《Sensors》：AI-Driven Sensor Placement and Wireless Sensor Deployment: A PRISMA-Guided Systematic Review of Optimization Methods, Validation Maturity, and Benchmarking
编辑推荐：
无线传感器网络（WSN）的性能在很大程度上取决于传感器部署，因为节点布设直接影响覆盖、连通性、能耗、定位、数据可靠性及网络生命周期。尽管人工智能（AI）越来越多地被用于WSN部署，相关文献在方法、目标、环境、指标和验证实践方面仍呈现碎片化状态。本文基于PRIS
无线传感器网络（WSN）的性能在很大程度上取决于传感器部署，因为节点布设直接影响覆盖、连通性、能耗、定位、数据可靠性及网络生命周期。尽管人工智能（AI）越来越多地被用于WSN部署，相关文献在方法、目标、环境、指标和验证实践方面仍呈现碎片化状态。本文基于PRISMA指南，对51项关于AI驱动的WSN部署的主要研究进行了系统综述与映射，并依据AI技术、部署目标、网络环境、应用领域、评估指标、验证方法、方法论报告完整性和报告局限性对研究进行分类。优化导向的AI在该领域占据主导地位，尤其是元启发式算法、群体智能和机器学习，而深度学习和强化学习正在预测性、自适应性、移动性及应用特定性场景中兴起。群体智能方法主要用于以覆盖为中心的静态部署，强化学习用于自适应和移动性再部署，机器学习/深度学习方法用于预测驱动和应用特定的布设。覆盖、连通性、能效和网络生命周期仍是主导目标，而鲁棒性、隐私、安全、时延、边缘可行性和生命周期适应性受到的关注有限。验证是方法论上的主要薄弱环节，因为多数研究依赖纯仿真评估，对真实测试平台、实地部署、数字孪生、长期实验或标准化基准的使用有限。为弥补这些不足，综述引入了验证成熟度视角和基准测试要求，强调可复现场景、明确的节点假设、真实的感知与通信模型、通用指标以及可共享的实验构件。综述还提出了一个基于证据的AI–部署–验证生命周期框架，将应用需求、环境建模、目标制定、AI方法选择、部署优化、验证、基准测试和生命周期适应性相衔接。该框架旨在作为未来研究的组织架构，而非经过实证或专家验证的评分工具。
论文主体内容总结
1. 引言
1.1. WSN部署的背景与重要性
无线传感器网络（WSN）广泛应用于网络物理环境中的分布式监测、自动化与决策支持。传感器部署是网络设计中的关键因素，因为节点布设直接影响感知覆盖、网络连通性、能耗、通信可靠性、部署成本及网络生命周期。不良部署可能造成未覆盖区域、冗余感知、节点失联、过度能量消耗、数据包丢失及数据采集不可靠。部署应在网络设计早期阶段加以考虑，而非作为次要的配置步骤。其重要性在智慧农业、医疗保健、智能家居、工业物联网（Industrial IoT）、无人机辅助感知、灾害监测、战场监视及应急响应等实际应用中尤为突出。
1.2. 为何需要AI
传统的基于网格、随机、确定性和几何驱动的部署方法在相对简单的环境中有效，但在存在障碍物、非均匀感知需求、射频干扰、地形不规则、节点移动性、异构传感器或严格能量约束时不再适用。WSN部署本质上是多目标的：提高覆盖率可能增加能耗，减少节点数可能削弱连通性，延长网络生命周期可能降低感知分辨率。AI提供了处理这些耦合非线性挑战的灵活工具，包括机器学习、强化学习、群体智能、进化算法、贝叶斯优化、深度学习和基于图的学习，能够探索大规模部署空间、从环境反馈中学习、适应变化条件并在多重约束下优化布设。
1.3. 研究空白
