冬小麦大田中基于改进蚁群算法的传感器部署优化

王森 姚建斌

摘  要：我国作为当今世界的农业大国，小麦的产量在很大程度上影响着我国的粮食总产量和人民的生活水平。以当今智慧农业为导向，分析了传统农业和早期智慧农业的特点及其在传感器部署方面存在的问题。利用蚁群算法并结合传感器距离、覆盖范围两个贪婪因子优化了传感器的节点部署，实现了通信覆盖范围更广、网络连通率更高、网络功耗更低的目标。仿真实验结果表明，该算法的传感器部署密度和部署数量均有明显的降低。

关键词：智慧农业；小麦生长环境监测；节点优化部署

中图分类号：TP393   文献标识码：A 文章编号：2096-4706（2023）14-0142-05

Sensor Deployment Optimization Based on Improved Ant Colony Algorithm in Winter Wheat Field

WANG Sen， YAO Jianbin

（School of Information Engineering， North China University of Water Resources and Electric Power， Zhengzhou  450046， China）

Abstract： As a major agricultural country in the world today， the output of wheat has a great impact on China's total grain output and people's living standards. Guided by today's smart agriculture， this paper analyzes the characteristics of traditional agriculture and early smart agriculture and the problems in sensor deployment. Using ant colony algorithm and combining sensor distance and coverage two greedy factors， the sensor node deployment is optimized， achieving the goal of wider communication coverage， higher network connectivity and lower network power consumption. The simulation results show that the deployment density and deployment number of sensors of the algorithm are both significantly reduced.

Keywords： smart agriculture; wheat growth environment monitoring; node optimization deployment

0  引  言

传统农业中，小麦的监测基本上停留在人工肉眼监测阶段，人工监测小麦的生长状态不仅存在经验化的问题，而且还需要投入大量的劳动力和时间。党的十九届五中全会审议通过的“十四五”规划和2035年远景目标建议中明确指出：未来五年中要持续强化农业科技，深入推进农业可持续发展，加快农业农村现代化建设，这对农作物的生长监测便显得尤为重要。

而节点的部署优化直接关系到整个无线传感网的覆盖率、传输速度、传输质量、节点成本等问题。优质的节点部署不仅可以节约成本，而且还可以在低成本的基础上完成高覆盖率、高传输速度。随着人工智能的不断发展，许多学者将群优化算法應用到节点部署中，经典的算法如蚁群算法、粒子群算法，近年来也有新的算法——松鼠算法被国内外专家提出和应用。但这些算法都或多或少地存在一些缺点，如收敛性差、容易陷入局部最优等问题，需要与实际应用结合分析后再进行改进或适配。因此对传统寻优算法做出改进后应用到传感器节点部署中去，对智慧农业的发展具有重大意义。

1  智慧农业信息网络组网结构

在现代智慧农业应用领域中，网络中的节点主要包括感知节点、传输节点、动作节点。感知节点由不同类别的传感器组成；传输节点主要由网络中的路由节点、中继节点等组成；动作节点为负责执行最终指令的节点，为了保证信息传输的准确性和及时性，有效降低传输过程中的丢包率，决定采用多个采集区域的分布式信息传输，具体组网设计如图1所示。

