CN103856951A - 一种基于多传感器概率感知模型的覆盖空洞消除方法 - Google Patents

Abstract

一种基于多传感器概率感知模型的覆盖空洞消除方法包括以下步骤：在节点随机部署后，先采用网格法进行覆盖空洞检测。如果在多传感器概率感知模型下，网格联合感知概率大于90%，此网格完全覆盖，否则此网格没有被覆盖，连续的未被覆盖的网格就是空洞。根据几何算法确定修补空洞的节点新位置。保存该移动目标位置，去除该移动节点的覆盖区域，节点移动到目标位置修补空洞，更新覆盖漏洞。返回第一步继续，直到所有漏洞都得到覆盖。重复这样的过程，直至所有空洞被覆盖。

Description

一种基于多传感器概率感知模型的覆盖空洞消除方法

技术领域

本发明涉及一种无线传感器网络基于多传感器感知模型的覆盖空洞消除方法

背景技术

传感信号质量取决于传感器与事件发生地的距离，布尔圆模型是最简化的传感模型，即以传感器节点为圆心，传感半径为半径的圆为界，圆内的事件可以被可靠地感知到，圆外的事件则无法被感知。布尔圆模型在诸多结合图论做理论分析的文献中广泛采用，往往能得到简洁漂亮的理论结果。经验观察显示，感知质量随着距离的变化不是阶跃式的，而是一个渐变的过程。当传感器节点距离事件中心在r_s以内时，传感器感知概率为一定值；而大于r_s时感知概率不会骤降为0，而是服从某一概率分布，逐渐衰减至0。这种渐变过程更加符合实际情况。r_s、r_u是两个阈值，距离在r_s范围内时事件能被完全检测，而距离大于r_u时则事件不能被节点检测。

由于空间上的点可能同时被多个传感器覆盖，每个传感器对该点的检测强度都有一定的贡献，多传感器感知概率定义为:

$C=1-\underset{i=1}{\overset{k}{\mathrm{\Π}}}(1-S(s_i,P))---\left(1\right)$

其中S(si,P)是单点感知概率，，而1-S(s_i,P)项表示发生事件的位置点P不能被感知到的概率。假设各个传感器节点以一定概率感知空间某点的事件是相互独立的，

表示空间上的点P不被任何传感器节点感知到的概率，因此用1减去这项就是点P至少被1个节点感知到的概率。

在静态节点组成的传感器网络里，节点随机部署后，有覆盖空洞，冗余节点。解决此类问题的方法主要是冗余节点的重新部署和增量部署。Wang等人在所有节点都是可以移动的基础上提出了一种级联式通过平衡能耗和节点反应时间的方法来移动冗余节点去填补空洞区域。Yongguo Mei等人提出了在一个大规模的静态传感器网络使用小数量的移动机器人来取代失效的传感器。他们分别采用集中式和分布式算法协调机器人运动，使移动机器人运动过程中能量消耗以及前期的消息最少。现有的空洞修补算法大都是基于过于理想化的布尔圆感知模型的

发明内容

为了克服已有的覆盖空洞修补方法的不足,本发明提供一种无线传感器网络基于多传感器感知模型的覆盖空洞消除方法。

本发明解决其技术问题所采用的技术方案是：

1基于网格的覆盖空洞检测算法

基于网格的覆盖空洞检测算法具体操作步骤如下：

（1）将感知区间用边长为1的网格划分出来，确定网格周围的节点，根据公式1计算网格(i,j)的感知概率，如果联合感知概率大于90%，c_i,j=1，此网格被完全覆盖否则c_i,j=0没有被覆盖。

（2）设置网格对应的覆盖矩阵，覆盖度为0的网格，即c_i,j=0，覆盖度为1的网格，c_i,j=1。

（3）对连续的未被覆盖的网格进行合并，合并的时候，采用宽度搜索和深度搜索相结合的方法可以得空洞的数量和每一个空洞面积，同时确定漏洞的位置。

（4）找出空洞的相邻节点。覆盖相邻网格的节点，即为空洞的相邻节点。

（5）计算网络覆盖率，事件检测率。假设节点i在监测区域A中的覆盖范围是COV_i，那么这个区域中所有节点的覆盖面积可以用式(2)表示。

${\mathrm{COV}}_A=\underset{i=1}{\overset{k}{\∪}}{\mathrm{COV}}_i---\left(2\right)$

