一种用于森林监测的高覆盖率传感器节点布置方法

本发明属于传感器优化布置，具体涉及一种用于森林监测的高覆盖率传感器节点布置方法。

背景技术：

1、随着环境保护意识的不断增强，森林监测已成为重要研究领域。通过监测森林环境中的关键参数（如温度、湿度、土壤水分含量等），能够有效评估森林健康状况并及时预警潜在的生态威胁。在这一领域，无线传感器网络（wireless sensor networks，wsn）因其低功耗、灵活部署和自组织能力，广泛应用于大规模环境监测。传统的森林管理方式，如固定的防火措施或病虫害控制，难以应对森林环境的动态变化。而通过现代无线传感器网络技术，能够实时捕捉森林环境中的变化参数，这对于应对极端温度波动、潜在火灾等风险至关重要。通过采集的数据，管理系统可以及时分析并作出相应调整，从而实施更加精准的保护措施，不仅提升了资源利用效率，还有效保护了森林生态。

2、然而，在实际应用中，如何在保证监测区域高覆盖率的前提下合理布置（布局）传感器节点，尽量减少节点数量以降低成本和能耗，始终是一个重要挑战。目前，传感器节点的布置方法多依赖随机部署或无人机部署，尽管这些方法简单，但常常导致节点分布不均，产生监控盲区和覆盖冗余，进而影响数据采集的准确性。为了解决这些问题，研究者们提出了多种传感器节点布置优化算法，包括虚拟力算法、计算几何算法和智能优化算法等。虽然这些算法通过优化节点位置来提高网络覆盖率和数据传输效率，并减少资源浪费，但它们各有局限。虚拟力算法能够通过模拟节点之间的引力和斥力来调整节点位置，从而达到较好的覆盖效果，但其高度依赖初始条件，且随着节点数量的增加，计算复杂度显著上升，使得该方法在大规模监控场景中的应用效果受到限制。计算几何算法（如voronoi图和delaunay三角剖分）则通过分析传感器节点的几何关系进行优化，但在应对动态变化的监控需求时，其适应性较差，尤其难以实现实时调整以保持较高的覆盖率。智能优化算法（如遗传算法和粒子群优化算法）因其强大的全局搜索能力广受关注，尤其在解决复杂优化问题中表现良好。然而，这些算法通常需要大量的参数调优，且在搜索过程中容易陷入局部最优解，导致优化效率降低。特别是在大规模无线传感器网络的节点部署问题中，如何在确保覆盖率的同时降低算法复杂度并避免过早收敛，始终是一个关键难题。

3、因此，现有的无线传感器网络布置方法在复杂的森林监测场景下存在诸多不足，迫切需要一种新的传感器节点布置方法。

技术实现思路

1、根据以上现有技术中的不足，本发明的目的在于提供一种用于森林监测的高覆盖率传感器节点布置方法，在确保了高覆盖率的同时，简化了节点部署过程并降低能耗，从而提升了无线传感器网络的整体性能。

2、为达到以上目的，本发明采用的技术方案是，一种用于森林监测的高覆盖率传感器节点布置方法，包括以下步骤：

3、s1、设置传感器节点的感知半径、通信半径以及监测区域的大小，同时，生成传感器节点在监测区域内的随机分布信息，传感器节点为无线传感器节点；

4、s2、基于布尔感知模型，计算每个传感器节点对监测区域的覆盖情况，进而建立传感器节点的覆盖率数学模型；

5、s3、将覆盖率数学模型和相切奖励项引入传感器节点的布置过程中，形成高覆盖率无线传感器网络优化布置的目标函数；

6、s4、引入灰狼优化算法gwo，并对其进行改进，将s3中的目标函数作为适应度函数，通过模拟灰狼的捕猎行为，逐步优化传感器节点的位置；改进包括将gwo的线性收敛因子替换为非线性的收敛因子、在gwo中引入遗传变异策略以及基于柯西分布的变异机制；

7、s5、在随机部署的基础上，通过采集传感器节点的随机分布信息，然后根据改进后的gwo生成的部署策略，动态调整传感器节点的位置分布，以提高无线传感器网络的覆盖率并优化传感器节点能耗；经过多次迭代，最大限度覆盖监测区域，当满足迭代终止条件时，输出每个传感器节点的最终位置，获得最终优化的传感器节点布置方案。

8、无线传感器网络wsn即为所有传感器节点组成的网络。节点相切奖励项通常是指在区块链网络中，对于运行节点的参与者所提供的激励措施。布尔感知模型是指在逻辑运算和布尔代数中，对输入变量的敏感性进行分析的模型。

