一种基于遗传算法的三维静态无线传感网络部署方法与流程

一种基于遗传算法的三维静态无线传感网络部署方法，用于对大面积范围内三维静态无线传感器网络拓扑进行建模，属于无线传感网络部署
技术领域：
。
背景技术：
：面向无线传感器网络三维空间覆盖与部署的前瞻性论著包括wangyun教授提出的关于三维空间中均匀部署的无线传感器网络覆盖率的研究[4]，台湾交通大学黄奇辅等2004年发表的多项式时间算法[5]和法国巴黎第13大学的ravelomanana同年提出的exchangeid和assigncode协议[6]，但[5][6]假设监测事件在三维空间均匀分布且节点静止。2006年美国康奈尔大学的alam等提出了采用vorinoi多边形图的三维空间节点部署策略，既保证100％空间覆盖又使节点数最小，且该策略可同时适用于节定静止和移动的情况[7]，但此策略假设所有节点的监测范围是一样的。(1)基于虚拟力的移动无线传感器网络二位平面部署最初由美国南加州大学howard等提出了基于势场的节点移动扩散法[1]，是一种移动无线传感器网络的增量部署算法。其主要思想是将节点一个一个的部署到一个未知的区域中，然后每个节点利用之前部署的节点收集的信息来确定其部署位置。该算法的设计目的是最大化网络的覆盖率，同时确保节点保持与另一个节点的视线关系。该算法由虚拟力量(vf)算法支持，然而，在vf算法中，静止无线传感器节点所产生的虚拟力会阻碍移动无线传感器节点的移动。粒子群优化(pso)作为另一种动态部署算法被引入，但在这种情况下，所需的计算时间是最大的瓶颈。清华大学王雪[3]等2007年提出了一种动态部署算法命名为“协同进化粒子群优化虚拟力导向”(vfcpso),因为该算法结合了协同进化粒子群优化(复)vf算法,即复使用多个群优化解向量的不同组件协同动态部署和更新每个粒子的速度不仅历史局部和全局最优解,而且虚拟无线传感器节点的力量。仿真结果表明，所提出的vfcpso能够有效地实现wsns的动态部署，并且在计算时间和有效性方面比vf、pso和vfpso算法具有更好的性能。这些研究为无线传感器网络的部署问题提供了很多可参考的思路，但这些仅针对二维空间，在实际运用时大多考虑的是三维空间，因此其实用价值还待发掘。(2)多项式时间算法在黄奇辅教授的关于多项式时间算法的文章中[5]，制定无线传感器网络部署问题作为一个决策问题,其目标是确定每一个点在服务区域的无线传感器网络覆盖至少α无线传感器、α是一个给定的参数和无线传感器的传感区域建模的球(不一定是相同的半径)。这个问题在2d空间已推出了一个有效的多项式时间算法[8]。黄奇辅教授在研究中证明了在一个三维空间中解决这个问题在多项式时间内仍然是可行的。并提出了一个方案可以很容易地将无线传感器网络部署问题转化为一种有效的多项式时间分配协议。该方案可用于在三维空间中部署无线传感器，并减少无线传感器的使用时间，延长网络寿命。(3)exchangeid和assigncode协议ravelomanana教授的文章的目的是研究随机性在无线传感器网络中的作用，以及对这些网络的适当协议的设计和分析。在一些典型的随机无线传感器网络行为的基础上，提出了两种分布式机制。第一个问题涉及到将节点的标识符分发给它们的邻居，而第二个协议解决了代码分配问题。有了高概率，两种协议都可以在多对数的时间槽中实现它们的任务。(4)vorinoi多边形图的三维空间节点部署策略2006年美国康奈尔大学的alam等提出了采用vorinoi多边形图的三维空间节点部署策略，证明了三维空间中被截断的八面体镶嵌是最合理的解决这个问题的方法。文中定义了一个称为体积商的度量，它是空间填充多面体质量的度量。该文证明了被截断的八面体结果是最佳选择，体积商为0.68329，比所有其他可能选择的体积系数都好得多(分别为优化的六边形棱镜和菱形十二面体，其体积系数为0.477，而立方体只有0.36755)。大3d空间覆盖所需的节点数量取决于由这些节点所创建的空间的voronoitessel消融所创建的单元的形状。如果每个单元格的形状是一个具有更高容量商的空间填充多面体，那么节点数就更小。例如，菱形十二面体或六边形棱镜布置的节点数需要比被截断的八面体放置多出43.25％的节点。