同时考虑到方向性传感器节点传感,无线传感器:-0/传感器的组成模块封装在一个外壳内，工作时会由电池或振动发生器供电，从而形成无线,无线传感器网络的特点及应用无线传感器网络简称WSN，它集现代无线网络通信技术/123,传感器节点监控数据沿其他传感器节点逐跳传输。
无线传感器Network是近年来发展起来的一项新技术，在环境监测和恶劣条件下、无持续性的事件跟踪中显示出巨大的应用价值。节点部署是无线-2/网络工作的基础，对网络的运行和寿命影响很大。部署问题涉及覆盖连接和节省能耗。本文重点研究了网络部署中的覆盖问题，总结了现有的研究成果，归纳了未来的研究热点方向，为以后的研究奠定了基础。基于虚势场的有向传感器网络覆盖增强算法摘要:首先，基于视频传感器 节点的方向感知特性，设计了方向感知模型，并以此为基础，对有向传感器网络的覆盖增强问题进行了分析和研究。其次，提出了一种基于虚拟势场的有向网络覆盖增强算法PFCEA。通过引入质心的概念，将有向/网络覆盖增强问题转化为质心均匀分布问题。而不是传感器 节点感知方向的旋转，质心在虚力的作用下做圆周运动，消除网络中感知的重叠和盲区，从而增强整个有向传感器网络的覆盖。一系列仿真实验验证了该算法的有效性。定向感知模型；虚拟势场；扩大覆盖面。:TP393文档识别码:A覆盖率作为传感器 network中的一个基本问题，反映了传感器 network所能提供的感知服务质量。优化传感器网络覆盖对于合理分配网络空间资源、更好地完成环境感知信息获取任务以及其他针对特定目的的规划和部署非常重要。因为传感器网络通常工作在复杂的环境中，并且网络中有很多传感器 节点网络，所以大部分都是随机部署的。但这种大规模的随机投放方式很难一次性将大量的传感器 节点投放到合适的位置，极易造成传感器网络覆盖不合理，进而形成感知重叠区和盲区。因此，在传感器 network初期，我们需要采用覆盖增强策略来获得理想的网络覆盖性能。目前，国内外学者已相继开展了覆盖增强问题的研究，并取得了一定的进展。从目前掌握的信息来看，大部分的覆盖研究都是针对传感器网络基于全向感知模型的。即网络中节点的感知范围是以节点为中心，以其感知距离为半径的圆形区域。通常，休眠冗余节点readjust节点用于分配或添加新的-1。定向感知模型也是传感器 network中的典型感知模型。即节点的感知范围是以节点的中心半径为其感知距离的扇形区域。基于有向感知模型的-2节点构成的网络称为有向-2。-2/网络的典型例子。感知模型的差异使得现有的基于全向感知模型的覆盖研究成果无法直接应用于有向传感器网络，急需设计一系列新的方法。在前期工作中，我们率先研究了directed 传感器 network中的覆盖问题，并设计了一个基本的。用于描述视频传感器 节点的方向感知特性，研究有向传感器的覆盖完整性和通信连通性。同时考虑到方向性传感器 节点传感。我们进一步提出了一种基于图论和计算几何的集中式覆盖增强算法。调整方案一旦确定，网络中所有定向传感器 节点将一次性调整感知方向。这样，可以增强网络覆盖性能。然而，由于未能充分考虑定向传感器 节点本地位置和感知方向信息，该算法增强传感器网络覆盖的能力相对有限。本文将基本方向感知模型扩展为方向可调感知模型。本文对有向传感器网络的覆盖增强进行了研究。首先定义了方向可调感知模型，分析了随机部署策略对有向传感器网络覆盖的影响。在此基础上，分析了有向传感器网络的覆盖增强。通过引入质心的概念，将待求解问题转化为均匀质心问题。提出了一种基于虚拟势场的有向网络覆盖增强算法PFCEA。质心在虚力的作用下扩散移动，逐渐消除网络中的感知重叠区和盲区，增强整个网络的覆盖性能。最后，一系列仿真实验验证了PFCEA算法的有效性。1.