CN109743740B - 基于3D-Voronoi剖分的有向传感器网络目标监测方法 - Google Patents

Abstract

基于3D‑Voronoi剖分的有向传感器网络目标监测方法，在需要监测的三维区域中部署传感器节点，节点首先判断当前自身的位置信息和能耗状态，计算与邻居节点的位置关系。节点再次判断传感器节点是否根据当前的位置信息进行调整。若存在未被单元体内的节点所覆盖到的目标点，节点将受到虚拟力合力的作用移动自身位置重新部署达到最终的理想覆盖。通过进行节点覆盖建模，定义单元体，再根据voronoi的性质将目标点所在区域进行划分，引入目标点与传感器节点之间的相关虚拟力，使其有向传感器节点能够移动到指定位置进行覆盖，本发明技术方案能够有效的提高网络的整体覆盖率以及节点的利用率。

Description

基于3D-Voronoi剖分的有向传感器网络目标监测方法

技术领域

本发明实施例涉及网络通信技术和覆盖监测技术领域，具体涉及一种基于 3D-Voronoi剖分的有向传感器网络目标监测方法。

背景技术

目前，在无线传感器网络中，对目标事件的监测是一个重要的研究领域。 目标检测(Target Detection)经常应用于水下目标点的检测，森林火灾预警以 及边境区域等一些重要场合。传统技术中，对二维无线传感器网络中目标点的 覆盖进行了大量的探讨，但其并不能直接应用于三维的现实环境。同时，三维 目标事件的覆盖检测研究也相对较少。另一方面，传统的目标覆盖检测模型的 研究大多是以圆或者全向感知球域为基础。如果利用不当，其节点的耗能和网 络生存时间会大大增加。

无线传感器网络通常由几个微小的电池供电的传感器节点组成，这些传感 器之间可以相互通讯，以监视三维感兴趣区域(FOI)以及所发生的特定目标 事件。无线传感器网络包括传感器网络和定向传感器网络。此外，无线传感器 网络覆盖的主要研究方向大致分为：区域覆盖，栅栏覆盖以及目标覆盖。近年 来，WSN(wireless sensor network的简称，即无线传感器网络)覆盖一直是研 究热点并有了广泛的实际应用，例如目标检测、医疗监护、目标定位和数据传 输等等。在现实环境中，通过对感兴趣区域中的一些特定目标事件可以通过部 署一些传感器节点进行目标检测。因此，利用现有的各种方法和技术手段实现目标事件的有效检测已经成为当前的研究重点。

为了降低将现实条件下的三维坐标系问题转化为二维坐标系下的平面难 度，现有技术取得了很大的进展和成果。然而，相对于二维坐标系进行建模和 研究工作来说，基于三维空间坐标系中的无线传感器网络覆盖研究较少。一方 面是因为随着维度的增加其研究难度也大大增加，另一方面，现实环境中的传 感器节点往往面临着周围的复杂环境、天气气候等影响。近几年来，一些研究 者对三维无线传感器网络进行建模以及提出相应的分布式优化算法。

另一方面，无线传感器的网络的节点覆盖模型研究大多是基于二维全向感 知覆盖模型。然而，对于三维空间坐标系中的研究来说，其中很大一部分研究 是基于全向感知模型进行分析和建模。毫无疑问，全向感知模型针对区域覆盖 可以提供很好的覆盖方案和节点利用率。但对于所需要检测的特定目标，只需 较少的网络能耗和一小部分的感知范围就可以满足对特定目标的监测。

因此，三维有向传感器网络覆盖研究更能适用于上述条件的需要。当然， 有向传感器网络不仅同全向传感器一样需要考虑其自身的位置信息和感知范 围，且还需考虑角度变化的问题。此外，初始时随机部署的节点可能存在未能 实现精准覆盖而导致的遗漏问题。因此，在特定环境中检测，需要一个动态的 算法可以选择最优数量的活跃节点检测目标。

