Professional Documents
Culture Documents
分 类 号 TN92 密 级 公开
西安电子科技大学
硕士学位论文
有向传感器网络的覆盖优化机制研究与应用
作者姓名:王路乔
一级学科:信息与通信工程
二级学科(研究方向)
:通信与信息系统
学位类别:工学硕士
指导教师姓名、职称:李长乐 教授
学 院:通信工程学院
提交日期:2022 年 6 月
1
Research and Application of Coverage
Optimization Mechanism for Directional
Sensor Networks
A thesis submitted to
XIDIAN UNIVERSITY
in partial fulfillment of the requirements
for the degree of Master
in Information and Communications Engineering
By
Wang Luqiao
Supervisor: Li Changle Title: Professor
June 2022
2
3
摘要
摘要
4
西安电子科技大学硕士学位论文
收集。
5
ABSTRACT
ABSTRACT
The ever-growing Wireless Sensor Networks (WSNs) provides a powerful means for
complex and changeable environmental monitoring. Traditionally, WSNs are composed of
omni-directional sensors, which, however, are still limited to unadjustable sensing angle and
superfluous energy consumption. Fortunately, these limitations can be overcome by
deploying directional sensors in WSNs, thus forming Directional Sensor Networks (DSNs).
As a typical architecture of WSNs, DSNs can efficiently facilitate various digital and
intelligent WSNs applications.
In the DSNs, the network performance such as coverage, connectivity, energy efficiency, and
lifetime are directly determined by the deployment schemes of the sensors. Unreasonable
sensor deployment schemes may lead to a large number of coverage holes, thus reducing the
utilization efficiency of the sensors and the monitoring performance of the networks. Most
of the existing coverage optimization schemes in DSNs are based on Voronoi and virtual
force, which are greatly affected by the network topology. However, existing coverage
optimization schemes based on the Minimum Exposure Path (MEP) usually deploy
additional sensors directly along the MEP, the frequent replacement or addition of new
sensors to the networks may cause unnecessary waste of node resources, energy
consumption, and coverage redundancy. In addition, the existing schemes do not consider
the limited initial energy of sensors and moving energy consumption during the coverage
optimization process. Therefore, how to achieve coverage optimization by adjusting the
deployment of a limited number of sensors with limited initial energy becomes a research
hotspot in both industry and academia.
In response to the above challenges, this thesis proposes a novel sensor redeployment
scheme based on the Minimum Exposure Path (MEP) to achieve coverage optimization in
DSNs, to overcome the problems such as coverage redundancy and waste of sensor
resources caused by additional sensor deployment, as well as new coverage holes caused by
a large number of sensor movements. Specifically, we first propose a MEP-PSO algorithm
with the target of establishing the MEP. With this algorithm, the traditional MEP problem
can be analyzed and simplified by conducting grid discretization and building weighted
undirected graph. Then, a MEP-based coverage optimization algorithm is proposed to
6
西安电子科技大学硕士学位论文
determine the optimal deployment locations and the dispatch sensors so that the sensors can
be dynamically redeployed to achieve the coverage optimization. After that, we derive the
formula for the coverage upper bound and develop a coverage upper bound algorithm to
provide a benchmark for evaluating the effectiveness of different coverage optimization
algorithms. Simulation results demonstrate that the proposed coverage optimization
algorithm can significantly promote the Minimum Exposure Value (MEV) and coverage
ratio of the monitoring area compared with the existing algorithms.
Furthermore, this thesis considers the limited energy of directional sensors and the energy
consumption of sensor movements, as well as the actual scenario, a coverage optimization
strategy based on Obstacle Avoidance Minimum Exposure Path (OAMEP) was
proposed. Firstly, the OAMEP algorithm is proposed, in which the finite difference method
and genetic algorithm are used to simplify and solve OAMEP problems. Then, a coverage
optimization algorithm based on the OAMEP is proposed to adjust the positions of the
deployed sensors considering the energy consumption of sensor movements. The simulation
results show that with the increase of optimization times, the proposed scheme can
effectively avoid the obstacle area while significantly improving the coverage performance,
which is conducive to the comprehensive information collection of deployment area.
7
插图索引
插图索引
8
表格索引
表格索引
9
符号对照表
符号对照表
符号 符号名称
i 传感器
li ( xi , yi ) 传感器位置坐标
ri 传感器感知半径
bi 传感器方向向量
i 传感器有效视角
ci 传感器感应区域
d (li , o) 两点之间的欧式距离
F (i, o) 单个传感器在某点处的感应灵敏度
a (o ) , m ( o ) 感应强度函数
Z 部署区域
, I ' 移动传感器集合及移动传感器数目
, I '' 普通传感器集合及普通传感器数目
,I 所有传感器集合及传感器总数目
Ei 传感器初始能量
P 移动传感器派遣计划
E ( Pi ) 传感器完成派遣计划所需能量
移动传感器移动单位距离能耗
路径曝光度
t 时间
f ( x, y) 障碍区域边界
os oa , oa ob , ob od 路径段
zi i , z i i 一组传感器的覆盖重叠面积
n
Ti i , Ti i
每组有相同数目传感器的所有组的覆盖
n
重叠面积
A , A, A 有效覆盖面积
T 所有传感器的总覆盖面积
TO 每 组 有 不 同 数 目 传 感 器 的 所 有 组 的 总覆
盖重叠面积
TO 移动传感器和普通传感器构成的所有组
的重叠覆盖区域
10
西安电子科技大学硕士学位论文
11
缩略语对照表
缩略语对照表
12
目录
目录
摘要 ........................................................................................................................................ I
ABSTRACT ........................................................................................................................ III
插图索引 .............................................................................................................................. V
表格索引 ............................................................................................................................VII
符号对照表 ......................................................................................................................... IX
缩略语对照表 ..................................................................................................................... XI
第一章 绪论 .................................................................................................................... 15
1.1 研究背景及意义 ................................................................................................ 15
1.2 国内外研究现状 ................................................................................................ 16
无线传感器网络覆盖优化研究现状 ..................................................... 16
最小曝光路径问题研究现状 ................................................................. 18
有向传感器网络覆盖优化研究现状 ..................................................... 19
1.3 本文章节安排 .................................................................................................... 20
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述 .................................... 23
2.1 有向传感器感应模型及能耗模型 .................................................................... 23
感应模型 ................................................................................................. 23
