基于改進AFSA算法的智慧農業監測網絡研究

閆好明，劉 洋

（南陽農業職業學院，河南 南陽 473000）

智慧化農業生產主要通過數據采集、傳輸、處理、調控等智慧化手段來實現資源合理利用、生產成本降低、產量與品質提高的目標。其實現方法一般是利用傳感器與嵌入式技術，采集農業生態環境相關數據，通過無線通信技術將收集到的數據經過網關傳給服務器平臺，實現數據的智能采集和農業環境變量科學調控[1]。在智能農業生產監測過程中，需要處理的一個重點就是如何根據實際情況選擇合適的優化策略，把傳感器節點部署到所監測的農業范圍內，以最大限度增加覆蓋率或減少節點數量，從而提高監控區域的網絡服務質量。人工魚群算法在全局情況下尋優能力更強，對于初值的要求不高且易于實現，能較好地解決農業監測環境下的網絡覆蓋問題[2]，但視野固定會使算法后期收斂緩慢，易陷入局部最優，需要進一步優化。本文針對農業監測環境下無線傳感器網絡最優覆蓋問題，提出了一種改進型人工魚群算法，并通過覆蓋問題仿真分析其可靠性。

1 人工魚群算法

人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種自上而下的新型尋優方式，由我國學者李曉磊于2003年提出，是集群智能思想的具體應用，具有全局范圍內收斂性好、對初始值要求小等優勢[3]。魚通?？梢宰约喝フ遥蛘吒渌~去尋找水中食物豐富的區域。因此，在尋找到的這個水域中，魚通常是最多的，而且食物也是最豐富的。人工魚群算法就是利用魚類尋求食物濃度最高水域的這一特征，構造個體模型，模擬魚群在水中覓食、聚集、追尾及隨機這4種基本行為。魚類的這4 種行為都與尋找最優問題的求解密切相關，如何以一種簡單而有效的方式來構建和實現這些行為求取最優解，將是算法應用中需要思考的關鍵問題。

2 農業監測網絡覆蓋問題模型建立

2.1 傳感器模型選擇

傳感器節點的監測模型體現了提供覆蓋的節點的感知能力，是研究網絡覆蓋控制的基礎[4]。由于傳感器節點在各種應用環境中的功能和物理特性具有多樣性，難以對傳感器節點進行統一描述，所以采用布爾感知模型作為傳感器模型，該模型是將傳感器節點覆蓋問題理想化。如果待監測信息點與傳感器節點之間的歐式距離小于傳感器可監測半徑，則認為該信息點在節點可監測范圍內，該信息點被節點監測到的概率為1，否則設為0。因此，布爾感知模型又可稱為二進制感知模型[5]。

布爾圓盤模型為理想傳輸環境下的節點感知模型，也叫全向感知模型。在無線傳感器網絡布置的二維平面上，以節點S為圓心，以Rs為半徑的圓形為節點的傳感覆蓋范圍。由于模型簡單實用，所以常用來分析傳感網絡的覆蓋性能。

節點S的坐標假定為（x0，y0），傳感半徑Rs，任意目標點Q的坐標（x，y），S與Q之間的歐式距離為d，則圓盤模型的覆蓋函數如式（1）所示，模型表示如圖1所示。

圖1 布爾圓盤模型（全向感知模型）Fig.1 Boolean disk model(omnidirectional perception model)

2.2 網絡覆蓋模型

由于農業監測環境的確定性，所以對網絡覆蓋問題分析采用網格化辦法。傳感器節點采用布爾感知模型，如果網格點與傳感器節點之間的歐式距離小于傳感器可監測半徑，便認為該網格點可以被節點監測到[6]。當監測環境中的全部網格點都可以被至少一個節點監測到時，該農業監測網絡可以覆蓋整個農業待監測區域，獲取區域范圍內的全部環境信息。

在節點有移動能力的情況下，通過預先設定的算法實現節點對網絡的自組織和自適應部署。利用隨機、確定或移動的方式，傳感器網絡可以在監測區域內分布節點。節點的可移動性分為兩類，一類是所有節點都可以移動，節點能量消耗較大；另一類是在固定網絡中增加一定數量可移動節點，以增強固定無線傳感器網絡的覆蓋和節點間的連接，從而提高網絡的覆蓋性能。

