CN110401958B - 一种基于虚拟力的节点动态覆盖增强方法 - Google Patents

Abstract

本发明涉及一种基于虚拟力的节点动态覆盖增强方法，属于移动无线传感网络覆盖控制技术应用领域。本方法首先利用voronoi图将监控区域划分成多个子区域，然后检测每个voronoi多边形内的未覆盖网格点，传感器根据未覆盖网格点的虚拟力进行移动，同时引入非线性动态策略改变移动步长，从而减少能量损耗；其次，采用一种检测机制，利用delaunay三角网检测传感器之间的局部覆盖孔并进行修复。本发明改善了传统方法覆盖率低、能耗大、网络收敛速度慢、鲁棒性差等难题，能够在不同的环境下达到满意的覆盖率；并能够很好的解决局部覆盖空洞现象，使网络中节点分布更加均匀，进一步优化网络的覆盖率。

Description

一种基于虚拟力的节点动态覆盖增强方法

技术领域

本发明属于移动无线传感网络(Mobile Wireless Sensor Networks，MWSN)覆盖控制技术应用领域，涉及一种基于虚拟力的节点动态覆盖增强方法。

背景技术

近年来，随着无线通信、集成电路、微机电系统等技术的发展，移动无线传感网广泛应用于各个领域，包括战场监控、环境监测、目标跟踪、精准农业以及物联网等。移动无线传感网由大量移动传感器节点构成，每个传感器具有相同的移动能力、感知能力、通信范围以及数据收集和处理的特点。在移动无线传感网络中，往往采用随机方式部署传感器节点，覆盖率低，网络存在大量覆盖空洞，导致一些重要数据和信息无法被捕捉。传感器节点依靠电池进行供电，没有蓄电功能，因此在传感器的重新部署阶段需要减少节点的无效移动。

目前在无线传感网络的覆盖控制技术中，一般采用智能群算法、虚拟力算法、几何算法等。智能群算法虽然易于实施，但是在覆盖率性能方面较差，不能满足人们对高覆盖率的要求。而虚拟力算法是最流行的覆盖控制算法之一，但是在收敛速度方面不够理想，针对这个问题，文献“Mahboubi等人，Distributed Deployment Algorithms for CoverageImprovement in a Network of Wireless Mobile Sensors:Relocation by VirtualForce.IEEE Transactions on Control of Network Systems,2017”提出利用Voronoi图加快网络的收敛，这为覆盖控制算法提出了新的解决思路。文献“方伟,宋鑫宏.基于Voronoi图盲区的无线传感器网络覆盖控制部署策略[J].物理学报，2014”，提出利用Voronoi图盲区信息进行覆盖增强。在文献“Novel efficient deployment schemes forsensor coverage in mobile wireless sensor networks.Information Fusion,2018”，提出DCBC算法重构Voronoi图，进一步提高网络的覆盖率，但是该算法复杂度太高，不利于工程的实现。而且没有考虑传感器节点能耗问题。

综上所述，目前在移动无线传感器网络技术领域存在的问题是：1)移动无线传感器网络中，控制节点移动的约束条件太少，导致网络收敛速度慢、覆盖率低、鲁棒性较差。2)移动无线传感器网络中，节点的移动采用固定步长，会产生节点震荡现象，并且也是网络收敛速度慢的主要原因之一。3)移动无线传感器网络中，通常只考虑覆盖的全局效果，导致传感器之间会产生局部覆盖空洞，网络均匀度较差。4)覆盖重叠面积较大导致传感器的利用率较低。

目前解决现有技术中存在的上述技术问题的难度在于：移动无线传感网络为密集型网络，需要重定位每一个传感器找到最佳的位置，从而提高网络的覆盖率。在传感器的移动过程中，需要尽量减少移动距离，保证算法的有效性。这是一个NP问题，通过寻找次优解达到较高的覆盖率，并且在此过程需要尽量减少节点能耗。因此设计一种高效的部署算法提高网络的覆盖率是本发明的难点。从另一方面来说，移动无线传感器网络节点功耗有限，因此减少节点能耗，增强覆盖率是非常重要的。如果能在有限的资源下，保持高覆盖率监测网络环境，延长网络寿命，这将为后续的目标跟踪等需求提供更好的条件，因此本发明在实际应用中有非常重要的应用价值。

