CN103354642A - 一种提高移动传感器网络覆盖率的方法 - Google Patents

Abstract

一种提高移动传感器网络覆盖率的方法，该方法所基于的移动传感器网络，包括多个异构移动传感器节点，各移动传感器节点有特定的感知半径和通信半径，并可以获得其自身位置，该方法对连续的移动传感器网络监视区域进行网格化处理，并随机的分配各个移动传感器节点，获得各个移动传感器节点的初始位置；计算移动传感器网络的覆盖率；采用覆盖空洞导向分布式差分进化方法确定提高移动传感器网络覆盖率的策略，即确定各个传感器节点要移动的位置；执行移动传感器节点移动操作。本发明提出的方法从收敛速度和系统能耗方面考虑，更全面和符合实际。本方法基于节点的分布式计算原理，以未覆盖区域为导向通过差分进化计算节点的新位置，无需预知所有节点的位置信息，既加快了运算速度又节省了通信开销，从而节省节点能耗，延长网络寿命。

Description

一种提高移动传感器网络覆盖率的方法

技术领域

本发明涉及移动传感器网络技术领域，具体涉及一种提供移动传感器网络覆盖率的方法。 

背景技术

无线传感器网络（Wireless Sensor Networks，WSNs）的基本作用是监测环境、发现和定位环境中的目标。由于传感器节点价格低廉，可广泛应用于数字战场监控、国防安全、医疗保健、环境监测等领域。每个传感器节点都有感知范围和通信范围，节点能感知到感知范围内的环境信息并且能与通信范围内的其它节点相互通信。部署节点对监测区域的覆盖程度是评价无线传感器网络性能的重要指标。节点的位置变化影响覆盖、通信能耗和信息处理。无线传感器网络具有分布式计算的特点，一些节点组成簇，每个簇选举一个簇首节点，簇首节点具有计算能力强并且能量更大的特点，簇内的节点可以通过单跳或多跳的方式与簇首节点通信，所有簇的簇首节点与基站进行通信。对于未知监测区域，通常采用随机的方式部署节点（如飞机空撒），但是随机部署一般不能达到覆盖要求，存在覆盖空洞。移动节点通过一定移动策略调整自身位置，可以弥补覆盖空洞，提高覆盖率。 

目前不少学者对移动传感网络的移动策略进行了研究。一种虚拟力方法（virtual force algorithm,VFA），根据两个节点间的距离计算节点受到的“引力”和“斥力”，使节点间距离达到指定的阈值，从而达到节点均匀部署的目的，但是该方法在网络重复覆盖和均匀覆盖上存在很多不足；基于局部虚拟力的无线传感器网络覆盖增强方法，构造了节点与节点、移动节点与目标区域边界之间的相互作用力，但该方法存在局部极大覆盖的情况；结合虚拟力方法和粒子群方法出现了一种新的智能方法虚拟力直接协同进化粒子群优化（VFCPSO），该方法将节点看作粒子，经过粒子速度和位置的不断更新迭代，得到覆盖率高的一组节点，其中利用虚拟力来指导粒子位置的更新，以期更快地收敛到最优解，但是该方法进化的多样性较差，速度较慢；一种未覆盖区域探索的启发式方法（uncovered region exploration algorithm,UREA），该方法通过计算节点周围附近邻域内未覆盖区域，指导节点向未覆盖区域移动，该方法比虚拟力方法更充分地利用了周围节点的信息，所以能更高效地提高网络覆盖率，而且在实际应用中还能减少通信开销，从而节省能耗，但是该方法的计算速度仍然较慢。 

发明内容

针对现有技术存在的不足，本发明提供一种提高移动传感器网络覆盖率的方法。 

本发明的技术方案是： 

一种提高移动传感器网络覆盖率的方法，所基于的移动传感器网络，包括多个异构移动 传感器节点，移动传感器网络中各移动传感器节点有特定的感知半径和通信半径，并可以获得其自身位置； 

