CN105490795B - 基于协作传输技术的移动式无线网络节点一维部署方法 - Google Patents

Abstract

基于协作传输技术的移动式无线网络节点一维部署方法，本发明涉及移动式无线网络节点一维部署方法。本发明是要解决传统的通讯网络都是基于二维的区域覆盖考量，但是二维的结果是无法直接应用到一维空间的问题。步骤一、根据无线通信的基本原理，构建基于协作传输的基本信号传输模型；步骤二、根据步骤一中的基本信号传输模型建立MS‑DF模型；步骤三、选取MS‑DF模型公式初始值，建立改进蚁群优化算法；步骤四、利用步骤三中的改进蚁群优化算法，搜索最优节点拓扑结构及部署位置。本发明应用于通讯领域。

Description

基于协作传输技术的移动式无线网络节点一维部署方法

技术领域

本发明涉及移动式无线网络节点一维部署方法。

背景技术

近年来世界各地灾害现象频发，08年的汶川大地震，造成长时间与灾区通讯中断，无法联系，因而无法进行快速有效地救援，这就是失去信息造成的；海啸、矿难、战争等等各种人类无法或者不易获取信息但又必须获取信息的环境下的信息采集，一直是各类学者研究的重点，由于近年来的无线传感网络和移动机器人技术的飞速发展，将两者有效结合并进入新的通讯技术以提高该领域的通讯网络性能成为可能。

最近MIMO技术已经被应用到4G通讯网络中，但是由于MIMO技术是要求多天线输入输出，而大多数的便携式的移动终端由于体积等原因无法搭载多天线，只能搭载单天线，因而无法形成MIMO阵列，无法获得空间分集增益。

近年来提出的协作传输技术(Cooperative Transmission，CT)为携带单天线的移动终端无法组建MIMO网络提出了解决方案，根据CT技术，可以利用每个移动终端的单一天线通过组建虚拟MIMO阵列从而获得空间分集增益，提高系统频谱利用率，增加系统数据传输速率，扩大通讯网络的通讯范围，有效抵抗多径环境下的多径衰落造成的影响。

利用CT理论，学者们提出应用到传统的蜂窝网络中以获得更好的蜂窝边缘通信效果，但是极少研究人员针对利用有限数目的移动机器人组建无线通信网络，并且将其部署在一维指定方向上进行极限数据传输，因为传统的通讯网络都是基于二维的区域覆盖考量，这方面已经有大量的研究，但是二维的结果是无法直接应用到一维空间的，而一维空间的直线距离传输又有其现实意义，诸如灾害现场、战争现场、桥梁建筑物等等的健康检测的网络节点部署。而在一维空间下，当已知节点数目，如何利用协作传输带来的空间增益有效地选择拓扑结构并且分配部署节点位置，以获得最大的空间增益即从源节点到目的节点最远的传输距离。

目前国内外专家极少将移动机器人与通讯技术综合考虑，大多数的机器人研究学者的通讯范围仅为传感器或者机载通讯设备的范围，由于不具有协作技术的应用，无法进行通讯范围的扩展；而研究通讯的研究人员将研究注重于传统的蜂窝基站式的通讯网，即使应用协作技术也是为了传统网络提高性能而不考虑移动机器人这种类型的网络。

发明内容

本发明是要解决传统的通讯网络都是基于二维的区域覆盖考量，但是二维的结果是无法直接应用到一维空间的问题，而提供了基于协作传输技术的移动式无线网络节点一维部署方法。

基于协作传输技术的移动式无线网络节点一维部署方法,按以下步骤实现：

步骤一、根据无线通信的基本原理，构建基于协作传输的基本信号传输模型：

步骤二、根据步骤一中的基本信号传输模型建立MS-DF模型；

步骤三、选取MS-DF传输模型公式初始值，建立改进蚁群优化算法；

步骤四、利用步骤三中的改进蚁群优化算法，搜索最优节点拓扑结构及部署位置，即完成了基于协作传输技术的移动式无线网络节点一维部署方法。

发明效果：

鉴于现实的实际需求以及该领域的研究缺失，本发明提出的基于协作传输技术的移动式无线网络节点在一维方向传输距离最远的节点部署方法。通过探索固定节点数目在不同拓扑结构下的中断概率，将节点进行分簇部署，允许不同簇节点数目不同，间距距离不同，在端到端(源节点到目的节点)中断概率达到阈值要求前提下获得最远的传输距离的节点部署方案即为最优方案，并命名其为CT-MS-DF方法(Cooperative Transmission-Message Sharing-Decode and Forward)。仿真实验表明，所提出的无线网络部署方法有效地提高了通信网络传输距离范围，并且满足在不同环境下(路径损耗指数等参数)均可以获得最优方案，并显著提高覆盖范围。

