CN112272380B - 面向复杂部署环境的在线工业无线传感器网络部署方法 - Google Patents

面向复杂部署环境的在线工业无线传感器网络部署方法 Download PDF

Info

Publication number
CN112272380B
CN112272380B CN202011175228.6A CN202011175228A CN112272380B CN 112272380 B CN112272380 B CN 112272380B CN 202011175228 A CN202011175228 A CN 202011175228A CN 112272380 B CN112272380 B CN 112272380B
Authority
CN
China
Prior art keywords
deployment
node
learning
radio frequency
frequency 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
CN202011175228.6A
Other languages
English (en)
Other versions
CN112272380A (zh
Inventor
马超凡
张玉莹
马昂
刘安战
朱彦松
郭夫然
宋敏
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.)
Zhongyuan University of Technology
Original Assignee
Zhongyuan University of Technology
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 Zhongyuan University of Technology filed Critical Zhongyuan University of Technology
Priority to CN202011175228.6A priority Critical patent/CN112272380B/zh
Publication of CN112272380A publication Critical patent/CN112272380A/zh
Application granted granted Critical
Publication of CN112272380B publication Critical patent/CN112272380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • 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

Abstract

本发明涉及一种面向复杂部署环境的在线工业无线传感器网络部署方法，包括中继节点部署主体和射频环境学习模块，中继节点部署主体负责整个部署流程，每次只生成单个中继节点部署方案，部署该中继节点后立即测量信道质量，并反馈给射频环境学习模块；射频环境学习模块用于学习部署现场射频环境，并为中继节点部署主体提供通信拓扑图用于指导部署。通过这种在线的部署、学习的迭代方式，使该方法即使在复杂环境下也能保证所部署网络的可靠性，并且在每次部署后测量所部署中继信道质量，来检测该中继是否有效部署，并将测量结果反馈至射频环境学习模块进行学习、提高预测准确度。

