一种基于预测的水声传感器网络动态网关节点部署方法与流程

本发明属于水声传感器网络的网络节点部署领域，其特征是基于预测的、动态的网关部署方法，能够在指定持续的时间内保证网关覆盖区域最大化，降低信息传播时延及误码率。本发明的网关部署方法中，首先提出基于预测的、动态的网关部署方法，并对其进行数学建模，然后引入预测算法及线性优化方法解决本发明所提的网关部署方法优化问题，进而实现指定持续的时间内网关覆盖区域的最大化，降低信息传播时延及误码率。

背景技术：

水声传感器网络是由具有声学通信与计算能力的传感器节点构成的水下监测网络系统，其部署在海洋等水下环境，在实现水下环境的污染监控，水下生物样本采集，自然灾害预防，辅助导航等方面具备广阔的应用前景。

在水声传感器网络中，需通过部署水下传感器节点的方式来监控及检测水下所发生的事件，如环境污染及生物样本采集等，并通过水声传感器网络将采集到的信息传输到混合节点。比较典型的混合节点为处于水面的网关节点(如图1所示)，其能够通过无线电波的方式将采集的数据转发到岸基或船舶上的控制站点中，同时部署多个网关节点时，传感器节点仅能够转发数据包到其相邻的网关节点。由于无线电波的传播速度要远大于水声波的传播速度，且带宽也远大于水声波的带宽，则总传输时间及传播时延将会大大减少。另外，由于水声传输所消耗的能量要远大于无线电波传输所消耗的能量，则总消耗能量也将会有所减少。所有的网关节点与控制站点组合在一起可作为虚拟槽节点。

通过部署网关节点能够获得传播时延及能量损耗增益，但如何获取部署多个网关节点时的最优增益将会受诸多因素影响，如网关节点的部署位置、部署多少网关节点等。同时网关节点的部署还需满足某性能矩阵以获得最优增益，如生命周期，平均端到端时延，覆盖率及连接率等。虽然目前已有的静态网关节点部署方案能够通过对网络及统计模型的先验信息进行假设以描述信道状态，MAC协议，路由协议及移动模型等，但由于其没有考虑环境的可能变化(如任务改变，移动性及传感器节点状态等)，可能会造成网关节点部署方案失效。

为了能够获取部署网关节点的最大增益，则需要让网关节点能够获得最大的覆盖区域，从而使其所覆盖的传感器节点仅需向最近的网关节点转发数据包即可。水声环境中，由于水下传感器节点的移动性，覆盖区域是时刻变化的，则若网关节点按照传感器节点的当前位置进行部署，持续一段时间后，网关节点的覆盖区域将可能会变小(如图2所示)，从图中可以 看出，210中(实例1)的传感器节点在持续一段时间之后将会移出网关节点的覆盖区域，使网关节点的覆盖区域变小，而对于网关部署方案211(实例2)而言，即使传感器节点也存在同样移动模型，但持续一段时间之内，传感器节点仍处于网关节点的覆盖区域之内。本发明提出了如何部署网关节点能够让其在持续时间内获得最大覆盖区域，进而降低传播时延及误码率。

若网关节点的数量是给定的，则对于获取网关节点的最大覆盖区域问题，就转化成了如何寻找网关节点的最佳位置优化问题。本发明对如何寻找网关节点的最佳位置优化问题进行数学建模，并提出采用优化算法解决该优化问题的方法。

技术实现要素：

本发明的目的：

水声传感器网络中，需通过采用部署水下传感器节点的方式来监控或检测水下环境所发生的事件，为了能够降低传播时延及减少传感器节点所消耗的能量，通常采取部署网关节点的方式，网关节点的部署方案影响着水声传感器网络的性能。

本发明通过提出基于预测、动态的网关节点部署方法及对网关节点部署方法进行数学建模并采用线性优化算法寻找部署网关节点的最佳位置来提高水声传感器网络中网关节点部署方法的性能，进而降低信息传播时延及误码率。

本发明的技术方案：

水声传感器网络中，对于网关节点部署而言，其方案有多种选择，选择不同的网关节点部署方案水声传感器网络性能所产生的影响会有所不同。

本发明提出基于预测的、动态的网关节点部署方法，其能够在指定持续的时间内最大化网关节点的覆盖区域，并给出了一种数学建模方案，以寻找网关节点部署的最佳位置，进而降低传输时延及误码率。

