我们用C来表示传感器nodeV对应的质心点，本文将针对传感器,第三章是无线传感器网络的应用技术，包括传感器node的硬件平台编程语言，nesC操作系统,节点部署是无线传感器网络的基础，对网络的运行和使用寿命影响很大,最终实现方向性传感器网络覆盖增强,无线传感器网络，不同于有线数据传输无线传输组网方式。
无线传感器网络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。节点部署是无线传感器网络的基础，对网络的运行和使用寿命影响很大。部署问题涉及覆盖连接和节省能耗。本文重点介绍了网络 deployment的覆盖范围，总结了已有的研究成果，归纳了未来的研究热点方向，为以后的研究奠定了基础。有向传感器-3/基于虚势场的覆盖增强算法摘要:首先基于视频传感器节点的方向感知特性，设计了方向可调的感知模型，并在此基础上分析了有向传感器。其次，提出了一种基于虚拟势场的有向传感器 网络覆盖增强算法。通过引入质心的概念，将有向传感器 网络覆盖增强问题转化为质心均匀分布问题。质心在传感方向上循环移动，而不是节点旋转。质心在虚力的作用下扩散移动，消除了网络中的重叠区域和盲区，从而增强了传感器 网络的全向覆盖。一系列模拟实验。定向感知模型；虚拟势场；覆盖率增强中国图书馆分类号:TP393文献识别码:A覆盖率是传感器 网络中的一个基本问题。反映-2 网络提供的感知服务质量。优化传感器 网络，以覆盖合理分配的空间资源，更好地完成获取环境感知信息的任务和传感器 网络，初始部署有两种策略:一种是大规模随机部署；另一种是针对特定目的进行规划和部署。因为传感器 网络通常工作在复杂的环境中，而网络China传感器节点较多，大部分是随机部署的。但是，这种大规模随机投放方式很难一次将大量的传感器节点投放到合适的位置，非常容易造成传感器 网络的不合理覆盖，从而形成感知重叠区和盲区。因此，在传感器/中，我们需要采用覆盖增强策略来获得网络的理想覆盖性能。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。从现有数据来看，大部分覆盖问题都是基于全向感知模型传感器 网络。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。通常使用休眠冗余节点来重新调整节点分布或添加新节点，以实现传感器-3/覆盖增强。实际上，定向知觉模型也是传感器 网络中的一种典型知觉模型。即节点的感知范围是以节点半径为感知距离的扇形区域。基于方向感知模型的传感器节点称为有向传感器网络。视频。一个典型的模型-2网络/感知模型的差异导致现有的基于全向感知模型的覆盖研究成果不能直接应用于定向传感器 网络，迫切需要设计一系列新的。我们在directed传感器网络中率先研究了覆盖问题，设计了一个基本的有向感知模型来描述视频传感器节点的方向感知特性，并研究了directed传感器。考虑到有向传感器节点的感知方向经常可调，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。一旦确定调整方案，所有定向传感器-3/中的节点都可以一次性调整感知方向。这样就增强了网络的覆盖性能。但是，由于没有充分考虑节点的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。本文对定向传感器 网络的覆盖增强进行了研究。首先定义了方向性可调的感知模型，分析了随机部署策略对方向性传感器 网络覆盖范围的影响。在此基础上，分析了方向性传感器 网络覆盖增强的问题。通过引入质心的概念，将待解决的问题转化为质心均匀分布的问题，提出了基于虚势场的有向传感器 网络覆盖增强算法PFCEA。逐步消除网络中的感知重叠区域和盲区，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-3/覆盖增强问题本节旨在分析和定义定向传感器-3/覆盖增强问题。在此之前，我们简单介绍一下方向可调的传感模型。1.1方向可调传感模型不同于现有的全向传感模型，由于视角的限制，方向可调传感模型的传感区域不是一个完整的圆形区域。在某一时刻t，定向传感器节点具有定向感知特性；通过不断调整其感应方向，定向传感器节点能够覆盖其感应距离内的所有圆形区域。因此，通过简单的几何抽象，我们可以得到定向传感器 node的定向可调感知模型，如图1所示。定义1。方向可调感测模型可以由四个P、R和来表示。