定向传感器网络覆盖增强的问题本节旨在分析和定义定向传感器网络覆盖增强的问题。在此之前，我们简单介绍一下方向可调传感模型。1.1方向可调传感模型不同于现有的全向传感模型，方向可调传感模型的传感区域受到视角的限制。它不是一个完整的圆形区域。在某一时刻t，指向性传感器 节点具有指向性感知特征；随着其感应方向的不断调整，定向传感器 节点可以覆盖其感应距离内的所有圆形区域。这样，通过简单的几何抽象，就可以得到传感器 节点的方向可调传感模型。r代表节点的最大感知范围，即感知半径；单位矢量=扇形感应区域的中心轴，即节点某时刻t的感应方向；并且分别是单位矢量在X轴和Y轴方向上的投影分量；感应矢量的感应夹角代表边界距离，2代表感应区域的视角，记为FOV。特别地，当=时，传统的全向感知模型是方向可调感知模型的特例。如果点P1被directional传感器节点VI覆盖，则当且仅当满足以下条件时，它被记录为viP1:，其中和之间的夹角的值属于。判断点P1是否被有向传感器 节点覆盖的一个简单方法是:如果是，那么点P1被有向传感器 节点覆盖；否则，覆盖范围不成立。另外，如果区域A被定向感知覆盖节点，当且仅当区域A中的任意一点被定向感知覆盖节点。除非另有说明，以下节点和传感器 节点均满足上述方向可调感知模型。1.2网络覆盖增强问题的分析与定义传感器在研究本文内容之前，我们需要做以下必要的假设:A1。A2。网络中的定向传感器 all 节点一旦部署，其位置是固定的，但其感知方向是可调的；A3。网络中的定向传感器每个节点知道自己的位置和感知方向信息，每个节点可以控制自己的感知方向。假设目标区域的面积为S，随机部署传感器123455。且目标区域中任意两个-2节点不在同一位置。传感器 节点的传感方向也符合世界上的均匀分布模型。不管传感器/1233。由于每个-2节点的监控区域是R2，因此每个-2节点可以监控整个目标区域的概率是R2/s。有n个目标区域-2。当目标区域的网络覆盖至少达到p0时，计算节点的规模的公式为:当网络覆盖分别为p0和p0 p时，需要部署的传感器 节点的数量为ln/，ln)/。其中=lnlnS。因此，从公式中可以得到传感器 节点数差n。当目标面积S 节点感应半径r和感应角度为常数时，为常数。此时，n与p0和P的关系如图2所示。从图中可以看出，当p0不变时，n跟随p，当p不变时，n随着P0的增大而增大，且增大的幅度越来越大。因此，当覆盖范围需要增加p时，应该部署n 节点，p的值每增加1%，n就会增加几十甚至几百)。如果采用某种覆盖增强策略，则不需要部署节点。大大节省了传感器网络部署的成本。设Si代表节点vi覆盖的区域，此时感知向量为。SiSj操作代表节点vi和节点vj覆盖的总区域。由此，有向传感器网络覆盖可以表述为:因此，增强有向传感器网络覆盖的问题可以概括为:问题:求解一组，使初始值接近最大值。图2Therelationamongp0，pandN图2p0，P与N的关系2基于虚拟势场的覆盖增强算法2.1传统虚拟势场法虚拟势场的概念最初应用于机器人的路径规划和避障。Howard等人和Poduri等人先后将这一概念引入到传感器 network的覆盖增强问题中。基本思想是把每一个传感器/ -1/看成一个虚电荷，每一个/ -1/受到其他节点的影响并扩散到目标区域的其他区域，最终达到均衡状态，即实现目标区域的全覆盖状态。邹等人提出了一种虚力算法，initial。以便确保均匀的网络覆盖和最大化的网络覆盖。在实现过程中，传感器 节点不移动，而是计算随机部署的传感器 节点虚拟移动轨迹。一旦然后移动对应的节点。为了优化传感器的网络布局，李等人在文献的基础上提出了一种包含目标的虚拟力算法。