2.3 農業監測網絡覆蓋問題模型建立

在農業環境下，監測范圍A是一個二維平面，將其劃分成單位長度為1 的（m×n）個網格，在此區域內投放參數設置相同的移動傳感器節點。設傳感器數目為N，有效監測半徑均為RS，則傳感器節點集可以表示為S{S1，S2，S3，...，SN}，其中Si={xi，yi，RS}，表示以節點坐標（xi，yi）為圓心，以RS為半徑的監測圓。將目標Q（x，y）被傳感器節點Si所能監測到的事件定義為Hi，則事件發生的概率P{Hi}即為目標點（x，y）被傳感器節點Si所覆蓋的概率Pcov(x,y,Rs)。

當目標點（x，y）到節點的距離小于傳感器有效監測半徑RS時，就認為該目標點在傳感器節點覆蓋范圍，可以被該節點監測到并收集相關數據。故Pcov()x,y,Rs也可稱為節點RS對目標點Q的感知度。

在節點集中只要有一個傳感器節點可以監測到目標點（x，y）的信息，就可以認為該目標點被節點集所覆蓋。因此，目標點被節點集所覆蓋的概率為Hi的并集，假設所有的隨機事件Hi是相互獨立的，則傳感器節點集S的覆蓋率如下：

監測范圍A數字離散化后共m×n個像素，用Δx×Δy來表示每個像素的面積，假設其面積為1。每個像素能否被有效監測用節點集覆蓋率Pcov()x,y,Rs來衡量，則將節點集S的區域覆蓋率Rarea( )S定義為節點集S的覆蓋面積Aarea( )S與監測區積As之比，即為：

最終目標就是在監測范圍內找到一組最優的節點分布使得覆蓋率最大。

3 基于改進AFSA算法的覆蓋問題仿真

3.1 基本人工魚群算法改進

傳統人工魚群算法雖然對于初值和參數設定要求不高，但由于魚類個體視野和步長的選擇具有隨機性，搜索精度難以提高，所以算法收斂速度減慢。由于魚群聚集愈多，魚食濃度愈高，所以當前范圍內最優值的結果是以最優解域臨近范圍內魚群聚集較多的中心為目標。根據魚群活動情況的不同，聚集中心會不斷變化，故在算法迭代時，可能受到局部最優值干擾，忽略最優解。因此，需要對其進行改進來達到尋優精度更高、算法收斂速度更快、更加適合實際應用的目的。

設魚類個體的當前狀態信息為X=（x1，x2，…，xn），探索下一個狀態信息為Xv=（x1v，x2v，…，xnv），其表示公式如下：

求極值問題時可表示為：

式中：Rand()為隨機數產生函數，Rand() ∈（0,1）；Step為可移動步長；Yv為Xv目標函數值；Y為X狀態的目標函數值。

當前魚類個體的狀態信息和視野中目標點的狀態信息決定了算法中的移動步長。

3.2 改進人工魚群算法執行

步驟1：結合無線傳感器網絡環境、傳感器節點參數等，對人工魚群的參數進行初始化設置，主要包括種群規模即傳感器節點個數N、魚類個體視野即傳感器節點可監測范圍Visual、移動步長即傳感器節點可移動范圍Step、擁擠度因子δ、重復次數即每個節點移動嘗試次數Try_number，設置變異因子pm、最優人工魚狀態變化次數keepTimes，視步系數a，最大迭代次數值MAXgen，公告板。選取農業監測區域范圍，在其范圍內隨機生成N條人工魚坐標信息。

步驟2：結合式（6），計算魚群算法中各個個體當前狀態的食物濃度值即農業監測網絡覆蓋率的值，用Yavg、Yi來表示。并在公告板中記錄最小的Yi值和當前人工魚的狀態信息。

步驟3：對魚類個體執行覓食、聚群、追尾等三種基本活動的狀態信息和目標函數結果進行評價比較，判斷當前個體值Yi是否≥魚群整體值Yavg，若是則執行步驟4 適應選擇視野，否則以初始化視野轉到步驟5，繼續執行。

步驟4：測量每條人工魚自身到其他人工魚的距離，并求出平均值結合視步系數a確定傳感器節點即魚類個體的監測范圍和可移動區間，繼續執行步驟5。

步驟5：對比傳感器節點視野范圍內的目標函數值，若優于公告板中值則以自身狀態取代，并將keep-Times值設為0，轉到步驟7 繼續執行；不然keepTimes+1，判斷keepTimes值是否已達到MAXbest，若是則執行步驟6，否則轉到步驟7執行。

