CN102647726A - 一种无线传感器网络覆盖能耗平衡优化策略 - Google Patents

Abstract

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。

Description

一种无线传感器网络覆盖能耗平衡优化策略

技术领域

无线传感网络***的能耗管理方法的技术领域，特别是移动节点的能耗管理技术。 

背景技术

在无线传感器网络中，覆盖与能耗是一组矛盾，即随着覆盖程度提高，能耗也随之增加，研究如何在满足区域覆盖要求的同时降低网络总能耗，即研究覆盖能耗平衡优化具有重要意义。 

通常采用的覆盖能耗平衡优化方法有：冗余部署节点，根据目标实时状况，使节点轮换“活跃”和“休眠”的节能覆盖方案，这以投入大量的冗余节点为代价；通过调整节点位置进行动态布局优化，如果节点位置调整后依然存在较多的感知重叠区域，仍然会产生不必要的能耗；对于随机部署的固定节点，通过调节节点的感知距离达到节能覆盖，但如果节点分布不均匀，将会降低节能覆盖效果。 

发明内容

无线传感器网络由大量部署在观测环境中的传感器节点组成，布局灵活、协同处理能力强，被广泛应用于目标跟踪、环境监测、工业控制等领域。网络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。通常情况下，网络覆盖与能耗是一组矛盾，即随着覆盖程度提高，能耗也随之增加，所以研究如何在满足区域覆盖要求的同时降低能耗，即研究覆盖能耗平衡优化具有重要意义。 

通常在无线传感器网络中，采用冗余部署节点，根据目标实时状况，使节点轮换“活跃”和“休眠”的节能覆盖方案；近年来，无线传感器网络动态布局优化得到广泛关注，该类方法根据监测环境，以提高网络区域覆盖率为优化目标，动态地实现无线传感器网络布局优化，降低网络能耗。随着感知距离可调的传感器节点的出现，基于节点感知距离调节的平衡覆盖能耗的方法也逐渐引起重视，该类方法主要是通过设定合理的节点感知距离，使得网络在满足覆盖要求的同时降低能耗。 

本发明针对节点感知距离可调的无线传感器网络，提出一种基于粒子群算法，实现覆盖、能耗平衡的动态网络布局优化策略。首先通过粒子群算法优化网络中节点的布局，减少感知重叠区和感知盲区，提高区域覆盖质量；然后在保证一定的区域覆盖质量的前提下，通过调整节点感知距离，进一步减少感知重叠区，降低网络能耗，延长网络寿命。 

附图说明

图1是仿真实验1结果的示意图 

图2是仿真实验2结果示意图 

图3是仿真实验3结果示意图 

图4是三种优化方法的仿真实验结果示意图 

具体实施方式

下面就本策略的具体实施过程及通过附图和具体仿真实验对本发明做进一步详尽的说明。 

步骤一：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： 

1)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。 

2)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。 

3)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。 

4)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。 

5)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3)。 

步骤二：覆盖能耗平衡优化算法设计。 

在对无线传感器网络布动态局优化的基础上，进行覆盖能耗平衡优化。设传感器节点已根据网络布局优化完成位置迁移，每个节点感知半径的调整范围为0-r(r为网络动态布局优化中设置的一个固定值)，最大速度限额v_maxr＝0.1×r，当v_idr＞v_maxr，令v_idr＝v_maxr；当v_idr＜v_maxr时，则令v_idr＝-v_maxr。当粒子离开搜索空间时，假如x_idr＞r，设x_idr＝r，假如x_idr＜r，则设x_idr＝0。基于粒子群算法的无线传感器网络覆盖能耗平衡优化算法设计如下： 

1)初始化传感器节点感知半径，为保证一定的初始覆盖率，避免陷入局部最优，设置节 点感知半径为r-r/2之间的随机数，设置覆盖率阈值C_th，设置节点感知距离可调范围R为0～r。 

2)计算经动态布局优化后，覆盖能耗平衡值φ。 

3)设定种群规模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，这两个值均为经动态布局优化后网络的覆盖能耗平衡值φ。 

4)根据无线传感器网络覆盖及覆盖能耗优化性能评价方法计算各粒子覆盖率和覆盖能耗平衡优化适应值。 

5)将各粒子覆盖率和C_th比较，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_idr、全局最优位置P_gdr、当前速度v_idr和当前位置x_idr。 

6)如果达到停止条件(达到预设最大迭代次数MaxDTr或者预设适应值)则停止，输出运行结果，否则返回步骤4)。 

步骤三：覆盖能耗平衡优化仿真实验。 

假设在边长为20m的正方形监测区域中部署N个感知距离可调的移动传感器节点，感知距离的调节范围R为0～r(设r＝5)，每个节点感知半径r_i∈R，当r_i＝0时，节点处于休眠状态。测量可靠性参数r_e＝0.5r_i，无线传感器网络监测区域覆盖率阈值C_th＝0.9，概率模型测量参数为α₁＝1，α₂＝0，β₁＝1，β₂＝0.5，加速因子c₁＝c₂＝1，调整系数η＝1，θ＝1，MaxDT＝500，MaxDTr＝300，采用主频为2.26GHz的PC机在Matlab环境下仿真。 

实验1。设N＝20，每个节点的初始感知半径r_{i(i＝1...，N)}＝r，初始化随机部署后传感器节点位置如图1(a)所示，网络的初始区域覆盖率Q_area＝86％，覆盖能耗平衡值φ＝0.0086。采用粒子群算法进行动态布局优化，以网络的区域覆盖率为优化目标，调整传感器节点位置；在此基础上，在满足Q_area≥C_th的前提下，以φ_opt为优化目标，采用粒子群算法进行覆盖能耗平衡优化，调整传感器节点感知距离。优化后监测区域中传感器节点的布局情况如图1(b)所示，节点较为均匀地分布在监测区域中，其中有8个节点处于休眠状态，其他12个节点处于 感知状态且感知距离各不相同，网络的覆盖率Q_area＝90％，覆盖能耗平衡优化值φ_opt＝0.0162。 

实验2。设N＝25，每个节点的初始感知半径r_{i(i＝1...，N)}＝r，初始化随机部署后传感器节点位置如图2(a)所示，网络的初始区域覆盖率Q_area＝87.81％，覆盖能耗平衡值φ＝0.0070。覆盖能耗平衡优化后监测区域中传感器节点的布局情况如图2(b)所示，共有14个节点处于休眠状态，处于休眠状态的节点比实验1增加了6个，11个节点处于不同感知距离的感知状态，网络的覆盖率Q_area＝90％，覆盖能耗平衡优化值φ_opt＝0.0151。 

实验3。设N＝30，每个节点的初始感知半径r_{i(i＝1...，N)}＝r，初始化随机部署后传感器节点位置如图3(a)所示，网络的初始区域覆盖率Q_area＝89.6％，覆盖能耗平衡值φ＝0.0060。覆盖能耗平衡优化后监测区域中传感器节点的布局情况如图3(b)所示，共有18个节点处于休眠状态，处于休眠状态的节点比实验2又增加了4个，12个节点处于不同感知距离的感知状态，网络的覆盖率Q_area＝90％，覆盖能耗平衡优化值φ_opt＝0.0158。 

从以上实验结果可见，采用覆盖能耗平衡优化能有效减少感知盲区和感知重叠区，提升覆盖能耗平衡值。 

为进一步验证覆盖能耗平衡优化的有效性，采用以下三种优化方法，比较达到相同区域覆盖率时各自的网络能量消耗。 

本发明方法(方法1)。 

按照Lin Zhuliang，Feng Yuanjing.Optimization strategy of wireless sensor networks coverage based on particle swarm algorithm[J].Computer Simulation，2009，26(4)：190-193.提出的无线传感器网络布局优化思想，采用粒子群算法进行动态布局优化，通过调整传感器节点位置，提高网络监测区域的覆盖率(方法2)。传感器节点感知半径r(r∈R)根据所要达到的区域覆盖率目标来设定。 

按照Wu J and Yang S.Coverage issue in sensor networks with adjustable ranges[C].International Conferences on Parallel Processing Workshops，Montreal，Quebec，August2004：61-68.提出的基于节点感知距离调节的节能覆盖优化思想，对于随机部署的固定节点，通过调节节点的感知距离，使得网络监测区域的覆盖率Q_area≥C_th的前提下，网络能量消耗最低(方法3)。 

在边长为20m的正方形监测区域中部署N个感知距离可调的移动传感器节点，实验参数 同4.1，当N＝20、N＝25、N＝30时，分别采用上述三种优化方法进行20次独立优化仿真实验，实验结果如图4所示。 

由图4可见，当监测区域中部署传感器节点数较少(N＝20)时，方法3中节点为随机部署，存在较多的感知盲区，Q_area最大值只能达到90％左右，方法2较方法3有效；当监测区域中部署传感器节点数增加(N＝25，N＝30)，在区域覆盖率要求较低时，方法3的感知距离调整能有效减少感知重叠区域、降低网络能耗，覆盖能耗平衡优化值优于方法2，随着区域覆盖率的增加，方法3中由于感知盲区的存在，优势逐步消失，方法2优于方法3；采用方法1能有效减少感知重叠区域和感知盲区，其覆盖能耗平衡优化值始终高于传统方法(方法1、方法2)，由于覆盖能耗平衡优化值为区域的覆盖率Q_area和网络总能耗E之比，所以当区域覆盖率相同时，方法1的网络总能耗E最小，从而证明了该策略的有效性。 

Claims (2)

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***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：

$p_{\mathrm{xy}}\left(k_i\right)=\left\{\begin{array}{cc}0,& r+r_e\&le;d(k_i,M)\\ e^{(-{\mathrm{\&alpha;}}_1{{\mathrm{\&lambda;}}_1}^{{\mathrm{\&beta;}}_1})/{{\mathrm{\&lambda;}}_2}^{{\mathrm{\&beta;}}_2}+{\mathrm{\&alpha;}}_2},& r-r_e<d(k_i,M)<r+r_e\\ 1,& d(k_i,M)\&le;r-r_e\end{array}\right.---\left(2\right)$

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：

$P_{\mathrm{xy}}\left(k_{\mathrm{ov}}\right)=1-\underset{k_i\&Element;k_{\mathrm{ov}}}{\mathrm{\&Pi;}}(1-P_{\mathrm{xy}}\left(k_i\right))---\left(5\right)$

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：

$Q_{\mathrm{arer}}\left(K\right)=\frac{\mathrm{\&Sigma;}{P}_{\mathrm{xy}}\left(k_{\mathrm{ov}}\right)}{m\&times;n}---\left(6\right)$

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：

$e_M\left(r_i\right)=\mathrm{\&eta;}\&times;r_i^{\mathrm{\&theta;}}---\left(7\right)$

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：

$E_M(r_i,...,r_N)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}_M\left(r_i\right)---\left(8\right)$

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：

$\mathrm{\&phi;}=\frac{Q_{\mathrm{arer}}\left(K\right)}{E_M(r_i,...,r_N)},r_i\&Element;R,i=1,...,N---\left(9\right)$

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：

${\mathrm{\&phi;}}_{\mathrm{opt}}=\max \left[\mathrm{\&phi;}\right]=\max \left[\frac{Q_{\mathrm{arer}}\left(K\right)}{E_M(r_i,...,r_N)}\right],Q_{\mathrm{area}}\left(K\right)\&GreaterEqual;C_{\mathrm{th}}---\left(10\right)$

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：

$Q_s\left(K\right)=\frac{\mathrm{\&Sigma;}{p}_{\mathrm{xys}}\left(k_{\mathrm{ov}}\right)}{L\&times;L}---\left(13\right)$

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：

$\left\{\begin{array}{c}Q\left(K\right)=\max \left(Q_{\mathrm{arer}}\left(K\right)\right)\\ Q\left(K\right)>Q_s\left(K\right)\end{array}\right.---\left(14\right)$

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：

$\mathrm{\&omega;}\left(t\right)=1.0-\frac{t}{\mathrm{MaxDT}}\&times;0.4---\left(15\right)$

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)。

2.在对无线传感器网络布动态局优化的基础上，进行覆盖能耗平衡优化。设传感器节点已根据网络布局优化完成位置迁移，每个节点感知半径的调整范围为0-r(r为网络动态布局优化中设置的一个固定值)，最大速度限额v_maxr＝0.1×r，当v_idr＞v_maxr，令v_idr＝v_maxr；当v_idr＜v_maxr时，则令v_idr＝-v_maxr。当粒子离开搜索空间时，假如x_idr＞r，设x_idr＝r，假如x_idr＜r，则设x_idr＝0。基于粒子群算法的无线传感器网络覆盖能耗平衡优化算法设计如下：

步骤一：初始化传感器节点感知半径，为保证一定的初始覆盖率，避免陷入局部最优，设置节点感知半径为r-r/2之间的随机数，设置覆盖率阈值V_th，设置节点感知距离可调范围R为0～r。

步骤二：计算经动态布局优化后，覆盖能耗平衡值φ。

步骤三：设定种群规模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，这两个值均为经动态布局优化后网络的覆盖能耗平衡值φ。

步骤四：根据无线传感器网络覆盖及覆盖能耗优化性能评价方法计算各粒子覆盖率和覆盖能耗平衡优化适应值。

步骤五：将各粒子覆盖率和C_th比较，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_idr、全局最优位置P_gdr、当前速度v_idr和当前位置x_idr。

步骤六：如果达到停止条件(达到预设最大迭代次数MaxDTr或者预设适应值)则停止，输出运行结果，否则返回步骤四)。

Images