本发明涉及环境监测和传感器网络领域，尤其涉及一种水质传感器网络覆盖优化方法的研究。
背景技术：
水是生命之源，也是人类赖以繁殖的必要资源。然而，近几十年，随着国民经济的快速发展和人民生活水平的不断提高，水资源供需矛盾日益突出。根据《2016中国环境状况公报》，2016年全国225个地级市行政区的6124个监测点的地下水水质监测情况中，水质为优良级的监测点比例仅为10.1％，较差级的观测点占比达到45.4％。就整个地表水而言，受到严重污染的劣v类水体所占比例较高，全国约8.6％。
近年来，科学地监测水环境受到越来越多的重视。在对水环境监测的过程中，传感器网络占据了十分重要的地位。由于水质传感器成本较高，希望能够对监测环境中的重点区域部署更多的传感器以提高监测质量，节约成本。因此，需要找到待监测水域内需要重点监测的区域，并通过有效的传感器部署策略实现对传感器网络的部署，为进行精确的水环境监测提供充实的理论依据。
技术实现要素：
本发明的目的在于提出一种水质传感器网络覆盖优化方法，可为水质传感器网络的部署提供理论基础，可广泛应用于水环境监测、水污染的预测和治理等领域。
为达到上述目的，本发明提出一种水质传感器网络覆盖优化方法，具体包括建立水质传感器网络覆盖模型和传感器网络的优化部署两个基本步骤。
步骤一，在本发明的一个实施例中，所述建立水质传感器网络覆盖模型进一步包括：
对监测水域进行离散化处理，将其离散化为m个网格点，其中任意一网格点pj的坐标为(xj，yj)，在监测区域中随机放置一组具有相同感知半径r的传感器节点，设s＝{s1，s2，s3…sn}代表该传感器节点的集合，其中任意一个传感器节点si的坐标为(xi，yi)；计算si到点pj的欧氏距离定义为：
则监测区域中某个网格点pj被传感器节点覆盖的情况为：
p(si,pj)＝1说明该网格点能被传感器节点覆盖；对于一个被监测网格点，将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率，网格点pj的联合监测概率如下公式所示：
统计监测概率等于1的网格数量，其与总网格数m的比值即整个水质监测网络的覆盖率；
步骤二，在本发明的一个实施例中，所述传感器网络的优化部署进一步包括：
基于adam优化算法改进步长。布谷鸟算法利用莱维飞行进行全局搜索，具有良好的全局寻优能力；布谷鸟算法结合了全局搜索的随机游走和局部的随机游走，其中，全局搜索的随机游走如下式所示：
其中，xg,i表示个鸟巢在第g代的鸟巢位置；
其中，
lévy～σ2＝t-ψ(1≤ψ≤3)
ψ为一参数，此处取值为1.5；实际中为了方便计算，采用下列公式生成莱维随机数：
即布谷鸟的位置更新公式可以表示如下：
其中，u,v都服从正态分布；
其按概率pa丢弃部分解后，采用局部随机游走重新生成相同数量的新解：
xg 1,i＝xg,i r(xg,j-xg,k)
其中，r是缩放因子，是(0，1)区间内的均匀分布随机数，xg，i，xg，k表示g代的两个随机数；
adam优化算法是将动量梯度下降法和均方根算法结合在一起，对布谷鸟算法中莱维飞行步长更新采用adam优化算法的思想，如下式所示：
δlx＝β1δlx,t-1 (1-β1)δlx,tδly＝β1δly,t-1 (1-β1)δly,t
sdx＝β2sdx (1-β2)d2xsdy＝β2sdy (1-β2)d2y
式中，δlx是x方向步长更新的大小，δly是y方向步长更新的大小，δlx,t、δly,t分别是x、y方向t时刻步长的大小，δlx,t-1，δly,t-1分别是x、y方向t-1时刻步长的大小，sdx为x方向上的速度变化，sdy为y方向上的速度变化，β1、β2是权重，ω为学习率，ε是一个防止分母为零的十分小的正整数；由公式可以看出在adam优化算法中采用了动量梯度下降法的优点，使得在寻优过程中可以跳出局部最优解，同时也吸收了均方根算法的优点，加快了在寻优方向上的搜寻步长，减少了不利的扰动对寻优过程造成的影响。
