1.一种基于改进二进制粒子群的无线传感器网络优化方法，其特征在于，包括下述步骤：

初始化总体矩阵X，X＝[|N|][|S|]，其中，N表示种群的数量，S表示传感器节点的数量；

设置惯性权重、学习因子和阈值；

设置速度范围，初始化每个粒子的最佳历史位置，设置最大迭代次数，初始化当前迭代次数；

构建适应度函数，表示为：

f(individual)＝α1×coverPoints‑α2×workingNodes其中，α1、α2表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

根据优化二进制粒子群算法更新个体的速度和位置；

计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

比较当前个体的最佳适合度值和全局最优位置的适合度值；如果当前个体的最佳适合度值更高，更新全局最优位置；

重复迭代，直至满足迭代终止条件后输出当前的全局最优位置。

2.根据权利要求1所述的基于改进二进制粒子群的无线传感器网络优化方法，其特征在于，所述根据优化二进制粒子群算法更新个体的速度和位置，具体步骤包括：更新个体的速度：

其中， 表示粒子i在第t+1代的速度，ω表示惯性权重， 为粒子i在第t代的速度，c1、c2均表示学习因子，r1，r2为(0，1)之间符合正态分布的随机数， 表示粒子i在已有代数中最好的位置， 表示所有粒子里在所有代中最好的位置， 表示粒子i在第t代中的位置；

当迭代次数t＜γ*MaxIter时，粒子位置更新方式为：计算粒子i在t+1代的位变化概率，表示为：其中，γ表示阈值，MaxIter表示最大迭代次数， 为粒子i在t+1代的位变化概率，表示粒子i在第t+1代的速度；

在 时：

在 时：

其中， 为第t+1代粒子i中传感器n的速度的绝对值， 为第t+1代粒子i中传感器n的位置的绝对值， 为所有代中传感器n最佳的位置，rand()为(0，1)之间服从正态分布的随机数， 为第t+1代粒子i中传感器n的位变化概率；

当迭代次数t≥γ*MaxIter时，粒子位置更新方式为：当 时，

当 时，

其中，exp()表示以自然常数e为底的指数函数。

3.根据权利要求1所述的基于改进二进制粒子群的无线传感器网络优化方法，其特征在于，在所述计算每个个体的适应度值之前，还包括概率变异替换步骤，具体步骤包括：设定点覆盖率及阈值θ；

循环检索个体集中的个体，对于不满足点覆盖率要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化，否则，比特不会改变；

循环检索个体集中的个体，直到个体满足点覆盖率要求。

4.一种基于改进二进制粒子群的无线传感器网络优化系统，其特征在于，包括：初始化模块、参数设置模块、适应度函数构建模块、适应度值计算模块、个体速度和位置更新模块、个体最优位置更新模块、全局最优位置更新模块和输出模块；

所述初始化模块用于初始化总体矩阵X，X＝[|N|][|S|]，其中，N表示种群的数量，S表示传感器节点的数量，用于初始化每个粒子的最佳历史位置及当前迭代次数；

所述参数设置模块用于设置惯性权重、学习因子和阈值，用于设置速度范围，设置最大迭代次数；

所述适应度函数构建模块用于构建适应度函数，表示为：f(individual)＝α1×coverPoints‑α2×workingNodes其中，α1、α2表示权重参量，coverPoints表示被覆盖的点的数目，workingNodes表示处于工作状态的节点总数；

所述适应度值计算模块用于根据所述适应度函数计算每个粒子的适应度值，初始化全局最优位置的值和位置；

所述个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置；

所述个体最优位置更新模块用于计算每个个体的适应度值，与该个体目前个体最优位置的适应度值比较，若当前个体的适应度值更高，则用该个体更新个体最优位置；

所述全局最优位置更新模块用于比较当前个体的最佳适合度和全局最优位置的适合度；如果当前个体的最佳适合度更高，更新全局最优位置；

所述输出模块用于重复迭代直至满足迭代终止条件后输出当前的全局最优位置。

5.根据权利要求4所述的基于改进二进制粒子群的无线传感器网络优化系统，其特征在于，所述个体速度和位置更新模块用于根据优化二进制粒子群算法更新个体的速度和位置，具体步骤包括：

更新个体的速度：

其中， 表示粒子i在第t+1代的速度，ω表示惯性权重， 为粒子i在第t代的速度，c1、c2均表示学习因子，r1，r2为(0，1)之间符合正态分布的随机数， 表示粒子i在已有代数中最好的位置， 表示所有粒子里在所有代中最好的位置， 表示粒子i在第t代中的位置；

当迭代次数t＜γ*MaxIter时，粒子位置更新方式为：计算粒子i在t+1代的位变化概率，表示为：其中，γ表示阈值，MaxIter表示最大迭代次数， 为粒子i在t+1代的位变化概率，表示粒子i在第t+1代的速度；

在 时：

在 时：

其中， 为第t+1代粒子i中传感器n的速度的绝对值， 为第t+1代粒子i中传感器n的位置的绝对值， 为所有代中传感器n最佳的位置，rand()为(0，1)之间服从正态分布的随机数， 为第t+1代粒子i中传感器n的位变化概率；

当迭代次数t≥γ*MaxIter时，粒子位置更新方式为：当 时，

当 时，

其中，exp()表示以自然常数e为底的指数函数。

6.根据权利要求4所述的基于改进二进制粒子群的无线传感器网络优化系统，其特征在于，还设有概率变异替换模块，用于对不符合点覆盖率要求的个体，给每个比特一个变异概率，具体步骤包括：

设定点覆盖率及阈值θ；

循环检索个体集中的个体，对于不满足点覆盖率要求的个体，对每一位生成一个介于(0，1)之间的随机值rand()；当小于阈值时，位发生变化，否则，比特不会改变；

循环检索个体集中的个体，直到个体满足点覆盖率要求。

7.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求

1‑3任一项所述基于改进二进制粒子群的无线传感器网络优化方法。

8.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1‑3任一项所述基于改进二进制粒子群的无线传感器网络优化方法。