在找到最佳放置策略之后，检查了连接性问题，发现最佳放置策略(截尾八面体)要求传输范围至少为1.7889倍，以保持完全的连接。该文为三维空间中无线传感器的一种部署思路，但其仅针对无线传感器在空间中均匀分布，且无线传感器规格一致的问题，在实际应用中还存在很大的局限性。以上列举了一些国内外对无线传感器网络部署问题的研究，当多数研究都是基于理论的研究，很少结合实际应用，考虑如何解决一个具体的无线传感器网络部署问题。一个更全面，同时考虑覆盖率，连通性，能耗，成本等因素的无线传感器网络部署问题的解决方案是今后发展的目标。技术实现要素：本发明的目的在于：解决现有技术中的无线传感器网络部署，覆盖率、连通性差，受地形不规则的限制，能耗、成本高的问题，提供了一种基于遗传算法的三维静态无线传感网络部署方法。本发明采用的技术方案如下：一种基于遗传算法的三维静态无线传感网络部署方法，其特征在于：如下步骤；(1)将目标区域的三维空间划分为若干个区域；(2)对每个区域使用遗传算法进行三维静态无线传感器网络的拓扑部署，拓扑部署中的无线传感器节点之间彼此连通，得到区域连通；(3)生成每个区域连通的最小生成树找到最优基站位置；(4)利用所有区域的最优基站位置之间的相互连通，完成森林三维空间的无线传感器的100％连通。进一步，所述步骤(2)的具体步骤为：(21)随机产生n个投放m个无线传感器的区域作为初代样本；(22)通过自然选择函数在初代样本中挑选最优样本；(23)以初代样本得到亲代样本，通过遗传与变异产生新的n个投放m个无线传感器的区域样本，即下一代样本；(24)在下一代样本中加入初代样本中的最优样本选出下一代最优样本；(25)判断下一代最优样本是否满足要求，如果满足，则输出最优样本,转到步骤(26)，如果不满足，转到步骤(23)进行下一代样本迭代；(26)判断最优样本是否连通，如果不连通，增加额外无线传感器数目△i作为衡量连通性的指标，得到增加的无线传感器节点个数，得到无线传感器都能相互连通的区域连通。进一步，所述步骤(22)中，自然选择函数的具体公式如下：f1＝vcover/v，△i＝∑j△ij，式中，rs为无线传感器检测球体的半径，b、c表示覆盖性和连通性的权重值，vcover为总的空间范围，即每个无线传感器覆盖范围的并集，vi为单个无线传感器可覆盖到的检测范围，[]表示向下取整，rc为无线传感器的连通半径，△i为网络连通需增加的无线传感器数量，即该网络最小生成树的节点数与现有无线传感器数的差值，l为大于连通半径的路径的长度为，j表示最小生成树中连线个数，v是网格点点数，当画网格画的很细时，用被覆盖点数除以总点数表示覆盖率，v的计算是利用了微元的思想，将区域用密集的网格划分，网格节点即为监测点。进一步，所述步骤(23)的具体步骤如下：(231)从初代样本中选择一个最差样本后，用最优样本替换最差样本，用一个最优样本和其它样本两两配对作为亲代样本，从亲代样本中分别随机选取一半的无线传感器进行位置互换，生成中间代样本；(232)对中间代样本区域画细密的网格，遍历所有网格节点；(233)记录中间样本中有且仅有一个无线传感器覆盖的网格节点集合a和该网格节点对应的无线传感器节点集合b，统计b中的无线传感器对网络一次覆盖的贡献，并对每个无线传感器进行投票，票数值最小的，即为出现次数最少的无线传感器，即为冗余节点，将其删除，删除一个冗余无线传感器就增加一个无线传感器；(234)记录中间代样本中没有被任何无线传感器覆盖的网格节点集合c，枚举将新增无线传感器放置在c中任意位置覆盖网格节点的个数，找到最大化的网格节点位置，即为新增无线传感器的位置，在此位置新增无线传感器后，生成下一代样本。进一步，所述步骤(3)的具体步骤如下：(31)利用kruscal算法找到无线传感器网络的最小生成树；(32)找到最小生成树的叶子结点作为最外圈，并标记叶子结点；(33)从最小生成树中将标记的叶子节点和边去掉，修改生成新的最小生成树；(34)再从新的最小生成树中找到叶子结点，作为次外圈；(35)重复步骤(32)-步骤(34)，直至最小生成树节点数为0，即找到基站位置，或遍历后发现有一条线段和它的两个端点，就在线段上任取一点作为基站位置。