遗传算法的应用电子技术无线传感网络中基于覆盖度优化的自适应遗传算法|上海羊羽卓进出口贸易有限公司

无线传感网络中基于覆盖度优化的自适应遗传算法

王骐，王青萍

（湖北第二师范学院物理与机电工程学院，湖北武汉 430205）

：在资源受限、多跳的无线传感器网络中，节点分布或网络拓扑结构不合理，将会产生感知阴影和覆盖盲区，严重影响数据感知和网络能效。为此提出一种基于节点移动的总适应度的遗传算法，通过节点的移动对节点进行分簇和重定位，实现网络节点覆盖度的优化和高能效的节点动态部署。仿真表明，算法对节点的重定位优化了节点部署和路由配置，能量在各种不同功能性节点之间的分配更加合理，在适应度参数保持平衡的情况下，减少了网络内节点“重分簇”的次数，最大限度地提高了网络覆盖度和生存期。

：动态部署；覆盖度；能效；适应度；遗传算法；仿真

中图分类号：TN918.91文献标识码：ADOI： 10.19358/j.issn.1674-7720.2017.08.003

引用格式：王骐，王青萍.基于覆盖度优化的自适应遗传算法［J］.微型机与应用，2017,36（8）：7-10，14.

0引言

*基金项目：湖北省高等学校优秀中青年科技创新团队计划项目(T201417)在无线传感器网络中，节点的分布以及网络拓扑结构的构成，对于数据的感知和俘获以及网络的生存都具有十分重要的意义。在节点随机部署的静态传感器网络中，为了获取良好的感知效果，在环境中往往会部署大于实际需要的冗余节点，因此网络中有可能因为节点分布的不合理，造成感知阴影和覆盖盲区［12］，使得有些被监测事件无法进行及时跟踪。特别是当某个特定区域需要多个传感器节点协同感知数据时，如果这个区域节点分布稀疏，那么就无法完成更精准的测量。在能效方面，由于传感器节点负载的分布高度不均，当向汇聚节点进行数据传递时，那些远离汇聚节点的传感器节点将会消耗大量能量，从而导致资源迅速枯竭。另外，由于单跳或多跳网络的跳长固定不变，通信路径无法优化，不利于有效降低能耗。

相比于节点的静态部署，基于节点移动性的动态部署能够很好地解决上述问题。特别是在资源受限、多跳的移动传感器网络中，可通过节点的移动性构建新的最短路径，变多跳传输为少跳或单跳传输，从而缩短通信路径，不仅可以均衡传感器节点的负载分布，还可以最大限度减少通信开销［3］。

本文基于对生物进化机制的模仿，采用“进化算法簇”中的遗传算法（Genetic Algorithm，GA），实现节点分布的动态部署，进一步优化网络节点的覆盖度，最大限度提高电池和传感器节点的使用寿命。

1遗传算法适应度函数的构建

在网络模型中按照功能将传感器节点进行了分类：（1）非活动节点（断电状态）；（2）簇头（CH）；（3）簇间路由器（ICR）；（4）传感器节点（NS）。遗传算法的适应度函数是用来判断群体中个体的优劣程度的指标，它根据所求问题的目标函数来进行评估。在具体应用中，适应度函数的设计直接影响到遗传算法的性能，因此要结合求解问题本身的要求来定。本节将介绍移动性的遗传算法适应度函数的构建及其重要参数。

1.1覆盖均匀性适应度

覆盖均匀性适应度（Coverage Uniformity Fitness，CUF）表示覆盖度的变化情况及其对环境的适应能力。节点的移动可提高网络覆盖度，从而减小“覆盖盲区”或增大监测面积，这可通过重新调整簇内成员节点之间的通信距离来实现。当节点之间处于最佳距离时，相邻节点间的最大距离以及所需的传输功率将趋于最小化，这有助于最大限度提高“节点通信适应度NCF［4］”。CUF表示为：

