有向传感器网络的覆盖优化机制研究与应用王路乔 PDF

学校代码 10701 学号 19011210099
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
无线传感器网络（Wireless Sensor Networks，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。传统 WSNs 是由全向传感器组成的，但仍受到感应角度
不可调节和多余能量消耗的限制，而这些限制可以通过在 WSNs 中部署有向传感器
来克服，从而形成有向传感器网络（Directional Sensor Networks，DSNs）。DSNs 作为
WSNs 的典型架构，可以有效地促进 WSNs 的各种数字化和智能化应用。
在 DSNs 中，传感器的部署方案直接决定了网络覆盖率、连通性、能耗和网络寿
命等性能。不合理的传感器部署方案可能会导致大量的覆盖盲区，从而降低传感器利
用率和网络的监测性能。DSNs 中现有覆盖优化方案大都基于虚拟力和 Voronoi 来实
现，受传感器网络拓扑结构影响较大，且存在失效情况；而现有基于最小曝光路径
（Minimum Exposure Path，MEP）的覆盖优化方案通常直接沿 MEP 部署额外传感器，
频繁更换或增加新的传感器到网络中可能会造成不必要的资源浪费和覆盖冗余，且现
有方案在覆盖优化过程中均未考虑传感器有限初始能量与移动能耗。因此，如何在传
感器节点数目有限，能量有限的情况下，设计合适的覆盖优化策略来提高覆盖性能，
是一个值得关注的研究难点。
本文针对上述挑战，开发了一种基于 MEP 的传感器重部署方案，以优化 DSNs
的覆盖范围，克服了现有研究中基于 MEP 进行覆盖优化时，额外部署传感器造成的
覆盖冗余、传感器资源浪费问题，以及节点的批量移动导致产生新的覆盖空洞的问题。
具体地说，首先提出基于粒子群优化的最小曝光路径搜索算法（Minimum Exposure
Path Search Algorithm based on Particle Swarm Optimization，MEP-PSO）算法搜索 MEP，
通过对部署区域网格离散化操作和构建加权无向图，对传统 MEP 问题进行简化。然
后提出基于 MEP 的覆盖优化算法，通过确定最优部署位置和派遣传感器，实现 DSNs
的动态重新部署，进而实现覆盖优化。在此基础上进行覆盖上界推导，并提出覆盖上
界算法，为评估不同覆盖优化算法的有效性提供基准。仿真结果表明，与现有算法相
比，所提出的覆盖优化算法能够显著提高检测区域的最小曝光度值（ Minimum
Exposure Value，MEV）和覆盖率。
更进一步，考虑到实际有向传感器设备的有限能量和节点移动能耗，以及实际场
景中存在障碍区域情况，提出了基于避障最小曝光路径（Obstacle Avoidance Minimum
Exposure Path，OAMEP）的覆盖优化策略。首先提出 OAMEP 搜索算法，使用有限差
分法和遗传算法简化并求解 OAMEP 问题。
然后提出基于避障 MEP 的覆盖优化算法，
在考虑节点移动能耗的情况下调整已部署传感器的位置。仿真结果表明，提出的方案
可以在有效规避障碍区域的同时显著提升覆盖率，有助于实现对部署区域的全面信息
4
西安电子科技大学硕士学位论文
收集。
关键词：物联网，有向传感器网络，最小曝光路径，部署优化，覆盖优化
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
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.
Keywords: IoT, DSNs, MEP, Deployment Optimization, Coverage Optimization
7
插图索引
插图索引
图 1.1 无线传感器网络中常见的覆盖情况 ......................................................... 16

图 1.2 本文研究内容关系 ..................................................................................... 21
图 2.1 有向传感器感应模型 ................................................................................. 23
图 2.2 障碍区域边界条件约束的 MEP 问题 ...................................................... 28
图 2.3 传感器覆盖重叠区域示意图 ..................................................................... 30
图 3.1 有向传感器部署场景 ................................................................................. 36
图 3.2 网格离散化操作示意图 ............................................................................. 37
图 3.3 加权无向图 ................................................................................................. 38
图 3.4 不同感应角度下的 MEP-PSO 算法 .......................................................... 44
图 3.5 不同感应角度下的最小曝光度值 ............................................................. 45
图 3.6 不同感应半径下的 MEP-PSO 算法 .......................................................... 46
图 3.7 不同感应半径下的最小曝光度值 ............................................................. 46
图 3.8 不同传感器数目下的 MEP-PSO 算法 ...................................................... 47
图 3.9 不同传感器数目下的最小曝光度值 ......................................................... 47
图 3.10 节点重新部署过程（ I ' =5/ I '' =10） ......................................................... 48
图 3.11 节点重新部署过程（ I ' =10/ I '' =20） ....................................................... 49
图 3.12 本文算法与覆盖率上界对比（ I ' =5/ I '' =10） ......................................... 50
图 3.13 本文算法与覆盖率上界对比（ I ' =10/ I '' =20） ....................................... 50
图 3.14 与其他覆盖优化算法对比 ......................................................................... 51
图 4.1 存在障碍区域的检测场景图 ..................................................................... 54
图 4.2 有限差分法离散化路径示意图 ................................................................. 54
图 4.3 优化部署过程节点选择示意图（第一轮） ............................................. 58
图 4.4 优化部署过程节点选择示意图（第三轮） ............................................. 58
图 4.5 消除锯齿跳跃示意图 ................................................................................. 62
图 4.6 有向传感器移动避障示意图 ..................................................................... 65
图 4.7 基于 OAMEP 的覆盖优化算法效果 ......................................................... 67
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） ..... 69
图 4.9 实际计算 PCI 与理论 PCI 值对比 ............................................................ 71
8
表格索引
表格索引
表 3.1 MEP-PSO 算法仿真参数 ........................................................................... 43

表 3.2 不同传感器特性与 MEP 搜索性能仿真参数 .......................................... 43
表 3.3 基于 MEP 的覆盖优化仿真参数 .............................................................. 44
表 3.4 覆盖优化性能仿真结果（ I ' =5/ I '' =10） ................................................. 48
表 3.5 覆盖优化性能仿真结果（ I ' =10/ I '' =20） ............................................... 49
表 4.1 路面障碍类型和换算系数表 ..................................................................... 56
表 4.2 仿真参数 ..................................................................................................... 66
表 4.3 OAMEP 算法仿真参数 .............................................................................. 67
表 4.4 基于 OAMEP 的覆盖优化性能仿真结果 ................................................. 68
表 4.5 基于 OAMEP 的覆盖优化过程移动能耗仿真结果 ................................. 69
表 4.6 本文方案能耗结果仿真 ............................................................................. 70
表 4.7 覆盖优化结果检测估计的 PCI 值 ............................................................ 71
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
g  {g1 ,..., g q ,..., g Q } 网格离散化后的所有网格集合

gq 网格
Ogq 网格中心点
U gq , gq 两个网格间的所有路径的集合
ugq , gq 两个网格间的任一移动路径
H 网格中所有可能的路径段集合
h 网格中的任一路径段
w(h) 路径段权重
s, ,S 粒子、粒子集合、粒子数
X s  ( xs1 , xs 2 ,, xsD ) 位置矢量
Vs  (vs1 , vs 2 ,, vsD ) 速度矢量
D 解空间维度
c1 , c2 权重系数
r1 , r2 随机变量
 惯性权重
k,K 迭代次数与最大迭代次数
wj 不同障碍区域类型的权重
a0 , a1 区域状况指标的标定系数
Aob 障碍区域面积
Y   y1 , y2 ,, yn1  遗传算法中的待优化连续变量
  y1 , y2 ,, yn1  遗传算法适应度函数
C   p, q, y1 , y2 ,, yn1  遗传算法个体成员
 2
遗传算法交叉运算符参数
 遗传算法本地搜索参数
P (t ) 遗传算法群体
移动至最优部署位置的可行移动路径集合
11
缩略语对照表
缩略语对照表
缩略语英文全称中文对照

AR-SC Adjustable Range Set Covers 可调范围集覆盖
CoBRA Cone-based Barrier Coverage 基于锥体的屏障覆盖算法
Algorithm
DSNs Directional Sensor Networks 有向传感器网络
HGA Hybrid Genetic Algorithm 混合遗传算法
IoT Internet of Things 物联网
MEP Minimum Exposure Path 最小曝光路径
MEV Minimum Exposure Value 最小曝光度值
NFE Numerical Functional Extreme 数值泛函极值
OAMEP Obstacle Avoidance Minimum 避障最小曝光路径
Exposure Path
ODLS Obstacle Discovery and 传感器定位和障碍物发现算法
Localization Scheme Algorithm
PCI Pavement Condition Index 道路状况指数
PSO Particle Swarm Optimization 粒子群优化
S-RGP Route-Guiding Protocol for Single 单障碍物主动路径引导方案
Obstacles
VEDGE Vertex-based and Edge-based 基于顶点和基于边的算法
Algorithm.
VEC Vector-based Algorithm 基于矢量的优化算法
VFA Virtual Force-based Algorithm 基于虚拟力的优化算法
VOR Voronoi Graph-based Algorithm 基于 Voronoi 图的优化算法
WCSNs Wireless Camera Sensor Networks 无线普通传感器网络
WSNs Wireless Sensor Networks 无线传感器网络
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
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
传感器与无线通信技术的进步使人们对 WSNs 的设计、开发和部署产生了越来