r代表节点的最大感知范围，即感知半径；单位矢量=扇形感知区域的中心轴，即某时刻t节点的感知方向；并且分别是单位矢量在X轴和Y轴方向上的投影分量；代表边界距离的感应矢量的感应夹角，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被有向/节点vi覆盖，当且仅当满足以下条件时，它被记录为viP1:，其中表示从点P1到节点的欧几里德距离；和之间的夹角值属于。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。此外，如果区域A被定向传感器节点覆盖，当且仅当区域A中的任意点被定向传感器节点覆盖。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覆盖增强问题的分析与定义网络在研究本文内容之前，我们需要做以下必要的假设:A1。定向传感器。A2。有向传感器 网络中的所有节点一旦部署，其位置是固定的，但其感知方向是可调的；A3。有向传感器 网络中的每个节点都知道自己的位置和感知方向信息，每个节点都可以控制自己的感知方向。假设目标区域的面积为s，随机部署的传感器节点位置满足均匀分布模型。并且目标区域中任意两个传感器节点不在同一位置。传感器 nodes的感知方向也满足世界上的均匀分布模型。在不考虑传感器节点可能落入边界区域的情况下，有效覆盖区域减小，因为每个传感器节点那么每个传感器节点能够监测到整个目标区域的概率为R2/秒，目标区域被n 传感器节点覆盖的初始概率p0的计算公式由公式可知。当网络在目标区域的覆盖率至少达到p0时，计算待部署节点大小的公式为:当网络的覆盖率分别为p0和p0 p时，待部署节点数为ln/，ln)/，其中= =lnlnS。因此，从公式中可以得到传感器节点数的差值n。当p不变时，n随着p0的增加而增加，且增加的幅度越来越大。因此，当覆盖范围需要增加P时，需要部署N个节点，P的值每增加1%，N就会增加几十甚至上百。)如果采用一定的覆盖增强策略，在不部署更多节点的情况下，网络的覆盖率可以达到p0 p。大大节省了传感器 网络的部署成本。让Si表示当感测向量为0时由节点vi覆盖的区域。操作SiSj表示由节点vi和节点vj覆盖的总区域。这样，当网络中节点的感知向量为0时，有向传感器-3/覆盖率可表示为:因此，有向传感器-3/覆盖率增强问题可概括为:问题:求解一组使初始值接近最大值。图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 网络的覆盖增强问题中。基本思想是把网络Each传感器node看成一个虚电荷，每个节点受其他节点的虚力影响，扩散到目标区域的其他区域，最终达到一个平衡状态，即实现目标区域的全覆盖状态。邹等人提出了虚拟力算法，在初始节点随机部署后，自动提高网络的覆盖性能。网络的覆盖范围是均匀的，网络的覆盖范围是最大化的。执行过程中传感器节点不移动，但是会计算随机部署的传感器节点的虚拟移动轨迹。曾经为解决传感器 网络的布局优化，李等人在文献的基础上提出了一种涉及目标的虚拟力算法，通过计算目标热点区域和其他传感器中节点与障碍物之间的虚拟力，为每个节点找到力平衡点。并将其作为传感器节点的新位置。以上利用虚势场法优化传感器网络coverage的研究成果都是基于全向感知模型。假设传感器 nodes之间有两个虚力:一个是斥力。另一个是引力，使传感器 nodes的分布密度保持在一定水平。避免节点分离过多形成感知盲区。最后用传感器节点位置移动实现传感器-3/覆盖增强。2.2基于虚势场定向传感器-3/。考虑到传感器 网络的部署成本，让所有部署的传感器节点都具备移动性是不现实的。另外传感器节点位置的移动容易引起传感器的部分。进而整个传感器 网络的拓扑结构发生了变化。这些无疑会增加网络的维护成本。因此，本文的研究工作是建立在传感器节点位置不变，感知方向可以调整的假设基础上的。上述假设使得直接使用虚势场法解决有向传感器 网络覆盖增强问题变得困难。在传统的虚势场法中，传感器 node处于势中。基于文中的假设，传感器 node显示其扇形感应区在势场力的作用下以传感器 node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，其感知方向的不断调整可近似视为扇形感知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来表示传感器 node V对应的质心点，本文将针对传感器。覆盖增强问题转化为质心点的均匀分布问题，可以用传统的虚拟势场法求解。如图4所示。