发明内容

有鉴于此，本发明的目的在于提供一种基于虚拟力的节点动态覆盖增强方法，该方法针对传统虚拟力算法由于约束条件太少导致收敛速度慢、覆盖效率低，节点在移动过程产生震荡现象造成能耗损失等问题，引入Voronoi图进行虚拟力重定位加快收敛速度，增加未覆盖网格点的虚拟吸引力提高网络覆盖率，同时考虑了节点之间的均匀度以及节点的利用率。

为达到上述目的，本发明提供如下技术方案：

一种基于虚拟力的节点动态覆盖增强方法，该方法包括以下步骤：

S1：根据传感器的位置信息构造Voronoi图，检查每个Voronoi多边形顶点覆盖情况；

S2：根据Voronoi多边形顶点覆盖情况分为以下两种：情况1，当Voronoi多边形顶点全部被覆盖的情况下，计算Voronoi多边形的形心；情况2，当Voronoi多边形顶点存在未被覆盖的情况下，根据Voronoi多边形顶点的位置信息，计算Voronoi多边形内部未覆盖网格点的个数以及坐标；

S3：计算虚拟吸引力的大小以及方向，并且计算出下一时刻传感器的位置信息，如果覆盖率大于上一时刻，则进行位置更新，否则进入检测系统；

S4：在检测系统中，首先根据传感器位置信息构造Delaunay三角网，分别计算每个传感器所构成的Delaunay三角的空圆圆心坐标以及半径，如果空圆半径大于传感器感测半径，则计算出空圆对传感器的虚拟吸引力，以及下一时刻传感器的位置坐标；

S5：判断覆盖率是否增加，如果是则进行位置更新，否则位置保持不变；

S6：判断是否满足迭代条件，当满足迭代条件时，将传感器的位置信息返回步骤S1，否则则输出结果，部署完成。

进一步，在步骤S1中具体包括，在监控区域内随机部署N个传感器，传感器通过一跳或者多跳的方式与其它传感器通信，获得所有传感器的位置信息，然后根据位置信息构造Voronoi图，网络被分成N个Voronoi多边形，依次检查每个Voronoi多边形顶点覆盖情况。

进一步，在步骤S2中，根据每个Voronoi多边形顶点的覆盖情况分为以下两种：

情况1：Voronoi多边形顶点全部被覆盖，此时Voronoi图多边形内不存在盲区，因此计算出Voronoi多边形的形心位置：

其中M为n边形面积，计算公式如下：

情况2：Voronoi多边形存在未覆盖顶点，此时Voronoi多边形内存在覆盖空洞，因此根据Voronoi多边形顶点的位置信息计算出该多边形内存在的未覆盖坐标点位置信息以及个数。

进一步，在步骤S3中，计算虚拟力的大小时分为两种情况，形心所产生的虚拟力或者未覆盖网格点产生的虚拟力；

当Voronoi多边形内不存在覆盖空洞时，则只存在Voronoi多边形形心的虚拟吸引力：

其中α是虚拟力比例系数，c(i)是第i个Voronoi多边形的形心坐标，s(i)是传感器i的坐标，d是形心c(i)到传感器s(i)的欧氏距离；

当Voronoi多边形内存在覆盖空洞时，只存在未覆盖网格点对传感器的虚拟吸引力，假设Voronoi多边形内存在m个未覆盖网格点，则传感器受到的虚拟力大小为：

其中β是虚拟力比例系数，uncov(k)是未覆盖网格点坐标；

传感器的更新公式如下：

其中x_old(i,1)，x_old(i,2)是传感器上一时刻的位置，F_x,F_y是传感器在x轴、y轴方向的分力，fitness(t)是上一时刻的覆盖率。

进一步，在步骤S4中，首先根据传感器位置信息构造Delaunay三角网，假设传感器s(i)参与构成的Delaunay三角形有n个，分别计算每个三角形的外接圆，将其称为空圆，圆心坐标为h(k)，半径为R_k；如果R_k＞R_s，则在三个传感器之间存在覆盖空洞，空圆的圆心产生虚拟吸引力：

