CN104796915A - 一种二维有向性传感器网络覆盖的优化方法 - Google Patents

Abstract

本发明提供一种二维有向性传感器网络覆盖的优化方法，属于传感技术领域。所述方法包括：S1：初始化传感器网络，结合节点的初始位置、感知半径、扇形感知方位角度、感知扇形张角等计算网络的初始覆盖率；S2：迭代次数N＝1；S3：为各传感器节点设置一随机扰动角度得到第N次迭代的扰动角度向量；S4：获取当前网络在所述随机扰动角度向量的正反两个方向上旋转得到的第N次迭代的覆盖率；S5：根据第N次迭代的扰动角度向量和覆盖率计算当前各传感器节点对应覆盖率函数的近似梯度值；S6：更新各传感器节点感知方位角度，并在N等于预先设定的迭代次数K时结束流程，否则，N＝N+1并返回执行S3。该方法能够得到二维有向性传感器网络的各传感器节点近优的旋转角度，优化效率高。

Description

一种二维有向性传感器网络覆盖的优化方法

技术领域

本发明属于传感技术领域，特别是指一种二维有向性传感器网络覆盖的优化方法。

背景技术

随着微电子技术和微机电系统(MEMS)技术的不断进展，作为信息获取最基本和最重要的技术——传感器技术，也得到了长足发展。传感器网络就是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖区域中被感知对象的信息，并发送给观察者。传感器网络的覆盖性能是衡量传感器网络服务质量的一项重要指标，直接影响着整个网络的服务质量。对传感器网络覆盖问题的研究大部分基于传统的全向感知模型，而且已经积累了较为丰富的成果。近年来,随着图像/视频、红外、超声波等有向性传感器的广泛应用,有向传感器网络的覆盖问题得到了越来越多的关注并发展成为业界关注的热点。

在实际中，传感网络的覆盖性能会受到多种因素的影响，例如，由于很多应用环境较为复杂，网络的初始部署大都采用抛洒、投掷、喷射等随机部署策略，导致网络中节点的分布具有很大的随机性，易造成节点分布不均；再加上有向传感节点的感知方向随机分布，感知范围有限，这样就更加容易形成感知区域的覆盖空洞和覆盖重叠，这些都会影响网络的覆盖性能；另外，在网络节点数量较多的情况下，网络覆盖性能的影响因素多且关系复杂，难以优化。

因此，研究随机部署情况下有向传感器网络的覆盖控制技术实现对有向传感器网络覆盖的优化对于提高整个网络的监测性能、改善监测质量具有非常重要的现实意义。

发明内容

为了提高现有的二维有向性传感网络的覆盖率，本发明提供一种二维有向性传感器网络覆盖的优化方法，该方法通过调整传感器节点的感知方向使网络监控区域能够以较大概率被覆盖，从而得到有向性传感器网络近优的覆盖，优化效率高，易于实现。

本发明提供一种二维有向性传感器网络覆盖的优化方法，包括步骤：

S1：初始化二维有向性传感器网络，结合所述二维有向性传感器网络中各传感器节点的位置、感知半径、扇形感知方位角度、感知扇形张角计算所述二维有向性传感器网络的初始覆盖率；

S2：令迭代次数N＝1；

S3：为所述二维有向性传感器网络中的各传感器节点设置一随机扰动角度，并将各传感器节点对应的随机扰动角度组成第N次迭代的扰动角度向量Δθ＝(Δθ₁,Δθ₂,...,Δθ_p)；Δθ_i为当前第i个传感器节点对应的随机扰动角度，p为所述二维有向性传感器网络中的传感器节点个数；

S4：根据当前各传感器节点对应的随机扰动角度对各传感器节点的当前扇形感知方位角度进行正反两个方向的旋转，获取当前二维有向性传感器网络根据所述第N次迭代的扰动角度向量在正、反两个旋转方向上的第N次迭代的覆盖率y⁺、y^-；

