CN110139286A - 面向三维环境的无线传感器网络覆盖增强方法及*** - Google Patents

面向三维环境的无线传感器网络覆盖增强方法及*** Download PDF

Info

Publication number
CN110139286A
CN110139286A CN201910422594.8A CN201910422594A CN110139286A CN 110139286 A CN110139286 A CN 110139286A CN 201910422594 A CN201910422594 A CN 201910422594A CN 110139286 A CN110139286 A CN 110139286A
Authority
CN
China
Prior art keywords
sensor node
matrix
task
indicate
centroid
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.)
Granted
Application number
CN201910422594.8A
Other languages
English (en)
Other versions
CN110139286B (zh
Inventor
赵小强
崔砚鹏
高传义
郭铮
高强
赵治伟
翟鹏亮
杨婷
鲍泰宇
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.)
Xi'an Blue Sea Blue Sky Electronic Information Technology Co Ltd
Xian University of Posts and Telecommunications
Original Assignee
Xi'an Blue Sea Blue Sky Electronic Information Technology Co Ltd
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 Xi'an Blue Sea Blue Sky Electronic Information Technology Co Ltd, Xian University of Posts and Telecommunications filed Critical Xi'an Blue Sea Blue Sky Electronic Information Technology Co Ltd
Priority to CN201910422594.8A priority Critical patent/CN110139286B/zh
Publication of CN110139286A publication Critical patent/CN110139286A/zh
Application granted granted Critical
Publication of CN110139286B publication Critical patent/CN110139286B/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
    • 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
    • H04W52/0209—Power saving arrangements in terminal devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种面向三维环境的无线传感器网络覆盖增强方法及***。该方法包括：采用截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵；依据形心坐标矩阵和各传感器节点在当前迭代次数下的位置矩阵，计算距离矩阵；采用拍卖算法对二分图最大匹配模型进行求解；对最优解对应的最优移动任务矩阵进行交换；依据交换后的结果，对N个传感器节点进行移动，确定移动后的N个传感器节点的位置坐标；依据移动后的N个传感器节点的位置坐标计算无线传感器网络的覆盖率；依据覆盖率和当前迭代次数值进行迭代，直至结束。本发明能在提高三维环境下的无线传感器网络覆盖率的前提下，降低各传感器节点的移动总能耗，均衡各传感器节点的剩余能量。