其中

是虚拟力比例系数。

进一步，在步骤S5中，基于计算的虚拟力的大小以及下一时刻传感器的位置，判断是否增加覆盖率，选择覆盖效果最好的位置进行位置更新；如果覆盖率低于上一时刻，传感器位置保持不变。

本发明的有益效果在于：1)本发明改善了传统方法覆盖率低、能耗大、网络收敛速度慢、鲁棒性差等难题，能够在不同的环境下达到满意的覆盖率；2)本发明提出的检查系统能够很好的解决局部覆盖空洞现象，使网络中节点分布更加均匀，进一步优化网络的覆盖率；仿真结果表明，本发明与传统的算法VEVF、BCBS和DCBC相比具有较高的性能。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1是本发明实施例提供的基于虚拟力的节点动态覆盖优化算法流程图；

图2是本发明实施例提供的基于Voronoi图形心虚拟力示意图；

图3是本发明实施例提供的基于Voronoi多边形未覆盖网格点虚拟力示意图；

图4是本发明实施例提供的基于Delaunay三角的虚拟力覆盖空洞修复图；

图5是移动无线传感网络节点初始分布图；

图6是移动无线传感网络最终节点分布图；

图7是移动无线传感网络覆盖率变化曲线图；

图8是移动无线传感网络节点位置变化示意图；

图9是本发明算法在不同随机初始结果下的覆盖率曲线图；

图10是本发明和其他三种方法覆盖率对比图；

图11是本发明和其他三种方法能耗对比图；

图12是本发明和其他三种方法网络均匀度对比图。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

图1是本发明实施例提供的基于虚拟力的节点动态覆盖优化算法流程图，如图所示，本发明实施例提供的基于虚拟力的节点动态覆盖优化算法包括：

初始状态下，在监控区域A内被划分成m*n个网格，N个传感器节点随机部署在监控区域，如图5所示，记为S＝{S₁,S₂,…,S_n}，传感器的感测半径为R_s，通信半径为R_c，传感器到目标点的距离为

如果目标点与传感器的距离小于感测半径，则目标点可以被传感器感应，标记为1，否则为0。

传感器与邻居进行通信，以广播的方式将位置信息传递给其它节点，然后利用传感器节点的位置信息构造Voronoi图，网络被分割成N个Voronoi多边形区域。根据Voronoi图的性质，Voronoi多边形内的点到该传感器距离最近，

因此每个传感器只负责自己所在的多边形即可。根据Voronoi图多边形的顶点覆盖情况分为以下两种：

情况1：Voronoi图多边形顶点全部被覆盖，此时Voronoi图多边形内不存在覆盖空洞，此时计算出Voronoi多边形的形心坐标，

其中M为n边形面积，计算公式如下：

此时形心对传感器产生虚拟吸引力，传感器沿着形心方向进行移动如图2所示，虚拟力大小为：

其中α是虚拟力系数，c(i)是第i个Voronoi多边形的形心坐标，d是形心c(i)到传感器s(i)的欧氏距离。在传统算法中α为定值，这里采用非线性递减策略，可以动态改变传感器移动步长：

这不仅可以加快网络的收敛速度，而且可以减缓节点震荡现象，有效减少传感器的能耗，从而增加网络寿命。

情况2：Voronoi图多边形顶点未全部被覆盖，因此Voronoi多边形内存在覆盖空洞，这里引入未覆盖网格点对传感器的虚拟吸引力。如图3所示，当存在未覆盖网格点时，计算出未覆盖网格点的个数以及位置信息，传感器节点受到未覆盖网格点的平均虚拟吸引力为：

