CN111988786A - 一种基于高维多目标分解算法的传感器网络覆盖方法及系统 - Google Patents

Abstract

本发明涉及传感器网络技术领域，尤其涉及一种基于高维多目标分解算法的传感器网络覆盖方法及系统；所述方法包括：构建具有混合节点感知模型的传感器网络；建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；所述系统包括网络初始模块、数据处理模块和计算输出模块；本发明实施例所述的系统执行上述方法，通过引入少量的硬件配置更高、资源更丰富的移动节点，建立混合节点感知模型，当死亡节点增加时仍然能够保障传感器网络的覆盖性能。

Description

一种基于高维多目标分解算法的传感器网络覆盖方法及系统

技术领域

本发明涉及传感器网络理论与技术领域，尤其涉及一种基于高维多目标分解算法的传感器网络覆盖方法及系统。

背景技术

近年来，随着人工智能技术的飞速发展，我国乃至全球都掀起了智慧城市的建设热潮。2014年国家发改委等八部门联合出台《关于促进智慧城市健康发展的指导意见》，首次将智慧城市建设纳入国家专项规划，到目前为止我国的智慧城市建设已取得阶段性进展，更进一步说明了建设智慧城市的重要性和紧迫性。

在当前已建的智慧城市系统中多维信息的获取主要通过传感器网络，它是数以万计的传感器连接而成的复杂网络；常见的传感器网络节点感知模型包含静态节点和中继节点，通过密集部署节点方法，实现传感器网络覆盖。

现有技术的不足之处在于，当死亡节点增加时，静态节点只能修复相对较小的监测区域，影响传感器网络的覆盖性能；传感器网络的覆盖率、连通性、能耗方面不平衡，导致众多信息在网络传输时出现拥堵或丢失现象，这就导致整个城市多维信息交流不畅通，决策无法做到全面而准确，城市智慧化程度大打折扣。

发明内容

为克服现有技术存在的问题，本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖方法及系统，通过构建包括静态节点和移动节点的混合传感器节点感知模型，保证传感器网络的覆盖性能。

一方面，本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖方法，包括以下步骤：

S1，构建具有混合节点感知模型的传感器网络；所述混合节点感知模型包括中继节点、移动节点、静态节点；

S2，建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；

S3，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化。

另一方面，本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖系统，包括：

网络初始模块，构建具有混合节点感知模型的传感器网络；所述混合节点感知模型包括中继节点、移动节点、静态节点；

数据处理模块，建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；

计算输出模块，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化。

本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖方法及系统；通过引入少量的硬件配置更高、资源更丰富的移动节点，建立混合节点感知模型，当死亡节点增加时仍然能够保障传感器网络的覆盖性能；基于高维多目标分解算法对设计的覆盖率、连通性、能耗三个目标函数同时优化能达到一种最优的平衡，进一步提高传感器网络的覆盖性能。

附图说明

为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖方法流程示意图；

图2为本发明实施例传感器网络混合节点感知模型示意图；

图3为本发明实施例覆盖率目标函数建立流程示意图；

图4为本发明实施例连通性目标函数建立流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。

图1为本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖方法流程示意图；如图1所示，包括以下步骤：

S1，构建具有混合节点感知模型的传感器网络；所述混合节点感知模型包括中继节点、移动节点、静态节点；

S2，建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；

S3，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化。

具体地，如图2为本发明实施例传感器网络混合节点感知模型示意图；如图2所示，建立的混合节点感知模型，其中包括中继节点、少量移动节点、适量静态节点。常见的传感器网络节点感知模型只包含静态节点和中继节点，当密集部署节点时传感器网络优良的覆盖连通性才得以体现，但死亡节点增加时，静态节点只能修复相对较小的监测区域，势必影响传感器网络的覆盖性能，所以可以增加少量的硬件配置更高、资源更丰富的移动节点来改善上述问题。

进一步地，建立包括覆盖率目标函数、连通性目标函数及能耗等目标函数的传感器网络覆盖数学模型；图3为本发明实施例覆盖率目标函数建立流程示意图；如图3所示，建立覆盖率目标函数具体步骤包括：