AI驱动的WSN部署文献在AI方法、部署目标、假设、评估指标和验证实践方面仍然碎片化。现有综述提供了重要基础，但未充分解决这种碎片化问题。主要空白在于缺乏同时映射AI技术、部署目标、应用领域、验证方法、方法论报告完整性、基准测试实践和部署就绪性的综述。因此，哪些AI方法占主导、哪些目标和指标最常被研究、方法如何被验证以及报告结果在不同网络假设和实验设置下是否可比，仍不清楚。
1.4. 贡献
本综述的贡献包括：对AI驱动的WSN部署研究进行系统综述，聚焦传感器布设、覆盖增强、连通性保持、能效、定位感知部署和应用特定部署；开发将主要AI技术与部署目标和应用情境相联系的结构化分类体系；按部署目标和性能指标综合所综述研究；评估文献中的验证实践和方法论报告完整性；提出一个概念性的、基于证据的AI–部署–验证生命周期框架。
2. 相关研究
2.1. WSN部署综述
早期WSN综述确立了部署作为基础网络设计问题的地位。后续综述更具体地通过覆盖、连通性和能效来考察部署。近期综述将部署研究扩展到大规模和智慧城市场景，主要强调启发式和元启发式方法，但未涵盖更广泛的近期AI驱动方法，包括强化学习、深度学习、图学习和贝叶斯优化。
2.2. 基于AI的WSN优化综述
AI在WSN中的应用已被广泛综述，但部署常被视为更广泛网络优化中的一项任务。机器学习综述涵盖了路由、定位、聚类、数据聚合等，但未将部署作为核心焦点。更面向部署的综述考察了AI驱动的部署技术及覆盖、连通性、能量、成本和生命周期等目标，但未联合考察AI技术、部署目标、应用领域、验证方法、报告完整性和部署就绪性。针对特定AI家族的综述，如元启发式和深度学习方法，提供了重要覆盖但缺乏跨家族的系统映射。
2.3. 本综述的定位
现有综述的范围通常比部署更宽泛或限于特定算法家族。本综述将AI驱动的WSN部署作为核心分析单元，联合映射AI技术、部署目标、应用领域、验证方法、方法论报告完整性、基准测试、可复现性、边缘可行性和部署就绪性。本综述的贡献主要是整合性的，并提出了一个概念性的AI–部署–验证生命周期框架。
3. 研究方法
3.1. 综述协议
本综述按照PRISMA 2020指南进行，并包含系统映射层。PRISMA-S用于报告搜索来源、搜索语法、限制和检索程序。由于纳入研究在网络模型、优化目标、验证设置和结果度量方面差异显著，综述设计为结构化映射和叙事综合，而非定量元分析。综述协议在主要筛选阶段之前定义，规定了研究问题、搜索来源、搜索字符串、资格标准、研究选择流程、质量评估标准、数据提取表格和综合策略。
3.2. 研究问题
综述由六个研究问题（RQ）引导：RQ1调查算法格局；RQ2考察研究是否聚焦覆盖、连通性、能效、定位精度、网络生命周期、成本、冗余减少或感知可靠性；RQ3识别部署环境和应用领域；RQ4考察用于评估部署有效性的性能指标；RQ5通过区分基于仿真、基于数据集、基于数值模型和基于真实世界的验证来评估文献的方法论成熟度；RQ6综合局限性和未来方向。
3.3. 搜索策略与数据库
搜索策略结合了三个概念块：网络术语、部署术语和AI术语。主要语料覆盖2015至2026年。搜索限于英文出版物和同行评审的期刊文章及完整会议论文。Google Scholar仅用于向后和向前滚雪球。核心布尔搜索字符串结合了WSN相关术语、部署相关术语和AI技术术语。数据库搜索于2025年5月至7月完成。
3.4. 文章选择阶段
文章选择遵循PRISMA的识别、筛选、资格评估和最终纳入流程。识别阶段共获得124条记录；去重后移除29条重复记录，另有14条在预筛选阶段因其他原因被移除；标题和摘要筛选后保留71篇报告进入全文审查；其中65篇成功获取并评估资格；14篇被排除，其中9篇缺乏足够的方法论或评估信息，5篇不完全符合综述范围。最终分析语料包含51项主要研究。
3.5. 选择标准
