CN105611555A - 一种基于虚拟力导向的传感器网络节能覆盖控制方法 - Google Patents

Abstract

本发明提供一种基于虚拟力导向的传感器网络节能覆盖控制方法，包括：步骤1、初始化网络参数；步骤2、计算网络初始覆盖率；步骤3、求解网络中每个节点受到的合力步骤4、根据节点受到的合力更新节点坐标；步骤5、判断是否满足以下任一条件：网络达到平衡状态，或循环迭代次数k达到了预设值K；若是输出结果并结束；否则返回到步骤3。本发明实施例的算法能够从网络覆盖率、算法的收敛速率、网络能耗以及网络的能耗均衡性等方面，得到比VFA算法更优的性能。

Description

一种基于虚拟力导向的传感器网络节能覆盖控制方法

技术领域

本发明涉及传感器技术领域，特别是指一种基于虚拟力导向的传感器网络节能覆盖控制方法。

背景技术

随着微电子技术和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^[1]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。传感器网络节点一般搭载一个或多个传感器，感知物理世界。

传感器网络将抽象的自然信息通过传输网络与人类连接在一起，扩展了人们对自然界的认知方式，提高了人们获取信息的能力。它作为人类和客观世界信息传输的桥梁，在下一代互联网中将为人们提供最直接、最有效、最真实的信息，越来越受到人们的重视。对于无线传感器网络来说，其覆盖性能直接影响着网络的服务质量，反映了网络节点对被监测区域的监控程度。但是在实际应用中，有很多因素会导致覆盖空洞的产生从而影响网络性能，因此，为了最大化利用传感器节点的感知资源，提高无线传感网络的覆盖质量，对无线传感器网络的覆盖控制策略的研究十分必要。

目前，对传感网络覆盖控制问题的研究相关人员已经提出了不同的方案，例如：

有通过向原来传感器网络增加传感节点的方法实现空洞修复的方法。

有通过移动距离覆盖空洞边缘最近的网络节点来降低空洞面积的方法，也称VHR算法(VectorBasedHoleRecovery)，该算法的成立基于一种前提，即在随机分布的无线传感器网络中，传感节点能够进行移动，算法通过GPS导航模块获得节点的位置信息进而确定覆盖空洞附近节点的移动方向，该算法在网络原始覆盖状况的前提下逐步减小覆盖空洞的面积。

有利用Voronoi图划分网络区域对网络节点进行优化迭代从而重新部署传感器节点，实现网络空洞修复的方法。

还有通过将覆盖区域网格化，利用网格的特性唤醒睡眠冗余传感节点或者加入新节点修补区域中没有被覆盖到的网格的方法等等。

但是，传感器网络是一种新型的应用型网络，在不同的应用场景对覆盖控制的要求不同，这也导致每种算法不能完全适应每种场合的需求和覆盖控制标准。因此，对传感器网络覆盖控制的研究仍然十分必要。

虚拟力算法^[2](简称VFA算法)的核心思想是：将网络中的节点假设为质量忽略不计的电荷质点，在一定范围内，每个电荷质点都受到其他节点的作用力，这个作用力分为引力和斥力。受力质点根据受到的合力作用调节自身的坐标位置，直至网络中所有节点受力平衡或者到达优化迭代次数上限时，停止位置调整。VFA算法虽然可以实现节点的自适应调整，提高节点的利用率和网络的覆盖率。但是，现有的VFA算法具有下列缺点：

(1)算法仅考虑了网络节点分布在监测区域内的情况，没有考虑节点在监测区域边界时的情况，在优化过程中会出现节点移出目标区域边界的情况。

(2)在节点的优化调整中，算法只考虑了节点之间的相互作用力，而没有关注节点的初始位置对节点的牵引作用，从而导致节点在移动调整时离开初始位置太远，而引起不必要的节点能量损失。

(3)该算法的目标是增加网络覆盖率，在网络优化过程中，缺少对节点能耗以及网络能量均衡性的考量，影响节点的生存时间。

以下，本发明将所引用的10篇对比文件全文引用于此：

[1]C.-F.Huang,Y.-C.Tseng,Asurveyofsolutionstothecoverageproblemsinwirelesssensornetworks,JournalofInternetTechnology6(2005)1–8.

