CN112911518B - 一种基于目标全向跟踪的大规模wsn动态分簇方法 - Google Patents

Abstract

本发明涉及一种基于目标全向跟踪的大规模WSN动态分簇方法，包括：每个节点收到sink节点泛洪的“你好”消息后进入休眠模式等待目标出现；目标出现后，在目标附近的节点被唤醒并进行邻居信息交互，交互好后与竞选出的簇头一起形成当前簇结构；根据移动的目标，所述当前簇结构的簇头执行基于组合优化的遗传算法来选择最优的候选簇头集合；通过簇迁移实现对目标的全程跟踪；所述下一个簇结构的簇头唤醒并接收每个簇成员的感知数据，并将收到的感知数据进行融合后通过预设传输路径转发给所述汇聚节点。本发明能随着目标移动生成和迁移簇结构，并且大部分节点保持休眠状态，大幅节省了网络能量，延长了网络寿命。

Description

一种基于目标全向跟踪的大规模WSN动态分簇方法

技术领域

本发明涉及通信与信息技术领域，特别是涉及一种基于目标全向跟踪的大规模WSN动态分簇方法。

背景技术

近年来，无线传感器网络(Wireless Sensor Network，WSN)作为一种新型信息感知和获取方式，其在环境检测、医疗护理、智能交通等领域得到了大量应用。其中，WSN支持下的目标跟踪技术可以直接应用于很多场景，包括失踪人员的位置查找、基于可穿戴设备的健康管理、智能交通系统的车辆导航等等。由于WSN的主要组成部分是大规模的静止或具弱移动性的传感器节点，它们的电池能量供应有限，也不容易进行电池的更换和充电。因此，采用高效的方法来降低节点能耗，让网络的生存时间得到有效延长，是该领域的重要研究课题。

分簇方法是能够延长大规模无线传感器网络生命周期的关键技术。一般来说，大规模的WSN通常会部署大量的节点，如果所有节点同时工作，势必会产生大量的冗余数据以及无线信道上的传输冲突。因此可以通过休眠调度的方式，让一部分节点停止工作以节省能量，这样冗余数据以及信号间的干扰就会大大减少，网络生存期也会相应延长。而在基于分簇的WSN中，全网范围内的节点一般都会经历网络初始化、簇头竞选、簇结构形成和稳态传输四个步骤。簇成员会将感知的数据发送给簇头，簇头则负责对收集到的数据进行数据融合，并将融合后的数据通过中继节点或直接发送给汇聚节点(sink)。由于额外的数据收集和融合任务，簇头比普通节点消耗更多的能量，因此学术界已经提出了许多与剩余能量、节点密度、距离位置相关的标准来选择合适的簇头。然而，针对目标跟踪技术这样的事件驱动型应用，传统的分簇方法并不适用。

现有的分簇方法中，大部分都设置在目标到达之前分好簇，没有考虑簇结构形成与目标之间的联系。因此，感知到相同目标的相邻节点很可能属于不同的簇，而且未感知到目标的节点可能被迫激活向簇头发送数据。此外，目标在监控范围内移动时，所涉及到的节点只是移动路径上的一小部分，而几乎所有的方法都涉及全网节点参与分簇，在经过一定的传输轮次之后，需要重新进行组网形成新的簇结构，这种周期性的重构机制会带来巨大的通信开销。虽然有部分方法只做一次性分簇的算法，无需节点重新交互，依靠簇头轮换机制来保证能量平衡。但是这类方法无法保证簇结构维持稳定，由于节点通信距离的限制，仅仅依靠局部的簇头轮换会导致部分节点加入不合适的簇，甚至出现节点“孤立”的状态。

总的来说，传统的分簇方法并不适用于目标跟踪这一应用场景。

发明内容

本发明所要解决的技术问题是提供一种基于目标全向跟踪的大规模WSN动态分簇方法，能随着目标移动生成和迁移簇结构，并且大部分节点保持休眠状态，节省网络能量，延长网络寿命。

