基于飞蛾扑火算法和维诺图理论的智慧农业通信节点部署策略

常瑞莉

（青海建筑职业技术学院，西宁 810012）

传统的物联网技术受通信网络传输带宽的局限性，当大量的本地信息通过数据传输单元（DTU）传输到服务器时，需要多个DTU组件来保证信息传输的及时性和流畅性［1］。农业是中国结构的基础，是中国经济成分的基础［2］。但是，与美国、澳大利亚、英国等国家相比，中国的农业生产技术还需要拓展适合自身农业特色的自动化生产技术［3］。通过对中国5年14个计划清单的投票，结果表明“提高农业质量效益和竞争力”“建设智慧农业”等未来农业发展目标将继续以管理原则为基础。智慧农业技术的现代化和进步将增加经济产出，并减少传统活动的进入［4］。智慧农业是全球农业发展的重点，是中国建立农业所有制、了解农业实践的必由之路。通过数据采集与数据采集传输、数据处理与分析、决策等链接，了解远程、精准、智慧的农业管理。数据传输是智慧农业系统的重要组成部分，其传输速度、准确性、可靠性和稳定性影响整个系统的运行［5］。

1 智慧农业信息传输模型的建立

1.1 智慧农业通信网络构建及部署存在的问题

智慧农业通信网络构建及部署过程中主要存在和需要考虑的问题如图1所示。此外，由于智慧农业数据采集节点∕动作节点，三维空间分布还应考虑通信功率低时导致通信距离缩短的问题。传统方法通常使用冗余机制方法来确保整个链接在低功率水平下顺畅，但这种方法提供了一些经济和能耗指标。

图1 智慧农业通信网络构建及部署存在的问题

1.2 智慧农业信息传输网络构建

通常，由于通信功率降低导致通信距离变短，因此在通信功率较低时也应考虑三维空间分布的弱点。图2为分布式无线信息传输网络结构。该结构采用Y+Y型嵌套模式，传输网络可由多个传感设备作为感知节点分组，每组数据汇总在中继节点形成多组内嵌Y型；图中实心三角形所示为数据最终汇总终端，该终端数据由每个中继节点数据汇总而来形成外围Y型。每个Y型中心节点中心复杂，其他节点简单，若中心节点故障则会导致全网故障。

图2 分布式无线信息传输网络结构

1.3 混合星型中继通信网络节点优化部署策略

1.3.1 通信网络节点部署问题随着科技的飞速发展，智慧农业的概念很快得到落实，在国家政府的大力支持下，智慧农业活动的数量每天都在增加，随之而来的是智慧无线通信链接的建设和评估［6］。目前，已经解决了创建智慧农业通信链路的问题，解决网络通信问题是提升农业数据传输速率、降低通信能耗的必由之路［7］。对于通信网络链接，主要集中在协议变更、资源升级和网络节点切换的使用上。与前两者相比，网络节点切换方法通过调整通信网络链接的输出时间，提高了硬件资源的选择和最小化，可以提高数据传输，保证通信网络的连通性［8］。消耗通信链路的功率，降低设备安装成本。但是，传统通信网络的交付通常基于随机分布、分布后校正、简单的测量方法等小项目的使用，还易造成基础节点（数据采集节点、动作节点）脱节、数据传输丢包、传输能耗高等问题［9］。

基于此，本研究提出了一种群体智慧算法的智慧农业通信网络节点部署方案，或者说是一个通信网络节点方案。在本方案下，通信网络节点的配置如下：根据实际需要，完成并分发数据采集节点和工作节点工具后，固定年龄标记和聚合集群的输入点，完成所有功能。过程如下：首先建立三维坐标系，用以表征数据采集区和对应功能区在三部分空间的分布，对原始数据集的性能进行建模，然后得到通话时间的大小。不同仪器作为二次通信节点分布的权重指标，真正的分布问题变成了一系列数学模型，通过数学模型评估节点的使用情况，将各通信节点信息传递问题转变为目标评价问题；然后，基于内置Voronoi设计的改进特征moth-to-fire算法，通过对飞蛾进行引导搜索来提高算法的速度和准确性，从而改进模型。最后，在使用第一层中继节点的基础上，将所有中继节点作为输入模型，完成第二层（汇聚节点）的部署工作。