Description

面向三维环境的无线传感器网络覆盖增强方法及***
技术领域
本发明涉及网络覆盖技术领域，特别是涉及一种面向三维环境的无线传感器网络覆盖增强方法及***。
背景技术
无线传感器网络(Wireless SensorNetworks，WSN)是由大量微型、廉价和低功耗的传感器节点组成的网络，这些节点之间通过无线通信多跳中继，相互协作完成应用程序任务并将感知数据转发到中央采集汇聚节点。对目标的有效覆盖是WSN执行任务的基础，良好的覆盖效果可以保证对目标区域内进行有效的数据收集。网络覆盖率通常是衡量WSN覆盖质量的重要指标之一，WSN的覆盖的范围越广，覆盖的目标越多且覆盖重叠越小，则WSN的覆盖能力越强。然而对于某些人类无法直接到达的危险环境(如水下、战场等环境)而言，传感器节点是通过空投等随机抛洒的形式完成覆盖的，很难直接形成较高的网络覆盖率，因此需要各传感器节点执行覆盖控制算法，完成各传感器节点的二次移动，以提高WSN的网络覆盖率。
目前，针对二维空间的无线传感器网络覆盖控制的理论研究已经比较成熟，但对于许多实际的应用场景，比如水环境的监测、空气质量监测等问题，均需要在三维空间中增强传感器节点的覆盖效果。针对三维空间的覆盖增强问题的研究，常用的方法有两类：把二维空间下的研究成果直接扩展到三维空间、把三维空间问题映射到二维空间上来解决。尽管上述的两类方法能够初步解决三维环境的覆盖控制问题，但均是以较高的传感器节点的移动能耗为代价的。考虑到传感器节点散落的环境很可能是人无法到达的环境，很难对已经部署的传感器节点的进行后期维护和能量供给。
为了克服上述问题，现有采用了基于虚拟力的三维覆盖增强算法，其基本原理为：在多轮迭代过程中，通过设定距离阈值与传感器节点的单步移动距离，根据传感器节点之间的距离、传感器节点与未覆盖网格点之间的距离以及传感器节点与斥力源的距离和距离阈值之间的关系，定义各传感器节点的虚拟引力、虚拟斥力及虚拟合力，最后根据虚拟合力的大小、方向及传感器节点的单步移动距离，计算当前轮迭代中各传感器节点的移动任务，从而提高传感器网络的覆盖率。该方法传感器节点的移动任务除了与当前自身位置有关之外，还与设定的距离阈值与单步移动距离均有很大关系。具体而言，若单步移动距离设定较高，当覆盖率提升至某值后，传感器节点进行多次移动也无法增强覆盖效果，导致各传感器节点消耗较多的移动能量却无法继续提高网络覆盖率，且各传感器节点的剩余能量差异较大，传感器网络的生命周期较短，若单步移动距离设定较低，尽管传感器的移动能耗有所减小，但算法收敛速度较慢，网络覆盖率的提升不明显。此外，距离阈值和单步移动距离通常是凭经验取值的，很难针对特定的应用环境进行最佳参数的设定。可见，该方法未考虑各传感器节点移动之后的网络剩余能量及能量均匀度，传感器节点的总移动能耗较大，且剩余能量不均衡。
因此，亟待一种在保证较高网络覆盖率的前提下，能够降低传感器节点的移动能耗、均衡各传感器节点的移动能耗的三维环境下无线网络覆盖增强的方法出现。
发明内容
基于此，有必要提供一种面向三维环境的无线传感器网络覆盖增强方法及***，以在提高三维环境下的无线传感器网络覆盖率的前提下，降低各传感器节点的移动总能耗，均衡剩余能量。
为实现上述目的，本发明提供了如下方案：
面向三维环境的无线传感器网络覆盖增强方法，包括：
采用N个截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵；所述形心坐标矩阵是由N个所述截角八面体的形心坐标构成的；
依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵；所述位置矩阵是由在当前迭代次数t下所述无线传感器网络中的N个传感器节点的位置坐标构成的；
依据所述距离矩阵构建二分图最大匹配模型；
采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解；所述最优解表示最优移动任务矩阵；所述最优移动任务矩阵中的N个元素表示N个传感器节点的最优移动任务；所述N个传感器节点的最优移动任务对应的N个传感器节点的总移动距离最短；
根据所述最优移动任务矩阵进行移动任务的交换，得到交换后的最优移动任务矩阵；
依据所述交换后的最优移动任务矩阵，对N个传感器节点进行移动，并确定移动后的N个传感器节点的位置坐标；
依据移动后的N个传感器节点的位置坐标计算所述无线传感器网络的覆盖率；
判断所述覆盖率是否大于或等于预设覆盖值；
若所述覆盖率大于或等于所述预设覆盖值，则完成对所述三维待监测区域的网络覆盖；
若所述覆盖率小于所述预设覆盖值，则判断当前迭代次数t是否小于最大迭代次数；
若当前迭代次数t大于或等于所述最大迭代次数，则完成对所述三维待监测区域的网络覆盖；
若当前迭代次数t小于所述最大迭代次数，则由移动后的N个传感器节点的位置坐标对所述位置矩阵进行更新，并令t＝t+1，将更新后的位置矩阵确定为迭代次数t+1下传感器节点的位置矩阵，再返回所述依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵。
本发明还提供了一种面向三维环境的无线传感器网络覆盖增强***，包括：
堆砌模块，用于采用N个截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵；所述形心坐标矩阵是由N个所述截角八面体的形心坐标构成的；
距离计算模块，用于依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵；所述位置矩阵是由在当前迭代次数t下所述无线传感器网络中的N个传感器节点的位置坐标构成的；
模型构建模块，用于依据所述距离矩阵构建二分图最大匹配模型；
求解模块，用于采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解；所述最优解表示最优移动任务矩阵；所述最优移动任务矩阵中的N个元素表示N个传感器节点的最优移动任务；所述N个传感器节点的最优移动任务对应的N个传感器节点的总移动距离最短；
任务交换模块，用于根据所述最优移动任务矩阵进行移动任务的交换，得到交换后的最优移动任务矩阵；
移动模块，用于依据所述交换后的最优移动任务矩阵，对N个传感器节点进行移动，并确定移动后的N个传感器节点的位置坐标；
覆盖率计算模块，用于依据移动后的N个传感器节点的位置坐标计算所述无线传感器网络的覆盖率；
第一判断模块，用于判断所述覆盖率是否大于或等于预设覆盖值；若所述覆盖率大于或等于所述预设覆盖值，则完成对所述三维待监测区域的网络覆盖；若所述覆盖率小于所述预设覆盖值，则执行第二判断模块；
第二判断模块，用于判断当前迭代次数t是否小于最大迭代次数；若当前迭代次数t大于或等于所述最大迭代次数，则完成对所述三维待监测区域的网络覆盖；若当前迭代次数t小于所述最大迭代次数，则由执行更新模块；
更新模块，用于由移动后的N个传感器节点的位置坐标对所述位置矩阵进行更新，并令t＝t+1，将更新后的位置矩阵确定为迭代次数t+1下传感器节点的位置矩阵，再返回所述距离计算模块。
与现有技术相比，本发明的有益效果是：
本发明提出了一种面向三维环境的无线传感器网络覆盖增强方法及***。以截角八面体对三维空间进行无缝堆砌的方式，将传感器网络的三维覆盖增强问题转化为传感器节点的最佳移动任务指派问题，并将其抽象为带权重的二分图最大匹配模型，通过拍卖算法实现了最佳移动任务的计算，同时对移动距离较远的传感器节点进行任务交换，均衡了各传感器节点的剩余能量。本发明可显著提高三维环境中的传感器网络覆盖率、降低各传感器节点的移动总能耗，使各传感器节点的剩余能量更加均衡，延长传感器网络的生命周期。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1面向三维环境的无线传感器网络覆盖增强方法的流程图；
图2为本发明实施例2三维待监测区域离散化示意图；
图3为本发明实施例2采用截角八面体对三维空间进行无缝堆砌的示意图；
图4为本发明实施例2带权重的二分图最大匹配模型图；
图5为本发明实施例2第一种单次移动距离示意图；
图6为本发明实施例2第二种单次移动距离示意图；
图7为本发明实施例2网络覆盖率对比图；
图8为本发明实施例2各传感器节点的移动总能耗对比图；
图9为本发明实施例2各传感器节点的移动能耗对比图；
