CN113645631A - 一种面向三维场景的移动有向传感器网络覆盖优化方法 - Google Patents
一种面向三维场景的移动有向传感器网络覆盖优化方法 Download PDFInfo
- Publication number
- CN113645631A CN113645631A CN202110831866.7A CN202110831866A CN113645631A CN 113645631 A CN113645631 A CN 113645631A CN 202110831866 A CN202110831866 A CN 202110831866A CN 113645631 A CN113645631 A CN 113645631A
- Authority
- CN
- China
- Prior art keywords
- node
- sensor
- sensor node
- coverage
- nodes
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000008447 perception Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 241000288673 Chiroptera Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向三维场景的移动有向传感器网络覆盖优化方法,首先获取传感器节点的部属位置信息构建传感器三维有向感知模型,然后计算传感器节点的最优俯仰角,然后构建该节点在XOY平面的投影模型,对所构建的投影模型进行调整并更新传感器节点位置,调整传感器节点的感知方向,最后利用二维平面覆盖优化算法对更新之后的传感器节点位置以及偏向角进行优化,实现三维场景的覆盖增强,本发明考虑节点部署高度和感知角度对信息获取的影响,把节点感知方向正交分解为俯仰角和偏向角,在获取节点最优俯仰角的前提下,建立节点部署高度和最优俯仰角约束的节点水平投影模型,优化调整节点位置和偏向角,从而实现三维场景的覆盖增强。
Description
技术领域
本发明涉及传感器技术领域,具体涉及一种面向三维场景的移动有向传感器网络覆盖优化方法。
背景技术
目前,有文献针对有向传感器俯仰角的最优化问题推导出感知节点在二维平面投影的边界条件,寻求合适的俯仰角,将覆盖增强过程分解为俯仰角优化和节点位置优化两个阶段,得出单个节点的最大覆盖范围,进而提高无线传感器网络的覆盖率。
有文献提出三维锥体有向感知模型,在优化部署过程中,通过调整将节点的俯仰角,将节点感知范围投影至目标平面,在目标平面内感知范围呈椭圆形,然后将问题转换为二维平面的覆盖优化问题,并用粒子群算法进行求解。
有文献通过差分进化算法解出三维模型对目标平投影面积最大的俯仰角,并应用在区域目标全覆盖问题上,通过随机计算取值并保留的策略取得了不错的目标覆盖效果。
有文献将区域内目标覆盖问题扩展到整个区域的覆盖问题,先根据投影偏向角的不同,划分为四个节点集合,推导出不同点集内节点的最佳俯仰角,最后利用微粒群算法对节点偏向角优化,实现监测场景的覆盖区域增强。
三维环境中由于节点部署高度和有向节点的俯仰角度形成的覆盖盲区,对传感器节点信息获取的影响,即三维区域覆盖。上述文献只讨论俯仰角,没有考虑高度问题.
发明内容
针对现有技术中的上述不足,本发明提供了一种面向三维场景的移动有向传感器网络覆盖优化方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种面向三维场景的移动有向传感器网络覆盖优化方法,包括如下步骤:
S1、获取传感器节点的部属位置信息构建传感器三维有向感知模型,其中传感器节点的部署位置信息包括传感器节点的空间位置、感知半径、感知方向、水平感知夹角以及垂直感知夹角;
S2、根据传感器节点的Z轴坐标数值计算传感器节点的最优俯仰角;
S3、根据传感器节点的高度信息和最优俯仰角构建该节点在XOY平面的投影模型;
S4、对步骤S4所构建XOY平面的投影模型进行调整并更新传感器节点位置,调整传感器节点的感知方向利用二维平面覆盖优化算法对更新之后的传感器节点位置以及偏向角进行优化,实现三维场景的覆盖增强。
上述方案的有益效果是,考虑节点部署高度和感知角度对信息获取的影响,把节点感知方向正交分解为俯仰角和偏向角,在获取节点最优俯仰角的前提下,建立节点部署高度和最优俯仰角约束的节点水平投影模型,优化调整节点位置和偏向角,从而实现三维场景的覆盖增强。
