陳　瑩, 曹立志

(江南大學(xué)輕工控制教育部重點(diǎn)實(shí)驗(yàn)室, 江蘇 無(wú)錫 214122)

?

基于虛擬勢(shì)場(chǎng)和學(xué)習(xí)自動(dòng)機(jī)的有向傳感網(wǎng)覆蓋控制

陳瑩, 曹立志

(江南大學(xué)輕工控制教育部重點(diǎn)實(shí)驗(yàn)室, 江蘇 無(wú)錫 214122)

摘要：針對(duì)目前有向傳感網(wǎng)中覆蓋增強(qiáng)和冗余節(jié)點(diǎn)休眠調(diào)度算法存在的問(wèn)題,提出虛擬勢(shì)場(chǎng)結(jié)合學(xué)習(xí)自動(dòng)機(jī)的覆蓋控制算法。引入基于質(zhì)心距離和重復(fù)感知率的虛擬力改進(jìn)模型,綜合考慮虛擬向心力和切向力對(duì)感知角度調(diào)整的影響,建立微觀虛擬力與轉(zhuǎn)動(dòng)角度的關(guān)系模型,并根據(jù)網(wǎng)絡(luò)整體覆蓋率增長(zhǎng)率對(duì)節(jié)點(diǎn)調(diào)整幅度進(jìn)行宏觀控制,合理調(diào)整節(jié)點(diǎn)感知方向。在此基礎(chǔ)上,根據(jù)節(jié)點(diǎn)重復(fù)感知率和能量因素建立學(xué)習(xí)自動(dòng)機(jī)與環(huán)境信息的交互機(jī)制,學(xué)習(xí)最優(yōu)的冗余節(jié)點(diǎn)休眠調(diào)度策略。仿真實(shí)驗(yàn)結(jié)果表明,該算法能夠顯著增強(qiáng)網(wǎng)絡(luò)覆蓋,并有效地控制網(wǎng)絡(luò)覆蓋冗余。

關(guān)鍵詞：有向傳感器網(wǎng)絡(luò); 虛擬勢(shì)場(chǎng); 學(xué)習(xí)自動(dòng)機(jī); 覆蓋增強(qiáng); 節(jié)點(diǎn)休眠調(diào)度

0引言

隨著人們對(duì)細(xì)粒度、精準(zhǔn)信息的環(huán)境監(jiān)測(cè)應(yīng)用的迫切需求,由大量有向監(jiān)測(cè)周圍環(huán)境,且數(shù)據(jù)信息量較大的多媒體傳感器組成的無(wú)線多媒體傳感器網(wǎng)絡(luò)(wireless multimedia sensor networks, WMSNs)已越來(lái)越受到人們的關(guān)注,并被廣泛應(yīng)用于軍事偵察、環(huán)境監(jiān)測(cè)、醫(yī)療護(hù)理和交通管理等軍事和民用領(lǐng)域[1]。由于傳感器節(jié)點(diǎn)通常具有電源能量低、二次補(bǔ)充能量難、信息采集能耗大的缺點(diǎn),因此無(wú)線多媒體傳感器網(wǎng)絡(luò)存在嚴(yán)重的能量約束問(wèn)題。覆蓋控制是該網(wǎng)絡(luò)的一個(gè)基礎(chǔ)問(wèn)題,反映著網(wǎng)絡(luò)所能提供的“感知”服務(wù)質(zhì)量[2]。 而傳統(tǒng)基于全向覆蓋模型的覆蓋控制算法無(wú)法直接應(yīng)用于有向的多媒體傳感器網(wǎng)絡(luò)中,因此設(shè)計(jì)一種合理的有向傳感覆蓋控制算法以增強(qiáng)網(wǎng)絡(luò)覆蓋并有效利用網(wǎng)絡(luò)能量,從而實(shí)現(xiàn)網(wǎng)絡(luò)高效長(zhǎng)期覆蓋是WMSNs需要解決的突出問(wèn)題。

文獻(xiàn)[3]根據(jù)有向傳感器特點(diǎn)設(shè)計(jì)了一種2-D有向感知模型,并首次應(yīng)用于有向傳感器網(wǎng)絡(luò)中。在此模型的基礎(chǔ)上,國(guó)內(nèi)外展開(kāi)了大量針對(duì)無(wú)線多媒體傳感器網(wǎng)絡(luò)覆蓋的研究工作[4-5]。其中,虛擬勢(shì)場(chǎng)(potential force,PF)方法可以有效地調(diào)整有向傳感網(wǎng)節(jié)點(diǎn)的感知方向,已廣泛應(yīng)用于多媒體傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)問(wèn)題。文獻(xiàn)[6]首次將虛擬勢(shì)場(chǎng)應(yīng)用于有向傳感器網(wǎng)絡(luò)中,提出基于虛擬勢(shì)場(chǎng)的覆蓋增強(qiáng)算法(potential field based coverage-enhancing algorithm, PFCEA),創(chuàng)新性的引入感知“質(zhì)心”概念,根據(jù)質(zhì)心點(diǎn)受虛擬斥力進(jìn)行擴(kuò)散運(yùn)動(dòng),進(jìn)而調(diào)整各節(jié)點(diǎn)感知方向,將覆蓋控制問(wèn)題轉(zhuǎn)化為質(zhì)心點(diǎn)均勻分布問(wèn)題,以達(dá)到去除覆蓋重疊區(qū)和盲區(qū),增強(qiáng)網(wǎng)絡(luò)覆蓋的目的。但該算法采用固定轉(zhuǎn)動(dòng)調(diào)整角度限制了覆蓋優(yōu)化的效果和收斂速度,并且僅采用歐氏距離參數(shù)并不能細(xì)致的描述具有重復(fù)感知區(qū)域的網(wǎng)絡(luò)節(jié)點(diǎn)受力情況。其后的改進(jìn)工作大多從這2方面展開(kāi)。文獻(xiàn)[7]采用配對(duì)的切點(diǎn)排斥機(jī)制(paired tangent point repulsion mechanism,PTPRM),建立了角度調(diào)整量、合力與感知方向夾角這兩者的函數(shù)模型。但其僅考慮最近2個(gè)節(jié)點(diǎn)的斥力作用,并沒(méi)有充分考慮其余鄰居節(jié)點(diǎn)的影響,因此限制了其覆蓋提升效果。文獻(xiàn)[8]則根據(jù)切向分力的大小調(diào)整每次轉(zhuǎn)動(dòng)角度。文獻(xiàn)[9]提出了基于虛擬向心力模型的覆蓋增強(qiáng)算法(virtual centripetal force-based coverage enhancing algorithm, VCFCEA),通過(guò)建立感知區(qū)域網(wǎng)格模型,將感知重疊網(wǎng)格數(shù)引入虛擬力計(jì)算公式,并且建立了向心力與調(diào)整角度的關(guān)系模型,根據(jù)向心力大小調(diào)整轉(zhuǎn)動(dòng)角度,但由于不同位置網(wǎng)格的面積不盡相同,因此采用網(wǎng)格數(shù)目參數(shù)無(wú)法得到精確的虛擬力,從而影響進(jìn)一步通過(guò)虛擬力調(diào)整感知角度。這類單獨(dú)考慮切向力或向心力作用的模型,并不能全面細(xì)致的描述節(jié)點(diǎn)受力調(diào)整規(guī)律,在某些特殊情況,如文獻(xiàn)[7]中算法在圖1(a)情況、文獻(xiàn)[8]在圖1(b)情況下,節(jié)點(diǎn)甚至無(wú)法調(diào)整感知方向。

