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
阅读说明:本技术 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 (Sensor network coverage enhancement method based on direction angle decomposition optimization and redundant node removal ) 是由 张磊 许淼 文方青 王可 黑创 胡林 于 2019-09-29 设计创作,主要内容包括:本发明公开一种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,属于传感器监测领域。本发明首先建立一种三维锥体有向感知模型;然后将传感器节点的感知范围分解为俯仰角和偏向角,提出一种基于差分进化算法的偏向角优化方法;最后针对传感器网络中存在大量冗余节点的问题,提出一种冗余节点去除方法。该方法能够有效改善传感器网络的覆盖率和节点数量。(The invention discloses a sensor network coverage enhancement method based on direction angle decomposition optimization and redundant node removal, and belongs to the field of sensor monitoring. Firstly, establishing a three-dimensional cone directional perception model; then decomposing the sensing range of the sensor node into a pitch angle and a deflection angle, and providing a deflection angle optimization method based on a differential evolution algorithm; and finally, aiming at the problem that a large number of redundant nodes exist in the sensor network, a redundant node removing method is provided. The method can effectively improve the coverage rate and the number of nodes of the sensor network.)
技术领域
本发明涉及传感器监测领域,尤其涉及一种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。
背景技术
随着世界城市化进程的推进,传感器网络在智能交通、智能家居等许多领域得到了广泛的应用。事实上,传感器网络已经成为各种实际应用中不可或缺的支柱。一般来说,使用传感器网络监控特定区域,需要大量低能量的节点,通常涉及两个关键问题,即覆盖性能和能耗。
覆盖增强问题是无线传感器网络中的一个基本问题。在感兴趣的区域构建传感器网络时,需要部署大量传感器。每个传感器都能对其感知区域内的目标进行监测。因此,覆盖增强主要是为了确定位于不同位置的目标能否被传感器所覆盖。通常将覆盖性能称为整个监测区域中传感器成功覆盖目标区域的百分比。更好的覆盖性能通常意味着更高的服务质量。这些挑战主要与大规模传感模型的大量参数优化有关。现有大多数覆盖增强方法旨在不考虑成本或能耗等更多目标的情况下提高覆盖率,它们不适合多目标优化的观点。
生命周期是传感器网络中的另一个重要问题。传感器部署在不适当的位置或方式,以及更换电池的困难,会进一步突出传感器节点的能耗问题。因此,优化能量消耗的策略非常关键,特别是考虑到在少量节点耗尽能量后,传感器网络无法正常工作。挑战主要涉及确定传感器覆盖的感兴趣区域的某些部分是否也被其他传感器覆盖,以及确定传感器激活或停用的顺序。
本发明专利旨在同时改善传感器网络的覆盖率和节点数量,实现服务质量的最优化和能耗的最小化。
发明内容
针对现有技术存在的问题,本发明的两方面提供了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。
为了达到此目的,本发明采用以下技术方案:
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,其特征在于,包括以下步骤:
步骤1、建立三维锥体有向感知模型;
步骤2、计算所述感知模型覆盖区域的体积;
步骤3、计算最优覆盖体积S及所述S对应的最优俯仰角λ;
步骤4、构建整个传感器网络的空间覆盖率;
步骤5、利用差分进化算法优化偏向角;
步骤6、去除传感器网络中的冗余节点。
在上述方面中,所述步骤1具体包括:
步骤1.1、以传感器节点P(x,y,z)为圆心、半径为R、圆心角为2β进行旋转形成空间感知区域PO1O2O3O4,并用五元数组(P,B,α,β,R)表示;
步骤1.2、设P'为感知节点P在X-Y平面上的投影,设B(λ,φ)为P的主感知方向,所述P'与Z轴夹角λ(∠P'PB)称为仰俯角,所述P'在X-Y平面投影称为偏向角φ(∠BP'x),2α、2β及R分别表示传感器节点的水平感知角度、垂直感知角度及感知半径。
在上述方面中,所述步骤2具体包括:
步骤2.1、设定所述锥体PO1O2O3O4各个顶点坐标分别为:
P=(x,y,z)
O1=(x+|P'O1|cos(α+φ),y+|P'O1|sin(α+φ),0)
O2=(x+|P'O2|cos(α-φ),y-|P'O2|sin(α-φ),0)
O3=(x+|P'O3|cos(α-φ),y-|P'O3|sin(α-φ),0)
O4=(x+|P'O4|cos(α+φ),y+|P'O4|sin(α+φ),0)
其中,|P'O1|=|P'O2|=ztan(λ-β)/|cosα|,|P'O3|=|P'O4|=ztan(λ+β)/|cosα|;
步骤2.2、计算锥体PO1O2O3O4的体积S为:
在上述方面中,所述步骤4具体包括:
步骤4.1、监测区域离散网格化;
步骤4.2、计算出监测区域的离散网格数Ntotal,传感器网络覆盖网格数为
其中,Ntotal为传感器数量,
为每个传感器覆盖的网格数,N为正整数;步骤4.3、得到传感器网络的空间覆盖率为η=Stotal/Ntotal。
在上述方面中,所述步骤5具体包括:
步骤5.1、设置初始参数,包括种群规模N,传感器数量m,最大进化次数Gmax,缩放因子F,交叉因子CR;
步骤5.2、生成初始种群P0,每个个体
j=1,2,…,m,0≤φi≤2π;步骤5.3、变异操作:
Vi(t+1)=Xr1(t)+F×(Xr2(t)-Xr3(t))
其中,t为进化迭代次数,F∈[0,1],称为缩放因子,r1,r2,r3∈{1,2,…,N},N为种群规模,并且r1,r2,r3与当前目标索引i不同;
步骤5.4、交叉操作:
其中,t为进化迭代次数,CR∈[0,1],称为交叉因子,rand(j)为[0,1]上的随机数;j=k保证试验个体Ui(t+1)中至少有一维分量由变异个体Vi(t+1)构成;
步骤5.5、选择操作:
其中,t为进化迭代次数,f(Ui(t+1))和f(Xi(t))为适应度评价函数;
步骤5.6、判断是否满足最大进化次数Gmax;是则结束,并输出最优解,即为一组最优的偏向角
否则转到步骤5.3。在上述方面中,所述步骤6具体包括:
步骤6.1、计算传感器网络中所有节点的休眠决定参数SDP;
步骤6.2、根据所述休眠决定参数SDP识别冗余节点,按升序对所有冗余节点的CCP排序;
步骤6.3、去除具有最小CCP的冗余节点;
步骤6.4、更新传感器网络中的工作节点,转到步骤6.1,直到传感器网络的节点数降到设定好的数值。
本发明的一种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。首先,建立符合真实物理环境的三维锥体有向感知模型;其次,将覆盖增强过程分解为俯仰角优化和偏向角优化,并提出基于差分进化算法的偏向角优化方法,提高传感器网络的空间覆盖率;最后,提出冗余节点去除方法,降低工作节点的数量,实现服务质量的最优化和能耗的最小化。
附图说明
图1是本发明实施例中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流程示意图;
图2是本发明实施例中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中建立三维锥体有向感知模型示意图。
具体实施方式
本发明提供了一种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,其核心发明点在于建立三维锥体有向感知模型;提出一种基于差分进化算法的偏向角优化方法;提出一种冗余节点去除方法。
下面将结合附图1~2,对本发明实施例中的方法方案进行清楚、完整的描述和论证,它将有助于理解本发明,但并不限制本发明的内容。
图1是本发明实施例中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流程示意图:
步骤1:以传感器节点P(x,y,z)为圆心、半径为R、圆心角为2β进行旋转形成空间感知区域PO1O2O3O4,并用五元数组(P,B,α,β,R)表示,建立三维锥体有向感知模型,如图2所示。其中,P'为感知节点P在X-Y平面的投影,B(λ,φ)为P的主感知方向,与Z轴夹角λ(∠P'PB)称为仰俯角,在X-Y平面投影称为偏向角φ(∠BP'x),2α、2β及R分别为传感器节点的水平感知角度、垂直感知角度及感知半径。
步骤2:计算感知模型所覆盖立体区域即锥体PO1O2O3O4的体积。其中顶点坐标分别为:
P=(x,y,z)
O1=(x+|P'O1|cos(α+φ),y+|P'O1|sin(α+φ),0)
O2=(x+|P'O2|cos(α-φ),y-|P'O2|sin(α-φ),0)
O3=(x+|P'O3|cos(α-φ),y-|P'O3|sin(α-φ),0)
O4=(x+|P'O4|cos(α+φ),y+|P'O4|sin(α+φ),0)
其中,|P'O1|=|P'O2|=ztan(λ-β)/|cosα|,|P'O3|=|P'O4|=ztan(λ+β)/|cosα|;
锥体PO1O2O3O4的体积S为:
步骤3:由于上述体积公式S中只有俯仰角λ为变量,进一步可以计算出最优覆盖体积S及其对应的最优俯仰角λ。
步骤4:监测区域离散网格化,其精度可以根据实际需要决定,如1m×1m×1m;计算出监测区域的离散网格数Ntotal,传感器网络覆盖网格数为
i=1,…,N,N为传感器数量,为每个传感器覆盖的网格数。得到传感器网络的空间覆盖率为η=Stotal/Ntotal。步骤5:优化传感器节点的俯仰角,减少传感器节点间的感知重叠区和感知盲区,以提升空间覆盖率,利用差分进化算法进行优化。
步骤5.1:设置初始参数,包括种群规模N,传感器数量m,最大进化次数Gmax,缩放因子F,交叉因子CR。
步骤5.2:生成初始种群P0,每个个体
i=1,2,…,NP,j=1,2,…,m,0≤φi≤2π。步骤5.3:变异操作。
Vi(t+1)=Xr1(t)+F×(Xr2(t)-Xr3(t))
式中,t为进化迭代次数,F∈[0,1],称为缩放因子,r1,r2,r3∈{1,2,…,N},N为种群规模,并且r1,r2,r3与当前目标索引i不同。
步骤5.4:交叉操作。
式中,t为进化迭代次数,CR∈[0,1],称为交叉因子,rand(j)为[0,1]上的随机数。j=k保证试验个体Ui(t+1)中至少有一维分量由变异个体Vi(t+1)构成。
步骤5.5:选择操作。
其中,t为进化迭代次数,f(Ui(t+1))和f(Xi(t))为适应度评价函数。
步骤5.6:判断是否满足最大进化次数Gmax。是则结束,并输出最优解,即为一组最优的偏向角
否则转到步骤5.3。步骤6:去除传感器网络中的冗余节点。
步骤6.1:计算传感器网络中所有节点的休眠决定参数(SDP),其定义如下。
休眠决定参数(SDP):设传感器网络覆盖的网格总数为Nt,如将其中一个传感器节点P关闭,此时传感器网络覆盖的网格数为NP。令SDP=1-NP/Nt,当SDP小于δ(很小的实数)时,节点P进入休眠状态,称SDP为休眠决定参数。
步骤6.2:根据SDP识别冗余节点,按升序对所有冗余节点的CCP排序。
步骤6.3:去除具有最小CCP的冗余节点。
步骤6.4:更新传感器网络中的工作节点,转到步骤6.1,直到传感器网络的节点数降到一定数量。
说明书中未阐述的部分均为现有技术或公知常识。本实施例仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明中的三维锥体有向感知模型、基于差分进化算法的偏向角优化方法、冗余节点去除方法等均认为是落入该发明权利要求书所保护范围内。
- 上一篇:一种医用注射器针头装配设备
- 下一篇:一种面向窄带物联网的无人机基站增强网络优化方法