1.3.2 通信网络全连通模型当所有设备及相关的通信节点均处在通信网络的覆盖下时，该网络称为（Fullyconnected）FCN网络［10］。在此基础上，建立智慧农业FCN网络模型，建立过程及方式如下。

在3D环境下，2个设备或通信节点Si(xi,yi,zi)、S(xj,yj,zj)之间的距离Dij表示智慧网通信网是互联的，即所有的网盘都在通信网的盘中，没有互联，没有插件［11］。在此背景下，建立智慧农业通信关系的连贯模型的方法。

如果任意2个设备的数据传送覆盖半径ri和rj之和小于它们之间的距离，或者说建立了链接，即：

可进一步推出所有数据采集节点（Data Acquisition Node）DN与中继节点（Relay Node）RN之间的中继链路，功能节点（Operation Node）AN与相连RN之间的中继链路，以及所有RN与宿信号之间的中继链路（Nink Node）SN和是以下所有网络节点的链接。

其中，na为动作节点，nb为感知节点，nc为中断节点，nd为汇聚节点，Cac,Cbc,Ccd为各类节点间连接通率，Call为全网络连接通率。

其中，na、nb、nc、nd各节点为信息交互点，其有效传输范围为以自身为圆心，半径分别为ra、rb、rc、rd的圆形区间内。如果两类节点之间的距离满足范数，则认为是2个节点之间的连接环节。

任意2个节点的连通率Cij可表示为：

1.4 通信网络节点最优部署模型

所谓通信网络节点的最优部署，即通过设计高效且合理性强的通信网络部署方案，以最少的通信设备资源投入，降低整个网络的功耗，将所有设备接入网络，进而实现FCN网络结构［12］。基于现实生活中的模型和对有利条件下的农业环境的追求，本研究对模型提出以下假设。

1）对于信息量估计：通信信息节点在同一稳定时域内的信息数据是确定的，但各点的数据体量因自身节点等情况是不同的。

2）对于RN节点设定：确定RN节点的中继对象后，RN只需发送指定的中继对象，提供中继服务。

3）对于网络节点部署完成后的假设：网络创建完成后（网络节点已部署），节点将不再进行位置调整。基于以上题目，确定使用网络节点的最优模型。

1.5 智慧农业网络节点最优部署模型

在本研究中，智慧农业网盘的优化分布：在满足通信网互联的基础上，以最少的Y型通信节点，从而有效提升网络中节点有效周期，让系统各点进行数据传送更顺畅。基于以上定义，当节点数为8时，能耗最低，以下是使用智慧农业网络节点的最佳示例。

式中，E为全网通信能耗，Ei为各节点通信能耗。

2 飞蛾扑火算法设计及参数设定

2.1 飞蛾扑火算法

群智算法在AI（人工智能）的基础上发展而来，通过对生物群体的目标寻找方法进行建模，解决了传统的牛顿法、梯度下降法（求导法）求解困难局面的复杂性［13］。基于此，分析者重点关注使用集群智慧算法来进行大型通信网络节点的优化分布。随着研究的不断深入和应用特征的不断增多，群算法的传播范围和规模也越来越广泛，本研究的模型也可以用于客观-客观评估问题［14］。因此，本研究模型的求解采用了飞蛾扑火集群寻找最优法求解，此时蝴蝶火蓝算法也处于改进的边缘。飞蛾扑火优化算法（MFO）是SAYEDALIM开发的一组环境启发式优化算法。MFO算法的核心思想就是用飞蛾M（Moth）去寻找最优火焰F（Flame），而火焰就是对应的最优解。在优化过程中，F是固定的，而M通过从其位置不断移动到火焰中：

式中，Lij=|Fj-Mi|，Mi表示第i只飞蛾；Fj表示第j个火焰；S为螺旋线函数，b为其对应函数中的常数；t代表通信时间。

在M不断寻找最佳F的过程中，通过连续照射，F的非阳性数量减少（消除火焰）：

式中，T为迭代次数的最大值，l为迭代次数，N为火焰数的最大值。

在MFO算法中，用于更新每个脉冲相对于火焰的位置，根据式（9）得到：

式中，Di表示第i个飞蛾与第j个火焰之间的距离，Di=|Fi-Mi|；b表示旋转圆的形状；［-1，1］之间的一对数字，被定义为蠕虫接近当前支架火焰的指示。MFO算法将模型设计为具有尽可能多的火焰Nflame，在迭代过程中最小化以防止整个算法落入最优域。

式中，T为最大迭代次数；Z为当前迭代次数；N为火焰数量的最大值。

基本MFO算法流程如图3所示。

图3 基本MFO算法的流程

2.2 基于维诺图的算法改进与适配

维诺图（Voronoi diagram，VD），一个连续的多边形包含在由相邻符号集形成的、直线的垂直饼干中。在3D空间中，对线段使用VD图会创建一系列连续的多边形，称为泰森多面体（Tyson polyhedron，TP），图4是一组160°接近3D空间的3D-VD图像。

图4 三维维诺图

如图5所示，3个多面体中的3个点A、B、C与它们的分母D有如下关系：AD=BD=CD，即相邻泰森多面体中的点与其形容词的距离。

图5 通泰森多面体特性

本研究将分布在三维空间内的所有传感器节点进行维诺图划分，将所有在Voronoi设计中分布为三相的信号分离Dmax为指标，切换所有元件，确定每条传输电缆的二进制数，中继节点服务对象决策方案的具体流程如图6所示。

图6 中继节点服务对象确定方案

根据以上信息，每条传输链路和服务盘相互连接，节点polyodeon包含先前构建的泰森多面体的锚点，两者的具体关系如图7所示。

在图7中，当各中继节点中连通信息量最小为cmin，且包含了飞蛾所需探索的最重要的信息时，外围命名的服务节点分为5个名，为A、B、C、D、E的节点。

图7 节点多面体与泰森多面体顶点关系

2.3 飞蛾扑火算法优化

在本研究的基础上，利用1个节点在1周内产生的信息权重来确定不同节点类型的权重∂，最终种群达到平衡权重时完成第一次优化。权重平衡条件为：

式中，∂为不同节点的权重，d为不同节点间的距离。

每一传感器节点的权重值分别和其对应种群m的乘积是相同的，种群生成和有向搜索过程的实现如图8所示。

图8 种群生成及有向搜索

由图8可知，A、B、C是符号集，D是符号集对应的泰森多边形的锚点。图8a显示总网络由D为初始种群中心点，图8b显示A、B和C的加权值是指示性的α、β、γ。根据图7的节点多面体与泰森多面体顶点关系对各节点进行分配连接，根据本节描述的种群生成和运动方法，图7中编号为1、2、3、4、5的5个节点依照泰森多边形的中心D移动，以此完成5个泰森多边形顶点移动，最终结果如图9所示。

图9 初次寻优结果

在图9中，初次寻优将中继节点初步锁定在由顶点1、2、3、4、5所围成的多面体内。此时，只有飞蛾的种群向多面体的内部方向移动。根据对数平面模型，对多面体进行第二次分析，基于MFO算法改进分辨率算法，以便正确定位过渡点。

2.4 飞蛾扑火优化算法参数设定

首先，确定节点类型、节点数量和节点1周发送数据的数量等参数，如表1所示。

表1 参数设定

重新设计比较系统，以确定三维空间中所有簇的分布，模拟测试环境确定为三维空间，节点分布如图10所示。

图10 节点三维空间分布情况

3 试验结果及数据分析

3.1 基于VIMFO算法的部署结果

本研究使用配置in-tel i5-8650运行内存的笔记本电脑，在上述参数设置条件下，测试结果如下。①根据图6所示流程确定中继节点的服务对象，共确定10个中继连接；按照图10所示获取每个切割节点的输入空间，具体结果如图11所示。②在上述试验结果的类别下，进一步求得汇聚节点的部署位置，切割节点和下沉节点在三维区域的最终分布位置如图12所示。③用本研究描述的策略，得到了本智慧农业系统各传感网信息传输的网络节点关系分布情况，如图13所示。

图11 中继节点及汇聚节点分布

图12 智慧农业信息传输网络节点分布

在各中继节点服务对象及部署位置的基础上，求得所有节点之间的距离分布矩阵，如图13所示。在图13中，CT代表淹没核即数据汇聚区域，CT-R代表序列中第1～10个数据的聚集记录点，R-A代表A区的所有数据点，AB代表区域B中的所有数据点。相比之下，I-J代表区域J中的所有数据点。

图13 节点间距离分布矩阵

从图13中可以看出，将汇聚节点到每个中继节点的距离分配给65 m之间，切割节点到分布区域节点的距离是内部分布的。解的分布是恒定的，不存在显著变异的解，并且都在适当的中继线和汇聚节点的控制之下。

3.2 对比试验

为验证本研究所述算法的性能及可靠性，采用传统的蚁群算法（AC），按照描述的过程进行改进，并在变量相似的原则下对蚁群安东尼（VIAL）算法进行改进，通过对比测试各算法发现MFO算法是满足性能和可靠性的最优算法，可测试算法的求解速度以及求解方案的优缺点。首先，从能源消耗的可变性的角度进行比较［15］。在不同算法的结果下，每个过渡点对应的基本系统（传感器节点、功能节点）的数量对比如图14所示，基础节点到对应中继能耗波动对比如图15所示。

图14 不同算法下各中继节点对应的基础节点数

从图14、图15可以看出，VIMFO算法和VIAC算法有10个过渡点。2种算法在多个记录点获得相同的值，但由于功耗差异，VIAL算法其效率相比VIMFO算法低且兼容不了复杂情况下的多个节点。MFO算法需要建立11个中间节点数据，与其他算法相比，MFO算法在能耗上存在差异，导致高功率低效率，增加了用户的维护负担；AC算法和MFO算法相比，虽然降低了能耗的差异，但需要分布13个中间数据节点，经济变量小。因此，本研究描述的优化策略在一定程度上减少了网盘之间的能耗差异。从互联互通的角度进行比较，在不同算法下网络连接率如图16所示。

图15 不同算法下基础节点到其中继节点的能耗波动对比

图16 不同算法下通信网络连通率

由图16可以看出，AC算法随着迭代次数增加其网络连通率上升较快，直到16次时达到最大。最终AC算法连通率可达0.810左右；MFO算法用于确定解，迭代次数为20次，此时连通率达0.823，而VIAC算法、VIMFO算法的迭代次数为9和11次，网络连接比改进后的算法已达到10 000，即识别出本节所示的总网络连接率。完成MFO、AC、VIAC和VIMFO算法时，算法耗时分别为5.33、5.12、3.16、3.31 s。可以看出，改进算法的求解速度更快。最后，从能耗的角度进行比较，结果如图17所示。

由图17可知，与非标准AC算法相比，本研究改进的VIAL算法功耗优化效率提高率可达0.081，而VIMFO算法与常规MFO算法相比，能耗优化效果提升率可达0.069。上述发现说明，本研究改进策略的有用性。最大化所有对比测试，VIMFO算法通过功耗、低能耗和传输磁盘数量的差异来了解提供商的通信网络的总连通性，种群在管理良好的情况下必须改变整个搜索区域，策略非常高，优化时间增加到很大；另外，解容易落入域的最优水平，这也是这类算法的一个问题，能够有效解决上述缺陷。

图17 不同算法下1周内能耗对比

4 小结

针对5G知识下智慧农业通信网络的通信问题，本研究利用5G通信的高带宽容量和低带宽，设计了1个分布式的通信网络，并采用三维维诺图进行改进。群分析的经典算法，最大限度地利用智慧农业通信网络的传输空间和天坑的最佳位置。试验结果表明，本研究提出的策略可以在通信链路全链接的前提下，降低传输能耗和算法优化时间。