基于飛蛾撲火算法和維諾圖理論的智慧農(nóng)業(yè)通信節(jié)點部署策略

常瑞莉

（青海建筑職業(yè)技術學院，西寧 810012）

傳統(tǒng)的物聯(lián)網(wǎng)技術受通信網(wǎng)絡傳輸帶寬的局限性，當大量的本地信息通過數(shù)據(jù)傳輸單元（DTU）傳輸?shù)椒掌鲿r，需要多個DTU組件來保證信息傳輸?shù)募皶r性和流暢性［1］。農(nóng)業(yè)是中國結構的基礎，是中國經(jīng)濟成分的基礎［2］。但是，與美國、澳大利亞、英國等國家相比，中國的農(nóng)業(yè)生產(chǎn)技術還需要拓展適合自身農(nóng)業(yè)特色的自動化生產(chǎn)技術［3］。通過對中國5年14個計劃清單的投票，結果表明“提高農(nóng)業(yè)質(zhì)量效益和競爭力”“建設智慧農(nóng)業(yè)”等未來農(nóng)業(yè)發(fā)展目標將繼續(xù)以管理原則為基礎。智慧農(nóng)業(yè)技術的現(xiàn)代化和進步將增加經(jīng)濟產(chǎn)出，并減少傳統(tǒng)活動的進入［4］。智慧農(nóng)業(yè)是全球農(nóng)業(yè)發(fā)展的重點，是中國建立農(nóng)業(yè)所有制、了解農(nóng)業(yè)實踐的必由之路。通過數(shù)據(jù)采集與數(shù)據(jù)采集傳輸、數(shù)據(jù)處理與分析、決策等鏈接，了解遠程、精準、智慧的農(nóng)業(yè)管理。數(shù)據(jù)傳輸是智慧農(nóng)業(yè)系統(tǒng)的重要組成部分，其傳輸速度、準確性、可靠性和穩(wěn)定性影響整個系統(tǒng)的運行［5］。

1 智慧農(nóng)業(yè)信息傳輸模型的建立

1.1 智慧農(nóng)業(yè)通信網(wǎng)絡構建及部署存在的問題

智慧農(nóng)業(yè)通信網(wǎng)絡構建及部署過程中主要存在和需要考慮的問題如圖1所示。此外，由于智慧農(nóng)業(yè)數(shù)據(jù)采集節(jié)點∕動作節(jié)點，三維空間分布還應考慮通信功率低時導致通信距離縮短的問題。傳統(tǒng)方法通常使用冗余機制方法來確保整個鏈接在低功率水平下順暢，但這種方法提供了一些經(jīng)濟和能耗指標。

圖1 智慧農(nóng)業(yè)通信網(wǎng)絡構建及部署存在的問題

1.2 智慧農(nóng)業(yè)信息傳輸網(wǎng)絡構建

通常，由于通信功率降低導致通信距離變短，因此在通信功率較低時也應考慮三維空間分布的弱點。圖2為分布式無線信息傳輸網(wǎng)絡結構。該結構采用Y+Y型嵌套模式，傳輸網(wǎng)絡可由多個傳感設備作為感知節(jié)點分組，每組數(shù)據(jù)匯總在中繼節(jié)點形成多組內(nèi)嵌Y型；圖中實心三角形所示為數(shù)據(jù)最終匯總終端，該終端數(shù)據(jù)由每個中繼節(jié)點數(shù)據(jù)匯總而來形成外圍Y型。每個Y型中心節(jié)點中心復雜，其他節(jié)點簡單，若中心節(jié)點故障則會導致全網(wǎng)故障。

