CN109886509A - 一种移动多汇聚节点路径规划方法、系统及电子设备 - Google Patents

Abstract

本申请涉及一种移动多汇聚节点路径规划方法、系统及电子设备。所述方法包括：步骤a：将监测区域划分为多个正六边形网格；步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。通过本申请可以平衡网络能量消耗，有效延长网络寿命，最大限度地减少了网络延迟。

Description

一种移动多汇聚节点路径规划方法、系统及电子设备

技术领域

本申请属于移动汇聚节点路径规划技术领域，特别涉及一种移动多汇聚节点路径规划方法、系统及电子设备。

背景技术

在无线传感器网络中，多对一传输方式会在基站附近消耗大量能量，导致许多节点过早死亡，最终缩短网络寿命。为了有效地解决上述问题，在网络中采用移动汇聚节点来收集数据[Rao J，Biswas S.使用移动汇聚在传感器网络中收集数据[J]。IEEE无线通信，2008，15(6)：63-70；杨勇，方诺格.移动无线传感器网络提高网络寿命[J].计算机通信，2010，33(4)：409-419]，但是，汇聚节点的移动增加了构建路由的复杂性和网络的延迟。一方面，数据传输路径不断变化。另一方面，它使运动路径不可忽略，这意味着应考虑移动延迟。

现有的移动多汇聚节点路径规划算法主要包括：

随机移动模型：是指每次移动时都随机选择移动汇聚节点的移动方向和移动速度，该模型具有很强的不确定性。文献[Angelopoulos C M、Nikoletsesas S、Patroump D等。传感器网络中高效数据采集的新随机行走[C]//ACM移动管理与无线接入国际研讨会，Mobiwac 2011年10月31日至11月4日，美国佛罗里达州迈阿密海滩，DBLP，2011:53-60]中提出的RWM算法在该模型的基础上进行了改进，使移动汇聚节点保存了一个先进先出的列表M，该列表M存储了已访问的区域号。因此，对于M中没有出现的区号，随机选择移动汇聚节点的下一个停车位置，该算法在一定程度上减少了停车位置的重复选择，缓解了热点现象，但仍会导致能量消耗不平衡和网络延迟大。这是因为任何基于该模型的改进都不能从本质上改变随机性，因此该模型具有显著的局限性。

受控移动模型是指利用一定的控制机制(如缓冲区溢出时间等)来控制汇聚节点的移动。参考文献[Ghosh N，Banerjee I.无线传感器网络中移动数据采集器的节能路径确定策略[J]。计算机与电气工程，2015年，48:417-435]中将监测区域分解成多个三角形，得到一个通过三角形三个顶点的圆，每个圆的中心作为移动汇聚节点的停车位置。然后利用贪心算法确定下一个停车位。事实上，贪心算法所确定的路径属于局部优化路径，导致运动路径长，网络延迟大。GLRM算法[刘强，张凯，沈杰，等.GLRM：一种改进的基于网格的单控移动汇聚无线传感器网络负载均衡路由方法[C]//国际先进通信技术会议。IEEE，2016:1-2]将监测区域划分为多个虚拟正方形网格，并在每个网格中选择一个簇头。监测区域的中心线作为移动汇聚节点的移动路径，建立从簇头到汇聚节点的近似网格状路由。该算法使中心线附近的网格节点比其他节点消耗更多的能量。受控运动模型既受控制机构的控制复杂，又难以建立路径。

地理运动模型：是指移动受到实际地理环境的限制，移动汇聚节点在移动过程中遇到障碍物或边界。在文献[朱德伟，毛晓波，陈东杰.基于改进的贝塞尔曲线粒子群优化的路径规划算法[J]。计算机应用研究，2012，29(5)：1710-1712]中，提出了一种结合贝塞尔曲线描述路径和改进的粒子群优化算法的路径规划方法，旨在设计一种有效的算法，重点研究如何避免路径规划中的障碍。

预测移动模型：是指传感器节点知道移动汇聚节点的移动路径，因此传感器节点进入休眠模式，直到预测的数据传输时间，然后传感器节点进入活动模式，并将其数据发送到移动汇聚节点。预测移动模型在节点控制和网络能耗方面优于其他三种移动模型。文献[Mesai S，Boukerram A，Seba H.使用移动汇聚的基于网格的无线传感器网络中的节能数据收集[C]//IFIP无线和移动网络会议]中提出的DOSM算法将监测区域划分为网格。其次，算法根据每一轮网格中的能量选择簇头，然后求出所有簇头位置的质心，即移动汇聚节点的位置。之后，它就可以建立路由并传输数据。文献[刘X，刘Q.智能家居系统中基于移动汇聚的无线传感器的虚拟不均匀网格路由协议[J]。个人和无所不在计算，2018，22(1)：111-120]中提出的Vugr算法将低能级网格单元划分为更小的单元。在不参与虚拟高层结构构建的情况下，该算法通过高能级搜索网格单元传输数据，移动汇聚节点沿靠近网络边缘的高能级网格单元顺时针移动。虽然dosm算法和vugr算法都考虑了能量平衡，但路由更新频繁，路由结构复杂。在文献[Salarian H，Chin K W，Naghdy F.无线传感器网络节能移动汇聚路径选择策略[J]。《IEEE车辆技术汇刊》，2014，63(5)：2407-2419]中提出的算法选择权重较高的传感器节点作为集合点，建立集合点，然后找到能够访问所有集合点且不超过数据传输最大延迟的路径。文献[Kumar A K，Sivalingam K M，Kumar A.关于减少基于移动数据采集的无线传感器网络的延迟[J]。无线网络，2013，19(3)：285-299]中提出的算法根据传感器节点的位置信息，利用范围约束聚类算法确定移动汇聚节点的停止位置，并利用TSP算法找到所有停留位置的路径。然而上述两种算法在移动汇聚节点的路径规划中只考虑单因素(延迟、路径长度)的优化，不考虑传感器节点能耗和网络寿命等组合优化问题。在[朱振伟，郭X，刁X M.基于混合免疫粒子群优化的无线传感器网络移动水槽路径规划研究[J]。微电子与计算机，2018年]中，提出的算法首先根据每个传感器节点将网络构建成多个不同通信范围的圆，然后移动汇聚节点移动到每个传感器节点的通信范围采集数据，然后建立能量消耗和运动路径模型，并使用混合免疫粒子群算法去规划路径。但是，虽然考虑了能量消耗和移动路径的组合优化，但移动汇聚节点经常出现，总的移动路径和网络延迟太大。