改进淘汰概率pa。淘汰概率pa表示的是布谷鸟鸟巢被寄主发现的概率，即生成新解的概率，在初始布谷鸟算法中其是一个固定值；在实际寻优过程中，随着迭代次数的不断增加，结果越来越向最优值靠拢，此时淘汰概率如果仍旧保持原来的基数，则会淘汰掉大量优质的解，破坏算法的寻优性能；因此，通过学习率衰减法，利用下式更新淘汰概率，使淘汰概率pa成为一个会随着迭代次数变化的值：
pa＝0.95iterationpa0
其中，iteration为迭代次数，pa0为初始淘汰概率，取为0.25；
经过布谷鸟算法的多次迭代、寻优，可使水质传感器网络实现优化覆盖。
图2所示为水质传感器网络初始随机分布图，经过布谷鸟算法的多次迭代、寻优，可使传感器节点重新部署，如图3所示。覆盖率从59.64％提高86.48％，进而使得水质传感器节点部署得到优化，可有效提高传感器网络的监测性能。
本发明提出的一种水质传感器网络覆盖优化方法，可实现对监测水域的有效监测，为水环境的有效监测和综合治理提供充实的理论依据。
附图说明
图1为本发明实施例的一种水质传感器网络覆盖优化方法流程图；
图2为本发明实施例的水质传感器网络初始随机部署分布图；
图3为本发明实施例的水质传感器网络的优化部署结果图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的意义。下面所描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明是针对水环境监测过程中，针对复杂的水域环境，提出的一种水质传感器网络覆盖优化方法。
为了能够对本发明有更清楚的理解，在此进行简要描述。本发明包括两个基本步骤：步骤一，建立水质传感器网络覆盖模型；步骤二，传感器网络的优化部署。
具体的，图1所示为本发明实施例的一种水质传感器网络覆盖优化方法的流程图，包括以下步骤：
步骤s101，建立水质传感器网络覆盖模型。
在本发明的一个实施例中，对监测水域进行离散化处理，将其离散化为m个网格点，其中任意一网格点pj的坐标为(xj，yj)，在监测区域中随机放置一组具有相同感知半径r的传感器节点，设s＝{s1，s2，s3…sn}代表该传感器节点的集合，其中任意一个传感器节点si的坐标为(xi，yi)；计算si到点pj的欧氏距离定义为：
则监测区域中某个网格点pj被传感器节点覆盖的情况为：
p(si,pj)＝1说明该网格点能被传感器节点覆盖；对于一个被监测网格点，将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率，网格点pj的联合监测概率如下公式所示：
统计监测概率等于1的网格数量，其与总网格数m×n的比值即整个水质监测网络的覆盖率；
步骤s102，基于adam优化算法改进步长。
布谷鸟算法利用莱维飞行进行全局搜索，具有良好的全局寻优能力；布谷鸟算法结合了全局搜索的随机游走和局部的随机游走，其中，全局搜索的随机游走如公式(4)所示：
其中，xg,i表示个鸟巢在第g代的鸟巢位置；
其中，
lévy～σ2＝t-ψ(1≤ψ≤3)(6)
ψ为一参数，此处取值为1.5；实际中为了方便计算，采用下列公式生成莱维随机数：
即布谷鸟的位置更新公式可以表示如下：
其中，u,v都服从正态分布；
其按概率pa丢弃部分解后，采用局部随机游走重新生成相同数量的新解：
xg 1,i＝xg,i r(xg,j-xg,k)(10)
其中，r是缩放因子，是(0，1)区间内的均匀分布随机数，xg，i，xg，k表示g代的两个随机数；
adam优化算法是将动量梯度下降法和均方根算法结合在一起，对布谷鸟算法中莱维飞行步长更新采用adam优化算法的思想，如公式(11)所示：
式中，δlx是x方向步长更新的大小，δly是y方向步长更新的大小，δlx,t、δly,t分别是x、y方向t时刻步长的大小，δlx,t-1，δly,t-1分别是x、y方向t-1时刻步长的大小，sdx为x方向上的速度变化，sdy为y方向上的速度变化，β1、β2是权重，ω为学习率，ε是一个防止分母为零的十分小的正整数；由公式可以看出在adam优化算法中采用了动量梯度下降法的优点，使得在寻优过程中可以跳出局部最优解，同时也吸收了均方根算法的优点，加快了在寻优方向上的搜寻步长，减少了不利的扰动对寻优过程造成的影响；
步骤s103，改进淘汰概率pa
淘汰概率pa表示的是布谷鸟鸟巢被寄主发现的概率，即生成新解的概率，在初始布谷鸟算法中其是一个固定值。在实际寻优过程中，随着迭代次数的不断增加，结果越来越向最优值靠拢，此时淘汰概率如果仍旧保持原来的基数，则会淘汰掉大量优质的解，破坏算法的寻优性能；因此，通过学习率衰减法，利用公式(12)更新淘汰概率，使淘汰概率pa成为一个会随着迭代次数变化的值：
pa＝0.95iterationpa0(12)
其中，iteration为迭代次数，pa0为初始淘汰概率，取为0.25。
经过布谷鸟算法的多次迭代、寻优，可使传感器节点部署在使网络覆盖率最优的位置。
通过本发明提出的一种水质传感器网络覆盖优化方法，可实现对水质传感器网络的优化部署，为水环境的有效监测和综合治理提供充实的理论依据。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，本发明的范围由所附权利要求及其等同限定。
1.一种水质传感器网络覆盖优化方法，其特征在于：包括建立水质传感器网络覆盖模型和传感器网络的优化部署两个基本步骤；
所述建立水质传感器网络覆盖模型包括：对监测水域进行离散化处理，将其离散化为m个网格点，其中任意一网格点pj的坐标为(xj，yj)，在监测区域中随机放置一组具有相同感知半径r的传感器节点，设s＝{s1，s2，s3…sn}代表该传感器节点的集合，其中任意一个传感器节点si的坐标为(xi，yi)；计算si到点pj的欧氏距离定义为：
则监测区域中某个网格点pj被传感器节点覆盖的情况为：
p(si,pj)＝1说明该网格点能被传感器节点覆盖；对于一个被监测网格点，将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率，网格点pj的联合监测概率如下公式所示：
统计监测概率等于1的网格数量，其与总网格数m的比值即整个水质监测网络的覆盖率；
所述传感器网络的优化部署包括：
(1)基于adam优化算法改进步长
布谷鸟算法利用莱维飞行进行全局搜索，具有良好的全局寻优能力；布谷鸟算法结合了全局搜索的随机游走和局部的随机游走，其中，全局搜索的随机游走如公式(4)所示：
其中，xg,i表示个鸟巢在第g代的鸟巢位置；
其中，
ψ为一参数，此处取值为1.5；实际中为了方便计算，采用下列公式生成莱维随机数：
即布谷鸟的位置更新公式可以表示如下：
其中，u,v都服从正态分布；
其按概率pa丢弃部分解后，采用局部随机游走重新生成相同数量的新解：
xg 1,i＝xg,i r(xg,j-xg,k)(10)
其中，r是缩放因子，是(0，1)区间内的均匀分布随机数，xg，i，xg，k表示g代的两个随机数；
adam优化算法是将动量梯度下降法和均方根算法结合在一起，对布谷鸟算法中莱维飞行步长更新采用adam优化算法的思想，如公式(11)所示：
式中，δlx是x方向步长更新的大小，δly是y方向步长更新的大小，δlx,t、δly,t分别是x、y方向t时刻步长的大小，δlx,t-1，δly,t-1分别是x、y方向t-1时刻步长的大小，sdx为x方向上的速度变化，sdy为y方向上的速度变化，β1、β2是权重，ω为学习率，ε是一个防止分母为零的十分小的正整数；由公式可以看出在adam优化算法中采用了动量梯度下降法的优点，使得在寻优过程中可以跳出局部最优解，同时也吸收了均方根算法的优点，加快了在寻优方向上的搜寻步长，减少了不利的扰动对寻优过程造成的影响；
(2)改进淘汰概率pa
淘汰概率pa表示的是布谷鸟鸟巢被寄主发现的概率，即生成新解的概率，在初始布谷鸟算法中其是一个固定值；在实际寻优过程中，随着迭代次数的不断增加，结果越来越向最优值靠拢，此时淘汰概率如果仍旧保持原来的基数，则会淘汰掉大量优质的解，破坏算法的寻优性能；因此，通过学习率衰减法，利用公式(12)更新淘汰概率，使淘汰概率pa成为一个会随着迭代次数变化的值：
pa＝0.95iterationpa0(12)
其中，iteration为迭代次数，pa0为初始淘汰概率，取为0.25；
经过布谷鸟算法的多次迭代、寻优，可使水质传感器网络实现优化覆盖。
技术总结