圖2 分布式無線信息傳輸網(wǎng)絡結構

1.3 混合星型中繼通信網(wǎng)絡節(jié)點優(yōu)化部署策略

1.3.1 通信網(wǎng)絡節(jié)點部署問題隨著科技的飛速發(fā)展，智慧農(nóng)業(yè)的概念很快得到落實，在國家政府的大力支持下，智慧農(nóng)業(yè)活動的數(shù)量每天都在增加，隨之而來的是智慧無線通信鏈接的建設和評估［6］。目前，已經(jīng)解決了創(chuàng)建智慧農(nóng)業(yè)通信鏈路的問題，解決網(wǎng)絡通信問題是提升農(nóng)業(yè)數(shù)據(jù)傳輸速率、降低通信能耗的必由之路［7］。對于通信網(wǎng)絡鏈接，主要集中在協(xié)議變更、資源升級和網(wǎng)絡節(jié)點切換的使用上。與前兩者相比，網(wǎng)絡節(jié)點切換方法通過調(diào)整通信網(wǎng)絡鏈接的輸出時間，提高了硬件資源的選擇和最小化，可以提高數(shù)據(jù)傳輸，保證通信網(wǎng)絡的連通性［8］。消耗通信鏈路的功率，降低設備安裝成本。但是，傳統(tǒng)通信網(wǎng)絡的交付通常基于隨機分布、分布后校正、簡單的測量方法等小項目的使用，還易造成基礎節(jié)點（數(shù)據(jù)采集節(jié)點、動作節(jié)點）脫節(jié)、數(shù)據(jù)傳輸丟包、傳輸能耗高等問題［9］。

基于此，本研究提出了一種群體智慧算法的智慧農(nóng)業(yè)通信網(wǎng)絡節(jié)點部署方案，或者說是一個通信網(wǎng)絡節(jié)點方案。在本方案下，通信網(wǎng)絡節(jié)點的配置如下：根據(jù)實際需要，完成并分發(fā)數(shù)據(jù)采集節(jié)點和工作節(jié)點工具后，固定年齡標記和聚合集群的輸入點，完成所有功能。過程如下：首先建立三維坐標系，用以表征數(shù)據(jù)采集區(qū)和對應功能區(qū)在三部分空間的分布，對原始數(shù)據(jù)集的性能進行建模，然后得到通話時間的大小。不同儀器作為二次通信節(jié)點分布的權重指標，真正的分布問題變成了一系列數(shù)學模型，通過數(shù)學模型評估節(jié)點的使用情況，將各通信節(jié)點信息傳遞問題轉變?yōu)槟繕嗽u價問題；然后，基于內(nèi)置Voronoi設計的改進特征moth-to-fire算法，通過對飛蛾進行引導搜索來提高算法的速度和準確性，從而改進模型。最后，在使用第一層中繼節(jié)點的基礎上，將所有中繼節(jié)點作為輸入模型，完成第二層（匯聚節(jié)點）的部署工作。

1.3.2 通信網(wǎng)絡全連通模型當所有設備及相關的通信節(jié)點均處在通信網(wǎng)絡的覆蓋下時，該網(wǎng)絡稱為（Fullyconnected）FCN網(wǎng)絡［10］。在此基礎上，建立智慧農(nóng)業(yè)FCN網(wǎng)絡模型，建立過程及方式如下。

在3D環(huán)境下，2個設備或通信節(jié)點Si(xi,yi,zi)、S(xj,yj,zj)之間的距離Dij表示智慧網(wǎng)通信網(wǎng)是互聯(lián)的，即所有的網(wǎng)盤都在通信網(wǎng)的盤中，沒有互聯(lián)，沒有插件［11］。在此背景下，建立智慧農(nóng)業(yè)通信關系的連貫模型的方法。

如果任意2個設備的數(shù)據(jù)傳送覆蓋半徑ri和rj之和小于它們之間的距離，或者說建立了鏈接，即：

可進一步推出所有數(shù)據(jù)采集節(jié)點（Data Acquisition Node）DN與中繼節(jié)點（Relay Node）RN之間的中繼鏈路，功能節(jié)點（Operation Node）AN與相連RN之間的中繼鏈路，以及所有RN與宿信號之間的中繼鏈路（Nink Node）SN和是以下所有網(wǎng)絡節(jié)點的鏈接。

其中，na為動作節(jié)點，nb為感知節(jié)點，nc為中斷節(jié)點，nd為匯聚節(jié)點，Cac,Cbc,Ccd為各類節(jié)點間連接通率，Call為全網(wǎng)絡連接通率。

其中，na、nb、nc、nd各節(jié)點為信息交互點，其有效傳輸范圍為以自身為圓心，半徑分別為ra、rb、rc、rd的圓形區(qū)間內(nèi)。如果兩類節(jié)點之間的距離滿足范數(shù)，則認為是2個節(jié)點之間的連接環(huán)節(jié)。

任意2個節(jié)點的連通率Cij可表示為：

1.4 通信網(wǎng)絡節(jié)點最優(yōu)部署模型

所謂通信網(wǎng)絡節(jié)點的最優(yōu)部署，即通過設計高效且合理性強的通信網(wǎng)絡部署方案，以最少的通信設備資源投入，降低整個網(wǎng)絡的功耗，將所有設備接入網(wǎng)絡，進而實現(xiàn)FCN網(wǎng)絡結構［12］。基于現(xiàn)實生活中的模型和對有利條件下的農(nóng)業(yè)環(huán)境的追求，本研究對模型提出以下假設。