该方法包括以下步骤： 

步骤1：对连续的移动传感器网络监视区域进行网格化处理，并在该网格化的监视区域中随机的分配各个移动传感器节点，获得各个移动传感器节点的初始位置； 

步骤2：根据各移动传感器节点的感知半径和覆盖空洞计算移动传感器网络的覆盖率； 

步骤3：采用覆盖空洞导向分布式差分进化方法确定提高移动传感器网络覆盖率的策略，即确定各个传感器节点要移动的动置； 

步骤3.1：将各移动传感器节点映射为种群中的个体，种群中的个体的位置即各传感器节点的位置； 

步骤3.2：构建传感器节点的覆盖空洞导向分布式差分进化模型； 

$v_i(g+1)=x_i\left(g\right)+\mathrm{\η}\·(x_{r1}\left(g\right)-x_{r2}\left(g\right))+\mathrm{\λ}\·(\frac{F_x}{\left|F_x\right|+\left|F_y\right|},\frac{F_y}{\left|F_x\right|+\left|F_y\right|})$

其中，v_i(g+1)为进化生成的g+1代种群中第k类第i个个体

的位置，即当前移动传感器网络中第k类第i个移动传感器节点可能要移动的位置；x_i(g)为第g代种群中第k类第i个个体

的位置坐标，即当前移动传感器网络中的k类移动传感器节点中的第i个节点

的位置向量；x_i(g)、x_r1(g)、x_r2(g)表示第g代种群中3个不同的个体的位置，即当前移动传感器网络中的3个不同的移动传感器节点的位置，i表示基节点，r₁和r₂在基节点i（位置为x_i(g)的节点）的通信范围内随机选取的两个移动传感器节点；x_r1(g)-x_r2(g)可以表示一个移动向量；η为缩放因子；λ表示覆盖空洞导向影响因子；F_x为覆盖空洞对第i个移动传感器节点产生的合力在x轴方向的分力，F_y为覆盖空洞对第i个移动传感器节点产生的合力在y轴方向的分力； 

步骤3.3：计算移动传感器网络的覆盖空洞对各移动传感器节点产生的合力，即第i个移动传感器节点的虚拟力在x轴方向的分力F_x和第i个移动传感器节点的虚拟力在y轴方向的分力F_y； 

步骤3.4：根据构建的移动传感器节点的覆盖空洞导向分布式差分进化模型，得到进化生成的g+1代种群中第i个个体的位置v_i(g+1)，即当前移动传感器网络中第i个移动传感器节点可 能要移动的位置； 

步骤3.5：对v_i(g+1)和x_i(g)进行交叉操作，得到交叉向量u_i；并按u_i位置确定新的覆盖率； 

步骤3.6：采用选择函数对交叉向量u_i和x_i(g)进行选择操作，得到第g+1代种群中k类第i个个体

的位置向量x_i(g+1)，即覆盖空洞导向分布式差分进化后的移动传感器网络中的k类移动传感器节点中的第i个节点

的位置向量； 

选择函数表示如下： 

其中，RC_g为g代种群对应的移动传感器网络的覆盖率，RC_g+1为g+1代种群对应的移动传感器网络的覆盖率； 

步骤3.7：判断是否G_max次迭代结束，即进行了G_max次上述操作：是，则执行步骤4，否则，执行步骤3.3； 

步骤4：根据提高移动传感器网络覆盖率的策略，执行移动传感器节点移动操作。 

有益效果： 

本发明提出的方法从收敛速度和系统能耗方面考虑，更全面和符合实际。本发明作者将覆盖空洞探索的思想和差分进化相结合，并基于传感器网络分布式计算的特点，提出一种覆盖空洞导向分布式差分方法（Coverage Hole-directed Distributed Differential Evolution algorithm,CHDDE）。由于同构节点构成的网络具有扩展性差，不适于实际应用等特点，所以本发明在方法中考虑了感知半径和通信半径不同的移动节点的部署问题，选择异构节点部署问题进行研究，较之虚拟力导向差分方法，该方法收敛速度更快，减少动算时间，节省节点能耗。 

传感器节点覆盖优化可以增强无线传感器网络的性能，提高网络的服务质量。本发明提出的覆盖空洞导向分布式差分进化算法是一种非确定部署的启发式方法，该方法基于节点的分布式计算原理，以未覆盖区域为导向通过差分进化计算节点的新位置，无需预知所有节点的位置信息，既加快了运算速度又节省了通信开销，从而节省节点能耗，延长网络寿命。仿真实验表明，覆盖空洞导向分布式差分进化方法能高效地实现无线传感网络覆盖的优化，克服已有方法的缺点，提高网络覆盖率，减少节点移动距离，节省节点能耗。 

附图说明

图1为本发明具体实施方式的提高移动传感器网络覆盖率的方法流程图； 

图2为本发明具体实施方式的移动传感器节点随机部署图； 

图3为本发明具体实施方式的采用固定参数η和随时间变化的参数η对传感器网络覆盖率的影响示意图； 

图4为本发明具体实施方式的覆盖空洞导向分布式差分进化方法实施后的移动传感器节点位置图； 

图5为本发明具体实施方式的三种不同方法的收敛速度比较示意图。 

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。 

本实施方式的提高移动传感器网络覆盖率的方法所基于的移动传感器网络，包括多个异构移动传感器节点，移动传感器网络中各移动传感器节点有特定的感知半径和通信半径，并可以通过GPS获得其自身位置； 

设监测区域F为二维平面，有K种不同类型的传感器节点，各传感器节点的感知半径和通信半径已知。类型为k的节点（下标i表示第k类第i个节点）的位置是

该节点感知半径为

通信半径为

目标位置为P(x,y)，则P与节点

的距离为 

$d(s_i^k,P)=\sqrt{{(x_i^k-x)}^2+{(y_i^k-y)}^2}$

传感器节点的感知模型为布尔模型，也称0-1模型，即 

这个模型定义一个以节点为中心、感知范围为半径的圆盘。所有在圆盘内的点的函数值是1，表示该网格点被覆盖。 

本实施方式是在80m×80m的区域内投放3种类型的60个传感器节点（3种类型传感器节点各20个），各传感器节点的参数如表1所示。 

表180m×80m的区域内各传感器节点的参数 

各移动传感器节点的初始位置由计算机随机生成，并采用随机部署的方式放置在目标区 域（80m×80m的区域）内，如图2所示，其中，‘+’是类型为1的移动传感器节点，‘o’是类型为2的移动传感器节点，‘*’是类型为3的移动传感器节点。 

本实施方式的提高移动传感器网络覆盖率的方法如图1所示，包括以下步骤： 

步骤1：对连续的移动传感器网络监视区域进行网格化处理，并在该网格化的监视区域中随机的分配各个移动传感器节点，获得各个移动传感器节点的初始位置； 

将连续的移动传感器网络监视区域F网格化处理，F={(i,j):1≤i≤m,1≤j≤n}代表一个m×n的二维区域，m表示监视区域F的长，n表示监视区域F的宽，i表示区域F中某网格x轴坐标，j表示区域F中某网格消轴坐标；通过计算被覆盖的网格点数目与m×n之比得到网络覆盖率； 

步骤2：根据各移动传感器节点的感知半径计算移动传感器网络的覆盖率； 

步骤3：采用覆盖空洞导向分布式差分进化方法确定提高移动传感器网络覆盖率的策略，即确定各个传感器节点要移动的位置； 

步骤3.1：将各移动传感器节点映射为种群中的个体，种群中的个体的位置即各传感器节点的位置； 

步骤3.2：构建传感器节点的覆盖空洞导向分布式差分进化模型； 

$v_i(g+1)=x_i\left(g\right)+\mathrm{\η}\·(x_{r1}\left(g\right)-x_{r2}\left(g\right))+\mathrm{\λ}\·(\frac{F_x}{\left|F_x\right|+\left|F_y\right|},\frac{F_y}{\left|F_x\right|+\left|F_y\right|})$

其中，v_i(g+1)为进化生成的g+1代种群中第k类第i个个体

的位置，即当前移传感器网络中第k类第i个移动传感器节点可能要移动的位置；x_i(g)为第g代种群中第k类第i个个体的位置坐标，即当前移动传感器网络中的第k类移动传感器节点中的第i个节点

的位置坐标；x_i(g)、x_r1(g)、x_r2(g)表示第g代种群中3个不同的个体的位置，即当前移动传感器网络中的3个不同的移动传感器节点的位置，r2和r3在基节点r1（位置为x_i(g)的节点）的通信范围内随机选取的两个移动传感器节点；x_r1(g)-x_r2(g)可以表示一个移动向量；η为缩放因子；λ表示覆盖空洞导向影响因子；F_x为覆盖空洞对第i个移动传感器节点产生的合力在x轴方向的分力，F_y为覆盖空洞对第i个移动传感器节点产生的合力在y轴方向的分力； 

对于m×n的二维网格（区域）F={(i,j):1≤i≤m,1≤j≤n}，记G(i,j)(1≤i≤m,1≤j≤n)为网格(i,j)的覆盖矩阵（覆盖函数），如果网格点(i,j)∈F被某个节点覆盖，则G(i,j)=1， 否则G(i,j)=0。记为节点

的a邻居网点集，表示在节点

的感知圆外a范围内的网点集，即 

$N_a\left(s_i^k\right)=\{(i,j)\∈F:R_s^k\≤|i-x_i^k|\≤R_s^k+a,R_s^k\≤|j-y_i^k|\≤R_s^k+a\},$ 记

为节点

的a邻居网点集中未被覆盖的网点，即

本实施方式对传统差分进化方法的改进主要集中在参数缩放因子η和交叉概率因子CR上，因此可以看出参数的改变对于方法的性能有很大的关系。在本实施方式方法中的覆盖空洞导向分布式差分进化模型中的两个参数η和λ不仅决定差分部分和覆盖空洞导向力部分的权重而且影响节点的移动距离，从而影响了移动传感器网络的能耗和寿命。 

在差分进化方法中，一般来说，缩放因子η∈(0.4,1)，如果在方法迭代的早期η取较大的值能增加种群的多样性，在方法迭代的后期η取较小的值能增强局部搜索能力以使方法收敛。所以提出关于迭代次数t的缩放因子η的函数，η的取值都是随着迭代次数递减的。覆盖空洞导向因子λ的作用是引导节点进化，加快方法收敛速度，但是如果λ取值过大则节点移动距离增加。交叉概率因子CR的作用是增加种群进化的随机性，以保持进化过程中种群的多样性，本实施方式中取 

CR=0.5×(1+rand(0,1)) 

对固定值η和变化的η对方法的影响进行比较，如图3所示。 

从图3中可以看出，采用变化的η得到的覆盖率值要高于η取定值时的覆盖率，因此η按照公式

取值，其中t=G，T=G_max，G为初始迭代次数，G_max为最大迭代次数。 

邻居节点集

中a的取值越大，方法需要计算的网格点数目越多，使得移动传感器节点的计算能耗增加，所以a取1。覆盖空洞导向因子λ取1，迭代次数G_max取30。 

步骤3.3：计算移动传感器网络的覆盖空洞对各移动传感器节点产生的合力，即第i个移动传感器节点的虚拟力在x轴方向的分力F_x和第i个移动传感器节点的虚拟力在y轴方向的分力F_y； 