感应强度函数 ......................................................................................... 24
移动能耗模型 ......................................................................................... 25
2.2 最小曝光路径理论综述 .................................................................................... 26
路径曝光度定义 ..................................................................................... 26
最小曝光路径问题引入 ......................................................................... 27
存在障碍区域约束的最小曝光路径问题 ............................................. 27
2.3 有向传感器网络覆盖上界理论 ........................................................................ 29
覆盖重叠区域定义 ................................................................................. 29
有效覆盖面积定义 ................................................................................. 30
最大有效覆盖面积定义 ......................................................................... 31
2.4 本章小结 ............................................................................................................ 33
第三章 有向传感器网络覆盖优化机制研究 ................................................................ 35
3.1 引言 .................................................................................................................... 35
3.2 场景描述及系统模型 ........................................................................................ 35
有向传感器部署场景描述 ..................................................................... 36
13
西安电子科技大学硕士学位论文
网格离散化操作 ..................................................................................... 37
加权无向图构建 ..................................................................................... 37
3.3 算法设计与实现 ............................................................................................... 39
问题建模与转化 ..................................................................................... 39
MEP-PSO 最小曝光路径搜索算法 ....................................................... 39
基于最小曝光路径的有向传感器网络覆盖优化算法 ......................... 40
理想场景下有向传感器网络覆盖上界算法 ......................................... 42
3.4 仿真结果与性能分析 ....................................................................................... 43
MEP-PSO 算法仿真结果及分析 ........................................................... 43
覆盖优化算法仿真结果及分析 ............................................................. 47
3.5 本章小结 ........................................................................................................... 52
第四章 存在障碍区域的有向传感器网络覆盖优化机制 ........................................... 53
4.1 引言 ................................................................................................................... 53
4.2 场景描述及系统模型 ....................................................................................... 54
最小曝光路径避障问题建模 ................................................................. 54
传感器覆盖面积与路面状况指数关系 ................................................. 55
移动能耗模型 ......................................................................................... 57
4.3 算法设计与实现 ............................................................................................... 59
最小曝光路径避障问题建模与转化 ..................................................... 59
有向传感器网络中避障最小曝光路径搜索算法 ................................. 63
基于避障最小曝光路径的有向传感器网络覆盖优化算法 ................. 63
4.4 系统仿真结果与性能分析 ............................................................................... 66
覆盖优化算法仿真结果及分析 ............................................................. 66
区域状况指数仿真结果及分析 ............................................................. 70
4.5 本章小结 ........................................................................................................... 72
第五章 总结与展望 ....................................................................................................... 73
参考文献 ............................................................................................................................. 75
致谢 ..................................................................................................................................... 81
作者简介 ............................................................................................................................. 83
14
第一章 绪论
第一章 绪论
1.1 研究背景及意义
15
西安电子科技大学硕士学位论文
传感器节点不能部署在这些区域内。想实现对这些障碍区域的监测,唯一方法是在其
周边区域部署传感器,目标从一起点开始,当它到达障碍区域时,只能沿着该区域的
边界移动然后到达终点,以此来实现对障碍区域的覆盖监测。
因此,针对以上提出的问题,面向 DSNs 提出一种覆盖优化策略,基于 MEP 实
现节点位置的调整。在部署有限数目节点的基础上,利用离散几何理论对传统的 MEP
问题进行了分析,并基于 MEP 动态调整有向传感器的位置,显著提高 DSNs 的覆盖
性能。最后,进行了大量实验来验证本文工作的有效性。同时在存在障碍区域的场景
下设计一种避障覆盖优化策略,来进一步满足对障碍区域的覆盖与监测,有助于实现
监测区域信息的全面数据收集。
1.2 国内外研究现状
无线传感器网络覆盖优化研究现状
图1.1 无线传感器网络中常见的覆盖情况
16
第一章 绪论
栅栏覆盖研究的目标是找到一条或多条连接起点和终点的路径,这些路径可以描
述不同覆盖质量定义下的运动目标检测和监控质量,如图1.1(b)所示。栅栏覆盖主要
用于监测一些边界受保护的区域,以保障有物体违法入侵时能够被检测到。Fusco[16]
等人基于旋转的有向传感器进行研究,旋转的有向传感器覆盖区域被限制为扇形区域,
其方向以恒定速度变化,对于已经部署的旋转有向传感器,优化目标是最小化该区域
内点的未覆盖时间。此外,[16]还研究了屏障覆盖问题,其目标是检测所有试图穿过
监控区域的入侵者。Shih[17]等人提出了一种分布式算法,即基于锥体的屏障覆盖算法
(Cone-based Barrier Coverage Algorithm,CoBRA),以实现无线普通传感器网络
(Wireless Camera Sensor Networks,WCSNs)中的屏障覆盖。CoBRA 的基本概念是
每个普通传感器可以根据与其邻居的地理关系确定区域内可能的障碍线,接收器发起
屏障请求消息以形成可能的屏障线,由另一个接收器发起屏障回复消息以构造屏障线。
Liu[18]等人探讨了DSNs中区域覆盖的曝光路径预防问题,应用渗透理论来解决DSN的
曝光路径问题。将曝光路径问题映射到基于扇区的渗透模型中,然后根据二维泊松过
程推导出部署DSNs的临界密度范围。栅栏覆盖主要适用于保护区入侵检测,而本文
主要研究传感器网络的区域覆盖优化问题。
关于区域覆盖,也已经提出了一系列优化方案[19][20][21][22][23],区域覆盖优化是指
对一整块部署区域内的覆盖质量的优化,如图1.1(c)所示。常用的覆盖优化方法包括
基于虚拟力(Virtual Force Based,VFA)、基于Voronoi图(Voronoi Graph Based,VOR)、
基于矢量(Vector-Based,VEC)、Minimax和基于顶点与基于边结合的算法(Vertex-
based and Edge-based Algorithm,VEDGE)。以上方案都是基于传感器质心构建Voronoi
图,进而提高传感器覆盖范围。VFA算法采用引力和斥力相结合的方法确定派遣传感
器的虚拟运动[23]。VEC是 利 用 推 力 将 传 感 器 推 离 密 集 覆 盖 区 域 [24] , VEC是 一
个“ 主 动 ”算 法 ,除 了 传 感 器 与 传 感 器 间 产 生 的 虚 拟 力 外 ,传 感 器 与 Voronoi
多边形的边之间也会产 生 虚 拟 力 ,两 者 的 合 力 让 传 感 器 重 新 定 位 并 趋 于 均 匀 分
布 。VOR是 利 用 拉 力 将 传 感 器 拉 到 稀 疏 覆 盖 区 域 [24] ,VOR是 一 种 贪 婪 算 法 ,
如 果 传 感 器 检 测 到 覆 盖 空 洞 的 存 在 ,VOR会 将 传 感 器 拉 到 其 局 部 最 大 覆 盖 空
洞 区 , 即 向 距 其 最 远 的 Voronoi顶 点 移 动 。 但 如 果 由 于 传 感 器 的 离 开 而 产 生
新 的 覆 盖 空 洞 , 可 能 会 产 生 传 感 器 移 动 振 荡 现 象 。 Minimax 通 过 减 少 与
Voronoi顶 点 的 距 离 , 从 而 形 成 形 状 更 规 则 的 Voronoi多 边 形 。 与 VOR类 似 ,
Minimax通 过 移 动 至 距 其 当 前 位 置 最 远 的 Voronoi顶 点 处 来 修 复 覆 盖 空 洞 ,但
不 会 像 VOR移 动 那 么 远 , 以 避 免 原 来 靠 近 的 顶 点 变 成 新 的 最 远 顶 点 的 情 况 。
VEDGE是 基 于 边 的 技 术 和 基 于 顶 点 技 术 的 结 合 ,根 据 这 两 种 方 法 计 算 每 个 传
感 器 的 两 个 候 选 位 置 ,并 选 择 一 个 覆 盖 性 能 更 好 的 位 置 作 为 目 标 位 置 ,通 过
传 感 器 移 动 实 现 覆 盖 优 化 [22]。然而,以上算法存在缺陷,当传感器数量较多时,
17
西安电子科技大学硕士学位论文
VFA受力分析复杂度显著增加,VEC算法实现的覆盖结果并不理想[22]。对于VOR和
Minimax算法,如果传感器位于Voronoi多边形的窄边附近,算法可能会失效,产生传
感器移 动 振 荡 现象,反复在最远距离点和最近距离点间移动,可能不会减少覆盖盲
区[23]。为了克服上述基于虚拟力实现区域覆盖方案的缺点,本文将入侵检测中的MEP
的概念引入到覆盖优化中,MEP是指在WSNs中受到传感器的总曝光度最小的一条路
径,通过搜索给定两感兴趣点之间的连通路径,使得从传感器获得的总曝光值之和最
小。MEP对应于最坏的一条检测路径,基于这种最坏情况便可以进行覆盖优化。
最小曝光路径问题研究现状
18
第一章 绪论
传感器来实现覆盖优化[28][29],这会导致覆盖冗余现象,造成多余的能量消耗和传感器
资源的浪费[31]。
在实际场景下,部署传感器节点的感应场通常会存在各种类型的障碍物,包括山
谷、树木、山丘、墙壁、建筑物等,障碍物影响是传感器网络领域一个不可忽视的问
题。虽然障碍物的检测和避障方案设计是目前WSNs工作中一个具有挑战性的研究领