Description

面向复杂部署环境的在线工业无线传感器网络部署方法
技术领域
本发明涉及无线传感器网络技术领域，具体涉及一种面向复杂部署环境的在线工业无线 传感器网络部署方法。
背景技术
无线传感器网络由于其无需布线、部署方便等优点，已经被广泛应用于各个领域。无线 传感器网络由传感器节点、网关节点构成。许多应用中，无线传感器节点位置已知且固定。 但是，由于无线传感器节点通信距离短、能量受限，无法构建整体网络连通性。为此，国内 外学者专家提出通过部署额外中继节点为无线传感器网络构建拓扑连通性。同时，由于中继 节点具有通信能力强、能量充沛等优点，中继节点的部署可以提高网络可扩展性、降低网络 能耗等。
无线传感器网络已被应用于诸多工业领域，形成了工业无线传感器网络。工业应用在可 靠性、实时性等方面对工业无线传感器网络提出了更为严格的要求。中继部署方法直接构建 网络底层拓扑结构，严重影响网络各层性能。因此，在部署中继节点时需要充分考虑工业应 用需求，构建满足硬实时、高可靠的工业无线传感器网络。
然而，工业现场具有环境复杂、射频干扰严重等特点，使部署区域信道质量变化剧烈。 目前已有中继部署方法仅采用静态信道模型来指导整个部署过程，且采用离线方式一次性生 成部署方案，所以无法在工业现场复杂环境中有效保证网络通信可靠性。因此，亟需一种面 向复杂部署环境的在线工业无线传感器网络部署方法。
发明内容
本发明的目的是提供一种面向复杂部署环境的在线工业无线传感器网络部署方法，以解 决无法在复杂工业环境中，有效部署实时、可靠通信网络的中继部署方法的问题。
为实现上述目的，本发明采用如下技术方案：
面向复杂部署环境的在线工业无线传感器网络部署方法，包括中继节点部署主体和射频 环境学习模块，中继节点部署主体负责整个部署流程，每次只生成单个中继节点部署方案， 部署该中继节点后立即测量信道质量，并反馈给射频环境学习模块；射频环境学习模块用于 学习部署现场射频环境，并为中继节点部署主体提供通信拓扑图用于指导部署。
进一步地，所述中继节点部署主体的执行过程包括以下步骤，
(2.1)输入参数S、C、g，其中S为传感器节点集合，C为事先确定的候选署位置集合，g为网关节点；初始化射频环境学习模块，令v＝g,R＝{v},h(v)＝0,p(v)＝null；
(2.2)利用射频环境学习模块生成一个拓扑图G；
(2.3)对于S中任一传感器节点s，如果s为v节点的邻居，则测量s和v之间的信道质量Ψ(s,v)， 并把Ψ(s,v)传入射频学习模块进行学习；进一步，如果Ψ(s,v)≥θ，则将s从集合S中删除，令p(s)＝v, h(s)＝h(v)+1，其中θ为可靠性阈值，p(·)为节点·的父节点、h(·)为节点·到网关节点的跳数；
(2.4)找到节点v的所有非中继节点、传感器节点及网关节点集合，并记为N，即 N＝NG(v)\(S∪R∪{g})，其中NG(v)为节点v在图G中的所有邻居集合；
(2.5)如果N为空集，则v＝p(v)，跳转至步骤(2.2)；
(2.6)对于N中任一节点u，创建一个空集Cu；
(2.7)对于S中任一传感器节点s，从N中找出一个距离s最近的节点u，并做如下操作：Cu＝Cu ∪{s}；
(2.8)如果N中所有节点的Cu都为空，则v＝p(v)，跳转至步骤(2.2)；
(2.9)令
Figure BDA0002748522240000021
其中DG(t,s)为拓扑图G中从节点t到节点s的最短距离；
(2.10)测量u与v之间的信道质量Ψ(u,v)，并将其传入射频环境学习模块进行学习；
(2.11)如果Ψ(u,v)≥θ，则进行如下操作：p(u)＝v,h(u)＝h(v)+1,v＝u，R＝R∪{u}；
(2.12)如果S不为空且v不为null，则跳转至步骤(2.2)
(2.13)输出部署中继节点集合R。
进一步地，所述射频环境学习模块具体设计如下：
令u和v为部署区域任意两点，该射频环境学习模块的主要任务为学习u和v之间是否能提 供可靠通信，并记该学习过程为lu,v，lu,v有两个动作分别为0和1，记lu,v的动作空间为A，则 A＝{0,1}，令au,v为lu,v的当前动作，动作au,v为lu,v带来的回报计算方法如下：