发明内容

本申请提供了一种移动多汇聚节点路径规划方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种移动多汇聚节点路径规划方法，包括以下步骤：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

本申请实施例采取的技术方案还包括：所述步骤a还包括：在每个正六边形网格中分别存储两个移动汇聚节点的候选停车位置，并使移动汇聚节点保持在停车位置之一，以收集每个网格中传感器节点的数据；所述两个移动汇聚节点的候选停车位置分别为：整个网格的中心点位置以及传感器节点分布的质心点位置。

本申请实施例采取的技术方案还包括：所述中心点位置坐标(x_c，y_c)和质心点位置坐标(x_z，y_z)的计算公式为：

上述公式中，(x,y)表示网格的坐标，h表示网格中的节点数，S(i).xd表示i节点的横坐标，S(i).yd表示i节点的纵坐标。

本申请实施例采取的技术方案还包括：所述步骤a还包括：采用特殊区域的传感器节点属性算法进行监测区域网格信息的计算；首先，根据监测区域的不同形状将监测区域分为公共区域和特殊区域两类，其中，所述公共区域是指边界规则的区域，位于公共区域的传感器节点通过其位置和区域范围的信息计算网格所属的区域；特殊区域为边界不规则的区域，将所述特殊区域划分为“特殊奇数列”和“特殊偶数列”，当传感器节点位于“特殊奇数列”时，相邻网格的坐标为(2j，k+1)、(2j-1，k)和(2j，k)，然后计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格；当传感器节点位于“特殊偶数列”时，相邻网格的坐标为(2j，k+1)、(2j，k)和(2j+1,k)，计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格。

本申请实施例采取的技术方案还包括：在所述步骤c中，所述采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径具体包括：

步骤c1：分析优化模型以推导出HPNPSOA算法的目标函数：

上述公式中，ω表示组间能量方差的权重，μ表示路径与网络生存期之比的权重；

步骤c2：初始化HPNPSOA算法的参数：迭代初始值m(m＝1)、最大迭代次数M、正负粒子对数D；初始化正负粒子群，使每个粒子中的元素数为N；正负粒子代表网格编号1到N的序列；负粒子代表停车位置值0或1，0代表中心点位置，1代表质心点位置；

步骤c3：根据目标函数的计算公式求出每对粒子的适配值；

步骤c4：交叉操作：每对粒子穿过对应于局部最优的正和负粒子以自我更新；

步骤c5：突变操作：用于突变(v₁,v₂)，1≤v₁＜v₂≤N的位是随机产生的，从每对粒子的v₁到v₂个位置的元素被颠倒v₁到v₂插入原始拓扑，其余的保持不变；

步骤c6：迭代：迭代到迭代次数m等于最大迭代次数M，得到一对最佳正负粒子，即为最佳网格遍历顺序和最佳停车位置。

本申请实施例采取的另一技术方案为：一种移动多汇聚节点路径规划系统，包括：

区域划分模块：用于将监测区域划分为多个正六边形网格；

模型建立模块：用于将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

模型求解模块：用于针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

本申请实施例采取的技术方案还包括数据收集模块，所述区域划分模块还用于在每个正六边形网格中分别存储两个移动汇聚节点的候选停车位置，所述两个移动汇聚节点的候选停车位置分别为：整个网格的中心点位置以及传感器节点分布的质心点位置；所述数据收集模块用于使移动汇聚节点保持在停车位置之一，以收集每个网格中传感器节点的数据。

本申请实施例采取的技术方案还包括：所述中心点位置坐标(x_c，y_c)和质心点位置坐标(x_z，y_z)的计算公式为：

上述公式中，(x,y)表示网格的坐标，h表示网格中的节点数，S(i).xd表示i节点的横坐标，S(i).yd表示i节点的纵坐标。

本申请实施例采取的技术方案还包括：所述区域划分模块还包括：

网格信息计算单元：用于采用特殊区域的传感器节点属性算法进行监测区域网格信息的计算；首先，根据监测区域的不同形状将监测区域分为公共区域和特殊区域两类，其中，所述公共区域是指边界规则的区域，位于公共区域的传感器节点通过其位置和区域范围的信息计算网格所属的区域；特殊区域为边界不规则的区域，将所述特殊区域划分为“特殊奇数列”和“特殊偶数列”，当传感器节点位于“特殊奇数列”时，相邻网格的坐标为(2j，k+1)、(2j-1，k)和(2j，k)，然后计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格；当传感器节点位于“特殊偶数列”时，相邻网格的坐标为(2j，k+1)、(2j，k)和(2j+1，k)，计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格。

本申请实施例采取的技术方案还包括：所述模型求解模块采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径具体包括：

1、分析优化模型以推导出HPNPSOA算法的目标函数：

上述公式中，ω表示组间能量方差的权重，μ表示路径与网络生存期之比的权重；

2、初始化HPNPSOA算法的参数：迭代初始值m(m＝1)、最大迭代次数M、正负粒子对数D；初始化正负粒子群，使每个粒子中的元素数为N；正负粒子代表网格编号1到N的序列；负粒子代表停车位置值0或1，0代表中心点位置，1代表质心点位置；

3、根据目标函数的计算公式求出每对粒子的适配值；

4、交叉操作：每对粒子穿过对应于局部最优的正和负粒子以自我更新；

5、突变操作：用于突变(v₁,v₂)，1≤v₁＜v₂≤N的位是随机产生的，从每对粒子的v₁到v₂个位置的元素被颠倒v₁到v₂插入原始拓扑，其余的保持不变；

6、迭代：迭代到迭代次数m等于最大迭代次数M，得到一对最佳正负粒子，即为最佳网格遍历顺序和最佳停车位置。

本申请实施例采取的又一技术方案为：一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的移动多汇聚节点路径规划方法的以下操作：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的移动多汇聚节点路径规划方法、系统及电子设备通过将监测区域划分为网格，然后将网络抽象为一个选择性的TSP问题，并采用基于能量平衡的移动多汇聚节点路径规划算法(HPNPSOA)解决TSP问题，得到一个最优路径，将该最优路径均匀分布到多个移动汇聚节点，从而平衡网络能量消耗，有效延长网络寿命，最大限度地减少了网络延迟。

