CN107395433B - 一种基于烟花算法的无线传感器节点部署方法 - Google Patents

Abstract

本发明公开了一种基于烟花算法的无线传感器节点部署方法，通过利用模拟烟花爆炸来解决最优化问题的烟花算法来进行传感器部署，烟花算法不仅继承了现有元启发式算法的许多优点，还有自身明显的特色，如爆发性、瞬时性、简单性、局部覆盖、分布并行等。且由于烟花算法个体相互独立，每个算子可以独立在局部进行搜索，所以适合并行化处理，能够解决在节点规模较大时收敛过慢的问题。同时本发明相对于随机分布或其他启发式算法相比实现对三维区域较高的覆盖率，由于充分考虑了地形地势，能够在保证网络有效性的前提下加强网络的各节点之间的连通性。

Description

一种基于烟花算法的无线传感器节点部署方法

技术领域

本发明涉及一种基于烟花算法的无线传感器节点部署方法。

背景技术

无线传感器网络即WSN是由大量的微小传感器节点以自组织形式构成的多跳无线网络，它能够感知、采集、处理网络传输区域内被检测对象的信息，有广泛的应用前景，近年来一直是国内外研究的热点。合理布置网络节点有助于提高WSN的工作效率，减少能量消耗，因此研究如何对网络节点进行分步优化已经成为WSN的关键技术之一。然而由于WSN具有高密度部署的特点，在使用过程中存在着严重的网络冗余。尤其是在三维地形中受地理条件限制更为严重，且由于地形起伏，会导致覆盖盲区的产生。

传统的无线传感器网络中的部署方法是随机部署，这种部署方法存在着很多问题，例如传感器分布不合理而存在检测误区，传感器的节点监控区域大面积重叠，传感器利用率低，网络覆盖率低等缺点，若采用增加传感器数目的方法提高网络覆盖率则浪费了大量资源。且在汇聚节点附近和区域边界节点密度应该有所不同，由于汇聚节点附近，传感器节点数据转发更为频繁，其密度应大于边界节点的密度，这是随机部署所不能解决的。

发明内容

为了解决目前传统的无线传感器网络中部署方法导致传感器部署不合理而造成的诸多问题，本发明提供一种基于烟花算法的无线传感器节点部署方法。

为了实现上述技术目的，本发明的技术方案是，

一种基于烟花算法的无线传感器节点部署方法，包括以下步骤：

步骤1，对待测区域建立三维坐标系，传感器节点坐标如下表示

其中(x_i，y_j)是无线传感器节点s_i在xoy轴的横坐标，h_i(x_i,y_i)是节点s_i在(x_i，y_j)的高度；

步骤2，初始化种群，围绕无线传感器网络中的汇聚节点随机产生n个位置，传感器节点总数即种群最大规模为S_node，搜索空间维数为3，最大迭代次数T_max，当前所有爆炸火花和高斯变异火花的位置集合设为W；

步骤3，分别在这n个位置上各引爆一个烟花，共引爆n个；

步骤4，计算产生的各烟花的适应度，根据下面的式子计算烟花爆炸产生的火花数目R_i和爆炸半径A_i；

同时对爆炸半径设置下界

其中M是控制n个烟花产生火花总数的参数，A_i是第i个烟花的爆炸半径，

是最大爆炸半径，f(x_i)为根据该点的覆盖率计算出的烟花适应度，Y_max是当前个体中适应度最好的个体适应度，Y_min是当前个体中适应度最差的个体适应度，N为烟花总数，ε取小于0.001且大于0的值；

步骤5，按照下列公式更新火花位置，生产爆炸火花并对所有爆炸火花进行高斯变异，并更新其位置：

爆炸火花：

初始火花位置

其中x_j为随机生成的初始位置，随机选择0-3个维度，对火花的每一维度更新火花位置：

其中rand(-1,1)是产生一个(-1,1)之间的随机数；

对于超出可行域的部分，即超出当前待测区域坐标范围的部分，利用映射规则：

为越界的那一维度，设为第k维，

和

为该维度的上下边界，％表示模运算；

高斯变异操作：

对每个烟花随机选择μ个维度(在该方法中μ可取1、2或者0)，对每一位更新烟花位置生成高斯变异火花：

其中Gaussian(1,1)是利用高斯公式产生一个(0-1)之间的随机数，

对于超出可行域的部分，即超出当前待测区域坐标范围的部分，利用映射规则

为越界的那一维度，设为第k维，

和

为该维度的上下边界，％表示模运算；

步骤6，计算所有烟花、爆炸火花和高斯变异火花的适应度值，并找出当前最佳位置x^*，保留到下一次爆炸，依据下面式子从当前产生的烟花和火花集合W中随机选择n-1个位置，并与当前n个位置进行迭代，参与下一代操作；