图10为本发明实施例2覆盖率与移动能耗的关系图；
图11为本发明实施例2传感器网络的能量均匀度对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明实施例1面向三维环境的无线传感器网络覆盖增强方法的流程图。参见图1，实施例的面向三维环境的无线传感器网络覆盖增强方法，包括：
步骤S1：采用N个截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵。所述形心坐标矩阵是由N个所述截角八面体的形心坐标构成的。截角八面体选择具有空间填充特性的截角八面体、立方体、六棱柱、菱形十二面体及正三棱柱中任意一种均可。作为可选的实施方式，也可采用具有空间填充特性的立方体、六棱柱、菱形十二面体或正三棱柱完成三维空间的无缝堆砌，且原理相似，但在体积系数及空间利用率等方面，截角八面体要优于其他的多面体。
步骤S2：依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵。所述位置矩阵是由在当前迭代次数t下所述无线传感器网络中的N个传感器节点的位置坐标构成的。
步骤S3：依据所述距离矩阵构建二分图最大匹配模型。所述二分图最大匹配模型，具体为：
其中，L表示N个传感器节点的总移动距离，Disij∈DisN×N，DisN×N表示距离矩阵，xij∈XN×N，XN×N表示二分图的连通矩阵，i表示矩阵的行，j表示矩阵的列。
步骤S4：采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解；所述最优解表示最优移动任务矩阵。所述最优移动任务矩阵中的N个元素表示N个传感器节点的最优移动任务；所述N个传感器节点的最优移动任务对应的N个传感器节点的总移动距离最短。
所述步骤S4，具体包括：
将N个传感器节点作为N个出价者，N个截角八面体的形心作为N个商品，距离矩阵中的元素作为商品的售出价格，二分图最大匹配模型中的二分图的连通矩阵作为拍卖矩阵，计算各出价者拟购入各商品后售出的利润，得到利润矩阵
其中，profitN×N中的元素profiti,j表示第i个出价者拟购买第j个商品后的利润，profiti,j＝Disi,j-pricej,1，距离矩阵DisN×N中的元素Disi,j作为第i个出价者拟购买第j个商品后的售出价格，pricej,1表示第j个商品的售价；
依据所述利润矩阵确定每个出价者的最大利润商品，并确定最佳拍卖矩阵；
判断是否发生拍卖冲突；若是，则对商品的购买价格按照
pricej,1′＝pricej,1+(p1,j-p2,j+ε)
进行更新，并重新执行上述步骤；其中，pricej,1′表示第第j个商品更新后的售价，p1,j与p2,j分别表示各出价者拟购买第j个商品的最高利润与次高利润，ε表示防止因最高利润与次高利润相等而导致无法进行竞价而设定的强制涨价因子，ε＝0.001；
若否，则依据所述最佳拍卖矩阵确定最佳销售矩阵，所述最佳销售矩阵中的N个元素对应N个传感器节点的最优移动任务；所述最佳销售矩阵TaskN×N中的元素
其中，xi,j∈xN×N，当xi,j＝1时，表示商品j为出价者i的最大利润商品，表示矩阵的点乘运算。
步骤S5：根据所述最优移动任务矩阵进行任务交换，得到交换后的最优移动任务矩阵。所述步骤S5，具体包括：
51：确定与第i个传感器节点对应的目标传感器节点；i∈[1,N]。具体包括：
确定目标传感器节点集合；所述目标传感器节点集合由满足与第i个传感器节点进行交换的任务交换条件的传感器节点构成；所述任务交换条件为传感器节点对应的截角八面体的形心坐标在第一预设区域内，且传感器节点的位置坐标在第二预设区域内；所述第一预设区域为以第i个传感器节点的位置坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；所述第二预设区域为以与第i个传感器节点对应的第j个截角八面体的形心坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；
计算所述第i个传感器节点与所述目标传感器节点集合中每一个传感器节点的适应度值
其中，Fitξ表示第i个传感器节点与目标传感器节点集合中第ξ个传感器节点mξ的适应度值，mξ∈[m1,m2,…,mp]，p表示满足与第i个传感器节点进行交换的任务交换条件的传感器节点的总个数，表示第mξ个传感器节点的最优移动任务，n表示传感器节点mξ对应的截角八面体，Taski,n表示第i个传感器节点与第n个截角八面体的形心之间的移动任务，表示第mξ个传感器节点与第j个截角八面体的形心之间的移动任务，ω1表示总能耗的权重，ω2表示能量均匀度的权重，Taski,n＝Disi,n，Taski,j＝0，Disi,n表示第i个传感器节点与第n个截角八面体的形心之间的距离，表示第mξ个传感器节点与第n个截角八面体的形心之间的距离；
将所有适应度值中的最大者对应的所述目标传感器节点集合中的传感器节点确定为与第i个传感器节点对应的目标传感器节点。
52：将所述第i个传感器节点的最优移动任务与所述目标传感器节点的最优移动任务进行交换。
53：依据所有交换移动任务后的传感器节点对所述最优移动任务矩阵进行更新，得到更新后的最优移动任务矩阵。
54：判断更新后的最优移动任务矩阵与更新前的最优移动任务矩阵是否相等；若是，则将更新后的最优移动任务矩阵确定为交换后的最优移动任务矩阵；若否，则重新执行上述步骤。
步骤S6：依据所述交换后的最优移动任务矩阵，对N个传感器节点进行移动，并确定移动后的N个传感器节点的位置坐标。
步骤S7：依据移动后的N个传感器节点的位置坐标计算所述无线传感器网络的覆盖率。
步骤S8：判断所述覆盖率是否大于或等于预设覆盖值。若所述覆盖率大于或等于所述预设覆盖值，则执行步骤S9。若所述覆盖率小于所述预设覆盖值，则执行步骤S10。
步骤S9：完成对所述三维待监测区域的网络覆盖。
步骤S10：判断当前迭代次数t是否小于最大迭代次数。若当前迭代次数t大于或等于所述最大迭代次数，则执行步骤S9。若当前迭代次数t小于所述最大迭代次数，则执行步骤S11。
步骤S11：由移动后的N个传感器节点的位置坐标对所述位置矩阵进行更新，并令t＝t+1，将更新后的位置矩阵确定为迭代次数t+1下传感器节点的位置矩阵，再返回所述步骤S2。
实施例2：
步骤一、参数及感知模型的初始化
(1)初始化三维待监测区域。将三维监测区域的长宽高分别进行m等分，将三维待监测区域离散化为K＝(m+1)3个立方体网格点，离散后的效果如图2所示。将K个立方体网格点的坐标记为立方体网格点坐标矩阵SpotK×3，
其中，Spotk,1、Spotk,2、Spotk,3分别代表第k个立方体网格点的x、y、z坐标。
(2)初始化各传感器节点的感知半径R、数量N、单次移动距离MaxStep，设定算法的最大迭代次数TMax。
(3)初始化N个传感器节点的位置，将N个传感器节点的位置记为位置矩阵PositionN×3，如以下公式所示，
其中，Positioni，1、Positioni，2、Positioni，3分别代表第i个传感器节点的x、y、z坐标。
(4)设定传感器的感知模型为布尔感知模型(二元感知模型)，设定传感器的移动能耗模型。
步骤二、对三维覆盖增强问题进行抽象建模
步骤1用截角八面体对三维空间进行无缝堆砌
根据步骤一中的传感器节点感知半径R及数量N，基于三维空间截角八面体填充理论，用N个外接球半径为R的截角八面体对步骤一中的三维待监测区域进行无缝堆砌，堆砌效果如图3所示。将N个截角八面体的形心坐标记为形心坐标矩阵CoreN×3，
其中，Corej，1、Corej，2、Corej，3分别代表第j个截角八面体形心的x、y、z坐标。
基于三维空间截角八面体填充理论，用N个外接球半径为R的截角八面体对步骤一中的三维待监测区域进行无缝堆砌的具体过程为：
(1)截角八面体的构成。截角八面体可以从边长为3a的正八面体切去6个底边长为a的四角锥构成，得到的截角八面体的所有边的边长均为a。
(2)截角八面体堆砌。截角八面体可以独立填满整个三维空间，而这种由截角八面体堆砌出来的几何图形称为截角八面体堆砌。9个边长为a的截角八面体可无缝堆砌1个边长为的立方体。9个截角八面体的形心之间的位置关系为：8个截角八面体的形心位于立方体的8个顶点处，1个截角八面体的形心位于立方体的形心处。根据几何关系可得各截角八面体的形心距离为其中R为截角八面体外接球的半径。
