CN101902752A - 一种有向传感器网络覆盖控制方法 - Google Patents

Abstract

一种有向传感器网络覆盖控制方法是一种无线传感器网络的覆盖增强解决方案。主要用于解决消除节点的感知重叠区和感知盲区，实现网络的高效覆盖的问题，属于无线传感器网络基础设施领域。它具有如下特征：本发明在分析主感知方向可调模型的基础上，实现一种基于微粒群优化的有向传感器网络覆盖增强算法。该算法针对节点主感知方向调整设计微粒适应值函数和种群进化策略，在此基础上以区域覆盖率为优化目标，通过微粒群搜索有效调整传感器节点的主感知方向从而达到有向传感器网络的覆盖增强。本发明可以用来消除节点的感知重叠区和感知盲区，实现监测区域的高效覆盖。

Description

一种有向传感器网络覆盖控制方法

技术领域

本发明是一种无线传感器网络路径覆盖增强方法，主要用于解决消除节点的感知重叠区和感知盲区，实现网络路径高效覆盖的问题，属于无线传感器网络研究领域。

背景技术

随着无线通信及微电子技术的快速发展，无线传感器网络在工业、农业、军事等传统领域和以智能家居、医疗保健、城市交通为代表的新兴领域展现出广泛的应用前景。以视频传感器和图像传感器为代表的有向传感器网络是传统传感器网络的一个有效扩充，该类传感器具备数据、图像和视频等多媒体信息感知、采集、处理和传输能力。然而无论在通信协议还是网络服务质量上，有向传感器网络都对传统无线传感网产生了巨大的冲击，传感器网络覆盖就是一个典型问题。覆盖反映了网络对物理世界的感知范围并直接影响着整个网络的服务质量。因此，网络覆盖有着很重要的意义，对网络性能有着直接的影响。总的来看，无线传感器网络覆盖主要分为三类：对若干离散点目标的传感器点覆盖；目标穿越部署传感器节点的区域时，对穿越轨迹点的路径跟踪覆盖以及对整个监测场景的区域覆盖。

覆盖控制作为传感器部署中的基础性问题，众多国内外研究学者相继开展了传感器网络中覆盖控制方面的研究。绝大多数的研究都是针对全向感知模型展开的，对应网络中节点的感知范围是以节点为圆心、以其感知距离为半径的圆形区域。实际上，满足方向性感知模型的有向传感网络也颇具实际应用意义。路径覆盖是覆盖控制研究中的一个热点问题，本发明相关研究是在有向感知模型的基础上，将微粒群智能优化算法引入到传感器网络覆盖增强中，针对有向传感器网络主感知方向调整的需要，设计微粒适应值计算函数和微粒群进化策略，并在此基础上，以网络覆盖率为优化目标，通过微粒群算法搜索全局最优分布，有效调整传感器节点的主感知方向以消除网络感知重叠区和感知盲区，最终实现有向传感器网络覆盖的增强。

发明内容

技术问题：本发明的目的是提供一种有向传感器网络覆盖控制方法，来提高传感器网络覆盖增强问题。本发明提出的方法可以在Mtalab开发系统中构建传感器网络的初始部署并实现覆盖增强的目标。

技术方案：本发明的方法是一种策略性方法，覆盖反映了网络对物理世界的感知范围并直接影响着整个网络的服务质量。覆盖控制是无线传感器网络应用的一个基本问题，即在保证一定的服务质量条件下，如何达到网络覆盖范围最大化，提供可靠的监测和目标跟踪服务。对网络覆盖的测量能够使我们了解是否存在监测和通信盲区，了解被监测区域的无线传感器网络的覆盖情况，从而重新调整传感器节点分布或者指导在将来添加传感器节点时可采取的改进措施。以通过调整网络覆盖的密度，对被监测区域中重要区域设置热点，部署更多的传感器节点，保证测量数据的可靠性。

本发明的一种有向传感器网络覆盖控制方法在分析主感知方向可调模型的基础上，实现一种基于微粒群优化的有向传感器网络覆盖增强算法，用于解决消除节点的感知重叠区和感知盲区，实现网络的高效覆盖，具体包含步骤如下：

输入：监测场景区域信息、网络中有向传感器节点的状态信息以及微粒群初始信息，具体包括场景区域大小、离散化因子取值、传感器节点的个数、初始位置、感知半径、主感知方向、最大感知角度

微粒群种群规模、迭代次数、角度单次调整范围w_max～w_min以及相关参数取值；

输出：各节点的最终主感知方向和最优覆盖度，

步骤1).初始化无线传感器网络中传感器节点的位置和主感知方向，设定微粒群初始规模m，生成各个粒子初始角度a和单次调整角度值w，迭代次数，设置搜索空间与传感器节点数n相同，画出初始部署图并计算初始覆盖度，

步骤2).根据有向传感器网络覆盖性能评价方法确定微粒群适应值函数，即每个微粒的覆盖度计算函数，设定个体最优覆盖度等于初始覆盖度，全局最优覆盖度等于初始覆盖度，

步骤3).根据适应值函数计算每次迭代中各微粒的适应值，将各微粒的适应值与个体最优覆盖度比较，若大于个体最优，更新个体当前最优；若个体当前最优大于全局最优，将其作为全局最优，根据公式更新当前角度和单次角度调整值，

步骤4).若未达到最大迭代次数，则返回步骤3，

步骤5).全局最优值即为迭代后的覆盖度，对应的微粒向量为传感器节点的主感知方向，画出优化后的覆盖效果图。

有益效果：本发明方法提出了一种无线传感器网络部署的新方法，主要用于解决传感器网络覆盖增强的问题，通过使用本发明提出的方法可以消除传感器节点的覆盖冗余和覆盖盲区，实现了监测区域的高效覆盖。下面我们给出具体的说明

微粒群算法具有适于解决连续空间多维函数优化问题，能快速收敛至全局最优解的特点。本发明将微粒群智能优化方法应用到有向传感器网络的覆盖优化中，通过对初始部署后节点的主感知方向进行调整，能够较大幅度地提高了网络覆盖效果，最终实现有向传感器网络的角度优化分布。

附图说明

图1是有向传感器节点的感知模型图。

图2是本发明方法的流程示意图。

具体实施方式

一、体系结构

有向感知模型作为传感器网络的一种典型感知模型，对应节点的感知范围是一个以节点为圆心、半径为其感知距离的扇形区域。不同于全向感知模型，有向感知模型的感知区域受“视角”限制，并非一个完整的圆形区域，一种全新的有向感知模型-方向可调感知模型，传感器节点的感知能力具有方向性，感知区域仅为一个扇形，且随主传感方向的调整节点有能力覆盖到其传感半径内的整个圆形区域。本发明中的全新的有向感知模型如图1。

传感器的有向感知区域为图1中扇形OAB所覆盖的区域，该区域可以绕方向传感节点所在位置O点任意旋转。设感知半径为R，传感方向

代表了传感器的主感知方向，其是通过圆心O指向扇形OAB区域质心位置的单位向量。在随机布撒的传感网络中该方向的初始值往往也服从随机分布，一般设主感知方向在[0，2π]内服从均匀分布。

代表感知区域视角(FOV)，通过调整

向量的方向角可以实现半径R以内圆形区域的完全覆盖。

本发明中，判断某点被覆盖的条件是：任意时刻，若以下两个条件同时满足，则认为该点被传感节点覆盖。

(1)该点到圆心的距离小于等于传感器半径；

(2)该点到圆心的距离与传感器主感知方向的点乘小于等于该点到圆心距离与感知区域视角的一半的余弦乘积；

二、方法流程

在无线传感器网络初始部署后，有向传感器网络的覆盖增强问题转化为初始布撒的传感器节点主感知方向调整问题。传感器节点主感知方向的调整受相邻节点感知方向的相互制约，因而主感知方向的调整是一个NP-Hard问题。已有的增强方法直接求解时间复杂度较高，和传感器网络能量受限和计算能力不足相矛盾。微粒群优化策略作为一种群进化智能计算方法，具有速度快、求解质量高、鲁棒性好等优点，能够很好地搜索到全局最优。本发明将微粒群智能优化算法引入到传感器网络覆盖增强中，针对有向传感器网络主感知方向调整的需要，设计微粒适应值计算函数和种群进化策略，在此基础上，以网络有效覆盖率为优化目标，通过微粒群算法搜索全局最优分布，调整传感器节点的主感知方向以消除网络感知重叠区和感知盲区，能够最终实现有向传感器网络覆盖增强。

具体方法流程如下：

1.初始化

设置场景监测区域中初始布撒的传感器节点数目、节点的初始主感知方向向量；所引入的微粒群种群规模，微粒群的搜索空间即对应为场景中的传感器节点数。

2.定义微粒的适应值函数

各微粒的适应值函数值对应传感器节点主感知方向下的网络有效覆盖率；

3.寻找个体最优覆盖度和全局最优覆盖度

对微粒进行迭代进化为搜寻全局最优解。

在此方法流程中所用到的定义如下：

(1)区域覆盖度η＝||Ω_a||/||Ω||

监测区域离散后对应的离散点的集合为Ω，所有至少被一个传感器节点覆盖的区域离散点集合为Ω_a。

$\left(2\right),\mathrm{\η}{({\stackrel{\→}{C}}_1,{\stackrel{\→}{C}}_2,...{\stackrel{\→}{C}}_n)}^{*}\≥\mathrm{\η}({\stackrel{\→}{C}}_1,{\stackrel{\→}{C}}_2,...{\stackrel{\→}{C}}_n)$

监测区域中初始布撒的传感器节点数目为n，第i个传感器节点的主感知方向向量为

则覆盖增强可视为一个最优化问题，即求解一组

使得对所有

有下式成立：

$\mathrm{\η}{({\stackrel{\→}{C}}_1,{\stackrel{\→}{C}}_2,...{\stackrel{\→}{C}}_n)}^{*}\≥\mathrm{\η}({\stackrel{\→}{C}}_1,{\stackrel{\→}{C}}_2,...{\stackrel{\→}{C}}_n)$

(3)微粒适应值函数f_i＝η(a_i1，a_i2，...，a_in)

(4)全局最优值p_g＝max{f₁，f₂，...，f_m}

在此方法流程中所用到的计算公式如下：

(1)W_ij(t+1)＝β(t)×w_ij(t)+C₁(pbest_a_ij-a_ij(t))+C₂(gbest_a_ij-a_ij(t))

(2)a_ij(t+1)＝a_ij(t)+w_ij(t+1)

$\left(3\right),\mathrm{\β}\left(t\right)={\mathrm{\β}}_{\max }-\frac{({\mathrm{\β}}_{\max }-{\mathrm{\β}}_{\min })\×t}{\mathrm{MaxDT}}$

其中，公式(1)和公式(2)为角度调整计算公式，pbest_a_ij为微粒i的第j维经历的局部最佳角度；gbest_a_ij对应为全局最佳角度；C₁、C₂为加速因子，分别用于调节微粒向局部最优和全局最优的进化步长；a_ij(t)代表第t代种群中的第i个微粒的第j维，即传感器j的主感知方向；进化过程中为保证迭代进化的稳定，对于每次调整的角度大小w_ij应限制于一定范围内，当w_ij超出该范围时，则调整为w_max或w_min；β(t)∈(0，1)为惯性因子，随迭代次数增加应逐步减少，从而使得算法在初期能快速到达全局最优解附近，后期则能稳定收敛至全局最优解，β(t)的取值如上式(3)所示。其中，β_max为惯性因子的最大值，β_min为惯性因子的最小值，t为当前迭代次数，MaxDT为最大迭代次数。

基于以上分析，本发明提出了微粒群优化的有向传感器网络覆盖增强算法，算法描述如下：

输入：监测场景区域信息、网络中有向传感器节点的状态信息以及微粒群初始信息，具体包括场景区域大小、离散化Δx、Δy取值、传感器节点的位置、感知半径、主感知方向、最大感知角度

微粒群种群规模、角度单次调整范围w_max～w_min以及相关参数取值等；

输出：各节点的最终主感知方向；

1.初始化无线传感器网络中传感器节点的位置和角度，设定微粒群初始规模m，生成各个粒子初始角度a_i和角度单次调整值w_i，搜索空间与传感器节点数n相同，画出初始部署图并计算初始覆盖度。