Figure RE-GDA0002822714320000022
令Q(lu,v,a)为动作a的价值函数，Q(lu,v)＝{Q(lu,v,a)|a∈A}为学习过程lu,v的Q-表，该射频 环境学习模块利用Q-学习所采用的Bellman等式更新Q-表：
Figure BDA0002748522240000023
其中α和β分别为学习率和折扣因子；
在学习过程中，给每个学习过程lu,v一个标识位，表示u和v两点间是否经过实际信道质量 测量；令lu,v和li,j为两个学习过程，则它们之间的距离定义为：
Figure BDA0002748522240000031
其中||u,v||表示节点u和v之间的欧氏距离，令lu,v为一个未测量的学习过程，li,j为距离lu,v 最近的已测量学习过程，则采用以下公式辅助lu,v选择动作：
au,v＝round((1-ξ)au,v+ξai,j), (4)
其中ξ＝1，如果d(lu,v,li,j)小于1,ξ＝1/d(lu,v,li,j)，如果d(lu,v,li,j)大于1，round()为四舍五 入操作；
射频环境学习模块的步骤如下：
(3.1)输入测量信道质量Ψ(u,v)，然后根据式(1)计算上次动作au,v为学习进程lu,v带来的回 报γ(lu,v,au,v)，最后利用式(2)更新动作价值函数Q(lu,v,a)；
(3.2)V＝S∪C∪{g}；
(3.3)对于V中任意两点v和u：
(3.3.1)如果lu,v是未测量学习过程，令li,j为最近的已测量学习过程，采用式(4)选择lu,v的 当前动作au,v，并进入步骤(3.4)
(3.3.2)如果lu,v是已测量学习过程，采用ε-greedy算法选择当前动作au,v，并进入步骤(3.4)
(3.4)构建一个空图G(V,E)，E为空集，对于V中任意两点u和v，如果au,v＝1则在u和v之间 构建一条边。
进一步地，在第一次迭代中，采用估计半径r来选择每个进程的当前动作，即如两点u,v 距离小于等于r，则au,v＝1；否则au,v＝0。
本发明的有益效果：
与已有中继部署方法离线一次性生成部署方案不同，本发明采用在线计算方式，每次只 生成单个中继节点部署方案，部署该中继节点后立即测量信道质量进行反馈学习，继而进行 下次部署。通过这种在线的部署、学习的迭代方式，使该方法即使在复杂环境下也能保证所 部署网络的可靠性。中继节点部署主体利用射频环境学习模块所提供的通信拓扑图，基于深 度搜索算法和最短路径树算法在每次迭代中选择一个距离未连接传感器节点最近的位置部署 中继节点，以此提高网络实时性。并且在每次部署后测量所部署中继信道质量，来检测该中 继是否有效部署，并将测量结果反馈至射频环境学习模块进行学习、提高预测准确度。
附图说明
图1至11是中继节点部署主体执行过程的各示意图；
图12是射频环境学习模块执行过程的示意图；
图13是本发明面向复杂部署环境的在线工业无线传感器网络部署方法的原理示意图。
图中，1、网关节点，2、中继节点，3、候选部署位置，4、传感器节点，5、预测通信链路。
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。
本发明的实施例：
(一)、面向复杂部署环境的在线工业无线传感器网络部署方法，包括中继节点部署主 体和射频环境学习模块，中继节点部署主体负责整个部署流程，每次只生成单个中继节点部 署方案，部署该中继节点后立即测量信道质量，并反馈给射频环境学习模块；射频环境学习 模块用于学习部署现场射频环境，并为中继节点部署主体提供通信拓扑图用于指导部署。
(二)、中继节点部署主体的执行过程包括以下步骤：
(2.1)、输入参数S、C、g，其中S为传感器节点集合，C为事先确定的候选署位置集合， g为网关节点；初始化射频环境学习模块，令v＝g,R＝{v},h(v)＝0,p(v)＝null；