域,但目前对于该问题的解决方案并不多[33][34]。Chang[35]等人提出了一种单障碍物主
动路径引导方案(Route-Guiding Protocol for Single Obstacles,S-RGP),并将工作扩
展到了多个障碍物,但没有确定障碍物的具体检测程度。Zheng[34]等人提出了“曝光
度”的概念,旨在使用Voronoi图检测并定位障碍物。Chanak[33]等人提出了一种基于三
角剖分方法和最近邻节点选择方法,基于四个被称为锚节点的具有较高能量水平的
GPS功能的特殊节点,开发了一种传感器定位和障碍物发现(Obstacle Discovery and
Localization Scheme,ODLS)的时间高效算法,首先估计随机部署的传感器节点的位
置以及各种形状障碍物的近似矩形区域。然而以上工作中对于障碍物区域只是进行了
检测,却并未确定障碍物区域收到传感器的具体曝光度与被检测程度,而且以上研究
大都基于全向传感器网络,无法直接应用于DSNs中。
有向传感器网络覆盖优化研究现状
关于 DSNs 中的感应模型与覆盖优化问题,近年来受到了广泛关注,研究者们提
出了多种有向感应模型。传统全向传感器网络中的经典布尔感应模型有助于分析和理
解有向覆盖问题[36]。Hefeeda[37]等人提出了一种考虑概率感应模型的概率覆盖协议,
提出的概率覆盖协议可用于不同的感应模型。Chen[38]等人和 Li[39]等人使用概率感应
模型从理论上分析了沿任意路径穿越传感器覆盖屏障的检测概率,主要用于不同场景
中的入侵检测。为了检测入侵者,Onur[40]等人提出了具有虚警率的概率检测模型。与
传统的全向传感器相比,有向传感器以图像或声音的形式提供了更丰富的环境信息,
因此在应用中有着巨大的潜力[41]。关于 DSNs 的现有研究大多将有向传感器的感应模
型视为一个扇区,即布尔感应模型[42]。Yildiz[43]等人研究了以摄像机为例的有向传感
器的最佳部署位置问题,以在给定区域内实现连续的角度覆盖。[44]中设计了一些部
署策略,该策略基于扇形感应模型且满足给定覆盖概率要求。现有的研究大多将 DSN
的感知模型视为确定性感知模型,而忽略了概率因素的提取。
为了解决 DSNs 的覆盖优化问题,研究者们也做了很多努力。在[22]中,提出了
一种经典的有向传感器部署策略,以提高无线移动传感器网络的覆盖能力,使用这种
策略,在 Voronoi 图多边形中可以最小化 Voronoi 多边形顶点之间的距离,以及顶点
到 Voronoi 图边的距离,然而当部署大量传感器时,该算法效果并不理想。在[24]中,
作者提出了 VEC、VOR 和 Minimax 三种分布式自部署算法,来寻找合适的传感器位
19
西安电子科技大学硕士学位论文
1.3 本文章节安排
20
第一章 绪论
问题提出 第一章 绪论
与分析
问题
第二章 有向传感器网络最小曝光路径(MEP)及覆盖优化理论概述
有向感应模型及能耗模型 最小曝光路径理论概述 有向传感器网络覆盖上界理论
有
向 理论基础 感应 感应强 移动能 最小曝光路 存在障碍区约 覆盖重 有效覆 最大有效
模型 度函数 耗模型 径问题引入 束的MEP问题 叠区域 盖面积 覆盖面积
传
感
器 支撑
网 第三章 有向传感器网络覆盖优化机制研究 第四章 道路健康检测场景下有向传感器网络覆
络 MEP-PSO最小曝光路径搜索算法 盖优化机制
的 网格 构建 定义 MEP 有向传感器网络中避障最小曝光路径搜索算法
覆 离散化 加权无 路径曝 问题
PSO优化求
解MEP问题
盖 处理 向图 光度 建模 道路 遗传算法
最小曝光 传感器覆盖
优 健康 求解避障最
奠定基础 路径避障 面积与路面状
化 主要研究: 检测 小曝光路径
基于MEP的有向传感器网络覆盖优化算法 问题建模 况指数关系
有向传感器 应用 场景 问题
机 搜索阶段: 派遣阶段:
网络的覆盖
制 确定最优部署位 派遣传感器移动至
优化机制、 奠定基础
研 及其在道路
置与派遣传感器 最优部署位置
究 健康检测场 提供对比基准
道路健康检测场景下基于MEP的覆盖优化算法
与 景下的应用 理想场景下有向传感器网络覆盖上界算法 搜索阶段: 派遣阶段:
应 确定最优部署位置及 派遣激光雷达传感器
确定最大
用 确定覆盖 确定有效
有效覆盖
计算覆 派遣激光雷达传感器 至最优部署位置
重叠面积 覆盖面积 盖上界
面积
结论
总结 第五章 总结与展望
图1.2 本文研究内容关系
21
西安电子科技大学硕士学位论文
22
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
2.1 有向传感器感应模型及能耗模型
感应模型
图2.1 有向传感器感应模型
有向传感器有着有限的视角和感应方向,因此通常采用扇形区域表示,如图 2.1
所示为本文的有向传感器的感应模型。每个传感器的感知范围是以节点位置
li ( xi , yi ) 为中心,感知距离 ri 为半径的扇形区域。有向传感器的感知能力由节点位置
li ( xi , yi ) 、方向向量 bi 和有效视角 i 等参数来度量。上述参数一旦确定,传感器 i 的
23
西安电子科技大学硕士学位论文
d (li , o) ri
(2-1)
i / 2 (li o, bi ) i / 2
d (li , o) ( xo xi ) 2 ( yo yi ) 2 (2-2)
其 中 (li o, bi ) 表 示 li o 和 bi 之 间 的 角 度 。 d (li , o) 是 li 和 o 之 间 的 距 离 。
基 于 (2-1)对 传 感 器 的 灵 敏 度 进 行 建 模 。虽 然 不 同 类 型 的 有 向 传 感 器 通 常
有 不 同 的 物 理 特 性 ,但 大 多 数 类 型 的 传 感 器 都 有 以 下 共 同 属 性 :目 标 离 传 感
器 越 近 ,传 感 器 越 能 检 测 到 它 。换 句 话 说 ,感 应 灵 敏 度 随 着 距 离 的 增 加 而 逐
渐 衰 减 。特 别 是 对 于 有 向 传 感 器 ,其 灵 敏 度 也 随 着 偏 移 传 感 器 方 向 角 度 的 增
加 而 衰 减 ,下 式 定 义 了 有 向 灵 敏 度 模 型 ,它 描 述 了 灵 敏 度 、距 离 和 偏 移 角 之
间 的 关 系 [29] :
cos
l o, b
i i
cos
l o, b
i i
F (i, o) 2 2 (2-3)
d (li , o) ( xo xi ) ( yo yi ) 2
2
感应强度函数
另 一 方 面 ,对 于 某 一 给 定 点 o ,在 传 感 器 部 署 区 域 Z ,在 o 点的感应强度
是灵 敏 度 常 用 的 度 量 方 法 。有 向 传 感 器 感 应 模 型 常 用 的 感 应 强 度 函 数 通 常 有
以下两种:
全传感器感应强度函数:将部署区域内某一点的感应强度定义为部
署的所有有向传感器在 o 点的感应灵敏度之和,记全传感器感应强
度 函 数 为 a (o) ,则有:
n
a (o) F (i, o) (2-4)
i 1
最大传感器感应强度函数:定义部署区域内某一点的感应强度为部
署的所有有向传感器中在 o 点的最大感应灵敏度。记最大传感器感
应 强 度 函 数 为 m (o) , 则有:
24
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
移动能耗模型
有几项相关研究假设所有有向传感器具有相同的感应半径和感应角度[48][49]。然
而一般来说,不同类型的有向传感器通常具有不同的性能与感应特性。因此,本文所
考虑的传感器具有不同的感应特性。一般假设如下:
DSNs 中的传感器分为移动传感器和普通传感器两种。移动传感器集合记为
,普通传感器的集合记为 ,所有传感器集合为
。
每个传感器都有一定的初始能量 Ei [50],移动传感器的初始能量比普通传感器
要高,移动传感器的感应半径比普通传感器的感应半径更长。
移动传感器可以进行位置移动和重新部署(例如移动传感器、无人机等),进
而实现覆盖优化。普通传感器没有移动能力,一旦部署则认为它们的位置不
能改变。
移动传感器移动单位距离所消耗的能量为一个定值,是由传感器本身特性所
决定的[51]。
考虑到上述因素,提出了一种基于轮次的传感器重新部署方案,该方案将时间划
分为多个区间,每个区间可视为一个轮次。对于每一轮优化过程,包含一个搜索阶段
和一个派遣阶段。
在搜索阶段,根据普通传感器和移动传感器的当前位置,搜索 MEP,并确定最
优部署位置,然后选择一个移动传感器作为派遣传感器。
在派遣阶段,通过考虑能耗,将选定的派遣传感器发送到最优部署位置。在每一
轮中,只有一个最优的部署位置需要派遣传感器访问一次。在上述过程中,需要设计
派遣计划,根据移动距离确定能耗,进而确定传感器的派遣计划和搜索到的最优部署
位置。完成一次派遣计划所需的能量为:
Ei E ( Pi ) (2-7)
25
西安电子科技大学硕士学位论文
2.2 最小曝光路径理论综述
路径曝光度定义
传 感 器 的曝光和检测模型说明了传感器如何从目标接收信号、处理信号并做出
决定。想要求解 MEP 问题,首先需要定义路径曝光度的概念。曝光度是指在一段时
间内,传感器网络对部署区域 Z 内的物体沿任意路径移动的监测效果。曝光度与
WSNs 的覆盖范围成正比,曝光度越高,该传感器网络提供的覆盖范围就越好,反之
亦然。此外,曝光度也代表了在传感器部署区域检测到目标的平均能力。曝光度可用
于管理、优化和维护 WSNs。此外,曝光度的适用性并不仅仅局限于传感器网络,曝
光路径是一种穿透路径,还可用于评估部署区域覆盖的情况或检测该区域内移动物体
的预期能力。通常有 两 种 主 要 曝 光 模 型 ,基 于 已 部 署 的 传 感 器 来 确 定 特 定 时 间
段 内 信 号 强 度 的 变 化 [29] 。
积 分 器 曝 光 模 型 : 曝光度被定义为感应强度函数的线积分,当 累 积 曝 光
度超过阈值时,可以假设检测到目标;
导 数 /尖 峰 检 测 器 曝 光 模 型 : 这 种 传 感 器 模 型 检 测 信 号 强 度 的 变 化 ,
并且假设一旦变化超过给定阈值,就可以检测到目标。
在 本 文 中 ,假 设 初 始 随 机 部 署 的 所 有 传 感 器 都 符 合 积 分 器 曝 光 模 型 。基
于有向感测模型和感应强度函数,本文中的曝光度函数定义如下:
do(t )
o(t ), t1 , t2 (o(t ))
t2
dt (2-8)
t1 dt
do(t ) dx(t ) 2 dy (t ) 2
( ) ( ) (2-9)
dt dt dt
26
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
最小曝光路径问题引入
MEP 的目的是在两点之间找到一条路径,这条路径是在所有可能的路径中,从
传感器获得的总曝光度最小的一条路径,即为 MEP[31]。基于 MEP 的优化方案提供了
优化传感器网络性能的手段,一旦确定了 MEP,可以沿 MEP 添加更多传感器,或者
优化已部署传感器节点的位置,来实现对传感器网络的覆盖优化。
从 2.2.1 节中对曝光度的定义可以看出,曝光度值取决于移动路径。传感器节点
i 利用其感应灵敏度来检测对象,感应灵敏度与传感器距待检测对象间的距离成反比。
公式(2-3)所示的灵敏度函数 F (i, o(t )) 是计算 MEP 的基础。给定两个点 oa ( xa , ya ) 和
ob ( xb , yb ) ,连接它们的路径是一个连续函数 o(t ) ( x(t ), y(t )) 。该路径具有边界条件,
其中 x(t1 ) xa , x(t2 ) xb , y (t1 ) ya , y (t2 ) yb 。根据本文使用的最大传感器感应强
度函数 m ,待观察物体沿任意路径移动时的累积曝光量为:
2 2
t2 dx(t ) dy (t )
o (t ) m ( x(t ), y (t )) dt (2-10)
t1
dt dt
存在障碍区域约束的最小曝光路径问题
时刻的坐标, m 为感应强度函数,本文采用的感应强度函数为最大传感器感应强度函
数。将其从时间维度转化为空间维度,只考虑其在某时刻的位置坐标,而不考虑时间
时,曝光度定义可以等价为:
od
( y) m ( x, y) 1 y2 dx (2-11)
os
图 2.2 中的 路 径 可 以 表 示 为 由 三 个 路 径 段 组 成 , 分 别 为 os oa , oa ob 和 ob od 。
通 过 让 oa ob 上点 集 为 C f {( x, y ) | y f ( x)} , 曝 光 度 可 以 表 示 为 公 式 (2-12):
s.t. oa ob C f (2-14)
28
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
2.3 有向传感器网络覆盖上界理论
在 本 节 中 ,讨 论 了 一 个 DSNs 场 景 下 的 理 想 情 况 ,并 将 此 时 理 论 的 最 优
覆盖率视为覆盖上界,为评估不同覆盖优化算法的性能提供了一个基准。
覆盖重叠区域定义
考 虑 I 个 传 感 器 初 始 随 机 部 署 在 监 测 区 域 Z 中 。首 先 假 设 只 存 在 传 感 器
两 两 覆 盖 重 叠 的 情 况 。将 每 两 个 传 感 器 作 为 一 组 。那 么 , {i, i} 组 中 两 个 传 感
器 i 和 i ' 的 重 叠 覆 盖 区 域 可 以 用 zi i 表 示 。有 了 这 个 定 义 ,可 以 给 出 只 有 两 两
覆 盖 重 叠 情 况 下 的 DSNs 中 所 有 组 的 覆 盖 重 叠 区 域 Ti i :
I 1 I
Ti i zi i (2-15)
i 1 ii 1
I 2 I 1 I
Ti ii '' zi ii '' (2-16)
i 1 i 'i 1 i ''i ' 1
同 样 ,考 虑 每 个 组 有 n 个 传 感 器 覆 盖 重 叠 的 一 般 情 况 ,组 {i, i } 的 重 叠
覆 盖 区 域 可 以 表 示 为 zi i ,则所有组的重叠覆盖区域可以表示为
n
:
n
I n 1 I n 2 I n 3
Ti i
i 1 i i 1 i i 1
zi i (2-17)
n n
根据覆盖重叠区域,可以进一步定义传感器的有效覆盖面积。
29
西安电子科技大学硕士学位论文
有效覆盖面积定义
传感器的有效覆盖面积等于其总覆盖面积减去其重叠覆盖面积。如图
2.3 所 示 , 以 最 简 单 的 情 况 为 例 , 考 虑 仅 存 在 传 感 器 两 两 覆 盖 重 叠 的 情 况 。
根 据 公 式 (2-15), 有 效 覆 盖 面 积 可 表 示 为 :
I I 1 I
A T Ti i ci zi i (2-18)
i 1 i 1 ii 1
I
其 中 ci 为 传 感 器 i 的 覆 盖 面 积 ,T ci 为所有传 感 器 的 总 覆 盖 面 积 。在 推 导
i 1
n 传 感 器 覆 盖 重 叠 情 况 下 的 有 效 覆 盖 面 积 公 式 之 前 ,首 先 举 例 说 明 3 传 感 器
覆盖重叠与 4 传感器覆盖重叠情况下的有效覆盖面积如何推导。
以 组 {i, i, i ''} 中 三 个 传 感 器 相 互 重 叠 的 情 况 为 例 ,如 图 2.3(b)中 所 示 。三
个 传 感 器 均 重 叠 的 区 域 可 以 表 示 为 两 两 重 叠 区 域 的 交 集 , 即
zi ii zi i zi i zii 。由 于 已 推 导 出 了 仅 存 在 传 感 器 两 两 覆 盖 重 叠 时 ,有 效
覆 盖 面 积 应 按 公 式 (2-18)计 算 。 若 三 个 传 感 器 均 重 叠 时 仍 按 此 公 式 计 算 , 将