其中M表示簇的数量，dj_min和dj_mean分别表示簇j内节点间的最小通信距离和平均通信距离，ej_min 和ej_mean分别表示簇j内节点与簇头间的最小通信距离和平均通信距离。

1.2簇节点迁移适应度

系统奖励传感器节点在具有较低“簇头适应度CHF［4］”的簇头之间进行迁移，以此来改进传感器节点和簇头分布的均匀性，这种均匀性的改进用簇节点迁移适应度（ClusterNode Migration Fitness，CNMF）表示。簇节点迁移适应度CNMF可表示为：

其中n表示第n个迁移对（源簇目标簇），N表示迁移对的总数量，χns表示源簇内冗余的传感器节点数量，χnt表示目标簇内废弃的传感器节点数量，ρns和ρnt分别表示源簇和目标簇内簇头下的节点数量，ρ表示每个簇的平均节点数，表示为：

从以上适应度公式可看出，如果传感器节点位于较低CHF的簇内，且从源簇到目标簇具有较高的扩散梯度，那么这种情况有利于节点的迁移。

1.3簇头迁移适应度

簇头迁移适应度（ClusterHead Migration Fitness，CHMF）奖励簇头（CH）和具有较低“路由器负载适应度RLF［4］”的簇间路由器（ICR）的移动。CH和ICR的移动可获得较高的RLF，这是因为：

（1）ICR或CH的移动可改变ICR的成员身份，从而优化CH/ICR的数量［4］。

（2）通过移动，ICR可与其他的功能性节点（簇头和传感器节点）交换角色。比如通过交换，可以使具有较高电池容量的节点作为路由器使用，这有利于维护现有的拓扑结构。

簇头迁移适应度（CHMF）可表示为：

CHMF=1N∑Nn11+ηn((1-RLFn)+ηn(1-BFns+BFnt))（6）

这里N表示移动的节点总数，RLFn表示第n个节点的“路由器负载适应度［4］”，BFnt表示非ICR节点的“电池适应度［4］”，它与第n个ICR节点（电池适应度为BFns）进行交换形成交换对。ηn是布尔值，表示第n个ICR的交换对是否存在。显然，根据式（6）可知，具有较低的电池容量和路由器负载适应度的ICRs和CHs是易于进行移动的。

1.4节点移动适应度

节点移动的平均距离与它的移动轨迹有关。由于节点的移动会消耗电池的能量，因此在有限的能量范围内，节点移动距离的期望值可看成是节点移动所需能量的估计值。所以，要实现优化覆盖度和提高网络能效的总体目标，需要保持节点移动特性的稳定性，即节点移动的频率和幅度。

节点移动适应度（Node Motion Fitnes, NMF）可表示为：

NMF=(1－Fi(Q,distance)+(1－φi(n)))/2(7)

其中φi(n)表示对第i个传感器节点进行惩罚的一种度量，原因是它移动时位置不稳定，到达同一个位置的次数达到n次(0≤φi(n)≤1）。Fi(·)表示第i个传感器节点的惩罚函数，且0≤Fi(Q,NodeType)≤1，其中Q是电池的状态，表示成一种量化步长，distance表示节点移动的预估距离，它是采用基于能量的定位方法，根据节点在不同位置的多个能量读数间接估计出来的。

假定yi(t)表示第i个传感器节点在时间间隔t内的信号能量，则：

其中Gi表示第i个传感器节点的增益因子，α(≈2）表示能量衰减因子，εi(t)表示参数建模误差的累积效应，S(t)表示目标节点在时刻t释放的能量，r(t)是D×1的向量，表示目标节点在时刻t的坐标，ri也是D×1的向量，表示第i个静态传感器节点的笛卡尔（直角）坐标。