(2.2)、利用射频环境学习模块生成一个拓扑图G；
(2.3)、对于S中任一传感器节点s，如果s为v节点的邻居，则测量s和v之间的信道质量 Ψ(s,v)，并把Ψ(s,v)传入射频学习模块进行学习；进一步，如果Ψ(s,v)≥θ，则将s从集合S中删除， 令p(s)＝v,h(s)＝h(v)+1，其中θ为可靠性阈值，p(·)为节点·的父节点、h(·)为节点·到网关节点的 跳数；
(2.4)、找到节点v的所有非中继节点、传感器节点及网关节点集合，并记为N，即 N＝NG(v)\(S∪R∪{g})，其中NG(v)为节点v在图G中的所有邻居集合；
(2.5)、如果N为空集，则v＝p(v)，跳转至步骤(2.2)；
(2.6)、对于N中任一节点u，创建一个空集Cu；
(2.7)、对于S中任一传感器节点s，从N中找出一个距离s最近的节点u，并做如下操作： Cu＝Cu∪{s}；
(2.8)、如果N中所有节点的Cu都为空，则v＝p(v)，跳转至步骤(2.2)；
(2.9)、令
Figure BDA0002748522240000041
其中DG(t,s)为拓扑图G中从节点t到节点s的最短距离；
(2.10)、测量u与v之间的信道质量Ψ(u,v)，并将其传入射频环境学习模块进行学习；
(2.11)、如果Ψ(u,v)≥θ，则进行如下操作：p(u)＝v,h(u)＝h(v)+1,v＝u，R＝R∪{u}；
(2.12)、如果S不为空且v不为null，则跳转至步骤(2.2)
(2.13)、输出部署中继节点集合R。
对上述步骤更为详细的说明如下：
(2-1)、开始第一次迭代
首先利用射频环境模块生成通信拓扑图G，图1所示。
(2-11)、对S中任一传感器节点s，如果s在图1中与R中某节点为邻居，则测量s与该节点之 间的信道质量。本次迭代中，S中未有任何节点与R中节点相邻，因此无需测量。
(2-12)、找到节点v的所有非中继节点、传感器节点及网关节点集合，并记为N，N＝NG(v)\(S∪R∪{g})，其中NG(v)为节点v在图G中的所有邻居集合；
本次迭代中N＝{c1,c2,c3}。
(2-13)、为N中每个节点u创建一个空集Cu，即
Figure BDA0002748522240000051
(2-14)、Cc1＝{s1},Cc2＝{s2,s3},Cc3＝{s3}，其中c1到s1需要3跳，c2到s2和s3共需8跳，c3 到s3需4跳，因此本轮选择c1，即u＝c1。
(2-15)、测量u和v之间(即g和c1间)信道质量Ψ(g,c1)，如果Ψ(g,c1)≥θ，则在c1部署一个 中继节点，并令h(c1)＝h(g)+1＝0+1＝1,p(c1)＝v,R＝R∪{c1},v＝c1；否则，无任何动作
(2-16)、如S为空输出R并结束程序；否则，继续迭代。本次S非空，所以继续迭代。
(2-2)、开始第二次迭代
首先利用射频环境模块生成通信拓扑图，图(2)所示；
(2-21)、对S中任一传感器节点s，如果s在图(2)中与R中某节点为邻居，则测量s与该节点 之间的信道质量。本次迭代中，S中未有任何节点与R中节点相邻，因此无需测量。
(2-22)、找到v的所有非中继节点、传感器节点及网关节点集合，并记为N，本次迭代中 N＝{c6,c7}。
(2-23)、为N中每个节点u创建一个空集Cu。
(2-24)、Cc6＝{s1},Cc7＝{s1,s2,s3}，其中c6到s1需要2跳，c7到s1、s2和s3共需10跳，因 此本轮选择c6，即u＝c6。
(2-25)、测量u和v之间(即c1和c6间)信道质量Ψ(c1,c6)，如果Ψ(c1,c6)≥θ，则在c6部署一 个中继节点，并令h(c6)＝h(c1)+1＝1+1＝2,p(c6)＝c1,R＝R∪{c6},v＝c6；否则，无任何动作。
(2-26)、如S为空输出R并结束程序；否则，继续方法迭代。本次S非空，所以继续迭代。
(2-3)开始第三次迭代
首先利用射频环境模块生成通信拓扑图，图(3)所示；
(2-31)、对S中任一传感器节点s，如果s在图(3)中与R中某节点为邻居，则测量s与该节点 之间的信道质量。本次迭代中，S中未有任何节点与R中节点相邻，因此无需测量。
