摘 要：在實(shí)際的視頻傳感器網(wǎng)絡(luò)監(jiān)測環(huán)境中，通常會存在較多障礙物對監(jiān)測區(qū)域形成遮擋，從而產(chǎn)生監(jiān)測盲區(qū)。此外，視頻傳感器初始部署時往往采用隨機(jī)部署的方式，會導(dǎo)致部分傳感器節(jié)點(diǎn)位于監(jiān)測區(qū)域的邊界處，使得其感知范圍超出監(jiān)測區(qū)域，從而影響整體覆蓋效果。針對上述問題，提出了一種基于邊界機(jī)制融合虛擬力算法的視頻傳感器網(wǎng)絡(luò)覆蓋優(yōu)化方法。首先，采用邊界機(jī)制將視頻傳感器節(jié)點(diǎn)的感知范圍約束在監(jiān)測范圍內(nèi)；其次，引入虛擬力算法，通過調(diào)整節(jié)點(diǎn)與節(jié)點(diǎn)之間、節(jié)點(diǎn)與障礙物之間的相互作用力，實(shí)現(xiàn)避障功能；最后，采用改進(jìn)的鯨魚優(yōu)化算法進(jìn)行覆蓋優(yōu)化。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效提升視頻傳感器網(wǎng)絡(luò)的覆蓋率。

關(guān)鍵詞：視頻傳感器網(wǎng)絡(luò)；多障礙物；邊界機(jī)制；虛擬力算法；覆蓋優(yōu)化；節(jié)點(diǎn)部署

中圖分類號：TP39；TN919.82 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2025）05-00-05

0 引 言

視頻傳感器網(wǎng)絡(luò)（Video Sensor Networks， VSNs）在終端集成了音頻、視頻、圖像等采集設(shè)備（如麥克風(fēng)和攝像機(jī)等），從而大幅提升了傳感器網(wǎng)絡(luò)在聲音、圖像和視頻方面的采集與處理能力[1]，能夠獲取更為豐富、全面的待監(jiān)測對象的信息。視頻傳感器網(wǎng)絡(luò)已被廣泛應(yīng)用于環(huán)境監(jiān)測[2]、氣象監(jiān)測[3]、城市交通管理[4]等多個領(lǐng)域。目前，視頻傳感器網(wǎng)絡(luò)大多采用隨機(jī)部署的方式，直接投擲或?yàn)佋诖O(jiān)測區(qū)域，這種部署方式往往會導(dǎo)致視頻傳感器網(wǎng)絡(luò)在待監(jiān)測區(qū)域內(nèi)形成覆蓋重疊或空洞，導(dǎo)致待監(jiān)測區(qū)域內(nèi)的目標(biāo)無法得到有效覆蓋。為了實(shí)現(xiàn)視頻傳感器網(wǎng)絡(luò)對待監(jiān)測區(qū)域的無縫覆蓋，需要合理地部署視頻傳感器網(wǎng)絡(luò)，對視頻傳感器節(jié)點(diǎn)的位置和方向進(jìn)行調(diào)整。同時，在實(shí)際的監(jiān)測環(huán)境中，往往會出現(xiàn)各種障礙物，如建筑物、山脈等，并且部署在監(jiān)測區(qū)域邊界處的傳感器節(jié)點(diǎn)的感知范圍會超出監(jiān)測區(qū)域，影響網(wǎng)絡(luò)的整體覆蓋效果。因此，需要對障礙物場景下的視頻傳感器網(wǎng)絡(luò)進(jìn)行覆蓋優(yōu)化，確保待監(jiān)測區(qū)域的全面覆蓋，降低部署成本。

文獻(xiàn)[5]針對監(jiān)測區(qū)域存在障礙物的VSNs覆蓋優(yōu)化問題，提出了一種改進(jìn)的競爭群優(yōu)化方法，該方法通過結(jié)合虛擬力和Vironoi圖來提高網(wǎng)絡(luò)的覆蓋性能。文獻(xiàn)[6]針對多障礙物場景下野生動物監(jiān)測的視頻傳感器節(jié)點(diǎn)部署問題，提出了一種針對受障礙物影響的虛擬力與粒子群融合的視頻傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法，有效提高了節(jié)點(diǎn)在障礙物場景中的覆蓋率。文獻(xiàn)[7]提出了一種基于粒子群算法的面向三維感知有向傳感器節(jié)點(diǎn)的網(wǎng)絡(luò)覆蓋優(yōu)化算法，通過調(diào)節(jié)重疊覆蓋區(qū)域、有效覆蓋區(qū)域與障礙物遮擋區(qū)域之間的相互作用力，有效提高了網(wǎng)絡(luò)的覆蓋率。文獻(xiàn)[8]針對特定地理位置和存在障礙物情況下的無線傳感器網(wǎng)絡(luò)隨機(jī)部署問題，提出了一種高效的自主部署方案，通過使用避障虛擬力算法，增強(qiáng)網(wǎng)絡(luò)覆蓋范圍，并確保存在障礙物時的網(wǎng)絡(luò)連接。

綜上所述，針對障礙物場景下的視頻傳感器覆蓋優(yōu)化，考慮節(jié)點(diǎn)與節(jié)點(diǎn)之間、節(jié)點(diǎn)與障礙物間的相互作用力，可以有效提高網(wǎng)絡(luò)的覆蓋率。因此，本文針對多障礙物場景下視頻傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的部署問題，在改進(jìn)鯨魚優(yōu)化算法的基礎(chǔ)上，提出了一種邊界機(jī)制融合虛擬力算法的視頻傳感器網(wǎng)絡(luò)覆蓋優(yōu)化方法，即BVFA+SGWOA（Boundary Virtual Force with Second Generation Whale Optimization Algorithm），實(shí)現(xiàn)了對監(jiān)測區(qū)域的覆蓋優(yōu)化。該方法不僅能使節(jié)點(diǎn)在部署過程中有效避開各種形狀的障礙物，還能將超出邊界的節(jié)點(diǎn)的感知范圍約束在監(jiān)測區(qū)域內(nèi)。

1 多障礙物場景下的有效覆蓋面積

假設(shè)監(jiān)測區(qū)域是面積為L×L的二維封閉平面 ，在此監(jiān)測區(qū)域中隨機(jī)部署N個視頻傳感器節(jié)點(diǎn){s1， s2， ...， sN}。

為了使多障礙物場景下的視頻傳感器網(wǎng)絡(luò)覆蓋時使用最少的節(jié)點(diǎn)，且在避障前提下，使得有效覆蓋率最大化，可以將多障礙物場景下的視頻傳感器網(wǎng)絡(luò)覆蓋率最大化問題表述為：找到一組lt;α*1， α*2， ...， α*Ngt;的視頻傳感器節(jié)點(diǎn)的最優(yōu)有效覆蓋率，在避免障礙物阻擋的情況下，使得目標(biāo)函數(shù)pr（α*1， α*2， ...， α*N）取得最大值，其數(shù)學(xué)表達(dá)式如下：

2 多障礙物場景下視頻傳感器網(wǎng)絡(luò)覆蓋優(yōu)化問題分析

本文在改進(jìn)的鯨魚優(yōu)化算法（SGWOA）的基礎(chǔ)上，對多障礙物場景下的障礙物規(guī)避和分布在邊界區(qū)域的邊界節(jié)點(diǎn)的處理方法進(jìn)行研究，提出了一種基于邊界機(jī)制和虛擬力（BVFA）的視頻傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法。該算法將傳感器節(jié)點(diǎn)視作虛擬勢場中的電荷，各電荷之間都存在引力或斥力。通過分析虛擬電荷與障礙物及邊界節(jié)點(diǎn)之間虛擬力的相互作用，靈活調(diào)整傳感器節(jié)點(diǎn)的感知方向，使其避開障礙物，并將邊界節(jié)點(diǎn)的感知方向向監(jiān)測區(qū)域旋轉(zhuǎn)，從而顯著提高網(wǎng)絡(luò)覆蓋率，增強(qiáng)算法的覆蓋性能。

2.1 邊界機(jī)制

為了解決邊界節(jié)點(diǎn)感知范圍超出監(jiān)測區(qū)域的問題，利用邊界機(jī)制方案來約束邊界處的視頻傳感器節(jié)點(diǎn)，確保其感知范圍不超出指定的邊界，有助于提高視頻傳感器的覆蓋率。邊界機(jī)制[5]通常是用于約束候選解的群體在整個可行性空間中進(jìn)行搜索，這種搜索機(jī)制的數(shù)學(xué)表達(dá)式如下：

2.2 虛擬力分析

為了研究虛擬力下的覆蓋優(yōu)化算法，對視頻傳感器節(jié)點(diǎn)的虛擬力進(jìn)行分析，利用虛擬力來模擬傳感器節(jié)點(diǎn)之間的相互作用。虛擬力被定義為傳感器節(jié)點(diǎn)之間的排斥力或吸引力，通過虛擬力來優(yōu)化傳感器節(jié)點(diǎn)的位置和方向，能夠解決傳感器節(jié)點(diǎn)間的覆蓋和重疊問題，可以有效提高整個視頻傳感器網(wǎng)絡(luò)的覆蓋性能。假設(shè)每個傳感器節(jié)點(diǎn)si會受到來自其相鄰傳感器節(jié)點(diǎn)sj的吸引力或排斥力（Fij）和來自障礙物或邊界處的吸引力或排斥力（Fiob），則視頻傳感器節(jié)點(diǎn)上的合力為：

2.2.2 視頻傳感器節(jié)點(diǎn)對障礙物或邊界處的作用力

在實(shí)際的監(jiān)測環(huán)境中，通常會存在各種形狀的障礙物，并且處在邊界區(qū)域的邊界節(jié)點(diǎn)的感知覆蓋范圍會超出邊界，此時障礙物或邊界處會對傳感器節(jié)點(diǎn)施加排斥力。圖1所示為障礙物或邊界處的受力分析圖，其中ci是有向傳感器節(jié)點(diǎn)的質(zhì)心點(diǎn)，其位置是在扇形對稱軸上，并且一個傳感器節(jié)點(diǎn)有且只有一個質(zhì)心點(diǎn)。在虛擬勢場中，質(zhì)心點(diǎn)會受到一個或多個質(zhì)心點(diǎn)的斥力作用，視頻傳感器節(jié)點(diǎn)的監(jiān)測區(qū)域中存在障礙物或節(jié)點(diǎn)處于邊界區(qū)域時，障礙物和邊界處任意一點(diǎn)pi到視頻傳感器節(jié)點(diǎn)質(zhì)心的斥力分別為Fib和Fio，兩者的合力為Fiob，因此當(dāng)視頻傳感器節(jié)點(diǎn)的質(zhì)心受到合力Fiob的作用時，傳感器節(jié)點(diǎn)受合力的影響會沿逆時針方向轉(zhuǎn)動。

假設(shè)diob是傳感器節(jié)點(diǎn)si到障礙物或邊界處bj的垂直距離，dth_iob是預(yù)先設(shè)定的傳感器節(jié)點(diǎn)到障礙物或邊界處的閾值距離。當(dāng)diob小于dth_iob時，則障礙物或邊界對傳感器節(jié)點(diǎn)si產(chǎn)生排斥力，其表達(dá)式如下：

3 基于BVFA+SGWOA算法在多障礙物場景下的覆

蓋優(yōu)化

本文將SGWOA覆蓋優(yōu)化算法和BVFA算法相結(jié)合，提出了一種基于BVFA+SGWOA的多障礙物場景下的覆蓋優(yōu)化算法。

本文根據(jù)SGWOA算法的原理，首先將視頻傳感器節(jié)點(diǎn)看作鯨魚個體，計(jì)算每只鯨魚的適應(yīng)度函數(shù)值，適應(yīng)度函數(shù)值表示視頻傳感器節(jié)點(diǎn)的覆蓋效果，對每只鯨魚個體加入邊界機(jī)制和虛擬力算法，保證每只鯨魚的移動在設(shè)定的邊界范圍內(nèi)，計(jì)算相鄰鯨魚間的相互作用力。假設(shè)當(dāng)前最佳鯨魚個體的位置X″為（X1″， X2″， ...， Xi″），其中Xi″=（xi″， yi″），鯨魚個體的位置X j為（X1j， X2j， ...， Xij），則鯨魚個體在最佳鯨魚個體的影響下的最新位置X j_new為（X1j_new， X2j_new， ...， Xij_new）。在鯨魚每次迭代時，由式（8）、式（9）和式（10）更新鯨魚的位置和方向：

4 實(shí)驗(yàn)結(jié)果與性能分析

4.1 實(shí)驗(yàn)結(jié)果

本文在MATLAB2016a環(huán)境下進(jìn)行實(shí)驗(yàn)仿真，節(jié)點(diǎn)隨機(jī)部署在500 m×500 m的矩形區(qū)域內(nèi)，隨機(jī)部署形狀不一的障礙物，其他相關(guān)參數(shù)設(shè)置見表1。

圖2（a）所示為初始狀態(tài)下傳感器節(jié)點(diǎn)的分布圖，其初始覆蓋率p0=48.46%。此時由于在監(jiān)測區(qū)域中存在障礙物，以及邊界區(qū)域的邊界節(jié)點(diǎn)超出監(jiān)測區(qū)域范圍，使得視頻傳感器網(wǎng)絡(luò)覆蓋率較低。采用多障礙物下的基于BVFA+SGWOA的視頻傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法優(yōu)化后的傳感器節(jié)點(diǎn)分布圖如圖2（b）、圖2（c）和圖2（d）所示，分別為迭代次數(shù)t=200、t=400和t=700時的視頻傳感器覆蓋優(yōu)化狀態(tài)圖。從視頻傳感器覆蓋優(yōu)化狀態(tài)圖中可以看出，當(dāng)?shù)螖?shù)從t=0開始依次增加時，通過BVFA+SGWOA算法的視頻傳感器網(wǎng)絡(luò)的覆蓋優(yōu)化性能顯著增加，覆蓋率從初始部署48.46%增加到74.36%，增加了25.9個百分點(diǎn)，并且在障礙物周圍的各個傳感器節(jié)點(diǎn)的方向也發(fā)生了變化，達(dá)到了避障的效果，尤其是邊界處邊界節(jié)點(diǎn)的覆蓋性能也得到了顯著改善，極大地減少了超出邊界范圍的邊界節(jié)點(diǎn)數(shù)目。

圖3所示為BVFA+SGWOA算法的覆蓋率變化趨勢圖。初始階段隨著算法迭代次數(shù)的增加，視頻傳感器網(wǎng)絡(luò)的覆蓋率呈明顯上升趨勢；之后隨著迭代次數(shù)的逐步增加，視頻傳感器網(wǎng)絡(luò)的覆蓋率增長速度逐漸減慢；當(dāng)?shù)螖?shù)達(dá)到700次時，視頻傳感器網(wǎng)絡(luò)的覆蓋率增量趨于0，此時視頻傳感器網(wǎng)絡(luò)的覆蓋率為p=74.36%。

綜上所述，當(dāng)監(jiān)控區(qū)域存在障礙物或邊界節(jié)點(diǎn)落入邊界區(qū)域時，基于BVFA+SGWOA算法能夠有效避開障礙物的遮擋，并且可以通過與邊界處的斥力作用，調(diào)整邊界節(jié)點(diǎn)方向，從而顯著提升視頻傳感器網(wǎng)絡(luò)的覆蓋性能。

4.2 性能分析

為了驗(yàn)證本文所提方法的有效性，分別對視頻傳感器網(wǎng)絡(luò)參數(shù)和所提BVFA+SGWOA算法中各參數(shù)的變化對區(qū)域覆蓋率的具體影響進(jìn)行分析，并將本文方法與VF+IC-PSO[6]和GA[10]算法進(jìn)行比較，以視頻傳感器網(wǎng)絡(luò)的覆蓋率作為指標(biāo)來評估視頻傳感器網(wǎng)絡(luò)的覆蓋性能。

圖4反映了感知半徑R、障礙物數(shù)量對網(wǎng)絡(luò)覆蓋率性能的影響。由圖4可知，相較于其他三種覆蓋優(yōu)化方法，BVFA+SGWOA算法的覆蓋優(yōu)化性能最好，隨著感知半徑R的增加，其覆蓋率呈線性增長趨勢；隨著障礙物數(shù)量的逐漸增加，所有算法的覆蓋率都逐漸減少，但BVFA+SGWOA算法的覆蓋率始終高于其他算法。

5 結(jié) 語

本文主要研究了在多障礙物場景下的邊界視頻傳感器的覆蓋優(yōu)化方法。首先分析了實(shí)際監(jiān)測場景中存在的多障礙物和邊界節(jié)點(diǎn)感知范圍超出待檢測區(qū)域的問題給視頻傳感器網(wǎng)絡(luò)覆蓋性能帶來的影響，在此基礎(chǔ)上提出了邊界機(jī)制融合虛擬力算法的覆蓋優(yōu)化方法，通過邊界機(jī)制將傳感器節(jié)點(diǎn)限制在指定的區(qū)域中，然后引入虛擬力算法來調(diào)整傳感器節(jié)點(diǎn)的感知方向，最后采用改進(jìn)SGWOA算法來優(yōu)化網(wǎng)絡(luò)的覆蓋性能。實(shí)驗(yàn)結(jié)果表明，相較于其他優(yōu)化方法，本文所提出的覆蓋優(yōu)化算法性能更加優(yōu)秀，能夠有效提升視頻傳感器網(wǎng)絡(luò)的覆蓋率。

參考文獻(xiàn)

[1]權(quán)恩猛. 視頻傳感器網(wǎng)絡(luò)覆蓋算法研究[D].綿陽：西南科技大學(xué)，2018.

[2] JAMROEN C， KOMKUM P， FONGKERD C， et al. An intelligent irrigation scheduling system using low-cost wireless sensor network toward sustainable and precision agriculture [J]. IEEE access， 2020， 8： 172756-172769.

[3] AL QUNDUS J， DABBOUR K， GUPTA S， et al. Wireless sensor network for AI-based flood disaster detection [J]. Annals of operations research， 2020， 319： 697-719.

[4] HILMANI A， MAIZATE A， HASSOUNI L. Automated real-time intelligent traffic control system for smart cities using wireless sensor networks [J]. Wireless communications mobile computing， 2020： 1-28.

[5] MUSIKAWAN P， KONGSOROT Y， MUNEESAWANG P， et al. An enhanced obstacle-aware deployment scheme with an opposition-based competitive swarm optimizer for mobile WSNs [J]. Expert systems with applications， 2022， 189： 116035.

[6] ZHANG Y. Research on video sensor networks coverage optimization method in obstacle scene [C]// 2023 2nd International Conference on Machine Vision， Automatic Identification and Detection（MVAID 2023）. HangZhou， China： Journal of Physics： Conference Series， 2023.

[7]李娜，向鳳紅，毛劍琳，等. 多障礙場景的有向傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法[J]. 計(jì)算機(jī)工程，2015，41（4）：19-25.

[8] ROUT M， ROY R. Dynamic deployment of randomly deployed mobile sensor nodes in the presence of obstacles [J]. Ad hoc networks， 2016， 46： 12-22.

[9]關(guān)志艷，黃向生. 隨機(jī)障礙物下的有向傳感器網(wǎng)絡(luò)覆蓋優(yōu)化算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2020，41（11）：2380-2385.

[10]權(quán)恩猛. 基于遺傳算法的多障礙區(qū)域最大覆蓋優(yōu)化 [J]. 工業(yè)控制計(jì)算機(jī)，2017，30（12）：108-110.