[2]KhatibO.Real-timeobstacleavoidanceformanipulatorsandmobilerobots[J].TheInternationalJournalofRoboticsResearch,1986,5(1):90-98

[3]ChenYL,HsuCL,ChouSC.Constructingamulti-valuedandmulti-labeleddecisiontree[J].ExpertSystemswithApplications,2003,25(2):199-209.

[4]AhnH,KimKJ，HanI.Acase-basedreasoningsystemwiththetwo-dimensionalreductiontechniqueforcustomerclassification[J].ExpertSystemswithApplications,2007,32(4):1011-1019.

[5]AhnH,AhnJJ,OhKJ,etal.Facilitatingcross-sellinginamobiletelecommarkettodevelopcustomerclassificationmodelbasedonhybriddataminingtechniques[J].ExpertSystemswithApplications,2011,38(5):5005-5012.

[6]AhnH,KimKJ,HanIG.Hybridgeneticalgorithmsandcasebasedreasoningsystemsforcustomerclassification[J].ExpertSystems,2006,23(3):127-144.

[7]HowardA,MataricMJ,SukhatmeGS.Mobilesensornetworkdeploymentusingpotentialfields:Adistributedscalablesolutiontotheareacoverageproblem[C]ProcofIntConfonDistributedAutonomousRoboticSystems.Berlin:Springer,2002:299-308

[8]J.C.Spall，Astochasticapproximationtechniqueforgenerationmaximumlikelihoodparameterestimates，InproceedingsoftheAmericanControlConferece，1987，1161—1167

[9]J.C.Spall，Multivariatestochasticapproximationusingasimultaneousperturbationgradientapproximation，IEEETransAutomat.Contr,37(1992)，332.341

[10]KhatibO.Real-timeobstacleavoidanceformanipulatorsandmobilerobots[J].TheInternationalJournalofRoboticsResearch,1986,5(1):90-98。

发明内容

本发明要解决的技术问题是提供一种基于虚拟力导向的传感器网络节能覆盖控制方法，通过对现有的VFA算法进行改进以考虑边界影响、初始位置对节点的作用力以及网络能耗来进行改进以优化传感器网络的性能。

为了实现上述目的，本发明实施例提出了一种基于虚拟力导向的传感器网络节能覆盖控制方法，包括：

步骤1、初始化网络参数；

步骤2、计算网络初始覆盖率；

步骤3、求解网络中每个节点受到的合力

步骤4、根据节点受到的合力更新节点坐标；

步骤5、判断是否满足以下任一条件：网络达到平衡状态，或循环迭代次数k达到了预设值K；若是输出结果并结束；否则返回到步骤3。

其中，所述步骤1具体包括：

将二维平面的面积为A的目标监测区域S中随机抛洒n个同构传感器节点以形成传感网络V。例如，可以形成如图1所示的传感网络V，其节点集合可以表示为V＝{v₁,v₂,v₃,...,v_n}(i＝1,2,3,...,n)；其中每一节点的感知半径为R_s，通信半径为R_c。

其中，步骤3中的求解网络中每个节点受到的合力包括：

针对传感网络V中的任一节点v_i，其原来位置对节点v_i的牵引力作用记为

其中任意节点v_i和v_j之间的欧式距离为d_ij，节点v_i和v_j之间作用力性质改变的距离阈值为d_th＝2R_s，节点受力作用存在的范围为节点v_i受到节点v_j的作用力为自身的牵引力为且节点v_i受到的合力为：

其中，其中节点v₂到节点v₁之间的距离d₁₂＝d_th，它们之间的作用力节点v₃到节点v₁之间的距离d₁₃<d_th，它们之间的作用力表现为斥力；节点v₄到节点v₁之间的距离它们之间的作用力表现为引力；另外，节点v₁还受到自身的牵引力的作用。所以，节点v₁受到的合力为：