(2-32)、找到v(即c6)的所有非中继节点、传感器节点及网关节点集合，并记为N。本 次迭代中N为空集，所以令v＝p(v)，即v＝c1，并直接进入下次迭代。
(2-4)、开始第四次迭代
首先利用射频环境模块生成通信拓扑图，图(4)所示；
(2-41)、对S中任一传感器节点s，如果s在图(4)中与R中某节点为邻居，则测量s与该节点 之间的信道质量。本次迭代中，S中未有任何节点与R中节点相邻，因此无需测量。
(2-42)、找到v(即c1)的所有非中继节点、传感器节点及网关节点集合，并记为N。本 次迭代中N为空集，所以令v＝p(v)，即v＝g，并直接进入下次迭代。
(2-5)、开始第五次迭代
首先利用射频环境模块生成通信拓扑图，图(5)所示；
(2-51)、对S中任一传感器节点s，如果s在图1中与R中某节点为邻居，则测量s与该节点 之间的信道质量。本次迭代中，S中未有任何节点与R中节点相邻，因此无需测量。
(2-52)、找到v(即g)的所有非中继节点、传感器节点及网关节点集合，并记为N。本次迭代中N＝{c2,c3}。
(2-53)、为N中每个节点u创建一个空集Cu。
(2-54)、Cc2＝{s1,s2,s3},Cc3＝{s3}，其中c2到s1、s2和s3共需11跳，c3到s1需要4跳，因此 本轮选择c2，即u＝c2。
(2-55)、测量u和v之间(即g和c2间)信道质量Ψ(g,c2)，如果Ψ(g,c2)≥θ，则在c2部署一个 中继节点，并令h(c2)＝h(g)+1＝0+1＝1,p(c2)＝g,R＝R∪{c2},v＝c2；否则，无任何动作
(2-56)、如S为空输出R并结束程序；否则，继续方法迭代。本次S非空，所以继续迭代 后续迭代示意图，依次如图(6)-(11)所示。
最后，当所有传感器节点都连接后，生成一棵以网关节点g为根，连接所有传感器节点的 最短路径树，并删除所有不在该树上的中继节点。
(三)、射频环境学习模块具体设计如下：
令u和v为部署区域任意两点，该射频环境学习模块的主要任务为学习u和v之间是否能提 供可靠通信，并记该学习过程为lu,v，lu,v有两个动作分别为0和1，记lu,v的动作空间为A，则 A＝{0,1}，令au,v为lu,v的当前动作，动作au,v为lu,v带来的回报计算方法如下：
Figure RE-GDA0002822714320000071
令Q(lu,v,a)为动作a的价值函数，Q(lu,v)＝{Q(lu,v,a)|a∈A}为学习过程lu,v的Q-表，该射频 环境学习模块利用Q-学习所采用的Bellman等式更新Q-表：
Figure BDA0002748522240000072
其中α和β分别为学习率和折扣因子；
在学习过程中，给每个学习过程lu,v一个标识位，表示u和v两点间是否经过实际信道质量 测量；令lu,v和li,j为两个学习过程，则它们之间的距离定义为：
Figure BDA0002748522240000073
其中||u,v||表示节点u和v之间的欧氏距离，令lu,v为一个未测量的学习过程，li,j为距离lu,v 最近的已测量学习过程，则采用以下公式辅助lu,v选择动作：
au,v＝round((1-ξ)au,v+ξai,j), (4)
其中ξ＝1，如果d(lu,v,li,j)小于1,ξ＝1/d(lu,v,li,j)，如果d(lu,v,li,j)大于1，round()为四舍五 入操作。
(四)、射频环境学习模块的执行步骤如下：
(4.1)输入测量信道质量Ψ(u,v)，然后根据式(1)计算上次动作au,v为学习进程lu,v带来的回 报γ(lu,v,au,v)，最后利用式(2)更新动作价值函数Q(lu,v,a)；
(4.2)V＝S∪C∪{g}；
(4.3)对于V中任意两点v和u：
(4.3.1)如果lu,v是未测量学习过程，令li,j为最近的已测量学习过程，采用式(4)选择lu,v的 当前动作au,v，并进入步骤(3.4)