综上所述，由于采用了上述技术方案，本发明的有益效果是：一、本发明考虑了实际情况中无线传感器异构，地形、障碍物、森林体积不规则、树木密度不均匀等多方因素的影响，结合遗传算法准确地用遗传算法对三维无线静态无线传感器网络进行建模，具有较高实用价值；二、遗传算法设计中，利用离散投点的方式统计三维区域无线传感器覆盖率；枚举空白区域内增加节点的效果，对无线传感器局部拓扑进行变异调整，有效加速收敛；三、从叶子结点向最小生成树内部进行遍历的算法，保证三维区域的网络跳数最小，找到最优基站位置，使得网络能耗最低。四、结合5g研究中高密度的小基站的概念，对森林三维空间的无线传感器网络进行分层设计，利用小基站之间的相互连通，实现无线传感器之间100％连通，为5g相关技术的研究提供技术支持。五、考虑无线传感器数量、能耗、森林地形与障碍物等多方因素对网络拓扑综合影响,与现有技术相比，本发明限制条件不多，如传感半径不受限制，覆盖率、连通率比例不受限制。附图说明图1为本发明中森林内无线传感器及基站示意图；图2为发明中遗传算法进行三维静态无线传感器网络的拓扑部署的流程图；图3为本发明中随机生成的初代样本的示意图，每个点代表一个传感器；图4为本发明中随机生成的初代样的示意图；每个球代表传感器覆盖区域，覆盖率：70.2％连通性：△i＝2；图5为本发明中第8次迭代后最优样本无线传感器分布示意图；图6为本发明中第8次迭代后传感器覆盖区域示意图，覆盖率：81.88％连通性：△i＝1；图7为本发明中第10次迭代后最优样本无线传感器分布示意图；图8为本发明中第10次迭代后的最优样本覆盖区示意图，覆盖率：87.71％连通性：△i＝0，无需修复；图9为本发明中10次迭代后最优样本的最小生成树示意图；图10为本发明中基站位置示意图；图11为本发明中初代样本覆盖率71.39％,△i＝2示意图；图12为本发明中优化样本覆盖率92.56％,△i＝0示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。由于森林的覆盖面积十分广阔，因此我们将森林进行区域分割，把每个区域进行遗传算法，遗传算法后生成最小生成树找到最优基站位置，用基站连通起来将会使我们的研究复杂程度降低，同时达到较好的森林监测目的。(1)根据森林的地理环境，如障碍物、树木密度、地形等因素将目标森林区域的三维空间划分为若干个区域，如图1所示；(2)对于每一个区域使用遗传算法进行三维静态无线传感器网络的拓扑部署，调整无线传感器数量，使得本区域网络覆盖率接近90％，无线传感器节点之间彼此都可以连通；如图2所示，具体步骤为：(21)随机产生n个投放m个无线传感器的区域作为初代样本；(22)通过自然选择函数在初代样本中挑选最优样本；自然选择函数的具体公式如下：覆盖性：本次研究中，我们取无线传感器为boolean模型，即无线传感器检测范围为半径为rs的球体。则单个无线传感器可覆盖到的检测范围为定义总的无线传感器的覆盖范围为即每个无线传感器覆盖范围的并集。v是网格点点数，当画网格画的很细时，用被覆盖点数除以总点数表示覆盖率，v的计算是利用了微元的思想，将区域用密集的网格划分，网格节点即为监测点。则定义无线传感器的网络的覆盖率f1＝vcover/v。即为了简化不规则体积地计算，在实际仿真时，创新地对某一区域画细密的网格，并保证网格宽度远远小于无线传感器检测半径。计算区域内所有网格点是否被无线传感器覆盖，若不管被覆盖多少次也只记为被覆盖，因此，覆盖率可用被覆盖的网格节点与区域内所有网格节点的比值表征。连通性：我们设无线传感器的连通半径为rc，即无线传感器可与到它的距离小于等于rc的其他无线传感器连通。因为我们要保证在给定范围内所有的无线传感器都能相互连通，所以我们用能使网络实现相互连通所需增加的额外无线传感器数目△i作为衡量连通性的指标。具体计算△i的做法为：找到现有节点能构成的最小生成树，找到最小生成树中大于连通半径的路径。假设大于连通半径的路径的长度为l，则这条路径上需要增加的节点个数为所以△i＝∑j△ij，[]表示向下取整，j表示最小生成树中连线个数。我们先假设森林内的树木均匀分布，以下讨论在一小片正方体微元(微元就是指无线传感器分布的小体积块)森林区域内的无线传感器部署问题。假设该片森林区域为一个体积为v(a*a*a)的立方体，在该片区域中的无线传感器数量m是定值，此处m值的确定与森林内树木的密度有关。