此方案下的智慧农业通信网络具有以下优点：

1）稳定性强。在传感器与数据采集节点之间采用有线组网的方式可最大限度保证数据的稳定性。

2）各数据采集节点间相互独立。星型拓扑结构保证了各数据采集节点之间不会相互影响。

3）低功耗、低成本。在混合型组网方案中，长距离传输均采用无线通信方式，相对于大批量部署长电缆成本大大减少。

2  基于改进蚁群算法的传感器部署

传统的蚁群算法主要应用在TSP即旅行商问题中寻找最优路径，而将蚁群算法应用于节点部署中的却很少。蚁群算法之所以能够应用在节点部署中，得益于它的高鲁棒性和独立性。

2.1  基于网格点部署的定义与描述

本文的无线传感器网络节点部署是基于网格点形式的，并进行如下定义：

1）小麦监测点（CP）。在监测空间中需要被传感器监测到的且位于网格线交叉处的节点。用两个集合WP和DP分别表示小麦待监测的点集合和小麦已经被监测到的点集合。

2）有效点（SP）。候选网格点，即传感器下一步可部署的网格点。

根据以上定义，首先将监测空间进行网格点划分，如图2所示。

基于网格点的部署问题描述如下：在基于网格点划分的区域中，部署一组传感器节点，使得所有小麦监测点都在所部署的传感器节点覆盖范围内，且保证每个传感器都能与sink节点直接或间接通信。

2.2  基于蚁群算法的节点部署设计

蚁群算法是得益于真实蚂蚁群觅食行为的启发而提出的群优化算法，被广泛应用到旅行商（TSP）等问题中，最近也被应用到网络优化即路由节点部署等问题中。

本文将蚁群算法应用于节点部署中，即将网格中所有有效网格SP点类比为TSP问题中的城市点，将覆盖所有小麦监测点CP作为蚂蚁觅食的终结。

在算法中利用sink节点的通信范围R，将蚂蚁的初始位置全部放在以sink节点为圆心，以R为半径的通信范围内，然后将蚂蚁每次搜索的范围限制为小于半径R，以此来保证每次搜索的结果可与sink节点进行通信。当第一个节点部署完后，下一个节点可部署在由sink节点与第一个传感器节点的通信范围共同构成的区域内，以此达到与sink节点间接通信的目的。所有节点部署完后，传感器节点能够完成对小麦监测点的最大覆盖，蚂蚁的一次迭代完成，过程如图3所示。

如图3（a）所示，当节点1部署后，蚂蚁的寻优范围扩大到由sink节点与节点1所组成范围的并集中。该并集中的节点均可与sink节点直接或间接通信。在该并集中部署节点2，使得网络的覆盖范围和通信范围再次扩大，依此类推，部署节点3、4、5，直至传感器全部部署完毕，且覆盖的小麦监测点（实心圆）最多，如图3（b）所示。下面需要解决的问题是，如何在部署少量传感器的情况下达到上述效果，即尽可能覆盖更多的小麦监测点。

3  算法改進

当小麦监测点过多时，蚂蚁寻优的范围就会迅速扩大，导致算法收敛性下降至出现无法找到最优解的情况。

3.1  在有效网格点集合中加入贪心策略

在实际的大田小麦监测环境中，小麦监测点的数量多达成千上万，远远大于TSP问题中城市点的数量，因此本文在传统蚁群算法中的蚂蚁选择下一城市点的步骤内加入了贪心策略，其核心思想就是在蚂蚁搜索下一步的部署网格点时，剔除掉无法覆盖其他小麦监测点的网格点，以此减小蚂蚁本次的搜索范围。对此，在2.1节中基于蚁群算法在网格中部署问题提出的两点定义中给出了进一步的定义：

1）候选网格点集合C [ ]。既要满足SP点定义的所有点集合，同时也要能够覆盖未被覆盖的小麦监测点（WP）的点的集合。

2）待监测点集合W [ ]。满足2.1节中对WP点定义的所有点集合，即还未被已部署传感器覆盖到的小麦监测点的集合。

3）有效部署网格点集合CE [ ]。既满足SP点的定义，同时也要能够覆盖未被覆盖的小麦监测点（WP）的点的集合。

3.2  改进算法在网格点部署中的模型

为了提高蚁群算法的适用性以及降低蚂蚁的搜索空间，结合传统蚁群算法的模型提出以下优化算法策略。

3.2.1  下一个部署网格点的选择

下一个部署网格点的选择共有两个步骤：一是蚂蚁识别出下一个候选点的集合（C [ ]）。二是蚂蚁利用随机局部决策策略选择候选点集合中的某个点作为下一个部署的位置。在这个过程中，采用贪心策略来减少候选网格点的数量，在有效的部署网格点集合（CE [ ]）中选择某个点作为下一个部署目标。在实际算法中用CN [ ]表示下一次可以部署的网格点集合。