纳入标准要求研究聚焦无线传感器网络或传感器节点部署情境，应用AI技术，涉及部署、布设、再部署、覆盖优化或传感器定位，为原创同行评审期刊文章或完整会议论文，以英文撰写且在2015至2026年期间。排除标准包括仅关注路由、聚类、数据聚合而无部署成分的研究，不使用AI方法的研究，与WSN部署无关的研究，以及论文、社论、书籍章节、专利、摘要论文、白皮书或非同行评审文章等。
3.6. 方法论报告完整性评估
使用七项检查表评估纳入实证研究的方法论报告完整性和透明度。每项仅在信息被明确且充分报告时计1分，否则计0分。总分6–7分为高报告完整性，5分为中报告完整性，0–4分为低报告完整性。该检查表不评估基线调优公平性、统计功效、训练测试泄漏、超参数选择偏差、鲁棒性、外部有效性、代码或数据可用性，或感知和通信假设的现实性。
3.7. 数据综合
未进行正式元分析，因为纳入研究未报告共同效应量，且在网络假设、感知模型、通信约束、优化目标、仿真工具、基准基线和结果变量方面差异显著。综述采用描述性统计、系统映射、跨方法比较综合和主题叙事分析。综合分四层进行：描述性映射、交叉分类、跨方法比较证据综合和主题分析。
4. 发现与讨论
4.1. 观察结果
4.1.1. 发表趋势
发表趋势显示AI驱动的无线传感器部署近年来获得更强关注，2020年后增长与从经典部署启发式向自适应、基于学习和应用特定部署策略的更广泛转变一致。
4.1.2. 按AI技术分布
优化导向的AI仍是主导方向。群体智能和自然启发元启发式方法尤为常见，包括粒子群优化（PSO）、人工蜂群优化、鲸鱼优化、冠豪猪优化、萤火虫群优化、水母优化等，主要用于覆盖最大化、连通性保持、能量感知部署和网络生命周期改进。机器学习和深度学习方法在预测性布设、智能家居部署、结构监测、活动识别、能量预测、定位感知部署和智慧城市规划中日益可见。强化学习和深度强化学习构成较小但重要的方法组，特别适用于自适应和序列化布设问题，包括移动部署、动态覆盖控制和拓扑感知再部署。
4.1.3. 按部署目标分布
覆盖最大化是最常出现的部署目标（31项研究），其次是能效、网络生命周期、连通性等。这些类别非互斥。分布显示部署研究日益将覆盖视为更广泛优化问题的一部分，许多研究联合优化覆盖与连通性、能耗、网络生命周期、成本、时延、鲁棒性、冗余或任务特定感知质量。一般WSN研究强调覆盖、连通性、能效和生命周期，而应用特定研究聚焦洪水检测、人类活动识别、足底压力轨迹估计、姿态重建、污染物检测、结构损伤识别、时空建模精度、管道损伤可检测性和拓扑可观测性等目标。
4.1.4. 按应用领域分布
研究覆盖从常规2D和静态WSN模型到3D部署、移动和自适应网络、水下监测、工业物联网、智慧城市基础设施、医疗保健感知、可穿戴系统、结构健康监测、电力系统和安全关键基础设施监测的广泛范围。传感器部署研究正超越通用区域覆盖问题，医疗保健、可穿戴感知和活动识别研究强调识别精度、运动重建、舒适性和减少传感器数量，结构健康监测和管道监测强调信息质量、损伤可检测性和重建精度。
4.1.5. 按验证方法分布
所选研究强烈依赖仿真和自定义计算评估。33项研究列于仿真或自定义计算评估类别，其中26项仅属于该类别，7项还出现在至少一个其他验证类别。实地部署研究也包含在5项编码为真实测试平台或受控物理实验的研究中。基准基于、数据集基于和数值模型基于的评估提供不同形式的证据，其证据价值取决于底层基准、数据集或模型的现实性、独立性、校准和相关性。
4.1.6. 跨方法比较证据综合
进化与群体智能方法根据预定义目标和约束探索候选传感器配置；机器学习和深度学习方法使用学习到的表示或预测支持数据驱动的布设决策；强化学习将部署或再部署表述为序列化决策过程；混合方法整合互补技术处理复杂或多目标部署需求。方法选择应考虑决策变量类型、目标表述、环境动态、拓扑依赖性、评估成本和可用计算资源。现有证据支持这些问题依赖的方法论倾向，而非普遍优越的AI家族。