(4.3.2)如果lu,v是已测量学习过程，采用ε-greedy算法选择当前动作au,v，并进入步骤(3.4)
(4.4)构建一个空图G(V,E)，E为空集，对于V中任意两点u和v，如果au,v＝1则在u和v之间 构建一条边。
需要注意的是，在第一次迭代中，采用估计半径r来选择每个进程的当前动作，即如两点 u,v距离小于等于r，则au,v＝1；否则au,v＝0。
射频环境学习模块执行过程，如图12所示，举例说明如下：
令输入信道质量测试为Ψ(1,2)＝97％，假设当前Q-表为Q(l1,2)＝{-1,5},Q(l1,3)＝{1,0}, Q(l1,4)＝{3,0},Q(l2,3)＝{2,-1},Q(l2,4)＝{0,0}，其中表中第一、二位分别表示动作0、1的价值。 假设当前动作为a1,2＝1,a1,3＝0,a1,4＝0,a2,3＝0,a2,4＝1,a3,4＝1。假设除l2,4外均为已测进程，假设 α＝0.2,β＝0.4。
(4-1)、首先根据Ψ(1,2)＝97％和式(1)可知γ(l1,2,a1,2)＝1，再根据式(2)更新Q表，可得到 Q(l2,4,1)＝0.8×5+0.2(1+0.4×5)＝6.2，其中α,β∈(0,1)为用户自定义常数。
(4-2)、生成一个空图G(V,E)，如图12(a)所示，其中V＝{1,2,3,4},E为空集。
(4-3)、对V中任意两个节点u,v，根据lu,v判断边存在情况：
(4-31)、对于未测进程，如l2,4，首先找出与其最近的已测进程，本例中令l1,2为距离l2,4最近的已测进程，距离为10m。由于a2,4和a1,2都为1，所以根据式(4)可以得到 a2,4＝round((1-1/20)×1+(1/20)×1)＝1。所以节点2和4之间有一条边。
(4-32)、对于已测进程(本例中除l2,4外均为已测进程)，采用ε-greedy算法选择当前状 态，即假设阈值为0.1。针对l1,2，首先产生一个0-1的随机数，假设随机数为0.42，由于0.42>0.1 所以我们选择l1,2动作中价值(其中动作0和1的价值分别为-1和5)最大的动作即a1,2＝1。针 对l1,3，首先产生一个0-1的随机数，假设随机数为0.03，由于0.03<0.1，所以我们随机从l1,3的动作中选取一个作为当前动作，假如本次随机选取了动作0，则l1,3的当前动作a1,3＝0。按 照上述过程对所有已测量进程选取当前动作。
(4-4)对于V中任意两点u和v，如果au,v＝1，则在u和v之间构建一条边，最终可以得到图12(b) 所示拓扑图。
(五)、本发明部署方法的特点：
与已有中继部署方法离线一次性生成部署方案不同，本发明采用在线计算方式，每次只 生成单个中继节点部署方案，部署该中继节点后立即测量信道质量进行反馈学习，继而进行 下次部署。通过这种在线的部署、学习的迭代方式，使该方法即使在复杂环境下也能保证所 部署网络的可靠性。
本发明所提出的射频环境学习模块采用Q-学习方法，通过在线迭代学习并判断部署区域 内任意一对节点(包括网关节点、传感器节点、中继候选部署位置)间能否可靠通信，并依 次构建部署区域通信拓扑图指导中继节点部署。另外，为加速学习过程，该模块利用已测量 节点辅助判断未测量节点间信道质量。通过该模块，本发明所提出方法可以逐步掌握整体部 署区域信道信息，提供精确的通信拓扑图，以此确保所部署网络可靠性。
本发明所提出的中继节点部署主体利用射频环境学习模块所提供的通信拓扑图，基于深 度搜索算法和最短路径树算法在每次迭代中选择一个距离未连接传感器节点最近的位置部署 中继节点，以此提高网络实时性。并且在每次部署后测量所部署中继信道质量，来检测该中 继是否有效部署，并将测量结果反馈至射频环境学习模块进行学习、提高预测准确度。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的 产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案， 均落在本发明的保护范围之内。

