2025年AEJ SCI2区：增强麻雀搜索算法CERL-SSA+工业物联网感知通信，深度解析+性能实测

---

1.摘要

感知、通信和协同优化是工业物联网（IIoT）研究中的关键领域，本文通过将能源消耗问题转化为优化挑战，探索如何在IIoT用户终端设备中减少能源消耗。论文提出了一种数据感知共享架构来降低设备能耗，并在多个智能终端设备、协同设备和边缘IIoT代理设备的场景下，综合考虑用户设备位置稳定性、本地网络状态、任务到达率和队列稳定性等因素。本文提出了混沌精英反向学习麻雀搜索算法（CERL-SSA）。实验结果表明，CERL-SSA算法在IIoT感知通信和协同优化中的性能和有效性优于传统方法，验证了其优越性。

2.麻雀搜索算法SSA原理

【智能算法】麻雀搜索算法（SSA）原理及实现

3.改进策略

混沌精英反向学习

混沌映射可以增强生物种群的多样性，并有助于避免收敛到局部最优解。低维度的混沌映射在实现有效的种群分布方面面临挑战，为了解决低维度映射分布不良的问题，本文采用logistic-sine-
cosine映射：
$$X_{i+1}=\cos (\pi \cdot (4\cdot \cdot X_i)\cdot (1-X_i)+(1-p)\cdot \sin (\pi \cdot X_i)-0.5)$$
精英反向学习（EOBL）利用算法中的精英个体生成反向解，并从反向种群和精英种群中挑选较优个体来构建新的种群。
$$\overline{X_{i,j}^E}=\delta \times \left(\begin{array}{c}L{b}_j+U{b}_j\end{array}\right)-X_{i,j}^E$$
当面临捕食者的威胁时，麻雀会迅速迁移到安全区域。麻雀集体螺旋式地向安全区域迁移，则能显著降低被捕的概率：
$$\begin{array}{c}{X}_{i,d}^{t+1}=\{\begin{array}{ll}{X}_{best}^t+r\cdot |X_{i,d}^t-X_{best}^t|+\omega \cdot |X_{i,d}^t-X_{best}^t|,& f_i>f_g\\ X_{i,d}^t+r\cdot \left(\frac{X_{i,d}^t-X_{worst}^t}{(f_i-f_w)+ϵ}\right)+\omega \cdot |X_{i,d}^t-X_{best}^t|,& f_i=f_g\end{array}\end{array}$$

$$\omega =2\cdot e^{r\frac{(T_{\max }-t+1)}{t}}\cdot \sin (2\pi r)$$

混沌扰动和高斯变异

Logistics混沌映射：
$$X_{n+1}=\mu X_n\cdot (1-X_n)$$
高斯变异通过从高斯（正态）分布中生成随机数，细微地调整原始位置向量，从而产生新的位置。这种方法确保大多数变异点接近原始位置，有助于在局部范围内集中搜索，同时鼓励对更广泛区域的探索。高斯函数定义为：
$$G(\alpha )=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{{\alpha }^2}{2{\sigma }^2}}$$
个体经过高斯变异位置可以表示为：
$$X_i=X_i\cdot G(\alpha )$$

伪代码

4.结果展示

PS:有点过拟合零点🤣

5.参考文献

[1] Wang Y, Li J, Tan X. Chaos and elite reverse learning–Enhanced sparrow search algorithm for IIoT sensing communication optimization[J]. Alexandria Engineering Journal, 2025, 125: 663-676.

6.代码获取