S21a，将被监测区域离散化为网格状；所述监测区域精度可以根据实际需要决定，如1m×1m；

S21b，计算出整个所述监测区域的网格总数；

S21c，计算出所述传感器网络中全部工作节点所覆盖网格总数；

S21d，构造出所述覆盖率目标函数；所述覆盖率目标函数η计算公式为：

其中，S_total为所述覆盖网格总数，

U为合并符号，

为每个传感器节点覆盖的网格数，i＝1,2,…,N，N为工作节点数量；N_total为所述监测区域的网格总数。

进一步地，图4为本发明实施例连通性目标函数建立流程示意图；如图4 所示，建立连通性目标函数具体步骤包括：

S22a，计算全部节点之间的距离，记为距离矩阵；所述距离矩阵为：

S22b，判断所述距离矩阵中每个元素与节点感知半径r的大小关系，以此建立连通矩阵；所述连通矩阵为：

其中，

N为节点数量，d_ij为节点i与节点j之间的距离；l_ij为第i行第j列的元素；

S22c，通过所述连通矩阵构造出所述连通性目标函数；所述连通性目标函数为：

其中，

进一步地，所述步骤S2中能耗目标函数为：

其中，

E_t为发送数据的能耗，E_r为接收数据的能耗，N为工作节点数量，t_i为第i个传感器节点发送的数据量，e_t为发送单位数据量的能耗，EC_pa为信号放大器能耗系数，d_i为第i个传感器节点与下一跳节点的通信距离，λ为数据损耗系数，r_i为第i个传感器节点接收的数据量， e_r为接收单位数据量的能耗。

进一步地，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化；具体优化步骤例如：

(a)设置初始参数；每个目标函数方向上的采样个数为H，种群规模

，最大进化迭代次数G_max，交叉因子CR；

(b)随机生成始种群X₁,X₂,...,X_N，Xi＝{x1,y1,x2,y2,...xN,yN}，(xi,yi)为传感器节点的位置；计算个体目标值F(X_i)＝(f₁(X_i),f₂(X_i),f₃(X_i))＝(η,C,E)；构造参考点Z^*＝(z₁,z₂,z₃)，z_i＝min(f_i(X)),i＝1,2,3；

(c)生成N个均匀分布的权重向量λ¹,λ²,...,λ^N；

(d)计算权重向量间的欧氏距离，确定权重向量邻域集合B(i)＝{i₁,i₂,...,i_T}，{i₁,i₂,...,i_T}代表距离权重向量λⁱ最近的T个权重向量的索引；

e.为权重向量λ¹,λ²,...,λ^N随机分配个体；

(f)从每一个权重向量邻域集合B(i)，i＝1,2,…,N中随机选取两个个体X_r1, X_r2与X_i经过差分变异操作和交叉操作生成试验个体Y＝(y₁,y₂,y₃)，索引值r1,r2 与i不同；

Y'＝X_i+(0.6-0.2×t/G_max)×(X_r1-X_r2)

其中，t为进化迭代次数，G_max为最大进化迭代次数，j＝1,2,3。

(g)个体比较阶段：若Y优于Xi，则令Xi＝Y，F(X_i)＝F(Y)；

Y优于

(h)判断终止条件。若t＝G_max，则算法停止并将种群中的Pareto最优解作为结果输出，否则，t＝t+1，返回至步骤(f)。

本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖方法；通过引入少量的硬件配置更高、资源更丰富的移动节点，建立混合节点感知模型，当死亡节点增加时仍然能够保障传感器网络的覆盖性能；基于高维多目标分解算法对设计的覆盖率、连通性、能耗三个目标函数同时优化能达到一种最优的平衡，进一步提高传感器网络的覆盖性能。

基于上述实施例，本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖系统；包括：

网络初始模块，构建具有混合节点感知模型的传感器网络；所述混合节点感知模型包括中继节点、移动节点、静态节点；

数据处理模块，建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；

计算输出模块，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化。

本发明实施例提供一种基于高维多目标分解算法的传感器网络覆盖系统执行上述方法；通过引入少量的硬件配置更高、资源更丰富的移动节点，建立混合节点感知模型，当死亡节点增加时仍然能够保障传感器网络的覆盖性能；基于高维多目标分解算法对设计的覆盖率、连通性、能耗三个目标函数同时优化能达到一种最优的平衡，进一步提高传感器网络的覆盖性能。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于高维多目标分解算法的传感器网络覆盖方法，其特征在于，包括以下步骤：

S1，构建具有混合节点感知模型的传感器网络；所述混合节点感知模型包括中继节点、移动节点、静态节点；

S2，建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；

S3，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化。

2.根据权利要求1所述的一种基于高维多目标分解算法的传感器网络覆盖方法，其特征在于，所述步骤S2中建立覆盖率目标函数具体步骤包括：

S21a，将被监测区域离散化为网格状；所述监测区域精度可以根据实际需要决定；

S21b，计算出整个所述监测区域的网格总数；

S21c，计算出所述传感器网络中全部工作节点所覆盖网格总数；

S21d，构造出所述覆盖率目标函数；所述覆盖率目标函数η计算公式为：

其中，S_total为所述覆盖网格总数，

U为合并符号，

为每个传感器节点覆盖的网格数，i＝1,2,…,N，N为工作节点数量；N_total为所述监测区域的网格总数。

3.根据权利要求1所述的一种基于高维多目标分解算法的传感器网络覆盖方法，其特征在于，所述步骤S2中建立连通性目标函数具体步骤包括：

S22a，计算全部节点之间的距离，记为距离矩阵；所述距离矩阵为：

S22b，判断所述距离矩阵中每个元素与节点感知半径r的大小关系，以此建立连通矩阵；所述连通矩阵为：

其中，

N为节点数量，d_ij为节点i与节点j之间的距离；l_ij为第i行第j列的元素；

S22c，通过所述连通矩阵构造出所述连通性目标函数；所述连通性目标函数为：

其中，

4.根据权利要求1所述的一种基于高维多目标分解算法的传感器网络覆盖方法，其特征在于，所述步骤S2中能耗目标函数为：

其中，

E_t为发送数据的能耗，E_r为接收数据的能耗，N为工作节点数量，t_i为第i个传感器节点发送的数据量，e_t为发送单位数据量的能耗，EC_pa为信号放大器能耗系数，d_i为第i个传感器节点与下一跳节点的通信距离，λ为数据损耗系数，r_i为第i个传感器节点接收的数据量，e_r为接收单位数据量的能耗。

5.一种基于高维多目标分解算法的传感器网络覆盖系统，其特征在于，包括：

网络初始模块，构建具有混合节点感知模型的传感器网络；所述混合节点感知模型包括中继节点、移动节点、静态节点；

数据处理模块，建立包括覆盖率目标函数、连通性目标函数及能耗目标函数的传感器网络覆盖数学模型；

计算输出模块，通过高维多目标分解算法对所述传感器网络覆盖数学模型进行优化。

6.根据权利要求5所述的一种基于高维多目标分解算法的传感器网络覆盖系统，其特征在于，所述数据处理模块建立覆盖率目标函数具体包括：

将被监测区域离散化为网格状；所述监测区域精度可以根据实际需要决定；

计算出整个所述监测区域的网格总数；

计算出所述传感器网络中全部工作节点所覆盖网格总数；

构造出所述覆盖率目标函数；所述覆盖率目标函数η计算公式为：

其中，S_total为所述覆盖网格总数，

U为合并符号，

为每个传感器节点覆盖的网格数，i＝1,2,…,N，N为工作节点数量；N_total为所述监测区域的网格总数。

7.根据权利要求5所述的一种基于高维多目标分解算法的传感器网络覆盖系统，其特征在于，所述数据处理模块建立连通性目标函数具体包括：

计算全部节点之间的距离，记为距离矩阵；所述距离矩阵为：

判断所述距离矩阵中每个元素与节点感知半径r的大小关系，以此建立连通矩阵；所述连通矩阵为：

其中，

N为节点数量，d_ij为节点i与节点j之间的距离；l_ij为第i行第j列的元素；

通过所述连通矩阵构造出所述连通性目标函数；所述连通性目标函数为：

其中，

8.根据权利要求5所述的一种基于高维多目标分解算法的传感器网络覆盖系统，其特征在于，所述数据处理模块中能耗目标函数为：

其中，

E_t为发送数据的能耗，E_r为接收数据的能耗，N为工作节点数量，t_i为第i个传感器节点发送的数据量，e_t为发送单位数据量的能耗，EC_pa为信号放大器能耗系数，d_i为第i个传感器节点与下一跳节点的通信距离，λ为数据损耗系数，r_i为第i个传感器节点接收的数据量，e_r为接收单位数据量的能耗。

Images