三 个 传 感 器 重 叠 覆 盖 面 积 划 分 为 每 组 中 两 个 传 感 器 分 别 进 行 处 理 ,则 重 叠 覆
盖 面 积 zi ii 将 被 减 去 三 次 , 而 实 际 上 重 叠 部 分 面 积 只 需 减 去 两 次 , 要 保 留
一 个 zi ii 才是有效覆盖面积,故 在 该 组 {i, i, i ''} 中 需 要 将 zi ii 加 回 一 次 。因 此 ,
假 设 共 有 n 个 传 感 器 覆 盖 重 叠 现 象 ,如 果 n =3,即 每 一 组 最 多 三 个 传 感 器 覆
I 2 I 1 I
盖 重 叠 , 共 需 要 加 回 Ti ii zi ii '' , 故 有 效 覆 盖 面 积 可 表 示 为 :
i 1 i 'i 1 i ''i ' 1
A T Ti i Ti ii
T (1)1Ti i (1) 2 Ti ii (2-19)
2 1 31
T (1) Ti i (1) Ti ii
30
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
共 包 括 C 42 对 每 组 两 个 传 感 器 重 叠 , 以 及 C 43 对 每 组 三 个 传 感 器 重 叠 , 假 设 传
感 器 i、i、i ''、i ''' 的 重 叠 区 域 为 zi ii ''i ''' 。由 于 公 式 (2-19)中 前 三 项 已 确 定 ,因
此 对 于 四 传 感 器 覆 盖 重 叠 区 域 zi ii ''i ''' 来 说 ,已 从 第 二 项 中 减 去 C 42 次 zi ii ''i ''' ,
即-6 zi ii ''i ''' ,之后又从第三项中加上 C 43 次 zi ii ''i ''' ,即+4 zi ii ''i ''' , 因 此 公 式 (2-
19)共 减 去 两 次 zi ii ''i ''' 。事 实 上 ,在计算有效覆盖面积时,四 重 叠 区 域 zi ii ''i '''
只需要保留计算一次,需要减去三次,所 以 公 式 (2-19)需 要 再 减 去 一 次 zi ii ''i ''' 。
因 此 ,假 设 存 在 一 组 四 个 传 感 器 {i, i, i '', i '''} 覆 盖 重 叠 情 况 时 ,即 n =4 时 ,每 一
组 的 四 个 传 感 器 都 需 要 减 去 一 次 zi ii ''i ''' , 共 需 减 去
I 3 I 2 I 1 I
Tiiii ''' zi ii ''i ''' , 则 有 效 覆 盖 面 积 用 公 式 (2-20)表 示 :
i 1 i 'i 1 i ''i ' 1 i '''i '' 1
由 上 面 的 分 析 ,可 以 得 到 已 部 署 传 感 器 的 总 有 效 覆 盖 面 积 。包 括 每 组 有
两 个 传 感 器 、三 个 传 感 器 、四 个 传 感 器 等 ,故 对 于 一 组 有 n 个 传 感 器 覆 盖 重
叠时,根据上面的类推有:
A T TO
T Ti i (1)( n 1) Ti i
n
I I 1 I
ci zi i (1) n Cnn 1 zi ii (2-21)
i 1 i 1 i i 1 n1
I n 1 I n 2 I n 3
(1) n 1
i 1 i i 1 i i1
zi i
n
其 中 ,TO 为 每 组 传 感 器 数 量 由 2 至 n 变 化 后 的 所 有 组 的 总 重 叠 覆 盖 区 域 。可
以表示为:
最大有效覆盖面积定义
在 对 传 感 器 的 重 叠 覆 盖 面 积 和 有 效 覆 盖 面 积 进 行 建 模 后 ,继 续 分 析 传 感
器 的 最 大 有 效 覆 盖 面 积 。在 本 文 中 ,初 始 随 机 部 署 的 传 感 器 包 括 移 动 传 感 器
'
和普通传感器 ''
。因此,传感器的有效覆盖面积也可以分别用移动传感器
31
西安电子科技大学硕士学位论文
和普通传感器表示为:
A A A TO (2-23)
其 中 A 和 A 分 别 为 移 动 传 感 器 和 普 通 传 感 器 的 有 效 覆 盖 区 域 , TO 表 示 移
动传感器和普通传感器构成的所有组的重叠覆盖区域,要求每组都要同时有
移动传感器和普通传感器。此时,最大化有效覆盖面积的问题可以表示为:
在 本 文 中 ,假 设 普 通 传 感 器 的 位 置 一 旦 部 署 后 就 固 定 , A 为 常 数 ,由 公
式 (2-24)可 得 ,需 要 调 整 所 有 移 动 传 感 器 的 位 置 ,以 最 大 化 有 效 覆 盖 面 积 。因
此 公 式 (2-24)可 以 改 写 为 :
max A max{ A A TO }
(2-25)
A max A min TO
根 据 公 式 (2-17), 公 式 (2-25)中 的 重 叠 覆 盖 面 积 TO 可 以 表 示 为 :
在 公 式 (2-26)中 ,每 组 中 无 论 有 多 少 个 传 感 器 ,至 少 有 一 个 移 动 传 感 器 和
一 个 普 通 传 感 器 。在 计 算 出 TO 之 后 ,需 要 确 定 max A ,以 最 大 化 有 效 覆 盖
面 积 。 由 公 式 (2-27)可 得 到 移 动 传 感 器 的 有 效 覆 盖 面 积 最 大 化 问 题 :
max A T min TO
T min{Ti i (1)( n 1) Ti i
}
n
I I 1 I
ci min zi i (2-27)
i 1 i 1 i i 1
I n 1 I n 2 I n 3 n
(1) n 1
zi i
}
i 1 i i 1 i i 1
n
n
I'
其 中 ci 是 恒 定 值 ,代 表 所 有 传 感 器 的 覆 盖 面 积 之 和 。在 理 想 情 况 下 ,认 为
i 1
每两个移动传感器之间以及每个移动传感器与普通传感器之间的覆盖区域
都没有重叠,即:
32
第二章 有向传感器网络最小曝光路径及覆盖优化理论概述
lim
TO 0 (2-28)
z 0,i ,i
ii
lim TO 0 (2-29)
z 0,i ,i
i i
在 获 得 了 部 署 区 域 内 理 想 情 况 下 传 感 器 的 最 大 有 效 覆 盖 面 积 后 ,覆 盖 率
的上界可以定义为:
max A
Upperbound (2-30)
|Z |
其 中 Z 是 Z 的 面 积 。以 上 推 导 过 程 具 有 一 般 性 ,对 不 同 感 应 半 径 、不 同 感 应
角 度 ,以 及 不 同 数 目 的 传 感 器 均 适 用 。通 过 以 上 分 析 可 以 得 出 结 论 ,得 到 的
覆 盖 率 上 界 公 式 可 以 应 用 于 初 始 部 署 不 同 数 目 传 感 器 的 场 景 ,它 为 评 估 不 同
的覆盖优化方案的性能提供了对比基准。
2.4 本章小结
本章首先对有向传感器感应模型及能耗模型进行了详细阐述,包括有向感测模型、
有向传感器移动能耗模型、感应强度函数等;其次对 MEP 问题进行介绍,阐述了路
径曝光度定义以及 MEP 问题介绍,为之后覆盖优化策略的引入奠定基础;接下来,
对 DSNs 的覆盖上界进行理论分析,分别对覆盖重叠面积、有效覆盖面积、最大有效
覆盖面积分别进行理论推导,最后得到了理想情况下的覆盖率上界,为不同的覆盖优
化算法提供了性能对比基准,为后续章节内容奠定基础。
33
西安电子科技大学硕士学位论文
34
第三章 有向传感器网络覆盖优化机制研究
第三章 有向传感器网络覆盖优化机制研究
WSNs 的不断发展为复杂多变的环境监测提供了强有力的手段。随着有向传感器
的广泛使用,可以有效促进各种数字化和智能化应用。覆盖作为 DSNs 的关键性质之
一,会直接影响网络连通性、网络能耗和寿命等网络性质。不合理的传感器部署方案
可能会导致大量覆盖盲区,从而降低有向传感器的利用效率和网络的监测性能。此外,
由于有向传感器的能量有限,频繁更换或增加新的传感器会带来资源浪费、能源消耗
和覆盖冗余问题,本章针对现有研究的不足,提出了有向传感器的覆盖优化方案,基
于搜索 MEP,通过调整有限数量有向传感器的部署来实现覆盖率和 MEV 的提升。在
本方案场景下进一步提出覆盖上界算法作为对比基准,显示所提出方案的优越性。
3.1 引言
IoT 是一个连接对象的网络,每个对象都具有有限存储、有限的能量和处理能
力。 在 WSNs 的帮助下,IoT 设备可以与环境交互,以提高其基础设施的可靠性和安
全性。作为 IoT 的新范式,DSNs 在能耗、覆盖侧重和检测精度方面可以较传统全向
传感器网络实现更优越的性能。同时,由于有向传感器覆盖区域的不对称性和检测角
度的多变性,使得 DSNs 的覆盖优化成为一个新的挑战。MEP 是指在传感器网络中
从已部署传感器获得的总曝光度最低的一条路径,随着 MEP 的采用,目前研究通常
通过在 MEP 上增加额外的传感器来实现覆盖优化,这可能会导致覆盖冗余和多余的
能量消耗等新问题。
为此,开发了一种基于 MEP 的传感器重新部署方案,以优化 DSNs 的覆盖范围。
具体地说,首先提出了一种 DSNs 中的 MEP 搜索算法,该算法通过网格离散化操作
和构建加权无向图,可以对传统的 MEP 问题进行分析和简化,并用粒子群算法优化
MEP 搜索。然后提出一种覆盖优化算法,基于 MEP 确定最优部署位置和派遣传感器
节点,实现有向传感器的动态重新部署,进而显著提高监测区域的 MEV 和覆盖率。
在此基础上,利用提出的覆盖上界算法作为对比基准,验证覆盖优化算法的有效性和
优越性。
3.2 场景描述及系统模型
在第二章对有向感测模型及能耗模型、MEP 相关定义描述的基础上,本小节主
要对所研究的 DSNs 场景及系统模型进行详细阐述,以及在系统建模过程中涉及到的
网格离散化操作、加权无向图构建等过程进行详细论述,从而为接下来的 MEP 问题
35
西安电子科技大学硕士学位论文
有向传感器部署场景描述
图3.1 有向传感器部署场景
WSNs 通常部署在不易人为进入的区域中,如火山、洪水泛滥地区、沙漠和深海,
部署后人类干预维修不便,因此正在努力提高传感器网络的效率和耐久性。部署方式
可以分为手动部署和随机部署。其中,随机部署最适合于人类无法到达的危险环境,
如森林、战场、灾害地区等。在以上场景下,传感器可以初始被部署在监测区域内的
某些位置,之后再利用重新部署技术,从这些位置重新部署到最合适的位置来优化传
感器网络的覆盖性能。随着传感器技术的发展,诸如多普勒微波雷达、毫米波雷达、
红外探头、高清摄像机等有向传感器逐渐普及到人们的日常生活中,而传统的 WSNs
覆盖优化方案都是针对全向传感器网络提出,故其模型和方法均不能直接适用于
DSNs,因此有必要针对有向传感器提出符合传感器特性的覆盖优化方案。
在本文中,认为传感器初始随机部署于监测区域内,将监测区域视为无障碍物的
矩形区域。考虑如图 3.1 所示的有向传感器部署场景图,传感器具有可移动性,初始
随机部署后可通过合适的优化部署策略实现传感器节点位置的移动,以实现更优的覆
盖性能。采用 2.1 节的有向传感器感应模型对传感器节点进行约束。部署区域为 Z ,
传感器节点 i 以部署位置 li ( xi , yi ) 为顶点,最大感知距离 ri 为半径,有效角度为 i ,
其方向向量为 bi ,感应区域 ci 为扇形区域。其中,感应灵敏度随着距离的增加而逐渐
衰减,也随着传感器方向偏移角度的增加而衰减。
36
第三章 有向传感器网络覆盖优化机制研究
网格离散化操作
在本文中,对部署区域进行网格离散化操作,主要思想是利用加权网格将 MEP
问题从连续域转化为合理的离散域,具体来说,将传感器部署域划分为一个极其精细
的网格,从而认为传感器只沿着网格的中心点与网格边移动,将网格进一步转化为一
个加权图。因此,MEP 的搜索就转化为了求最小权重和的问题。
图3.2 网格离散化操作示意图
加权无向图构建
在对监测区域进行网格离散化操作并引入感应强度函数后,利用加权无向图来设
37
西安电子科技大学硕士学位论文
置移动路径的每条路径段的权重值和路径总权重值,为路径曝光度的定义做准备。图
3.3 所示为加权无向图,对离散化后的网格按照从左到右,从上到下的顺序编号,记
g {g1 ,..., g q ,..., g Q } 表 示 网 格 集合,则图 3.3 中最左上角第一个网格为 g1 ,右下角
最后一个网格为 gQ 。其 中 任 一 网 格 gq 的 中 心 点 记 为 Ogq 。对 于 每 个 网 格 gq ,将
网 格 中 心 点 Ogq 与相邻八个方向上的网格中心点连接起来,则这些连接线便是移动
物体可能的移动路径段,将所有可能的路径段的集合记为 {1,..., h,..., H} 。在 图 3.3
中,假设沿红色实线进行移动,在网格中的起点为 g q ' ,终点为 g q '' ,则移动路径记为
ugq , gq ,每 一 个 箭 头 即 为 移 动 路 径 上 的 路 径 段 h , h ugq , gq ,箭头经过的橙色圆点
表示移 动 路 径 经 过 的 网 格 中 心 点 。
图3.3 加权无向图
接 下 来 定 义 加 权 无 向 图 中 的 路 径 段 权 重 值 ,在 本 文 中 用 曝 光 度 值 来 表 示
路 径 段 权 重 值 ,权 重 值 取 决 于 感 应 强 度 值 和 路 径 段 长 度 的 值 。如 图 3.3 中 左
图 所 示 ,将 网 格 gq 中的路 径 段 h 的 权 重 值 记 为 w(h) , 则 权 重 w(h) 可 以 用 以 下
公式来计算:
38
第三章 有向传感器网络覆盖优化机制研究
3.3 算法设计与实现
问题建模与转化
在定义了每个路径段的权重后,对每条完整路径的曝光度值进行计算,
并 进 行 MEP 问 题 建 模 。 假 设 gq , gq {ugq , gq ,...,U gq , gq } 表 示 两 个 随 机 网 格 g q ' 和
g q '' 之 间 的 所 有 可 行 路 径 的 集 合 , 对 于 路 径 ugq , gq , 它 由 许 多 个 路 径 段 组 成 ,
每 条 路 径 段 权 重 都 可 按 照 公 式 (3-1)来计算,因 此 ,每 条 路 径 的 曝 光 度 ug ,g 可
q q
以表示为:
H
u gq , gq
h 1, hu gq , gq
w(h) (3-2)
H
u * min w( h) , u gq , gq U gq , gq (3-3)
h 1,hugq ,gq
g q , g q
MEP-PSO 最小曝光路径搜索算法
39
西安电子科技大学硕士学位论文
基于最小曝光路径的有向传感器网络覆盖优化算法
40
第三章 有向传感器网络覆盖优化机制研究
3.2.3 节所述,采用网格离散化的方法对部署区域进行离散化处理,并构建加权无向
MEP 可以划分为多个路径段。因此,对于两个任意网格 g q 和 g q 之间的 MEP u*g
图, q , gq
,
遍历该 MEP 上所有路径段的曝光度值,以确定具有最小曝光度的路径段,记为 h , *
如下所示:
从上面的分析可以知道 h * 具有最小的曝光度值,该路径段从所有传感器获得的
总曝光最小,因此,路径段 h * 是部署传感器的最佳路径段,故在本方案中,将 h * 所对
应的网格中心点定义为最优部署位置。在定义最优部署位置后,再确定派遣传感器。
派遣传感器的确定由传感器的覆盖冗余情况决定。具体来说,根据每个传感器的覆盖
冗余面积,选择移动传感器中冗余面积最大的传感器,在派遣阶段将其作为派遣传感
器,进行重新部署。
(2)派遣阶段:传感器位置调整
确定最优部署位置和派遣传感器后,为传感器制定派遣方案。假设派遣传感器为
i (i ) ,其位置为 li* ( xi* , yi* ) ,所搜索的最优部署位置 oi** 的坐标为 ( xo* , yo* ) ,然
* *
i* i*
后,按照公式(2-2)计算传感器从当前位置移动到最优部署位置的能量消耗。完成一轮
优化后,开始第二轮优化。根据移动传感器和普通传感器的当前位置,重复使用 MEP-
PSO 算法搜索当前的 MEP,并确定新的最优部署位置。与第一轮相似,选择能量充
足且未移动的移动传感器作为派遣传感器,并调整其位置至最优部署位置。重复上述
步骤,直到满足所有移动传感器均不存在覆盖冗余/所有移动传感器均已重新部署。
所设计的基于 MEP 的 DSNs 覆盖优化算法具体细节与步骤如下所示:
Step 1:初始化输入:MEP u*g q , gq
,移动传感器集合 ,普通传感器集合 ,MEP
上的所有路径段 h, h u*g q , g q
;
Step 2:对于 MEP 上的所有路径段,利用公式(3-1)计算其对应的权重;
Step 3:遍历 MEP 上所有路径段的权重值,找到具有最小权重值的路径段 h * ,
输出该路径段 h * 对应的网格中心点 oi** ,该点即为定义的最优部署位置;
Step 4:对于每一个移动传感器节点,识别其覆盖区域以及覆盖重叠区域;
Step 5:从移动传感器中搜索覆盖重叠面积最大(有效覆盖面积最小)的传感器,
作为派遣传感器;
Step 6:利用公式(2-2)计算当前搜索到的派遣传感器距离最优部署位置的距离,
将该传感器确定为本轮派遣传感器 li* ,并移动至最优部署位置 oi** ;
Step 7:输出经过当前轮优化的所有传感器节点的位置。直至所有移动传感器均
不存在覆盖冗余/所有移动传感器均已进行重新部署时,算法结束。
41
西安电子科技大学硕士学位论文
理想场景下有向传感器网络覆盖上界算法
42
第三章 有向传感器网络覆盖优化机制研究
3.4 仿真结果与性能分析
在仿真场景中,本文将部署区域建模为矩形,在其内随机初始部署有向传感器。
同时,采用 Eclipse 与 Matlab 软件进行仿真分析,验证第三章提出的 MEP-PSO 算法、
基于 MEP 的覆盖优化算法的有效性,并与覆盖率上界以及现有其他覆盖优化算法性
能进行对比。
MEP-PSO 算法仿真结果及分析
学习因子 c1 , c2 2 2
2 2 2
部署区域 Z 50×50 m 50×50 m 50×50 m
移动传感器数目 {10,20,30,40,
30 {30,50,70}
I' 50,60,70,80}
{3 m ,4 m ,5 m ,
传感器感应半径 6 m ,7 m ,8 m ,9
{4 m ,8 m ,12 m } 8m
ri m,
10 m ,11 m ,12 m }
{30°,40°,50°,60
传感器感应角度
°,70°,80°,90°,10 90° {45°,90°,120°}
i
0°,110°,120°}
43
西安电子科技大学硕士学位论文
2 2
部署区域 Z 50×50 m 50×50 m
移动传感器感应半径 ri ' 10 m 10 m
普通传感器感应半径 ri '' 8m 8m
'
移动传感器数目 I 5 10
''
普通传感器数目 I 10 20
44
第三章 有向传感器网络覆盖优化机制研究
图3.5 不同感应角度下的最小曝光度值
45
西安电子科技大学硕士学位论文
图3.7 不同感应半径下的最小曝光度值
图3.9 不同传感器数目下的最小曝光度值
覆盖优化算法仿真结果及分析
47
西安电子科技大学硕士学位论文
48
第三章 有向传感器网络覆盖优化机制研究
具 体 来 说 ,图 3.11(a)是 传 感 器 的 初 始 部 署 情 况 ,图 3.11(b)是 经 过 第 五 轮
优 化 后 ,图 3.11(c)是 经 过 十 轮 优 化 后 的 最 后 效 果 。表 3.5 显 示 了 覆 盖 性 能 的
仿 真 结 果 。 从 图 3.11 中 可 以 看 出 , 随 着 优 化 次 数 的 增 加 , 覆 盖 盲 区 和 覆 盖
冗余显著减少。
' ''
表3.5 覆盖优化性能仿真结果( I =10/ I =20)
I ' / I '' 优化轮次 MEV 覆盖率
初始 51.000 47.794%
1 87.438 50.210%
2 126.000 52.332%
3 169.567 54.527%
4 204.000 55.880%
10/20 5 262.991 56.989%
6 304.964 58.213%
7 343.223 59.054%
8 356.077 60.124%
9 358.811 61.122%
10 374.099 61.951%
49
西安电子科技大学硕士学位论文
现 有 覆 盖 优 化 算 法 进 行 比 较 [22][24]。首 先 将 本 节 实 验 一 和 实 验 二 的 结 果 与 覆 盖
率 上 界 进 行 比 较 。 图 3.12 和 图 3.13 显 示 了 所 提 出 的 算 法 与 理 论 覆 盖 率 上 界
之间的比较。
图 3.12 是 部 署 5 个 移 动 传 感 器 和 10 个 普 通 传 感 器 的 结 果 ,在 这 种 情 况
下 ,覆 盖 上 界 的 传 感 器 参 数 设 置 与 实 验 一 中 的 参 数 设 置 相 同 ,计 算 得 到 此 时
覆 盖 率 上 界 是 43.969%。
' ''
图3.12 本文算法与覆盖率上界对比( I =5/ I =10)
同 样 , 图 3.13 是 部 署 10 个 移 动 传 感 器 和 20 个 普 通 传 感 器 的 结 果 , 覆
盖 上 界 的 传 感 器 参 数 设 置 与 实 验 二 中 的 参 数 设 置 相 同 ,计 算 得 到 此 时 覆 盖 率
上 界 是 64.074%。从 以 上 结 果 可 以 看 出 ,提 出 的 DSNs 覆 盖 优 化 算 法 可 以 有
效 地 提 高 覆 盖 率 ,当 传 感 器 的 初 始 部 署 给 定 时 ,随 着 优 化 轮 数 的 增 加 ,部 署
区域的覆盖率增加,并逐渐接近理论覆盖率上界。
' ''
图3.13 本文算法与覆盖率上界对比( I =10/ I =20)
50
第三章 有向传感器网络覆盖优化机制研究
图3.14 与其他覆盖优化算法对比
51
西安电子科技大学硕士学位论文
法,在部署传感器数目较大的情况下,算法的性能并不理想。此外,从图中可以看出,
Minimax 和 VOR 算法具有相似的覆盖优化结果。通过以上讨论,可以得出结论,与
其他现有算法相比,本文提出的覆盖优化算法获得的覆盖率最接近理论覆盖上界,并
且在不同传感器数目的条件下均具有最高的覆盖率,对覆盖性能的提升效果最优。
3.5 本章小结
52
第四章 存在障碍区域的有向传感器网络覆盖优化机制
第四章 存在障碍区域的有向传感器网络覆盖优化机制
在 DSNs 中,通过传感器部署区域的海量数据的感知、采集和处理,可以实现大
量的智能应用,如智慧城市、数字孪生系统、智能交通系统。原始的 WSNs 中的 MEP
问题没有考虑路径约束条件。为了考虑实际需求,本章提出了一个 OAMEP 问题,该
问题要求 MEP 通过某一区域的边界。针对存在障碍区的部署区域,开发一种基于
OAMEP 的覆盖优化算法,在有限的传感器数目的基础上实现覆盖范围的优化,尽可
能提升传感器的有效检测区域面积,进而实现准确的区域监测。
4.1 引言
53
西安电子科技大学硕士学位论文
4.2 场景描述及系统模型
最小曝光路径避障问题建模
图4.1 存在障碍区域的检测场景图
在 DSNs 覆盖问题中,对部署区域中每个位置关注程度不同,一些特殊区域应该
避开部署,因此想要实现这些区域的检测,需要在其周围区域部署传感器来实现对这
些障碍区域的监测。如图 4.1 所示,为存在障碍区域的场景示意图,在此场景下,MEP
问题需要重新解释。给定固定起点,当路线搜索过程中遇到障碍区域时,只能沿着该
区域的边界移动,然后到达给定终点,在 MEP 搜索过程中需要实现避障。因此,此
时的 MEP 问题变为 OAMEP 问题,在 2.2.3 小节中已经介绍了问题的引入。本小节对
OAMEP 问题进行量化建模,考虑当遇到障碍区域时,移动目标只能沿着障碍区域边
界移动。
具有障碍区域边界约束的 OAMEP 问题的核心是一个带约束的泛函极值问题[32],
本 文 采 用 了 一 种 间 接 函 数 极 值 求 解 方 法 : 有 限 差 分 法 来 解 决 该 边界约束的
OAMEP 问题。
图4.2 有限差分法离散化路径示意图
54
第四章 存在障碍区域的有向传感器网络覆盖优化机制
图 4.2 显 示 了 用 有 限 差 分 法 离 散 后 图 2.2 中 的 路 径 段 。 区 间 xs , xd 被 分
成 相 等 的 n 部 分 , 起 点 为 x s = x 0 , 终 点 为 xd = x n , 每 部 分 分 别 用 坐 标 点
( x0 , y0 ),( x1 , y1 ),,( xn1 , yn1 ) 分隔开,用 于 近 似 路 径 os oa obod 。 为 方 便 起 见 , 令 (2-
12)中 的 ( x, y) 1 y2 M x, y, y , 则 2 ( y ) 可 以 表 示 为 :
2 ( y) ( x, y ) 1 y 2 dx ( x, y ) 1 y 2 dx ( x, y ) 1 y 2 dx
os oa oa ob ob od
M x, y, y dx M x, y, y dx M x, y, y dx
xa xb xd
xs xa xb
n 1
y (4-1)
M xi , yi , i x
i 0 xi
p 1
y q 1
yi n 1
yi
M xi , yi , i x M xi , yi , x M xi , yi , x
i 0 xi p xi q xi
式 中 xi (i 0,, n 1) 是 可 预 先 确 定 的 常 数 , 由 于 x0 xs ,故 xn xd x0 nx ,
y0 y xs ys , yn y xd yd 。 p 和 q 是整数, x p 和 xq 分别满足 x p 1 xa x p 和
xq 1 xb xq ,故 x p x0 ( p 1)x , xq x0 (q 1)x 。
(2-14)所示的约束条件 oa ob C f 可 表 述 如 下 :当 p j q, y j f ( x j ) 时 ,公 式
(4-1)中 要 确 定 的 变 量 是 p ,q 和 yi (i 0,, n 1) 。通 过 约 束 条 件 oa ob C f ,公 式
(4-1)中 表 示 的 MEP 问 题 可 以 表 示 为 以 下 带 约 束 条 件 的 多 变 量 优 化 问 题 :
p , q , y , y , , y
* * *
1
*
2
*
n 1 arg min
p , q , y1 , y2 ,, yn1
p 1 Δyi q 1
Δyi n 1
Δy
M ( xi , yi , )Δ x M ( xi , y i , )Δ x M ( xi , yi , i )Δx
i 0 Δxi p Δxi q Δxi (4-2)
q 1 y n 1
y
M xi , yi , i x M xi , yi , i x
p
xi q x i
s.t. p j q, y j f x j
传感器覆盖面积与路面状况指数关系
55
西安电子科技大学硕士学位论文
21
w Z i i
DR 100 i 0 (4-4)
Z
其中,DR 表示路面障碍率,为路面障碍区域的面积之和与覆盖面积之比,以百分数
表示。其中, Z j 表示路面障碍区域中第 j 类障碍的面积,单位 m 2 ; Z 表示传感器覆
盖的路面总面积,单位为 m 2 ; w j 表示第 j 类障碍的权重; a0 与 a1 为标定系数,本文
中参考[60]的参数设置,设置 a0 =15.00, a1 =0.41。其中不同的路面障碍类型及其对应
的权重参数 w j 取值如表 4.1 所示。
表4.1 路面障碍类型和换算系数表
路面障碍类型 程度 权重( w j ) 单位
轻度 0.60
2
龟裂 中度 0.80 平方米( m )
重度 1.00
轻度 0.40 2
块状裂缝 平方米( m )
裂缝类 重度 0.60
轻度 0.40
纵向裂缝 长度( m )×0.2( m )
重度 1.00
轻度 0.40
横向裂缝 长度( m )×0.2( m )
重度 1.00
轻度 0.80 2
坑槽 平方米( m )
重度 1.00
松散类
轻度 0.60 2
松散 平方米( m )
重度 1.00
轻度 0.40
沉陷 长度( m )×0.4( m )
重度 1.00
变形类
轻度 0.40 2
车辙 平方米( m )
重度 0.80
2
泛油 所有程度 0.20 平方米( m )
其他 2
修补不良 所有程度 0.20 平方米( m )
由于本文中并不是重点研究路面障碍区的类型,而是为了研究覆盖率提升对于
PCI 指数的影响,所以统一认为部署区域内所有障碍区域类型为块状裂缝,认为其为
56
第四章 存在障碍区域的有向传感器网络覆盖优化机制
0.6 Aob A
DR 100 60 ob (4-5)
Z Z
由初始随机部署的传感器经过覆盖优化后,检测到的 DR 值随着覆盖面积的增加
而改变,根据检测计算得到的 DR 带入公式(4-3)中,得到 PCI 值越接近真实值,则覆
盖效果越好。
移动能耗模型
在本章中由移动传感器和普通传感器两种有向传感器进行检测,其中将障碍区域
简化为矩形代替,本文采用 2.1.3 节提出的能耗模型来规范移动传感器移动能耗,而
普通传感器部署后认为其不能进行位置移动。
在本章中,仍然认为每一轮优化过程包含一个搜索阶段和一个派遣阶段。在搜索
阶段,根据已部署的普通传感器和移动传感器的初始位置,搜索一条 MEP,确定 MEP
上的最优部署位置。然后,选择覆盖重叠面积最大的移动传感器作为本轮移动节点;
在派遣阶段,通过考虑传感器剩余能耗,当且仅当 Ei E ( Pi ) 时,将选定的派遣移动
传感器移动到最优部署位置。用下式对移动传感器完成派遣计划消耗的能量进行规范:
其中,参考[54]中的移动传感器单位移动距离的真实能耗,取 0.064 J / m 。
本文用实际示例展示移动能耗模型的使用。如图 4.5、图 4.6 所示,在本例中,假
设路段为 50 m ×50 m 的正方形,共部署有 30 个传感器(10 个移动传感器和 20 个普
通传感器),移动传感器感应半径为 10 m ,普通传感器检测距离为 8 m ,其中每个传
感器的感应角度均为 90°,为了便于区分图中的移动传感器和普通传感器,移动传
感器以深绿色表示,普通传感器以浅绿色表示。根据[51]中的测量数据,假设移动传
感器移动单位距离的能耗为 0.064 J / m ,假设移动传感器初始能量为 3 J 。
57
西安电子科技大学硕士学位论文
图4.3 优化部署过程节点选择示意图(第一轮)
图4.4 优化部署过程节点选择示意图(第三轮)
上用红点标记搜索到的最优部署位置,初始选定的移动传感器如图红色虚线框所示。
而本次派遣计划所需能量为 47.218 m × 0.064 J / m = 3.022 J ,大于移动传感器的初始
能量。类似于第一轮,蓝色虚线框中的移动传感器被选中为新的派遣传感器,移动至
最优部署位置所需能量为 1.253 J ,节点初始能量能够满足派遣计划。对比图 4.6 左
右两图,MEV 从 126.000 提升至 169.567,覆盖率从 52.332%提高为 54.527%。
4.3 算法设计与实现
最小曝光路径避障问题建模与转化
许多数学确定性优化方法可用于求解优化问题,如最速下降法[57]、拟牛顿法[58]和
填充函数法[59]。然而,这些方法需要诸如函数导数之类的信息,并且只能用于具有良
好性质函数的全局优化问题,它们很难用于复杂的工程优化问题。在本章中,优化目
标函数为方程(4-2),连续变量 y1 , y2 ,, yn 1 的维数很高,因此,经典的确定性优化方
法不适合解决这个优化问题。与确定性优化方法相比,随机优化方法对函数的要求较
少,只需要函数的值,对目标函数的性质(如可微性、连续性)几乎没有要求,它们
可以用于解决大多数优化问题,非常适合复杂的工程优化问题。
本章利用遗传算法这一相对成熟的随机优化方法,设计了一种求解 OAMEP 问题
的方法。遗传算法是一种迭代搜索算法,设计一个合适的适应度函数至关重要。在优
化问题(4-2)中,要优化的连续变量为 Y y1 , y2 ,, yn1 ,维度为 n 1 ,如果将(4-1)中
曝光度的值直接用作适应度函数:
n 1
yi
y1 , y2 , , yn 1 M xi , yi , x
i 0 xi
n 1
y y
M xi , yi , i 1 i x (4-7)
i 0 xi
2
n 1
y y
xi , yi 1 i 1 i x
i 0 xi
上 式 无 法 准 确 反 映 路 径 跳 跃 的 程 度 , 由 于 xi , yi 在 不 同 位 置 时 感 应 强
度 不 同 ,故 当 y 值 跳 幅 较 大 时 xi , yi 会 发 生 显 著 变 化 ,导 致 计 算 误 差 较 大 。
如 果 令 di xi 1 xi yi 1 yi
2 2
,di 表 示 点 ( xi , yi ) 和 ( xi 1 , yi 1 ) 之 间 的 距 离 ,则
max di , i 1, , n 1 可 以 反 映 这 段 路 径 锯 齿 跳 动 的 程 度 ,其 值 越 小 ,结 果 越 好 。
i
理 想 情 况 下 ,在 每 条 线 段 上 感 应 强 度 值 ( x, y) 的 变 化 应 尽 可 能 小 ,且 跳 跃 幅
度 最 小 。 通 过 考 虑 这 两 个 因 素 , 将 (4-7)改 进 得 到 适应度函数为:
59
西安电子科技大学硕士学位论文
n 1 n 1
y1 , y2 ,, yn1 max ( p) di max di di (4-8)
i 0 p ( xi , yi ),( xi1 , yi1 ) i ( i 1,, n 1)
i 0
其 中 , 第 一 项 将 (4-7)中原 始 xi , yi 的值 替 换 为 该 线 段 中 感 应 强 度 的 上 限
max xi , yi ,该 上 限 表 示 第 一 个 因 子 的 惩 罚 。锯 齿 跳 动 越 大 , max d i 的 值
n 1 i
越 大 ,与 路 径 长 度 di 的 乘 积 的 值 越 大 ,故 第 二 项 和 表 示 第 二 个 因 子 的 惩 罚 。
i 0
(4-8)基 于 惩 罚 函 数 的 思 想 ,以 及 减 少 锯 齿 跳 跃 发 生 的 情 况 ,可 以 帮 助 个 体 群
体 成 员 朝 着 良 好 方 向 进 化 。基 于 适 应 度 函 数 ,提 出 的 OAMEP 算 法 具 体 有 以
下步骤:
( 1) 编 码 和 约 束 条 件 处 理 :
优 化 问 题 (4-2)中 要 优 化 的 变 量 包 括 n 1 维 连 续 变 量 y1 , y2 ,, yn 1 和整 数 p 、
q 。混 合 编 码 可 用 于 处 理 这 些 变 量 ,令 C p, q, y1 , y2 ,, yn1 。其 中 p 和 q 是 介
于 1 和 n 1 之 间 的 整 数 ,且 p < q ;连 续 变 量 y1 , y2 ,, yn 1 的 取 值 范 围 可 以 表 示
为 : 当 p j q 时, y j f ( x j ) ,其 他 y j 取值 均 在 感 应 区 域 Z 内 。
( 2) 种 群 初 始 化 :
首 先 , 个 体 成 员 C p, q, y1 , y2 ,, yn1 按 照 下 式 进 行 随 机 初 始 化 :
p rand int(c, k );
(4-9)
q rand int(c, k );
pv int pa (1 ) pb
qv int qa (1 )qb
yv , j f xi , if pv j qv ,
(4-11)
a ,b yb , j ya , j ,
y y if j pv or j qv
v, j a, j
j 1, , n
60
第四章 存在障碍区域的有向传感器网络覆盖优化机制
其 中 int 表 示 舍 入 函 数 ( 向 下 舍 入 取 整 数 ) , 表 示 [0,1]内 的 随 机 数 , a ,b 表
示 [-1,1]内 的 随 机 数 。为 确 保 个 体 成 员 取 值 合 法 ,对 于 超 出 取 值 范 围 的 yv , j 分
量 , 取 其 最 近 的 边 界 值 近 似 , (4-11)的 设 计 确 保 了 算 法 能 够 进 行 全 局 搜 索 。
( 4) 变异运算:
本 文 使 用 高 斯 变 异 算 法 进 行 变 异 运 算 ,产 生 一 个 服 从 高 斯 分 布 的 随 机 数
以取代原先数值,这个算法产生的随机数的数学期望作为当前基因的数值。
连 续 变 量 Y y1 , y2 ,, yn1 的 每 个 分 量 C p, q, y1 , y2 ,, yn1 均被 高 斯 扰
动 ,以 获 得 一 个 新 的 个 体 Y m ,Y m Y 。其 中 1 ,2 ,n1 ,i ~ N 0, 2 ,
i 1,, n 1,i p 或 i q 。N 0, 表 示 均 值 为 零 且 方 差 为 2 的 高 斯 分 布 ,每
2
Cm N m , Ym p p , q q , Y (4-12)
(5)选择运算-局部搜索连续分量:
由 于 方 程 (4-2)是 一 个 高 度 非 线 性 和 高 维 优 化 问 题 ,使 用 标 准 遗 传 算 法 时 ,
收 敛 速 度 不 够 快 ,通 常 会 得 到 锯 齿 形 曲 线 的 解 。对 于 高 度 非 线 性 的 复 适 应 度
函 数 (4-8),在 处 理 连 续 分 量 yi (i p 或 i q)时 ,考 虑 得 到 连 续 分 量 yi , yi* 的 局 部
极 值 。由 于 惩 罚 因 子 的 存 在 ,设 计 局 部 搜 索 因 子 比 较 困 难 ,所 以 应 该 避 免 分
n 1 n 1
析 复 函 数 形 式 y1 , y2 ,, yn1 max ( p) di max di di ,而 应
i 0 2
n 1 p ( xi , yi ),( xi1 , yi1 ) i ( i 1,, n 1)
i 0
考 虑 一 个 简 单 的 函 数 形 式 xi , yi x 2 yi 1 yi 。
i 0
连 续 分 量 yi , yi 1, yi 2,, yi k 的 基 因 片 段 Y y1 , y2 ,, yn1 被 局 部 优
化 , 目 的 是 希 望 优 化 后 的 基 因 片 段 值 yi , yi 1, yi 2,, yi k 不 仅 能 减 少 锯 齿
n 1
模 式 , 还 能 最 小 化 函 数 xi , yi x 2 yi 1 yi , 达 到 局 部 搜 索 的 效 果 。
2
i 0
61
西安电子科技大学硕士学位论文
yi* yi 2
yi 6
y* g ( x)
yi* yi 4
yi
yi 3 yi 5
yi 1
图4.5 消除锯齿跳跃示意图
为此,首先考虑对坐标点 ( xi , yi ) ,( xi 1, yi 1) ,( xi 2, yi 2) , ,( xi k , yi k )
进 行 曲 线 拟 合( 如 多 项 式 拟 合 ),由 yi , yi 1, yi 2,, yi k 表 示。如图 4.7 所示,
拟合函数用 y* g ( x) 表示,可以消除显著的锯齿跳跃。
ik
其次,设计一个局部优化方法,可以降低 xi , yi x 2 yi 1 yi 函 数 的 值 。
2
i i
因为之前得到的拟合函数可以减少两个相邻点之间的距离 x 2 yi 1 yi ,感应
2
强度 xi , yi 只需要取局部最小值,以降低 xi , yi x 2 yi 1 yi 的值,从而获
2
得局部优化。因此,拟合函数 yi* , yi* 2 , yi* 2 , , yi* k 的值将在 yi* , yi* 2 , yi* 2 , , yi* k 的范
围内使对应的 xi , yi 最小化,即:
yi j arg min xi j , yi j
yi j yi* j , yi* j
(4-13)
j i, i 1, i 2,, i k
其 中 是 一 个 预 定 常 数 ,用 于 限 制 xi , yi 的 搜 索 范 围 。以 这 种 方 式 获 得 的 基
yi , yi 1, yi 2,, yik 可 以 保 证 ( xi , yi ) x 2 yi 1 yi , … ,
2
因片 段值
( xi k , yi k ) x 2 yi k 1 yi k 对 于 每 个 k 都 最 小 化 , 从 而 使 求 和 后 的
2
ik
( x , y ) x 2 y j 1 y j 具 有 局 部 最 小 值 , 实 现 k 1 维 分 量 局 部 搜 索 效 果 。
2
j j
j i
(6)选择运算-局部搜索积分分量:
对于个体成员 C p, q, y1 , y2 ,, yn1 的积分分量 N [ p, q] ,对应的点 ( x p , y p ) 和
( xq , yq ) 都在曲线 f f ( x) 上,两个相邻点之间的距离 x 2 yi 1 yi 可以通过曲
2
p arg min ( x p , y p )
p[ p 1, p 1]
(4-14)
q arg min ( xq , yq )
q[ q 1, q 1]
62
第四章 存在障碍区域的有向传感器网络覆盖优化机制
(7)子 种 群 的 选 择 和 产 生 :
根据以上步骤(1)—(6),在当前种群中的所有个体(父代)和所有子种群(由
交叉和变异产生)中,选择第一个种群个体形成下一代的种子种群 U 。
有向传感器网络中避障最小曝光路径搜索算法
基于避障最小曝光路径的有向传感器网络覆盖优化算法
63
西安电子科技大学硕士学位论文
也需要实现避障。两个阶段的具体过程如下:
(1)搜索阶段:
MEP 将 被 网 格 离 散 化 为 多 个 路 径 段 , 每 个 网 格 对 应 一 个 路 径 段 , 根 据
加 权 无 向 图 3.3 所 示 ,网 格 中 的 每 个 路 径 段 都 有 相 应 的 权 重 ,该 权 重 表 示 路
径 段 的 曝 光 值 。 基于已经搜索到的 MEP,通过对 MEP 进行离散化分段处理,将
u * gq , gq 分为若干段,每一个路径段都对应一个曝光度值 w(h) ,遍历 MEP 上所有段的
曝光度,找到曝光度值最小的路径段,将其对应的网格中心点 O* g 作为新的最优部署 q
位置,如下式(4-15)和(4-16)所示:
H
u * min w( h) , u gq , gq U gq , gq
h 1,hugq ,gq
g q , g q
(4-16)
派 遣 传 感 器 的 确 定 需 要 考 虑 传 感 器 的 能 量 消 耗 和 冗 余 覆 盖 范 围 ,初 始 部
署 传 感 器 后 ,每 个 传 感 器 节 点 发 送 一 个 信 号 ,以 监 控 和 记 录 周 围 传 感 器 节 点
的 工 作 状 态 。根 据 每 个 传 感 器 检 测 到 的 周 围 传 感 器 的 信 息 ,确 定 每 个 节 点 的
有 效 覆 盖 区 域 和 冗 余 区 域 。在 移 动 传 感 器 中 选 择 覆 盖 冗 余 最 大 的 一 个 ,为 其
制定派遣计划,进入派遣阶段。
( 2) 派 遣 阶 段 :
由于派遣计划在不同的场景中是不同的,因此移动路径和能耗也不同。
考虑两种类型的场景:无障碍场景和存在障碍区的场景。在无障碍场景下,
传 感 器 节 点 的 位 置 调 整 相 对 简 单 , 在 3.3.3 节 已 经 介 绍 。 首 先 确 定 冗 余 传 感
器和最优部署位置,然后根据移动能耗模型确定派遣方案。在这种情况下,
沿 欧 氏 距 离 运 动 消 耗 的 能 量 最 小 ,如 图 4.8(a)所 示 ,传 感 器 从 位 置 l1 x1 , y1 移
动 到 l2 x2 , y2 , 运 动 轨 迹 用 红 色 虚 线 表 示 , 移 动 距 离 可 以 描 述 为
d li , o xo xi yo yi
2 2
。然 而 ,在 障 碍 区 域 中 ,传 感 器 的 运 动 不 能 再 简
单 使 用 欧 氏 距 离 ,传 感 器 位 置 的 调 整 需 要 考 虑 避 障 。此 时 ,需 要 在 多 个 可 行
的 移 动 路 径 之 间 找 到 最 短 的 一 条 路 径 ,将 所 有 可 行 移 动 路 径 构 成 的 集 合 记 为
,在其中确定一条最优移动路径。 本 文 障 碍 区 域 可 视 为 m n 的 矩 形 区 域 , 首
先确定最佳部署位置和冗余传感器,如果两点在直线距离内被障碍物阻挡,
如 图 4.8(b)所 示 , 传 感 器 从 位 置 l1 x1 , y1 移 动 到 位 置 l2 x2 , y2 ,有 两 条 路 径 可
以 避 开 障 碍 物 , 红 线 为 d1 , 蓝 线 为 d 2 。 如 果 d1 d2 ,则 按 照 d1 移 动 ; 如 果
d1 d2 ,则按照 d 2 移动;所需总 能 量 E Pi d li , oi 。每 个 传 感 器 都 有 一 定
*
64
第四章 存在障碍区域的有向传感器网络覆盖优化机制
的 初 始 能 量 Ei ,如 果 Ei E ( Pi ) ,则 节 点 的 初 始 能 量 无 法 满 足 派 遣 计 划 Pi ,此
时 则 需 要 修 改 派 遣 计 划 ,派 遣 其 他 具 有 足 够 能 量 的 冗 余 传 感 器 ,移 动 到 最 佳
部署位置。
完成一轮传感器位置调整后,进入第二轮。根据调整后的当前移动传感器和普通
传感器的位置,再次使用 OAMEP 算法搜索一条新的 MEP 并确定最优部署位置,然
后找到冗余面积最大且尚未移动的移动传感器,将其视为第二个派遣传感器并调整其
位置。重复上述步骤,直到所有移动传感器都没有覆盖冗余或所有移动传感器都已完
成一轮移动。本章提出的基于 MEP 的避障覆盖优化算法具体步骤如下:
Step 1:初始化输入:部署区域 Z 内的障碍区域坐标 ( xa , ya ) , ( xb , yb ) ,最小曝光
路径 u*g q , gq
,单位移动能耗 ,一组移动传感器坐标 ,一组普通传感器坐标 ,移
动传感器初始能量 Ei , i ;
Step 2:对 MEP 进行离散化处理,按照图 3.3 构建加权无向图,确定 MEP 上所
有路径段 h, h u*g q , g q
;
Step 3:利用公式(4-15)计算 MEP 上的所有路径段对应的权重;
Step 4:遍历 MEP 上所有路径段的权重值,如(3-6)所示,找到具有最小权重值的
路径段 h * ,输出该路径段 h * 对应的网格中心点 oi** ,该点即为定义的最优部署位置;
Step 5:利用 2.1.1 节的感应模型,对于每一个移动传感器识别其覆盖区域以及覆
盖重叠区域;
Step 6:从移动传感器中选择覆盖重叠面积最大的,作为派遣传感器;
Step 7:分别连接障碍区域的两个顶点到当前派遣传感器位置以及最优部署位置
点,构成可行的移动路径集合 ;
Step 8:在可行的移动路径 中选择长度最短的一条作为最优移动路径,并确定
最短移动距离 d * li , o ;
65
西安电子科技大学硕士学位论文
Step 9:利用公式(4-6)计算当前携带派遣传感器的移动传感器完成派遣计划所需
能量;
Step 10:若当前搜索的移动传感器能量满足派遣计划,则将该移动传感器确定为
本轮派遣传感器 li* ,并移动至最优部署位置 oi** ;
Step 11:若当前搜索的移动传感器能量不满足派遣计划,则重新在剩余移动传感
器中搜索覆盖重叠面积最大的一个,作为新的派遣传感器,并返回 Step 7;
Step 12:输出经过当前轮优化的所有移动传感器和普通传感器的位置。直至所有
移动传感器均不存在覆盖冗余/所有移动传感器均已进行重新部署/所有移动传感器都
没有足够的剩余能量来完成派遣计划时,算法结束。
4.4 系统仿真结果与性能分析
本节进行仿真实验验证提出的存在障碍区域的场景下的覆盖优化算法的有效性,
参考真实场景下有向传感器的检测范围[53],与真实传感器移动能耗[51],设置仿真参数
如表 4.2 和表 4.3 所示。
覆盖优化算法仿真结果及分析
参考文献[53]中真实场景下有向传感器的检测范围,参考[51]中的真实传感器移
动能耗,按照表 4.2,4.3 的参数设置,对提出的避障覆盖优化方案进行验证。其 中 每
个 移 动 传 感 器 初 始 能 量 为 3 J [28],节 点 移 动 单 位 距 离 能 耗 为 ∆ = 0.064 J / m [51]。
表4.2仿真参数
仿真参数 设置值
2
部署区域面积 Z 50×50 m
'
移动传感器数目 I 7
移动传感器检测半径 ri ' 10 m
移动传感器初始能量 Ei 3J
''
普通传感器数目 I 13
普通传感器检测半径 ri'' 8m
66
第四章 存在障碍区域的有向传感器网络覆盖优化机制
仿真参数 设置值
种群大小 pop 50
最 大 进 化 世 代 数 GenMax 150
本地搜索参数 k 10
本地搜索参数 2
4
2
67
西安电子科技大学硕士学位论文
以覆盖优化过程中的初始部署情况与经过不同轮次的覆盖优化后的效果为例,对
结果进行分析。图 4.9 中左下角的字体为当前轮搜索到的 MEP 对应的曝光度 MEV
值。由图 4.9 (a)可以看出,提出的 OAMEP 方案可以有效实现规避障碍区域,当搜索
的 MEP 到达障碍区域附近时,会沿障碍区域的边界前进,并不会进入障碍区域内部。
由图 4.9 (b) (c) (d)可以看出,提出的覆盖优化方案也可以在已部署的多传感器间找到
一条被传感器覆盖最少的路径,以最小的覆盖域穿过传感器部署区域。
由将图 4.9 (a)至图 4.9 (d)对比可以看出,使用提出覆盖优化方案,从初始较为散
乱、存在大量覆盖冗余与覆盖空洞的随机部署,到第七轮优化后传感器间的覆盖冗余
现象大大减少,提出的覆盖优化方案可以显著提升整体区域的覆盖性能,且移动传感
器优化后的部署位置有效实现了避障,所有传感器均位于障碍区域外。从对障碍区域
的覆盖来看,经过七次优化,障碍区域覆盖面积显著增加,普通传感器和移动传感器
实现了对障碍区域的有效覆盖。
(2)基于 OAMEP 的覆盖优化算法的覆盖性能:
此外,本文仿真验证了 OAMEP 的覆盖优化算法的覆盖率和 MEV 结果,参数设
置如表 4.2 和 4.3 所示,仿真结果如表 4.4 和图 4.8 所示,其中每个优化轮次的过程与
图 4.7 相对应。
初始 0.000 35.321%
1 0.000 37.918%
2 94.510 39.928%
3 121.711 41.798%
7/13
4 165.453 42.954%
5 187.220 44.136%
6 193.706 45.213%
7 220.004 46.162%
68
第四章 存在障碍区域的有向传感器网络覆盖优化机制
' ''
图4.8 基于 OAMEP 的覆盖优化算法与覆盖率上界对比( I =7/ I =13)
初始
69
西安电子科技大学硕士学位论文
表4.6 本文方案能耗结果仿真
35.3208%
37.9181% 1.31
39.9281% 3.51
41.7977% 5.22
42.9535% 7.79
44.1359% 10.48
45.2131% 12.22
46.1623% 13.11
区域状况指数仿真结果及分析
4 8 5 0.6 0.41
PCI 100 15 (100 ) 73.958 (4-17)
50 50
PCI 100 a0 DR a1
0.6 Aob
0.41
100 15 100
50 50 (4-18)
根据实验设置,通过仿真得到了对障碍区域的覆盖,并根据公式(4-18)得到了计
算估计的 PCI 值,实验结果如表 4.7 和图 4.9 所示:
70
第四章 存在障碍区域的有向传感器网络覆盖优化机制
初始 92.668 7.270
1 90.766 12.760
2 88.201 22.318
3 84.533 44.905
73.958
4 81.467 69.800
5 79.471 89.570
6 76.916 119.240
7 75.796 133.845
4.5 本章小结
72
第五章 总结与展望
第五章 总结与展望
73
西安电子科技大学硕士学位论文
74
参考文献
参考文献
[1] G. Han, J. Jiang, C. Zhang, et al. A Survey on Mobile Anchor Node Assisted Localization in Wireless
Sensor Networks[J]. IEEE Communications Surveys & Tutorials, 2016, 18(3): 2220-2243.
[2] T. Qiu, X. Liu , L. Feng , et al. An Efficient Ttree-based Self-Organizing Protocol for Internet of
Things [J]. IEEE Access, 2016, 4 (6):3535–3546.
[3] M. Z. Hasan and H. Al-Rizzo. Optimization of Sensor Deployment for Industrial Internet of Things
Using a Multiswarm Algorithm [J]. IEEE Internet of Things Journal, 2019, 6(6): 10344-10362.
[4] L. Dai, B. Wang, L. T. Yang, et al. A Nature-Inspired Node Deployment Strategy for Connected
Confident Information Coverage in Industrial Internet of Things [J]. IEEE Internet of Things Journal,
2019, 6(6): 9217-9225.
[5] C. Liu and H. Du. T. K-Sweep Coverage with Mobile Sensor Nodes in Wireless Sensor Networks
[J]. IEEE Internet of Things Journal, 2021, 99.
[6] X. Zhu, J. Li, M. Zhou. Target Coverage-Oriented Deployment of Rechargeable Directional Sensor
Networks With a Mobile Charger [J]. IEEE Internet of Things Journal, 2019, 6(3): 5196-5208.
[7] H. Tran-Dang, N. Krommenacker, P. Charpentier, et al. Toward the Internet of Things for Physical
Internet: Perspectives and Challenges [J]. IEEE Internet of Things Journal, 2020, 7(6): 4711- 4736.
[8] N. Kumar, D. Acharya, D. Lohani. An IoT-Based Vehicle Accident Detection and Classification
System Using Sensor Fusion [J]. IEEE Internet of Things Journal, 2021, 8(2): 869-880.
[9] G. Mao, Y. Hui, X. Ren, et al. The Internet of Things for Smart Roads: A Road Map From Present to
Future Road Infrastructure [J]. IEEE Intelligent Transportation Systems Magazine, 2021.
[10] M. Cardei and D. Du. Improving Wireless Sensor Network Lifetime Through Power Aware
Organization [J].Wireless Networks, 2005, 11(3): 333–340.
[11] M. Cardei, M. Thai, Y. Li, et al. Energy-Efficient Target Coverage in Wireless Sensor Networks. In
Proceedings IEEE 24th annual joint conference of the IEEE computer and communications societies,
2005[C], 3: 1976–1984.
[12] M. Cardei, J. Wu, M. Lu, et al. Maximum Network Lifetime in Wireless Sensor Networks with
Adjustable Sensing Ranges. In Proceedings IEEE international conference on wireless and mobile
computing, networking and communications, 2005[C], 3: 438–445.
[13] M. Lu, J. Wu, M. Cardei, et al. Energy-Efficient Connected Coverage of Discrete Targets in Wireless
Sensor Networks [J]. In Networking and Mobile Computing, 2005: 43–52.
[14] H. Liu, P. Wan, C. Yi, et al. Maximal Lifetime Scheduling in Sensor Surveillance Networks. In
Proceedings IEEE 24th annual joint conference of the IEEE computer and communications societies,
75
西安电子科技大学硕士学位论文
2005[C], 4: 2482–2491.
[15] H. Liu, P. Wan, X. Jia. Maximal Lifetime Scheduling for K to 1 Sensor-Target Surveillance Networks
[J].Computer Networks, 2006, 50(15): 2839–2854.
[16] G. Fusco and G. Himanshu. Placement and Orientation of Rotating Directional Sensors[J].IEEE
Sensor Mesh and Ad Hoc Communications and Networks, 2010, 7: 1-9.
[17] S. Ping, C. Chou, H. Liu, et al. On Barrier Coverage in Wireless Samera Sensor Networks[J].IEEE
Advanced Information Networking and Applications,2010, 24: 873-879.
[18] L. Liu, Z. Xi, M. Hua. Exposure-Path Prevention in Directional Sensor Networks Using Sector
Model based Percolation[J].IEEE Communications, 2009: l-5.
[19] F. Zhou, J. Gao, X. Fan, et al. Covering Algorithm for Different Obstacles and Moving Obstacle in
Wireless Sensor Networks [J]. IEEE Internet of Things Journal, 2018, 5(5): 3305-3315.
[20] J. Y u, S. Wan, X. Cheng, et al. Coverage Contribution Area based K-Coverage for Wireless Sensor
Networks [J]. IEEE Transactions on Vehicular Technology, 2017, 66(9): 8510-8523.
[21] P. K. Sahoo and W. Liao. HORA: A Distributed Coverage Hole Repair Algorithm for Wireless Sensor
Networks [J]. IEEE Transactions on Mobile Computing, 2015, 14(7): 1397-1410.
[22] H. Mahboubi, K. Moezzi, A. G. Aghdam, et al. Distributed Deployment Algorithms for Improved
Coverage in a Network of Wireless Mobile Sensors [J]. IEEE Transactions on Industrial Informatics,
2014, 10(1): 163-174.
[23] H. Mahboubi and A. G. Aghdam. Distributed Deployment Algorithms for Coverage Improvement in
a Network of Wireless Mobile Sensors: Relocation by Virtual Force [J]. IEEE Transactions on
Control of Network Systems, 2017, 4(4): 736-748.
[24] G. Wang, G. Cao, T. F. Porta. Movement-Assisted Sensor Deployment [J]. IEEE Transactions on
Mobile Computing, 2006, 5(6): 640-652.
[25] S. Megerian, K. Farinaz, P. Miodrag, S. B. Mani. Worst and Best-Case Coverage in Sensor Networks
[J]. IEEE Mobile Computing, 2005, 1: 84-92.
[26] M. Ye, Y. Wang, C. Dai, et al. A Hybrid Genetic Algorithm for the Minimum Exposure Path Problem
of Wireless Sensor Networks based on a Numerical Functional Extreme Model [J]. IEEE
Transactions on Vehicular Technology, 2016, 65(10): 8644-8657.
