CN114980133B - 一种工业移动传感器的三维均衡再部署方法 - Google Patents

一种工业移动传感器的三维均衡再部署方法 Download PDF

Info

Publication number
CN114980133B
CN114980133B CN202210386875.4A CN202210386875A CN114980133B CN 114980133 B CN114980133 B CN 114980133B CN 202210386875 A CN202210386875 A CN 202210386875A CN 114980133 B CN114980133 B CN 114980133B
Authority
CN
China
Prior art keywords
sensor
deployment
dimensional
senn
mobile
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
Application number
CN202210386875.4A
Other languages
English (en)
Other versions
CN114980133A (zh
Inventor
罗成名
张伶俐
刘浩
王彪
毕雪洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202210386875.4A priority Critical patent/CN114980133B/zh
Publication of CN114980133A publication Critical patent/CN114980133A/zh
Application granted granted Critical
Publication of CN114980133B publication Critical patent/CN114980133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种工业移动传感器的三维均衡再部署方法，该方法包括如下步骤：在三维待部署工业区域随机部署多个同质传感器，对每个传感器安装控制电机构成移动传感器，采用邻近传感器分类算法对随机部署的传感器进行粗粒度部署，采用包含三轴方向虚拟力法来对三维区域进行细粒度部署，采用基于传感器间信号距离作为反馈来驱动传感器间的再均衡部署，通过对移动传感器的粗粒度部署、细粒度部署以及再均衡部署达到三维待测工业区域的长时间均衡部署。本发明考虑实际的三维空间以及传感器具有一定的移动性，通过多层部署达到移动传感器的均衡部署，提高了整个传感器监测能力。