进一步的,所述步骤S2具体包括:
S21、将各传感器节点Si的空间位置投影到XOY平面;
S22、根据传感器节点Si的感知方向以及平面位置将所有传感器节点划分为 4个不相交的集合,判断当前节点所处的集合位置,表示为Nodeseti(i=1,2,3,4);
S23、根据各节点所处的不同集合位置计算各节点的最优俯仰角。
上述进一步方案的有益效果是,通过提升单个节点的平面投影覆盖面积,初步提升整个传感器网络的区域覆盖率
进一步的,所述步骤S23中根据各节点所处的不同集合位置计算各节点的最优俯仰角的计算方式为:
当节点Si∈Nodeset1时,d2=max x-x,此时,该节点的最优俯仰角γop=arctan((max x-x)/z)-β;
当传感器节点Si∈Nodeset2时,d2=max y-y,该传感器节点的最优俯仰角γop=arctan((max y-y)/z)-β;
当传感器节点Si∈Nodeset3时,d2=x,该传感器节点的最优俯仰角γop=arctan(x/z)-β
当传感器节点Si∈Nodeset4时,d2=y,该节传感器点的最优俯仰角γop=arctan(y/z)-β;
其中,γop为传感器节点的最优俯仰角,d2表示传感器节点的覆盖区域在XOY平面投影的外半径且d2=z×tan(γ+β),(max x,max y)表示当前传感器节点覆盖区域最远位置的在XOY平面投影的坐标,(x,y,z)表示当前传感器节点的空间位置坐标值,i表示步骤S22中划分的传感器节点的集合的索引,β表示垂直感知夹角,γ为当前传感器的垂直方向的偏移角度。
上述进一步方案的有益效果是,可以通过求取一个节点的最优俯仰角得到所有节点最优俯仰角信息,从而构建节点的平面投影模型。这样可以减少计算量,简化算法求解过程。
进一步的,所述步骤S4具体包括:
S41、计算任意传感器节点Si受到周围所有邻居节点虚拟力的合力;
S42、根据步骤S41计算的虚拟力的合力,分别计算传感器节点Si在X轴方向和Y轴方向的调整量,获得传感器节点Si调整后的位置,并对更新传感器节点Si的位置信息;
S43、重复步骤S41-S42直至所有传感器节点位置更新后,将传感器节点位置固定,调整节点的感知方向。
上述进一步方案的有益效果是,将三维场景的覆盖问题简化为二维平面特殊感知模型的覆盖问题,然后利用二维平面覆盖优化算法对节点平面投影的位置和偏向角进行优化调整,进一步提升传感器网络的覆盖率。
进一步的,所述步骤S41中任意传感器节点Si受到周围所有邻居节点虚拟力的合力的计算方式为:
Fi_xy=∑Fij+Fiv;
其中,
Fij表示传感器节点Si受到任意相邻节点的作用力,且
k1,k2,α1,α2表示虚拟力增益系数,mi表示传感器节点Si的质量,mj分表示传感器节点Si任意相邻节点Sj的质量,d(Si,Sj)表示节点Si和Sj之间的距离,r1表示传感器节点之间的最优距离,r2表示传感器的通信距离;
Fiv表示传感器节点Si受到其通信半径内所有未被覆盖的区域的虚拟质心Gv的合力,且
k3,α3是虚拟力增益系数,d(Si,Gv)是传感器节点Si到虚拟质心Gv的距离。
上述进一步方案的有益效果是,考虑到传统的虚拟力算法只计算传感器节点之间虚拟力的作用,不能很好的应用于有向传感器节点的位置优化问题,因此本文将区域离散后的虚拟格点看作势场中的固定粒子,定义虚拟格点和传感器节点之间存在引力作用,辅助传感器节点向覆盖空洞运动。
进一步的,所述步骤S42中对更新传感器节点Si的位置信息的方式为:
其中,Fi_xy是节点Si所受合力,Fi_x、Fi_y分别是Fi_xy在X轴和Y轴的分力,Fth是节点受力移动的阈值,Maxstep是设定的最大移动距离,(xold,yold)为传感器节点Si的原位置坐标,(xnew,ynew)为传感器节点Si更新之后的位置坐标。
上述进一步方案的有益效果是,计算考虑虚拟力情况下传感器节点移动之后的位置。
进一步的,所述步骤S43中调整节点的感知方向的方法为:
S431、建立节点感知区域的虚拟受力里调整模型,将节点感知范围按不同的覆盖区域划分为多个分区,表示为:
其中,G(δ)为该区域的质心位置,num(δ)是区域中虚拟格点的数目,δ为区域质心;
S432、计算不同覆盖区域的质心,判断任意两个互为邻居的两个传感器节点是否存在覆盖重叠区域,若存在则计算重叠质心与节点Si覆盖区域质心的斥力,表示为:
S433、计算传感器节点Si受力调整角度,表示为:
其中,θmax、Fimax为常数,分别表示旋转角度和斥力的最大值,Fi⊥表示斥力Fi在垂直方向的分力;
