CN108684005B - 基于som的水下传感网中多auv高效数据收集方法 - Google Patents

Abstract

本发明公开了一种基于SOM的水下传感网中多AUV高效数据收集方法，首先，提出了基于SOM的多AUV任务分配算法，从任务的描述、网络的输入输出角度出发，综合考虑AUV与簇头的距离、AUV剩余能量、子网络信息价值、子网络数据流量等因素，通过SOM优越的聚类分析能力，设计符合实际要求的学习竞争函数，使得多AUV在面临大量任务时，可以自组织地进行合理分配，达到均衡AUV能量，降低数据收集时延的效果。然后在单AUV的路径规划问题上提出了改进的蚁群算法，通过在信息素更新过程中增加自适应因子和调节算子，避免蚁群算法在迭代过程中陷入局部最优，能够更加容易和更加快速地找到更优的AUV路径，加快了搜索效率。

Description

基于SOM的水下传感网中多AUV高效数据收集方法

技术领域

本发明属于水下无线传感器网络数据收集技术领域，具体涉及一种基于 SOM的水下无线传感器网络中多AUV高效数据收集方法。

背景技术

水下无线传感器网络是一种将节点部署在水下或水面上的传感器网络，尽管水下的一些不可控的环境因素对网络的部署和应用造成了干扰，但不能否定其在水下环境监测、矿产资源探测、水下目标跟踪、水雷侦查以及辅助导航等方面具备不可估量的作用。工欲善其事，必先利其器，水下无线传感器网络有很多研究方向，大致的分为数据收集、节点定位、网络拓扑控制、安全加密和节点充电等方向，而数据收集技术作为基础中的关键技术，结合水下环境特点对其进行深入地研究具有深远的意义。水下无线传感器网络的显著特点有：

(1)网络规模大。在实际应用场景中，很难去控制水下无线传感器网络的大小，其主要原因有二：一是为了保证实验的成功和避免分布盲区，需要部署的节点数量巨大；二是水流的流动特性使节点在移动过程中改变了网络规模，扩大了感知范围；

(2)节点能量有限。部署于水下的节点受成本、体积的制约，无法携带大容量的电池，只能通过自身的小容量电池进行供电或利用自然环境进行自充电；

(3)通信带宽低。由于水下环境的复杂特征，用于陆地的射频信道在水下容易产生扩散等现象，造成多径和衰落问题，所以只能采用带宽较低的声音信道进行数据传输，这样就不可避免的带来了高时延的问题；

(4)网络拓扑动态变化。受水流和海风影响，传感器位置是动态变化的，具有不确定性，很难保证数据的传播链路一直是连通可靠的，往往会出现一些不能通信的子网络。

同时，水下无线传感器网络的容错能力高，由于用户获取的数据是经过融合处理的，所以数量巨大的节点收集到的信息不会由于单一节点的错误数据而改变，使网络保持了较高的容错能力；因为成本原因和节点体积的影响，水下的节点的功能较为单一，其硬件构成也是十分精简，因此，往往采用抛洒或固定的方式进行部署；网络具备较强的可扩展性，面对不同的应用环境和需求，往往通过增加或减少部分节点即可完成；作为动态性网络，网络在初始化的过程中即会自动调节节点的行为而不需要任何其他设备，可以快速的以自我管理的方式执行任务。

水下无线传感器网络具有很高的研究价值，世界上很多国家都十分重视水下无线传感器网络的应用。在20世纪90年代，美国的MIT联合美国政府就着手 AOSN计划，设计了自主式的海洋采样网络。之后，在21世纪初期，为了研究水下无线传感器网络的组网技术以及水下通信的特点，美国又启动了海网 SeaWeb项目。同期，美国又向PSU大学颁发了合同，建立了近海领域的海洋监视网络(PLUSNET)。近几年来，美国投入在水下无线传感器网络上的研究经费进一步增大，在水下自主航行器的研究上获得了丰硕的成果。与此同时，欧盟国家也在加紧推进水下无线传感器网络的研究工作，如ACME Project计划等，其目标是建立实用性极强的通信模型以及设计出可靠的网络协议算法。

但随着我国对海洋环境的深入探索，已经开始加大对相关研究的投入，并将水下无线传感器网络技术列为国家863计划。南京地理与湖泊研究所联合中科院开发的太湖水质监测系统，能够对水中的污染物指标进行监测，及时预防可能发生的水质污染等问题。同时，在军事应用上，中国科学院与西安光学精密机械所合作研发了水下反恐传感器网络监控系统。目前，国内大量的高校联合相关企业开始投入到水下无线传感器网络的研究中，如上海微系统研究所、沈阳自动化所、软件研究所、北京邮电大学及清华大学等。

发明内容

针对上述问题，本发明提出一种基于SOM的水下无线传感器网络中多AUV 高效数据收集方法，在随机部署的水下无线传感器网络中，子网络与子网络之间无法直接通信，通过多AUV的任务分配和AUV路径规划方法，利用多AUV收集多个子网络的数据，在实现基本数据收集的功能基础上，对信息价值的判断可以有效应对突发事件的产生。从而均衡了网络能量，延长了网络寿命。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于SOM的水下无线传感器网络中多AUV高效数据收集方法，包括以下步骤：

(1)多AUV的任务分配

在网络节点随机部署完成后，利用多AUV收集多个子网络的数据，每一个AUV对应收集多个子网络的数据；在每一个子网络中选举一个簇头，簇头收集子网络的全部信息，融合后计算总的数据流量，并用VOI代表数据的信息价值；利用SOM神经网络确定多AUV和多子网络的对应关系，实现多AUV的任务分配；

(2)AUV路径规划

多AUV任务分配完成后，每一个AUV负责多个子网络的数据收集任务，利用改进的蚁群算法不断迭代求得AUV访问多个子网络的最佳路径。

上述步骤(1)中代表数据的信息价值的VOI的计算公式为

其中

代表子网络感知事件的重要程度，f(t-t_k，i)反映了时间的有效性，是一个单调递减的函数，其中0≤β_k≤1作为权重系数平衡事件重要程度和时间有效性。

上述步骤(1)中的SOM神经网络将聚类能力应用到多AUV的任务分配上，不仅以输入模式与竞争层神经元的距离最短为聚类原则，而且将子网络中簇头节点的地理位置、子网络的数据流量、子网络的信息价值和AUV的剩余能量设定为SOM神经网络的输入值，输出值获得子网络访问权限的AUV，确定多AUV 和多子网络的对应关系，实现多AUV的任务分配。

上述SOM神经网络对于输入值的输入向量T_i＝(x_i,y_i)，经过SOM神经网络的自学习步骤，其竞争函数为：D_LJ＝|T_i-A_J|(1+V)+αF_i+βE_j其中，

F为对应的子网络的数据流量，E为AUV的能量，α和β为0到1之间的权衡因子，V为控制AUV之间的负载均衡，其中

Pj为第j个AUV需要航行的距离长度，

为AUV的平均路径长度。

上述步骤(2)中改进的蚁群算法为在蚁群算法的信息素更新阶段加入自适应因子和调节算子，动态调节信息素的更新进程，加快算法的搜索效率。

上述信息素更新阶段公式为：

τi_j(t+1)＝(1-p)τ_ij(t)+q(t)Δτ_ij+Δv，

其中τ_ij(t)为子网络之间的信息素浓度，p为信息素的挥发系数，Δτ_ij为信息素浓度，加入的自适应因子为

其中N为预设的算法迭代次数，d为当前的迭代次数；当迭代次数随着算法的进程不断增大时，自适应因子可以做出有效的调整，避免信息素的过度积累。通过设定一个自适应因子来动态影响Δτ_ij的值，能够有效加快算法在运行期间的速度并加强算法寻找最佳路径的能力。

加入的调节算子Δv为

其中，τ_ij ^best为最优路径的信息素浓度，τ_ij ^k为第k只蚂蚁本次寻找食物道路的信息素浓度，τ_ij ^ave为平均信息素浓度，d为当前的迭代次数。调节算子的应用，引入了负反馈调节，解决了算法由于迭代次数的上升，出现信息素浓度高的路径即为唯一被选择路径的问题，使算法不会出现局部最优的问题。

AUV路径规划完成后，AUV在访问所负责的子网络的进程中，根据子网络的信息价值、航行距离和航行时间计算其下一步行动的收益，继续收集下一个子网络的数据或返回水面与sink节点通信，AUV会选择获得最大收益的行动。

多AUV任务分配与AUV的路径规划作为整套方法的两个阶段，逻辑关系严谨，不可独立存在。多AUV任务分配方法的改变必然导致AUV路径规划方法的改变，其过程是变化的，是动态过程的最优匹配。

本发明的有益效果：

本发明通过利用多AUV的空间分布特性以及资源分布的特点，可以有限解决稀疏水下无线传感器网络中的复杂数据收集任务，多AUV的数据收集方式具有较好的容错能力并提高系统鲁棒性，其高可靠和低延迟的优势是单AUV系统不具备的。多AUV的任务分配与AUV路径规划结合，动态收集网络中的数据，均衡了网络能量消耗，能够及时应对突发事件的产生。

附图说明

图1为本发明一种实施例的网络模型图；

图2为本发明一种实施例的多AUV任务分配模型图；

图3为本发明一种实施例的SOM神经网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

水下环境具有其复杂的特性，因此，在部署水下无线传感器网络时，很难预测节点的分布情况，其通常的分布情况是随机的、稀疏的、密度不均的。因此，由于存在水下障碍物、网络设备失灵等原因，存在不能相互通信的子网络，将此网络进行建模处理，如图1所示。

节点随机部署在目标区域，节点是同构的且地理位置已知，具有有限的能量和通信范围，为了在执行任务的过程中节省能量，延长工作时间，节点会按照可通信原则组成一个子网络，也可以称之为一个簇，由于节点密度、水下障碍物等原因，子网络之间是无法进行通信的，因此，子网络中的数据就无法通过多跳传输进行收集。而多AUV的应用为此种普遍情况的数据收集工作提供了可能，受水下流动性的影响，多AUV在部署之后其地理位置也是随机的。系统能够对此网络的数据总流量进行预测估计，并按照网络的分布区域大小以及网络的数据总流量确定多AUV的部署数量。

在这样的一种网络模型中，AUV不可能无序地访问每一个节点进行数据收集，其收集难度和成本是不可估量的，不具有可行性。因此，在每一个子网络中按照重心原则选举出一个簇头节点，簇头节点的工作即为汇总子网络收集到的信息，并在AUV航行到通信范围内时将数据发送给AUV，子网络内部的收集方式可以是基于TDMA通信方式，这样节点可以在不需要采集和发送数据的时间段内进行休眠。借助网络模型示意，按照上述描述，水下无线传感器网络的数据收集任务可以描述为：利用多AUV来收集多个不能互相通信的子网络的数据，一是如何确定多AUV和多子网络的对应关系，也就是怎么合理的给AUV分配子网络，二是分配完成后，怎么高效地收集它负责的子网络的数据。因此，本发明提出一种基于SOM的水下无线传感器网络中多AUV高效数据收集方法，包括以下步骤：

步骤一、多AUV的任务分配；

如图2所示，建立以最短路程、最短时间、最优损耗等为评估因素建立多 AUV的任务分配模型。监测区域内节点随机分布，成稀疏状态。由于水流等因素的影响，节点密度在地理位置上会呈现不同，要采用多AUV的方式收集这些节点的信息，必须将节点组成子网络，减少AUV的航行路程。利用图3所示的自组织神经网络结构图，假设监测区域内部署的节点组成L个子网络并随机部署着J个AUV，则输入层包含L个神经元(T₁,T₂,T₃,…,T_L),表示子网络簇头节点的地理位置坐标，输出层包括J个神经元(A₁,A₂,A₃,…,A_J)，表示J个AUV的坐标。为了便于理解算法的思想，本发明以二维环境作为应用背景，应该注意到，三维环境下同样能够作为应用背景。

本发明通过深入了解SOM神经网络的应用特性，结合具体水下环境，提出改进的算法来解决多AUV任务分配问题。在算法中，SOM神经网络对于输入向量T_i＝(x_i,y_i)，必须经过SOM网络的自学习步骤，本发明设计其竞争函数为： D_LJ＝|T_i-A_J|(1+V)+αF_i+βE_j，其中

F为对应的子网络的数据流量，E为AUV的能量，α和β为0到1之间的权衡因子，V 为控制AUV之间的负载均衡。其中，

P_j为第j个AUV需要航行的距离长度，

为AUV的平均路径长度。

子网络与AUV的距离长度，这是设计竞争函数的首要考虑因素，因为AUV 在航行期间消耗的能量要大于其在数据收集时消耗的能量。由于AUV的能量存在耗尽情况，在设计竞争函数时要尽可能的让能量富余的AUV去执行更多的数据收集任务，同时，不同的子网络因其组成节点数量的不同以及相关区域的活跃信息量的不同，子网络数据流量的大小也需要在竞争函数的设计上进行考虑。本发明设计的竞争函数可以根据具体应用的不同，对AUV能量和子网络流量进行权衡侧重，对于AUV能量消耗过快的网络，可以通过调整权衡因子来加大其在竞争函数中的比重，以适应应用的需求。因此，在综合考虑AUV能量、子网络数据流量、信息价值以及AUV与子网络距离等因素的情况下，竞争获胜的AUV 即获得了此子网络的数据收集权利。在SOM神经网络完成所有的输入输出过程后，网络中的子网络都分配给了AUV，每一个AUV也获得了一定数量的数据收集任务。

步骤二、AUV路径规划。

当多AUV的任务分配完成后，每一个AUV都获得了自己要进行数据收集的子网络信息表，此时，需要每一个AUV高效地去收集子网络的数据。类似贪婪算法等启发式算法在解决路径规划问题上存在其天然的不足之处，如相对最优问题等。而蚁群算法等智能优化算法的出现，为求解此类问题找到了新出路。传统的蚁群算法存在其固有的不足之处，类似求解精度低、陷入局部最优解等问题，无法在AUV路径规划上进行良好的应用。将蚁群算法与其他优化算法如粒子群算法等进行结合，其在解决一些问题时的确获得了性能的提高，但复合算法的复杂度极高，对于计算能力有限的AUV来说，不管从成本还是时间上都难以接受。因此，本发明提出改进方案，基于基础内容，针对算法中的信息素更新算法，增加自适应因子q(t)和调节算子Δv，使算法不会在局部最优上浪费大量时间，加快算法的搜索效率。

信息素更新公式为：τ_ij(t+1)＝(1-p)τ_ij(t)+q(t)Δτ_ij+Δv，其中τ_ij(t)为子网络之间的信息素浓度，p为信息素的挥发系数，Δτ_ij为信息素浓度，自适应因子q(t) 为

其中，N为预设的算法迭代次数，d为当前的迭代次数，当迭代次数随着算法的进程不断增大时，自适应因子可以做出有效的调整，避免信息素的过度积累。通过设定一个自适应因子来动态影响Δτ_ij的值，能够有效加快算法在运行期间的速度并加强算法寻找最佳路径的能力。

调节算子Δv为

其中，τ_ij ^best为最优路径的信息素浓度，τ_ij ^k为第k只蚂蚁本次寻找食物道路的信息素浓度，τ_ij ^ave为平均信息素浓度，d 为当前的迭代次数，调节算子的应用，引入了负反馈调节，解决了算法由于迭代次数的上升，出现信息素浓度高的路径即为唯一被选择路径的问题，使算法不会出现局部最优的问题。在蚁群算法的改进过程中，本发明在实验的基础上尝试了多种方案，脱离算法的框架来看，自适应因子和调节算法只是微不足道的更新策略，当将其结合在实际应用中时，其优势则体现的十分明显。

AUV在访问所负责的子网络的进程中，根据子网络的信息价值、航行距离和航行时间计算其下一步行动的收益，继续收集下一个子网络的数据或返回水面与sink通信，AUV会选择获得最大收益的行动。多AUV任务分配与AUV的路径规划作为整套方法的两个阶段，逻辑关系严谨，不可独立存在。多AUV任务分配方法的改变必然导致AUV路径规划方法的改变，其过程是变化的，是动态过程的最优匹配。

综上所述：

本发明公开了一种基于SOM的水下无线传感器网络中多AUV高效数据收集方法，首先，提出了基于SOM的多AUV任务分配算法，从任务的描述、网络的输入输出角度出发，综合考虑AUV与簇头的距离、AUV剩余能量、子网络信息价值和数据流量等因素，通过SOM优越的聚类分析能力，设计符合实际要求的竞争函数，使得多AUV在面临大量任务时，可以自组织地进行合理分配，达到均衡AUV能量，降低数据收集时延的效果。然后在单AUV的路径规划问题上提出了改进的蚁群算法，通过在信息素更新过程中增加自适应因子和调节算子，避免蚁群算法在迭代过程中陷入局部最优，能够更加容易和更加快速地找到更优的AUV路径，加快了搜索效率。

以上显示和描述了本发明的基本原理、主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于SOM的水下无线传感器网络中多AUV高效数据收集方法，其特征在于，包括以下步骤：

(1)多AUV的任务分配

在网络节点随机部署完成后，利用多AUV收集多个子网络的数据，每一个AUV对应收集多个子网络的数据；在每一个子网络中选举一个簇头，簇头收集子网络的全部信息，融合后计算总的数据流量，并用VOI代表数据的信息价值；利用SOM神经网络确定多AUV和多子网络的对应关系，实现多AUV的任务分配；所述步骤(1)中的SOM神经网络将聚类能力应用到多AUV的任务分配上，不仅以输入模式与竞争层神经元的距离最短为聚类原则，而且将子网络中簇头节点的地理位置、子网络的数据流量、子网络的信息价值和AUV的剩余能量设定为SOM神经网络的输入值，根据输出值获得具有子网络访问权限的AUV，确定多AUV和多子网络的对应关系，实现多AUV的任务分配；

(2)AUV路径规划

多AUV任务分配完成后，每一个AUV负责多个子网络的数据收集任务，利用改进的蚁群算法不断迭代求得AUV访问多个子网络的最佳路径；改进的蚁群算法为在蚁群算法的信息素更新阶段加入自适应因子和调节算子，动态调节信息素的更新进程，加快算法的搜索效率。

2.根据权利要求1所述的基于SOM的水下无线传感器网络中多AUV高效数据收集方法，其特征在于：所述步骤(1)中代表数据的信息价值的VOI的计算公式为

其中

代表子网络感知事件的重要程度，f(t-t_k，i)反映了时间的有效性，是一个单调递减的函数，其中0≤β_k≤1作为权重系数平衡事件重要程度和时间有效性。

3.根据权利要求1所述的基于SOM的水下无线传感器网络中多AUV高效数据收集方法，其特征在于：所述SOM神经网络对于输入值的输入向量T_i＝(x_i，y_i)，经过SOM神经网络的自学习步骤，其竞争函数为：D_LJ＝|T_i-A_J|(1+V)+αF_i+βE_j其中，

F为对应的子网络的数据流量，E为AUV的能量，α和β为0到1之间的权衡因子，V为控制AUV之间的负载均衡，其中

P_j为第j个AUV需要航行的距离长度，

为AUV的平均路径长度。

4.根据权利要求1所述的基于SOM的水下无线传感器网络中多AUV高效数据收集方法，其特征在于：所述信息素更新阶段公式为：

τ_ij(t+1)＝(1-p)τ_ij(t)+q(t)Δτ_ij+Δv

其中τ_ij(t)为子网络之间的信息素浓度，p为信息素的挥发系数，Δτ_ij为信息素浓度，加入的自适应因子为

其中N为预设的算法迭代次数，d为当前的迭代次数；

加入的调节算子Δv为

其中，τ_ij ^best为最优路径的信息素浓度，τ_ij ^k为第k只蚂蚁本次寻找食物道路的信息素浓度，τ_ij ^ave为平均信息素浓度，d为当前的迭代次数。

Images