CN111698656B - 一种水下移动无线传感器网络的多目标动态调度方法 - Google Patents

一种水下移动无线传感器网络的多目标动态调度方法 Download PDF

Info

Publication number
CN111698656B
CN111698656B CN202010435860.3A CN202010435860A CN111698656B CN 111698656 B CN111698656 B CN 111698656B CN 202010435860 A CN202010435860 A CN 202010435860A CN 111698656 B CN111698656 B CN 111698656B
Authority
CN
China
Prior art keywords
sensor
target
fixed
dynamic
environment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010435860.3A
Other languages
English (en)
Other versions
CN111698656A (zh
Inventor
孙靖
匡源
张恒
戴红伟
查明明
刘志平
徐宁
甘兴家
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ocean University
Original Assignee
Jiangsu Ocean University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Ocean University filed Critical Jiangsu Ocean University
Priority to CN202010435860.3A priority Critical patent/CN111698656B/zh
Publication of CN111698656A publication Critical patent/CN111698656A/zh
Application granted granted Critical
Publication of CN111698656B publication Critical patent/CN111698656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种水下移动无线传感器网络的多目标动态调度方法，涉及水下传感器网络技术领域。本发明包括MUWSNs的多目标动态调度模型和动态多目标协同进化优化算法，MUWSNs的多目标动态调度模型包括传感器感知模型、动态覆盖模型和动态能耗模型，动态多目标协同进化优化算法包括依赖时间的决策变量分解、环境检测算子、环境变化响应策略和算法流程，本发明在水下三维传感器网络中加入了自移动传感器，用来与固定传感器进行通信，并充分利用MUWSNs的动态性，实现MUWSNs的动态覆盖，通过将决策变量分解、设计环境检测算子和环境变化的响应策略，在保证覆盖率的同时，能够节约网络能耗，从而延长MUWSNs的生存周期。

Description

一种水下移动无线传感器网络的多目标动态调度方法
技术领域
本发明涉及水下传感器网络技术领域，具体为一种水下移动无线传感器网络的多目标动态调度方法。
背景技术
海洋是人类生存、经济和社会发展的载体之一，监测对于海洋环境的保持十分关键。目前水下移动无线传感器网络逐渐成为一个研究热点，该网络由大量固定传感器和自移动传感器按照一定的结构形成，传感器之间通过声波通信的方式进行数据传输，由于海洋环境极其复杂，传感器电源难以更换，所以在研究此类问题时，不仅要满足一定的覆盖率，还需考虑网络的能耗。
夏娜等公开了一种水下传感器布置算法(SP.J.1004.2012.00295)，通过模拟鱼群觅食等行为，使传感器自主移动，以实现水下移动无线传感器网络的均匀覆盖。郑翔等利用移动传感器，以网络覆盖率和能耗为目标函数，建立了MUWSNs的多目标优化模型，并采用人工鱼群算法得到了覆盖率较高且能耗较小的网络布局。RenW.等引入水下自主航行器，设计了一种拓扑控制算法，提高了MUWSNS的覆盖率，延长了网络寿命。苟平章等提出了一种传感器稳定匹配的覆盖空洞修复优化算法，通过调节移动传感器的位置，实现了对覆盖空洞修复的优化。PriyadarshiR.等讨论了如何通过传感器较小的移动来增加覆盖面积的问题，首先找出了检测区域的覆盖空洞，然后改变移动传感器的位置成功的增加了覆盖范围。上述成果或通过传感器的移动重构覆盖率较高的网络，或利用移动的传感器填补网络空洞以增加覆盖率，然而，传感器的移动需要消耗较多的能量，且已有成果难以充分反映MUWSNs的动态特性。因此研发一种水下移动无线传感器网络的多目标动态调度方法是本领域技术人员需要解决的技术问题。
