移动传感器网络非均匀事件区域节点部署优化

针对移动传感器网络中热点事件监测场景,研究传感器节点的快速优化部署策略.首先假定事件随机产生,针对事件优先模型及节点感知误差函数推导基于Voronoi剖分时感知误差最小,然后定义节点有效覆盖权值,证明了当所有节点有效覆盖权值一致时,整个网络覆盖效能将达到最大.结合虚拟力及节点有效覆盖权提出一种分布式优化部署算法SDOA(Sparse Deployment Optimization Algorithm),其在保证覆盖能效最大化时保证网络连通性.最后仿真比较了本文提出部署策略能够快速有效实现对热点区域部署,并保证较高的覆盖效能.     

基于拟物力导向的量子粒子群优化算法的WSN节点部署研究

节点部署是无线传感器网络(Wireless Sensor Network,简称WSN)设计的一个重要方面,它将会影响网络的有效覆盖,连通性和能耗。粒子群算法(Particle Swarm Optimization,简称PSO)可以提高目标区域无线传感器网络的覆盖率。然而该算法在优化过程中易早熟收敛,影响覆盖的优化效果,并且算法复杂度较高。针对该问题文章在量子粒子群算法(Quantum Particle Swarm Optimization,简称QPSO)的基础上,结合拟物力导向的思想,提出了基于拟物力导向的量子粒子群优化算法。通过仿真实验得出,该算法加快了粒子的收敛速度,提高了WSN的覆盖率,同时算法的复杂度降低。     

无线传感器网络覆盖连通性研究

针对无线传感器网络部署区域由于通信障碍和其他一些因素产生的某些节点无法与网络通信的情况,绐出了一种使用节点代理解决监测区域内节点通信不可达的方案,并基于一般意义的网络系统模型提出了一种探测覆盖区域内节点连通性的算法,即基于深度探测的节点覆盖连通性判定算法DBDAFNCJ.节点连通性分析和仿真实验结果表明,节点代理方案可以很好改善节点部署区域内节点通信不可达的情况,同时表明DBDAFNCJ算法可以高效、准确地获悉部署区域内节点连通性的情况.     

基于进化优化的移动感知节点部署算法

 移动传感器网络中节点部署优化直接影响到网络的能量消耗、对目标区域监控的性能及整个网络的生命周期.本文从网络覆盖和能量消耗两个方面,采用多目标优化对节点部署问题建模,并从集中式角度给出了节点部署问题的遗传算法求解过程.针对一类初始中心部署模型进行实验验证,并和基于向量的算法(VEC)、基于维诺图的算法(VOR)及基于边界扩张虚拟力算法(BEVF)进行性能对比,证明了该算法在大多数情况下可使传感器网络对目标区域的覆盖率最大化,同时保证了网络的连通和网络能耗最小,进而延长了网络的生命周期.     

基于蚁群算法的传感器网络节点部署设计

传感器网络节点的人工部署是一类重要的应用方式,为了解决传感器网络节点部署位置的优化问题,提出了基于蚁群算法的传感器网络节点部署设计算法Easidesign.针对蚁群算法在解决传感器节点部署的扩展性问题,提出了贪婪策略、额外信息素蒸发机制等改进方法.Easidesign算法最大特点是充分考虑到当sink节点处于不同位置时对传感器节点部署设计的影响,并且能保证每个部署的节点与sink的连通性,因此Easidesign具有很大的实用价值.通过大量仿真与实验,不仅证明了算法的有效性,而且给出了如何设计算法中的关键参数等问题.     

基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法

针对无线传感器网络中节点通信能力及能量有限的情况,该文提出基于动态分簇路由优化和分布式粒子滤波的传感器网络目标跟踪方法。该方法以动态分簇的方式将监测区域内随机部署的传感器节点划分为若干个簇,并对簇内成员节点与簇首节点之间、簇首节点与基站之间的通信路由进行优化,确保网络能耗的均衡分布,在此基础上,被激活的簇内成员节点并行地执行分布式粒子滤波算法实现目标跟踪。仿真结果表明,该方法能有效地降低传感器网络中节点的总能耗,能在实现跟踪的同时保证目标跟踪的精度。     

自适应多传感器网络覆盖节点部署技术研究

基于多传感器节点圆形数据采集区域相切形成一系列相似三角形在几何原理上的有效性和可行性,提出了一种基于相似三角形的网络节点协同控制节点部署技术.首先把数据采集区域分割为多个几何相似的三角形,保证对监测区域无缝覆盖的同时聚集最少的传感器节点;其次在簇首节点与分簇区域内的传感器节点之间构建高效拓扑;然后建立一种自适应节点失效重建网络拓扑控制机制.仿真实验表明,该节点部署算法可以对监测区域实现完全无缝覆盖,保持网络整体性能高效以及数据传输的可靠性..     

基于混合机制算法的WSN节能优化策略

在WSN(无线传感器网络)节能优化过程中,覆盖模型复杂、抽象难以求解.部分节点利用率与覆盖率存在差异性,从而制约无线传感器网络,使能耗降低.针对此问题,提出一种基于混合机制的算法,利用分治思想将节点分为活跃节点和非活跃节点;将部分覆盖算法和唤醒机制算法相结合,建立最优覆盖模型,然后进行求解,得到最优节能方案.该方法能够充分利用节点的不同特点降低算法复杂度,避免不必要的运算消耗.实验表明:混合机制算法分别降低了活跃节点与非活跃的节点能耗;与单一算法相比较效果显著,网络生命周期得到延长.     

一种新的异构无线传感网覆盖优化算法

针对异构传感器节点在网络初期部署中产生大量覆盖面积冗余的问题，结合相关几何图形知识，以提高网络覆盖率、改善节点分布均匀度为优化目标，提出一种基于节点定向移动来减少节点两两之间覆盖冗余面积的网络覆盖优化算法。算法预先设立判定门限，通过判定两两节点之间覆盖冗余面积与设定门限的大小关系，对节点实施有向性偏移，逐一减少节点之间的覆盖冗余面积。理论分析与实验仿真证明，该算法能够有效提高异构传感器网络部署中的覆盖率，优化节点分布均匀度将近8.7，尤其在大型传感器网络的节点部署中具有极强实用性。     

基于联合感知模型的无线传感器网络连通性覆盖协议

本文研究在没有节点位置信息的情况下,如何有效地保证节点采用联合感知模型且节点通信范围多级可调的无线传感器网络的覆盖质量和连通性.给出了在节点随机部署方式下,网络覆盖质量和网络连通性与工作节点个数、监测区域面积和节点性能参数的关系;设计了一个选取最少工作节点保证网络覆盖质量和网络连通性的调度控制算法(SCA),该算法力求...     

基于节点休眠的水下无线传感器网络覆盖保持分簇算法

为有效延长水下无线传感器网络的生命周期、保持网络覆盖率,该文提出一种基于节点休眠的覆盖保持分簇算法。首先计算网络节点的覆盖冗余度,并对覆盖冗余度高的节点执行休眠策略,然后以网络覆盖率及节点能耗均衡性为目标,采用多目标算法进行求解,再利用TOPSIS法从非支配解集中选出较优解,当有节点死亡时,通过唤醒策略保持网络覆盖率。仿真结果表明,与目前较好的网络规划算法相比,该文算法能够更好地降低网络能耗,延长网络生命周期并保持网络对环境的覆盖率。     

基于拓扑重构的水下移动无线传感器网络拓扑优化

针对水下移动无线传感器网络（MUWSN, mobile underwater wireless sensor networks）拓扑随洋流动态演化对其网络性能会产生很大影响,提出了一种基于拓扑重构的水下移动无线传感器网络拓扑优化方法,首先通过模拟鱼群行为对传感器节点位置进行调整,优化网络覆盖度;其次,利用冗余节点修复网络中不连通位置,消除关键节点,优化网络连通性,最后,通过仿真对比实验验证了该方法的合理性和有效性。实验结果表明,所提算法能在较低能耗下,保证网络覆盖度长期维持在97%左右,连通率达到89%以上。     

基于离散多目标优化粒子群算法的多移动代理协作规划

无线传感器网络中多移动代理协作能快速高效地完成感知数据汇聚任务,但是随着移动代理访问数据源节点数的增加,移动代理携带的数据分组会逐渐增大,导致传感器节点能量负载不均衡,部分数据源节点能耗过快,网络生存期缩短。目前,针对该问题所设计的能耗均衡算法,多以降低多移动代理总能耗为目标,却未充分考虑部分数据源节点能量消耗过快对网络生存期造成的影响。提出离散多目标优化粒子群算法,以网络的总能耗和移动代理负载均衡作为适应度函数,在多移动代理协作路径规划中寻求近似最优解。通过仿真实验验证,所提出的多移动代理协作路径规划,在网络总能耗和网络生存期方面的性能优于同类其他算法。     

一种基于网格划分的水下传感器网络多维优化部署策略

针对水下无线传感器网络节点的部署问题,提出一种基于网格划分的多维优化部署策略。首先,将所需探测水下环境划分成相同规格的网格;然后,综合考虑网络节点数量、网络覆盖率、网络冗余度、网络生存率等指标,构建多目标优化数学模型;最后,采用遗传算法对多维优化部署策略加以实现并进行仿真分析。结果显示：所提策略能够有效地减少部署节点数量,提高网络覆盖率和生存效率,降低网络能耗。     

A Pre-Determined Nodes Deployment Strategy of Two-Tiered Wireless Sensor Networks Based on Minimizing Cost

Nodes deployment is a fundamental factor in determining the connectivity, coverage, lifetime and cost of wireless sensor networks. In this paper, a two-tiered wireless sensor networks consisting of sensor clusters and a base station is considered. Within a sensor cluster, there are many sensor nodes and a relay node. We focus on the deployment strategy for sensor nodes and relay nodes to minimize cost under some constraints. Several means are used. The regular hexagonal cell architecture is employed to build networks. Based on the analysis of energy consumption of sensors and cost of network, an integer programming model is presented to minimize the cost. By the model, number of layers of sensor cluster is determined. In order to balance the energy consumption of sensors on the identical layer, a uniform load routing algorithm is used. The numerical analysis and simulation results show that the waste of energy and cost of wireless sensor networks can be effectively reduced by using the strategy.     

Adaptive directed evolved NSGA2 based node placement optimization for wireless sensor networks

Wireless sensor network (WSN) is a wireless network composed of a large number of static or mobile sensors in a self-organizing and multi-hop manner. In WSN research, node placement is one of the basic problems. In view of the coverage, energy consumption and the distance of node movement, an improved multi-objective optimization algorithm based on NSGA2 is proposed in this paper. The proposed algorithm is used to optimize the node placement of WSN. The proposed algorithm can optimize both the node coverage and lifetime of WSN while also considering the moving distance of nodes, so as to optimize the node placement of WSN. The experiments show that the improved NSGA2 has improvements in both searching performance and convergence speed when solving the node placement problem.

     

A distributed reinforcement learning based sensor node scheduling algorithm for coverage and connectivity maintenance in wireless sensor network

The fundamental challenge for randomly deployed resource-constrained wireless sensor network is to enhance the network lifetime without compromising its performance metrics such as coverage rate and network connectivity. One way is to schedule the activities of sensor nodes and form scheduling rounds autonomously in such a way that each spatial point is covered by at least one sensor node and there must be at least one communication path from the sensor nodes to base station. This autonomous activity scheduling of the sensor nodes can be efficiently done with Reinforcement Learning (RL), a technique of machine learning because it does not require prior environment modeling. In this paper, a Nash Q-Learning based node scheduling algorithm for coverage and connectivity maintenance (CCM-RL) is proposed where each node autonomously learns its optimal action (active/hibernate/sleep/customize the sensing range) to maximize the coverage rate and maintain network connectivity. The learning algorithm resides inside each sensor node. The main objective of this algorithm is to enable the sensor nodes to learn their optimal action so that the total number of activated nodes in each scheduling round becomes minimum and preserves the criteria of coverage rate and network connectivity. The comparison of CCM-RL protocol with other protocols proves its accuracy and reliability. The simulative comparison shows that CCM-RL performs better in terms of an average number of active sensor nodes in one scheduling round, coverage rate, and energy consumption.

     

无线传感器网络拓扑控制策略研究

节能设计是无线传感器网络的首要设计目标,拓扑控制是实现该目标的重要技术之一,其主要目标是在保证网络连通和覆盖的前提下剔除不必要的通信链路,降低节点能耗和减少通信干扰,为MAC协议和路由协议的顺利执行提供基础。文中对传感器网络拓扑控制策略进行了的分析。最后针对目前传感器节点成本仍然很高这一特点,通过仿真得出了在节点随机配置的情况下,保证网络连通和覆盖所需的至少节点数目。并通过仿真分析证明了方案的可行性。