步骤2计算距离矩阵
计算各传感器节点与所述的各截角八面体的形心之间的距离，计算公式为
由各传感器节点与所述的各截角八面体的形心之间的距离得到距离矩阵DisN×N，其中，Disi,j表示第i个传感器节点到第j个截角八面体形心的欧氏距离，
步骤3对三维覆盖增强问题进行抽象建模
针对传感器网络的三维覆盖增强问题建立任务指派模型，具体而言：将N个传感器网络的三维覆盖问题转化为N个传感器节点覆盖所述N个截角八面体形心的任务指派问题，并将其抽象为二分图的最大匹配模型。
考虑到传感器节点i与所有的N个的截角八面体形心的距离不同，因此，所述的二分图的每条边的权重也不同，任意一条边(i,j)的值为第i个传感器节点到第j个截角八面体形心的欧氏距离，边(i,j)的权重大小即为所述距离矩阵DisN×N中元素Disi,j的值。因此，所述的二分图的最大匹配问题实质上为带权重的二分图最大匹配问题，所述的三维覆盖增强问题的带权重的二分图最大匹配模型如图4所示。
因此，将所述的传感器网络的三维覆盖增强问题建立为如下式所示的最优任务指派问题的数学模型，即：在所述的距离矩阵DisN×N中寻找N个不同行不同列的元素，使得N个元素的值之和L最小。
其中，L表示N个传感器节点的总移动距离，Disij∈DisN×N，DisN×N表示距离矩阵，xij∈XN×N，XN×N表示二分图的连通矩阵，i表示矩阵的行，j表示矩阵的列。
步骤三、拍卖算法计算各节点的最优移动任务
按照拍卖算法解决带权重的二分图最大匹配问题的思路，计算各传感器节点的最优移动任务。其中，所述的最优移动任务为使得N个传感器节点的总移动距离最短的移动任务。
将步骤一所述的N个传感器节点作为N个出价者，将步骤二所述的N个目标网格点(截角八面体的形心)作为N个商品。
拍卖过程：设置各单品的初始报价，在每轮拍卖中，各出价者根据当前的商品报价，计算拟购入各商品后售出的利润，随后在N个商品中选择一个最大利润商品。若某个商品同时成为多个出价者的最大利润商品，则所述的多个出价者针对该商品进行竞价，重复上述过程，直到N个商品均成交后，拍卖结束。其中，所述的最大利润商品的定义为：在N个商品中，若出价者i按pricej,1的价格购买商品j，再按Disi×j的价格售出商品j，可获得最大利润，则对于出价者i而言，商品j为N个商品中的最大利润商品。所述利润的计算公式为profiti,j＝Disi,j-pricej,1。
具体而言：
步骤1初始化商品报价、出价者的售出价格及最优拍卖方案。设定每个商品的初始报价均为0，将N个商品的报价记为商品报价矩阵priceN×1，priceN×1＝[0,0,…,0]T。其中，pricej，1代表第j个商品的报价。初始化最佳拍卖矩阵XN×N，
步骤2计算收益。基于所述的商品报价矩阵priceN×1矩阵及出价者的售出价格矩阵DisN×N，根据利润的计算公式计算出各出价者拟购入各商品后售出的利润，获得利润矩阵profitN×N，
其中，profiti,j为第i个出价者拟购买第j个商品后，按照Disi×j的价格售出该商品的利润。
步骤3选择最大利润商品。1)根据公式从所述的利润矩阵profitN×N的第i行中找出最大元素所在列j，将第j个商品视为第i个出价者的最大利润商品。2)根据所述的第i个出价者的最大利润商品，按照公式xi,j＝1更新最佳拍卖矩阵XN×N。3)遍历所有的出价者，直到所有出价者均完成最大利润商品的选择。至此，最佳拍卖矩阵中有N个位于不同行的非零元素。
步骤4判断是否发生拍卖冲突。若发生拍卖冲突，则进行步骤三的步骤5；若未发生拍卖冲突，则进行步骤三的步骤6。其中，所述的拍卖冲突定义为：对于拥有N个商品与N个出价者的拍卖过程而言，在每个出价者均完成最大利润商品的选择后，若存在部分商品不是任何出价者的最大利润商品，即存在多个出价者抢购某个商品的现象，则称此现象为拍卖冲突，称被抢购的商品为热门商品。所述的拍卖冲突具体体现为：若发生拍卖冲突，则对于所述的最佳拍卖矩阵XN×N而言，存在某一列j拥有多个非零元素；若未发生拍卖冲突，则对于所述的最佳拍卖矩阵XN×N而言，N个非零元素分别位于不同行不同列。
步骤5竞价。对于所述的热门商品j而言，从所述的利润矩阵profitN×N的第j列中选择最高利润(假设最高利润为p1,j)和次高利润(假设次高利润为p2,j)，根据公式pricej,1＝pricej,1+(p1,j-p2,j+ε)更新商品j的报价pricej,1，返回步骤三的步骤2。其中，ε＝0.001是防止因最高利润与次高利润相等而导致无法进行竞价而设定的强制涨价因子。
步骤6成交。得到最佳拍卖矩阵XN×N，按照公式形成出价者的最佳销售矩阵TaskN×N。其中，xi,j＝1时，代表商品j为出价者i的最大利润商品。至此，得到所述的各传感器节点的最优移动任务，所述的最佳销售矩阵TaskN×N即为当前所有传感器节点的移动任务矩阵。具体而言，移动任务矩阵TaskN×N中有N个不同行不同列的非零元素，其意义为：若Taski,j≠0，则将传感器节点i移动至步骤二所述的目标网格点(截角八面体的形心)j，且按照移动任务矩阵TaskN×N移动所有N个传感器节点，移动总距离最小(即移动总能耗最小)。成交，拍卖结束，进行步骤四。
步骤四、交换各传感器节点的移动任务。
对步骤三所述的各传感器节点的移动任务矩阵TaskN×N进行任务交换。具体而言：步骤1将当前移动任务矩阵TaskN×N记为preTaskN×N；步骤2根据任务交换定理寻找传感器节点i的最优任务交换方案及目标传感器mξ；步骤3交换传感器节点i与mξ的移动任务；步骤4更新步骤三所述的移动任务矩阵TaskN×N；步骤5判断是否存在可交换的任务，即判断TaskN×N与preTaskN×N是否相等，若不相等，则重复所述步骤四的步骤1～3；否则，获得最佳任务矩阵TaskN×N，进行步骤五。
所述的任务交换定理定义如下：
任务交换定理：对于传感器节点i而言，若存在p个传感器节点m1、m2、…、mp均满足任务交换条件，则根据任务交换引理可得到p种任务交换方案。根据公式
计算所述的p种任务交换方案的适应度值，将拥有最优(最大)适应度值的任务交换方案定义为最优任务交换方案，将最优解mξ定义为传感器节点i的目标传感器。其中，ω1与ω2分别是总能耗与能量均匀度的权重。
该适应度函数综合考虑了新任务的移动距离之和(对应移动总能耗)与移动距离之差(对应能量均匀度)，可保证按照所述的最优任务交换方案进行任务交换后，各传感器节点的总移动能耗和能量均匀度均较低。
所述的任务交换条件定义如下：
任务交换条件：对于传感器节点i及其目标网格点(截角八面体的形心)j，与传感器节点m及其目标网格点(截角八面体的形心)n而言，若满足以下2个条件，则称传感器节点m与传感器节点i满足任务交换条件。
①Disi,n＜Disi,j，即传感器节点m的目标网格点(截角八面体形心)n的坐标(Coren,1,Coren,2,Coren,3)在区域Area1内；②Dism,j＜Disi,j，即传感器节点m的当前位置(Positionm,1,Positionm,2,Positionm,3)在区域Area2内。
其中，所述的区域Area1是以传感器节点i的位置(Positioni,1,Positioni,2,Positioni,3)为球心，以Disi,j为半径的球形区域；所述的区域Area2是以传感器节点i的目标网格点(截角八面体的形心)j的坐标(Corej,1,Corej,2,Corej,3)为球心，以Disi,j为半径的球形区域。其中，所述的Disi,j可通过步骤二的步骤2中的距离计算公式进行计算。
所述的任务交换引理定义如下：
任务交换引理：对于传感器节点i而言，若传感器节点m满足所述的任务交换条件，则根据下式交换传感器节点i与m的移动任务后，可降低传感器节点i与m的能量均匀度。
步骤五、移动传感器节点。
步骤1计算各传感器节点的单次移动距离。遍历所有传感器节点，对于传感器节点i而言，假设传感器节点i在点S处，目标网格点(截角八面体j的形心)在点C处。
①若移动任务Taski,j满足Taski,j≤R，即传感器节点i在截角八面体j的外接球范围内，如图5所示，则传感器节点i的单次移动距离Step设定公式为Step＝Disi,j，其中，Disi,j可通过步骤二的步骤2中的距离计算公式计算得出。