1.5传感器节点数据适应度

传感器节点数据适应度（Sensor Data Fitness，SDF）衡量的是传感数据的效率，并据此重新定位传感器节点，使其数据传输能通过融合、消除或压缩等方式被统一优化。在给定信噪比（SNR）下，通过提高传感质量还可使数据传输进一步优化［5］。在资源（通信、电池等）受限情况下的最佳传感质量可表示为θ(B,F)，其中B表示与传感操作相关的QoS条件，F表示定时策略。实施QoS属性是为了充分利用可变数据的压缩和融合规则，而实施定时策略是为了根据传感器节点的不同情况（比如说密度等）来改变比特率［6］。一般来说，降低簇的平均能耗有利于传感器的移动。SDF表示为：

其中λ1+λ2=1，λ1和λ2可根据传感器节点的运行情况进行自适应调整。F={F1,F2,…,FN}和B={B1,B2,…,BN}分别表示簇n内每个移动传感器节点的平均移动频率和传输比特率，φ(X,n)是关于随机传感器节点X的增益改进，Xnμ和Xnσ分别表示簇n内连续采样样本(s)的均值和方差。

1.6节点移动的总适应度

根据以上所述，节点移动的总适应度（Total Node Motion Fitness, TNMF）可表示为：

TNMF=α1CUF+α2CNMF+α3NMF+α4CHMF+α5SDF（11）

其中α1+α2+α3+α4+α5=1，单个αi的权值可根据外部启发式算法［7］进行自适应调整。算法根据节点的运行情况在一定时间内进行多阶段决策过程的优化处理，以最大限度取得单个αi的最优组合值为目标。

2节点部署遗传算法

根据式（11），采用GA遗传算子，可设计出节点的最优动态部署算法。本节将介绍节点重定位的染色体表示，以及算法的主要流程。

2.1染色体的表示

GA的染色体是解决目前问题的关键模块，形式上与遗传算子和适应度函数相适应［8］。染色体串由每个传感器节点的移动矢量形成，该矢量由7位二进制数表示，称为“基因”［9］，如图1所示。

图1基于遗传算法的节点重定位及其染色体表示

将染色体串的层次结构定义成：

((θ^xθxS^xS)1(θ^xθxS^xS)2(θ^xθxS^xS)3……)1……

((θ^xθxS^xS)1(θ^xθxS^xS)2(θ^xθxS^xS)3……)n

其中(θ^xθxS^xS)i表示节点的移动矢量，并具有以下特性：

(1)(θ^θ)表示0°(00)，90°(01)，180°(10)，270°(11)等角度的移动。

(2)(S^S)表示传感器节点沿着给定方向移动的有限步数。

(3)只有当其中一个x的值为1时，传感器节点才会移动。

在图1中，根据节点坐标的变化，节点1、2的位置改变了3次，节点3、4改变了2次，而节点5、6、9只改变1次，其他节点没有改变。因此，每个节点重定位后的染色体表示为：

2.2算法的流程

算法的流程如图2所示。

产生初始种群时，初始染色体串一部分由随机数发生器（RNG）产生，另一部分则由以前的种群样本产生。每个染色体串根据TNMF函数（节点部署函数）对适应度进行评估，参见式（11）。繁殖使得具有较高适应度的染色体串能够以较大概率产生下一代染色体子串。因此，根据TNMF定义的适应度公式，具有最高TNMF值的染色体将更有机会繁殖下一代染色体子串。繁殖期间，算法采用“标准加权轮盘”的方式，选择n个染色体串投入到“配对库”中，以“交叉概率”产生N个染色体。染色体繁殖期间，多个交叉点的位置由随机数发生器（RNG）计算产生。染色体变异时，将生成的N个染色体放入突变库，突变算子根据自适应突变概率（与平均适应度成反比）使其产生突变，采用类似抛硬币的方式来决定是否要将比特位进行逆变处理（即0→1，1→0）。设突变概率的最大值为pm，则：

pg=pm(1－(N*TNMFavg)/TNMFtotal)（12）

在选择阶段，根据适应度值，从N+n个（n个双亲，N个孩子）染色体中选取n个染色体延续到下一代［10］。算法运行时，比较每一次迭代得到的最优适应度，如果最大适应度值和平均适应度值变化不大、趋于稳定，那么此适应度值即为近似全局最优解，算法终止，否则循环进行。