近年来，有关定向传感器网络的研究主要还是以二维平面的基础上进行开 展的。现有方案中，为了解决定向传感器网络中最小传感节点数的最大目标覆 盖范围问题，即MCMS问题。存在一种基于CH的DSN分布式目标覆盖算法， 通过设计分布式聚类和目标覆盖算法以减少网络能耗。现有方案中，通过分布 式聚类机制(TCDC)，以节能的方式为定向传感器网络设计目标覆盖算法。 通过选择簇头即(CH)并确保其适当地用于增强DSN的目标覆盖率。现有方 案中，为了解决二维区域覆盖率最大化问题，存在一种基于粒子群优化算法(PSO)的新方法，该算法使得定向传感器节点不断调整自身感知方向，从而 得到最佳的覆盖范围。整体上，现有技术是将现实三维环境中的定向传感器覆 盖问题(DSN)映射到二维平面参考系中进行解决，并不能直接用于现实维度 的坐标系中。

然而，在实际环境中，不仅需要考虑维度问题还需要考虑能适用于特定维 度的节点感知模型。现有方案中，存在针对三维坐标系的定向传感器模型和算 法，通过研究三维定向传感器网络的低功耗绿色通信，提出时空覆盖优化调度 算法(STCOS)以获得最大化的整个网络覆盖。现有方案中，存在一种基于 人工鱼群算法的网络覆盖增强算法以提高覆盖率，只是对传感器的角度进行了 优化，但并未解决定向传感器中的移动性问题。此外，Voronoi图划分的特殊 几何性质应用在无线传感器网络覆盖的很多方面。现有方案中，为了降低在 K-覆盖睡眠调度算法的成本以及保证节点的有效监测质量，提出了基于预调度的K-覆盖调度(PSKGS)和自组织K-覆盖调度算法(SKS)，通过实验验证得 出PSKGS提高了监测质量，SKS算法降低了节点的计算和通信成本。现有方 案中，将二维Voroni图的特殊集合特征与对动态环境变化的实时响应相结合， 提出了可以根据覆盖范围进行胞内感知方向选择和调整(IDS&IDA)的分布 式贪婪算法。显然，有关二维Voronoi算法的研究已经表现出较优的成果，但 却极少将其应用三维坐标系中。

发明内容

为此，本发明实施例提供一种基于3D-Voronoi剖分的有向传感器网络目 标监测方法，在三维坐标系的基础上，解决三维坐标系的建模问题以及有向传 感器坐标系和角度的制定，通过考虑定向传感器的移动性和运动性，在保证网 络连通性的基础上结合3D-Voroni划分特性设计算法，有效的提高网络的整体 覆盖率以及节点的利用率。

为了实现上述目的，本发明实施例提供如下技术方案：基于3D-Voronoi 剖分的有向传感器网络目标监测方法，包括以下步骤：

1)确定监测区域，在所述监测区域中随机部署n个传感器节点，每个传 感器节点预先判断自身的位置以及与邻居节点之间位置信息；

2)利用3D-Voronoi方法划分所述传感器节点的所在区域，使每个传感器 节点在自身所属的单元体内；

3)对目标点的位置属性进行划分，所述位置属性包括a)目标点在传感 器节点所属的单元体内；b)所述单元体内存在多个目标点，部分目标点在传感 器节点所属的单元体内，另一部分目标点在传感器节点所属的单元体外；c)目 标点存在于相邻两个单元体的边界上；

4)传感器节点根据被覆盖的目标点到传感器节点的距离关系判断是否覆 盖到目标事件，当覆盖到的目标点数量Nc_i≥1时，执行步骤5)，当覆盖到的目 标点数量Nc_i＜1时，执行步骤6)；

5)保留当前的传感器节点s_k，s_k为覆盖到目标事件的节点数，选择空闲 传感器节点s_f进行移动；

6)检查空闲传感器节点s_f，计算剩余目标点c_j数量Nc_j，Nc_j＝No_i-Nc_i， 其中No_i为总目标点的数量；

7)判断邻居节点边界，移动目标点自身所属单元体的传感器节点以及移 动邻居节点边界两侧的空闲邻居节点；

8)通过虚拟力合力F_A移动空闲传感器节点s_f覆盖剩余目标点c_j；

9)重复步骤4)至步骤8)，完成全部目标点的覆盖。

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 所述监测区域中的全向传感器节点的通信范围为通信半径为r_C的感知圆球，当 监测区域中两个传感器节点间的欧式距离d小于或等于传感器节点自身的通 信半径r_C时，对应的两个传感器节点互为邻居节点。