②若移动任务Taski,j满足Taski,j＞R，即传感器节点i不在截角八面体j的外接球范围内，如图6所示，则传感器节点i的单次移动距离Step设定公式为Step＝MaxStep，其中，MaxStep为步骤所述的单次移动距离。
直到所有传感器节点遍历完毕。
步骤2移动传感器节点。遍历所有传感器节点，对于传感器节点i而言，根据所述的单次移动距离Step，根据公式
将单次移动距离Step分解为x、y、z方向上的坐标改变量，再根据公式
将各传感器节点移动至新的位置，更新位置矩阵PositionN×3，直到所有传感器节点遍历完毕后，进行步骤七。
步骤3更新距离矩阵。将更新后的位置矩阵PositionN×3及步骤二中的各截角八面体的形心坐标矩阵CoreN×3，带入步骤二的步骤2的距离计算公式中，更新距离矩阵DisN×N，进行步骤六。
步骤六、判断是否满足算法终止的条件1。计算当前的网络覆盖率Rate，若网络覆盖率Rate满足Rate≥100％，则覆盖任务完成，算法结束；否则，进行步骤七。具体而言：
步骤1重置计数器。根据公式Sum＝0重置计数器。
步骤2计算距离。遍历步骤一(1)所述的K个立方体网格点，对于立方体网格点k而言，根据公式
计算第k个立方体网格点与第i个传感器节点之间的距离，di,k表示第i个传感器节点到第k个立方体网格点Spot的欧氏距离。
步骤3判断覆盖情况。若di,k≤R，则说明第k个Spot已被覆盖，根据公式Sum＝Sum+1更新计数器，进行步骤5；若di,k＞R，则说明第k个Spot未被覆盖，计数器不更新，进行步骤4。
步骤4判断N个传感器节点是否已遍历完。若N个传感器节点已遍历完毕，则进行步骤5；若N个传感器节点未遍历完毕，则进行步骤2。
步骤5判断K个立方体网格点是否已遍历完。若K个立方体网格点已遍历完毕，则进行步骤6；若K个立方体网格点未遍历完毕，则进行步骤2。
步骤6计算网络覆盖率。根据公式计算当前的监测区域的网络覆盖率。
需要注意的是，对于步骤一(1)所述的将所述的三维监测区域的长宽高进行m等分而言，有如下结论：m的值越大则网格划分越密集，立方体网格点越多，根据公式计算出的网络覆盖率越精确，但时间复杂度越差，一般取m＝100。
步骤七、判断是否满足算法终止的条件2。判断当前迭代轮次t与步骤一所述的最大迭代次数TMax的关系，若满足t＞TMax，则覆盖任务完成，算法结束；否则，进行步骤三。
本实施例中的面向三维环境的无线传感器网络覆盖增强方法，基于截角八面体堆砌的三维覆盖增强问题的抽象建模方法(步骤二)，可突破网络覆盖率门限的限制、提高网络覆盖率，加快算法的收敛速度。基于拍卖算法的传感器节点最优任务计算方法(步骤三)，可得到最优(总移动能耗最小)的移动方案，从而降低传感器节点的移动总能耗。基于交换移动任务的传感器节点能量均衡算法(步骤四)，使各传感器节点在移动过程中的能耗更为均衡，可降低传感器网络的能量均匀度，延长传感器网络的生命周期。
下面采用实验对本实施例提出的方法进行了验证。
(1)步骤二所述的抽象建模方法可显著提升网络覆盖率，加快算法收敛速度。步骤二所述的将N个传感器节点的三维覆盖问题转化为N个传感器节点覆盖所述N个截角八面体形心的任务指派问题，最大程度减小了各传感器节点感知范围的重叠范围。由于在有限次迭代结束后，每个截角八面体均可以被传感器节点无缝覆盖(网络覆盖率可达100％)，因此与现有技术相比，本实施例可突破网络覆盖率门限的限制、提高网络覆盖率，加快算法的收敛速度。网络覆盖率的对比图如图7所示。
(2)步骤三所述的拍卖算法可显著降低各传感器节点的移动总能耗。步骤三按照拍卖算法解决带权重的二分图最大匹配问题的思路，计算各传感器节点的最优移动任务，与现有技术相比，本实施例可得到最优(总移动能耗最小)的移动方案，从而降低传感器节点的移动总能耗。所有传感器的移动总能耗对比图如图8所示，各传感器节点的移动总能耗对比图如图9所示，覆盖率与移动能耗的关系图如图10所示。
(3)步骤四所述的任务交换算法可均衡各传感器节点的能耗。步骤四所述的任务交换算法，对移动距离较长的传感器节点进行任务交换，因此与与现有技术相比，本实施例使各传感器节点在移动过程中的能耗更为均衡，可降低传感器网络的能量均匀度，延长传感器网络的生命周期。传感器网络的能量均匀度对比如图11所示。
实施例3：
本实施例提供了一种面向三维环境的无线传感器网络覆盖增强***，包括：
堆砌模块，用于采用N个截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵；所述形心坐标矩阵是由N个所述截角八面体的形心坐标构成的。
距离计算模块，用于依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵；所述位置矩阵是由在当前迭代次数t下所述无线传感器网络中的N个传感器节点的位置坐标构成的。
模型构建模块，用于依据所述距离矩阵构建二分图最大匹配模型。
求解模块，用于采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解；所述最优解表示最优移动任务矩阵；所述最优移动任务矩阵中的N个元素表示N个传感器节点的最优移动任务；所述N个传感器节点的最优移动任务对应的N个传感器节点的总移动距离最短。
任务交换模块，用于根据所述最优移动任务矩阵进行任务交换，得到交换后的最优移动任务矩阵。
移动模块，用于依据所述交换后的最优移动任务矩阵，对N个传感器节点进行移动，并确定移动后的N个传感器节点的位置坐标。
覆盖率计算模块，用于依据移动后的N个传感器节点的位置坐标计算所述无线传感器网络的覆盖率。
第一判断模块，用于判断所述覆盖率是否大于或等于预设覆盖值；若所述覆盖率大于或等于所述预设覆盖值，则完成对所述三维待监测区域的网络覆盖；若所述覆盖率小于所述预设覆盖值，则执行第二判断模块。
第二判断模块，用于判断当前迭代次数t是否小于最大迭代次数；若当前迭代次数t大于或等于所述最大迭代次数，则完成对所述三维待监测区域的网络覆盖；若当前迭代次数t小于所述最大迭代次数，则由执行更新模块。
更新模块，用于由移动后的N个传感器节点的位置坐标对所述位置矩阵进行更新，并令t＝t+1，将更新后的位置矩阵确定为迭代次数t+1下传感器节点的位置矩阵，再返回所述距离计算模块。
作为一种可选的实施方式，所述二分图最大匹配模型，具体为：
其中，L表示N个传感器节点的总移动距离，Disij∈DisN×N，DisN×N表示距离矩阵，xij∈XN×N，XN×N表示二分图的连通矩阵，i表示矩阵的行，j表示矩阵的列。
作为一种可选的实施方式，所述求解模块，具体包括：利润计算单元，用于将N个传感器节点作为N个出价者，N个截角八面体的形心作为N个商品，距离矩阵中的元素作为商品的售出价格，二分图最大匹配模型中的二分图的连通矩阵作为拍卖矩阵，计算各出价者拟购入各商品后售出的利润，得到利润矩阵
其中，profitN×N中的元素profiti,j表示第i个出价者拟购买第j个商品后的利润，profiti,j＝Disi,j-pricej,1，距离矩阵DisN×N中的元素Disi,j作为第i个出价者拟购买第j个商品后的售出价格，pricej,1表示第j个商品的售价；最佳拍卖矩阵确定单元，用于依据所述利润矩阵确定每个出价者的最大利润商品，并确定最佳拍卖矩阵；第一判断单元，用于判断是否发生拍卖冲突；若是，则对商品的购买价格按照
pricej,1′＝pricej,1+(p1,j-p2,j+ε)
进行更新，并返回所述利润计算单元；其中，pricej,1′表示第j个商品更新后的售价，p1,j与p2,j分别表示各出价者拟购买第j个商品的最高利润与次高利润，ε表示防止因最高利润次高利润相等而导致无法进行竞价而设定的强制涨价因子，ε＝0.001；若否，则依据所述最佳拍卖矩阵确定最佳销售矩阵，所述最佳销售矩阵中的N个元素对应N个传感器节点的最优移动任务；所述最佳销售矩阵TaskN×N中的元素其中，xi,j∈xN×N，当xi,j＝1时，表示商品j为出价者i的最大利润商品，表示矩阵的点乘运算。
作为一种可选的实施方式，所述任务交换模块，具体包括：目标节点确定单元，用于确定与第i个传感器节点对应的目标传感器节点；i∈[1,N]；任务交换单元，用于将所述第i个传感器节点的最优移动任务与所述目标传感器节点的最优移动任务进行交换；最优任务矩阵更新单元，用于依据所有交换移动任务后的传感器节点对所述最优移动任务矩阵进行更新，得到更新后的最优移动任务矩阵；第二判断单元，用于判断更新后的最优移动任务矩阵与更新前的最优移动任务矩阵是否相等；若是，则将更新后的最优移动任务矩阵确定为交换后的最优移动任务矩阵；若否，则返回所述目标节点确定单元。