圖1　基于切向力、向心力的轉(zhuǎn)動(dòng)角度模型無(wú)法調(diào)整角度的情況

另一方面,能量問(wèn)題一直是無(wú)線多媒體傳感器網(wǎng)絡(luò)需要解決的突出問(wèn)題[10],文獻(xiàn)[11]根據(jù)節(jié)點(diǎn)當(dāng)前能量值關(guān)閉網(wǎng)絡(luò)節(jié)點(diǎn),但僅考慮節(jié)點(diǎn)能量因素,仍無(wú)法解決網(wǎng)絡(luò)覆蓋冗余問(wèn)題,因此實(shí)際提升效果并不明顯。文獻(xiàn)[9]根據(jù)節(jié)點(diǎn)的感知重復(fù)網(wǎng)格數(shù),同時(shí)關(guān)閉覆蓋重復(fù)率過(guò)高的節(jié)點(diǎn)以延長(zhǎng)網(wǎng)絡(luò)覆蓋時(shí)間。但此類同一時(shí)間關(guān)閉節(jié)點(diǎn)的休眠調(diào)度算法在可能造成覆蓋同一區(qū)域的節(jié)點(diǎn)同時(shí)關(guān)閉,出現(xiàn)覆蓋盲區(qū)(coverage hole,CH)。針對(duì)這一問(wèn)題,文獻(xiàn)[12]采用了基于重復(fù)覆蓋優(yōu)先級(jí)的策略,優(yōu)先關(guān)閉重復(fù)覆蓋優(yōu)先級(jí)高的節(jié)點(diǎn),在一定程度上緩解了關(guān)閉冗余節(jié)點(diǎn)造成的覆蓋盲區(qū)問(wèn)題,但關(guān)閉處于同一優(yōu)先級(jí)的節(jié)點(diǎn)時(shí)仍會(huì)存在上述問(wèn)題。同時(shí),作為新型的機(jī)器學(xué)習(xí)算法,學(xué)習(xí)自動(dòng)機(jī)(learning automata, LA)主要解決具有感知環(huán)境能力的自治agent通過(guò)與環(huán)境交互,對(duì)其所選動(dòng)作獎(jiǎng)懲,自適應(yīng)的學(xué)習(xí)到最優(yōu)動(dòng)作策略。這一特性正適用于WMSNs中節(jié)點(diǎn)調(diào)度策略的選擇。目前已有文獻(xiàn)[13-14]將其應(yīng)用于有向傳感網(wǎng)中,并取得較好的效果。

針對(duì)有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)和能耗控制的應(yīng)用,并綜合研究上述各文獻(xiàn)存在的問(wèn)題,本文提出了一種基于虛擬勢(shì)場(chǎng)結(jié)合學(xué)習(xí)自動(dòng)機(jī)的網(wǎng)絡(luò)覆蓋控制算法。首先,在根據(jù)節(jié)點(diǎn)距離和感知重復(fù)率建立的虛擬力模型的基礎(chǔ)上,綜合虛擬向心力和切向力對(duì)節(jié)點(diǎn)角度調(diào)整的影響,建立了虛擬力與轉(zhuǎn)動(dòng)角度的關(guān)系模型,并根據(jù)網(wǎng)絡(luò)覆蓋率增長(zhǎng)率對(duì)節(jié)點(diǎn)調(diào)整幅度做了進(jìn)一步調(diào)整,從而更為合理的調(diào)整了節(jié)點(diǎn)感知方向。同時(shí),采用基于學(xué)習(xí)自動(dòng)機(jī)的增強(qiáng)學(xué)習(xí)機(jī)制,根據(jù)節(jié)點(diǎn)的感知冗余和能量情況,通過(guò)學(xué)習(xí)自動(dòng)機(jī)與環(huán)境信息的交互和對(duì)選擇動(dòng)作的獎(jiǎng)懲,從而學(xué)習(xí)到最優(yōu)的休眠調(diào)度策略。

1系統(tǒng)模型

1.1網(wǎng)絡(luò)模型

所采用的網(wǎng)格模型具有以下特點(diǎn)。

(1) 網(wǎng)絡(luò)中所有節(jié)點(diǎn)同構(gòu),即所有節(jié)點(diǎn)具有相同的感知半徑和夾角等參數(shù)規(guī)格。

(2) 網(wǎng)絡(luò)節(jié)點(diǎn)具有固定的ID,且隨機(jī)部署,節(jié)點(diǎn)均勻分布在監(jiān)測(cè)區(qū)域。

(3) 網(wǎng)絡(luò)節(jié)點(diǎn)在部署后位置固定不變,但其感知方向可調(diào)。

(4) 網(wǎng)絡(luò)節(jié)點(diǎn)都了解自身位置及傳感方向信息,且對(duì)自身感知方向可控。

1.2感知模型

不同于普通傳感器的全向感知模型,無(wú)線多媒體傳感器通常具有受限的扇形感知區(qū)域。文獻(xiàn)[6]采用方向可調(diào)的2-D感知模型〈P,R,V(t),α〉。如圖2所示,其中P表示節(jié)點(diǎn)的位置坐標(biāo)(x, y);R表示節(jié)點(diǎn)的感知半徑;單位向量V(t)沿著扇形感知區(qū)域的中軸線,表示節(jié)點(diǎn)在t時(shí)刻的感知方向;2α代表傳感區(qū)域視角(fieldofview,FOV)。Δφ表示節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度,centroid表示節(jié)點(diǎn)覆蓋區(qū)域的質(zhì)心點(diǎn),分布在感知區(qū)域的中軸線,與圓心距離為2R·sinα/(3α)。

1.3重復(fù)感知區(qū)域網(wǎng)格模型

WMSN的節(jié)點(diǎn)的扇形感知區(qū)域,造成其不規(guī)則的覆蓋重疊區(qū)域,與文獻(xiàn)[12]相同,論文采用如圖3所示的網(wǎng)格模型來(lái)計(jì)算這一區(qū)域:把感知區(qū)域分成M×N塊網(wǎng)格(本文設(shè)為10×10),即將感知半徑R和感知視角FOV分為M和N等份;從而位于第p行q列網(wǎng)格的面積為

(1)

由式(1)可知,網(wǎng)格的面積僅與其所在的列數(shù)q有關(guān)。

圖2　感知模型

圖3　重復(fù)感知網(wǎng)格模型

基于上述模型,本文定義如下變量。

(1) 鄰居節(jié)點(diǎn):節(jié)點(diǎn)距離小于2R的兩節(jié)點(diǎn)互為鄰居節(jié)點(diǎn)。N(vi)表示節(jié)點(diǎn)vi的鄰居節(jié)點(diǎn)集合。

(2)OSAij:節(jié)點(diǎn)vi的感知區(qū)域被鄰居節(jié)點(diǎn)vj重復(fù)感知覆蓋的面積(overlap-sensearea,OSA),見(jiàn)圖4。即

(2)

式中,Cgijpq表示節(jié)點(diǎn)vi的感知區(qū)域內(nèi)第p行q列網(wǎng)格是否被鄰居節(jié)點(diǎn)vj重復(fù)覆蓋:若該網(wǎng)格被覆蓋則Cgijpq=1；否則其值為0。

圖4　重復(fù)感知區(qū)域面積的計(jì)算

(3)OSRij:表示節(jié)點(diǎn)vi的感知區(qū)域被節(jié)點(diǎn)vj重復(fù)感知覆蓋區(qū)域與其感知區(qū)域的比率為

(3)

(4)OSRi:表示節(jié)點(diǎn)vi的感知區(qū)域內(nèi)被其鄰居節(jié)點(diǎn)N(vi)重復(fù)感知的總面積占其感知區(qū)域的比例為

(4)

2虛擬勢(shì)場(chǎng)與學(xué)習(xí)自動(dòng)機(jī)簡(jiǎn)介

2.1虛擬勢(shì)場(chǎng)及傳統(tǒng)虛擬力模型

虛擬勢(shì)場(chǎng)的概念借鑒了物理學(xué)電磁場(chǎng)模型。其基本思想是把網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)感知范圍的質(zhì)心看做一個(gè)虛擬電荷,每個(gè)質(zhì)心點(diǎn)都在其鄰居質(zhì)心點(diǎn)的虛擬斥力作用下作擴(kuò)散運(yùn)動(dòng),并在運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)的雙重約束下趨于平衡,即采用質(zhì)心點(diǎn)的圓周運(yùn)動(dòng)替代節(jié)點(diǎn)感知角度的轉(zhuǎn)動(dòng)調(diào)整,從而將基于虛擬勢(shì)場(chǎng)的有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)問(wèn)題抽象為節(jié)點(diǎn)質(zhì)心點(diǎn)之間通過(guò)虛擬斥力作用達(dá)到質(zhì)心點(diǎn)均勻分布問(wèn)題[4]。

根據(jù)傳統(tǒng)的虛擬力模型,節(jié)點(diǎn)vi受到鄰居節(jié)點(diǎn)vj的虛擬力為

(5)

式中,kR為斥力常數(shù)；rij為單位向量;方向由質(zhì)心點(diǎn)cj指向質(zhì)心點(diǎn)ci；rij表示質(zhì)心點(diǎn)間的歐氏距離。

2.2學(xué)習(xí)自動(dòng)機(jī)簡(jiǎn)介

學(xué)習(xí)自動(dòng)機(jī)是一種基于增強(qiáng)學(xué)習(xí)并在未知的隨機(jī)環(huán)境中完成自適應(yīng)決策的智能單元[15],LA的學(xué)習(xí)過(guò)程實(shí)質(zhì)上是與隨機(jī)環(huán)境的一組互動(dòng):如圖5所示,首先LA從其動(dòng)作集α中選擇一個(gè)動(dòng)作αi,并輸入到隨機(jī)環(huán)境中;然后,隨機(jī)環(huán)境對(duì)該動(dòng)作進(jìn)行評(píng)估并向自動(dòng)機(jī)反饋一個(gè)反映獎(jiǎng)勵(lì)或懲罰響應(yīng)的增強(qiáng)信號(hào)βi；最后,基于這個(gè)增強(qiáng)信號(hào)和選擇的動(dòng)作,LA根據(jù)相應(yīng)的學(xué)習(xí)算法T()更新動(dòng)作選擇概率集并依據(jù)其進(jìn)行下一輪動(dòng)作選擇。通過(guò)有限次的交互迭代過(guò)程,LA逐漸學(xué)習(xí)到最佳動(dòng)作。

圖5　LA與環(huán)境關(guān)系模型

3基于虛擬勢(shì)場(chǎng)與學(xué)習(xí)自動(dòng)機(jī)的網(wǎng)絡(luò)覆蓋控制算法

本文主要解決網(wǎng)絡(luò)覆蓋增強(qiáng)和冗余節(jié)點(diǎn)的關(guān)閉2方面問(wèn)題:先采用基于虛擬勢(shì)場(chǎng)的覆蓋增強(qiáng)改進(jìn)算法提高網(wǎng)絡(luò)的覆蓋率;然后,采用基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)休眠調(diào)度算法學(xué)習(xí)到合理的關(guān)閉冗余節(jié)點(diǎn)的優(yōu)化策略,從而達(dá)到提升網(wǎng)絡(luò)覆蓋率并且高效利用網(wǎng)絡(luò)能量的目的。

3.1基于虛擬勢(shì)場(chǎng)的覆蓋增強(qiáng)改進(jìn)算法

虛擬勢(shì)場(chǎng)算法通過(guò)相鄰傳感器質(zhì)心點(diǎn)之間的虛擬斥力調(diào)整節(jié)點(diǎn)的感知方向,達(dá)到網(wǎng)絡(luò)覆蓋增強(qiáng)的效果。但傳統(tǒng)算法存在2方面問(wèn)題:首先,虛擬力模型僅考慮質(zhì)心點(diǎn)的距離參數(shù),而沒(méi)有考慮節(jié)點(diǎn)間冗余覆蓋對(duì)虛擬力的影響,使得不同重復(fù)覆蓋率的節(jié)點(diǎn)調(diào)整幅度相同。另一方面,傳統(tǒng)算法采用固定的轉(zhuǎn)動(dòng)角度調(diào)整影響了覆蓋優(yōu)化的收斂速度和精度,這表現(xiàn)在當(dāng)該轉(zhuǎn)動(dòng)角度值設(shè)置較小時(shí),將會(huì)減緩網(wǎng)絡(luò)覆蓋收斂速度,限制了算法的執(zhí)行效率;而當(dāng)轉(zhuǎn)動(dòng)角度值較大時(shí),則會(huì)降低網(wǎng)絡(luò)調(diào)整精度,甚至造成網(wǎng)絡(luò)遲遲不能進(jìn)入穩(wěn)定狀態(tài)。同時(shí)，還應(yīng)根據(jù)網(wǎng)絡(luò)整體覆蓋情況動(dòng)態(tài)調(diào)整角度:在網(wǎng)絡(luò)調(diào)整初期,需要增大轉(zhuǎn)動(dòng)角度以迅速提升網(wǎng)絡(luò)覆蓋率;而在網(wǎng)絡(luò)覆蓋趨于收斂時(shí),則需降低節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度以實(shí)現(xiàn)快速收斂并增強(qiáng)覆蓋精度。

基于以上2個(gè)問(wèn)題,本文在引入考慮節(jié)點(diǎn)重復(fù)覆蓋率的虛擬力改進(jìn)模型的基礎(chǔ)上,根據(jù)相鄰節(jié)點(diǎn)間的虛擬力大小調(diào)整節(jié)點(diǎn)的感知方向;同時(shí),結(jié)合網(wǎng)絡(luò)覆蓋增長(zhǎng)率進(jìn)一步調(diào)整轉(zhuǎn)動(dòng)角度,因而從微觀(虛擬力)、整體(網(wǎng)絡(luò)覆蓋率)2個(gè)方面共同調(diào)整節(jié)點(diǎn)感知方向。

3.1.1改進(jìn)的虛擬力模型

本文綜合考慮節(jié)點(diǎn)間距離和重復(fù)覆蓋的情況,在僅考慮質(zhì)心距離的傳統(tǒng)虛擬力模型(式(5))的基礎(chǔ)上,根據(jù)相鄰節(jié)點(diǎn)重復(fù)覆蓋率大小進(jìn)一步調(diào)整虛擬力,其定義如下:

(6)

節(jié)點(diǎn)vi所受的虛擬力合力為

(7)

式中,kR, rij,r0ij,N(i)與傳統(tǒng)虛擬勢(shì)場(chǎng)算法定義相同,OSRij表示節(jié)點(diǎn)間的重復(fù)覆蓋率。

從式(6)可以看出當(dāng)2個(gè)節(jié)點(diǎn)重復(fù)覆蓋率較大時(shí),其虛擬力也應(yīng)相應(yīng)增大,有利于提高了角度調(diào)整的幅度,加快了網(wǎng)絡(luò)覆蓋調(diào)整速度。并且不同于文獻(xiàn)[9],本文虛擬力模型采用基于面積的網(wǎng)絡(luò)重復(fù)覆蓋率取代重復(fù)覆蓋的網(wǎng)格數(shù)目,從而可以為進(jìn)一步調(diào)整感知角度提供更為準(zhǔn)確的虛擬力數(shù)值。

3.1.2轉(zhuǎn)動(dòng)角度的計(jì)算

本文主要從微觀虛擬力和網(wǎng)絡(luò)整體覆蓋增長(zhǎng)率2個(gè)方面對(duì)轉(zhuǎn)動(dòng)角度進(jìn)行調(diào)整。

(1) 基于虛擬力調(diào)整轉(zhuǎn)動(dòng)角度

從動(dòng)力學(xué)角度分析,節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度由虛擬力F的向心分力Fc提供的角速度wc和切向分力Ft提供的線加速度αt共同決定。本文假設(shè)在Δt時(shí)間內(nèi),Fc和Ft保持不變。

1) 在切向方向上

由動(dòng)力學(xué)可知,切向力提供切向加速度,即

式中，km為比例系數(shù);θ為合力方向與向心方向的夾角;αt為切向加速度。

由運(yùn)動(dòng)學(xué)可知,加速度αt在Δt時(shí)間內(nèi)轉(zhuǎn)過(guò)弧長(zhǎng)為

故切向力提供的角度變化為

(8)

2) 在向心方向上

當(dāng)θ∈[0,90°]時(shí),合力的向心分量指向節(jié)點(diǎn),表現(xiàn)為向心力,大小為‖F(xiàn)‖·cosθ。

當(dāng)θ∈[90°,180°]時(shí),虛擬力的向心分量背離節(jié)點(diǎn),但質(zhì)心并未做離心運(yùn)動(dòng),因此設(shè)定該離心方向力與系統(tǒng)保持圓周運(yùn)動(dòng)所提供的力抵消,大小為0。

因此向心力定義為

由物理學(xué)圓周運(yùn)動(dòng)知識(shí)得

從而向心力提供的角度變化為

為了簡(jiǎn)化計(jì)算,本文設(shè)定相應(yīng)閾值對(duì)合力歸一化處理;在式(8)和式(9)中,由于Δt,km,R均為常數(shù),從而令knorm=(Δt)2/(km·R)為歸一化系數(shù),歸一化合力定義為Fnorm=min(Knorm·F, 1)。

綜合式(8)和式(9),根據(jù)虛擬力的轉(zhuǎn)動(dòng)角度調(diào)整為

(10)

式中，kφ為角度調(diào)整系數(shù),由式(10)可知,轉(zhuǎn)動(dòng)角度ΔφF僅與虛擬力Fnorm和夾角θ的取值有關(guān),其關(guān)系模型如圖6所示,其中轉(zhuǎn)動(dòng)角度ΔφF隨虛擬力Fnorm的遞增而逐漸增大,且轉(zhuǎn)動(dòng)角度ΔφF隨著夾角θ的變化反映了切向力和向心力對(duì)轉(zhuǎn)動(dòng)角度不同的影響關(guān)系。

圖6　轉(zhuǎn)動(dòng)角度與歸一化虛擬力與夾角θ的關(guān)系模型

(2) 根據(jù)網(wǎng)絡(luò)覆蓋的增長(zhǎng)率的模型

轉(zhuǎn)動(dòng)角度除了受微觀虛擬力決定之外,還應(yīng)從宏觀上根據(jù)網(wǎng)絡(luò)整體覆蓋增長(zhǎng)率動(dòng)態(tài)調(diào)整:在覆蓋增長(zhǎng)率較大時(shí)(如網(wǎng)絡(luò)調(diào)整初期),需要增大轉(zhuǎn)動(dòng)角度以迅速提升網(wǎng)絡(luò)覆蓋率;而在網(wǎng)絡(luò)覆蓋趨于收斂時(shí),此時(shí)覆蓋增長(zhǎng)率較小,則需要降低節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度以實(shí)現(xiàn)快速收斂并提高覆蓋效果。從而進(jìn)一步調(diào)整節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度如下:

(11)

式中,ΔφF如式(10)所示；θmax為轉(zhuǎn)動(dòng)角度的上限值；θmin為轉(zhuǎn)動(dòng)角度的下限值;Vp為網(wǎng)絡(luò)覆蓋增長(zhǎng)率；Vinit為網(wǎng)絡(luò)初始覆蓋率。

根據(jù)對(duì)算法的反復(fù)實(shí)現(xiàn)和分析,節(jié)點(diǎn)在初始的10次調(diào)整過(guò)程覆蓋增長(zhǎng)變化較快,因此在此過(guò)程設(shè)定轉(zhuǎn)動(dòng)角度取較大的轉(zhuǎn)動(dòng)角度;而在覆蓋增長(zhǎng)率較低時(shí)(遠(yuǎn)低于平均),近似認(rèn)為此時(shí)節(jié)點(diǎn)進(jìn)入穩(wěn)定狀態(tài)調(diào)整過(guò)程,因此需要降低角度調(diào)整的幅度;從而在提高網(wǎng)絡(luò)覆蓋調(diào)整效率的同時(shí),進(jìn)一步提升了網(wǎng)絡(luò)覆蓋效果。

本文節(jié)點(diǎn)調(diào)整方向?yàn)?當(dāng)切向力方向大于0時(shí),此時(shí)節(jié)點(diǎn)沿著切向力方向旋轉(zhuǎn)Δφi角度;而當(dāng)切向力方向?yàn)?時(shí),則規(guī)定節(jié)點(diǎn)沿著順時(shí)針?lè)较蛘{(diào)整Δφi角度。

3.1.3改進(jìn)算法描述

算法輸入:節(jié)點(diǎn)vi及其鄰居節(jié)點(diǎn)的位置和感知方向。

算法輸出:節(jié)點(diǎn)vi的最終感知方向，具體算法描述如下。

(1) 初始化計(jì)數(shù)步長(zhǎng)t←0。

(2) 初始化各節(jié)點(diǎn)停止調(diào)整標(biāo)志flag(i)←0。

(3) 計(jì)算節(jié)點(diǎn)vi對(duì)應(yīng)的質(zhì)心ci初始位置Pci(t)。

(4) 計(jì)算監(jiān)測(cè)區(qū)域初始覆蓋率Vinit。

(5) 計(jì)算節(jié)點(diǎn)vi鄰居節(jié)點(diǎn)集合N(vi),及鄰居節(jié)點(diǎn)數(shù)目M。

(6) 令t←t+1,Fi(t)←0,計(jì)算當(dāng)前網(wǎng)絡(luò)覆蓋率和覆蓋增長(zhǎng)率Vp,并根據(jù)式(6)計(jì)算質(zhì)心點(diǎn)cj對(duì)ci的虛擬斥力Fij(t),其中vj∈N(vi)。

(7) 計(jì)算Fi(t)←Fi(t)+Fij(t),將Fi(t)帶入式(10),計(jì)算出虛擬力調(diào)整的旋轉(zhuǎn)角度ΔφF。若 ΔφF≥ε,則根據(jù)下述規(guī)則進(jìn)行節(jié)點(diǎn)角度和位置調(diào)整。

1) 根據(jù)式(11)調(diào)整節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度Δφi。

2) 質(zhì)心點(diǎn)ci沿規(guī)定方向轉(zhuǎn)動(dòng)角度Δφi。

3) 調(diào)整質(zhì)心點(diǎn)ci到新位置Pci(t)。

4) 計(jì)算節(jié)點(diǎn)vi指向當(dāng)前質(zhì)心點(diǎn)ci向量并單位化,從而得到傳感方向V(t)。

(8) 返回描述(6),直至算法收斂。

3.2基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)休眠調(diào)度算法

通過(guò)上述網(wǎng)絡(luò)節(jié)點(diǎn)感知方向調(diào)整后,網(wǎng)絡(luò)覆蓋得到了顯著的增強(qiáng)(如圖7(c)),但網(wǎng)絡(luò)中仍存在覆蓋冗余節(jié)點(diǎn),并且隨著部署節(jié)點(diǎn)數(shù)目的增加,覆蓋冗余問(wèn)題也越嚴(yán)重。而針對(duì)網(wǎng)絡(luò)冗余覆蓋存在2個(gè)相互矛盾的問(wèn)題,即關(guān)閉冗余節(jié)點(diǎn)可以有效提高能量利用效率,延長(zhǎng)網(wǎng)絡(luò)存活時(shí)間;但同時(shí)也會(huì)造成網(wǎng)絡(luò)覆蓋率會(huì)在一定程度降低。傳統(tǒng)算法采用在同一時(shí)間關(guān)閉所有覆蓋率高的節(jié)點(diǎn),雖然可以降低網(wǎng)絡(luò)覆蓋冗余,容易造成網(wǎng)絡(luò)中覆蓋同一區(qū)域的節(jié)點(diǎn)同時(shí)關(guān)閉,出現(xiàn)網(wǎng)絡(luò)覆蓋盲區(qū)問(wèn)題(如圖7(b))。

為了解決這一問(wèn)題,本文采用基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)休眠調(diào)度方法,針對(duì)覆蓋重復(fù)率高于一定閾值OSRthr的特定節(jié)點(diǎn),根據(jù)其覆蓋區(qū)域內(nèi)的重復(fù)覆蓋率和自身能量,通過(guò)其學(xué)習(xí)自動(dòng)機(jī)與鄰居節(jié)點(diǎn)進(jìn)行覆蓋信息的交互和動(dòng)作概率的獎(jiǎng)懲,從而網(wǎng)絡(luò)選擇出最優(yōu)動(dòng)作策略。基本過(guò)程如下:

(1) 在初始階段,節(jié)點(diǎn)si中的學(xué)習(xí)自動(dòng)機(jī)從其動(dòng)作集(工作(a0)或休眠(a1))中隨機(jī)的選擇一個(gè)動(dòng)作,并向周圍鄰居節(jié)點(diǎn)發(fā)送內(nèi)容為是否為特定節(jié)點(diǎn),選擇動(dòng)作、感知范圍、自身能量等信息的廣播包,從而網(wǎng)絡(luò)中的特定節(jié)點(diǎn)都建立了周圍鄰居的信息表。

(2) 接著,在以后各輪動(dòng)作選擇過(guò)程中,節(jié)點(diǎn)si以接受到的鄰居節(jié)點(diǎn)信息作為隨機(jī)環(huán)境,計(jì)算出相應(yīng)的獎(jiǎng)懲性反饋信號(hào)βi反饋到節(jié)點(diǎn)si。其中βi定義如下。

1) 當(dāng)si選擇的動(dòng)作為工作時(shí)

當(dāng)節(jié)點(diǎn)感知區(qū)域被工作的鄰居節(jié)點(diǎn)重復(fù)覆蓋超過(guò)特定閾值時(shí),環(huán)境懲罰這一動(dòng)作,βi=1;否則,環(huán)境獎(jiǎng)勵(lì)這一動(dòng)作,返回信號(hào)βi=0。

2) 當(dāng)si選擇的動(dòng)作為關(guān)閉時(shí)

當(dāng)節(jié)點(diǎn)的感知區(qū)域被工作的鄰居節(jié)點(diǎn)重復(fù)覆蓋超過(guò)特定閾值時(shí),環(huán)境獎(jiǎng)勵(lì)這一動(dòng)作,βi=1;否則,環(huán)境懲罰這一動(dòng)作,返回信號(hào)βi=0。

(3)最后,根據(jù)環(huán)境的反饋信號(hào)βi,學(xué)習(xí)自動(dòng)機(jī)采用不同學(xué)習(xí)算法更新下一輪動(dòng)作概率。

(12)

(13)

式中,式(12)、式(13)分別表示有利響應(yīng)和不利響應(yīng)下動(dòng)作更新概率的表達(dá)式；a(n)，b(n)分別是獎(jiǎng)勵(lì)和懲罰函數(shù),且隨迭代次數(shù)n而時(shí)變,其定義如下:

(14)

(15)

其中

(16)

網(wǎng)絡(luò)節(jié)點(diǎn)調(diào)度學(xué)習(xí)過(guò)程的終止條件為:網(wǎng)絡(luò)學(xué)習(xí)過(guò)程次數(shù)超過(guò)特定的次數(shù)MAX_ITERATION; 特定的節(jié)點(diǎn)都確定自身狀態(tài)(休眠或工作)。特定網(wǎng)絡(luò)節(jié)點(diǎn)選擇休眠狀態(tài)條件為其選擇休眠動(dòng)作概率超過(guò)特定的閾值,否則節(jié)點(diǎn)則選擇處于工作狀態(tài)的動(dòng)作。

4仿真實(shí)驗(yàn)與結(jié)果分析

本文采用Matlab進(jìn)行仿真實(shí)驗(yàn)。為了評(píng)估網(wǎng)絡(luò)覆蓋提升效率和冗余節(jié)點(diǎn)休眠調(diào)度情況。本文首先通過(guò)一個(gè)實(shí)例直觀的展示算法的運(yùn)行效果,然后分別對(duì)節(jié)點(diǎn)覆蓋增強(qiáng)和冗余節(jié)點(diǎn)控制2個(gè)算法的收斂效果進(jìn)行驗(yàn)證;最后,針對(duì)不同參數(shù)的網(wǎng)絡(luò),將本文算法與VCFCEA在網(wǎng)絡(luò)覆蓋增強(qiáng)和冗余節(jié)點(diǎn)關(guān)閉2方面進(jìn)行性能比較和分析。實(shí)驗(yàn)涉及到的其余參數(shù)值如表1所示,其中φ, ρ參數(shù)值為實(shí)驗(yàn)經(jīng)驗(yàn)值。

表1　網(wǎng)絡(luò)環(huán)境及參數(shù)

4.1實(shí)例效果

首先,在500×500 m2的目標(biāo)區(qū)域內(nèi)隨機(jī)部署200個(gè)傳感半徑R=60 m,感知視角2α=90°的節(jié)點(diǎn),如圖7(a)所示,此時(shí)網(wǎng)絡(luò)初始覆蓋率為 86.37%,并且存在著大量的覆蓋冗余。圖7(b)為同一時(shí)間關(guān)閉覆蓋冗余度較高的節(jié)點(diǎn),雖然降低了網(wǎng)絡(luò)覆蓋冗余;但由于關(guān)閉較多有效覆蓋節(jié)點(diǎn)(工作節(jié)點(diǎn)數(shù)為113),造成大量的覆蓋盲區(qū),大大降低了網(wǎng)絡(luò)的覆蓋率(77.92%)。圖7(c)表示經(jīng)過(guò)本文基于虛擬勢(shì)場(chǎng)的網(wǎng)絡(luò)節(jié)點(diǎn)調(diào)整,在第27輪網(wǎng)絡(luò)達(dá)到穩(wěn)定,其覆蓋率為 96.28%,但網(wǎng)絡(luò)仍存在覆蓋冗余節(jié)點(diǎn)。圖7(d)表示經(jīng)過(guò)本文基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)休眠調(diào)度策略后網(wǎng)絡(luò)覆蓋情況,可以看出網(wǎng)絡(luò)冗余覆蓋率得到顯著的降低,但由于保留大量有效覆蓋節(jié)點(diǎn)(工作節(jié)點(diǎn)數(shù)為137),網(wǎng)絡(luò)整體覆蓋率無(wú)太大影響,仍保持在 95.83%。

4.2收斂效果分析

本文分別考慮改進(jìn)的虛擬勢(shì)場(chǎng)算法和學(xué)習(xí)自動(dòng)機(jī)節(jié)點(diǎn)調(diào)度算法的收斂性。

圖7　網(wǎng)絡(luò)覆蓋的實(shí)例效果

(1) 改進(jìn)的虛擬勢(shì)場(chǎng)算法

由于文獻(xiàn)[6]已經(jīng)對(duì)虛擬勢(shì)場(chǎng)算法的收斂性進(jìn)行過(guò)驗(yàn)證,本部分主要從收斂速度兼顧覆蓋效果2方面將本文算法與PFCEA、VCFCEA中虛擬勢(shì)場(chǎng)算法進(jìn)行比較,節(jié)點(diǎn)的傳感半徑R=50 m其余實(shí)驗(yàn)參數(shù)與相同。

從圖8可以看出, PFCEA、VCFCEA和本文改進(jìn)的虛擬勢(shì)場(chǎng)收斂次數(shù)分別為25、31和37,并且在覆蓋率方面本文算法也優(yōu)于PFCEA、VCFCEA算法。本文算法和VCFCEA在這2方面優(yōu)于PFCEA的原因是:前2種算法均采用考慮網(wǎng)絡(luò)覆蓋的虛擬力模型,根據(jù)虛擬力動(dòng)態(tài)調(diào)整節(jié)點(diǎn)轉(zhuǎn)動(dòng)角度,因此在收斂速度和覆蓋率方面相對(duì)PFCEA都有提升。同時(shí),本文算法優(yōu)于VCFCEA是因?yàn)楸疚牟捎昧烁倪M(jìn)的虛擬力覆蓋模型,并綜合考慮虛擬力的向心和切向分力對(duì)轉(zhuǎn)動(dòng)角度的作用,進(jìn)一步結(jié)合網(wǎng)絡(luò)覆蓋率變化對(duì)轉(zhuǎn)動(dòng)角度調(diào)整,從而提高網(wǎng)絡(luò)覆蓋率的同時(shí),加快了網(wǎng)絡(luò)收斂速度。并且從圖8中可以看出,由于本文算法根據(jù)網(wǎng)絡(luò)覆蓋率變化自適應(yīng)調(diào)整轉(zhuǎn)動(dòng)角度,因此在覆蓋初期網(wǎng)絡(luò)可以快速調(diào)整,并且在覆蓋收斂時(shí)網(wǎng)絡(luò)調(diào)整的幅度也相應(yīng)降低,有利于網(wǎng)絡(luò)快速達(dá)到穩(wěn)定狀態(tài)。

圖8　PFCEA、VCFCEA和本文中虛擬勢(shì)場(chǎng)算法比較

(2) 基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)休眠調(diào)度算法

為了討論該算法的收斂性,本文針對(duì)4種不同節(jié)點(diǎn)規(guī)模的網(wǎng)絡(luò)(100, 150, 200, 250,300)分別隨機(jī)生成網(wǎng)絡(luò)拓?fù)?首先采用基于虛擬勢(shì)場(chǎng)的節(jié)點(diǎn)感知方向調(diào)整算法得到調(diào)整后的網(wǎng)絡(luò)覆蓋率p0,在其基礎(chǔ)上采用本文節(jié)點(diǎn)休眠調(diào)度算法得到網(wǎng)絡(luò)最終覆蓋率p1，每種網(wǎng)絡(luò)分別執(zhí)行50次,并統(tǒng)計(jì)對(duì)應(yīng)的收斂次數(shù)平均值。實(shí)驗(yàn)結(jié)果如表2所示。

表2　基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)休眠調(diào)度算法收斂性分析

由表2可知,基于學(xué)習(xí)自動(dòng)機(jī)的節(jié)點(diǎn)調(diào)度算法在各種規(guī)模網(wǎng)絡(luò)的收斂次數(shù)一般維持在20次左右，而在近于飽和的網(wǎng)絡(luò)中(如網(wǎng)絡(luò)節(jié)點(diǎn)為300),學(xué)習(xí)迭代次數(shù)也只有27次,因此該算法具有良好的收斂性。同時(shí),經(jīng)過(guò)節(jié)點(diǎn)休眠調(diào)度后各的網(wǎng)絡(luò)覆蓋率也沒(méi)有受到明顯的影響(僅降低0.01左右)。需要注意的是:本文采用學(xué)習(xí)自動(dòng)機(jī)學(xué)習(xí)休眠控制策略看似增加了算法的復(fù)雜度,但一方面,僅有部分特定節(jié)點(diǎn)參與學(xué)習(xí)過(guò)程;另一方面，學(xué)習(xí)自動(dòng)機(jī)中算法相對(duì)于虛擬力調(diào)整過(guò)程的運(yùn)算復(fù)雜度較低,從而并不影響算法高效執(zhí)行。 因此這種算法可以在有限次學(xué)習(xí)過(guò)程內(nèi)完成冗余節(jié)點(diǎn)的休眠調(diào)度控制,并緩解了關(guān)閉冗余節(jié)點(diǎn)帶來(lái)的網(wǎng)絡(luò)覆蓋盲區(qū)問(wèn)題。

4.3網(wǎng)絡(luò)參數(shù)分析

本節(jié)主要討論網(wǎng)絡(luò)中3個(gè)主要參數(shù)對(duì)本文算法性能的影響,其分別為:網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模N、節(jié)點(diǎn)感知半徑R和感知視角2α。針對(duì)這3個(gè)參數(shù),本節(jié)將本文算法和VCFCEA算法在網(wǎng)絡(luò)覆蓋增強(qiáng)和關(guān)閉冗余覆蓋情況進(jìn)行綜合比較和分析。

圖9表示針對(duì)不同節(jié)點(diǎn)數(shù)目的網(wǎng)絡(luò)覆蓋率和冗余節(jié)點(diǎn)關(guān)閉數(shù)目。從圖9(a)中可以看出,2種算法網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)較低時(shí),網(wǎng)絡(luò)初始覆蓋率較低,并且經(jīng)節(jié)點(diǎn)感知角度調(diào)整后覆蓋冗余也較小,因此關(guān)閉的節(jié)點(diǎn)較少。在網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)超過(guò)100時(shí),本文算法的網(wǎng)絡(luò)覆蓋率較VCFCEA有了顯著提升，并且隨著節(jié)點(diǎn)數(shù)目增多,網(wǎng)絡(luò)覆蓋提升差值Δp呈逐漸增大趨勢(shì),當(dāng)節(jié)點(diǎn)數(shù)目為150時(shí),該值達(dá)到最大。此后隨著節(jié)點(diǎn)數(shù)目進(jìn)一步增多,2種算法都保持在較高的覆蓋率,而本文算法的網(wǎng)絡(luò)覆蓋率始終領(lǐng)先于VCFCEA。同時(shí),隨著網(wǎng)絡(luò)節(jié)點(diǎn)的增加,網(wǎng)絡(luò)中關(guān)閉的重復(fù)冗余覆蓋節(jié)點(diǎn)也不斷增加。需要注意的是:本文算法關(guān)閉的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目始終低于VCFCEA,這是由于VCFCEA在同一時(shí)間關(guān)閉所有覆蓋冗余度高的節(jié)點(diǎn),因此關(guān)閉了更多節(jié)點(diǎn),但這樣容易產(chǎn)生網(wǎng)絡(luò)覆蓋盲點(diǎn),造成網(wǎng)絡(luò)覆蓋率降低(如圖9(a))。本文則采用學(xué)習(xí)自動(dòng)機(jī),通過(guò)相鄰節(jié)點(diǎn)間交互信息,不斷對(duì)所選動(dòng)作進(jìn)行獎(jiǎng)懲,從而逐漸選擇更為合理的節(jié)點(diǎn)調(diào)度策略,緩解覆蓋盲點(diǎn)問(wèn)題的同時(shí)保留更多有效節(jié)點(diǎn),提升了網(wǎng)絡(luò)覆蓋率。綜合圖9(a)和圖9(b)可以看出,不論稀或疏密集的網(wǎng)絡(luò),本文算法都能取得更高的覆蓋率和更優(yōu)的網(wǎng)絡(luò)節(jié)點(diǎn)休眠調(diào)度策略。

圖9　節(jié)點(diǎn)規(guī)模N的影響,R=60 m, 2α=90

圖10和圖11分別表示在不同感知半徑、感知視角2個(gè)參數(shù)下算法的實(shí)際效果,從圖中不難看出這2個(gè)參數(shù)具有和節(jié)點(diǎn)數(shù)目類似對(duì)算法的影響效果。當(dāng)感知半徑或感知視角逐漸增大時(shí), 2種算法的網(wǎng)絡(luò)覆蓋率均得到提升,并且本文算法相對(duì)于VCFCEA網(wǎng)絡(luò)覆蓋增強(qiáng)幅度更大,而當(dāng)網(wǎng)絡(luò)參數(shù)增大到一定值時(shí),網(wǎng)絡(luò)覆蓋率維持在較高的覆蓋率。在此過(guò)程中,網(wǎng)絡(luò)中休眠節(jié)點(diǎn)也在不斷增加,本文算法能夠更為合理的關(guān)閉冗余節(jié)點(diǎn),使得網(wǎng)絡(luò)有更多有效節(jié)點(diǎn)用以感知環(huán)境信息提高覆蓋質(zhì)量。

圖10　感知視角2α的影響, R=60 m, N=200

圖11　傳感半徑R的影響, N=200, 2α=90°

5結(jié)論

針對(duì)傳統(tǒng)虛擬勢(shì)場(chǎng)方法采用固定角度調(diào)整感知方向的問(wèn)題,本文采用基于距離和網(wǎng)絡(luò)重復(fù)覆蓋率的虛擬力改進(jìn)模型,根據(jù)虛擬力的向心和切向分力綜合控制感知方向的改變,并根據(jù)網(wǎng)絡(luò)覆蓋率變化速率進(jìn)一步調(diào)整節(jié)點(diǎn)的轉(zhuǎn)動(dòng)角度,從而達(dá)到自適應(yīng)調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)感知方向的目的。針對(duì)同時(shí)關(guān)閉冗余節(jié)點(diǎn)造成的網(wǎng)絡(luò)覆蓋盲點(diǎn)問(wèn)題,本文引入學(xué)習(xí)自動(dòng)機(jī),根據(jù)其與周圍環(huán)境的交互、自身動(dòng)作的獎(jiǎng)懲等增強(qiáng)學(xué)習(xí)機(jī)制,經(jīng)過(guò)有限次學(xué)習(xí)過(guò)程學(xué)習(xí)到更為合理的冗余節(jié)點(diǎn)調(diào)度策略。仿真實(shí)驗(yàn)表明,相對(duì)于PFCEA、VCFCEA算法,本文能夠高效的提升網(wǎng)絡(luò)覆蓋率和覆蓋調(diào)整速度,并學(xué)習(xí)到更為合理的冗余節(jié)點(diǎn)休眠調(diào)度策略,從而實(shí)現(xiàn)了增強(qiáng)網(wǎng)絡(luò)覆蓋的同時(shí)均衡能耗的目的。

參考文獻(xiàn)：

[1] Akyildiz I F, Melodia T, Chowdury K R. Wireless multimedia sensor networks:a survey[J].IEEEWirelessCommunications, 2007, 14(6):32-39.

[2] Ren Y, Zhang S D, Zhang H K. Theories and algorithms of coverage control for wireless sensor networks[J].JournalofSoftware, 2006, 17(3):422-433.(任彥, 張思東, 張宏科. 無(wú)線傳感器網(wǎng)絡(luò)中覆蓋控制理論與算法[J].軟件學(xué)報(bào), 2006, 17(3):422-433.)

[3] Ai J, Abouzeid A A. Coverage by directional sensors in randomly deployed wireless sensor networks[J].JournalofCombinatorialOptimization, 2006, 11(1):21-41.

[4] Tao D, Ma H D. Coverage control algorithms for directional sensor networks[J].JournalofSoftware, 2011, 22(10):2317-2334.(陶丹, 馬華東. 有向傳感器網(wǎng)絡(luò)覆蓋控制算法[J]. 軟件學(xué)報(bào), 2011, 22(10):2317-2334.)

[5] Guvensan M A, Yavuz A G. On coverage issues in directional sensor networks:a survey[J].AdHocNetworks, 2011, 9(7):1238-1255.

[6] Tao D, Ma H D, Liu L. A virtual potential field based coverage-enhancing algorithm for directional sensor networks[J].JournalofSoftware, 2007, 18(5):1152-1163.(陶丹, 馬華東. 基于虛擬勢(shì)場(chǎng)的有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)算法[J]. 軟件學(xué)報(bào), 2007, 18(5):1152-1163.)

[7] Huang H, Sun L, Wang R, et al. A novel coverage enhancement algorithm for image sensor networks[J].InternationalJournalofDistributedSensorNetworks, 2012,32(1):1-11.

[8] Huang S, Cheng L L. A low redundancy coverage-enhancing algorithm for directional sensor network based on fictitious force[J].ChineseJournalofSensorsandActuators, 2011, 24(3):418-422.(黃帥,程良倫. 一種基于虛擬力的有向傳感器網(wǎng)絡(luò)低冗余覆蓋增強(qiáng)算法[J]. 傳感技術(shù)學(xué)報(bào), 2011, 24(3):418-422.)

[9] Zhao J, Zeng J C. A virtual centripetal force-based coverage-enhancing algorithm for wireless multi-media sensor networks[J].IEEESensorsJournal, 2010, 10(8):1328-1334.

[10] Akyildiz I F, Melodia T, Chowdhury K R. Wireless multimedia sensor networks:applications and testbeds[J].ProceedingsoftheIEEE, 2008, 96(10):1588-1605.

[11] Pescaru D, Istin C, Curiac D, et al. Energy saving strategy for video-based wireless sensor networks under field coverage preservation[C]∥ProcoftheIEEEInternationalConferenceonAutomation,QualityandTesting, 2008:289-294.

[12] Chen J, Zhang L, Kuo Y H. Coverage-enhancing algorithm based on overlap-sense ratio in wireless multimedia sensor networks[J].IEEESensorsJournal, 2013, 13(6):2077-2083.

[13] Mohamadi H, Ismail A S, Salleh S, et al. Learning automata-based algorithms for solving the target coverage problem in directional sensor networks[J].WirelessPersonalCommunications, 2013, 73(3):1309-1330.

[14] Mohamadi H, Ismail A S, Salleh S. Utilizing distributed learning automata to solve the connected target coverage problem in directional sensor networks[J].SensorsandActuatorsA:Physical, 2013, 198(1):21-30.

[15] Nicopolitidis P, Papadimitriou G I, Pomportsis A S, et al. Adaptive wireless networks using learning automata[J].IEEEWirelessCommunications, 2011, 18(2):75-81.

陳瑩(1976-),女,副教授,博士,主要研究方向?yàn)槎嗝襟w傳感器網(wǎng)絡(luò)、計(jì)算機(jī)視覺(jué)。

E-mail:chenying@jiangnan.edu.cn

曹立志(1987-),男,碩士研究生,主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)。

E-mail:coleadge@qq.com

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20141120.1831.003.html

Virtual potential field and learning automata based coverage control

algorithm for directional sensor networks

CHEN Ying, CAO Li-zhi

(KeyLaboratoryofAdvancedProcessControlforLightIndustry,MinistryofEducation,

JiangnanUniversity,Wuxi214122,China)

Abstract:Aiming at solving the problems of network coverage enhancement and redundant node scheduling, a coverage control protocol based on virtual potential field and learning automata is presented. An improved virtual force model based on both the distance and the overlapping sensing rate is proposed, which considers the effect of virtual centripetal and tangential force on the perceived angle adjustment. By establishing the relational model between the micro virtual force and the rotational angle, the algorithm macroscopically controls the adjustment of the node angle according to the coverage rate of the overall network, and adjusts the node sensing direction reasonably. Furthermore, a coverage strategy based on learning automata(LA)is presented, in which the LAis designed for information exchange with the surrounding environment according to the overlapping sensing rate and energy level of nodes. It learns to choose the optimal scheduling scheme for redundant nodes in the network. Simulations show that the algorithm can significantly enhance the network coverage, and effectively control the network coverage redundancy.

Keywords:directional sensor network; virtual potential field; learning automata; coverage enhancement; node scheduling

作者簡(jiǎn)介：

中圖分類號(hào)：TP 391

文獻(xiàn)標(biāo)志碼：ADOI:10.3969/j.issn.1001-506X.2015.05.31

基金項(xiàng)目：國(guó)家自然科學(xué)基金(61104213)資助課題

收稿日期：2013-12-18；修回日期：2014-10-12；網(wǎng)絡(luò)優(yōu)先出版日期：2014-11-20。