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 所述目标监测方法中，建立三维有向感知模型，所述三维有向感知模型用一个 五元组表示为

其中，S_i是节点的顶点位置坐标，w是主 感知方向向量，r_S是节点的感知半径，2θ表示节点的感知夹角，

表示有向传 感器节点的感知方向角。

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 所述监测区域的三维空间L³划分成n个单元体V_n＝{V₁,V₂,…,V_n}，每个单元体 V_i(i＝1,2,…,n)中包含一个传感器节点s_i，将s_i作为每个单元体V_i的生成点；

单元体V_i内部的任意点p到传感器节点s_i之间的距离小于等于p与传感 器节点s_j节点的距离，即：

其中，Q(V,V_i)表示单元体V_i内部的任意点p到传感器节点s_i之间的距离与 p与传感器节点s_j节点的距离进行比较的函数；

单元体中的节点传感器节点s_i(x_i,y_i,z_i)到监测区域的三维空间L³中任意点 p(x,y,z)的欧式距离为：

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 每个单元体V_i中包含一个传感器节点s_i，传感器节点s_i的数量

和监测区 域的三维空间L³划分后的单元体V_i的数量

相同，即：

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 每个传感器节点随着受到总的虚拟力合力F_A大小进行移动，使传感器节点受力 平衡并对目标事件均匀覆盖，虚拟力合力F_A为：

F_a为传感器节点受到的目标事件的引力，F_ij为邻居节点间的相互作用力， F_b为单元体中边界障碍物与传感器节点的作用力。

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 传感器节点间的相互作用力F_ij为：

其中：k₁、k₂、a₁、a₂表示增益系数；m_i、m_j表示传感器节点的质量因子；d_ij表示传感器节点i和传感器节点j之间的欧式距离，r_min表示传感器节点的最 小安全距离，r_b为传感器节点之间受到虚拟力合力为零时的位置距离；

当传感器节点之间的距离位于r_min和r_b之间时，传感器节点之间相互排斥； 当传感器节点间距离等于r_b时，传感器节点不受任何力的作用；当传感器节点 间距离在r_b和通信半径R_c之间时传感器节点相互吸引；当d_ij大于R_c时，传感器 节点间的作用力消失。

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 传感器节点受到的目标事件的引力F_a为：

其中：k₃、a_e表示增益系数；d(e_i,j)表示传感器节点j到目标事件e_i的欧 式距离；

m_j分别表示目标事件e_i与传感器节点j的质量因子；Q(E)表示目 标事件集E产生的引力位于所作用的区域，当传感器节点在目标事件集E所产 生的引力范围内时，传感器节点会被目标事件集E所吸引。

作为基于3D-Voronoi剖分的有向传感器网络目标监测方法的优选方案， 单元体中边界障碍物与传感器节点的作用力F_b为：

其中：k₄、a_b是增益系数，d_ij表示传感器节点i和传感器节点j之间的欧式 距离，m_i、m_j表示传感器节点的质量因子，L是传感器节点到障碍物之间的欧 式距离。

本发明实施例具有如下优点：通过进行节点覆盖建模，定义球扇形的单元 体，再根据voronoi的性质将目标点所在区域进行3D-Voronoi划分，引入目标 点与传感器节点之间的相关虚拟力，使其传感器节点能够移动到指定位置进行 覆盖，通过验证本发明技术方案的可行性和准确性相关的仿真实验，本发明技 术方案能够有效的提高网络的整体覆盖率以及节点的利用率。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对 实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下 面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创 造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例中提供的基于3D-Voronoi剖分的有向传感器网络目 标监测方法流程示意图；

图2为本发明实施例中提供的三维有向节点感知图；

图3为本发明实施例中提供的目标点覆盖模型图；

图4为本发明实施例中提供的感知方向示意图；

图5为本发明实施例中提供的三维表面划分、稀疏划分和密集划分对比示 意图；

图6为本发明实施例与传统技术方案在稀疏部署目标点和节点的情况下 覆盖率对比图；

图7为本发明实施例与传统技术方案在密集部署传感器节点的情况下覆 盖率对比图；

图8为本发明实施例与传统技术方案在密集部署目标点的情况下覆盖率 对比图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由 本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的 实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