S434、利用蝙蝠算法对传感器节点Si的角度调整量进行优化,输出调整后的传感器节点角度调整量,表示为:
上述进一步方案的有益效果是,利用融合虚拟力的改进蝙蝠算法,提升蝙蝠算法的收敛速度,同时避免覆盖优化陷入局部最优。
附图说明
图1为本发明一种面向三维场景的移动有向传感器网络覆盖优化方法流程示意图。
图2为本发明实施例三维有向感知模型示意图。
图3为本发明实施例受俯仰角约束的平面有向感知模型示意图。
图4为传统传感器节点虚拟力受力分析图。
图5为本发明实施例改进后的虚拟力受力分析示意图。
图6为本发明实施例节点位置调整示意图。
图7为本发明实施例节点重叠区域的受力分析示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种面向三维场景的移动有向传感器网络覆盖优化方法,如图1所示,包括如下步骤:
S1、获取传感器节点的部属位置信息构建传感器三维有向感知模型,其中传感器节点的部署位置信息包括传感器节点的空间位置、感知半径、感知方向、水平感知夹角以及垂直感知夹角;
在三维覆盖场景中,有向传感器节点感知模型可以用五元组进行抽象表示,其中P(x,y,z)表示节点的空间位置、R表示感知半径、表示感知方向,α表示水平感知夹角,β表示垂直感知夹角,2α、2β分别是水平区域感知视角和垂直方向感知视角,在垂直方向的偏移角度称为俯仰角γ,在水平面方向的偏移角度称为偏向角θ,本发明所采用的三维节点感知模型如图2所示,具有转动调整能力的感知节点可以覆盖感知半径内整个圆形区域。因此可以推断出,随着感知方向的不断改变,三维感知模型可以覆盖其感知半径内球体的所有区域。
S2、根据传感器节点的Z轴坐标数值计算传感器节点的最优俯仰角;
节点的优化可分为三个部分:节点俯仰角优化、节点偏向角优化以及节点位置优化。由于调整节点俯仰角可以改变平面投影覆盖面积的大小,因此把单个传感器节点投影的最大覆盖面积对应的俯仰角称作最优俯仰角,记作γop。根据图2所示的三维感知模型的分析可知,梯形面积的大小主要取决于内半径d2与外半径d1之差,在现实情况中d2>>d1,因此只用考虑d2对节点覆盖面积的影响即可。由d2=z×tan(γ+β)可知,影响d2的因素是部署高度和俯仰角γ,由于本章研究的节点的高度固定,所以只用考虑俯仰角γ对d2的影响,具体方法为:
S21、将各传感器节点Si的空间位置投影到XOY平面;
S22、根据传感器节点Si的感知方向以及平面位置将所有传感器节点划分为 4个不相交的集合,判断当前节点所处的集合位置,表示为Nodeseti(i=1,2,3,4);
S23、根据各节点所处的不同集合位置计算各节点的最优俯仰角。
设节点覆盖区域能达到的最远位置为max x、max y,节点位置为P(x,y,z),根据节点偏向角感知方向和在平面的位置将所有节点划分为4个不相交的集合 Nodeseti(i=1,2,3,4)。节点Si的最优俯仰角γop计算如公式如下所示。
(1)当节点Si∈Nodeset1时,d2=max x-x,所以γop计算如公式(4-1)所示:
γop=arctan((max x-x)/z)-β (4-1)
(2)当节点Si∈Nodeset2时,d2=max y-y,所以γop计算如公式(4-2)所示:
γop=arctan((max y-y)/z)-β (4-2)
(3)当节点Si∈Nodeset3时,d2=x,所以γop计算如公式(4-3)所示:
γop=arctan(x/z)-β (4-3)
(4)当节点Si∈Nodeset4时,d2=,所以γop计算如公式(4-4)所示:
γop=arctan(y/z)-β (4-4)
其中,γop为传感器节点的最优俯仰角,d2表示传感器节点的覆盖区域在 XOY平面投影的外半径且d2=z×tan(γ+β),(max x,maxy)表示当前传感器节点覆盖区域最远位置的在XOY平面投影的坐标,(x,y,z)表示当前传感器节点的空间位置坐标值,i表示步骤S22中划分的传感器节点的集合的索引,β表示垂直感知夹角,γ为当前传感器的垂直方向的偏移角度。
S3、根据传感器节点的高度信息和最优俯仰角构建该节点在XOY平面的投影模型。
依据节点感知方向调整时对覆盖角度偏移造成影响的不同,可将感知方向正交分解为水平分量和垂直分量。水平分量对应的感知模型即前文研究的扇形感知模型,垂直分量则可以看作是对水平分量感知模型的约束,对水平投影覆盖的区域进行切割,并形成新的平面投影感知模型。
