面向目標(biāo)跟蹤的物聯(lián)網(wǎng)感知層節(jié)點(diǎn)部署優(yōu)化研究

呂立新　阮進(jìn)軍

摘 要：針對(duì)目標(biāo)跟蹤物聯(lián)網(wǎng)感知層節(jié)點(diǎn)動(dòng)態(tài)部署的特點(diǎn)，在人工魚群算法和虛擬力算法的基礎(chǔ)上，設(shè)計(jì)了融入虛擬力影響的人工魚群控制算法，給出了算法的參數(shù)自適應(yīng)調(diào)整策略，該算法利用節(jié)點(diǎn)間的虛擬力來影響人工魚的覓食行為和追尾行為，指導(dǎo)人工魚群的進(jìn)化過程，加快算法的收斂性。仿真實(shí)驗(yàn)結(jié)果顯示，算法能快速有效地實(shí)現(xiàn)無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的部署優(yōu)化，與人工魚群算法和虛擬力算法相比，該算法不僅全局尋優(yōu)能力強(qiáng)，且收斂速度快，可有效提高網(wǎng)絡(luò)覆蓋率，優(yōu)化網(wǎng)絡(luò)性能。

關(guān)鍵詞：物聯(lián)網(wǎng)；感知層節(jié)點(diǎn)；虛擬力；人工魚群算法；部署策略

Abstract：This paper proposes a virtual force-directed artificial fish swarm algorithm， and applied this algorithm to Sensor Layer nodes deployment of Target tracking IOT. In this algorithm， the virtual force influence the foraging behavior and rear-end behavior of artificial fish， direct the moving and updating status of artificial fish for improving the convergence speed. Simulation results show that virtual force-directed artificial fish swarm algorithm has better performance on regional convergence and global searching ability than virtual force algorithm and artificial fish swarm algorithm， and it can implement dynamic sensor nodes deployment efficiently and rapidly.

Key words：Internet of things；Sensor Layer Node；Virtual Force；Artificial fish-swarm algorithm；Deployment strategy

1 引言

物聯(lián)網(wǎng)（The Internet of things）是利用現(xiàn)代通信技術(shù)把傳感器、人員和物體等通過新的方式聯(lián)在一起，形成信息化、智能化的一種網(wǎng)絡(luò)，從結(jié)構(gòu)上可分為感知層、網(wǎng)絡(luò)層、中間層和應(yīng)用層四層。感知層是連接物理世界和信息世界的橋梁，是整個(gè)物聯(lián)網(wǎng)的底層，它將各種設(shè)備上的傳感器通過有線或無線的方式連接起來形成一個(gè)信息采集與控制的網(wǎng)絡(luò)，并把采集到的信息傳遞給物聯(lián)網(wǎng)的上層。在面向目標(biāo)跟蹤的物聯(lián)網(wǎng)應(yīng)用中（如生態(tài)環(huán)境監(jiān)測(cè)、戰(zhàn)場(chǎng)環(huán)境偵察等），要求對(duì)于在監(jiān)測(cè)區(qū)域內(nèi)沿著任意路徑運(yùn)動(dòng)的目標(biāo)都能被感知層節(jié)點(diǎn)發(fā)現(xiàn)，由于目標(biāo)的跟蹤必須由多個(gè)節(jié)點(diǎn)協(xié)同工作來完成，這就要求感知層節(jié)點(diǎn)部署必須有較高的覆蓋率和良好的節(jié)點(diǎn)通信，同時(shí)在目標(biāo)跟蹤的過程中，還要根據(jù)目標(biāo)的位置和重要程度自動(dòng)調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)的布局，以優(yōu)化目標(biāo)跟蹤效果。因此，設(shè)計(jì)有效的感知層節(jié)點(diǎn)部署控制算法，根據(jù)監(jiān)測(cè)區(qū)域合理動(dòng)態(tài)地實(shí)現(xiàn)感知層節(jié)點(diǎn)的部署，提高無線傳感器網(wǎng)絡(luò)覆蓋率和目標(biāo)檢測(cè)概率，同時(shí)降低網(wǎng)絡(luò)耗能，最大化地延長(zhǎng)網(wǎng)絡(luò)壽命，是物聯(lián)網(wǎng)在目標(biāo)跟蹤領(lǐng)域應(yīng)用首先要解決的重要問題。

文獻(xiàn)[1]通過在固定節(jié)點(diǎn)中加入移動(dòng)節(jié)點(diǎn)的方法，使用遺傳算法來進(jìn)行節(jié)點(diǎn)的部署優(yōu)化，雖然遺傳算法有較強(qiáng)的全局搜索能力，但在最優(yōu)解附近收斂速度較慢，無法滿足節(jié)點(diǎn)部署的實(shí)時(shí)性要求。文獻(xiàn)[2]中Howard等人首度將場(chǎng)勢(shì)理論應(yīng)用于傳感器網(wǎng)絡(luò)的覆蓋控制，通過假設(shè)的虛擬勢(shì)場(chǎng)和虛擬受力，使用物理學(xué)中的受力平衡定律來指導(dǎo)網(wǎng)絡(luò)節(jié)點(diǎn)的動(dòng)態(tài)部署。文獻(xiàn)[3-4]將群智能算法應(yīng)用到傳感器節(jié)點(diǎn)的部署優(yōu)化中，提出了一種基于粒子群算法的節(jié)點(diǎn)部署算法，但粒子群算法在空間搜索時(shí)容易過早收斂，使優(yōu)化結(jié)果達(dá)不到要求，同時(shí)粒子群算法無法實(shí)現(xiàn)在節(jié)點(diǎn)部署的過程中對(duì)監(jiān)測(cè)區(qū)域中的障礙物自動(dòng)避讓和根據(jù)跟蹤目標(biāo)的重要程度自動(dòng)調(diào)整網(wǎng)絡(luò)布局的能力。

針對(duì)虛擬力算法、遺傳算法、粒子群算法在感知層節(jié)點(diǎn)部署控制中的不足，本文提出了一種利用虛擬力來指導(dǎo)人工魚的覓食行為和隨機(jī)行為來加快算法的收斂速度的節(jié)點(diǎn)部署控制算法，同時(shí)利用傳感器節(jié)點(diǎn)與熱區(qū)和障礙物之間的虛擬力來實(shí)現(xiàn)對(duì)熱點(diǎn)區(qū)域的重點(diǎn)監(jiān)測(cè)和對(duì)障礙物的有效規(guī)避。針對(duì)人工魚群尋優(yōu)精度底的問題，在算法中采取了自適應(yīng)參數(shù)修正的方法，使算法能自動(dòng)識(shí)別優(yōu)化過程中的不同階段，能根據(jù)尋優(yōu)的不同階段自動(dòng)修正人工魚的移動(dòng)步長(zhǎng)，從而提高算法的尋優(yōu)精度。

2 感知層節(jié)點(diǎn)部署問題描述

針對(duì)目標(biāo)跟蹤物聯(lián)網(wǎng)的節(jié)點(diǎn)部署特點(diǎn)，將移動(dòng)節(jié)點(diǎn)放置在由固定節(jié)點(diǎn)隨機(jī)部署的網(wǎng)絡(luò)中，利用移動(dòng)節(jié)點(diǎn)的可移動(dòng)性，對(duì)網(wǎng)絡(luò)中的節(jié)點(diǎn)部署作一定范圍的動(dòng)態(tài)調(diào)整，用來改善網(wǎng)絡(luò)的覆蓋率和通信連通的目的。在實(shí)現(xiàn)高質(zhì)量的區(qū)域覆蓋和通信連通性要求的同時(shí)，通過移動(dòng)節(jié)點(diǎn)的可移動(dòng)性來實(shí)現(xiàn)對(duì)重點(diǎn)監(jiān)測(cè)區(qū)域的監(jiān)測(cè)和對(duì)監(jiān)測(cè)區(qū)域中的障礙物進(jìn)行有效避讓。

