CN111629393B - 一种解决异构网络感知态势均匀问题的分布式方法 - Google Patents

Abstract

本发明提供一种解决异构网络感知态势均匀问题的分布式方法，属于传感器网络技术领域。本发明首先构建网络场景和研究模型，定义网络模型的感知率、平均移动距离、双向通信距离及双向通信邻居、最高无效冗余度、本地密集度，并评估本地密集度；然后优化算法调度策略，进行“双重激励”合力与步长拆分；最后对节点位置进行更新。该方法在稳定的短移动距离下，能够高效地提高异构网络的感知率与节约能耗，并且无论是同构还是异构网络，本发明方法在网络拓扑重构与连通性能双方面的表现皆优于同类算法。

Description

一种解决异构网络感知态势均匀问题的分布式方法

技术领域

本发明涉及一种传感器网络感知态势性能优化的技术，属于传感器网络技术领域。

背景技术

无线传感器网络WSN(Wireless Sensor Networks)通常在监测区域内随机抛撒，随机方式在提高应用灵活性的同时，也留下一些技术问题：如待监测区域极易留存空洞，不能满足监测区域的感知态势要求；节点自身性能差异或负荷不均，也会使得组网能力降低，引发数据通信的不对称。因此，按需移动部分节点到合适的位置，成为继高成本的追加布撒之外，无额外资源介入的一种有效的本地化补偿策略。

异构网络中，传统虚拟力相关的节点移动策略忽略了异构差异引发的双向“通信断裂”问题，而仅以全场景通信能力的理想假设进行保守解决，这将导致节点移动后连通性弱，组网能力较差。同时以寻优为目标的智能算法精度较高，但中心式方法也伴随着较高的计算复杂度，较少分布式算法可以解决此问题。

现有技术存在的技术问题是：异构传感器网络随机部署极易导致节点在检测区域分布不均以及节点间难以双向通信。传统密集度算法过度依赖节点个数而忽略对节点铺散程度的考量，缺乏全局评估的准确性，且得出的结论不适用于异构场景。传统虚拟力算法易导致局部最优以及前期节点铺散慢的问题。

发明内容

本发明针对上述技术问题，提供了一种解决异构网络感知态势均匀问题的分布式方法。

本发明的技术方案：

一种解决异构网络感知态势均匀问题的分布式方法，步骤如下：

步骤一、网络场景及其研究模型的构建；

步骤二、本地密集度的相关定义及评估；

步骤三、将节点所受虚拟力分为以距离为激励和以本地密集度为激励的两类虚拟力，实现算法调度策略的优化；

步骤四、“双重激励”合力与步长拆分；

步骤五、节点位置更新。

进一步的，步骤一具体过程为：

监测区域DetectArea内的N个传感器节点构成网络Sensor＝{Sensor_i|i＝1,2,…,N}，传感器节点Sensor_i的感知半径Rs_i与通信半径Rc_i均有异构属性，即Rs_i∈[R_min,R_max]，且存在Rc_i＝2Rs_i，其中，R_min与R_max表示感知半径的最大、最小限值；传感器节点均采用布尔感知模型，具有移动能力的Sensor_i能够通过接收的信号强度指示RSSI信息获取自身位置；网络模型定义如下：

(1)感知率

给定面积为S的监测区域DetectArea中，网络Sensor中所有节点感应能力形成的感知范围区域的并集S'的面积占比，为该网络对监测区域DetectArea的感知率，记为：

(2)平均移动距离

当传感器节点Sensor_i移动前后的位置分别为(x_i,y_i)和(x_i',y_i')时，则网络Sensor的平均移动距离为：

进一步的，步骤二具体过程为：

(1)双向通信距离及双向通信邻居

归一化传感器节点Sensor_i与Sensor_j的双向通信距离为

其中，d_ij表示Sensor_i与Sensor_j间的欧氏距离，min(Rc_i,Rc_j)表示Sensor_i与Sensor_j两者通信半径的最小值；当ComDis(i,j)≤1时，Sensor_i与Sensor_j互为双向通信邻居；特别地，当ComDis(i,j)＝1时，能够保证传感器两节点在满足双向通信条件的同时最大化感知范围面积的并集，此时为异构Sensor_i与Sensor_j的最佳部署状态；传感器节点Sensor_i所有的双向通信邻居节点组成集合NeiList_i＝{Sensor_j|ComDis(i,j)≤1}，NeiNum_i＝|NeiList_i|；并记