传感器节点P(x,y,z)在水平面的投影为P`(x,y),梯形区域D1D2D3D4绕点P` 在水平方向旋转时,梯形的两腰D1D4与D2D3保持相对位置不变,两底边D1D2与 D3D4同样保持相对位置不变,因此投影的感知区域覆盖面积不变,仅对节点水平感知方向进行调整;当旋转方向是垂直方向时,梯形的两底边D1D2和D3D4同时沿着X轴的正负方向平移,对扇形区域进行平移切割,此时梯形区域D1D2D3D4面积发生改变。图2中扇形区域的内半径d1=z×tan(γ-β),外半径 d2=z×tan(γ+β),俯仰角偏向角θ∈[0,2π],则梯形四个顶点的坐标位置可由公式(4-5)计算得到:
D1:(x+d1×cos(α-θ),y+d1×sin(α-θ))
D2:(x+d1×cos(α+θ),y+d1×sin(α+θ))
D3:(x+d2×cos(α+θ),t+d2×sin(α+θ))
D4:(x+d2×cos(α-θ),y+d2×sin(α-θ)) (4-5)
根据以上分析可知,节点垂直感知夹角β不变,梯形区域D1D2D3D4的面积大小与节点部署高度z以及俯仰角γ相关。部署高度z一定的情形下,可以通过调整感知方向的俯仰角γ增大传感器节点在平面的投影面积,获得更大的监控区域,初步提升传感器网络的覆盖率。
在确定节点俯仰角的基础上,构建受到俯仰角约束的水平投影感知模型,如图3所示。最终将三维场景的覆盖问题简化为二维平面特殊感知模型的覆盖问题,然后利用二维平面覆盖优化算法对节点平面投影的位置和偏向角进行优化调整,进一步提升传感器网络的覆盖率。
三维空间中节点的覆盖范围可以看作以节点坐标位置为顶点的圆锥区域,在圆锥区域内存在的目标被节点感知到的概率为Pc=1,否则Pc=0。根据公式 (2-2)可推导出在三维监测区域内的任意一点K(x,y,z),被传感器节点P(xi,yi,zi) 覆盖需要满足的条件,其数学表达式如公式(4-6)所示:
S4、对步骤S3所构建的XOY平面的投影模型进行调整并更新传感器节点位置,调整传感器节点的感知方向利用二维平面覆盖优化算法对更新之后的传感器节点位置以及偏向角进行优化,实现三维场景的覆盖增强。
在节点的俯仰角进行优化调整后,对节点偏向角以及节点位置进行优化。此时问题简化为了二维平面移动有向传感器网络覆盖优化问题,但是节点感知模型由理想情况下的扇形模型变为受节点俯仰角约束的梯形感知模型。将获得的梯形感知模型引入前文设计的二维平面覆盖优化算法中,利用算法优化调整节点的位置和偏向角,最终实现三维场景的覆盖增强。最后,考虑在三维环境中节点可能部署在障碍物上,此时节点的部署高度与障碍物高度相关,本章将此类节点定义为失效节点,算法不会对其进行优化调整。
在本实施例里,具体包括如下步骤:
S41、计算任意传感器节点Si受到周围所有邻居节点虚拟力的合力;
在节点位置优化过程中,不考虑传感器节点感知范围、感知方向等因素对的影响,将传感器节点看作势场中受力可移动的粒子。当传感器节点之间的距离小于设定的阈值时,定义传感器节点之间存在斥力,斥力会让传感器节点做扩散运动,降低覆盖冗余。当传感器节点之间的距离大于设定的阈值时,定义传感器节点之间存在引力,引力会让传感器节点彼此靠近,填补覆盖空洞。传统的节点虚拟力受力分析如图4所示,节点S1受到节点S2、S3之间存在斥力作用,受到节点S4的引力作用,与通信范围外的节点S5之间没有力的作用。
考虑到传统的虚拟力算法只计算传感器节点之间虚拟力的作用,不能很好的应用于有向传感器节点的位置优化问题,因此本文将区域离散后的虚拟格点看作势场中的固定粒子,定义虚拟格点和传感器节点之间存在引力作用,辅助传感器节点向覆盖空洞运动。
由于虚拟格点的数目众多,并且虚拟格点与传感器节点之间的受力计算和传感器节点之间的受力计算不统一,因此直接计算节点所受虚拟力合力会变得十分复杂,本文为了统一节点所受虚拟力的计算方式,降低虚拟力合力计算的复杂度,研究将传感器节点通信距离内未被覆盖的区域看作一个整体,计算出该区域的质心点,在计算虚拟力时,该质心点对传感器节点的虚拟引力大小的计算方式完全等同于节点间的虚拟力计算,质心计算如公式(4-7)所示:
其中,G(δ)为该区域的质心位置,num(δ)是区域中虚拟格点的数目。
如图5所示,点G1V是节点S1通信范围内未被覆盖的虚拟格点组成区域的质心,节点S1受到质心G1V、节点S4的引力作用,受到节点S2、S3之间存在斥力作用,与通信范围外的节点S5之间没有力的作用。
根据上述分析可知,节点Si受到的虚拟力合力计算方式如下:
根据上述分析可知,节点Si受到的虚拟力合力计算方式如下:
(1)设任意两个节点Si和Sj,节点Si受到Sj的作用力Fij满足公式(4-8):