2.根据有向传感器网络覆盖性能评价方法计算各微粒的适应值f_i。

3.对第t代中的各微粒，根据公式更新个体当前最优p_i、全局最优pg、当前角度a_i(t)和单次角度调整值w_i(t)。

4.若未达到最大迭代次数，则返回步骤2。

5.全局最优值即为优化后的覆盖度，对应的微粒向量为传感器节点的主感知方向，画出优化后的覆盖效果图。

为了方便描述，我们假定有如下应用实例：开发一个无线传感器网络的覆盖控制应用，应用的基本需求是在消除覆盖盲区和覆盖冗余，并提高网络的高效覆盖。

(1)开发人员根据需求创建实现无线传感器网络路径的高效覆盖(总体设计)；

(2)开发人员将路径的高效覆盖策略归纳和分解生成功能具体的数学模型，以微粒群算法优化表示(详细设计)；

(3)开发人员将为微粒群算法生成更加具体的适应值函数，并根据适应值选取每次迭代的最优覆盖度；

(4)开发人员选择适应值函数时结合覆盖度的计算，每个微粒的覆盖度与传感器节点的覆盖度相对应；

(5)根据相应的微粒群算法需求，每次优化都会更新微粒的角度和速度，以便进入下一次优化。每次迭代选取局部最优覆盖度，最终选取全局最有覆盖度；

具体步骤如下：

输入：监测场景区域信息、网络中有向传感器节点的状态信息以及微粒群初始信息，具体包括场景区域大小、离散化Δx、Δy取值、传感器节点的位置、感知半径、主感知方向、最大感知角度

微粒群种群规模、角度单次调整范围w_max～w_min以及相关参数取值等；

输出：各节点的最终主感知方向；

步骤1).初始化无线传感器网络中传感器节点的位置和角度，设定微粒群初始规模m，生成各个粒子初始角度a和角度单次调整值w，搜索空间与传感器节点数n相同，画出初始部署图并计算初始覆盖度。

步骤2).根据有向传感器网络覆盖性能评价方法计算各微粒的适应值f。

步骤3).对每次迭代中的各微粒，根据公式更新个体当前最优p、全局最优pg、当前角度a(t)和单次角度调整值w(t)。

步骤4).若未达到最大迭代次数，则返回步骤2。

步骤5).全局最优值即为优化后的覆盖度，对应的微粒向量为传感器节点的主感知方向，画出优化后的覆盖效果图。

Claims (1)

1.一种有向传感器网络覆盖控制方法，其特征在于该方法在分析主感知方向可调模型的基础上，实现一种基于微粒群优化的有向传感器网络覆盖增强算法，用于解决消除节点的感知重叠区和感知盲区，实现网络的高效覆盖，具体包含步骤如下：

输入：监测场景区域信息、网络中有向传感器节点的状态信息以及微粒群初始信息，具体包括场景区域大小、离散化因子取值、传感器节点的个数、初始位置、感知半径、主感知方向、最大感知角度

微粒群种群规模、迭代次数、角度单次调整范围w_max～w_min以及相关参数取值；

输出：各节点的最终主感知方向和最优覆盖度，

步骤1).初始化无线传感器网络中传感器节点的位置和主感知方向，设定微粒群初始规模m，生成各个粒子初始角度a和单次调整角度值w，迭代次数，设置搜索空间与传感器节点数n相同，画出初始部署图并计算初始覆盖度，

步骤2).根据有向传感器网络覆盖性能评价方法确定微粒群适应值函数，即每个微粒的覆盖度计算函数，设定个体最优覆盖度等于初始覆盖度，全局最优覆盖度等于初始覆盖度，

步骤3).根据适应值函数计算每次迭代中各微粒的适应值，将各微粒的适应值与个体最优覆盖度比较，若大于个体最优，更新个体当前最优；若个体当前最优大于全局最优，将其作为全局最优，根据公式更新当前角度和单次角度调整值，

步骤4).若未达到最大迭代次数，则返回步骤3，

步骤5).全局最优值即为迭代后的覆盖度，对应的微粒向量为传感器节点的主感知方向，画出优化后的覆盖效果图。

Images