CN101505486B - 传感器网络组网优化方法 - Google Patents

Abstract

传感器网络组网优化方法，提出了基于信息价值最大的交通传感器动态组网模型，并利用贪心算法对模型进行了求解，实现了基于任务或事件的动态组网；提出了交通传感器网络的可重构性，并对物理层上的传感器实现逻辑层上的动态组网。本发明的有益效果：实现了物理传感器的组合动态组网，把信息价值最大思想运用到传感器动态组网优化中。提出了基于事件信息价值最大的传感器动态组网模型，把贪心算法应用到传感器动态组网的优化算法中。给出了贪心算法求解动态组网优化的过程，实现了基于任务或事件的交通传感器的动态组网，并实现动态优化组网。

Description

传感器网络组网优化方法

技术领域

本发明涉及一种传感器网络组网优化方法，属于交通状态检测传感器技术领域，涉及交通传感器的动态组网，基于任务或事件的动态组网优化。

背景技术

传感器组网可以充分地利用传感器资源，增强系统的协同能力和可靠性。而通信网络是实现各种信息正常传输的基础。一般而言，传感器组网对通信网络有三点要求：第一，通信带宽能满足数据传输的需求；第二，通信网络的各通信节点在功能和物理上是独立的；第三，各通信节点通信接口是通用的，也就是说可以和不同通信系统对接。在上面三个条件的支持下，不同通信系统组成的通信网络可以满足不同层次数据的传输要求，进而在不同的节点可以共享各种信息数据。

在传感器组网的过程中，在逻辑层上，根据所研究的问题，对整个网络中的传感器重新分配，使对某些特定功能的传感器数据进行集中处理，得到关于某个时间特定的信息。同时，在另一个事件中，把与此事件的敏感的传感器的数据集中处理，实现对此事件信息的提取。这样在物理层的传感器一定的情况下，我们可以实现这些传感器的动态重构，而不必在物理层上移动传感器的位置，或者说布设新的传感器。

发明内容

为了克服现有技术结构的不足，本发明提供一种传感器网络组网优化方法。本发明提出了基于信息价值最大的交通传感器动态组网模型，并利用贪心算法对模型进行了求解，实现了基于任务或事件的动态组网；提出了交通传感器网络的可重构性，并对物理层上的传感器实现逻辑层上的动态组网。

本发明解决其技术问题所采用的技术方案是：

一种传感器网络组网优化方法，含有以下步骤：建立基于信息价值最大的交通传感器动态组网模型的步骤；利用贪心算法对上述模型进行了求解的步骤；基于任务或事件的动态组网的步骤；含有对物理层上的传感器实现逻辑层上的动态组网的步骤。

一种传感器网络组网优化方法，建立基于信息价值最大的交通传感器动态组网模型的步骤如下：

(1)求出选择传感器的总信息价值；

(2)给出处理每个传感器的固定费用；

(3)总信息价值减去固定费用得到动态组网的信息价值。

一种传感器网络组网优化方法，利用贪心算法对上述模型进行了求解的步骤如下：

(1)确定各参数；

(2)确定研究的事件A，并根据事件A的性质划分与事件A有关的物理传感器，从而确定n；

(3)对于事件A，确定第一个初始解，把事件区域中心处提供的信息价值最大的传感器作为初始解，并计算W的值；

(4)以次在剩余的传感器中选择信息价值较大(已经考虑了传感器的成本)且与此事件的相关系数较高的传感器加入模型中求解，得到新的W值，若W值变小或不满足事先给出的约束条件，则停止计算，返回最大的Wm和对应解集；

(5)判断解集中传感器数n′，若n′＜n，则重复步骤4；否则停止计算，返回当前的Wm和解集。

一种传感器网络组网优化方法，基于任务或事件的动态组网的步骤如下：

(1)确定任务或事件发生的地点；

(2)利用权利要求2和3的方法求出最优解；

(3)确定基于此任务或事件的动态组网所选择的传感器。

本发明的有益效果：

实现了物理传感器的组合动态组网，把信息价值最大思想运用到传感器动态组网优化中。提出了基于事件信息价值最大的传感器动态组网模型，把贪心算法应用到传感器动态组网的优化算法中。给出了贪心算法求解动态组网优化的过程，实现了基于任务或事件的交通传感器的动态组网，并实现动态优化组网。