附图说明

图1是S-R-D协作基本模型图；

图2是N节点无线网络系统模型图；

图3是本发明流程图；

图4(a)是5节点DF拓扑部分τ＝10,χ₀＝10⁴,n＝2；

图4(b)是5节点DF拓扑部分τ＝10,χ₀＝10⁴,n＝3；

图4(c)是5节点DF拓扑部分τ＝10,χ₀＝10⁴,n＝4；

图4(d)是5节点DF拓扑部分τ＝10,χ₀＝10⁴,n＝5；

图5(a)是5节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝2；

图5(b)是5节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝3；

图5(c)是5节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝4；

图5(d)是5节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝5；

图6(a)是6节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝2；

图6(b)是6节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝3；

图6(c)是6节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝4；

图6(d)是6节点MS拓扑分布τ＝10,χ₀＝10⁴,n＝5；

图7(a)是7节点的MS拓扑分布τ＝10,χ₀＝10⁴,n＝2；

图7(b)是7节点的MS拓扑分布τ＝10,χ₀＝10⁴,n＝3；

图7(c)是7节点的MS拓扑分布τ＝10,χ₀＝10⁴,n＝4；

图7(d)是7节点的MS拓扑分布τ＝10,χ₀＝10⁴,n＝5；

图8(a)是MS-DF与Marcov Chain方法对比图,M＝2；

图8(b)是MS-DF与Marcov Chain方法对比图,M＝3；

图8(c)是MS-DF与Marcov Chain方法对比图,M＝4；

图8(d)是MS-DF与Marcov Chain方法对比图,M＝5；

图9是7节点部署方案对比与应用图。

具体实施方式

具体实施方式一：本实施方式的基于协作传输技术的移动式无线网络节点一维部署方法,按以下步骤实现：

步骤一、根据无线通信的基本原理，构建基于协作传输的基本信号传输模型：

步骤二、根据步骤一中的基本信号传输模型建立MS-DF模型；

步骤三、选取MS-DF传输模型公式初始值，建立改进蚁群优化算法；

步骤四、利用步骤三中的改进蚁群优化算法，搜索最优节点拓扑结构及部署位置，即完成了基于协作传输技术的移动式无线网络节点一维部署方法。

协作传输技术理论概述

一、分集原理

分集技术(diversity)是指通过查找和利用无线传播环境中独立的或者不相关的多径信号来实现抵抗信号衰落的目的。如果一个信号在传播过程中经历了深度衰落，但是另一条独立路径传输的信号可能更好，因此可以在多个信号中选择多个信号进行合并，可以提高信噪比。分集技术的基本思路是将接收到的多径信号分离成不相关的(独立的)多路信号，然后将这些信号按照一定的规则合并起来，使合并的信号效果最好。或者降低误码率，或者提高信噪比。在不增加发射功率和系统带宽的前提下，分集技术是抵抗多径衰落、提高传输可靠性的有效方式，这种抗衰落技术投资低廉，但是可以大幅度改进接收效果。

分集技术就是利用两个或更多的不相关信号进行处理，不相关信号的采集可以通过空域、时域和频域三种方式实现。本发明主要研究空间分集，也称天线分集，是移动通信中使用较多的分集形式，简单的说，就是采用多个发送和接收天线来收发信号，然后进行合并，这就是常说的MIMO技术。为保证接收信号的不相关性，这就要求天线之间的距离足够大，在理想情况下，接收天线之间的距离只要大于波长的一半就可以了。但是很明显这种分集方式需要收发终端有较多的天线资源。

在接收机将独立信号收集后，需要通过采用合并技术来得到空间分集的增益。在合并技术中，主要有以下几种方式：最大比值合并，等增益合并，门限合并和选择性合并。

最大比合并(MRC，Maximal Ratio Combining)方案在收端只需对接收信号做线性处理，然后利用最大似然检测即可还原出发端的原始信息。其译码过程简单、易实现，合并增益与分集支路数N成正比。在接收端有多个分集支路，调整各路信号的相位，按照适当的增益系数(各路的信噪比加权)，同相相加，再送入检测器进行检测。在接受端各个不相关的分集支路经过相位校正，并按适当的可变增益加权再相加后送入检测器进行相干检测。在做的时候可以设定某个支路的可变增益加权系数为该分集之路的信号幅度与噪声功率之比。在通过MRC合并后输出的信号的信噪比SNR等于所有支路信噪比之和。当信道中噪声是高斯白噪声时，MRC方案是将分集合并后获得的最大信噪比的合并方法。

