文摘

在定向传感器网络研究中,目标事件检测是目前一个活跃的研究领域,应用在水下目标监控、森林大火警告,边境地区和其他重要活动。先前的研究常常讨论目标二维传感器网络覆盖,但这些研究不能广泛应用于三维网络。此外,大多数先前的目标覆盖检测模型是基于一个圆形或全向传感模型。更重要的是,如果定向传感器网络没有设计一个更好的覆盖算法coverage-monitoring过程中,节点的能量消耗将增加和网络寿命将大大缩短。客观的解决三维目标覆盖应用程序中,本研究提出了一种动态调整优化算法三维定向传感器网络基于球面领域覆盖模型,这可以提高网络的生存期和覆盖率。首先,我们重新定义定向节点的传感模型,使用三维泰森多边形法方法划分节点所在的地区。然后,我们介绍一个关系迫使目标和传感器节点之间的优化算法的保险机制,所以,传感器节点可以准确地移动到指定的目标覆盖的位置。最后,通过验证该算法的可行性和准确性,仿真实验证明该算法能有效提高网络覆盖和节点利用率。

1。介绍

三维(3 d)无线传感器网络(网络)包括几个小电池供电的传感器,可以相互通信监视一个3 d领域感兴趣的(合作)1)为目标的事件。网络包括传感器网络(即。,omnidirectional sensor networks) and directional sensor networks (DSNs). Research into WSN coverage is roughly classified into three branches: area coverage, barrier coverage, and target coverage. In recent years, WSNs coverage has been an active research area with a wide range of practical applications: target detection [2)、医疗应用程序(3),目标位置(4),数据传输(5)等。在这些真实的应用程序中,我们可以发现一些感兴趣的目标事件在该地区部署传感器节点。因此,使用现有的方法和技术来实现有效的事件检测是当前的研究热点。同时,提高多个目标(例如,减少网络的整体能耗,同时保证高覆盖率)是研究不可或缺的考虑因素。

在以往的研究中,研究者们已经讨论了二维坐标系统和提出的解决方案在现实条件下减少困难,他们已经取得了很大的进步6- - - - - -8]。然而,建模和研究dsn覆盖率仍然不太常见的3 d系统比2 d系统;研究的困难不仅增加3 d系统,但部署传感器节点经常遇到复杂环境影响(如天气和气候)。近年来,一些研究人员网络建立3 d模型,并提出了相应的分布式优化算法(9- - - - - -11]。然而,WSN节点的覆盖模型主要是基于二维全向传感模型,和一个大的一部分研究3 d系统是基于全向球传感模型。虽然全向传感模型可以提供更好的范围和区域范围节点利用率,我们只需要适度的能量和节点有限的定向检测实现目标覆盖一组目标在实践中或特殊事件。因此,3 d dsn覆盖率的研究更适合上述条件。

当然,定向传感器不仅需要考虑自己的位置和传感范围(与全向传感器),但还必须考虑角变化的问题。此外,节点随机部署覆盖时,不能准确,就会发生一些遗漏。因此,在一个特定的环境中,我们需要一个动态算法来选择最优数量的活跃节点探测目标(12]。与此同时,我们需要考虑移动或旋转这些活跃节点在一段时间来调整自己的标题来实现最好的报道。例如,在[8),使用无人值守传感器网络讨论使用节能的方法检测目标。作者致力于分析权衡,电力消耗了网络的服务质量方面的检测能力和延迟。在[13],作者提出使用混合运动策略(HMS)来解决这个问题的高能源消耗(造成流动性),提高覆盖率的dsn。尽管上述方法可以减少网络的能量消耗,提高覆盖率,3 d定向的旋转角度传感器节点难以确定;增加维度带来进一步的并发症。