9、传统的灰狼优化算法（grey wolf optimizer，gwo）是一种元启发式算法，其灵感来自于灰狼的社会行为和捕猎策略。该算法模拟了灰狼的捕猎过程，灰狼通过围捕猎物的行为来调整个体的位置，以实现全局优化目标。灰狼群体由α、β、γ和ω四个不同的等级构成，其中α狼负责带领狼群，β和γ狼协助α狼决策，而ω狼则是普通个体。该算法通过这四种角色的协作，不断更新个体的位置，逐步逼近最优解。灰狼优化算法的一个显著优点是其参数设置相对较少，使其相比其他复杂算法更易于实现和调试。其核心参数仅包括收敛因子和捕猎行为相关的常数，这大大简化了算法在不同应用场景中的实施，也降低了参数调优的复杂性。因此，灰狼优化算法在实际应用中表现出较高的鲁棒性和易用性。然而，该算法在局部搜索过程中容易陷入局部最优解，导致全局搜索能力受限，尤其是在处理复杂优化问题时表现不够理想。因此，本发明对其进行了改进。

10、作为本发明的优选方案，所述的s1中，设定无线传感器网络中的传感器节点是同构的，传感器节点的感知半径为rp，通信半径为rc，传感器节点集v表示为v={v1，v2，v3，…，vn}，n是传感器节点的个数，v中的任意一个传感器节点vi的二维坐标表示为（xi，yi），i=1，2，3，…，n；监测区域内设置有监测节点，监测节点集合q表示为q={q1，q2，q3，…，qm}，m是监测节点的个数，q中的任意一个监测节点qj的坐标为（xj，yj），j=1，2，3，…，m；监测区域定义为大小为l×w的矩形区域。

11、作为本发明的优选方案，所述的s1中，设置rc=2rp，保证传感器节点之间能够有效通信并维持整个无线传感器网络的稳定连接。

12、作为本发明的优选方案，所述的s2中，建立传感器节点的覆盖率数学模型的方法为：

13、s21、计算出传感器节点和监测节点的距离矩阵d，公式如下：

14、；

15、式中，dij表示vi与qj之间的距离；计算各个dij即可得到整体的距离矩阵d；

16、s22、计算出各个传感器节点间的距离矩阵a，公式如下：

17、；

18、式中，aik表示vi与传感器节点vk之间的距离，k=1，2，3，…，n且k≠i；计算各个aik即可得到整体的距离矩阵a；

19、s23、基于布尔感知模型，单个传感器节点对qj的监测概率公式为：

20、；

21、式中，per（vi，qj）表示vi能够监测到qj的概率；

22、s24、所有传感器节点对qj的联合感知概率表示为：

23、；

24、式中，pjoint（v，qj）表示所有传感器节点集v对监测节点qj的联合覆盖概率；

25、s25、将监测区域划分为等面积的l×w个网格，每个网格的中心代表一个监测节点，则覆盖率cr表示为：

26、；

27、式中，x、y表示网格中心的坐标，从坐标轴原点开始不断增加来表示l×w个网格的中心点；即表示第个监测节点；通过cr表示无线传感器网络覆盖监测区域的比例。

28、作为本发明的优选方案，所述的s3中，切线奖励项表示为：

29、；

30、式中，是距离的容差范围；e为指示函数，当满足括号内条件时e等于1，否则e等于0；（xi，yi）即为vk的二维坐标；

31、高覆盖率无线传感器网络优化布置的目标函数表示为：

32、；

33、式中，是平衡切线奖励贡献的权重因子。

34、作为本发明的优选方案，所述的s4中，非线性的收敛因子factor表示为：

35、；

36、式中，maxiter是最大迭代次数；iter是当前迭代次数；

37、遗传变异策略包括遗传策略和变异策略，遗传策略表示为：

38、；

39、式中，mod表示取余数；是同余符号；、、分别代表种群中适应度最高的三个狼个体；p表示种群中的第p个解（狼个体即为潜在的解）；xp表示子一代的第p个狼个体；

40、表达式在数学中表示p除以3的余数是1，其余以此类推；

41、变异策略为，随机选择维度dr：

42、；

43、式中，d为种群维度大小；randint为一个函数调用，用于生成一个随机整数；则：

44、；

45、式中，表示在维度dr下变异后的第p个狼个体；r是均匀分布在[0，1]中的随机数，用于确定是否发生突变；q是突变率，表示发生突变的概率；n（0，1）是标准正态分布，用于引入随机扰动；ms是突变强度，控制对狼个体应用突变的强度大小；

46、柯西分布的变异机制为，柯西分布函数表示为：

47、；

48、式中，c表示用于突变的柯西分布变量；是指示分布峰值的位置参数；是控制分布离散度的尺度参数；rand是0到1之间的均匀分布随机数；

49、在得到当前全局最优解后，利用柯西变异对当前全局最优解进行更新，表示为：

50、；

51、式中，表示全局最优解在第q维的新坐标；表示全局最优解在第q维的坐标；表示从标准柯西分布中抽取的随机数。

52、作为本发明的优选方案，在遗传策略中，针对适应度最高的3个狼个体应用遗传策略，将其优良特性依次传递给下一代的5个狼个体，以确保保留最优个体并增加种群的多样性；此时，p=1，2，3，4，5，表示遗传策略作用于子代中的5个狼个体；在变异策略中，适应度排名为4至n的狼个体将进行变异操作，随后重新进行适应度排序，并将适应度最后两位的个体淘汰，生成子代个体，n为种群数量。