本发明还给出了一种将网关节点部署方案建模成线性优化问题的方法，然后通过Branch-and-Cut算法解决该优化问题，进而获取网关节点的最佳位置，降低水声传感器网络的传输时延及误码率。

本发明的有益效果：

水声传感器网络中，网关节点部署方案的优劣会严重影响传感器网络的性能，其决定着网络的传播时延、误码率及能量消耗，而网关节点的部署方案会受到诸多因素的影响，如网关节点的位置、传感器节点的移动性等。

1)本发明通过基于预测的动态网关部署方法，其能够在指定持续的时间内最大化网关节 点的覆盖区域，进而降低水声传感器网络的传播时延及误码率。

2)本发明通过数学建模方法，将基于预测的动态网关部署方法建模成线性优化问题，然后通过Branch-and-Cut算法解决该优化问题，进而获取网关节点的最佳位置，降低水声传感器网络的传播时延及误码率。

附图说明

图1网络结构示意图

图2发射时刻优化示意图

图1中，101表示网关节点，102表示传感器节点，103表示控制站点，104表示水表面，105表示网关节点的覆盖区域，106表示网关节点与控制站点之间通过无线电波传输，107表示网关节点与传感器节点之间通过水声波传输。

图2中，210为实例1，211为实例2，201表示网关节点，202表示传感器节点，203表示控制站点，204表示水表面，205表示网关节点的覆盖区域，206表示网关节点与控制站点之间通过无线电波传输，207表示网关节点与传感器节点之间通过水声波传输，208表示传感器节点的预期移动位置，209表示传感器节点的已移动位置。

具体实施方式

下面给出了一种将网关节点部署问题转化为线性优化问题，并通过Branch-and-Cut算法来解决该线性优化问题，以获取网关节点的最佳位置的数学模型方案，进而有效地降低水声传感器网络中传播时延及误码率。

本发明不仅限于该数学模型方案，凡是在进行水声传感器网络的网关节点部署研究时，利用本发明的网关节点部署思路，即采用基于预测的动态网关节点部署方案，并将该网关节点部署方案建模成线性优化问题，进而采用Branch-and-Cut算法解决该优化问题，均在本发明的保护范围之内。

网关节点部署的数学模型方案具体实施方式描述如下：

(一)假设条件

传感器节点i的位置信息表示为p_i＝[p_i⁰，p_i¹，p_i²…，p_iⁿ]，其中，p_i⁰为传感器节点i的当前位置，其值通过定位服务所获取到；p_i¹，p_i²…，p_iⁿ为传感器节点i的预期位置，其值可通过IMM算法预测得到。假设在无线传感器网络的层1共有“m”个传感器节点，且能够预测每个传感器节点的“n”个时隙，定义“Y”为：

所有的网关节点和传感器节点，其传输距离均被限定为“d”，也就相当于被网关节点所覆盖的传感器节点受公式(1-2)约束：

$\left|\right|C_q-p_i^k\left|\right|\·Y_{\mathrm{kiq}}\≤d---(1-2)$

其中，C_q为网关节点q的位置。从公式(1-2)能够看出，若C_q与之间的距离大于d，则Y_kiq应该为“0”；若C_q与之间的距离小于d，则Y_kiq值可为“0”，也可为“1”。然而由于Y是需最大化的，其应倾向于取值为“1”。因此，基于Y矩阵的引入，若传感器节点被覆盖，其将比较容易被定义且用公式比较出。

(二)目标函数

公式(1-3)表示将动态网关部署方案建模为优化问题所涉及的目标函数，其能够被解释为：对于所有节点，所有时间点，通过寻找部署网关所需的准确位置，我们期望水下节点尽可能的能够被覆盖，不管其是被哪个水面网关所覆盖。这也就相当于，在图2中，我们使能够覆盖所有“虚拟节点”的区域最大化。

$\underset{C_q}{\max }\left(\underset{k=0}{\overset{n}{\mathrm{\Σ}}}\underset{i=0}{\overset{m}{\mathrm{\Σ}}}\underset{q}{\max }{Y}_{\mathrm{kiq}}\right)---(1-3)$