設(shè)在目標(biāo)監(jiān)測(cè)區(qū)域所部署的所有感知層節(jié)點(diǎn)的集合為S={Si，i=1，2，，…，n}，其中移動(dòng)節(jié)點(diǎn)的個(gè)數(shù)為k，固定節(jié)點(diǎn)數(shù)為n-k，設(shè)網(wǎng)絡(luò)當(dāng)前狀態(tài)下所有節(jié)點(diǎn)的位置向量為Z=[Xk，Xn-k，Yk，Yn-k]，其中Xk={x1，x2，…xk}為移動(dòng)節(jié)點(diǎn)的橫坐標(biāo)向量，Yk={y1，y2，…yk}為移動(dòng)節(jié)點(diǎn)的縱坐標(biāo)向量；Xn-k={xk+1，xk+2，…xn}和Yn-k={yk+1，yk+2，…yn}為固定節(jié)點(diǎn)的橫、縱坐標(biāo)向量。感知層節(jié)點(diǎn)的感知模型采用文獻(xiàn)[5]中的改進(jìn)概率感知模型（I-PSM），節(jié)點(diǎn)S對(duì)目標(biāo)T的感知概率P（s，t）可描述為：

其中d（s，t）為節(jié)點(diǎn)與目標(biāo)之間的距離為，r為節(jié)點(diǎn)的感知半徑， ，λ，β是d（s，t）在r-re與r+re環(huán)狀范圍內(nèi)變化時(shí)傳感器的感應(yīng)衰減系數(shù)。感知層節(jié)點(diǎn)的覆蓋率采用文獻(xiàn)[6]提出的聯(lián)合覆蓋率：

其中Scov-t為同時(shí)監(jiān)測(cè)目標(biāo)T的節(jié)點(diǎn)集合，P（si，t）滿足式（1），是傳感器節(jié)點(diǎn)Si對(duì)目標(biāo)T的監(jiān)測(cè)概率。在現(xiàn)實(shí)應(yīng)用中通常根據(jù)不同的應(yīng)用需求設(shè)定一個(gè)目標(biāo)監(jiān)測(cè)點(diǎn)被監(jiān)測(cè)概率的閾值Pth，當(dāng)目標(biāo)的聯(lián)合監(jiān)測(cè)概率滿足式（3）時(shí)，認(rèn)為該目標(biāo)點(diǎn)被監(jiān)測(cè)。

在考慮點(diǎn)對(duì)目標(biāo)區(qū)域的覆蓋時(shí)，首先把目標(biāo)監(jiān)測(cè)區(qū)域用長(zhǎng)度為d的方格離散化，方格的長(zhǎng)度d稱為離散化的粒度。用每個(gè)小方格的中心點(diǎn)來代表這個(gè)方格區(qū)域，若中心點(diǎn)被覆蓋，則表示這個(gè)小方格區(qū)域便被節(jié)點(diǎn)覆蓋。假設(shè)目標(biāo)監(jiān)測(cè)區(qū)域被離散化為m×n個(gè)方格區(qū)域，每個(gè)方格是否被傳感器節(jié)點(diǎn)覆蓋，根據(jù)方格中心點(diǎn)的聯(lián)合監(jiān)測(cè)概率來衡量，則無線傳感器網(wǎng)絡(luò)的區(qū)域覆蓋率可用式4來表示：

面向目標(biāo)跟蹤的物聯(lián)網(wǎng)感知層節(jié)點(diǎn)部署優(yōu)化問題可抽象為以Z為輸入向量，以式（4）為目標(biāo)函，求f（Z）最大極值問題。

3 虛擬力導(dǎo)向的人工魚群算法設(shè)計(jì)

3.1 虛擬力算法

虛擬力算法（Target Involved Virtual Force Algorithm，TIVFA）[7]，通過計(jì)算傳感器節(jié)點(diǎn)之間、傳感器與重點(diǎn)探測(cè)區(qū)域以及傳感器與障礙物之間的虛擬力，為各節(jié)點(diǎn)尋找受力平衡，引導(dǎo)結(jié)點(diǎn)移動(dòng)到新位置，從而實(shí)現(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的部署優(yōu)化。考慮到節(jié)點(diǎn)間的通信距離存在上限的情況，在虛擬力模型中引入通信門限Cth，用于控制不能相互通信節(jié)點(diǎn)間的虛擬力，即當(dāng)兩節(jié)點(diǎn)間的距離大于通信門限時(shí)節(jié)點(diǎn)間的作用為力零，基于上述假設(shè)傳感器節(jié)點(diǎn)j對(duì)節(jié)點(diǎn)i的虛擬力模型如式（5）所示：

其中：Fij表示節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的作用力；dij為兩節(jié)點(diǎn)間的直線距離；θij為節(jié)點(diǎn)i到節(jié)點(diǎn)j的方位角；Wa，Wr分別表示虛擬力的引力系數(shù)和斥力系數(shù)，用于調(diào)節(jié)虛擬力算法布局后節(jié)點(diǎn)的疏密程度。

在節(jié)點(diǎn)部署過程中，一旦綜合受力計(jì)算完畢，節(jié)點(diǎn)將根據(jù)綜合受力的大小和方向移動(dòng)到一個(gè)新的位置。假設(shè)節(jié)點(diǎn)單步移動(dòng)的最大距離為MaxStep，節(jié)點(diǎn)每次移動(dòng)的距離與所受合力的大小正相關(guān)且不超過MaxStep。計(jì)算公式如式6和式7所示：

其中： 分別表示傳感器節(jié)點(diǎn)在x軸方向和y軸方向上的移動(dòng)步長(zhǎng)；Fxy為節(jié)點(diǎn)受到的虛擬力合力；Fx和Fy分別是節(jié)點(diǎn)在x軸方向和y軸方向上所受的分力；Fth是一個(gè)常量代表節(jié)點(diǎn)受力所預(yù)設(shè)的門限值，當(dāng)某個(gè)節(jié)點(diǎn)的合力小于Fth時(shí)，表示該節(jié)點(diǎn)已達(dá)到一個(gè)穩(wěn)定狀態(tài)，該節(jié)點(diǎn)不需再移動(dòng)，當(dāng)所有節(jié)點(diǎn)均不移動(dòng)時(shí)，整個(gè)網(wǎng)絡(luò)就達(dá)到了穩(wěn)定狀態(tài)。

3.2 虛擬力導(dǎo)向下的人工魚群算法

人工魚群算法（artificial fish-swarm algorithm，AfSA）[8]是一種基于模擬魚群行為的優(yōu)化算法，通過魚群中各個(gè)體的覓食、聚群和追尾行行為進(jìn)行解空間的搜索，具有良好的全局極值搜索能力。設(shè)魚群的規(guī)模為m，第i條人工魚個(gè)體的狀態(tài)向量Xi由傳感器網(wǎng)絡(luò)中所有移動(dòng)節(jié)點(diǎn)的位置向量構(gòu)成，即 Xi={xi1，xi2，…，xik，yi1，yi2，…，yik}，其中（xij，yij）（j=1，2，…，k）即表示傳感器網(wǎng)絡(luò)中的第j個(gè)移動(dòng)節(jié)點(diǎn)的坐標(biāo)。人工魚個(gè)體xi和xj間的距離定義為向量間的歐氏距離，即 ，人工魚的感知距離用Visual表示，人工魚移動(dòng)的步長(zhǎng)用Step表示，δ為魚群的擁擠度因子。

在虛擬力導(dǎo)向魚群算法中人工魚的覓食行為可定義為：假定人工魚的當(dāng)前狀態(tài)為Xi，在 范圍內(nèi)，隨機(jī)地選擇一個(gè)狀態(tài)Xj，如果f（Xj）大于f（Xi），則按式（8）更新自己的狀態(tài)，否則重新隨機(jī)選擇狀態(tài)Xj，再次判斷是否滿足上述條件，反復(fù)嘗試一定次數(shù)后，如果仍不滿足前進(jìn)條件，則按（9）式隨機(jī)移動(dòng)一步。

其中：c1和c2為可調(diào)整的權(quán)重系數(shù)，分別表示魚群算法和虛擬力算法在虛擬導(dǎo)向魚群算法中的影響程度。

人工魚的聚群行為可描述為：假定人工魚的當(dāng)前狀態(tài)為Xi，在其可感知的范圍內(nèi)有nf個(gè)人工魚，則形成一個(gè)魚群集合 ，如果 ，且魚群中心的食物濃度f（Xc），滿足 表示魚群中心有較多的食物，則人工魚由按式10更新自己的狀態(tài)，向魚群中心位置前進(jìn)一步，否則，人工魚執(zhí)行覓食行為。

人工魚的追尾行為可描述為：假定人工魚的當(dāng)前狀態(tài)為Xi，在其可感知的范圍內(nèi)的nf個(gè)人工魚中，Xmax狀態(tài)的人工魚的食物濃度f（Xmax）最大，如果滿足 ，則人工魚由當(dāng)前的位置按式11更新自己的狀態(tài)，向Xmax方向前進(jìn)一步，否則執(zhí)行覓食行為。

為了提高算法的全局極值域搜索精度，使用最優(yōu)值變化率K作為是否進(jìn)行參數(shù)調(diào)整的依據(jù)，使算法在執(zhí)行過程中根據(jù)極值變化率自適應(yīng)的調(diào)整尋優(yōu)參數(shù)，K的定義如下：

f（t）表示算法演化到第t代時(shí)的目標(biāo)函數(shù)值，f（t-n）是第t-n代的目標(biāo)函數(shù)值，n是一個(gè)間隔常量，K的意義是算法在演化n代內(nèi)最優(yōu)值的相對(duì)變化率，當(dāng)K的值小于某個(gè)即定值Kth時(shí)，表示算法在n代的計(jì)算過程中目標(biāo)函數(shù)值沒發(fā)生太大的變化，意味著進(jìn)入滿意解域，需要改變?nèi)斯~的移動(dòng)步長(zhǎng)Step和魚群的擁度因子δ，以提高搜索精度，步長(zhǎng)和擁擠度用式13和14進(jìn)行更新。

其中：α，β分別為步長(zhǎng)和擁擠度的縮減因子，本文取α=0.6，β=0.5；Stepmin，δmin為步長(zhǎng)和擁擠度的最低門限值。

虛擬力導(dǎo)向魚群算發(fā)的總流程如圖1所示

4 仿真實(shí)驗(yàn)與分析

假設(shè)在一個(gè)長(zhǎng)度L為100米的正方形區(qū)域內(nèi)部署物聯(lián)網(wǎng)感知層節(jié)點(diǎn)，用于對(duì)這一區(qū)域中的移動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)地監(jiān)測(cè)、跟蹤。節(jié)點(diǎn)總數(shù)為100個(gè)，其中固定節(jié)點(diǎn)50個(gè)，移動(dòng)節(jié)點(diǎn)數(shù)k=50個(gè)，監(jiān)測(cè)區(qū)域離散化粒度d為8cm，所有傳感器節(jié)點(diǎn)的感知半徑為r=6m，通信半徑R=3r=18m，監(jiān)測(cè)可靠性參數(shù)re=0.5r=3，概率監(jiān)測(cè)閾值Pth=0.8；節(jié)點(diǎn)的概率感知模型參數(shù)分別為λ1=1，λ2=0，β1=1.5，β2=1.0；虛擬力算法參數(shù)分別為Wa=1，Wr=5，MaxStep=0.5r=3m，通信門限Cth=R=18m，引力斥力變換門限dth=2r=12m；人工魚群算法參數(shù)為Visual=R=3r=18m，Step=r=6m，δ=0.6，虛擬力導(dǎo)向魚群算法參數(shù)為c1=c2=0.5，最優(yōu)值變化率間距n=10，最優(yōu)值變化率門限值Kth=0.05，步長(zhǎng)和擁擠度縮小因子分別α=0.6，β=0.5，最小步長(zhǎng)和最小擁擠度Stepmin，δmin分別為3m和0.3m。

為了比較虛擬力算法、人工魚群算法和本文設(shè)計(jì)的帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法的節(jié)點(diǎn)部署優(yōu)化效果，在隨機(jī)生成初始化網(wǎng)絡(luò)部署后，別使用這三種算法對(duì)節(jié)點(diǎn)部署進(jìn)行優(yōu)化，計(jì)算迭代次數(shù)均為200代，完成200次迭代的計(jì)算后在Matlab下編程進(jìn)行仿真，仿真結(jié)果如圖2-圖5所示。

虛擬力導(dǎo)向魚群算法迭代至約80代時(shí)已經(jīng)收斂到最優(yōu)值附近，而虛擬力算法和人工魚群算法在運(yùn)算到200代時(shí)還未完全收斂。在有效監(jiān)測(cè)面積上虛擬力算法為84.49%，人工魚群算法為90.48%，帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法為96.83%。從仿真結(jié)果上可見，虛擬力導(dǎo)向的魚群算法的優(yōu)化效果在網(wǎng)絡(luò)覆蓋率、節(jié)點(diǎn)的通信連通性和尋優(yōu)精度三方面均優(yōu)于虛擬力算法和人工魚群算法，而且能實(shí)現(xiàn)存在熱點(diǎn)區(qū)域和障礙區(qū)域環(huán)境下的節(jié)點(diǎn)部署，這是其它2種算法所不能實(shí)現(xiàn)的。

5 結(jié)束語

本文根據(jù)目標(biāo)跟蹤物聯(lián)網(wǎng)感知層節(jié)點(diǎn)的部署特點(diǎn)，設(shè)計(jì)了一種帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法的節(jié)點(diǎn)動(dòng)態(tài)部署策略，該方法利用虛擬力來指導(dǎo)人工魚的覓食行為和隨機(jī)行為來加快算法的收斂速度，同時(shí)利用傳感器節(jié)點(diǎn)與熱區(qū)和障礙物之間的虛擬力來實(shí)現(xiàn)對(duì)熱點(diǎn)區(qū)域的重點(diǎn)監(jiān)測(cè)和對(duì)障礙物的有效規(guī)避，與傳統(tǒng)的優(yōu)化算法相比，該算法收斂速度更快，優(yōu)化效果更好，為物聯(lián)網(wǎng)感知層節(jié)點(diǎn)的部署問題提供了一種有效的解決方案。

[參考文獻(xiàn)]

[1]賈杰，陳劍，常桂然，等.無線傳感器網(wǎng)絡(luò)中基于遺傳算法的優(yōu)化覆蓋機(jī)制[J].控制與決策，2007，22（11）：1289-1292.

[2]Howard M A，G S Sukhatme.Mobile sensor network deployment using potential Fields：a distributed，scalable solution to the area coverage p roblem[A].Proceedings of the 6th International Symposium on Distributed Autono2 mous Robotics Systems [C].Fukuoka：SPR INGER2VERLAG TOKYO，2010.299-308.

[3]Wang X，Wang S，Ma J.Dynamic deployment optimization in wireless sensor networks[J].Lecture Notes in Control and Information Sciences，2006，344：182-187.

[4]王雪，王晟，馬俊杰，等.無線傳感網(wǎng)絡(luò)移動(dòng)節(jié)點(diǎn)位置并行微粒群優(yōu)化策略[J].計(jì)算機(jī)學(xué)報(bào)，2007，30（4）：563-568.

[5]S Li，C Xu，W Pan，Y Pan.Sensor Deployment Optimization for Detecting Maneuvering Targets[C].2005 7th International Conference on Information Fusion，2005.1-7.

[6]王雪，王晟，馬俊杰.無線傳感器網(wǎng)絡(luò)布局的虛擬力導(dǎo)向微粒群優(yōu)化策略[J].電子學(xué)報(bào)，2007，35（11）：2038-2042.

[7]李石堅(jiān)，徐從富，吳朝暉，等.面向目標(biāo)跟蹤的傳感器網(wǎng)絡(luò)布局優(yōu)化及保護(hù)策略[J].電子學(xué)報(bào)，2006，34（1）：71-76.

[8]李曉磊.一種新型的智能優(yōu)化方法一人工魚群算法：[學(xué)位論文].杭州：浙江大學(xué)博士論文，2003.1.

為了比較虛擬力算法、人工魚群算法和本文設(shè)計(jì)的帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法的節(jié)點(diǎn)部署優(yōu)化效果，在隨機(jī)生成初始化網(wǎng)絡(luò)部署后，別使用這三種算法對(duì)節(jié)點(diǎn)部署進(jìn)行優(yōu)化，計(jì)算迭代次數(shù)均為200代，完成200次迭代的計(jì)算后在Matlab下編程進(jìn)行仿真，仿真結(jié)果如圖2-圖5所示。

虛擬力導(dǎo)向魚群算法迭代至約80代時(shí)已經(jīng)收斂到最優(yōu)值附近，而虛擬力算法和人工魚群算法在運(yùn)算到200代時(shí)還未完全收斂。在有效監(jiān)測(cè)面積上虛擬力算法為84.49%，人工魚群算法為90.48%，帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法為96.83%。從仿真結(jié)果上可見，虛擬力導(dǎo)向的魚群算法的優(yōu)化效果在網(wǎng)絡(luò)覆蓋率、節(jié)點(diǎn)的通信連通性和尋優(yōu)精度三方面均優(yōu)于虛擬力算法和人工魚群算法，而且能實(shí)現(xiàn)存在熱點(diǎn)區(qū)域和障礙區(qū)域環(huán)境下的節(jié)點(diǎn)部署，這是其它2種算法所不能實(shí)現(xiàn)的。

5 結(jié)束語

本文根據(jù)目標(biāo)跟蹤物聯(lián)網(wǎng)感知層節(jié)點(diǎn)的部署特點(diǎn)，設(shè)計(jì)了一種帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法的節(jié)點(diǎn)動(dòng)態(tài)部署策略，該方法利用虛擬力來指導(dǎo)人工魚的覓食行為和隨機(jī)行為來加快算法的收斂速度，同時(shí)利用傳感器節(jié)點(diǎn)與熱區(qū)和障礙物之間的虛擬力來實(shí)現(xiàn)對(duì)熱點(diǎn)區(qū)域的重點(diǎn)監(jiān)測(cè)和對(duì)障礙物的有效規(guī)避，與傳統(tǒng)的優(yōu)化算法相比，該算法收斂速度更快，優(yōu)化效果更好，為物聯(lián)網(wǎng)感知層節(jié)點(diǎn)的部署問題提供了一種有效的解決方案。

[參考文獻(xiàn)]

[1]賈杰，陳劍，常桂然，等.無線傳感器網(wǎng)絡(luò)中基于遺傳算法的優(yōu)化覆蓋機(jī)制[J].控制與決策，2007，22（11）：1289-1292.

[2]Howard M A，G S Sukhatme.Mobile sensor network deployment using potential Fields：a distributed，scalable solution to the area coverage p roblem[A].Proceedings of the 6th International Symposium on Distributed Autono2 mous Robotics Systems [C].Fukuoka：SPR INGER2VERLAG TOKYO，2010.299-308.

[3]Wang X，Wang S，Ma J.Dynamic deployment optimization in wireless sensor networks[J].Lecture Notes in Control and Information Sciences，2006，344：182-187.

[4]王雪，王晟，馬俊杰，等.無線傳感網(wǎng)絡(luò)移動(dòng)節(jié)點(diǎn)位置并行微粒群優(yōu)化策略[J].計(jì)算機(jī)學(xué)報(bào)，2007，30（4）：563-568.

[5]S Li，C Xu，W Pan，Y Pan.Sensor Deployment Optimization for Detecting Maneuvering Targets[C].2005 7th International Conference on Information Fusion，2005.1-7.

[6]王雪，王晟，馬俊杰.無線傳感器網(wǎng)絡(luò)布局的虛擬力導(dǎo)向微粒群優(yōu)化策略[J].電子學(xué)報(bào)，2007，35（11）：2038-2042.

[7]李石堅(jiān)，徐從富，吳朝暉，等.面向目標(biāo)跟蹤的傳感器網(wǎng)絡(luò)布局優(yōu)化及保護(hù)策略[J].電子學(xué)報(bào)，2006，34（1）：71-76.

[8]李曉磊.一種新型的智能優(yōu)化方法一人工魚群算法：[學(xué)位論文].杭州：浙江大學(xué)博士論文，2003.1.

為了比較虛擬力算法、人工魚群算法和本文設(shè)計(jì)的帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法的節(jié)點(diǎn)部署優(yōu)化效果，在隨機(jī)生成初始化網(wǎng)絡(luò)部署后，別使用這三種算法對(duì)節(jié)點(diǎn)部署進(jìn)行優(yōu)化，計(jì)算迭代次數(shù)均為200代，完成200次迭代的計(jì)算后在Matlab下編程進(jìn)行仿真，仿真結(jié)果如圖2-圖5所示。

虛擬力導(dǎo)向魚群算法迭代至約80代時(shí)已經(jīng)收斂到最優(yōu)值附近，而虛擬力算法和人工魚群算法在運(yùn)算到200代時(shí)還未完全收斂。在有效監(jiān)測(cè)面積上虛擬力算法為84.49%，人工魚群算法為90.48%，帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法為96.83%。從仿真結(jié)果上可見，虛擬力導(dǎo)向的魚群算法的優(yōu)化效果在網(wǎng)絡(luò)覆蓋率、節(jié)點(diǎn)的通信連通性和尋優(yōu)精度三方面均優(yōu)于虛擬力算法和人工魚群算法，而且能實(shí)現(xiàn)存在熱點(diǎn)區(qū)域和障礙區(qū)域環(huán)境下的節(jié)點(diǎn)部署，這是其它2種算法所不能實(shí)現(xiàn)的。

5 結(jié)束語

本文根據(jù)目標(biāo)跟蹤物聯(lián)網(wǎng)感知層節(jié)點(diǎn)的部署特點(diǎn)，設(shè)計(jì)了一種帶有自適應(yīng)策略的虛擬力導(dǎo)向魚群算法的節(jié)點(diǎn)動(dòng)態(tài)部署策略，該方法利用虛擬力來指導(dǎo)人工魚的覓食行為和隨機(jī)行為來加快算法的收斂速度，同時(shí)利用傳感器節(jié)點(diǎn)與熱區(qū)和障礙物之間的虛擬力來實(shí)現(xiàn)對(duì)熱點(diǎn)區(qū)域的重點(diǎn)監(jiān)測(cè)和對(duì)障礙物的有效規(guī)避，與傳統(tǒng)的優(yōu)化算法相比，該算法收斂速度更快，優(yōu)化效果更好，為物聯(lián)網(wǎng)感知層節(jié)點(diǎn)的部署問題提供了一種有效的解決方案。

[參考文獻(xiàn)]

[1]賈杰，陳劍，常桂然，等.無線傳感器網(wǎng)絡(luò)中基于遺傳算法的優(yōu)化覆蓋機(jī)制[J].控制與決策，2007，22（11）：1289-1292.

[2]Howard M A，G S Sukhatme.Mobile sensor network deployment using potential Fields：a distributed，scalable solution to the area coverage p roblem[A].Proceedings of the 6th International Symposium on Distributed Autono2 mous Robotics Systems [C].Fukuoka：SPR INGER2VERLAG TOKYO，2010.299-308.

[3]Wang X，Wang S，Ma J.Dynamic deployment optimization in wireless sensor networks[J].Lecture Notes in Control and Information Sciences，2006，344：182-187.

[4]王雪，王晟，馬俊杰，等.無線傳感網(wǎng)絡(luò)移動(dòng)節(jié)點(diǎn)位置并行微粒群優(yōu)化策略[J].計(jì)算機(jī)學(xué)報(bào)，2007，30（4）：563-568.

[5]S Li，C Xu，W Pan，Y Pan.Sensor Deployment Optimization for Detecting Maneuvering Targets[C].2005 7th International Conference on Information Fusion，2005.1-7.

[6]王雪，王晟，馬俊杰.無線傳感器網(wǎng)絡(luò)布局的虛擬力導(dǎo)向微粒群優(yōu)化策略[J].電子學(xué)報(bào)，2007，35（11）：2038-2042.

[7]李石堅(jiān)，徐從富，吳朝暉，等.面向目標(biāo)跟蹤的傳感器網(wǎng)絡(luò)布局優(yōu)化及保護(hù)策略[J].電子學(xué)報(bào)，2006，34（1）：71-76.

[8]李曉磊.一種新型的智能優(yōu)化方法一人工魚群算法：[學(xué)位論文].杭州：浙江大學(xué)博士論文，2003.1.