HMOGWO-FCM-GCN：一种基于网络识别的分层部署方法，用于支持物联网功能的农业害虫和病害可扩展边缘监测系统

《Internet of Things》：HMOGWO-FCM-GCN: Network-aware hierarchical deployment for IoT-enabled scalable edge surveillance of agricultural pests and diseases

　　方胜胡、张浩、李伟、秦涛、陈长胜、杨静
中国贵州贵阳550025，贵州大学电气工程学院

**摘要**
在精确农业的物联网（IoT）框架下，本文针对基于边缘的无线视觉传感器网络（EWVSNs）在智能病虫害监测中实现高覆盖率、低成本和低能耗的挑战，提出了一种三阶段优化框架HMOGWO–FCM–GCN，该框架专为IoT边缘部署设计。该方法结合了混合多目标灰狼优化器（HMOGWO）、模糊C均值（FCM）和图卷积网络（GCN），以支持在资源受限的IoT环境中分层和协同放置边缘检测节点（EDNs）和边缘计算节点（ECNs）。在第一阶段，HMOGWO使用预存储的编码方案、集成遗传操作符以及块级交叉和变异来生成EDN配置候选方案，从而保持种群多样性并提高监测覆盖率。在第二阶段，FCM对优化后的EDN候选方案进行聚类，以确定ECN的位置，减少簇内通信距离和传输能量。在第三阶段，基于GCN的替代模型结合最小距离惩罚来引导基于代理的整个网络拓扑的局部优化，从而提升综合部署性能。该方法旨在实现实际IoT集成。通过在蓝莓园中的仿真和现场试验，并在不同设置下进行重复运行和鲁棒性分析，结果表明，与随机部署相比，所提出的方法将监测覆盖率提高了20.359%，部署成本降低了3.765%，单轮网络能耗降低了4.643%。

**引言**
农业是国家经济和社会稳定的重要支柱。然而，病虫害的频繁发生已成为制约农业大规模和集约化发展的主要瓶颈[1,2]。目前，病虫害监测和控制主要依赖于人工检查。实际上，人员进行的视觉检查难以实现全天候、持续和高覆盖率的监测，它们在检测微小病害和隐蔽害虫方面的能力也有限，导致检测和响应时间延迟，同时劳动成本较高[3]。随着智能农业的发展，基于物联网（IoT）和人工智能的自动化监测技术在农业领域受到越来越多关注[4,5]。

为了克服人工检查的局限性，基于IoT的 sensing 和智能分析已逐渐应用于农业监测系统。总体而言，IoT通过感知层、网络层和应用层连接异构的 sensing、通信和计算设备，从而支持分布式 sensing、实时信息交换和智能决策。这些能力使得IoT应用能够在各种场景中发挥作用，包括安全的智能家居和智能农业监测[6]。然而，资源受限的IoT系统仍然面临通信可靠性、服务质量（QoS）、安全性和能源效率等方面的挑战。相关研究已经通过能源感知的链路故障检测和恢复（在IoT支持的无线传感器网络中）以及QoS感知的自适应路由（在IoT-LLN环境中）解决了这些问题[7,8]。在农业领域，IoT与深度学习的结合也展示了实时田间监测和智能事件感知的潜力[9]。这些研究表明，可靠的通信、高效的节点协作和能源感知的部署对于实际的基于IoT的农业监测至关重要。

尽管取得了这些进展，现有的基于IoT的监测解决方案在应用于大规模果园和农田时仍存在明显限制。以云为中心的架构可以集中大量 sensing 数据，但它们严重依赖稳定的回程连接，且在偏远农业地区难以保证稳定的通信延迟和带宽。基于无人机和卫星图像的遥感方法可以扩展监测范围，但会导致高昂的设备成本和计算成本，并对外部基础设施依赖性强。此外，一些研究通过越来越复杂的深度学习模型追求更高的识别精度，但其沉重的计算和能源需求使得直接在资源受限的边缘设备上部署变得不切实际[10,11]。因此，本研究将无线视觉传感器网络（WVSNs）与边缘计算相结合，构建了基于边缘的WVSNs（EWVSNs）。通过部署大规模、低成本的边缘检测节点（EDNs）和边缘计算节点（ECNs），这种架构能够通过局部推断和监测实现农业病虫害的自动识别和快速响应。这种方法在当前背景下具有重要的应用潜力[12,13]。

