-
近年来,无线视频传感器(其感知具有方向性,隶属于有向传感器)逐渐取代有线视频监控传感器,其安装简便,价格便宜,应用场景不断拓展。传感器网络节点覆盖调度对于网络同步与分布式优化起着重要作用[1-4]。在满足监测目标监测覆盖的要求下,如何借助节点调度算法延长有向传感器网络的工作时间是有向传感器网络的重要研究内容。文献[5]提出一种基于概率覆盖圆的连通有向传感器网络的目标覆盖增强算法。文献[6]提出了一种面向有向传感器网络的基于遗传算法的k覆盖算法,通过求解多个满足目标k覆盖要求且节点数量最少的集合延长网络的寿命。文献[7]通过建立一种混合二进制整数线性规划模型,求解得到多个互不相交的覆盖集合来延长有向传感器网络的寿命。这些研究都是假设参与节点调度的传感器节点参数相同,未考虑异构节点对调度算法的影响。同时,均假定监测目标在区域内均匀分布,未考虑监测目标的重要性、出现频率对网络服务质量的影响。对于异构有向传感器网络,文献[8]提出两种启发式算法解决有向传感器网络的寿命最大化问题,两种算法的区别在于每次选取节点感知方向的标准不同。一种为每次选取对目标覆盖贡献最大(也就是覆盖最多目标)的感知方向,另一种为每次选择能覆盖监测目标且能量最少的感知方向,两种算法结束的条件均为直到所有的目标满足覆盖要求。文献[9]提出一种基于学习自动机的算法解决感知半径可调的有向传感器网络的k-覆盖问题。文献[10]提出一种基于遗传算法的寿命最大化策略来延长半径可调的有向传感器网络的寿命。针对异构有向传感器网络的寿命优化问题,利用集合覆盖的思想,文献[11]通过改进的和声搜索算法求解满足目标覆盖要求的集合,解决差异化覆盖条件下异构有向传感网络寿命的问题。文献[12]将学习自动机引入差分进化算法,实现算法参数的自适应并增强算法的优化能力,使寿命达到最大化。但这些文献没有考虑网络的连通性,使得算法在工程实践中受到影响。尽管文献[13-14]对差异化覆盖连通问题进行了研究,但其研究对象为全向感知和节点同构的传感器网络,研究成果不适用于感知模型为有向的异构有向传感器网络。
针对上述研究中存在的问题,在满足应用场景监测目标覆盖要求差异化和网络连通的条件下,本文提出一种面向异构有向传感器网络的节点调度算法,达到降低网络能耗和延长网络工作时长的目标。
-
本节首先测试增强珊瑚礁算法ECRO在数值计算上的性能,然后将其用于解决异构有向传感器网络寿命最大化的问题。
-
在表1的4个测试函数上测试各算法的性能。将遗传算法(genetic algorithm, GA)、模拟退火算法(simulating algorithm, SA)、原始差分进化算法(differential evolution, DE)、文献[11]中的改进和声搜索算法(enhanced harmony search, EHS)和文献[12]中的基于学习自动机的差分进化算法(learning automata differential evolution, LADE)作为对比算法参与数值运算。函数的具体信息详见表1所示。
CRO算法中W×L设为10×5,其他参数
${F_b}$ 、${F_a}$ 、pro、T_MAX、pro_coral和pro_no分别设为0.9,0.1,0.7,3,0.1和0.01[16];ECRO算法中${F_{\min }} = 0.1$ ,${F_{\max }} = 0.9$ [22] ,维数n为30,其他参数的值与文献[12]取值相同。算法结果为程序运行30次所得结果的平均值。从表2的求解结果可以得出:在F3函数中,所有参与测试的算法均取得全局优化解0;除此之外的数值测试结果显示,相比较于其他算法,ECRO算法求解结果最优。数值计算结果表明,与其他算法比较,本文提出的ECRO算法性能最佳,证明了算法的有效性。测试函数 函数表达式 定义域 F1 ${f_1}(x) = \displaystyle\sum\limits_{i = 1}^n {{x^2}(i)} $ $x(i) \in [ - 100,100]$
F2${f_2}(x) = {\displaystyle\sum\limits_{i = 1}^n {(\displaystyle\sum\limits_{j = 1}^i {x(j))}^2 } }$
$x(i) \in [ - 100,100]$
F3${f_3}(x) = \displaystyle\sum\limits_{i = 1}^n {(\left\lfloor {x(i) + 0.5} \right\rfloor } {)^2}$ $x(i) \in [ - 100,100]$ F4 ${f_4}(x) = \displaystyle\sum\limits_{i = 1}^n {\left| {x(i)} \right|} + \prod\limits_{i = 1}^n {\left| {x(i)} \right|} $ $x(i) \in [ - 100,100]$ 测试函数 算法 最佳结果平均值 最佳结果方差 F1 GA
SA
DE
LADE
CRO
EHS
ECRO3.69×10−4
1.21×10−4
5.91×10−5
4.39×10−5
5.24×10−5
4.01×10−5
1.35×10−64.30×10−4
1.36×10−4
1.35×10−4
1.04×10−4
1.09×10−4
1.00×10−4
1.03×10−6F2 GA
SA
DE
LADE
CRO
EHS
ECRO1.09×10−3
1.56×10−5
1.12×10−4
2.26×10−5
2.38×10−5
1.96×10−5
1.13×10−68.90×10−4
2.20×10−5
1.04×10−4
1.59×10−5
1.61×10−5
1.46×10−5
1.09×10−6F3 GA
SA
DE
LADE
CRO
EHS
ECRO3.74×10−2
6.10×10−6
0
0
0
0
03.48×10−2
6.44×10−6
0
0
0
0
0F4 GA
SA
DE
LADE
CRO
EHS
ECRO2.86×10−2
6.27×10−3
3.90×10−3
5.77×10−4
5.84×10−4
4.96×10−4
3.69×10−62.08×10−2
4.76×10−3
3.15×10−3
6.97×10−4
7.08×10−4
6.37×10−4
6.91×10−6 -
覆盖调度算法的仿真平台为MATLAB 2013。监测区域大小为50 m×50 m,节点数量N为30,每个连通覆盖集合工作时间wt=1s,节点可选的感知方向为
$\left|{D}_{i}\right|=\dfrac{2{\text{π }}}{{\theta }_{i}}$ ,且感知方向之间无重叠区域,其中$ {\theta }_{i} $ 表示感知角度$ {\theta }_{i} $ 。节点信息如表3所示。监测目标随机分布在监测区域内,其数量W=6。若某一监测目标在某个监测周期里出现频率较高,则认定为重点监测目标,此类监测目标要求被两个传感器节点监测到,其余监测目标被1个传感器节点监测到即可,每种类型的监测目标数量随机产生。类型 感知
半径/m通信
半径/m感知
角度$ {\theta }_{i} $节点
能量/J每个工作周期
消耗能量/J节点
数量1 10 20 ${{\text π} \mathord{\left/ {\vphantom {{\text π} 3}} \right. } 3}$ 100 0.1 10 2 20 40 ${{2{\text π} } \mathord{\left/ {\vphantom {{2{\text π} } 3}} \right. } 3}$ 200 0.5 10 3 15 30 $ {{\text π} \mathord{\left/ {\vphantom {{\text π} 2}} \right. } 2} $ 150 0.3 10 为更好地衡量改进算法ECRO的性能,本文提出一种贪婪算法(以下简称Greedy)作为对照算法。其求解步骤为,每一轮选择的感知方向,为以下3个指标乘积的最大值:1)该感知方向所在节点的剩余能量;2)该感知方向监测目标数量;3)该感知方向与其他已选择节点的连通性(式(5)不等号左端的值)。选择感知方向的操作会一直进行,直到所有监测目标的监测要求被满足,这样就产生了一个符合监测目标要求且连通的感知方向集合。执行节点能量更新操作后,继续下一轮集合的选择,直到不满足覆盖连通要求或节点因能量耗尽而死亡。
-
1) 收敛性能比较
将种群的平均适应度作为种群收敛性能的指标,进行算法收敛性能的比较,图3为ECRO和CRO算法的平均适应度变化情况。观察图3可以得出,ECRO和CRO两种算法都随着迭代次数变大而趋于收敛,并且ECRO算法种群的平均适应度大于CRO算法,验证了改进算法ECRO的收敛性能较好。同时,两种算法在未进入迭代(迭代次数为0)时,ECRO算法的种群平均适应度优于CRO算法,证明了本文提出的种群初始化策略的有效性。
2) 监测要求与网络寿命的关系
假定监测目标数目W=8,用
$M'$ 代表重点监测目标的数量,其值分别设为3和5;$k'$ 代表重点监测目标对应的监测覆盖要求,其值分别设为2和3,用ECRO算法求解覆盖连通问题。从图4求解得到的结果可以看出:1)节点数越多,网络寿命越长。2)节点数和监测覆盖要求$k'$ 固定时,重点目标数$M'$ 越大,相应地网络寿命也就越短。3)节点数和重点目标数$M'$ 固定时,重点目标的监测覆盖要求$k'$ 越大,网络寿命就越短。3) 均匀比例下节点数量对网络寿命的影响
设置不同的节点总数,等比例混合3种类型的传感器节点,研究节点数量对网络寿命的影响。监测目标数为8,其他参数值与前面相同。从图5的求解结果可以得出:1)随着部署节点数的增加,网络的寿命也随之延长。究其原因在于,传感器节点数量的增加使得可选的用于工作的感知方向增多,导致满足监测覆盖需求的集合数目随之增加;2)在部署节点数固定的情况下,提出的ECRO算法明显优于其他算法。如当节点数为60时,与贪婪算法Greedy、LADE、未改进的CRO算法和EHS算法[12]相比,改进算法寿命分别延长97%、27.4% 、33.9%和21.5%。究其原因在于,贪婪算法尽管每一步都是当前最优,但局部最优不保证最终得到全局最优解。改进算法得益于种群初始化、算法过程和最差个体的改进,使得算法优化能力得以增强。
4) 非均匀比例下节点数量对网络寿命的影响
研究非均匀比例对网络寿命的影响。表4为具体构成比例,其中情况1表示,3种类型的传感器节点数量都相同,也就是所占的比例均为1/3,情况2表示3种传感器节点数量不同,3种类型节点的参数详见表3。监测目标数设为8,其他的算法参数与前面相同。从图6的结果可以得出:1)对于某一算法,在部署节点数固定的条件下,与情况1相比,情况2中的网络寿命较好。如对于ECRO算法来说,当节点总数为90时,情形1的网络寿命为100 s,情形2网络寿命为120 s,寿命提高20%。2) 在节点比例和部署节点数都相同的条件下,较之其他算法,本文提出的ECRO算法表现最好,验证了改进算法的优越性。
情况 类型1节点 类型2节点 类型3节点 1 1/3 1/3 1/3 2 1/5 3/5 1/5
Connected Coverage Scheduling Algorithm for Heterogeneous Directional Sensor Networks
doi: 10.12178/1001-0548.2022001
- Received Date: 2022-01-04
- Accepted Date: 2021-12-01
- Rev Recd Date: 2022-03-02
- Available Online: 2022-07-11
- Publish Date: 2022-07-09
-
Key words:
- connected coverage scheduling algorithm /
- coral reef optimization algorithm /
- directional sensor networks /
- heterogeneous network
Abstract: A node scheduling algorithm based on enhanced version of coral reef optimization algorithm (shortly for ECRO) is proposed to solve the life maximization problem of heterogeneous directional sensor networks for connectivity and differentiated target coverage requirements. Based on cover sets theory, ECRO is utilized to get the cover sets, which can cover all the targets and satisfy their connectivity and coverage quality requirements. The improvement of coral reef optimization (shortly for CRO) lies in the three aspects. Firstly, the population is initialized by the SOBOL sequence and an opposition learning strategy. Secondly the operator of harmony search algorithm, immigration in biogeography-based optimization and a self-adaptive mutation strategy in differential evolution algorithm are introduced into the brooding procedure of the coral larvae formation to conserve the excellent solutions of the population and enhance the diversity of the descent and the ability of optimization for coral reef. Moreover, an opposition learning strategy and differential strategy with the optimal individual are utilized to improve the performance of the worst individual of the population. Extensive simulation experiments both in numerical benchmark functions and node scheduling are conducted to validate the proposed ECRO. The results show that the proposed ECRO outperforms the compared algorithms, which demonstrate the superiority of the proposed algorithm ECRO.
Citation: | LI Ming, HU Jiangping, CAO Xiaoli. Connected Coverage Scheduling Algorithm for Heterogeneous Directional Sensor Networks[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(4): 572-579. doi: 10.12178/1001-0548.2022001 |