参考文献（Ramadan et al.，2007）将传感器配置问题建模为组合优化问题。针对由许多小区A构成的目标区域，在时间范围T内，作者们考虑传感器组S。对于每个时间间隔t∈T，与预定义时间演进可靠性Rst有关的每个传感器s∈S，为每个小区i∈A分配一个时变权重函数Wit，该函数定义了小区在时间范围T内预测数据的重要性。目标是实现覆盖最大化，即确保对具有最高权重的所有小区进行监测，并将具有高可靠性的传感器分配给高权重小区。或者，当监测小区最大化，且每个小区任意时间只被一个传感器监测时，也可以认为实现了覆盖最大化。
作者提出了一种基于遗传算法（Genetic Algorithm，GA）的启发式运动规划算法。GA算法模拟基因和自然选择。一般来说，在初始化阶段，它生成（通常是随机的）染色体的初步集，然后以迭代方式执行如下步骤，直至满足特定停止标准：
（1）选择：估计当前染色体集中每条染色体的适合度，选择最佳染色体。
（2）繁殖：在所选染色体上采用交叉和/或变异操作产生后代，并使用后代来替换当前染色体集中的最差染色体。(www.xing528.com)
一个染色体包含A×T×S个基因，为每个基因分配一个真值，它表示特定区域i、特定时间间隔t内传感器s的部署方案。初始染色体集预定义了大小n。它是随机或根据某个给定规则生成的。定义了两种交叉操作：时间交换（Time Exchange，TE）和最佳染色体（Best Chromosome，BC）。在同一时间间隔内，它们在两条不同的染色体中交换传感器部署模式。TE使用两条随机选择的染色体；BC使用两条最佳染色体。每条染色体x的适合度用函数来度量：F（x）=
。一些染色体基因随机翻转的变异操作，在交叉操作之后执行，以预防搜索盲端和染色体重复。当且仅当新染色体通过与每个传感器能力约束条件有关的可行性检验后，才接受该染色体。当经过固定次数迭代后，或者无法进行改进时，算法停止执行。
也可使用一种简单的单染色体每迭代机制。在这种情形中，染色体集仅包含一个元素，TE操作用于在两种随机选择时间间隔和唯一染色体中，交换传感器部署模式。由于BC不再可用，因而采用新的交叉操作传感器交换（Sensor Ex-change，SE）。在整个时间范围T内使用SE，可以实现两个随机选择的传感器部署模式的交换。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
