1.一种采用问题特征的人工蜂群算法的WSN障碍性区域覆盖部署方法，其特征在于：该方法具体包括以下步骤：

步骤一：将被监测区域划分为l×w个像素点形成点集Ra，将其中的障碍性区域置为不可覆盖的点集合Ro，则需要覆盖的区域为点集Rc＝Ra‑Ro；

步骤二：初始化人工蜂群算法的参数，种群数PS、问题维度D(在该专利中为传感器的数目)、最大循环次数Maxitr以及食物源未更新次数limit；其中，雇佣蜂和跟随蜂各占种群数量的一半为NP，侦察蜂设为1个，算法适应值设定为网络覆盖率；

步骤三：将D个传感器在监测区域内进行随机部署，但是不可部署于障碍性区域，生成初始随机解，作为人工蜂群算法的初始食物源；

步骤四：基于布尔覆盖模型计算传感器i所覆盖的像素点集 然后，采用蒙特卡罗方法按照下式求出总覆盖率Rced，该覆盖率在后续环节将作为算法的适应值；

步骤五：雇佣蜂阶段，每个雇佣蜂采用下式进行候选解生成，并通过贪婪选择保留更好的解；

1/D

其中，φij∈[‑1,1]， 均为随机变量，y为全局最优解，fg＝(1‑l) 引入问题维度因素D，用来平衡算法全局搜索与局部搜索能力， 引入了问题的适应值，用来弹性调整算法搜索步长进而使算法适应于不同问题的变量，fiti是第i个个体的适应值，fitmin是最小适应值，l＝Curitr/Maxitr是一个线性变化的参数，根据算法的迭代次数进行调整，Maxitr是算法迭代的最大次数，Curitr是算法当前所在的迭代次数；

步骤六：根据下式计算每个食物源将要被跟随蜂选择的概率：步骤七：每个跟随蜂进行食物源探索时，首先随机产生一个随机数r∈[0,1)，将r同pi进行比较，如果等于或大于，则采取步骤4中的方法进行食物源探索，即生成新的覆盖率，否则，由下一个跟随蜂进行探索，直到探索次数同整体跟随峰数量相同；

步骤八：侦查蜂阶段，当某个食物源多次被探索并且未更新的次数达到limit时，采用与步骤三相同的方式进行食物源初始化；

步骤九：记忆覆盖率最好的食物源的节点布局；

步骤十：循环次数增加1；

步骤十一：如果超过循环次数，则返回最佳适应值，程序结束，否则回到步骤五；

步骤十二：结束。