附图说明

图1动态组网算法流程图；

图2实施例2路网图(数字代表传感器位置，A代表研究的事件或给定的任务点，J代表交叉点)；

图3算法执行结果图。

具体实施方式

实施例1：

一种传感器网络组网优化方法，含有以下步骤：

(1)建立基于信息价值最大的交通传感器动态组网模型的步骤

步骤1：模型建立

基于信息价值最大的交通传感器动态组网模型做如下描述：

$\max W=\underset{1}{\overset{n}{\mathrm{\Σ}}}{R}_{\mathrm{ik}}{q}_i{I}_i-n{C}_0$

$s.t.\left\{\begin{array}{c}{I}_i\∈S\\ n\≤m\end{array}\right.$

此式的约束条件为物理层上的对事件A可利用的传感器。

式中：

S——与事件A有关的可利用物理传感器的信息量的集合；

m——与事件A有关的可利用物理传感器总数；

n——选取的传感器数目；

q_i——物理层传感器i被此事件利用的单位信息费用，根据上节的传感器i使用年限内的单位信息费用为q_i，设使用年限为20年，此事件需采集i传感器一天的信息，则q_i可按下式求出

$q_i=\frac{k_i}{20\×365};$

I_i——物理层与事件有关的第i个传感器对此事件的信息量；

C₀——处理一个传感器信息的固定费用。

上式中的

表示各个传感器的信息价值叠和，这里考虑了各个传感器所在路段之间的交通信息相关性，用相关系数R表示，那么各个路段的组成交通信息的相关系数矩阵R_ij如下：

其中R_ij＝R_ji，0≤R_ij≤1。

R_ij可以通过分析i和j路段上传感器所采集的交通信息的相关性得到，上式

中的k表示事件发生在路段k上。

步骤2：模型分析

首先给出所要研究的事件A，并给出事件的大致区域，这样就可以找出初始的与事件相关性最大的传感器，同时根据区域的道路情况和传感器布置情况选择一定数量和范围的传感器，然后确定各个参数，最后按照上述的算法对模型求解，得到基于此事件的传感器组网方式，实现传感器的动态可重构。

在用户给出所研究的事件及与事件有关的传感器区域后，系统可以自动调用相应的模型并进行求解，找出事件信息的满意解，用户可以设置一定的精度或者迭代次数来控制流程；另外若对于关心的时常发生的事件，可以把相应参数存入数据库，用户指定关心的事件，系统可以自动搜索求解；若以备忘录的形式把之前处理事件的计算结果导入数据库，下次遇到同样的事件可直接读取数据库中的结果，并进行微调优化，加快求解速度。

(2)利用贪心算法对动态组网模型求解的步骤

其基本思想是先确定第一步的解，然后在剩下的解空间中不断选择在目前情况下对目标值最有利的元素，直到到达解元素个数或则目标值精度为止，若问题满足贪心选择性质或者最优子结构性质，则最后得到的解即为最优解，否则为满意解。

步骤1：确定各参数；

步骤2：确定研究的事件A，并根据事件A的性质划分与事件A有关的物理传感器，从而确定n；

步骤3：对于事件A，确定第一个初始解，把事件区域中心处提供的信息价值最大的传感器作为初始解，并计算W的值；

步骤4：以次在剩余的传感器中选择信息价值较大(已经考虑了传感器的成本)且与此事件的相关系数较高的传感器加入模型中求解，得到新的W值，若W值变小或不满足事先给出的约束条件，则停止计算，返回最大的Wm和对应解集；

步骤5：判断解集中传感器数n′，若n′＜n，则重复步骤4；否则停止计算，返回当前的Wm和解集。

(3)基于任务或事件的动态组网的步骤

步骤1：确定任务或事件发生的地点；

步骤2：利用贪心算法对交通传感器动态组网模型进行求解，求出最优解；

步骤3：确定基于此任务或事件的动态组网所选择的传感器。

实施例2：

选取北京市西三环和西四环处的一个路网区域，若在图示的位置(4号传感器处)发生一起事件A(由南到北方向)，考虑与此事件相关性较大的15个传感器，见图2，这里以路网中实际的传感器布置为准。

利用上述模型：

$\max W=\underset{1}{\overset{n}{\mathrm{\Σ}}}{R}_{\mathrm{ik}}{q}_i{I}_i-n{C}_0$