(三)约束条件

本发明动态网关节点部署方案中，对于网关节点的覆盖区域，需考虑4个方面的限制约束：网关节点个数，重部署能量损耗，最小覆盖区域及连接性。下面分别对约束限制做描述：

1.网关节点个数

本发明的动态网关节点部署方案中，网关节点个数是受限且不可改变的，其满足公式(1-4)的约束条件。

1≤q≤N (1-4)

2.重部署能量损耗

网关节点的重部署过程中，每个网关节点从其初始位置移动到某个新位置时，都需要额外消耗能量，而网关节点所携带的能量是有限的且网关节点需要保留一定的能量以便能够移回到岸边或船舶上以重新进行控制。基于上述考虑，每个网关节点q均存在最大有效移动距 离，设其为“λ_q”，另外假设网关节点q的初始位置为则其需满足公式(1-5)。

$\left|\right|C_q-C_q^0\left|\right|\≤{\mathrm{\λ}}_q,\∀q---(1-5)$

3.最小覆盖区域

对于“虚拟节点”(图2所示)而言，其并不是实际的传感器节点，任一时刻，仅有m个传感器节点是实际存在的。为了避免由于某一指定时刻部署的网关节点较多，而忽略其他时刻真正的网关节点覆盖，则对于任一时刻，均指定最小覆盖区域，假设用γ表示，则能够得到公式(1-6)。

$\underset{i=0}{\overset{m}{\mathrm{\Σ}}}\underset{q}{\max }{Y}_{\mathrm{kiq}}\≥\mathrm{\γ},\∀k---(1-6)$

4.连接性

部署网关节点时，为了保证所有传感器节点的连接性，在任一时刻传感器节点将会被集群。每个集群由一组相互连接的传感器节点组成，与其他集群的传感器节点无连接。若多于一个集群，则任一集群中，必须至少有一个传感器节点被网关节点覆盖，假设φ(v)表示集群v，则应满足公式(1-7)的约束条件。

$\underset{i\∈\mathrm{\φ}\left(v\right)}{\mathrm{\Σ}}\underset{q}{\mathrm{\Σ}}{Y}_{\mathrm{kiq}}\≥1,\∀k,v---(1-7)$

(四)线性转换

上述公式(1-2)、公式(1-3)、公式(1-6)均为非线性等式，需将其转化为线性等式，然后采用Branch-and-Cut算法来解决部署网关节点的位置问题。

对于公式(1-2)、公式(1-3)及公式(1-6)，为了将其转化为线性等式，引入新变量X，且定义其为，

从而能够得到X与Y之间的关系表达式(1-9)，

$X_{\mathrm{ki}}\≤\underset{q=0}{\overset{N}{\mathrm{\Σ}}}{Y}_{\mathrm{kiq}}---(1-9)$

其中，在不等式(1-9)中，N为有效网关节点个数。从而目标函数表达式(1-3)能够 转化为公式(1-10)，

$\underset{C_q}{\max }\left(\underset{k=0}{\overset{n}{\mathrm{\Σ}}}\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{X}_{\mathrm{ki}}\right)---(1-10)$

公式(1-6)能够转化为公式(1-11)，

$\underset{i=0}{\overset{m}{\mathrm{\Σ}}}{X}_{\mathrm{ki}}\≥\mathrm{\γ},\∀k---(1-11)$

对于公式(1-2)中的每个Y而言，引入独立二进制变量Z，从而公式(1-2)能够转化公式(1-12)，

Y≤M·(1-Z) (1-12)

在公式(1-12)中，M为一个较大的正数，Z用公式(1-13)来表示，

且公式(1-13)能够转化为公式(1-14)，

$Z_{\mathrm{kiq}}\≥\left(\right||C_q-p_i^k||\·Y_{\mathrm{kiq}}-d)/M---(1-14)$

在公式(1-14)中，若满足则公式(1-14)的右边部分应该为0～1的十进制数，进而能够得到Z为1。若满足则公式(1-14)的右边部分为负数，且存在Z为0或为1两种可能。

基于上述所述的约束限制，针对公式(1-12)，能够得到，若满足则Z为1，且Y为0。若满足则Z为不固定的值，且Y也是不固定的值，但由于最大化问题，Y将倾向于选取为1。

通过上述的转换流程后，所有的约束限制函数及目标函数均是线性函数，则部署网关节点的优化问题就可通过Branch-and-Cut算法来解决。