由于最大比合并方法是所有合并方法中可以获得最大的信噪比SNR的方法，因此本发明选择此方法，其余方法在本发明中不予考虑。

二、协作传输

协作传输技术的提出正是为了弥补MIMO分集技术不能应用在移动终端上无法携带多天线这一环境的补充和升华，通过只具有单根天线的移动台获得类似的MIMO系统的某些增益，称其为“虚拟天线阵列”，其基本思想是在多用户环境中，具有单根天线的移动台可以按照一定的方式来共享彼此的天线从而产生一个虚拟MIMO系统，这样可以获得分集增益，增加传输速率，提高传输可靠性，扩大传输距离和覆盖范围，提高系统利用率。

同时由于无线网络中存在空闲的资源，因为在某一个时段内，可能只有部分的终端需要通信资源，其余的终端始终处于空闲不工作状态，但是对于传统的通信来说，这些空闲的终端是无法相互通信的，因此也无法利用这些空闲资源，只能白白浪费，而协作传输的提出，正好有力的解决了这一问题，通过彼此共享天线和空闲资源，进行协作传输，提高传输可靠性以及传输速率。

如图1所示，这是最基本的协作模型S-R-D模型，即为源节点S发送信号到D，中继节点R由于S发送的信号具有广播功能也可以接收到，并且接收后重新转发出去，并由D接收到，这样D可以先后接收到来自S和R的信号，这样将两组信号通过一定的方法整合，获得结果要比单独接收一组信号质量要好。这样，协作功能的实现使得信号传播获得了更好的增益。

在协作传输技术中，有几种常用的传输协议，如放大转发,解码转发，增强中继和编码协作。

第一种比较常见的协作通信方式是放大转发,即每个用户将收到的信号直接进行放大然后发送出去，此时信号噪声也将被放大，而下一跳的接收端将直接接收到放大后的信号并进行合并，但是，虽然这种方式放大了噪声，但是在接收端仍然收到了多个独立衰落信号并且合并后，其结果仍然比单独传送的要好。

第二种是解码转发，解码转发和放大转发最大的不同就是解码转发的所有的中继节点都会在接收到信号后进行解码，如果解码正确，则重新编码然后转发，而放大转发仅仅是信号放大不会解码的。

其余两种本研究中不考虑，不做详述。

具体实施方式二：本实施方式与具体实施方式一不同的是：

(1)在无线网络中，将N个单收发天线节点部署在一条直线上，如图2所示，从左侧第一个节点为唯一的源节点(S)，也可以考虑成为基站节点，固定不能移动，其余N-1个单收发天线节点分成簇，最少为1簇即本系统只有一跳，第1跳是指在源节点与第一簇之间的链接，第二跳是指第一簇与第二簇之间的链接并以此类推；第N-1跳是指第N簇与第N-1簇之间的链接，即每个中继只有1个节点即中继节点，每个节点都只有一个天线，即单输入单输出系统(SISO)。在图2中的拓扑结构即为1-L₁-L₂-…-L_k-1，当然本文也考虑目标节点也是多个节点构成簇形式的存在，如1-(N-1)。对于簇内节点大于1个，假设节点位置非常接近，忽略簇内节点造成的衰落影响并忽略节点体积考虑它们为质点，忽略节点间的距离，因此，两个相邻簇间的任意两个节点传输距离就是在指定方向上的距离；

(2)假设所有的中继节点具有相同的中继发射功率P_t并且在一个簇内的所有传输信号均为正交信道，每一个节点将所有接收信号进行最大比合并(MRC)，从而获得最大的增益；

(3)定义基于协作传输的基本信号传输模型是具有独立的瑞利衰落以及路径损耗系数为n的信道，假设每一个簇中的各个节点位置很近可以忽略簇内节点的小尺度路径损耗，同时定义d_i为第i跳的距离，并且假设在同一簇内的节点要有一定的间隔(如至少1/2波长的距离)从而满足所有信道都符合不相关衰落的条件，最后假定衰落是块衰落，即衰落系数不变，包内的所有数据衰落效果一致；(4)假设在第i簇的第j个节点接收的信号在经过MRC拟合之后的信噪比(SNR)超过了特定门限值τ，说明在第j节点成功译码接收信号；对特定门限值的要求是当达到门限值时中断概率小于而门限值τ的取值又和很多因素有关，如调制解调的类型，纠错编码的类型，包长度等等，在本发明中，直接给定特定的τ的取值，当然τ可以根据需求进行改变。如果目标节点也是簇中的一部分，即最后一跳的节点数目大于1，此时假设至少任意一个在目标簇中的节点正确译码传输包，说明信息已经正确传输到目标节点，在这种情况下，称之为有效地选择拟合；要求信噪比达到特定门限值τ时中断概率不大于(是人为定义的满足0和1之间，是对数据传输质量的要求数值)；

