[发明专利]一种无线传感器网络覆盖能耗平衡优化策略

摘要

在无线传感器网络中，对目标区域的覆盖程度以及网络能耗是衡量其性能的重要指标，通过对节点的合理配置，有利于保证网络覆盖，平衡网络能耗。针对节点感知距离可调的无线传感器网络，提出了一种无线传感器网络覆盖能耗平衡优化策略，本策略以满足一定的网络区域覆盖质量为前提，以覆盖能耗平衡为优化目标，采用粒子群算法，首先对网络中的节点布局进行动态优化，在此基础上通过合理调整节点感知距离，使得网络覆盖能耗性能最优。仿真结果表明，与传统节能覆盖方案相比，本策略能够有效减少感知重叠区和感知盲区，提高网络区域覆盖质量，降低网络能耗。

主权项

1.一种无线传感器网络覆盖能耗平衡优化策略，其特征在于在该特定无线传感网络系统中，网络中的固定节点提供一种预激活机制，移动节点通过这种预激活机制调节自身的睡眠周期来获得最大的生命期同时确保正常的通信。假设无线传感器网络监测区域A为二维平面，在该区域上投放参数相同的N个传感器节点，节点感知半径r，通信范围C，传感器节点表示为K{k₁，k₂，…，k_N}。设传感器节点k_i的位置为(x_i，y_i)，监测目标M位于(x，y)，则监测目标M与传感器节点k_i的距离为在0～1感知模型中，节点对以自身为中心、以感知距离为半径的圆盘区域内的感知质量为1，对圆盘外的感知质量为0，k_i对目标的监测概率p_xy(k_i)为：实际应用中，由于监测环境和噪声干扰，传感器节点测量模型应呈一定特性的概率分布[9-10]，即：pxy(ki)=0,r+re≤d(ki,M)e(-α1λ1β1)/λ2β2+α2,r-re<d(ki,M)<r+re1,d(ki,M)≤r-re---(2)]]>其中，r_e(0＜r_e＜r)是传感器节点测量可靠性参数，α₁、α₂、β₁、β₂是与传感器节点特性有关的测量参数，λ₁和λ₂为输入参数：λ₁＝r_e-r+d(k_i，M)    (3)λ₁＝r_e+r-d(k_i，M)    (4)为提高目标测量概率，需采用多个传感器节点同时测量目标。联合测量概率如下：Pxy(kov)=1-Πki∈kov(1-Pxy(ki))---(5)]]>为评价无线传感器网络的区域覆盖率，将待测区域A划分为m×n个网格，其粒度(即相邻网格间的距离)由求解精度决定，实验表明，当粒度大小为待测区域大小的4％-0.25％时，计算值与精确值之间的绝对偏差约为0.5％-0.1％。网络的区域覆盖率Q_arer(K)由各网格的联合测量概率来衡量，将Q_arer(K)定义为每个网格的联合测量概率之和与网格数之比，即：Qarer(K)=ΣPxy(kov)m×n---(6)]]>一般情况下，传感器节点的能量消耗由监测能耗e_M、计算能耗e_C和通信能耗e_T三部分组成，监测能耗e_M是感知距离的函数，函数形式由节点特性决定。节点的监测能耗是感知距离的θ次方函数，θ＞0，节点k_i的感知距离记为r_i，那么节点k_i的监测能耗与感知距离满足如下关系：eM(ri)=η×riθ---(7)]]>其中η为调整系数，η＞0。节点的感知距离越大，节点的监测能耗越多。式(7)给出了单个节点的能耗模型，整个无线传感器网络监测能耗为网络中各节点的监测能耗之和，表示成如下函数形式：EM(ri,...,rN)=Σi=1NeM(ri)---(8)]]>本专利覆盖能耗优化的宗旨是通过设定合理的节点位置和感知距离，使得无线传感器网络监测区域的覆盖率在不低于某预定值的前提下，网络监测能耗最低。这里采用φ衡量无线传感器网络覆盖能耗平衡选择方案：φ=Qarer(K)EM(ri,...,rN),ri∈R,i=1,...,N---(9)]]>其中R表示感知距离的可调范围。如果用C_th表示无线传感器网络监测区域覆盖率阈值，无线传感器网络覆盖能耗平衡优化问题可以抽象成如下模型：φopt=max[φ]=max[Qarer(K)EM(ri,...,rN)],Qarea(K)≥Cth---(10)]]>为简化模型，针对无线传感器网络特点做如下假设：步骤一：无线传感器网络包含一个sink节点，具有较强的处理能力，用于实现覆盖能耗平衡优化。步骤二：所有传感器节点可以获取自身位置，也可以在区间R内连续地调节感知距离。步骤三：传感器节点具备移动能力和感知距离调整能力。步骤四：粒子群算法是一种基于迭代模式的优化算法，算法简单、速度快、解质量高、鲁棒性好。在粒子群算法中，每个个体称为一个“粒子”，每个粒子代表着一个潜在的解。每个粒子都具有以下几类信息：粒子当前所处位置，即到目前为止由自己发现的最优位置(Pbest)，此信息视为粒子的自身飞行经验；到目前为止整个群体发现的最优位置(Gbest)(Gbest是Pbest的最优值)，这可视为粒子群中同伴共享飞行经验；各粒子的运动速度受到自身和群体的历史运动状态信息影响，并以自身和群体历史最优位置来对当前的运动方向和运动速度加以影响，很好地协调了粒子自身运动和群体运动之间的关系。设群体由m个粒子组成，每个粒子在D维空间中的坐标可以表示为x_i＝(x_i1，x_i2，...x_id，x_iD)，粒子i(i＝1，2，...，m)的速度定义为每次迭代中粒子移动的距离，用v_i＝(v_i1，v_i2，...v_id，...v_iD)表示。在每次迭代中粒子根据下式更新速度和位置：v_id＝ωv_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)    (11)x_id＝x_id+v_id                              (12)式(11)中：r₁和r₂为[0，1]之间的随机数，这两个参数用来保持群体多样性；c₁和c₂为加速因子；p_id为当前粒子的历史最优位置，p_gd为整个粒子群的历史最优位置；ω为惯性权重。采用网格化方法评价网络的区域覆盖率，假设监测区域A为L×L的正方形区域，将该区域划分成大小相等、面积均为(L/20)×(L/20)的网格。在区域A内部署N个节点，随机初始化传感器节点位置，网络的初始区域覆盖率为：Qs(K)=Σpxys(kov)L×L---(13)]]>式(13)中，∑P_xys(k_ov)为初始状态下每个网格的联合测量概率之和。将粒子群算法引入到动态布局优化中，算法的搜索空间维数D＝2×N。Q(K)为算法的适应值函数，初始时设Q(K)＝Q_s(K)，每个粒子为带有D维传感器节点的一个个体，不同的个体具有不同的位置，不同的位置对应于不同的区域覆盖率Q_arer(K)，粒子的速度和位置通过不断迭代得以更新，使得节点位置分布趋向合理，联合测量概率之和∑P_xy(k_ov)增加，区域覆盖率Q_arer(K)随之增加。每次迭代中当Q_arer(K)＞Q(K)时，将适应值函数调整为Q(K)＝Q_arer(K)，如此循环往复，使得式(14)成立：Q(K)=max(Qarer(K))Q(K)>Qs(K)---(14)]]>此时和Q(K)相对应的粒子群群体最优位置(Gbest)即为动态布局优化后传感器节点的位置。为使算法在初期能较快集中到全局最优解附近，后期则能在局部收敛至全局最优解，将式(11)中的ω设为一个随时间线性减少的函数：ω(t)=1.0-tMaxDT×0.4---(15)]]>其中，MaxDT为算法的总迭代次数，t为当前迭代次数。设v_max为某维的最大速度限额，v_max值太大会导致粒子跳过最好解，值太小又会导致对空间的不充分搜索。这里设v_max＝0.1×x_max，当v_id＞v_max时，令v_id＝v_max；当v_id＜-v_max时，则令v_id＝-v_max。当粒子离开搜索空间时位置更新为：基于粒子群算法的无线传感器网络动态布局优化过程如下：步骤一：初始化无线传感器网络传感器节点位置，每个节点的感知半径r_{i(i＝1...，N)}＝r，r∈R，且为一个固定值，计算网络的初始覆盖率。步骤二：设种群规模为m，生成各粒子的初始位置和速度，设置粒子的个体最优适应值和全局最优适应值均为网络的初始覆盖率。步骤三：根据无线传感器网络覆盖性能评价方法计算各粒子适应值。步骤四：将各粒子的当前适应值和个体最优适应值、全局最优适应值比较，并根据式(11)-(12)更新个体最优位置p_id、全局最优位置p_gd、当前速度v_id和当前位置x_id。步骤五：如果达到停止条件(达到预设最大迭代次数MaxDT或者预设适应值)则停止，输出运行结果，否则返回步骤三)。