其中,k1,k2,α1,α2是虚拟力增益系数,m1和m2分别是节点Si和Sj的质量,本文中节点的质量大小设置为节点感知半径的平方,d(Si,Sj)为节点Si和Sj之间的距离,r1是传感器节点之间的最优距离,随着传感器感知角度的增大而增大; r2是传感器的通信距离,一般为两倍传感器感知距离。根据牛顿第三定律可知,节点Sj受到Si的虚拟力Fji=Fij。
(2)设节点Si通信半径内所有未被覆盖的虚拟格点集合为区域δv,根据质心计算公式(2-6)可得该区域的虚拟质心Gv,将节点Si受到通信半径内未被覆盖的虚拟格点的引力合力等效为节点Si受到Gv的引力作用,并设为Fiv:
其中,k3,α3是虚拟力增益系数,d(Si,Gv)是节点Si到虚拟质心Gv的距离。
(3)根据公式(4-8)与公式(4-9)可以推导出传感器节点Si所受虚拟力合力为:
Fi_xy=∑Fij+Fiv (4-10)
其中,∑Fij表示节点Si受到的周围所有邻居节点虚拟力的合力。
S42、根据步骤S41计算的虚拟力的合力,分别计算传感器节点Si在X轴方向和Y轴方向的调整量,获得传感器节点Si调整后的位置,并对更新传感器节点Si的位置信息;
在求得传感器节点所受合力Fi_xy的基础上,通过分别计算节点在X轴方向和Y轴方向的调整量,获得当前节点最终调整的位置。计算过程如下:
(1)将节点所受的虚拟力合力沿着坐标轴方向正交分解为Fi_x、Fi_y
(2)分别计算节点在X轴方向和Y轴方向的调整量
(3)按照矢量合成法则合成不同方向的调整量,达到调整节点位置的效果
因此,节点Si受到合力Fi_xy的作用,从原位置(xold,yold)移动到新位置 (xnew,ynew)的计算如公式(2-10)所示:
其中,Fi_xy是节点Si所受合力,Fi_x、Fi_y分别是Fi_xy在X轴和Y轴的分力,Fth是节点受力移动的阈值,Maxstep是设定的最大移动距离。在不考虑节点其他属性的前提下,如图6所示是节点在受到虚拟力后节点位置调整效果的示意图。
当节点Si位置更新后,根据新的节点分布关系,计算下一节点Sj的虚拟力合力,然后通过公式(4-11)更新节点Sj的位置,直到所有节点都进行位置更新后,将节点的位置固定,调整节点的感知方向。
S43、重复步骤S41-S42直至所有传感器节点位置更新后,将传感器节点位置固定,调整节点的感知方向,在本实施例里,传感器节点的感知方向的调整方式为:
S431、建立节点感知区域的虚拟受力里调整模型,将节点感知范围按不同的覆盖区域划分为多个分区,表示为:
其中,G(δ)为该区域的质心位置,num(δ)是区域中虚拟格点的数目,δ为区域质心。
S432、计算不同覆盖区域的质心,如图7所示,当节点Si(xi,yi)与节点Sj(xj,yj) 的欧氏距离小于2时,则称节点Si(xi,yi)和节点Sj(xj,yj)互为邻居节点,其中是传感器节点Si(xi,yi)单独覆盖区域,是区域的质心;δj1=δj-δi∩j是传感器节点Sj(xj,yj)单独覆盖区域,是区域的质心;δi∩j是传感器节点Si(xi,yi)和Sj(xj,yj)覆盖重叠区域,Gi∩j是δi∩j的质心。
S433、计算传感器节点Si受力调整角度,表示为:
其中,θmax、Fimax为常数,分别表示旋转角度和斥力的最大值,Fi⊥表示斥力Fi在垂直方向的分力。
S434、利用蝙蝠算法对传感器节点Si的角度调整量进行优化,输出调整后的传感器节点角度调整量,
为了加快标准蝙蝠算法的收敛速度,指导蝙蝠个体向着最优蝙蝠进化,将虚拟力和感知角度之间的关系模型引入到标准蝙蝠算法中。假设蝙蝠的数目为M,传感器节点数目为N,即蝙蝠的搜索维度为N,蝙蝠i所在的位置 Vi=(Vi1,Vi2,…,ViN),依次表示传感器节点1到N的感知方向,每只蝙蝠的适应度函数值F(Vi)是在该蝙蝠状态下的网络覆盖率,此时蝙蝠以速度Wi= (Wi1,Wi2,…,WiN)飞行,Wi表示蝙蝠i的角度调整向量;蝙蝠的速度和位置更新公式如下所示:
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种面向三维场景的移动有向传感器网络覆盖优化方法,其特征在于,包括如下步骤:
S1、获取传感器节点的部属位置信息构建传感器三维有向感知模型,其中传感器节点的部署位置信息包括传感器节点的空间位置、感知半径、感知方向、水平感知夹角以及垂直感知夹角;
S2、根据传感器节点的Z轴坐标数值计算传感器节点的最优俯仰角;
S3、根据传感器节点的高度信息和最优俯仰角构建该节点在XOY平面的投影模型;