通过计算节点与目标热点区域障碍物和其他传感器之间的虚力，为每个节点找到受力平衡点，并将其作为这个传感器 节点的新位置。以上利用虚势场法优化传感器网络覆盖的研究成果都是基于全向感知模型。假设传感器-1。另一种是引力，使传感器 节点保持一定的分布密度。避免节点过于分离形成感知盲区。最后，通过移动基于虚势场传感器定向的节点.2.2的位置，实现传感器的网络覆盖增强。考虑到传感器 network的部署成本，让所有部署的传感器 节点具备移动性是不现实的。另外传感器节点location的移动很容易引起一些/。这样一来，整个传感器网络拓扑发生了变化，无疑增加了网络维护成本。因此，本文的研究工作是基于传感器 节点传感方向可调的假设。上述假设使得直接使用虚势场法解决有向/网络覆盖增强问题变得困难。在传统的虚势场法中，传感器 节点在势场力的作用下平移)，而基于本文的假设，传感器 节点扇形感应区在势场力的作用下以传感器 节点为轴旋转)。为了简化扇形感应区域的旋转模型，我们引入了质心的概念，质心是粒子系统中的一个特定点。它与物体的平衡运动和内力分布密切相关。传感器 节点的位置保持不变，其感应方向的不断调整可近似视为扇形感应区域质心点围绕传感器 节点的圆周运动。如图3所示，均匀扇形感测区域的形心点位于其对称轴上，与圆心的距离为2Rsin/3。每个传感器 节点只有一个质心点与之对应。我们用c表示传感器 节点v对应的质心点，将网络覆盖增强问题转化为传统虚势场法可以解决的质心点均匀分布问题。如图4所示，图3的运动模型/ -2/ 节点图4的运动模型覆盖增强间接传感器网络的描述是有向的传感器网络覆盖增强的描述2.2.1使用虚势场法增强有向的力分析传感器网络覆盖可以近似等价于质心点间虚力的问题。我们假设质心点之间存在斥力，在斥力的作用下，相邻质心点逐渐向外扩散，在减少冗余覆盖的同时，逐步实现整个监控区域的全高效覆盖，最终增强有向传感器网络的覆盖性能。在虚势场的作用下，质心受到一个或多个相邻质心的排斥。形心点上的力的计算方法如下，如图5所示。Dij表示/传感器节点VI-1/VI与vj之间的欧氏距离。只有当dij小于传感器 节点两倍感应半径时，它们的感应区域才有可能重叠，所以它们之间存在排斥力。排斥力作用于传感器 节点对应的质心点ci和cj。定义2。有向传感器网络，欧氏距离不大于节点两倍感知半径节点彼此的邻居节点VI节点set的邻居的对记为I .即I = { KR代表排斥系数；Ij是单位矢量，表示斥力的方向。公式表明，只有当/传感器节点VI-1/VI和vj是邻居节点时，它们对应的质心点ci和cj之间才存在斥力。质心点上的排斥力与ci和cj之间的欧几里德距离成反比。质心点的斥力方向由ci和cj的相互位置关系决定。质心点ci的合力是相邻k个质心点排斥力的矢量和。公式描述了质心点ci的合力模型。通过图6所示的例子，我们分析质心点的受力情况。该数字包括V2 V1。其对应的质心点分别为c1、c2、c3、c4。以质心点c1为例，由于d122R的作用，质心点c1只受到质心点c3和c4的排斥，其合力。传感器 节点传感方向旋转引起的质心点的运动轨迹不是任意的。而是围绕传感器 节点做圆周运动。所以质心点的运动只受合力沿圆周的切向分量的影响。图6图6中质心点的受力2.2.2控制规则本文基于一个虚拟物理世界来研究质心点的运动。力的质心都是虚的。虚拟物理世界的构建是基于解决问题的特性。这里我们定义控制规则，即规定力与质心运动的关系，从而达到质心的均匀分布。质心在作用下运动，受到运动学和动力学的双重约束。具体表现如下:在传感器 network的情况下，运动学约束是用虚势场法移动的，因为传感器 节点在任何方向上移动的概率都是相同的。质心点的运动不是任意的，由于合力切向分量的影响，只能绕其做圆周运动传感器 节点。