表示NeiList_i中第n个节点在Sensor中的序号，显然存在：1≤n≤NeiNum_i，

当ComDis(i,j)＞1，Sensor_i与Sensor_j只能单向通信或不能通信；

(2)最高无效冗余度

当Sensor_j∈NeiList_i且ComDis(i,j)＜1时，则Sensor_i的最高无效冗余度为其最近双向通信邻居的距离倒数，记为：

其中，n＝1,2,…,NeiNum_i；

(3)本地密集度

传感器节点Sensor_i的本地密集度为包含自身及其双向邻居节点在内的最高无效冗余度之和，记为：

进一步的，步骤三具体过程为：

(1)以距离为激励的虚拟力

①传感器节点相关力：

当ComDis(i,j)＜1时，传感器节点Sensor_i与Sensor_j间的相关力应体现为斥力，消除感知范围的冗余；当ComDis(i,j)＞1且d_ij≤Rc_i时，应相互吸引避免空隙，ComDis(i,j)＝1是引力与斥力间的距离阈值；当d_ij＞Rc_i或Sensor_i与Sensor_j符合异构节点的最佳部署状态时，节点间没有力的作用；对于给定节点Sensor_i受到来自Sensor_j的相关力标记为：

其中，ω_sa与ω_sb分别为引力与斥力系数；当以Sensor_i为原点时，水平方向为参考，∠α_ij表示Sensor_i与Sensor_j的方向角；

②边界斥力：

当Sensor_i与区域边界间的欧氏距离d_ib小于安全距离阈值

时，会受到边界斥力；

其中，ω_b为边界斥力系数，∠α_ib为Sensor_i与边界的方向角；Rs_i为Sensor_i的感知半径；

(2)以本地密集度为激励的虚拟力

传感器节点与其双向通信邻居节点交换冗余信息后，所有传感器节点都会分布式地计算其本地密集度，仅对具有最高本地密集度的邻居产生力的效应，如式(8)：

其中，ω_d为密集度中心虚拟力系数。

进一步的，步骤四具体过程为：

对于给定Sensor_i，收集双向通信邻居集合NeiList_i的信息后，得到节点与节点间的作用力与节点和边界间作用力的合力，记为：

以MaxRedun_i替代F_i作为步长的激励；将节点的移动方向与步长拆分计算，使节点的移动方向受虚拟力引导，而步长由最高无效冗余度决定，以避免局部最优；同时利用sigmoid函数将嵌入的变量函数取值在原幅度不变时压缩至[0,1]，对于传感器节点Sensor_i，将MaxRedun_i作为sigmoid函数的变量，得到将MaxRedun_i作为影响因子的受控步长step_i，记为：

其中，ω_isa与ω_isb皆为步长的控制系数，MaxStep_i为Sensor_i单步移动最大移动步长，由Sensor_i的感知半径决定，其中存在特殊情况：当NeiNum_i＝0时，step_i＝0。

进一步的，步骤五的具体过程为：

无线传感器网络中的每个传感器节点s_i在虚拟力合力

的作用下，将对其部署位置进行优化调整，按照如下式进行位置的更新：

其中，

与

分别代表Sensor_i所受合力

在x轴与y轴上的投影，

表示合力

模的大小。

本发明的有益效果：DDDH算法在稳定的短移动距离下，能够高效地提高异构网络的感知率与节约能耗，并且无论是同构还是异构网络，DDDH算法在网络拓扑重构与连通性能双方面的表现皆优于同类算法。

附图说明

图1为异构网络的最佳部署状态。

图2为DDDH算法在不同迭代次数时的节点位置及CovRatio。其中，(a)迭代次数为0，(b)迭代次数为10，(c)迭代次数为30，(d)迭代次数为100。

图3为DDDH算法与IVFA-B、VSVFA和VFA三种算法移动重构网络过程中，感知率随迭代次数的变化趋势图。

图4为随迭代次数递增，DDDH算法与IVFA-B、VSVFA和VFA三种算法的AvgDis递减趋势图。

具体实施方式

实施例1：

本实例提供一种解决异构网络感知态势均匀问题的分布式方法DDDH，算法构建基于异构节点通信模型的节点间最佳拓扑结构；统计节点与其邻接节点关系，将当前节点所处位置的拥挤程度引入虚拟力的配置，加快算法前期铺散速度；同时，将节点的冗余情况作为自适应步长的计算依据，避免经典VFA方法中的局部最优问题。算法基于分布式的工作模式在提高节点间连通性能的同时，能快速实现网络拓扑部署的优化。

由于考虑到异质传感网节点间半径的互异性，且对网络中节点的调度并满足网络感知态势要求的节点移动策略本身就是一个NP难的问题，所以需对检测区域的模型进行必要量化。在本研究中，对网络场景和研究模型作如下假设：

监测区域DetectArea内的N个传感器节点构成网络Sensor＝{Sensor_i|i＝1,2,…,N}，节点Sensor_i的感知半径Rs_i与通信半径Rc_i均有异构属性，即Rs_i∈[R_min,R_max]，且存在Rc_i＝2Rs_i，节点均采用布尔感知模型。具有移动能力的Sensor_i可以通过接收的信号强度指示RSSI(Received Signal Strength Indication)信息获取自身位置。鉴于网络感知态势的性能和节点的移动距离，关系着移动感知的质量和效率，作为算法性能评估的尺度和目标，在本研究中定义如下。

网络模型

定义1感知率：

给定面积为S的DetectArea中，Sensor中所有节点感应能力形成的感知范围区域的并集S'的面积占比，为该网络对DetectArea的感知率，记为：

定义2平均移动距离：

若传感器节点Sensor_i移动前后的位置分别为(x_i,y_i)和(x_i',y_i')，则网络Sensor的平均移动距离为：

鉴于节点密集度仅考虑一跳邻居范围的信息，无法衡量节点附近的铺散程度，造成了评估公平性的缺失。因此，在保证信息汇总过程的本地化同时，应扩展收集和利用节点信息的范围，以辅助评估节点的网络拥挤程度。

定义3双向通信距离及双向通信邻居：

归一化节点Sensor_i与Sensor_j的双向通信距离为：

当ComDis(i,j)≤1，Sensor_i与Sensor_j互为双向通信邻居；特别地，当ComDis(i,j)＝1，可以保证两节点在满足双向通信条件的同时最大化感知范围面积的并集，此时为异构Sensor_i与Sensor_j的最佳部署状态，如图1所示。Sensor_i所有的双向通信邻居节点组成集合NeiList_i＝{Sensor_j|ComDis(i,j)≤1}，NeiNum_i＝|NeiList_i|。并记

表示NeiList_i中第n个节点在Sensor中的序号，显然存在：1≤n≤NeiNum_i，

当ComDis(i,j)＞1，Sensor_i与Sensor_j只能单向通信或不能通信。

定义4最高无效冗余度：

若Sensor_j∈NeiList_i且ComDis(i,j)＜1，则Sensor_i的最高无效冗余度为其最近双向通信邻居的距离倒数，记为：

其中，n＝1,2,…,NeiNum_i。

定义5本地密集度：

Sensor_i的本地密集度为包含自身及其双向邻居节点在内的最高无效冗余度之和，记为：

本地密集度指标能统计节点及其邻居的铺散程度，利用双向通信邻居集的规模与间距，能间接反映其周围的网络拥挤程度，因此借助扩大提取的两跳邻居信息，实现对节点拥挤程度更为全面与客观的评估。

算法调度策略

DDDH算法将节点所受虚拟力分为以距离为激励和以本地密集度为激励的两类虚拟力。在以距离为激励的虚拟力中，节点间斥力阈值设定为双向通信距离，解决传统算法中异构节点通信断裂问题。另增设本地密集度指引下的虚拟力，使节点在前期快速铺散，加快算法收敛速度，兼顾了节点分布与冗余情况的双重增益。同时算法将节点移动的方向与移动距离剥离考虑，令步长受节点的最高无效冗余度激励，以避免传统算法中节点可能出现的高冗余度但低步长的相悖现象。

距离激励的虚拟力

①节点相关力：

若ComDis(i,j)过小，Sensor_i与Sensor_j间的相关力应体现为斥力，消除感知范围的冗余；若ComDis(i,j)过大，应相互吸引避免空隙，ComDis(i,j)＝1是引力与斥力间的距离阈值；若d_ij＞Rc_i或Sensor_i与Sensor_j符合异构节点的最佳部署状态时，节点间没有力的作用。对于给定节点Sensor_i受到来自Sensor_j的相关力可标记为：

其中，ω_sa与ω_sb分别为引力与斥力系数；若以Sensor_i为原点，水平方向为参考，∠α_ij表示Sensor_i与Sensor_j的方向角。

②边界斥力：

为保证节点可以感知区域的边界，且同时防止节点过于出界引起较大界外感知范围的损失，当Sensor_i与区域边界间的欧氏距离d_ib小于安全距离阈值

时，会受到边界斥力。

其中，ω_b为边界斥力系数。

本地密集度激励的虚拟力

过于密集的节点分布势必会产生更多感知范围的冗余，此现象在移动初期更为明显。论文引入对分布式密集度的评估，作为一种帮助网络节点快速分散的虚拟斥力，减少节点间交叠感应区域。节点与其双向通信邻居节点交换冗余信息后，所有传感器节点都会分布式地计算其本地密集度，仅对具有最高本地密集度的邻居产生力的效应，如式(8)：

其中，ω_d为密集度中心虚拟力系数。

“双重激励”合力与步长拆分

对于给定Sensor_i，收集双向通信邻居集合NeiList_i的信息后，得到节点与节点间的作用力与节点和边界间作用力的合力，记为：

仅以合力激励步长，会出现节点感知范围冗余较高但受力平衡的矛盾情况出现。考虑到节点的最高无效冗余度仅受感知范围冗余的激励，若Sensor_i处于局部最优，其MaxRedun_i依然会据实反映其节点间拥挤程度，因此以MaxRedun_i替代F_i作为步长的激励。将节点的移动方向与步长拆分计算，使节点的移动方向受虚拟力引导，而步长由最高无效冗余度决定，以避免局部最优。

另一方面，节点在移动时为了避免单步的跨度过大，步长应被限制在一个合理的范围。而sigmoid函数可将嵌入的变量函数取值在原幅度不变时压缩至[0,1]，能保证节点在受力因素影响不变的情况下，将节点移动的步长控制在一个有限的范围内，从而避免单步步长过溢。

以Sensor_i为例，将MaxRedun_i作为sigmoid函数的变量，得到将MaxRedun_i作为影响因子的受控步长step_i，记为：

其中，ω_isa与ω_isb皆为步长的控制系数，MaxStep_i为Sensor_i单步移动最大移动步长，由Sensor_i的感知半径决定。其中存在特殊情况：若NeiNum_i＝0时，约定step_i＝0。

节点位置更新

无线传感器网络中的每个节点s_i在虚拟力合力

的作用下，将对其部署位置进行优化调整，考虑到具有较小感知半径的节点移动需要的能耗更少，即需要赋予其更高的灵活性，便于进行局部位置优化搜索。算法按照如下式进行位置的更新：

其中，

与

分别代表Sensor_i所受合力

在x轴与y轴上的投影，

表示合力

模的大小。

基于给定节点Sensor_i获取的两跳内邻居信息与拓扑结构，借助最高无效冗余度、本地密集度等相关指标，对Sensor_i本地及所处网络的拥挤程度进行刻画，从而调整移动方向与步长。在达到力矩平衡或系统要求前，具体流程如下所示。

表1 DDDH算法步骤

DDDH算法将原虚拟力算法中仅以距离为施力阈值的表征形式，扩展成为距离、数量、密集度等多重因素相结合的施力模型，并将评估自身拥挤程度的范围间接扩大至两跳邻居，收集相关铺散信息所确定节点的移动方向与步长更具合理性。

实施例2：

本实施例提供一种解决异构网络感知态势均匀问题的分布式方法在太湖蓝藻监测中的应用。

对蓝藻进行范围监测，需将传感器铺散于在水面之上，但由于水面波动等原因，传感器的位置极易改变。采用DDDH算法对传感网拓扑进行重构，能以较低复杂度、较低能耗、较高的效率达到对水面监测区域较高的感知率。

为验证本申请所提出方法的优点，特进行仿真实验，仿真过程均采用默认的初始配置：DetectArea＝100m×100m，N＝40，R_min＝8m，R_max＝12m，MaxStep＝Rs/5，算法的最大迭代次数times＝100。实验过程中将本申请所提出的DDDH算法与现有的VSVFA，IVFA-B以及VFA进行比较，其中VSVFA可参考“张俏薇,陈俊杰.一种优化WSNs节点部署的变步长虚拟力算法[J].传感器与微系统,2018,37(05):112-114+119”；IVFA-B可参考“滕志军,张力,郭力文,等.基于密集度的虚拟力节点部署算法[J].传感技术学报,2018,31(07):1072-1076+1096”；VFA可参考“Zou Y，Chakrabarty K.Sensor Deployment and Target LocalizationBased on Virtual Force[C]//Proc of IEEE INFOCOM.New York:IEEE Press，2003:1293－1303.”。

感知率CovRatio指标，可以直观显示节点移动前后网络的感知效果。本实验分别测试了DDDH算法的网络拓扑重构，及其与IVFA-B、VSVFA、VFA的性能对比情况。

图2统计了DDDH算法在不同迭代次数(times)时的节点位置及CovRatio。可见随times增加，节点逐步铺散，CovRatio逐步提高，在times＝30时，DDDH算法即可达到对场景较优的感知状态，times＝100时DDDH算法的CovRatio达到峰值98.61％。

为考察算法重部署的工作效率，本实验进一步对比统计了DDDH算法与IVFA-B、VSVFA和VFA三种算法移动重构网络过程中，感知率随times的变化趋势。如图3所示，四种算法均能使网络拓扑重构更佳，实现感知率的有效提升，并趋于平稳。DDDH算法相较另三种算法具有更快的收敛速度，在times＝30时，即进入接近最高感知率的稳定状态，比次高的IVFA-B算法提前了12轮，即Δtimes＝12。这是由于在算法前期，网络中的密集簇头向其双向通信邻居节点发出密集度中心虚拟力，诱导密集处节点群加快铺散。从全迭代周期来看，DDDH算法在铺散速率上较有优势，能以较少的times达到高感知率的收敛状态，且收敛后未发生回弹现象。

节点的移动会消耗大量能量，以网络的平均移动距离AvgDis可以间接衡量算法的能耗情况。本实验统计并比较了DDDH、IVFA-B、VSVFA和VFA四种算法随times的增加，其AvgDis的变化情况。

如图4所示，随times递增，四种算法的AvgDis均呈递减趋势。因DDDH算法较另三种算法具有快速收敛特性，所以times<70时DDDH算法的AvgDis始终处于最优。由于VSVFA算法将未被感知区域比例作为影响步长的权重，导致步长机械化地变小，因此在迭代后期，VSVFA算法的AvgDis低于DDDH算法，这样也将造成两个应用隐患：以全局感知率作为步长权重，必须引入集中处理机制；强制缩小的步长会导致算法收敛速度变慢，这一问题在图3中其相对低速上升的曲线中可见一斑。对IVFA-B与VFA而言，收敛速度均低于DDDH算法，所以DDDH算法的AvgDis一直低于IVFA-B与VFA。作为分布式算法的DDDH算法，考虑了节点的部署效率，在能耗方面也具有一定优势。

Claims (1)

1.一种解决异构网络感知态势均匀问题的分布式方法，其特征在于，步骤如下：

步骤一、网络场景及其研究模型的构建；

步骤二、本地密集度的相关定义及评估；

步骤三、将节点所受虚拟力分为以距离为激励和以本地密集度为激励的两类虚拟力，实现算法调度策略的优化；

步骤四、“双重激励”合力与步长拆分；

步骤五、节点位置更新；

步骤一具体过程为：

监测区域DetectArea内的N个传感器节点构成网络Sensor＝{Sensor_i|i＝1,2,…,N}，传感器节点Sensor_i的感知半径Rs_i与通信半径Rc_i均有异构属性，即Rs_i∈[R_min,R_max]，且存在Rc_i＝2Rs_i，其中，R_min与R_max表示感知半径的最大、最小限值；传感器节点均采用布尔感知模型，具有移动能力的Sensor_i能够通过接收的信号强度指示RSSI信息获取自身位置；网络模型定义如下：

(1)感知率

给定面积为S的监测区域DetectArea中，网络Sensor中所有节点感应能力形成的感知范围区域的并集S'的面积占比，为该网络对监测区域DetectArea的感知率，记为：