EWVSNs 是实现农业智能 sensing 的基础基础设施。然而，农业场景通常覆盖广阔区域，EDNs 数量有限，ECNs 的部署成本较高。单个EDNs 的电池容量有限，使得系统能耗成为一个关键瓶颈。虽然简单增加节点数量可以提高覆盖率，但也会增加设备成本和能耗[14]。传统的部署方法涉及在区域内随机放置传感器节点，这会导致EWVSNs 的覆盖率低、成本高和能耗过高等问题[15]。在这种背景下，优化EWVSNs 中EDNs和ECNs的部署位置和数量对于在最大化覆盖的同时最小化成本和能耗尤为重要。合理有效部署大规模EWVSNs节点的问题已被证明是NP难的。作为受生物启发的算法，群体智能优化是解决覆盖优化问题最成功的方法之一[16, [17], [18]]。

当前的研究主要集中在优化一般无线传感器网络（WSNs）的部署问题。例如，Yin等人[19]提出了一种受阴阳鸽子启发的优化算法（Yin–YangPIO）。该算法结合了地图指南针操作符的全局探索能力和地标操作符的局部精细搜索特性，通过协调调节提高了收敛性能。同时，它采用了基于对抗学习的候选解决方案生成机制，产生与当前解决方案互补的样本，从而扩展了搜索空间并有效减少了2D WSNs部署过程中的覆盖重叠。Yu等人[20]提出了一种自适应策略增强的灰狼优化算法（ALGWO）。通过采用动态逆学习和自适应策略，该算法有效增强了灰狼优化算法（GWO）的全局搜索能力，在特定条件下最大化了2D和3D WSNs的覆盖范围。Wang和Yao[21]引入了一种披风猞猁优化器（CLO），它采用了具有动态参数适应性和增强种群信息交换的多阶段搜索方案。实验表明，CLO在无障碍环境和含障碍场景中的2D平面优化任务上表现优异。上述研究通过改进群体智能优化算法显著提高了一般WSNs的覆盖率。然而，在农业场景中部署EWVSNs时，部署决策必须同时考虑覆盖性能和成本限制，因为设备的能源限制较为严格。因此，EWVSNs的覆盖问题被构建为一个多目标优化任务，旨在在问题约束下寻求监测覆盖率、节点能耗和部署成本之间的最佳平衡，以最大化覆盖率同时最小化能源使用和部署成本。农业病虫害监测中常用的EDNs的感应区域可以近似为一个扇形区域，该区域由节点作为顶点确定，由感应半径和视野角共同确定[22,23]。因此，覆盖呈现出明显的各向异性和方向依赖性，需要同时优化位置和方向以实现有效覆盖并最小化冗余重叠。

Zhang和Zhang[24]提出了一种多物种进化算法（MSEA），通过引入多物种进化方案来加强搜索过程。他们设计了一种竞争选择机制——结合演绎排序和拥挤距离标准——以促进形成分布均匀的Pareto前沿。从多物种混合种群中进化出的精英个体被证明可以提高WVSNs的覆盖率，同时减少传感器冗余。Zhu和Zhou[25]提出了一种结合贪婪启发式和粒子群优化器（GH-PSO）的混合算法，该算法在每次迭代中使用贪婪策略选择和划分区域。这种方法使得粒子群优化器不仅能够通过智能操作符从历史搜索经验中学习，还能够通过贪婪选择增强收敛性，从而在扩展网络寿命的同时最大化目标覆盖率。Wang等人[26]提出了一种结合贪婪启发式算法和增强型广度优先搜索算法（GH-EDFS）的方法。该方法使用贪婪算法获得WVSNs的初始部署位置，随后使用增强型广度优先搜索算法进行二次优化，细化WVSNs的部署计划，同时确保角度多样性。Suganthi等人[27]提出了WSN-NCS-RBAGCN方法。该方法使用隐式无迹粒子滤波器预处理从模拟网络环境收集的数据，然后采用关系式双层聚合图卷积网络从预处理数据中预测节点状态，有效优化了能源效率，同时保持了网络覆盖完整性。Zhu和Zhou[28]提出了一种多目标差分进化算法（MODE）用于EWVSNs的部署优化问题。作者首先将这个问题构建为一个混合整数非线性程序，然后开发了一个改进的MODE来解决它，旨在在最小化部署的传感器节点和边缘节点数量的同时最大化网络寿命。

上述研究在WVSNs或WSNs的覆盖优化、网络寿命延长和能源效率提升方面取得了一定进展。然而，农业病虫害监测中的EWVSN部署与传统WSN或WSN部署有显著不同，因为它需要精确感知农业种植区域的覆盖范围以及EDNs和ECNs之间的分层协作。在这种架构中，EDNs收集的数据必须实时传输给ECNs进行本地处理，使得EDNs和ECNs的部署高度依赖。单独优化各种类型的节点可能会导致网络连接中断、能源浪费或在关键监测区域的覆盖缺口。