节点v_i和v_j间的作用力以及节点自身的牵引力的求解公式如下：

公式中random(f)为随机较大的斥力以使圆心重合的节点迅速分开；ε为作用力系数，β为增益参数。

其中，所述步骤4根据节点受到的合力更新节点坐标具体包括：

根据公式(1)得到的节点v_i受到的合力为则在x轴的分力为在y轴的分力为采用以下公式对节点v_i坐标进行更新：

$(x_{k+1,i},y_{k+1,i})=(x_{ki}+a_k\&CenterDot;\stackrel{\&RightArrow;}{F_i^x},y_{ki}+a_k\&CenterDot;\stackrel{\&RightArrow;}{F_i^y})---\left(4\right).$

其中，所述的步骤5之前还包括：

节点v_i在第k轮迭代中消耗的能量为：

$e_{ik}=\mathrm{\&lambda;}\&CenterDot;\sqrt{{(x_{k+1,i}-x_{ki})}^2+{(y_{k+1,i}-y_{ki})}^2},(i=1,2,3,\mathrm{...},n)---\left(5\right)$

则n个节点在第k轮迭代中消耗的能量为：

$E_k=\underset{i=1}{\overset{n}{\&Sigma;}}{e}_{ik},(i=1,2,3,\mathrm{...},n)---\left(6\right)$

n个节点在k轮迭代完成后消耗的总能量为：

$E=\underset{k=1}{\overset{K}{\&Sigma;}}{E}_k,(k=1,2,3,\mathrm{...},K)---\left(7\right)$

网络中所有节点在优化后消耗能量的平均值为：

$\begin{array}{c}\stackrel{\&OverBar;}{E}=\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}\mathrm{\&lambda;}\&CenterDot;\sqrt{{(x_{ik}-x_{i(k-1)})}^2+{(y_{ik}-y_{i(k-1)})}^2}\\ =\frac{1}{n}\&CenterDot;E\end{array}---\left(8\right).$

在本发明实施例中，网络能耗的方差如下：

$D\left(e\right)=\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{(e_i-\stackrel{\&OverBar;}{E})}^2,(i=1,2,3,\mathrm{...},n)---\left(9\right)$

网络能耗均衡指数表示如下：

$w=\mathrm{\&mu;}\&CenterDot;\frac{1}{D\left(e\right)}---\left(10\right)$

其中μ为参数，网络能耗方差越大说明网络节点能耗越不均匀，方差越小则表明网络中节点耗能越均衡。

本发明的上述技术方案的有益效果如下：

本发明实施例提出了一种基于虚拟力导向的传感器网络节能覆盖控制方法，在经典的VFA算法的基础上改进的新的ES-VFA算法。本发明实施例的算法能够从网络覆盖率、算法的收敛速率、网络能耗以及网络的能耗均衡性等方面，得到比VFA算法更优的性能。本发明实施例加入了目标区域边界对节点位置变化的影响，限制节点的活动范围于目标监测区域内，一旦节点坐标超出监测区域，立即通过“强制制边”的方式将节点对应轴向的坐标归零，避免节点移出监测范围。对于每一个节点，在分析其受力情况时，加入了节点原来位置对节点的牵引力作用。用传感器节点能耗的方差来评估网络能耗的均衡性，避免某些节点在优化过程中能量消耗过多。

附图说明

图1为本发明实施例的传感器网络的拓扑图；

图2为本发明实施例的节点受牵引力模型结构示意图；

图3为传感器网络的初始拓扑图；

图4-图6为采用本发明实施例的方法进行优化过程中的网络拓扑变化示意图；

图7为网络覆盖率随节点增长的趋势图；

图8为现有的VFA算法与本发明实施例的ES-VFA算法对网络进行优化时对网络覆盖率的改善效果和算法的收敛速率的对比图；

图9为现有的VFA算法与本发明实施例的ES-VFA算法在能耗方面的效果对比图；

图10为在节点个数n＝50，不同迭代次数的情况下，EFA算法和ES-VFA算法下的网络能耗均衡指数对比图；

图11为本发明实施例的ES-VFA算法的流程示意图。

具体实施方式

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。

本发明提供一种基于虚拟力导向的传感器网络节能覆盖控制方法，通过对现有的VFA算法进行改进以考虑边界影响、初始位置对节点的作用力以及网络能耗来进行改进以优化传感器网络的性能。