质心点上的虚力在运动过程中是变化的，但是对于传感器网络系统来说，一直交换邻居传感器 节点的位置和感知方向信息是不现实的。所以我们设置邻居节点每隔一个时间步t交换位置和感知方向信息，根据交换的信息计算当前时间步的质心。解决问题的目的是将节点的感应方向调整到合适的位置。在这里，我们不考虑速度和加速度与旋转弧长度的关系。动态约束动态约束研究力和运动之间的关系。该运动模型中的动力学约束主要包括两个方面:质心上的合力与每个时间步长t内的旋转方向和弧长的关系；质心运动的静态条件。在移动传感器 节点的情况下通过使用传统的传感器网络中的虚势场方法，在每个时间步中，传感器 节点而不是无休止地增加力与传感器节点，微调的快速收敛在这个旋转模型中，我们还假设质心点每次旋转一个小的旋转角度，通过多次微调的方法逐步逼近最优解，即在每个时间步长t内，质心点的旋转方向沿合力合成在圆周切线方向。旋转大小不是任意的，而是具有固定的旋转角度。采用上述方法有两个原因:运动过程中，质心受力不断变化，变化规律很难用简单的函数表示。另外，由于上述运动学约束和问题特性，我们很难找到一个简洁合理的质心上的合力与旋转弧长的关系。运动过程中，质心以固定角度旋转，有利于简化计算过程。减少节点的计算负担。同时，通过分析仿真实验数据，发现该方法具有理想的收敛性。固定旋转角的不同取值对PFCEA算法的性能影响很大，将在3.3节详细分析和说明。当合力在质心点上沿圆周切线方向的分量为零时，达到理想位置，停止转动，如图7所示。我们假设质心点在圆周上O点的合力的切向分量为0。因为质心点以固定的旋转角度旋转，所以它可能不只是旋转到O点。当形心点在圆弧或图7中时，合力的切向分量不为0，会造成形心点绕O点来回振动。所以为了避免震动，加速质心点达到稳定状态。我们需要进一步定义质心点的停止条件。质心点绕O点振动时，合力的切向分量很小。所以我们设置应力阈值，当，可以断定质心点已经达到稳定状态，不需要再移动了。几个时间步长t后，当网络中所有质心点达到稳定状态时，整个传感器网络达到稳定状态，此时对应的。这组解通常是本文中覆盖增强的最优解。2.3算法描述基于以上分析，本文提出了一种基于虚拟势场的网络覆盖增强算法，该算法是一种分布式算法，在每个传感器 节点上并发执行。PFCEA算法描述如下:输入:节点。//初始化时间步长计数器2。计算节点vi对应质心点ci的初始位置；3.计算节点vi邻居节点集合I，其中m代表邻居节点集合中元素的个数；4.while 4.1 TT 1；4.2;4.3For4.3.1计算质心点cj对ci的电流斥力，其中vji4.3.2;4.4计算当前沿圆周施加在质心点ci上合力的切向分量；4.5确定质心点ci运动方向；4.6IfThen4.6.1形心点ci沿方向旋转固定角度；4.6.2将质心点ci调整到新位置；4.6.3计算节点vj指向当前质心点的ci向量并将其单位化，得到节点vi的最终感知方向信息；4.7睡眠；5.End.3算法仿真和性能分析我们利用VC6.0开发了适用于传感器网络部署和覆盖研究的仿真软件Senetest2.0，并利用该软件进行了大量的仿真实验，验证了PFCEA算法的有效性。实验中的参数值见表1。为简化实验，假设目标区域内所有传感器 节点同构，即所有节点的感应半径和感应角度规格相同。表1实验参数表1实验参数参数参数参数参数参数参数参数参数参数参数500，500m2面积覆盖率P01 sensor number 0250 SensingRadiusRS 0100 msensingoff。Etangel0903.1案例分析在本节中，我们通过一个具体的例子来说明PFCEA算法可以增强有向传感器网络的覆盖。