在密集的森林内可部署较多的无线传感器，稀疏的森林则部署更少的无线传感器，这样可以达到节约资源的目的。我们采用前面提到的遗传算法来解决这30个无线传感器在立方体微元森林区域中的分布问题。我们首先得到21个在可投放无线传感器区域随机投放m个无线传感器的样本。然后构造一个自然选择函数。此函数应既包括覆盖信息也包括连通信息。这里我们构造的函数为b、c表示覆盖性和连通性的权重值，△i为使得网络连通仍需增加的无线传感器数量，即该网络最小生成树的节点数与现有无线传感器数的差值。为使连通性和覆盖性均能较好的体现，我们取(23)以初代样本得到亲代样本，通过遗传与变异产生新的n个投放m个无线传感器的区域样本，即下一代样本；通过自然选择函数，我们从21个样本中选出一个最优样本fmax，一个最差样本fmin。然后用最优样本替换最差样本(为增加收敛速度)后，选择一个最优样本和18个一般样本组成的20个样本两两配对作为亲代样本，从亲代样本中分别随机选取一半的无线传感器进行位置互换，得到中间样本。这是一次遗传过程，经过第一次遗传过程，可得到第二代遗传样本。为了加快得到理想的分布，我们对其进行有利的变异。具体变异过程如下：每次的变异过程我们都将一个最浪费资源的无线传感器移动到一个最空旷的地方。具体实现方法为：首先对中间样本画细密的网格，遍历所有网格点。记录中间样本中有且仅有一个无线传感器覆盖的网格点集合a和该网格点对应的无线传感器节点集合b，统计b中出现次数最少的节点即为冗余节点(这个操作目的是找到每个无线传感器对网络一次覆盖的贡献，我们不希望一个监测点被多个无线传感器覆盖。比如，无线传感器有32个，那么遍历a中监测点，看看监测点被那一个无线传感器覆盖了，并对该无线传感器进行投票，计数加一。最后根据每个无线传感器的得票数值，确定每个无线传感器对一次覆盖的贡献，数值少的无线传感器就是冗余无线传感器。)，将其删除。记录没有被任何无线传感器覆盖的网格节点集合c，枚举将新增无线传感器放置在集合c中任意位置覆盖网格节点的个数，找到最大化的网格节点位置，即为新增无线传感器的位置，在此位置新增无线传感器后，生成下一代样本。这种变异的处理方式可以大大加快遗传算法的收敛速度，并避免陷入局部最优解，高效地迭代出全局最优拓扑。(24)在下一代样本中加入初代样本中的最优样本选出下一代最优样本；(25)判断下一代最优样本是否满足要求，如果满足，则输出最优样本，经过很多次的遗传和变异，我们可以得到一个覆盖率达到90％，且连通性也不错的样本，转到步骤(26)，如果不满足，转到步骤(23)进行下一代样本迭代；(26)判断最优样本是否连通，如果不连通，增加额外无线传感器数目△i作为衡量连通性的指标，得到增加的无线传感器节点个数，得到无线传感器都能相互连通的区域连通。即使我们得到了一个比较优化的样本，覆盖率达到90％,连通性也比较好，我们也并不能保证这个区域内的无线传感器实现完全连通。为得到一个完全连通的网络，我们还需对我们所得的最优样本进行修复。具体做法为：找到现有节点所构成的最小生成树，在大于覆盖半径的路径l上均匀增加个无线传感器。以一个体积为v(a*a*a)的正方体森林区域为例。假设树木在此区域均分布。无线传感器可附着在树木上。在此区域以树木间距离为步长创建网格，无线传感器的位置可以为任意网格节点，如图3-图8所示，得到覆盖率：87.71％连通性：△i＝0无需修复。(3)利用kruscal算法得到本区域连通的最小生成树，对该最小生成树进行遍历，找到最优基站。在确定了一个微元内的无线传感器网络分布后，我们需要寻找到一个最佳的基站位置。理论分析表明，无线传感器网络能量的利用率随sink节点跳数的增加而快速单调递减。sink节点即为我们需要放置基站的位置。所以为了提高无线传感器网络的利用率，延长网络使用寿命，我们需要找到一个sink节点的位置，使网络最大跳数尽量达到最小。如图9、10所示，具体步骤如下：(31)利用kruscal算法找到无线传感器网络的最小生成树；(32)找到最小生成树的叶子结点作为最外圈，并标记叶子结点；(33)从最小生成树中将标记的叶子节点和边去掉，修改生成新的最小生成树；(34)再从新的最小生成树中找到叶子结点，作为次外圈；(35)重复步骤(32)-步骤(34)，直至最小生成树节点数为0，即找到基站位置，或遍历后发现有一条线段和它的两个端点，就在线段上任取一点作为基站位置。