CN112291734A - 一种移动传感器网络区域覆盖优化的方法 - Google Patents

Abstract

本发明提供了一种移动传感器网络覆盖优化方法，包括：建立移动传感器网络覆盖模型，将移动传感器网络检测区域离散化为若干个像素点，定义被节点覆盖的像素点个数占总像素点个数的比值为覆盖率；以提高网络覆盖率为优化目的，计算初始移动节点的覆盖率；利用发明提出的改进天牛须搜索算法(IBAS)将覆盖率作为适应度函数进行更优搜索并更新天牛质心位置；通过改进步长以及随机方向选择，计算天牛左须和右须的适应度值；通过贪婪选择计算并保留更优的天牛质心位置解；通过节点匹配算法完成无线传感器网络的覆盖率优化。本发明通过对天牛须搜索算法进行改进，可使移动传感器网络的覆盖效果更加均匀、覆盖率达到更优。

Description

一种移动传感器网络区域覆盖优化的方法

技术领域

本发明涉及移动传感器网络和智能优化的技术领域，具体地说，是一种移动传感器网络区域覆盖优化的方法。

背景技术

移动传感器网络(Mobile SensorNetwork，简称MSN)是由很多具有特定功能的传感器节点通过自组织而形成的网络系统，广泛应用于国防监控，环境监测，智能家居以及医疗和交通等许多科学领域。随着科学技术的发展和传感器网络的普及应用，移动传感器网络在生活中扮演着越来越重要的角色，特别是在海上监测、森林火灾等自然灾害方面，灾情信息的及时获取都给我们带来巨大便利。

网络覆盖主要研究以网络允许的部署方式，通过大量传感器节点组网的形式对目标对象进行客观感知和传输数据，具有网络拓扑结构和覆盖区域时变的特点。网络覆盖越充分，空间维度感知数据越丰富，但现实网络总会存在网络节点能量耗尽，自然破坏或者网络部署时部分区域未覆盖的现象，这样就直接影响网络的服务质量QoS(Qualityofservices)。为了满足QoS需求，通常需要采用相应的技术对网络节点的位置进行调整，即覆盖优化。

在MSN覆盖优化领域，传统的方法往往是增加节点的部署密度，但冗余节点存在感知区域重叠导致网络功耗增加，降低了网络整体性能。针对移动传感器网络覆盖优化问题，许多学者采用了一些智能算法来处理，如使用粒子群算法对对移动传感器节点进行优化，虽然有效的提高了网络覆盖率，但算法的局部搜索能力较弱；将其改进的动态加速粒子群算法虽然一定程度上提高了局部搜索，但当节点较多时，仍然会存在局部盲区；人工蜂群算法提高了移动节点优化的均匀性，获得了较高的覆盖率，但求解过程比较复杂，收敛速度慢、节点能量损耗较快；混沌蚁群算法利用收缩因子提高了算法的搜索遍历性，加快了算法的收敛速度，提高了整体网络的稳定性，但易陷入局部最优，存在较多的边界盲区，不能保证覆盖的均匀性。

鉴于此，综合考虑算法收敛性、区域覆盖均匀性等问题上，提高移动传感器网络的覆盖率成为本技术领域人员待解决的问题。

发明内容

本发明提供了一种移动传感器网络区域覆盖优化的方法，在综合考虑算法收敛性、均匀性及优化覆盖率等问题上，其主要目的在于提高移动传感器网络的覆盖质量。

本发明采用的具体技术技术方案如下：

一种移动传感器网络区域覆盖优化的方法，具体步骤如下：

步骤一、构建移动传感器网络模型，对连续的移动网络监视区域进行离散化处理，并在该离散化的监视区域中随机的分配N个移动传感器节点S＝{s₁,s₂,s₃,…,s_N}，获得各个移动传感器节点的初始位置信息，传感器节点s_i的坐标为(x_i,y_i)，监测区域中任意一节点t_j的坐标为(x_j,y_j)，i,j∈(1,2,…,N)；

步骤二、根据移动那个传感器节点的感知半径计算移动传感器网络的初始覆盖率，节点s_i到节点t_j的欧氏距离为：

建立概率感知模型，假定目标点t_j被其他传感器节点s_i监测到的概率是确定的，即监测到为1，否则为0，r是移动传感器节点的覆盖感知半径，则概率感知模型为：

每个像素点处的移动传感器节点s_i对点t_j的联合感知半径为：

p_union(S,t_j)＝1-Π_i-n(1-p(t_j,s_i))

覆盖率是指被节点覆盖的像素点个数占总像素点个数的比值，是评价移动传感器网络服务质量的一项重要性能指标。将监测区域分为l×h个网格，因此，可以将移动传感器网络的覆盖率定义为：

步骤三、利用改进天牛须搜索算法，以覆盖率作为适应度函数：Fit(x)＝p_area，则天牛的初始适应度值为Fit(X₀)。根据移动传感器节点的初始位置得到天牛的质心位置设置天牛质心在网络中的位置为X₀，其两须则位于质心左右两边，分别设为X_L、X_R，两须间距为D。其中(X₀、X_L、X_R)∈Rⁿ,间距D则为传感器移动节点的通信半径。

步骤四、为了提高算法的全局搜索能力，每一步的搜索方向都是随机的，这样可以避免陷入局部最优而停滞，建立N维单位随机向量并做归一化处理。其中，rands(n,1)表示生成n维随机向量：

天牛左须和右须的位置可以计算得到，分别为：

k为当前迭代次数，代表第k次迭代时天牛的质心位置，X_L ^k、X_R ^k分别为第k次迭代中天牛左须和右须的坐标。根据适应度函数和左右须的位置，计算得出左须和右须的适应度值分别为：fit(X_L)、fit(X_R)

步骤五、根据左、右须的适应度值的大小关系确定下一步的前进方向，建立sign(.)表示符号函数，当f(X_L)≥f(X_R)时，为正，反sign(.)之则为负。

步骤六、根据前进方向计算出天牛的质心位置坐标为：

其中，δ表示天牛每次前进的步长大小；X^k+1表示第k次迭代天牛质心的位置，由此可以计算得出天牛质心的适应度值为fit(X^k+1)；

为了提高局部搜索能力，提出改进天牛的前进步长δ，随着时间的推移，步长应该逐渐减小：

δ^k+1＝μ*δ^k

其中，μ是步长的衰减系数，μ∈[0,1]；δ^k+1表示第k+1次迭代时需要更新的步长

步骤七、根据贪婪选择的原理，比较第k+1次迭代时天牛适应度值fit(X^k+1)和第k次迭代时的适应度值fit(X^k)。如果当前fit(X^k+1)＜fit(X^k)，则返回步骤六，直到计算后的fit(X^k+1)≥fit(X^k)，保留更新后的天牛质心适应度值及此时的天牛质心位置坐标。

步骤八、重复步骤四、五、六、七，当算法迭代达到规定条件时，停止算法，终止条件包括以下两个条件缺一不可：①满足给定设置的最大迭代次数；②当天牛的质心适应度值不再发生变化或变化趋近于稳定时。

步骤九、通过移动传感器节点匹配算法完成移动传感器网络的覆盖率优化，天牛的质心适应度值就是更优的覆盖率，天牛的质心位置就是移动传感器节点在更优解下的坐标位置。

本发明的有益效果：本发明在综合考虑算法收敛性、均匀性及优化覆盖率等基础上，提高移动传感器网络的覆盖质量。

附图说明

图1为本发明具体实施例的技术路线流程图。

图2为本发明具体实施例的初始随机部署移动传感器节点的覆盖率效果图。

图3为本发明具体实施例的优化后的移动传感器节点的覆盖率效果图。

图4为本发明具体实施例的相同节点数下标准PSO算法覆盖率效果图。

图5为本发明具体实施例的相同节点数下基于动态加速因子PSO_DAC算法覆盖率效果图。

图6为本发明具体实施例的相同节点数下标准BAS算法覆盖率效果图。

图7为本发明具体实施例的相同节点数下不同算法迭代对比图。

图8为本发明具体实施例的不同节点数下不同算法覆盖率对比图。

具体实施方式

为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

在综合考虑算法收敛性、均匀性等问题上，为提高移动传感器网络的覆盖率，本发明提供一种移动传感器网络区域覆盖优化的方法。参照图1所示，本发明一实施例提供的一种移动传感器网络区域覆盖优化的方法的流程示意图。

本实施例中，为了能够对本发明有更清楚的理解，在此进行简要描述。本发明提供的一种移动传感器网络区域覆盖优化的方法，具体说明如下：

步骤一：构建移动传感器网络模型，对区域面积为100×100(m²)的移动网络监视区域进行离散化处理，并在该离散化的监视区域中随机的分配45个移动传感器节点S＝{s₁,s₂,s₃,…,s₄₅}，移动传感器节点的感知半径，r＝10(m)，获得各个移动传感器节点的初始位置信息。任一传感器节点s_i的坐标为(x_i,y_i)，监测区域中任意一节点t_j的坐标为(x_j,y_j)，i,j∈(1,2,…,45)；

步骤二、计算节点s_i到节点t_j的欧氏距离为：

建立概率感知模型，假定目标点t_j被其他传感器节点s_i监测到的概率是确定的，即监测到为1，否则为0，则概率感知模型为：

每个像素点处的移动传感器节点s_i对点t_j的联合感知半径为：

p_union(S,t_j)＝1-Π_i-n(1-p(t_j,s_i)) (3)

覆盖率是指被节点覆盖的像素点个数占总像素点个数的比值，是评价移动传感器网络服务质量的一项重要性能指标。将监测区域分为100×100个网格，因此，移动传感器网络的覆盖率定义为：

可以得出初始移动传感器网络在100×100(m²)的监视区域内的覆盖效果图，如图2所示。

步骤三：利用改进天牛须搜索算法，以覆盖率作为适应度函数：Fit(x)＝p_area，则天牛的初始适应度值为Fit(X₀)。根据移动传感器节点的初始位置得到天牛的质心位置设置天牛质心在网络中的位置为X₀，其两须则位于质心左右两边，分别设为X_L、X_R，两须间距为D。其中(X₀、X_L、X_R)∈Rⁿ,间距D＝2·r＝20(m)。

步骤四：建立二维单位随机向量并做归一化处理。其中，rands(2,1)表示生成二维随机向量：

天牛左须和右须的位置可以计算得到，分别为：

其中，k为当前迭代次数，代表第k次迭代时天牛的质心位置，X_L ^k、X_R ^k分别为第k次迭代中天牛左须和右须的坐标。根据适应度函数和左右须的位置，计算得出左须和右须的适应度值分别为：fit(X_L)、fit(X_R)

步骤五：根据左、右须的适应度值的大小关系确定下一步的前进方向，建立sign(.)表示符号函数，当f(X_L)≥f(X_R)时，为正，反sign(.)之则为负。

步骤六：根据前进方向计算出天牛的质心位置坐标为：

其中，δ表示天牛每次前进的步长大小，取δ＝20(m)；X^k+1表示第k次迭代天牛质心的位置，由此可以计算得出天牛质心的适应度值为fit(X^k+1)；

为了提高局部搜索能力，改进天牛的前进步长δ，随着时间的推移，步长应该逐渐减小：

δ^k+1＝μ*δ^k (9)

其中，μ是步长的衰减系数，取μ＝0.95；δ^k+1表示第k+1次衰减时更新的步长。

步骤七：根据贪婪选择的原理，比较第k+1次迭代时天牛适应度值fit(X^k+1)和第k次迭代时的适应度值fit(X^k)。如果当前fit(X^k+1)＜fit(X^k)，则返回步骤六，直到计算后的fit(X^k+1)≥fit(X^k)，保留更新后的天牛质心适应度值及此时的天牛质心位置坐标。

步骤八：重复步骤四、五、六、七，当算法迭代达到规定条件时，停止算法，终止条件包括以下两个条件缺一不可：①满足给定设置的最大迭代次数；②当天牛的质心适应度值不再发生变化或变化趋近于稳定时。最终覆盖效果图如图3所示。

为了进一步验证本发明提出的改进天牛须搜索算法对移动传感器网络的覆盖有显著提升，从算法收敛性、均匀性、优化覆盖率等角度分别与粒子群算法(PSO)、动态加速粒子群算法(PSO_DAC)、标准天牛须算法(BAS)进行仿真实验对比。

首先，针对本发明提出的算法进行收敛性证明实验，采用蒙特卡洛模拟方法验证IBAS算法的收敛性，为了减轻算法随机性造成的影响，取50个节点，感知半径为12(m)，最大迭代次数k为1000，进行30次独立实验，实验数据如表1所示：

表1随机实验覆盖率统计结果分析

由表1可以看出，本发明提出的IBAS最终可以满足覆盖的要求，实验中的最好覆盖率为98.29％，最差覆盖率为92.36％，而平均覆盖率达到了95.71％。且实验中样本的方差仅仅只有0.00024，表明其波动很小，优化算法的结果很稳定。

其次，针对本发明提出的算法的均匀性证明，引入均匀度和均匀率的计算证明。均匀度是衡量网络QoS的一项重要指标。覆盖均匀度可以保证节点的分布均匀，这样可以使网络能量消耗相对均衡。均匀度一般用相邻节点间距离的标准差来表示，标准差越小则覆盖的均匀性就越好。

其中，n为节点总数；m为节点i的邻近节点总数；m_i为节点i的邻近节点；D_i,j为节点i和邻近节点j之间的距离；M_i为节点i与其所有邻近节点之间距离的平均值；U_i为节点i的邻近节点均匀度；U为整体网络的均匀度，U越小，网络覆盖的均匀性越好。

对比图2和图3，可以直观的看出初始布点时的网络覆盖很不均匀，重复覆盖和空洞区域较多，根据式(10)和式(11)可以计算得出初始移动传感器网络均匀度为3.531；而经过本发明提出的IBAS算法优化后的节点分布较为均匀，其均匀度为2.714，相较于初始布点时的均匀度降低了0.817，可知后者具有更好的覆盖均匀性。

但由于均匀度反映的是节点的分布程度，即节点间距离的标准差，当节点全部聚集在一起，彼此间的距离没有较大波动，或节点彼此间没有联系时，均匀度就达不到反映均匀程度的理想效果，所以引入均匀率V，即区域覆盖率与均匀度的比值。

P_area为整体网络的覆盖率，V为整体网络的均匀率。当V越大时，则网络整体覆盖越均匀。

根据式(4)可以计算得出图2和图3的覆盖率分别为70.80％和91.21％，根据式(12)可以得出其均匀率分别为20.05％和33.61％，相较于初始布点时的均匀率提高了13.56％，由此可以看出经IBAS算法优化后节点覆盖更均匀。

最后，通过对相同节点数量和不同节点数量对本发明提出的IBAS算法和PSO算法、PSO_DAC算法及标准BAS算法进行覆盖率提升对比。

1、相同节点数量下的仿真实验对比

在相同的网络规模下(100×100m²)进行对比实验，节点数45，感知半径10(m)，配置参数一样，得到的结果如表2所示可以看出，采用本发明提出的IBAS算法的移动传感器网络覆盖率达到了91.21％，与标准PSO算法相比提高了11.18％，与改进PSO_DAC算法相比提高了8.71％，与标准BAS算法相比提高了4.34％，网络覆盖率得到了明显的改善。而IBAS算法的均匀率为33.61％，相较于PSO算法、PSO_DAC算法和标准BAS算法分别提高了9.59％、6.51％和5.01％，由此可见整体网络覆盖更均匀。

表2相同节点数量的优化覆盖率

2、不同节点数量下的仿真实验对比

在相同的网络规模下(100×100m²)进行对比实验，感知半径10(m)，配置参数一样，移动传感器节点数量不同的情况下，得到的结果如表3展示的结果可以看出，本发明提出的IBAS算法的覆盖率和均匀率均高于PSO算法、PSO_DAC算法和标准BAS算法。IBAS算法不管是在节点数量较多时，还是在节点数较少时均比其他几种算法能更加有效地提高移动传感器网络覆盖率，由此可以说明IBAS算法的局部搜索能力更强，网络覆盖率更佳，覆盖更均匀。

表3不同节点数量的优化覆盖率

在本说明书的描述中，参考术语“示例”、“实施例”等的描述意指结合该实施例或者示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或者示例。

尽管本发明的实施方案以公开如上，但其并不仅仅限于说明说和实施方式中所列运用，它完全可以适用于各种适合本发明的领域，对于熟悉本领域的人而言，可轻易地实现修改改进，因此在不背离权益要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种移动传感器网络区域覆盖的优化方法，其特征在于:包括以下步骤：

步骤S10：构建移动传感器网络模型，对连续的移动网络监视区域进行离散化处理，并在该离散化的监视区域中随机的分配多个移动传感器节点，获得各个移动传感器节点的初始位置信息；

步骤S20：根据各移动传感器节点的感知半径计算移动传感器网络的初始覆盖率；

步骤S30：以覆盖率作为适应度函数，利用改进天牛须搜索算法，根据初始节点位置得到天牛初始质心位置和初始适应度值；

步骤S40：根据改进天牛须搜索算法中天牛前进方向的随机性，建立随机方向函数，并计算天牛左须和左须位置及适应度值；

步骤S50：根据左须、右须的适应度值的大小关系确定下一步的前进方向；

步骤S60：根据下一步的前进方向计算得出位置更新后的天牛质心位置及适应度值；

步骤S70：根据贪婪选择的原则，比较前后的天牛质心适应度值，保留更优适应度值和此时的天牛质心位置；

步骤S80：当目标适应度值满足不再变化或迭代次数达到规定值后，算法停止；

步骤S90：经过改进天牛须搜索算法多次迭代寻优，使得移动传感器网络实现优化覆盖。

2.根据权利要求1所述的移动传感器网络区域覆盖的优化方法，其特征在于:所述步骤S10中：设定在面积为L×H的监测区域内，随机部署N个传感器节点S＝{s₁,s₂,s₃,…,s_N}，传感器节点s_i的坐标为(x_i,y_i)，监测区域中任意一节点t_j的坐标为(x_j,y_j)，i,j∈(1,2,…,N)。