因此,我们提出一个网络模型适用于定向传感器和相关的动态调整优化算法对3 d系统。我们首先设计一个传感模型更适合3 d dsn和允许我们量化节点的旋转角度。其次,为了实现准确的报道,我们扩展传统2 d泰森多边形法部门,将其应用于3 d dsn。我们还用理论和实验来验证该算法进一步降低网络能耗。最后,我们设计实验模拟和执行算法的比较,进一步分析算法的有效性。我们的主要贡献突出显示如下:(我)我们是第一个提出三维球面领域传感模型量化dsn旋转角度结合使用3 d泰森多边形法方法(14使用传感器的位置)划分空间(2)我们设计一个协同优先覆盖机制来减少节点的移动距离,从而减少能源消耗过度,同时保证传感器网络覆盖率高(3)我们优化了传统虚拟力算法以适应实际条件,我们执行一个完整的理论分析和实验对比分析本文提出的算法来验证其有效性和准确性

本文的其余部分组织如下。节2、研究进展和相关工作dsn近年来概括。节3dsn覆盖模型和遥感角是描述和提供相关的定义。在这之后,我们比较之间的差异2 d和3 d泰森多边形法,给3 d泰森多边形法分区理论部分4。然后我们展示我们设计和改进的相关算法和部分提供其设计步骤5。节6,我们描述了模拟和实验上执行该算法与其他算法进行比较分析。结论和未来的工作在最后一节讨论。

2。相关的工作

近年来,研究dsn主要进行了基于2 d平面。例如,在[15),作者提出一个基于集群头——(CH)分布式目标覆盖算法解决最大覆盖率与最小传感器(反水雷舰)的问题。作者还设计了分布式集群和目标覆盖算法来减少网络能耗。随后,在12),他们设计了一个目标覆盖dsn的算法,在基于(一种节能的方式15),通过分布式集群机制。作者改进的分布式算法(15]使用CH方法并确保适当的用于提高dsn目标覆盖。在[16),作者提出一种新的方法(基于粒子群优化)最大化覆盖2 d区域。该算法允许定向传感器节点不断调整其传感方向提供最好的报道。然而,大多数的研究3 d传感器覆盖问题映射到二维的讨论在三维空间中不能直接应用。因此,我们不仅需要考虑维度也是一个节点感知的任务模型,可以应用于实际环境的维度。

此外,节点通常是随机分布在监测区域。降低部署成本,使用有限的节点能量有效的报道已经成为一个活跃的研究课题。作者指出,能动性和灵活性是必不可少的DSN节点减少阻塞效应和覆盖重叠在17]。同时,活性优于流动的网络成本和能源效率。因此,几乎所有的研究旨在解决覆盖问题通过的能动性。

然而在实践中,仍存在一些只能通过移动覆盖漏洞。例如,作者在18)使用方向的方向传感器旋转定位周期检测对象。因此,上述作者开发的一个事件监测系统,提出了一个最大覆盖部署(MCD)启发式迭代部署传感器覆盖的目标。但我们不仅必须考虑的方向定位传感器(即。,the change or rotation of its sensing angle) to enable efficient deployment; we must also consider that the orientation sensor can move to fill coverage holes in the monitoring area (i.e., DSNs can be moved). Therefore, the literature [13)提出了HMS解决定向传感器的高能源消耗运动。作者使用级联方法来调整dsn的覆盖率,有效降低网络能耗。在[19),作者提出了一个算法基于学习自动机解决定位传感器网络的覆盖质量要求和最大化网络生命周期(即。基于优先级的目标覆盖)。算法将dsn划分为几个覆盖集,这样每个覆盖集可以满足所有的覆盖质量要求的目标。因此,它实际上是延长了网络生命周期。