如表1所总结的，大多数现有方法侧重于单个目标或单层优化策略，因此未能充分考虑EDN–ECN部署关系、感知覆盖、部署成本和能源消耗之间的耦合。这些局限性促使本研究解决农业监测中EWVSNs的多目标分层部署问题。为了克服结构连通性和拓扑特征建模之间的协同优化不足，本文提出了一种三阶段协作优化框架HMOGWO-FCM-GCN，该框架结合了混合多目标灰狼优化（HMOGWO）、模糊C均值（FCM）和图卷积网络（GCN），以改善感知覆盖、部署成本和网络能源消耗之间的平衡。图1中的图形总结了本文提出的HMOGWO-FCM-GCN的三阶段优化框架。本文的主要贡献如下：
(1) 建立了农业EWVSNs部署的联合优化公式，以同时平衡感知覆盖、部署成本和通信能源消耗。
(2) 提出了一种预存储编码方案。通过预存储可能的最大节点配置集，该算法在每次迭代中快速匹配和更新节点数量，从而克服了传统编码方案无法直接优化传感器节点数量的限制。这种方法提高了算法收敛速度，同时降低了总体部署成本。
(3) 提出了一种三阶段优化框架HMOGWO–FCM–GCN，用于联合部署问题。该框架将部署问题分解为三个具有互补目标的协调阶段。在第一阶段，HMOGWO提高种群多样性并生成高质量的部署候选方案，从而通过全局探索提高网络覆盖。在第二阶段，FCM利用EDNs的空间分布来引导ECN的放置，有助于减少通信距离和能耗。在第三阶段，受限的GCN替代模型捕获节点级的拓扑依赖性，并进行代理引导的细化，从而通过平衡覆盖、成本和能耗来提高整体网络性能。
(4) 本文基于现场研究构建了仿真场景，进行了系统的比较仿真实验，并在蓝莓园中完成了现场部署和测试。实验结果通过关键指标（包括覆盖、部署成本和能耗平衡）展示了所提方法的优化能力。

本文的其余部分结构如下：第2节描述了本文使用的模型。第3节介绍了本文提出的改进算法。第4节讨论了改进算法在仿真和实际应用场景中的性能。最后，第5节总结了本文。在部署过程中，所有节点都会被分配唯一的ID，这为节点的位置确定、调度和状态监控提供了基础支持。第一阶段的优化策略基于HMOGWO。GWO是一种由Mirjalili等人于2014年提出的智能优化算法[30]，其灵感来源于自然界中灰狼的捕食行为。在狩猎过程中，灰狼遵循严格的等级结构：阿尔法狼（α）作为最高级别的个体，担任领导者，象征着最接近最优目标的解决方案；贝塔狼（β）排在第二位，而德尔塔狼（δ）则处于第三位。

实验准备
作为物联网感知层中的核心终端设备，EWSNs（环境传感器网络）由于电池能量有限而面临重大限制。它们的功耗特性直接影响EWSNs的整体续航能力、部署寿命和运营成本。为了获得准确的能耗评估，本文使用了ALIENTEK-UT70功率分析仪来测量各个组件的功耗数据。同时考虑了时间和功耗因素。

结论
本文探讨了在农业病虫害智能感知背景下EWVSNs（环境与无线传感器网络）的部署和监控问题。首先，本文为ECNs（环境传感器网络）和EDNs（设备检测网络）构建了数学模型，随后提出了一种三阶段优化算法——HMOGWO-FCM-GCN——以指导EWVSNs覆盖性能的优化。在第一阶段，采用了混合策略来优化MOGWO算法。通过利用预存储的编码改进方法，该算法能够快速匹配和更新优化参数。

资金支持
本项工作得到了中国国家自然科学基金（项目编号61640014和52267003）、贵州省基础研究计划（Qiankehejichu-MS[2025]General programs596）、贵州省关键技术研发计划（Qiankehe [2023] Yiban411, [2024] YiBan051, [2025] YiBan008）、贵州省科技成果产业化计划（Qiankehechengguo-LH[2024]Zhongda028, Qiankehechengguo-LH[2025]Zhongdian009）以及工程研究CRedI的支持。

作者贡献声明
胡方升：撰写——原始草稿、方法论、概念构建。
张浩：数据调查与整理。
李伟：资源获取与形式分析。
秦涛：项目监督与软件开发。
陈长升：验证工作与项目管理。
杨静：撰写与编辑、资金申请。