d(x_i,x_j)表示x_i和x_j的欧几里得距离，位置x_i被选中的可能性p(x_i)的定义如下：

步骤7，若满足种群最大规模S_node或最大迭代次数T_max，则找出当前算法中所有的烟花点和火花点，否则回到步骤4。

所述的一种基于烟花算法的无线传感器节点部署方法，所述的步骤4中，计算产生的各烟花的适应度f(x_i)是通过以下公式计算：

其中ω_i为某点e_i的权重，C_ei为某点e_i在当前无线传感器网络环境中被覆盖的概率，τ为当前检测区域网格点总数。

所述的一种基于烟花算法的无线传感器节点部署方法，所述的C_ei通过以下公式计算：

其中

是指点e_i未被当前所有无线传感器节点覆盖的联合概率。

所述的一种基于烟花算法的无线传感器节点部署方法，在部署多个无线传感器节点的情况下，待测区域内某点被一个无线传感器节点覆盖的概率C(s_i,e_i)，通过以下公式计算：

C(s_i,e_i)＝μ_dv_ijP(s_i,t)

其中p(s_i，t)表示传感器节点s检测到兴趣点t处的事件发生概率：

其中α＝d(s,t)-(r_s-r_e)，k和m为衰减因子；

(r_s-r_e)是传感器确定性感知半径；

r_e为传感器节点不确定性感知距离，根据实际部署地的环境测得；

μ_d是测量两者之间距离的二进制函数：

其中

v_ij表示节点s_i和点e_i之间的可见性：

本发明的技术效果在于，通过利用模拟烟花爆炸来解决最优化问题的烟花算法来进行传感器部署，烟花算法不仅继承了现有元启发式算法的许多优点，还有自身明显的特色，如爆发性、瞬时性、简单性、局部覆盖、分布并行等。且由于烟花算法个体相互独立，每个算子可以独立在局部进行搜索，所以适合并行化处理，能够解决在节点规模较大时收敛过慢的问题。同时本发明相对于随机分布或其他启发式算法相比实现对三维区域较高的覆盖率，由于充分考虑了地形地势，能够在保证网络有效性的前提下加强网络的各节点之间的连通性。

下面结合附图对本发明作进一步说明。

附图说明

图1为本发明三维表面的数字高程模型示意图；

图2为用于计算三维表面上任意定点的坡度和坡向的3X3的窗口示意图；

图3为三维空间中部署的传感器节点映射到二维平面上时感知半径示意图；

图4为等高线与相邻等高线的坡度及等高线的弯曲程度的示意图；

图5为不满足在同一等高线上，两个间隔点弧长不得超过阈值d的情况的示意图；

图6为本发明DEM地形图的等高线转换为矩形的示意图，其中(a)图所示为s_i与e_i之间无障碍情况，(b)图为s_i与e_i之间有一个障碍物的情况。

具体实施方式

参见图1，网络覆盖模型如下所述：

假设三维表面监控区域B，已知该三维表面的数字高程模型(DEM)

假设每个传感器都有相同的通信半径和感知半径，S＝{s₁,s₂......s_n}是一组无线传感器集合，感知半径为R_s，对待测区域建立三维坐标系，节点s_i坐标如下

其中(x_i，y_j)是无线传感器节点s_i在xoy轴的横坐标，h_i(x_i,y_i)是节点s_i在(x_i，y_j)的高度。

数字高程模型中得到的栅格结构数据集，利用3X3的窗口计算三维表面上任意定点的坡度和坡向，例如以图2的3X3窗口所示：

表示东西方向上的高程变化；

表示南北方向上的高程变化；

表示h点的坡度；

表示该点的坡向；

且在三维空间中部署的传感器节点映射到二维平面上时，其感知半径不再是R_s，如图3所示，为

取等高线间隔点时，需要考虑到等高线与相邻等高线的坡度及等高线的弯曲程度，弯曲程度大的时候需要密集取点间隔。

其中C表示等高线上顶点P_k的转角，转角越大弯曲程度越大，点P_k-1和P_k+1是顶点P_k两边的点，如图4所示，

同样，取点间隔还需满足另外一个条件，同一等高线上两个间隔点弧长不得超过阈值d，其中阈值d根据地点的具体情况进行确定，对于不满足取值的点我们称之为特殊地形，这种情况是地形上出现了比较大的起伏，比如有陡坡、深坑，导致两个间隔点之间的实际距离超过传感器的通信距离。在这种情况下，阈值d应根据实际情况缩小，而在平地上，阈值d应该等于传感器节点的通信半径。如图5所示，R′＝{r₁,r₂,...r_H}是一组特殊地形，这些位置不能放置传感器节点，在该方案中我们采用矩形来表示这样的物理洞，此处这样来表示这个矩形：