在[13,18,19),作者有更好的解决移动能耗的问题,但这些都是基于2 d平面验证和不适合3 d环境。因此,研究文献[20.- - - - - -22)先后提出了定向传感器三维坐标系统的模型和算法。例如,作者研究了3 d的低能耗绿色通信dsn并提出了时空覆盖优化调度(STCOS)算法来获得最大的网络覆盖在21]。在[22),作者提出一个网络覆盖增强算法基于一个人工鱼群算法提高覆盖率。然而,作者只优化的角度传感器和不定向传感器解决流动性问题。在[23),作者提出prescheduling-based - - - - - -组调度(PSKGS)和自我组织报道 - - - - - -覆盖调度(SKS)算法的算法来降低成本,保证质量的有效监控节点。实验结果表明,PSKGS提高了监控质量和SKS算法降低了节点的计算和通信开销。

此外,特殊的几何性质的泰森多边形法图应用于传感器网络覆盖的许多方面。在[24),作者提出Voronoi-based集中近似(VCA)和Voronoi-based分布式近似(VDA)最优覆盖的dsn。作者通过实验验证,这两个算法可以减少覆盖重叠,实现更高的覆盖率。在[25),作者结合2 d组特殊特性的泰森多边形法图与实时响应的动态环境变化,提出一种分布式贪婪算法,可以选择和调节细胞内传感方向基于覆盖率(IDS&IDA)。显然,研究2 d泰森多边形法算法表现出了更好的结果,但却很少应用在三维空间中。

因此,基于典型文献[14,25),并扩展了泰森多边形法方法进行了改进,使其适用于3 d dsn目标覆盖。在本文中,我们提出一个动态调整优化算法对3 d dsn基于球面领域覆盖模型。这个算法可以最大限度地提高覆盖率,提高网络寿命通过调整方向和具体动作节点的dsn。在后续实验验证部分,我们将讨论该算法与其他算法进行比较。

3所示。网络覆盖模型和角度量化方法

3.1。网络覆盖模型

首先,我们假设传感器节点的传感模型涵盖了范围的中点在节点的位置 和它的感应范围是最大探测距离。最初,假设传感器节点是随机分散在一个目标区域,节点的集合 。 代表节点的通信半径,当两个节点之间的欧氏距离和满足 ;我们称之为邻居节点(26]。在传统的2 d的研究中,大多数研究者将传感器节点转换为二维平面的粉丝达到覆盖优化。在一些3 d研究领域,相关节点的传感范围是抽象成一个圆锤的覆盖模型。然而,报道的3 d模型定向传感器应该通过旋转平面与半径风扇和中央角绕着它的对称轴,如图1。因此,我们定向节点的传感范围定义为一个球形领域传感模型。如图1、球形部门代表了定向传感器的覆盖模型。当 ,它的全向传感器节点的覆盖匹配。因此,球形部门网络模型本文重新定义更适合模拟3 d传感器节点的覆盖范围。

最初,传感器节点随机分布在目标监测区域,这可能会生成一个节点分布不均匀,过度的节点能量消耗,和重复或缺失的报道对于一些目标。在图2,灰色的点表示需要覆盖到目标,和三个球形领域代表传感器的覆盖范围。在图的一些目标2不完全覆盖。因此,传感器网络也可能遗漏的问题,导致节点利用率低。之前设计的3 d dsn覆盖算法基于3 d泰森多边形法图分区,以下假设:(我)同构传感器节点,每个节点可以访问自己的位置和它的邻居节点通过一些技术手段(2)每个节点有相同的探测范围,但其感应范围可以是不同的;也就是说,每个传感器都可以选择不同的感知角度 ,其中每个可以选择自己的感知角度(3)每个节点可以在任意方向自由旋转和移动

3.2。模型的角度量化

在先前的研究中,随机分布的目标点在太空中被定向节点覆盖和基本条件 和 需要满足。大多数研究[27,28使用分区模型如图3指定角度。然而,这个模型是难以量化的角度目标点之间的和节点 。特别是,很难确定必要的旋转量当一个节点必须覆盖目标旋转。此外,遥感模型和方向角分区图3是抽象的和不切实际的定向与不同的传感器节点和不同的主方向角 。