Description

一种工业移动传感器的三维均衡再部署方法
技术领域
本发明涉及具有自主移动能力的传感器覆盖方法技术领域，具体涉及一种工业移动传感器的三维均衡再部署方法。
背景技术
随着传感器集成度和智能化程度增加，对其进行大规模部署从而对环境参数进行有效监测成为可能。通常来说：在被测环境中部署的传感器数目越多，其参数检测的可靠性和完备性越高。在荒山野岭、深海峡谷、及灾变救援等复杂恶劣环境，往往需要对自然资源赋存、水下目标、被困人员等进行监测，当前可以通过手持式传感器、长短基线或者人员主动呼叫来确定，在不能获得长时间监测数据的同时、存在部署困难、效率低效的问题。因此，要对复杂恶劣环境开展实时检测，必须要对其部署大量廉价且能够给自主通信的传感器，从而使得地面控制控制中心收集到来自传感器的数据，使得地面基站管理员能够实时掌握当前数据，为后续的预测决策提供大量的基础数据保障。
不同于室内或者确定性环境的传感器部署，可以采用人工的方式在监测区域逐个部署，并对每个传感器坐标进行准确测量并标记，从而利用部署的传感器能够说明在什么位置或者区域发生了什么事件。但是在工业复杂环境区域，往往存在地形环境三维多变、障碍物分布未知、监测范围辽阔，甚至部分区域人员无法到达的情况，采用随机部署对大量的传感器进行初始覆盖，无法对每个区域的传感器部署密度做到均衡，存在部分区域密集分布大量传感器造成硬件资源的浪费，而在部分区域稀疏部署甚至没有传感器从而造成监测网络的通信盲点，甚至在部分区域由于节点无法通信而造成网络瘫痪，从而无法保障整个监测区域的网络覆盖率，给环境参数的监测带来不确定性。
为了克服现有的传感器部署存在的不足，需要对由大量具有自主移动能力的传感器三维部署问题进行研究。移动传感器可以进行灵活组网、具有多跳通信能力，从而根据当前部署状况驱使传感器网部署状态均衡地移动，同时能够有效应对由于长时间运行可能使得传感器坐标位置发生漂移的情况，从而无法准确报告当前位置下的当前状况，造成传感节点检测数据存在不对应的问题。本发明充分利用传感器的移动能力和自主通信能量，来实时监测并调整监测区域的传感器密度，大量移动的传感器能够长时间保持均衡部署，能够实现对工业待测环境参数的实时数据采集、数据处理、数据分析及数据显示，满足对工业复杂环境数据监测的可靠性和完备性要求。
发明内容
本发明的目的在于提供一种工业移动传感器的三维均衡再部署方法，以解决现有传感器部署中存在覆盖盲区，以及长时间监测部分传感器基准坐标可能发生移动的问题。
为达到上述目的，本发明是采用下述技术方案实现的：一种工业移动传感器的三维均衡再部署方法，包括以下步骤，
S1:随机部署；
S2:三维粗粒度部署；
S3:三维细粒度部署。
所述的方法还包括，S4:再均衡部署。
所述S1为：采用传感器对三维区域进行监测，随机部署传感器。
所述S2为：根据S1形成的传感器的初始分布，选定密集的传感器作为训练库，驱使密集的传感器向其邻域内部署稀疏的区域移动，对移动传感器进行三维粗粒度部署。
所述S2的具体步骤如下：
基于S1步骤在三维区域L*W*H随机部署了n个传感器，传感器具有移动能力且形成移动传感器集合SenC＝[SenN1,SenN2,...,SenNi,...,SenNn]，其中i∈n；第i个移动传感器SenNi随机部署时的初始三维坐标Rani可以表示为[RanXi,RanYi,RanZi]；随机部署的移动传感器密度不均匀，每个移动传感器的感知半径为RS其覆盖范围为其初始覆盖率为其中f()表示以Rani为圆心和以RS为半径计算移动传感器SenNi的三维感知区域；
在中心坐标为Unc＝[UncX,UncY,UncZ]的三维待部署区域，未被传感器部署的区域到达到阈值θunc时，选择部署密度高的传感器作为训练集，并将其训练集中的传感器移动到未被部署的区域；对初始随机分布移动传感器进行粗粒度部署，经过粗粒度部署后第i个移动传感器SenNi的三维坐标Coai可以表示为 [CoaXi,CoaYi,CoaZi]，随机部署移动传感器经过粗粒度部署后覆盖率为
所述S3为：考虑三维区域存在传感器不可达区域，将传感器进行粒子化并计算传感器包含引力和斥力在内的三维虚拟力，采用自适应步长对移动传感器进行三维细粒度部署。
所述S3的具体步骤如下：
对移动传感器进行粒子化并计算其相互作用力计算第i个移动传感器 SenNi与第i+1个移动传感器SenNi+1的几何距离，当几何距离||Coai-Coai+1||小于距离阈值dthr时主要表现为排斥力，当几何距离||Coai-Coai+1||大于距离阈值dthr时主要表现为吸引力；同时考虑移动传感器SenNi与三维区域L*W*H边界的排斥力/>以及移动传感器SenNi与障碍物的排斥力/>则移动传感器SenNi所受的合力为/>