依据传统蚁群算法，蚂蚁k从一个网格点i移动到网格点j的选择概率公式为：

（1）

其中，τim表示m的信息素值，α表示控制信息素影响的参数，β表示控制  影响的参数。这里，α反映了搜索过程中网格点剩余信息素浓度的相对重要性，β反映了影响启发式信息的相对重要性（期望）。如果α和β的值恒定，则算法会在前期陷入局部最优的情况，为解决这种问题，需要对α做出如下修改：

（2）

其中，γ和λ表示常数，且γ ∈ [0，1]，λ ∈ [0，1]，n表示当前的搜索次数，Nmax表示最大的搜索次数。通过（2）式的操作，在算法早期，即n值较小时，算法的搜索速度较快，随着算法的迭代，搜索速度又会逐渐趋于缓慢。这样可保证蚂蚁的搜索能力，使蚂蚁更难陷入局部最优的情况。

在式（1）中， 表示第k只蚂蚁选择链路i、j的期望值，即选择i、j的贪婪因素，可定义为：

（3）

其中，Cu表示u节点可以覆盖的小麦待监测点（WP）的集合， 表示小麦待监测点m的未覆盖次数，Distanceij表示i、j两点之间的欧氏距离。引入Distanceij的目的是使下一个待部署的网格点能够部署在更远的位置，从而减少传感器部署的密度。使用CoverWP来表示目前没有被传感器覆盖的小麦监测点集合（W []），即：

（4）

（5）

3.2.2  息素更新策略

网格点从i到j的信息素更新执行如下：

（6）

其中，ρ表示信息素消散系数，引入信息素消散系数的目的是在蚁群的搜索过程中，将不好网格点的信息素浓度慢慢消散掉，以减少该点对后续蚂蚁的吸引，如果点j被当作当前迭代中的最优解，则：

（7）

其中，Lbest表示最优解中使用的传感器数量。所使用的传感器数量越少，增加的信息素浓度  越大，后续蚂蚁选择该点的概率就越大。在式（6）中，i、j两点信息素的值被约束在τmin和τmax之间，即τmin≤τij≤τmax，τmax可表示为：

（8）

其中，对τmax的限制，是为了防止早期蚂蚁在某个网格点获得较大的信息素浓度时，陷入局部最优导致算法早期收敛的情况。即信息素蒸发系数越大，相对的信息素浓度最大值则会越小。

通过以上对蚁群算法做的改进（即加入贪婪因子CoverWP和Distanceij），使算法能够在保证覆盖范围的同时降低传感器部署密度，从而降低部署成本和网络功耗。此外，通过对影响因子α的修改以及对信息素浓度τmax的限制来保证算法不会在早期陷入局部最优的情况，得出改进蚁群算法（ACO-EDY）。

4  算法评价

为了验证ACO-EDY算法在网格点部署问题中的实际性能，在MATLAB 2016a中对该算法进行仿真实验。分析了ACO-EDY算法在部署平台中的运行实例，将ACO-EDY算法与基本蚁群算法在网格点部署中的应用上与算法PSO-ACO进行比较。分别基于传感器数量、覆盖密度等评价指标对三个算法的性能进行比较。

在ACO-EDY算法中，取α = 1，β = 5，ρ = 0.5。算法的仿真运行结果如图4所示。

观察可得，网格的步长和传感器的通信范围对算法的结果均有影响，但在图4（c）和图4（d）中，即使是再次缩小了网格步长，图4（d）在相同的传感器个数情况下，覆盖的监控点却比图4（c）多。这说明对网格点进行精细的划分，最终并不会对算法结果产生很大影响，而改变传感器和sink节点的通信半径却会对算法的结果产生较大的影响。

在一块区域面积固定的网格区域中，在不同的网格划分和通信半径上与传统蚁群算法ACO和PSO-ACO进行比较，如表1所示。

依据表1的对比试验分析，随着网格被划分得更加精细，相较于PSO-ACO，ACO-EDY算法能够提供更好的部署方案。然而，在基本蚁群算法中，由于蚂蚁的搜索空间不断增加，导致最终得出的传感器部署数量远远大于优化算法的部署数量。

5  结  论

本文将蚁群算法与对冬小麦监测传感器的部署问题相结合，在保证网络全连通的情况下，在基本蚁群算法内加入了贪心因子CoverWP和Distanceij，得出優化后的算法ACO-EDY。并在结果分析中分别考虑了传感器部署对监测点的覆盖情况和部署传感器的密度，相比基本蚁群算法有效降低了传感器的部署数量，同时将本文算法与PSO-ACO作对比，节点的部署数量下降7%～11%，同时节点的分布密度趋于合理，能够进一步降低部署成本和网络功耗。本文的研究结果将为冬小麦生长环境监测提供有益参考。

参考文献：

[1] 周国民.浅议智慧农业 [J].农业网络信息，2009（10）：5-7+27.

[2] 李保国，刘忠.数字农业与农业信息化发展的现状与趋势 [C]//2005年中国数字农业与农村信息化学术研究研讨会.北京：中国农业出版社，2005：157-163.

[3] 李寒.基于物联网的智慧农业大棚控制系统设计 [D].保定：河北大学，2021.

[4] CRUZ D P F，MAIA R D，CASTRO L N D. A critical discussion into the core of swarm intelligence algorithms [J].Evolutionary Intelligence，2019，12（2）：189-200.

[5] ZHANG Z J，HU F N，ZHANG N. Ant colony algorithm for satellite control resource scheduling problem [J].Applied Intelligence，2018，48（10）：3295-3305.

[6] WU X X，SUN M Y，CHEN X，et al. Empirical study of particle swarm optimization inspired by Lotka–Volterra model in Ecology [J].Soft Computing，2019，23（14）：5571-5582.

[7] JAIN M，SINGH V，RANI A. A novel nature-inspired algorithm for optimization： Squirrel search algorithm [J].Swarm and evolutionary computation，2018，44：148-175.

[8] 刘昊，李静，鲁旭涛.5G背景下智慧农业通信节点部署策略 [J].西安交通大学学报，2020，54（10）：45-53.

[9] 赵春江.智慧农业的发展现状与未来展望 [J].中国农业文摘-农业工程，2021，33（6）：4-8.

[10] GOSS S，ARON S，DENEUBOURG J L，et al. Self-organized shortcuts in the Argentine ant [J].Naturwissenschaften，1989，76（12）：579-581.

[11] 李道亮.物联网与智慧农业 [J].农业工程，2012，2（1）：1-7.

[12] 张新，陈兰生，赵俊.基于物联网技术的智慧农业大棚设计与应用 [J].中国农机化学报，2015，36（5）：90-95.

[13] 康孟珍，王秀娟，华净，等.平行农业：迈向智慧农业的智能技术 [J].智能科学与技术学报，2019，1（2）：107-117.

[14] 黄亮.基于改进蚁群算法的无线传感器网络节点部署 [J].计算机测量与控制，2010，18（9）：2210-2212.

[15] WANG H，LI Y M，ZHANG L L，et al. A Self-Deployment Algorithm for Maintaining Maximum Coverage and Connectivity in Underwater Acoustic Sensor Networks Based on an Ant Colony Optimization [J].Applied Sciences，2019，9（7）：1479.

[16] 张荧.改进蚁群算法在车载自组网节点部署中的应用 [D].兰州：兰州大学，2014.

[17] 姚建斌，张英娜，刘建华.基于卷积神经网络和迁移学习的小麦病虫害识别 [J].华北水利水电大学学报：自然科学版，2022，43（2）：102-108.

作者简介：王森（1998—），男，汉族，河南郑州人，硕士研究生在读，研究方向：物联网、智慧农业研究；姚建斌（1982—），男，汉族，山西运城人，副教授，博士研究生，研究方向：农业信息化管理、图像处理等方面的研究。