附图说明

图1是本申请实施例的移动多汇聚节点路径规划方法的流程图；

图2是网络模型示意图；

图3和图4为区域类别示意图；

图5为传感器节点类别示意图；

图6是本申请实施例的移动多汇聚节点路径规划系统的结构示意图；

图7为HPNPSOA算法性能示意图；

图8为网格划分示意图；

图9为由HPNPSOA算法规划的三个移动汇聚节点的移动路径示意图；

图10为HPNPSOA算法、dosm算法、glrm算法和rwm算法的网络寿命比较图；

图11为HPNPSOA算法、dosm算法、glrm算法和rwm算法中第一个节点、一半节点和所有节点的死轮数的比较直方图；

图12为HPNPSOA算法、dosm算法、glrm算法和rwm算法的网络剩余能量比较图；

图13为HPNPSOA算法、dosm算法、glrm算法和rwm算法的节点平均能耗的三维比较图；

图14为HPNPSOA算法、dosm算法、glrm算法和rwm算法的节点数-时间延迟比较图；

图15为HPNPSOA算法、dosm算法、glrm算法和rwm算法的网络规模-时间延迟比较图；

图16是本申请实施例提供的移动多汇聚节点路径规划方法的硬件设备结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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用以解释本申请，并不用于限定本申请。

本申请实施例的移动多汇聚节点路径规划方法针对传感器节点能量消耗不平衡和节点分布不均匀、节点位置固定等问题，在预测移动模型的基础上，提出了一种基于能量平衡的移动多汇聚节点路径规划算法(HPNPSOA)。该算法首先将监测区域划分为网格，然后将网络抽象为一个选择性的TSP(Traveling Salesman Problem，旅行商问题)问题，该问题可以由正负粒子群优化算法(HPNPSOAA)来解决。最后，得到一个最优路径，将该路径均匀分布到多个移动汇聚节点，从而平衡网络能量消耗，有效延长网络寿命。

具体的，请参阅图1，是本申请实施例的移动多汇聚节点路径规划方法的流程图。本申请实施例的移动多汇聚节点径规划方法包括以下步骤：

步骤100：将监测区域划分为多个正六边形网格，并在每个正六边形网格中分别存储两个移动汇聚节点的候选停车位置：整个网格的中心点位置以及传感器节点分布的质心点位置；

步骤100中，如图2所示，为网络模型示意图。n个传感器节点随机分布在监测区域内，边长为L，V_n代表传感器节点集。将监测区域划分为N个虚拟正六边形网格，网格边长为R(R是传感器节点通信半径)，V_g表示网格中的一组节点，(x，y)代表网格的坐标，g(g＝1，2LN)代表网格编号。如果有一个半径为r的圆，可以算出圆的面积是s1＝πr²，圆所涉及的正方形面积为s2＝2r²，但同一圆内的正六边形的面积是这样就可以得到s1-s2＞s1-s3的结果，即意味着正六边形的使用率高于正方形和三角形，因此，本申请使用正六边形网格来划分监测区域。

每个网格中有两个移动汇聚节点的候选停车位置：整个网格的中心点位置和传感器节点分布的质心点位置。V_site表示候选停车位置的集合，并且移动汇聚节点仅选择每个网格中的一个停车位置用于收集传感器节点的数据。V_s表示由移动汇聚节点|V_s|＝N选择的候选驻点位置的集合。之所以选择中心点位置和质心点位置作为移动汇聚节点的候选停车位置，是因为它们是成本最低的通信位置。一方面，中心点位置确保所有传感器节点都在移动汇聚节点的通信半径内，即保证一跳数据传输。另一方面，由于每个网格中节点的分布不同，一旦网格中的节点集中在网格中的一个小区域内，质心点位置的通信成本就小于中心点位置。具体的，中心点位置坐标(x_c，y_c)和质心点位置坐标(x_z，y_z)的计算公式如下：

上述公式中，(x,y)表示网格的坐标，h表示网格中的节点数，S(i).xd表示i节点的横坐标，S(i).yd表示i节点的纵坐标。

本申请采用一种特殊区域的传感器节点属性算法进行监测区域网格信息的计算。该算法的特点是特殊区域的传感器节点最接近其所属网格的中心点。如图3和图4所示，为区域类别示意图。该算法将监测区域分为公共区域和特殊区域两类，根据监测区域的不同形状进行判断。将监测区域分为7列，其中4列为灰色，3列为白色，如图5所示，为传感器节点类别示意图。灰色列按公共区域命名，白色列按特殊区域命名。公共区域是指边界规则的区域，位于公共区域的传感器节点可以通过其位置和区域范围的信息，直接知道网格所属的区域。而特殊区域的边界是不规则的，不能简单地判断传感器节点所属的网格。同时，第一列和第三列命名为“特殊奇数列”，第二列准确命名为“特殊偶数列”。在图3和图4中，红色矩形表示特殊区域，蓝色点表示靠近特殊区域的网格中心点。当传感器节点位于“特殊奇数列”时，相邻网格的坐标为然后计算传感器节点与其相邻网格中心点之间的距离。最后，距离最小的相邻网格作为传感器节点的网格。当节点位于“特殊偶数列”时，相邻网格的坐标为 然后计算传感器节点与其相邻网格中心点之间的距离。最后，距离最小的相邻网格作为传感器节点的网格。

步骤200：使移动汇聚节点保持在停车位置之一，以收集每个网格中传感器节点的数据；

步骤300：根据移动汇聚节点的数量将正六边形网格划分为多个虚拟组，建立一个综合考虑能耗平衡、网络寿命和移动路径等因素的优化模型，并将整个优化模型抽象为一个有选择的旅行商问题；

步骤300中，优化网络模型的优化目标是规划一条长度最短、延迟小、能耗平衡、网络寿命最大的路径。为了尽可能减少延迟，使用多个移动汇聚节点来共享仅由一个移动汇聚节点引起的过度延迟。所述延迟主要包括数据传输延迟和移动延迟。

