CN111132003A - 一种基于动态路径规划的uwsn传感器节点定位方法 - Google Patents

Abstract

本发明公开了一种基于动态路径规划的UWSN传感器节点定位方法，其特征是，包括如下步骤：1）定义水下无线传感器网络模型；2）锚节点移动路径动态规划中必经虚拟锚节点选取过程；3）基于锚节点移动路径动态规划的定位过程。这种方法能提高水下无线传感器网络传感器节点的定位率、定位精度，同时降低传感器网络定位能耗。

Description

一种基于动态路径规划的UWSN传感器节点定位方法

技术领域

本发明涉及水下无线传感器网络技术，具体是一种基于动态路径规划的UWSN(Underwater Sensor Networks，简称UWSN)传感器节点定位方法。

背景技术

水下无线传感器网络UWSN在海洋资源探测、海洋军事、海洋环境监测以及海洋灾害预警等方面有广泛的应用，对海洋研究做出了重要贡献。水下无线传感器网络的定位技术在UWSN中扮演着至关重要的角色，只有当传感器节点位置已知时，传感器节点采集的数据才具有意义。网络中的节点被随机部署在水下，部署的传感器节点在水中形成三维体系结构，节点在水下的随机部署给水下无线传感器网络定位带来了很多挑战。由于水下的特殊环境，陆地上的无线传感器网络定位技术不能直接应用于水下无线传感器网络，水下无线传感器网络中节点随机部署导致传感器节点稀疏和锚节点分布不均匀，传统的水下无线传感器网络定位技术未考虑到水下的三维环境和锚节点分布不均匀的问题，导致传感器节点定位率低、定位误差较大和传感器网络定位能耗大的问题，其中，锚节点是指水下无线传感器网络中的信标节点，已知自己的位置，拥有计算能力和通信能力的特殊传感器节点。

现有技术中，常鲁杰等提出了基于迭代粒子群优化的RQ-PSO定位算法，RQ-PSO算法利用MDS-MAP算法进行定位减少了定位误差，使得算法更具有鲁棒性；针对锚节点随机分布导致传感器网络定位率低、定位误差大的问题，黄炎等提出基于锚节点连通度的无线传感器网络定位算法，该算法引入平均锚节点连通度的概念，根据节点实时分布来划分网络，实时控制移动锚节点分布，提高了定位算法的精度；陈友荣等将网络划分成多个六边形，提出一种辅助信标节点的路径规划算法，该算法分析对比了SCAN算法、CIRCLES算法等移动路径静态规划算法，降低了定位时间和平均定位误差；汪晗，王坤等提出基于几何精度因子的静态锚节点优化布设方法，但该算法定位精度受到锚节点几何面积的大小的约束；黄冰倩，杜庆治等提出宽度优先搜索BFS算法，该算法减少了虚拟锚节点数量和锚节点移动路径长度，但导致定位精度和定位覆盖率下降；程向红等提出运用栅格法对已知地图进行建模，在算法中引入向量指导路径方向，通过多次奖励与惩罚措施来进行路径规划。这些算法均在某一方面减少了锚节点数量和移动路径长度，但缺乏对网络整体定位率和定位精度的考虑。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于动态路径规划的UWSN传感器节点定位方法。这种方法能提高水下无线传感器网络的传感器节点的定位率、定位精度，同时降低传感器网络定位能耗。

实现本发明目的的技术方案是：

一种基于动态路径规划的UWSN传感器节点定位方法，包括如下步骤：

1)定义水下无线传感器网络模型：水下无线传感器网络具有三维结构，以水平面为XOY平面向下建立一个三维坐标系，传感器节点随机分布在水中，水下的传感器节点受到环境的限制，它们无法远程充电，普通传感器节点的能源主要因为通信和计算而耗尽，在监控区域中设有一组锚节点和普通的传感器节点，锚节点用于辅助定位和网络数据采集，传感器节点用于采集水下相关数据，将水下无线传感器网络三维空间定位转换成二维平面定位，在水下无线传感器网络的二维平面图上，以步长L_r为单位划分成栅格形状，锚节点以确定步长移动遍历网络，未定位节点随机分布，假设每个传感器节点都可以通过自身携带的压力传感器获得自身的深度信息，当未定位的传感器节点接收到水下锚节点广播的信息后，通过RSSI测距方法计算出自身与锚节点的距离L，结合自身的深度数据h，将未定位节点与锚节点投影在同一二维平面，则可计算出该节点与锚节点的平面投影距离d如公式(1)所示，第i个节点投影后与锚节点的距离为：