1）對于信息量估計：通信信息節(jié)點在同一穩(wěn)定時域內(nèi)的信息數(shù)據(jù)是確定的，但各點的數(shù)據(jù)體量因自身節(jié)點等情況是不同的。

2）對于RN節(jié)點設定：確定RN節(jié)點的中繼對象后，RN只需發(fā)送指定的中繼對象，提供中繼服務。

3）對于網(wǎng)絡節(jié)點部署完成后的假設：網(wǎng)絡創(chuàng)建完成后（網(wǎng)絡節(jié)點已部署），節(jié)點將不再進行位置調(diào)整。基于以上題目，確定使用網(wǎng)絡節(jié)點的最優(yōu)模型。

1.5 智慧農(nóng)業(yè)網(wǎng)絡節(jié)點最優(yōu)部署模型

在本研究中，智慧農(nóng)業(yè)網(wǎng)盤的優(yōu)化分布：在滿足通信網(wǎng)互聯(lián)的基礎上，以最少的Y型通信節(jié)點，從而有效提升網(wǎng)絡中節(jié)點有效周期，讓系統(tǒng)各點進行數(shù)據(jù)傳送更順暢。基于以上定義，當節(jié)點數(shù)為8時，能耗最低，以下是使用智慧農(nóng)業(yè)網(wǎng)絡節(jié)點的最佳示例。

式中，E為全網(wǎng)通信能耗，Ei為各節(jié)點通信能耗。

2 飛蛾撲火算法設計及參數(shù)設定

2.1 飛蛾撲火算法

群智算法在AI（人工智能）的基礎上發(fā)展而來，通過對生物群體的目標尋找方法進行建模，解決了傳統(tǒng)的牛頓法、梯度下降法（求導法）求解困難局面的復雜性［13］。基于此，分析者重點關注使用集群智慧算法來進行大型通信網(wǎng)絡節(jié)點的優(yōu)化分布。隨著研究的不斷深入和應用特征的不斷增多，群算法的傳播范圍和規(guī)模也越來越廣泛，本研究的模型也可以用于客觀-客觀評估問題［14］。因此，本研究模型的求解采用了飛蛾撲火集群尋找最優(yōu)法求解，此時蝴蝶火藍算法也處于改進的邊緣。飛蛾撲火優(yōu)化算法（MFO）是SAYEDALIM開發(fā)的一組環(huán)境啟發(fā)式優(yōu)化算法。MFO算法的核心思想就是用飛蛾M（Moth）去尋找最優(yōu)火焰F（Flame），而火焰就是對應的最優(yōu)解。在優(yōu)化過程中，F(xiàn)是固定的，而M通過從其位置不斷移動到火焰中：

式中，Lij=|Fj-Mi|，Mi表示第i只飛蛾；Fj表示第j個火焰；S為螺旋線函數(shù)，b為其對應函數(shù)中的常數(shù)；t代表通信時間。

在M不斷尋找最佳F的過程中，通過連續(xù)照射，F(xiàn)的非陽性數(shù)量減少（消除火焰）：

式中，T為迭代次數(shù)的最大值，l為迭代次數(shù)，N為火焰數(shù)的最大值。

在MFO算法中，用于更新每個脈沖相對于火焰的位置，根據(jù)式（9）得到：

式中，Di表示第i個飛蛾與第j個火焰之間的距離，Di=|Fi-Mi|；b表示旋轉圓的形狀；［-1，1］之間的一對數(shù)字，被定義為蠕蟲接近當前支架火焰的指示。MFO算法將模型設計為具有盡可能多的火焰Nflame，在迭代過程中最小化以防止整個算法落入最優(yōu)域。

式中，T為最大迭代次數(shù)；Z為當前迭代次數(shù)；N為火焰數(shù)量的最大值。

基本MFO算法流程如圖3所示。

圖3 基本MFO算法的流程

2.2 基于維諾圖的算法改進與適配

維諾圖（Voronoi diagram，VD），一個連續(xù)的多邊形包含在由相鄰符號集形成的、直線的垂直餅干中。在3D空間中，對線段使用VD圖會創(chuàng)建一系列連續(xù)的多邊形，稱為泰森多面體（Tyson polyhedron，TP），圖4是一組160°接近3D空間的3D-VD圖像。