作为一种可选的实施方式，所述目标节点确定单元，具体包括：
集合确定子单元，用于确定目标传感器节点集合；所述目标传感器节点集合由满足与第i个传感器节点进行交换的任务交换条件的传感器节点构成；所述任务交换条件为传感器节点对应的截角八面体的形心坐标在第一预设区域内，且传感器节点的位置坐标在第二预设区域内；所述第一预设区域为以第i个传感器节点的位置坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；所述第二预设区域为以与第i个传感器节点对应的第j个截角八面体的形心坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域。
适应度值计算子单元，用于计算所述第i个传感器节点与所述目标传感器节点集合中每一个传感器节点的适应度值
其中，Fitξ表示第i个传感器节点与目标传感器节点集合中第ξ个传感器节点mξ的适应度值，mξ∈[m1,m2,…,mp]，p表示满足与第i个传感器节点进行交换的任务交换条件的传感器节点的总个数，表示第mξ个传感器节点的最优移动任务，n表示传感器节点mξ对应的截角八面体，Taski,n表示第i个传感器节点与第n个截角八面体的形心之间的移动任务，表示第mξ个传感器节点与第j个截角八面体的形心之间的移动任务，ω1表示总能耗的权重，ω2表示能量均匀度的权重，Taski,n＝Disi,n，Taski,j＝0，Disi,n表示第i个传感器节点与第n个截角八面体的形心之间的距离，表示第mξ个传感器节点与第n个截角八面体的形心之间的距离。
适应度值计算子单元，用于用于计算所述第i个传感器节点与所述目标传感器节点集合中每一个传感器节点的适应度值
其中，Fitξ表示第i个传感器节点与目标传感器节点集合中第ξ个传感器节点mξ的适应度值，mξ∈[m1,m2,…,mp]，p表示满足与第i个传感器节点进行交换的任务交换条件的传感器节点的总个数，表示第mξ个传感器节点的最优移动任务，n表示传感器节点mξ对应的截角八面体，Taski,n表示第i个传感器节点与第n个截角八面体的形心之间的移动任务，表示第mξ个传感器节点与第j个截角八面体的形心之间的移动任务，ω1表示总能耗的权重，ω2表示能量均匀度的权重，Taski,n＝Disi,n，Taski,j＝0，Disi,n表示第i个传感器节点与第n个截角八面体的形心之间的距离，表示第mξ个传感器节点与第n个截角八面体的形心之间的距离。
目标节点确定子单元，用于将所有适应度值中的最大者对应的所述目标传感器节点集合中的传感器节点确定为与第i个传感器节点对应的目标传感器节点。
本实施例的面向三维环境的无线传感器网络覆盖增强***，能够显著提高三维环境中的传感器网络覆盖率、降低各传感器节点的移动总能耗，使各传感器节点的剩余能量更加均衡，延长传感器网络的生命周期。
对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.面向三维环境的无线传感器网络覆盖增强方法，其特征在于，包括：
采用N个截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵；所述形心坐标矩阵是由N个所述截角八面体的形心坐标构成的；
依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵；所述位置矩阵是由在当前迭代次数t下所述无线传感器网络中的N个传感器节点的位置坐标构成的；
依据所述距离矩阵构建二分图最大匹配模型；
采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解；所述最优解表示最优移动任务矩阵；所述最优移动任务矩阵中的N个元素表示N个传感器节点的最优移动任务；所述N个传感器节点的最优移动任务对应的N个传感器节点的总移动距离最短；
根据所述最优移动任务矩阵进行移动任务的交换，得到交换后的最优移动任务矩阵；
依据所述交换后的最优移动任务矩阵，对N个传感器节点进行移动，并确定移动后的N个传感器节点的位置坐标；
依据移动后的N个传感器节点的位置坐标计算所述无线传感器网络的覆盖率；
判断所述覆盖率是否大于或等于预设覆盖值；
若所述覆盖率大于或等于所述预设覆盖值，则完成对所述三维待监测区域的网络覆盖；
若所述覆盖率小于所述预设覆盖值，则判断当前迭代次数t是否小于最大迭代次数；
若当前迭代次数t大于或等于所述最大迭代次数，则完成对所述三维待监测区域的网络覆盖；
若当前迭代次数t小于所述最大迭代次数，则由移动后的N个传感器节点的位置坐标对所述位置矩阵进行更新，并令t＝t+1，将更新后的位置矩阵确定为迭代次数t+1下传感器节点的位置矩阵，再返回所述依据所述形心坐标矩阵和各传感器节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵。
2.根据权利要求1所述的面向三维环境的无线传感器网络覆盖增强方法，其特征在于，所述二分图最大匹配模型，具体为：
其中，L表示N个传感器节点的总移动距离，Disij∈DisN×N，DisN×N表示距离矩阵，xij∈XN×N，XN×N表示二分图的连通矩阵，i表示矩阵的行，j表示矩阵的列。
3.根据权利要求1所述的面向三维环境的无线传感器网络覆盖增强方法，其特征在于，所述采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解，具体包括：
将N个传感器节点作为N个出价者，N个截角八面体的形心作为N个商品，距离矩阵中的元素作为商品的售出价格，二分图最大匹配模型中的二分图的连通矩阵作为拍卖矩阵，计算各出价者拟购入各商品后售出的利润，得到利润矩阵
其中，profitN×N中的元素profiti,j表示第i个出价者拟购买第j个商品后的利润，profiti,j＝Disi,j-pricej,1，距离矩阵DisN×N中的元素Disi,j作为第i个出价者拟购买第j个商品后的售出价格，pricej,1表示第j个商品的售价；
依据所述利润矩阵确定每个出价者的最大利润商品，并确定最佳拍卖矩阵；
判断是否发生拍卖冲突；
若是，则对商品的购买价格按照
pricej,1′＝pricej,1+(p1,j-p2,j+ε)
进行更新，并重新执行上述步骤；其中，pricej,1′表示第j个商品更新后的售价，p1,j表示各出价者拟购买第j个商品的最高利润，p2,j表示各出价者拟购买第j个商品的次高利润，ε表示防止因最高利润与次高利润相等而导致无法进行竞价而设定的强制涨价因子，ε＝0.001；
若否，则依据所述最佳拍卖矩阵确定最佳销售矩阵，所述最佳销售矩阵中的N个元素对应N个传感器节点的最优移动任务；所述最佳销售矩阵TaskN×N中的元素
其中，xi,j∈xN×N，当xi,j＝1时，表示商品j为出价者i的最大利润商品，表示矩阵的点乘运算。
4.根据权利要求1所述的面向三维环境的无线传感器网络覆盖增强方法，其特征在于，所述根据所述最优移动任务矩阵进行移动任务的交换，得到交换后的最优移动任务矩阵，具体包括：
确定与第i个传感器节点对应的目标传感器节点；i∈[1,N]；
将所述第i个传感器节点的最优移动任务与所述目标传感器节点的最优移动任务进行交换；
依据所有交换移动任务后的传感器节点对所述最优移动任务矩阵进行更新，得到更新后的最优移动任务矩阵；
判断更新后的最优移动任务矩阵与更新前的最优移动任务矩阵是否相等；
若是，则将更新后的最优移动任务矩阵确定为交换后的最优移动任务矩阵；若否，则重新执行上述步骤。
5.根据权利要求4所述的面向三维环境的无线传感器网络覆盖增强方法，其特征在于，所述确定与第i个传感器节点对应的目标传感器节点，具体包括：
确定目标传感器节点集合；所述目标传感器节点集合由满足与第i个传感器节点进行交换的任务交换条件的传感器节点构成；所述任务交换条件为传感器节点对应的截角八面体的形心坐标在第一预设区域内，且传感器节点的位置坐标在第二预设区域内；所述第一预设区域为以第i个传感器节点的位置坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；所述第二预设区域为以与第i个传感器节点对应的第j个截角八面体的形心坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；