Claims (2)

1.面向复杂部署环境的在线工业无线传感器网络部署方法，其特征在于：包括中继节点部署主体和射频环境学习模块，中继节点部署主体负责整个部署流程，每次只生成单个中继节点部署方案，部署该中继节点后立即测量信道质量，并反馈给射频环境学习模块；射频环境学习模块用于学习部署现场射频环境，并为中继节点部署主体提供通信拓扑图用于指导部署；
所述中继节点部署主体的执行过程包括以下步骤，
(2.1)输入参数S、C、g，其中S为传感器节点集合，C为事先确定的候选署位置集合，g为网关节点；初始化射频环境学习模块，令v＝g,R＝{v},h(v)＝0,p(v)＝null；
(2.2)利用射频环境学习模块生成一个拓扑图G；
(2.3)对于S中任一传感器节点s，如果s为v节点的邻居，则测量s和v之间的信道质量Ψ(s,v)，并把Ψ(s,v)传入射频学习模块进行学习；进一步，如果Ψ(s,v)≥θ，则将s从集合S中删除，令p(s)＝v,h(s)＝h(v)+1，其中θ为可靠性阈值，p(·)为节点·的父节点、h(·)为节点·到网关节点的跳数；
(2.4)找到节点v的所有非中继节点、传感器节点及网关节点集合，并记为N，即N＝NG(v)\(S∪R∪{g})，其中NG(v)为节点v在图G中的所有邻居集合；
(2.5)如果N为空集，则v＝p(v)，跳转至步骤(2.2)；
(2.6)对于N中任一节点u，创建一个空集Cu；
(2.7)对于S中任一传感器节点s，从N中找出一个距离s最近的节点u，并做如下操作：Cu＝Cu∪{s}；
(2.8)如果N中所有节点的Cu都为空，则v＝p(v)，跳转至步骤(2.2)；
(2.9)令
Figure FDA0003684238500000011
其中DG(t,s)为拓扑图G中从节点t到节点s的最短距离；
(2.10)测量u与v之间的信道质量Ψ(u,v)，并将其传入射频环境学习模块进行学习；
(2.11)如果Ψ(u,v)≥θ，则进行如下操作：p(u)＝v,h(u)＝h(v)+1,v＝u，R＝R∪{u}；
(2.12)如果S不为空且v不为null，则跳转至步骤(2.2)
(2.13)输出部署中继节点集合R；
所述射频环境学习模块具体设计如下：
令u和v为部署区域任意两点，该射频环境学习模块的主要任务为学习u和v之间是否能提供可靠通信，并记该学习过程为lu,v，lu,v有两个动作分别为0和1，记lu,v的动作空间为A，则A＝{0,1}，令au,v为lu,v的当前动作，动作au,v为lu,v带来的回报计算方法如下：
Figure FDA0003684238500000021
令Q(lu,v,a)为动作a的价值函数，Q(lu,v)＝{Q(lu,v,a)|a∈A}为学习过程lu,v的Q-表，该射频环境学习模块利用Q-学习所采用的Bellman等式更新Q-表：
Figure FDA0003684238500000022
其中α和β分别为学习率和折扣因子；
在学习过程中，给每个学习过程lu,v一个标识位，表示u和v两点间是否经过实际信道质量测量；令lu,v和li,j为两个学习过程，则它们之间的距离定义为：
Figure FDA0003684238500000023
其中||u,v||表示节点u和v之间的欧氏距离，令lu,v为一个未测量的学习过程，li,j为距离lu,v最近的已测量学习过程，则采用以下公式辅助lu,v选择动作：
au,v＝round((1-ξ)au,v+ξai,j), (4)
其中ξ＝1，如果d(lu,v,li,j)小于1,ξ＝1/d(lu,v,li,j)，如果d(lu,v,li,j)大于1，round()为四舍五入操作；射频环境学习模块的步骤如下：
(3.1)输入测量信道质量Ψ(u,v)，然后根据式(1)计算上次动作au,v为学习进程lu,v带来的回报γ(lu,v,au,v)，最后利用式(2)更新动作价值函数Q(lu,v,a)；
(3.2)V＝S∪C∪{g}；
(3.3)对于V中任意两点v和u：
(3.3.1)如果lu,v是未测量学习过程，令li,j为最近的已测量学习过程，采用式(4)选择lu,v的当前动作au,v，并进入步骤(3.4)
(3.3.2)如果lu,v是已测量学习过程，采用ε-greedy算法选择当前动作au,v，并进入步骤(3.4)
(3.4)构建一个空图G(V,E)，E为空集，对于V中任意两点u和v，如果au,v＝1则在u和v之间构建一条边。
2.根据权利要求1所述的面向复杂部署环境的在线工业无线传感器网络部署方法，其特征在于：在第一次迭代中，采用估计半径r来选择每个进程的当前动作，即如两点u,v距离小于等于r，则au,v＝1；否则au,v＝0。
CN202011175228.6A 2020-10-28 2020-10-28 面向复杂部署环境的在线工业无线传感器网络部署方法 Active CN112272380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011175228.6A CN112272380B (zh) 2020-10-28 2020-10-28 面向复杂部署环境的在线工业无线传感器网络部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011175228.6A CN112272380B (zh) 2020-10-28 2020-10-28 面向复杂部署环境的在线工业无线传感器网络部署方法