因此，获得具有独立的瑞利衰落以及路径损耗指数为n的信道的信号经最大比合并(MRC)方法拟合后的信噪比γ的PDF即p(γ)如(1)所示，

其中，η是比特能量和噪声比的倒数，M是在任意接收天线处收到的拟合信号数目；

其中，d_i是第i跳的距离，即第i-1簇与第i簇之间的直线距离，χ₀＝N₀K/P₀T，T是符号周期，K是每个符号的比特位数，P₀是指参考距离d₀对应的平均接收功率，而d₀则是从发射信号点开始计算的参考距离，n是路径损耗系数，那么对于任意一个接收天线，成功接收信号的概率是：

其中M_max为接收天线可能接收到的最大信号数目，τ为特定门限值；

其推导过程如下：

将(2)代入(1)中，并将(1)式代入到此公式中，可以获得一个关系式，可以获得一个d_i与P_i,j(γ≥τ)的关系方程，但是这个方程无法常规求解，只能通过推导方法获得：

当M＝1时，这种情况也就是前文描述的SISO结构。

P(γ≥τ)＝1-P(0≤γ≤τ)＝e^-Aτ

当M＝2时，得到：

P(γ≥τ)＝1-P(0≤γ≤τ)＝(Aτ+1)e^-Aτ

当M＝3时，得到：

当M＝4时，得到：

当M＝5时，得到：

当M＝6时，得到：

从上述各式得到规律并将其合并：

定义D为从源节点到最终(目的)节点的在指定方向(直线)上的距离，那么根据图1可得，

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：在ADF中，同一簇的节点之间接收的信号不会互相影响，但是每个节点能接收到的信号数目会受相邻的上一簇发出的信号数目所限制，同时可以转发的数目(同簇内成功解码的节点数目)将限制下一簇的接收数目，随着信号的传输，每一跳都被上一跳所限制并影响着下一跳直至所有信号传输中断或到达目的节点。随着跳数的增多，给系统增加大量计算分析的负担，针对这一问题提出了MS-DF中继协议模型，即假设在同一簇内的所有节点先进行数据共享(MS)，这意味着只要在同一簇内只要有至少一个节点可以译码从上一跳中传输过来的信息，所有数据都可以在同一簇内节点进行分享，这样同一簇内所有的节点都可以向下一跳(簇)进行数据传输，这样获得更好的MIMO增益效果，通过MS结构方式可以获得更好性能效果。

在运用MS后，只要保证至少有一个节点可以成功接收并译码来自前一跳的信号，那么第i跳中的任意一个节点接收信号的的中断概率可以从式(3)得到P_i(γ＜τ)，而且其中p_i(γ)是式(1)中M等于前一跳的所有节点数。

因此，得到数据成功发送到目的节点的概率为，

其中k′+1为网络中的总跳数，L_i为第i跳中的节点数目。

采用MS-DF方法计算速度快，简单易行，但是由于引入了消息共享，造成更大的时间延迟。根据约束条件那么对于每一跳有约束必然成立，分别计算在两个边界条件下的d_i作为约束，即获得D的最大结果。

公式(5)其推导过程如下：

应用MS后，只要保证每一簇至少有一个节点可以成功接收并译码来自前一跳的信号，那么任意一个节点接收信号的中断概率应为：

p_i(γ)是式(1)，其中M等于前一跳的所有节点数，而d＝d_i。

第i跳的节点可以成功接收上一跳信号的成功概率P_i(success)应为：

信号从源节点成功发送到目的节点的概率为，

k′+1表示网络中的总跳数，M_i表示第i跳中的节点数目。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：传统的蚂蚁算法仅根据信息素浓度判断转移概率大小，这种方式收敛速度较慢，容易陷入局部最优，因此，选用改进蚁群系统策略，这样既可以一定程度下的采用先验知识获取路径，同时又可以根据轮盘赌(Roulette Wheel Selection)选择法探索新的路径，采用S作为选择路径的规则：

其中q₀为指定的数值，其大小会决定采用先验知识和探索新路径之间的重要性，而q则是随机产生0到1的数值，如果q≤0选择S方程，否则，选择(7)进行下一个路径选择判定。allow d_k为蚂蚁k下一步所有可以选择的距离路线。