在公式(1)中，Li为第i个节点与锚节点的实际距离，hi为第i个节点的深度值；

2)锚节点移动路径动态规划中必经虚拟锚节点选取过程：路径规划方法应用在众多领域，可以拓扑化为点、线的问题基本都可以采用路径规划的方法解决，基于对信息的动态或静态获取可以把路径规划分为静态规划和动态规划，本技术方案采用动态规划方法，实时获取普通节点的动态信息，生成必经虚拟锚节点集合，通过蚁群算法求出最短路径，水下无线传感器网络中的每一个节点都拥有一个信息列表Ginfor，先行锚节点信息列表包含发布信息时所在的虚拟锚节点ID号、标识符S、深度值和接收到的未定位节点返回的信息，其中，S发送信息为0、S接收信息为1，未定位节点返回的信息列表包括节点自身的ID、深度值、接收到的信号强度以及发送信息的虚拟锚节点ID和标识符，假设，水下无线传感器网络中有两个移动锚节点，第一个锚节点为先行锚节点，负责发布信息，第二个锚节点负责采集信息与辅助定位，则：

Step1第一个锚节点沿着规划线路移动遍历网络，当锚节点运动到虚拟锚节点的位置时广播一次信息，第二个锚节点在t时刻之后开始沿着同一路线移动；

Step2未定位节点接收到信息后，将接收到的虚拟锚节点ID号和与其对应的信号强度S_inten保存到G_infor，ID与S_inten属于一对一关系；

Step3当未定位节点不能再接收到第一个锚节点广播的消息时，G_infor只保留S_inten最大的三个信号对应的ID，将自身的信息列表G_infor发送给到达其通信范围内的第二个锚节点；

Step4第二个锚节点将接收到的信息保存到自身的信息列表G_infor，将其中的虚拟锚节点ID保存到必经虚拟锚节点集合V_indis；

3)基于锚节点移动路径动态规划的定位过程：锚节点移动路径规划问题是一个旅行商问题TSP(travelling salesman problem，简称TSP)，必经虚拟锚节点集合V_indis等价于旅行家必须经过的旅游景点集合，移动锚节点等价于旅行家，移动锚节点经过每一个必经虚拟锚节点等价于旅行家经过每一个旅游景点。设计移动路线使得移动锚节点经过所有的必经虚拟锚节点，并且移动路径最短，目前，现有技术中有遗传算法、蚁群算法、禁忌搜索算法、模拟退火算法等众多启发式优化搜索算法解决TSP问题，蚁群算法是模拟蚂蚁觅食的方式，通过蚂蚁觅食时在路径上释放的信息素来选择下一条路径，依据步骤2)得到必经虚拟锚节点集合V_indis，将必经虚拟锚节点存放在数组A和B中，其中a_ij＝b_ij，即：

A＝a_ij(i＝1,2,3...,j＝1,2) (2)

B＝b_ij(i＝1,2,3...,j＝1,2) (3)

则，必经虚拟锚节点a到必经虚拟锚节点b的距离为公式(4)所示：

通过公式(4)得到必经虚拟锚节点的加权矩阵D_i,i为公式(5)所示：：

设定整个蚁群中有m只蚂蚁，有n个城市，各个城市之间的距离为D_i,j(i,j＝1,2,3...n)，

表示在t时刻蚂蚁K(K＝1,2,3,...,m)从城市i运动到城市j的概率，计算公式为公式(6)：

公式(6)中的η_ij(t)是启发函数，β是启发函数重要程度因子，α是信息素重要程度因子，allow_k是蚂蚁K可以选择的城市集合，τ_ij(t)是城市i和城市j之间的路径上t时刻的信息素浓度，

allow_k＝{0,1,...,nβ-1}-tab_k (7)，

当所有蚂蚁完成一次循环后按公式(8)更新信息素：

公式(8)中的ρ是信息素挥发系数,(1-ρ)是信息素残留因子，

表示第K只蚂蚁在i到j的路径上释放的信息素浓度，蚁群算法求解得到锚节点经过必经虚拟锚节点的最短路径，第二个锚节点按照动态规划的最短路径移动，利用RSSI测距算法和三边定位算法完成水下无线传感器网络节点定位。

