1.一种基于莱维飞行的无线传感器网络节点分簇方法，其特征在于，包括如下步骤：在目标区域内设置粒子群，给每个粒子赋予随机初始速度和初始位置；

结合每个粒子赋予随机初始速度和初始位置以及适应度函数确定局部最优解和全局最优解的粒子的初始位置；

粒子群按照基于莱维飞行的粒子群优化算法描述的运动轨迹对目标区域进行搜索，基于局部最优解和全局最优解的粒子的初始位置，结合适应度函数不断更新下一轮每个粒子的速度和位置，并计算下一轮每个粒子的适应度，得到每一轮的局部最优解和全部最优解的粒子的位置；

判断更新次数是否已经超过设定阈值，若是，则粒子进行莱维飞行，更新下一轮粒子的位置，否则判断粒子位置是否收敛，若是则选出设定数目的簇头节点的节点坐标，否则继续对目标区域进行搜索；

其中，所述适应度函数为：

fitness(x,y)＝α·f1+β·f2+γ·f3，

式中，α+β+γ＝1，f1表示k个簇头节点到汇聚节点的距离之和的倒数，f2表示k个簇头节点所覆盖的普通节点的数量之和，f3表示k个簇头节点的剩余能量的加权之和，x表示粒子的横坐标，y代表粒子的纵坐标；

其中，设定数目的簇头节点的个数计算公式为：

式中，N是正方形目标区域中的传感器节点总数，a是正方形目标区域的边长，d是该区域中所有传感器节点到汇聚节点的距离的期望，ε1表示自由空间模型放大参数，ε2表示多路径衰减模型放大参数，ε3表示发送接收能耗；

其中，不断更新下一轮每个粒子速度公式为：

不断更新下一轮每个粒子位置的公式为：

式中，t为当前迭代次数，ω为惯性权重，c1、c2为学习因子，r1、r2为[0，1]内均匀分布的随机数， 表示第t代粒子i的位置， 表示第t代粒子i的速度，pi称为局部最优解，pg表示全局最优解， 表示第t+1代粒子i的速度；

其中，粒子进行莱维飞行，更新下一轮粒子的位置公式为：

其中，⊕为点对点乘法，a表示步长控制量，levy(λ)为随机搜索路径， μ、v为正态分布，β为常数。

2.一种基于权利要求1所述的莱维飞行的无线传感器网络节点分簇方法的系统，其特征在于，包括：粒子群设置模块，被配置为：在目标区域内设置粒子群，给每个粒子赋予随机初始速度和初始位置；

粒子群优化算法模块，被配置为：结合每个粒子赋予随机初始速度和初始位置以及适应度函数确定局部最优解和全局最优解的粒子的初始位置；

粒子群按照基于莱维飞行的粒子群优化算法描述的运动轨迹对目标区域进行搜索，基于局部最优解和全局最优解的粒子的初始位置，结合适应度函数不断更新下一轮每个粒子的速度和位置，得到每一轮的局部最优解和全部最优解的粒子的位置；

网络节点分簇模块，被配置为：判断更新次数是否已经超过设定阈值，若是，则粒子进行莱维飞行，更新下一轮粒子的位置，否则判断粒子位置是否收敛，若是则选出设定数目的簇头的节点坐标，否则继续对目标区域进行搜索。

3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1所述的一种基于莱维飞行的无线传感器网络节点分簇方法中的步骤。

4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的一种基于莱维飞行的无线传感器网络节点分簇方法中的步骤。