定义蚂蚁(网络节点)k从第i跳向下一跳转移选择路径j的转移概率为P^k(i,j)，代表着探索新路径的规则：

其中，η_i,j为启发函数，τ_i,j为在该路径下的信息素浓度，α和β为影响τ_i,j和η_i,j在转移概率中的加权值，在算法实现上应用轮盘赌法则完成路径选择。

由于在传统的蚂蚁算法中解决旅行商(TSP)问题选择的是获取最短路径，因此选择η_i,j＝1/d_i,j为启发函数，但是本发明中考虑的是拓扑网络的最远距离扩展，如果选择以距离为启发函数，那么随着距离增大会造成计算难度增大，计算量增大，影响收敛速度，增加系统负担，因此选择采用路径距离比例为启发函数避免上述问题，因此修改启发函数为：

其中d_i,j表示第j跳第i个路径的距离，和表示第j跳边界条件下的最小值和最大值。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四具体为：

(一)、计算边界条件和

边界条件计算：利用公式(1)、(2)和(3)计算满足P(γ≥τ)≥0.9并利用牛顿二分法计算每跳的可部署距离的边界条件和值；

假定连续函数f(x)在区间(x,y)上连续，找到a，b属于区间(x,y)，使f(a)，f(b)异号，说明在区间(a,b)内一定有零点，然后求假设f(a)＜0,f(b)＞0,a＜b那么：

(1)如果那么该点就是零点；

(2)如果则在区间内有零点，从(1)开始继续使用中点函数值判断；

(3)如果则在区间内有零点，从(1)开始重新进行中点函数值判断；

(二)、对蚁群个体数m，最大迭代次数Nc_max，η赋予初始值，并按照式(8)计算改进蚁群优化算法；

(三)、根据蚁群个体数将每跳的边界条件数据离散化，利用离散后的数据作为每一跳的可选路径，将蚁群个体分别放在第一跳的每个路径上，即每个路径各一只蚂蚁，共有S′跳，有m×S′个不同的路径，但是每一跳只能在该跳的m个数据中选择；

(四)、找出每只蚂蚁下一路径，按照式(6)和(7)来进行选择，判断是根据先验知识或者转移概率式来选择下一跳的路径；

(五)、根据上一步中获得的路径选择进行中断概率判断，必须满足即使本跳选择此路径也必须保证最终的端到端中断概率即式(3)为约束条件，如果符合条件进行步骤(六)，否则更新本跳禁忌列表，进行步骤(四)重新选择直至选择符合条件的路径，若本跳禁忌列表更新为无路径可选择，进入步骤(三)重新选择起始路径后进入步骤(四)；

(六)、选择下一路径，重复步骤(五)，至整条路径选择完毕；然后进行下一蚂蚁进入步骤(四)至所有蚂蚁路径选择结束；

(七)、选择将蚁周模型与生物法合并使用，在每个循环结束后更新真实信息量并且引入弱肉强食原则对最优蚂蚁路径加大信息素，信息素更新方式选择如下：

其中，ρ是信息素挥发比例，Q表示信息素浓度常数；表示蚂蚁k在本循环经过(i，j)信息素变化，D_k表示本次循环中蚂蚁k选择路径的总长度；表示第k个循环经过(i，j)的信息素更新，表示本循环最优路径经过(i，j)的信息素额外更新，D_max表示本次循环中最优路径的总长度；

(八)、记录本循环的最优蚂蚁路径，更新信息素，按照(9)，(10)和(11)完成，进入步骤(三)中进行下一循环；

(九)、所有循环结束，选择最优路径，并在最优路径每一段前后步进一个离散距离，更新d_jmax和d_jmin，进入步骤(二)，重新循环，直至满足最优距离精确度，算法停止，进入下一拓扑结构分析，返回步骤(一)，直至所有结构分析完毕。

其它步骤及参数与具体实施方式一至四之一相同。

仿真实验：

在本发明的仿真结果中，考虑移动无线网络节点数目为5，6和7，SNR的门限值τ＝5，10，15，20，χ₀＝10³、10⁴，n选择从2至5，中断概率10％。由于篇幅原因在下面仿真结果中只展示部分τ＝10的结果，并且对比ADF和MS-DF两种中继方式的结果。

如图4(a)～图4(d)和图5(a)～图5(d)，对于5个节点的网络，当n＝2时，CT模型距离的扩展结果明显优于SISO模型，但是随着衰减系数n的增长，CT模型的扩展距离衰减率要大于SISO模型。仿真结果表明，无论路径损耗系数如何变化，拓扑结构1-2-2和1-3-1扩展结果几乎相同，并且在n＝5时，与SISO结果也几乎相同。MS方式比ADF方式要好很多(只针对有MRC的CT模型)，可见MS是有效并且优秀的。