发明内容
针对现有技术的不足，本发明提供了一种水下移动无线传感器网络的多目标动态调度方法，解决了上述背景技术中提出的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种水下移动无线传感器网络的多目标动态调度方法，包括MUWSNs的多目标动态调度模型和动态多目标协同进化优化算法；
所述MUWSNs的多目标动态调度模型包括传感器感知模型、动态覆盖模型和动态能耗模型；
所述动态多目标协同进化优化算法包括依赖时间的决策变量分解、环境检测算子、环境变化响应策略；
假设水下监测区域A＝L1×L2×L3，将区域用均匀简单立方格进行划分，每个立方格的中心点为待覆盖目标点。记
Figure GDA0003893448500000021
为目标点集，第i个目标点的坐标为
Figure GDA0003893448500000022
i＝1，2，…，N1。区域内分布着若干固定传感器与移动传感器，设移动传感器集
Figure GDA0003893448500000023
第j个移动传感器在时刻t的坐标为
Figure GDA0003893448500000024
j＝1，2，…，N2，其中v是移动传感器的速度，每个移动传感器均具有通信移动能力，负责收集其通信区域内固定传感器的信息，固定传感器集为
Figure GDA0003893448500000025
第k个固定传感器坐标为
Figure GDA0003893448500000026
k＝1，2，…，N3，任意固定传感器具有感知通信能力，其任务是覆盖目标点并收集目标点信息，将信息传输给移动传感器；
其中，移动传感器和固定传感器的通信半径相同、移动传感器以固定的速度沿水平方向做匀速直线运动、移动传感器集成了探测器、传感器和任务控制器，可以存储大量的能量，而且能进行充能，收发能量的损耗可以忽略不计，移动传感器作为簇头节点，汇聚通信范围内固定传感器收集的信息、每个固定传感器具有相同的初始能量，激活和休眠2个状态，初始状态都为休眠。
进一步地，所述传感器感知模型包括以下内容：
记t时刻位于移动传感器集
Figure GDA0003893448500000031
通信范围内的固定传感器集为Q(t)，目标点集为S(t)，则固定传感器qk(t)，k(t)＝1，…，|Q(t)|对目标点si(t)，i(t)＝1，…，|S(t)|的感知概率定义为：
Figure GDA0003893448500000032
其中，d(qk(t)，si(t))表示固定传感器与目标点之间的距离，rs为固定传感器的感知半径，|Q(t)|和|S(t)|分别为位于移动传感器通信范围内固定传感器和目标点的个数。
进一步地，所述动态覆盖模型包括以下内容：
通信范围内的每个目标点是否被传感器覆盖可通过联合概率来进行定义：
Figure GDA0003893448500000033
xk(t)用以判断第k(t)个固定传感器是否被激活；
其中，定义未被覆盖率为
Figure GDA0003893448500000034
Figure GDA0003893448500000035
进一步地，所述动态能耗模型包括以下内容：
t时刻激活传感器时的能耗为：
Figure GDA0003893448500000041
其中Eact为激活一个传感器所需要的能量，固定传感器发送长度为l的数据包消耗的能量为E2＝Eelec×l+A(d)×l，Eelec为发射电路和接收电路的能量消耗，d表示数据包传输的距离，l为传输数据大小的单位，A(d)表示数据包在水下传输距离为d时的能量衰减，可以表示为：A(d)＝dηad，其中η为能量扩散因子，且η＝2，
Figure GDA0003893448500000042
a(f)为吸收系数，可以表示为：
Figure GDA0003893448500000043
其中f为载波频率，移动传感器网络总能耗为上述能耗之和，即f2(x，t)＝E1+E2，以未被覆盖率和能耗为目标，构建如下MUWSNs的多目标动态调度模型：min{f1(x，t)，f2(x，t)}。
进一步地，所述依赖时间的决策变量分解包括以下步骤：
考虑t时刻决策变量
Figure GDA0003893448500000044
的分解，将固定传感器按照是否在移动传感器的通信范围内分为两组，一组为位于通信范围外的传感器，记为
Figure GDA0003893448500000045
另一组为位于通信范围内的传感器，记为Q(t)；将第二组固定传感器分为两类，一类为前一时刻和当前时刻都在通信范围内且被激活的传感器，记为Q1(t)，另一类为当前时刻进入通信范围内未被激活的传感器，记为Q2(t)，故Q(t)＝Q1(t)∪Q2(t)，因此，固定传感器共分为三组
Figure GDA0003893448500000046
Q1(t)和Q2(t)，且