在给出本发明实施例和理解本发明技术方案之前，首先表明以下技术特征 的具体定义：

三维有向感知模型：三维有向感知模型可以用一个五元组来表示

其中，S_i是传感器节点的顶点位置坐标，w是主感知方 向向量，r_S是传感器节点的感知半径，2θ表示传感器节点的感知夹角(0＜θ＜π)，

表示有向传感器节点的感知方向角。假设传感器节点n_i位于坐标为(x,y,z)三维 目标区域L³中，并且其感知半径为r_S。那么n_i的感知区域时一个以r_S为感知半 径，顶点坐标为(x,y,z)的扇形绕其母线旋转一周后所得到的球扇形。

邻居传感器节点：已知空间中全向传感器节点n_i的通信范围是以r_C为通信 半径的感知圆球。当空间中两个传感器节点间的欧式距离d小于或等于传感器 节点自身的通信半径r_C时，则称这两个传感器节点互为邻居传感器节点。有向 传感器节点在Voronoi中的格内是唯一的，因此可以规定两传感器节点具有相 同邻边且直接连接在Delaunay三角形周边。

网络整体覆盖率：确定在空间中的任意一点p被传感器节点s_i所监测的 概率。假设传感精度C随着距离的增加而衰减，则感知精度Cs_ip为：

其中,Cs_ip是传感器s_i在点p的传感精度，d_sip表示传感器节点s_i与点p 的欧式距离可由下式计算。常数α和β反应传感器物理特征的设备相关系数。 通常β的范围为1～4，并且用α作调整参数。

通常情况下，监测区域中的目标事件可由多个传感器节点同时监测到，则 其感知概率可表示为公式：

整理后可得：

参见图1，提供一种基于3D-Voronoi剖分的有向传感器网络目标监测方 法，包括以下步骤：

S1：确定监测区域，在所述监测区域中随机部署n个传感器节点，每个传 感器节点预先判断自身的位置以及与邻居传感器节点之间位置信息；

S2：利用3D-Voronoi方法划分所述传感器节点的所在区域，使每个传感 器节点在自身所属的单元体内；

S3：对目标点的位置属性进行划分，所述位置属性包括a)目标点在传感 器节点所属的单元体内；b)所述单元体内存在多个目标点，部分目标点在传感 器节点所属的单元体内，另一部分目标点在传感器节点所属的单元体外；c)目 标点存在于相邻两个单元体的边界上；

S4：传感器节点根据被覆盖的目标点到传感器节点的距离关系判断是否覆 盖到目标事件，当覆盖到的目标点数量Nc_i≥1时，执行步骤S5，当覆盖到的目 标点数量Nc_i＜1时，执行步骤S6；

S5：保留当前的传感器节点s_k，s_k为覆盖到目标事件的传感器节点数，选 择空闲传感器节点s_f进行移动；

S6：检查空闲传感器节点s_f，计算剩余目标点c_j数量Nc_j，Nc_j＝No_i-Nc_i， 其中No_i为总目标点的数量；

S7：判断邻居传感器节点边界，移动目标点自身所属单元体的传感器节点 以及移动邻居传感器节点边界两侧的空闲邻居传感器节点；

S8：通过虚拟力合力F_A移动空闲传感器节点s_f覆盖剩余目标点c_j；

9)重复步骤S4至步骤S8，完成全部目标点的覆盖。

周知的，因为在传统的二维平面研究中，大多数技术方案都将有向传感器 节点间化成二维的扇形平面模型来实现覆盖优化。而在三维中，传统技术方案 仍将其抽象覆盖范围为圆锤体的覆盖模型。但事实是，三维有向传感器的覆盖 范围应该是以R_s为半径，θ为圆心角的平面扇形所绕其对称轴旋转一周得到的。

本发明实施例中，为了更进一步的准确的描述和分析三维坐标系下的有向 传感器网络模型。将其定义为节点感知范围为球扇形的网络模型。

如图2所示，球扇形AOBC表示有向传感器的覆盖模型，则当θ＝360°时， 其覆盖模型正好是全向传感器的覆盖范围。因此，球扇形网络模型更加符合三 维坐标系下的传感器节点的覆盖模型。传感器节点初始时随机散布在目标点区 域内，这样可能会导致传感器节点分布不均匀、节点能量消耗过大以及部分目 标点重复覆盖等问题。同时，部分目标点可能出现存在遗漏而未被覆盖。如图 3所示，黑色的小圆点表示所需要覆盖的目标点，球扇形表示有向传感器的覆 盖范围。从图3中可以看出，部分目标事件没有被完全覆盖。因此，传感器网 络中可能存在遗漏问题，从而导致节点的利用率较低。