圖4 三維維諾圖

如圖5所示，3個多面體中的3個點A、B、C與它們的分母D有如下關系：AD=BD=CD，即相鄰泰森多面體中的點與其形容詞的距離。

圖5 通泰森多面體特性

本研究將分布在三維空間內(nèi)的所有傳感器節(jié)點進行維諾圖劃分，將所有在Voronoi設計中分布為三相的信號分離Dmax為指標，切換所有元件，確定每條傳輸電纜的二進制數(shù)，中繼節(jié)點服務對象決策方案的具體流程如圖6所示。

圖6 中繼節(jié)點服務對象確定方案

根據(jù)以上信息，每條傳輸鏈路和服務盤相互連接，節(jié)點polyodeon包含先前構建的泰森多面體的錨點，兩者的具體關系如圖7所示。

在圖7中，當各中繼節(jié)點中連通信息量最小為cmin，且包含了飛蛾所需探索的最重要的信息時，外圍命名的服務節(jié)點分為5個名，為A、B、C、D、E的節(jié)點。

圖7 節(jié)點多面體與泰森多面體頂點關系

2.3 飛蛾撲火算法優(yōu)化

在本研究的基礎上，利用1個節(jié)點在1周內(nèi)產(chǎn)生的信息權重來確定不同節(jié)點類型的權重?，最終種群達到平衡權重時完成第一次優(yōu)化。權重平衡條件為：

式中，?為不同節(jié)點的權重，d為不同節(jié)點間的距離。

每一傳感器節(jié)點的權重值分別和其對應種群m的乘積是相同的，種群生成和有向搜索過程的實現(xiàn)如圖8所示。

圖8 種群生成及有向搜索

由圖8可知，A、B、C是符號集，D是符號集對應的泰森多邊形的錨點。圖8a顯示總網(wǎng)絡由D為初始種群中心點，圖8b顯示A、B和C的加權值是指示性的α、β、γ。根據(jù)圖7的節(jié)點多面體與泰森多面體頂點關系對各節(jié)點進行分配連接，根據(jù)本節(jié)描述的種群生成和運動方法，圖7中編號為1、2、3、4、5的5個節(jié)點依照泰森多邊形的中心D移動，以此完成5個泰森多邊形頂點移動，最終結果如圖9所示。

圖9 初次尋優(yōu)結果

在圖9中，初次尋優(yōu)將中繼節(jié)點初步鎖定在由頂點1、2、3、4、5所圍成的多面體內(nèi)。此時，只有飛蛾的種群向多面體的內(nèi)部方向移動。根據(jù)對數(shù)平面模型，對多面體進行第二次分析，基于MFO算法改進分辨率算法，以便正確定位過渡點。

2.4 飛蛾撲火優(yōu)化算法參數(shù)設定

首先，確定節(jié)點類型、節(jié)點數(shù)量和節(jié)點1周發(fā)送數(shù)據(jù)的數(shù)量等參數(shù)，如表1所示。

表1 參數(shù)設定

重新設計比較系統(tǒng)，以確定三維空間中所有簇的分布，模擬測試環(huán)境確定為三維空間，節(jié)點分布如圖10所示。

圖10 節(jié)點三維空間分布情況

3 試驗結果及數(shù)據(jù)分析

3.1 基于VIMFO算法的部署結果

本研究使用配置in-tel i5-8650運行內(nèi)存的筆記本電腦，在上述參數(shù)設置條件下，測試結果如下。①根據(jù)圖6所示流程確定中繼節(jié)點的服務對象，共確定10個中繼連接；按照圖10所示獲取每個切割節(jié)點的輸入空間，具體結果如圖11所示。②在上述試驗結果的類別下，進一步求得匯聚節(jié)點的部署位置，切割節(jié)點和下沉節(jié)點在三維區(qū)域的最終分布位置如圖12所示。③用本研究描述的策略，得到了本智慧農(nóng)業(yè)系統(tǒng)各傳感網(wǎng)信息傳輸?shù)木W(wǎng)絡節(jié)點關系分布情況，如圖13所示。

圖11 中繼節(jié)點及匯聚節(jié)點分布

圖12 智慧農(nóng)業(yè)信息傳輸網(wǎng)絡節(jié)點分布

在各中繼節(jié)點服務對象及部署位置的基礎上，求得所有節(jié)點之間的距離分布矩陣，如圖13所示。在圖13中，CT代表淹沒核即數(shù)據(jù)匯聚區(qū)域，CT-R代表序列中第1～10個數(shù)據(jù)的聚集記錄點，R-A代表A區(qū)的所有數(shù)據(jù)點，AB代表區(qū)域B中的所有數(shù)據(jù)點。相比之下，I-J代表區(qū)域J中的所有數(shù)據(jù)點。