Figure GDA0003893448500000051
其中
Figure GDA0003893448500000052
|Q1(t)|和|Q2(t)|分别为三组固定传感器的个数；根据固定传感器的分组，相应地将决策变量分为三组子分量x1，x2，x3，且x＝x1+x2+x3，其中第1组子分量
Figure GDA0003893448500000053
对应第一组固定传感器
Figure GDA0003893448500000054
Figure GDA0003893448500000055
第2组子分量
Figure GDA0003893448500000056
对应第二组固定传感器Q1(t)，
Figure GDA0003893448500000057
或1，j′＝1，…，|Q1(t)|；第3组子分量
Figure GDA0003893448500000058
对应第三组固定传感器Q2(t)，
Figure GDA0003893448500000059
或1，k′＝1，…，|Q2(t)|
进一步地，所述环境变化响应策略包括以下内容：
定义一个环境检测算子α用来检测环境是否发生变化，即
α＝f1(x，t)-90％
当α≥0时，环境未发生变化，当α＜0时，环境发生变化。
进一步地，所述环境变化响应策略包括以下步骤：
假设t时刻的进化种群为P(t)，基于依赖时间的决策变量分解，将进化种群对应地分为3个子种群P1(t)，P2(t)和P3(t)，对于子种群P1(t)中的进化个体，将其基因位全部取为0；对于子种群P2(t)中的进化个体，实行基本位变异，以响应环境的变化；对于子种群P3(t)中的进化个体，采用随机初始化的方式，得到当前时刻的初始子种群。
进一步地，所述动态多目标协同进化优化算法流程包括以下步骤：
S1设置移动传感器网络覆盖与能耗环境；
S2初始化参数：种群规模，交叉、变异概率、最大迭代次数；
S3计算t＝0时刻的最优调度方案以及最优目标函数值；
S4t＝t+1时刻，将子种群P1(t)和P3(t)中的个体全部编码为0，子种群P2(t)中的个体沿用上一时刻最优解的编码，计算f1(x，t)的值；
S5通过环境检测算子α检测环境是否发生变化，若是执行S6，若不符合，执行S4；
S6采用环境变化响应策略，合并种群P2(t)和P3(t)，作为当前的初始种群，计算当前时刻的最优调度方案以及最优目标函数值；
S7判断是否符合设定的终止条件，若符合，转至S8，否则，跳转至S4；
S8输出每个时刻的固定传感器调度方案以及覆盖率和能耗；结束。
本发明具有以下有益效果：
1、该水下移动无线传感器网络的多目标动态调度方法，在水下三维传感器网络中加入了自移动传感器，用来与固定传感器进行通信，并充分利用MUWSNs的动态性，以移动传感器为簇头，在移动传感器巡航时，通过调度其通讯范围内的固定传感器，实现MUWSNs的动态覆盖。
2、该水下移动无线传感器网络的多目标动态调度方法，针对所构建模型的特性，开发了一种动态多目标协同进化优化方法，依赖时间的决策变量分解能够降低决策变量维度，很大程度上节约计算资源，环境检测算子简单易行，环境响应策略加快了算法追踪Pareto最优解集的速度，在保证覆盖率的同时，能够节约网络能耗，从而延长MUWSNs的生存周期。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明移动传感器网络示意图；
图2为本发明算法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1-2，本发明提供一种技术方案：一种水下移动无线传感器网络的多目标动态调度方法，包括MUWSNs的多目标动态调度模型和动态多目标协同进化优化算法；
所述MUWSNs的多目标动态调度模型包括传感器感知模型、动态覆盖模型和动态能耗模型；
动态多目标协同进化优化算法包括依赖时间的决策变量分解、环境检测算子、环境变化响应策略；
如图1所示，假设水下监测区域A＝L1×L2×L3，将区域用均匀简单立方格进行划分，每个立方格的中心点为待覆盖目标点。记
Figure GDA0003893448500000071
为目标点集，第i个目标点的坐标为
Figure GDA0003893448500000072
i＝1，2，…，N1。区域内分布着若干固定传感器与移动传感器，设移动传感器集
Figure GDA0003893448500000073
第j个移动传感器在时刻t的坐标为
Figure GDA0003893448500000074
j＝1，2，…，N2，其中v是移动传感器的速度，每个移动传感器均具有通信移动能力，负责收集其通信区域内固定传感器的信息，固定传感器集为
Figure GDA0003893448500000075
第k个固定传感器坐标为
Figure GDA0003893448500000085
