CN114461972B - 一种面向水资源监测的多移动节点感知调度方法及系统 - Google Patents
一种面向水资源监测的多移动节点感知调度方法及系统 Download PDFInfo
- Publication number
- CN114461972B CN114461972B CN202210094906.9A CN202210094906A CN114461972B CN 114461972 B CN114461972 B CN 114461972B CN 202210094906 A CN202210094906 A CN 202210094906A CN 114461972 B CN114461972 B CN 114461972B
- Authority
- CN
- China
- Prior art keywords
- node
- monitoring
- time period
- scheduling scheme
- sub
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 206
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008447 perception Effects 0.000 title claims abstract description 21
- 230000008901 benefit Effects 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 108020001568 subdomains Proteins 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种面向水资源监测的多移动节点感知调度方法及系统,本发明考虑了一种广域水资源监测场景下的移动节点感知问题,在受到移动感知节点数量、水资源监测状态信息不确定等因素的约束下,将监测范围划分为多个子区域,利用有限数量的感知节点在不同的时段、不同区域之间进行切换,来应对不同区域上水资源状态的动态性,提出时空域内最优节点感知调度方案,实现对广域范围内的全方位感知以及监测收益最大化。本发明对监测量的不确定性进行建模,并对不确定性模型问题转换成凸优化问题,且通过改机的分支定界算法求取考虑监测量不确定性的监测收益以确定最终的调度方案。本发明方案具有可靠性高,容错性好的技术优势。
Description
技术领域
本发明属于水资源监测资源调度技术领域,更具体地,涉及一种面向水资源监测的多移动节点感知调度方法及系统。
背景技术
水资源是人类赖以生存的重要资源,水资源监测在水电行业的水情感知、水环境治理等众多领域发挥着重要作用。传统水资源监测的主要方式是通过在被监测水域中建立监测点来完成。由于各个监测点位置固定,且监测范围受限。面向广域监测需求,考虑成本等因素,难以实现整个水域范围的全覆盖。移动监测可以有效弥补固定监测的局限性,特别是随着信息技术的发展,各类可移动测量设备(例如无人船、无人机)开始被应用于水资源监测场景。通过部署移动测量设备实现远距离全天候、全范围的水资源监测具有广泛的应用前景。
目前关于移动水资源监测的应用研究还主要集中于单节点的任务执行,但是无论是从硬件制造水平还是能源效率、覆盖范围方面考虑,仅仅依靠单个节点依然无法实现对广域水资源的感知与检测,因此利用多节点协同感知从而实现广域水资源监测的研究具有理论与现实意义,而这一问题的研究尚不多见。此外,考虑外界环境以及测量误差的影响,在决策算法中需要考虑监测目标量的不确定性,这给多移动节点的调度决策带来了巨大的挑战。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种面向水资源监测的多移动节点感知调度方法及系统,旨在解决现有技术仅靠单个节点无法实现对广域水资源的感知与监测,且多节点监测技术研究不成熟的问题。
为实现上述目的,第一方面,本发明提供了一种面向水资源监测的多移动节点感知调度方法,包括如下步骤:
根据广域水资源监测目标量的空间分布特点将广域水资源划分为N个子区域;所述监测目标量为所要采集的水资源参数;
将监测任务划分为T个时间段,每个移动监测节点在指定时间段内对指定子区域进行目标量检测;所述移动监测节点共S个,S小于N;N、S以及T均为大于1的整数;
确定T个时间段上所有可行的节点调度方案集合;所述节点调度方案指示每个移动监测节点在哪个时间段被分配到哪个子区域进行检测,每个时间段上被分配进行检测的移动监测节点的总数小于等于S;
根据每个子区域在各个时间段中的目标量的数值、所述可行的节点调度方案集合以及移动监测节点在各个时间段在对应子区域感知到目标量的概率确定每种节点调度方案对应的监测收益;所述监测收益指的是监测获得的总的目标量的数值;
根据每个移动监测节点从一个子区域切换到另一个子区域的代价,以及所述可行的节点调度方案集和确定每种节点调度方案对应的总代价;
将每种节点调度方案对应的监测收益减去对应的总代价得到每个节点调度方案的策略感知收益;
在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,将其作为所述广域水资源监测的多移动节点感知调度方案。