移动传感器受到的合力为同时在合力作用下按照自适应步长进行移动，其中dmax为单步最大移动距离。在初始阶段设置较长的步长而后逐渐减少步长，形成移动传感器前长后短的自适应步长，对移动传感器进行细粒度部署，经过细粒度部署后第i个移动传感器SenNi的三维坐标Fini可以表示为[FinXi,FinYi,FinZi]，对粗粒度部署的移动传感器采用虚拟力，经过细粒度部署后覆盖率为/>
所述S4为：计算由于传感器移动在三轴方向引起的位置偏移量，并作为反馈来驱使移动传感器进行再均衡部署。
所述S4的具体步骤如下：
经细粒度部署的移动传感器，经长时间运行后，其三维坐标Fini引入误差ΔFini＝[ΔFinXi,ΔFinYi,ΔFinZi]，则移动传感器更新的三维坐标可以表示为 FinN＝[FinN1,...,FinNi,...,FinNn]，其中FinNi＝Fini+ΔFini，从而使得经过细粒度部署的移动传感器网络拓扑结构发生微变；
当网络拓扑结构未发生微变时，计算第i个移动传感器SenNi与第i+1个移动传感器SenNi+1间的几何距离Findi,i+1＝||Fini-Fini+1||，其在三轴上的分量分别为 FinXi,i+1，FinYi,i+1和FinZi,i+1；当网络拓扑结构发生微变时，计算第i个移动传感器 SenNi与第i+1个移动传感器SenNi+1间的几何距离FinNdi,i+1＝||FinNi-FinNi+1||，其在三轴上的分量分别为FinNXi,i+1，FinNYi,i+1和FinNZi,i+1；比较网络拓扑结构未发生微变和发生微变时几何距离在三轴的分量差值，使移动传感器在三轴方向分别反向移动FinNXi,i+1-FinXi,i+1，FinNYi,i+1-FinYi,i+1和FinNZi,i+1-FinZi,i+1的距离，对移动传感器进行再均衡部署。
在三维监测空间随机部署移动传感器，采用邻近传感器分类法对随机部署的传感器进行粗粒度部署，避免传感器随机部署引起的覆盖空洞；考虑三维区域的边界约束以及障碍物，对移动传感器进行粒子化并设计自适应步长，计算传感器与传感器、传感器与边界、以及传感器与障碍物间的吸引力和排斥力，进行移动传感器的细粒度部署；传感器长时间监测运行会发生移动，使经过细粒度部署的传感器网络拓扑结构发生微变，需要驱动传感器到原先位置继而实现对移动传感器的再均衡部署。
根据上述技术方案，本发明的有益效果：在三维监测空间随机部署移动传感器，采用邻近传感器分类法对随机部署的传感器进行粗粒度部署，避免传感器随机部署引起的覆盖空洞；考虑三维区域的边界约束以及障碍物，对移动传感器进行粒子化并设计自适应步长，计算传感器与传感器、传感器与边界、以及传感器与障碍物间的吸引力和排斥力，进行移动传感器的细粒度部署；传感器长时间监测运行会发生移动，使经过细粒度部署的传感器网络拓扑结构发生微变，需要驱动传感器到原先位置继而实现对移动传感器的再均衡部署。本发明针对传感器移动特性，采用粗粒度部署、细粒度部署以及再均衡部署间的循环，达到移动传感器在三维空间均衡部署。
附图说明
图1为本发明的一种工业移动传感器粒子作用力示意图。
图2为本发明的一种工业移动传感器的三维均衡再部署结构图。
图3为本发明的一种工业移动传感器的三维随机覆盖示意图。
图4为本发明的一种工业移动传感器的三维均衡覆盖示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
需要说明的是，在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图中所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。本发明描述中使用的术语“前”、“后”、“左”、“右”、“上”、“下”指的是附图中的方向，术语“内”、“外”分别指的是朝向或远离特定部件几何中心的方向。
下面结合附图1-4对本发明公开了一种工业移动传感器的三维均衡再部署方法，
1.采用传感器对三维区域进行监测，随机部署传感器构成移动传感，根据传感器的初始分布选定密集的传感器作为训练库，驱使密集的传感器向其邻域内部署稀疏的区域移动，对移动传感器进行三维粗粒度部署；考虑三维区域存在传感器不可达区域，将传感器进行粒子化并计算传感器包含引力和斥力在内的三维虚拟力，采用自适应步长对移动传感器进行三维细粒度部署；基于三维虚拟力部署规整的移动传感器，经过长时间运行其网络拓扑结构发生微变，计算传感器间的几何距离并以此作为反馈系数来驱动传感器进行再均衡部署。通过对移动传感器的粗粒度部署、细粒度部署以及再均衡部署，实现在待监测三维区域传感器均衡部署下的有效监测。