式2中，k为节点总数。

区域A的覆盖率可以表示为：

$C={\mathrm{COV}}_A/\mathrm{Area}=\underset{i=1}{\overset{k}{\∪}}{\mathrm{COV}}_i/\mathrm{Area}---\left(3\right)$

式3中，Area表示监测区域的面积、其他符号如公式2。

多个传感器节点同时工作的情况下，根据公式1计算事件联合感知概率。而网络中事件的有效检测率η则表示网络中联合感知概率大于90%区域占整个检测区域面积的比例（如公式4）。

$\mathrm{\η}=\frac{S(C(S_n,P)\≥90\%)}{\mathrm{Area}}---\left(4\right)$

2确定修补空洞的节点新位置。

（1）寻找覆盖洞边缘的所有交点，保存所有交点位置信息到一个集合。按逆时针顺序找到相邻的三个交点位置，如图1、2、3。

(2)若AB<d_m（

以节点为圆心，以r′为半径的圆的范围内事件，节点对此事件的感知概率大于90%，以r_u为半径的圆外的事件，节点感知概率为0），节点N内寻找与AB平行且与AB距离较短的弦长为d_m的弦DE，并以此弦为对称轴找到所需覆盖的目标漏洞节点位置M，该目标节点M与弦DE的距离为

（如图1）；到步骤4。

(3)若AB≥d_m且BC≥d_m且AC≤2r_u，寻找AB，BC两中垂线的交点D，则D点即为移动节点的目标位置（如图2）；若AC>2r_u，则以AB、BC中较短的弦为对称轴，该弦所在圆圆心对应的点为目标位置(如图3)。

3确定候选移动节点。

本发明采用混合粒子群算法(如图4)选择移动节点，将所有移动节点位置构成的向量看做粒子群中的一个粒子，粒子的范围和粒子的最大移动速度为V_max由优化问题决定，V_max由本身剩余能量决定，即剩余能量可以提供的最大移动距离。循环的中止条件可以设置为最大循环数，这个取决于我们对算法精确度的要求。

当检测到网络中b个漏洞，且各漏洞节点的坐标分别为X_b=(x_i,x_i+1,...x_i+b),Y_b=(y_i,y_i+1,...y_i+b)。移动节点k(k>b)个，移动节点的横、纵坐标向量分别为X_k=(x₁,x₂...,x_k)和Y_k=(y₁,y₂...,y_k)，而每个节点的剩余能量分别为E_k=(e₁,e₂...,e_k)。则移动节点j到漏洞i的距离

在移动过程中单位能耗为e_s，则该节点消耗的能量为E_j=e_s*d_ij。适应度函数如公式（5）。

$\mathrm{fitness}={\mathrm{\&omega;}}_1/\underset{m=1}{\overset{b}{\mathrm{\&Sigma;}}}{d}_i+{\mathrm{\&omega;}}_2*\underset{n=1}{\overset{b}{\mathrm{\&Sigma;}}}{E}_n+{\mathrm{\&omega;}}_3/\underset{p=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&sigma;}\left({E_p}^{\&prime;}\right)---\left(5\right)$

公式5中，

代表的所有选择的节点到对应的漏洞的距离之和；

表示所有选择的移动节点的能量值；

表示移动后所有移动节点的能量标准差。ω₁、ω₂、ω₃分别是与之对应的权衡因子，可以对移动距离、节点当前能量和移动后节点能耗均衡之间进行衡量，用来寻找最佳的移动方案，使得移动距离最短、能量消耗最少，且移动节点能量分布更均匀。

4、保存该移动目标位置，去除该目标位置覆盖区域，更新覆盖漏洞。返回第一步继续，直到所有漏洞都得到覆盖。

本申请相对现有技术而言所具有的优点和效果。

本发明进一步分析如下：假设距离节点为d的区域内得到期望的探测概率p=90%。在0-1感知模型下，大于d的区域得到的感知概率肯定小于p。即使有邻居节点的作用，感知概率也不会增加。而在多传感器概率感知模型下，由于感知区域内邻居节点的影响，情况就不是这么简单。针对4个节点A，B，C，D。半径为r′的圆内区域，概率大于90%，虚线圆内为事件检测率大于70%的区域。覆盖情况如图，按照0-1模型，MNJH圆弧构成的封闭区域内，事件探测率小于90%，就是覆盖空洞。在概率感知模型下，由于邻居节点的作用，大于r′的区域得到的探测概率可能大于90%。在节点A的半径为r′的圆弧MF外的区域，要么被A，C两个虚线圆覆盖，要么是被A，D两个虚线圆覆盖，而在MNJH的中间，或者被ABC的三个虚线圆或者ABD的三个虚线圆覆盖。在节点B的半径为r′的圆弧HN外的区域，要么被B，C两个虚线圆覆盖，要么是被B，D两个虚线圆覆盖。对于两个以上虚线圆的重叠覆盖区，根据公式1有