在一个可能的示例中,所述每个节点调度方案的策略感知收益,具体为:
其中,u(P,A)为节点调度方案的策略感知收益,P表示一个感知周期T内的节点调度方案,A表示节点调度方案P对应的切换策略(移动路径),T为总时间段数,t表示第t个时间段,pt为P的列向量,即第t个时间段的节点监控子域的部署方案,At为时间段t内的节点监控子域的切换策略。gt(pt)为节点调度方案pt的实际监测收益,ct(At)为节点执行切换策略At所要消耗的总代价;
矩阵P与区域切换策略A之间相关性由以下约束决定:
其中,αn,j,t+1为节点在时间段t+1从子域n切换到了子域j,pn,t为有节点在第t个时间段内被分配到第n个监测子域内进行检测,αi,n,t为节点在时间段t从子域i切换到了子域n,N表示监控子区域的总数量;上述约束条件的可行集Ω(T)={(P,A)}。
在一个可能的示例中,所述在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,具体为:
在T个时间段内,广域范围内的监测目标量表示为矩阵R,其中每个元素rn,t(n∈N,t∈T)表示第n个子区域内在第t个时间段中目标量的值;
考虑到子区域内目标监测量的动态性和测量误差,测量值rn,t可能会随机波动,采用最坏情况模型描述目标监测量的统计,假定监测目标量测量值被限定在凸集合中,在同一个子区域内,每个时间段t中的测量值rt可表示为其中,/>是监测量的正常估计值,Δ表示监测量的误差估计值,假设Δ的二范数上界为δt,则rt的不确定集Ut(δt)为:
其中,δt越大,意味着rt的波动越剧烈。
在一个可能的示例中,所述确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,具体为:
针对监测目标量矩阵R中每个元素的不确定性情况,最大化最差情况下的每个节点调度方案的感知收益,最大化模型如下所示:
约束条件为:
其中,gt表示最差情况下的感知收益;表示第t个时间段的节点监控收益;pt表示第t个时间段的节点监控子域的部署方案;
通过S定理,将上述最大化模型转化为凸优化模型:
其中,kt表示松弛变量,δ=δt;在所述凸优化模型中将变量pn,t∈{0,1}和αi,n,t∈{0,1}松弛为连续变量,得到重构的凸优化模型,即pn,t∈[0,1]和αi,n,t∈[0,1];
通过解半定规划问题得到所述重构的凸优化模型的最优解和/>然后,逐行对(pt,At)矩阵进行二值解析,直至/>和/>全部二值化;/>和/>表示求解的中间参数;
如果非二值解,通过检查αm,n,t的值,以进一步改进子节点分配策略:如果αm,n,t>0,表示在子区域m上的部分子节点在时间段t中可以被重新分配到子域n上;定义Un,t∈Ut表示在时间段t内被调度在子域n上的子节点集合;
最初,设如果αn,m,t>0,则修正Un,t=Un,t∪{m};在每个时间段t中,对于每个非空集合Un,t中的元素k∈Un,t,将可行区域划分为离散化的子集Dn,k,t,即设置/>表示时间段t内部署节点监控子域k,设置Un,t中的其他元素为0;
对每个分组评估其上界;如果D的上界小于当前的上界,则它将被从集合D中删除,并且不需要在D上进行进一步分解,意味着所有的/>均已经被二值化,则可以推进到下一个时间段。
第二方面,本发明提供了一种面向水资源监测的多移动节点感知调度系统,包括:
子区域划分单元,用于根据广域水资源监测目标量的空间分布特点将广域水资源划分为N个子区域;所述监测目标量为所要采集的水资源参数;
分时段监测单元,用于将监测任务划分为T个时间段,每个移动监测节点在指定时间段内对指定子区域进行目标量检测;所述移动监测节点共S个,S小于N;N、S以及T均为大于1的整数;
调度方案集确定单元,用于确定T个时间段上所有可行的节点调度方案集合;所述节点调度方案指示每个移动监测节点在哪个时间段被分配到哪个子区域进行检测,每个时间段上被分配进行检测的移动监测节点的总数小于等于S;
监测收益确定单元,用于根据每个子区域在各个时间段中的目标量的数值、所述可行的节点调度方案集合以及移动监测节点在各个时间段在对应子区域感知到目标量的概率确定每种节点调度方案对应的监测收益;所述监测收益指的是监测获得的总的目标量的数值;
调度代价确定单元,用于根据每个移动监测节点从一个子区域切换到另一个子区域的代价,以及所述可行的节点调度方案集和确定每种节点调度方案对应的总代价;
感知收益确定单元,用于将每种节点调度方案对应的监测收益减去对应的总代价得到每个节点调度方案的策略感知收益;
调度方案确定单元,用于在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,将其作为所述广域水资源监测的多移动节点感知调度方案。
在一个可能的示例中,所述感知收益确定单元确定的每个节点调度方案的策略感知收益,具体为:
其中,u(P,A)为节点调度方案的策略感知收益,P表示一个感知周期T内的节点调度方案,A表示节点调度方案P对应的切换策略(移动路径),T为总时间段数,t表示第t个时间段,pt为P的列向量,即第t个时间段的节点监控子域的部署方案,At为时间段t内的节点监控子域的切换策略。gt(pt)为节点调度方案pt的实际监测收益,ct(At)为节点执行切换策略At所要消耗的总代价;