2.初始状态下移动传感器在三维区域为随机部署，其覆盖密度稀疏不一致使得在不同的区域具有差异的监测性能，甚至在容易在监测区域存在覆盖空洞，在三维区域采用邻近传感器分类算法，对具有随机分布特性传感器进行粗粒度部署，具体为：
2.1在三维区域L*W*H随机部署n个传感器，传感器具有移动能力且形成移动传感器SenC＝[SenN1,SenN2,...,SenNi,...,SenNn]，其中i∈n；第i个移动传感器SenNi随机部署时的初始三维坐标Rani可以表示为[RanXi,RanYi,RanZi]；随机部署的移动传感器密度不均匀，每个移动传感器的感知半径为RS其覆盖范围为其初始覆盖率为其中/>表示以Rani为圆心和以RS为半径计算移动传感器SenNi的三维感知区域；
2.2在中心坐标为Unc＝[UncX,UncY,UncZ]的三维待部署区域，未被传感器部署的区域到达到阈值θuunc时，选择部署密度高的传感器作为训练集，并将其训练集中的传感器移动到未被部署的区域；对初始随机分布移动传感器进行粗粒度部署，经过粗粒度部署后第i个移动传感器SenNi的三维坐标Coai可以表示为 [CoaXi,CoaYi,CoaZi]，随机部署移动传感器经过粗粒度部署后覆盖率为
3.对单个移动传感器进行粒子化，多传感器移动过程中会受到吸引力和排斥力在内的虚拟力作用，同时考虑三维区域的边界约束以及障碍物，计算移动传感器三轴方向的虚拟力并设定自适应步长，进行基于传感器粒子化的移动传感器的细粒度部署，具体为：
3.1对移动传感器进行粒子化并计算其相互作用力当第i个移动传感器SenNi与第i+1个移动传感器SenNi+1的几何距离，当几何距离||Coai-Coai+1||小于距离阈值dthr时主要表现为排斥力，当几何距离||Coai-Coai+1||大于距离阈值dthr时主要表现为吸引力；同时考虑移动传感器SenNi与三维区域L*W*H边界的排斥力/>以及移动传感器SenNi与障碍物的排斥力/>则移动传感器SenNi所受的合力为/>
3.2移动传感器受到的合力为同时在合力作用下按照自适应步长进行移动，其中dmax为单步最大移动距离。在初始阶段设置较长的步长而后逐渐减少步长，形成移动传感器前长后短的自适应步长，对移动传感器进行细粒度部署，经过细粒度部署后第i个移动传感器SenNi的三维坐标Fini可以表示为[FinXi,FinYi,FinZi]，对粗粒度部署的移动传感器采用虚拟力，经过细粒度部署后覆盖率为/>
4.经过细粒度部署的移动传感器，长时间运行后受到外力作用会出现误差现象，使得网络拓扑结构发生微变从而影响移动传感器的覆盖性能，计算由于传感器移动在三轴方向引起的位置偏移量，并作为反馈来驱使移动传感器进行再均衡部署，具体为：
4.1经细粒度部署的移动传感器，长时间运行其三维坐标Fini引入一定的误差ΔFini＝[ΔFinXi,ΔFinYi,ΔFinZi]，则移动传感器更新的三维坐标可以表示为 FinN＝[FinN1,...,FinNi,...,FinNn]，其中FinNi＝Fini+ΔFini，从而使得经过细粒度部署的移动传感器网络拓扑结构发生微变，进一步影响传感器对三维区域的覆盖和监测性能；
4.2当网络拓扑结构未发生微变时，计算第i个移动传感器SenNi与第i+1个移动传感器SenNi+1间的几何距离Findi,i+1＝||Fini-Fini+1||，其在三轴上的分量分别为 FinXi,i+1，FinYi,i+1和FinZi,i+1；当网络拓扑结构发生微变时，计算第i个移动传感器 SenNi与第i+1个移动传感器SenNi+1间的几何距离FinNdi,i+1＝||FinNi-FinNi+1||，其在三轴上的分量分别为FinNXi,i+1，FinNYi,i+1和FinNZi,i+1；比较网络拓扑结构未发生微变和发生微变时几何距离在三轴的分量差值，使移动传感器在三轴方向分别反向移动FinNXi,i+1-FinXi,i+1，FinNYi,i+1-FinYi,i+1和FinNZi,i+1-FinZi,i+1的距离，对移动传感器进行再均衡部署。
在三维监测空间随机部署移动传感器，采用邻近传感器分类法对随机部署的传感器进行粗粒度部署，避免传感器随机部署引起的覆盖空洞；考虑三维区域的边界约束以及障碍物，对移动传感器进行粒子化并设计自适应步长，计算传感器与传感器、传感器与边界、以及传感器与障碍物间的吸引力和排斥力，进行移动传感器的细粒度部署；传感器长时间监测运行会发生移动，使经过细粒度部署的传感器网络拓扑结构发生微变，需要驱动传感器到原先位置继而实现对移动传感器的再均衡部署。本发明针对传感器移动特性，采用粗粒度部署、细粒度部署以及再均衡部署间的循环，达到移动传感器在三维空间均衡部署。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (2)