因此,我们重新定义遥感模型和提出一个角度和方向划分方法使用一个八分圆球体的统一旋转,如图4。只要球部门母线就是三条边的切线(即。,the spherical sector contains ),报道可以通过旋转模型的坐标系中目标事件是当条件 是满意的。上述的假设可以减少遗漏和节点能量消耗。在这方面,我们随后respecified目标事件的条件可以被直接覆盖节点。

如图4,我们削减的半径范围沿其轴的对称分成八个部分;也就是说,在图的阴影部分4(一)是孤立的多面体 。更直观的理解,分析和量化,我们分别提取阴影部分删除,如图4(一)并绘制透视图如图4 (b)。量化的角度在我们的模型中,我们需要解决的 。因此,我们项目的重点到一个平面包含垂直于直线穿过和 。更直观的了解和分析,我们分别提取三角形在图4 (b)并绘制平面视图如图4 (c)。的线段 , ,和垂直和一致(例如, ),所以我们决定 。在图4 (c),代表点的投影 ,这是位于中心的等边三角形 。请注意, 。现在我们计算 。连接的线段和形成直角三角形 ,如数据所示4 (b)和4 (d)。在图4 (d),正是我们需要的方向角来计算;也就是说, 。请注意,半径无关 。接下来,我们画一个球形部门投影在平面上的平面视图,如图4 (e)。我们知道不等于真正的角的球形部门吗投射到平面上, ;的内部角计算 。因此,我们可以得到最低感应角度当条件 如图,满意吗4 (e)。在这个时候,常规三角金字塔周围是球形的部门 。与此同时,当预计风扇的圆心角 ,球形领域传感区域包含多面体 。

总之,我们首先假设节点的圆心角 能满足所需的报道。然后,我们指定一个目标点 是由传感器节点 ,应当具备下列条件:(我)点之间的欧氏距离和必须小于或等于最大传感节点的距离;也就是说, (2)这个角之间形成的向量来和主要节点的传感方向必须小于 ;也就是说, (3)中央的角度直接满足传感模型

3.3。相关定义

更直观的后续分析和讨论这篇文章中,我们介绍下面的定义来更好的描述这个问题。

定义1 (3 d-directed节点感知模型)。3 d-directed传感模型可以表示为five-tuple ,在那里 , , , ( ),和代表顶点的位置坐标,主要的传感方向向量,节点的传感半径,节点的感知角度,分别和节点的传感方向。

定义2(邻居节点)。泰森多边形法中的每个节点是独一无二的;因此,根据文献[29日),我们可以指定两个传感器节点有相同的相邻边相邻节点。

定义3(网络覆盖率)。我们把传感精度模型(27)确定任意点的概率在空间监视节点 。假设传感精度随着距离的增加,衰减传感精度是 在哪里代表了遥感传感器的准确性点和 代表点的欧氏距离来 ,可计算的吗

常量和反映设备相关系数的物理特征传感器。通常情况下,有一个范围的(1 ~ 4)和作为一个调整参数。

一个目标在监测区域可以由多个传感器节点覆盖的同时,及其覆盖概率可以表示为 相当于

4所示。泰森多边形法分区方法

4.1。2 d泰森多边形法原理

早期研究的二维DSN覆盖率,节点随机分布在平面上,分为2 d泰森多边形法方法。如图5给定一组传感器节点 ,有界平面分为多边形细胞 ,这样,每一个细胞包含一个传感器节点) ,在哪里被称为 - - - - - -分代节点(14,30.]。此外,根据分区的泰森多边形法图,距离 从任何角度在细胞来比距离更短 点之间的和邻居节点 。

如图6,有70个传感器节点在平面上的投影与灰色区域表示每个节点的覆盖范围。分裂后,每个泰森多边形法单元对应一个单独的节点。

4.2。3 d泰森多边形法分区原则

在回顾相关的2 d泰森多边形法研究在前一节中,我们扩展它将三维卷。体积分为多面泰森多边形法单位称为V-body单位;每个是一个不规则的、多方面的、封闭的、凸体根据文献[14]。与此同时,每个单元 包含一个独特的节点 。因此,根据2 d-voronoi的财产,3 d泰森多边形法分区定义满足

