大型蔬菜溫室無線監測網絡覆蓋優化方法研究*

吳傳程，趙春江，吳華瑞，繆祎晟

(1. 吉林農業大學信息技術學院，長春市，130118； 2. 國家農業信息化工程技術研究中心，北京市，100097； 3. 北京農業信息技術研究中心，北京市，100097)

通訊作者：趙春江，男，1964年生，河北保定人，博士，研究員；研究方向為農業智能化技術裝備。E-mail: zhaocj@nercita.org.cn

0 引言

利用農業無線傳感器網絡精確獲取連棟溫室內作物生長(例如黃瓜等)的小氣候環境信息[1-2](例如土壤溫濕度，空氣溫濕度等)是現代農業發展的重要技術手段[3]。精準的數據采集與分析可有效減少人工和水肥資源的過度消耗[4-9]，實現作物的高效生長。如何利用更少的傳感器節點實現對連棟溫室內黃瓜等作物的最大化感知覆蓋，降低網絡成本、提高溫室環境感知準確性是農業無線傳感器網絡研究應用中亟待解決的問題。

不同領域監測應用的覆蓋要求各異[10-11]，對于無線傳感器的優化部署主要分為群體智能算法和分布式部署算法兩大類。群體智能算法中，Zhou[12]等采用SSO算法解決對監測區域的優化覆蓋，通過模擬群居蜘蛛中不同個體的生活習性對傳感器節點進行調度，提高對監測區域的網絡感知覆蓋，但算法的收斂性低；Panag等[13]提出一種最大覆蓋混合搜索算法，該方法基于粒子群算法實現全局搜索并結合Hooke-Jeeves方法改進局部搜索，提高算法的收斂速度，優化感知節點的區域覆蓋；Holland等[14]利用遺傳算法實現對監測區域的網絡覆蓋，該算法采用局部搜索策略對傳感器進行部署，提高了監測區域的覆蓋率，但由于沒有考慮傳感器位置對覆蓋效率的影響，所以存在大量的重疊覆蓋面積；Su等[15]采用基于動態蟻群算法的無線傳感器網絡節點優化配置策略，對獲取蟻群算法中的全局最優解方式進行改進，實現無線傳感器網絡的優化覆蓋部署，具有較好的網絡連通性和覆蓋率，但蟻群算法的計算量較大，求解的所需時間較長；基于群體智能的相關算法也逐漸應用在農田[16-17]和茶田[18]中，并通過水肥一體化解決水肥資源的浪費。分布式部署算法中，Zou等[19]首次將虛擬力算法應用到無線傳感網絡的優化覆蓋中，在圓形感知范圍和虛擬勢場的基礎上，提出了一種經典的虛擬力算法。但傳統虛擬力算法在運行后期穩定性較差，出現覆蓋率較低的情況[20-21]。目前基于改進虛擬力提高感知覆蓋率的研究仍然存在[22]。Liu等[23]提出傳感器節點部署和覆蓋虛擬分子方法(VMFA)，假設在傳感器節點之間存在類似于空氣分子的相互作用力，設置相鄰或次相鄰“零重力”，通過計算傳感器節點之間的合力，實現對監測區域的優化覆蓋；關志艷等[24]提出虛擬力結合群聚智能優化思想，改善傳感器節點的移動速度，解決網絡感知覆蓋優化問題；戴歡等[25]采用虛擬力結合泰森多邊形的分布式覆蓋算法，解決虛擬力后期覆蓋率下降的問題；李飆等[26-28]利用Delaunay三角剖分對不同區域土壤的墑情和變異系數，實現農田的全方位的監測。

針對傳統虛擬力算法在連棟溫室內對黃瓜等作物實現無線傳感器網絡感知覆蓋局部最優狀態導致作物生長不均勻等問題，提出基于區域面積強度的虛擬力感知覆蓋算法，實現在連棟溫室中對黃瓜等作物生長環境監測的全覆蓋，提高無線傳感器網絡對溫室的智能化監測水平。

1 基于區域面積強度的虛擬力算法

為了提高連棟溫室中無線傳感器網絡感知覆蓋的穩定性和感知覆蓋高效性，改進傳統虛擬力算法。結合傳感器節點間在連棟溫室內的覆蓋強度，克服傳統虛擬力的限制，增強算法的穩定性，實現無線傳感器網絡在連棟溫室內對黃瓜等作物的高覆蓋率。

1.1 感知覆蓋模型

根據黃瓜等作物在連棟溫室內不同生長周期種植特點，實現無線傳感器網絡對黃瓜等作物生長環境的全向感知覆蓋監測，獲得更多黃瓜作物生長環境信息，讓連棟溫室內的黃瓜等作物得到更好地培育，因此在連棟溫室中構建無線傳感器網絡感知模型。

將N個傳感器節點隨機分布在連棟溫室內，并將該溫室分割成K個面積大小為1 m2的網格，并將黃瓜等作物均勻地種植在K個[10]網格內，作物在溫室內的坐標分布如式(1)所示。

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

(1)

式中：C——網格點即種植作物組成的集合；

cK(xK，yK)——第K個作物種植坐標。

對連棟溫室內的傳感器節點做如下假設：采用同構傳感器節點、位置信息可知、可調控自身感知位置信息、r為傳感器節點的感知半徑、通信半徑R為感知半徑的2倍[21]；已知傳感器節點s(xs,ys)與任意作物c(xc,yc)的歐式距離d(c,s),若d(c,s)≤R，則作物c被傳感器s覆蓋，若d(c,s)>R，則作物c未被傳感器節點s覆蓋。

傳統虛擬力算法是利用節點間的歐式距離dij與距離閾值進行判斷，并利用傳感器節點間的歐氏距離和設定的虛擬力系數計算出傳感器節點所受的虛擬力。

1.2 基于區域面積強度的虛擬力算法

將傳感器節點隨機分布在連棟溫室內[29]，采用傳統虛擬力對連棟溫室實現感知覆蓋過程中，傳感器節點在溫室內受虛擬力的移動，由于部分傳感器節點受到相鄰節點的虛擬合力為零，導致這些節點無法在溫室內進行移動，出現一種收攏平衡狀態，如圖1所示。使無線傳感器感知覆蓋網絡陷入局部最優，在連棟溫室內產生大量的覆蓋重疊，同時對未覆蓋區域未進行進一步覆蓋，導致傳感器節點未能獲取連棟溫室內不同位置作物的精確信息，同時產生了大量的重復的冗余數據。

圖1 傳統虛擬力算法產生的聚攏情況Fig. 1 Clustering generated by the traditional virtual force algorithm

通過研究表明，傳統虛擬力覆蓋算法的覆蓋結果對傳感器節點的初始狀態有較高的依賴性[30]。為使傳感器節點對連棟溫室內黃瓜等作物實現覆蓋最大化，引入一定的虛擬力擾動避免陷入局部最優，調整虛擬力的計算方式，從原理上避免局部平衡的出現。由此本文提出一種基于區域面積強度的虛擬力算法，引入溫室內相鄰節點間的感知重疊覆蓋強度，調節相鄰傳感器節點間的虛擬力系數，消除連棟溫室內相鄰傳感器節點間出現的收攏平衡狀態，從而避免因依賴感知節點的初始分布，導致無線傳感器網絡在連棟溫室內對黃瓜等作物產生覆蓋聚攏以及低覆蓋率現象。

假設N個傳感器節點隨機部署在連棟溫室內部，相鄰節點間的最優歐氏距離為dth，傳感器節點最優部署與相鄰傳感器節點在監測區域的面積強度有關。

(2)

式中：ηi——相鄰傳感器節點的區域的強度；

t——傳感器節點si的第t個鄰居節點；

P——傳感器節點si的鄰居節點的總數；

Sit——相鄰傳感器節點的重疊覆蓋面積。

在連棟溫室內傳感器節點的相鄰節點數目越多，產生的重疊覆蓋面積越大，導致該區域作物受到傳感器節點的感知覆蓋面積強度越高。在連棟溫室內不同的兩個相鄰傳感器節點之間產生的距離各不相同，如果不能預先確定溫室內的傳感器節點的隨機部署狀態，僅根據經驗值設置重力參數，使得傳感器節點在受到虛擬力之后在連棟溫室內產生過大的移動，無法取得良好的覆蓋效果，同時消耗過多的能量。

為降低算法在迭代過程中產生誤差同時提高無線傳感器網絡對連棟溫室內黃瓜等作物的感知覆蓋率，通過傳感器節點之間的區域覆蓋強度和虛擬力系數計算出虛擬力，利用區域面積強度調節傳感器節點所受虛擬力大小。dij與閾值距離dth比較，判斷傳感器節點是否受到虛擬力的影響，改變傳感器分布情況，在連棟溫室內有目的地擴張，提高連棟溫室內對作物的有效覆蓋率。

假設每個傳感器之間的力為Fij(ij=1,2,3,…,n), 當傳感器之間的距離小于距離閾值，斥力FijN(ij=1,2,3,…,n)生成;否則引力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——斥力系數；

wr——引力系數；

ηij——區域覆蓋強度。

(4)

式中：FiBD——來自監測物體的引力和邊界對傳感器的斥力的總和；

Fij——傳感器之間存在的引力或斥力；

Fi——合力。

(5)

式中： MaxStep——傳感器節點最大移動距離；

Fix——傳感器節點微粒si在x軸上的虛擬力分量；

Fiy——傳感器節點微粒si在y軸上的虛擬力分量。

通過上述，利用傳感器節點之間區域覆蓋強度重新獲取傳感器節點之間所受虛擬力大小，消除由于傳統虛擬力方法依賴初始分布使相鄰傳感器節點產生的收攏平衡，利用AIVF算法實現對連棟溫室內作物的網絡優化覆蓋。

2 仿真試驗與結果分析

為了驗證本文算法在提高覆蓋質量方面的有效性，選取傳統虛擬力算法[31](VFA)和粒子群優化算法[32](PSO)進行對比分析和討論。仿真參數設置如表1所示。

表1 仿真參數Tab. 1 Simulation parameters

AIVF算法與VFA和PSO算法進行比較分析，圖2顯示了三種網絡覆蓋算法的覆蓋情況，起始覆蓋率為78.92%。PSO算法通過對每個傳感器節點進行計算獲取最優位置，實現對傳感節點的最優部署，且最終覆蓋率為86.59%，覆蓋率增加量僅為8.37%；VFA算法是通過對傳感器與節點間的距離進行計算，獲取傳感器所受的虛擬力值，以此對無線傳感網絡進行有效覆蓋，隨著迭代次數的增加其最終覆蓋率為95.68%，覆蓋率增加量為16.76%；雖然VFA算法覆蓋率增長量高于PSO算法的，但是兩種算法都沒有達到最優覆蓋；AIVF算法利用區域面積強度結合重力系數改進傳感器節點所受虛擬力，在迭代第16次時其覆蓋率達到99.9%。AIVF算法在無線傳感網絡中得到的覆蓋率分別比VFA、PSO算法高了4.32%、13.31%。同時AIVF算法在運行時的覆蓋率提升速度也優于其他算法，AIVF算法在經過16次迭代時，AIVF算法的覆蓋率達到99.9%，而VFA算法在迭代50次時覆蓋率達到最大值。在VFA算法迭代效果達到最佳后，在第850次迭代之后其覆蓋率凸顯了該算法后期不穩定。

為檢驗AIVF算法在不同傳感器個數情況下對連棟溫室的感知覆蓋優于其他兩種算法，確定感知半徑為15 m，改變傳感器節點的部署數量進行試驗，試驗結果如圖3所示，隨著傳感器個數的不斷提升，三種算法對無線傳感器網絡的感知覆蓋率也不斷提升。在傳感器個數低于20時，隨著傳感器個數的不斷增加，三種算法的覆蓋率增加量在10%～20%；當傳感器個數高于20個時，VFA算法和PSO算法在無線傳感網絡中的覆蓋率增加量趨于平緩，而AIVF算法隨著傳感器個數的增加，其覆蓋率增加量仍然提升，由此可以看出AIVF算法的覆蓋率提升性能優于其他兩種方法。

圖2 覆蓋率變化過程對比Fig. 2 Comparison of coverage change process

圖3 覆蓋率受傳感器個數的影響Fig. 3 Coverage is affected by the number of sensors

為了進一步驗證AIVF算法在無線傳感器網絡中的感知覆蓋性能，對傳感器節點的感知半徑進行調整。試驗結果如圖4所示，分別是三種算法在不同感知半徑的情況下對監測區域產生感知覆蓋率變化情況，感知半徑r=3、6、9、12、15 m。從圖中可以看出，三種算法的覆蓋率都得到了提高，VFA和PSO兩種算法都隨著感知半徑的增加，覆蓋率的增加量很高，但覆蓋率依然很低，而AIVF算法產生覆蓋率高于其他兩種算法，表明AIVF算法的性能明顯優于其他兩種算法。當感知半徑小于9 m時，AIVF算法和VFA算法的覆蓋率增長速度基本相同且覆蓋率增加了63%，而PSO算法僅提高了38%；在感知半徑為9～12 m時，VFA算法覆蓋率增加量逐漸降低，雖然PSO算法產生的覆蓋率增加量沒有變，但依然低于AIVF算法產生的覆蓋率增加量，且覆蓋率低于AIVF算法和VFA算法。當感知半徑大于12時，VFA算法和PSO算法的覆蓋率增加趨于平緩，而AIVF算法的覆蓋率仍然得到很大的提升。圖5是節點數目與節點移動距離平均值的關系，可以看出AIVF的移動平均距離最小，保證了傳感器節點的能量消耗低于其他兩種算法所需要；隨著節點數量的增加，覆蓋率增高的同時移動距離平均值差異較小。

圖4 覆蓋率受感知半徑的影響Fig. 4 Coverage affected by perceived radius

圖5 不同節點數目下的節點移動距離的平均值Fig. 5 Average moving distance of nodes under different number of nodes

綜合以上可以看出，隨著感知半徑不斷增加，AIVF算法的覆蓋效果明顯優于其他兩種算法，同時隨著傳感器個數的增加VFA和PSO算法作用下的感知覆蓋率增長速度逐漸下降，而AIVF算法作用下的增長量仍然很高。同時，基于區域面積強度算法對連棟溫室實現無線傳感器網絡感知覆蓋，避免了相鄰傳感器節點產生的收攏現象，如圖6所示。

圖6 基于區域面積強度的傳感器網絡感知覆蓋Fig. 6 Sensor network sensing coverage based on regional area intensity

3 結論

針對大型連棟溫室的無線傳感器網絡感知覆蓋方法，采用改進傳統虛擬力對連棟溫室中黃瓜等作物實現無線傳感網絡有效監測覆蓋。通過連棟溫室內不同位置的傳感器節點產生的重疊覆蓋強度不同，調節傳感器節點所受虛擬力大小，減少重疊覆蓋區域，實現對連棟溫室內黃瓜等作物的優化覆蓋。

1) 提高對連棟溫室內作物感知覆蓋率：本文算法與VFA和PSO兩種算法在同等條件下對連棟溫室內黃瓜等作物實現網絡感知覆蓋，通過三種算法地對比，AIVF算法對連棟溫室內作物的感知覆蓋率分別提高了4.32%和13.31%，傳感器節點能夠更加精準地采集溫室內不同位置作物的環境信息

2) 提高無線傳感器網絡在連棟溫室內感知性能：在連棟溫室內調節感知半徑時，AIVF算法對溫室內作物的感知覆蓋率增加了63%，PSO算法僅提升38%；同時，VFA算法的感知覆蓋率增加量低于AIVF算法的。隨著傳感器個數的不斷變化，當傳感器個數大于20個時，VFA和PSO兩種算法的感知覆蓋率增加量為0.1%～0.3%，而AIVF算法的感知覆蓋率增加量為2.8%～3.3%。

3) 在連棟溫室內部署的傳感器節點參數發生變化時，傳感器節點在AIVF算法中產生的平均移動距離在12～13 m而VFA和PSO兩種算法產生的平均移動距離在23～46 m、17～22 m，降低了傳感器節點在溫室內移動過程中的能量消耗，且長時間在連棟溫室內進行數據采集。