殷 红，杜国璋，彭珍瑞，马 丽

(1.兰州交通大学机电工程学院，甘肃 兰州 730070； 2.兰州交通大学自动化与电气工程学院，甘肃 兰州 730070)

1 引言

传感器优化布置是一种多维优化问题，对其进行高效求解已成为该领域研究的热点问题之一[1]。近年来，逐渐兴起的一些智能算法在解决传感器优化布置问题方面取得了较好的研究成果，如具有不易陷入局部最优、能较好解决组合优化问题中约束条件限制等特点的模拟退火算法、遗传算法、蚁群算法和粒子群算法等。

野草算法IWO(Invasive Weed Optimization)是一种数值型随机优化计算方法，于2006年由伊朗德黑兰大学的Mehrabian和Lucas首次提出[2]。野草在入侵农作物过程中强大的繁殖能力和竞争能力启发了一种寻优的算法思想。算法中引入繁殖进化机制和竞争性生存法则，通过种群初始化-生长繁殖-空间扩散-竞争排斥等迭代步骤，确保了种群的多样性和个体对环境的适应性[3]。

猴群算法MA(Monkey Algorithm)作为另一种仿生学智能优化算法，于2008年由Zhao和Tang首次提出[4]。算法模拟猴群的爬山过程，通过爬-望-跳等步骤不断迭代实现最优解的搜索。猴群算法寻优能力较强，参数设置较少，适合求解复杂函数的优化问题，已在多个领域得到了较好的应用[5,6]。Yi等人[7]在MA的基础上改进提出的简易猴群算法SMA(Simple Monkey Algorithm)，较好地实现了传感器的优化布置。

但是，SMA采用随机方式初始化猴群，降低了猴群的多样性和算法的全局搜索能力[8]；爬步长的固定，使得猴子可能错失搜寻到局部更优解的机会，求解精度难以提高[9,10]；……