本发明涉及传感器监测领域，具体的说涉及一种基于三维有向感知模型的传感器网络覆盖控制方法及系统。
背景技术：
当前，随着我国城镇化进程不断推进，互联网和信息化技术加速发展，智慧城市建设已成为现代城市可持续发展的必然趋势。实现智慧城市的首要任务就是获取各类信息，而传感器网络作为连接智慧城市的“桥梁”，成为感知城市不可或缺的重要工具。据工信部预测，2026年全球智慧城市接入传感器的数量将超过200亿，我国将达到40亿。为此，通过传感器网络覆盖控制技术来感知城市信息是实现智慧城市最基础且最重要的研究内容。然而，现有覆盖控制优化技术主要存在两方面问题：第一，覆盖感知模型简单化。目前研究主要为简化的二维有向感知模型，它们不符合真实的三维物理环境，致使覆盖感知模型的理论研究与实际应用存在偏差，严重影响覆盖控制方法的实用性；第二，现有应用于覆盖控制优化的智能优化算法如遗传算法和粒子群算法过于简化，其求解精度和求解速度有很大的提升空间。其中，遗传算法易陷入局部最优，而粒子群优化算法的收敛精度不高。为此，急需引入群智能优化领域求解效果更好的智能优化算法。
技术实现要素：
鉴于以上原因，有必要提供一种能够实现传感器网络覆盖控制的优化，提升传感器网络的覆盖率的基于三维有向感知模型的传感器网络覆盖控制方法及系统。
本发明提供一种基于三维有向感知模型的传感器网络覆盖控制方法，所述基于三维有向感知模型的传感器网络覆盖控制方法包括如下步骤：
s1、根据设定的三维感知节点建立三维锥体有向感知模型；
s2、计算三维锥体有向感知模型所覆盖区域的坐标信息及面积；
s3、将整个监测区域进行离散网格化，根据整个监测区域的离散网格点数以及所有传感器覆盖的网格点数计算得到网络覆盖率，进而构建传感器网络的覆盖率评价指标；
s4、根据传感器网络的覆盖率评价指标改进教与学优化算法；
s5、采用改进后的教与学优化算法对感知模型的俯仰角和偏向角进行优化，提高传感器的网络覆盖率。
一种基于三维有向感知模型的传感器网络覆盖控制系统，所述基于三维有向感知模型的传感器网络覆盖控制系统包括如下步骤：
模型建立模块，用于根据设定的三维感知节点建立三维锥体有向感知模型；
数据计算模块，用于计算三维锥体有向感知模型所覆盖区域的坐标信息及面积；
指标构建模块，用于将整个监测区域进行离散网格化，根据整个监测区域的离散网格点数以及所有传感器覆盖的网格点数计算得到网络覆盖率，进而构建传感器网络的覆盖率评价指标；
算法优化模块，用于根据传感器网络的覆盖率评价指标改进教与学优化算法；
角度优化模块，用于采用改进后的教与学优化算法对感知模型的俯仰角和偏向角进行优化，提高传感器的网络覆盖率。
本发明所述基于三维有向感知模型的传感器网络覆盖控制方法及系统，其针对现有覆盖感知模型不符合真实的三维物理环境的问题，建立面向高度信息的三维有向感知模型及其覆盖边界条件，并改进教与学优化算法中的教学阶段和学习阶段，最后利用改进算法来优化俯仰角和偏向角，实现传感器网络覆盖控制的优化，提升传感器网络的覆盖率。
附图说明
图1是本发明所述基于三维有向感知模型的传感器网络覆盖控制方法的流程框图；
图2是本发明所述三维锥体有向感知模型；
图3是本发明所述基于三维有向感知模型的传感器网络覆盖控制系统的功能模块框图。
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仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于三维有向感知模型的传感器网络覆盖控制方法,如图1所示，所述基于三维有向感知模型的传感器网络覆盖控制方法包括如下步骤：
s1、根据设定的三维感知节点建立三维锥体有向感知模型；
s2、计算三维锥体有向感知模型所覆盖区域的坐标信息及面积；
s3、将整个监测区域进行离散网格化，根据整个监测区域的离散网格点数以及所有传感器覆盖的网格点数计算得到网络覆盖率，进而构建传感器网络的覆盖率评价指标；
s4、根据传感器网络的覆盖率评价指标改进教与学优化算法；
s5、采用改进后的教与学优化算法对感知模型的俯仰角和偏向角进行优化，提高传感器的网络覆盖率。
具体的，首先建立三维锥体有向感知模型，如图2所示。以三维感知节点p(x,y,z)为圆心、半径为r、圆心角为2β进行旋转形成空间感知区域o1o2o3o4h1h2h3h4，并用五元数组(p,b,α,β,r)表示。其中，p'为感知节点p在x-y平面的投影，b(λ,φ)为感知节点p的主感知方向，与z轴夹角λ(∠p'pb)称为仰俯角，在x-y平面投影称为偏向角φ(∠bp'x)，2α、2β及r分别为水平感知角度、垂直感知角度及感知半径。
计算模型覆盖区域o1o2o3o4的顶点坐标及其面积。坐标分别为：
o1:(x+|p'o1|cos(α+φ),y+|p'o1|sin(α+φ))
o2:(x+|p'o2|cos(α-φ),y-|p'o2|sin(α-φ))
