传感器网络节点表面部署优化算法.docx

传感器网络节点表面部署优化算法 0 引言 传感器网络节点部署是传感器网络的一个基本问题， 对感知 精确、覆盖优化以及网络拓扑等多方面有重要影响。 传感器网络 的传统部署方式常常采用随机播撒或者人工部署。 随机播撒由于 存在着许多不确定性， 部署质量往往不高， 因此在条件允许时为 提高感知质量一般采用人工部署。 传感器网络的应用广泛， 其部 署情形包括平面、 立体以及立体表面等场景， 因此在特定场景中 如何实现感知节点优化部署， 提高区域的感知效率， 减少感知误 差是传感器网络应用的一个重要问题， 学者针对不同的应用场景 对传感器网络节点的部署进行了大量的研究 [1-13] 。 当前对于传感器网络部署的研究主要集中在平面和立体中 的兴趣区域( Field of Interest ， FoI )的部署研究。对于传 感器节点部署的早期较为经典的研究主要是 K覆盖[4-5]，通过 节点的优化部署， 实现对区域的增强覆盖， 监测区域的每个点都 能被K个感知节点感知。如何在使得覆盖性能优化情况下保证整 个网络连通性，大量学者针对该问题做了大量研究 [6-7] 。 对于立体部署的研究主要应用场景为水下监测 [8-10] 。文献 [10] 提出了一种鱼群启发的水下传感器节点布置算法， 通过模 拟鱼群行为， 并结合拥挤度控制， 使节点自主趋向并覆盖事件， 同时实现节点分布密度与事件分布密度相匹配。 文献 [11] 提出一 种基于检测融合的部署策略，采用NeymanPearson准则融合单元 网格内所有传感器节点的检测信息， 实现正方形和正三角形两种 单元网格的高效覆盖， 进而分别给出针对两种单元网格的监测区 域网格划分方法， 从而确定监测区域需要的传感器节点数量以及 放置的具体位置。 上述研究大多是针对覆盖质量的研究， 而针对感知质量的部 署研究尚较少。 文献 [12] 提出一种本地控制率， 每个传感器节点 结合事件概率密度函数来考虑移动方式。 该函数意义为不同位置 事件发生的概率，若某位置函数值大，则表示事件发生概率大， 可理解为当前区域更加重要，需要更加可靠的感知。然后，节点 通过一个成本函数来确定移动方式。文献 [13] 研究表明对于 3D 表面的传感器网络部署是不同于对应的 2D平面和三维立体的情 况，并被证明表面部署的完全覆盖最优解为 NP难问题。因此前 期对于2D平面和三维立体的研究的算法策略不能直接应用于 3D 表面的部署。 在本文研究中，考虑在 3D表面情形下的Fol，通过优化部 署使得最大化整个网络感知质量。 传感器节点感知模型中的布尔 模型考虑为比较理想情况， 而概率感知模型更加精确。 一般来说 感知节点读取的数据存在误差，对于给定的传感器节点部署在 Fol 中，往往不同的部署策略获取的数据精度各不相同。 本文假定传感器节点集合部署在 Fol的3D表面，节点能够 随机部署在区域上的任何位置。 为优化表面部署性能， 提出一种 测量感知数据不可靠性的函数，研究表面通过广义的质心 Voronoi 剖分达到优化部署。通过保形参数，本文提出了一系列 的算法来实现感知节点的优化部署。 1 问题模型 本文研究的3D表面部署模型为开阔、不封闭、且为凸的， 这样的部署应用较多，如野外山地部署、大型建筑区域等。传感 器节点部署为静态同构， 部署后不能移动， 感知节点的感知半径 和感知能力相同。 传感器节点的感知数据往往存在误差， 造成该 误差的主要原因有很多， 如与目标点距离、 环境干扰感知能力等， 在本文中定义数据感知误差主要由感知节点与监测目标的距离 引起，因此定义误差函数为其距离函数。 2 部署优化方法 下面先研究如何在感知节点部署确定下， 通过合理对每个感 知节点感知区域分区，优化表面感知效果。 优化表面感知问题( Optimal Surface Sensing Problem ， OSSP定义：对于确定的位置部署，寻找一种分区使得 G ( P, V) 最小。 对于给定的区域A和节点位置部署P,对传感器节点的分区 有无限种可能。依据 Voronoi 剖分的定义有： 对于平面V剖分的计算算法较多，通过一个预定义的函数计 算质心V剖分。但平面的V剖分算法不能直接应用于 3D表面， 因为其表面复杂，且距离相对于平面的关系是不同的。 且V剖分 算法的边界条件也限制了其在 3D表面的应用。因此需要一种近 似算法将平面的V剖分有效扩展到3D表面。 3D 表面到平面映射 下面研究如何将3D表面映射到2D平面的问题。主要思想为 通过3D表面参数化实现从3D曲面到平面的映射，将平面的质心 V剖分算法扩展到3D表面，首先在平面计算出质心 V剖分，然 后反映射到3D表面。但是，需要一种特定的表面参数化方法， 其不带边界限制条件。 3D表面参数化的方法采用保角