从上述结果可以得出结论,节点的数量等于泰森多边形法单元的数量后部门;也就是说, 。因此,本文首先使用这一重要邻国属性划分和研究3 d覆盖问题。

5。和3 d-daoa VFA分析

正如前面所讨论的,定向传感器网络节点分为一组独特的不重叠的V-body单元由3 d泰森多边形法在最初分区方法,随机部署。我们知道一个目标可能无法检测到一个给定的节点,和每个目标可以位于任何V-body单位。此外,根据泰森多边形法分区属性,我们将首先考虑节点优先覆盖目标节点的V-body单位,我们需要设计相关算法实现覆盖节点旋转和运动。

5.1。VFA的定义

在传感器网络覆盖,VFA(虚拟力算法)31日]算法使得节点部署在监测环境中重新部署到不同的虚拟领域的力量。虚拟力的概念首先来自于物理学;也就是说,当两个原子之间的距离太小,他们由它们之间的排斥力。当两个原子之间的距离太大,引力是生成,使其更接近彼此(14,32]。在本文中,我们需要重新设计一种改进的3 d-vfa解决以下问题:(我)重新部署一个节点在一个3 d泰森多边形法分区精确覆盖发现目标(2)量化节点的旋转角和节点的坐标系统的统一(3)定义虚拟那些生成的节点之间(例如,相互吸引和排斥)和障碍之间的斥力部队移动方向节点完成覆盖

5.2。改进的3 d-vfa分析

通过以上定义的虚拟力,我们主要解决定向节点移动性。在优化过程中,节点移动下总合力 ,从而实现节点的平衡和统一的目标覆盖。在监控区域,我们假设一个传感器节点的引力从邻近的节点,一个相互作用力从节点,和力量之间的节点和目标区域的边界 。总力因此,

我们进一步限制虚拟力量防止节点过早耗尽能量的节点由于过度运动。我们介绍两个距离阈值:表示节点之间的最小安全距离代表以外的距离,节点之间的相互作用力为零。根据文献[14,33),方程(7)定义了相互作用力节点之间的

在这里, , , ,和代表增益系数和和代表节点质量因素(通常1)的价值。当两个节点之间的距离 满足条件 ,节点是互斥的。

让节点上执行运动检测目标很远,我们设置了目标作为吸引源节点。此外,我们认为不完备的问题中提到的节点感知的任务信号(34]。因此,我们之间建立的力传感模型的重心和目标。本文的重心在球形风扇和球形部门的重心 在哪里表示球面部门母线的长度(即, )和代表点的长度和顶点在平面上部门,如图4 (e),然后 。因此,我们可以计算出重心节点模型(例如, )。目标的引力可以计算的节点上的重心 在哪里和代表了增益系数 代表了欧几里得距离节点的重心为目标 。此外,和代表质量目标的因素和节点模型 ,分别。代表了目标所产生的力量在该地区的行动。

此外,为了避免在移动节点之间的冲突和障碍,我们必须添加一个边界排斥这保证了节点之间的距离是在最佳范围内。根据(14),边界斥力计算 在哪里和增益系数和吗 节点之间的距离吗和障碍。当节点之间的距离和障碍 ,节点是被障碍。

5.3。3 d-daoa

我们设计相关算法来解决与定向传感器节点遇到的两个核心问题:节点的旋转和移动29日]。我们现在描述动态调整优化算法对3 d dsn基于球面领域覆盖模型:3 d-daoa。与此同时,解决工作中遇到的问题与原VFA的方法,我们设计了动态范围调整策略,并把它跟3 d-vfa如下所示。如果部署传感器节点能够覆盖目标旋转,旋转需要优先,我们减少了节点的移动性覆盖方法的活动。因此,我们目前的设计步骤和算法的伪代码。