图6(a)～图6(d)是6个节点的所有部署拓扑结构，对比相同结构不同发射能量参数的结果，具有与5节点类似的结果。因此，随着节点数目的增加，拓扑结构数目大量提高。随着τ的增大，距离结果会变小，但是整体趋势和τ＝10一致。仿真表明随着SNR的改变，但是τ不变的情况，发现随着发射功率的增大(或者噪声变小)，扩展距离会增大，但是趋势和上述描述的一致。

图7(a)～图7(d)中7个节点的仿真结果可以表明，高的路径损耗系数环境下，SISO已经无法达到最优的扩展效果，但是使用协作传输明显增大扩展距离，说明CT有效且必要的。

通过对比发现，对于指定数目的节点，只有n的变化对最佳拓扑结构的选择造成很大影响，采用相同SNR阈值，随着路径损耗系数增加，扩展距离增长率会下降，与理论相符合，并且对于路径衰减系数n除了5以外，始终保持着CT有最远扩展距离结果，而且当n越小，CT扩展距离与SISO距离差距越大。

不同模型在相同参数的情况下，MS的拓扑结构要优于不可以进行MS的结构，因为无法进行MS-DF的结构(如SISO)无法获得分集增益，根据5和6个节点的仿真结果，其中5个节点在采用MS后扩展距离增长6％-31％；6个节点中采用MS的拓扑结构扩展距离增长率为5％-33％。同时如果相同的路径损耗系数和拓扑结构，但是不同的SNR阈值，但是却能获得几乎相同的扩展距离增长率，也可以说SNR阈值不会影响距离扩展增长率，也证明了MRC合并的信号要优于SC选择拟合结果，与其他研究结论相同。

为了证明本发明方法与其他方法相比的优势，如图8(a)～图8(d)所示，将本方法与Markov链(MC)方法在相同节点数目(N＝24)与路径损耗系数下(n＝1.5～5)进行对比，结果明显证明本方法扩展距离更远，路径损耗系数大，簇节点数目多占优，相反，簇节点数目少占优；并且同一种方法在不同的簇节点数目下有相同的扩展趋势，扩展距离随着路径损耗系数的增大而减小，符合理论规律。

综上所述，在拓扑结构选择时，CT的距离扩展明显要优于SC，选择拓扑结构的类型依托于节点数目与环境参数，节点数目越多，跳数可能也会增加更有利于系统的扩展。路径损耗系数越大，尽量选择跳数多并且MS-DF多的拓扑结构，相反，路径损耗系数小，选择跳数少，协作多得结构。

接下来分析改进蚁群算法给本发明带来的优势与效果，将传统的循环穷举算法(Exhaustive Attack Method,EAM)与改进蚁群算法(IACS)的结果对比，结果如表1所示。

表1穷举法与IACS法对比

算法参数	耗时(s)	路径平均长度(D)	误差
				EAM	0.4852	75.150	0
IACS m＝10,Nc_max＝50	0.2202	75.056	1.33％
				IACS m＝10,Nc_max＝100	0.2911	75.121	0.40％
IACS m＝20,Nc_max＝100	0.4321	75.140	0.13％
				IACS m＝20,Nc_max＝200	0.7501	75.142	0.13％
IACS m＝30,Nc_max＝300	1.6538	75.154	0.04％

EAM与IACS相比，IACS计算精度高，节省时间，符合现实应用的要求。随着节点数目增多EAM耗时增加将会快速增大，不适宜实际应用。而在IACS算法中m＝10，Nc＝100效果最好，既满足课题要求，又具有速度快，精度高等特点。通过对比发现随着迭代次数的增加，耗时更大速度大于精度提高速度，说明迭代次数的无限提升没有意义，要根据情况选择适合的迭代次数，这与蚁群算法的理论一致；蚁群中蚂蚁数量的提高，可以明显提高精度，但是同样增加耗时，而精度的提高达到一定程度也不再有意义，说明种群数量与迭代次数要根据实际要求来选择。

下面是针对地震灾后拯救现场的分析，7个移动机器人在灾后需要进入人类无法进行救援拯救的环境构建通讯网络，完成数据采集，环境分析等工作，移动机器人延初始位置进行移动在满足通讯要求下完成最远距离的覆盖，获得最大的信息量。图9是将IACS与EAM算法应用后的拓扑结构与节点部署分析结果的效果图，每一个节点位置对应一簇节点，对比发现IACS与EAM误差非常小，满足精度要求,并且IACS计算速度快节省时间和能耗资源，其中1-2-3-1与1-3-2-1结构最优，覆盖距离最远，可以进行部署与拯救任务。

