CN104703207A - 一种基于智能传感设备的遍历搜索方法 - Google Patents

Abstract

本发明公开了一种基于智能传感设备的遍历搜索方法，包括：步骤(1)：系统初始化：首先将智能传感设备随机撒布或者安放在搜索区域内，然后建立搜索区域内的目标和节点的数学模型；步骤(2)：遍历搜索：利用步骤(1)建立的数学模型，依据设定的约束条件将节点分组，再调配冗余节点，生成各分组都能够遍历所有目标的搜索分组。执行完步骤(2)后，某一个搜索分组处于工作状态，其它搜索分组可以处于休眠状态，从而实现利用最少的节点就能够监测到所有目标，最大限度地延长传感网生命周期。

Description

一种基于智能传感设备的遍历搜索方法

技术领域

本发明涉及无线网络和移动计算领域，特别涉及一种基于智能传感设备的遍历搜索方法。

背景技术

智能传感设备包括智能手机、传感器、机器人等，可以探测包括震动、电磁、温度、湿度、噪声、光强度、压力、土壤成分、人体生命体症等周边环境中多种多样的物理参数。

有些应用场景中，需要利用智能传感设备来搜索或者监测特定区域内的目标。

比如，在灾难救援工作中，能及时发现伤员往往是成功施救的关键。向特定的救援区域投放相当数量的智能传感设备，以伤员为目标，采用遍历搜索方法，可以迅速、有效、全面地搜索到该区域内的全部伤员，从而达到节约救援时间，提高救援成功率的目的。

再比如，在某区域布置相当数量的智能传感器，设定多个监测点，针对该地区的环境指标进行采样、监测。此时，被监测点的环境参数就视为目标，而为了研发和表述方便，一般将智能传感设备抽象为节点。

通常情况下，为了系统的稳定性，投放或者布置的节点数目远多于能够搜索到全部目标所需要的最少节点数目，就是说利用部分节点就能够完全监测到所有目标。为了节省传感设备的能耗，希望把所有节点合理、有效地分成若干组，不同节点不能在同一个组内，而每组内的节点都可以搜索到所有目标。这样，可以轮询启动某一个分组处于工作状态，其它分组处于休眠状态，实现利用最少的节点就能够遍历搜索、监测到所有目标。

在此之前，已有少量关于遍历搜索方法的文献和专利。

比如，已有专利公开了一种基于多Agent强化学习的多机器人联合目标搜索系统，该发明将多机器人系统中的每个机器人看作一个智能Agent，机器人Agent通过传感器感知到所要搜索目标的特征信息，通过学习和多Agent协调算法实现联合目标搜索。该发明是在目标位置不确定的情况下进行搜索，可以避免机器人碰壁以及机器人之间发生碰撞等问题，适合应用于搜索危险的或人类无法到达的区域。但是该发明主要目的是利用多个Agent的协调机制发现未知目标，机器人必须移动，且不能够使部分机器人工作就能够遍历搜索到全部目标。因此各机器人耗能大，网络生命周期短暂，工作适应度低。

已有专利公开了一种采用节点边界覆盖的无线传感器网络覆盖控制方法，该方法采用节点休眠资格判定法则ERPC对无线传感器网络中分布的各节点进行动态休眠控制。根据每个节点收集到的周边所有邻居的位置信息，以ERPC进行休眠资格判断，符合条件的节点则进入休眠状态，不符合休眠资格条件的节点则保持工作状态。该发明的目标是实现覆盖度可配置的分布式网络覆盖控制，但是需要不断地对每个节点轮询判断，并与其邻居节点通信，必然造成大量网络通信量，不适合无线传感器网络的节能要求和实际应用目标。

已有专利公开了一种目标搜索方法，包括对训练图像进行训练的步骤和对目标图像进行搜索的步骤。该发明通过高斯滤波获取图像的全局信息，通过训练图像全局特征与目标位置，得到的分布函数模拟图像中的目标对人眼注意的自顶向下的调制，更准确的模拟了人眼搜索过程，提高了人眼搜索结果的准确性。显然，该发明仅能适用于从复杂场景的数字图像数据中快速、准确地获取待寻找的目标区域，从而提高数字图像处理的效率，不能适用于有形目标的搜索和监测。

已有文献针对无线传感器网络在二维平面中的覆盖控制问题，提出了一种基于泰森盲区多边形形心的覆盖控制部署策略BCBS。BCBS先对监测区域做Voronoi图划分，以得到被每个传感器节点覆盖的泰森多边形，而后根据泰森多边形顶点的覆盖情况构造出泰森盲区多边形，最后以该多边形的几何中心作为传感器节点移动的候选目标位置,从而达到提高网络覆盖率的目的。该文献仅提供了一种提高传感器网络覆盖控制率的方法，既不能保证被监测区域的遍历覆盖，也不能确保网络的连通性。

综上所述，尚没有一种基于智能传感设备的遍历搜索方法，能把节点资源优化协调，分组搭配，实现依次利用最少的节点就能够遍历搜索、监测到所有目标，从而大大延长智能传感设备的生命周期。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于智能传感设备的遍历搜索方法，它利用智能传感设备，在指定区域内遍历搜索、监测多个目标，适用于救援、流行病监控、安全监测、野外动物监测等领域。它具有计算复杂度低、通信量少、网络生命周期长、总体能量消耗低等优点。

为了实现上述目的，本发明采用如下技术方案：

一种基于智能传感设备的遍历搜索方法，包括：

步骤(1)：系统初始化：首先将智能传感设备随机撒布或者安放在搜索区域内，然后建立搜索区域内的目标和节点的数学模型；

步骤(2)：遍历搜索：利用步骤(1)建立的数学模型，依据设定的约束条件将节点分组，再调配冗余节点，生成各分组都能够遍历所有目标的搜索分组；

执行完步骤(2)后，某一个搜索分组处于工作状态，其它搜索分组允许处于休眠状态，从而实现利用最少的节点就能够监测到所有目标，最大限度地延长传感网生命周期。

所述步骤(2)的步骤为：

步骤(2-1)：依据设定的约束条件，生成原始搜索分组；

步骤(2-2)：进行适应度函数值计算，从而确定原始搜索分组中，有多少分组能够搜索到所有的目标；

步骤(2-3)：冗余节点分配，将每个搜索分组中可能存在的冗余节点分配给其它搜索分组；

步骤(2-4)：优化搜索分组方案，将适应度函数值分别为1和0的搜索分组中的非必要节点进行互相替换，对原搜索分组方案进行优化，以提高全局适应度函数值；

步骤(2-5)：结果输出，输出最优搜索方案。

所述步骤(1)的步骤为：

将智能传感设备随机撒布或者安放在搜索区域内；

智能传感设备数目超过能够监测到所有目标的最少智能传感设备的数量；

将智能传感设备抽象为节点，建立搜索区域内的目标和节点的数学模型；

令S＝{S_i,i＝1,2,...,n}表示随机部署在搜索区域内的n个节点的集合，R_i是S_i的搜索半径，T＝{T_j,j＝1,2,...,m}表示搜索区域内的m个目标的集合。当目标T_j在S_i的搜索半径内，即T_j距离S_i小于等于R_i时，认为S_i能够覆盖T_j，用S_i＝{T_j}表示这一关系。

那么，定义覆盖矩阵表示任意节点与目标的覆盖关系。一般的，目标Tj可以被两个或者以上的节点覆盖，

所述步骤(2-1)：生成原始搜索分组：

为了能够充分、合理地发挥每一个智能传感设备的作用，同时延长传感网生命周期，在设定的约束条件①-③下，把S分成若干子集，每个子集由S中的部分元素(即部分智能传感设备)组成，表示为C。令C＝{C₁,C₂,...,C_k,...,C_l}，其中即l组C_k由S中的节点随机分配组成，且同时满足约束条件①-③。

所述设定的约束条件如下：

①当p≠q时，p,q＝1,2,...,k,...,l，C_p∩C_q＝Φ，即某节点S_i不能同时出现在C_p和C_q中；

②对覆盖矩阵各列元素分别求和，得出能够覆盖某目标的节点数目，然后选择其中的最小值，做为C的分组数l；

$l=\underset{j}{\min }\underset{i}{\mathrm{\Σ}}{A}_{\mathrm{ij}};$

③为了每一个分组都能够搜索到被最少量节点所覆盖的目标，定义必要节点S_req。必要节点在每一个分组C_k中有且仅有一个，且不能在步骤(2-3)和步骤(2-4)中被移除或者替换。

S_req＝(iA_ie)，其中i＝1,…,n，e＝min{jb_j}，且e≠0，e的值用来确定从覆盖矩阵A_ij的哪一列里选择必要节点。

对于e＝min{jb_j}，其中j＝1,2,...,m， $b_j=\left\{\begin{array}{c}1,\frac{x}{l}=1\\ 0,\frac{x}{l}>1\end{array}\right.,$ x为能够覆盖T_j的智能传感设备的数量。

原始搜索分组C中，C_k未必能遍历搜索到目标区域内的所有目标，但是随着步骤(2)的执行，最终达到每一个C_k都能够遍历搜索到目标区域内的所有目标，且同时满足约束条件①-③。

所述步骤(2-2)：适应度函数值计算

为了确定C中的任意C_k是否能够遍历搜索到T中的所有目标，需要计算C的适应度函数值。

对C_k中的所有节点所能搜索到的目标进行取并集运算，得到当前能够覆盖的目标集T_a＝(T₁,T₂,...)。

若T_a＝T，则说明此时T中所有目标都能被C_k中的节点搜索到，则C_k的适应度函数值F(C_k)＝1。

若T_a≠T，此时说明T中尚有目标未被搜索到，则C_k的适应度函数值F(C_k)＝0。

依次计算出C中其它的元素的适应度函数值，将所有的适应度函数值相加即得到C的适应度函数值ΣF(C_k)。ΣF(C_k)值越大意味着能全部覆盖T的C_k数目越多，直到ΣF(C_k)＝l。

所述步骤(2-3)：冗余节点分配

C_k中可能存在节点C_k(i)，如果从C_k中移除C_k(i)，剩余节点仍能覆盖所有目标，节点C_k(i)被称为冗余节点。为了检查C_k中是否存在冗余节点，同时把冗余节点分配给其它分组，以提高C的适应度函数值。

所述步骤(2-3)采取以下步骤：

步骤(2-3-1)：从C_k中任意选择一个节点C_k(i)，从C_k中移除该节点；

步骤(2-3-2)：构建去掉C_k(i)后剩余节点的搜索矩阵：

步骤(2-3-3)：确定矩阵B中每个目标被C_k中剩余节点覆盖的次数。

令j＝1,2,3,...,m，i＝1,2,3,...,p，其中m代表目标的数目，p代表矩阵B的行数，V_j为能够搜索到第j个目标的节点的数目。

步骤(2-3-4)：判定C_k(i)是否为冗余节点。

$\mathrm{\ω}=\left\{\begin{array}{c}0,\mathrm{\Π}{V}_j=0\\ 1,\mathrm{\Π}{V}_j\≥1\end{array}\right.,$

若ω＝1，说明移除C_k(i)后每个目标仍然至少被一个节点覆盖，此时C_k(i)为冗余节点；

若ω＝0，说明移除C_k(i)后至少有一个目标未被覆盖，此时C_k(i)不是冗余节点。

按照步骤(2-3-1)-步骤(2-3-4)依次判断C_k中的每个节点是否为冗余节点，然后将每个冗余节点随机分配到适应度函数值等于0的分组中，计算C的适应度函数值。

若ΣF(C_k)＝l，则转至步骤(2-5)；

若ΣF(C_k)＜l，则继续步骤(2-4)。

所述步骤(2-4)：优化搜索分组方案

为了使C中适应度函数值为零的子集能够遍历覆盖T中所有目标，采用(1)式优化C中各分组中的节点构成；

$x_i^{t+1}=x_i^t({\mathrm{\α}}_1\left(u\right)\⊗{\mathrm{\α}}_2\left(v\right))---\left(1\right)$

其中，α₁(u)为从C中任意选取的适应度函数值为1的节点子集，α₂(v)为从C中任意选取的适应度函数值为0的节点子集，代表将α₁(u)、α₂(v)中的非必要节点互相替换。

若替换后生成的新搜索方案的适应度函数值Σ'F(C_k)＝l，则跳转至步骤(2-5)；若ΣF'(C_k)＜l，则跳转至步骤(2-1)。

所述步骤(2-5)：结果输出。

输出步骤(2-3)或者(2-4)得出的最优搜索解决方案，此时得到的C中各分组满足步骤(2-1)中的约束条件①-③，且每一个C_k都能够遍历搜索到目标区域内的所有目标。

本发明的有益效果：

1通过对智能传感设备的合理分组，有效搭配，实现利用最少的节点就能够遍历搜索、监测到所有目标；

2对于能量供应有限、存储空间有限、通信能力有限的传感网，本发明的方法大大延长了网络生命周期；

3本发明的方法不限制节点或者目标的移动性，因此应用范围广泛，可扩展性好。本发明采用智能传感设备有效分组实现针对多目标的低能耗遍历搜索。

附图说明

图1是本发明的主流程图；

图2是本发明步骤2的处理流程；

图3是本发明系统初始化阶段的一种实例；

图4是本发明生成原始搜索分组阶段的一种实例；

图5是本发明输出结果的一种实例。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，步骤1：系统初始化

令S＝{S_i}＝{S₁,S₂,S₃,S₄,S₅,S₆}表示随机部署在搜索区域内的6个节点的集合，R_i是S_i的搜索半径，T＝{T_j}＝{T₁,T₂,T₃,T₄,T₅}表示搜索区域内的5个目标的集合。当目标T_j在S_i的搜索半径内，即T_j距离S_i小于等于R_i时，认为S_i能够覆盖T_j，用S_i＝{T_j}表示这一关系。

那么，定义覆盖矩阵表示任意节点与目标的覆盖关系。比如：表示S₁可以覆盖T₁，但是S₂不能覆盖T₁，等等。

如图3所示，S₁能够覆盖T₁、T₄、T₅，S₂能够覆盖T₂、T₃、T₅，S₃能够覆盖T₁、T₂、T₃、T₅，S₄能够覆盖T₁、T₃、T₄，S₅能够覆盖T₁、T₂、T₄、T₅，S₆能够覆盖T₃、T₄。那么有：

如图2所示，步骤2：遍历搜索

步骤2-1生成原始搜索分组

为了能够充分、合理地发挥每一个智能传感设备的作用，同时延长传感网生命周期，在某些约束条件下，把S分成一些子集，每个子集由S中的一些元素组成，表示为C。令C＝{C₁,C₂,…,C_k,…,C_l}＝{C₁,C₂,C₃}，其中即C_k由S中的节点随机分配组成，且满足约束条件①-③。

①当p≠q时，p,q＝1、2、3，C_p∩C_q＝Φ，即S_i，i＝1,…,6，不能同时出现在C_p和C_q中；

②对覆盖矩阵A各列元素分别求和，得出能够覆盖某目标的节点数目，然后选择其中的最小值，做为C的分组数

③C中每一个分组C_k有且仅有一个必要节点，且不能在步骤2-3和步骤2-4中被移除或者替换。

当j＝1时，jb_j＝1*0＝0；

当j＝2时，jb_j＝2*1＝2；

当j＝3时，jb_j＝3*0＝0；

当j＝4时，jb_j＝4*1＝0；

当j＝5时，jb_j＝5*0＝0；

所以e＝min{0,2,0,0,4,0}，又因为e≠0，所以e＝2。

必要节点S_req＝(jA_je),j＝1,…,6，

当j＝1时，S_req＝1*A₁₂＝1*0＝0；

当j＝2时，S_req＝2*A₂₂＝2*1＝2；

当j＝3时，S_req＝3*A₃₂＝3*1＝3；

当j＝4时，S_req＝4*A₄₂＝4*0＝0；

当j＝5时，S_req＝5*A₅₂＝5*1＝5；

当j＝6时，S_req＝6*A₆₂＝6*0＝0；

所以三个搜索分组内的必要节点分别是S₂、S₃和S₅。

在已确定C有3个子集，且每个子集有且只有一个必要节点的前提下，把除必要节点以外的其它传感设备随机分配到每个子集当中。得到：

C₁＝{S₁,S₂,S₄}，C₂＝{S₃,S₆}，C₃＝{S₅}，如图4所示。

步骤2-2适应度函数值计算

为了确定C中的任意C_k是否能够遍历搜索到T中的所有目标，需要计算C的适应度函数值。

对C中的子集C₁＝{S₁,S₂,S₄}，C₂＝{S₃,S₆}，C₃＝{S₅}中的所有节点(智能传感设备)所能搜索到的目标进行取并集运算，分别得到当前可以覆盖的目标集T_c1,T_c2和T_c3。所述T_c1＝S₁∪S₂∪S₄＝{T₁,T₄,T₅}∪{T₂,T₃,T₅}∪{T₁,T₃,T₄}＝{T₁,T₂,T₃,T₄,T₅}＝T，所以C₁的适应度函数值F(C₁)＝1，说明所有目标都已被C₁分组内的节点搜索到。T_c2＝S₃∪S₆＝{T₁,T₂,T₃,T₅}∪{T₃,T₄}＝{T₁,T₂,T₃,T₄,T₅}＝T，所以C₂的适应度函数值F(C₂)＝1，即所有目标都已被C₂分组内的节点搜索到。T_c3＝S₅＝{T₁,T₂,T₄,T₅}≠T，所以C₃的适应度函数值F(C₃)＝0，说明此时尚有目标未被C₃分组内的节点搜索到。

将所有的适应度函数值相加得到C的适应度函数值F(∑C)＝2。

步骤2-3：冗余节点分配

检查C_k中是否存在冗余节点，然后将每个冗余节点随机分配到适应度函数值等于0的分组中，计算C的适应度函数值。若ΣF(C_k)＝3，则转至步骤2-5；若ΣF(C_k)<3，则继续步骤2-4。

采取以下步骤检查C_k中是否存在冗余节点：

①从C₁中除关键传感器外随机选出一个节点S₁，从C₁中移除该节点；

②构建去掉S₁后剩余节点的搜索矩阵；

③确定矩阵B中每个目标被C₁中剩余节点覆盖的次数。

令j＝1,2,3，i＝1,2,3,...,p，其中p代表矩阵B的行数，V_j为能够搜索到第j个目标的节点的数目。

所以同理得V₂＝1，V₃＝2，V₄＝1，V₅＝1。

④判定C_k(i)是否为冗余节点。

令 $\mathrm{\&omega;}=\left\{\begin{array}{c}0,\mathrm{\&Pi;}{V}_j=0\\ 1,\mathrm{\&Pi;}{V}_j\&GreaterEqual;1\end{array}\right.,$ 若ω＝1，说明移除C_k(i)后每个目标仍然至少被一个节点覆盖，此时C_k(i)为冗余节点；若ω＝0，说明移除C_k(i)后至少有一个目标未被覆盖，此时C_k(i)不是冗余节点。

所述∏v_j＝v₁×v₂×v₃×v₄×v₅＝1×1×2×1×1＝2≥1，所以ω＝1，说明S₁为冗余节点。利用同样的步骤①-④依次判断c₁中的每个节点是否为冗余节点，可以检测出C₁中只有S₁是冗余节点，而C₂、C₃中没有冗余节点。

将冗余节点S₁分配到适应度函数值为0的子集C₃中，此时C_3＝{S₁,S₅}。通过计算得知，它的新适应度函数值F(C₃)＝0，说明尚有目标未被搜索到，则继续步骤2-4。

步骤2-4：优化搜索方案

为了尽可能地使C中适应度函数值为零的子集能够遍历覆盖T中所有目标，采用(1)式优化C中各分组中的节点构成。

$x_i^{t+1}=x_i^t({\mathrm{\&alpha;}}_1\left(u\right)\&CircleTimes;{\mathrm{\&alpha;}}_2\left(v\right))---\left(1\right)$

其中，α₁(u)为从C中任意选取的适应度函数值为1的节点子集，α₂(v)为从C中任意选取的适应度函数值为0的节点子集，代表将α₁(u)、α₂(v)中的那些非必要传感设备(节点)互相替换。

将C₂中的非必要节点S₆和C₃中的非必要节点S₁互相替换，替换后C₂＝{S₁,S₃}，C₃＝{S₅,S₆}。根据步骤2-2，计算出C₂、C₃的适应度函数值分别为：F(C₂)＝1，F(C₃)＝1。此时C₂、C₃分组中的节点均可以遍历搜索到该区域内的所有目标。

所述替换后的新的搜索方案的适应度函数值F'(∑C_k)＝l＝3。

步骤2-5：如图5所示，输出结果：C₁＝{S₂,S₄}，C₂＝{S₁,S₃}，C₃＝{S₅,S₆}。上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于智能传感设备的遍历搜索方法，其特征是，包括：

步骤(1)：系统初始化：首先将智能传感设备随机撒布或者安放在搜索区域内，然后建立搜索区域内的目标和节点的数学模型；

步骤(2)：遍历搜索：利用步骤(1)建立的数学模型，依据设定的约束条件将节点分组，再调配冗余节点，生成各分组都能够遍历所有目标的搜索分组；

执行完步骤(2)后，某一个搜索分组处于工作状态，其它搜索分组允许处于休眠状态，从而实现利用最少的节点就能够监测到所有目标，最大限度地延长传感网生命周期。

2.如权利要求1所述的一种基于智能传感设备的遍历搜索方法，其特征是，所述步骤(2)的步骤为：

步骤(2-1)：依据设定的约束条件，生成原始搜索分组；

步骤(2-2)：进行适应度函数值计算，从而确定原始搜索分组中，有多少分组能够搜索到所有的目标；

步骤(2-3)：冗余节点分配，将每个搜索分组中可能存在的冗余节点分配给其它搜索分组；

步骤(2-4)：优化搜索分组方案，将适应度函数值分别为1和0的搜索分组中的非必要节点进行互相替换，对原搜索分组方案进行优化，以提高全局适应度函数值；

步骤(2-5)：结果输出，输出最优搜索方案。

3.如权利要求1所述的一种基于智能传感设备的遍历搜索方法，其特征是，所述步骤(1)的步骤为：

将智能传感设备随机撒布或者安放在搜索区域内；

智能传感设备数目超过能够监测到所有目标的最少智能传感设备的数量；

将智能传感设备抽象为节点，建立搜索区域内的目标和节点的数学模型；

令S＝{S_i,i＝1,2,...,n}表示随机部署在搜索区域内的n个节点的集合，R_i是S_i的搜索半径，T＝{T_j,j＝1,2,...,m}表示搜索区域内的m个目标的集合；当目标T_j在S_i的搜索半径内，即T_j距离S_i小于等于R_i时，认为S_i能够覆盖T_j，用S_i＝{T_j}表示这一关系；

那么，定义覆盖矩阵表示任意节点与目标的覆盖关系。

4.如权利要求2所述的一种基于智能传感设备的遍历搜索方法，其特征是，所述步骤(2-1)：生成原始搜索分组：

为了能够充分、合理地发挥每一个智能传感设备的作用，同时延长传感网生命周期，在设定的约束条件①-③下，把S分成若干子集，每个子集由S中的部分元素组成，表示为C；令C＝{C₁,C₂,...,C_k,...,C_l}，其中即l组C_k由S中的节点随机分配组成，且同时满足约束条件①-③。

5.如权利要求4所述的一种基于智能传感设备的遍历搜索方法，其特征是，所述设定的约束条件如下：

①当p≠q时，p,q＝1,2,...,k,...,l，C_p∩C_q＝Φ，即某节点S_i不能同时出现在C_p和C_q中；l表示分组数；

②对覆盖矩阵行求和，某列能够覆盖某目标的最少节点数目，即C的分组数：

$l=\underset{j}{\min }\underset{i}{\mathrm{\&Sigma;}}{A}_{\mathrm{ij}};$

③为了每一个分组都能够搜索到被最少量节点所覆盖的目标，定义必要节点S_req；必要节点在每一个分组C_k中有且仅有一个，且不能在步骤(2-3)和步骤(2-4)中被移除或者替换；S_req＝(iA_ie)，其中i＝1,…,n，e＝min{jb_j}，且e≠0，e的值用来确定从覆盖矩阵A_ij的哪一列里选择必要节点；

对于e＝min{jb_j}，其中j＝1,2,...,m， $b_j=\left\{\begin{array}{c}1,\frac{x}{l}=1\\ 0,\frac{x}{l}>1\end{array}\right.,$ x为能够覆盖T_j的智能传感设备的数量；

原始搜索分组C中，C_k未必能遍历搜索到目标区域内的所有目标，但是随着步骤(2)的执行，最终达到每一个C_k都能够遍历搜索到目标区域内的所有目标，且同时满足约束条件①-③。