越大的兴趣。WSNs 由大量传感器节点构成，这些节点不断收集和转发有关其环境的
信息。传感器节点可以在网络中组织自己，并执行感应和传输任务，而不管它们是随
机部署的还是事先确定好的。由于其优越的信息处理能力和易于部署的特性，现代
WSNs 已广泛应用于军事和民用领域，例如环境监测、地震预警、天气预报、地下和
深水探测等，也用于入侵检测系统中的战场监视、工业诊断、环境监测和生物检测[1][2]。
在 WSNs 中，覆盖是关键性能之一，它反映了部署区域内的监测效果，会直接影
响网络连通性、能耗和网络寿命等网络性能。传感器网络的覆盖性能由传感器的部署
方案直接决定[3][4][5]，不合理的传感器部署方案可能会导致大量覆盖漏洞，从而降低
传感器节点的利用效率和网络的监测性能。初始情况下，WSNs 大都采用随机部署的
方式，但是这种充满随机性的部署很容易导致覆盖性能低下，覆盖结构不良，形成覆
盖冗余和覆盖盲区现象，从而降低传感器的利用效率和网络监测性能。此外，由于传
感器的能量有限，频繁更换或向网络中添加新传感器可能会造成不必要的传感器资源
浪费、额外能耗和覆盖冗余现象[6]。因此，如何通过调整有限数量传感器的部署来实
现覆盖优化成为业界和学术界的研究热点。
传统 WSNs 覆盖优化方案大都针对全向传感器，全向传感器的感应范围是以其
部署位置为圆心，感应距离为半径的圆，由于其形状规则便于分析，可以基于几何拓
扑来实现最优覆盖。然而，一些常用的传感器，如普通传感器、多普勒微波雷达、移
动传感器、红外探头等，其感应范围是有向的，它们在一个或多个方向上的传感能力
大于其他方向。随着物联网（ Internet of Things，IoT）技术的快速发展，有向
IoT 传感器可以通过多种组合方式广泛部署，形成 DSNs。在 DSNs 中，传感
器部署区域内海量数据信息的感知、收集和处理可以极大地促进智能化应用，
如智能城市、数字孪生系统和智能交通系统 [7][8] 。通过大规模部署各种具有不
同功能的有向 IoT 传感器（如多普勒微波雷达、毫米波雷达、高清普通传感器）
，可
以全面采集原始交通数据，实现准确感知，交通状态的实时监控和智能控制[9]。
在 DSNs 中，由于传感器的覆盖焦点的不对称性和检测角度的多样性，如何在有
限数目传感器的情况下提高覆盖性能成为一个新的挑战。且在实际的 DSNs 覆盖优化
问题中，被覆盖区域中每个位置的重要性可能是不一样的，有些重点区域需要重点覆
盖，有些障碍区域人类无法进入，比如区域损坏区，高温、恶劣环境区或危险地区，
15
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
现有关于 WSNs 的覆盖研究目前主要分为目标覆盖、栅栏覆盖、区域覆盖等，本

文主要从这三个方面对覆盖优化问题的研究现状进行总结。
目标覆盖是指在 WSNs 中对特定目标的覆盖，如图 1.1(a)所示，实心圆点即为待
检测目标。WSNs 的目标覆盖研究大都假设传感器具有相同的感应范围[10] [11]。在[12]
中，作者假定传感器具有可调节的感应范围，目标覆盖问题被描述为一个可调范围集
覆盖的问题，并引入了三种启发式算法来解决可调范围集覆盖（Adjustable Range Set
Covers，AR-SC）问题，目标是最大化与每个传感器相关的集合覆盖数，三种算法中
的一种基于整数规划，另外两种基于贪婪算法。在一些研究中[13]，每个有源传感器会
覆盖其感应区域内的所有目标，而 Liu 等人提出的方案中[14]，每个传感器一次只覆盖
一个目标，传感器可以自由选择其要覆盖的目标，目的是找到最大化网络寿命的覆盖
方案，这项工作在[15]中进一步得到了改进，其中每个目标至少被 K 个传感器覆盖，
这被称为 K 覆盖问题，然而以上关于目标覆盖的研究大都考虑使用同构的全向传感
器，无法适用于节点感应性质不同的传感器网络。
(a) 目标覆盖 (b) 栅栏覆盖 (c)区域覆盖
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
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
WSNs 的大多数应用都要求网络能够检测感兴趣区域的入侵。因此，作为 WSNs

的一个基本问题，入侵路径的覆盖在检测入侵的应用中起着重要作用。具体地说，考
虑以下场景：给定一个传感器网络，入侵者如何通过传感器部署区域从一个点遍历到
另一个点，以使传感器在经过的路径上传感器的覆盖最少，由此产生了 MEP 问题，
实际中 MEP 解决方案可以应用于穿越边境线、危险区域及战场环境等。
在过去的几年里，WSNs 中针对 MEP 问题做了一系列的努力，但大多数的研究
工作都是基于全向传感器节点[23][26][27][28][31]。Meguerdichiane[23]等人提出了网格离散
化的思想来解决 MEP 问题，作者首先利用部署的传感器节点的位置和感应强度函数
来计算每个网格的曝光度，然后利用最短路径算法搜索 MEP。Ye[26]等人针对 MEP 问
题提出了数值泛函极值（Numerical Functional Extreme，NFE）模型。NFE 模型是一
个高维非线性优化问题，为 NFE 模型提出了一种混合遗传算法（Hybrid Genetic
Algorithm，HGA），所提出的 NFE 模型和开发的 HGA 可以提高求解精度，不仅适
用于异构传感器的情况，而且适用于传感器节点数量多的情况。Song[31]等人提出了一
种解决 MEP 问题的绒泡菌生物算法，以实现低复杂度和高并行度两个目标，采用加
权网格方法对运动路径进行离散化。Bonnah[28]等人利用汇聚节点获得每个节点的覆
盖，并进行 MEP 搜索，然后沿着 MEP 添加新的节点，或者将靠近 MEP 的节点向
MEP 批量调整以实现覆盖优化。上述方法虽然成功解决了全向传感器网络中的 MEP
问题，但无法直接应用于 DSNs。
一些研究也解决了 DSNs 络中的 MEP 问题。在[29]中，作者首先建立了基于扇形
质心的 Voronoi 图，构建有向传感器感应模型，然后利用两个感应强度函数（全传感
器强度函数和最大传感器强度函数）来描述 MEP 问题，生成两个加权网格，将 MEP
问题转化为离散几何问题。在[32]中，作者研究了有向异构传感器网络下的 MEP 问
题，引入了一种基于重力理论的粒子群优化算法（Particle Swarm Optimization，PSO），
将 MEP 问题转化为数值泛函数极值问题。但上述工作并未进一步提出基于 MEP 的
有效覆盖优化策略。由以上研究发现，目前的研究通常是通过在 MEP 上增加额外的
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
置以实现覆盖优化。然而，对于某些特殊的 Voronoi 拓扑结构，例如在 VOR 和

Minimax 中，传感器位于 Voronoi 多边形的窄边附近时，受力分析后覆盖空
洞可能不会减少 [28]；当传感器数目较大时， VEC 算法实现的覆盖性能并不
够优越，VFA 和 VEDGE 算法复杂度显著增加 [23] 。此外，应考虑 DSNs 的更多
实际因素，例如实际应用中有向传感器的能耗以及障碍区域对传感器检测的影响，以
更好的应用于实际场景中。
在实际场景中，移动传感器（如无人机或移动传感器）存在能量约束，单个传感
器的能量故障可能会直接影响整个网络的监测性能。故传感器节点的初始能量限制和
移动能耗也是值得考虑的问题。论文[45][46][47]关注的问题是限制移动节点的移动，
并根据其能量消耗对移动节点进行调度。由于每个节点的运动直接影响到节点的能量
消耗，因此传感器间的运动必须协调一致，以免在任务完成前耗尽能量。然而，这些
工作中讨论的主题主要是实现传感器之间的信息收集和通信，并未考虑到覆盖率优化。
总而言之，现有大部分 WSNs 覆盖优化工作基于全向传感器提出，不能直接应用
于 DSNs。现有 DSNs 中的覆盖优化方案大都基于传感器拓扑构建 Voronoi 图，朝其
受的虚拟力合力方向移动以实现覆盖优化，这种方案存在局限性，覆盖优化效果受传
感器拓扑影响较大且存在失效情况。而基于 MEP 的覆盖优化方案通常直接沿 MEP 添
加额外节点，容易造成节点资源浪费和覆盖冗余现象，或批量将节点移动至 MEP 上，
容易造成原位置产生新的覆盖空洞。与此同时，目前的覆盖优化工作几乎均未考虑覆
盖优化过程中传感器有限的初始能量和移动能耗，故难以直接应用到实际场景中。事
实上，通过合理的覆盖优化方案，不用添加额外节点，已部署的传感器可能足以满足
给定区域内的覆盖性能。
基于现有工作存在的问题，研究并设计一种基于 MEP 的 DSNs 覆盖优化问题。
通过考虑传感器移动能量消耗，在有限传感器数目的条件下，制定基于 MEP 的节点
重新部署策略，分别确定最优部署位置和派遣节点，动态调整节点位置以实现覆盖优
化。此外，构建了覆盖上界算法，得到了不同有向传感器感应特性下的覆盖率上界，
为评估不同覆盖优化方法的性能提供了基准。并针对存在障碍物的场景中的 DSNs 对
覆盖优化算法进行了改进，考虑到了实际有向传感器的能耗，并提出基于 OAMEP 的
DSNs 覆盖优化算法，适用于场景中。
1.3 本文章节安排
本文主要工作为设计一种面向 DSNs 的覆盖优化方案，以及面向存在障碍区域的

场景提出 DSNs 避障覆盖优化策略。具体而言，本文首先针对 DSNs 覆盖的不对称性
和检测角度的多变性，增加额外传感器造成的覆盖冗余和资源浪费现象，如何在传感
20
第一章绪论
器数目和能量有限的情况下提高覆盖性能的问题，设计了一种基于 MEP 的传感器重

新部署方案，找到派遣节点和 MEP 上的最优部署位置，对已部署传感器进行位置调
整以优化 DSNs 的覆盖率和 MEV，并设计覆盖上界算法对其进行理论分析与对比验
证；同时，针对存在障碍区域的场景下的 DSNs，在考虑实际中存在障碍区域约束，
且有向传感器节点初始能量有限的情况下，设计了一种避障覆盖优化方案，在考虑节
点移动能耗的情况下实现覆盖率优化。本文各章节研究内容介绍如图 1.2 所示：
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
第一章主要叙述了当前 WSNs 覆盖优化的研究背景和国内外研究现状，阐述并