对于80m×80m的二维网格F={(i,j):1≤i≤80,1≤j≤80}中的节点

覆盖空洞对其产生的合力作用为 

$\left\{\begin{array}{c}{F}_x=\underset{(i,j)\∈U_a\left(s_i^k\right)}{\mathrm{\Σ}}(i-x_i^k)\\ F_y=\underset{(i,j)\∈U_a\left(s_i^k\right)}{\mathrm{\Σ}}(j-y_i^k)\end{array}\right.$

其中，F_x为x轴方向的分力，即覆盖空洞对产生合力在x轴上的分量，F_y为y轴方向的分力，即覆盖空洞对

产生合力在y轴上的分量。 

步骤3.4：根据构建的移动传感器节点的覆盖空洞导向分布式差分进化模型，得到进化生成的g+1代种群中第i个个体的位置v_i(g+1)，即当前移动传感器网络中第i个移动传感器节点要移动的位置； 

步骤3.5：对v_i(g+1)和x_i(g)进行交叉操作，得到交叉向量u_i，并按u_i位置确定新的覆盖率RC_g+1； 

为了提高变异向量的多样性，通过将v_i(g+1)和x_i(g)相结合进行交叉操作生成新向量u_i， 

$u_i=\left\{\begin{array}{c}{v}_i(g+1),\mathrm{rand}\≤\mathrm{CR}\\ x_i\left(g\right),\mathrm{rand}>\mathrm{CR}\end{array}\right.$

式中，rand是[0,1]之间均匀分布的随机数；CR是[0,1]间的常数，称为交叉概率因子。 

步骤3.6：采用选择函数对交叉向量u_i和x_i(g)进行选择操作，得到第g+1代种群中k类第i个个体

的位置向量x_i(g+1)，即覆盖空洞导向分布式差分进化后的移动传感器网络中的k类移动传感器节点中的第i个节点

的位置向量； 

由于传感器网络覆盖问题中，移动传感器节点的移动距离有限，每个移动传感器节点的位置改变只会影响该节点所在局部区域的覆盖率变化，所以计算各节点进化前后位置所在区域的覆盖率的值，采用适应度函数进行选择操作。 

适应度函数表示如下： 

其中，RC_g为g代种群对应的移动传感器网络的覆盖率，RC_g+1为g+1代种群对应的移动传感器网络的覆盖率； 

步骤3.7：判断是否G_max次迭代结束，即进行了G_max次上述操作：是，则执行步骤4，否则，执行步骤3.3； 

步骤4：根据提高移动传感器网络覆盖率的策略，执行移动传感器节点移动操作。 

经过本实施方式的方法迭代30（G_max=30）次后的节点分布情况如图4所示。从图中可以看出，采用本实施方式的方法（CHDDE）能有效改变移动传感器网络的拓扑结构，从而使得移动传感器节点分布更加均匀，提高对目标区域的覆盖率。 

将本实施方式的方法（CHDDE）与其他两种方法（即虚拟力导向差分方法（VFDE）和未知区域探索方法（UREA））进行了比较，具体如表2所示， 

表2三种不同方法在实施后覆盖率和平均移动距离比较 

移动传感器网络初始覆盖率为70%左右，三种方法经过50次的迭代运行后，CHDDE方法得到的移动传感器网络覆盖率最高，覆盖率为83.75%，比初始覆盖率提高约13%。另外，从图5所示的移动传感器网络覆盖率曲线变化趋势来看，初始运行时，移动传感器网络覆盖率增幅较大，随着时间的推移，增幅越来越小，曲线斜率下降，最终覆盖率维持一个相对恒定的数值。这也说明移动传感器网络最终将趋于稳定的平衡状态。另外两种方法，UREA方法很快就收敛到稳定值（大约在10次迭代），其后覆盖值不再增加，DEVFA方法在30次迭代结束后有一个明显的凹点，表示覆盖率反而减少，这是由于虚拟力的存在，使得节点位置来回振荡，覆盖率出现波动。考虑到移动传感器节点的移动距离是其主要的能量消耗，移动距离越少越有助于延长移动传感器节点寿命。表2还比较了不同方法经过相同迭代次数后在覆盖率和节点平均移动距离方面的表现。很明显，CHDDE方法覆盖率最高并且使得节点平均移动距离最少。 

Claims (1)

1.一种提高移动传感器网络覆盖率的方法，该方法所基于的移动传感器网络，包括多个异构移动传感器节点，移动传感器网络中各移动传感器节点有特定的感知半径和通信半径，并可以获得其自身位置，其特征在于：包括以下步骤：

步骤1：对连续的移动传感器网络监视区域进行网格化处理，并在该网格化的监视区域中随机的分配各个移动传感器节点，获得各个移动传感器节点的初始位置；

步骤2：根据各移动传感器节点的感知半径和覆盖空洞计算移动传感器网络的覆盖率；

步骤3：采用覆盖空洞导向分布式差分进化方法确定提高移动传感器网络覆盖率的策略，即确定各个传感器节点要移动的位置；

步骤3.1：将各移动传感器节点映射为种群中的个体，种群中的个体的位置即各传感器节点的位置；

步骤3.2：构建传感器节点的覆盖空洞导向分布式差分进化模型；

$v_i(g+1)=x_i\left(g\right)+\mathrm{\η}\·(x_{r1}\left(g\right)-x_{r2}\left(g\right))+\mathrm{\λ}\·(\frac{F_x}{\left|F_x\right|+\left|F_y\right|},\frac{F_y}{\left|F_x\right|+\left|F_y\right|})$

其中，v_i(g+1)为进化生成的g+1代种群中第k类第i个个体的位置，即当前移动传感器网络中第k类第i个移动传感器节点可能要移动的位置；x_i(g)为第g代种群中第k类第i个个体的位置坐标，即当前移动传感器网络中的k类移动传感器节点中的第i个节点

的位置向量；x_i(g)、x_r1(g)、x_r2(g)表示第g代种群中3个不同的个体的位置，即当前移动传感器网络中的3个不同的移动传感器节点的位置，i表示基节点，r₁和r₂在基节点i（位置为x_i(g)的节点）的通信范围内随机选取的两个移动传感器节点；x_r1(g)-x_r2(g)可以表示一个移动向量；η为缩放因子；λ表示覆盖空洞导向影响因子；F_x为覆盖空洞对第i个移动传感器节点产生的合力在x轴方向的分力，F_y为覆盖空洞对第i个移动传感器节点产生的合力在y轴方向的分力；

步骤3.3：计算移动传感器网络的覆盖空洞对各移动传感器节点产生的合力，即第i个移动传感器节点的虚拟力在x轴方向的分力F_x和第i个移动传感器节点的虚拟力在y轴方向的分力F_y；

步骤3.4：根据构建的移动传感器节点的覆盖空洞导向分布式差分进化模型，得到进化生成的g+1代种群中第i个个体的位置v_i(g+1)，即当前移动传感器网络中第i个移动传感器节点可能要移动的位置；

步骤3.5：对v_i(g+1)和x_i(g)进行交叉操作，得到交叉向量u_i；并按u_i位置确定新的覆盖率；步骤3.6：采用选择函数对交叉向量u_i和x_i(g)进行选择操作，得到第g+1代种群中k类第i个个体

的位置向量x_i(g+1)，即覆盖空洞导向分布式差分进化后的移动传感器网络中的k类移动传感器节点中的第i个节点

的位置向量；

选择函数表示如下：

其中，RC_g为g代种群对应的移动传感器网络的覆盖率，RC_g+1为g+1代种群对应的移动传感器网络的覆盖率；

步骤3.7：判断是否G_max次迭代结束，即进行了G_max次上述操作：是，则执行步骤4，否则，执行步骤3.3；

步骤4：根据提高移动传感器网络覆盖率的策略，执行移动传感器节点移动操作。

Images