如图11所示的，本发明实施例的ES-VFA算法在传感器网络中的覆盖控制方法包括：

步骤1、初始化网络参数；

步骤2、计算网络初始覆盖率；

步骤3、求解网络中每个节点受到的合力

步骤4、根据节点受到的合力更新节点坐标；

步骤5、判断是否满足以下任一条件：网络达到平衡状态，或循环迭代次数k达到了预设值K；若是输出结果并结束；否则返回到步骤3。

其中，所述步骤1具体包括：

将二维平面的面积为A的目标监测区域S中随机抛洒n个同构传感器节点以形成传感网络V。例如，可以形成如图1所示的传感网络V，其节点集合可以表示为V＝{v₁,v₂,v₃,...,v_n}(i＝1,2,3,...,n)。为了便于说明，本发明实施例中对传感网络V作如下假设：

①假设传感器网络是连通的；

②网络中所有节点均安装了卫星导航定位模块，能够获知自身地理位置；

③所有传感节点的性能相同(如通信半径、初始能量、网络参数等)；

④本发明实施例中采用布尔感知模型展开研究，假设节点的感知半径为R_s，通信半径为R_c。

其中，步骤3中的求解网络中每个节点受到的合力包括：

针对传感网络V中的任一节点v_i，其原来位置对节点v_i的牵引力作用记为本发明实施例中引入了牵引力可以避免节点移动幅度过大造成能量浪费。

其中任意节点v_i和v_j之间的欧式距离为d_ij，节点v_i和v_j之间作用力性质改变的距离阈值为d_th＝2R_s，节点受力作用存在的范围为节点v_i受到节点v_j的作用力为自身的牵引力为那么节点v_i受到的合力表示为：

如图2所示，节点v₂到节点v₁之间的距离d₁₂＝d_th，它们之间的作用力节点v₃到节点v₁之间的距离d₁₃<d_th，它们之间的作用力表现为斥力；节点v₄到节点v₁之间的距离它们之间的作用力表现为引力。另外，节点v₁还受到自身的牵引力的作用。所以，节点v₁受到的合力为：

节点v_i和v_j间的作用力以及节点自身的牵引力的求解公式如下：

公式中random(f)为随机较大的斥力以使圆心重合的节点迅速分开；ε为作用力系数，β为增益参数，可根据实际情况进行选取和调整。

由公式(1)可知，节点v_i受到的合力为设在x轴的分力为在y轴的分力为那么节点v_i坐标更新公式如下：

$(x_{k+1,i},y_{k+1,i})=(x_{ki}+a_k\&CenterDot;\stackrel{\&RightArrow;}{F_i^x},y_{ki}+a_k\&CenterDot;\stackrel{\&RightArrow;}{F_i^y})---\left(4\right).$

通过上述的公式(1)-公式(4)可以计算出任一节点vⁱ所受到的合力

进一步的，本发明实施例中的ES-VFA算法还考虑了网络的能量均衡策略，提出用传感器节点能耗的方差来评估网络能耗的均衡性的方法，避免某些节点在优化过程中能量消耗过多，从而延长了网络寿命。即所述的步骤5之前还包括：

节点v_i在第k轮迭代中消耗的能量为：

$e_{ik}=\mathrm{\&lambda;}\&CenterDot;\sqrt{{(x_{k+1,i}-x_{ki})}^2+{(y_{k+1,i}-y_{ki})}^2},(i=1,2,3,\mathrm{...},n)---\left(5\right)$

则n个节点在第k轮迭代中消耗的能量为：

$E_k=\underset{i=1}{\overset{n}{\&Sigma;}}{e}_{ik},(i=1,2,3,\mathrm{...},n)---\left(6\right)$

n个节点在k轮迭代完成后消耗的总能量为：

$E=\underset{k=1}{\overset{K}{\&Sigma;}}{E}_k,(k=1,2,3,\mathrm{...},K)---\left(7\right)$

网络中所有节点在优化后消耗能量的平均值为：

$\begin{array}{c}\stackrel{\&OverBar;}{E}=\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}\mathrm{\&lambda;}\&CenterDot;\sqrt{{(x_{ik}-x_{i(k-1)})}^2+{(y_{ik}-y_{i(k-1)})}^2}\\ =\frac{1}{n}\&CenterDot;E\end{array}---\left(8\right)$

在本发明实施例中，网络能耗的方差如下：

$D\left(e\right)=\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{(e_i-\stackrel{\&OverBar;}{E})}^2,(i=1,2,3,\mathrm{...},n)---\left(9\right)$

网络能耗均衡指数表示如下：

$w=\mathrm{\&mu;}\&CenterDot;\frac{1}{D\left(e\right)}---\left(10\right)$

其中μ为参数，网络能耗方差越大说明网络节点能耗越不均匀，方差越小则表明网络中节点耗能越均衡。

本发明实施例加入了目标区域边界对节点位置变化的影响，限制节点的活动范围于目标监测区域内，一旦节点坐标超出监测区域，立即通过“强制制边”的方式将节点对应轴向的坐标归零，避免节点移出监测范围。对于每一个节点，在分析其受力情况时，加入了节点原来位置对节点的牵引力作用。用传感器节点能耗的方差来评估网络能耗的均衡性，避免某些节点在优化过程中能量消耗过多。

下面通过一个实验来说明本发明实施例算法的优势：

利用ES-VFA算法对网络如图1所示的算法进行优化。初始的网络分布情况如图3所示的，虽然节点数量很多但是节点感知区域重叠严重，网络覆盖空洞较多，覆盖率较低。进过本发明实施例的算法一次一次迭代进行优化时，网络的拓扑逐渐由图3所述的结构优化为图4、图5、图6所示的结构。如图6所示的为利用本发明实施例的ES-VFA算法进行优化后的传感器节点的最终位置。在与图3的对比可以看出，图6所示的优化后的监测区域内的覆盖盲区减少，覆盖的范围明显增大，节点间也不像初始分布时候那么重叠。这说明，该算法对节点位置进行了有效的优化布局，大大提升了网络的覆盖率，优化了网络整体性能。

如图7所示，由图中曲线可知随着节点个数的增多，网络覆盖率呈现增长的趋势。在节点个数相同的情况下，经ES-VFA算法优化后的网络覆盖率始终高于VFA算法优化后的网络覆盖率。如图8所示的是分别对采用VFA算法以及ES-VFA算法进行网络优化时，从对网络覆盖率的改善效果和算法的收敛速率来看，ES-VFA算法的性能更佳，这是因为ES-VFA算法加入了对节点自身牵引力的考量，避免了节点在调整时移动距离过大，从而改善了网络的覆盖性能。如图9所示的，与VFA算法相比，ES-VFA算法在能耗方面表现出了明显的优势，随着节点数目的增大，网络能耗曲线没有特别大的变化，而且一直维持在一个比VFA算法能耗低的水平。

图10为在节点个数n＝50，不同迭代次数的情况下，EFA算法和ES-VFA算法下的网络能耗均衡指数。由该图10可知，随迭代次数的变化，ES-VFA算法的网络能耗均衡指数始终小于VFA算法的网络能耗均衡指数，这说明ES-VFA算法在网络覆盖优化中，网络能耗更加均衡。

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 (6)

1.一种基于虚拟力导向的传感器网络节能覆盖控制方法，其特征在于，包括：

步骤1、初始化网络参数；

步骤2、计算网络初始覆盖率；

步骤3、求解网络中每个节点受到的合力

步骤4、根据节点受到的合力更新节点坐标；

步骤5、判断是否满足以下任一条件：网络达到平衡状态，或循环迭代次数k达到了预设值K；若是输出结果并结束；否则返回到步骤3。

2.根据权利要求1所述的基于虚拟力导向的传感器网络节能覆盖控制方法，其特征在于，所述步骤1具体包括：

将二维平面的面积为A的目标监测区域S中随机抛洒n个同构传感器节点以形成传感网络V；例如，可以形成如图1所示的传感网络V，其节点集合可以表示为V＝{v₁,v₂,v₃,...,v_n}(i＝1,2,3,...,n)；其中每一节点的感知半径为R_s，通信半径为R_c。