矩阵P与区域切换策略A之间相关性由以下约束决定:
其中,αn,j,t+1为节点在时间段t+1从子域n切换到了子域j,pn,t为有节点在第t个时间段内被分配到第n个监测子域内进行检测,αi,n,t为节点在时间段t从子域i切换到了子域n,N表示监控子区域的总数量;上述约束条件的可行集Ω(T)={(P,A)}。
在一个可能的示例中,所述调度方案确定单元在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,具体为:
在T个时间段内,广域范围内的监测目标量表示为矩阵R,其中每个元素rn,t(n∈N,t∈T)表示第n个子区域内在第t个时间段中目标量的值;
考虑到子区域内目标监测量的动态性和测量误差,测量值rn,t可能会随机波动,采用最坏情况模型描述目标监测量的统计,假定监测目标量测量值被限定在凸集合中,在同一个子区域内,每个时间段t中的测量值rt可表示为其中,/>是监测量的正常估计值,Δ表示监测量的误差估计值,假设Δ的二范数上界为δt,则rt的不确定集Ut(δt)为:
其中,δt越大,意味着rt的波动越剧烈。
在一个可能的示例中,所述调度方案确定单元确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,具体为:
针对监测目标量矩阵R中每个元素的不确定性情况,最大化最差情况下的每个节点调度方案的感知收益,最大化模型如下所示:
约束条件为:
其中,gt表示最差情况下的感知收益;表示第t个时间段的节点监控收益;pt表示第t个时间段的节点监控子域的部署方案;
通过S定理,将上述最大化模型转化为凸优化模型:
其中,kt表示松弛变量,δ=δt;在所述凸优化模型中将变量pn,t∈{0,1}和αi,n,t∈{0,1}松弛为连续变量,得到重构的凸优化模型,即pn,t∈[0,1]和αi,n,t∈[0,1];
通过解半定规划问题得到所述重构的凸优化模型的最优解和/>然后,逐行对(pt,At)矩阵进行二值解析,直至/>和/>全部二值化;/>和/>表示求解的中间参数;
如果非二值解,通过检查αm,n,t的值,以进一步改进子节点分配策略:如果αm,n,t>0,表示在子区域m上的部分子节点在时间段t中可以被重新分配到子域n上;定义Un,t∈Ut表示在时间段t内被调度在子域n上的子节点集合;
最初,设如果αn,m,t>0,则修正Un,t=Un,t∪{m};在每个时间段t中,对于每个非空集合Un,t中的元素k∈Un,t,将可行区域划分为离散化的子集Dn,k,t,即设置/>表示时间段t内部署节点监控子域k,设置Un,t中的其他元素为0;
对每个分组评估其上界;如果D的上界小于当前的上界,则它将被从集合D中删除,并且不需要在D上进行进一步分解,意味着所有的/>均已经被二值化,则可以推进到下一个时间段。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提供了一种面向水资源监测的多移动节点感知调度方法及系统,本发明考虑了一种广域水资源监测场景下的移动节点感知问题,在受到移动感知节点数量、水资源监测状态信息不确定等因素的约束下,将监测范围划分为多个子区域,利用有限数量的感知节点在不同的时段、不同区域之间进行切换,来应对不同区域上水资源状态的动态性,提出时空域内最优节点感知调度方案,实现对广域范围内的全方位感知以及监测收益最大化。本发明对监测量的不确定性进行建模,并对不确定性模型问题转换成凸优化问题,且通过改机的分支定界算法求取考虑监测量不确定性的监测收益以确定最终的调度方案。本发明具有可靠性高,容错性好的技术优势,为不确定环境下的水资源数据监测优化提供了一套鲁邦的数学框架,具有较强的普适性。
附图说明
图1是本发明实施例提供的面向水资源监测的多移动节点感知调度方法流程图;
图2是本发明实施例提供的面向广域水资源监测场景下的多移动节点部署示意图;
图3是本发明实施例提供的面向水资源监测的多移动节点感知调度系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
与传统的调度方案不同,本发明在系统建模中考虑了水资源监测的特殊性(水流模型等),并将水资源状态的不确定性条件引入广域水资源监测场景中。本发明在问题建模上充分考虑了水资源监测应用的特殊性,例如水流带来的不同区域水资源监测目标量的相关性等。
图1是本发明实施例提供的面向水资源监测的多移动节点感知调度方法流程图;如图1所示,包括如下步骤:
S101,根据广域水资源监测目标量的空间分布特点将广域水资源划分为N个子区域;所述监测目标量为所要采集的水资源参数;
S102,将监测任务划分为T个时间段,每个移动监测节点在指定时间段内对指定子区域进行目标量检测;所述移动监测节点共S个,S小于N;N、S以及T均为大于1的整数;
S103,确定T个时间段上所有可行的节点调度方案集合;所述节点调度方案指示每个移动监测节点在哪个时间段被分配到哪个子区域进行检测,每个时间段上被分配进行检测的移动监测节点的总数小于等于S;
S104,根据每个子区域在各个时间段中的目标量的数值、所述可行的节点调度方案集合以及移动监测节点在各个时间段在对应子区域感知到目标量的概率确定每种节点调度方案对应的监测收益;所述监测收益指的是监测获得的总的目标量的数值;
S105,根据每个移动监测节点从一个子区域切换到另一个子区域的代价,以及所述可行的节点调度方案集和确定每种节点调度方案对应的总代价;
S106,将每种节点调度方案对应的监测收益减去对应的总代价得到每个节点调度方案的策略感知收益;
S107,在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,将其作为所述广域水资源监测的多移动节点感知调度方案。
在一个更具体的实施例中,本发明采用的方法是一种面向水资源移动监测收益最大化的多节点感知方法。该方法包括以下步骤:
S1,对广域水资源移动监测系统和多节点感知调度问题建模;
S2,一种鲁棒的多移动节点调度策略。
作为发明的第一种改进所述步骤S1中进一步包括:
S11.确定性监测目标量的问题建模
面向一个广域监测范围,完成某监测目标量的感知任务,监测目标量随时间和位置动态变化。根据监测目标量的空间分布特点划分为N个子区域,每个子区域的编号由集合表示。所部属移动监测系统由一个中央调度器和S个移动感知节点组成,每个节点的编号由集合/> 表示。受成本限制,节点的数目小于监测子域数目,即S<N。将监测任务划分为T个时间段,每个时间段内的目标监测量相对稳定,不同时间段之间可能存在较大差异。每个节点仅在时间段内对指定的子区域内进行水资源目标量的检测。在一个时间段内,中央调度器向移动感知节点下监控子域任务后,它将移动至目标子域持续检测区域内的目标量,并通过特定反馈信道向调度中心报告观测结果。系统模型如图2所示。
在T个时间段上所有的可行的节点调度方案集合表示如下:
如果有节点在第t个时间段内被分配到第n个监测子域内进行检测,那么节点调度矩阵P={pn,t}n∈N,t∈T中的元素pn,t将被赋值为1,否则为0。结合节点总数目,可以得到每个时间段t∈T中节点数目的约束条件可以表述如下:
在T个时间段内,广域范围内的监测目标量表示为矩阵R,其中每个元素rn,t,(n∈N,t∈T)表示第n个子域内在第t个时间段中目标量的值。受到检测设备和检测方法的限制,无法保证节点能够完美地监测到整个子域内目标量值。在t时间段、子域n内的感知概率为Prn,t。定义实际监测收益为:
g=f(R,Pr)
在实际应用中,除了节点的数量会受到成本限制外,移动感知节点通常具有有限的能量供应和简单的电路实现。考虑节点监控子域变化所带来的消耗,由代价矩阵CN×N表示,矩阵中的每个元素ci,j表示当节点从子域i切换到另一个子域j时的代价。At表示在时间段t内的节点监控子域的切换策略。如果节点在时间段t内从子域i切换到了子域j,ai,j,t将被赋值为1,否则为0。在时间段t中,At的节点所要消耗的总代价可由如下公式表示:
定义移动节点感知策略的收益为:在不同监测子域内获得的感知收益g与切换区域产生的总代价C之间的差值,如下所示:
其中,A={At}t∈T指定各个节点的移动感知路径。节点在感知周期T内的调度策略P=[p1,p2,...,pT]与区域切换策略A之间存在紧密联系。矩阵P与区域切换策略A之间相关性由以下约束决定:
在整个感知周期T内,定义一个满足上述约束条件的可行集Ω(T)={(P,A)},其目标为u(P,A)最大化,即目标是通过优化节点的调度策略P和感知路径A来最大化整个感知范围内的累积总收益。
S12.不确定性监测目标量的问题建模
考虑到子区域内目标监测量的动态性和测量误差,测量值rn,t可能会随机波动,这将给决策的实际收益带来一定的影响。为此,调度策略对监测目标量矩阵R估计值的随机性具有鲁棒性,即当监测目标量出现较大波动时,通过监测子域的切换实现感知收益的稳定且最大化。
采用最坏情况模型描述目标监测量的统计,假定监测目标量测量值被限定在凸集合中,每个时间段t中的测量值可表示为其中,/>是正常估计值,Δ表示误差估计值。假设Δ的二范数上界为δt,于是可以定义rt的不确定集为:
这里,δt可以被视为集合Ut(δt)的大小。δt越大,意味着rt波动越剧烈,通常认为如果δt (1)≥δt (2),则不失一般性的情况下,可以认为对所有的t∈T都有δ=δt。
针对R中的不确定性原问题转化为最大-最小问题,即最大化最差情况下的感知收益,如下所示:
作为发明的第一种改进所述步骤S2中进一步包括:
S21.凸优化重构
通过S定理,将S12问题模型转化为凸优化问题:
其中,将变量pn,t∈{0,1}和αi,n,t∈{0,1}松弛为连续变量,即pn,t∈[0,1]和αi,n,t∈[0,1]。转化前后的两个问题分别成为离散优化问题和连续优化问题。
S22,改进的分支定界算法
首先,通过解半定规划(SDP)问题得到重构(连续变量)优化模型的最优解和/>然后,逐行对(pt,At)矩阵进行二值解析,直到该过程至/>和/>全部二值化。
第二步:
如果非二值解,通过检查am,n,t的值,可以进一步改进子节点分配策略:如果am,n,t>0,表示在子域m上的部分子节点在时间段t中可以被重新分配到子域n上。定义Un,t∈Ut表示在时间段t内被调度在子域n上的子节点集合。
最初,设如果an,m,t>0,则修正Un,t=Un,t∪{m}。在每个时间段t中,对于每个非空集合Un,t中的元素k∈Un,t,算法将可行区域划分为离散化的子集Dn,k,t,即设置/>设置Un,t中的其他元素为0。