圖13 節(jié)點間距離分布矩陣

從圖13中可以看出，將匯聚節(jié)點到每個中繼節(jié)點的距離分配給65 m之間，切割節(jié)點到分布區(qū)域節(jié)點的距離是內(nèi)部分布的。解的分布是恒定的，不存在顯著變異的解，并且都在適當?shù)闹欣^線和匯聚節(jié)點的控制之下。

3.2 對比試驗

為驗證本研究所述算法的性能及可靠性，采用傳統(tǒng)的蟻群算法（AC），按照描述的過程進行改進，并在變量相似的原則下對蟻群安東尼（VIAL）算法進行改進，通過對比測試各算法發(fā)現(xiàn)MFO算法是滿足性能和可靠性的最優(yōu)算法，可測試算法的求解速度以及求解方案的優(yōu)缺點。首先，從能源消耗的可變性的角度進行比較［15］。在不同算法的結果下，每個過渡點對應的基本系統(tǒng)（傳感器節(jié)點、功能節(jié)點）的數(shù)量對比如圖14所示，基礎節(jié)點到對應中繼能耗波動對比如圖15所示。

圖14 不同算法下各中繼節(jié)點對應的基礎節(jié)點數(shù)

從圖14、圖15可以看出，VIMFO算法和VIAC算法有10個過渡點。2種算法在多個記錄點獲得相同的值，但由于功耗差異，VIAL算法其效率相比VIMFO算法低且兼容不了復雜情況下的多個節(jié)點。MFO算法需要建立11個中間節(jié)點數(shù)據(jù)，與其他算法相比，MFO算法在能耗上存在差異，導致高功率低效率，增加了用戶的維護負擔；AC算法和MFO算法相比，雖然降低了能耗的差異，但需要分布13個中間數(shù)據(jù)節(jié)點，經(jīng)濟變量小。因此，本研究描述的優(yōu)化策略在一定程度上減少了網(wǎng)盤之間的能耗差異。從互聯(lián)互通的角度進行比較，在不同算法下網(wǎng)絡連接率如圖16所示。

圖15 不同算法下基礎節(jié)點到其中繼節(jié)點的能耗波動對比

圖16 不同算法下通信網(wǎng)絡連通率

由圖16可以看出，AC算法隨著迭代次數(shù)增加其網(wǎng)絡連通率上升較快，直到16次時達到最大。最終AC算法連通率可達0.810左右；MFO算法用于確定解，迭代次數(shù)為20次，此時連通率達0.823，而VIAC算法、VIMFO算法的迭代次數(shù)為9和11次，網(wǎng)絡連接比改進后的算法已達到10 000，即識別出本節(jié)所示的總網(wǎng)絡連接率。完成MFO、AC、VIAC和VIMFO算法時，算法耗時分別為5.33、5.12、3.16、3.31 s。可以看出，改進算法的求解速度更快。最后，從能耗的角度進行比較，結果如圖17所示。

由圖17可知，與非標準AC算法相比，本研究改進的VIAL算法功耗優(yōu)化效率提高率可達0.081，而VIMFO算法與常規(guī)MFO算法相比，能耗優(yōu)化效果提升率可達0.069。上述發(fā)現(xiàn)說明，本研究改進策略的有用性。最大化所有對比測試，VIMFO算法通過功耗、低能耗和傳輸磁盤數(shù)量的差異來了解提供商的通信網(wǎng)絡的總連通性，種群在管理良好的情況下必須改變整個搜索區(qū)域，策略非常高，優(yōu)化時間增加到很大；另外，解容易落入域的最優(yōu)水平，這也是這類算法的一個問題，能夠有效解決上述缺陷。

圖17 不同算法下1周內(nèi)能耗對比

4 小結

針對5G知識下智慧農(nóng)業(yè)通信網(wǎng)絡的通信問題，本研究利用5G通信的高帶寬容量和低帶寬，設計了1個分布式的通信網(wǎng)絡，并采用三維維諾圖進行改進。群分析的經(jīng)典算法，最大限度地利用智慧農(nóng)業(yè)通信網(wǎng)絡的傳輸空間和天坑的最佳位置。試驗結果表明，本研究提出的策略可以在通信鏈路全鏈接的前提下，降低傳輸能耗和算法優(yōu)化時間。