计算所述第i个传感器节点与所述目标传感器节点集合中每一个传感器节点的适应度值
其中，Fitξ表示第i个传感器节点与目标传感器节点集合中第ξ个传感器节点mξ的适应度值，mξ∈[m1,m2,…,mp]，p表示满足与第i个传感器节点进行交换的任务交换条件的传感器节点的总个数，表示第mξ个传感器节点的最优移动任务，n表示传感器节点mξ对应的截角八面体，Taski,n表示第i个传感器节点与第n个截角八面体的形心之间的移动任务，表示第mξ个传感器节点与第j个截角八面体的形心之间的移动任务，ω1表示总能耗的权重，ω2表示能量均匀度的权重，Taski,n＝Disi,n，Taski,j＝0，Disi,n表示第i个传感器节点与第n个截角八面体的形心之间的距离，表示第mξ个传感器节点与第n个截角八面体的形心之间的距离；
将所有适应度值中的最大者对应的所述目标传感器节点集合中的传感器节点确定为与第i个传感器节点对应的目标传感器节点。
6.面向三维环境的无线传感器网络覆盖增强***，其特征在于，包括：
堆砌模块，用于采用N个截角八面体对三维待监测区域进行无缝堆砌，并确定形心坐标矩阵；所述形心坐标矩阵是由N个所述截角八面体的形心坐标构成的；
距离计算模块，用于依据所述形心坐标矩阵和各节点在当前迭代次数t下的位置矩阵，分别计算每个截角八面体的形心与N个传感器节点之间的距离，得到距离矩阵；所述位置矩阵是由在当前迭代次数t下所述的N个传感器节点的位置坐标构成的；
模型构建模块，用于依据所述距离矩阵构建二分图最大匹配模型；
求解模块，用于采用拍卖算法对所述二分图最大匹配模型进行求解，得到最优解；所述最优解表示最优移动任务矩阵；所述最优移动任务矩阵中的N个元素表示N个传感器节点的最优移动任务；所述N个传感器节点的最优移动任务对应的N个传感器节点的总移动距离最短；
任务交换模块，用于根据所述最优移动任务矩阵进行移动任务的交换，得到交换后的最优移动任务矩阵；
移动模块，用于依据所述交换后的最优移动任务矩阵，对N个传感器节点进行移动，并确定移动后的N个传感器节点的位置坐标；
覆盖率计算模块，用于依据移动后的N个传感器节点的位置坐标计算所述无线传感器网络的覆盖率；
第一判断模块，用于判断所述覆盖率是否大于或等于预设覆盖值；若所述覆盖率大于或等于所述预设覆盖值，则完成对所述三维待监测区域的网络覆盖；若所述覆盖率小于所述预设覆盖值，则执行第二判断模块；
第二判断模块，用于判断当前迭代次数t是否小于最大迭代次数；若当前迭代次数t大于或等于所述最大迭代次数，则完成对所述三维待监测区域的网络覆盖；若当前迭代次数t小于所述最大迭代次数，则由执行更新模块；
更新模块，用于由移动后的N个传感器节点的位置坐标对所述位置矩阵进行更新，并令t＝t+1，将更新后的位置矩阵确定为迭代次数t+1下传感器节点的位置矩阵，再返回所述距离计算模块。
7.根据权利要求6所述的面向三维环境的无线传感器网络覆盖增强***，其特征在于，所述二分图最大匹配模型，具体为：
其中，L表示N个传感器节点的总移动距离，Disij∈DisN×N，DisN×N表示距离矩阵，xij∈XN×N，XN×N表示二分图的连通矩阵，i表示矩阵的行，j表示矩阵的列。
8.根据权利要求6所述的面向三维环境的无线传感器网络覆盖增强***，其特征在于，所述求解模块，具体包括：
利润计算单元，用于将N个传感器节点作为N个出价者，N个截角八面体的形心作为N个商品，距离矩阵中的元素作为商品的售出价格，二分图最大匹配模型中的二分图的连通矩阵作为拍卖矩阵，计算各出价者拟购入各商品后售出的利润，得到利润矩阵
其中，profitN×N中的元素profiti,j表示第i个出价者拟购买第j个商品后的利润，profiti,j＝Disi,j-pricej,1，距离矩阵DisN×N中的元素Disi,j作为第i个出价者拟购买第j个商品后的售出价格，pricej,1表示第j个商品的售价；
最佳拍卖矩阵确定单元，用于依据所述利润矩阵确定每个出价者的最大利润商品，并确定最佳拍卖矩阵；
第一判断单元，用于判断是否发生拍卖冲突；
若是，则对商品的购买价格按照
pricej,1′＝pricej,1+(p1,j-p2,j+ε)
进行更新，并返回所述利润计算单元；其中，pricej,1′表示第j个商品更新后的售价，p1,j表示各出价者拟购买第j个商品的最高利润，p2,j表示各出价者拟购买第j个商品的次高利润，ε表示防止因最高利润与次高利润相等而导致无法进行竞价而设定的强制涨价因子，ε＝0.001；
若否，则依据所述最佳拍卖矩阵确定最佳销售矩阵，所述最佳销售矩阵中的N个元素对应N个传感器节点的最优移动任务；所述最佳销售矩阵TaskN×N中的元素
其中，xi,j∈xN×N，当xi,j＝1时，表示商品j为出价者i的最大利润商品，表示矩阵的点乘运算。
9.根据权利要求6所述的面向三维环境的无线传感器网络覆盖增强***，其特征在于，所述任务交换模块，具体包括：
目标节点确定单元，用于确定与第i个传感器节点对应的目标传感器节点；i∈[1,N]；
任务交换单元，用于将所述第i个传感器节点的最优移动任务与所述目标传感器节点的最优移动任务进行交换；
最优任务矩阵更新单元，用于依据所有交换移动任务后的传感器节点对所述最优移动任务矩阵进行更新，得到更新后的最优移动任务矩阵；
第二判断单元，用于判断更新后的最优移动任务矩阵与更新前的最优移动任务矩阵是否相等；
若是，则将更新后的最优移动任务矩阵确定为交换后的最优移动任务矩阵；若否，则返回所述目标节点确定单元。
10.根据权利要求9所述的面向三维环境的无线传感器网络覆盖增强***，其特征在于，所述目标节点确定单元，具体包括：
集合确定子单元，用于确定目标传感器节点集合；所述目标传感器节点集合由满足与第i个传感器节点进行交换的任务交换条件的传感器节点构成；所述任务交换条件为传感器节点对应的截角八面体的形心坐标在第一预设区域内，且传感器节点的位置坐标在第二预设区域内；所述第一预设区域为以第i个传感器节点的位置坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；所述第二预设区域为以与第i个传感器节点对应的第j个截角八面体的形心坐标为球心，以第i个传感器节点与对应的第j个截角八面体的形心之间的距离为半径的球形区域；
适应度值计算子单元，用于计算所述第i个传感器节点与所述目标传感器节点集合中每一个传感器节点的适应度值
其中，Fitξ表示第i个传感器节点与目标传感器节点集合中第ξ个传感器节点mξ的适应度值，mξ∈[m1,m2,…,mp]，p表示满足与第i个传感器节点进行交换的任务交换条件的传感器节点的总个数，表示第mξ个传感器节点的最优移动任务，n表示传感器节点mξ对应的截角八面体，Taski,n表示第i个传感器节点与第n个截角八面体的形心之间的移动任务，表示第mξ个传感器节点与第j个截角八面体的形心之间的移动任务，ω1表示总能耗的权重，ω2表示能量均匀度的权重，Taski,n＝Disi,n，Taski,j＝0，Disi,n表示第i个传感器节点与第n个截角八面体的形心之间的距离，表示第mξ个传感器节点与第n个截角八面体的形心之间的距离；
目标节点确定子单元，用于将所有适应度值中的最大者对应的所述目标传感器节点集合中的传感器节点确定为与第i个传感器节点对应的目标传感器节点。
CN201910422594.8A 2019-05-21 2019-05-21 面向三维环境的无线传感器网络覆盖增强方法及*** Active CN110139286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910422594.8A CN110139286B (zh) 2019-05-21 2019-05-21 面向三维环境的无线传感器网络覆盖增强方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910422594.8A CN110139286B (zh) 2019-05-21 2019-05-21 面向三维环境的无线传感器网络覆盖增强方法及***