从上述实验可以看出，改进蚁群算法解决基于协作传输的无线网络节点部署具有精度高，计算速度快等优点，在相同条件下远远优于EAM算法。

综上所述，本发明可以解决移动无线网络节点在一维方向的部署问题，实现同等资源传输距离最远，具有计算速度快，节省资源，精度高等优势，可以为实际应用提供支持。

本发明的关键点和保护点是基于协作传输技术的可移动式无线网络在固定节点数目下的拓扑结构选择以及节点位置部署的方法，从而满足整个网络在一维环境下同等资源可以传输最远的距离，提出CT-MS-DF的方法可以有效提高同等资源的覆盖范围，完成数据传输与信息采集的任务。

通过应用协作传输技术的CT-MS-DF方法的网络节点分配及部署，可以获得更多的空间分集，增多独立传输信号，有效克服信号衰落的影响，提高网络覆盖范围。并且由于选择使用了本发明改进的蚁群算法进行寻优，具有运算量小，运算速度快，运算精度高等优点。可以应用于灾后通讯保障、战场信息侦查、结构健康监测等等。

Claims (1)

1.基于协作传输技术的移动式无线网络节点一维部署方法，其特征在于它按以下步骤实现：

步骤一、构建基于协作传输的基本信号传输模型：

步骤二、根据步骤一中的基本信号传输模型建立MS-DF模型；

步骤三、选取MS-DF传输模型公式初始值，建立改进蚁群优化算法；

步骤四、利用步骤三中的改进蚁群优化算法，搜索最优节点拓扑结构及部署位置，即完成了基于协作传输技术的移动式无线网络节点一维部署方法；

所述步骤一具体为：

(1)在无线网络中，将N个具有单收发天线的节点部署在一条直线上，第一个节点为唯一的源节点，其余N-1个节点分成簇，第1跳是指在源节点与第一簇之间的链接，第二跳是指第一簇与第二簇之间的链接并以此类推；第N-1跳是指第N簇与第N-1簇之间的链接，每个节点都只有一个天线，即单输入单输出系统；

(2)假设所有的节点具有相同的中继发射功率P_t并且在一个簇内的所有传输信号均为正交信道，每一个节点将所有接收信号进行最大比合并即MRC拟合，从而获得最大的增益；

(3)定义基于协作传输的基本信号传输模型是具有独立的瑞利衰落以及路径损耗系数为n的信道，假设每一个簇中的各个节点位置很近，忽略簇内节点的小尺度路径损耗，同时定义d_i为第i跳的距离，并且要求在同一簇内的节点要至少间隔传输信号波长的一半，从而满足所有信道都满足不相关衰落的条件，并且假定是块衰落，即衰落系数不变，包内的所有数据衰落效果一致；

(4)假设在第i簇的第j个节点接收的信号在经过最大比合并后的信噪比超过了特定门限值τ，说明在第j个节点成功译码接收信号；如果目标节点是簇中的一部分，即最后一跳的节点数目大于1，此时假设至少任意一个在最后一簇中的节点正确译码传输包，说明信息已经正确传输到目标节点，在这种情况下，称之为有效地选择拟合；对特定门限值的要求是当达到门限值时中断概率小于 在0和1之间取值，是对数据传输质量的要求数值；

因此，获得具有独立的瑞利衰落以及路径损耗指数为n的信道的信号经最大比合并方法拟合后的信噪比γ的PDF即p(γ)如(1)所示，

其中，η是比特能量和噪声比的倒数，M是在任意接收天线处收到的拟合信号数目；

其中，d_i是第i跳的距离，即第i-1簇与第i簇之间的直线距离，χ₀＝N₀K/P₀T，E_b表示比特能量，N₀表示噪声，T是符号周期，K是每个符号的比特位数，P₀是指参考距离d₀对应的平均接收功率，而d₀则是从发射信号点开始计算的参考距离，n是路径损耗系数，那么对于任意一个接收天线，成功接收信号的概率是：

其中M_max为接收天线接收到的最大信号数目，τ为特定门限值；

推导过程如下：

将(2)代入(1)中，并将(1)式代入到此公式中，获得一个d_i与P_i,j(γ≥τ)的关系方程，通过推导方法获得：

当M＝1时；

P(γ≥τ)＝1-P(0≤γ≤τ)＝e^-Aτ

当M＝2时，得到：

P(γ≥τ)＝1-P(0≤γ≤τ)＝(Aτ+1)e^-Aτ

当M＝3时，得到：

当M＝4时，得到：

当M＝5时，得到：

当M＝6时，得到：

从上述各式得到规律并将其合并：

定义D为从源节点到最终节点的在指定方向上的距离，可得，

所述步骤二中建立MS-DF模型具体为：

假设在同一簇内的所有节点先进行数据共享，在运用数据共享后，只要保证至少有一个节点成功接收信号并译码来自前一跳的信号，那么第i跳中的任意一个节点接收信号的中断概率可以从式(3)得到P_i(γ＜τ)，其中p_i(γ)是式(1)，因此，得到数据成功发送到目的节点的概率为，