Publications (2)

Publication Number Publication Date
CN112272380A CN112272380A (zh) 2021-01-26
CN112272380B true CN112272380B (zh) 2022-09-20

Family

ID=74344395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011175228.6A Active CN112272380B (zh) 2020-10-28 2020-10-28 面向复杂部署环境的在线工业无线传感器网络部署方法

Country Status (1)

Country Link
CN (1) CN112272380B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101303901B1 (ko) * 2012-03-26 2013-09-05 이화여자대학교 산학협력단 무선 센서 네트워크에서 협동 릴레이 경로를 생성하는 방법
CN109089273A (zh) * 2018-09-26 2018-12-25 西南科技大学 一种Ad-Hoc网络中基于状态转换概率的中继选择方法
CN110167204A (zh) * 2019-05-08 2019-08-23 燕山大学 一种基于ms-bas算法的中继传输策略选择和功率分配方法
CN111343691A (zh) * 2019-12-26 2020-06-26 中原工学院 面向网内计算的无线传感器网络中继节点部署方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105704732B (zh) * 2014-11-27 2019-01-25 中国科学院沈阳自动化研究所 面向双层结构无线传感器网络的中继节点鲁棒覆盖方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101303901B1 (ko) * 2012-03-26 2013-09-05 이화여자대학교 산학협력단 무선 센서 네트워크에서 협동 릴레이 경로를 생성하는 방법
CN109089273A (zh) * 2018-09-26 2018-12-25 西南科技大学 一种Ad-Hoc网络中基于状态转换概率的中继选择方法
CN110167204A (zh) * 2019-05-08 2019-08-23 燕山大学 一种基于ms-bas算法的中继传输策略选择和功率分配方法
CN111343691A (zh) * 2019-12-26 2020-06-26 中原工学院 面向网内计算的无线传感器网络中继节点部署方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Relay Node Placement in Wireless Sensor Networks With Respect to Delay and Reliability Requirement;Chaofan Ma，Wei Liang，etc.;《IEEE Systems Journal ( Volume: 13, Issue: 3, Sept. 2019)》;20180611;2570-2581 *
Relay Node Placement in Wireless Sensor Networks: From Theory to Practice;Wei Liang，Chaofan Ma，etc.;《IEEE Transactions on Mobile Computing ( Volume: 20, Issue: 4, April 1 2021)》;20191227;1602-1613 *
无线传感器网络中跳数受限的中继节点部署问题研究;丁兴建;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200415;全文 *
移动通信网络中继节点部署优化方法研究;吴东民等;《计算机仿真》;20170315(第03期);301-304 *

Also Published As

Publication number Publication date
CN112272380A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
Farheen et al. Improved routing in MANET with optimized multi path routing fine tuned with hybrid modeling
Mohammadi et al. Distributed particle filter implementation with intermittent/irregular consensus convergence
Luo et al. An empirical study of optimal motion planning
CN109214599B (zh) 一种对复杂网络进行链路预测的方法
Verel et al. Local optima networks with escape edges
WO2013152288A1 (en) Increasing signal to noise ratio for creation of generalized and robust prediction models
CN109657945A (zh) 一种基于数据驱动的工业生产过程故障诊断方法
CN105205288A (zh) 基于模式演化的卫星长期在轨运行状态的预测方法
Rad et al. Automatic skill acquisition in Reinforcement Learning using connection graph stability centrality
Soltani et al. Data fusion utilization for optimizing large-scale wireless sensor networks
Pourkazemi et al. Community detection in social network by using a multi-objective evolutionary algorithm
CN115049124A (zh) 一种基于贝叶斯网络的深长隧道突涌水预测方法
Krishnan et al. An improved clustering with particle swarm optimization-based mobile sink for wireless sensor networks
CN104486222B (zh) 基于蚁群优化算法的小时延缺陷测试关键路径选择方法
CN112272380B (zh) 面向复杂部署环境的在线工业无线传感器网络部署方法
Won et al. A greedy algorithm for faster feasibility evaluation of all-terminal-reliable networks
Song et al. Monte Carlo node localization based on improved QUARTE optimization
CN104156462A (zh) 基于元胞自动学习机的复杂网络社团挖掘方法
Li et al. Towards the maintenance of population diversity: A hybrid probabilistic model building genetic network programming
Singh et al. A variant of EAM to uncover community structure in complex networks
Mozumdar et al. Synthesizing sensor networks backbone architecture for smart buildings
Kuang et al. An Association Rules-Based Method for Outliers Cleaning of Measurement Data in the Distribution Network
CN113065690A (zh) 一种交通预测方法及装置
Podolak et al. Application of hierarchical classifier to minimal synchronizing word problem
CN117349623B (zh) 一种基于双种群哈里斯鹰算法的系统级故障诊断方法

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