迭代次数图，点代表传感器节点位置信息，圆代表节点覆盖的面积区域。

[0090] 表1算法对比表

[0091]

[0092] 表2随机部署、ASFA算法、FA算法、GPSAFA算法覆盖率结果对比表

[0093]

[0094] 表3随机部署、HSPSO算法、FA算法、GPSAFA算法覆盖率结果对比表[0095]

[0096] 在MATLAB2017a环境下进行仿真实验，设置仿真实验参数，目标监测区域为100m×100m的二维平面，同构传感器节点为40个，其感知半径为5m，通信半径10m，迭代次数为300次。

[0097] 图6为AFSA算法和IFA算法覆盖率‑迭代曲线图，图5为优化后的传感器节点部署图，表2为随机分布、AFSA算法和IFA算法的覆盖优化结果对比。分析图6和表2可知，在相同条件下，IFA算法的网络覆盖率达到90.90％，与随机分布和AFSA算法相比，覆盖率分别提升了24.67％、14％，减少了覆盖冗余，改善目标区域节点聚集现象。此外，由图6可知，IFA算法在第45代时覆盖率就已达到现有方法的76.90％。说明改进策略有效提升收敛速度，能较快实现目标区域的寻优。

[0098] 在MATLAB2017a环境下进行仿真实验，设置仿真实验参数，目标监测区域为80m×80m的二维平面，同构传感器节点个数是40个，其感知半径为8m，通信半径16m，迭代次数为
80次。

[0099] 图7和图8分别是HSPSO算法和IFA算法在监测区间覆盖率‑迭代曲线图和优化后的传感器节点部署图，表3为随机抛洒、HSPSO算法和IFA算法的覆盖优化结果对比。分析图7图8和表3可知，采用随机分布的传感器节点覆盖率仅为69.60％，导致监测区域存在大量的覆盖冗余和漏洞。采用HSPSO算法部署传感器节点，迭代前期算法就陷入局部最优，致使覆盖率停滞不前。将IFA算法用于WSN覆盖优化中，传感器节点在监测区域分布均匀，覆盖率达到
90.60％，相较于节点随机部署和HSPSO算法，覆盖率分别提高了24％和10.81％。且经多次实验可知，IFA算法采用32个传感器覆盖率均值已达到80.40％，与HSPSO算法相比，可减少8个传感器，节约传感器节点部署成本。

[0100] 表4随机部署、CTFA算法、FA算法、GPSAFA算法覆盖率结果对比表

[0101]

[0102] 在MATLAB2017a环境下进行仿真实验，设置仿真实验参数，监测区域为100m×100m的二维平面，同构传感器节点是100个，其感知半径为7m，通信半径为14m，迭代次数为1000次。图9和图10分别为CTFA算法和IFA算法在覆盖优化时的迭代曲线图和优化后的传感器节点部署图，表4为随机抛洒、CTFA算法和IFA算法的覆盖优化结果对比。分析图7和表4可知，在相同仿真参数下，IFA算法在WSN覆盖优化中的覆盖率为98.26％，与节点随机分布和CTFA算法相比，覆盖率分别提高了23.64％和1.13％。经过多次测试，IFA算法覆盖率均略高于CTFA算法，并且IFA算法采用90个传感器节点，其覆盖率就能达到97.84％，比CGSO算法节省了10个传感器，可以降低部署成本，提高传感器的利用率。

[0103] 由表1～表3可知，佳点集自适应优化过的萤火虫传感器节点部署策略平均覆盖率高于其他同等实验条件下的其他算法，且使用较少的节点数目就达到要求的有效覆盖范围，节点的利用率、算法收敛速度和算法求解质量高于其他算法，通过对比发现，GPSAFA算法能够有效的提高节点利用率，网络覆盖率。

[0104] 综上所述，本发明一种无线传感器节点部署方法、存储介质及计算设备，基于佳点集方法优化后的种群初始化得到的节点覆盖在目标监测区域均匀分布，使得覆盖冗余和覆盖空洞急剧减少，与随机部署、人工鱼群算法、种子杂交粒子群算法和混沌萤火虫算法相比，节点分布更均匀，利用率提高，而且使用更少的节点就能达到有效覆盖监测区域，同时还节省了部署成本。

[0105] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0106] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0107] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0108] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0109] 以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。