大型蔬菜温室无线监测网络覆盖优化方法研究*

吴传程，赵春江，吴华瑞，缪祎晟

(1. 吉林农业大学信息技术学院，长春市，130118； 2. 国家农业信息化工程技术研究中心，北京市，100097； 3. 北京农业信息技术研究中心，北京市，100097)

通讯作者：赵春江，男，1964年生，河北保定人，博士，研究员；研究方向为农业智能化技术装备。E-mail: zhaocj@nercita.org.cn

0 引言

利用农业无线传感器网络精确获取连栋温室内作物生长(例如黄瓜等)的小气候环境信息[1-2](例如土壤温湿度，空气温湿度等)是现代农业发展的重要技术手段[3]。精准的数据采集与分析可有效减少人工和水肥资源的过度消耗[4-9]，实现作物的高效生长。如何利用更少的传感器节点实现对连栋温室内黄瓜等作物的最大化感知覆盖，降低网络成本、提高温室环境感知准确性是农业无线传感器网络研究应用中亟待解决的问题。

不同领域监测应用的覆盖要求各异[10-11]，对于无线传感器的优化部署主要分为群体智能算法和分布式部署算法两大类。群体智能算法中，Zhou[12]等采用SSO算法解决对监测区域的优化覆盖，通过模拟群居蜘蛛中不同个体的生活习性对传感器节点进行调度，提高对监测区域的网络感知覆盖，但算法的收敛性低；Panag等[13]提出一种最大覆盖混合搜索算法，该方法基于粒子群算法实现全局搜索并结合Hooke-Jeeves方法改进局部搜索，提高算法的收敛速度，优化感知节点的区域覆盖；Holland等[14]利用遗传算法实现对监测区域的网络覆盖，该算法采用局部搜索策略对传感器进行部署，提高了监测区域的覆盖率，但由于没有考虑传感器位置对覆盖效率的影响，所以存在大量的重叠覆盖面积；Su等[15]采用基于动态蚁群算法的无线传感器网络节点优化配置策略，对获取蚁群算法中的全局最优解方式进行改进，实现无线传感器网络的优化覆盖部署，具有较好的网络连通性和覆盖率，但蚁群算法的计算量较大，求解的所需时间较长；基于群体智能的相关算法也逐渐应用在农田[16-17]和茶田[18]中，并通过水肥一体化解决水肥资源的浪费。分布式部署算法中，Zou等[19]首次将虚拟力算法应用到无线传感网络的优化覆盖中，在圆形感知范围和虚拟势场的基础上，提出了一种经典的虚拟力算法。但传统虚拟力算法在运行后期稳定性较差，出现覆盖率较低的情况[20-21]。目前基于改进虚拟力提高感知覆盖率的研究仍然存在[22]。Liu等[23]提出传感器节点部署和覆盖虚拟分子方法(VMFA)，假设在传感器节点之间存在类似于空气分子的相互作用力，设置相邻或次相邻“零重力”，通过计算传感器节点之间的合力，实现对监测区域的优化覆盖；关志艳等[24]提出虚拟力结合群聚智能优化思想，改善传感器节点的移动速度，解决网络感知覆盖优化问题；戴欢等[25]采用虚拟力结合泰森多边形的分布式覆盖算法，解决虚拟力后期覆盖率下降的问题；李飙等[26-28]利用Delaunay三角剖分对不同区域土壤的墒情和变异系数，实现农田的全方位的监测。

针对传统虚拟力算法在连栋温室内对黄瓜等作物实现无线传感器网络感知覆盖局部最优状态导致作物生长不均匀等问题，提出基于区域面积强度的虚拟力感知覆盖算法，实现在连栋温室中对黄瓜等作物生长环境监测的全覆盖，提高无线传感器网络对温室的智能化监测水平。