Publications (2)

Publication Number Publication Date
CN110139286A true CN110139286A (zh) 2019-08-16
CN110139286B CN110139286B (zh) 2022-05-27

Family

ID=67571652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910422594.8A Active CN110139286B (zh) 2019-05-21 2019-05-21 面向三维环境的无线传感器网络覆盖增强方法及***

Country Status (1)

Country Link
CN (1) CN110139286B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111836282A (zh) * 2020-06-28 2020-10-27 中南大学 一种三维wsn节点调度方法及存储介质
CN112333810A (zh) * 2020-11-03 2021-02-05 温州大学 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
CN112637860A (zh) * 2020-12-21 2021-04-09 西安邮电大学 一种三维无线传感器网络覆盖方法及***
CN113242565A (zh) * 2021-04-20 2021-08-10 西安邮电大学 一种面向异构无线传感器网络的覆盖增强方法及***
CN114143743A (zh) * 2022-02-08 2022-03-04 华北科技学院(中国煤矿安全技术培训中心) 一种基于规则网格的三维传感器部署方法和***
CN114845315A (zh) * 2022-04-21 2022-08-02 福州大学 基于容量有限基站的传感器的目标覆盖的移动平衡方法
CN114980133A (zh) * 2022-04-13 2022-08-30 江苏科技大学 一种工业移动传感器的三维均衡再部署方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070248059A1 (en) * 2006-04-21 2007-10-25 Microsoft Corporation Wireless lan cell breathing
WO2009094672A2 (en) * 2008-01-25 2009-07-30 Trustees Of Columbia University In The City Of New York Belief propagation for generalized matching
CN105208569A (zh) * 2015-08-19 2015-12-30 南京邮电大学 复杂三维场景环境下有向传感器网络覆盖方法
CN106714193A (zh) * 2017-01-20 2017-05-24 中国人民解放军海军蚌埠士官学校 一种基于理想图案模型的水下传感器节点沉降部署方法
CN107484174A (zh) * 2017-07-10 2017-12-15 广东工业大学 协作认知无线电网络资源双层拍卖研究

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070248059A1 (en) * 2006-04-21 2007-10-25 Microsoft Corporation Wireless lan cell breathing
WO2009094672A2 (en) * 2008-01-25 2009-07-30 Trustees Of Columbia University In The City Of New York Belief propagation for generalized matching
CN105208569A (zh) * 2015-08-19 2015-12-30 南京邮电大学 复杂三维场景环境下有向传感器网络覆盖方法
CN106714193A (zh) * 2017-01-20 2017-05-24 中国人民解放军海军蚌埠士官学校 一种基于理想图案模型的水下传感器节点沉降部署方法
CN107484174A (zh) * 2017-07-10 2017-12-15 广东工业大学 协作认知无线电网络资源双层拍卖研究

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MUHAMAD FELAMBAN等: "Optimal Node Placement in Underwater Wireless Sensor Networks", 《2013 IEEE 27TH INTERNATIONAL CONFERENCE ON ADVANCED INFORMATION NETWORKING AND APPLICATIONS (AINA)》 *
崔砚鹏等: "基于无线传感器网络的风能资源测量及评估***", 《物联网与无线通信-2018年全国物联网技术与应用大会论文集》 *
王康明: "Ad Hoc传感网络部署算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111836282A (zh) * 2020-06-28 2020-10-27 中南大学 一种三维wsn节点调度方法及存储介质
CN112333810A (zh) * 2020-11-03 2021-02-05 温州大学 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
CN112333810B (zh) * 2020-11-03 2022-07-08 温州大学 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
CN112637860A (zh) * 2020-12-21 2021-04-09 西安邮电大学 一种三维无线传感器网络覆盖方法及***
CN113242565A (zh) * 2021-04-20 2021-08-10 西安邮电大学 一种面向异构无线传感器网络的覆盖增强方法及***
WO2022222236A1 (zh) * 2021-04-20 2022-10-27 西安邮电大学 一种面向异构无线传感器网络的覆盖增强方法及***
CN114143743A (zh) * 2022-02-08 2022-03-04 华北科技学院(中国煤矿安全技术培训中心) 一种基于规则网格的三维传感器部署方法和***
CN114980133A (zh) * 2022-04-13 2022-08-30 江苏科技大学 一种工业移动传感器的三维均衡再部署方法
CN114980133B (zh) * 2022-04-13 2023-08-25 江苏科技大学 一种工业移动传感器的三维均衡再部署方法
CN114845315A (zh) * 2022-04-21 2022-08-02 福州大学 基于容量有限基站的传感器的目标覆盖的移动平衡方法
CN114845315B (zh) * 2022-04-21 2024-03-26 福州大学 基于容量有限基站的传感器的目标覆盖的移动平衡方法

Also Published As

Publication number Publication date
CN110139286B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN110139286A (zh) 面向三维环境的无线传感器网络覆盖增强方法及***
CN104361632B (zh) 一种基于Hermite径向基函数的三角网格补洞方法
CN105133840B (zh) 一种双曲面吊顶的施工方法
CN106875090A (zh) 一种面向动态任务的多机器人分布式任务分配形成方法
CN106826833A (zh) 基于3d立体感知技术的自主导航机器人***
CN109839933B (zh) 一种基于vdsom算法的多机器人任务分配方法
CN109744945A (zh) 一种区域属性确定方法、装置、***及电子设备
CN102073981A (zh) 一种关联要素限制下的点群地理实体选取方法
CN101271585A (zh) 一种在图形处理器上拾取三维几何图元的方法
CN104363650B (zh) 一种野外条件下无线传感器网络定位优化方法
CN107644370A (zh) 一种自增强学习的撮合竞价方法及***
Iglesias et al. Discrete Bézier curve fitting with artificial immune systems
CN106547724A (zh) 基于最小点集的欧式空间坐标转换参数获取方法
CN102254347B (zh) 电磁环境体数据三维可视化方法
CN111856747B (zh) 一种基于最优传输的反射镜设计方法
Todorov The optimal refinement strategy for 3-D simplicial meshes
CN105225272A (zh) 一种基于多轮廓线三角网重构的三维实体建模方法
CN103679271A (zh) 基于Bloch球面坐标及量子计算的碰撞检测方法
CN106023317B (zh) 一种用于大数据测试的加权Voronoi图生成方法
CN101251929A (zh) 基于Delaunay三角网技术的区域拓扑关系构建方法
Sun et al. Research on the target coverage algorithms for 3D curved surface
CN103679751B (zh) 一种基于量子计算的碰撞检测方法
CN111476705A (zh) 主被动三维成像实时处理***及方法
An et al. Self-adaptive polygon mesh reconstruction based on ball-pivoting algorithm
CN103607768B (zh) 一种非集中式场景下的目标设备定位方法及相关设备

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
CB03 Change of inventor or designer information

Inventor after: Zhao Xiaoqiang

Inventor after: Gao Qiang

Inventor after: Cui Yanpeng

Inventor after: Guo Zheng

Inventor before: Zhao Xiaoqiang

Inventor before: Cui Yanpeng

Inventor before: Gao Chuanyi

Inventor before: Guo Zheng

Inventor before: Gao Qiang

Inventor before: Zhao Zhiwei

Inventor before: Zhai Pengliang

Inventor before: Yang Ting

Inventor before: Bao Taiyu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant