张微微 杨海宁

（江苏开放大学 江苏省南京市 210036）

与普通的网络相比，无线传感器的网络的自主性、灵活性更好一些，它的适用范围更广一些，在未来的生产应用中具有更广泛的前景。目前，在相对自然环境比较恶劣的地方通常部署着无线传感器网络的节点，如果节点一旦出现故障问题，我们怎么更好的更换节点，有些更换是人工无法完成的部分，那么怎么将节点合理的部署在应用环境中就是我们迫切解决的问题，也是我们研究的关键。传感器覆盖的优化指的是在节点的部署上尽可能的使节点的分布达到最优，这样我们在监控数据的时候可以更有效的对数据进行收集。如果我们在部署节点的时候用了过多的传感器网络节点，在传输过程中节点的能力容易耗尽，节点的计算能力也会由于传输受到局限性。通过检测可以看出，由于节点之间存在着交叉，检测的结果可以看出数据的重复，这样影响数据的有效性，所以我们在部署的时候不能用过多的节点，那么就需要我们来用尽可能少的节点来部署，同时我们还得保证无线传感器网络在正常工作的同时还要延长生命周期，这个是目前研究的焦点。

作者查阅了相关文献，了解到目前做无线传感器方面研究的学者对无线传感器网络覆盖做了非常深入的研究，科研成果显著。有学者提出基于能量的无线传感器网络路由策略，作者设计了规则网络模型和随机网络模型。文中提出的规则网络模型就是在一个二维的平面内，规则的排列着节点，通过作者的分析得出，这个规则的网络模型太过于理想化，在实践中，网络节点的投放方式多采用飞机的随机投放，采用这样的投放方法在实际应用中受投放当日的风向、湿度等实际环境的影响较大，我们多期待的理想效果很难达到。在网络环境中随机的摆放节点称为随机网络模型，在代码中现为每个节点生成监测范围，这种情况更接近于实际情况。在无线传感器的策略设计中通过对路由算法的分析设计实现了路由算法，通过作者的一系列仿真结果可以看出：在同等的条件下，分配初始能量的网络生命周期比按度分配初始能量的更长，确定路由比概率路由具有更好的数据传输特性，路由参数对确定路由数据传输的调节作用比概率路由更明显。通过相关文献的查询，还有学者提出用改进的人工蜂群算法来优化无线传感器的覆盖。由于传统算法普遍存在节点覆盖率较低的情况，要想实现全局优化在技术层面还比较难以实现，无线传感器的网络结构和群体智能算法很接近，所以该学者在研究中采用了改进的蜂群算法来优化无线传感器的覆盖。该学者改进了人工蜂群算法，解决了网络覆盖的优化问题。通过实验可以看出，不管在节点较多还是节点较少的时候，改进的算法都有优化传感器网络的覆盖率，具有更优的节点利用率，达到了研究目的。有学者提出在复杂环境下一种多移动节点的WSN 三维覆盖算法，该覆盖算法主要针对偏远山地复杂地形，提出来多移动节点的WSN三维覆盖算法，可以有效探测覆盖空洞，利用移动节点有效修复，降低网络能耗。随着无线传感器网络应用在实际应用中的不断深入，尤其在大数据环境下，例如启发式算法的缺陷不断涌现出来，如果求解效率，时间长等。

1 无线传感器网络节点覆盖的原理

1.1 节点的覆盖优化原理

无线传感器网络节点覆盖的原理是：首先，在大数据环境的整个无线网络传感器的区域中，在视线范围内的称为监控区域，在这个监控区域中划分为无数多个小区域，这个小区域称为子区域；其次，在每个划分的子区域中用改进的人工鱼群算法对整个区域的节点覆盖进行求解，最后，对人工鱼群算法中求得的结果采用Map/Reduce 机制，利用该机制产生的结果进行融合。

1.2 Map/Reduce的机制

在大数据环境的整个无线网络传感器的区域中分布着规模庞大的网络节点，在这么多数量的节点中，如果采用一台计算机对整个监控区域的网络节点进行求解，处理的数据量是相当大的，处理数据所消耗的时间也是很漫长，完成的效率比较低下，无法满足当前的工作需要以及节点覆盖的要求，Map/Reduce 的机制就是将这类数据量大的网络传感器划分为多个子片，在所划分的子片中对每个子问题来求解，与其对应的每个子问题所对应的节点来完成计算，计算结果通过Map/Reduce 的机制果进行融合，通过这样的方法可以很快解决每个节点在运行中的缺陷。

2 传感器节点覆盖的优化策略

2.1 节点覆盖优化的目标函数

在这里我们设在整个无线网络传感器的区域中分布的网络节点都分布在一个矩形区域，这里做一个极端的假设为所有分布的节点都是性能相同的节点，所有的节点都是以自己为中心点，所有的节点他们都在通信半径为R 的圆内，其中，每个节点的坐标都为(a,b)，矩形区域中分布的节点i，设在该事件中所覆盖的坐标事件为fi，那么如下所示：

在整个无线传感器节点(a,b)的覆盖概率为c(0,j)，则公式为：

所以在整个无线传感器节点覆盖面积就是全部节点覆盖面积的并集(wcover)，则公式为：

传感器网络覆盖率f1和节点利用率f2计算公式具体如下：

在公式中，w 为事件中节点的总数，w’是假设工作的节点数。

由于整个无线网络传感器的区域中分布的节点在工作中会有受到能量的有限性，所以我们必须要考虑的一个问题就是在整个无线传感器网络的工作的矩形区域内节点能量消耗的均衡，这样我们定义能量消耗均衡函数为：

该式子中，Ei设为节点中的剩余能量。

所以无线传感器网络中节点的覆盖所优化的目标函数是：

其中，q1、q2、q3为权值。

2.2 人工鱼群算法解析

《Swarm intelligence:From Natural to Artificial System》中对群智能进行了详细的论述和分析了：任何一种由昆虫群体和其他动物社会行为机制而激发和设计出的算法或分布解决问题的策略均属于群智能。鱼群是Swarm 的典型例子。在传感器网络节点中，利用人工鱼群算法来模拟鱼群的日常活动，鱼群在自然环境中游行，需要不断的适应周围的环境，这样鱼群就需要调整自身游行的状态，每个鱼群与鱼群之间需要通过相互协作，在不断的搜索中找到根本问题的求解。

人工鱼群算法就是利用鱼群在不断调整游行状态中的寻找优化模式模仿鱼群的觅食行为，分别为：鱼群的觅食、鱼群的聚群行为、鱼群的追尾行为。

（1）鱼群的觅食行为：指的是鱼追着食物多的方向游动的一种行为，人工鱼Xi 在其视野范围内随机选择一个将来的状态Xj，分别计算他们的目标函数进行比较，如果发现Xj 比Xi 的方向优秀，那么Xi 就往Xj 方向游动，否则Xi 继续停留在其视野范围内，反复尝试后仍然没有满足的条件后，则随机移动使Xi 达到一个新的状态搜索。

（2）鱼群的聚群行为（AF—swarm）：鱼群在游动过程中为了保证自身的生存安全和躲避危害会自然的聚集成群。一般遵守的规则为：一是分隔规则，就是尽量避免与邻近伙伴过于拥挤，二是对准规则，就是尽量与自己邻近的伙伴在一致的方向游动，三是内聚规则，就是尽量朝着邻近伙伴的中心游动。假设人工鱼群Xi 搜索其视野范围内的伙伴数为nf 及中心位置为Xc，若Yc/nf＞δ×Yi，表明鱼群的中心位置状态比较好不拥挤，则Xi 朝着鱼群的中心位置移动一步，否则执行觅食行为。

（3）鱼群的追尾行为（AF—follow）：指的是鱼向它的可视范围内最优化的区域游动的一种行为。人工鱼Xi 搜索在它的可视范围内所有伙伴中最优的鱼伙伴Xj，如果Yj/nf＞δYi，表明最优鱼伙伴的周围不太拥挤，则Xi 朝着该伙伴周围移动一步，否则执行觅食行为。

（4）公告板：记录最优鱼个体状态的地方。每条人工鱼在完成自身迭代后，将自身的状态与公告板上记录的状态进行比较，如果优于公告板上记录的状态则将最优状态记录在公告板上，替换以前记录的状态，否则原公告板上的状态不变。在整个算法迭代结束后，公告板上输出的值就是我们算的最优值。

2.3 利用鱼群算法在传感器网络节点覆盖所优化的步骤

第一步：将大数据下传感器网络初始化，并对人工鱼群算法的参数进行初始化；

第二步：计算初始鱼群的个体的适应值，并对整个人工鱼群的状态进行评估，将最优鱼人工鱼状态记录到人告板。

第三步：通过模拟人工鱼的觅食、聚群、追尾等行为，找到最优的食物浓度，更新自己生成新鱼群。

第四步：在搜索中所有的人工鱼群都完成后，人工鱼群的状态需要重新估计，估计后的状态与第二步中记录的公告板中的人工鱼群状态进行比较，两者比较后结果选取更优化的结果作为公告板的最新状态。

第五步：观察公告板上的状态，当公告板上的记录的状态达到了最优状态，也就是结果达到了无线传感器网络节点覆盖的要求了，那么人工鱼群算法的搜索过程就结束了，否则返回到第三步继续进行搜索。

3 总结

大数据传感器网络节点的覆盖优化问题是我们解决的问题，本文提出了一种在改进的鱼群算法。首先提出了Map/Reduce 的机制，该机制就是将这类数据量大的网络传感器划分为多个片来完成，每个子问题在相对应的节点内完成，最后将各个节点完成的结果进行融合，这样解决了每个节点的缺陷。然后通过人工鱼群算法对子网络中节点覆盖优化问题进行求解，根据鱼群算法的计算的结果可以说明：

（1）在Map/Reduce 机制下将大数据环境下的传感器网络进行分片的逐步细化，这样有助于求解的简单方便，而且还将传感器网络节点的覆盖效率大大提高，实现了大数据环境下的传感器节点覆盖优化。

（2）采用人工鱼群算法对传感器节点覆盖优化问题进行求解，可以提高了传感器节点覆盖率，可以满足传感器节点覆盖的要求。