图10中，相同颜色的边为同一跳，该最小生成树上有33个无线传感器，共11跳。通过仿真结果我们可以看出，经过10次的遗传与变异，我们可以得到一个覆盖率为87.71％，且可以实现完全连通的无线传感器网络。这个结果达到了我们的预期要求，且比初代样本优化了许多。然后我们通过画出无线传感器网络的最小生成树可以找到其根结点，确定基站放置的位置。(4)利用所有区域的最优基站之间的相互连通，完成森林三维空间的无线传感器的100％连通。本算法严格考虑了实际地形地貌分布以及外物对无线传感器本身的连通覆盖特性造成的影响。对此，我们所采取的对策是微元块多样化。地形对于本模型的主要影响为每个微元将不再是规则的正方体。针对这个问题，我们只需在控制在最初随机投放无线传感器时，使无线传感器不落在不可投掷的区域。该方法可以很好的解决地形地貌影响对原本方案的影响。而对于森林中比较常见的障碍物，例如比较粗壮的树枝，大的石块等等，这些将会对整个网络的覆盖和连通特性造成影响。如图11初代样本覆盖率71.39％,△i＝2、如图12优化样本覆盖率92.56％,△i＝0。考虑各种常见的障碍物和地形对无线传感器网络的影响，总结如下两点。如果障碍物处不能放置无线传感器只需在投点时避开障碍物的位置，则采取和地形地貌影响一样的方法进行处理。如果障碍物会造成原本连通的无线传感器之间不能连通，比如障碍物的介电常数，形状等因素影响了空间电磁场的传播，就可能造成无线传感器之间的连通性被破坏。当两个无线传感器之间的连通被阻断时，我们先判断其是否对整张网络的连通造成影响。如果整张网络依然连通，则无需进行修复。若整张网络不连通，我们将受到阻碍的两个无线传感器的距离设为无穷大，然后利用kruscl算法寻找一个可以使整张网络连通的最小生成树，在这个树中大于一倍连通半径的路径上增加最少个点使得整张网络连通。此解决障碍物的算法，同时也适用于当无线传感器网络有节点损坏时，影响整张网络连通性的情况。增加对地形、障碍物、树木分布等因素的处理环节使得该算法可扩展性高，适应动态变化的拓扑结构。对比是否考虑地形、障碍物、树木分布等因素的处理环节两种情况：样本编号12345678910覆盖率/％87.8986.8378.2583.1276.0481.5684.5682.1682.3879.93连通度0000000010表1.考虑地形影响的森林区域最优拓扑样本编号12345678910覆盖率/％87.7185.0687.7182.1586.4186.4186.1186.0685.9985.35连通度0000000000表2.不考虑地形的森林区域的最优拓扑对比两种情况下算法处理性能，均能找到网络覆盖率在90％左右，100％连通的拓扑。因此，本算法处理地形、障碍物、树木分布等因素对无线传感器网络拓扑的影响方案是可行的。本发明用于已知四条连通路径受到阻断(连线的四条)，此解决障碍物的算法，同时也适用于当无线传感器网络有节点损坏时，影响整张网络连通性的情况。该算法可扩展性高，适应动态变化的拓扑结构。本发明创新地利用遗传算法和图论相关理论，完成基于覆盖和连通的三维静态无线传感器网络的建模和最优拓扑方案的求解。本方案收敛速度快，利用较少数量的无线传感器，实现网络覆盖率90％和连通度100％的指标。本发明考虑了实际情况中无线传感器异构，地形、障碍物、森林体积不规则、树木密度不均匀等多方因素的影响，使得最优方案有较好的使用价值。本发明通过实时监控网络，通过局部增加节点的方式，对出现通信障碍的区域进行修复，本方案可扩展性高，适应动态变化的拓扑结构。本发明结合5g研究中高密度的小基站的概念，依据树木密度，将森林划分区域，在每个区域中设立小基站。区域内基于无线传感器—无线传感器或无线传感器—基站通信，区域间基于基站—基站通信。巧妙的运用实际需要的基站节点来改良整个端接时可能产生的不连通性，也就是解决了块与块之间的连通性，并且在理论上对于覆盖率也有一定程度上的增益。并且，通过优化基站位置，减小每个区域的平均跳数，使得网络耗能尽量均匀，延长整个无线传感器网络的寿命。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12