1 基于区域面积强度的虚拟力算法

为了提高连栋温室中无线传感器网络感知覆盖的稳定性和感知覆盖高效性，改进传统虚拟力算法。结合传感器节点间在连栋温室内的覆盖强度，克服传统虚拟力的限制，增强算法的稳定性，实现无线传感器网络在连栋温室内对黄瓜等作物的高覆盖率。

1.1 感知覆盖模型

根据黄瓜等作物在连栋温室内不同生长周期种植特点，实现无线传感器网络对黄瓜等作物生长环境的全向感知覆盖监测，获得更多黄瓜作物生长环境信息，让连栋温室内的黄瓜等作物得到更好地培育，因此在连栋温室中构建无线传感器网络感知模型。

将N个传感器节点随机分布在连栋温室内，并将该温室分割成K个面积大小为1 m2的网格，并将黄瓜等作物均匀地种植在K个[10]网格内，作物在温室内的坐标分布如式(1)所示。

C=[c1(x1,y1),c2(x2,y2),c3(x3,y3),…,cK(xK,yK)]

(1)

式中：C——网格点即种植作物组成的集合；

cK(xK，yK)——第K个作物种植坐标。

对连栋温室内的传感器节点做如下假设：采用同构传感器节点、位置信息可知、可调控自身感知位置信息、r为传感器节点的感知半径、通信半径R为感知半径的2倍[21]；已知传感器节点s(xs,ys)与任意作物c(xc,yc)的欧式距离d(c,s),若d(c,s)≤R，则作物c被传感器s覆盖，若d(c,s)>R，则作物c未被传感器节点s覆盖。

传统虚拟力算法是利用节点间的欧式距离dij与距离阈值进行判断，并利用传感器节点间的欧氏距离和设定的虚拟力系数计算出传感器节点所受的虚拟力。

1.2 基于区域面积强度的虚拟力算法

将传感器节点随机分布在连栋温室内[29]，采用传统虚拟力对连栋温室实现感知覆盖过程中，传感器节点在温室内受虚拟力的移动，由于部分传感器节点受到相邻节点的虚拟合力为零，导致这些节点无法在温室内进行移动，出现一种收拢平衡状态，如图1所示。使无线传感器感知覆盖网络陷入局部最优，在连栋温室内产生大量的覆盖重叠，同时对未覆盖区域未进行进一步覆盖，导致传感器节点未能获取连栋温室内不同位置作物的精确信息，同时产生了大量的重复的冗余数据。

图1 传统虚拟力算法产生的聚拢情况Fig. 1 Clustering generated by the traditional virtual force algorithm

通过研究表明，传统虚拟力覆盖算法的覆盖结果对传感器节点的初始状态有较高的依赖性[30]。为使传感器节点对连栋温室内黄瓜等作物实现覆盖最大化，引入一定的虚拟力扰动避免陷入局部最优，调整虚拟力的计算方式，从原理上避免局部平衡的出现。由此本文提出一种基于区域面积强度的虚拟力算法，引入温室内相邻节点间的感知重叠覆盖强度，调节相邻传感器节点间的虚拟力系数，消除连栋温室内相邻传感器节点间出现的收拢平衡状态，从而避免因依赖感知节点的初始分布，导致无线传感器网络在连栋温室内对黄瓜等作物产生覆盖聚拢以及低覆盖率现象。

假设N个传感器节点随机部署在连栋温室内部，相邻节点间的最优欧氏距离为dth，传感器节点最优部署与相邻传感器节点在监测区域的面积强度有关。

(2)

式中：ηi——相邻传感器节点的区域的强度；

t——传感器节点si的第t个邻居节点；

P——传感器节点si的邻居节点的总数；

Sit——相邻传感器节点的重叠覆盖面积。

在连栋温室内传感器节点的相邻节点数目越多，产生的重叠覆盖面积越大，导致该区域作物受到传感器节点的感知覆盖面积强度越高。在连栋温室内不同的两个相邻传感器节点之间产生的距离各不相同，如果不能预先确定温室内的传感器节点的随机部署状态，仅根据经验值设置重力参数，使得传感器节点在受到虚拟力之后在连栋温室内产生过大的移动，无法取得良好的覆盖效果，同时消耗过多的能量。

为降低算法在迭代过程中产生误差同时提高无线传感器网络对连栋温室内黄瓜等作物的感知覆盖率，通过传感器节点之间的区域覆盖强度和虚拟力系数计算出虚拟力，利用区域面积强度调节传感器节点所受虚拟力大小。dij与阈值距离dth比较，判断传感器节点是否受到虚拟力的影响，改变传感器分布情况，在连栋温室内有目的地扩张，提高连栋温室内对作物的有效覆盖率。

假设每个传感器之间的力为Fij(ij=1,2,3,…,n), 当传感器之间的距离小于距离阈值，斥力FijN(ij=1,2,3,…,n)生成;否则引力FijP(ij=1,2,3,…,n)生成。

(3)

式中：αij——定向角度；

θij——定向角度，αij=θij+π；

wa——斥力系数；

wr——引力系数；

ηij——区域覆盖强度。

(4)

式中：FiBD——来自监测物体的引力和边界对传感器的斥力的总和；

Fij——传感器之间存在的引力或斥力；

Fi——合力。

(5)

式中： MaxStep——传感器节点最大移动距离；

Fix——传感器节点微粒si在x轴上的虚拟力分量；

Fiy——传感器节点微粒si在y轴上的虚拟力分量。

通过上述，利用传感器节点之间区域覆盖强度重新获取传感器节点之间所受虚拟力大小，消除由于传统虚拟力方法依赖初始分布使相邻传感器节点产生的收拢平衡，利用AIVF算法实现对连栋温室内作物的网络优化覆盖。

2 仿真试验与结果分析

为了验证本文算法在提高覆盖质量方面的有效性，选取传统虚拟力算法[31](VFA)和粒子群优化算法[32](PSO)进行对比分析和讨论。仿真参数设置如表1所示。

表1 仿真参数Tab. 1 Simulation parameters

AIVF算法与VFA和PSO算法进行比较分析，图2显示了三种网络覆盖算法的覆盖情况，起始覆盖率为78.92%。PSO算法通过对每个传感器节点进行计算获取最优位置，实现对传感节点的最优部署，且最终覆盖率为86.59%，覆盖率增加量仅为8.37%；VFA算法是通过对传感器与节点间的距离进行计算，获取传感器所受的虚拟力值，以此对无线传感网络进行有效覆盖，随着迭代次数的增加其最终覆盖率为95.68%，覆盖率增加量为16.76%；虽然VFA算法覆盖率增长量高于PSO算法的，但是两种算法都没有达到最优覆盖；AIVF算法利用区域面积强度结合重力系数改进传感器节点所受虚拟力，在迭代第16次时其覆盖率达到99.9%。AIVF算法在无线传感网络中得到的覆盖率分别比VFA、PSO算法高了4.32%、13.31%。同时AIVF算法在运行时的覆盖率提升速度也优于其他算法，AIVF算法在经过16次迭代时，AIVF算法的覆盖率达到99.9%，而VFA算法在迭代50次时覆盖率达到最大值。在VFA算法迭代效果达到最佳后，在第850次迭代之后其覆盖率凸显了该算法后期不稳定。

为检验AIVF算法在不同传感器个数情况下对连栋温室的感知覆盖优于其他两种算法，确定感知半径为15 m，改变传感器节点的部署数量进行试验，试验结果如图3所示，随着传感器个数的不断提升，三种算法对无线传感器网络的感知覆盖率也不断提升。在传感器个数低于20时，随着传感器个数的不断增加，三种算法的覆盖率增加量在10%～20%；当传感器个数高于20个时，VFA算法和PSO算法在无线传感网络中的覆盖率增加量趋于平缓，而AIVF算法随着传感器个数的增加，其覆盖率增加量仍然提升，由此可以看出AIVF算法的覆盖率提升性能优于其他两种方法。

图2 覆盖率变化过程对比Fig. 2 Comparison of coverage change process

图3 覆盖率受传感器个数的影响Fig. 3 Coverage is affected by the number of sensors

为了进一步验证AIVF算法在无线传感器网络中的感知覆盖性能，对传感器节点的感知半径进行调整。试验结果如图4所示，分别是三种算法在不同感知半径的情况下对监测区域产生感知覆盖率变化情况，感知半径r=3、6、9、12、15 m。从图中可以看出，三种算法的覆盖率都得到了提高，VFA和PSO两种算法都随着感知半径的增加，覆盖率的增加量很高，但覆盖率依然很低，而AIVF算法产生覆盖率高于其他两种算法，表明AIVF算法的性能明显优于其他两种算法。当感知半径小于9 m时，AIVF算法和VFA算法的覆盖率增长速度基本相同且覆盖率增加了63%，而PSO算法仅提高了38%；在感知半径为9～12 m时，VFA算法覆盖率增加量逐渐降低，虽然PSO算法产生的覆盖率增加量没有变，但依然低于AIVF算法产生的覆盖率增加量，且覆盖率低于AIVF算法和VFA算法。当感知半径大于12时，VFA算法和PSO算法的覆盖率增加趋于平缓，而AIVF算法的覆盖率仍然得到很大的提升。图5是节点数目与节点移动距离平均值的关系，可以看出AIVF的移动平均距离最小，保证了传感器节点的能量消耗低于其他两种算法所需要；随着节点数量的增加，覆盖率增高的同时移动距离平均值差异较小。

图4 覆盖率受感知半径的影响Fig. 4 Coverage affected by perceived radius

图5 不同节点数目下的节点移动距离的平均值Fig. 5 Average moving distance of nodes under different number of nodes

综合以上可以看出，随着感知半径不断增加，AIVF算法的覆盖效果明显优于其他两种算法，同时随着传感器个数的增加VFA和PSO算法作用下的感知覆盖率增长速度逐渐下降，而AIVF算法作用下的增长量仍然很高。同时，基于区域面积强度算法对连栋温室实现无线传感器网络感知覆盖，避免了相邻传感器节点产生的收拢现象，如图6所示。

图6 基于区域面积强度的传感器网络感知覆盖Fig. 6 Sensor network sensing coverage based on regional area intensity

3 结论

针对大型连栋温室的无线传感器网络感知覆盖方法，采用改进传统虚拟力对连栋温室中黄瓜等作物实现无线传感网络有效监测覆盖。通过连栋温室内不同位置的传感器节点产生的重叠覆盖强度不同，调节传感器节点所受虚拟力大小，减少重叠覆盖区域，实现对连栋温室内黄瓜等作物的优化覆盖。

1) 提高对连栋温室内作物感知覆盖率：本文算法与VFA和PSO两种算法在同等条件下对连栋温室内黄瓜等作物实现网络感知覆盖，通过三种算法地对比，AIVF算法对连栋温室内作物的感知覆盖率分别提高了4.32%和13.31%，传感器节点能够更加精准地采集温室内不同位置作物的环境信息

2) 提高无线传感器网络在连栋温室内感知性能：在连栋温室内调节感知半径时，AIVF算法对温室内作物的感知覆盖率增加了63%，PSO算法仅提升38%；同时，VFA算法的感知覆盖率增加量低于AIVF算法的。随着传感器个数的不断变化，当传感器个数大于20个时，VFA和PSO两种算法的感知覆盖率增加量为0.1%～0.3%，而AIVF算法的感知覆盖率增加量为2.8%～3.3%。

3) 在连栋温室内部署的传感器节点参数发生变化时，传感器节点在AIVF算法中产生的平均移动距离在12～13 m而VFA和PSO两种算法产生的平均移动距离在23～46 m、17～22 m，降低了传感器节点在温室内移动过程中的能量消耗，且长时间在连栋温室内进行数据采集。