Page 196 - 《软件学报》2020年第12期

3862 Journal of Software 软件学报 Vol.31, No.12, December 2020

Fig.4 Performances of JOGA, TSGA and OPT with the increase in the number of points of interest (PoI)
图 4 小规模网络中,随监测点个数的增加,JOGA,TSGA 与 OPT 算法的性能比较
5.4 大规模网络仿真性能比较
在大规模网络中,将本文提出的 JOGA 与 TSGA 在不同仿真设置下进行了比较.图 5(a)显示了变化给定节
点个数 K,JOGA 和 TSGA 的性能比较.观察图 5(a)可知:随着给定节点个数的增加,两种算法得到的系统检测质
量均随之增大.这是由于更多节点参与了目标监测.但增益逐渐减小并趋于稳定.尽管由于检测率函数过于复
杂,我们无法从理论上证明目标函数为次模函数,但是目标函数具有与次模函数类似的性质,即边际增益递减.
总的来说,在不同给定节点个数下,本文提出的 JOGA 均优于 TSGA,将检测质量平均提高了 27.89%,最多提高了
33.68%.
图 5(b)显示了变化射频能量源发射功率 P s ,JOGA 和 TSGA 的性能比较.观察图 5(b)可知:随着能量源发射
功率的增大,两种算法得到的系统检测质量均随之增大.这是由于节点的充电功率增大使得可分配的工作时隙
增加,从而提高了检测质量.各组实验结果中,本文提出的 JOGA 均优于 TSGA,将检测质量平均提高了 76.62%,
最多提高了 137.97%.
图 5(c)显示了变化监测点个数 N,JOGA 和 TSGA 的性能比较.观察图 5(c)可知:与小规模网络的仿真结果类
似,随着监测点个数的增加,两种算法得到的系统检测质量均随之增大,增长趋势大致为线性,与小规模网络的
结果一致.这是由于本文定义的系统检测质量为各个监测点检测质量之和.各组实验结果中,本文提出的 JOGA
均优于 TSGA,将检测质量平均提高了 25.11%,最多提高了 27.67%.

(a) P s=3W, N=50 (b) K=40, N=50 (c) P s=3W, K=40
Fig.5 Performance comparision of JOGA and TSGA in large-scale networks
图 5 大规模网络中,JOGA 与 TSGA 的性能比较
5.5 真实数据集仿真性能比较
我们进一步采用真实的采样数据集来验证算法的性能,数据集源于美国 DARPA 的 SensIT 车辆检测实验项