CN114980134B - 基于虚拟力的移动多目标动态覆盖方法 - Google Patents

基于虚拟力的移动多目标动态覆盖方法 Download PDF

Info

Publication number
CN114980134B
CN114980134B CN202210514736.5A CN202210514736A CN114980134B CN 114980134 B CN114980134 B CN 114980134B CN 202210514736 A CN202210514736 A CN 202210514736A CN 114980134 B CN114980134 B CN 114980134B
Authority
CN
China
Prior art keywords
node
target
force
nodes
coverage
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
CN202210514736.5A
Other languages
English (en)
Other versions
CN114980134A (zh
Inventor
黄庆东
王梅
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202210514736.5A priority Critical patent/CN114980134B/zh
Publication of CN114980134A publication Critical patent/CN114980134A/zh
Application granted granted Critical
Publication of CN114980134B publication Critical patent/CN114980134B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于虚拟力的移动多目标动态覆盖方法，解决了实时覆盖动态目标并尽可能维持网络连通性的技术问题。实现包括：初始化网络部署及参数；构建虚拟力模型；震荡条件判断；基于虚拟力更新节点位置；基于鲸鱼群算法更新节点位置；更新节点所受虚拟合力；更新节点震荡次数；更新动态目标位置及迭代次数；终止条件判断。本发明构造了虚拟力模型，引导节点在确保网络连通下对动态目标覆盖优化、运动跟随、覆盖保持。此外，引入鲸鱼群算法增强最优位置的搜寻能力，使节点快速到达稳定状态。本发明在确保网络连通的情况下实时覆盖动态目标，尽可能降低了网络能耗，用于优化运动目标的覆盖并维持节点的双向连接。

Description

基于虚拟力的移动多目标动态覆盖方法
技术领域
本发明属于无线通信技术领域，主要涉及无线传感器网络覆盖技术，具体是基于虚拟力的移动多目标动态覆盖方法，用于动态目标的监测并通过无线通信的方式获取覆盖目标的信息。
背景技术
随着能源存储、探测感知以及无线通信技术的不断进步，无线传感器网络(WSNs,Wireless Sensor Networks)得到了广泛应用，如生态环境监测、工业监控、精细农业、战场环境侦查监测、交通安全监测、医疗保健、智能家居及空间探索等。
WSNs是一种多跳的自组织网络系统，由部署在目标区域内大量的无线传感器节点相互通信自组织形成，可以感知、采集和处理网络覆盖区域里监测对象的信息，通过无线通信的方式传递给远程终端用户。对目标区域进行数据收集以及监视已经成为了WSNs的重要应用。感知监测对象信息需要目标或监测区域位于传感器节点的感知范围内，传递感知信息需要网络连通，即部署传感器节点使得WSNs完成对监测目标或区域的覆盖。信息的准确性取决于感知范围内的覆盖质量。能否得到全面的、准确的监测结果和节约节点能源都依赖于传感器网络覆盖的效果。因此，在关于WSNs的各种应用和研究里，传感器的覆盖效果成为了其首要考虑的问题。
而覆盖率和连通性是影响覆盖质量的两个指标。如果监测区域的每个点或每个目标都能在至少一个传感器节点的感知范围内，则监测区域或目标被完全覆盖。每个节点可以监测其感知范围内的事件和对象，并与位于其通信范围内的邻居共享该信息，以保证节点之间的连接。另一方面，连接性受传感器节点的通信范围的影响，这使得每个传感器节点直接或通过多跳路径连接到接收器。如果接收器节点和每个传感器之间至少有一条路径，则表示网络已连接。没有完全连接的覆盖将降低无线传感器网络的质量，因为缺乏连接无法保证数据到达接收器，导致数据传输链断裂。此外，没有覆盖的连通性会导致目标区域出现未覆盖点，出现覆盖漏洞，导致信息采集不完整。因此，在部署无线传感器网络时，必须同时考虑覆盖和连通性。
对于给定的监测对象和一组传感器节点，经典的问题是如何在保证网络连通的情况下对目标区域完全覆盖，并尽量延长WSNs的生命周期。现存的工作已经对此进行了深入的研究并取得了丰富的成果。但是，大部分的研究工作仅仅集中在静止的目标区域这一领域。而在现实世界中也存在着许多目标区域变化的WSNs应用，如监测具有流动性的或易扩散的有毒物质，监测移动靶场，无人区域搜救通讯保障等。如何部署移动传感器节点实时覆盖动态的目标或区域并确保网络连通仍是无线传感器网络覆盖技术面临的挑战。
对于动态目标区域，其动态特性使传统的方法不能很好地满足对目标区域的覆盖要求。为此，Yu等人提出外围覆盖收缩方法进行动态区域覆盖，当目标区域发生变化后，利用外围收缩覆盖方式重新确定传感器节点的候选位置以保证仍然满足对目标区域的完全覆盖，根据不同移动距离的要求提出了对应的节点移动策略，但是需要集中式控制，所需要的大量全局信息有可能会造成节点间的网络拥塞甚至广播风暴。Abbasi等人基于Voronoi方法在长区域内施加动态边界控制来进行选定区域动态覆盖控制，适用于长区域动态覆盖，如道路动态监测。Luo研究了基于Voronoi的任务类动态覆盖控制。Kong等人研究了动态目标周围的移动屏障分布式协同覆盖方法，使移动传感器节点相互配合完成一个高质量的栅栏覆盖。
以上的动态覆盖方法主要面向动态区域覆盖，且大多采用集中式控制、存在灵活性和适应性差等问题。相比于区域的完全覆盖，目标覆盖在可行性方面有更大的优势，使得其在交通路口路况监测、火灾报警以及入侵监测方面都有广泛应用。目标覆盖于区域覆盖的不同之处在于覆盖对象不同，目标覆盖需要监测区域内的目标至少在一个传感器的感知范围内，区域覆盖则需要监测区域每个点至少被一个传感器覆盖。区域覆盖需要最大化监测区域的覆盖范围，尽可能减少覆盖空洞，而目标覆盖需要最大限度地覆盖目标，在保持网络的连通性的同时允许在无目标区域出现覆盖间隙。若将上述动态区域覆盖方法用于动态目标覆盖，则会使得节点利用率不高，存在较多无效覆盖。
针对目标覆盖，也积累了一定的研究成果，大致可以分为基于虚拟力的覆盖算法、基于网格的覆盖算法、基于计算几何的覆盖算法、元启发式的覆盖算法以及节点调度覆盖算法。基于虚拟力的覆盖算法因其简单高效等优势成为无线传感器网络覆盖的经典算法之一，虚拟力算法将节点视为势场中的粒子，粒子之间存在相互作用力。Kiani提出了一种贪婪虚拟力算法，虚拟力引导传感器到合适位置后利用贪婪算法选出最大覆盖率的最小传感器组合。传感器节点受到感知范围内目标的吸引力及邻居节点的排斥力，无法确保网络的连通性，若目标运动将无法确保目标的完全覆盖。基于网格的覆盖算法通常将覆盖区域划分为多个网格，可以部署最少的传感器节点覆盖目标并保持网络连接，但它是一种确定性部署，不适用于环境较为恶劣的场景，Singh在网格划分环境中利用可调感知范围的节点覆盖目标。基于计算几何的覆盖算法是一种基于几何对象的覆盖算法，如点、线段和多边形，Voronoi图是常用的几何覆盖方法，但基于Voronoi的覆盖方法对覆盖对象有一定的局限性，要求覆盖区域是紧凑的凸多边形，Dang等人基于三维Voronoi划分进行三维传感器网络的覆盖优化。元启发式的覆盖算法有遗传算法、鲸鱼群算法、粒子群算法、蚁群算法等。Yu等人提出了一种基于K-means的动态覆盖方法，该方法只适用于密集目标，若目标较为分散，网络的连通性得不到保障。Subramanian和Shanmugavel基于蚁群算法对目标进行最优传感器节点覆盖。Ling等人基于粒子群优化算法的改进算法来解决目标覆盖问题。节点调度覆盖算法主要是为冗余节点设置睡眠状态，同时确保一定数量的活跃节点以维持网络覆盖范围和网络连通性。Gil和Han提出了一种基于遗传算法的目标调度方案以找到最优覆盖集延长网络寿命。
上述方法对目标覆盖问题提供了一系列的解决方案，但仍具有一定的局限性。当前对无线传感器网络目标覆盖的研究一般都是针对于静态目标，不会因目标运动而灵活的变动网络的拓扑结构，若目标运动并脱离覆盖范围，对于动态目标的覆盖就会失效。现有的算法不具备跟随覆盖运动目标的能力，而实际中，对于运动目标的覆盖应用广泛存在，如移动靶场监测、野外搜救通讯保障等。
现有技术中，针对目标覆盖的方法适用于静态目标，不能实时跟随覆盖动态目标，虽然有面向动态区域覆盖的方法也可用于动态目标覆盖，但其无法为移动多目标提供良好的覆盖效果，且节点利用率低。因此，亟需一种移动多目标的动态覆盖方法以更好的满足实际需求。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种实时覆盖动态目标并尽可能维持网络连通性的基于虚拟力的移动多目标动态覆盖方法。
本发明是一种基于虚拟力的移动多目标动态覆盖方法，其特征在于，建立网络节点间及节点与目标间的虚拟力模型，引导节点对未覆盖的动态目标跟随覆盖，对已覆盖的动态目标覆盖保持并优化，促使节点在保证网络连通性下对移动多目标覆盖优化、运动跟随、覆盖保持，实现移动多目标动态跟随覆盖，包括有以下步骤：
步骤1初始化网络部署及初始化参数：在二维区域内随机聚集性部署M个传感器节点si，i＝1,2,…,M，节点坐标表示为在区域内随机分布N个动态目标nj，j＝1,2,…,N，目标坐标为/>无线传感器网络中所有传感器节点均采用二元感知模型，具有相同的感知半径Rs，通信半径Rc＝2Rs，初始化参数，将迭代次数t和各节点震荡次数counter(si)t初始化为0，设置最大迭代次数Maxiteration，设置震荡次数阈值counter*，初始部署完传感器节点后，形成了连通的网络，开始监测覆盖范围内的动态目标，获取目标信息；
步骤2构建虚拟力模型：分别构建多目标吸引力模型、节点间吸引力模型及节点间排斥力模型，由节点间吸引力、节点间排斥力和多目标吸引力的矢量和计算出节点si受到的虚拟合力
步骤3震荡条件判断：判断节点si的震荡次数counter(si)t是否大于设定的震荡次数阈值counter*，若节点震荡次数小于设定阈值，则执行步骤4，若节点震荡次数大于设定阈值，则执行步骤5；
步骤4基于虚拟力更新节点位置：计算出节点si所受虚拟合力后，通过虚拟合力按照基于虚拟力的位置更新策略计算出该节点移动距离，移动方向由虚拟合力方向决定，由此计算出节点的更新位置并输出给节点，节点运动至该位置实施动态覆盖，完成节点si基于虚拟力的位置更新，执行步骤6；
步骤5基于鲸鱼群算法更新节点位置：计算出节点si所受虚拟合力后，节点震荡次数大于设定阈值表示节点处于震荡状态，此时节点si的最优解就处于附近位置，采用鲸鱼群算法更新节点si的位置，利用鲸鱼群算法独特的矩形寻优方式，使节点si在虚拟合力方向的附近区域寻找最优位置，由此得到节点更新的位置并输出给节点，节点运动至该位置实施对移动目标的动态覆盖，完成节点si基于鲸鱼群算法的位置更新；
步骤6更新节点所受虚拟合力：节点si位置更新后，根据虚拟力模型由更新后的位置重新获取节点si所受虚拟合力，记为
步骤7更新节点震荡次数：节点si震荡次数由节点si位置更新前后所受虚拟合力的夹角计算所得，如果两虚拟合力的夹角大于90°，则表示节点si震荡一次，counter(si)t＝counter(si)t+1，至此节点si完成一轮位置更新和对移动目标的动态覆盖，循环步骤2至7直至所有节点完成一轮位置更新和对移动目标的动态覆盖；
步骤8更新动态目标位置及迭代次数：同步更新目标位置，令迭代次数t＝t+1；
步骤9终止条件判断：判断迭代次数t是否小于最大迭代次数，若t小于最大迭代次数则重复步骤2至9，若t大于或等于最大迭代次数则结束基于虚拟力的移动多目标动态覆盖方法，完成对动态目标的覆盖。
本发明解决了无线传感器网络中移动多目标的覆盖问题。
与现有技术相比，本发明具有如下优点：
实时覆盖动态目标：本发明基于虚拟力方法，通过建立多目标吸引力模型，对网络节点覆盖吸引，合理设计受力约束使动态目标被覆盖后保持覆盖，并动态跟随覆盖运动目标，灵活改变网络拓扑满足动态目标覆盖需求，实现对移动多目标的动态覆盖。
网络连通性：本发明在获得较高的覆盖率的同时考虑了网络的连通性。除节点与目标间的吸引力模型外，本发明还设计了节点间的虚拟力模型。节点间排斥力使节点间距保持在期望距离附近，降低覆盖冗余，提高覆盖率。节点之间的吸引力引导节点相互靠近，保持网络连通性。节点间的吸引力模型与多目标吸引力模型是相互配合的，在节点间的吸引力模型与多目标吸引力模型的共同作用下，节点覆盖动态目标的同时确保网络连通。
网络延展性：本发明对节点间的吸引力模型做了特别的设计，节点间吸引力分为了两种情况，被单跳邻居包围时节点间吸引力为每个邻居节点吸引力之和，未被包围时节点间吸引力为与多目标吸引力方向最近的邻居节点的吸引力，这使得部分节点不会因周围节点的吸引力而锁死，会在一定范围内向外延伸，获得较好的网络延展性进而获得较高的网络覆盖率。
网络能耗：在保证覆盖率的前提下，最小化网络能耗，提高网络覆盖能效也是WSNs覆盖技术要考虑的因素之一。本发明在考虑网络覆盖率和连通性的同时还考虑到网络能耗。本发明通过尽可能减少节点的移动距离和震荡次数来降低网络能耗。在多目标吸引力模型中，近距离的目标对节点的吸引力较大，远距离的目标吸引力较小，节点主要受近距离目标影响尽可能先覆盖近的目标，减少了节点的移动距离。其次节点的移动步长相比于固定步长有所变化，在虚拟合力比较大时，移动步长接近最大移动步长并且变化缓慢，虚拟合力较小时，移动步长与虚拟合力趋于线性变化，采用反正切函数和最大移动步长来控制节点的移动距离，故节点的平均移动距离较低。此外当节点出现震荡时采用鲸鱼群算法更新自身位置，利用鲸鱼群算法独特的矩形寻优方式，使节点在虚拟合力方向的附近区域寻找最优位置，扩大寻优范围，减少震荡次数，以此来降低网络能耗。
附图说明:
图1是本发明的流程框图；
图2是本发明的力的示意图；
图3是本发明静态目标下本发明网络节点的初始分布图；
图4是本发明静态目标下图3对应的本发明网络节点分布图；
图5是静态目标下20次蒙特卡洛实验后不同算法覆盖率对比图；
图6是静态目标下20次蒙特卡洛实验后不同算法震荡次数对比图；
图7是静态目标下20次蒙特卡洛实验后不同算法平均移动距离对比图；
图8是本发明在t＝0时刻的网络节点的分布图；
图9是本发明在t＝20时刻的网络节点的分布图；
图10是本发明在t＝200时刻的网络节点的分布图；
图11是本发明在t＝300时刻的网络节点的分布图；
图12是本发明动态目标下20次蒙特卡洛实验后覆盖率图；
图13(a)是本发明在t＝0时刻的目标与节点间距离分布图；
图13(b)是本发明在t＝20时刻的目标与节点间距离分布图；
图13(c)是本发明在t＝300时刻的目标与节点间距离分布图；
图14是本发明在动态目标四周扩散运动后网络节点的分布图。
具体实施方式：
实施例1：
无线传感器网络是由大量静止或移动的传感器节点以自组织和多跳的方式构成的无线网络，以协作感知、采集、处理和传输网络覆盖区域内被感知对象的信息，并最终把这些信息发送给网络的所有者。无线传感器网络的出现引起了全世界范围的广泛关注，被称为二十一世纪最具影响的技术之一。无线传感器网络广泛应用于军事和民用领域，如战场监测、精细农业、环境监测、健康护理、智能家居、城市智能交通、空间探索等。
随着无线传感器网络应用的普及，更多的研究工作深入到其网络配置的基本理论方面，其中覆盖问题就是无线传感器网络设计和规划需要面临的一个基本问题之一。随着研究的不断深入，积累了越来越多的与覆盖相关的解决方案。在现有的研究成果当中，很多都是致力于解决传感器网络覆盖与连接方面的问题。另外，也有一些研究致力于特定的应用需求，如调度分配节点的工作时间，移动充电器向传感器提供无线电源等。这些研究工作大多针对静态的目标，不具备跟随覆盖动态目标的能力。实际中，对于动态目标的覆盖应用广泛存在，如移动靶场监测、野外搜救通讯保障等，然而现有的方法无法实时跟随覆盖动态目标。本发明针对上述现状展开了研究与探索，提出一种响应速度快且覆盖率高的基于虚拟力的移动多目标动态覆盖方法。
本发明是一种基于虚拟力的移动多目标动态覆盖方法，在有动态目标的区域内部署传感器网络，针对部署的网络建立网络节点间及节点与目标间的虚拟力模型，引导节点对未覆盖的动态目标跟随覆盖，对已覆盖的动态目标覆盖保持并优化，促使节点在保证网络连通性下对移动多目标覆盖优化、运动跟随、覆盖保持，实现移动多目标动态跟随覆盖，参见图1，图1为本发明的流程框图，包括有以下步骤：
步骤1初始化网络部署及初始化参数：在二维区域内随机聚集性部署M个传感器节点si，i＝1,2,…,M，节点坐标表示为在区域内随机分布N个动态目标nj，j＝1,2,…,N，目标坐标为/>无线传感器网络中所有传感器节点均采用二元感知模型，具有相同的感知半径Rs，通信半径Rc＝2Rs，初始化参数，将迭代次数t和各节点震荡次数counter(si)t初始化为0，设置最大迭代次数Maxiteration，设置震荡次数阈值counter*，初始部署完传感器节点后，形成了连通的网络，开始监测覆盖范围内的动态目标，获取目标信息。
本发明在监测区域内部署了M个传感器节点去覆盖N个运动目标，为了确保网络的连通性，传感器节点初始时随机聚集分布。节点位置可通过GPS或其他的定位机制获取。
步骤2构建虚拟力模型：分别构建多目标吸引力模型、节点间吸引力模型及节点间排斥力模型，由节点间吸引力、节点间排斥力和多目标吸引力的矢量和计算出节点si受到的虚拟合力
虚拟力受万有引力、电磁力等启发而来，由于其简单高效，适合分布式控制领域应用，针对不同的应用场景可设计合适的虚拟力模型，满足不同应用需求。本发明运用灵活的虚拟力方法结合目标的动态约束为移动多目标覆盖问题提供了一种解决方案。传统的虚拟力方法(VFA)中节点受覆盖区域几何中心点的吸引力及单跳邻居节点的排斥力，在保证网络连通的情况下尽量扩大覆盖范围。但此方法不适用于动态场景，不具备覆盖动态目标的能力，如果区域中心和目标聚集中心不对应，则会使覆盖率急剧降低，甚至覆盖功能失效。对于上述问题，本发明进行了进一步的探索，构建了多目标吸引力模型，使得节点跟随覆盖动态目标，建立节点间吸引力和排斥力模型，确保了网络的连通并减少了节点冗余，对移动多目标实施动态覆盖，避免了上述问题。
步骤3震荡条件判断：判断节点si的震荡次数counter(si)t是否大于设定的震荡次数阈值counter*，若节点震荡次数小于设定阈值，则执行步骤4，若节点震荡次数大于设定阈值，则执行步骤5。
虚拟力算法中受力规律而有序，容易造成节点连续震荡的问题，特别是接近最优覆盖位置时更明显，为了减少节点震荡次数，本发明引入了含有随机因素的鲸鱼群算法，提升寻优效果。因此需要判断节点的震荡次数是否大于设定的震荡次数阈值，若节点震荡次数小于设定阈值，则基于虚拟力更新节点位置，若节点震荡次数大于设定阈值，则基于鲸鱼群算法更新节点位置。
步骤4基于虚拟力更新节点位置：计算出节点si所受虚拟合力后，通过虚拟合力按照基于虚拟力的位置更新策略计算出该节点移动距离，移动方向由虚拟合力方向决定，由此计算出节点的更新位置并输出给节点，节点运动至该位置实施动态覆盖，完成节点si基于虚拟力的位置更新，执行步骤6。
步骤5基于鲸鱼群算法更新节点位置：计算出节点si所受虚拟合力后，节点震荡次数大于设定阈值表示节点处于震荡状态，此时节点si的最优解就处于附近位置，采用鲸鱼群算法更新节点si的位置，利用鲸鱼群算法独特的矩形寻优方式，使节点si在虚拟合力方向的附近区域寻找最优位置，由此得到节点更新的位置并输出给节点，节点运动至该位置实施对移动目标的动态覆盖，完成节点si基于鲸鱼群算法的位置更新。
在虚拟力驱动下，节点通过基于虚拟力和基于鲸鱼群算法两种位置更新策略不断的变化节点位置，使得节点接近运动目标并覆盖目标，获取节点覆盖范围内动态目标的信息，通过连接的网络传输信息，直至完成动态目标的覆盖任务。
在保证覆盖率的前提下，最小化网络能耗，提高网络覆盖能效也是WSNs覆盖技术要考虑的因素之一。本发明在确保较高的覆盖率的同时考虑到了网络能耗，对于节点的移动控制采用了基于虚拟力和基于鲸鱼群算法两种位置更新策略，减低了节点的震荡次数，减少了节点的平均移动距离，以此来降低网络能耗。由于虚拟力算法容易造成节点连续震荡的问题，故本发明包含两种节点位置更新策略。根据预先设定的节点震荡次数阈值，当传感器节点的震荡次数小于震荡次数阈值时，节点采用基于虚拟力的方法计算移动距离，更新自身位置，即节点沿虚拟合力的方向寻找最优解。当节点处于连续震荡状态时，即传感器节点的震荡次数大于等于震荡次数阈值时，表示节点的最优解就存在于附近区域，此时采用鲸鱼群算法更新位置，利用鲸鱼群算法独特的矩形寻优方式，使节点在虚拟合力方向的附近区域寻找最优位置。加快节点的寻优速度，减少节点的震荡次数，进而延长网络的生命周期。
步骤6更新节点所受虚拟合力：节点si位置更新后，根据虚拟力模型由更新后的位置重新获取节点si所受虚拟合力，记为
节点由更新后的位置重新获取节点所受虚拟合力，用于节点震荡次数的更新。
步骤7更新节点震荡次数：在更新完节点si所受的虚拟合力后，需由更新后的虚拟合力更新节点si的震荡次数。节点si震荡次数由节点si位置更新前后所受虚拟合力的夹角计算所得，如果两虚拟合力的夹角大于90°，则表示节点si震荡一次，counter(si)t＝counter(si)t+1，至此节点si完成一轮位置更新和对移动目标的动态覆盖。要完成动态目标覆盖需要对所有节点进行位置更新，循环步骤2至7直至所有节点完成一轮位置更新和对移动目标的动态覆盖。
步骤8更新动态目标位置及迭代次数：同步更新目标位置，令迭代次数t＝t+1。
步骤9终止条件判断：判断迭代次数t是否小于最大迭代次数，若t小于最大迭代次数则重复步骤2至9，若t大于或等于最大迭代次数则结束基于虚拟力的移动多目标动态覆盖方法，完成所部署的网络对移动多目标的动态覆盖。
本发明提供的整体技术方案为运动目标提供了有效的动态覆盖，网络节点动态跟随覆盖运动目标，具有良好的延展性和连通性，表现出良好的覆盖性能。
现有的无线传感器网络覆盖技术方案对于静态目标的覆盖取得了较好的效果，但仍有一定的局限性。面对动态目标场景，无法控制节点跟随目标移动覆盖。而部分针对移动区域的覆盖方案大多为集中式控制，灵活性及适应性差，若用于运动目标覆盖则节点利用率低，无效覆盖面积较多。
本发明为满足目标运动场景的应用需求，为其设计了合适的虚拟力模型。既考虑到目标的覆盖需求又考虑了网络的连通性，同时尽可能降低了网络能耗。在保证网络连通下对移动多目标覆盖优化、运动跟随、覆盖保持，获得了良好的移动多目标覆盖效果。
针对动态目标场景，构建虚拟力模型，利用节点与目标的位置信息计算其欧式距离，通过欧式距离构建多目标吸引力模型，引导节点对未覆盖的动态目标跟随覆盖，对已覆盖的动态目标覆盖保持并优化。构造与多目标吸引力相互作用的节点间吸引力和节点间排斥力模型，促使传感器节点在保证网络的连通性下对移动多目标覆盖优化、运动跟随、覆盖保持，实现移动多目标动态跟随覆盖。由于虚拟力的受力规律而有序，容易造成节点连续震荡的问题，因此利用鲸鱼群算法减少了节点因虚拟力引起的连续震荡次数，优化网络性能，降低了网络能耗。
本发明提出的基于虚拟力的移动多目标动态覆盖方法能够实时覆盖运动目标并有效保持动态覆盖，通过构建多目标吸引力模型、节点间吸引力和节点间排斥力模型，对移动多目标跟随覆盖并优化，并且能够保持网络的连通性、延展性和覆盖的稳定性。取得了良好的运动多目标动态覆盖效果。
实施例2：
基于虚拟力的移动多目标动态覆盖方法同实施例1，步骤2所述的构造虚拟力模型，包括有如下步骤：
2.1构建多目标吸引力模型并计算节点受到的多目标吸引力：建立目标对节点的单向吸引力，实现对节点移动引导，向目标靠近，覆盖后保持，节点si受到的多目标吸引力由多目标吸引力模型公式计算，其中节点si受到单目标nj的吸引力计算公式如下：
式中Kn为节点与目标的欧式距离的常系数，取值为60，C为节点与目标的欧式距离的系数，取值为200，α为高斯分布系数，取值为4014，σ2为高斯分布的方差，取值为2592，以上参数值是假设Rs＝5m情况下给定的参考值，为节点si和目标点nj之间的欧氏距离，节点si受到的多目标吸引力为各目标吸引力之和：
本发明构建的多目标吸引力按距离阈值分段建立，提升节点覆盖效能。当节点si和目标nj的距离小于感知半径Rs时，表示目标nj已被覆盖，此时节点si的主要任务是保持网络连通，所以目标nj对节点si的吸引力小于节点间吸引力。在感知范围内的目标对节点吸引力按距离递增，可使节点尽量靠近目标，实现对目标的良好覆盖。当节点si和目标nj的距离大于感知半径Rs时，要同时兼顾覆盖率和连通性，所以目标对节点吸引力的值按指数规律进行衰减，可使得节点尽快覆盖近距离的目标，受远距离目标影响较小，减少节点的移动距离。若目标已被其他节点覆盖，则设置该目标对节点si的吸引力为0，可避免该目标误导其他节点向其移动。分段建立吸引力，使得节点先覆盖距离近的目标，覆盖后再对远距离未覆盖的目标进行优化覆盖，尽可能较少节点的移动距离，降低网络能
2.2构建节点间吸引力模型并计算节点间吸引力：节点间的吸引力引导节点相互靠近，保持网络连通性，节点si受到的节点间吸引力由节点间吸引力模型公式计算，其中节点si受到单个节点sl的吸引力/>的计算公式如下：
l＝1,2,…,M,and i≠l
式中d(si,sl)是节点间的欧氏距离，Ka为节点间欧式距离的常系数，取值为1.0×102，期望距离此公式中l表示第l个节点。
当节点si被单跳邻居包围时所受节点间吸引力为每个邻居节点对其吸引力之和：其中S(si)为节点si的一跳邻居节点集合。
当节点si未被单跳邻居包围时所受节点间吸引力为与多目标吸引力方向最近的邻居节点sl对其的吸引力：
本发明对节点间吸引力进行了特别的设计。无线传感器网络动态覆盖需要网络有较好的延展性，进而可以获得较高的覆盖率，若所有节点所受的节点间吸引力都为一跳邻居节点吸引力之和，则部分节点因周围节点都对其有吸引力，被周围节点锁死，无法向外扩展，造成节点无效覆盖。因此节点所受的节点间吸引力分为了两种情况，当节点未被单跳邻居包围时所受的节点间吸引力为与多目标吸引力方向最近的邻居节点间的吸引力，此设计可提升网络延展性同时确保网络连通性，进而实现对目标的更好覆盖。
2.3构建节点间排斥力模型并计算节点间排斥力：节点间排斥力能避免节点碰撞减少网络冗余，节点si受到的节点间排斥力由节点间排斥力模型公式计算，其中节点si受到的单个节点sl的排斥力/>计算公式如下：
l＝1,2,…,M,and i≠l
式中Kr为节点间欧式距离的常系数，取值为1.0×106，节点si受到的节点间排斥力为每个邻居节点对其排斥力之和，即同样的l表示第l个节点。
本发明引入排斥力模型去降低覆盖冗余。节点间吸引力促使节点相互靠近，但只有吸引力可能会造成网络中多个节点间距离过近，进而导致部分覆盖区域的冗余度偏高以及覆盖率较低等问题。引入排斥力可使节点相互远离以降低覆盖区域的冗余度，提高覆盖率。节点间距小于期望距离，则表示节点间的距离过近，此时节点会受到其期望距离覆盖范围内的邻居节点作用的排斥力。节点间的距离大于期望距离时，不需要排斥力使节点相互远离，即排斥力大小为0。
2.4节点所受虚拟合力：节点所受虚拟合力为节点受到的多目标的吸引力和节点间的吸引力及节点间排斥力之和，节点si最终受到的虚拟合力如下：
多目标吸引力模型、节点间吸引力模型及节点间排斥力模型构成了虚拟力模型，用虚拟力模型计算节点所受虚拟合力，引导节点覆盖动态目标同时保持网络连通。
2.5力的相互作用机制：在多目标吸引力与其他力的作用下，移动多目标分布式覆盖得以实现。图2是本发明的力的示意图，多目标吸引力、节点间吸引力和节点间排斥力的示意图如图2所示，图中横坐标表示距离，纵坐标表示力的大小。若对应到图中的多目标吸引力，横坐标具体是节点与目标的距离，对应到节点间吸引力和节点间排斥力，横坐标具体是节点间的距离。图中虚线为多目标吸引力，点虚线为节点间吸引力，实线为节点间排斥力。多目标吸引力呈堤形分布，以Rs＝5m为分界点，第一段在Rs左侧呈线性增长，第二段在Rs右侧为高斯平方衰减。在第一段中d(si,nj)≤Rs，表示目标nj已被si覆盖，多目标吸引力呈线性增长能够让节点调整自己的位置接近覆盖目标，更好地实施覆盖并维持覆盖。此外，多目标吸引力在这一部分的值一直很小，使得节点可以调整位置去覆盖其他更多的目标。在第二段中d(si,nj)＞Rs，表示目标nj在节点si的覆盖范围之外，此时目标在大范围内对节点施加高斯平方衰减的吸引力，力以先快后慢的衰减趋势使得节点先覆盖近距离的目标，而受远距离目标的影响较小。节点间的吸引力在Rd到Rc区间内随距离的增加而增加，用来维持网络的连通性。节点间的排斥力以一个较大的值随距离增加在Rd处衰减至0，可以避免节点碰撞减少网络冗余。
多目标吸引力和节点间吸引力的相互作用是虚拟力模型的关键。多目标吸引力使连接的网络节点尽可能地延伸到未覆盖的目标。为了平衡覆盖率和连通性，节点间吸引力起着关键的作用。为了确保网络连通性，多目标吸引力的最大值要比节点间吸引力的最大值小一些。如图2显示，节点间吸引力的值在867到1000之间，作用范围在Rd到Rc之间。多目标吸引力作用在较大的距离范围内，一定范围内的多目标吸引力的值位于节点间吸引力的值之间。这使得节点向最近的目标移动，并尽可能地扩展连接网络去覆盖未覆盖的目标。在节点间吸引力最大值的限制下，节点移动距离不会超过网络连接的极限。在多目标吸引力随着距离的增加而急剧下降到867以下后，除非远距离的目标聚集起来，否则它对节点运动的影响很小。为了避免碰撞和减少网络冗余，当节点之间的距离太近时，排斥力的值要比其他力的值大。
在监测区域或Rs发生较大变化时，调整虚拟力的参数可以进一步提升网络覆盖性能，以适应不同的应用场景。虚拟力模型的参数可以按照图2的比例关系进行调整，按比例放大或缩小图示虚拟力即可，必须保证多目标吸引力的最大值小于节点间吸引力的最大值。
本发明基于虚拟力方法，通过建立多目标吸引力模型，对网络节点覆盖吸引，合理设计受力约束使目标被覆盖后保持，并能实现对移动多目标的动态跟随覆盖。为了确保网络良好延展性和覆盖的稳定性，同时保持较好的连通性，建立与多目标吸引力相互作用的节点间吸引力和节点间排斥力模型，对目标覆盖保持、运动跟随、覆盖调优，并保持良好的网络连通。
实施例3：
基于虚拟力的移动多目标动态覆盖方法同实施例1-2，步骤4所述的基于虚拟力更新节点位置，其中通过虚拟合力按照基于虚拟力的位置更新策略计算出节点si的移动距离，移动距离计算公式如下：
式中L是节点需要移动的距离，step是节点si的最大移动步长，由于的范围在(0,+∞)内，为了提升效能，在虚拟合力比较大时，移动距离接近step并且变化缓慢，虚拟合力较小时，移动距离与虚拟合力趋于线性变化，采用反正切函数arctan和最大移动步长step来控制节点的移动距离，节点si沿合力方向增加距离L得到节点的更新位置，节点运动到此更新位置实施对移动目标的动态覆盖。
计算节点的虚拟合力后，需驱动节点沿虚拟合力方向移动。节点向最优覆盖位置移动是通过不同时刻的虚拟合力综合影响后最终完成的，每一时刻节点都会重新计算作用在自身的虚拟合力，由虚拟合力计算出移动距离，移动方向由虚拟合力方向决定。通过计算出的移动距离和虚拟合力方向更新节点位置。根据预先设定的节点震荡次数阈值，当传感器节点的震荡次数小于震荡次数阈值时，节点采用基于虚拟力的方法计算移动距离，更新自身位置，即节点沿虚拟合力的方向寻找最优解，节点在虚拟合力方向移动距离L后的位置便是节点基于虚拟力更新的位置。
实施例4：
基于虚拟力的移动多目标动态覆盖方法同实施例1-3，步骤5所述的基于鲸鱼群算法更新节点位置，其中当节点si处于震荡状态时，表示节点si的最优解就处于附近位置，此时节点采用鲸鱼群算法更新自身位置，用鲸鱼个体代表节点si在t时刻的位置/>即节点si通过下式更新t时刻的位置：
式中Yi t是鲸鱼在t时刻的引导个体，即节点si在t时刻的虚拟节点，dX,Y表示鲸鱼个体/>和其引导个体Yi t之间的欧式距离，ρ0＝2表示分布强度，η＝-20·ln(0.25)/dmax表示衰减因子，dmax为监控区域内任意两节点间的最大距离，/>表示鲸鱼/>在t时刻所受的虚拟合力，/>代表了节点si的更新位置。
虚拟力算法中受力规律而有序，容易造成节点连续震荡的问题，特别是接近最优覆盖位置时更明显，所以在基于虚拟力的覆盖算法上，引入了含有随机因素的鲸鱼群算法，提升寻优效果。
本发明提出了基于虚拟力和基于鲸鱼群算法两种节点位置更新策略。根据预先设定的节点震荡次数阈值，当传感器节点的震荡次数小于震荡次数阈值时，节点采用基于虚拟力的方法计算移动距离，更新自身位置。当节点处于震荡状态时，即传感器节点的震荡次数大于等于震荡次数阈值时，表示节点的最优解就存在于附近区域，此时采用鲸鱼群算法计算移动距离，更新节点位置。这两种节点位置更新策略相结合的方法能够有效地减少节点的震荡次数和移动距离，提升算法收敛性能，提高网络的生命周期，有效地保证了网络覆盖算法的有效性和可行性。
下面给出一个综合应用的例子，对本发明进一步说明。
实施例5：
基于虚拟力的移动多目标动态覆盖方法同实施例1-4。本发明是一种基于虚拟力的移动多目标动态覆盖方法，在有动态目标的区域内部署传感器网络，针对部署的网络建立节点间及节点与目标间的虚拟力模型，对网络节点覆盖吸引、覆盖保持、运动跟随，实现对移动多目标的动态跟随覆盖。包括有以下步骤：
步骤1初始化：在二维区域内随机聚集性部署M个传感器节点si，i＝1,2,…,M，节点坐标表示为在区域内随机分布N个动态目标nj，j＝1,2,…,N，目标坐标为无线传感器网络中所有传感器节点均采用二元感知模型，具有相同的感知半径Rs，通信半径Rc＝2Rs，初始化参数，将迭代次数t和各节点震荡次数counter(si)t初始化为0，设置最大迭代次数Maxiteration，设置震荡次数阈值counter*，初始部署完传感器节点后，形成了连通的网络，开始监测覆盖范围内的动态目标，获取目标信息。
步骤2构造虚拟力模型并计算节点si所受虚拟合力：虚拟力模型由多目标吸引力模型、节点间吸引力模型及节点间排斥力模型构成。节点si所受虚拟合力为节点受到的多目标吸引力和节点间吸引力及节点间排斥力的矢量和。
构建多目标吸引力模型并计算节点si受到的多目标吸引力。建立目标对节点的单向吸引力，实现对节点移动引导，向目标靠近，覆盖后保持。节点si受到目标nj的吸引力计算公式如下：
式中Kn为节点与目标的欧式距离的常系数，取值为60，C为节点与目标的欧式距离的系数，取值为200，α为高斯分布系数，取值为4014，σ2为高斯分布的方差，取值为2592，为节点si和目标点nj之间的欧氏距离，节点si受到的多目标吸引力为各目标吸引力之和：/>
构建节点间吸引力模型并计算节点si受到的节点间吸引力。节点间的吸引力引导节点相互靠近，保持网络连通性，其中节点si受到节点sl的吸引力的计算公式如下：
l＝1,2,…,M,and i≠l
式中d(si,sl)是节点间的欧氏距离，Ka为节点间欧式距离的常系数，取值为1.0×102，期望距离
当节点si被单跳邻居包围时所受节点间吸引力为每个邻居节点对其吸引力之和：其中S(si)为节点si的一跳邻居节点集合。
当节点si未被单跳邻居包围时所受节点间吸引力为与多目标吸引力方向最近的邻居节点sl对其的吸引力：
构建节点间排斥力模型并计算节点si受到的节点间排斥力。节点间排斥力能避免节点碰撞减少网络冗余，节点si受到节点sl的排斥力计算公式如下：
l＝1,2,…,M,and i≠l
式中Kr为节点间欧式距离的常系数，取值为1.0×106，节点si受到的节点间排斥力为每个邻居节点对其排斥力之和：
计算节点si所受虚拟合力，节点所受虚拟合力为节点受到的多目标的吸引力和节点间的吸引力及节点间排斥力之和，节点si最终受到的虚拟合力如下：
多目标吸引力模型、节点间吸引力模型及节点间排斥力模型构成了虚拟力模型，用虚拟力模型计算节点所受虚拟合力，引导节点覆盖动态目标同时保持网络连通。
步骤3节点的移动控制：计算节点si的虚拟合力后，需驱动节点si沿虚拟合力方向移动。节点向最优覆盖位置移动是通过不同时刻的虚拟合力综合影响后最终完成的，每一时刻节点都会重新计算作用在自身的虚拟合力，由虚拟合力计算出移动距离，移动方向由虚拟合力方向决定。通过计算出的移动距离和虚拟合力方向更新节点位置。考虑到虚拟力算法中受力规律而有序，容易造成节点连续震荡的问题，所以节点移动控制需要判断节点是否处于震荡状态。若节点si的震荡次数counter(si)t大于设定的震荡次数阈值counter*，节点si处于震荡状态，采用鲸鱼群算法进行位置更新。若小于设定阈值，采用基于虚拟力的方法计算移动距离，更新节点位置。基于虚拟力更新节点位置的公式如下：
式中L是节点需要移动的距离，step是节点si的最大移动步长，由于的范围在(0,+∞)内，为了提升效能，在虚拟合力比较大时，移动距离接近step并且变化缓慢，虚拟合力较小时，移动距离与虚拟合力趋于线性变化，采用反正切函数arctan和最大移动步长step来控制节点的移动距离，节点沿合力方向增加距离L得到节点的更新位置，节点运动到此更新位置实施对移动目标的动态覆盖。
当节点si处于震荡状态时，表示节点si的最优解就处于附近位置，此时节点si采用鲸鱼群算法更新自身位置，利用鲸鱼群算法独特的矩形寻优方式，使节点si在虚拟合力方向的附近区域寻找最优位置。鲸鱼个体即节点si通过下式更新位置：
式中Yi t是鲸鱼在t时刻的引导个体，即节点si在t时刻的虚拟节点，dX,Y表示鲸鱼个体/>和其引导个体Yi t之间的欧式距离，ρ0＝2表示分布强度，η＝-20·ln(0.25)/dmax表示衰减因子，dmax为监控区域内任意两节点间的最大距离，/>表示鲸鱼/>在t时刻所受的虚拟合力，/>代表节点si在t时刻的位置/> 代表了节点si在t+1时刻的位置，即节点的更新位置。
步骤4更新节点所受虚拟合力及节点震荡次数：节点si位置更新后，根据虚拟力模型由更新后的位置重新获取节点si所受虚拟合力，记为节点si震荡次数由节点si位置更新前后所受虚拟合力的夹角计算所得，如果/>和/>的夹角大于90°，则表示节点si震荡一次，counter(si)t＝counter(si)t+1，至此节点si完成一轮位置更新，循环步骤2至4直至所有节点完成一轮位置更新。
步骤5更新动态目标位置及迭代次数：同步更新目标位置，令迭代次数t＝t+1。
步骤6终止条件判断：判断迭代次数t是否小于最大迭代次数，若t小于最大迭代次数则重复步骤2至6，若t大于或等于最大迭代次数则结束基于虚拟力的移动多目标动态覆盖方法，完成所部署的网络对移动多目标的动态覆盖。
本发明的基于虚拟力的移动多目标动态覆盖方法，用于优化运动目标的覆盖并维持节点的双向连接。设计了虚拟力模型，对覆盖目标跟随覆盖并优化的同时，能够保持网络的连通性、延展性和覆盖的稳定性。虚拟力中多目标吸引力将连通的网络向未覆盖的目标拉伸，节点间吸引力在网络拉伸的同时维持其连通性，节点间排斥力在节点运动时避免节点碰撞减少网络冗余。此外，在节点运动时引入鲸鱼群算法增强最优位置的搜寻能力，使节点快速到达稳定状态。本发明通过虚拟力间的相互作用驱动传感器节点跟随覆盖运动目标，使传感器网络在保持连通的情况下，进行覆盖保持、运动跟随、覆盖调优。结合鲸鱼群算法减少了节点连续震荡次数，在获得较高目标覆盖率的同时减少了网络能耗。
通过以下仿真实验结果对本发明的技术效果再做说明。
实施例6：
基于虚拟力的移动多目标动态覆盖方法同实施例1-5。
仿真条件：
仿真实验的条件如下：仿真在二维区域内随机聚集部署M个传感器节点覆盖区域内的目标，目标在区域内随机分布且保持静止，个数为N个，区域大小设置为[0m,50m]×[0m,50m]。每个节点具有相同的感知半径，节点通信半径为感知半径的两倍，传感器感知半径为5米，通信半径10米。假设节点知道自身位置，且可以获取目标位置。节点感知模型采用二元感知模型，目标nj被节点si感知的概率公式表示为：
其中为节点si与目标nj之间的欧氏距离。其余的实验参数如表1所示。
表1实验参数设置
仿真内容：对本发明在静态目标场景下节点动态覆盖进行仿真。初始时，目标在区域内随机分布，节点在区域内随机聚集性分布，网络初始分布图见图3。目标在保持静止的情况下，各节点按本发明的技术方案构建虚拟力模型计算虚拟合力，驱动节点沿虚拟合力方向移动。通过不同时刻的虚拟合力综合影响后各节点最终移动至最优覆盖位置，基于虚拟力的移动多目标覆盖方法执行完成。网络初始分布图在执行本发明后的网络节点分布图见图4。
仿真结果与分析：
图3是本发明静态目标下本发明网络节点的初始分布图，横纵坐标轴分布代表仿真区域的长和宽，图中小圆点表示网络节点，圆表示节点覆盖范围，三角形表示目标，其中较小的三角形表示已被覆盖的目标，较大的三角形表示未被覆盖的目标。图4是本发明静态目标下图3对应的本发明网络节点分布图，其中小圆点表示网络节点，圆表示节点覆盖范围，较小的三角形表示已被覆盖的目标，较大的三角形表示未被覆盖的目标。
图3显示了本发明的节点初始分布情况，监测区域中目标随机分布，为确保网络初始时刻连通，传感器节点随机聚集分布。图4显示了执行本发明后节点覆盖情况，与图3对比，监测区域内的目标被覆盖且网络保持连通。由图4可知，网络节点因多目标吸引力而延展铺开对目标进行覆盖，没有目标的区域存在网络空洞和间隙，避免了节点的无效覆盖，减少了网络能耗，提升了覆盖率。可以得出本发明基于虚拟力的动态覆盖方法对于静态目标有良好的覆盖效果，在保持网络连通的同时获取了较高的覆盖率，并且网络具有较好的延展性，可有效避免节点无效覆盖，验证了本发明的有效性。本发明针对移动多目标进行覆盖，同样也适用于静态目标，对于静态目标也取得了良好的覆盖效果。
实施例7：
基于虚拟力的移动多目标动态覆盖方法同实施例1-5，仿真条件同实施例6。
仿真内容：在静态目标场景下，针对本发明的覆盖性能与同类型方法进行仿真对比。在相同仿真条件下分别仿真了本发明及“VFA”、“RSSI”、“MC-VF”、“WSA-MC”算法，对比了覆盖率、震荡次数和平均移动距离。覆盖率对比见图5，震荡次数对比见图6，平均移动距离对比见图7。VFA为传统虚拟力方法。RSSI方法将基于距离阈值的虚拟力算法改进为基于接收信号强度指示的覆盖优化算法，并引入鲸鱼群算法减少了节点连续震荡次数。MC-VF和WSA-MC均用本发明构造的虚拟力模型计算虚拟合力，但MC-VF仅用本发明中基于虚拟力更新节点位置，WSA-MC只利用本发明中基于鲸鱼群算法更新节点位置。通过对比各方法的覆盖率、震荡次数和平均移动距离对本发明的技术效果做进一步说明。对比结果均采用20轮蒙特卡洛实验平均所得。所用覆盖率计算式如下。
仿真结果与分析：
图5是是静态目标下20次蒙特卡洛实验后不同算法覆盖率对比图，横坐标代表迭代次数，纵坐标代表覆盖率。图6是静态目标下20次蒙特卡洛实验后不同算法震荡次数对比图，横坐标代表迭代次数，纵坐标代表震荡次数。图7是静态目标下20次蒙特卡洛实验后不同算法平均移动距离对比图，横坐标代表迭代次数，纵坐标代表平均移动距离。图5、图6和图7中带圆形线表示VFA方法的性能，带菱形线表示本发明的性能，带正方形线表示RSSI方法的性能，带三角形线表示MC-VF方法的性能，带星号线表示WSA-MC方法的性能。
图5中，由于VFA和RSSI算法初始随机分布节点在整个监测区域，而本发明方法初始分布较为聚集，当算法迭代次数t＜33时，本发明节点主要受斥力影响由聚集区域向外延伸，覆盖率虽小于VFA和RSSI，但逐渐递增。当迭代次数t＞33，节点受虚拟合力作用向未被覆盖的目标延伸，覆盖率继续递增并趋于100％。VFA和RSSI的吸引力为区域中心点对节点的吸引力，节点由初始位置向区域中心移动，无法覆盖所有目标，且VFA算法距离阈值设置不合理，覆盖孔较多，导致最终覆盖率不高，保持在80％左右，基于RSSI的覆盖优化算法的距离阈值为减少了覆盖孔，其覆盖率略高于VFA算法，但其不具备跟随覆盖目标的功能。VFA和RSSI算法如果区域中心和目标聚集中心不对应，则会使覆盖率急剧降低，甚至覆盖功能失效。本发明技术方案中构造了多目标吸引力模型，因此可避免上述问题。WSA-MC方法由于迭代位置随机性，算法收敛速度慢，移动中引入随机因素会减少其震荡次数和平均移动距离，网络能耗较低，最终会达到较高覆盖率。MC-VF方法由于迭代位置准确，覆盖率较高，算法收敛速度快，但其规则受力容易使网络节点产生震荡且平均移动距离偏大，网络能耗高。本发明的技术方案前期采用MC-VF方法，在节点震荡时采用WSA-MC方法，既保证了前期移动的准确性，又保持后期移动的高效性，获得较高的覆盖率，也节约网络能耗。
图6中，VFA和MC-VF算法由于有序受力，节点的震荡次数相对于其他算法较高，因为虚拟力模型不同，VFA与MC-VF的节点震荡次数不同，由图可知MC-VF前期节点追随不同目标受力无序，因此效率较高，当多数目标被覆盖后进行覆盖保持导致震荡增多。WSA-MC方法以独特的寻优方式，引入随机因素扩大节点寻优范围，减少了节点的震荡次数，故节点震荡次数相对较低。RSSI方法与本发明都引入了鲸鱼群算法更新位置，改善了节点连续震荡的现象，但算法原理和模型有本质不同，本发明的节点震荡次数明显低MC-VF、VFA和RSSI方法的节点震荡次数，且比VFA、RSSI和WSA-MC方法的覆盖率高。
图7中，VFA采用固定步长，平均移动距离一直是0.5。MC-VF利用基于虚拟力更新节点位置的公式计算移动距离，由于迭代过程中节点受力一直较大，平均移动距离接近0.5，基本与VFA重合。WSA-MC的平均移动距离均低于其他算法，由于节点初始分布较为聚集，利用基于鲸鱼群算法更新节点位置时，dmax的值较小，随着节点不断向外扩散，dmax逐渐增加，移动距离也逐渐增加。t＞60时，目标节点基本被覆盖，移动距离趋于平稳。本发明在节点震荡时采用鲸鱼群更新节点位置，平均移动距离明显低于MC-VF、VFA、RSSI方法，降低了网络能耗。RSSI方法其counter*设置较高，利用鲸鱼群更新位置的节点较少，平均移动距离基本与VFA重合。
本发明在覆盖率、震荡次数、平均移动距离方面均优于VFA和RSSI方法，且具备了VFA及RSSI不具备的动态目标跟随覆盖能力。在覆盖率稍低于MC-VF时，其震荡次数及平均移动距离远优于MC-VF，在震荡次数及平均移动距离劣于WSA-MC时，其算法收敛速度、覆盖率高于WSA-MC。由图5、图6和图7可以看出本发明的覆盖率、震荡次数、平均移动距离均优于同类型算法。具有较快的响应速度、算法收敛速度、尽可能降低了网络能耗。
实施例8：
基于虚拟力的移动多目标动态覆盖方法同实施例1-5。
仿真条件：
仿真实验的条件如下：仿真在二维区域内随机聚集部署M个传感器节点覆盖区域内的目标，动态目标在区域内随机分布，个数为N个，初始分布传感器节点与目标的区域大小设置为[0m,50m]×[0m,50m]。每个节点具有相同的感知半径，节点通信半径为感知半径的两倍，传感器感知半径为5米，通信半径10米。假设节点知道自身位置，且可以获取目标位置。节点感知模型采用二元感知模型，目标均以νn＝0.1m/s朝同一方向做匀速直线运动，其余实验参数同实施例6中的表1。
仿真内容及仿真结果：
仿真内容：对本发明在动态目标场景下节点动态跟随覆盖进行仿真。初始时，动态目标在区域内随机分布，节点在区域内随机聚集性分布，网络初始分布图见图8。目标均以νn＝0.1m/s朝同一方向做匀速直线运动。各节点按本发明的技术方案构建的虚拟力模型计算虚拟合力，驱动节点沿虚拟合力方向移动。在虚拟合力作用下，节点对未覆盖的目标动态跟随覆盖，对已覆盖的目标覆盖保持并优化。通过不同时刻的虚拟合力综合影响，各节点跟随覆盖运动目标，促使传感器节点在保证网络的连通性下对移动多目标覆盖优化、运动跟随、覆盖保持。分别取t为0、20、200、300时刻的覆盖结果以及t为0、20、300时刻的目标与节点距离分布情况对本发明的技术效果进行说明。t为0、20、200、300时刻的覆盖结果分别见图8、图9、图10和图11。t为0、20、300时刻的目标与节点距离分布情况分别见图13(a)、13(b)和13(c)。
仿真结果与分析：
图8是本发明在t＝0时刻的网络节点的分布图，即初始时刻的网络节点分布图。图9是本发明在t＝20时刻的网络节点的分布图。图10为本发明在t＝200时刻的网络节点的分布图。图11为本发明在t＝300时刻的网络节点的分布图。图中小圆点表示网络节点，圆表示节点覆盖范围，较小的三角形表示已被覆盖的目标，较大的三角形表示未被覆盖的目标。图13(a)是本发明在t＝0时刻的目标与节点间距离分布图，13(b)是本发明在t＝20时刻的目标与节点间距离分布图，13(c)是本发明在t＝300时刻的目标与节点间距离分布图。
由图8至图11可以看出网络节点对目标进行跟随覆盖，并能够基本保持完全覆盖和维持网络连通。图8显示了初始时刻网络分布情况，目标在区域内随机分布，节点在区域内随机聚集性分布，大多数目标未被覆盖，随着执行本发明的技术方案，目标逐渐被覆盖。图9显示了t＝20时刻的网络节点分布情况，在虚拟合力的作用下，节点向外延伸覆盖目标，大多目标被覆盖，体现了网络较好的延展性。图10显示了t＝200时刻的网络节点分布情况，节点跟随目标运动，并维持动态目标覆盖，由于覆盖半径内外的目标吸引力相差较大，个别在覆盖半径边缘的目标对节点吸引力小，不能引导节点随其运动，下一时刻目标离开节点覆盖范围后，目标对节点的吸引力变大，再次吸引节点覆盖目标。图11显示了t＝300时刻的网络节点分布情况，节点随目标运动至区域右上方，各节点跟随覆盖运动目标，在保证网络的连通性下对移动多目标覆盖优化、运动跟随、覆盖保持。
图13(a)、13(b)和13(c)分别是本发明在动态目标场景下t为0、20、300时刻节点与目标距离分布图。用不同时刻的距离分布图可以评估动态目标覆盖性能的方法，也可以作为一种衡量多目标吸引力控制性能的方式。在t＝0时刻，目标与节点间距离分布较为分散，大部分目标处于覆盖范围之外，目标对节点的吸引力主要对应到高斯平方衰减部分，用于吸引节点覆盖未覆盖的目标。在t＝20时刻，距离分布相较于t＝0时刻略微集中，但仍有少数目标位于节点之外。在多目标吸引力作用下，节点逐渐被覆盖。在t＝300时刻，距离分布集中于0到Rs范围内，多目标吸引力对应到线性增长部分，用于维持对已覆盖目标的覆盖范围，并进一步优化覆盖。由距离分布图可以看出，在虚拟力的作用下，节点逐渐被连接网络所覆盖，再一次验证了本发明的有效性。
本发明基于虚拟力方法，通过设计适合于动态目标场景的虚拟力模型，吸引网络节点动态覆盖运动目标，合理设计受力约束使动态目标被覆盖后保持，在确保网络良好延展性和连通性下，对动态目标覆盖保持、运动跟随、覆盖调优，实现了对移动多目标的动态跟随覆盖。
实施例9：
基于虚拟力的移动多目标动态覆盖方法同实施例1-5，仿真条件同实施例8。
仿真内容：对本发明在动态目标场景下节点动态跟随覆盖性能进行仿真。目标均以νn＝0.1m/s沿同一方向匀速直线运动，计算每一时刻的网络覆盖率，得到随时间变化的网络覆盖率结果。20轮蒙特卡洛实验后，平均20轮实验结果的覆盖率。具体实验结果见图12。
仿真结果与分析：
图12为是本发明动态目标下20次蒙特卡洛实验后覆盖率图，横坐标为迭代次数，纵坐标为覆盖率。由图12可以看出目标覆盖率接近100％。由于覆盖半径内外的目标吸引力相差较大，个别在覆盖半径边缘的目标对节点吸引力小，不能引导节点随其运动，下一时刻目标离开节点覆盖范围后，目标对节点的吸引力变大，再次吸引节点覆盖目标。所以本发明目标覆盖率接近100％，且在100％附近波动。本发明的动态覆盖方法在尽可能确保网络连通的情况下实现了较高的目标覆盖率。
实施例10：
基于虚拟力的移动多目标动态覆盖方法同实施例1-5。
仿真条件：
仿真实验的条件如下：仿真在二维区域内随机聚集部署M个传感器节点覆盖区域内的目标，动态目标在区域内随机分布，个数为N个，初始区域大小设置为[0m,50m]×[0m,50m]。每个节点具有相同的感知半径，节点通信半径为感知半径的两倍，传感器感知半径为5米，通信半径10米。假设节点知道自身位置，且可以获取目标位置。节点感知模型采用二元感知模型，目标以νn＝0.1m/s朝不同方向做匀速直线运动，其余实验参数同实施例6中的表1。
仿真内容：针对动态目标场景，仿真传感器节点动态跟随覆盖。目标以νn＝0.1m/s的速度向四周扩散。各节点按本发明的技术方案构建的虚拟力模型计算虚拟合力，驱动节点沿虚拟合力方向移动。通过不同时刻的虚拟合力综合影响，各节点跟随覆盖运动目标。网络覆盖扩散目标的实验结果见图14。
仿真结果与分析：图14是本发明在动态目标四周扩散运动后网络节点的分布图，同样的图中小圆点表示网络节点，圆表示节点覆盖范围，较小的三角形表示已被覆盖的目标，较大的三角形表示未被覆盖的目标。由图14可以看出网络节点跟随覆盖目标，图中间部分无目标区域出现空洞，减少了节点的无效覆盖，降低了网络的能耗，也体现出了网络较好的延展性。
综上所述，本发明公开的一种基于虚拟力的移动多目标动态覆盖方法，解决了移动多目标动态覆盖的问题。实现包括初始化网络部署及初始化参数；构建虚拟力模型；震荡条件判断；基于虚拟力更新节点位置；基于鲸鱼群算法更新节点位置；更新节点所受虚拟合力、更新节点震荡次数、更新动态目标位置及迭代次数、计算覆盖率、终止条件判断。本发明设计了多目标吸引力模型，引导节点对未覆盖的目标动态跟随覆盖，对已覆盖的目标覆盖保持并优化。构造了与多目标吸引力相匹配的节点间吸引力和节点间排斥力模型，促使传感器节点在保证网络的连通性下对移动多目标覆盖优化、运动跟随、覆盖保持，实现了移动多目标动态跟随覆盖。本发明的动态覆盖方法在保证网络连通的情况下可实现较高的目标覆盖率，尽可能降低了网络能耗，为移动目标场景设计了合适的虚拟力模型，解决了实时跟随覆盖动态目标并维持网络连通的技术问题。可用于部署传感器网络监测静态或动态目标并获取覆盖目标的有效数据。

Claims (4)

1.一种基于虚拟力的移动多目标动态覆盖方法，其特征在于，建立网络节点间及节点与目标间的虚拟力模型，引导节点对未覆盖的动态目标跟随覆盖，对已覆盖的动态目标覆盖保持并优化，促使节点在保证网络连通性下对移动多目标覆盖优化、运动跟随、覆盖保持，实现移动多目标动态跟随覆盖，包括有以下步骤：
步骤1初始化网络部署及初始化参数：在二维区域内随机聚集性部署M个传感器节点si，i＝1,2,…,M，节点坐标表示为在区域内随机分布N个动态目标nj，j＝1,2,…,N，目标坐标为/>无线传感器网络中所有传感器节点均采用二元感知模型，具有相同的感知半径Rs，通信半径Rc＝2Rs，初始化参数，将迭代次数t和各节点震荡次数counter(si)t初始化为0，设置最大迭代次数Maxiteration，设置震荡次数阈值counter*，初始部署完传感器节点后，形成了连通的网络，开始监测覆盖范围内的动态目标，获取目标信息；
步骤2构建虚拟力模型：分别构建多目标吸引力模型、节点间吸引力模型及节点间排斥力模型，由节点间吸引力、节点间排斥力和多目标吸引力的矢量和计算出节点si受到的虚拟合力
步骤3震荡条件判断：判断节点si的震荡次数counter(si)t是否大于设定的震荡次数阈值counter*，若节点震荡次数小于设定阈值，则执行步骤4，若节点震荡次数大于设定阈值，则执行步骤5；
步骤4基于虚拟力更新节点位置：计算出节点si所受虚拟合力后，通过虚拟合力按照基于虚拟力的位置更新策略计算出该节点移动距离，移动方向由虚拟合力方向决定，由此计算出节点的更新位置并输出给节点，节点运动至该位置实施动态覆盖，完成节点si基于虚拟力的位置更新，执行步骤6；
步骤5基于鲸鱼群算法更新节点位置：计算出节点si所受虚拟合力后，节点震荡次数大于设定阈值表示节点处于震荡状态，此时节点si的最优解就处于附近位置，采用鲸鱼群算法更新节点si的位置，利用鲸鱼群算法独特的矩形寻优方式，使节点si在虚拟合力方向的附近区域寻找最优位置，由此得到节点更新的位置并输出给节点，节点运动至该位置实施对移动目标的动态覆盖，完成节点si基于鲸鱼群算法的位置更新；
步骤6更新节点所受虚拟合力：节点si位置更新后，根据虚拟力模型由更新后的位置重新获取节点si所受虚拟合力，记为
步骤7更新节点震荡次数：节点si震荡次数由节点si位置更新前后所受虚拟合力的夹角计算所得，如果两虚拟合力的夹角大于90°，则表示节点si震荡一次，counter(si)t＝counter(si)t+1，至此节点si完成一轮位置更新和对移动目标的动态覆盖，循环步骤2至7直至所有节点完成一轮位置更新和对移动目标的动态覆盖；
步骤8更新动态目标位置及迭代次数：同步更新目标位置，令迭代次数t＝t+1；
步骤9终止条件判断：判断迭代次数t是否小于最大迭代次数，若t小于最大迭代次数则重复步骤2至9，若t大于或等于最大迭代次数则结束基于虚拟力的移动多目标动态覆盖方法，完成对动态目标的覆盖。
2.根据权利要求1所述的基于虚拟力的移动多目标动态覆盖方法，其特征在于：步骤2所述的构造虚拟力模型，包括有如下步骤：
2.1构建多目标吸引力模型并计算节点受到的多目标吸引力：建立目标对节点的单向吸引力，实现对节点移动引导，向目标靠近，覆盖后保持，节点si受到的多目标吸引力由多目标吸引力模型公式计算，其中节点si受到单目标nj的吸引力/>计算公式如下：
式中Kn为节点与目标的欧式距离的常系数，取值为60，C为节点与目标的欧式距离的系数，取值为200，α为高斯分布系数，取值为4014，σ2为高斯分布的方差，取值为2592，以上参数值是假设Rs＝5m情况下给定的参考值，为节点si和目标点nj之间的欧氏距离，节点si受到的多目标吸引力为各目标吸引力之和：
2.2构建节点间吸引力模型并计算节点间吸引力：节点间的吸引力引导节点相互靠近，保持网络连通性，节点si受到的节点间吸引力由节点间吸引力模型公式计算，其中节点si受到单个节点sl的吸引力/>的计算公式如下：
式中d(si,sl)是节点间的欧氏距离，Ka为节点间欧式距离的常系数，取值为1.0×102，期望距离
当节点si被单跳邻居包围时所受节点间吸引力为每个邻居节点对其吸引力之和：其中S(si)为节点si的一跳邻居节点集合，
当节点si未被单跳邻居包围时所受节点间吸引力为与多目标吸引力方向最近的邻居节点sl对其的吸引力：
2.3构建节点间排斥力模型并计算节点间排斥力：节点间排斥力能避免节点碰撞减少网络冗余，节点si受到的节点间排斥力由节点间排斥力模型公式计算，其中节点si受到的单个节点sl的排斥力/>计算公式如下：
式中Kr为节点间欧式距离的常系数，取值为1.0×106，节点si受到的节点间排斥力为每个邻居节点对其排斥力之和，即
2.4节点所受虚拟合力：节点所受虚拟合力为节点受到的多目标的吸引力和节点间的吸引力及节点间排斥力之和，节点si最终受到的虚拟合力如下：
多目标吸引力模型、节点间吸引力模型及节点间排斥力模型构成了虚拟力模型，用虚拟力模型计算节点所受虚拟合力，引导节点覆盖动态目标同时保持网络连通。
3.根据权利要求1所述的基于虚拟力的移动多目标动态覆盖方法，其特征在于：步骤4所述的基于虚拟力更新节点位置，其中通过虚拟合力按照基于虚拟力的位置更新策略计算出节点si的移动距离，移动距离计算公式如下：
式中L是节点需要移动的距离，step是节点si的最大移动步长，由于的范围在(0,+∞)内，为了提升效能，在虚拟合力比较大时，移动距离接近step并且变化缓慢，虚拟合力较小时，移动距离与虚拟合力趋于线性变化，采用反正切函数arctan和最大移动步长step来控制节点的移动距离，节点si沿合力方向增加距离L得到节点的更新位置，节点运动到此更新位置实施对移动目标的动态覆盖。
4.根据权利要求1所述的基于虚拟力的移动多目标动态覆盖方法，其特征在于：步骤5所述的基于鲸鱼群算法更新节点位置，其中当节点si处于震荡状态时，表示节点si的最优解就处于附近位置，此时节点采用鲸鱼群算法更新自身位置，用鲸鱼个体代表节点si在t时刻的位置/>即节点si通过下式更新t时刻的位置：
式中是鲸鱼/>在t时刻的引导个体，即节点si在t时刻的虚拟节点，dX,Y表示鲸鱼个体和其引导个体/>之间的欧式距离，ρ0＝2表示分布强度，η＝-20·ln(0.25)/dmax表示衰减因子，dmax为监控区域内任意两节点间的最大距离，/>表示鲸鱼/>在t时刻所受的虚拟合力，/>代表了节点si的更新位置。
CN202210514736.5A 2022-05-11 2022-05-11 基于虚拟力的移动多目标动态覆盖方法 Active CN114980134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514736.5A CN114980134B (zh) 2022-05-11 2022-05-11 基于虚拟力的移动多目标动态覆盖方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514736.5A CN114980134B (zh) 2022-05-11 2022-05-11 基于虚拟力的移动多目标动态覆盖方法

Publications (2)

Publication Number Publication Date
CN114980134A CN114980134A (zh) 2022-08-30
CN114980134B true CN114980134B (zh) 2023-07-25

Family

ID=82981685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514736.5A Active CN114980134B (zh) 2022-05-11 2022-05-11 基于虚拟力的移动多目标动态覆盖方法

Country Status (1)

Country Link
CN (1) CN114980134B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115833905B (zh) * 2022-11-08 2023-12-12 同济大学 一种地下空间移固协同检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107295541A (zh) * 2016-03-31 2017-10-24 扬州大学 一种基于虚拟力和萤火虫算法的无线传感网络覆盖优化方法
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
CN113242563A (zh) * 2021-06-23 2021-08-10 西安邮电大学 一种无线传感器网络覆盖率优化方法及系统
CN113573333A (zh) * 2021-05-26 2021-10-29 西安邮电大学 一种基于虚拟力的粒子群异构WSNs覆盖优化算法

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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107295541A (zh) * 2016-03-31 2017-10-24 扬州大学 一种基于虚拟力和萤火虫算法的无线传感网络覆盖优化方法
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
CN113573333A (zh) * 2021-05-26 2021-10-29 西安邮电大学 一种基于虚拟力的粒子群异构WSNs覆盖优化算法
CN113242563A (zh) * 2021-06-23 2021-08-10 西安邮电大学 一种无线传感器网络覆盖率优化方法及系统

Also Published As

Publication number Publication date
CN114980134A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN103354642B (zh) 一种提高移动传感器网络覆盖率的方法
Zhang et al. A review on node deployment of wireless sensor network
Liu et al. DRL-UTPS: DRL-based trajectory planning for unmanned aerial vehicles for data collection in dynamic IoT network
Yoon et al. Coordinated locomotion and monitoring using autonomous mobile sensor nodes
CN113759971B (zh) 一种面向无人机协同侦察的路径规划方法
CN110430547B (zh) UASNs中基于Q-learning的多AUV协作数据收集方法
CN102883429B (zh) 基于定向天线的传感器网络内移动物体跟踪方法及装置
CN114980134B (zh) 基于虚拟力的移动多目标动态覆盖方法
CN107222900A (zh) 一种基于动态链的无线传感器网络节点协作方法
Chen et al. Chain-type wireless sensor network node scheduling strategy
Huang Multi-node topology location model of smart city based on Internet of Things
Liu et al. A distributed deployment algorithm for communication coverage in wireless robotic networks
Huo et al. A UAV mobile strategy in mobile ad hoc networks
Sha et al. A type of energy-efficient target tracking approach based on grids in sensor networks
Bharany et al. Energy Efficient Clustering Protocol for FANETS Using Moth Flame Optimization. Sustainability 2022, 14, 6159
Akter et al. Incremental clustering-based object tracking in wireless sensor networks
Cheng et al. Research on artificial fish swarm clustering algorithm in urban internet of vehicles
Yoon et al. Coordinated locomotion of mobile sensor networks
Usha et al. Node density based clustering to maximize the network lifetime of WSN using multiple mobile elements
Ren et al. K-means online-learning routing protocol (K-MORP) for unmanned aerial vehicles (UAV) adhoc networks
Yu et al. WSN nodes deployment based on artificial fish school algorithm for traffic monitoring system
Li et al. A Survey on Target Tracking in Well-deployed Wireless Sensor Networks.
Tan et al. A weighted Voronoi Diagram based self-deployment algorithm for heterogeneous mobile sensor network in three-dimensional space
Jia et al. Intelligent Three-dimensional Node Localization Algorithm Using Dynamic Path Planning
Wang et al. Multi-sensor Area Deployment Optimization Method Based on Improved Cuckoo Search Algorithm

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