其中β是虚拟力系数，这里取β＝α，uncov(k)是未覆盖网格点坐标，m是未覆盖网格点的个数。

传感器节点的位置更新公式如下：

其中x_old(i,1)，x_old(i,2)是传感器上一时刻的位置，F_x,F_y是传感器在x轴、y轴方向的分力，fitness(t)是上一时刻的覆盖率。

当下一时刻覆盖率不在增加时，进入检测系统，根据传感器的位置信息构造Delaunay三角网。假设传感器s(i)参与构成的Delaunay三角形有n个，依次计算每个三角形的外接圆，将其称为空圆，圆心坐标为h(k)，半径为R_k。如果R_k＞R_s，则在三个传感器之间存在覆盖空洞，如图4所示，空圆的圆心产生虚拟吸引力：

其中

为虚拟力系数，由于传感器之间的间隔一般较小，不需要太大的移动距离，因此这里

根据虚拟力的大小进行位置更新，如果覆盖率增大则进行移动，否则传感器位置保持不变。

最后判断是否满足迭代条件，如果满足则返回步骤1，否则结束循环，输出传感器的位置，如图6所示，这是部署的最终结果展示图。

图7表示的是本发明的网络覆盖率变化曲线图，从图中可以清晰的看到迭代10次之后，节点基本达到稳定的状态，覆盖率达到95％以上，收敛速度很快，最终在迭代100次后网络覆盖率从66.31％提高到99.03％，覆盖率得到了明显的提升，网络节点部署的更加均匀，使传感器节点达到最大使用率。

图8是节点位置变化图，从图中可以看出节点运动路线有规律，节点震荡现象很少，说明本发明能够很好的减少节点能耗。

图9表示本发明在随机部署100次的覆盖率变化曲线，在不同的实验场景下都能达到较高的覆盖率，平均覆盖率达到98.62％。说明本发明具有较强的鲁棒性，即使在较恶劣的随机部署情况下也能达到96.63％。

图10是本发明与其它三种算法在覆盖率性能上的对比，这里考虑的参数是在传感器个数不同的情况下，网络覆盖的变化情况。从图中可以看到观察到四种算法的网络覆盖率随着传感器的增多而提高，而在相同数量的传感器情况下，本发明的覆盖率是最高的，说明本发明在覆盖率性能发面相比其它算法有更优的性能。

图11是本发明与其它三种算法在能耗性能上的对比，这里考虑的参数是在传感器个数不同的情况下，节点平均能耗的变化情况。从图中可以看到随着节点个数的增多，节点平均能耗都在减少，而本发明在能耗性能方面略高于VEVF算法，相对于BCBS和DCBS算法，本发明能耗更少，说明本发明在能耗方面也具有不错的性能。

图12是本发明与其它三种算法在均匀度性能上的对比，这里考虑的参数是在传感器个数不同的情况下，网络均匀度的变化情况。均匀度更好的网络表明节点部署更加合理，重叠面积更小，节点的利用率最高。从图中可以看到随着传感器节点的增多，网络的均匀度下降，这是因为节点更加密集导致。而在相同数量的传感器情况下，本发明相对于其它三种算法具有更好的网络均匀度，说明本发明在节点优化部署方面具有更优的性能。

本发明提出的一种基于虚拟力的节点动态覆盖增强算法有效解决了传统虚拟力算法约束条件少导致覆盖率低的缺点，并且降低了能耗、加快了收敛速度、提高了网络的均匀度以及系统的鲁棒性。仿真结果表明，本发明在节点动态覆盖优化性能方面具有良好的性能。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于虚拟力的节点动态覆盖增强方法，其特征在于：该方法包括以下步骤：

S1：根据传感器的位置信息构造Voronoi图，检查每个Voronoi多边形顶点覆盖情况；

S2：根据Voronoi多边形顶点覆盖情况分为以下两种：情况1，当Voronoi多边形顶点全部被覆盖的情况下，计算Voronoi多边形的形心；情况2，当Voronoi多边形顶点存在未被覆盖的情况下，根据Voronoi多边形顶点的位置信息，计算Voronoi多边形内部未覆盖网格点的个数以及坐标；

S3：计算虚拟吸引力的大小以及方向，并且计算出下一时刻传感器的位置信息，如果覆盖率大于上一时刻，则进行位置更新，否则进入检测系统；

在步骤S3中，计算虚拟力的大小时分为两种情况，形心所产生的虚拟力或者未覆盖网格点产生的虚拟力；

当Voronoi多边形内不存在覆盖空洞时，则只存在Voronoi多边形形心的虚拟吸引力：

其中α是虚拟力比例系数，c(i)是第i个Voronoi多边形的形心坐标，s(i)是传感器i的坐标，d是形心c(i)到传感器s(i)的欧氏距离；

当Voronoi多边形内存在覆盖空洞时，只存在未覆盖网格点对传感器的虚拟吸引力，假设Voronoi多边形内存在m个未覆盖网格点，则传感器受到的虚拟力大小为：

其中β是虚拟力比例系数，uncov(k)是未覆盖网格点坐标；

传感器的更新公式如下：

其中x_old(i,1)，x_old(i,2)是传感器上一时刻的位置，F_x,F_y是传感器在x轴、y轴方向的分力，fitness(t)是上一时刻的覆盖率；

S4：在检测系统中，首先根据传感器位置信息构造Delaunay三角网，分别计算每个传感器所构成的Delaunay三角的空圆圆心坐标以及半径，如果空圆半径大于传感器感测半径，则计算出空圆对传感器的虚拟吸引力，以及下一时刻传感器的位置坐标；

S5：判断覆盖率是否增加，如果是则进行位置更新，否则位置保持不变；

S6：判断是否满足迭代条件，当满足迭代条件时，将传感器的位置信息返回步骤S1，否则输出结果，部署完成。

2.根据权利要求1所述的一种基于虚拟力的节点动态覆盖增强方法，其特征在于：在步骤S1中具体包括，在监控区域内随机部署N个传感器，传感器通过一跳或者多跳的方式与其它传感器通信，获得所有传感器的位置信息，然后根据位置信息构造Voronoi图，网络被分成N个Voronoi多边形，依次检查每个Voronoi多边形顶点覆盖情况。

3.根据权利要求2所述的一种基于虚拟力的节点动态覆盖增强方法，其特征在于：在步骤S2中，根据每个Voronoi多边形顶点的覆盖情况分为以下两种：

情况1：Voronoi多边形顶点全部被覆盖，此时Voronoi图多边形内不存在盲区，因此计算出Voronoi多边形的形心位置：

其中C_x，C_y分别为形心的横坐标和纵坐标，x_i，y_i为多边形第i个顶点的横坐标和纵坐标，M为n边形面积，计算公式如下：

情况2：Voronoi多边形存在未覆盖顶点，此时Voronoi多边形内存在覆盖空洞，因此根据Voronoi多边形顶点的位置信息计算出该多边形内存在的未覆盖坐标点位置信息以及个数。

4.根据权利要求3所述的一种基于虚拟力的节点动态覆盖增强方法，其特征在于：在步骤S4中，首先根据传感器位置信息构造Delaunay三角网，假设传感器s(i)参与构成的Delaunay三角形有n个，分别计算每个三角形的外接圆，将其称为空圆，圆心坐标为h(k)，半径为R_k；如果R_k＞R_s，则在三个传感器之间存在覆盖空洞，空圆的圆心产生虚拟吸引力：

其中

是虚拟力比例系数。

5.根据权利要求4所述的一种基于虚拟力的节点动态覆盖增强方法，其特征在于：在步骤S5中，基于计算的虚拟力的大小以及下一时刻传感器的位置，判断是否增加覆盖率，选择覆盖效果最好的位置进行位置更新；如果覆盖率低于上一时刻，传感器位置保持不变。

Images