步驟6：查找目標函數值較差的全部人工魚即傳感器節點位置信息，對每個傳感器節點生成隨機數值Rand（1），Rand（1）∈（0，1）。若Rand（1）＞pm，則用pm對其進行變異，即用歷史最優節點狀態來替換該節點狀態。直到所有具有較差目標值的個體替換完成，令keepTimes=0；否則傳感器節點狀態信息保持不變；繼續執行步驟7。

步驟7：在上述步驟基礎上，對于覆蓋問題模型不斷迭代求解，計算魚類個體最佳分布信息值和所求目標函數值。當其迭代次數達到設定最大值時，則判斷算法求解結束，并在公告牌中更新并輸出當前傳感器節點的分布信息和覆蓋率最大值。反之則不斷進行迭代過程，每次次數加1，直到達到設定最大值為止。

4 覆蓋問題仿真

4.1 基本AFSA算法仿真覆蓋分析

在MATLAB R2020a 平臺進行覆蓋問題模型的仿真，設農業監測環境目標區域范圍為50 m×50 m，節點可監測半徑為5 m，傳感器節點數目為35 個，最大迭代次數為200次，魚類個體的視野為5 m，個體最大嘗試次數為10 次，擁擠度因子為0.618。初始情況下，將傳感器節點任意拋灑在監測區域內，在仿真軟件中模擬其分布情況和覆蓋效果。傳感器節點隨機分布情況如圖2所示。

圖2 AFSA-WSN節點初始分布Fig.2 Initial distribution of AFSA-WSN nodes

在上述仿真環境條件下，采用基礎人工魚群算法對農業監測節點覆蓋問題進行仿真求解。對圖2 中初始條件下傳感器節點的隨機分布位置進行優化后，最終得到的節點分布和覆蓋效果如圖3 所示。對比圖2和圖3可以看出，采用人工魚群算法對傳感器節點分布進行優化后，節點分布更加均勻合理，覆蓋程度大，對于目標區域所需數據的監測更加完整。結合輸出結果可以看出，隨著迭代次數的增加，節點覆蓋率由初始69%左右增加到88%，達到大幅度提升。

圖3 人工魚群算法優化后傳感器節點分布情況Fig.3 Distribution of sensor nodes after optimization by artificial fish swarm algorithm

4.2 改進AFSA算法仿真覆蓋分析

改進后的人工魚群算法對傳感器節點網絡覆蓋優化效果如圖4、圖5所示。對比圖3可以看出，改進后的算法使傳感器節點在監測區域內的分布位置更加合理均衡，而常規人工魚群算法求解結果存在許多重復覆蓋區域，覆蓋盲區也比較多。

圖4 改進AFSA-WSN傳感器節點初始分布情況Fig.4 Improvement of the initial distribution of AFSA-WSN sensor nodes

圖5 改進AFSA-WSN最終傳感器節點分布情況Fig.5 Improvement of the final sensor node distribution of AFSA-WSN

對比了在相同的仿真環境和基本參數設置情況下，常規魚群算法和改進后算法針對農業監測網絡覆蓋問題的優化迭代過程。對比最終優化結果，常規人工魚群算法在200 次迭代后監測系統對于目標區域的覆蓋率約為88%，而改進后的魚群算法的覆蓋率達到97%以上，如圖6 所示。此外，改進后的人工魚群算法收斂速度更快，由此可見改進人工魚群算法更好地實現對農業監測網絡覆蓋問題的優化。通過觀察優化后的節點分布情況可知，相較優化前的基本算法，其在監測區域內的分布更為合理，節點利用率更高。將兩種算法仿真結果經20 次統計后取平均值，對照情況如表1 所示。從中可以看出，在相同迭代次數下，改進后的人工魚群算法能取得更高的覆蓋率，說明其求解速度更快、效果更優。

表1 改進AFSA算法與AFSA算法仿真結果對比（20次統計）Tab.1 Comparison of simulation results between improved AFSA algorithm and AFSA algorithm(20 statistics)

圖6 改進AFSA與AFSA算法優化過程對比Fig.6 Improvement of the AFSA and AFSA algorithm optimization process comparison

5 結語

針對無線傳感器網絡節點的覆蓋問題，本文采用傳統人工魚群算法和改進人工魚群算法進行了優化研究，以實現網絡傳感器應用的高覆蓋率。將人工魚群算法思想應用到農業環境監測覆蓋方面，提出了具體的求解步驟，并通過MATLAB 仿真軟件進行了驗證。根據傳統人工魚群算法中存在的不足，提出了改進方法和求解步驟，并將MATLAB 仿真結果與基礎人工魚群算法和經典智能優化算法相對比，證明了改進后的方法更優。