这种方法能提高水下无线传感器网络传感器节点的定位率、定位精度，同时降低传感器网络定位能耗。

附图说明

图1为实施例中锚节点移动轨迹示意图；

图2为实施例中水下无线传感器网络三维模型示意图；

图3为实施例中水下无线传感器网络三维空间转换二维平面示意图；

图4为实施例中节点信息列表示意图；

图5为实施例中必经虚拟锚节点示意图；

图6为实施例中方法流程示意图；

图7为实施例中SCAN算法、BFS算法和本例方法中虚拟锚节点个数与网络区域边长关系对比示意图；

图8为实施例中SCAN算法、BFS算法和本例方法中锚节点移动路径长度与网络区域边长关系对比示意图；

图9为实施例中SCAN算法、BFS算法、本例方法和锚节点随机的RSSI定位算法的节点定位率与网络区域边长关系对比示意图；

图10为实施例中SCAN算法、BFS算法、本例方法和锚节点随机的RSSI定位算法的平均定位误差与网络区域边长关系对比示意图。

具体实施方式

下面结合附图和实施例对本发明内容作进一步的阐述，但不是对本发明的限定。

实施例：

参照图6，一种基于动态路径规划的UWSN传感器节点定位方法，包括如下步骤：

1)定义水下无线传感器网络模型：水下无线传感器网络具有三维结构，以水平面为XOY平面向下建立一个三维坐标系，如图2所示，传感器节点随机分布在水中，水下的传感器节点受到环境的限制，它们无法远程充电，普通传感器节点的能源主要因为通信和计算而耗尽，在监控区域中设有一组锚节点和普通的传感器节点，锚节点用于辅助定位和网络数据采集，传感器节点用于采集水下相关数据，如图3所示，将水下无线传感器网络三维空间定位转换成二维平面定位，如图1所示，在水下无线传感器网络的二维平面图上，以步长Lr为单位划分成栅格形状，锚节点以确定步长移动遍历网络，圆形代表虚拟锚节点，三角形代表未定位的节点，未定位节点随机分布，假设每个传感器节点都可以通过自身携带的压力传感器获得自身的深度信息，当未定位的传感器节点接收到水下锚节点广播的信息后，通过RSSI测距方法计算出自身与锚节点的距离L，结合自身的深度数据h，将未定位节点与锚节点投影在同一二维平面，则可计算出该节点与锚节点的平面投影距离d如公式(1)所示，第i个节点投影后与锚节点的距离为：

在公式(1)中，Li为第i个节点与锚节点的实际距离，hi为第i个节点的深度值；

2)锚节点移动路径动态规划中必经虚拟锚节点选取过程：路径规划方法应用在众多领域，可以拓扑化为点、线的问题基本都可以采用路径规划的方法解决，基于对信息的动态或静态获取可以把路径规划分为静态规划和动态规划，本技术方案采用动态规划方法，实时获取普通节点的动态信息，生成必经虚拟锚节点集合，通过蚁群算法求出最短路径，如图1所示，圆形代表虚拟锚节点，三角形代表未定位的节点，未定位节点随机分布，将水下无线传感器网络以步长Lr为单位划分成栅格形状，水下无线传感器网络中的每一个节点都拥有一个信息列表Ginfor，如图4所示，先行锚节点信息列表包含发布信息时所在的虚拟锚节点ID号、标识符S、深度值和接收到的未定位节点返回的信息，其中，S发送信息为0、S接收信息为1，未定位节点返回的信息列表包括节点自身的ID、深度值、接收到的信号强度以及发送信息的虚拟锚节点ID和标识符，假设，水下无线传感器网络中有两个移动锚节点，第一个锚节为先行锚节点，点负责发布信息，第二个锚节点负责采集信息与辅助定位，则：

Step1第一个锚节点沿着规划线路移动遍历网络，当锚节点运动到虚拟锚节点的位置时广播一次信息，第二个锚节点在t时刻之后开始沿着同一路线移动，本例中是如图1所示先行锚节点沿着虚线从下至上，从左至右遍历网络；

Step2未定位节点接收到信息后，将接收到的虚拟锚节点ID号和与其对应的信号强度Sinten保存到Ginfor，ID与Sinten属于一对一关系；

Step3当未定位节点不能再接收到第一个锚节点广播的消息时，Ginfor只保留Sinten最大的三个信号对应的ID，将自身的信息列表Ginfor发送给到达其通信范围内的第二个锚节点；

