优化粒子群算法及传感器覆盖优化的运用

基本原理：粒子群算法(PSO)模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻离食物最近的鸟的周围区域。

实现思路：PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。

传感器覆盖优化应用

传感器网络覆盖中的优化应用，即在网络覆盖分布研究如何有效地分布传感器，实现区域内所有点（或指定点）都位于传感网络的感知范围内。

三种算法的曲线变化趋势整体变化与之前相似，在所有算法中，改进PSO目前覆盖率最高。
实验结果显示，改进PSO的进化效果是最明显的，随着传感器感知半径的增加，优化粒子群算法的覆盖率逐渐提升，仿真结果依然表明改进PSO算法且部署覆盖较为均匀，证明了算法的优越性。