如图4所示，为了能够规定节点的感知方向，将2θ表示为模型的圆心角，

表示于X方向轴的夹角，w表示主感知方向。

具体的，基于3D-Voronoi剖分的有向传感器网络目标监测方法的一个实 施例中，所述监测区域中的全向传感器节点的通信范围为通信半径为r_C的感知 圆球，当监测区域中两个传感器节点间的欧式距离d小于或等于传感器节点自 身的通信半径r_C时，对应的两个传感器节点互为邻居传感器节点。所述目标监 测方法中，建立三维有向感知模型，所述三维有向感知模型用一个五元组表示 为

其中，S_i是传感器节点的顶点位置坐标，w是主感知 方向向量，r_S是传感器节点的感知半径，2θ表示传感器节点的感知夹角，

表 示有向传感器节点的感知方向角。

具体的，假设三维L×L×L空间中给定n个传感器节点s_n＝{s₁,s₂,…,s_n}，监 测区域的三维空间L³划分成n个单元体V_n＝{V₁,V₂,…,V_n}，每个单元体 V_i(i＝1,2,…,n)中包含一个传感器节点s_i，将s_i作为每个单元体V_i的生成点。

基于3D-Voronoi剖分的有向传感器网络目标监测方法的一个实施例中， 每个单元体Vi中包含一个传感器节点s_i，传感器节点s_i的数量

和监测区 域的三维空间L³划分后的单元体V_i的数量

相同，即：

)。

具体的，由于2D-Voronoi是由一组连接两邻居点直线的垂直平分线组成 的连续多边形，且这一组连续多边形没有重叠、无缝、唯一的。而随着维度的 增加，其难度也大大增加。因此，为了解决三维空间划分这一问题，提出的划 分三维空间的模型图。构成3D-Voronoi图的每个划分单元由二维平面的多边 形变为三维的多面体集合V_i{V₁,V₂,…,V_n}。参见图5，将三维的100m³立方体空间 进行划分，可以看出立方体表面是由许多个类似二维平面的不规则多边形组 成。此外，划分密度的大小是由传感器节点取值的多少决定。内部进一步划分 可得3D-voronoi划分形状，黑色的小圆点表示传感器节点s_i，形状不同的每个多面体表示立方体被划分成每个体积不同的voronoi多面体单元。同时，图5 中可以看出每个单元体中只包含一个传感器节点。所以传感器节点s_i的数量和 划分后每个单元体的数量相同，即

增加传感器节点 可以得到更多体积更小的单元体，使其划分的单元体更加密集。

具体的，单元体V_i内部的任意点p到传感器节点s_i之间的距离小于等于p 与传感器节点s_j传感器节点的距离，即：

其中，Q(V,V_i)表 示单元体V_i内部的任意点p到传感器节点s_i之间的距离与p与传感器节点s_j节 点的距离进行比较的函数。

单元体中的传感器节点传感器节点s_i(x_i,y_i,z_i)到监测区域的三维空间L³中 任意点p(x,y,z)的欧式距离为：

根据voronoi划分的性质可知，在三维空间voronoi中某个单元体中包含 的传感器节点s_i到该体中任意点的欧式距离比该传感器节点s_i到邻居传感器 节点或其他传感器节点的距离更小。

基于3D-Voronoi剖分的有向传感器网络目标监测方法的一个实施例中， 每个传感器节点随着受到总的虚拟力合力F_A大小进行移动，使传感器节点受力 平衡并对目标事件均匀覆盖，虚拟力合力F_A为：

F_a为传感器节点受到的目标事件的引力，F_ij为邻居传感器节点间的相互作 用力，F_b为单元体中边界障碍物与传感器节点的作用力。

周知的，在无线传感器网络覆盖中，利用虚拟力VFA-3D的方法使得随机 部署在监测区域环境中的传感器节点借助不同的虚拟场势力进行重新部署的 方法已经有了广泛的应用。虚拟势力最早来源于物理学中，即当两个原子之间 的距离过近时，相互之间产生斥力使其分离。而当两原子之间的距离过远时又 会产生引力使其靠近。在本发明实施例中，重新设计改进后的虚拟力算法解决 以下问题：进行3D-Voronoi划分后的传感器节点，使其重新部署以精确的覆 盖目标点事件。确定传感器节点之间产生的虚拟力，即各个力之间的相互引力、 斥力以及障碍物斥力。利用改进后的算法移动冗余传感器节点以提高覆盖率。

具体的，由于传感器节点初始随机部署，首先利用3D-Voronoi划分方法 使传感器节点在各自所属独立的单元体内部，而对于被覆盖的目标点不进行划 分。考虑传感器节点对各自单元体中的目标点进行优先覆盖，所以先设定传感 器节点在各自所属的单元体中进行移动覆盖。本发明实施例在改进后的虚拟力 算法中假设传感器节点三维区域中受到三个力的作用。在覆盖算法优化过程 中，每个传感器节点随着受到总的合力大小F_A进行移动，进而达到传感器节点 受力平衡同时实现对目标事件的均匀覆盖。

为了进一步的约束传统三维空间虚拟力下因传感器节点距离移动过大导 致传感器节点过早死亡的情况出现，为此引入传感器节点之间的距离阈值r_min， r_b等值。其中r_min表示传感器节点的最小安全距离，r_b为传感器节点之间受到合 力为零时的位置距离。为了保证传感器节点的连通性，当传感器节点较少时采 用d_ij＝2r_s，当传感器节点较多时

所以，为了保证传感器节点的连通 性先采用

传感器节点间的相互作用力F_ij为：

其中：k₁、k₂、a₁、a₂表示增益系数；m_i、m_j表示传感器节点的质量因子； d_ij表示传感器节点i和传感器节点j之间的欧式距离，r_min表示传感器节点的最 小安全距离，r_b为传感器节点之间受到虚拟力合力为零时的位置距离。当传感 器节点之间的距离位于r_min和r_b之间时，传感器节点之间相互排斥；当传感器 节点间距离等于r_b时，传感器节点不受任何力的作用；当传感器节点间距离在 r_b和通信半径R_c之间时传感器节点相互吸引；当d_ij大于R_c时，传感器节点间的 作用力消失。

具体的，为了使随机部署的传感器节点能够有效的对各自目标区域中单元 体内的目标点进行覆盖，将目标点设为与传感器节点之间的吸引源。假设传感 器节点的位置为s_i(x_i,y_i,z_i)，目标点的位置为o_j(x_j,y_j,z_j)，将目标点作为传感器 节点的吸引源，即目标事件对一定范围内的传感器节点有引力作用。因此，对 于可能存在没有进入传感器节点感知范围内的目标点，通过加入目标事件引力 的作用迫使传感器节点移动进行覆盖。传感器节点受到与目标事件的引力F_a为：

其中：k₃、a_e表示增益系数；d(e_i,j)表示传感器节点j到目标事件e_i的欧 式距离；

m_j分别表示目标事件e_i与传感器节点j的质量因子；Q(E)表示目 标事件集E产生的引力位于所作用的区域，当传感器节点在目标事件集E所产 生的引力范围内时，传感器节点会被目标事件集E所吸引。

具体的，上述的虚拟引力F_a的加入，会使得传感器节点向目标事件进行移 动。但如果仅有引力的作用可能导致大量传感器节点移动到较少的目标点，而 不能实现完整有效的覆盖同时传感器节点可能会因移动距离过大而消耗过多 的能量。另一方面，考虑到为了防止传感器节点在移动过程中与障碍物之间发 生碰撞。因此，还需要加入一个边界斥力来提高整体的覆盖率同时保证相邻的 传感器节点之间的距离处于最优的范围。单元体中边界障碍物与传感器节点的 作用力F_b为：

其中：k₄、a_b是增益系数，d_ij表示传感器节点i和传感器节点j之间的欧式 距离，m_i、m_j表示传感器节点的质量因子，L是传感器节点到障碍物之间的欧 式距离。当传感器节点与障碍物在一定范围内，传感器节点会受到障碍物的斥 力。