步骤1。部署数量的传感器节点监控区域 。

步骤2。3 d泰森多边形法方法用于划分区域的传感器节点所在,使得每个节点在自己的泰森多边形法单位 。

步骤3。对于每个方向传感器,我们设置它的坐标系原点传感器的位置和中央角定义节点的传感模型, 。

步骤4。假设目标点的位置信息众所周知,我们测试的条件 和 。如果都是真的,我们商店的数量已经覆盖的目标和覆盖的节点数量目标和执行步骤5;否则,我们执行的步骤13。

第5步。评估 一次。如果这是真的,我们计算目标点的数量继续步骤7;否则,我们执行的步骤12。

步骤6。计算的角度每个目标之间已被覆盖轴和主要方向并找到最小的角在他们中间。

步骤7。计算数量剩下的目标 ;也就是说, 。

步骤8。确定角度之间的和满足的条件 或 。

第9步。如果满足上述条件之一,主要方向节点旋转的轴 或 向目标点 。否则,不是目前覆盖的目标是标志,我们执行步骤10。

第10步。其余节点保留,停止旋转,节点的数量计算。

步骤11。的合力闲置的邻居节点和介绍了将闲置的邻居节点覆盖 。

步骤12。计算剩余节点的总数和数量的目标,并不包括在内 。

步骤13。我们使用合力将剩余的节点来 。

步骤14。重复步骤4,5,6,7,8,9,10,11,12和13一系列的迭代,直到所有节点的最优位置和完成最后的报道。

本文第一次使用3 d泰森多边形法方法划分的空间节点,允许我们确定一个目标是坐落在一个泰森多边形法unit-though目标可能不包含在任何单位。随着节点数的增加,越来越多的密度紧凑V-body单位;因此,有大量的节点和事件,我们的方法可以更准确地划分空间目标探测。然而,本文旨在使用算法来提高网络覆盖率,增加平均节点剩余能量。我们的主要目标是找到一个更好的平衡之间的节点利用率和剩余能量延长网络的生命周期。为了达到这个目标,我们设计节点的覆盖旋转机制,重点报道机制,和运动机制。我们首先设计算法的判别条件结合3 d泰森多边形法分区方法优化核心调整机制。3显示了d-daoa算法的伪代码1。

6。实验仿真和讨论

6.1。模拟环境和结果

在本节中,我们使用MATLAB (2015 b)执行仿真实验来验证该算法的性能。最初,我们随机部署的传感器节点为100米³立方体测试部署的目标点。根据(35),当节点部署很低,最优节点距离,确保网络连接 。当节点的数量很大,网络连接的最佳距离 。仿真参数表中列出1。

我们第一次部署节点,如图7(一)锥,蓝色代表着定向节点。在第一组实验如图7,60定向传感器节点随机部署在100米³空间。在3 d算法,泰森多边形法分区方法用于将空间划分为60个不同V-body单位使用的数量和位置的节点,每个节点位于各自的单位 ,如图7 (b)。如图7 (c)红点代表一个目标覆盖和蓝色的锥表示目标的节点覆盖算法运动调整。黑锥表示节点的改变对一个目标的位置不是在覆盖范围内的算法。仿真结果表明,当25目标的位置坐标,目标的数量由节点首先计算算法的调整。当目标不是节点的覆盖范围内,该算法选择一些节点的移动。

6.2。算法分析和对比实验

为了进一步验证实验的准确性,我们比较了3 d-daoa随机算法(RA)和改进VFA算法(36]。在实验1中,我们设置的节点数量 ,节点的视角 ,和目标点的数量 验证节点的探测半径之间的关系和覆盖率。如图8随着检测半径的增加,三种算法的覆盖率也增加。然而,报道该算法明显高于其他两种算法。它还可以看到从图8的覆盖率算法首先达到完全覆盖传感半径60米时,因为算法可以合理地划分节点位置从一开始,它可以实现精确的报道通过旋转或运动通过设置优先级调整策略。因此,该算法可以减少冗余和报道极大地提高整个网络的覆盖率。