$s.t.\left\{\begin{array}{c}{I}_i\&Element;S\\ n<=m\end{array}\right.$

求解的步骤如下：

步骤1：确定参数C₀和p_i

C₀表示处理一个传感器信息的固定费用，与系统有关，这里我们取60，p_i可以由k_i算出，由于都是快速路，为简便起见，设所有的k_i相同，都为所选取的150000，则 $p_i=\frac{k}{20\&times;365}=20.55.$

步骤2：确定各传感器与事件的相关系数

各传感器与事件的相关系数为距离的函数，即r(x)＝e^-0.2632x，各交叉口距离如表1。

表1  传感器之间的路线距离

传感器编号	路线距离	传感器编号	路线距离
				1-2	0.627	8-J2	0.706
2-3	0.654	J2-9	0.657
				3-4	0.510	10-11	2.807
4-J1	0.644	11-12	0.606
				J1-5	0.437	12-J1	0.499

5-6	0.322	J1-13	0.677
				6-7	0.713	13-14	1.608
7-8	0.549	J2-15	1.815

根据各传感器与事件点A的距离，可得各传感器信息与事件A的相关系数如表2：

表2相关系数计算表

传感器编号	与事件A的路段距离x(km)	各传感器与事件A的关联系数计算
			1	1.791	e-0.2632x＝exp(-0.2632*1.791)＝0.6241
2	1.164	e-0.2632x＝exp(-0.2632*1.164)＝0.7361
			3	0.510	e-0.2632x＝exp(-0.2632*0.510)＝0.8744
4	0	e-0.2632x＝exp(-0.2632*1.000)＝1.000
			5	1.081	e-0.2632x＝exp(-0.2632*1.081)＝0.7524
6	1.403	e-0.2632x＝exp(-0.2632*1.403)＝0.6912
			7	2.116	e-0.2632x＝exp(-0.2632*2.116)＝0.5730
8	2.665	e-0.2632x＝exp(-0.2632*2.665)＝0.4959
			9	4.028	e-0.2632x＝exp(-0.2632*4.028)＝0.3464
10	4.556	e-0.2632x＝exp(-0.2632*4.556)＝0.3015
			11	1.749	e-0.2632x＝exp(-0.2632*1.749)＝0.6311
12	1.143	e-0.2632x＝exp(-0.2632*1.143)＝0.7402
			13	1.321	e-0.2632x＝exp(-0.2632*1.321)＝0.7063
14	2.929	e-0.2632x＝exp(-0.2632*2.292)＝0.5470
			15	5.182	e-0.2632x＝exp(-0.2632*5.182)＝0.2557

步骤3：确定两点之间的信息

利用静态布置方法求得各传感器的信息密度函数，这里采用拟合出的指数函数(由于实例路网较小，假设各传感器的转换因子相同，且都为快速路，都取1.1374)得到各传感器的信息密度函数为：

h(x)＝a×e^-0.2632x＝1.1374×e^-0.2632x

所以传感器x₁到x₂处的信息为

$I(x_1\&RightArrow;x_2)=1.1374\&times;{\&Integral;}_{x_1}^{x_2}{e}^{-0.2632x}=1.1374\&times;\frac{1}{-0.2632}{e}^{-0.2632x}{|}_{x_1}^{x_2}$

$=4.3214(e^{-0.2632x_1}-e^{-0.2632x_2})$

若在x₁和x₂之间的道路有交叉，设在x₁₂处，那么x₁和x₂之间的信息为：

$I(x_1\&RightArrow;x_{12}\&RightArrow;x_2)$

$=4.3214(e^{-0.2632x_1}-e^{-0.2632x_{12}})+R_{L1L2}\&times;4.3214(e^{-0.2632x_{12}}-e^{-0.2632x_2})$

其中：R_L1L2——x₁所在路段L1与x₂所在路段L2之间的相关系数。

步骤4：确定路段信息相关系数矩阵

通过08年4月10日图示各传感器测得的路段速度数据，得到五个主要路段的信息相关系数矩阵见表3：

表3路段信息相关系数矩阵

相关系数	L1	L2	L3	L4	L5
						L1	1.0000	0.5490	0.1559	0.6373	0.3155
L2	0.5490	1.0000	0.2084	0.3634	0.3589
						L3	0.1559	0.2084	1.0000	0.1235	0.0040
L4	0.6373	0.3634	0.1235	1.0000	0.3520
						L5	0.3155	0.3589	0.0040	0.3520	1.0000

说明：L1为1、2、3、4号传感器所在路段；L2为5、6、7、8、9号传感器所在路段；L3为10、11、12号传感器所在路段；L4为13、14号传感器所在路段；L5为15号传感器所在路段。