图3传感器节点的移动模型图3 传感器节点的运动模型图4覆盖增强的描述间接传感器网络图4有向传感器/ -3/覆盖增强问题的描述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我们假设质心点之间存在斥力，在斥力的作用下，相邻质心逐渐实现对整个监测区域的全高效覆盖，最终增强传感器 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和vj之间的欧几里德距离。只有当dij小于传感器 node的感应半径的两倍时，它们的感应区域才有可能重叠，所以它们之间存在排斥力。排斥力作用在传感器 node的相应质心点ci和cj上。定义2。在有向传感器 网络中，欧氏距离不大于该节点感知半径两倍的一对节点是彼此的邻居。节点vi的邻居节点集表示为I，即I = {vj |。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和vj相邻时，其对应的质心点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。质心点的排斥力方向由ci和cj之间的相互位置关系决定。质心点ci的合力是相邻k个质心点的排斥力的矢量和。该公式描述了质心点ci的合力模型。我们通过实例分析质心点的受力情况如图6所示，其中包括V1和V2四个节点。其对应的质心点分别为c1、c2、c3、c4。以质心点c1为例，因为d122R，质心点c1只受到质心点c3和c4的排斥，以及其合力。传感器 node感知方向旋转导致质心点的轨迹不是任意的，而是围绕传感器 node循环运动。质心的运动只受合力沿圆周的切向分量的影响。图6质心上的力2.2.2控制规则本文基于一个虚拟的物理世界来研究质心的运动，其中力的质心是虚拟的。虚拟物理世界的构建是基于解决问题的特性。在这里，我们定义控制规则。即指定力与质心点运动的关系，从而达到质心点的均匀分布。作用下质心点的移动受到运动学和动力学的双重约束，具体如下:在传统的传感器 网络中用虚势场法移动运动学约束的情况下，由于传感器 node向任意方向移动的概率相同，所以我们大多忽略其运动学约束。但在旋转模型中，质心点的运动不是任何方向的，由于合力切向分量的影响，只能绕其传感器 node运动。质心点上的虚拟力在移动过程中会发生变化。但是对于传感器 网络系统来说，一直交换邻居节点的位置和感知方向信息是不现实的。因此，我们设置每一个时间步T相邻节点之间要交换的位置和感知方向信息，根据交换的信息计算当前时间步质心点上的合力，得到如下结果。解决问题的目的是将节点的感知方向调整到合适的位置。这里不考虑速度和加速度与旋转弧长的关系。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:质心点上的合力、旋转方向和每个时间步长t内弧长的关系；质心运动的静态条件。在传统的网络中使用虚势场法移动传感器节点的情况下，每个时间步中传感器节点的运动速度受到最大运动速度vmax的限制。而不是随着传感器 node应力无休止地增加，保证了微调方法的快速收敛。在这个旋转模型中，我们还假设质心点每次都以很小的旋转角度旋转，通过多次微调的方法逐渐逼近最优解，即在每个时间步长t内，质心点的旋转方向是沿合力的圆周切线方向的分量，旋转大小不是任意的。但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来表达。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，通过对仿真实验数据的分析，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运动的停止条件。当质心绕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，可以断定质心已经达到稳定状态，不需要再移动。经过若干个时间步长t，当网络中的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，此时对应的一组解通常就是本文覆盖增强的较优解。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覆盖增强算法，这是一种分布式算法。在每个传感器节点上，PFCEA算法描述如下:输入:节点vi及其邻居的位置和感知方向信息；输出:节点VI.1.t0的最终感知方向信息；//初始化时间步长计数器2。计算节点vi的对应质心点ci的初始位置；3 .