S4、对步骤S4所构建的XOY平面的投影模型进行调整并更新传感器节点位置,调整传感器节点的感知方向,利用二维平面覆盖优化算法对更新之后的传感器节点位置以及偏向角进行优化,实现三维场景的覆盖增强。
2.根据权利要求1所述的一种面向三维场景的移动有向传感器网络覆盖优化方法,其特征在于,所述步骤S2具体包括:
S21、将各传感器节点Si的空间位置投影到XOY平面;
S22、根据传感器节点Si的感知方向以及平面位置将所有传感器节点划分为4个不相交的集合,判断当前节点所处的集合位置,表示为Nodeseti(i=1,2,3,4;
S23、根据各节点所处的不同集合位置计算各节点的最优俯仰角。
3.根据权利要求2所述的一种面向三维场景的移动有向传感器网络覆盖优化方法,其特征在于,所述步骤S23中根据各节点所处的不同集合位置计算各节点的最优俯仰角的计算方式为:
当节点Si∈Nodeset1时,d2=max x-x,此时,该节点的最优俯仰角γop=arctan((maxx-x)/z)-β;
当传感器节点Si∈Nodeset2时,d2=maxy-y,该传感器节点的最优俯仰角γop=arctan((max y-y)/z)-β;
当传感器节点Si∈Nodeset3时,d2=x,该传感器节点的最优俯仰角γop=arctan(x/z)-β
当传感器节点Si∈Nodeset4时,d2=y,该节传感器点的最优俯仰角γop=arctan(y/z)-β;
其中,γop为传感器节点的最优俯仰角,d2表示传感器节点的覆盖区域在XOY平面投影的外半径且d2=z×tan(γ+β),(max x,max y)表示当前传感器节点覆盖区域最远位置的在XOY平面投影的坐标,(x,y,z)表示当前传感器节点的空间位置坐标值,i表示步骤S22中划分的传感器节点的集合的索引,β表示垂直感知夹角,γ为当前传感器的垂直方向的偏移角度。
4.根据权利要求3所述的一种面向三维场景的移动有向传感器网络覆盖优化方法,其特征在于,所述步骤S4具体包括:
S41、计算任意传感器节点Si受到周围所有邻居节点虚拟力的合力;
S42、根据步骤S41计算的虚拟力的合力,分别计算传感器节点Si在X轴方向和Y轴方向的调整量,获得传感器节点Si调整后的位置,并对更新传感器节点Si的位置信息;
S43、重复步骤S41-S42直至所有传感器节点位置更新后,将传感器节点位置固定,调整节点的感知方向。
5.根据权利要求4所述的一种面向三维场景的移动有向传感器网络覆盖优化方法,其特征在于,所述步骤S41中任意传感器节点Si受到周围所有邻居节点虚拟力的合力的计算方式为:
Fi_xy=∑Fij+Fiv;
其中,
Fij表示传感器节点Si受到任意相邻节点的作用力,且
k1,k2,α1,α2表示虚拟力增益系数,mi表示传感器节点Si的质量,mj分表示传感器节点Si任意相邻节点Sj的质量,d(Si,Sj)表示节点Si和Sj之间的距离,r1表示传感器节点之间的最优距离,r2表示传感器的通信距离;
Fiv表示传感器节点Si受到其通信半径内所有未被覆盖的区域的虚拟质心Gv的合力,且
k3,α3是虚拟力增益系数,d(Si,Gv)是传感器节点Si到虚拟质心Gv的距离。
7.根据权利要求6所述的一种面向三维场景的移动有向传感器网络覆盖优化方法,其特征在于,所述步骤S43中调整节点的感知方向的方法为:
S431、建立节点感知区域的虚拟受力里调整模型,将节点感知范围按不同的覆盖区域划分为多个分区,表示为:
其中,G(δ)为该区域的质心位置,num(δ)是区域中虚拟格点的数目,δ为区域质心;
S432、计算不同覆盖区域的质心,判断任意两个互为邻居的传感器节点是否存在覆盖重叠区域,若存在则计算重叠质心与节点Si覆盖区域质心的斥力,表示为:
S433、计算传感器节点Si受力调整角度,表示为:
其中,θmax、Fimax为常数,分别表示旋转角度和斥力的最大值,Fi⊥表示斥力Fi在垂直方向的分力;
S434、利用蝙蝠算法对传感器节点Si的角度调整量进行优化,输出调整后的传感器节点角度调整量,表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831866.7A CN113645631B (zh) | 2021-07-22 | 2021-07-22 | 一种面向三维场景的移动有向传感器网络覆盖优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831866.7A CN113645631B (zh) | 2021-07-22 | 2021-07-22 | 一种面向三维场景的移动有向传感器网络覆盖优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113645631A true CN113645631A (zh) | 2021-11-12 |