总结了目前相关研究中存在的不足和问题，为本文的研究工作奠定了良好基础。
第二章介绍了 DSNs 中 MEP、覆盖优化理论的相关概述。首先介绍了有向传感
器的感应模型及能耗模型；然后介绍 MEP 相关理论综述，包括感应强度函数和路径
曝光度等关键定义；之后引入了 DSNs 的覆盖上界理论分析，为评估不同的覆盖优化
算法性能提供对比基准。
21
第三章详细阐述了本文提出的 DSNs 覆盖优化机制。

首先对 DSNs 场景进行描述，
对使用到的网格离散化操作、加权无向图模型进行介绍，并对 MEP 搜索问题进行建
模和求解，进一步提出基于 MEP 的 DSNs 覆盖优化算法，并提出 DSNs 覆盖上界算
法作为不同覆盖优化算法的对比基准；最后通过仿真结果进一步验证了所提出的算法
的有效性和优越性。本章相关内容已发表在国际学术会议 GLOBECOM2020 上，并已
投稿国际期刊 IEEE Internet of Things Journal 2022。
第四章详细阐述了所提出的基于 OAMEP 的有向传感器覆盖优化机制。首先介绍
了所研究的存在障碍区域的场景，引入 MEP 避障模型，介绍了传感器覆盖率与区域
状况指数（Pavement Condition Index，PCI）的关系，并阐述了有向传感器移动能耗模
型。提出了 OAMEP 算法在实现避障的前提下搜索 MEP，并进一步提出基于 OAMEP
的避障覆盖优化算法；最后通过仿真分析结果进一步验证了所提出的方案的有效性。
第五章对本文的主要研究工作进行总结，并对本文后续研究进行展望。
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
传感器和无线通信技术的进步使人们对 WSNs 的设计、开发和部署产生了越来

越大的兴趣。WSNs 由大量传感器节点组成，这些节点不断收集和转发有关其环境的
信息，这些节点可以在网络中组织自己，并执行感应和传输任务。由于传感器的信息
处理能力和易部署性，WSNs 已广泛应用于军事和民用领域，包括基于 WSNs 的入侵
检测系统中的战场监视、工业诊断、环境监测和生物检测。在评估特定传感器网络提
供的覆盖情况时，找到 MEP 至关重要。MEP 问题致力于在感兴趣的点之间找到一条
连接路径，以最小化从传感器节点获取的总曝光度值之和，曝光度被定义为在传感器
部署区域内检测到目标的概率，与每个传感器节点的灵敏度有关。因此，MEP 对应
于传感器网络提供的最坏覆盖情况。沿着 MEP，移动目标能够以最小的检测概率穿
过部署区域，找到 MEP 便可以有针对性地部署传感器，从而提高覆盖质量。
本章旨在全面介绍 DSNs 中 MEP 的相关研究和技术发展，主要介绍了 DSNs 中
的相关模型和 MEP 理论综述，并着重介绍了路径曝光度定义。同时还讨论了 DSNs
中的覆盖优化技术，以及 DSNs 在存在障碍区约束的场景中的应用相关研究。
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
感应区域 ci 就相应确定。有向传感器能够检测到的点 o 的条件可以表示为：
 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
其中， F (i, o) 表示传感器 i 在 o 点处的感应灵敏度。如果点 o 在传感器 i 的感应区域

内，则这一点处的感应灵敏度通过上式计算获得，否则，这一点灵敏度为 0。
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
 m (o)  max F (i, o) (2-5)

i(1, n )
其中 i 表示一组有向传感器 ( i = 1， …， n )， F (i, o) 表示表示传感器 i 在 o 点处的

感应灵敏度，如(2-3)所示。
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：
E ( Pi )    d (li , oi* )    ( xo*  xi ) 2  ( yo*  yi ) 2 (2-6)

i i
Ei  E ( Pi ) (2-7)
其中传感器 i 的派遣计划为 P ，传感器 i 的初始部署位置为 li =( xi , yi )，移动后的位置

为 oi* =( xo , yo )，∆为单位距离移动所需的能量。
* *
i i
25
2.2 最小曝光路径理论综述
作为 WSNs 的一个基本问题，传感器网络最坏覆盖所对应的 MEP 问题在检测入

侵中起着重要的作用[29]。搜索 MEP 的目的是寻找感兴趣点之间的连通路径，使从部
署的传感器节点获得的曝光度之和最小。以往的研究主要集中在静态传感器网络的
MEP 问题上，即传感器在部署后保持其位置不变。最近，人们对构建移动传感器网
络的解决方案越来越感兴趣。一旦 MEP 被确定，网络规划人员可以选择沿着确定的
MEP 路径添加更多的传感器节点，或者优化已经部署的传感器节点的位置。然而，
大多数研究人员没有考虑到已经部署的传感器可能足以覆盖部署区域，使用合适的部
署优化方法就可以实现对部署区域的覆盖性能优化。在检测到最坏的覆盖情况后，没
有合理利用已经部署的节点以及部署区域的大小和地形，而直接增加新的节点，就有
可能在相对较小的部署区域上造成过度部署、覆盖冗余和节点资源浪费。
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
其中 o(t ) 为目标从一点到另一点的运动路径， t1 ，t2 分别为进入目标区域的时间和

离开目标区域的时间。  o(t ), t1 , t2  为路径 o(t ) 的曝光度值。 (o(t )) 为感应强度函数，
既可以取全传感器感应强度函数  a ，也可以取最大传感器感应强度函数  m 。在本文
中，取最大传感器感应强度  m 作为感应强度函数。
从曝光度的定义来看，曝光度值是一个路径相关的值。但是，由于物体的运动是
随机的，它的运动轨迹不能预先确定。给定场中的两个点，它们之间的不同路径可能
导致不同的曝光值，MEP 旨在搜索具有最小曝光度的路径。
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 
其中  m ( x(t ), y (t )) 是在点 ( x(t ), y(t )) 处的感应强度。
存在障碍区域约束的最小曝光路径问题
在实际的 WSNs 覆盖问题中，覆盖区域中每个位置的重要性可能并不相同，因此

对于覆盖性能的要求也不同。例如，由于特殊的环境条件限制，生物及传感器均无法
进入一些区域，例如高温、气候恶劣区域、危险区和保护区等，统称其为障碍区域，
由于传感器节点不能部署在这些区域内，但是又想要实现对于这些区域的覆盖监测，
唯一可行的方案是在障碍区域的周围部署传感器，来实现特殊区域的环境监测。假设
一个移动目标从起点开始运动，当它到达障碍区域时，只能沿着该区域边界移动。
在 2.2.2 节已经推出了理想无障碍场景下的曝光度，如公式(2-10)所示，其中 o(t )
为目标从一点到另一点的运动路径， t1 , t2 分别为进入目标区域的时间和离开目标
区域的时间，假设从起点 os 进入部署区域，从终点 od 离开部署区域， ( x(t ), y(t )) 为 t
27
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  y2 dx (2-11)
os
其中，在某点 o( xo , yo ) 处的感应强度函数  如(2-5)所示。

接下来推导存在障碍区域边界条件约束的 MEP 问题。如图 2.2 所示，曲
线 f ( x, y)  0 内的区域是障碍区域，传感器节点无法在 f ( x, y)  0 区域内部署，
只能在 f ( x, y)  0 区域内部署。运动目标从起始点 os 出发，沿着一条路径，到
达保护区边界上的点 oa ，沿着障碍区边界 f ( x, y)  0 移动到点 ob ，然后从 ob
移动至 od 。这是一个具有特殊保护区边界约束条件的 MEP 问题，对应于具
有函数极值的单边变分问题中的曲线极值拟合问题。
图2.2 障碍区域边界条件约束的 MEP 问题
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)：
 2 ( y)    m ( x, y) 1  y2 dx   I ( x, y) 1  y2 dx   I ( x, y) 1  y 2 dx (2-12)

os oa oa ob ob od
包含必须通过区域边界的 MEP 问题可以表示为：
y*  arg min 2 ( y) (2-13)

y
s.t. oa ob  C f (2-14)
28
约束条件表示积分路径 oa ob 是曲线 f  f ( x, y) 的一部分。提出的 OAMEP 问题考

虑了实际情况，包括移动目标只能沿着边界的一部分移动的要求。
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 ii 1
假设部署区域内存在三个传感器彼此覆盖重叠的情况，那么 {i, i, i ''} 组形

成的三三覆盖重叠区域表示为 zi ii '' ，因此所有三三覆盖重叠区域可以表示为：
I  2 I 1 I
Ti ii ''     zi ii '' (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
有效覆盖面积定义
(a) 两覆盖重叠 (b) 三覆盖重叠 (c) 四覆盖重叠

图2.3 传感器覆盖重叠区域示意图
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 ii 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 ii  zi i  zi i  zii 。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 ii 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 ii 才是有效覆盖面积，故在该组 {i, i, i ''} 中需要将 zi ii 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 ii     zi ii '' ，故有效覆盖面积可表示为：
i 1 i 'i 1 i ''i ' 1
A  T  Ti i  Ti ii
 T  (1)1Ti i  (1) 2 Ti ii (2-19)
2 1 31
 T  (1) Ti i  (1) Ti ii
类似的，以 {i, i, i '', i '''} 中的四传感器覆盖重叠为例，如图 2.3(c)中所示，
30
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 ii ''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 ii ''i ''' 来说，已从第二项中减去 C 42 次 zi ii ''i ''' ，
即-6 zi ii ''i ''' ，之后又从第三项中加上 C 43 次 zi ii ''i ''' ，即+4 zi ii ''i ''' ，因此公式 (2-
19)共减去两次 zi ii ''i ''' 。事实上，在计算有效覆盖面积时，四重叠区域 zi ii ''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 ii ''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 ii ''i ''' ，共需减去
I 3 I  2 I 1 I
Tiiii '''      zi ii ''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
A  T  Ti i  Ti ii  Ti iii '''

