.png){kind=icon}
返回
A Piecewise Chaotic Starfish Optimization Algorithm for Energy-Efficient Coverage in Wireless Sensor Networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jnca.2025.104410.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提升覆盖范围和降低能耗是无线传感器网络（WSNs）在高容量和大数据密集型部署中的基本挑战。WSNs在新兴技术中扮演重要角色，但面临实际限制，特别是与覆盖范围和能耗相关的方面。传感器节点的战略性部署对确保服务质量至关重要；然而，许多现有的传感器节点部署优化算法在低覆盖率和高能耗方面存在困难。一个显著的问题在于确定最优传感器节点位置，因为这些位置对网络的覆盖范围和能耗有重要影响。本研究提出了一种分段混沌海星优化算法（CSFOA），用于解决优化WSNs中传感器节点部署以最大化覆盖范围并最小化能耗的挑战。分段混沌映射的集成增强了算法在寻找更优解时的收敛性和探索能力。CSFOA的有效性通过一系列不同的基准函数（包括单峰、多峰、固定和可变类型）得到验证，证明了其在优化性能上的卓越性。CSFOA在真实测试案例的传感器节点部署中取得了更优结果。例如，在Test System 1（20个节点）中，覆盖率为97.4757%，能耗为0.29967 nJ/bit；在Test System 2（30个节点）中，覆盖率为99.9713%，能耗为3.2193 nJ/bit；在Test System 3（40个节点）中，覆盖率为98.8690%，能耗为5.1107 nJ/bit。与CMFO、CSSA、CPSO、SFOA、MFO、SSA和PSO算法相比，CSFOA在各项评估指标上实现了平均16.41%、5.36%、3.45%、2.371%、2.80%和2.18%的改进。这些结果突显了该算法在平衡覆盖范围和能耗效率提升方面的能力，并证实了其在不同应用场景中作为更有效解决方案的价值，以解决传感器节点部署问题。
期刊
IF:
8
论文数:
3.7K
被引数:
1.1W
机构
引用论文
Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm蛾焰优化算法: 一种新的自然启发启发式范式
PREAI
分享收藏Enhanced deep learning-based optimization model for the coverage optimization in wireless sensor networks基于深度学习的增强型优化模型，用于无线传感器网络中的覆盖优化.png)
IF0
PREAI
分享收藏An Energy-Saving and Efficient Deployment Strategy for Heterogeneous Wireless Sensor Networks Based on Improved Seagull Optimization AlgorithmBIOMIMETICS
OAAI
BIOMIMETICSIF3.9
OAAI分享收藏Enhancing wireless sensor network lifespan and efficiency through improved cluster head selection using improved squirrel search algorithm通过改进的松鼠搜索算法优化簇头选择，提升无线传感器网络的寿命和效率。
OAAI
OAAI分享收藏Applications of Wireless Sensor Networks and Internet of Things Frameworks in the Industry Revolution 4.0: A Systematic Literature Review无线传感器网络和物联网框架在工业革命4.0中的应用: 系统文献综述SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏
查看更多内容