k＝1，2，…，N3，任意固定传感器具有感知通信能力，其任务是覆盖目标点并收集目标点信息，将信息传输给移动传感器；
其中，移动传感器和固定传感器的通信半径相同、移动传感器以固定的速度沿水平方向做匀速直线运动、移动传感器集成了探测器、传感器和任务控制器，可以存储大量的能量，而且能进行充能，收发能量的损耗可以忽略不计，移动传感器作为簇头节点，汇聚通信范围内固定传感器收集的信息、每个固定传感器具有相同的初始能量，激活和休眠2个状态，初始状态都为休眠。
其中，传感器感知模型包括以下内容：
记t时刻位于移动传感器集
Figure GDA0003893448500000081
通信范围内的固定传感器集为Q(t)，目标点集为S(t)，则固定传感器qk(t)，k(t)＝1，…，|Q(t)|对目标点si(t)，i(t)＝1，…，|s(t)|的感知概率定义为：
Figure GDA0003893448500000082
其中，d(qk(t)，si(t))表示固定传感器与目标点之间的距离，rs为固定传感器的感知半径，|Q(t)|和|S(t)|分别为位于移动传感器通信范围内固定传感器和目标点的个数；且固定传感器qk和目标点si的坐标满足如下条件：
Figure GDA0003893448500000083
Figure GDA0003893448500000084
其中
Figure GDA0003893448500000091
为第pj个移动传感器的坐标，rc为其通信半径。
其中，动态覆盖模型包括以下内容：
通信范围内的每个目标点是否被传感器覆盖可通过联合概率来进行定义：
Figure GDA0003893448500000092
xk(t)用以判断第k(t)个固定传感器是否被激活；
其中，定义未被覆盖率为
Figure GDA0003893448500000093
Figure GDA0003893448500000097
其中，动态能耗模型包括以下内容：
t时刻激活传感器时的能耗为：
Figure GDA0003893448500000094
其中Eact为激活一个传感器所需要的能量，固定传感器发送长度为l的数据包消耗的能量为E2＝Eelec×l+A(d)×l，Eelec为发射电路和接收电路的能量消耗，d表示数据包传输的距离，l为传输数据大小的单位，A(d)表示数据包在水下传输距离为d时的能量衰减，可以表示为：A(d)＝dηad，其中η为能量扩散因子，且
Figure GDA0003893448500000095
a(f)为吸收系数，可以表示为：
Figure GDA0003893448500000096
其中f为载波频率，移动传感器网络总能耗为上述能耗之和，即f2(x，t)＝E1+E2，以未被覆盖率和能耗为目标，构建如下MUWSNs的多目标动态调度模型：min{f1(x，t)，f2(x，t)}。
其中，依赖时间的决策变量分解包括以下步骤：
考虑t时刻决策变量
Figure GDA0003893448500000101
的分解，将固定传感器按照是否在移动传感器的通信范围内分为两组，一组为位于通信范围外的传感器，记为
Figure GDA0003893448500000102
另一组为位于通信范围内的传感器，记为Q(t)；将第二组固定传感器分为两类，一类为前一时刻和当前时刻都在通信范围内且被激活的传感器，记为Q1(t)，另一类为当前时刻进入通信范围内未被激活的传感器，记为Q2(t)，故Q(t)＝Q1(t)∪Q2(t)，因此，固定传感器共分为三组
Figure GDA0003893448500000103
Q1(t)和Q2(t)，且
Figure GDA0003893448500000104
其中
Figure GDA0003893448500000105
|Q1(t)|和|Q2(t)|分别为三组固定传感器的个数；根据固定传感器的分组，相应地将决策变量分为三组子分量x1，x2，x3，且x＝x1+x2+x3，其中第1组子分量
Figure GDA0003893448500000106
对应第一组固定传感器
Figure GDA0003893448500000107
Figure GDA0003893448500000108
第2组子分量
Figure GDA0003893448500000109
对应第二组固定传感器Q1(t)，
Figure GDA00038934485000001010
或1，j′＝1，…，|Q1(t)|；第3组子分量
Figure GDA00038934485000001011
对应第三组固定传感器Q2(t)，
Figure GDA00038934485000001012
或1，k′＝1，…，|Q2(t)|。
其中，环境检测算子包括以下内容：
定义一个环境检测算子α用来检测环境是否发生变化，即
α＝f1(x，t)-90％
当α≥0时，环境未发生变化，当α＜0时，环境发生变化。
其中，环境变化响应策略包括以下步骤：
假设t时刻的进化种群为P(t)，基于依赖时间的决策变量分解，将进化种群对应地分为3个子种群P1(t)，P2(t)和P3(t)，对于子种群P1(t)中的进化个体，将其基因位全部取为0；对于子种群P2(t)中的进化个体，实行基本位变异，以响应环境的变化；对于子种群P3(t)中的进化个体，采用随机初始化的方式，得到当前时刻的初始子种群。
其中如图2所示，动态多目标协同进化优化算法流程包括以下步骤：
S1设置移动传感器网络覆盖与能耗环境；
S2初始化参数：种群规模，交叉、变异概率、最大迭代次数；
S3计算t＝0时刻的最优调度方案以及最优目标函数值；
S4t＝t+1时刻，将子种群P1(t)和P3(t)中的个体全部编码为0，子种群P2(t)中的个体沿用上一时刻最优解的编码，计算f1(x，t)的值；
S5通过环境检测算子α检测环境是否发生变化，若是执行S6，若不符合，执行S4；
S6采用环境变化响应策略，合并种群P2(t)和P3(t)，作为当前的初始种群，计算当前时刻的最优调度方案以及最优目标函数值；
S7判断是否符合设定的终止条件，若符合，转至S8，否则，跳转至S4；
S8输出每个时刻的固定传感器调度方案以及覆盖率和能耗；结束。
实施例二
本发明还提供一种模拟仿真实验，包括以下内容：
模拟环境在现有计算机操作系统(Windows10)上运行，采用MatlabR2016b编程实现，通过采用不同的时间窗和与不含移动传感器的网络对比，验证所提方法的可行性和有效性。
具体实验参数如表1所示：
表1仿真环境和算法参数
Figure GDA0003893448500000121
结果分析：
第一组实验选取1，2，4，5四个不同的时间窗，分别算出对应各时间窗的平均最优覆盖率和网络总能，针对每种时间窗先将每个时刻取平均值后，再分别运行20次取均值，得到表2所示的结果，其中最优覆盖率和最佳能耗为各时刻Pareto前沿上的拐点对应的数值。
表2不同时间窗对方法性能的影响
Figure GDA0003893448500000131
由表2可以发现，随着时间窗的增大，覆盖率的平均值呈递减趋势；随着时间窗的增大，能耗越来越小。
实验分析：
第二组实验通过将所提方法与水下无线传感器网络(UWSNs)的调度优化做比较，验证所提模型和算法的可行性和有效性。
对于UWSNs的调度优化问题，采用分簇策略，先将水下区域等分为16个小区域，然后在16个子区域内随机生成16个簇头，同时在水面上布置2个sink节点。其他实验参数同表1一致，建立最小化未被覆盖率和能耗的多目标调度模型。采用NSGA-II算法求解上述模型，程序运行20次后取其平均值，结果如表3所示：
表3 UWSNs和MUWSNs的比较
覆盖率 能耗
UWSNs 0.963 177.27J
MUWSNs 0.950 30.86J
可以发现引入移动传感器后，在基本不影响覆盖率的情况下能够节约80％以上的网络能耗。证明了模型的可行性和算法的高效性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种水下移动无线传感器网络的多目标动态调度方法，其特征在于：包括MUWSNs的多目标动态调度模型和动态多目标协同进化优化算法；
所述MUWSNs的多目标动态调度模型包括传感器感知模型、动态覆盖模型和动态能耗模型；
所述动态多目标协同进化优化算法包括依赖时间的决策变量分解、环境检测算子、环境变化响应策略；
假设水下监测区域A＝L1×L2×L3， 将区域用均匀简单立方格进行划分，每个立方格的中心点为待覆盖目标点；记
Figure FDA0003893448490000011
为目标点集，第i个目标点的坐标为
Figure FDA0003893448490000012
区域内分布着若干固定传感器与移动传感器，设移动传感器集
Figure FDA0003893448490000013
第j个移动传感器在时刻t的坐标为
Figure FDA0003893448490000014
其中v是移动传感器的速度，每个移动传感器均具有通信移动能力，负责收集其通信区域内固定传感器的信息，固定传感器集为
Figure FDA0003893448490000015
第k个固定传感器坐标为
Figure FDA0003893448490000016
任意固定传感器具有感知通信能力，其任务是覆盖目标点并收集目标点信息，将信息传输给移动传感器；
其中，移动传感器和固定传感器的通信半径相同、移动传感器以固定的速度沿水平方向做匀速直线运动、移动传感器集成了探测器、传感器和任务控制器，可以存储大量的能量，而且能进行充能，收发能量的损耗可以忽略不计，移动传感器作为簇头节点，汇聚通信范围内固定传感器收集的信息、每个固定传感器具有相同的初始能量，激活和休眠2个状态，初始状态都为休眠；
所述传感器感知模型包括以下内容：
记t时刻位于移动传感器集
Figure FDA0003893448490000021
通信范围内的固定传感器集为Q(t)，目标点集为S(t)，则固定传感器qk(t)，k(t)＝1，…，|Q(t)|对目标点si(t)，i(t)＝1，…，|S(t)|的感知概率定义为：
Figure FDA0003893448490000022
其中，d(qk(t),si(t))表示固定传感器与目标点之间的距离，rs为固定传感器的感知半径，|Q(t)|和|S(t)|分别为位于移动传感器通信范围内固定传感器和目标点的个数；
所述动态覆盖模型包括以下内容：
动态覆盖模型限定为t时刻；通信范围内的每个目标点是否被传感器覆盖可通过联合概率来进行定义：
Figure FDA0003893448490000023
xk(t)用以判断第k(t)个固定传感器是否被激活；
其中，定义未被覆盖率为
Figure FDA0003893448490000024
所述动态能耗模型包括以下内容：t时刻激活传感器时的能耗为：
Figure FDA0003893448490000025
其中Eact为激活一个传感器所需要的能量，固定传感器发送长度为l的数据包消耗的能量为E2＝Eelec×l+A(d)×l，Eelec为发射电路和接收电路的能量消耗，d表示数据包传输的距离，l为传输数据大小的单位， A(d)表示数据包在水下传输距离为d时的能量衰减，可以表示为：A(d)＝dηad，其中η为能量扩散因子，且
Figure FDA0003893448490000031
a(f)为吸收系数，可以表示为：
Figure FDA0003893448490000032
其中f为载波频率，移动传感器网络总能耗为上述能耗之和，即f2(x,t)＝E1+E2，以未被覆盖率和能耗为目标，构建如下MUWSNs的多目标动态调度模型：min{f1(x,t),f2(x,t)}。
2.根据权利要求1所述的一种水下移动无线传感器网络的多目标动态调度方法，其特征在于，所述依赖时间的决策变量分解包括以下步骤：
考虑t时刻决策变量
Figure FDA0003893448490000033
的分解，将固定传感器按照是否在移动传感器的通信范围内分为两组，一组为位于通信范围外的传感器，记为
Figure FDA0003893448490000034
另一组为位于通信范围内的传感器，记为Q(t)；将第二组固定传感器分为两类，一类为前一时刻和当前时刻都在通信范围内且被激活的传感器，记为Q1(t)，另一类为当前时刻进入通信范围内未被激活的传感器，记为Q2(t)，故Q(t)＝Q1(t)∪Q2(t)，因此，固定传感器共分为三组
Figure FDA0003893448490000035
Q1(t)和Q2(t)，且
Figure FDA0003893448490000036
其中
Figure FDA0003893448490000037
|Q1(t)|和|Q2(t)|分别为三组固定传感器的个数；根据固定传感器的分组，相应地将决策变量分为三组子分量x1,x2,x3，且x＝x1+x2+x3，其中第1组子分量
Figure FDA0003893448490000038
对应第一组固定传感器
Figure FDA0003893448490000039
Figure FDA00038934484900000310
第2组子分量
Figure FDA00038934484900000311
对应第二组固定传感器Q1(t)，
Figure FDA0003893448490000041
或 1，j′＝1，…，|Q1(t)|；第3组子分量
Figure FDA0003893448490000042
对应第三组固定传感器Q2(t)，
Figure FDA0003893448490000043
或1，k′＝1，…，|Q2(t)|。
3.根据权利要求1所述的一种水下移动无线传感器网络的多目标动态调度方法，其特征在于，所述环境检测算子包括以下内容：
定义一个环境检测算子α用来检测环境是否发生变化，即
α＝f1(x,t)-90％
当α≥0时，环境未发生变化，当α＜0时，环境发生变化。
4.根据权利要求1所述的一种水下移动无线传感器网络的多目标动态调度方法，其特征在于，所述环境变化响应策略包括以下步骤：
假设t时刻的进化种群为P(t)，基于依赖时间的决策变量分解，将进化种群对应地分为3个子种群P1(t),P2(t)和P3(t)，对于子种群P1(t)中的进化个体，将其基因位全部取为0；对于子种群P2(t)中的进化个体，实行基本位变异，以响应环境的变化；对于子种群P3(t)中的进化个体，采用随机初始化的方式，得到当前时刻的初始子种群。
5.根据权利要求4所述的一种水下移动无线传感器网络的多目标动态调度方法，其特征在于，所述动态多目标协同进化优化算法流程包括以下步骤：
S1设置移动传感器网络覆盖与能耗环境；
S2初始化参数：种群规模，交叉、变异概率、最大迭代次数；
S3计算t＝0时刻的最优调度方案以及最优目标函数值；