 T  (1)1Ti i  (1) 2 Ti ii  (1)3 Ti iii ''' (2-20)
 T  (1) 21Ti i  (1)31Ti ii  (1) 41Ti iii '''
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 ii  (2-21)
i 1 i 1 i i 1 n1
I  n 1 I  n  2 I  n  3
(1) n 1  
i 1 i i 1 i i1
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：
TO  Tii   (1)( n1) Tii  (2-22)

n
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
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：
max A  max{ A   A   TO   } (2-24)
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：
TO    Tii   (1)( n1) Tii  (2-26)

n
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
lim  
TO   0 (2-28)
z  0,i ,i 
ii
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
34
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
构建、MEP 搜索算法以及基于 MEP 的覆盖优化算法提供理论依据和支撑。
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
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
如图 3.2 所示，假设待监测的部署区域为正方形区域，其边长为 1。将监测区域

划分为 n×n 的网格，则每个单位网格的边长为 1/ n ，记网格集合为
g  {g1 ,..., g q ,..., g Q } 。分别对每个网格定义一个中心点，认为物体只沿着网格中心点
和网格边沿移动，如此便可描述每个传感器的移动路径。在图 3.2 中，假设起点为 g q' ，
终点为 g q'' ，则移动路径为 ugq , gq ，如图中红色实线所示，移动路径上经过的网格中心
点为标记为橙色。图中红色虚线表示物体进去该区域内所有可能的路径段，将所有可
能的路径段集合记为 H，则红色箭头表示路径 ugq , gq 上的路径段及移动方向。
在对部署区域进行了网格离散化操作后，进一步在此基础上构建加权无向图，将
MEP 问题转化为最小的路径权重和问题。
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
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：
w(h)   (Ogq )*| h | (3-1)
其中 | h | 是路径段的长度，  (Ogq ) 是网格点 Ogq 处的感应强度，可以是最大传感器

感应强度函数，也可以是全传感器感应强度函数。从物理意义上来看，该权重值
即为每条路径段的曝光度值。
38
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, hu gq , gq
w(h) (3-2)
一般来说，两个网格 g q ' 和 g q '' 之间存在不止一条路径，MEP 问题的目标是在所有

可行路径 ugq , gq 中找到总曝光度值最小的一条路径，该路径即称为 MEP。设 MEP 为
u*gq , gq 。其对应的曝光度值即为 MEV，可以表示为：
 H 
u *  min   w( h)  , u gq , gq  U gq , gq (3-3)
 h 1,hugq ,gq 
g q , g q
其中，h 为集合中的任意路径段，ugq , gq 是网格 g q ' 和 g q '' 之间任一可行路径。上式表

示在网格 g q ' 和 g q '' 之间的所有可行路径集合 gq , gq 中，寻找总曝光度最小的路径 u*g q , gq
，
u * 是其对应的 MEV。
g q , g q
MEP-PSO 最小曝光路径搜索算法
本节提出了一种基于粒子群优化的 MEP 搜索算法，称为 MEP-PSO 算法，该算

法利用粒子群优化求解 MEP 问题，找到总曝光度最小的一条路径及其曝光度值，即
搜索到一条 MEP。
粒子群优化算法首先将粒子群初始化为一组随机粒子，然后通过迭代找到最优解。
具体来说，每个粒子在迭代过程中都有两个关键值来对自身进行更新：个人最优解和
全局最优解。个人最优解是粒子自身找到的最优解，全局最优解是粒子群找到的最优
解。粒子群算法的关键是不断地朝着当前的个人最优和全局最优更新自己的值。在迭
代过程中，每个粒子使用两个矢量进行值更新，分别是位置矢量和速度矢量，令
X s  ( xs1 , xs 2 ,, xsD ) 代表粒子 s(s  ) 的位置矢量，令 Vs  (vs1 , vs 2 ,, vsD ) 代表粒子的
速度矢量，其中为粒子的集合， D 为解空间的维度。在 MEP-PSO 算法中， X s 和 Vs
初始化为随机矢量，通过下式来不断更新这两个矢量：
39
vsdk 1   * vsdk  c1r1 ( xsd

*, k
 xsdk )  c2 r2 ( xd*,k  xsdk ) (3-4)
xsdk 1  xsdk  vsdk 1 (3-5)
其中 k 为迭代次数( k [0, K ] )。 xsdk 和 v sdk 为粒子的当前的位置矢量和速度矢量。 vsdk 1 和

xsdk 1 是完成一轮迭代后粒子的新的速度矢量和位置矢量。  为惯性权重， r1 和 r2 为随
机变量，c1 和 c2 为权重系数。xsd*,k 和 xd*,k 是第 k 轮迭代中达到个人最优值和全局最优值。
所设计的 MEP-PSO 算法具体细节与步骤如下所示：
Step 1：初始化输入：部署区域 Z 的长和宽、一组普通节点  、一组移动节点  ，
粒子群算法参数迭代次数 K 、一组粒子、随机变量 r1 和 r2 、权重系数 c1 和 c2 、惯性
权重  ；
Step 2：对部署区域进行网格离散化操作，设置网格划分粒度；
Step 3：输入网格中的起点 g q  和终点 g q  ；
Step 3：对部署区域构建加权无向图，并遍历获得从起点到终点所有可能的路径
集合 U gq , gq ；
Step 4：通过公式(3-1)计算加权无向图中每条路径段的曝光度，进而计算出路径
集合 U gq , gq 中每条路径对应的曝光度；
Step 5：对于中的每一个粒子 s ，随机初始化速度矢量 Vs 及位置矢量 X s ，初始
化 k =0，并对每个粒子利用公式(3-2)计算其适应度，确定全局最优值；
Step 6：判断当前 k 是否满足最大迭代次数要求，若不满足，则利用公式(3-4)和(3-
5)更新每个粒子的速度 vsdk 1 和位置 xsdk 1 ，重新评估更新后每个粒子的适应值，k = k +1；
Step 7：更新每个粒子的个人最优位置，并更新粒子群体的全局最优位置，跳转
至 Step 6 ；
Step 8：输出最优解，即 u* (MEV)及其对应的 MEP u*g q , gq
。
g q , g q
利用该算法，通过输入有向传感器性质、部署区域参数及 PSO 算法参数，可以

在 DSNs 搜索到最优解，即一条总曝光度最小的路径 MEP，以及对应的 MEV，为后
续覆盖优化算法的提出做好铺垫。
基于最小曝光路径的有向传感器网络覆盖优化算法
本文提出的基于 MEP 的覆盖优化算法包括搜索阶段和派遣阶段两个阶段。在搜

索阶段，需要确定派遣传感器和最优部署位置。在派遣阶段，基于 MEP 重新调整派
遣传感器的位置，以实现覆盖优化。两个阶段具体如下：
（1）搜索阶段：最优部署位置和派遣传感器的确定
最优部署位置的确定基于设计的 MEP- PSO 算法获得的 MEP。如第 3.2.2 节和
40
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：
h*  arg min{w(h)}, h  u*gq , gq (3-6)
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
理想场景下有向传感器网络覆盖上界算法
根据前文中 2.3 节的理论推导，在本节中提出理想场景下的 DSNs 覆盖上界算法，

根据传感器的初始部署情况，构建了不同传感器数目、感应角度、感应半径条件下的
覆盖率上界求解算法，为评估不同覆盖优化算法的性能提供了基准。在本文中，认为
理想场景下，部署区域内不存在障碍物的影响，且传感器符合以下条件：
 本文将有向传感器节点分为移动传感器和普通传感器；
 移动传感器和普通传感器均符合 2.1 节提出的有向传感器感应模型；
 移动传感器具有可移动能力，可重新部署实现覆盖优化，如利用移动传感器、
无人机等携带传感器；
 普通传感器没有移动能力，部署后认为其位置不再改变；
 普通传感器和移动传感器在部署区域内初始随机部署。
根据以上条件和前文中的推导过程，进一步提出理想场景下 DSNs 覆盖上界算法，
具体细节如下：
Step 1：初始化输入：部署区域面积 | Z | ，一组移动传感器  ，一组普通传感器  ，
移动传感器与普通传感器的感应角度  i , i  '  
，移动传感器与普通传感器的感应
半径 ri , i    
；
Step 2：对于每一个普通传感器 i  '' ，根据有向感测模型，确定其感应范围 ci 及
感应面积 | ci | ；
Step 3：利用公式(2-21)计算已部署的普通传感器的有效覆盖面积 A  ；
Step 4：对于每一个移动传感器 i  ' ，根据有向感测模型，确定其感应范围 ci 及
感应面积 | ci | ；
Step 5：利用公式(2-22)计算已部署的移动传感器的总覆盖重叠面积 TO  ；
Step 6：利用公式(2-26)计算已部署的移动传感器和普通传感器间的总覆盖重叠面
积 TO   ；
Step 7：利用公式(2-27)计算已部署的移动传感器的最大有效覆盖面积 max A  ；
Step 8：利用公式(2-25)计算移动传感器和普通传感器的总有效覆盖面积 max A ；
Step 9：利用公式(2-30)计算覆盖率上界 Upperbound ；
Step 10：输出覆盖率上界值、以及当前所有普通传感器  和移动传感器  的位置，
算法结束。
根据以上算法，输入移动传感器、普通传感器、部署区域的相关参数，便可得到
此种情况下的覆盖率上界，用以作为性能对比基准。
42
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
仿真参数设置如表 3.1、表 3.2、表 3.3 所示。
表3.1 MEP-PSO 算法仿真参数

参数名称实验一实验二
均匀分布随机变量 r1 , r2 0.5 0.5
学习因子 c1 , c2 2 2
惯性权重  0.3 0.3
最大迭代次数 K 200 200
种群粒子数 S 200 200
表3.2 不同传感器特性与 MEP 搜索性能仿真参数
参数名称实验一实验二实验三
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
表3.3 基于 MEP 的覆盖优化仿真参数

参数名称实验一实验二
2 2
部署区域 Z 50×50 m 50×50 m
感应角度 i 120° 90°
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
在本节中，进行了大量仿真以验证 MEP-PSO 算法性能，证明了提出的覆盖优化

算法可以在不同的初始部署传感器性质的情况下搜索到一条 MEP，且探索了 MEP 性
能随着传感器性能的变化趋势。仿真参数设置如表 3.1、表 3.2 所示。
（1）不同感应半径和感应角度的 MEP 性能：
如表 3.2 中的参数设置，在第一个实验中，考虑不同感应半径和感应角度对 MEP
的影响。设置由 30 个有向传感器组成的 DSN，其中传感器的感应角度范围由 30°变
化至 120°，传感器感应半径分别为 4 m 、8 m 和 12 m 。仿真结果如图 3.4 和图 3.5 所
示。图 3.4 是当传感器感应半径为 8 m , 感应角度分别为 60°，90°，120°时的示意
图。图 3.5 显示了不同感应角度和感应半径对 MEV 的影响。
(a) i =60 (b) i = 90 (c) i = 120
图3.4 不同感应角度下的 MEP-PSO 算法
44
图3.5 不同感应角度下的最小曝光度值
从图 3.4 中可以看出，提出的 MEP-PSO 算法可以在不同的感应角度下搜索 MEP。

在图 3.5 中，当传感器数目和传感器位置相同时，MEV 随着感应角度和感应半径的
增加而增加。由结果可以发现，当传感器感应半径为 4 m ，感应角度为 30°~60°时,
已部署的传感器不足以覆盖部署区域，因此此时 MEV=0。
（2）不同传感器数目和感应半径的 MEP 性能：
在第二个实验中，考虑了不同的感应半径和传感器数目对 MEP 的影响。设置有
向传感器的数量分别为 30、50、70，传感器初始随机部署在 50×50 m 2 的区域内。对
于每个传感器，感应角度设置为 90°，感应半径从 3 m 逐步提高为 12 m 。仿真结果
如图 3.6 和图 3.7 所示。图 3.6 是当传感器数量为 30 时，不同感应半径下的 MEP-PSO
算法效果。图 3.7 显示了不同感应半径和传感器数目对 MEV 结果的影响。
如图 3.6 所示，搜索到的 MEP 由红色曲线表示。每个子图左下角的黑色标记是
搜索到的 MEP 对应的 MEV。可以看出，搜索到的曲线穿过了传感器覆盖最少的区
域，这意味着传感器检测到的曝光度值最小。图 3.6(a)中的初始 MEV 为 27.598，随
着感应半径的增加，MEV 逐渐变大，图 3.6(c)中的 MEV 为 729.973。从图 3.6 中可以
看出，该算法可以在传感器不同感应半径下搜索到 MEP。在图 3.7 中，当传感器感应
半径为 3m 时，MEV 为 0，此时无法实现部署区域的有效覆盖。当传感器数目相同
时，MEV 随着感应半径的增加而增加。同样，每个传感器的感应半径固定时，MEV
也会随着传感器数目的增加而增加。
45
(a) ri = 4 m (b) ri = 8 m (c) ri = 12 m
图3.6 不同感应半径下的 MEP-PSO 算法
图3.7 不同感应半径下的最小曝光度值
（ 3）不同传感器数目和感应角度的 MEP 性能:

在第三个实验中，考虑不同传感器数目和感应角度对 MEP 的影响。设置由 20 到
80 个有向传感器组成的 DSNs。传感器的感应角度分别为 45°，90°，120°, 感应半径
为 8 m 。仿真结果如图 3.8 和 3.9 所示。图 3.8 是当传感器感应角度为 90°时，不同的
传感器数目下的仿真结果。图 3.9 显示了不同传感器数目和感应角度对 MEP 的影响。
从图 3.8 可以看出，所提出的 MEP-PSO 算法可以在不同传感器数目下搜索到
MEP，当部署传感器数目为 20 时，初始 MEV 为 22.258，在相同的感应角度条件下，
随着传感器数目的增加，有效覆盖面积和 MEV 显著增加。此外，从图 3.9 可以看出，
当部署传感器数目为 10，感应角度为 45°、90°、120°时，部署区域 Z 无法被有效
覆盖，并且在所有条件下获得的 MEV 为 0。然而，当部署传感器数目增加时，随着
感应角度的增加，MEV 明显变大。
46
(a) I = 20 (b) I = 40 (c) I = 80

图3.8 不同传感器数目下的 MEP-PSO 算法
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
在本小节中，设计实验验证传感器参数对覆盖率和 MEV 的影响，参数设置如

表 3.3 所示，共设置两组实验，其中实验一和实验二中的传感器数目分别设置
为 15 和 30。最后，仿真证明了所提出的覆盖优化算法比现有算法具有更好的覆盖
性能，且更接近覆盖率上界。移动传感器和普通传感器感应半径分别为 10 m 和
8m。
（ 1）传感器参数对覆盖率和 MEV 的影响:
在实验一中，初始部署 5 个移动传感器和 10 个普通传感器，每个传感
器的感应角度设置为 120°，图 3.10 显示了实验一中重新部署过程示意图。
47
(a) 初始部署 (b) 第二轮优化后 (c) 第五轮优化后

' ''
图3.10 节点重新部署过程（ I =5/ I =10）
具体而言，图 3.10 (a)是初始部署，图 3.10 (b)是第二轮优化后的结果，

图 3.10 (c)是第五轮优化后的最终部署。与优化过程相对应的覆盖性能参数
如表 3.4 所示。
' ''
表3.4覆盖优化性能仿真结果（ I =5/ I =10）
I ' / I '' 优化轮次 MEV 覆盖率
初始 0.000 34.671%
1 40.000 37.235%
2 93.759 38.720%
5/10
3 144.010 40.452%
4 150.526 42.195%
5 198.383 43.969%
从表 3.4 中可以看出，随着优化次数的增加，MEV 初始为 0.000，经过

优化后增加到 198.383，覆盖率从初始 34.671%，经过五轮优化后，增加至
43.969%，部署区域的覆盖性能得到显著提升。
在实验二中，初始随机部署 30 个感应角度为 90°的有向传感器，其中
移动传感器和普通传感器的数量分别为 10 和 20。图 3.11 是实验二中重新
部署过程的示意图。
48
(a) 初始部署 (b) 第五轮优化后 (c) 第十轮优化后

' ''
图3.11 节点重新部署过程（ I =10/ I =20）
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）
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%
此外，从表 3.5 中可得，MEV 从初始的 51.000 提高到 374.099，覆盖率

从 47.794%增加至 61.951%，提出的覆盖优化算法显著提升了部署区域的覆
盖性能。
（ 2）与其他算法及覆盖上界对比 :
在本小节中，将提出的基于 MEP 的覆盖优化算法与覆盖上界以及其他
49
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
通过比较图 3.12 和图 3.13 的结果发现，当最初部署的传感器数目较少时，部署

区域内初始会有更多的覆盖盲区，因此经过对传感器位置的重新部署，来覆盖这些覆
盖盲区，不仅能够提高覆盖率，且能够达到覆盖率上界。与图 3.12 不同的是，图 3.13
中提出的覆盖优化策略显著提高了覆盖率，但由于初始部署时的传感器数目较多，而
相同部署区域面积的情况下，覆盖重叠现象会更严重，且经过覆盖优化后，重叠覆盖
区域没有办法完全消除，因此无法达到覆盖率上界。
接下来，将提出的基于 MEP 的覆盖优化算法与现有其他覆盖优化算法进行比较。
由于 DSN 中的大多数覆盖优化算法不考虑移动传感器与普通传感器的异构性，以及
移动性，因此选择与现有全向传感器网络的覆盖优化算法进行比较，不仅保证仿真条
件相同，同时也证明了提出的 MEP-PSO 算法以及覆盖优化算法也同样适用于传统的
全向传感器网络。在本实验中，将本文提出的算法与[22]和[24]中的算法进行比较。设
置完全相同的仿真条件，传感器数目从 20 个逐步增加为 50 个，每个传感器感应角度
为 360°，感应半径为 6 m 。在图 3.14 中，通过改变传感器数目来查看每个算法优化
后的覆盖率性能。
图3.14 与其他覆盖优化算法对比
由图 3.14 可以观察到，所提出的基于 MEP 的覆盖优化算法在不同传感器数目条

件下均具有最大的最终覆盖率。当 I =20 和 I =30 时，所提出的算法和[22]中的 VEDGE
得到了相似的覆盖结果；当传感器个数为 40 时，本文覆盖优化算法得到覆盖率为
99.476%，而 VEDGE 算法为 99.142%；当 I =50 时，本文覆盖优化算法得到覆盖率结
果为 100%，实现了全覆盖，而[22]中的算法此时覆盖率为 99.874%。而对于 VEC 算
51
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
在本章中，提出了一种基于 MEP 的覆盖优化方案来解决 DSN 的覆盖优化问题。

通过采用该方案，可以优化初始随机部署的有向传感器的位置，从而有效提高部署区
域的覆盖性能。具体而言，利用第二章的先验知识，对部署区域进行网格离散化操作
并构造加权无向图，将 MEP 问题转化为离散几何问题。然后设计了 MEP-PSO 算法
来搜索 DSN 中的 MEP。此外，还提出了一种基于 MEP 的覆盖优化算法，通过搜索
最优部署位置和覆盖冗余的移动传感器，重新部署移动传感器的位置，进而实现覆盖
率和 MEV 的优化。最后，通过与现有算法的比较，验证了提出的覆盖优化算法的性
能。仿真验证了本章提出的理论分析和算法不仅适用于 DSN，也适用于 WSNs 中的
全向传感器网络。
52
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
在实际的 DSNs 覆盖问题中，覆盖区域中每个位置的重要性不尽相同，由于特殊

条件（如高温、恶劣环境或敏感危险区域），一些区域传感器及目标可能无法进入这
些区域，传感器节点不能部署在这些区域内，保护这些区域的唯一选择是在周围区域
部署传感器。运动目标从固定点开始。当它到达一个敏感区域时，它只能沿着该区域
的边界移动，然后到达固定端点。因此，需要量化 DSNs 沿某一路径从起点到终点监
视运动目标的能力，并且必须获得曝光最小的路径。为方便起见，这种类型的敏感区
域被称为障碍区域。随着 WSNs 和 IoT 技术的发展，越来越多的研究将 DSNs 应用于
障碍区的检测中，按照编写的优化算法，初始随机部署传感器后，通过移动传感器移
动至合适的位置，从而尽可能多的覆盖区域，实现对部署区域的全面检测。
本章中，为了提高系统的抗干扰能力与容错性，利用不同类型的有向传感器的优
势与各自的特点，进行检测与覆盖优化。具体来说，首先建立了基于曝光度的覆盖模
型来描述有向传感器的检测，根据这个模型，可以从数学上导出任意路径的曝光值。
接下来，
基于 2.2.3 节，提出了 OAMEP 算法，
用于在包含障碍区域的环境中寻找 MEP。
仿真结果表明，OAMEP 可以有效搜索 MEP 并实现避障。然后，进一步提出避障覆
盖优化算法，在 MEP 上找到最优部署位置，对已部署的有向传感器进行位置移动，
以提高待检测区域的覆盖率。假设有向传感器都符合 2.1.1 提出的感应模型，假设移
动传感器都符合 2.1.3 节的移动能耗模型。对于存在障碍区域的场景下，应用第三章
提出的覆盖优化算法时，需要考虑 MEP 搜索在存在障碍区域限制时，需要重新对 MEP
问题建模。
53
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
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 ),,( xn1 , yn1 ) 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  y2  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  nx ，
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 ,, yn1
 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
路面状况指数[56]（pavement condition index, PCI）表示了检测区域路面的结构健

康状况，其值域为 0~100，PCI 指数越大说明该区域路况越健康，用公式(4-3)和(4-4)
计算如下：
PCI  100  a0 DR a1 (4-3)
55
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
重度裂缝，权重统一为 w j =0.60，如表 4.1 所示。

参考以上公式，实际的 DR 应该为障碍区域面积与部署区域总面积之比，而由于
实际中传感器可能并未实现全覆盖，故检测出的 DR 应该为传感器检测到的障碍区域
Aob 与部署区域总面积 Z 之比，故有下式：
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：
E ( Pi )    d (li , oi* )    ( xo*  xi ) 2  ( yo*  yi ) 2

i i
(4-6)
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
图4.3 优化部署过程节点选择示意图（第一轮）
在第一轮优化中，搜索到的最优部署位置在 MEP 上用红点标记。然后，从移动

传感器中选择覆盖重叠面积最大的节点（有效覆盖面积最小）作为派遣传感器，如图
红色虚线框所示。由于派遣传感器与搜索到的最优部署位置距离计算为 48.130 m ，完
成本次派遣所需能量由公式(4-6)计算为 3.080 J 。然而，移动传感器的初始能量仅有
3 J ，不足以移动到目的地。因此，需要更改派遣计划，重新在剩余移动传感器中搜
索派遣传感器。在第二次搜索中，蓝色虚线框所示的移动传感器作为新的派遣节点，
新的移动传感器移动到最优部署位置所需能量为 0.064 J / m ×10.130 m = 0.648 J ，小于
初始能量 3 J 。因此，蓝色虚线框中的传感器作为第一轮优化选定的派遣传感器，并
移动到最优部署位置，经过一次优化后，如图 4.5 右图所示。对比图 4.5 左右两张图，
MEV 由初始的 51.000 提升至 87.438，覆盖率由初始的 47.794%提高到 50.210%，提
出的覆盖优化算法有效提升了部署区域的覆盖性能。
图4.4 优化部署过程节点选择示意图（第三轮）
当优化过程进入第三轮时，又出现了能量不足的问题。如图 4.6 左图所示，在 MEP

58
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 ,, yn1  ，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
n 1 n 1
  y1 , y2 ,, yn1     max  ( p)  di  max  di   di (4-8)
i 0  p ( xi , yi ),( xi1 , yi1 )  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 ,, yn1  。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 ,, yn1  按照下式进行随机初始化：
p  rand int(c, k );
(4-9)
q  rand int(c, k );
Ymin, j  rand(0,1) Ymax, j  Ymin, j  if j  c or j  k


Yi , j   (4-10)

 f  xj  if c  j  k
其中， rand int(c, k ) 表示 c 和 k 之间的随机整数，且 c 和 k 分别对应于边界水平分量的

上限 xa 和下限 xb 。
（ 3）交叉运算：
对于两个不同的独立成员 Ca   pa , qa , ya ,1 , ya ,2 ,, ya ,n 1  和
Cb   pb , qb , yb ,1 , yb ,2 ,, yb ,n 1  ，本文考虑使用凸组合的方法搜索一个新成员。如
果新成员表示为 Cv   pv , qv , yv ,1 , yv ,2 ,, yv ,n 1  ，那么搜索方程是：
 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
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 ,, yn1  的每个分量 C   p, q, y1 , y2 ,, yn1  均被高斯扰
动，以获得一个新的个体 Y m ，Y m  Y   。其中   1 ,2 ,n1  ，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
个分量 1 ,2 ,,n1  是独立的。

积分分量 C   p, q, y1 , y2 ,, yn1  只需高斯变异即可获得 Nm   pm , qm  ，其中
 
pm  p   p ， p 是一个整数， p  int N  0,  p2  ，即将零均值高斯分布四舍五入

得到。类似的，同样可以得到 q  q  q ,q  int N  0,  q2  。故变异后个体为：
m

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 ,, yn1     max  ( p)  di  max  di   di ，而应
i 0  2
n 1 p ( xi , yi ),( xi1 , yi1 )  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 ,, yn1  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
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。
ik
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,, yik  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
ik
 ( 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 ,, yn1  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
线 f  f ( x) 确定，故只需要在 ( x p , y p ) 和 ( xq , yq ) 附近搜索感应强度   x, y  的最小值。

设得到的积分分量用 N  [ p, q ] 表示，因此，积分分量的局部搜索可以表示为：
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
（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
利用 4.3.1 中对于 MEP 问题的建模与 OAMEP 算法的准备工作，本节提出 OAMEP

算法求解有限差分方案，实现避障搜索 MEP，具体算法流程步骤如下：
Step 1：参数初始化：初始化种群大小 pop 、最大进化世代数 GenMax 、交叉
运算符参数  2 和本地搜索参数 k 和 ；
Step 2：种群初始化：对于种群中的每个个体成员 C ，使用混合编码
C   p, q, y1 , y2 ,, yn1  ，通过公式 (4-9) 和(4-10)随机生成个体作为初始群体 P(0) ；
Step 3：个体评价：将公式 (4-8)作为适应度函数，计算群体 P (t ) 中每个个体
的适应度值，令 t=0；
Step 4：交叉算子：从当前种群 P (t ) 中随机选择两个个体，通过公式 (4-11)
产生两个子个体成员，并重复进行多次交叉操作，这些交叉操作产生的所有
个体构成一个集合，记为 U1 ；
Step 5：本地搜索：对于 U1 中每个 C   p, q, y1 , y2 ,, yn1  ，在随机选择位置
i 后，使用公式 (4-13)执行连续分量 Y   y1 , y2 ,, yn1  的 k  1 分量的局部搜索。对
于积分分量 N  [ p, q] ，使用公式 (4-14)执行局部搜索，新的个体集合记为 U 2 ；
Step 6：变异算子：根据概率 pm 选择 U 2 中的个体，并使用公式 (4-12)进行
变异运算，产生新的个体集合表示为 U3 ；
Step 7：选择算子：从 P(t )  U1  U 2  U 3 中选择具有最佳适应度值的第一
批 pop 种群个体作为下一代 P(t  1) 的种子种群，令 t  t  1 ；
Step 8：终止条件：令 t  t  1 ，如果当前世代数 t 等于最大世代数 GenMax ，
则记录最佳种子种群个体，并将其作为全局最优近似解 u*g q , gq
输出；若没有，
跳转 Step 3 继续运行。
基于避障最小曝光路径的有向传感器网络覆盖优化算法
基于上述 MEP 避障模型的推导及优化问题求解，进一步提出了一种基于 OAMEP

的 DSNs 覆盖优化算法。具体来说，借助于 OAMEP 算法搜索到的避障 MEP，应用
第三章的覆盖优化方案进一步实现对部署区域的覆盖性能优化。覆盖优化方案仍分为
搜索阶段和派遣阶段：在搜索阶段，采用第三章的网格离散化和加权无向图模型，确
定 MEP 上的最优部署位置，并确定派遣传感器；在派遣阶段，根据覆盖冗余情况调
整移动传感器的位置以实现覆盖性能优化。需要注意的是，派遣阶段传感器位置移动
63
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：
w(h)   (Ogq )*| h |

(4-15)
 H 
u *  min   w( h)  , u gq , gq  U gq , gq
 h 1,hugq ,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
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。
(a) 无障碍时 (b) 存在矩形障碍时

图4.6 有向传感器移动避障示意图
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
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
移动传感器感应角度  i ' 90°
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
普通传感器有效视角  i '' 90°
移动传感器移动单位距离能耗  [51] 0.064 J / m
66
表4.3 OAMEP 算法仿真参数
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
（1）基于 OAMEP 的覆盖优化过程：

初始随机部署 7 个移动传感器，以及 13 个普通传感器，为了便于区分，其对应
的监测区域用不同颜色来代替。用灰色矩形代表障碍区域。使用提出的 OAMEP 算法
以及基于 MEP 的避障覆盖优化算法，得到的仿真结果如图 4.7 所示。
(a) 初始随机部署 (b) 两轮覆盖优化后
(c) 五轮覆盖优化后 (d) 七轮覆盖优化后

图4.7 基于 OAMEP 的覆盖优化算法效果
67
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。
表4.4 基于 OAMEP 的覆盖优化性能仿真结果
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%
由表 4.4 结果来看，初始随机部署后，区域的整体覆盖率为 35.321%，初始 MEP

对应的 MEV 值为 0.000，此时已部署的传感器并未有效实现部署区域的覆盖，有大
量的覆盖空洞存在；第一轮优化后 MEV 仍然为 0；第二轮优化后，MEV 值显著提升
为 94.510，此时覆盖率为 39.928%；经过 7 轮优化后，覆盖率达到了 46.162%，此时
MEP 对应的 MEV 值也获得了大幅优化，为 220.004。
68
' ''
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）
利用 2.2.3 节覆盖上界理论计算得到此时的覆盖率上界为 47.3355%，由图 4.8 结

果看出，随着优化轮次的增加，覆盖率显著提升，并逐渐逼近理论覆盖率上界，但从
图 4.7 中看出仍存在覆盖重叠区域，故此时并未完全达到理论上界。
（3）基于 OAMEP 的覆盖优化算法的总移动能耗：
本文还研究了覆盖优化过程与部署区域内传感器总移动能耗的关系。将提出的
DSNs 避障覆盖优化方案总能耗进行仿真，结果如表 4.5、表 4.6 所示。
表4.5 基于 OAMEP 的覆盖优化过程移动能耗仿真结果

本轮移动距离本轮移动能耗
优化轮次传感器移动前坐标最优部署点坐标
（m ）（J ）
初始
1 （30，8）（10，4） 20.47 1.31
2 （35，34）（40，0） 34.44 2.20
3 （5，25）（21，3） 26.74 1.71
4 （36，25）（3，49） 40.12 2.57
5 （44，39）（29，0） 42.04 2.69
6 （24，12）（48，26） 27.12 1.74
7 （27，28）（14，23） 13.95 0.89
69
表4.6 本文方案能耗结果仿真
部署区域覆盖率 DSNs 协同检测总移动能耗
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
由表 4.5 和 4.6 可以看出，本文提出的 DSNs 协同检测方案不仅实现了障碍区域

规避，完成了覆盖率的显著提升，同时有着极低的总移动能耗，待检测区域面积越大，
本方案的优势会更加突出。
区域状况指数仿真结果及分析
本文还将覆盖优化前与覆盖优化后的 PCI 指数变化进行了对比分析，仿真参数

如表 4.2、表 4.3 所示。首先计算这段区域上真实的 PCI 值，按照(4-4)计算 DR 后带入
(4-3)中求得 PCI。由于本文中设置 a0 =15.00，a1 =0.41[60]，实际设置的障碍区域面积为
4×8 m 2 ，区域共存在 5 处障碍区域。为了便于分析覆盖率对 PCI 的影响，假设部署区
域内所有障碍区域为块状裂缝，参考表 4.1，权重统一设置 w j =0.60。则该场景下的理
论 PCI 值为：
4  8  5  0.6 0.41
PCI  100  15 （100  ）  73.958 (4-17)
50  50
而根据对障碍区域的覆盖 Aob ，实际计算 PCI 的方法为：
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
表4.7 覆盖优化结果检测估计的 PCI 值

2
理论 PCI 优化轮次检测估计的 PCI 障碍区域覆盖 Aob （ m ）
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
由表 4.7 可以看出，此路段对应的 PCI 真实值为 73.958，而初始随机部署移动传

感器与普通传感器后，并没有很好地覆盖障碍区域，对障碍区域的有效覆盖面积仅有
7.270 m 2 ，所以此时计算出来的 PCI 值与实际 PCI 值相差过大，
得到的 PCI 为 92.668；
经过 7 轮覆盖优化后，移动传感器对区域障碍区域的覆盖显著优化，实际 5 处障碍区
域的面积总和为 160 m 2 ，经过优化后实现了对障碍区域 133.845 m 2 的覆盖，故计算得
到的 PCI 值为 75.796，与优化前相比更加接近理论真实值。
图4.9 实际计算 PCI 与理论 PCI 值对比
从图 4.9 中也可以直观的看出经过优化后的实际计算出的 PCI 值不断逼近真实

值，故此时对于部署区域的健康状况评定也更加准确，从而为制定下一步维护与修复
计划提供合理的数据支撑。
71
4.5 本章小结
本章主要研究了存在障碍区域的场景下的基于避障 MEP 的覆盖优化方案，首先

对存在障碍区域的场景进行介绍，然后建立 MEP 避障模型、传感器覆盖面积与 PCI
指数关系、传感器移动能耗模型，最终将 OAMEP 问题使用有限差分方案进行简化，
目标是最小化总曝光度，并利用遗传算法求解得到 MEP。最后提出一种基于避障 MEP
的覆盖优化方案，保证覆盖率和 MEV 提升的同时，实现对障碍区域的规避，仿真证
明提出的 DSNs 协同检测方案有着极低的移动能耗。且提出的覆盖优化方案使得 PCI
指数随着优化次数增加逐渐逼近真实值，实现对区域的覆盖率显著提升与对待检测区
域的全面覆盖。
72
第五章总结与展望
第五章总结与展望
不断发展的 IoT 为复杂多变的环境监测提供了强有力的手段。WSNs 作为 IoT 的

典型体系结构，可以有效地促进各种 IoT 智能化应用。传统 WSNs 都基于全向传感器
网络，而随着多普勒微波雷达、普通传感器、红外探头等有向传感器的广泛使用，传
感器部署区域内海量数据的感知、收集和处理可以促进大量智能应用，如智能城市、
数字孪生系统和智能交通系统。DSNs 中，由于有向传感器覆盖区域的不对称性和检
测角度的多样性，使得提高 DSNs 覆盖性能成为一个新的挑战。传统的基于虚拟力的
覆盖优化方案在节点数目较大时受力分析难度显著增加，且优化效果受 Voronoi 图拓
扑结构影响较大。而 MEP 作为入侵检测领域的概念，对应于传感器网络中最坏的覆
盖情况，因此将 MEP 与 DSNs 覆盖优化相结合, 基于这种最坏的情况实现覆盖优化。
此外由于有向传感器的能量有限，频繁更换或向网络中添加新传感器可能会造成不必
要的资源浪费、能耗和覆盖冗余。因此借助于 MEP，在传感器数目有限的前提下，通
过随机初始部署传感器并基于 MEP 进行传感器位置的动态调整，以实现 DSNs 的覆
盖优化。进一步地，研究存在障碍区域的场景下的 DSNs 覆盖优化策略，考虑传感器
节点移动能耗，结合真实场景完善算法，实现避开障碍区域的同时完成对部署区域的
覆盖率的大幅优化，通过合理的传感器位置移动降低了节点资源消耗，节约总移动能
耗，实现了全面的区域数据收集。
本文在调研了大量 DSNs 覆盖优化问题和 MEP 问题相关文献基础上，总结对比
了国内外相关研究的缺陷与不足，深入研究了有限传感器数目下 DSNs 的覆盖优化问
题和存在障碍区域的场景下 DSNs 的避障覆盖优化问题，分别提出了基于 MEP 的
DSNs 覆盖优化机制和基于 OAMEP 的避障覆盖优化机制，
满足实际 WSNs 应用需求，
有效提升部署区域覆盖率与 MEV，实现障碍区域的规避和对区域的全方位覆盖。本
文主要工作总结如下：
（1）针对所研究的 DSNs 覆盖优化中，直接在 MEP 上增加额外的传感器来实现
覆盖优化导致覆盖冗余，多余的能量消耗和传感器资源浪费问题。提出 MEP-PSO 算
法解决 DSNs 中的 MEP 问题，并提出基于 MEP 的 DSNs 覆盖优化机制，在部署有限
数目传感器节点的基础上调整节点部署位置实现覆盖优化，还提出覆盖上界算法计算
不同传感器初始部署条件下的覆盖率上界，为不同覆盖的优化算法提供性能对比基准。
首先对部署区域进行网格离散化并构造加权无向图，将 MEP 问题转化为离散几何问
题；然后设计 MEP-PSO 算法加速 MEP 搜索；在此基础上提出基于 MEP 的覆盖优化
机制，为每个移动传感器设计派遣计划，通过搜索最优部署位置和派遣节点，动态调
整传感器位置以实现覆盖率提升。仿真结果表明：提出的 DSNs 覆盖优化方案可以在
73
DSNs 中搜索到 MEP，显著提升部署区域的覆盖率和 MEV 值，且较现有算法能最大

程度实现覆盖率提升，在初始部署不同数目传感器条件下均最接近理论覆盖率上界。
（2）针对所研究的存在障碍区域的场景下避障覆盖优化的问题。首先利用有限
差分法对 MEP 避障问题进行离散化处理；然后设计基于遗传算法的 OAMEP 搜索算
法，遇到障碍区域时沿障碍区域边界前进；进一步提出避障覆盖优化机制，利用普通
传感器和移动传感器两种有向传感器，基于 MEP 确定最优部署位置和冗余移动传感
器节点，动态调整移动传感器位置，实现存在障碍区域的场景下的避障覆盖优化问题。
仿真结果表明：提出的避障覆盖优化策略可以实现对障碍区域的有效规避，显著提升
部署区域覆盖率，有着极低的总能耗，同时根据覆盖面积计算得到的 PCI 指数随优化
次数的增加不断逼近理论 PCI 值。
在现有成果的基础上，本文所提出的基于 MEP 的 DSNs 覆盖优化机制以及基于
OAMEP 的覆盖优化机制，还有许多不足之处需要进行深入研究：
（1）本文提出的基于 MEP 的 DSNs 覆盖优化机制中，未考虑有向传感器的方向
改变对覆盖率的影响，且覆盖优化指标目前只对比了覆盖率和 MEV。下一步工作一
方面在覆盖优化机制中研究有向传感器的感应方向改变对覆盖率的影响，另一方面考
虑将网络总能耗、网络寿命等也作为性能指标进行分析。
（2）本文提出的存在障碍区域的场景下基于 OAMEP 的覆盖优化机制中，目前
仅考虑障碍区域为矩形，但实际场景下的区域损坏可能会有多种不同程度与类型的损
坏。后期会进一步研究不同程度和类型的区域损坏对覆盖优化性能的影响，对算法进
一步完善和优化，使其能适应于实际场景需求。
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
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
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
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
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
[1] 李长乐，王路乔，王辉，刘钊，有向传感器网络优化部署系统和方法: 中国,

CN202010342221.2[P]. 2020 年 4 月 27 日.（已授权）
[2] 毛国强，王路乔，王辉，刘钊，道路车辆流量检测方法、装置、计算机设备
及存储介质: 中国, CN202010050413.6[P]. 2020 年 1 月 17 日.（已授权）
[3] 李长乐，董梦圆，王路乔，一种用于道路健康检测的有向传感器网络覆盖优
化方法: 中国, CN202210330712.4[P]. 2022 年 3 月 31 日.
3.3 参与科研项目及获奖
[1] 国家自然科学基金 NSFC-广东联合基金重点项目, 网络化无人驾驶中智能通

信与计算融合(U1801266) , 2019.01-2022.12, 在研, 负责传感器网络部署与覆
盖优化策略研究。以第一作者身份发表一篇 IEEE COMSOC 旗舰会议
83
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
ＸＩＤＩＡＮ ＵＮＩＶＥＲＳＩＴＹ


地址：西安市太白南路２号


邮编：
７１００７ 

１
网址：
ｗｗｗｘｄａｎｅｄｕｃｎ
．ｉｉ 
 ．．
．．

 
■
：！


，

有向传感器网络的覆盖优化机制研究与应用 王路乔 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

有向传感器网络的覆盖优化机制研究与应用 王路乔 PDF

Uploaded by

Copyright:

Available Formats

学校代码 10701 学 号 19011210099

无线传感器网络（Wireless Sensor Networks，WSNs）的不断发展为复杂多变的环

关 键 词：物联网， 有向传感器网络， 最小曝光路径， 部署优化， 覆盖优化

Keywords: IoT, DSNs, MEP, Deployment Optimization, Coverage Optimization

图 1.1 无线传感器网络中常见的覆盖情况 ......................................................... 16

表 3.1 MEP-PSO 算法仿真参数 ........................................................................... 43

g  {g1 ,..., g q ,..., g Q } 网格离散化后的所有网格集合

缩略语 英文全称 中文对照

传感器与无线通信技术的进步使人们对 WSNs 的设计、开发和部署产生了越来

现有关于 WSNs 的覆盖研究目前主要分为目标覆盖、栅栏覆盖、区域覆盖等，本

(a) 目标覆盖 (b) 栅栏覆盖 (c)区域覆盖

WSNs 的大多数应用都要求网络能够检测感兴趣区域的入侵。因此，作为 WSNs

置以实现覆盖优化。然而，对于某些特殊的 Voronoi 拓扑结构，例如在 VOR 和

本文主要工作为设计一种面向 DSNs 的覆盖优化方案，以及面向存在障碍区域的

器数目和能量有限的情况下提高覆盖性能的问题，设计了一种基于 MEP 的传感器重

第一章主要叙述了当前 WSNs 覆盖优化的研究背景和国内外研究现状，阐述并

第三章详细阐述了本文提出的 DSNs 覆盖优化机制。

传感器和无线通信技术的进步使人们对 WSNs 的设计、开发和部署产生了越来

感应区域 ci 就相应确定。有向传感器能够检测到的点 o 的条件可以表示为：

其 中 ， F (i, o) 表示传感器 i 在 o 点处的感应灵敏度。如 果 点 o 在传感器 i 的感应区域

 m (o)  max F (i, o) (2-5)

其 中 i 表 示 一 组 有 向 传 感 器 ( i = 1， …， n )， F (i, o) 表 示 表示传感器 i 在 o 点处的

E ( Pi )    d (li , oi* )    ( xo*  xi ) 2  ( yo*  yi ) 2 (2-6)

其中传感器 i 的派遣计划为 P ，传感器 i 的初始部署位置为 li =( xi , yi )，移动后的位置

作为 WSNs 的一个基本问题，传感器网络最坏覆盖所对应的 MEP 问题在检测入

其中 o(t ) 为目 标 从 一 点 到 另 一 点 的 运动路径， t1 ，t2 分别为进入目标区域的时间和

其中  m ( x(t ), y (t )) 是在点 ( x(t ), y(t )) 处的感应强度。

在实际的 WSNs 覆盖问题中，覆盖区域中每个位置的重要性可能并不相同，因此

其中，在某点 o( xo , yo ) 处的感应强度函数  如(2-5)所示。

图2.2 障碍区域边界条件约束的 MEP 问题

 2 ( y)    m ( x, y) 1  y2 dx   I ( x, y) 1  y2 dx   I ( x, y) 1  y 2 dx (2-12)

包含必须通过区域边界的 MEP 问题可以表示为：

y*  arg min 2 ( y) (2-13)

约束条件表示积分路径 oa ob 是曲线 f  f ( x, y) 的一部分。提出的 OAMEP 问题考

假 设 部 署 区 域 内 存 在 三 个 传 感 器 彼 此 覆 盖 重 叠 的 情 况 ，那 么 {i, i, i ''} 组形

(a) 两覆盖重叠 (b) 三覆盖重叠 (c) 四覆盖重叠

类 似 的 ， 以 {i, i, i '', i '''} 中的四 传 感 器 覆 盖 重 叠 为 例 ， 如 图 2.3(c)中 所 示 ，

A  T  Ti i  Ti ii  Ti iii '''

TO  Tii   (1)( n1) Tii  (2-22)

max A  max{ A   A   TO   } (2-24)

TO    Tii   (1)( n1) Tii  (2-26)

构建、MEP 搜索算法以及基于 MEP 的覆盖优化算法提供理论依据和支撑。

如图 3.2 所示，假设待监测的部署区域为正方形区域，其边长为 1。将监测区域

w(h)   (Ogq )*| h | (3-1)

其 中 | h | 是 路 径 段 的 长 度 ，  (Ogq ) 是网格点 Ogq 处的感应强度，可以是最大传感器

一般来说，两个网格 g q ' 和 g q '' 之间存在不止一条路径，MEP 问题的目标是在所有

其中，h 为集合 中的任意路径段，ugq , gq 是网格 g q ' 和 g q '' 之间任一可行路径。上式表

本节提出了一种基于粒子群优化的 MEP 搜索算法，称为 MEP-PSO 算法，该算

vsdk 1   * vsdk  c1r1 ( xsd

xsdk 1  xsdk  vsdk 1 (3-5)

其中 k 为迭代次数( k [0, K ] )。 xsdk 和 v sdk 为粒子的当前的位置矢量和速度矢量。 vsdk 1 和

利用该算法，通过输入有向传感器性质、部署区域参数及 PSO 算法参数，可以

本文提出的基于 MEP 的覆盖优化算法包括搜索阶段和派遣阶段两个阶段。在搜

h*  arg min{w(h)}, h  u*gq , gq (3-6)

根据前文中 2.3 节的理论推导，在本节中提出理想场景下的 DSNs 覆盖上界算法，

仿真参数设置如表 3.1、表 3.2、表 3.3 所示。

表3.1 MEP-PSO 算法仿真参数

均匀分布随机变量 r1 , r2 0.5 0.5

惯性权重  0.3 0.3

最大迭代次数 K 200 200

种群粒子数 S 200 200

表3.2 不同传感器特性与 MEP 搜索性能仿真参数

参数名称 实验一 实验二 实验三

有向传感器网络的覆盖优化机制研究与应用王路乔 PDF

有向传感器网络的覆盖优化机制研究与应用王路乔 PDF

学校代码 10701 学号 19011210099

关键词：物联网，有向传感器网络，最小曝光路径，部署优化，覆盖优化

缩略语英文全称中文对照

其中， F (i, o) 表示传感器 i 在 o 点处的感应灵敏度。如果点 o 在传感器 i 的感应区域

其中 i 表示一组有向传感器 ( i = 1， …， n )， F (i, o) 表示表示传感器 i 在 o 点处的

其中 o(t ) 为目标从一点到另一点的运动路径， t1 ，t2 分别为进入目标区域的时间和

假设部署区域内存在三个传感器彼此覆盖重叠的情况，那么 {i, i, i ''} 组形

类似的，以 {i, i, i '', i '''} 中的四传感器覆盖重叠为例，如图 2.3(c)中所示，

其中 | h | 是路径段的长度，  (Ogq ) 是网格点 Ogq 处的感应强度，可以是最大传感器

其中，h 为集合中的任意路径段，ugq , gq 是网格 g q ' 和 g q '' 之间任一可行路径。上式表

参数名称实验一实验二实验三

（ 3）不同传感器数目和感应角度的 MEP 性能:

在本小节中，设计实验验证传感器参数对覆盖率和 MEV 的影响，参数设置如

具体而言，图 3.10 (a)是初始部署，图 3.10 (b)是第二轮优化后的结果，

从表 3.4 中可以看出，随着优化次数的增加，MEV 初始为 0.000，经过

此外，从表 3.5 中可得，MEV 从初始的 51.000 提高到 374.099，覆盖率

个分量 1 ,2 ,,n1  是独立的。

1 （30，8）（10，4） 20.47 1.31

2 （35，34）（40，0） 34.44 2.20

3 （5，25）（21，3） 26.74 1.71

4 （36，25）（3，49） 40.12 2.57

5 （44，39）（29，0） 42.04 2.69

6 （24，12）（48，26） 27.12 1.74

7 （27，28）（14，23） 13.95 0.89