对每个分组评估其上界。如果D的上界小于当前的上界,则它将被从集合D中删除,并且不需要在D上进行进一步分解,意味着所有的/>均已经被二值化,则可以推进到下一个时间段。
图3是本发明实施例提供的面向水资源监测的多移动节点感知调度系统架构图,如图3所示,包括:
子区域划分单元310,用于根据广域水资源监测目标量的空间分布特点将广域水资源划分为N个子区域;所述监测目标量为所要采集的水资源参数;
分时段监测单元320,用于将监测任务划分为T个时间段,每个移动监测节点在指定时间段内对指定子区域进行目标量检测;所述移动监测节点共S个,S小于N;N、S以及T均为大于1的整数;
调度方案集确定单元330,用于确定T个时间段上所有可行的节点调度方案集合;所述节点调度方案指示每个移动监测节点在哪个时间段被分配到哪个子区域进行检测,每个时间段上被分配进行检测的移动监测节点的总数小于等于S;
监测收益确定单元340,用于根据每个子区域在各个时间段中的目标量的数值、所述可行的节点调度方案集合以及移动监测节点在各个时间段在对应子区域感知到目标量的概率确定每种节点调度方案对应的监测收益;所述监测收益指的是监测获得的总的目标量的数值;
调度代价确定单元350,用于根据每个移动监测节点从一个子区域切换到另一个子区域的代价,以及所述可行的节点调度方案集和确定每种节点调度方案对应的总代价;
感知收益确定单元360,用于将每种节点调度方案对应的监测收益减去对应的总代价得到每个节点调度方案的策略感知收益;
调度方案确定单元370,用于在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,将其作为所述广域水资源监测的多移动节点感知调度方案。
需要说明的是,图3中各个单元的详细功能实现可参见前述方法实施例中的介绍,在此不做赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种面向水资源监测的多移动节点感知调度方法,其特征在于,包括如下步骤:
根据广域水资源监测目标量的空间分布特点将广域水资源划分为N个子区域;所述监测目标量为所要采集的水资源参数;
将监测任务划分为T个时间段,每个移动监测节点在指定时间段内对指定子区域进行目标量检测;所述移动监测节点共S个,S小于N;N、S以及T均为大于1的整数;
确定T个时间段上所有可行的节点调度方案集合;所述节点调度方案指示每个移动监测节点在哪个时间段被分配到哪个子区域进行检测,每个时间段上被分配进行检测的移动监测节点的总数小于等于S;
根据每个子区域在各个时间段中的目标量的数值、所述可行的节点调度方案集合以及移动监测节点在各个时间段在对应子区域感知到目标量的概率确定每种节点调度方案对应的监测收益;所述监测收益指的是监测获得的总的目标量的数值;
根据每个移动监测节点从一个子区域切换到另一个子区域的代价,以及所述可行的节点调度方案集和确定每种节点调度方案对应的总代价;
将每种节点调度方案对应的监测收益减去对应的总代价得到每个节点调度方案的策略感知收益;
在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,将其作为所述广域水资源监测的多移动节点感知调度方案。
2.根据权利要求1所述的多移动节点感知调度方法,其特征在于,所述每个节点调度方案的策略感知收益,具体为:
其中,u(P,A)为节点调度方案的策略感知收益,P表示一个感知周期T内的节点调度方案,A表示节点调度方案P对应的切换策略,T为总时间段数,t表示第t个时间段,pt为P的列向量,即第t个时间段的节点监控子域的部署方案,At为时间段t内的节点监控子域的切换策略,gt(pt)为节点调度方案pt的实际监测收益,ct(At)为节点执行切换策略At所要消耗的总代价;
矩阵P与区域切换策略A之间相关性由以下约束决定:
其中,αn,j,t+1为节点在时间段t+1从子域n切换到了子域j,pn,t为有节点在第t个时间段内被分配到第n个监测子域内进行检测,αi,n,t为节点在时间段t从子域i切换到了子域n,N表示监控子区域的总数量;上述约束条件的可行集Ω(T)={(P,A)}。
3.根据权利要求2所述的多移动节点感知调度方法,其特征在于,所述在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,具体为:
在T个时间段内,广域范围内的监测目标量表示为矩阵R,其中每个元素rn,t(n∈N,t∈T)表示第n个子区域内在第t个时间段中目标量的值;
考虑到子区域内目标监测量的动态性和测量误差,测量值rn,t可能会随机波动,采用最坏情况模型描述目标监测量的统计,假定监测目标量测量值被限定在凸集合中,在同一个子区域内,每个时间段t中的测量值rt可表示为其中,/>是监测量的正常估计值,Δ表示监测量的误差估计值,假设Δ的二范数上界为δt,则rt的不确定集Ut(δt)为:
其中,δt越大,意味着rt的波动越剧烈。
4.根据权利要求3所述的多移动节点感知调度方法,其特征在于,所述确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,具体为:
针对监测目标量矩阵R中每个元素的不确定性情况,最大化最差情况下的每个节点调度方案的感知收益,最大化模型如下所示:
约束条件为:
其中,gt表示最差情况下的感知收益;表示第t个时间段的节点监控收益;pt表示第t个时间段的节点监控子域的部署方案;
通过S定理,将上述最大化模型转化为凸优化模型:
其中,kt表示松弛变量,δ=δt;在所述凸优化模型中将变量pn,t∈{0,1}和αi,n,t∈{0,1}松弛为连续变量,得到重构的凸优化模型,即pn,t∈[0,1]和αi,n,t∈[0,1];
通过解半定规划问题得到所述重构的凸优化模型的最优解和/>然后,逐行对(pt,At)矩阵进行二值解析,直至/>和/>全部二值化;/>和/>表示求解的中间参数;
如果非二值解,通过检查αm,n,t的值,以进一步改进子节点分配策略:如果αm,n,t>0,表示在子区域m上的部分子节点在时间段t中可以被重新分配到子域n上;定义Un,t∈Ut表示在时间段t内被调度在子域n上的子节点集合;
最初,设如果αn,m,t>0,则修正Un,t=Un,t∪{m};在每个时间段t中,对于每个非空集合Un,t中的元素k∈Un,t,将可行区域划分为离散化的子集Dn,k,t,即设置/>表示时间段t内部署节点监控子域k,设置Un,t中的其他元素为0;
对每个分组评估其上界;如果D的上界小于当前的上界,则它将被从集合D中删除,并且不需要在D上进行进一步分解,意味着所有的/>均已经被二值化,则可以推进到下一个时间段。
5.一种面向水资源监测的多移动节点感知调度系统,其特征在于,包括:
子区域划分单元,用于根据广域水资源监测目标量的空间分布特点将广域水资源划分为N个子区域;所述监测目标量为所要采集的水资源参数;
分时段监测单元,用于将监测任务划分为T个时间段,每个移动监测节点在指定时间段内对指定子区域进行目标量检测;所述移动监测节点共S个,S小于N;N、S以及T均为大于1的整数;
调度方案集确定单元,用于确定T个时间段上所有可行的节点调度方案集合;所述节点调度方案指示每个移动监测节点在哪个时间段被分配到哪个子区域进行检测,每个时间段上被分配进行检测的移动监测节点的总数小于等于S;
监测收益确定单元,用于根据每个子区域在各个时间段中的目标量的数值、所述可行的节点调度方案集合以及移动监测节点在各个时间段在对应子区域感知到目标量的概率确定每种节点调度方案对应的监测收益;所述监测收益指的是监测获得的总的目标量的数值;
调度代价确定单元,用于根据每个移动监测节点从一个子区域切换到另一个子区域的代价,以及所述可行的节点调度方案集和确定每种节点调度方案对应的总代价;
感知收益确定单元,用于将每种节点调度方案对应的监测收益减去对应的总代价得到每个节点调度方案的策略感知收益;
调度方案确定单元,用于在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,将其作为所述广域水资源监测的多移动节点感知调度方案。
6.根据权利要求5所述的多移动节点感知调度系统,其特征在于,所述感知收益确定单元确定的每个节点调度方案的策略感知收益,具体为:
其中,u(P,A)为节点调度方案的策略感知收益,P表示一个感知周期T内的节点调度方案,A表示节点调度方案P对应的切换策略,T为总时间段数,t表示第t个时间段,pt为P的列向量,即第t个时间段的节点监控子域的部署方案,At为时间段t内的节点监控子域的切换策略,gt(pt)为节点调度方案pt的实际监测收益,ct(At)为节点执行切换策略At所要消耗的总代价;
矩阵P与区域切换策略A之间相关性由以下约束决定:
其中,αn,j,t+1为节点在时间段t+1从子域n切换到了子域j,pn,t为有节点在第t个时间段内被分配到第n个监测子域内进行检测,αi,n,t为节点在时间段t从子域i切换到了子域n,N表示监控子区域的总数量;上述约束条件的可行集Ω(T)={(P,A)}。
7.根据权利要求6所述的多移动节点感知调度系统,其特征在于,所述调度方案确定单元在每个节点调度方案的策略感知收益中考虑每个时间段中目标量数值的不确定性情况,具体为:
在T个时间段内,广域范围内的监测目标量表示为矩阵R,其中每个元素rn,t(n∈N,t∈T)表示第n个子区域内在第t个时间段中目标量的值;
考虑到子区域内目标监测量的动态性和测量误差,测量值rn,t可能会随机波动,采用最坏情况模型描述目标监测量的统计,假定监测目标量测量值被限定在凸集合中,在同一个子区域内,每个时间段t中的测量值rt可表示为其中,/>是监测量的正常估计值,Δ表示监测量的误差估计值,假设Δ的二范数上界为δt,则rt的不确定集Ut(δt)为:
其中,δt越大,意味着rt的波动越剧烈。
8.根据权利要求7所述的多移动节点感知调度系统,其特征在于,所述调度方案确定单元确定所有可行的节点调度方案集和中策略感知收益值最大时的节点调度方案,具体为:
针对监测目标量矩阵R中每个元素的不确定性情况,最大化最差情况下的每个节点调度方案的感知收益,最大化模型如下所示:
约束条件为:
其中,gt表示最差情况下的感知收益;表示第t个时间段的节点监控收益;pt表示第t个时间段的节点监控子域的部署方案;
通过S定理,将上述最大化模型转化为凸优化模型:
其中,kt表示松弛变量,δ=δt;在所述凸优化模型中将变量pn,t∈{0,1}和αi,n,t∈{0,1}松弛为连续变量,得到重构的凸优化模型,即pn,t∈[0,1]和αi,n,t∈[0,1];