CN113645631B CN113645631B (zh) | 2023-10-20 |
Family
ID=78418084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110831866.7A Active CN113645631B (zh) | 2021-07-22 | 2021-07-22 | 一种面向三维场景的移动有向传感器网络覆盖优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113645631B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676491A (zh) * | 2022-05-30 | 2022-06-28 | 中铁第四勘察设计院集团有限公司 | 一种铁路通信铁塔设计高度快速优化确定方法及系统 |
WO2023101583A1 (en) * | 2021-11-30 | 2023-06-08 | Telia Company Ab | Method and system for network location of moving mobile base stations within a network topology |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170205490A1 (en) * | 2014-07-21 | 2017-07-20 | Sikorsky Aircraft Corporation | Coverage optimization for sensor networks |
CN107295534A (zh) * | 2017-07-06 | 2017-10-24 | 北京农业信息技术研究中心 | 一种农业无线多媒体传感器网络有向感知覆盖增强方法 |
CN108391275A (zh) * | 2018-04-16 | 2018-08-10 | 长江大学 | 基于三维有向感知模型的传感器网络覆盖控制方法及系统 |
CN110012474A (zh) * | 2019-02-18 | 2019-07-12 | 长江大学 | 三维锥体有向传感器网络覆盖方法及系统 |
CN110809273A (zh) * | 2019-09-29 | 2020-02-18 | 长江大学 | 基于方向角分解优化和冗余节点去除的传感器网络覆盖增强方法 |
CN111163479A (zh) * | 2020-01-06 | 2020-05-15 | 天津工业大学 | 一种适于无线可定位传感网络的节点优化部署方法 |
-
2021
- 2021-07-22 CN CN202110831866.7A patent/CN113645631B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170205490A1 (en) * | 2014-07-21 | 2017-07-20 | Sikorsky Aircraft Corporation | Coverage optimization for sensor networks |
CN107295534A (zh) * | 2017-07-06 | 2017-10-24 | 北京农业信息技术研究中心 | 一种农业无线多媒体传感器网络有向感知覆盖增强方法 |
CN108391275A (zh) * | 2018-04-16 | 2018-08-10 | 长江大学 | 基于三维有向感知模型的传感器网络覆盖控制方法及系统 |
CN110012474A (zh) * | 2019-02-18 | 2019-07-12 | 长江大学 | 三维锥体有向传感器网络覆盖方法及系统 |
CN110809273A (zh) * | 2019-09-29 | 2020-02-18 | 长江大学 | 基于方向角分解优化和冗余节点去除的传感器网络覆盖增强方法 |
CN111163479A (zh) * | 2020-01-06 | 2020-05-15 | 天津工业大学 | 一种适于无线可定位传感网络的节点优化部署方法 |
Non-Patent Citations (1)
Title |
---|