步骤5：贪心算法求解过程

逐个加入传感器到解集中，利用贪心算法，每次选入一个传感器，这里选取传感器的规则是与事件关联系数最大的传感器首先选入，然后计算W_i，若W_i减小则停止计算，此时最大的W_i-1为最终解，此时的解集为最终解集。计算步骤及结果见表4。

表4求解计算过程

检测器编号	与A的关联系数	贪心选择步数	选取的传感器编号	W值计算结果	0到1说明W开始下降
						1	0.6241	第一步	4	117.610
2	0.7361	第二步	3	255.542	0
						3	0.8744	第三步	5	302.315	0
4	1	第四步	12	325.125	0
						5	0.7524	第五步	2	395.863	0
6	0.6912	第六步	13	442.272	0
						7	0.573	第七步	6	482.366	0
8	0.4959	第八步	11	499.086	0
						9	0.3464	第九步	1	549.933	0
10	0.3015	第十步	7	576.125	0
						11	0.6311	第十一步	14	603.622	0
12	0.7402	第十二步	8	620.030	0
						13	0.7063	第十三步	9	615.861	1
4	0.547	第十四步	10	601.339	1
						15	0.2557	第十五步	15	582.051	1

步骤6：动态组网优化结果

从表4可知，当选择12个传感器时，可得W值达到最大，此时的解集为4、3、5、12、2、13、6、11、1、7、14、8，得到的W值为620.030。计算完毕，最终解集见图3。

Claims (6)

1.一种传感器网络组网优化方法，其特征在于含有以下步骤：建立基于信息价值最大的交通传感器动态组网模型的步骤；利用贪心算法对上述模型进行了求解的步骤；基于任务或事件的动态组网的步骤；

建立基于信息价值最大的交通传感器动态组网模型的步骤如下：

(1)求出选择传感器的总信息价值；

(2)给出处理每个传感器的固定费用；

(3)总信息价值减去固定费用得到动态组网的信息价值；

利用贪心算法对上述模型进行了求解的步骤如下：

(1)确定各参数；

(2)确定研究的事件A，并根据事件A的性质划分与事件A有关的物理传感器，从而确定n，n——选取的传感器数目；

(3)对于事件A，确定第一个初始解，把事件区域中心处提供的信息价值最大的传感器作为初始解，并计算W的值，W为交通传感器动态组网模型；

(4)依次在剩余的传感器中选择信息价值较大，已经考虑了传感器的成本且与此事件的相关系数较高的传感器加入模型中求解，得到新的W值，若W值变小或不满足事先给出的约束条件，则停止计算，返回最大的Wm和对应解集；

(5)判断解集中传感器数n′，若n′＜n，则重复步骤4；否则停止计算，返回当前的Wm和解集；

基于任务或事件的动态组网的步骤如下：

(1)确定任务或事件发生的地点；

(2)求出最优解，

求解的步骤如下：

1)确定各参数；

2)确定研究的事件A，并根据事件A的性质划分与事件A有关的物理传感器，从而确定n，n——选取的传感器数目；

3)对于事件A，确定第一个初始解，把事件区域中心处提供的信息价值最大的传感器作为初始解，并计算W的值，W为交通传感器动态组网模型；

4)依次在剩余的传感器中选择信息价值较大，已经考虑了传感器的成本且与此事件的相关系数较高的传感器加入模型中求解，得到新的W值，若W值变小或不满足事先给出的约束条件，则停止计算，返回最大的Wm和对应解集；

5)判断解集中传感器数n′，若n′＜n，则重复步骤4；否则停止计算，返回当前的Wm和解集；

(3)确定基于此任务或事件的动态组网所选择的传感器。

2.如权利要求1所述的传感器网络组网优化方法，其特征在于，把信息价值最大思想用到传感器动态组网优化中。

3.如权利要求1所述的传感器网络组网优化方法，其特征在于，给出了贪心算法求解动态组网优化的过程。

4.如权利要求1所述的传感器网络组网优化方法，其特征在于，把贪心算法应用到传感器动态组网的优化算法中。

5.如权利要求1所述的传感器网络组网优化方法，其特征在于，提出了基于事件信息价值最大的传感器动态组网模型。

6.如权利要求1所述的传感器网络组网优化方法，其特征在于，实现了基于任务或事件的交通传感器的动态组网，并实现动态优化组网。

Images