(2)平均移动距离

当传感器节点Sensor_i移动前后的位置分别为(x_i,y_i)和(x_i',y_i')时，则网络Sensor的平均移动距离为：

步骤二具体过程为：

(1)双向通信距离及双向通信邻居

归一化传感器节点Sensor_i与Sensor_j的双向通信距离为

其中，d_ij表示Sensor_i与Sensor_j间的欧氏距离，min(Rc_i,Rc_j)表示Sensor_i与Sensor_j两者通信半径的最小值；当ComDis(i,j)≤1时，Sensor_i与Sensor_j互为双向通信邻居；特别地，当ComDis(i,j)＝1时，能够保证传感器两节点在满足双向通信条件的同时最大化感知范围面积的并集，此时为异构Sensor_i与Sensor_j的最佳部署状态；传感器节点Sensor_i所有的双向通信邻居节点组成集合NeiList_i＝{Sensor_j|ComDis(i,j)≤1}，NeiNum_i＝|NeiList_i|；并记

表示NeiList_i中第n个节点在Sensor中的序号，显然存在：1≤n≤NeiNum_i，

当ComDis(i,j)＞1，Sensor_i与Sensor_j只能单向通信或不能通信；

(2)最高无效冗余度

当Sensor_j∈NeiList_i且ComDis(i,j)＜1时，则Sensor_i的最高无效冗余度为其最近双向通信邻居的距离倒数，记为：

其中，n＝1,2,…,NeiNum_i；

(3)本地密集度

传感器节点Sensor_i的本地密集度为包含自身及其双向邻居节点在内的最高无效冗余度之和，记为：

步骤三具体过程为：

(1)以距离为激励的虚拟力

①传感器节点相关力：

当ComDis(i,j)＜1时，传感器节点Sensor_i与Sensor_j间的相关力应体现为斥力，消除感知范围冗余；当ComDis(i,j)＞1且d_ij≤Rc_i时，应相互吸引避免空隙，ComDis(i,j)＝1是引力与斥力间的距离阈值；当d_ij＞Rc_i或Sensor_i与Sensor_j符合异构节点的最佳部署状态时，节点间没有力的作用；对于给定节点Sensor_i受到来自Sensor_j的相关力标记为：

其中，ω_sa与ω_sb分别为引力与斥力系数；当以Sensor_i为原点时，水平方向为参考，∠α_ij表示Sensor_i与Sensor_j的方向角；

②边界斥力：

当Sensor_i与区域边界间的欧氏距离d_ib小于安全距离阈值

时，会受到边界斥力；

其中，ω_b为边界斥力系数，∠α_ib为Sensor_i与边界的方向角；Rs_i为Sensor_i的感知半径；

(2)以本地密集度为激励的虚拟力

传感器节点与其双向通信邻居节点交换冗余信息后，所有传感器节点都会分布式地计算其本地密集度，仅对具有最高本地密集度的邻居产生力的效应，如式(8)：

其中，ω_d为密集度中心虚拟力系数；

步骤四具体过程为：

对于给定Sensor_i，收集双向通信邻居集合NeiList_i的信息后，得到节点与节点间的作用力与节点和边界间作用力的合力，记为：

以MaxRedun_i替代F_i作为步长的激励；将节点的移动方向与步长拆分计算，使节点的移动方向受虚拟力引导，而步长由最高无效冗余度决定，以避免局部最优；同时利用sigmoid函数将嵌入的变量函数取值在原幅度不变时压缩至[0,1]，对于传感器节点Sensor_i，将MaxRedun_i作为sigmoid函数的变量，得到将MaxRedun_i作为影响因子的受控步长step_i，记为：

其中，ω_isa与ω_isb皆为步长的控制系数，MaxStep_i为Sensor_i单步移动最大移动步长，由Sensor_i的感知半径决定，其中存在特殊情况：当NeiNum_i＝0时，step_i＝0；

步骤五的具体过程为：

无线传感器网络中的每个传感器节点s_i在虚拟力合力

的作用下，将对其部署位置进行优化调整，按照如下式进行位置的更新：

其中，

与

分别代表Sensor_i所受合力

在x轴与y轴上的投影，

表示合力

模的大小。

Images