CN112969155A - 一种面向林火检测传感器网络节点的任务调度方法 - Google Patents

Abstract

本发明公开了一种面向林火检测传感器网络节点的任务调度方法，对于传统强化学习方法在前期探索不充分、容易陷入局部最优和难以得到最佳任务调度策略的问题，本发明在任务选择策略上不再进行随机选择，而是选择执行次数最少的任务进行执行，让调度方法在前期得到充分的探索，并引入时间步参数来保证调度方法的收敛，使得可以得到最大的任务长期回报，最终可以得到更好的任务调度策略，减少传感器节点的能量消耗，保证节点能够长久的运行；对于现有的传感器节点任务调度方法在森林火灾检测方面没有有效利用收集到的温度和湿度数据，本发明提出通过收集到的温度和湿度数据来动态调整采集任务的回报值，提升任务调度的效率。

Description

一种面向林火检测传感器网络节点的任务调度方法

技术领域

本发明属于无线传感技术领域，尤其涉及一种面向林火检测传感器网络节点的任务调度方法。

背景技术

森林中最常见的危害就是森林火灾，森林火灾严重影响着森林中的植被、动物和人类的生活。在森林火灾中，一旦火势变大就很难控制住，因此有必要在早期及时发现森林火灾。现有许多森林火灾的检测方法，它们大致分为三类：(1)人工巡逻：它是由林业部门专门安排人员在森林中进行巡逻，检测森林中的温度、湿度和烟雾等环境信息，来判断森林当中的火灾情况。(2)基于图像或视频的森林火灾监测：该方法以拍摄的图像或视频作为输入，分析图像或视频中的火焰或烟雾因素，来判断火灾情况。(3)基于温湿度的森林火灾检测：该方法在森林中安置无线传感器节点，建立无线传感网，利用传感器节点采集环境中的温度、湿度数据，再利用林火检测方法来判断火灾情况。

但现有的基于无线传感网的森林火灾检测只注重林火的检测，却忽略了传感器节点的能耗控制，传感器节点随机分布在一大片森林中，更换电池或充电所需成本过高，且传感器节点本身电池容量小，如果不能有效地控制传感器节点的能量消耗，则会导致传感器节点损耗过快，森林火灾检测成本增加。因此需要在传感器节点中加入任务调度方法，来控制能量的消耗。

现有的用于传感器节点的任务调度方法包括先来先服务(FCFS)方法和静态优先级调度方法，其中，先来先服务方法只是简单地按照任务到达顺序执行任务，静态优先级调度方法则是事先设置好每个任务的优先级，按照优先级顺序执行任务。在强化学习的不断发展后，也有学者将SARSA学习方法、Q学习方法等应用到传感器节点任务调度中，其中DIRL方法(Distributed Independent Reinforcement Learning)将Q学习应用于传感器节点的任务调度，把传感器节点的任务调度映射到Q学习中，传感器节点对应于智能体，节点任务对应于智能体动作，外部环境的反馈对应于奖惩。但通常传感器节点处于一个不断变化的环境中，因此节点需要依据环境变化对任务调度策略做出调整，因此强化学习方法能非常有效的节省能量消耗，但该方法存在以下缺点：首先，没有利用到传感器收集的温度和湿度信息；再者，传统强化学习方法存在如果前期探索不充分，则容易陷入局部最优，难以得到最优的任务调度方案的问题。

发明内容

发明目的：为解决现有面向林火检测传感器网络节点能量消耗过快、任务调度效率不高等问题，本发明提出了一种面向林火检测传感器网络节点的任务调度方法。

技术方案：一种面向林火检测传感器网络节点的任务调度方法，对每个传感器节点执行以下步骤：

步骤1：根据式(1)计算传感器节点可执行的各任务的任务选择权重值MUF_s，t，i，传感器节点执行任务选择权重值最大的任务，记任务选择权重值最大的任务为a_i；

式中，a_i为传感器节点可执行的第i个任务，

为在时间步t和传感器节点状态s的条件下任务a_i的价值，

λ^t用来控制探索策略的比重，让加号后的部分的值逐渐变小，即探索策略越来越不受重视，λ是常数，t为时间步T₀是常数，表示折扣系数，n为总任务执行次数，n_i为第i个任务的执行次数；时间步t初始值为0，传感器节点状态s初始值为s＝{(0，0，0)}；

传感器节点可执行的任务至少包括数据采集任务、数据接收任务和数据发送任务；

步骤2：判断a_i是否为数据采集任务：

若a_i为数据采集任务，则依据数据采集任务，收集周边环境的温度数据和湿度数据，并将收集到的温度数据和湿度数据代入式(2)，计算得到数据采集任务的回报值r(s)；若计算得到的数据采集任务的回报值r(s)大于0，则传感器节点向基站发送警告，若计算得到的数据采集任务的回报值r(s)不大于0，则传感器节点不向基站发送警告；

若a_i不是数据采集任务，则将预设的a_i的任务回报常数值作为a_i的回报值r(s)；

其中，x_0，n为上一日的最低温度，x_1，n为湿度数据，x_2，n为温度数据；

步骤3：根据式(3)，更新执行完任务后的传感器节点的新状态s′；

s′＝s_env×s_rec×s_sen (3)

式中，当a_i为数据采集任务时，s_env为1，当a_i为非数据采集任务时，s_env取0；当有数据等待接收时，s_rec为1，当没有数据等待接收时，s_rec为0；当有数据等待发送时，s_sen为1，当有数据等待发送时，s_sen为0；

步骤4：根据步骤2得到的回报值r(s)和步骤3得到的传感器节点的新状态s′，更新传感器节点可执行的各任务的价值：

其中，

为在时间步t和传感器节点状态s的条件下任务a_i的价值，α为学习速率，γ为折扣因子；其中

步骤5：将s′赋值给s，a_i的执行次数n_i＝n_i+1，总的任务执行次数n＝n+1，时间步t＝t+1；

步骤6：判断时间步t是否小于等于T_end，若时间步t小于等于T_end，则执行步骤1；否则传感器节点结束工作。

进一步的，所述的传感器节点可执行的任务还包括休眠任务。

本发明还公开了一种用于林火检测的传感器节点，部署在面向林火检测的传感器网络中，传感器节点内置上述公开的一种面向林火检测传感器网络节点的任务调度方法。

本发明还公开了一种面向林火检测的传感器网络，包括基站和多个传感器节点，传感器节点和传感器节点之间、传感器节点和基站之间进行数据传输，每个所述传感器节点中均内置上述公开的一种面向林火检测传感器网络节点的任务调度方法。

进一步的，所述基站通过多跳路由传输方法与传感器节点之间进行数据传输。

进一步的，所述传感器节点和传感器节点之间通过路由传输数据。

有益效果：本发明与现有技术相比，具有以下优点：

(1)本发明方法利用采集到的温度和湿度数据来动态调整采集任务的回报值，提升调度效率；

(2)本发明方法通过改进任务选择策略，不再随机选择任务，而是选择执行次数最少的任务，得到更好的任务调度方案，节省传感器节点的能量消耗，延长其寿命。

附图说明

图1是传感器网络体系结构图示例；

图2是本发明提出的节点任务调度方法步骤的流程图。

具体实施方式

现结合附图和实施例进一步阐述本发明的技术方案。

实施例1：

本实施例的一种面向林火检测传感器网络节点的任务调度方法，引入时间步参数来保证任务调度方法的收敛，选择执行次数最少的任务进行执行，让任务调度方法在前期得到充分的探索，解决了传统强化学习方法在前期探索不充分容易陷入局部最优的问题，同时减少传感器节点的能量消耗，保证节点能够长久的运行。本实施例的方法有效利用温度数据和湿度数据来动态调整任务调度方法中采集任务的回报值，提升任务调度的效率。

图1为一个部署在二维空间的无线传感器网络，该无线传感器网络包括基站和多个传感器节点；其中，基站固定处于网络中心通过多跳路由传输方法收集整个网络传感器的数据，传感器节点随机部署在无线传感器网络上，对周围环境进行监测，执行数据采集任务、数据接收任务、数据发送任务和休眠任务，其中数据采集任务包括收集周围环境的温度数据和湿度数据，传感器节点之间可以通过路由传输数据。假设图1所示的无线传感器网络投入运行，图中3个传感器节点进行林火检测任务，传感器节点与传感器节点之间、传感器节点与基站之间都能进行数据传递。

无线传感器网络投入运行后，每个传感器节点均为一个任务调度主体，执行以下任务调度步骤：

步骤1：初始设置，设定传感器节点调度的四种任务为数据采集任务a₁、数据接收任务a₂、数据发送任务a₃和数据休眠任务a₄，设定数据接收任务、数据发送任务和数据休眠任务的回报常数值为r_rec，r_sen，r_sle，任务执行成功为正，失败为负，在本实施例中，设置数据接收任务的回报常数值为0.2，设置数据发送任务的回报常数值0.1，设置数据休眠任务的回报常数值为0.001；设置时间步t＝0，最大时间步T_end＝500，初始状态s＝{(0，0，0)}，初始状态s下任务a_i的价值

数据采集任务执行次数n₁＝0，数据接收任务执行次数n₂＝1，数据发送任务执行次数n₃＝1，数据休眠任务执行次数n₄＝1，初始上一日的最低温度x_0，n＝10，初始化系数λ＝0.9和T₀＝500；设置学习速率α＝0.5，设置折扣因子γ＝0.5，总任务执行次数n＝3；

步骤2：根据式(1)分别计算四个任务的任务选择权重MUF_s，t，i值：

由此可知，MUF_s，t，1最大，传感器节点选择数据采集任务进行执行。

步骤3：由于传感器节点执行的任务是数据采集任务，因此传感器节点对周围环境的温度数据和湿度数据进行采集，假设采集到的数据为：相对湿度x_1，n＝70％，温度x_2，n＝17；将采集到的数据代入式(2)，计算得到数据采集任务的回报值：

经计算可知，数据采集任务的回报值r(s)＝-0.017＜0，因此传感器节点无需向基站发送消息。

步骤4：假设没有数据等待接收和发送，则s_rec＝s_sen＝{0}，执行的任务为数据采集任务，则s_env＝{1}，代入式(3)计算得到新状态s′：

s′＝{1}×{0}×{0}＝{(1，0，0)}。

步骤5：将步骤3得到的回报值r(s)和步骤4得到的新状态s′代入式(4)，计算得到：

步骤6：将新状态s′赋值给s，s＝{(1，0，0)}，数据采集任务执行次数n₁＝1，总的任务执行次数n＝4，时间步t＝1。

步骤7：时间步t＝1＜500，则回到步骤2。直至时间步t大于最大时间步T_end＝500，传感器节点结束工作。

实施例2：

本实施例提出了一种用于林火检测的传感器节点，部署在面向林火检测的传感器网络中，在传感器节点内置实施例1公开的一种面向林火检测传感器网络节点的任务调度方法。

实施例3：

本实施例提出了一种面向林火检测的传感器网络，包括基站和多个传感器节点，每个传感器节点中均内置实施例1公开的一种面向林火检测传感器网络节点的任务调度方法。基站通过多跳路由传输方法与传感器节点之间进行数据传输，传感器节点和传感器节点之间通过路由传输数据。

Claims (6)

1.一种面向林火检测传感器网络节点的任务调度方法，其特征在于：对每个传感器节点执行以下步骤：

步骤1：根据式(1)计算传感器节点可执行的各任务的任务选择权重值MUF_s,t,i，传感器节点执行任务选择权重值最大的任务，假设a_i为任务选择权重值最大的任务；

式中，a_i为传感器节点可执行的第i个任务，

为在时间步t和传感器节点状态s的条件下任务a_i的价值，

t为时间步，λ为常数，T₀为折扣系数，λ^t表示比重，n为总任务执行次数，n_i为第i个任务的执行次数；时间步t初始值为0，传感器节点状态s初始值为s＝{(0,0,0)}；

传感器节点可执行的任务至少包括数据采集任务、数据接收任务和数据发送任务；

步骤2：判断a_i是否为数据采集任务：

若a_i为数据采集任务，则依据数据采集任务，收集周边环境的温度数据和湿度数据，并将收集到的温度数据和湿度数据代入式(2)，计算得到数据采集任务的回报值r(s)；若计算得到的数据采集任务的回报值r(s)大于0，则传感器节点向基站发送警告，若计算得到的数据采集任务的回报值r(s)不大于0，则传感器节点不向基站发送警告；

若a_i不是数据采集任务，则将预设的a_i的任务回报常数值作为a_i的回报值r(s)；

其中，x_0,n为上一日的最低温度，x_1,n为湿度数据，x_2,n为温度数据；

步骤3：根据式(3)，更新执行完任务后的传感器节点的新状态s′；

s′＝s_env×s_rec×s_sen (3)

式中，当a_i为数据采集任务时，s_env为1，当a_i为非数据采集任务时，s_env取0；当有数据等待接收时，s_rec为1，当没有数据等待接收时，s_rec为0；当有数据等待发送时，s_sen为1，当有数据等待发送时，s_sen为0；

步骤4：根据步骤2得到的回报值r(s)，计算得到在时间步t和新状态s′的条件下传感器节点可执行的各任务的价值，并采用新状态s′对应的价值对状态s对应的价值进行更新：

其中，

为在时间步t和传感器节点状态s的条件下任务a_i的价值，α为学习速率，γ为折扣因子；其中

步骤5：将s′赋值给s，a_i的执行次数n_i＝n_i+1，总的任务执行次数n＝n+1，时间步t＝t+1；

步骤6：判断时间步t是否小于等于T_end，若时间步t小于等于T_end，则执行步骤1；否则传感器节点结束工作。

2.根据权利要求1所述的一种面向林火检测传感器网络节点的任务调度方法，其特征在于：所述的传感器节点可执行的任务还包括休眠任务。

3.一种用于林火检测的传感器节点，部署在面向林火检测的传感器网络中，其特征在于：内置如权利要求1或2任意一项所述的一种面向林火检测传感器网络节点的任务调度方法。

4.一种面向林火检测的传感器网络，其特征在于：包括基站和多个传感器节点，传感器节点和传感器节点之间、传感器节点和基站之间进行数据传输，每个所述传感器节点中均内置如权利要求1或2任意一项所述的一种面向林火检测传感器网络节点的任务调度方法。

5.根据权利要求4所述的一种面向林火检测的传感器网络，其特征在于：所述基站通过多跳路由传输方法与传感器节点之间进行数据传输。

6.根据权利要求4所述的一种面向林火检测的传感器网络，其特征在于：所述传感器节点和传感器节点之间通过路由传输数据。

Images