数据传输延迟是指传感器节点向移动汇聚节点发送数据的时间间隔，数据传输延迟与传感器节点的传输速率v_c和到汇聚节点的距离d_s有关：

T_s1＝d_s/v_c (5)

移动延迟是指移动汇聚节点移动所花费的时间，它与移动汇聚节点的路径长度d_z和移动速度v_m有关：

T_s2＝d_z/v_m (6)

假设k为移动汇聚节点的数量，将n个网格划分为k个虚拟组：

N/k＝cL d (7)

上述公式中，c表示商，d表示余数，第一个d虚拟组分配c+1网格，其余组分配c网格。

网格能耗E_c是指网格中所有节点的能耗之和，即：

上述公式中，h表示网格节点数，E_i表示三节点的通信能耗，不同停车位的能耗不同。根据公式，可以看到E_i＝lE_tx+lε_fsd²。

组能量消耗E_p表示每组内的网格能量消耗之和。为了达到均衡能耗的目的，各组的能耗应尽可能接近。因此，需要计算平均组能量消耗和组之间的能量消耗差异：

上述公式中，t代表每个组内的网格数，k代表着移动汇聚节点的数量。

定义节点生存期是其能量耗尽所需的时间，因此节点i的生存期为：

上述公式中，C_i表示i节点的剩余能量，E_i1表示i节点的中心点通信能量消耗，E_i2表示i节点的质心点通信能量消耗。

网络生存期是网络中第一个节点死亡所需的时间，也就是说:

T＝minT_i(i＝1,2L n) (13)

根据以上分析，可以建立以下优化模型：

公式(14)中的d_TSP表示整个路径长度，即所有移动汇聚节点的路径之和。

步骤400：针对旅行商问题，采用正负粒子群混合优化算法(HPNPSOAA)对优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径；

步骤400中，本申请提出的HPNPSOA算法改进了HPSOA算法，结合物理上正负粒子相互吸引的思想，解决了有选择的旅行商问题。在粒子群初始化过程中，HPNPSOA算法将hpsoa算法中的每个粒子都改变为一对正负粒子。正粒子表示移动汇聚节点穿过网格的顺序，负粒子表示每个网格中的停车位置的选择。也就是说，正负粒子代表路线规划过程中的两个因素，在每对正负粒子中处于同一位置的两个元素一起可以算出某个位置。只有两个元素在一起才能确定位置，所以用正负粒子来命名，与物理学中的引力相比较。在每对正负粒子中处于同一位置的两个元素共同代表一个特定的位置，并且由于吸引力，它们也在交叉和突变操作中一起改变。为了保证算法具有更快的收敛速度和优化结果，HPNPSOA算法还改进了交叉和变异运算。

HPNPSOA算法放弃了将用于最佳插入粒子末端的位间元素交叉的方法，采用了将用于最佳插入的位间元素交叉的方法，替代了交叉操作中随机生成的插入的位间元素。在执行突变操作时，不再使用随机产生突变的两位元素交换的方法，而是将随机产生突变的两位元素颠倒，替换随机产生突变的两位元素的方法。通过改进交叉和变异运算，可以提高算法的稳定性，使其收敛速度不致过慢，增加算法的运行时间，收敛速度过快，不会陷入局部最优结果。

具体地，HPNPSOA算法过程如下：

步骤401：分析优化模型以推导出HPNPSOA算法的目标函数：

上述公式中，ω表示组间能量方差的权重，μ表示路径与网络生存期之比的权重。ω的值越高，越能反映各组间能量平衡的客观函数结果。μ值越高，反映整个网络能量平衡的客观函数结果就越多。

步骤402：粒子群初始化。初始化HPNPSOA算法的参数：迭代初始值m(m＝1)、最大迭代次数M、正负粒子对数D等；初始化正负粒子群，使每个粒子中的元素数为N；正负粒子代表网格编号1到N的序列；负粒子代表停车位置值0或1，0代表中心点位置，1代表质心点位置。

步骤403：根据目标函数的计算公式求出每对粒子的适配值(目标函数值)；适配值越小，优化效果越好。根据每对粒子的计算公式PBEST(粒子本身经历过的最优位置)和全局最佳GBEST(整个粒子群搜索得到的最优位置)获得每对粒子的适配值。如果每对粒子的当前适配值小于局部最优值或全局最优值，则用当前适配值更新局部最优值和全局最优值。

步骤404：交叉操作：首先，每对粒子穿过对应于局部最优的正和负粒子以自我更新。然后，每对粒子穿过对应于全局最优值的正粒子和负粒子，以再次自我更新。用于穿过(c₁,c₂)的位置，1≤c₁＜c₂≤N和(c₃,c₄)、1≤c₃＜c₄≤N是随机生成的，用于插入p_flag的位置，1≤p_flag≤N-(c₂-c₁)-1和g_flag、1≤g_flag≤N-(c₄-c₃)-1也是随机生成的。每对粒子的p_flag:p_flag+(c₂-c₁)元素被每对局部最佳粒子的c₁:c₂元素取代，每对粒子的g_flag:g_flag+(c₄-c₃)元素被c₃:c₄替换。

步骤405：突变操作：用于突变(v₁,v₂)，1≤v₁＜v₂≤N的位是随机产生的。从每对粒子的v₁到v₂个位置的元素被颠倒v₁到v₂插入原始拓扑，其余的保持不变。

步骤406：迭代；迭代到迭代次数m等于最大迭代次数M，得到一对最佳正负粒子，即最佳网格遍历顺序和最佳停车位置。

步骤500：将最优路径分配给组中不同的移动汇聚节点，使每个移动汇聚节点在自己的组中移动；

步骤500中，为了保证所有移动汇聚节点的同步，将移动汇聚节点每轮数据采集所花费的最长时间定义为每轮网络的数据采集时间，可以有效地解决“空穴”问题，平衡了节点的能量消耗，延长了网络寿命，最大限度地减少了网络延迟。

请参阅图6，是本申请实施例的移动多汇聚节点路径规划系统的结构示意图。本申请实施例的移动多汇聚节点径规划系统包括区域划分模块、数据收集模块、模型建立模块、模型求解模块和路径分配模块。