其中k′+1为网络中的总跳数，L_i为第i跳中的节点数目；为节点无法接收信号的概率；

根据约束条件那么对于每一跳有约束必然成立，分别计算在两个边界条件下的d_i作为约束，即获得D的最大结果；

公式(5)推导过程如下：

任意一个节点接收信号的中断概率应为：

p_i(γ)是式(1)，而d＝d_i；

第i跳的节点可以成功接收上一跳信号的成功概率P_i(success)应为：

信号从源节点成功发送到目的节点的概率为，

k′+1表示网络中的总跳数，M_i表示第i跳中的节点数目；

所述步骤三具体为：

采用S作为选择路径的规则：

其中q₀为指定的数值，其大小会决定采用先验知识和探索新路径之间的重要性，而q则是随机产生0到1的数值，如果q≤0选择S方程，否则，选择(7)进行下一个路径选择判定，allow d_k为蚂蚁k下一步所有可以选择的距离路线；

定义蚂蚁k从第i跳向下一跳转移选择路径j的转移概率为P^k(i,j)，代表着探索新路径的规则：

其中，η_i,j为启发函数，τ_i,j为在该路径下的信息素浓度，α和β为影响τ_i,j和η_i,j在转移概率中的加权值；

选择采用路径距离比例为启发函数避免计算量增大、影响收敛速度、增加系统负担的问题，建立改进蚁群优化算法

其中d_i,j表示第j跳第i个路径的距离，和表示第j跳边界条件下的最小值和最大值；

所述步骤四具体为：

(一)、计算边界条件和

边界条件计算：利用公式(1)、(2)和(3)计算满足P(γ≥τ)≥0.9并利用牛顿二分法计算每跳的可部署距离的边界条件和值；

假定连续函数f(x)在区间(x,y)上连续，找到a，b属于区间(x,y)，使f(a)，f(b)异号，说明在区间(a,b)内一定有零点，然后求假设f(a)＜0,f(b)＞0,a＜b那么：

(1)如果那么该点就是零点；

(2)如果则在区间内有零点，从(1)开始继续使用中点函数值判断；

(3)如果则在区间内有零点，从(1)开始重新进行中点函数值判断；

(二)、对蚁群个体数m，最大迭代次数Nc_max，η赋予初始值，并按照式(8)计算改进蚁群优化算法；

(三)、根据蚁群个体数将每跳的边界条件数据离散化，利用离散后的数据作为每一跳的可选路径，将蚁群个体分别放在第一跳的每个路径上，即每个路径各一只蚂蚁，共有S′跳，有m×S′个不同的路径，但是每一跳只能在该跳的m个数据中选择；

(四)、找出每只蚂蚁下一路径，按照式(6)和(7)来进行选择，判断是根据先验知识或者转移概率式来选择下一跳的路径；

(五)、根据上一步中获得的路径选择进行中断概率判断，必须满足即使本跳选择此路径也必须保证最终的端到端中断概率即式(3)为约束条件，如果符合条件进行步骤(六)，否则更新本跳禁忌列表，进行步骤(四)重新选择直至选择符合条件的路径，若本跳禁忌列表更新为无路径可选择，进入步骤(三)重新选择起始路径后进入步骤(四)；

(六)、选择下一路径，重复步骤(五)，至整条路径选择完毕；然后进行下一蚂蚁进入步骤(四)至所有蚂蚁路径选择结束；

(七)、信息素更新方式选择如下：

其中，ρ是信息素挥发比例，Q表示信息素浓度常数；D_k表示本次循环中蚂蚁k选择路径的总长度；表示第k个蚂蚁经过(i，j)的信息素更新，表示本循环最优路径经过(i，j)的信息素额外更新，D_max表示本次循环中最优路径的总长度；

(八)、记录本循环的最优蚂蚁路径，更新信息素，按照(9)，(10)和(11)完成，进入步骤(三)中进行下一循环；

(九)、所有循环结束，选择最优路径，并在最优路径每一段前后步进一个离散距离，更新和进入步骤(二)，重新循环，直至满足最优距离精确度，算法停止，进入下一拓扑结构分析，返回步骤(一)，直至所有结构分析完毕。