CN102395146A - 一种面向多目标点监测的无线传感网感知拓扑构建方法 - Google Patents

Abstract

本发明涉及一种面向多目标点检测的无线传感网感知拓扑构建方法，其特征在于从多目标点覆盖调度的角度，以基于仿生算法的多目标点感知覆盖调度算法为基础，提供了一种对多目标点监测感知拓扑构建方法，所述的仿生算法以目标点覆盖率为设计前提，网络能耗均衡为设计目标，并着重考虑目标点重覆盖数据冗余采集的问题。使用仿生学算法最优化算法，以网络的能量方差、目标点覆盖率、活动节点个数为适应度函数的构造参数，计算出合理的活动节点集合，并根据该集合，对网络的拓扑结构和路由进行控制。本发明适用于随机冗余布设的中高速、低功耗混合传感器网络及对应的M2M应用。

Description

一种面向多目标点监测的无线传感网感知拓扑构建方法

技术领域

本发明涉及一种面向多目标点监测的无线传感网感知拓扑构建方法，更确切地说，本发明涉及一种无线传感网多目标点的覆盖及对应拓扑构建方法。属于无线传感网领域。

背景技术

多目标点自适应感知拓扑的构建问题的一般解决流程大致包括两个步骤：一是活动节点的选择；二是活动节点路由的构建。

在第一个步骤中，一般需要考虑的因素包括覆盖率和活动节点整体的能量特性。即首先要求选择的活动节点能覆盖所有的目标点，其次则要求选择出的活动节点具备均衡自适应网络能量消耗的特性。在第二个步骤中，需要考虑活动节点如何构建一个通往Sink节点的数据通道。

1)对于第一个步骤，覆盖率的支持较容易实现；而自适应能量特性则要求节点能根据相关节点的能量消耗情况，决定自身的工作状态。

一般情况下，目标点和传感器节点均随机布设，同时假设传感器节点满足0/1分布的监测感知模型，网络以轮的方式进行调度管理。认为只有能监测到目标点的传感器节点才会定期产生有效数据。由于随机布设的不均匀性，各个目标点可能被多个传感器节点覆盖，如果我们同时使用多个传感器节点对一个目标点进行监测，那么这些传感器节点将产生出相同的数据，这是对传感器资源的一种浪费。同时网络中其他节点可能需要配合该传感器节点完成数据的上传工作，这同时也加剧了网络中其他节点的通信负担。一种有效的方式是使得冗余的传感器节点进入休眠状态，每轮仅有有限个节点活动，但同时要完成目标监测的任务，实现网络中节点能耗的均衡。因此活动节点的选择问题，实际上可等价为多目标点覆盖调度问题。

2)对于第二个步骤，可简化认为活动节点能通过一跳路由与某个不能覆盖到目标点的节点通信，或是能通过一跳路由直接与Sink节点通信，从而使我们的目标锁定在多目标点覆盖调度问题上。

综合以上描述，可看出多目标点监测感知拓扑构建问题可通过合理优化传感器节点调度，自适应控制传感器节点开关状态来解决，而网络中的路由则能以活动节点为基础进行构建。

以上所涉及的传感网多目标点监测问题，已经有了研究报道：

1)一种研究的方式是不区分目标点的多重覆盖，认为节点消耗的能量等比于其覆盖的目标点数或是与时间成正比关系。

Cardei M，Thai MT，Yingshu L，et al.”[Energy-efficient target coverage inwireless sensor networks，”Proc.IEEE Infocom Conference，vol.1973，PP.1976-1984，2005]在文章中较早针对K目标监测提出了最大覆盖控制集(Maximum Set Covers)的概念，简称MSC，作者以二分图来表示传感器节点和目标点之间的覆盖关系，并从线性规划的角度给出了两个解决方案，分别是启发式的LP-MSC和贪婪式的Greedy MSC，通过构建多个非不相交覆盖集的方法达到最大化网络生命周期的目标，此外作者还有效证明了MSC问题本身是一个NP完全问题。该文作者在论证和仿真的过程中，仅仅假设传感器节点仅能工作一个生命周期，当扩展到多生命周期时，该文献提出的方法不能有效的对节点的剩余能量进行考虑；此外，该文作者没有关注多重覆盖的目标点，认为节点一旦覆盖了某个目标点，就会周期产生数据，那么对于多重覆盖的目标点，必然会有一个数据冗余的问题。文献[Jiming C，Junkun L，Shibo H，et al.Energy-Efficient Coverage Based on Probabilistic Sensing Model inWireless Sensor Networks[J].Communications Letters，IEEE，2010，14(9)：833-835]则是把多目标的覆盖调度问题归结为最小权重传感器覆盖问题(MWSCP)，并考虑在概率覆盖模型下的覆盖调度，通过构建一个整数线性规划模型，作者分别使用蚁群算法和粒子群算法对这个问题进行求解。在该文中，作者只把节点区分成工作态和非工作态，并认为无论节点覆盖多少目标点，其在工作状态的能耗都相同。这种假设具备一定的合理性，但仍是不足的。

2)另外，一种研究的报道则是对目标点的多重覆盖情况进行考虑，认为节点能耗等比于其负责的目标点数目。

如，Sung-Yeop P和Dong-Ho C.[Power-saving scheduling for multiple-targetcoverage in wireless sensor networks[J].Communications Letters，IEEE，2009，13(2)：130-132]在09年的IEEE通信快讯中把这一问题定义为多目标覆盖问题(Multiple target coverage)，简称MTC。提出了一个考虑能量均衡性的启发式算法MTCP。该算法同时考虑了节点的传输能耗和重覆盖的目标点，为每个多重覆盖的目标点选取一个合适的责任点，使得每个目标点仅对应一个传感器节点，从而降低了数据的冗余。但该文献作者没有考虑对传感器节点的能量特征进行考虑。针对该文章的缺陷，又如Kim H，Han Y-H，Min S-G.等人[Maximum lifetime scheduling for target coverage in wireless sensor networks[C].Proceedings of the 6th International Wireless Communications and MobileComputing Conference.Caen，France：ACM，2010.]报道了对多目标监测问题做了进一步的解决，在前人启发式算法的基础上做了进一步的改进，提出了MLS算法。该算法在考虑重覆盖目标节点问题的同时，对传感器节点的剩余能量进行考虑。仿真表明，在考虑上述两方面的问题后，相比以往的MSC、MTCP算法，该算法能找出更多数目的覆盖集，因此网络生命周期更长。在相同网络场景和能耗模型前提下，使用MLS能使得大多数节点使用了50％以上的能量，很多节点使用了全部的能量；而使用MCTP则导致很多节点不耗费能量，而仅有少数节点使用全部的能量。

本发明拟以最大化网络寿命并有效监测目标点为总体目标，以传感器节点能对自身覆盖的目标点进行分类识别为基础，考虑节点剩余能量，目标点重覆盖冗余，在保证覆盖率的基础上优化网络能量效率，通过把问题建模成离散空间的组合优化问题，然后使用仿生算法进行求解。

发明内容

本发明的目的在于提供一种面向多目标点监测的无线传感网感知拓扑构建方法。

针对目前已有应用中的传感器节点可以对感知半径内的目标点进行识别，并且传感器节点感知到的数据总量等比于其实际监测的目标点的数目。这意味着，传感器节点监测的目标点数目越多，其上传能量消耗的能量越多。如图(2)所示，可以看出，每个传感器节点可能覆盖多个目标点，例如，S₁传感节点覆盖T₁、T₂、T₃和T₅4个目标点，S2传感节点覆盖T₁、T₃和T₄3个目标结点。

因此，本发明所要解决的技术问题是：

在目标点重覆盖的情况下，如何通过多传感器节点的休眠调度，获取最大节点覆盖集，实现多目标的有效监测和感知拓扑的自适应构建，同时尽力使网络在尽可能大的时间周期内采用最均衡能耗的方式运行。

本发明所述的构建方法的依据包括：

1)传感器节点的能量方差尽可能的靠近零值；

2)使得能量方差往尽可能向小的方向发展；

3)控制能量方差向较坏方向发展的幅度。

通过这些措施的有效实施，在一定程度上保证网络达到能耗均衡状态。通过动态唤醒以及为每个目标点选择合适的责任节点，实现在满足K目标全覆盖的情况下最大化网络的生命周期。

为便于理解本发明，拟将表述方式中的含义先表述如下：

有效节点：对网络中的任意节点，当其可感知的目标点数目大于等于1时，即认为该节点为有效节点。

有效节点集：对于传感器节点集合S中所有的有效节点的集合即是有效节点集。

激活节点集：在某轮中，处于激活状态的有效节点的集合。

当网络随机布设后，节点不会随意发生移动，且部分节点由于覆盖不到目标点，所以不在本发明的监控范围内。故本发明仅对有效节点集进行处理。

本发明是一种面向多目标监测涉及的无线传感网，亦即必须考虑多目标点重覆盖的，以动态休眠唤醒为手段的动态拓扑构建方法，具体包括以下步骤：

步骤一：通过GPS等方法获取各节点在网络中自身位置信息，并通过泛洪或定向寻路路由等方式告知网络中心控制节点，据此可获取网络中有效节点位置、能量等相关信息，当网络中有效节点比例低于预设的阈值，则算法终止。

步骤二：编码，为统一描述方式，采用简单的0/1模型对仿生个体进行编码，每个仿生个体代表一个下轮可能采用的调度模式。仿生个体长度等于网络中的有效节点个数。

仿生个体可用下式进行表述：

X＝[x₁，x₂，x₃，…，x_i，…，x_V-1，x_V]

其中V为有效节点总数目，x_i为布尔变量，其值只能取0或1。

当x_i＝1时，表明在下轮中第i号有效节点为激活状态。

步骤三：按照仿生算法的执行标准流程，以适应度函数为指导，对编码后的随机可能解进行标准操作，直到达到最大迭代次数，给出最终解。适应度函数的设计，以能耗均衡为目标进行。本着最大限度保证有效节点的能量均衡特性的原则，应将适应度函数的设计成三部分：

(1)责任节点的选取：对各个目标点的责任节点进行有效的判定，以与所有有效节点的能量方差最大为原则，对有效节点集中具有多重覆盖感知的目标点选取其对应的传感器节点。

(2)解优劣性评估：本轮能量方差与预估的下轮能量方差的差值、当前仿生个体对目标点的覆盖率、所使用的传感器节点的数目为适应度评估函数参数。

(3)最终评估结果修正：

所述的评估的参数包括：

1)本轮能量方差V_cur与预估的下轮能量方差V_pre的差值V_dif；

2)当前杂草个体对目标点的覆盖率C_t；

3)所使用的传感器节点的数目N_v。

由以上参数构建的适应度评估函数为：

$\mathrm{fit}=(V_{\mathrm{dif}}+\left(\frac{1}{C_t}\right))\×\frac{1}{N_v}$

V_dif＝V_pre-V_cur

C_t＝C(X)/M

其中C(X)：当前仿生个体X对应覆盖的目标点数目；

M：目标点总数；

其中C_t、N_v、V_dif均与当前仿生个体X相关。

(3)最终评估结果修正：根据责任点选取的结果，对仿生个体进行休整，仅把选取出来作为责任点的传感器节点对应的比特位置1。

步骤四：若最终的仿生个体不满足目标点全覆盖或特定比例以上覆盖的目标，修整对应的仿生个体编码项，使其以最小编码位改动满足全覆盖，对其进行解码即可获得当前网络场景下的最大节点覆盖集。对于覆盖率过差的最终解，采用删除操作，若删除操作次数小于N，则返回步骤四。否则，需通过中心控制节点上报进行人工处理。

步骤五：根据步骤四的计算结果，形成以中心控制节点为根的树状网络拓扑。更改删除操作次数为零。

步骤六：根据预设的网络拓扑重构时间，返回步骤一。

作为仿生算法的优选方案：可以选取遗传算法和二进制粒子群算法、二进制入侵杂草算法中的任一种。

仿生算法的采用，使得原本无法在多项式时间内获得解决的问题有了可靠的解决方案。故在构建方法中，仅需要关心核心点，即最终设计目标：能耗均衡，一旦网络能够实现能耗均衡，那么网络必然拥有最多数目的感知节点集合，这样网络的生存周期必然增大，那么网络最终能够获取到的有效数据量必然也会增大到最大值。而对于能耗均衡所对应最佳方案的实现手段，则可在设定好的搜索机制下，交给仿生算法本身解决。

本发明涉及一种面向多目标点检测的无线传感网感知拓扑构建方法，其特征在于从多目标点覆盖调度的角度，以基于仿生算法的多目标点感知覆盖调度算法为基础，提供了一种对多目标点监测感知拓扑构建方法，所述的仿生算法以目标点覆盖率为设计前提，网络能耗均衡为设计目标，并着重考虑目标点重覆盖数据冗余采集的问题。使用仿生学算法最优化算法，以网络的能量方差、目标点覆盖率、活动节点个数为适应度函数的构造参数，计算出合理的活动节点集合，并根据该集合，对网络的拓扑结构和路由进行控制。本发明适用于随机冗余布设的中高速、低功耗混合传感器网络及对应的M2M应用。

附图说明

图1是多目标点自适应拓扑构建流程图。

图2是多目标点感知覆盖示意图。

具体实施方式

具体实施如下：

网络场景大小为400×400m，传感器节点感知半径为100m，最大通信半径为感知半径的2倍。汇聚节点位于网络场景的中心，传感器节点具备功率控制能力。

传感器节点和目标点均采用随机方式布设，目标点总数为20个，传感器节点总数为可设置为30～80个。

仿生算法则可选用二进制入侵杂草算法，对应的二进制入侵杂草算法的流程可在公开的文献中查找到。杂草个体可用下式进行表述：

X＝[x₁，x₂，x₃，…，x_i，…，x_V-1，x_V]

其中V为有效节点总数目，x_i为布尔变量，其值只能取0或1。

当x_i＝1时，表明在下轮中第i号有效节点为激活状态。

具体的二进制入侵杂草算法参数配置如下：

上表中，问题的维度应在算法的运行过程中自适应决定，Dim值等于当前网络运行状态下的有效节点总数。由此可看出，对于特大规模的随机布设网络，这种简单的编码方式是不适合的。需要把问题拆解，使得问题的维度适当。本实施方案中设置的传感器节点数目均在一个适当的维度范围内。

首先通过GPS等方法获取各节点自身位置信息，并通过泛洪或定向寻路路由等方式告知汇聚节点(网络中心控制节点)，据此可获取网络中有效节点位置、能量等相关信息，当网络中有效节点比例低于预设的阈值，则算法终止。

在汇聚节点中配置算法的全局删除次数为零，采用0/1模型对仿生个体进行编码，每个仿生个体代表一个下轮可能采用的调度模式。仿生个体长度等于网络中的有效节点个数。

仿生个体可用下式进行表述：

X＝[x₁，x₂，x₃，…，x_i，…，x_V-1，x_V]

其中V为有效节点总数目，x_i为布尔变量，其值只能取0或1。

当x_i＝1时，表明在下轮中第i号有效节点为激活状态。

接下来，进行适应度函数构建，并进行循环评估，给出最终解。

首先获取当前杂草个体X对应的激活节点集合，对应比特位为1的节点即是激活节点。找出该节点集合对应的目标点的矩阵，记录格式为：

[target_id，sensor_valid_id，energy_var]

其中target_id为目标点编号，sensor_valid_id为有效节点的全局编号，energy_var为有效节点的当前能量方差值。

对以上集合中多重覆盖感知的目标点，统计每个目标点对应的传感器节点的个数N_t，按N_t从小到大的顺序对目标点进行排序，依次对排序后的目标点选取其对应的传感器节点，选取的原则采用对应能量方差最大的原则，一旦选取后，即对上述集合中的该传感器节点所对应的能量方差，即energy_var项进行更新，变化幅度为1。若某个目标点对应的多个传感器节点的能量方差相同，则选取节点编号最小的作为其对应监测点。

在完成责任节点选取后，就可以对当前杂草个体对应的有效的匹配关系进行评估。

评估的参数包括：

1)本轮能量方差V_cur与预估的下轮能量方差V_pre的差值V_dif；

2)当前杂草个体对目标点的覆盖率C_t；

3)所使用的传感器节点的数目N_v。

适应度评估函数为：

$\mathrm{fit}=(V_{\mathrm{dif}}+\left(\frac{1}{C_t}\right))\×\frac{1}{N_v}$

V_dif＝V_pre-V_cur

C_t＝C(X)/M

C(X)：当前杂草个体X对应覆盖的目标点数目；

M：目标点总数；

其中C_t、N_v、V_dif均与当前杂草个体X相关。

根据责任点选取的结果，对杂草个体进行休整，仅把选取出来作为责任点的传感器节点对应的比特位置1。故最终评估结果包括两部分：1.休整过后的杂草个体X′；2.优劣性评价结果fit。

重复算法，直到达到最大迭代，给出最终解。

当二进制入侵杂草算法获得的最终解达到95％以上的特定比例覆盖率时，即认为其获得的解是一个有效的解，可以对该有效解进行覆盖的修补操作，从而使其满足全覆盖的要求，解码后即可获得当前网络场景下的最大节点覆盖集，以此构建树状拓扑，并由汇聚节点以大功率广播方式下发给场景中其他节点。而对于覆盖率过差的最终解，小于50％目标点，我们则采用删除操作，重新进行最终解计算，并把删除次数增加1若搜索N(可取5～7)次后仍无法满足条件，此时对应删除次数大于预设值N，则需通过中心控制节点上报进行人工处理。

根据二进制入侵杂草算法获得的有效最终解，形成以中心控制节点为根的树状网络拓扑。

到达规定的网络拓扑重构时间后，需重新根据当前网络中节点位置和能量信息，按照上述步骤，重新计算有效最终解。当有效节点数目不能覆盖网络中50％的目标节点时，需通过中心控制节点上报进行人工处理。

Claims (7)

1.一种面向多目标点监测的无线传感网感知拓扑构建方法，其特征在于以下步骤：

步骤一：获取各节点在网络中自身位置信息，并通过泛供或定向寻路路由方式告知网络中心控制节点，从而获取网络中有效节点位置和能量相关信息；

步骤二：编码，采用0/1模型对仿生个体进行编码，每个仿生个体代表一个下轮可能采用的调度模式，仿生个体长度等于网络中的有效节点个数；

步骤三：按照仿生算法的执行标准流程，以适应度函数为指导，给出最终解；适应度函数的设计，以能耗均衡为目标进行；包括(1)责任节点的选取；(2)解优劣性评估；(3)最终评估结果修正；

步骤四：若最终的仿生个体不满足目标点全覆盖或特定比例以上覆盖的目标，修整对应的仿生个体编码项，使其以最小编码位改动满足全覆盖，对其进行解码即可获得当前网络场景下的最大节点覆盖集；对于覆盖率过差的最终解，采用删除操作，若删除操作次数小于N，则返回步骤四；否则，需通过中心控制节点上报进行人工处理；

步骤五：根据步骤四的计算结果，形成以中心控制节点为根的树状网络拓扑，更改删除操作次数为零；

步骤六：根据预设的网络拓扑重构时间，返回步骤一。

2.根据权利要求1所述的方法，其特征在于步骤一中如网络中有效节点比例低于预设的阈值，则终止。

3.根据权利要求1所述的方法，其特征在于步骤三所述的适应度函数的设计以能量均衡为目标，设计原则包括：

a)传感器节点的能量方差尽可能的靠近零值；

b)使得能量方差往尽可能小的方向发展；

c)控制能量方差向较坏方向发展的幅度。

4.根据权利要求1所述的方法，其特征在于以本轮能量方差V_cur与预估的下轮能量方差V_pre的差值V_dif、当前仿生个体对目标点的覆盖率C_t、所使用的传感器节点的数目N_v为适应度评估函数参数。

适应度评估函数为：

$\mathrm{fit}=(V_{\mathrm{dif}}+\left(\frac{1}{C_t}\right))\×\frac{1}{N_v}$

V_dif＝V_pre-V_cur

C_t＝C(X)/M

其中，C(X)表示当前杂草个体X对应覆盖的目标点数目，M为目标点总数；C_t、N_v、V_dif均与当前杂草个体X相关。

5.根据权利要求1所述的方法，其特征在于步骤五包括对高于特定覆盖比例的目标解的修整操作和对覆盖率过差解的删除操作。

6.根据权利要求1或3所述的方法，其特征在于每个传感器节点覆盖多个目标点。

7.根据权利要求1所述的方法，其特征在于该方法适用于中高速、低功耗、两者相混合的传感网拓扑结构及对应的M2M应用。

Images