1.一种工业移动传感器的三维均衡再部署方法，其特征在于，包括以下步骤，
S1:随机部署，采用传感器对三维区域进行监测，随机部署传感器；
S2:三维粗粒度部署，根据S1形成的传感器的初始分布，选定密集的传感器作为训练库，驱使密集的传感器向其邻域内部署稀疏的区域移动，对移动传感器进行三维粗粒度部署；
S3:三维细粒度部署，考虑三维区域存在传感器不可达区域，将传感器进行粒子化并计算传感器包含引力和斥力在内的三维虚拟力，采用自适应步长对移动传感器进行三维细粒度部署；对移动传感器进行粒子化并计算其相互作用力计算第i个移动传感器SenNi与第i+1个移动传感器SenNi+1的几何距离，当几何距离||Coai-Coai+1||小于距离阈值dthr时主要表现为排斥力，当几何距离||Coai-Coai+1||大于距离阈值dthr时主要表现为吸引力；同时考虑移动传感器SenNi与三维区域L*W*H边界的排斥力/>以及移动传感器SenNi与障碍物的排斥力/>则移动传感器SenNi所受的合力为/>
移动传感器受到的合力为同时在合力作用下按照自适应步长/>进行移动，其中dmax为单步最大移动距离；在初始阶段设置较长的步长而后逐渐减少步长，形成移动传感器前长后短的自适应步长，对移动传感器进行细粒度部署，经过细粒度部署后第i个移动传感器SenNi的三维坐标Fini可以表示为[FinXi,FinYi,FinZi]，对粗粒度部署的移动传感器采用虚拟力，经过细粒度部署后覆盖率为/>
S4：再均衡部署，计算由于传感器移动在三轴方向引起的位置偏移量，并作为反馈来驱使移动传感器进行再均衡部署；经细粒度部署的移动传感器，经长时间运行后，其三维坐标Fini引入误差ΔFini＝[ΔFinXi,ΔFinYi,ΔFinZi]，则移动传感器更新的三维坐标可以表示为FinN＝[FinN1,...,FinNi,...,FinNn]，其中FinNi＝Fini+ΔFini，从而使得经过细粒度部署的移动传感器网络拓扑结构发生微变；
当网络拓扑结构未发生微变时，计算第i个移动传感器SenNi与第i+1个移动传感器SenNi+1间的几何距离Findi,i+1＝||Fini-Fini+1||，其在三轴上的分量分别为FinXi,i+1，FinYi,i+1和FinZi,i+1；当网络拓扑结构发生微变时，计算第i个移动传感器SenNi与第i+1个移动传感器SenNi+1间的几何距离FinNdi,i+1＝||FinNi-FinNi+1||，其在三轴上的分量分别为FinNXi,i+1，FinNYi,i+1和FinNZi,i+1；比较网络拓扑结构未发生微变和发生微变时几何距离在三轴的分量差值，使移动传感器在三轴方向分别反向移动FinNXi,i+1-FinXi,i+1，FinNYi,i+1-FinYi,i+1和FinNZi,i+1-FinZi,i+1的距离，对移动传感器进行再均衡部署。
2.根据权利要求1所述的一种工业移动传感器的三维均衡再部署方法，其特征在于，所述S2的具体步骤如下：
基于S1步骤在三维区域L*W*H随机部署了n个传感器，传感器具有移动能力且形成移动传感器集合SenC＝[SenN1,SenN2,...,SenNi,...,SenNn]，其中i∈n；第i个移动传感器SenNi随机部署时的初始三维坐标Rani可以表示为[RanXi,RanYi,RanZi]；随机部署的移动传感器密度不均匀，每个移动传感器的感知半径为RS其覆盖范围为其初始覆盖率为其中/>表示以Rani为圆心和以RS为半径计算移动传感器SenNi的三维感知区域；
在中心坐标为Unc＝[UncX,UncY,UncZ]的三维待部署区域，未被传感器部署的区域到达到阈值θunc时，选择部署密度高的传感器作为训练集，并将其训练集中的传感器移动到未被部署的区域；对初始随机分布移动传感器进行粗粒度部署，经过粗粒度部署后第i个移动传感器SenNi的三维坐标Coai可以表示为[CoaXi,CoaYi,CoaZi]，随机部署移动传感器经过粗粒度部署后覆盖率为
CN202210386875.4A 2022-04-13 2022-04-13 一种工业移动传感器的三维均衡再部署方法 Active CN114980133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210386875.4A CN114980133B (zh) 2022-04-13 2022-04-13 一种工业移动传感器的三维均衡再部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210386875.4A CN114980133B (zh) 2022-04-13 2022-04-13 一种工业移动传感器的三维均衡再部署方法

Publications (2)

Publication Number Publication Date
CN114980133A CN114980133A (zh) 2022-08-30
CN114980133B true CN114980133B (zh) 2023-08-25

Family

ID=82978486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210386875.4A Active CN114980133B (zh) 2022-04-13 2022-04-13 一种工业移动传感器的三维均衡再部署方法

Country Status (1)

Country Link
CN (1) CN114980133B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101127657A (zh) * 2007-07-16 2008-02-20 江南大学 自主移动传感器网络动态建模与控制技术
CN107071790A (zh) * 2017-03-31 2017-08-18 苏州经贸职业技术学院 一种混合传感器节点部署方法
CN109743740A (zh) * 2019-02-27 2019-05-10 西北师范大学 基于3D-Voronoi剖分的有向传感器网络目标监测方法
CN110087247A (zh) * 2019-05-30 2019-08-02 吉林大学 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用
CN110139286A (zh) * 2019-05-21 2019-08-16 西安邮电大学 面向三维环境的无线传感器网络覆盖增强方法及系统
CN112469050A (zh) * 2019-09-06 2021-03-09 西安邮电大学 一种基于改进灰狼优化器的wsn三维覆盖增强方法
CN112512004A (zh) * 2020-11-20 2021-03-16 江苏科技大学 一种联合水流作用的传感节点三维覆盖控制方法
CN112637775A (zh) * 2020-12-21 2021-04-09 西安邮电大学 一种基于三维环境的无线传感器网络节点部署方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105554774B (zh) * 2014-10-31 2019-04-23 富士通株式会社 无线网络部署方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101127657A (zh) * 2007-07-16 2008-02-20 江南大学 自主移动传感器网络动态建模与控制技术
CN107071790A (zh) * 2017-03-31 2017-08-18 苏州经贸职业技术学院 一种混合传感器节点部署方法
CN109743740A (zh) * 2019-02-27 2019-05-10 西北师范大学 基于3D-Voronoi剖分的有向传感器网络目标监测方法
CN110139286A (zh) * 2019-05-21 2019-08-16 西安邮电大学 面向三维环境的无线传感器网络覆盖增强方法及系统
CN110087247A (zh) * 2019-05-30 2019-08-02 吉林大学 一种虚拟力嵌入莱维飞行的灰狼搜索的无线传感器网络覆盖优化算法及应用
CN112469050A (zh) * 2019-09-06 2021-03-09 西安邮电大学 一种基于改进灰狼优化器的wsn三维覆盖增强方法
CN112512004A (zh) * 2020-11-20 2021-03-16 江苏科技大学 一种联合水流作用的传感节点三维覆盖控制方法
CN112637775A (zh) * 2020-12-21 2021-04-09 西安邮电大学 一种基于三维环境的无线传感器网络节点部署方法及系统

Also Published As

Publication number Publication date
CN114980133A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Derr et al. Extended virtual spring mesh (EVSM): The distributed self-organizing mobile ad hoc network for area exploration
Zhang et al. A review on node deployment of wireless sensor network
CN103354642B (zh) 一种提高移动传感器网络覆盖率的方法
Wong et al. A self-organizing technique for sensor placement in wireless micro-sensor networks
Kumar et al. Computational intelligence based algorithm for node localization in wireless sensor networks
Ismail et al. Study on coverage in wireless sensor network using grid based strategy and particle swarm optimization
CN114980133B (zh) 一种工业移动传感器的三维均衡再部署方法
Xia et al. A Lora buoy network coverage optimization algorithm based on virtual force
Fraser et al. Simulating the effect of degraded wireless communications on emergent behavior
Shucker et al. Virtual spring mesh algorithms for control of distributed robotic macrosensors
Goyal et al. Performance of BAT algorithm on localization of wireless sensor network
Onur et al. Finding sensing coverage and breach paths in surveillance wireless sensor networks
Yoon et al. Coordinated locomotion of mobile sensor networks
CN112512004B (zh) 一种联合水流作用的传感节点三维覆盖控制方法
Yang et al. Defending against barrier intrusions with mobile sensors
Chanak et al. Quad-tree approach for obstacle discovery and tracking in wireless sensor networks
Chin et al. On intelligent mobile target detection in a mobile sensor network
Karimipour et al. Spatial coverage estimation and optimization in geosensor networks deployment
CN114362823B (zh) 一种基于可见光通信和定位的室内环境建模方法
Laturkar et al. Coverage optimization techniques in WSN using PSO: a survey
Ma et al. Adaptive triangular deployment algorithm for unattended mobile sensor networks
Cheng et al. A chaotic motion controller for camera networks
Clouqueur et al. Exposure of variable speed targets through a sensor field
Ayad et al. Robotic Ad-hoc Networks Connectivity Maintenance based on RF Signal Strength Mapping
Ahmed et al. Efficient boundary estimation for practical deployment of mobile sensors in hybrid 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