S5：根据第N次迭代的扰动角度向量Δθ、第N次迭代的覆盖率y⁺、y^-和相关参数计算当前各传感器节点对应覆盖率函数的近似梯度值；

S6：根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度，并判断N是否等于预先设定的迭代次数K，若是，则输出当前更新后的各传感器节点的扇形感知方位角度并结束流程，否则，令N＝N+1，将当前更新后的各传感器节点的扇形感知方位角度作为下次角度旋转的基准，并返回执行S3。

其中，S6中所述根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度之后，判断N是否等于预先设定的迭代次数K之前，还包括步骤：

判断当前各传感器节点对应覆盖率函数的近似梯度值的绝对值是否小于等于预先设定的正数ε，若是，则输出当前各传感器节点的扇形感知方位角度并结束流程，否则，再判断N是否等于预先设定的迭代次数K。

其中，所述S3之前，还包括步骤：预先设定迭代次数K和第N次迭代的扰动参数；

所述S4包括：在第N次迭代中，将各传感器节点以其当前扇形感知方位角度为基准，根据第N次迭代的扰动参数以及当前各传感器节点对应的随机扰动角度将各传感器节点往其基准方位正、反两个方向旋转，分别计算当前二维有向性传感器网络在两个旋转方向下的覆盖率，得到第N次迭代的覆盖率y⁺、y^-。

其中，所述S1还包括：预先设定当前二维有向性传感器网络的节点部署区域的面积；

S4中所述分别计算当前二维有向性传感器网络在两个旋转方向下的覆盖率的方法为：首先分别计算根据所述第N次迭代的扰动角度向量，在基准方位的正、反两个旋转方向下当前二维有向性传感器网络的所有节点的扇形感知覆盖区域面积；然后对于每个旋转方向，将预先设定的当前二维有向性传感器网络的节点部署区域内的该旋转方向下、当前二维有向性传感器网络的所有节点的扇形感知区域并集的总面积和所述预先设定的当前二维有向性传感器网络的部署区域面积的比值作为在该旋转方向下当前二维有向性传感器网络的覆盖率。

其中，所述第N次迭代的扰动参数c_n根据以下公式计算：

$c_n=\frac{c}{{(N+1)}^{\mathrm{\γ}}}$

其中，N为当前迭代次数，所述c，γ选取经验值。

其中，S5中所述当前各传感器节点对应覆盖率函数的近似梯度值的计算方法为：

$g_n\left({\mathrm{\θ}}_i\right)=\frac{y^{+}({\mathrm{\θ}}_i+c_n\·{\mathrm{\Δ\θ}}_i)-y^{-}({\mathrm{\θ}}_i-c_n\·{\mathrm{\Δ\θ}}_i)}{2c_n\·{\mathrm{\Δ\θ}}_i}$

其中，g_n(θ_i)为第i个传感器节点对应覆盖率函数的近似梯度值；y⁺、y^-分别表示当前二维有向性传感器网络在当前扰动角度向量正反两个旋转方向上的第N次迭代的覆盖率，θ_i为第N次迭代的第i个传感器节点的扇形感知方位、Δθ_i为第N次迭代的第i个传感器节点的感知扇形的扰动角度向量，c_n为第N次迭代的扰动参数。

其中，所述步骤S6之前，还包括步骤：预先设定第N次迭代的增益参数；

S6中所述根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度的方法为采用以下公式更新：

θ_i＝θ′_i+a_n·g_n(θ_i)

其中，g_n(θ_i)为第i个传感器节点对应覆盖率的近似梯度值，θ′_i为第N次迭代时第i个传感器节点的初始扇形感知方位角度，θ_i为第N次迭代后更新完成的第i个传感器节点的扇形感知方位角度，a_n为第N次迭代的增益参数，。