通过解半定规划问题得到所述重构的凸优化模型的最优解和/>然后,逐行对(pt,At)矩阵进行二值解析,直至/>和/>全部二值化;/>和/>表示求解的中间参数;
如果非二值解,通过检查αm,n,t的值,以进一步改进子节点分配策略:如果αm,n,t>0,表示在子区域m上的部分子节点在时间段t中可以被重新分配到子域n上;定义Un,t∈Ut表示在时间段t内被调度在子域n上的子节点集合;
最初,设如果αn,m,t>0,则修正Un,t=Un,t∪{m};在每个时间段t中,对于每个非空集合Un,t中的元素k∈Un,t,将可行区域划分为离散化的子集Dn,k,t,即设置/>表示时间段t内部署节点监控子域k,设置Un,t中的其他元素为0;
对每个分组评估其上界;如果D的上界小于当前的上界,则它将被从集合D中删除,并且不需要在D上进行进一步分解,意味着所有的/>均已经被二值化,则可以推进到下一个时间段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094906.9A CN114461972B (zh) | 2022-01-26 | 2022-01-26 | 一种面向水资源监测的多移动节点感知调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094906.9A CN114461972B (zh) | 2022-01-26 | 2022-01-26 | 一种面向水资源监测的多移动节点感知调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114461972A CN114461972A (zh) | 2022-05-10 |
CN114461972B true CN114461972B (zh) | 2024-04-02 |
Family
ID=81411434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210094906.9A Active CN114461972B (zh) | 2022-01-26 | 2022-01-26 | 一种面向水资源监测的多移动节点感知调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114461972B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736478A (zh) * | 2018-07-20 | 2020-01-31 | 华北电力大学 | 一种无人机辅助移动云感知的路径规划与任务分配方案 |
CN111726768A (zh) * | 2020-06-16 | 2020-09-29 | 天津理工大学 | 一种基于压缩感知面向边缘计算的可靠数据收集方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10996639B2 (en) * | 2019-03-11 | 2021-05-04 | Mitsubishi Electric Research Laboratories, Inc. | Model predictive control of systems with continuous and discrete elements of operations |
-
2022
- 2022-01-26 CN CN202210094906.9A patent/CN114461972B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736478A (zh) * | 2018-07-20 | 2020-01-31 | 华北电力大学 | 一种无人机辅助移动云感知的路径规划与任务分配方案 |
CN111726768A (zh) * | 2020-06-16 | 2020-09-29 | 天津理工大学 | 一种基于压缩感知面向边缘计算的可靠数据收集方法 |
Non-Patent Citations (2)
Title |
---|
交互式两阶段分位值水资源系统规划模型;孔祥铭;郝振达;黄国和;;中国农村水利水电;20160715(07);全文 * |
无线传感器网络的覆盖优化机制研究;崔逊学, 黎明曦;中兴通讯技术;20050810(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114461972A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kannan et al. | Energy efficient distributed cluster head scheduling scheme for two tiered wireless sensor network | |
Karfopoulos et al. | A multi-agent system providing demand response services from residential consumers | |