o3:(x+|p'o3|cos(α-φ),y-|p'o3|sin(α-φ))
o4:(x+|p'o4|cos(α+φ),y+|p'o4|sin(α+φ))
其中，|p'o1|＝|p'o2|＝ztan(λ-β)/|cosα|，|p'o3|＝|p'o4|＝ztan(λ+β)/|cosα|。
o1o2o3o4面积s为：
然后，将整个监测区域进行离散网格化，其精度可以根据实际需要决定，如1m×1m；计算出整个监测区域的离散网格点数为pt，所有传感器覆盖的网格点数为
根据上述传感器网络的覆盖率评价指标改进教与学优化算法中的教学阶段和学习阶段。
教学阶段：每个学生xi向老师xteacher学习，如式(1)所示。
其中，np为学生的数量，t如式(2)所示。
其中，round[]为取整函数，rand()表示[0,1]随机数，gmax为进化迭代次数。
学习阶段。每个学生xi向成绩最优的学生xbest学习。
其中，round[]为取整函数，rand()表示[0,1]随机数。
由模型覆盖区域o1o2o3o4的顶点坐标及其面积的计算公式可知，传感器的覆盖面积只与俯仰角λ有关，故利用上述改进后的教与学优化算法进行如下优化求解，得到最优俯仰角。
步骤1：设置初始参数n(班级学生数量)，进化迭代次数gmax。
步骤2：生成初始班级。班级中每个学生xi＝λi，i＝1,…,n,0<λi<π/2。整个班级表示为：g＝(x1,…,xn)＝(λ1,…,λnp)。
步骤3：利用改进后的教与学优化算法优化g，得到成绩最优的学生，即代表最优俯仰角，通过最优俯仰角得到传感器的最大覆盖面积s。
经过俯仰角优化阶段，传感器的覆盖面积得到扩大，从而网络覆盖率得到一定提升，但仍存在一定的感知盲区和感知重叠区域，所以利用上述改进后的教与学优化算法对偏向角进行优化，从而进一步提高网络覆盖率。
步骤1：设置初始参数np(班级学生数量，与传感器数量相同)，进化迭代次数gmax。
步骤2：生成初始班级。每个学生xi＝φi，i＝1,2,…,np，0≤φi≤2π。整个班级为：g＝(x1,…,xnp)＝(φ1,…,φnp)。
步骤3：利用改进后的教与学优化算法优化g，提升班级学生的整体成绩，即代表所有传感器对应的一组偏向角，从而进一步提高网络覆盖率η。
根据上述基于三维有向感知模型的传感器网络覆盖控制方法，相应的，本发明还提供一种基于三维有向感知模型的传感器网络覆盖控制系统，如图3所示，所述基于三维有向感知模型的传感器网络覆盖控制系统包括如下步骤：
模型建立模块，用于根据设定的三维感知节点建立三维锥体有向感知模型；
数据计算模块，用于计算三维锥体有向感知模型所覆盖区域的坐标信息及面积；
指标构建模块，用于将整个监测区域进行离散网格化，根据整个监测区域的离散网格点数以及所有传感器覆盖的网格点数计算得到网络覆盖率，进而构建传感器网络的覆盖率评价指标；
算法优化模块，用于根据传感器网络的覆盖率评价指标改进教与学优化算法；
角度优化模块，用于采用改进后的教与学优化算法对感知模型的俯仰角和偏向角进行优化，提高传感器的网络覆盖率。
其中，所述角度优化模块包括以下功能子模块：
俯仰角优化子模块，用于采用改进后的教与学优化算法对感知模型的俯仰角进行优化；
偏向角优化子模块，用于采用改进后的教与学优化算法对感知模型的偏向角进行优化。
具体的，所述俯仰角优化子模块包括以下功能单元：
俯仰角参数设置单元，用于设置初始参数n与进化迭代次数gmax，其中n为与传感器数量相同的班级学生数量；
俯仰角班级生成单元，用于根据初始参数和迭代次数生成初始班级,班级中每个学生xi＝λi，i＝1,…,n,0<λi<π/2，整个班级表示为：g＝(x1,…,xn)＝(λ1,…,λn)；
最优俯仰角求解单元，用于采用改进后的教与学优化算法优化g，得到成绩最优的学生，即代表最优俯仰角。
具体的，所述偏向角优化子模块包括以下功能单元：
偏向角参数设置单元，用于设置初始参数np与进化迭代次数gmax，其中，np为与传感器数量相同的班级学生数量；
偏向角班级生成单元，用于根据初始参数和迭代次数生成初始班级,每个学生xi＝φi，i＝1,2,…,np，0≤φi≤2π，整个班级为：g＝(x1,…,xnp)＝(φ1,…,φnp)；
最优偏向角求解单元，用于采用改进后的教与学优化算法优化g，提升班级学生的整体成绩，即代表所有传感器对应的一组偏向角。
本发明所述基于三维有向感知模型的传感器网络覆盖控制方法及系统，其针对现有覆盖感知模型不符合真实的三维物理环境的问题，建立面向高度信息的三维有向感知模型及其覆盖边界条件，并改进教与学优化算法中的教学阶段和学习阶段，最后利用改进算法来优化俯仰角和偏向角，实现传感器网络覆盖控制的优化，提升传感器网络的覆盖率。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。