在实验2中,我们验证了影响改变节点的覆盖率的视角,如图9,我们看到报道的三个算法增加随着视角的增加;然而,这增加小于检测半径增加引起的,因为不同字段的视图(FOV)相同的节点有不同的对覆盖率的影响。因此,拥有一个更大的视场达到一个更大的覆盖范围;也就是说,覆盖目标的概率也增加了。该算法的优点是,它可以更好的确定节点的当前位置和目标,和它使用优先报道机制或空闲节点来实现更高的覆盖率。

传感器节点通常携带电源能量有限,这很难补充能量。因此,我们需要合理地利用能源。在这个实验中,节点的转动和移动能源消费占能源消费总量的很大一部分。根据(13,37),一个定向节点旋转180°消耗1.52 J能量;这意味着单个节点旋转1度消耗0.009 J。然而,每个节点消耗每1米3.6 J的运动。

在实验3中,我们假设节点的数量 ,的视角 ,每个节点的初始能量是30 J之间的关系来验证的平均剩余能量和覆盖率的三个算法。如数据所示10和11,当节点的可视角度是相同的,在每一个算法的平均剩余能量减少随着角度的增加,而节点的覆盖率增加随着角度的增加。改进的VFA算法平均剩余能量最低的,因为它没有动态调整保险机制,导致太多的移动节点。因此,VFA算法最大的平均节点能耗。3 d-daoa合理减少不必要的能量消耗来实现一个更好的平衡,同时确保高覆盖率。

我们现在比较单个节点的剩余能量的三个算法总覆盖率时角度取不同的值,如表所示2。从这一点,我们得出这样的结论:总额的两个索引值算法是最大的视角是55°时,因为3 d-daoa可以适当地平衡网络覆盖率和能源消耗。此外,它综合考虑各种因素和指标达到更好的检测结果。

结合数据中的数据10和11与表2之后,我们得出这样的结论:节点的剩余能量随机算法几乎没有变化和覆盖率是最低的,因为这个算法并不导致节点旋转或移动基于目标的位置。在同一评价指标条件下,该算法具有明显的优势改进VFA算法:该算法的优先覆盖机制实现精确的目标范围,动态调整机制避免无效节点运动和算法的报道策略时更好的视角是55°。

在实验4和5中,我们验证了节点的数量和覆盖比率之间的关系。在实验4中,我们设置 , , ,和 ,如图12。我们得出结论,随着节点数的增加,三种算法的总体覆盖率增加。图12还显示,当有更少的节点,这三个算法的覆盖率较低。随机算法和改进的VFA的覆盖算法是低于3 d-daoa,尤其是当节点的数量超过30。

在实验5中,设置 不改变其他指标,如图13。此外,当目标点的数量很大,该算法具有更高的覆盖率。因此,在相同条件下,该算法更适合大规模目标探测,因为3 d-daoa的调整机制使得节点能够准确地覆盖目标。

7所示。结论

在本文中,我们研究了目标覆盖在3 d dsn。首先,我们改进了传统三维定向传感模型,提出了一个球形领域模型更适合3 d定向传感器节点。接下来,我们统一的节点的坐标系统和旋转达到覆盖使用球形领域模型。然后定量遥感模型的角度提供一个有效的检测方案定向节点覆盖。我们提出了相关算法和结合节点旋转和移动来实现优先有效覆盖,使算法能够实现更高的覆盖率,同时降低网络能耗。最后,我们与其他算法验证和比较3 d-daoa证明其可靠性和准确性。在未来工作中,我们将进一步研究该算法的实际测试环境和目标移动。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(61762079和61762079)和关键科学和技术支持项目批准号1604下的甘肃fkca097和17 yf1ga015。