[27] A. Bartolini, T. Calamoneri, S. Ciavarella. Autonomous mobile sensor placement in complex
environments [J]. ACM Transactions on Autonomous and Adaptive Systems, 2017, 12(2): 1-28.
[28] E. Bonnah, S. Ju, W. Cai. Coverage maximization in wireless sensor networks using minimal
exposure path and particle swarm optimization [J]. Sensing and Imaging, 2020, 21(1).
[29] L. Liu, X. Zhang, H. Ma. Minimal exposure path algorithms for directional sensor networks [J].
Wireless Communications and Mobile Computing, 2014, 14(10): 979-994.
76
参考文献
[30] H. Binh, N. Binh, N. Ngoc. Efficient approximation approaches to minimal exposure path problem
in probabilistic coverage model for wireless sensor networks [J]. Applied Soft Computing, 2019, 76:
726-743.
[31] Y. Song, L. Liu, H. Ma, et al. A biology-based algorithm to minimal exposure problem of wireless
sensor networks [J]. IEEE Transactions on Network and Service Management, 2014, 11(3): 417-430.
[32] N. Binh, A. Mellouk, H. Binh, et al. An Elite Hybrid Particle Swarm Optimization for Solving
Minimal Exposure Path Problem in Mobile Wireless Sensor Networks [J]. Sensors, 2020, 20(9).
[33] C. Prasenjit, S. Tuhina, R. Hafizur, et al. Obstacle Discovery and Localization Scheme for Wireless
Sensor Network Communications, Devices and Intelligent Systems(CODIS), 2012 International
Conference, 2012[C]: 258-261.
[34] Z. Rong and P. Amit. Obstacle Discovery in Distributed Active Senor Networks. IEEE INFOCOM,
2009[C]: 909-917.
[35] C. Chih, C. Chao, C. Yu, et al. Active Route-Guiding Protocols for Resisting Obstacles in Wireless
Sensor Networks [J]. IEEE Transactions on Vehicular Technology, 2010, 59(9): 4425-4442.
[36] D. Kim, W. Wang, J. Son, et al. Maximum lifetime combined barrier-coverage of weak static sensors
and strong mobile sensors [J]. IEEE Transactions on Mobile Computing, 2016, 16(99): 1-12.
[37] M. Hefeeda and H. Ahmadi. Energy-efficient protocol for deterministic and probabilistic coverage
in sensor networks [J]. IEEE Transactions on Parallel and Distributed Systems, 2010, 21(5): 579–
593.
[38] J. Chen, J. Li, T. H. Lai. Energy-efficient intrusion detection with a barrier of probabilistic sensors:
Global and local [J]. IEEE Transactions on Wireless Communications, 2013, 12(9): 4742–4755.
[39] J. Chen, J. Li, T. H. Lai. Energy-efficient intrusion detection with a barrier of probabilistic sensors.
In Proceedings of the IEEE INFOCOM, 2012[C]: 118-126.
[40] E. Onur, C. Ersoy, H. Delic. How many sensors for an acceptable breach detection probability [J].
Computer Communications, 2006, 29(2): 173-182.
[41] R. Bhatt and R. Datta. A two-tier strategy for priority based critical event surveillance with wireless
multimedia sensors [J]. Wireless Networks, 22(1): 1-18.
[42] M. Guvensan and A. G. Yavuz. On coverage issues in directional sensor networks: A survey [J]. Ad
Hoc Networks, 2011, 9(7): 1238-1255.
[43] E. Yildiz, K. Akkaya, E. Sisikoglu, et al. Optimal camera placement for providing angular coverage
in wireless video sensor networks [J]. IEEE Transactions on Computers, 2014, 63(7):1812–1825.
[44] H. Ma and Y. Liu. Some problems of directional sensor networks [J]. International Journal of Sensor
Networks, 2007, 2(1/2): 44–52.
[45] M. Xie, Y . Bai, M. Huang, et al. Energy and time-aware data acquisition for mobile robots using
77
西安电子科技大学硕士学位论文
mixed cognition particle swarm optimization [J]. IEEE Internet of Things Journal, 2020, 7(8): 7734-
7750.
[46] S. Rahmanpour and R. M. Esfanjani. Decentralized energy-aware co-planning of motion and
communication strategies for networked mobile robots [J]. IEEE Transactions on Cognitive and
Developmental Systems, 2020, 12(3): 519-528.
[47] A. Wichmann, T. Korkmaz, A. S. Tosun. Robot control strategies for task allocation with connectivity
constraints in wireless sensor and robot networks [J]. IEEE Transactions on Mobile Computing, 2018,
17(6): 1429-1441.
[48] Z. Zhang, C. Duan, H. Jia. Genetic simulated annealing-based coverage-enhancing algorithm for
multimedia directional sensor networks [J]. International Journal of Communication Systems, 2015,
28(9): 1598-1609.
[49] F. Li, J. Luo, S. Xin. Autonomous deployment of wireless sensor networks for optimal coverage with
directional sensing model [J]. Computer Networks, 2016, 108(10): 120-132.
[50] J. Chen, H. Liu, Q. Zhang, et al. Orientation Optimization for Full-View Coverage Using Rotatable
Camera Sensors [J]. IEEE Internet of Things Journal, 2019, 6(6): 10508-10518.
[51] S. Yoon, O. Soysal, M. Demirbas, et al. Coordinated Locomotion and Monitoring Using Autonomous
Mobile Sensor Nodes [J]. IEEE Transactions on Parallel and Distributed Systems, 2011, 22(10):
1742-1756.
[52] Z. Gui and H. Li. Automated Defect Detection and Visualization for the Robotic Airport Runway
Inspection [J]. IEEE Access, 2020, 8: 76100-76107.
[53] H. Li, N. Li, R. Wu, et al. GPR-RCNN: An Algorithm of Subsurface Defect Detection for Airport
Runway Based on GPR [J]. IEEE Robotics and Automation Letters, 2021, 6(2): 3001-3008.
[54] 李明. 基于多传感器信息融合的桥梁健康监测系统设计[D]. 武汉理工大学, 2013.
[55] Horn-X2 Pro 长距 3D 移动传感器技术手册. http://www.benewake.com/product/detail/5dfb1acb
04bf701ebce0c650.html.
[56] 江苏省交通厅工程质量监督站. 《公路养护质量检验评定》[OL]. https://baike.baidu.com/item/
高速公路养护质量检验评定/12275122?fr=aladdin.
[57] Z. Guang and F. Chun. The steepest descent algorithm without line search for p Laplacian [J].
Applied Mathematics and Computation, 2013, 224: 36-45.
[58] F. Khiyabani and W. Leong. Quasi-Newton methods based on ordinary differential equation
approach for unconstrained nonlinear optimization [J]. Applied Mathematics and Computation, 2014,
23: 272–291.
[59] L. Hong, W. Yu, F. Lei, et al. A new discrete filled function method for finding global minimizer of
the integer programming [J]. Applied Mathematics and Computation, 2012, 219: 4371–4378.
78
参考文献
[60] I. Amjad, S. Haya, G. Mohammad. Predicting pavement condition index using artificial neural
networks approach [J]. Ain Shams Engineering Journal, 2022, 13(1).
79
西安电子科技大学硕士学位论文
80
致谢
致谢
三年时光至此已经步入尾声,回首过去三年,感慨良多。在三年里,我经历过煎
熬和迷茫,但更多的是满满的收获与成长,这些都将成为我青春里宝贵的回忆。在此
论文完稿之际,想要感恩这三年以来给予我帮助,陪伴我成长的老师、朋友、同门和
家人,是因为有了你们的指导与支持,我才得以顺利走到研究生生涯的终点。
首先,最想要感谢的是我的导师,李长乐教授。您用极为严谨的科研态度、开阔
的学术视野,不断促使我在科研和学习能力上逐步提升。三年以来,李老师在我身上
倾注了许多心血和时间,不论是有关科研的交流还是有关生活方面的交流,或是关于
人生方向的交流,每一次与老师深入交谈都令我醍醐灌顶,您不止是我学业上的导师,
更是我人生路上的指明灯。在即将步入社会之际,我突然明白了老师三年以来对我们
严格要求的初衷,是希望我们都能完美应对所有困难和挑战。三年以来您在潜移默化
中给了我无数积极的影响,您的言传身教我会铭记于心,在将来的工作岗位与生活中
鞭策自己。此外,感谢李老师在生活中送来无微不至的关怀,疫情期间的数次水果与
酸奶慰问,在寒冬中带来暖意;也感谢李老师为我们提供了舒适的科研和学习环境,
对于我们发表成果总是予以最大支持,让我们可以享受最好的学习资源。研究生生涯
即将结束,这三年来您对我的每一份叮嘱都让我铭记于心,在此,再次向李老师表示
最衷心的感谢,您的教诲将是我一生中最宝贵的财富。
其次,我要感谢研究生三年在科研上给予我莫大帮助的王辉师兄、张尧师兄、岳
文伟师兄,带领我找到研究方向,一次又一次帮我耐心的修改论文,用自己过来人的
经验为我人生的重要选择提供建议,做我科研路上的风向标,是我遇到过最好的师兄
们。感谢智慧公路项目组的毛国强老师,用渊博的学识和严谨的工作态度让我不断上
进,养成良好的学习习惯。感谢项目组的刘钊师兄、王云鹏师兄、陈志强师兄、王瑞
栋同学、罗贸峰师弟,三年以来并肩作战,数不清多少次的测试,风里雨里都一起走
过,遇到问题时总能在大家的出谋划策下顺利解决,经历了挫折也收获了快乐,我们
更像是战友。感谢惠一龙老师,三年以来亦师亦友,耐心的帮我修改论文,给予了我
方方面面的帮助和指导。感谢 2019 级的伙伴们,感谢陈越、王瑞栋、李帆、亓玉腾、
樊聪、赵品灿、张和和、陈栎旭,我们一起经历了人生中最宝贵的三年,你们对我来
说不只是同门,也是我人生中最重要的朋友们,我会永远怀念与你们在一起的日子,
充实、努力、快乐。感谢教辅楼的师弟们,王刚、涂远发、贺润森、李治明、樊帅、
程庆伟,是一群特别优秀可爱的师弟们,陪伴我一起科研、开会,遇到生活上的难题
也会互相交流,互相开导。另外,感谢我的室友王琦、赵伟铮、梁瑶,能在研究生生
涯遇到这样的舍友是我的幸运,每次熬夜回到宿舍看到桌子上给我留的台灯和小零食,
81
西安电子科技大学硕士学位论文
顿时觉得一天的疲惫都消散了,与你们做室友的三年是我最幸福的三年。感谢先进交
通技术实验室的每一位小伙伴,每一位师兄师姐、每一位同门和每一位师弟师妹,谢
谢你们出现在我的生活中,伴我一起成长。长风破浪会有时,祝愿大家都能直挂云帆
济沧海,也衷心祝愿我们 ATT 越来越好,越来越壮大!
最后,感谢我的父母与亲人们,是你们用毕生的心血养育我长大,给我力所能及
的最好的学习和生活条件,无条件的包容我,爱护我,支持我,鼓励我,陪伴我,给
我更多的机会开阔眼界,让我一步一步成为更勇敢的人。二十多年以来你们都是我最
坚强的后盾,也是我努力的源泉和动力,今后的日子我会努力成为你们的底气和骄傲。
再次衷心地感谢各位评审老师对我论文的点评和指导!
82
作者简介
作者简介
1. 基本情况
王路乔,女,河南焦作人,1996 年 10 月出生,西安电子科技大学通信工程学院
通信与信息系统专业 2019 级硕士研究生。
2. 教育背景
2015.09~2019.07 郑州大学,本科,专业:通信工程
2019.09~ 西安电子科技大学,硕士研究生,专业:通信与信息系统
3. 攻读硕士学位期间的研究成果
3.1 发表学术论文
[1] Luqiao Wang, Changle Li*, Hui Wang, Yao Zhang, and Zhao Liu. MEP-PSO
Algorithm-Based Coverage Optimization in Directional Sensor Networks[C]. 2020
IEEE Global Communications Conference (GLOBECOM2020), Taipei, Taiwan,
China., 2020.
3.2 申请(授权)专利
3.3 参与科研项目及获奖
83
西安电子科技大学硕士学位论文
GLOBECOM 论文,并以学生一作申请并授权中国专利一项。
[2] 国 家 重 点 研 发 计 划 项 目 , 高 速 公 路 智 能 车 路 协 同 系 统 集 成 应 用
(SQ2019YFB160057) , 2020.01-2022.12, 在研, 负责微波传感器车辆检测技术
研究,以学生一作申请并授权中国专利一项。
[3] 参加第七届中国研究生智慧城市技术与创意设计大赛, 荣获校级一等奖,
2020 年 10 月.
84
肇
X I D I A N U N I V E R S I T Y
地址 : 西 安市 太 白 南路2号
邮编 :
7 1 007
1
网址 :
w ww x d an e d u c n
. i i
. .
. .
■
:!
,