本发明解决其技术问题所采用的技术方案是：提供一种基于目标全向跟踪的大规模WSN动态分簇方法，包括：

步骤(1)：将节点随机部署到监测区域后，汇聚节点在网络中泛洪一个“你好”消息，每个节点收到“你好”消息后保存汇聚节点的跳数，并进入休眠模式等待目标出现；

步骤(2)：目标出现后，在目标附近的节点被唤醒并进行邻居信息交互，并竞选出簇头，其余被唤醒的节点与竞选出的簇头一起形成当前簇结构；

所述在目标附近的节点为：与目标距离大小在感知半径R_S内的节点和收到“邻居发现”消息的节点；

步骤(3)：根据移动的目标，所述当前簇结构的簇头执行基于组合优化的遗传算法来选择最优的候选簇头集合；当目标移动至所述最优的候选簇头集合中的一个候选簇头感知范围内时，候选簇头将激活附近节点构成下一个簇结构，并通知当前簇结构进入休眠，完成簇迁移过程；其中，所述候选簇头将激活附近节点具体为：在簇结构半径R_CP范围内且收到“簇头当选”消息的节点被激活；

步骤(4)：所述下一个簇结构的簇头唤醒并接收每个簇成员的感知数据，并将收到的感知数据进行融合后通过预设传输路径转发给所述汇聚节点。

所述步骤(1)还包括：当每个节点收到来自多个(n-1)级节点转发的“你好”消息时，将接收信号强度指示最小的(n-1)级节点作为首选中继节点。

所述步骤(2)中进入工作模式的节点采用广播时延的方式竞选出簇头，公式为：

其中，T_CH(i)为广播时延值，E_r(i)为节点i的剩余能量，

为节点i的邻居节点的剩余能量的平均值，I_s(i)为节点i对目标的感知强度，

为节点i的邻居节点对目标感知强度的平均值；a为

的权重，b为

的权重，a+b＝1且a和b均为正数。

所述步骤(3)中的候选簇头集合包括k个候选簇头，公式为：

其中，

且σ∈(0.5,1)，R_CP为簇结构的半径，R_C为节点的通信半径。

所述步骤(3)中的基于组合优化的遗传算法具体为：通过适应度函数来评估每一组候选簇头集合，再通过选择操作、交叉操作和变异操作得到最优的候选簇头集合；

所述适应度函数的公式为：

其中，f_q为候选簇头集合q的适应度函数，α为候选簇头集合q的第一决策因素

对应的权重，β为候选簇头集合q的第二决策因素

对应的权重，γ为候选簇头集合q的第三决策因素

对应的权重，-Inf表示负无穷，d_j,l为候选簇头集合中任意节点j和节点l的距离，R_CP为簇结构的半径，E_{q_min}为候选簇头集合q中的剩余能量最小值且

E_q,j(t)为第q组候选簇头集合中节点j的剩余能量，N_{q_min}为第q组候选簇头集合中最小节点度且

N_q,j为第q组候选簇头集合中节点j的节点度值，D_{q_min}为候选集合q中节点到当前簇头的距离最小值且

D_q,j为第q组簇头集合中节点j到当前簇头的距离，E_CH为当前簇头的剩余能量，N_CH为当前簇头的节点度值，R_C为节点通信半径。

所述交叉操作具体为：采用部分匹配交叉方法分别在两个父代候选簇头集合中随机选择两个节点交叉点，根据两个交叉点确定匹配区域，交换两个父代候选簇头集合的匹配区域，得到两个子代候选簇头集合。

所述变异操作具体为：首先生成两个0到1之间的随机实数，再将生成的两个实数转化为1到候选簇头集合的个数K_CH之间的随机整数，最后将转化得到的两个随机整数指代的节点对所述子代候选簇头集合中的随机两个节点进行替换。

所述步骤(4)中的预设传输路径具体为：所述下一个簇结构的簇头发送“中继唤醒”消息给所述步骤(1)中的所有的首选中继节点，生成一条从所述下一个簇结构的簇头到汇聚节点的传输路径。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明不再采用传统的全网范围的分簇方法，让簇结构依据目标形成，结构更加稳定合理，节省了全网分簇带来的通信开销；在目标发生移动的场景下，簇头当选之后，本发明通过CO-GA算法选择最优的候选簇头集合，保证对移动目标的全向跟踪，并使得大部分节点保持休眠状态，大幅节省了网络能量，延长了网络寿命；本发明保证仅激活目标附近部分节点的条件下，网络也不会出现覆盖漏洞或丢失目标的现象，实现高效节能的目标跟踪过程；本发明能够适用于多样化的场景，并且检测精度高，实用性较强。

附图说明

图1是本发明实施方式的方法流程图；

图2是本发明实施方式的目标出现激活附近节点示意图；

图3是本发明实施方式的簇结构形成示意图；

图4是本发明实施方式的候选簇头选择示意图；

图5是本发明实施方式的k个节点被选为候选簇头示意图；

图6是本发明实施方式的CO-GA算法的染色体基因序列图；

图7是本发明实施方式的染色体匹配交叉操作示意图；

图8是本发明实施方式的染色体交叉后得到的最终子代示意图；

图9是本发明实施方式的染色体变异操作示意图；

图10是本发明实施方式的基于组合优化的遗传算法示意图；

图11是本发明实施方式的网络生命周期对比图；

图12是本发明实施方式的网络中存货节点平均剩余能量对比图；

图13是本发明实施方式的网络能量总消耗对比图；

图14是本发明实施方式的网络中被激活节点数量对比图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于目标全向跟踪的大规模WSN动态分簇方法，如图1所示，包括以下步骤：

S1：将传感器节点随机部署到监测区域后，汇聚节点(sink节点)会在网络中泛洪一个“你好”消息，每个传感器节点收到消息后会保存sink节点的跳数；之后所有的传感器节点都会休眠，等待目标的出现。

S2：目标出现后，其附近的传感器节点将会被唤醒并进行邻居信息交互，邻居信息交互后，这些被唤醒的节点采用广播时延的方式竞选出簇头，并利用随机退避策略避免多簇头现象。广播时延的长度考虑剩余能量和目标距离两个因素，剩余能量较大且距离目标较小的节点有更大的机会成为簇头；簇头宣布当选后，其余被唤醒的节点与竞选出的簇头一起形成当前簇结构，即其余被唤醒的节点自动成为簇成员，并向簇头发送感知数据，簇头负责数据融合和数据传输。

S3：针对移动的目标，当前簇结构的簇头将会执行基于组合优化的遗传算法(CO-GA)来进行候选簇头的选择；候选簇头选择将考虑剩余能量、节点度和簇内通信距离三个因素，以组合优化的方式选出当前簇结构周围最优的候选簇头集合；当目标移动至某个候选簇头感知范围内，该候选簇头将会激活附近节点构成下一个簇结构，并通知当前簇结构休眠，完成簇迁移过程；各候选簇头能够完整覆盖目标所有可能移动到的位置，实现对目标的全向跟踪。

S4：下一个簇结构形成后，下一个簇结构的簇头采用时分多址(TDMA)技术实现簇成员之间的时隙调度；每个节点在被分配的时隙内唤醒，将感知数据发送给簇头；当所有节点发送数据完毕后，簇头对收到的数据进行融合，并将融合数据一跳或通过中继多跳转发给sink节点。

进一步地，在步骤S1中，节点随机部署到监测区域，sink节点会在网络中泛洪一个“你好”消息，该消息会经历单跳或多跳传输到达所有传感器节点。每个节点会保存下消息传送的跳数n，并以此判断出自己是第n级节点。与此同时，当节点收到来自多个(n-1)级节点转发的“你好”消息时，会根据接收信号强度指示(Received Signal StrengthIndication，RSSI)，保存RSSI最小的(n-1)级节点ID作为自己的首选中继节点。之后所有的传感器节点都会休眠，直到目标出现会激活附近相关节点。

进一步地，在步骤S2中，目标出现后，与目标距离大小在感知半径R_S内的节点将会被激活。这些节点会向位于通信半径R_C范围内的邻居节点广播一个“邻居发现”消息，消息内容包括节点的ID号、剩余能量E_r和对目标的感知强度I_s；其中，对目标的感知强度I_s与目标距离相关，距离目标越近的I_s值越大。部分未被目标触发处于休眠状态的邻居节点收到消息后也会被激活，并广播“睡眠邻居发现”消息，该消息内容与“邻居发现”消息相同，但它不会激活更多的休眠节点。节点之间能够根据RSSI估算出彼此之间的相对距离大小d_i,j。交互结束后，节点会保存一个邻居列表，记录收到的邻居节点信息。

进一步地，在步骤S2中，目标在自己感知范围内的节点会构成当前簇结构，从中选出一个簇头节点CH对簇内的感知数据进行融合和转发，簇头需要有较充足的能量来承担额外的任务。如图2所示，容易得出激活节点的分布范围是以目标为中心，以R_S为半径的圆形区域。为了保证簇内进行数据传输时，通信开销较小，应选择尽可能靠近目标的节点担任簇头，因此本实施方式采用广播时延机制来竞选簇头，并引入一个与剩余能量e和对目标感知强度I_s相关的广播时延值，广播时延值的设置能够保证剩余能量e较大且对目标感知强度I_s较大的节点有更大的机会担任初始簇簇头；则节点i的广播时延公式为：

其中，T_CH(i)为广播时延值，E_r(i)为节点i的剩余能量，

为节点i的邻居节点的剩余能量的平均值，I_s(i)为节点i对目标的感知强度，

为节点i的邻居节点对目标感知强度的平均值；a为

的权重，b为

的权重，a+b＝1且a和b均为正数。

除此之外，步骤S2在设置广播时延值的基础上还引入随机退避策略，具体为：节点在等待T_CH(i)后，会首先进入准备成为簇头阶段，并启动一个随机数定时器，再次等待随机时间T_RD后，广播“当选簇头”消息。如果一个节点在等待时间T_RD内收到“当选簇头”消息，它将放弃竞争簇头。

进一步，在步骤S3中，簇头宣布当选之后，会在整个通信半径范围内的邻居节点中选择k个作为候选簇头(candidate CH)，这些candidate CH身处的候选簇结构将会覆盖目标所有可能移动到的位置。如图3所示，以簇头为中心的内圆表示当前簇结构的范围，其半径为R_CP，并且R_C/2＜R_CP＜R_C，将其转换得到如下公式：

R_CP＝σR_C,σ∈(0.5,1)

σ是常数，σ代表簇结构半径R_CP与节点通信半径R_C的比例，σ的具体值与目标的大小和运动速度相关；以簇头CH为中心的外圆表示候选簇头选择范围，半径为R_C，详见图3。

进一步，在步骤S3中，簇头CH会在R_C范围内的全部成员节点中根据剩余能量、节点度和簇内通信距离三个因素选择k个最适合作为候选簇头的节点。由于簇结构半径R_CP是固定的，为了保证簇迁移的顺利进行，避免目标跨簇时出现感知覆盖漏洞，当前任务簇和候选簇设置一定程度的重叠范围。与此同时，为减少通信开销，应该选择尽可能少的候选簇头参与全向跟踪任务，详见图4。

进一步，在步骤S3中，关于候选簇头个数k的推导如下：

如图5所示，假设有k个节点被选为候选簇头(candidate CH)，则在理想的情况下，它们的位置相连会在当前任务簇外构成一个k边形，为了便于计算，本实施方式假设是正k边形；由正k边形以及其外接圆的性质可知，三角形△AOB中的角度θ可以表示为：

则A、B之间的距离d可以通过下式计算：

设置当前簇结构和各候选簇结构之间能够尽量拉开彼此的距离，来覆盖目标移动的各个方向。同时，为了避免覆盖漏洞，本实施方式还要保证当前簇结构和候选簇结构以及相邻候选簇结构之间有一定的重叠覆盖范围。因此，设定各候选簇头之间的距离应满足：

R_CP＜d＜R_C

联系上面的式子，进一步变换可得：

因此可以推得候选簇头数量k的具体范围，公式如下：

总的来说，候选簇头数量范围的确定，能够保证候选簇结构能够合理完整的感知覆盖目标可能移动的所有潜在方向。

进一步地，在步骤S3中，确定了候选簇头数量k之后，由当前任务簇结构的簇头执行基于组合优化的遗传算法(CO-GA)来选择最优的候选簇头集合。在传统遗传算法(GA)中，一个种群个体代表着一个完整的解，为了适用于当前的应用场景，设置种群个体代表了候选簇头集合的最优选择。将染色体编码为一组节点的ID数组，它表示一组候选簇头，每个染色体的长度与候选簇头的数量k相同。对于同一个染色体，基因位上不能出现相同的节点ID。

(1)初始群体

初始群体是一组随机产生的染色体空间G，每个染色体都是一系列的候选簇头ID，其中，染色体g_q可以表示为g_q＝[n₁,n₂,...,n_k]，其中，n₁,n₂,..n._k,表示一组候选簇头的节点。有效的染色体生成方式是在距离初始簇头CH的距离在R_CP到R_C之间的全部的候选节点中，随机选择k个节点的ID构成一个染色体的基因位。假设候选簇头数量为8，某个染色体的基因序列和相应位置上的节点ID如图6所示。

(2)适应度函数

基于组合优化的遗传算法(CO-GA)通过建立适应度函数来评估初始群体的单个染色体。由于每个染色体都代表了一组候选簇头集，需要根据最适合当选簇头的决策因素来选择最优的簇头集合。由于每个染色体代表一组候选簇头集，可行的候选簇头集包括多种选择方式，而最优候选簇头集合根据传感器的剩余能量、节点度和到当前簇头的距离被选择，因此获得最优决策因素的过程转化为了组合优化问题。众所周知，木桶原理中最短的木板决定了木桶的容量，同样地规则也适用于对候选簇头的选择，候选簇头集合中剩余能量最小的节点，节点度最小的节点以及距离当前簇头最小的节点将决定了整个节点集合的整体性能。根据这一原则，染色体的剩余能量、节点度和到当前簇头距离三个因素分别可以写成E_{q_min}、N_{q_min}和D_{q_min}，分别表示为：

其中，

表示候选簇头集合q中的剩余能量最小值，E_q,j(t)为第q组候选簇头集合中节点j的剩余能量，

则表示候选簇头集合q中最小节点度，N_q,j为第q组候选簇头集合中节点j的节点度值，即节点j的节点度值；

表示候选簇头集合q中节点到当前簇头的最小距离，D_q,j代表第q组簇头集合中节点j到当前簇头的距离。利用初始簇头的相关性质对染色体决策因素量纲消除，公式如下：

其中，E_CH为当前簇头的剩余能量，N_CH为当前簇头的节点度值，R_C是节点通信半径；则染色体g_q的适应度函数f_q表示为：

其中，α为候选簇头集合q的第一决策因素

对应的权重，β为候选簇头集合q的第二决策因素

对应的权重，γ为候选簇头集合q的第三决策因素

对应的权重。

一般来说，在遗传方法中，选择操作将使适应度较大(优良)个体有较大的存在机会，而适应度较小(低劣)的个体继续存在的机会也较小。值得一提的是，在本实施方式中，为了保证对目标的全向跟踪，各候选簇结构需要保持一定的距离，即候选簇头之间需要具备一定的距离。因此体现在适应度函数就是，当候选簇头集合(染色体)中的各节点(基因位)彼此之间的距离小于等于R_CP时，则该染色体的适应度值为负无穷大。综合上式，推出染色体g_q的适应度值f_q的计算公式为：

其中，f_q为候选簇头集合q的适应度函数，d_j,l为候选簇头中任意节点j和节点l的距离，R_CP为簇结构的半径，-Inf表示负无穷。

(3)选择操作、交叉操作和变异操作的过程

一般来说，选择操作将使适应度较大(优良)的个体具有较大的生存机会，而适应度较小(低劣)的个体继续存在的机会也较小。一般采用轮盘赌选择机制，令∑f_q表示种群的适应度值的总和，f_q表示种群中第q个染色体(即候选簇头集合q)的适应度值，则它产生的后代的能力正好为其适应度值所占份额

基于候选簇头集的编码方法，要求个体染色体的编码中不允许出现重复的基因码，也就是说候选簇头集中不能出现重复被选为簇头的节点。根据这种假设，CO-GA算法设置在这种情况下d_j,l＝0，适应度值为-Inf，避免了编码重复的发生。

进一步地，选择操作保留了适应度值较大的染色体，而交叉操作和变异操作使得访问染色体空间

的任意成员成为可能，K_CH为候选簇头集合的个数。如图7所示，对于交叉操作，CO-GA算法采用部分匹配交叉(PMX)方法，先分别在两个父代候选簇头集合中随机选择两个节点作为交叉点，以便确定一个匹配段，定义这两个交叉点间的区域为匹配区域，并交换两个父代候选簇头集合的匹配区域。

如图8所示，父代A和父代B虚线部分框住部分即为两点间的匹配区域，而对于tempA、tempB中匹配区域以外的部分出现的数码重复，则要根据匹配区域内的位置逐一进行替换，匹配关系：67<——>32，83<——>20。最后得到最终子代候选簇头集合。

传统GA方法解决候选簇头选择问题时，基于二进制编码的变异操作不能适用，不能够由简单的变量翻转来实现。由于对个体的编码是一批节点的ID序列，因此设置随机在这个序列中抽取两个节点，然后将它们随机替换成选择范围内集中的另外两个节点，这样就实现了个体编码的变异，具体方法如下：如图9所示，产生两个0到1之间的随机实数，将这两个实数转化为1到候选簇头集合的个数K_CH，将这两个随机整数指代的节点用候选集中的随机两个节点进行替换。

本实施方式的基于组合优化的遗传算法如图10所示。

进一步地，在步骤S3中，根据CO-GA算法求得适应度最高的一组染色体(候选簇头)之后，当前任务簇簇头会根据染色体中的节点ID，对相关候选簇头节点进行激活。被激活之后的候选簇头将会保持激活状态，等待目标到来。当目标移动到某个候选簇头的感知范围内时，该候选簇头会成为新任簇头，在R_CP范围内重复广播“簇头当选”消息，收到消息的休眠状态节点会被激活，并向新任簇头发送“簇加入”消息，成为新簇成员；收到消息的重叠区域节点也会发送“簇加入消息”，这些节点不再是原簇成员，转而成为新簇成员。与此同时，新任簇头会发送“簇迁移”消息给原簇头，原簇头收到消息后会通知非重叠区的原簇成员以及其他候选簇头回归休眠。随着目标的移动，步骤S3将会重复执行，直至目标消失。

进一步地，在步骤S4中，传感器节点的检测精度和能量效率可以根据目标的移动情况来进行调整。如果传感器节点测得的量值在正常范围内，传感器只有在检测到变化(两个相邻采样时刻之间的差值大于参考值)时才会向簇头发送数据。节点将以低频率通信，以节省能源，同时保证网络连接。一旦检测到目标，传感器节点会以更高的频率定期向簇头发送数据，每个采样时刻所有新检测到的值都会发送给用户，以提高监控精度。

进一步地，在步骤S4中，簇头当选之后，会发送“中继唤醒”消息给在步骤S1中保存的首选中继节点，该中继节点收到消息后，会继续发送“中继唤醒”消息给自己保存的首选中继节点。以此类推，会生成一条簇头到sink节点的传输路径。簇头对簇内感知数据进行融合处理之后，会将数据沿此传输路径发送到sink节点。

进一步地，本实施方式使用MATLAB 2016b来评估方法的性能。本实施方式与LEACH方法、TEEN方法，以及EEAOC方法进行了比较。模拟实验中采用与LEACH方法中相同的配置参数。在对TEEN方法的模拟中，簇结构的形成过程与LEACH方法是相同的，并设置硬阈值(HT＝1)，以及软阈值。EEAOC方法是一种基于事件驱动的二逻辑分簇协议，簇结构会根据目标的移动做出动态调整。设置网络部署节点数为800个。目标的移动过程模拟为一个匀速直线运动的点，执行10次模拟运行，并对这10次运行的统计数据进行平均。图11、图12、图13和图14分别示出了四种方法的网络生命周期、网络平均剩余能量、网络消耗总能量以及网络中被激活节点数，可以看出本实施方式的节能性能良好。

由此可见，本发明能随着目标移动生成和迁移簇结构，并使得大部分节点保持休眠状态，大幅节省了网络能量，延长了网络寿命，检测精度高实用性较强。

Claims (4)

1.一种基于目标全向跟踪的大规模WSN动态分簇方法，其特征在于，包括：

步骤(1)：将节点随机部署到监测区域后，汇聚节点在网络中泛洪一个“你好”消息，每个节点收到“你好”消息后保存汇聚节点的跳数，并进入休眠模式等待目标出现；

步骤(2)：目标出现后，在目标附近的节点被唤醒并进行邻居信息交互，并竞选出簇头，其余被唤醒的节点与竞选出的簇头一起形成当前簇结构；

所述在目标附近的节点为：与目标距离大小在感知半径R_S内的节点和收到“邻居发现”消息的节点；

步骤(3)：根据移动的目标，所述当前簇结构的簇头执行基于组合优化的遗传算法来选择最优的候选簇头集合；当目标移动至所述最优的候选簇头集合中的一个候选簇头感知范围内时，候选簇头将激活附近节点构成下一个簇结构，并通知当前簇结构进入休眠，完成簇迁移过程；其中，所述候选簇头将激活附近节点具体为：在簇结构半径R_CP范围内且收到“簇头当选”消息的节点被激活；

所述步骤(3)中的候选簇头集合包括k个候选簇头，公式为：

其中，

且σ∈(0.5,1)，R_CP为簇结构的半径，R_C为节点的通信半径；

所述步骤(3)中的基于组合优化的遗传算法具体为：通过适应度函数来评估每一组候选簇头集合，再通过选择操作、交叉操作和变异操作得到最优的候选簇头集合；

所述适应度函数的公式为：

其中，f_q为候选簇头集合q的适应度函数，α为候选簇头集合q的第一决策因素

对应的权重，β为候选簇头集合q的第二决策因素

对应的权重，γ为候选簇头集合q的第三决策因素

对应的权重，-Inf表示负无穷，d_j,l为候选簇头集合中任意节点j和节点l的距离，R_CP为簇结构的半径，E_{q_min}为候选簇头集合q中的剩余能量最小值且

E_q,j(t)为第q组候选簇头集合中节点j的剩余能量，N_{q_min}为第q组候选簇头集合中最小节点度且

N_q,j为第q组候选簇头集合中节点j的节点度值，D_{q_min}为候选集合q中节点到当前簇头的距离最小值且

D_q,j为第q组簇头集合中节点j到当前簇头的距离，E_CH为当前簇头的剩余能量，N_CH为当前簇头的节点度值，R_C为节点通信半径；

所述交叉操作具体为：采用部分匹配交叉方法分别在两个父代候选簇头集合中随机选择两个节点作为交叉点，根据两个交叉点确定匹配区域，交换两个父代候选簇头集合的匹配区域，得到两个子代候选簇头集合；

所述变异操作具体为：首先生成两个0到1之间的随机实数，再将生成的两个实数转化为1到候选簇头集合的个数K_CH之间的随机整数，最后将转化得到的两个随机整数指代的节点对所述子代候选簇头集合中的随机两个节点进行替换；

步骤(4)：所述下一个簇结构的簇头唤醒并接收每个簇成员的感知数据，并将收到的感知数据进行融合后通过预设传输路径转发给所述汇聚节点。

2.根据权利要求1所述的基于目标全向跟踪的大规模WSN动态分簇方法，其特征在于，所述步骤(1)还包括：当每个节点收到来自多个(n-1)级节点转发的“你好”消息时，将接收信号强度指示最小的(n-1)级节点作为首选中继节点。

3.根据权利要求1所述的基于目标全向跟踪的大规模WSN动态分簇方法，其特征在于，所述步骤(2)中进入工作模式的节点采用广播时延的方式竞选出簇头，公式为：

其中，T_CH(i)为广播时延值，E_r(i)为节点i的剩余能量，

为节点i的邻居节点的剩余能量的平均值，I_s(i)为节点i对目标的感知强度，

为节点i的邻居节点对目标感知强度的平均值；a为

的权重，b为

的权重，a+b＝1且a和b均为正数。

4.根据权利要求2所述的基于目标全向跟踪的大规模WSN动态分簇方法，其特征在于，所述步骤(4)中的预设传输路径具体为：所述下一个簇结构的簇头发送“中继唤醒”消息给所述步骤(1)中的所有的首选中继节点，生成一条从所述下一个簇结构的簇头到汇聚节点的传输路径。

Images