区域划分模块：用于将监测区域划分为多个正六边形网格，并在每个正六边形网格中分别存储两个移动汇聚节点的候选停车位置：整个网格的中心点位置以及传感器节点分布的质心点位置；其中，如图2所示，n个传感器节点随机分布在监测区域内，边长为L，V_n代表传感器节点集。将监测区域划分为N个虚拟正六边形网格，网格边长为R(R是传感器节点通信半径)，V_g表示网格中的一组节点，(x，y)代表网格的坐标，g(g＝1，2L N)代表网格编号。如果有一个半径为r的圆，可以算出圆的面积是s1＝πr²，圆所涉及的正方形面积为s2＝2r²，但同一圆内的正六边形的面积是这样就可以得到s1-s2＞s1-s3的结果，即意味着正六边形的使用率高于正方形和三角形，因此，本申请使用正六边形网格来划分监测区域。

每个网格中有两个移动汇聚节点的候选停车位置：整个网格的中心点位置和传感器节点分布的质心点位置。V_site表示候选停车位置的集合，并且移动汇聚节点仅选择每个网格中的一个停车位置用于收集传感器节点的数据。V_s表示由移动汇聚节点|V_s|＝N选择的候选驻点位置的集合。之所以选择中心点位置和质心点位置作为移动汇聚节点的候选停车位置，是因为它们是成本最低的通信位置。一方面，中心点位置确保所有传感器节点都在移动汇聚节点的通信半径内，即保证一跳数据传输。另一方面，由于每个网格中节点的分布不同，一旦网格中的节点集中在网格中的一个小区域内，质心点位置的通信成本就小于中心点位置。具体的，中心点位置坐标(x_c，x_c)和质心点位置坐标(x_z，y_z)的计算公式如下：

上述公式中，(x,y)表示网格的坐标，h表示网格中的节点数，S(i).xd表示i节点的横坐标，S(i).yd表示i节点的纵坐标。

具体的，区域划分模块还包括：

网格信息计算单元：用于采用一种特殊区域的传感器节点属性算法进行监测区域网格信息的计算。该算法的特点是特殊区域的传感器节点最接近其所属网格的中心点。如图3和图4所示，该算法将监测区域分为公共区域和特殊区域两类，根据监测区域的不同形状进行判断。将监测区域分为7列，其中4列为灰色，3列为白色，如图5所示，灰色列按公共区域命名，白色列按特殊区域命名。公共区域是指边界规则的区域，位于公共区域的传感器节点可以通过其位置和区域范围的信息，直接知道网格所属的区域。而特殊区域的边界是不规则的，不能简单地判断传感器节点所属的网格。同时，第一列和第三列命名为“特殊奇数列”，第二列准确命名为“特殊偶数列”。在图3和图4中，红色矩形表示特殊区域，蓝色点表示靠近特殊区域的网格中心点。当传感器节点位于“特殊奇数列”时，相邻网格的坐标为(2j，k+1)、(2j-1，k)和(2j，k)。然后计算传感器节点与其相邻网格中心点之间的距离。最后，距离最小的相邻网格作为传感器节点的网格。当节点位于“特殊偶数列”时，相邻网格的坐标为(2j，k+1)、(2j，k)和(2j+1，k)然后计算传感器节点与其相邻网格中心点之间的距离。最后，距离最小的相邻网格作为传感器节点的网格。

数据收集模块：用于将移动汇聚节点保持在停车位置之一，以收集每个网格中传感器节点的数据；

模型建立模块：用于根据移动汇聚节点的数量将正六边形网格划分为多个虚拟组，建立一个综合考虑能耗平衡、网络寿命和移动路径等因素的优化模型，并将整个优化模型抽象为一个有选择的旅行商问题；其中，优化模型的优化目标是规划一条长度最短、延迟小、能耗平衡、网络寿命最大的路径。本申请实施例中，为了尽可能减少延迟，使用多个移动汇聚节点来共享仅由一个移动汇聚节点引起的过度延迟。所述延迟主要包括数据传输延迟和移动延迟。

数据传输延迟是指传感器节点向移动汇聚节点发送数据的时间间隔，数据传输延迟与传感器节点的传输速率v_c和到汇聚节点的距离d_s有关：

T_s1＝d_s/v_c (5)

移动延迟是指移动汇聚节点移动所花费的时间，它与移动汇聚节点的路径长度d_z和移动速度v_m有关：

T_s2＝d_z/v_m (6)

假设k为移动汇聚节点的数量，将n个网格划分为k个虚拟组：

N/k＝cL d (7)

上述公式中，c表示商，d表示余数，第一个d虚拟组分配c+1网格，其余组分配c网格。

网格能耗E_c是指网格中所有节点的能耗之和，即：

上述公式中，h表示网格节点数，E_i表示三节点的通信能耗，不同停车位的能耗不同。根据公式，可以看到E_i＝lE_tx+lε_fsd²。

组能量消耗E_p表示每组内的网格能量消耗之和。为了达到均衡能耗的目的，各组的能耗应尽可能接近。因此，需要计算平均组能量消耗和组之间的能量消耗差异：

上述公式中，t代表每个组内的网格数，k代表着移动汇聚节点的数量。

定义节点生存期是其能量耗尽所需的时间，因此节点i的生存期为：

上述公式中，C_i表示i节点的剩余能量，E_i1表示i节点的中心点通信能量消耗，E_i2表示i节点的质心点通信能量消耗。

网络生存期是网络中第一个节点死亡所需的时间，也就是说:

T＝minT_i(i＝1,2L n) (13)

根据以上分析，可以建立以下优化模型：

公式(14)中的d_TSP表示整个路径长度，即所有移动汇聚节点的路径之和。

模型求解模块：用于针对旅行商问题，采用正负粒子群混合优化算法(HPNPSOAA)对优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径；其中，本申请提出的HPNPSOA算法改进了HPSOA算法，结合物理上正负粒子相互吸引的思想，解决了有选择的旅行商问题。在粒子群初始化过程中，HPNPSOA算法将hpsoa算法中的每个粒子都改变为一对正负粒子。正粒子表示移动汇聚节点穿过网格的顺序，负粒子表示每个网格中的停车位置的选择。也就是说，正负粒子代表路线规划过程中的两个因素，在每对正负粒子中处于同一位置的两个元素一起可以算出某个位置。只有两个元素在一起才能确定位置，所以用正负粒子来命名，与物理学中的引力相比较。在每对正负粒子中处于同一位置的两个元素共同代表一个特定的位置，并且由于吸引力，它们也在交叉和突变操作中一起改变。为了保证算法具有更快的收敛速度和优化结果，HPNPSOA算法还改进了交叉和变异运算。

HPNPSOA算法放弃了将用于最佳插入粒子末端的位间元素交叉的方法，采用了将用于最佳插入的位间元素交叉的方法，替代了交叉操作中随机生成的插入的位间元素。在执行突变操作时，不再使用随机产生突变的两位元素交换的方法，而是将随机产生突变的两位元素颠倒，替换随机产生突变的两位元素的方法。通过改进交叉和变异运算，可以提高算法的稳定性，使其收敛速度不致过慢，增加算法的运行时间，收敛速度过快，不会陷入局部最优结果。

具体地，HPNPSOA算法过程如下：

1：分析优化模型以推导出HPNPSOA算法的目标函数：

上述公式中，ω表示组间能量方差的权重，μ表示路径与网络生存期之比的权重。ω的值越高，越能反映各组间能量平衡的客观函数结果。μ值越高，反映整个网络能量平衡的客观函数结果就越多。

2：粒子群初始化。初始化HPNPSOA算法的参数：迭代初始值m(m＝1)、最大迭代次数M、正负粒子对数D等；初始化正负粒子群，使每个粒子中的元素数为N；正负粒子代表网格编号1到N的序列；负粒子代表停车位置值0或1，0代表中心点位置，1代表质心点位置。

3：根据目标函数的计算公式求出每对粒子的适配值(目标函数值)；适配值越小，优化效果越好。根据每对粒子的计算公式PBEST(粒子本身经历过的最优位置)和全局最佳GBEST(整个粒子群搜索得到的最优位置)获得每对粒子的适配值。如果每对粒子的当前适配值小于局部最优值或全局最优值，则用当前适配值更新局部最优值和全局最优值。

4：交叉操作：首先，每对粒子穿过对应于局部最优的正和负粒子以自我更新。然后，每对粒子穿过对应于全局最优值的正粒子和负粒子，以再次自我更新。用于穿过(c₁,c₂)的位置，1≤c₁＜c₂≤N和(c₃,c₄)、1≤c₃＜c₄≤N是随机生成的，用于插入p_flag的位置，1≤p_flag≤N-(c₂-c₁)-1和g_flag、1≤g_flag≤N-(c₄-c₃)-1也是随机生成的。每对粒子的p_flag:p_flag+(c₂-c₁)元素被每对局部最佳粒子的c₁:c₂元素取代，每对粒子的g_flag:g_flag+(c₄-c₃)元素被c₃:c₄替换。

5：突变操作：用于突变(v₁,v₂)，1≤v₁＜v₂≤N的位是随机产生的。从每对粒子的v₁到v₂个位置的元素被颠倒v₁到v₂插入原始拓扑，其余的保持不变。

6：迭代；迭代到迭代次数m等于最大迭代次数M，得到一对最佳正负粒子，即最佳网格遍历顺序和最佳停车位置。

路径分配模块：用于将最优路径分配给组中不同的移动汇聚节点，使每个移动汇聚节点在自己的组中移动；其中，为了保证所有移动汇聚节点的同步，将移动汇聚节点每轮数据采集所花费的最长时间定义为每轮网络的数据采集时间，可以有效地解决“空穴”问题，平衡了节点的能量消耗，延长了网络寿命，最大限度地减少了网络延迟。

为了验证本申请的可行性和有效性，采用了以下实施例进行模拟仿真：

1.模拟场景和参数设置

模拟场景设置：在100m×100m的方形监测区域内随机部署100个传感器节点，传感器节点处于静止状态，在监测区域内部署3个移动汇聚节点，以2m/s的恒定速度移动，模拟参数设置如表2所示：

表2参数设置

同时，考虑到不同组别之间的能量平衡和整个网络的能量平衡，因此目标函数F(17)中和的值几乎相同，即

ω和μ的值通过实验获得，如下表3所示：

表3目标函数权重值

由表3可知，ω/μ的平均值为7.7267e+06，可以得到ω＝1200000和μ＝0.16，从而建立方程ω/μ＝7.7267e+06。

2.HPNPSOA算法性能分析

遗传算法和粒子群算法等群体智能优化算法的性能主要取决于算法的收敛性、稳定性和优化目标值。如图7所示，为HPNPSOA算法性能示意图。本申请提出的HPNPSOA算法与经典的混合粒子群优化(hpso)算法进行了比较。从迭代的角度来看，经典的hpso算法迭代52次得到最优目标值，而HPNPSOA算法只需要迭代23次。HPNPSOA算法的收敛性明显优于经典的hpso算法。从优化目标值的角度看，经典的hpso算法的优化结果为0.039，HPNPSOA算法的优化结果为0.033。优化结果表明，与传统的HPSO算法相比，该算法具有更强的求解能力。得到最优解后，HPNPSOA算法的适应值不再随迭代次数而变化，表明该算法具有良好的稳定性。综合分析，该算法具有良好的收敛性、稳定性和较强的求解能力。

3.仿真结果分析

移动汇聚节点数和移动路径

如图8所示，为网格划分示意图。在图8中，圆圈表示每个区域的质心点，星号表示每个区域的中心点。移动汇聚节点的数量与监测区域的大小和网格的大小有关。如果移动汇聚节点的路径太长，移动延迟会增加，因此移动汇聚节点的数量不能太小。当然，移动汇聚节点不多，这会导致成本增加和资源浪费。如图8所示，监测区域划分为N＝14网格(最大移动汇聚节点数为14个)，移动汇聚节点数与移动汇聚节点所穿越的最小网格数的对应关系如表4所示：

表4最小网格数

当移动汇聚节点数超过8个时，移动汇聚节点所穿越的网格数最小为1个，可见移动汇聚节点数过大。由表4可以看出，移动汇聚节点穿越的最小网格数为设定值1、2、3、4、7、14，因此网格的最佳最小数量为4(4到7更接近平均值)。因此，移动汇聚节点的数量是三个。

图9为由HPNPSOA算法规划的三个移动汇聚节点的移动路径示意图。一个移动路径分为三部分，第一个虚拟组和第二个虚拟组分为五个网格，第三组分为四个网格。可以看出，对于在边缘组中移动的汇聚节点，质心点的位置可以平衡节点的能量消耗，延长网络寿命，最小化汇聚节点的移动路径，以减少延迟。当质心点与中心点之间的距离较小时，在内部组中移动汇聚节点可以选择中心点的位置，进一步减小移动路径。因此，HPNPSOA算法可以获得最短的路径长度、较小的延迟、均衡的能量消耗和最大的网络寿命。当移动汇聚节点进入传感器节点所在的网格时，传感器节点进入工作模式，然后与移动汇聚节点相互传输数据。另一种情况是，当移动汇聚节点从位于其中的传感器节点所在的网格中移出时，传感器节点将变为休眠模式以节省能源。

网络生存期

图10显示了HPNPSOA算法、dosm算法、glrm算法和rwm算法的网络寿命比较图。定义网络生存期是指网络中第一个节点死亡的时间。从图10可以看出，与dosm算法、glrm算法和rwm算法相比，HPNPSOA算法的网络寿命分别延长到155％、86％和68％。该算法有效地延长了网络寿命。与glrm算法和rwm算法相比，HPNPSOA算法曲线更陡，第一个节点死的轮数与所有节点死的轮数之间的间隔非常短，说明HPNPSOA算法在整个网络中具有更均衡的能量消耗。

死节点比较

图11显示了HPNPSOA算法、dosm算法、glrm算法和rwm算法中第一个节点、一半节点和所有节点的死轮数的比较直方图。如图11所示，在所有三个时间段内，HPNPSOA算法的寿命都比其他算法长。从第一个节点的死亡轮数来看，HPNPSOA算法比dosm算法、glrm算法和rwm算法分别高出155％、86％和68％。从半个节点的死亡轮数来看，HPNPSOA算法分别比dosm算法、glrm算法和rwm算法高176％、21％和20％。从所有节点的死亡轮数来看，HPNPSOA算法分别比dosm算法、glrm算法和rwm算法高113％、10％和6％。综上所述，HPNPSOA算法在整个网络周期内提高了节点的生存期，延长了网络的生存期。

网络剩余能量

图12显示了HPNPSOA算法、dosm算法、glrm算法和rwm算法的网络剩余能量比较图。从图中可以看出，HPNPSOA算法每轮剩余能量最大，这表明该算法可以大大降低网络的能耗。网络剩余能量比较图与图10中的网络寿命比较图一致。

能耗平衡与热点现象

图13显示了HPNPSOA算法、dosm算法、glrm算法和rwm算法的节点平均能耗的三维比较图。图13中有四个图表用于显示能耗的比较。图中将100*100的监测区域划分为100个等量单元，每个单元为10*10，这样可以计算出每个单元的能耗，从而更清楚地分析四种算法的比较。从图中可以清楚地看到，HPNPSOA算法具有最低的能耗和最佳的能耗平衡。dosm算法能耗大，但能耗平衡较好。GLRM算法存在明显的热点现象，RWM算法能耗大且不平衡。HPNPSOA算法综合考虑节点分布、能量平衡和网络生存期，规划移动终端节点路径，有效平衡整个网络的能量消耗，缓解热点现象。

网络延时

图14显示了HPNPSOA算法、dosm算法、glrm算法和rwm算法的节点数-时间延迟比较图。网络大小为200200。从图中可以看出，节点数越大，数据传输的延迟越大，总延迟越大。在不同的节点数下，HPNPSOA算法比dosm算法和glrm算法具有更小的延迟。然而，当节点数超过400个时，HPNPSOA算法的延迟开始大于rwm算法。其原因是随着传感器节点数量的增加，网格中节点的分布更加密集，中心点与质心点的差异减小。同时，它导致数据传输延迟的差异变小，这是由HPNPSOA算法和rwm算法共同决定的。换言之，由于数据传输延迟在总延迟比例中的减少，使得HPNPSOA算法在减少延迟方面的优势在一定程度上略有下降。然而，延迟并不是本申请的主要优化目标，而是低能耗和均衡能耗。引入移动性来降低和平衡网络能量消耗最初是以增加网络延迟为代价的，因此本申请只尽可能减少延迟。

图15显示了HPNPSOA算法、dosm算法、glrm算法和rwm算法的网络规模-时间延迟比较图。节点数量为500。从图中可以看出，网络规模越大，时延越大，网络总时延也越大。在不同的网络规模下，HPNPSOA算法的时延要小于dosm算法和glrm算法。然后，当网络规模大于340m*340m时，HPNPSOA算法要小于rwm算法，与图14给出的延迟图一致。当网络规模增加时，HPNPSOA算法降低时延的优势越明显。虽然本申请提出的算法比固定汇聚节点的算法具有更大的延迟，但有效地降低了网络的能耗，延长了网络的寿命。

图16是本申请实施例提供的移动多汇聚节点路径规划方法的硬件设备结构示意图。如图16所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。

处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图16中以通过总线连接为例。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。

本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

本申请实施例的移动多汇聚节点路径规划方法、系统及电子设备通过将监测区域划分为网格，然后将网络抽象为一个选择性的TSP问题，并采用基于能量平衡的移动多汇聚节点路径规划算法(HPNPSOA)解决TSP问题，得到一个最优路径，将该最优路径均匀分布到多个移动汇聚节点，从而平衡网络能量消耗，有效延长网络寿命，最大限度地减少了网络延迟。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种移动多汇聚节点路径规划方法，其特征在于，包括以下步骤：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

2.根据权利要求1所述的移动多汇聚节点路径规划方法，其特征在于，所述步骤a还包括：在每个正六边形网格中分别存储两个移动汇聚节点的候选停车位置，并使移动汇聚节点保持在停车位置之一，以收集每个网格中传感器节点的数据；所述两个移动汇聚节点的候选停车位置分别为：整个网格的中心点位置以及传感器节点分布的质心点位置。

3.根据权利要求2所述的移动多汇聚节点路径规划方法，其特征在于，所述中心点位置坐标(x_c，y_c)和质心点位置坐标(x_z，y_z)的计算公式为：

上述公式中，(x,y)表示网格的坐标，h表示网格中的节点数，S(i).xd表示i节点的横坐标，S(i).yd表示i节点的纵坐标。

4.根据权利要求3所述的移动多汇聚节点路径规划方法，其特征在于，所述步骤a还包括：采用特殊区域的传感器节点属性算法进行监测区域网格信息的计算；首先，根据监测区域的不同形状将监测区域分为公共区域和特殊区域两类，其中，所述公共区域是指边界规则的区域，位于公共区域的传感器节点通过其位置和区域范围的信息计算网格所属的区域；特殊区域为边界不规则的区域，将所述特殊区域划分为“特殊奇数列”和“特殊偶数列”，当传感器节点位于“特殊奇数列”时，相邻网格的坐标为(2j，k+1)、(2j-1，k)和(2j，k)，然后计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格；当传感器节点位于“特殊偶数列”时，相邻网格的坐标为(2j，k+1)、(2j，k)和(2j+1，k)，计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格。

5.根据权利要求1至4任一项所述的移动多汇聚节点路径规划方法，其特征在于，在所述步骤c中，所述采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径具体包括：

步骤c1：分析优化模型以推导出HPNPSOA算法的目标函数：

上述公式中，ω表示组间能量方差的权重，μ表示路径与网络生存期之比的权重；

步骤c2：初始化HPNPSOA算法的参数：迭代初始值m(m＝1)、最大迭代次数M、正负粒子对数D；初始化正负粒子群，使每个粒子中的元素数为N；正负粒子代表网格编号1到N的序列；负粒子代表停车位置值0或1，0代表中心点位置，1代表质心点位置；

步骤c3：根据目标函数的计算公式求出每对粒子的适配值；

步骤c4：交叉操作：每对粒子穿过对应于局部最优的正和负粒子以自我更新；

步骤c5：突变操作：用于突变(v₁,v₂)，1≤v₁＜v₂≤N的位是随机产生的，从每对粒子的v₁到v₂个位置的元素被颠倒v₁到v₂插入原始拓扑，其余的保持不变；

步骤c6：迭代：迭代到迭代次数m等于最大迭代次数M，得到一对最佳正负粒子，即为最佳网格遍历顺序和最佳停车位置。

6.一种移动多汇聚节点路径规划系统，其特征在于，包括：

区域划分模块：用于将监测区域划分为多个正六边形网格；

模型建立模块：用于将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

模型求解模块：用于针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。

7.根据权利要求6所述的移动多汇聚节点路径规划系统，其特征在于，还包括数据收集模块，所述区域划分模块还用于在每个正六边形网格中分别存储两个移动汇聚节点的候选停车位置，所述两个移动汇聚节点的候选停车位置分别为：整个网格的中心点位置以及传感器节点分布的质心点位置；所述数据收集模块用于使移动汇聚节点保持在停车位置之一，以收集每个网格中传感器节点的数据。

8.根据权利要求7所述的移动多汇聚节点路径规划系统，其特征在于，所述中心点位置坐标(x_c，y_c)和质心点位置坐标(x_z，y_z)的计算公式为：

上述公式中，(x,y)表示网格的坐标，h表示网格中的节点数，S(i).xd表示i节点的横坐标，S(i).yd表示i节点的纵坐标。

9.根据权利要求8所述的移动多汇聚节点路径规划系统，其特征在于，所述区域划分模块还包括：

网格信息计算单元：用于采用特殊区域的传感器节点属性算法进行监测区域网格信息的计算；首先，根据监测区域的不同形状将监测区域分为公共区域和特殊区域两类，其中，所述公共区域是指边界规则的区域，位于公共区域的传感器节点通过其位置和区域范围的信息计算网格所属的区域；特殊区域为边界不规则的区域，将所述特殊区域划分为“特殊奇数列”和“特殊偶数列”，当传感器节点位于“特殊奇数列”时，相邻网格的坐标为(2j，k+1)、(2j-1，k)和(2j，k)，然后计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格；当传感器节点位于“特殊偶数列”时，相邻网格的坐标为(2j，k+1)、(2j，k)和(2j+1，k)，计算传感器节点与其相邻网格中心点之间的距离，距离最小的相邻网格作为传感器节点的网格。

10.根据权利要求6至9任一项所述的移动多汇聚节点路径规划系统，其特征在于，所述模型求解模块采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径具体包括：

分析优化模型以推导出HPNPSOA算法的目标函数：

上述公式中，ω表示组间能量方差的权重，μ表示路径与网络生存期之比的权重；

初始化HPNPSOA算法的参数：迭代初始值m(m＝1)、最大迭代次数M、正负粒子对数D；初始化正负粒子群，使每个粒子中的元素数为N；正负粒子代表网格编号1到N的序列；负粒子代表停车位置值0或1，0代表中心点位置，1代表质心点位置；

根据目标函数的计算公式求出每对粒子的适配值；

交叉操作：每对粒子穿过对应于局部最优的正和负粒子以自我更新；

突变操作：用于突变(v₁,v₂)，1≤v₁＜v₂≤N的位是随机产生的，从每对粒子的v₁到v₂个位置的元素被颠倒v₁到v₂插入原始拓扑，其余的保持不变；

迭代：迭代到迭代次数m等于最大迭代次数M，得到一对最佳正负粒子，即为最佳网格遍历顺序和最佳停车位置。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至5任一项所述的移动多汇聚节点路径规划方法的以下操作：

步骤a：将监测区域划分为多个正六边形网格；

步骤b：将所述多个正六边形网格划分为与移动汇聚节点数量相对应的虚拟组，根据所述虚拟组建立优化模型，并将所述优化模型抽象为一个有选择的旅行商问题；

步骤c：针对所述旅行商问题，采用正负粒子群混合优化算法对所述优化模型进行求解，得到具有最优网格遍历顺序和最优停车位置的最优路径。