3.根据权利要求2所述的移动传感器网络区域覆盖的优化方法，其特征在于:所述步骤S20包括以下：

步骤S21：节点s_i到节点t_j的欧氏距离为：

步骤S22：假定目标点t_j被其他传感器节点s_i监测到的概率是确定的，即监测到为1，否则为0，是一种离散化的理想状态模型，建立概率感知模型为：

其中，r是移动传感器节点的覆盖感知半径；

步骤S23：每个像素点处的移动传感器节点s_i对点t_j的联合感知半径为：

p_union(S,t_j)＝1-Π_i-n(1-p(t_j,s_i))

步骤S24：将监测区域分为l×h个网格，将移动传感器网络的覆盖率定义为：

4.根据权利要求3所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S30包括：

步骤S31：利用天牛须搜索算法，根据移动传感器节点的初始位置得到天牛的质心位置，设置天牛质心在网络中的位置为X₀，其两须则位于质心左右两边，分别设为X_L、X_R，两须间距为D，其中(X₀、X_L、X_R)∈Rⁿ，间距D则为传感器移动节点的通信半径；

步骤S32：以提高网络覆盖率为优化目的，将覆盖率作为天牛须搜索算法的适应度函数：

Fit(x)＝p_area

则天牛的初始适应度值为Fit(X₀)。

5.根据权利要求4所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S40包括：

步骤S41：为了提高算法的全局搜索能力，每一步的搜索方向都是随机的，避免陷入局部最优而停滞，建立n维单位随机向量并做归一化处理：

其中，rands(n,1)表示生成n维随机向量；

步骤S42：天牛左须和右须的位置可以计算得到，分别为：

k为当前迭代次数，代表第k次迭代时天牛的质心位置，X_L ^k、X_R ^k分别为第k次迭代中天牛左须和右须的坐标；

步骤S43：根据适应度函数和左右须的位置，计算得出左须和右须的适应度值分别为：fit(X_L)、fit(X_R)。

6.根据权利要求5所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S50包括：根据左、右须的适应度值的大小关系确定下一步的前进方向，建立sign(.)表示符号函数，当f(X_L)≥f(X_R)时，sign(.)为正，反之sign(.)则为负。

7.根据权利要求6所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S60包括：根据前进方向计算出天牛的质心位置坐标为：

其中，δ表示天牛每次前进的步长大小；X^k+1表示第k次迭代天牛质心的位置，由此可以计算得出天牛质心的适应度值为fit(X^k+1)；

步骤S61：为了提高局部搜索能力，改进天牛前进的步长δ，随着时间的推移，步长应该逐渐减小：

δ^k+1＝μ*δ^k

其中，μ是步长的衰减系数，μ∈[0,1]；δ^k+1表示第k+1次迭代时需要更新的步长。

8.根据权利要求7所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S70包括：根据贪婪选择的原理，比较第k+1次迭代时天牛适应度值fit(X^k+1)和第k次迭代时的适应度值fit(X^k)：如果当前fit(X^k+1)＜fit(X^k)，则返回步骤S61、S60，直到计算后的fit(X^k+1)≥fit(X^k)，保留更新后的天牛质心适应度值及此时的天牛质心位置坐标。

9.根据权利要求8所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S80包括：重复步骤S40、S50、S60、S70，当算法迭代达到规定条件时，停止算法，终止条件包括以下两个条件缺一不可：①满足给定设置的最大迭代次数；②当天牛的质心适应度值不再发生变化或变化趋近于稳定时。

10.根据权利要求9所述的移动传感器网络区域覆盖的优化方法，其特征在于：所述步骤S90包括：通过移动传感器节点匹配算法完成移动传感器网络的覆盖率优化，天牛的质心适应度值就是更优的覆盖率，天牛的质心就是移动传感器节点在更优解下的坐标位置。

Images