4.2. 基于研究问题的讨论
4.2.1. RQ1：用于WSN部署优化的AI技术有哪些？
综述显示AI驱动的WSN部署采用两大类技术：基于优化的方法（包括进化和群体智能元启发式）和基于学习的方法（包括机器学习、深度学习和强化学习）。模糊逻辑和图学习等支持技术常与这些方法整合，混合方法结合互补组件处理复杂部署目标。群体智能和自然启发元启发式构成最大算法组，机器学习/深度学习方法主要用于预测支持和应用特定布设，强化学习特别适合自适应、移动和序列化部署。
4.2.2. RQ2：所选研究涉及哪些部署目标？
覆盖最大化是最常报告的目标（51项中31项），连通性保持是另一主要目标，能效和网络生命周期构成主导目标簇，成本降低和传感器数量最小化在设备或安装昂贵时很重要。其他研究强调定位精度和任务级信息质量而非几何覆盖。鲁棒性、可靠性、容错、时延和适应性受到的关注相对较少。
4.2.3. RQ3：考虑了哪些WSN环境和应用领域？
研究涵盖通用WSN模型和领域特定智能感知系统。相当一部分文献仍依赖抽象2D或静态WSN环境。3D部署在3D WSN、IoT智能空间、定向感知和结构监测中有所体现。移动和自适应部署通过强化学习、再部署和自适应覆盖控制实现。水下和水声网络是另一专门设置。应用特定研究进一步将部署扩展到医疗保健、可穿戴、活动识别、工业物联网、结构健康监测、管道系统、智慧城市和交通等领域。
4.2.4. RQ4：使用哪些性能指标评估AI驱动部署方法？
最常见的评估指标是覆盖率、连通性、能耗、剩余能量、网络生命周期、节点数、移动距离、部署成本、收敛速度、计算时间、数据包投递率、吞吐量、时延和定位误差。覆盖率是最常报告的指标。能量相关指标包括总能耗、剩余能量、能效、移动能量和网络生命周期。连通性和通信指标包括连通率、数据包投递率、吞吐量、时延、路径可靠性和网络稳定性。应用特定研究还使用任务级指标如定位和重建误差、识别和预测精度、拓扑识别精度、损伤定位和严重程度精度、检测时间、可靠性和可观测性。
4.2.5. RQ5：使用哪些验证方法、仿真器、数据集和基线？
仿真是主导验证方法。然而，仿真依赖仍是主要验证弱点。基于数据集和应用特定的验证在机器学习和深度学习研究中更常见。数值和结构模型引入应用特定的物理假设。基线选择也不一致，限制了跨研究优越性主张的可信度。验证证据在物理评估、运行部署、可复现性和长期观察方面仍然不均衡。
4.2.6. RQ6：主要局限性、挑战和未来研究方向是什么？
主要挑战是缺乏统一、现实且可复现的AI驱动WSN部署框架。覆盖和能量研究充分，但鲁棒性、不确定性、时延、安全、隐私、边缘可行性、生命周期维护和真实世界可转移性受到的关注有限。部署、定位、通信和下游分析的整合有限。真实世界可转移性仍然有限。基准测试是另一主要弱点。未来研究应优先考虑集成多目标部署、不确定性感知布设、现实3D和障碍感知建模、自适应再部署、边缘兼容和可解释AI、标准化基准和长期验证。
4.3. 对传感器数据分析和智能处理的意义
传感器布设影响收集数据中哪些空间区域、事件、活动或系统状态被表示。覆盖限制可能导致相关区域或运行条件在数据中表示不足。密集部署可能产生高度冗余的测量，同时增加通信、存储和能量成本。传感器布设可影响多传感器融合的有效性、异常检测、校准和故障诊断。部署对边缘AI运行和模型可转移性也有影响。
4.4. AI驱动WSN部署的基准测试要求
缺乏标准化基准是比较AI驱动WSN部署研究的主要障碍。基准框架应定义通用部署场景、节点假设、感知和通信模型、评估指标、基线和可复现性要求。基准应包括用于算法比较的受控场景和逐步现实的设置。基准研究应明确指定感知和通信假设，标准化覆盖之外的评估指标，并区分网络生命周期定义。所提出的基准测试要求是建议的评估规范，而非已实施的基准套件。