3算法仿真与结果分析

仿真的实验场景由100个节点组成，这些节点随机分布在30×30的区间内，每个节点具有唯一的UUID，随机分配量化值介于0～15之间的电池容量，坐标介于(0,0)～(30,30)之间。为简化起见，每个节点覆盖的范围为3×3，并假定节点之间的通信为视距传播（即无线信号的直线传播）［11］。一旦所有的节点都处于监听模式，那么GA运行时的交叉率为60%，初始变异率为6%。式（11）中节点移动的TNMF的单个αi组合值由外部启发式算法运行得到，α1～α5分别为：0.113 4、0.356 3、0.229 4、0.107 5、0.193 4。

实验模拟汇聚节点的运行，NS2软件模拟网络的流量。尽管每个GA适应度函数彼此存在竞争，但它们收敛于系统的平衡点，从而最大限度提高了网络生存期，获得了网络的最佳覆盖度。节点静态和动态部署时，迭代次数与覆盖度的函数关系如图3所示。

从图3可以看出，在节点具有移动性的动态部署中，覆盖度增加了大约30%。但由于节点具有移动性，覆盖度的增加也可能会导致通信开销的增加，原因是：（1)对节点的移动指令进行加密和认证；（2)节点的移动可能会导致临时数据包的丢失以及数据的损坏，从而引起通信路由上的安全认证属性进一步增强。尽管节点重新部署会降低通信成本，但是节点的移动会增加电池成本，因此可能会降低系统的总体效益。

迭代次数与节点损失之间的关系如图4所示。从此图可以看出，动态部署明显优于静态部署，损失的节点数减少15%～20%。在静态部署情况下，节点的损失呈指数级，而在动态部署的情况下，由于总能量的分配更加优化，节点在簇内是逐渐消亡的。静态部署方式下，节点的消亡会给覆盖度带来损失，由此会延长数据传输的路径，增加数据传输的能耗。

4结论

本文基于多目标的遗传算法，提出了一种移动传感器节点的动态且高能效的部署方式。这种方式利用节点的移动性，以最佳方式对传感器节点进行重新定位，从而进一步优化节点的分配、路由配置，进而最大限度提高网络覆盖度和生存期。在实验中可以观测到，由于节点的重定位提高了电池利用率（适应度），因此能量在各种不同功能性节点之间的分配更加合理。在适应度参数保持平衡的情况下，节点位置的改变会导致节点功能的改变，这也会减少网络内节点“重分簇”的次数。

参考文献

［1］付华,韩爽.基于新量子遗传算法的无线传感器网络感知节点的分布优化［J］. 传感技术学报,2008,21(7): 1259-1263.

［2］陈喻,王飞宇,杨任尔,等.利用sink的移动性提高无线传感器网络寿命［J］.机电工程, 2013,30(5):636-640.

［3］黄月,项妹,肖磊,等. 无线传感器网络的节点部署问题研究［J］. 控制工程,2012,19(4):648-649.

［4］ KHANNA R, Liu Huaping， CHEN H H. Selforganization of sensor networks using genetic algorithms［C］. IEEE International Conference on Communication, Istanbul, 2006：33773382.

［5］张石,鲍喜荣,陈剑,等. 无线传感器网络中移动节点的分布优化问题［J］. 东北大学学报(自然科学版), 2007,28(4):489-492.

［6］唐明虎，张长宏，昝风彪. 无线传感器网络APIT定位算法［J］. 微型机与应用，2010,29(21):1-4.

［7］班冬松,温俊,蒋杰,等. 移动无线传感器网络k栅栏覆盖构建算法［J］. 软件学报, 2011,22(9): 2089-2103.

［8］何璇, 郝群, 宋勇. 一种移动无线视频传感器节点的覆盖算法［J］. 传感技术学报, 2009, 22(8):1163-1168.

［9］叶苗,王宇平，代才，等. 无线传感器网络中新的最小暴露路径问题及其求解算法［J］. 通信学报，2016,37(1):49-60.

基于遗传算法的图像分割处理技术研究

图像分割是图像处理中的一个关键步骤，也是图像分析和理解的基础，对图像目标进行提取、测量都离不开图像分割[1]。

目前，国内外学者采用不同方法对图像分割问题做了大量研究[2-3]，这些方法各有优势，也存在一些问题。例如，基于图论的图像分割是一个研究热点，但此法属于NP-hard问题，也就是随着图中节点数的增大，问题的求解将变得复杂耗时。另外，目前还没有能够精确求出最优解的算法，实际中一般采用近似的求解算法，这使得图像分割中不可避免地存在一些误差，从而影响图像处理的效果。而能使这些误差最小，从而使计算机视觉达到实用化的要求。而且，遗传算法进行图像处理时不像传统算法那样局限于邻域特性的最佳，而是考虑整幅图像的最佳，使图像处理效果接近人眼的观察效果[4-6]。

1 使用遗传算法进行图像分割的思路

图像分割关键因素是获得灰度图片的分割阈值。因此，在用遗传算法处理时，首先要用染色体表示阈值，目标是选出最佳阈值染色体。同时，应确立最佳阈值的评价指标，也就是适应度函数的建立。

围绕这个主题，首先要建立染色体初始种群；而后，调用适应度计算模块，计算种群中各个染色体的适应度值，接着按照适应度值对种群中的染色体进行排序，并记录该代种群的最佳阈值；在选择步骤中，按照一定规则用上一代适应度大的个体替代当前代适应度小的个体组成新的种群；进入交叉处理环节后，按照设定的比例采用某种方式（例如随机方式）选择需要进行交叉的染色体对，在此过程中将产生不同于前辈的新的染色体个体；执行变异步骤，在此步，将按照设定的概率，以一定的方式（例如随机）找出发生变异的染色体基因位置，这个过程同样会产生全新的个体；当变异步骤执行完后，再次回到适应度计算步骤循环进行，直到达到设定的遗传代数[7-8]；最后，依据算法给出的最佳阈值对图片进行处理并显示。算法的流程如图1所示。

2 算法中主要模块的设计

2.1 预处理和初始种群生成模块

在预处理步骤中需要设计染色体表示方法。由于本文中灰度图的阈值最高限为255，是一个数值，因此这里采用二进制表示法即可[9]。二进制的位数由式(1)确定。

其中，bj、aj分别表示染色体描述变量区间的最大和最小值，mj表示采用的二进制位数。本文中阈值的取值范围为[0，255]，代入式(1)可以求得mj=8，也即本文中用8位二进制表示染色体个体。为考虑整幅图像最佳，这里判别染色体个体优劣的适应度函数采用式(2)来描述。

其中，p1、p2分别表示目标像素和背景像素的个数，μ1、μ2分别表示目标像素和背景像素的平均灰度值，f表示适应度值。

在算法的初始化操作中，采用随机生成的方案随机生成10个8位的染色体，构成初始种群。交叉概率和变异概率分别设置为0.7和0.2。

2.2 适应度计算模块

在此操作过程中要设置代沟，这里设置为0.9，也就是将要淘汰10%的较差个体[10]。在第二代以后的群体中，将90%的更优秀的个体保留进入后续处理程序；对群体中保留下来的个体计算其对应的阈值；分别统计低于和高于阈值的灰度值的总个数和总和，继而求出两类灰度的平均值，根据式(2)计算出对应于每条染色体的适应度值；对于本代和上一代，根据适应度值由小到大对染色体进行排序；统计每一代的最佳阈值和最佳适应度值。阈值到灰度值的转化见式(3)。

式中，h是灰度值，c是染色体对应的十进制数值，l是二进制染色体长度。

本步骤的算法流程如图2所示。

2.3 选择模块、交叉模块和变异模块

在选择步骤中，首先计算前一代中适应度值比当前群体适应度值大的个体及其数量；而后，用上一代适应度比当前代更大的个体随机取代当前代的个体；最后，将当前代的各项数据保存。

在交叉操作中，首先依据交叉概率随机地选出参与交叉的染色体对；然后，按照随机选择方案选出交叉点位置进行交叉，这里的交叉选用单点交叉即可[11]。

在变异操作中[12]，首先依据设置的变异概率计算出在群体中所有的基因里参与变异的基因数量；使用随机选取的方式确定变异基因所在的行列位置，然后对选择的变异基因进行取反操作；保存处理过的种群；最后，用上一代中最优的染色体补充到当前代群体中，以维持种群中染色体的数量。

上述几部分操作的流程图如图3所示。

3 使用传统遗传算法进行图像分割的实例

为验证上述传统遗传算法的效果，应用该法对某带有底部噪声的电力电子逆变系统图片进行了处理。

原始图像如图4所示，处理后的图像如图5所示，最佳适应度值进化曲线如图6所示。

由处理结果可见，传统遗传算法在进化过程执行到20代左右就已经收敛到最佳值了，而且能将底部颜色和文字噪声彻底清除，比较清晰地分割出目标图像。但是，传统算法处理的时间过长，系统显示运算时间为7.416 s，这么长的处理时间是无法满足需求的。

4 遗传算法的改进及算法改进前后图像实际处理效果的比较

4.1 算法的改进

遗传算法若要收敛到全局最优解必须具备拓展性和收敛性，而这些性能与交叉概率pc和变异概率pm密切相关[13-14]。增大pc的值，虽然加强了对新的解空间拓展能力，但增大了高适应度的染色体结构被破坏的可能性；反之则会减缓算法的搜索进程，甚至停滞。如果pm的值设定得过小，则可能造成早熟收敛；反之，则会使算法变成一个纯粹的随机过程。传统遗传算法的pc和pm值在算法的运行过程中是固定不变的。同时，从上面的算例可以看出，传统的遗传算法在图像分割中用时较长，难以满足现代社会对高效运行的需求。因此，为了提高运算效果和效率，需要对算法做出改进。

为了克服存在的问题，在前人工作的基础上，运用一种自适应方法对传统算法进行了改进[15]。它根据进化的代数自适应地调整种群的pc和pm。在进化初期取较大pc的值，利用其全局搜索能力加强对新的解空间的拓展，从而使种群进行全局进化；随着进化的进行，高性能的解开始增多，这时应逐步减少pc值以减少对这些解的破坏，同时，应逐步提高pm的值来维持种群的多样性，避免收敛到局部最优解；在进化后期，搜索已经接近最优解邻域，这时应主要利用pm的局部搜索能力，使种群在局部重点进化，加速算法向最优解收敛。

同时，pc和pm还应与个体的适应度值相关。对于同一代中的所有个体，适应度高的和低的个体发生交叉和变异的可能性应有差异。这能避免一些问题，例如，高性能的解不会和其他解一样受到同样的破坏，低性能的解不会和其他解一样被保留，这样就就确保了遗传算法能如预期一样在交叉的作用下接近最优解邻域，再在变异的作用下收敛到最优解。为此，应根据遗传代数和适应度值共同自适应地调整pc、pm。对于适应度高于种群平均水平的个体，应设定较小的pc和pm，使它们在进化中能得到较好的保护；反之亦然，使低适应度个体在进化中更可能被淘汰。

在用传统算法进行图片处理时发现pc和pm的设置大小对运行速度影响较大，尤其是pm。因此，若开始pm较小，会加快算法的运算速度。结合上述分析，这里给出改进后的自适应遗传算子(pc和pm)的计算公式如式(4)、式(5)所示。

另外，为了使进化过程更好地体现优胜劣汰，并加快算法的收敛速度，在选择模块，根据进化代数分段选择了替换染色体的方法。具体为，在前三分之一代，采用最优个体随机替换前代个体的方法；在中间进化段，采用前代最优个体替换当代最差个体的方法；在后三分之一代，使用上一代一半最优个体替代当前代中最差的一半的方法，加速算法寻优过程。