是矩形左边底部坐标，如点A所示

是矩形右侧顶点坐标，如点B所示

E＝{e₁,e₂,...,e_M}表示被监测区域的一组采样点集，M表示为采样点个数(采样点不包括不可取点)

e_j可表示为

(x_j ^e,y_j ^e)是该点在XOY平面的坐标

h_j ^e(x_j ^e,y_j ^e)是该点的高度

w_j表示该点的权重，等高线越密集的地方及等高线定角越大，该点权重越高；

若点e_j被传感器节点s_i覆盖，需满足以下条件：

1、传感器节点s_i与e_j位置之间的欧氏距离小于或等于s_i的感知半径；

2、传感器节点s_i到点e_j的可见性。

因此该感知过程主要依靠的是距离和可见性。

而且在实际应用环境中，传感器节点的感知能力收到很多环境因素及自身条件的影响，比如信息在传播过程中的强度衰减、监控环境中的噪声、其他电波的干扰，与二元感知模型不同，概率感知模型充分考虑了节点感知能力受众多因素的影响，在以指数衰减概率模型中，p(s_i，t)表示传感器节点s检测到兴趣点t处的事件发生概率。

其中α＝d(s,t)-(r_s-r_e)，k和m为衰减因子；

(r_s-r_e)是传感器确定性感知半径；

r_e为传感器节点不确定性感知距离，需工程师根据实际部署地的地形、海拔、空气中颗粒物程度等进行确定。

μ_d是测量两者之间距离的二进制函数：

其中

v_ij表示节点s_i和点e_i之间的可见性：

表示s_i与e_i之间的障碍数，障碍个数的计算方式：

若地形与节点和采样点构成的线段交叉，则证明存在障碍：但因为DEM地形图是连续的，判断地形需要的时间较长，因此可将等高线划分成多个较小的矩形，如图6所示。

因此，s_i能否覆盖e_i可以定义为：

C(s_i,e_i)＝μ_dv_ijP(s_i,t)

因此可计算在部署一系列节点和覆盖点的情况下，某点被一个传感器覆盖的概率，覆盖概率即为C(s_i,e_i)。因为各传感器节点互相独立，所以若一个点未被覆盖是指未被当前所有节点覆盖的联合概率，

所以某点e_i在当前WSN环境中被覆盖的概率为

整体覆盖率为

同时需满足

采用烟花算法确定节点位置，烟花算法是通过模拟烟花爆竹产生大量的火花在邻域内进行搜索，若烟花的适应度越好，则烟花的爆炸范围就越少，产生的火花就越多，如果烟花的适应度越差，烟花的爆炸范围就越大，产生的火花就越少。

爆炸半径公式：

其中A_i是第i个烟花的爆炸范围，

是最大爆炸范围，f(x_i)为计算得出的烟花适应度，Y_min是当前个体中适应度最好的个体适应度，N为烟花总数，ε是一个极小的值

因无线传感器节点部署的目标是实现覆盖范围最大，用该点的覆盖率来作为适应度的衡量目标，适应度计算公式为

算法流程为：

(1)初始化种群，围绕汇聚节点随机产生n个位置(位置坐标不能位于特殊地形)，节点总数为S_node，最大爆炸半径

M是控制n个烟花产生火花总数的参数，搜索空间维数d(该方法中n＝2，z轴坐标用插值法获取)，迭代次数T_max，W为当前所有爆炸火花和高斯变异火花的位置集合；

(2)分别在这n个位置上各引爆1个烟花

(3)将产生的烟花放到分布式平台上计算各烟花的适应度，根据下面的式子计算烟花爆炸产生的火花数目和爆炸半径；

(M为控制火花总数的个数)

同时对爆炸半径设置了下界

(4)按照下列公式更新火花位置，生产爆炸火花并对所有爆炸火花进行高斯变异，并更新其位置：

爆炸火花：

初始火花位置

其中x_j为随机生成的初始位置，随机选择1-3个维度，对火花的每一维度更新火花位置：

rand(-1,1)是产生一个(-1,1)之间的随机数

高斯变异操作：

对每个烟花随机选择z个维度(在该方法中z可取1、2或者0)，对每一位更新烟花位置生成高斯变异火花：

Gaussian(1,1)是利用高斯公式产生一个(0-1)之间的随机数

对于超出可行域的部分，即超出当前待测坐标范围的部分，利用映射规则

x^k为越界的那一维度，假设为第k维，

和

为该维度的上下边界，％表示模运算

(5)计算所有烟花、爆炸火花和高斯变异火花的适应度值，并找出当前最佳位置，保留到下一次爆炸，依据下面式子从当前产生的烟花和火花中随机选择n-1个位置，并与当前n个位置进行迭代，参与下一代操作；

d(x_i,x_j)表示x_i和x_j的欧几里得距离，位置x_i被选中的可能性p(x_i)的定义如下：

(6)若满足种群最大规模或最大迭代次数，则找出当前算法中所有的烟花点和火花点，否则回到步骤(3)。

Claims (4)