张磊: "基于粒子群优化算法的三维无线传感器网络覆盖增强方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023101583A1 (en) * | 2021-11-30 | 2023-06-08 | Telia Company Ab | Method and system for network location of moving mobile base stations within a network topology |
CN114676491A (zh) * | 2022-05-30 | 2022-06-28 | 中铁第四勘察设计院集团有限公司 | 一种铁路通信铁塔设计高度快速优化确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113645631B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113645631A (zh) | 一种面向三维场景的移动有向传感器网络覆盖优化方法 | |
CN109508035B (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
US9304001B2 (en) | Position recognition methods of autonomous mobile robots | |
CN112884894B (zh) | 场景重建数据采集方法、装置、计算机设备和存储介质 | |
CN106097311A (zh) | 机载激光雷达数据的建筑物三维重建方法 | |
CN112991502B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
WO2019030794A1 (ja) | 情報処理装置、モデルデータ作成プログラム、モデルデータ作成方法 | |
EP3624059A1 (en) | Target object recognition method, device, system, and program | |
CN105898765A (zh) | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 | |
CN104867142B (zh) | 基于三维场景的导航方法 | |
Gan et al. | Research on role modeling and behavior control of virtual reality animation interactive system in Internet of Things | |
CN110012474A (zh) | 三维锥体有向传感器网络覆盖方法及系统 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN101902752A (zh) | 一种有向传感器网络覆盖控制方法 | |
CN115903879A (zh) | 基于地形数据插值技术的无人机航迹规划方法 | |
CN108447337A (zh) | 基于虚拟现实的仿真飞行实现方法 | |
CN106969770A (zh) | 一种机器人及其导航方法、计算机可读存储介质 | |
CN111830985A (zh) | 一种多机器人定位方法、系统及集中式通信系统 | |
CN108416392A (zh) | 基于som神经网络的建筑物聚类方法 | |
CN107222873A (zh) | 一种面向三维有向感知模型的wmsn全目标覆盖方法 | |
CN107819635A (zh) | 基于Voronoi图的三维有向异构移动传感器网络自部署方法 | |
CN114943144A (zh) | 利用Phi函数进行距离控制的卫星布局优化设计方法 | |
CN105933915A (zh) | 一种基于虚拟势场的有向异构无线传感器网络覆盖优化方法 | |
Zhang et al. | Three-dimensional unmanned aerial vehicle route planning using hybrid differential evolution | |
CN111781920B (zh) | 自动驾驶方法、装置和存储介质 |
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 |