1.一种基于群体智能优化算法的WSN部署方法，其特征在于，包括：构建WSN覆盖模型，根据WSN覆盖模型构建WSN目标函数；根据精英反向学习方法、莱维飞行策略、布朗运动策略改进群体智能优化算法，采用改进后的群体智能优化算法根据WSN目标函数计算WSN部署策略；所述WSN为传感器节点；

WSN目标函数 为：

；

其中， 为传感器节点集合的覆盖面积， 为传感器节点的覆盖面积， 、为目标监控区域的长度和宽度；

采用改进的群体智能优化算法根据WSN目标函数计算WSN部署策略包括：S1、采用精英反向学习策略进行种群初始化；所述种群包括多个个体，每个个体代表传感器节点的位置；

S2、采用莱维飞行下的运动策略、布朗运动下的运动策略对初始化后的种群个体进行第一阶段更新，采用躲避机制对第一阶段更新后的种群个体进行第二阶段更新，得到第二阶段更新后的种群个体；

对种群个体进行第一阶段更新包括：

计算每个种群个体 对应的WSN目标函数值，根据WSN目标函数值在种群个体中选择精英节点；其中，为种群个体的索引，为种群个体的维度的索引，为当前迭代次数；

计算自适应参数 ；若 大于0.5，则利用莱维飞行下的运动策略根据精英节点计算新的种群个体 ；否则，利用布朗运动下的运动策略根据精英节点计算新的种群个体 ；

更新精英节点，计算 和更新后的精英节点对应的WSN目标函数，根据 和更新后的精英节点对应的WSN目标函数得到第一阶段更新后的种群个体；

自适应参数 的计算方式为：

；

其中， 为随机函数， 为最大迭代次数；

利用莱维飞行下的运动策略计算新的种群个体 包括：；

其中，r为从0到1的随机数， 表示精英节点，为莱维飞行的函数， 、 表示平面坐标的二维分量；

利用布朗运动下的运动策略计算新的种群个体 包括：；

其中， 为布朗运动策略；

根据WSN目标函数得到第一阶段更新后的种群个体 包括：；

其中， 为第一阶段更新后的种群个体， 为新的种群个体的目标函数值，为精英节点的目标函数值；

根据躲避机制对第一阶段更新后的种群个体进行第二阶段更新包括：设置警告值，根据警告值计算新的种群个体 ：；

计算种群个体 和种群个体 对应的WSN目标函数，根据种群个体 和种群个体 对应的WSN目标函数得到第二阶段更新后的种群个体；

其中， 为服从正态分布的随机数， 为矩阵， 的每个元素都为1， 为警告值；

S3、计算第二阶段更新后的种群个体对应的WSN目标函数值，选择WSN目标函数值最小的种群个体作为最佳的种群个体，即最佳的传感器节点位置；

S4、当达到最大迭代次数T时，得到最终的种群个体，即最终的传感器节点位置；否则回到步骤S2，对最佳的种群个体进行更新。

2.根据权利要求1所述的一种基于群体智能优化算法的WSN部署方法，其特征在于，构建WSN覆盖模型包括：构建传感器节点组： ，其中，传感器节点， 为传感器节点的位置，为传感器节点的感测半径；根据传感器节点组计算传感器节点的覆盖面积。