CN102238562B - 一种无线传感器网络覆盖优化方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络覆盖优化方法，其特点是基于元胞自动机(CA)理论和遗传算法(GA)的无线传感器网络覆盖优化方法。该算法的核心思想是在达到满足需求覆盖率条件下，传感器节点内部各个设备在不需要时关闭，而在需要时唤醒。这样可以使传感器适时进入相应的低功耗模式，延长整个网络的生命周期，降低总体能量消耗。

Description

一种无线传感器网络覆盖优化方法

技术领域：

本发明涉及一种无线传感器网络覆盖优化方法，属于无线传感器网络领域。

背景技术：

近年来，无线传感器网络广泛应用于军事国防、环境监测、智能家居等诸多领域。无线传感器网络是由部署在监测区域内的大量具有传感、数据处理、无线通信能力的传感器节点通过自组织方式形成的网络。由于传感器节点通常是由容量有限的电池供电，而在许多环境中对传感器节点进行充电或更换电池是不现实的，这直接决定了网络的寿命。因此，有必要寻找一种方法来延长网络的寿命。其中方法之一是提高网络的覆盖率，即在有限的资源条件下，如何部署传感器网络节点，如何进行路由选择，以达到网络覆盖范围最大化，减少节点的能量消耗。

目前，研究人员提出了许多方法来扩大网络的覆盖范围，在这些算法中，使用最广泛的就是遗传算法。贾杰等人提出两种基于加权遗传算法和基于约束遗传算法的优化覆盖机制(贾杰等人《控制与决策》2007.10)，仿真结果表明该算法能快速收敛于最优解，完成工作节点集的优化选取，从而降低网络冗余，延长网络生存时间，但该算法没有考虑到网络的概率覆盖模型，收敛速度较慢。本发明的目的是在大规模无线传感器网络中，在保证最优覆盖的同时，使得所用的传感器节点最少。调度算法允许在绝大部分时刻有尽可能多的节点处于休眠状态的同时，还能达到预计的覆盖率并保证网络的连通性。提高网络的覆盖率可能会需要更多的传感器节点处于工作状态，然而减少处于工作状态的节点数又会降低覆盖率，因此，需要同时考虑到这两方面的要求。截到目前为止，还未见见有专利文献和非专利文献报道。

发明内容：

本发明的目的是针对现有的技术的不足而提供一种无线传感器网络覆盖优化方法，其特点是利用基于遗传算法的覆盖模型对无线传感器网络的覆盖问题进行仿真，将最优覆盖问题转换为多目标优化问题(MOP)。为了有效地解决过早收敛问题，提高搜索效率，将元胞自动机理论(CA)引入到遗传算法中，用一种新的覆盖算法-元胞基因算法。对该算法进行了仿真，仿真结果表明，所有的节点状态只经过一次计算就可以得出，这样有效地节约网络计算和通信时的能量消耗，最后将该方法植入芯片中通过实验证明该方法能够极大的提高网络的覆盖率。

本发明是通过概率检测模型来判断网络中节点是否参与工作。这里先了解几个概念。

原始能量：每个节点的电能值，节点在刚开始工作时节点的电能值，通常用mAh表示。

即时能量：每个节点在开始正常运行后，在监测网络性能时，当节点收到不同的查询指令时节点的当前所具有的能量值。

剩余能量：节点到目前为止，所剩余的能量值。这个值在特定的情况下等于节点的即时能量，但是在本方法的模型中，会通过先计算后估算得到这个值。

通信量：节点在一定时间内处理信息的数量，包括发送和接收数据的平均数量。

本发明是内容由以下技术措施实现

将部署在监测区域内的传感器节点分成一个个节点簇，把管理职责分配给各簇头，基站通过簇头向簇内节点发送指令，使用分簇结构有效地增加网络的可扩展性并减少数据延迟，簇头的选举同混合节能分布式算法类似，根据节点的剩余能量和节点同邻近节点的距离的次要参数来周期性的选举簇头的。假定无线传感器网络符合以下几点：

1)每个节点都具有自身定位能力，能自主的决定其活动/休眠的间隔。

2)在初始部署完成后，所有的节点能同簇头进行通信，同时向基站或者簇头发送它们的位置信息。

3)簇头负责执行元胞基因算法(CGA)，并在簇内每个节点都处于工作状态时向网络广播它们的状态。

无线传感器网络覆盖优化方法，包括如下步骤：

步骤1).目标区域分成若干L×L的微小网格，将N个传感器节点随机的布置在区域中；

步骤2).节点先将其原始能量、节点传感器感知半径和位置信息发给控制端，控制端对所有节点数目进行统计；

步骤3).给定满足需求的网络覆盖率；

步骤4).把要求的网络覆盖率、节点的原始能量、节点感知半径和节点总数目输入元胞基因算法，用元胞基因覆盖率算法迭代计算出各个时间段的无线传感网络节点的布局方案；

步骤5).根据步骤4)中产生的布局方案，控制端以单位时间段为间隔定期发出指令，对节点工作进行调度，使布局方案中相应节点激活或者休眠；

步骤6).控制端定期发出请求指令，查询工作节点的剩余能量，若节点剩余能量已经不能维持一个单位时间段的正常工作，则标记此节点失效；控制端对此失效节点进行判断，若此节点为此时间段布局方案中的正常失效节点，则控制端不做处理；反之，则进入步骤7)；

步骤7).更新能正常工作的节点数目和节点的剩余能量重复步骤4)。

元胞基因覆盖率算法如下：

1)设目标区域面积为S，将目标区域分成若干L×L的微小网格，将N个传感器节点随机的布置在区域中，如附图1所示。定义部署区域的覆盖集为Ω＝{s₁，s₁，s₁，...，s_N}，其中每个节点的检测范围为r_s，通信范围为r_c，为了确保覆盖的连通性，设定r_c≥2r_s

2)利用二进制检测模型计算网络覆盖率，考虑到传感器采集的数据不存在关联不确定性，本发明引入了误差检测范围r_e(r_e＜r_s)来衡量传感器检测的不确定性。概率检测模型如下：

$P_{\mathrm{xy}}\left(s_i\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{r}_s-r_e\&GreaterEqual;d(s_i,L(x,y))\\ e^{-\mathrm{\&lambda;}{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}& \mathrm{if}{r}_s-r_e<d(s_i,L(x,y))<r_s+r_e\\ 0,& \mathrm{if}{r}_s+r_e\&le;d(s_i,L(x,y))\end{array}\right.$

定义无线传感网络的覆盖率为

即

$\mathrm{PCOV}\left({\mathrm{\&Omega;}}_k\right)=\underset{x=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{L}{\mathrm{\&Sigma;}}}\frac{P_{\mathrm{xy}}\left({\mathrm{\&Omega;}}_k\right)}{L\&times;L}$

这里，覆盖集的检测概率

3)元胞基因覆盖算法包括以下步骤：

(1)定义一个规则的初始群体，其中每个成员都有唯一一个给定的标识，并置于二维网格的有效位置；

(2)通过目标函数及约束条件，计算每个规则的适应值；

(3)为种群中的每个成员定义一个相互作用的邻域；

(4)在摩尔近郊模型中，中心元胞利用每个计算出的设计变量的适值，通过操作运算产生一个新的规则，并对二维网格中的所有元胞位置都重复该运算；

(5)计算新产生的规则的适应值，并与上一代的适值相比较，保留这两代中最优的规则；

(6)在上一代进化完成后，所有的元胞都产生了新的规则，这样每一个元胞的邻居也同时更新了；

(7)重复上述过程直到达到定义的收敛标准。

附图说明

图1为无线传感器网络的部署模型

图2为元胞基因算法的工艺流程图

1、产生初始种群，2、满足初始条件，3、计算个体适应值，4、种群邻域定义，5、元胞位置计算，6、计算新的适应值，7、更新元胞规则，8、输出结果，9、结束。

图3CGA和GA的最优收敛曲线

图4ECSS、GA和CGA三种算法覆盖率的比较

具体实施方式

以下通过实施例对本发明进行具体的描述，有必要在此指出的是本实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员可以根据上述本发明的内容作出非本质性的改进和调整。

实施例

本发明是解决任意布置情况下的无线传感器网络最优覆盖，降低网络总体能量消耗。具体说明如下：

步骤1)目标区域分成若干L×L的微小网格，将N个传感器节点随机的布置在区域中，如图1所示。定义部署区域的覆盖集为Ω＝{s₁，s₁，s₁，...，s_N}，其中每个节点的检测范围为r_s，通信范围为r_c。为了确保覆盖的连通性，设定r_c≥2r_s；

步骤2).节点先将其原始能量、节点传感器感知半径和位置信息发给控制端，控制端对所有节点数目进行统计。

步骤3).给定满足需求的网络覆盖率P。

步骤4).把要求的网络覆盖率、节点的原始能量、节点感知半径和节点总数目输入元胞基因算法，用元胞基因算法迭代计算出各个时间段的无线传感网络节点的覆盖率PCOV(Ω_k)，元胞基因算法如图2所示。

步骤5).根据步骤4)中产生的布局方案，控制端以单位时间段为间隔定期发出指令，对节点工作进行调度，使布局方案中相应节点激活或者休眠。能维持一个单位时间段的正常工作，则标记此节点失效；控制端对此失效节点进行判断，若此节点为此时间段布局方案中的正常失效节点，则控制端不做处理；反之，则进入步骤7)。

步骤7).更新能正常工作的节点数目和节点的剩余能量重复步骤4)。

为进一步说明上述问题，本发明使用CGA算法来对WSNs的覆盖问题进行仿真。我们将仿真结果同覆盖集的高效选取方法(ECSS)和GA算法进行比较，根据概率检测模型，将100个传感器随机的分布在50m×50m的目标区域中。每个传感器都有9m的检测范围，即r_s＝9m，且传感器的检测误差范围为5m，即r_e＝5m。概率检测模型中的参数分别为，λ＝0.5，β＝0.5，P_th＝0.7。仿真中使用的遗传算法参数如表1所示：

表2总结了这些数值的仿真结果。由表2得知CGA算法优于传统的遗传算法，能更快的找到最优解。CGA和GA的最优目标收敛曲线如图3所示。结果表明，GA的覆盖率为92.3％，而CGA的覆盖率为99.2％。同时也可以看出GA的收敛速度比CGA快。

当处于工作状态的传感器数不同时，CGA，ECSS，GA三种算法的性能比较如图4所示。三种算法都进行了150次遗传迭代。仿真结果表明，当有40个工作传感器节点时，CGA，ECSS，GA的覆盖率分别为98.6％，97.2％，94.8％。因此，与其它算法相比较，CGA只需较少的传感器节点就能达到较高的覆盖率。

表1 遗传算法使用的参数

表2 三种算法的比较

Claims (1)

1.一种无线传感器网络覆盖优化方法，其特征在于该方法包括以下步骤：

步骤1).目标区域分成若干L×L的微小网格，将N个传感器节点随机的布置在区域中；

步骤2).节点先将其原始能量、节点传感器感知半径和位置信息发给控制端，控制端对所有节点数目进行统计；

步骤3).给定满足需求的网络覆盖率；

步骤4).把要求的网络覆盖率、节点的原始能量、节点感知半径和节点总数目输入元胞基因覆盖率算法，用元胞基因覆盖率算法迭代计算出各个时间段的无线传感网络节点的布局方案；

步骤5).根据步骤4)中产生的布局方案，控制端以单位时间段为间隔定期发出指令，对节点工作进行调度，使布局方案中相应节点激活或者休眠；

步骤6).控制端定期发出请求指令，查询工作节点的剩余能量，若节点剩余能量已经不能维持一个单位时间段的正常工作，则标记此节点失效；控制端对此失效节点进行判断，若此节点为此时间段布局方案中的正常失效节点，则控制端不做处理；反之，则进入步骤7)；

步骤7).更新能正常工作的节点数目和节点的剩余能量重复步骤4)。

Images