具体的，本发明实施例中涉及的3D-Voronoi剖分覆盖算法如下：

参见图6、图7和图8，采用MATLAB(2015b)软件进行仿真实验以验证本 发明技术方案的性能。初始时，将有向传感器节点随机部署在100m×100m×100m 立方体空间中对确定部署的目标点进行监测实验。为了提高实验的准确性，先 选择随机部署50个节点。当节点数量较小时，为了保证整体网络的联通性而 设定节点之间的通信距离为R_c＝2R_s。当节点数量较多时的网络联通的最优距 离为

设置节点移动单位距离能耗30J，最小感知半径r_min为R_s×(5％～10％)

验证节点感知半径R_s和网络覆盖率之间的关系。在此次实验中，在不同的 节点数和目标点数条件下通过改变节点感知半径对比三种算法的网络覆盖率 的变化情况，在该部分实验中进行3次实验对比，验证通过改变传感器节点的 感知半径与确定部署目标点的网络覆盖率之间的关系。从图6、图7和图8可 以看出，节点的感知半径的变化范围主要在10～70之间。首先，设置节点数 为25，目标点数为40时进行验证实验1，实验结果如图6所示。其次，设置 节点数为60，目标点数为100时进行验证实验2，得出实验2结果如图7所示。 最后，设置传感器节点数为30和目标点数为100，得到实验3结果如图8所 示。

从3次实验中可以得出，随着节点感知半径的增加，三种算法的覆盖率都 显著增长。实验1中，本发明技术方案的3D-VPCA线条代表覆盖率变化，可 以看出3D-VPCA覆盖率优势较RA、CSA算法更大。同时，在图6中得出， 当节点的感知半径为27时本发明实施例的3D-VPCA算法较其他两种算法最 先实现了全覆盖。

实验2中，当增大节点数和目标点数的规模时，三种算法的覆盖率较实验 1中三种算法的覆盖率都有所增加。另一方面，在相同条件下本发明技术方案 的3D-VPCA算法增长速度最快且最先达到全覆盖。如图7所示，当感知半径 为22时，3D-VPCA算法的覆盖率最先达到1且优于其它两种算法的覆盖率增 长程度。

实验3中，当节点数量较少目标点数较多时，三种算法的覆盖率增长程度 明显较实验1和实验2的三种算法的覆盖率增长程度小。

综上，本发明技术方案在需要监测的三维区域中部署传感器节点，对传感 器网络进行3D-Voronoi划分区域并和各节点之间建立通信。此时，节点首先 判断当前自身的位置信息和能耗状态，同时计算与邻居节点的位置关系。节点 再次判断传感器节点是否根据当前的位置信息进行调整。若存在未被单元体内 的节点所覆盖到的目标点，节点将受到虚拟力合力F_A的作用移动自身位置重新 部署达到最终的理想覆盖。能够提高网络的生存时间和覆盖率。通过进行节点 覆盖建模，定义球扇形，再根据voronoi的性质将目标点所在区域进行 3D-Voronoi划分，引入目标点与传感器节点之间的相关虚拟力，使其传感器节 点能够移动到指定位置进行覆盖，通过验证本发明技术方案的可行性和准确性 相关的仿真实验，本发明技术方案能够有效的提高网络的整体覆盖率以及节点 的利用率。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述， 但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是 显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均 属于本发明要求保护的范围。

Claims (6)

1.基于3D-Voronoi剖分的有向传感器网络目标监测方法，其特征在于，包括以下步骤：

1)确定监测区域，在所述监测区域中随机部署n个传感器节点，每个传感器节点预先判断自身的位置以及与邻居节点之间位置信息；

2)利用3D-Voronoi方法划分所述传感器节点的所在区域，使每个传感器节点在自身所属的单元体内；

3)对目标点的位置属性进行划分，所述位置属性包括a)目标点在传感器节点所属的单元体内；b)所述单元体内存在多个目标点，部分目标点在传感器节点所属的单元体内，另一部分目标点在传感器节点所属的单元体外；c)目标点存在于相邻两个单元体的边界上；

4)传感器节点根据被覆盖的目标点到传感器节点的距离关系判断是否覆盖到目标事件，当覆盖到的目标点数量Nc_i≥1时，执行步骤5)，当覆盖到的目标点数量Nc_i<1时，执行步骤6)；

