移动传感器网络节点的运动行为控制算法研究

周晓珏

摘 要： 针对目前移动无线传感器网络节点的运动行为控制算法复杂、能耗大的问题，提出了一种复杂程度低、能耗小、鲁棒性强的控制算法。算法首先通过航迹推算与RSSI定位移动节点，然后在人工鱼群思想的基础上结合拥挤意愿模型的约束机制来控制节点的趋向目标行为、聚群行为、跟踪行为和避障行为。最后在Matlab环境下进行节点的运行行为仿真，实验结果表明所提出的算法能够正确完成移动节点的聚集、跟随及避障行为，证明了算法的正确性。

关键词： 移动传感器网络； 节点定位； 约束机制； 节点运动

中图分类号： TN911?34； TP202 文献标识码： A 文章编号： 1004?373X（2016）23?0034?05

Research on movement behavior control algorithm of mobile sensor network nodes

ZHOU Xiaojue

（Jiangsu Vocational College of Business， Nantong 226011， China）

Abstract： Since the current movement behavior control algorithm of the mobile wireless sensor network nodes is complex， and has high energy consumption， a control algorithm with low complexity， low energy consumption and good robust is proposed. With the algorithm， the mobile nodes are located by dead reckoning and RSSI. On the basis of the artificial fish thought， the constraint mechanism of crowded desire model is combined to control the nodes′ target trend behavior， cluster behavior， tracking behavior and obstacle avoidance behavior. The operation behavior of nodes is simulated in Matlab environment. The experimental results show that the proposed algorithm can correctly accomplish the cluster behavior， follow behavior and obstacle avoidance behavior of the mobile nodes， and the correctness of the algorithm was verified.

Keywords： mobile sensor network； node localization； constraint mechanism； node movement

0 引 言

近年来，移动传感器网络逐渐成为无线传感器网络领域研究的焦点。但由于其网络规模大、能耗敏感且单个节点智能化程度低，在网络节点的运动行为控制算法上制约因素较多[1?3]，并没有较为成熟的网络节点运动行为控制算法。

针对上述问题，设计了一种复杂程度低、能耗小且鲁棒性强的网络节点运动行为控制算法。该算法首先通过航迹推算与RSSI定位传感器节点，然后在人工鱼群思想的基础上结合拥挤意愿模型的约束机制控制节点的运动行为，对于移动传感器网络的进一步应用具有重要意义。

1 网络节点定位算法

航迹推算无需外部信息完成节点的定位，当距离较近时定位精度很高，但随着节点定位误差的叠加，根据航迹推算获得的节点实时位置误差会发散且无法消除[4?5]；而RSSI定位算法能够确定节点的相对初始位置，消除位置累积误差且成本较低[6?7]。所以可将航迹推算算法与RSSI定位算法结合起来，就可以实时获得节点的位置信息。

4 仿真实验

在基于趋向目标运动行为的基础上，进行动态聚群行为、跟随行为和有队形避障行为仿真，仿真结果如下：

4.1 动态聚群行为仿真

10个实心圆代表10个移动点，领航节点在向目标点移动的同时，跟随节点依据领航节点为其分配位置坐标进行动态聚群，这里跟随节点的队形为三行三列的方阵，各节点初始位置及最终位置分别如图7，图8所示。

4.2 移动跟随行为仿真

10个实心圆代表10个移动点，六角星表示目标位置，跟随行为仿真的节点初始位置和最终位置分别如图9， 图10所示。

4.3 有队形群体避障行为仿真

10个实心圆代表10个移动点，方框代表墙障碍物，群体避障行为仿真的节点初始位置和最终位置如图11，图12所示。

通过上述实验可以看出，基于拥挤意愿模型的约束机制能够完成节点聚集、跟随及避障行为，又能够提高整个系统的运行效率。

5 结 论

本文以移动传感器网络为背景，通过航迹推算与RSSI结合实现了移动节点的精确定位且能耗较低；然后将基于拥挤意愿模型的约束机制与人工鱼群思想共同用于节点的运动行为控制，完成了节点的汇聚、跟随及避障等复杂任务。但后续还需进一步降低算法的能耗与计算量，提高其在移动传感器网络中应用的可靠性。

参考文献

[1] ZHU J， PAPAVASSILIOU S， XU S. Modeling and analyzing the dynamics of mobile wireless sensor networking infrastructures [C]// Proceedings of 2002 IEEE 56th Vehicular Technology Conference. Newark： IEEE， 2002： 1550?1554.

[2] HAENGGI M. Mobile sensor?actuator networks： opportunities and challenges [C]// Proceedings of 7th IEEE International Workshop. Frankfurt： IEEE， 2002： 283?290.

[3] 孙波，陈卫东，席裕庚.基于粒子群优化算法的移动机器人全局路径规划[J].控制与决策，2005（9）：1052?1055.

[4] 唐宏，钟璐.基于移动信标节点的无线传感器网络定位算法研究[J].信息通信技术，2012（3）：51?56.

[5] LUO Y， ZHANG J T， LI X X. The optimization of PID controller parameters based on artificial fish swarm algorithm [C]// Proceedings of 2007 IEEE International Conference on Automation and Logistics. Jinan， China： IEEE， 2007： 1058?1062.

[6] 周林，张厚望.无线传感器网络中基于RSSI的质心定位算法研究[J].现代电子技术，2015，38（1）：30?34.

[7] 张铮，饶志训，黄志峰.无线传感器网络中RSSI滤波的若干处理方法[J].现代电子技术，2013，36（20）：4?6.

[8] 班晓娟，宁淑荣，涂序彦.人工鱼群高级自组织行为研究[J].自动化学报，2008，34（10）：1327?1332.