4.2 图像处理实例及算法改进前后处理效果的比较

为验证改进后的遗传算法的效果，仍然使用图4所示原始照片，并应用改进后的算法对图片进行处理。处理后的图像和图5相似，目标图像被完全剔除了噪声，变得非常清晰。改进算法的最佳适应度值进化曲线如图7所示。

由处理结果可知，改进后的遗传算法在进化过程执行到8代左右就已经收敛到最佳值了，收敛更快。相比较前面的分割效果而言，处理的时间较短，仅为0.751 s，运算效率提高了近10倍，改进效果显著。

5 结束语

本文结合图像分割详细阐述了传统遗传算法的设计思想及其主要构成模块的工作机制。在此基础上，结合前人的工作给出了遗传算法的改进算法。传统遗传算法对噪声图片的分割处理表明遗传算法可以将目标图像从存在噪声和底色的背景中分离出来，而改进的遗传算法则拥有更好的效果和更高的效率。这说明遗传算法可以成功应用于图像处理技术中，改进的遗传算法可以有效地应用于更为深入的图像处理研究中。

参考文献

[1] 周莉莉，姜枫.图像分割方法综述研究[J].计算机应用研究,2017，34(7)：1921-1928.

[2] 唐思源，杨敏，苗玥，等.区域生长和水平集相融合的肺部CT图像分割[J].电子技术应用，2018，44(5)：135-139.

[3] 张瑞华.基于ECCC的细胞图像分割算法[J].电子技术应用，2016，42(7)：126-129.

[4] LI Q，URAL S，ANDERSON J，et al.A fuzzy Mean-Shift approach to lidar waveform decomposition[J].IEEE Transactions on Geoscience & Remote Sensing，2016，54(12)：7112-7121.

[5] DU Z，ZHANG G，WANG C.Research on algorithm of small target detection and preprocessing in infrared image[J].Computer & Digital Engineering，2003(4)：31-34.

[6] HU X.Image segmentation based on graph theory in multicolor space for maize leaf disease[J].Transactions of the Chinese Society for Agricultural Machinery，2013，44(2)：177-181.

[7] YANG J A，TAO L，ZHUANG Z，et al.Research and realization of image separation method based on independent component analysis and genetic algorithm[J].Proceedings of SPIE，2002，4875(2)：575-582.

[8] GOLDBERG D E.Genetic algorithms in search, optimization and machine learning[M].Addison-Wesley Professional，1989.

[9] TIAN F，YAO A M，SUN X P，et al.Dual population genetic algorithm based on individual similarity[J].Computer Engineering and Design，2011，32(5)：1989-1993.

[10] ANDERSON-COOK C M.Practical genetic algorithms[J].Publications of the American Statistical Association，2004，100(471)：1099-1099.

[11] ZENG X Y，CHEN Y W，NAKAO Z，et al.Signal separation by independent component analysis based on a genetic algorithm[C].International Conference on Signal Processing.IEEE，2000.

[12] SRINIVAS M，PATNAIK L M.Adaptive probabilities of crossover and mutation in genetic algorithms[J].IEEE Transactions on Systems Man & Cybernetics，2002，24(4)：656-667.

[13] 游培寒，毕笃彦，马时平.自适应权值调整GS图像分割算法[J].中国图象图形学报，2018，11(7)：959-964.

[14] WANG B，YAN P，ZHOU Q，et al.State recognition method for machining process of a large spot welder based on improved genetic algorithm and hidden Markov model[J].Proceedings of the Institution of Mechanical Engineers，2017，231(11)：2135-2146.

[15] CANTU-PAZ E.On random numbers and the performance of genetic algorithms[J].Computer Science Preprint Archive，2002(10)：203-210.

作者信息:

安霆

(临沂大学自动化与电气工程学院，山东临沂276000)

遗传算法的应用电子技术无线传感网络中基于覆盖度优化的自适应遗传算法

无线传感网络中基于覆盖度优化的自适应遗传算法

基于遗传算法的图像分割处理技术研究