1.一种基于烟花算法的无线传感器节点部署方法，其特征在于，包括以下步骤：

步骤1，对待测区域建立三维坐标系，传感器节点坐标如下表示

其中(x_i，y_j)是无线传感器节点s_i在xoy轴的横坐标，h_i(x_i,y_i)是节点s_i在(x_i，y_j)的高度；

步骤2，初始化种群，围绕无线传感器网络中的汇聚节点随机产生n个位置，传感器节点总数即种群最大规模为S_node，搜索空间维数,3，最大迭代次数T_max，当前所有爆炸火花和高斯变异火花的位置集合设为W；

步骤3，分别在这n个位置上各引爆一个烟花，共引爆n个；

步骤4，计算产生的各烟花的适应度，根据下面的式子计算烟花爆炸产生的火花数目R_i和爆炸半径A_i；

同时对爆炸半径设置下界

其中M是控制n个烟花产生火花总数的参数，A_i是第i个烟花的爆炸半径，

是最大爆炸半径，f(x_i)为根据该点的覆盖率计算出的烟花适应度，Y_max是当前个体中适应度最好的个体适应度，Y_min是当前个体中适应度最差的个体适应度，N为烟花总数，ε取小于0.001且大于0的值；

步骤5，按照下列公式更新火花位置，生产爆炸火花并对所有爆炸火花进行高斯变异，并更新其位置：

爆炸火花：

初始火花位置

其中x_j为随机生成的初始位置，随机选择0-3个维度，对火花的每一维度更新火花位置：

其中rand(-1,1)是产生一个(-1,1)之间的随机数；

对于超出可行域的部分，即超出当前待测区域坐标范围的部分，利用映射规则：

为越界的那一维度，设为第k维，

和

为该维度的上下边界，％表示模运算；

高斯变异操作：

对每个烟花随机选择μ个维度，在该方法中μ可取1、2或者0，对每一位更新烟花位置生成高斯变异火花：

其中Gaussian(1,1)是利用高斯公式产生一个(0-1)之间的随机数，

对于超出可行域的部分，即超出当前待测区域坐标范围的部分，利用映射规则

为越界的那一维度，设为第k维，

和

为该维度的上下边界，％表示模运算；

步骤6，计算所有烟花、爆炸火花和高斯变异火花的适应度值，并找出当前最佳位置x^*，保留到下一次爆炸，依据下面式子从当前产生的烟花和火花集合W中随机选择n-1个位置，并与当前n个位置进行迭代，参与下一代操作即迭代计算；

d(x_i,x_j)表示x_i和x_j的欧几里得距离，位置x_i被选中的可能性p(x_i)的定义如下：

步骤7，若满足种群最大规模S_node或最大迭代次数T_max，则找出当前算法中所有的烟花点和火花点，否则回到步骤4。

2.根据权利要求1所述的一种基于烟花算法的无线传感器节点部署方法，其特征在于，所述的步骤4中，计算产生的各烟花的适应度f(x_i)是通过以下公式计算：

其中ω_i为某点e_i的权重，

为某点e_i在当前无线传感器网络环境中被覆盖的概率，τ为当前检测区域网格点总数。

3.根据权利要求1所述的一种基于烟花算法的无线传感器节点部署方法，其特征在于，所述的

通过以下公式计算：

其中

是指点e_i未被当前所有无线传感器节点覆盖的联合概率。

4.根据权利要求2所述的一种基于烟花算法的无线传感器节点部署方法，其特征在于，在部署多个无线传感器节点的情况下，待测区域内某点被一个无线传感器节点覆盖的概率C(s_i,e_i)，通过以下公式计算：

C(s_i,e_i)＝μ_dv_ijP(s_i,t)

其中P(s_i,t)表示传感器节点s检测到兴趣点t处的事件发生概率：

其中α＝d(s,t)-(r_s-r_e)，k和m为衰减因子

(r_s-r_e)是传感器确定性感知半径

r_s为传感器的感知半径

r_e为传感器节点不确定性感知距离，根据实际部署地的环境测得；

μ_d是测量两者之间距离的二进制函数：

其中

v_ij表示节点s_i和点e_i之间的可见性：

Images