Page 309 - 《软件学报》2021年第8期

石拓 等:多等级通信半径的无源传感器网络中的覆盖问题 2591

5.2 实验设置
我们采用模拟实验的方式来验证我们的算法.我们假设监控区域为一个 50m×50m 的方形区域,监控周期最
长为 225 分钟,并被分为 45 个时间槽,即每个时间槽为 5 分钟.我们采用不同的无源节点来构成不同的无源传感
器网络来验证算法.我们假设无源节点的能量存储空间 B 的大小在 3mJ 到 9mJ 之间,感知半径在 3m 到 7m 之间.
此外,对于每一个无源节点,我们假设其通信半径具有 5 个等级,分别为 r = c 1 l 14m,r = c 2 l 15m,r = c 3 l 16m,r = c 4 l 17m ,
5 l
r = 18m ,且对于不同的通信半径等级,无源节点在一个时间槽的能量消耗满足:
c
Δ = i 0.3× ()r c i l 2 [31] .
同时,对于每一个无源节点,我们假设无源节点可以工作的最小的能量为 3mJ,即 B f =3mJ.此外,我们假设每
个无源传输节点在每个时间槽内可以从周围能源环境中获取 0.1mJ~0.6mJ 的能量.这样,我们随机地部署 200~
1 000 个无源节点到监控区域当中,并构成若干个同构的无源传感器网络,并在这些网络中运行 TPA 算法来验证
该算法的性能.
在下面的实验当中,我们将研究无源传感器网络中不同的系统参数值对于覆盖质量的影响.这些系统参数
包括网络中节点的密度、周围能源环境的优劣、无源节点的感知半径、无源节点的能量存储空间、监控周期
的长度以及能量获取速率不均衡程度.同时,为了保证实验的客观性,我们将 TPA 算法的实验结果与算法 2 中的
[2]
朴素算法以及 Shi 提出的 DSC 算法在同样的实验环境下进行对比.DSC 算法中,无源节点具有相同的通信半
径,且无法自适应地调节自身的通信半径大小.DSC 算法具有以下两个步骤.
• 步骤 1:将无源传感器网络中的无源节点根据节点的通信半径与感知半径分为 k=Δ/μ min 个不相交集合,
并最大化无源节点对监控区域的覆盖率.其中,μ min 为所有节点在单位时间槽内获取的最小能量.
• 步骤 2:无源节点根据实际的能量获取速率和被分配到的节点集合进行自适应地调度,从而进一步最大
化节点对监控区域的覆盖率,提高覆盖质量.
5.3 不同系统参数对覆盖质量的影响
5.3.1 网络密度的影响
在这个系列的实验中,为了研究网络密度对覆盖质量的影响,我们模拟了 6 种无源传感器网络,这 6 个无源
传感器网络的网络节点数量分别为 100,200,300,500,700,1000.同时,我们假设在这 6 种无源传感器网络中,无源
节点的电量存储空间为 6mJ,监控周期长度为 40 个时间槽(200 分钟),每个无源节点在一个时间槽内最少获能为
0.2mJ,感知半径为 5m.在这 6 种无源传感器网络中,我们分别运行朴素算法、TPA 算法和 DSC 算法,并计算每个
算法所得到的覆盖质量.实验结果如图 3 所示.图 3 展示了 3 种不同算法在不同无源网络下所得覆盖质量的平
均值、最大值和最小值.

Fig.3 Impact of number of nodes
图 3 节点数量的影响

根据图 3,随着节点数量的不断增加,网络的节点密度不断增大,3 种算法所得到的覆盖质量都在不断上升.
这是因为在无源节点的感知半径不变的情况下,增加网络节点的密度,会增加无源节点对监控区域的覆盖冗余,
即同一块监控区域可以被更多的无源节点所覆盖.同时我们发现,TPA 算法得到的覆盖质量远好于朴素算法和
DSC 算法.在大部分情况下,TPA 算法所得到的覆盖质量的最小值均大于朴素算法与 DSC 算法在相同网络参数