5)保留当前的传感器节点s_k，s_k为覆盖到目标事件的节点数，选择空闲传感器节点s_f进行移动；

6)检查空闲传感器节点s_f，计算剩余目标点c_j数量Nc_j，Nc_j＝No_i-Nc_i，其中No_i为总目标点的数量；

7)判断邻居节点边界，移动目标点自身所属单元体的传感器节点以及移动邻居节点边界两侧的空闲邻居节点；

8)通过虚拟力合力F_A移动空闲传感器节点s_f覆盖剩余目标点c_j；

9)重复步骤4)至步骤8)，完成全部目标点的覆盖；

所述监测区域的三维空间L³划分成n个单元体V_n＝{V₁,V₂,…,V_n}，每个单元体V_i(i＝1,2,…,n)中包含一个传感器节点s_i，将s_i作为每个单元体V_i的生成点；

单元体V_i内部的任意点p到传感器节点s_i之间的距离小于等于p与传感器节点s_j节点的距离，即：

其中，Q(V,V_i)表示单元体V_i内部的任意点p到传感器节点s_i之间的距离与p与传感器节点s_j节点的距离进行比较的函数；

单元体中的节点传感器节点s_i(x_i,y_i,z_i)到监测区域的三维空间L³中任意点p(x,y,z)的欧式距离为：

每个单元体V_i中包含一个传感器节点s_i，传感器节点s_i的数量

和监测区域的三维空间L³划分后的单元体V_i的数量

相同，即：

每个传感器节点随着受到总的虚拟力合力F_A大小进行移动，使传感器节点受力平衡并对目标事件均匀覆盖，虚拟力合力F_A为：

F_a为传感器节点受到的目标事件的引力，F_ij为邻居节点间的相互作用力，F_b为单元体中边界障碍物与传感器节点的作用力。

2.根据权利要求1所述的基于3D-Voronoi剖分的有向传感器网络目标监测方法，其特征在于，所述监测区域中的全向传感器节点的通信范围为通信半径为r_c的感知圆球，当监测区域中两个传感器节点间的欧式距离d小于或等于传感器节点自身的通信半径r_c时，对应的两个传感器节点互为邻居节点。

3.根据权利要求1所述的基于3D-Voronoi剖分的有向传感器网络目标监测方法，其特征在于，所述目标监测方法中，建立三维有向感知模型，所述三维有向感知模型用一个五元组表示为

其中，S_i是节点的顶点位置坐标，w是主感知方向向量，r_S是节点的感知半径，2θ表示节点的感知夹角，

表示有向传感器节点的感知方向角。

4.根据权利要求1所述的基于3D-Voronoi剖分的有向传感器网络目标监测方法，其特征在于，传感器节点间的相互作用力F_ij为：

其中：k₁、k₂、a₁、a₂表示增益系数；m_i、m_j表示传感器节点的质量因子；d_ij表示传感器节点i和传感器节点j之间的欧式距离，r_min表示传感器节点的最小安全距离，r_b为传感器节点之间受到虚拟力合力为零时的位置距离；

当传感器节点之间的距离位于r_min和r_b之间时，传感器节点之间相互排斥；当传感器节点间距离等于r_b时，传感器节点不受任何力的作用；当传感器节点间距离在r_b和通信半径R_c之间时传感器节点相互吸引；当d_ij大于R_c时，传感器节点间的作用力消失。

5.根据权利要求1所述的基于3D-Voronoi剖分的有向传感器网络目标监测方法，其特征在于，传感器节点受到的目标事件的引力F_a为：

其中：k₃、a_e表示增益系数；d(e_i,j)表示传感器节点j到目标事件e_i的欧式距离；

m_j分别表示目标事件e_i与传感器节点j的质量因子；Q(E)表示目标事件集E产生的引力位于所作用的区域，当传感器节点在目标事件集E所产生的引力范围内时，传感器节点会被目标事件集E所吸引。

6.根据权利要求1所述的基于3D-Voronoi剖分的有向传感器网络目标监测方法，其特征在于，单元体中边界障碍物与传感器节点的作用力F_b为：

其中：k₄、a_b是增益系数，d_ij表示传感器节点i和传感器节点j之间的欧式距离，m_i、m_j表示传感器节点的质量因子，L是传感器节点到障碍物之间的欧式距离。

Images