$C(S_n,P)=1-\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}(1-S(s_i,P))$

$=1-(1-0.7)(1-0.7)=0.91>90\%$

是完全覆盖区。如果是三个以上的虚线圆重叠覆盖区，根据公式1则有

$C(S_n,P)=1-\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}(1-S(s_i,P))$

$=1-(1-0.7)(1-0.7)(1-0.7)=0.973>90\%$

可见，MNJH为充分覆盖，不是覆盖空洞，这个时候计算整个区域内覆盖空洞要复杂的多。由于节点之间的相互影响，很难根据传统方法进行覆盖增强。因此我们采用网格法，先把区域划分成网格，考察每个网格的覆盖情况。

由以上分析可见，本发明的有益效果主要表现在：1、本发明采用切合实际的，复杂多传感器概率感知模型分析覆盖情况。2、采用事件感知概率衡量监控能力。3从能量均衡角度调度动态节点，实现空洞的完全覆盖，得到高效率的事件探测率。见图6，图7。

（五）附图说明

图1本发明修补空洞的节点位置1，图中，AB<d_m

图2本发明修补空洞的节点位置2，图中，AB≥d_m,BC≥d_m,AC>2ru

图3本发明修补空洞的节点位置3，图中，AB≥d_m,BC≥d_m,AC≤2r_u

图4本发明混合粒子群算法的移动路径寻优图

图5本发明多节点覆盖模型

图6本发明网络中节点移动前后网络覆盖率

图7本发明网络中节点移动前后和事件检测率的变化

具体实施方式

下面结合附图对本发明作进一步描述。

参照图4、图5，图6，图7，本发明解决其技术问题所采用的技术方案是：

一种基于多传感器概率感知模型的覆盖空洞消除方法，所述的方法包括以下步骤：

步骤1，基于网格的覆盖空洞检测，覆盖率，事件检测率计算

具体计算步骤如下：

（1.1）将感知区间用边长为1的网格划分出来，确定网格周围的节点，根据公式1计算网格(i,j)的感知概率，如果联合感知概率大于90%，c_i,j=1，否则c_i,j=0被覆盖。

（1.2）设置网格对应的覆盖矩阵，覆盖度为0的网格,，即c_i,j=0，覆盖度为1的网格，c_i,j=1。

（1.3）对连续的未被覆盖的网格进行合并，合并的时候，采用宽度搜索和深度搜索相结合的方法可以得空洞的数量和每一个空洞面积，同时确定漏洞的位置。

（1.4）找出空洞的相邻节点。覆盖相邻网格的节点，即为空洞的相邻节点。

（1.5）计算网络覆盖率，事件检测率。假设节点i在监测区域A中的覆盖范围是COV_i，那么这个区域中所有节点的覆盖面积可以用公式(2)表示。

${\mathrm{COV}}_A=\underset{i=1}{\overset{k}{\&cup;}}{\mathrm{COV}}_i---\left(2\right)$

式2中，k为节点总数。

区域A的覆盖率可以表示为：

$C={\mathrm{COV}}_A/\mathrm{Area}=\underset{i=1}{\overset{k}{\&cup;}}{\mathrm{COV}}_i/\mathrm{Area}---\left(3\right)$

式3中，Area表示监测区域的面积。

多个传感器节点同时工作的情况下，根据公式1计算事件联合感知概率。而网络中事件的有效检测率则表示网络中联合感知概率大于90%区域占整个检测区域面积的比例。

$\mathrm{\&eta;}=\frac{S(C(S_n,P)\&GreaterEqual;90\%)}{\mathrm{Area}}---\left(4\right)$

步骤2：确定修补空洞的节点新位置。

（2.1）寻找覆盖洞边缘的所有交点，保存所有交点位置信息到一个集合。按逆时针顺序找到相邻的三个交点位置，如图1-3。

(2.2)若AB<d_m（

以节点为圆心，以r′为半径的圆的范围内事件，节点对此事件的感知概率大于90%，以r_u为半径的圆外的事件，节点感知概率为0），节点N内寻找与AB平行且与AB距离较短的弦长为d_m的弦DE，并以此弦为对称轴找到所需覆盖的目标漏洞节点位置M，该目标节点M与弦DE的距离为

（如图1）；到步骤4。

(2.3)若AB≥d_m且BC≥d_m且AC≤2r_u，寻找AB，BC两中垂线的交点D，则D点即为移动节点的目标位置（如图2）；若AC>2r_u，则以AB、BC中较短的弦为对称轴，该弦所在圆圆心对应的点为目标位置(如图3)。

步骤3：确定候选移动节点。

本发明采用混合粒子群算法(如图4)选择移动节点，将所有移动节点位置构成的向量看做粒子群中的一个粒子，粒子的范围和V_max由优化问题决定，V_max由本身剩余能量决定，即剩余能量可以提供的最大移动距离。循环的中止条件可以设置为最大循环数，这个取决于我们对算法精确度的要求。

当检测到网络中b个漏洞，且各漏洞节点的坐标分别为X_b=(x_i,x_i+1,...x_i+b),Y_b=(y_i,y_i+1,...y_i+b)。移动节点k(k>b)个，移动节点的横、纵坐标向量分别为X_k=(x₁,x₂...,x_k)和Y_k=(y₁,y₂...,y_k)，而每个节点的剩余能量分别为E_k=(e₁,e₂...,e_k)。则移动节点j到漏洞i的距离

在移动过程中单位能耗为e_s，则该节点消耗的能量为E_j=e_s*d_ij。适应度函数如公式（5）。

$\mathrm{fitness}={\mathrm{\&omega;}}_1/\underset{m=1}{\overset{b}{\mathrm{\&Sigma;}}}{d}_i+{\mathrm{\&omega;}}_2*\underset{n=1}{\overset{b}{\mathrm{\&Sigma;}}}{E}_n+{\mathrm{\&omega;}}_3/\underset{p=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&sigma;}\left({E_p}^{\&prime;}\right)---\left(5\right)$

公式5中，

代表的所有选择的节点到对应的漏洞的距离之和；

表示所有选择的移动节点的能量值；表示移动后所有移动节点的能量标准差。ω₁、ω₂、ω₃分别是与之对应的权衡因子，可以对移动距离、节点当前能量和移动后节点能耗均衡之间进行衡量，用来寻找最佳的移动方案，使得移动距离最短、能量消耗最少，且移动节点能量分布更均匀。

步骤4、保存该移动目标位置，去除该目标位置覆盖区域，更新覆盖漏洞。返回第一步继续，直到所有漏洞都得到覆盖。

各步骤的具体应用例子如下：

1基于网格的覆盖空洞、初始覆盖率，初始探测率计算

在N个节点随机部署后，采用网格法计算覆盖度，探测率结果为图6，图7，表1，表2。

表1节点移动前后网络覆盖率的变化

表2节点移动前后事件检测率

步骤2：确定修补空洞的节点新位置。

步骤3：确定候选移动节点。

本发明采用混合粒子群算法(如图4)选择移动节点，将所有移动节点位置构成的向量看做粒子群中的一个粒子，粒子的范围和V_max由优化问题决定，选择移动距离最短、能量消耗最少，且移动节点能量分布更均匀的选择方案。

步骤4、保存该移动目标位置，去除该目标位置覆盖区域，更新覆盖漏洞。返回第一步继续，直到所有漏洞都得到覆盖。

步骤5重新按照公式1，2，3，4计算覆盖率、事件检测率。如图6，7，表1，2所示。

Claims (1)

1.一种基于多传感器概率感知模型的覆盖空洞消除方法，所述的方法包括以下步骤：

步骤1，基于网格的覆盖空洞检测算法：

（1.1）将感知区间用边长为1的网格划分出来，确定网格周围的节点，根据公式1计算网格(i,j)的感知概率，如果联合感知概率大于90%，c_i,j=1，此网格被完全覆盖否则c_i,j=0没有被覆盖；

（1.2）设置网格对应的覆盖矩阵，覆盖度为0的网格，即c_i,j=0，覆盖度为1的网格，c_i,j=1；

（1.3）对连续的未被覆盖的网格进行合并，合并的时候，采用宽度搜索和深度搜索相结合的方法可以得空洞的数量和每一个空洞面积，同时确定漏洞的位置；

（1.4）找出空洞的相邻节点；覆盖相邻网格的节点，即为空洞的相邻节点；

（1.5）计算网络覆盖率，事件检测率；假设节点i在监测区域A中的覆盖范围是COV_i，那么这个区域中所有节点的覆盖面积可以用式(1)表示，

${\mathrm{COV}}_A=\underset{i=1}{\overset{k}{\&cup;}}{\mathrm{COV}}_i---\left(1\right)$

式1中，k为节点总数，

区域A的覆盖率C可以表示为：

$C={\mathrm{COV}}_A/\mathrm{Area}=\underset{i=1}{\overset{k}{\&cup;}}{\mathrm{COV}}_i/\mathrm{Area}---\left(2\right)$

式2中，Area表示监测区域的面积，其他符号如公式2；

多个传感器节点同时工作的情况下，根据公式2计算事件联合感知概率；而网络中事件的有效检测率η则表示网络中联合感知概率大于90%区域占整个检测区域面积的比例；

$\mathrm{\&eta;}=\frac{S(C(S_n,P)\&GreaterEqual;90\%)}{\mathrm{Area}}---\left(3\right)$

步骤2，确定修补空洞的节点新位置：

（2.1）寻找覆盖洞边缘的所有交点，保存所有交点位置信息到一个集合，按逆时针顺序找到相邻的三个交点位置；

(2.2)若

以节点为圆心，以r′为半径的圆的范围内事件，节点对此事件的感知概率大于90%，以r_u为半径的圆外的事件，节点感知概率为0），节点N内寻找与AB平行且与AB距离较短的弦长为d_m的弦DE，并以此弦为对称轴找到所需覆盖的目标漏洞节点位置M，该目标节点M与弦DE的距离为

(2.3)若AB≥d_m且BC≥d_m且AC≤2r_u，寻找AB，BC两中垂线的交点D，则D点即为移动节点的目标位置；若AC>2r_u，则以AB、BC中较短的弦为对称轴，该弦所在圆圆心对应的点为目标位置；

步骤3，确定候选移动节点：

采用混合粒子群算法选择移动节点，将所有移动节点位置构成的向量看做粒子群中的一个粒子，粒子的范围和粒子的最大移动速度V_max由优化问题决定，V_max由本身剩余能量决定，即剩余能量可以提供的最大移动距离；循环的中止条件可以设置为最大循环数，这个取决于我们对算法精确度的要求；

当检测到网络中b个漏洞，且各漏洞节点的坐标分别为X_b=(x_i,x_i+1,...x_i+b),Y_b=(y_i,y_i+1,...y_i+b)。移动节点k(k>b)个，移动节点的横、纵坐标向量分别为X_k=(x₁,x₂...,x_k)和Y_k=(y₁,y₂...,y_k)，而每个节点的剩余能量分别为E_k=(e₁,e₂...,e_k)；则移动节点j到漏洞i的距离

在移动过程中单位能耗为e_s，则该节点消耗的能量为E_j=e_s*d_ij；适应度函数如公式（4）；

$\mathrm{fitness}={\mathrm{\&omega;}}_1/\underset{m=1}{\overset{b}{\mathrm{\&Sigma;}}}{d}_i+{\mathrm{\&omega;}}_2*\underset{n=1}{\overset{b}{\mathrm{\&Sigma;}}}{E}_n+{\mathrm{\&omega;}}_3/\underset{p=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&sigma;}\left({E_p}^{\&prime;}\right)---\left(4\right)$

公式4中，代表的所有选择的节点到对应的漏洞的距离之和；

表示所有选择的移动节点的能量值；

表示移动后所有移动节点的能量标准差。ω₁、ω₂、ω₃分别是与之对应的权衡因子，可以对移动距离、节点当前能量和移动后节点能耗均衡之间进行衡量，用来寻找最佳的移动方案，使得移动距离最短、能量消耗最少，且移动节点能量分布更均匀；

步骤4，保存该移动目标位置，去除该目标位置覆盖区域，更新覆盖漏洞；返回第一步继续，直到所有漏洞都得到覆盖。

Images