S4t＝t+1时刻，将子种群P1(t)和P3(t)中的个体全部编码为0，子种群P2(t)中的个体沿用上一时刻最优解的编码，计算f1(x,t)的值；
S5通过环境检测算子α检测环境是否发生变化，若是执行S6，若不符合，执行S4；
S6采用环境变化响应策略，合并种群P2(t)和P3(t)，作为当前的初始种群，计算当前时刻的最优调度方案以及最优目标函数值；
S7判断是否符合设定的终止条件，若符合，转至S8，否则，跳转至S4；
S8输出每个时刻的固定传感器调度方案以及覆盖率和能耗；结束。
CN202010435860.3A 2020-05-21 2020-05-21 一种水下移动无线传感器网络的多目标动态调度方法 Active CN111698656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010435860.3A CN111698656B (zh) 2020-05-21 2020-05-21 一种水下移动无线传感器网络的多目标动态调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010435860.3A CN111698656B (zh) 2020-05-21 2020-05-21 一种水下移动无线传感器网络的多目标动态调度方法

Publications (2)

Publication Number Publication Date
CN111698656A CN111698656A (zh) 2020-09-22
CN111698656B true CN111698656B (zh) 2023-02-07

Family

ID=72478065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010435860.3A Active CN111698656B (zh) 2020-05-21 2020-05-21 一种水下移动无线传感器网络的多目标动态调度方法

Country Status (1)

Country Link
CN (1) CN111698656B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104349356A (zh) * 2013-08-05 2015-02-11 江南大学 基于差分进化的视频传感器网络覆盖增强实现方法
CN106028357A (zh) * 2016-07-08 2016-10-12 柴俊沙 一种新的水下无线传感器网络点覆盖控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647726A (zh) * 2012-02-17 2012-08-22 无锡英臻科技有限公司 一种无线传感器网络覆盖能耗平衡优化策略
CN105101233A (zh) * 2015-09-02 2015-11-25 武汉大学 一种能量节约型无线传感器网络的构造和维护方法
CN109769222B (zh) * 2019-02-27 2021-11-16 天津城建大学 基于多水下自主航行器的水下传感器网络路由方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104349356A (zh) * 2013-08-05 2015-02-11 江南大学 基于差分进化的视频传感器网络覆盖增强实现方法
CN106028357A (zh) * 2016-07-08 2016-10-12 柴俊沙 一种新的水下无线传感器网络点覆盖控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于人工鱼群的水下传感器网络优化算法;郑翔等;《军事通信技术》;20160625(第02期);全文 *

Also Published As

Publication number Publication date
CN111698656A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
Chen et al. A hybrid memetic framework for coverage optimization in wireless sensor networks
CN103354642B (zh) 一种提高移动传感器网络覆盖率的方法
Yiyue et al. Wireless sensor network deployment using an optimized artificial fish swarm algorithm
Maheshwari et al. A survey on wireless sensor networks coverage problems