在500500m2的目标区域，部署-2节点，感知半径R=60m，感知角度= 45°完成场景监控。如果预期网络覆盖率为70%，我们可以通过公式提前估算传感器-1。我们记录了当PFCEA算法在不同的时间步长下运行时，定向传感器网络覆盖的增强，如图8所示。Initialcoverage，p0=65.74%初始覆盖率，P0 = 65.74%第10个时间步长，P10 = 76.03%第10个时间步长，P10 = 76.03%第20个时间步长，P20 = 80.20%第20个时间步长，P20 = 80.20%第30个时间步长，P30 = 81.45%第30个时间步长，P30 = 81.45%图8使用PFCEA算法增强覆盖率图8 PFC CEA算法在这种情况下，Network传感器节点经过30个时间步长的调整，网络覆盖率从最初的65.74%提高到81.45%，网络覆盖率提高了15.71个百分点。图9显示了时间步长调整带来的网络覆盖增强。我们发现网络覆盖随着时间步长的增加而增加。并且近似满足指数关系。当时间步长达到30次时，网络中节点的大部分感知方向发生振动，直观的表现为网络覆盖率在81.20%左右的允许范围内振荡。此时，我们认为定向传感器网络覆盖性能大致增强到最佳。网络覆盖性能可以显著降低网络部署成本。比如通过节点感知方向的自调整，当只部署了105-2节点时，最终，网络覆盖率为81.45%。如果预期网络覆盖率为81.45%，我们至少需要部署148-2节点。由此可见，使用PFCEA算法增强网络覆盖的直接效果是节省近43-2。网络部署的成本大大降低。3.2收敛性分析为了讨论本文算法的收敛性，我们在四个不同的网络节点 scale上进行了多次实验。我们为每个网络节点 scale随机生成10个拓扑，分别计算算法的收敛时间，取平均值。实验数据见表2。其他实验参数为r = 60m。= 5.表2收敛性分析的实验数据表2实验数据的收敛性分析15041.2852..7464 . .7673..5878 . 0227通过对上述实验数据的分析，我们可以得出结论，PFCEA算法的收敛性，也就是调整的次数，并没有随着传感器network/1212的变化而发生显著的变化可以看出，本文的PFCEA算法具有良好的收敛性。有向网络的覆盖增强过程可以在短时间步长内完成。3.3仿真分析在本节中，我们通过一系列仿真实验来说明本文中四个主要参数对PFCEA算法性能的影响。分别是:节点 scale n感应半径r感应角度和旋转角度。对于前三个参数，我们分析并比较了过去研究的集中式覆盖增强算法的性能。A. 节点 Scale n我们取不同尺度的感知半径R和感知角度进行仿真实验。从图10的曲线可以看出，当R的和一定时，N的值越小，导致网络的初始覆盖范围越小。此时，随着N的增加，p的值呈持续上升趋势。当N=200时，网络覆盖可提高14.40个百分点。之后，p值有所下降。这是因为当网络的初始覆盖由于节点 scale的增加而较高时，有很多相邻的-2节点。无疑，PFCEA算法的性能被削弱。此外，部分传感器 节点落入边界区域，会间接削弱PFCEA算法的性能。此外，感知半径的感知角度对PFCEA算法的性能也有类似的影响。当节点具有一定规模时，节点的感知半径或感知角度越小，单个节点的覆盖区域越小，相邻节点之间形成感知重叠区域的可能性越小。此时，PFCEA算法对网络覆盖性能的提升并不显著。随着感应半径或感应角度的增大，P不断增大。最大网络覆盖率可提高15.91%。但是，随着感知半径或感知角度的增加，PFCEA算法带来的网络覆盖效果会降低，如图10所示。感应偏斜角的效果，其他参数满足TN = 100，r = 40m，=5，其他实验参数满足以下要求:N = 100，R=40m，= 5。