其中，所述增益参数根据以下公式计算：

$a_n=\frac{a}{{(A+N+1)}^{\mathrm{\α}}}$

其中，N为当前迭代次数，所述A，α选取经验值。

本发明的上述技术方案的有益效果如下：

上述方案对解决因为传感器节点初始部署分布不均、感知方向随机分布、感知范围有限造成的节点较多的区域容易形成覆盖重叠和节点稀疏的区域又容易出现覆盖盲区，以及网络系统的节点数量多，网络系统特性复杂的问题十分有效，本发明能近优地最大化整个网络的覆盖率，易于实现。

附图说明

图1为二维有向性传感器网络中的传感器节点的感知模型示意图；

图2为本发明提供的一种二维有向性传感器网络覆盖的优化方法流程图；

图3为本发明提供的另一种二维有向性传感器网络覆盖的优化方法流程图；

图4为二维有向性传感器网络的随机初始部署图；

图5为利用本发明提出的方法优化后的二维有向性传感器网络覆盖图；

图6为二维有向性传感网络优化前与利用本发明优化后的覆盖率对比图。

具体实施方式

为解决现有技术存在的问题，本发明利用Python语言编写仿真程序，实现二维有向性传感器网络的最大化覆盖。为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明设定，在二维有向性传感器网络中，传感器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，如图1所示，灰色部分是传感器节点的扇形感知区域，传感器节点的感知扇形半径是R，二维坐标是P_i(x,y)，传感器节点的感知方位角度是θ，扇形感知区域的张角是α，传感器节点的感知方位角度可进行旋转，如图1中虚线所示，旋转角度是Δθ。

图2为本发明提供的一种有向性传感器网络覆盖的优化方法流程图，如图2中所示，该方法包括以下步骤：

S1：初始化设置，计算初始覆盖率：初始化传感器网络的相关参数，例如，部署区域的大小X*Y＝500*500mm，传感器节点的数量n＝100、节点位置P_i(x,y)、感知半径R＝50m、扇形感知方位角度θ、感知扇形张角α等；在所选区域内随机部署节点；根据相关参数计算网络的初始覆盖率。

S2：令N＝1，N在随后的流程中表征迭代次数。

S3：生成扰动角度向量：为当前二维有向性传感器网络中的各传感器节点设置一随机扰动角度，并将各传感器节点对应的随机扰动角度组成第N次迭代的扰动角度向量Δθ＝(Δθ₁,Δθ₂,...,Δθ_p)；其中，Δθ_i为当前第i个传感器节点对应的随机扰动角度，向量Δθ服从伯努利分布。其中，每个传感器节点对应的随机扰动角度是一个向量，任意两个传感器节点对应的随机扰动角度(向量)的模相等，只是方位不同而已；p为所述二维有向性传感器网络中的传感器节点个数，i＝1,…,p。此步骤的部分代码如下：

S4：计算覆盖率：根据当前各传感器节点对应的随机扰动角度对各传感器节点的当前感知方位进行正反两个方向的转动，获取当前有向性传感器网络在所述扰动角度向量正反两个转动方向上的第N次迭代的覆盖率y⁺、y^-。其中，第一次迭代中，对于当前二维有向性传感器网络中的第i个传感器节点，根据S3中为该传感器节点设置的(及该传感器节点对应的)随机扰动角度Δθ_i，以S1中该传感器节点的初始扇形感知方位角度θ_i为基准方向，进行正反两个方向的转动，所有节点都如此旋转后，得到当前二维有向性传感器网络根据第N次迭代的扰动角度向量在正旋转方向上的第N次迭代的覆盖率y⁺和在反旋转方向上的第N次迭代的覆盖率y^-，y⁺、y^-分别表示当前二维有向性传感器网络在当前扰动角度向量正反两个旋转方向上的第N次迭代的覆盖率。

S5：计算近似梯度值：根据第N次迭代的扰动角度向量和第N次迭代的覆盖率y⁺、y^-计算当前各传感器节点对应覆盖率函数的近似梯度值。部分代码如下：

S6：根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度。

S7：判断N是否等于预先设定的迭代次数K，若是，则执行S8；否则，执行S9。

S8：输出当前更新后的各传感器节点的扇形感知方位角度并结束流程。

S9：令N＝N+1，将更新后的各传感器节点的扇形感知方位角度作为下次角度旋转的基准，并返回执行S3。

优选地，如图3所示，上述方法中，在步骤S6之后，S7之前，还包括步骤：

S31：判断当前各传感器节点对应覆盖率函数的近似梯度值的绝对值是否小于等于预先设定的正数ε，若是，则执行S32，否则，执行S7。

S32：输出当前各传感器节点的扇形感知方位角度并结束流程。

其中，ε为一个预先设定的较小正数值，这样，在迭代次数到达K之前，若出现了近似梯度值的绝对值小于等于ε的情况，即表征此时传感器节点的覆盖面积接近最大值，可以根据需要结束流程，将此种情况下的优化结果作为最优结果。

优选地，在步骤S3之前，还包括步骤：预先设定迭代次数K和第N次迭代的扰动参数。此时S4的具体实施方法为：在第N次迭代中，将各传感器节点以其当前扇形感知方位角度为基准，根据第N次迭代的扰动参数以及当前各传感器节点对应的随机扰动角度将各传感器节点往其基准方位正、反两个方向旋转，分别计算当前二维有向性传感器网络在两个旋转方向下的覆盖率。显然，往正向扰动时得到一个第N次迭代的覆盖率函数值y⁺，往反向扰动时得到一个第N次迭代的覆盖率函数值y^-，y⁺、y^-分别表示当前二维有向性传感器网络在当前扰动角度向量正反两个旋转方向上的第N次迭代的覆盖率。

进一步地，图2或图3中的步骤S1还包括：预先设定当前二维有向性传感器网络的节点部署区域的面积S₁。则此时S4中分别计算当前二维有向性传感器网络在两个旋转方向下的覆盖率的方法为：首先分别根据所述第N次迭代的扰动角度向量，在基准方位的正、反两个旋转方向下当前二维有向性传感器网络的所有节点的扇形感知覆盖区域面积；然后对于每个扰动方向，将预先设定的当前二维有向性传感器网络的节点部署区域内的该旋转方向下、当前二维有向性传感器网络的所有节点的扇形感知区域并集的总面积和和所述预先设定的当前传感器网络的节点部署区域的面积S₁的比值或作为在该旋转方向下当前有向性传感器网络的覆盖率。

优选地，第N次迭代的扰动参数c_n根据以下公式(1)计算：

$c_n=\frac{c}{{(N+1)}^{\mathrm{\γ}}}---\left(1\right)$

扰动参数c_n值会随着迭代次数N的增大而变小，其中，N为当前迭代次数，参数c和γ取经验值，例如：c＝0.1，γ＝0.101。

优选地，S5中当前各传感器节点对应覆盖率函数的近似梯度值的计算方法为：

$g_n\left({\mathrm{\θ}}_i\right)=\frac{y^{+}({\mathrm{\θ}}_i+c_n\·{\mathrm{\Δ\θ}}_i)-y^{-}({\mathrm{\θ}}_i-c_n\·{\mathrm{\Δ\θ}}_i)}{2c_n\·{\mathrm{\Δ\θ}}_i}---\left(2\right)$

公式(2)中，g_n(θ_i)为第i个传感器节点对应覆盖率函数的近似梯度值；y⁺、y^-分别表示当前二维有向性传感器网络在当前扰动角度向量正反两个旋转方向上的第N次迭代的覆盖率，在步骤S4中已计算；θ_i为第N次迭代的第i个传感器节点的扇形感知方位、Δθ_i为第N次迭代的第i个传感器节点的感知扇形的扰动角度向量，c_n为第N次迭代的扰动参数，i＝1,…,p；在每轮迭代中，公式(2)右侧的分子为定值。

优选地，步骤S6之前，还包括步骤：预先设定第N次迭代的增益参数。此时，S6中所述根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度的方法为采用以下公式更新：

θ_i＝θ′_i+a_n·g_n(θ_i)  (3)其中，g_n(θ_i)为第i个传感器节点对应覆盖率函数的近似梯度值，a_n为第N次迭代的增益参数，θ′_i为第N次迭代时第i个传感器节点的初始扇形感知方位角度(即上一轮迭代流程中最终得到的更新后的第i个传感器节点的扇形感知方位角度)，θ_i为当前一轮迭代中S6步骤执行更新后的第i个传感器节点的扇形感知方位角度。

其中，增益参数根据以下公式(4)计算：

$a_n=\frac{a}{{(A+N+1)}^{\mathrm{\α}}}---\left(4\right)$

其中，N为当前迭代次数，A，α选取经验值，例如：A＝n×0.1，α＝0.602。

本发明对上述二维有向性传感器网络覆盖的优化方案进行了仿真，仿真中设定有向传感器节点被部署在面积为500*500mm的区域内，节点的扇形感知半径是50m。当节点个数是100时，网络的初始部署情况如图4所示，由图4可以看到，节点的扇形感知区域有较多重叠的情况，覆盖效率较低；利用本发明提出的方法进行优化后的覆盖情况如图5所示，很明显地，图5中传感器节点的扇形感知区域的交叠区域大大减少，覆盖率大大提升。图6为网络节点个数为300时的该二维有向性传感器网络的初始覆盖率与优化后的覆盖率的仿真结果直观对比图，由图5可以看到，优化后的覆盖率大大提高。

上述方案中，设定传感器节点的位置不变，将有向性传感器节点的可感知覆盖范围近似为一扇形区域，通过旋转位置固定的有向性传感器节点使得所有传感器覆盖区域的并集能最大化地覆盖该网络所部署的地理区域，从而解决现有的二维有向性传感器网络存在网络节点不能高效地监控感知区域的问题。该方法优化效率高，易于实现，实施该方法能够得到的有向性传感器网络的各节点近优的扇形感知方位。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种二维有向性传感器网络覆盖的优化方法，其特征在于，包括步骤：

S1：初始化二维有向性传感器网络，结合所述二维有向性传感器网络中各传感器节点的位置、感知半径、扇形感知方位角度、感知扇形张角计算所述二维有向性传感器网络的初始覆盖率；

S2：令迭代次数N＝1；

S3：为所述二维有向性传感器网络中的各传感器节点设置一随机扰动角度，并将各传感器节点对应的随机扰动角度组成第N次迭代的扰动角度向量Δθ＝(Δθ₁,Δθ₂,...,Δθ_p)；Δθ_i为当前第i个传感器节点对应的随机扰动角度，p为所述二维有向性传感器网络中的传感器节点个数；

S4：根据当前各传感器节点对应的随机扰动角度对各传感器节点的当前扇形感知方位角度进行正反两个方向的旋转，获取当前二维有向性传感器网络根据所述第N次迭代的扰动角度向量在正、反两个旋转方向上的第N次迭代的覆盖率y⁺、y^-；

S5：根据第N次迭代的扰动角度向量Δθ、第N次迭代的覆盖率y⁺、y^-及相关参数计算当前各传感器节点对应覆盖率函数的近似梯度值；

S6：根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度，并判断N是否等于预先设定的迭代次数K，若是，则输出当前更新后的各传感器节点的扇形感知方位角度并结束流程，否则，令N＝N+1，将当前更新后的各传感器节点的扇形感知方位角度作为下次角度旋转的基准，并返回执行S3。

2.如权利要求1所述的一种二维有向性传感器网络覆盖的优化方法，其特征在于，S6中所述根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度之后，判断N是否等于预先设定的迭代次数K之前，还包括步骤：

判断当前各传感器节点对应覆盖率函数的近似梯度值的绝对值是否小于等于预先设定的正数ε，若是，则输出当前各传感器节点的扇形感知方位角度并结束流程，否则，再判断N是否等于预先设定的迭代次数K。