Bergman et al. | Distributed non-intrusive load monitoring | |
Yuksel et al. | Energy-aware system design for batteryless LPWAN devices in IoT applications | |
Hong et al. | Cloud computing-based building energy management system with zigbee sensor network | |
Hemanand et al. | Enabling sustainable energy for smart environment using 5G wireless communication and internet of things | |
Huang et al. | Smart grid communications in challenging environments | |
Lee et al. | An energy-efficient hybrid data-gathering protocol based on the dynamic switching of reporting schemes in wireless sensor networks | |
Rajput et al. | Performance analysis of leach based approaches for large area coverage in wireless sensor network | |
Shelke et al. | Fuzzy-based fault-tolerant low-energy adaptive clustering hierarchy routing protocol for wireless sensor network | |
CN114461972B (zh) | 一种面向水资源监测的多移动节点感知调度方法及系统 | |
Chatzigiannakis et al. | An adaptive power conservation scheme for heterogeneous wireless sensor networks with node redeployment | |
Minhas et al. | Rolling horizon based time-triggered distributed control for ac/dc home area power network | |
Karim et al. | A fault tolerant dynamic clustering protocol of wireless sensor networks | |
Tong et al. | On-demand node reclamation and replacement for guaranteed area coverage in long-lived sensor networks | |
Martins et al. | Model and algorithms for the density, coverage and connectivity control problem in flat WSNs | |
Mao et al. | Energy aware partial coverage protocol in wireless sensor networks | |
Li et al. | Carbon emissions and sustainability of launching 5G mobile networks in China | |
Rodrigues et al. | Holistic distributed stream clustering for smart grids | |
Shi et al. | Comprehensive review of sleep/wake scheduling in wireless sensor networks | |
Cuevas et al. | Dynamic random replication for data centric storage | |
CN118075814B (zh) | 基于主节点控制的网络消息传输方法 | |
Deniz et al. | On Delay Sensitivity Clusters of Microgrid Data Aggregation Under LTE-A Links | |
Rout | A Novel Clustering Protocol in Wireless Sensor Network | |
Pundir et al. | A systematic review of fault management framework in wireless sensor networks |
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 |