3.根据权利要求1所述的基于虚拟力导向的传感器网络节能覆盖控制方法，其特征在于，步骤3中的求解网络中每个节点受到的合力包括：

针对传感网络V中的任一节点v_i，其原来位置对节点v_i的牵引力作用记为

其中任意节点v_i和v_j之间的欧式距离为d_ij，节点v_i和v_j之间作用力性质改变的距离阈值为d_th＝2R_s，节点受力作用存在的范围为节点v_i受到节点v_j的作用力为自身的牵引力为且节点v_i受到的合力为：

4.根据权利要求3所述的基于虚拟力导向的传感器网络节能覆盖控制方法，其特征在于，其中节点v₂到节点v₁之间的距离d₁₂＝d_th，它们之间的作用力节点v₃到节点v₁之间的距离d₁₃<d_th，它们之间的作用力表现为斥力；节点v₄到节点v₁之间的距离它们之间的作用力表现为引力；另外，节点v₁还受到自身的牵引力的作用；所以，节点v₁受到的合力为：

节点v_i和v_j间的作用力以及节点自身的牵引力的求解公式如下：

公式中random(f)为随机较大的斥力以使圆心重合的节点迅速分开；ε为作用力系数，β为增益参数。

5.根据权利要求3所述的基于虚拟力导向的传感器网络节能覆盖控制方法，其特征在于，所述步骤4根据节点受到的合力更新节点坐标具体包括：

根据公式(1)得到的节点v_i受到的合力为则在x轴的分力为在y轴的分力为采用以下公式对节点v_i坐标进行更新：

$(x_{k+1,i},y_{k+1,i})=(x_{ki}+a_k\&CenterDot;\stackrel{\&RightArrow;}{F_i^x},y_{ki}+a_k\&CenterDot;\stackrel{\&RightArrow;}{F_i^y})---\left(4\right).$

6.根据权利要求4所述的基于虚拟力导向的传感器网络节能覆盖控制方法，其特征在于，即所述的步骤5之前还包括：

节点v_i在第k轮迭代中消耗的能量为：

$e_{ik}=\mathrm{\&lambda;}\&CenterDot;\sqrt{{(x_{k+1,i}-x_{ki})}^2+{(y_{k+1,i}-y_{ki})}^2},(i=1,2,3,...,n)---\left(5\right)$

则n个节点在第k轮迭代中消耗的能量为：

$E_k=\underset{i=1}{\overset{n}{\&Sigma;}}{e}_{ik},(i=1,2,3,...,n)---\left(6\right)$

n个节点在k轮迭代完成后消耗的总能量为：

$E=\underset{k=1}{\overset{K}{\&Sigma;}}{E}_k,(k=1,2,3,...,K)---\left(7\right)$

网络中所有节点在优化后消耗能量的平均值为：

$\begin{array}{c}\stackrel{\&OverBar;}{E}=\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}\mathrm{\&lambda;}\&CenterDot;\sqrt{{(x_{ik}-x_{i(k-1)})}^2+{(y_{ik}-y_{i(k-1)})}^2}\\ =\frac{1}{n}\&CenterDot;E\end{array}---\left(8\right)$

其中网络能耗的方差如下：

$D\left(e\right)=\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\&Sigma;}}{(e_i-\stackrel{\&OverBar;}{E})}^2,(i=1,2,3,...,n)---\left(9\right)$

网络能耗均衡指数表示如下：

$w=\mathrm{\&mu;}\&CenterDot;\frac{1}{D\left(e\right)}---\left(10\right)$

其中μ为参数，网络能耗方差越大说明网络节点能耗越不均匀，方差越小则表明网络中节点耗能越均衡。