53、作为本发明的优选方案，所述的s5中，获得最终优化的传感器节点布置方案的具体方法为：

54、s51、在改进后的gwo中，传感器节点的集合表述为：

55、；

56、式中，x表示总体矩阵；表示维度d下第n个狼个体在搜索空间中的位置；表示第n个狼个体的第d维度；每个狼个体都包含所有传感器节点的数量和位置信息；

57、s52、第i个狼个体的初始位置为xi，i=1，2，3，…，n，n为种群数量；每个狼个体均代表一个潜在的布置方案，每个狼个体的位置在解空间中由一组候选变量的值定义，xi由下式给出：

58、；

59、式中，、分别表示第i个候选变量中d维变量的下界和上界；r为在[0，1]范围内均匀分布的随机数；

60、s53、根据适应度的值，将狼个体分为四个等级，从最高到最低依次为α、β、γ和ω，其中，α、β和γ代表适应度排名前三的狼个体，即为三个头狼，分别对应当前最佳解、次佳解、通用解；剩余的狼个体ω为普通狼，代表候选解；适应度函数即为s3中的目标函数；

61、s54、执行gwo中的包围策略，计算普通狼与头狼之间的距离：

62、；

63、；

64、式中，是表示普通狼与头狼y之间距离的向量；是影响的系数；表示头狼y在时间t时的位置向量；表示普通狼在时间t时的位置向量；是均匀分布在范围[0，1]内的随机向量；

65、s55、根据普通狼与头狼之间的距离更新普通狼的位置，表示为：

66、；

67、；

68、式中，factor即为s4中非线性的收敛因子；表示头狼y当前的位置向量；是影响更新位置的系数，计算时通过factor控制调整幅度；是受影响的更新后的位置；是均匀分布在范围[0，1]内的随机向量；

69、s56、更新种群位置的公式为：

70、；

71、式中，是下一个时间步更新的位置向量，代表当前头狼的平均位置；

72、s57、进行多方向包围，α、β、γ三个头狼从不同的方向包围猎物，通过多方向搜索探索整个解空间；

73、s58、在迭代搜索的过程中，通过控制factor的大小，动态调整包围圈，寻找最优解，最优解即为最大限度覆盖监测区域的传感器节点布置方案。

74、作为本发明的优选方案，所述的s58中，迭代过程中，逐步缩小factor，从而缩小搜索范围，逐渐收紧包围圈。

75、作为本发明的优选方案，所述的s5中，迭代终止条件为，迭代次数达到最大迭代次数300次，或者无线传感器网络对于监测区域的覆盖率高于设定的覆盖率阈值。

76、本发明涉及的算法可以通过电子设备执行，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，通过处理器执行软件实现上述的算法计算。

77、本发明所具有的有益效果是：

78、本发明确在保高覆盖率的同时，减少了传感器节点之间覆盖区域的冗余，从而降低了传感器数据处理的能耗，提升了无线传感器网络的整体性能。该方法不仅需要具备更强的全局搜索能力，还能够适应动态环境，确保在有限的传感器节点数量下实现对需要监测的目标区域的全面覆盖，进而保障森林环境监控的精准性和实时性。

79、本发明结合了通过引入灰狼优化算法及其多个改进策略，包括非线性收敛因子、遗传变异策略和柯西变异，有效优化了森林监测无线传感器网络的传感器节点布置，不仅弥补了传统灰狼优化算法的不足，还在收敛性、全局搜索能力和鲁棒性方面表现出色。同时，基于森林监测无线传感器网络的覆盖率数学模型和节点相切奖励项，构建了一个新的目标函数。该目标函数不仅考虑了覆盖率，还尝试优化传感器节点的空间布置，降低冗余覆盖，以使传感器节点配置更加合理。这一方法有效结合了实用性和理论优化，实现了通过调整传感器的空间分布来优化网络的整体性能。优化后的无线传感器网络在覆盖率和能耗方面均表现出显著提升，节点冗余显著减少。

80、本发明通过使用变异灰狼优化算法自动调整传感器节点的位置，并结合非线性收敛因子控制全局和局部搜索的平衡，遗传变异策略增加了种群的多样性，而柯西变异进一步提升了全局搜索能力，避免了陷入局部最优解的风险。相切奖励项的引入进一步减少了节点冗余，优化了传感器的空间分布，显著提升了网络的整体性能。这一组合策略确保系统在复杂监控场景下实现了更高的覆盖率和能耗控制。

81、本发明不仅适用于森林监测，还具有广泛的应用前景，可推广至其他大规模环境监测、农业传感器网络等领域。通过优化算法的改进，显著提升了网络的覆盖效率和能耗控制，为复杂监控场景提供了有效的解决方案。