Step4第二个锚节点将接收到的信息保存到自身的信息列表Ginfor，将其中的虚拟锚节点ID保存到必经虚拟锚节点集合Vindis；

如图5所示，网络中每一个虚线栅格的顶点即为虚拟锚节点的位置，栅格的长度为Lr，锚节点的通信半径为R，Q1和Q2为位置未知的节点，执行Step1，先行锚节点M移动到虚拟锚节点的位置时，信号范围如图5中的圆圈所示；执行Step2，未知节点Q1、Q2将接收到的虚拟锚节点ID和与其对应的信号强度Sinten保存到自身的信息列表；执行Step3，未知节点Q1接收到先行锚节点从A、B、C、D四个虚拟锚节点广播的信息，保存信号强度最强的A、B、D三点的ID，未知节点Q2接收到从C、E、F、G广播的信息，保存C、E、F三点的ID；执行Step4，完成第一阶段的必经虚拟锚节点选择，产生必经虚拟锚节点集合V_indis。

3)基于锚节点移动路径动态规划的定位过程：锚节点移动路径规划问题是一个旅行商问题TSP，必经虚拟锚节点集合V_indis等价于旅行家必须经过的旅游景点集合，移动锚节点等价于旅行家，移动锚节点经过每一个必经虚拟锚节点等价于旅行家经过每一个旅游景点，设计移动路线使得移动锚节点经过所有的必经虚拟锚节点，并且移动路径最短，目前，现有技术中有遗传算法、蚁群算法、禁忌搜索算法、模拟退火算法等众多启发式优化搜索算法解决TSP问题，蚁群算法是模拟蚂蚁觅食的方式，通过蚂蚁觅食时在路径上释放的信息素来选择下一条路径，依据步骤2)得到必经虚拟锚节点集合Vindis，将必经虚拟锚节点存放在数组A和B中，其中a_ij＝b_ij，即：

A＝a_ij(i＝1,2,3...,j＝1,2) (2)

B＝b_ij(i＝1,2,3...,j＝1,2) (3)

则，必经虚拟锚节点a到必经虚拟锚节点b的距离为公式(4)所示：

通过公式(4)得到必经虚拟锚节点的加权矩阵D_i,i为公式(5)所示：

设定整个蚁群中有m只蚂蚁，有n个城市，各个城市之间的距离为D_i,j(i,j＝1,2,3...n)，

表示在t时刻蚂蚁K(K＝1,2,3,...,m)从城市i运动到城市j的概率，计算公式为公式(6)：

公式(6)中的η_ij(t)是启发函数，β是启发函数重要程度因子，α是信息素重要程度因子，allow_k 是蚂蚁K可以选择的城市集合，τ_ij(t)是城市i和城市j之间的路径上t时刻的信息素浓度，

allow_k＝{0,1,...,n-1}-tab_k (7)

当所有蚂蚁完成一次循环后按公式(8)更新信息素：

公式(8)中的ρ是信息素挥发系数,(1-ρ)是信息素残留因子，

表示第K只蚂蚁在i到j的路径上释放的信息素浓度，蚁群算法求解得到锚节点经过必经虚拟锚节点的最短路径，第二个锚节点按照动态规划的最短路径移动，利用RSSI测距算法和三边定位算法完成水下无线传感器网络节点定位。

如图7所示，如果改变网络区域边长来改变水下传感器节点的稀疏程度，区域边长越大，网络中节点越稀疏，在传感器节点稀疏的水下无线传感器网络中，采用本例方法选取的虚拟锚节点数量少于SCAN算法略大于BFS算法，证明依照本例方法减少了虚拟锚节点数量，从而降低了节点之间的通信能耗。

如图8所示，在传感器节点稀疏的水下无线传感器网络中，采用本例方法的虚拟锚节点移动路径长度远小于SCAN算法，略大于BFS算法的虚拟锚节点移动路径长度，证明采用本例方法降低了锚节点移动能耗、减少了网络定位时间。

节点定位率：水下无线传感器网络中传感器可定位节点与总节点的比例，水下无线传感器网络中节点定位率的计算方式如下所示：

其中P_location是节点定位率，N_locnode是水下无线传感器网络中能够被定位的节点总数，N是水下无线传感器网络中节点的总数，如图9所示，在传感器节点稀疏的水下无线传感器网络中，采用本例方法的节点定位率最高，且节点定位率稳定，优于其他三种定位算法，BFS算法在网络区域边长为90m和120m时定位率优于其他三种算法，但当网络区域边长增加时，定位率急剧下降到最低，

如图10所示，采用本例方法平均定位误差略高于SCAN算法，但远低于BFS算法和锚节点随机的RSSI算法，采用本例方法的平均定位误差随着网络区域边长的增加能够稳定在1m以内，BFS算法和锚节点随机的RSSI算法的平均定位误差随着网络区域边长的增加在不断地增大，在网络区域边长为210m时，BFS算法和锚节点随机的RSSI算法的平均定位误差远远大于本例方法，证明采用本例方法具有较高的定位精度。

在传感器节点稀疏的水下无线传感器网络中，证明采用本例方法选取的虚拟锚节点个数和锚节点移动路径长度小于SCAN算法，节点定位率高于BFS算法和锚节点随机的RSSI算法，平均定位误差远低于BFS算法和锚节点随机的RSSI算法。

Claims (1)

1.一种基于动态路径规划的UWSN传感器节点定位方法，其特征是，包括如下步骤：

1)定义水下无线传感器网络模型：水下无线传感器网络具有三维结构，以水平面为XOY平面向下建立一个三维坐标系，传感器节点随机分布在水中，水下的传感器节点受到环境的限制，它们无法远程充电，普通传感器节点的能源主要因为通信和计算而耗尽，在监控区域中设有一组锚节点和普通的传感器节点，将水下无线传感器网络三维空间定位转换成二维平面定位，水下无线传感器网络截取二维平面图，以步长L_r为单位划分成栅格形状，锚节点以确定步长移动遍历网络，未定位节点随机分布，假设每个传感器节点都可以通过自身携带的压力传感器获得自身的深度信息，当未定位的传感器节点接收到水下锚节点广播的信息后，通过RSSI测距方法计算出自身与锚节点的距离L，结合自身的深度数据h，将未定位节点与锚节点投影在同一二维平面，则可计算出该节点与锚节点的平面投影距离d如公式(1)所示：

第i个节点投影后与锚节点的距离为：

在公式(1)中，Li为第i个节点与锚节点的实际距离，hi为第i个节点的深度值；

2)锚节点移动路径动态规划中必经虚拟锚节点选取过程：水下无线传感器网络中的每一个节点都拥有一个信息列表G_infor，先行锚节点信息列表包含发布信息时所在的虚拟锚节点ID号、标识符S、深度值和接收到的未定位节点返回的信息，其中，S发送信息为0、S接收信息为1，未定位节点返回的信息列表包括节点自身的ID、深度值、接收到的信号强度以及发送信息的虚拟锚节点ID和标识符，

假设，水下无线传感器网络中有两个移动锚节点，第一个锚节点为先行锚节点，负责发布信息，第二个锚节点负责采集信息与辅助定位，则：

Step1第一个锚节点沿着规划线路移动遍历网络，当锚节点运动到虚拟锚节点的位置时广播一次信息，第二个锚节点在t时刻之后开始沿着同一路线移动；

Step2未定位节点接收到信息后，将接收到的虚拟锚节点ID号和与其对应的信号强度S_inten保存到G_infor，ID与S_inten属于一对一关系；

Step3当未定位节点不能再接收到第一个锚节点广播的消息时，G_infor只保留S_inten最大的三个信号对应的ID，将自身的信息列表G_infor发送给到达其通信范围内的第二个锚节点；

Step4第二个锚节点将接收到的信息保存到自身的信息列表G_infor，将其中的虚拟锚节点ID保存到必经虚拟锚节点集合V_indis；

3)基于锚节点移动路径动态规划的定位过程：

依据步骤2)得到的必经虚拟锚节点集合V_indis，将必经虚拟锚节点存放在数组A和B中，其中a_ij＝b_ij，即：

A＝a_ij(i＝1,2,3...,j＝1,2) (2)

B＝b_ij(i＝1,2,3...,j＝1,2) (3)

则，必经虚拟锚节点a到必经虚拟锚节点b的距离为公式(4)所示：

通过公式(4)得到必经虚拟锚节点的加权矩阵D_i,i为公式(5)所示：

设定整个蚁群中有m只蚂蚁，有n个城市，各个城市之间的距离为D_i,j(i,j＝1,2,3...n)，

表示在t时刻蚂蚁K(K＝1,2,3,...,m)从城市i运动到城市j的概率，计算公式为公式(6)：

公式(6)中的η_ij(t)是启发函数，β是启发函数重要程度因子，α是信息素重要程度因子，allow_k是蚂蚁K可以选择的城市集合，τ_ij(t)是城市i和城市j之间的路径上t时刻的信息素浓度，

allow_k＝{0,1,...,n-1}-tab_k (7)

当所有蚂蚁完成一次循环后按公式(8)更新信息素：

公式(8)中的ρ是信息素挥发系数,(1-ρ)是信息素残留因子，

表示第K只蚂蚁在i到j的路径上释放的信息素浓度，蚁群算法求解得到锚节点经过必经虚拟锚节点的最短路径，第二个锚节点按照动态规划的最短路径移动，利用RSSI测距算法和三边定位算法完成水下无线传感器网络节点定位。

Images