3.如权利要求1所述的二维有向性传感器网络覆盖的优化方法，其特征在于，所述S3之前，还包括步骤：预先设定迭代次数K和第N次迭代的扰动参数；

所述S4包括：在第N次迭代中，将各传感器节点以其当前扇形感知方位角度为基准，根据第N次迭代的扰动参数以及当前各传感器节点对应的随机扰动角度将各传感器节点往其基准方位正、反两个方向旋转，分别计算当前二维有向性传感器网络在两个旋转方向下的覆盖率，得到第N次迭代的覆盖率y⁺、y^-。

4.如权利要求3所述的二维有向性传感器网络覆盖的优化方法，其特征在于，所述S1还包括：预先设定当前二维有向性传感器网络的节点部署区域的面积；

S4中所述分别计算当前二维有向性传感器网络在两个旋转方向下的覆盖率的方法为：首先分别计算根据所述第N次迭代的扰动角度向量，在基准方位的正、反两个旋转方向下当前二维有向性传感器网络的所有节点的扇形感知覆盖区域面积；然后对于每个旋转方向，将预先设定的当前二维有向性传感器网络的节点部署区域内的该旋转方向下、当前二维有向性传感器网络的所有节点的扇形感知区域并集的总面积和所述预先设定的当前二维有向性传感器网络的部署区域面积的比值作为在该旋转方向下当前二维有向性传感器网络的覆盖率。

5.如权利要求3所述的二维有向性传感器网络覆盖的优化方法，其特征在于，所述第N次迭代的扰动参数c_n根据以下公式计算：

$c_n=\frac{c}{{(N+1)}^{\mathrm{\γ}}}$

其中，N为当前迭代次数，所述c，γ选取经验值。

6.如权利要求3所述的二维有向性传感器网络覆盖的优化方法，其特征在于，S5中所述当前各传感器节点对应覆盖率函数的近似梯度值的计算方法为：

$g_n\left({\mathrm{\θ}}_i\right)=\frac{y^{+}({\mathrm{\θ}}_i+c_n\·\mathrm{\Δ}{\mathrm{\θ}}_i)-y^{-}({\mathrm{\θ}}_i-c_n\·\mathrm{\Δ}{\mathrm{\θ}}_i)}{2c_n\·\mathrm{\Δ}{\mathrm{\θ}}_i}$

其中，g_n(θ_i)为第i个传感器节点对应覆盖率函数的近似梯度值；y⁺、y^-分别表示当前二维有向性传感器网络在当前扰动角度向量正反两个旋转方向上的第N次迭代的覆盖率，θ_i为第N次迭代的第i个传感器节点的扇形感知方位、Δθ_i为第N次迭代的第i个传感器节点的感知扇形的扰动角度向量，c_n为第N次迭代的扰动参数。

7.如权利要求1至6任一项所述的二维有向性传感器网络覆盖的优化方法，其特征在于，所述步骤S6之前，还包括步骤：预先设定第N次迭代的增益参数；

S6中所述根据当前各传感器节点对应覆盖率函数的近似梯度值更新各传感器节点的扇形感知方位角度的方法为采用以下公式更新：

θ_i＝θ_i'+a_n·g_n(θ_i)

其中，g_n(θ_i)为第i个传感器节点对应覆盖率函数的近似梯度值，θ_i'为第N次迭代时第i个传感器节点的初始扇形感知方位角度，θ_i为第N次迭代后更新完成的第i个传感器节点的扇形感知方位角度，a_n为第N次迭代的增益参数，。

8.如权利要求7所述的二维有向性传感器网络覆盖的优化方法，其特征在于，所述增益参数根据以下公式计算：

$a_n=\frac{a}{{(A+N+1)}^{\mathrm{\α}}}$

其中，N为当前迭代次数，所述A，α选取经验值。