计算节点vi邻居节点集合I，m表示邻居节点集合中的元素个数；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开发了一个适用于传感器 网络部署和覆盖研究的仿真软件Senetest2.0，并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。假设目标区域内的所有传感器节点同构，即所有节点的感知半径和感知角度规格相同。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面积500，500m2面积覆盖率P01 sensornumbern 0250 SensingRadiusRS 0100 msensin。GoffsetAngel 0903.1实例Research本节我们用一个具体的实例来说明PFCEA算法增强了传感器 网络的覆盖范围。在500500m2的目标区域，部署传感器节点，感知半径R=60m，感知角度= 45°，完成场景监控。如果期望的网络覆盖率p=70%，我们可以通过公式估算出要提前部署的传感器节点的数量。我们记录了PFCEA算法在不同时间步长运行时，directed传感器网络的覆盖增强情况，如图8所示。初始覆盖率，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覆盖增强使用PFCEAAlgorithm图8PFCEA算法直观地实现覆盖增强，质心点在虚拟斥力的作用下扩散，逐渐消除网络中的感知重叠区和盲区。最终实现方向性传感器 网络覆盖增强。本例中，网络 传感器节点以30个时间步长进行调整，网络的覆盖范围由最初的65。网络覆盖率提升达到15.71个百分点。图9展示了一步步调整时间所带来的网络的覆盖增强。我们发现，随着时间步长的增加，网络的覆盖率也在不断增加，近似满足指数关系。时间步长达到30次后网络中大部分节点的感知方向发生振动，直观表现为网络覆盖率在81.20%左右的允许范围内振荡。此时，我们得出结论，定向传感器-3/覆盖性能近似增强到最佳。网络覆盖性能可能会显著降低网络部署成本。实例通过节点感知方向的自我调整，最终，网络的覆盖率为81.45%。如果网络的预期覆盖率为81.45%，那么通过公式的计算，我们至少需要部署148个传感器节点。利用PFCEA算法实现网络覆盖增强的直接效果是可以节省近43 传感器节点，大大降低了网络3.2的部署成本收敛分析为了讨论该算法的收敛性，我们在四种不同的网络节点规模上进行了多次实验。我们为每个网络节点规模随机生成10个拓扑，分别计算算法的收敛时间，并取平均值。实验数据如表2所示。其他实验参数为R=60m，=45。= 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，也就是调整次数，并没有随着传感器的变化而发生显著变化可以看出，本文的PFCEA算法具有良好的收敛性。定向传感器 网络的覆盖增强过程可以在较短的时间步长内完成。3.3仿真分析在这一部分，我们通过一系列的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:节点大小n、感知半径r、感知角度和旋转角度。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 .节点尺寸n、传感半径r和传感角度。我们采用不同的节点大小进行仿真实验。从图10中的变化曲线可以看出，当r的和一定时，n的值越小，导致网络的初始覆盖率越小。此时，随着n的增加，p的值呈持续上升趋势。当N=200时，网络的覆盖率可提高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因节点大小n的增大而较高时，在传感器的相邻节点之间形成覆盖盲区的概率大大降低，这无疑削弱了PFCEA算法的性能。部分传感器节点落入边界区域，会间接削弱PFCEA算法的性能。另外，感知半径和感知角度对PFCEA算法性能的影响是相似的。当节点大小固定时，传感器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算法对网络的覆盖并没有显著的改善。随着感应半径或感应角度的增大，P不断增大。当R=70m且=45时，网络的覆盖率最高可提高15.91%。但随着感知半径或感知角度的增大，PFCEA算法带来的/。如图10，感应偏斜角的效果，其他参数= 100，r = 40m，= 5。其他实验参数满足以下要求:N=100，R=40m，=5。