6.如权利要求2所述的一种基于智能传感设备的遍历搜索方法，其特征是，

所述步骤(2-2)：适应度函数值计算

为了确定C中的任意C_k是否能够遍历搜索到T中的所有目标，需要计算C的适应度函数值；

对C_k中的所有节点所能搜索到的目标进行取并集运算，得到当前能够覆盖的目标集T_a＝(T₁，T₂，...)；

若T_a＝T，则说明此时T中所有目标都能被C_k中的节点搜索到，则C_k的适应度函数值F(C_k)＝1；

若T_a≠T，此时说明T中尚有目标未被搜索到，则C_k的适应度函数值F(C_k)＝0；

依次计算出C中其它的元素的适应度函数值，将所有的适应度函数值相加即得到C的适应度函数值ΣF(C_k)；ΣF(C_k)值越大意味着能全部覆盖T的C_k数目越多，直到ΣF(C_k)＝l。

7.如权利要求2所述的一种基于智能传感设备的遍历搜索方法，其特征是，所述步骤(2-3)：冗余节点分配

C_k中可能存在节点C_k(i)，如果从C_k中移除C_k(i)，剩余节点仍能覆盖所有目标，节点C_k(i)被称为冗余节点；为了检查C_k中是否存在冗余节点，同时把冗余节点分配给其它分组，以提高C的适应度函数值。

8.如权利要求7所述的一种基于智能传感设备的遍历搜索方法，其特征是，所述步骤(2-3)采取以下步骤：

步骤(2-3-1)：从C_k中任意选择一个节点C_k(i)，从C_k中移除该节点；

步骤(2-3-2)：构建去掉C_k(i)后剩余节点的搜索矩阵：

步骤(2-3-3)：确定矩阵B中每个目标被C_k中剩余节点覆盖的次数；

令j＝1,2,3,...,m，i＝1,2,3,...,p，其中m代表目标的数目，p代表矩阵B的行数，V_j为能够搜索到第j个目标的节点的数目；

步骤(2-3-4)：判定C_k(i)是否为冗余节点；

$\mathrm{\&omega;}=\left\{\begin{array}{c}0,\mathrm{\&Pi;}{V}_j=0\\ 1,\mathrm{\&Pi;}{V}_j\&GreaterEqual;1\end{array}\right.,$

若ω＝1，说明移除C_k(i)后每个目标仍然至少被一个节点覆盖，此时C_k(i)为冗余节点；

若ω＝0，说明移除C_k(i)后至少有一个目标未被覆盖，此时C_k(i)不是冗余节点；

按照步骤(2-3-1)-步骤(2-3-4)依次判断C_k中的每个节点是否为冗余节点，然后将每个冗余节点随机分配到适应度函数值等于0的分组中，计算C的适应度函数值；

若ΣF(C_k)＝l，则转至步骤(2-5)；

若ΣF(C_k)＜l，则继续步骤(2-4)。

9.如权利要求2所述的一种基于智能传感设备的遍历搜索方法，其特征是，

所述步骤(2-4)：优化搜索分组方案

为了使C中适应度函数值为零的子集能够遍历覆盖T中所有目标，采用(1)式优化C中各分组中的节点构成；

$x_i^{t+1}=x_i^t({\mathrm{\&alpha;}}_1\left(u\right)\&CircleTimes;{\mathrm{\&alpha;}}_2\left(v\right))---\left(1\right)$

其中，α₁(u)为从C中任意选取的适应度函数值为1的节点子集，α₂(v)为从C中任意选取的适应度函数值为0的节点子集，代表将α₁(u)、α₂(v)中的非必要节点互相替换；

若替换后生成的新搜索方案的适应度函数值Σ'F(C_k)＝l，则跳转至步骤(2-5)；若ΣF'(C_k)＜l，则跳转至步骤(2-1)。

10.如权利要求2所述的一种基于智能传感设备的遍历搜索方法，其特征是，

所述步骤(2-5)：结果输出；

输出步骤(2-3)或者(2-4)得出的最优搜索解决方案，此时得到的C中各分组满足步骤(2-1)中的约束条件①-③，且每一个C_k都能够遍历搜索到目标区域内的所有目标。