Romoozi et al. A positioning method in wireless sensor networks using genetic algorithms
CN110430547B (zh) UASNs中基于Q-learning的多AUV协作数据收集方法
Zhang et al. A novel coverage optimization strategy based on grey wolf algorithm optimized by simulated annealing for wireless sensor networks
CN109729498B (zh) 一种基于维诺图的自适应节点选择的目标跟踪方法及系统
Chen et al. A lifetime optimization algorithm limited by data transmission delay and hops for mobile sink-based wireless sensor networks
Wang et al. Reinforcement learning-enabled resampling particle swarm optimization for sensor relocation in reconfigurable WSNs
Zaimen et al. A survey of artificial intelligence based wsns deployment techniques and related objectives modeling
Shanbehzadeh et al. An intelligent energy efficient clustering in wireless sensor networks
Tuba et al. Energy efficient sink placement in wireless sensor networks by brain storm optimization algorithm
Kuang et al. Dynamic multi-objective cooperative coevolutionary scheduling for mobile underwater wireless sensor networks
Taseen et al. An Innovative Method for Energy Intensive Routing and Transmission Network Positioning in Integrated Wireless Detector Networks
CN111698656B (zh) 一种水下移动无线传感器网络的多目标动态调度方法
Wang et al. Coverage control optimization algorithm for wireless sensor networks based on combinatorial mathematics
Chen et al. A neighborhood grid clustering algorithm for solving localization problem in WSN using genetic algorithm
CN109784465A (zh) 基于物联网的森林火灾监测系统节点有效动态覆盖方法
CN113365222B (zh) 一种基于可持续数据采集的移动传感器智能轨迹设计方法
Liu et al. A novel compact particle swarm optimization for optimizing coverage of 3d in wireless sensor network
De et al. A comparative study on performances of sensor deployment algorithms in WSN
Zhou et al. Research on coverage control algorithm based on wireless sensor network
Wang et al. Multistrategy integrated marine predator algorithm applied to 3D surface WSN coverage optimization
Han Mobile node deployment based on improved probability model and dynamic particle swarm algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant