论文部分内容阅读
栅栏覆盖(Barrier Coverage)问题作为无线传感器网络的(Wireless Sensor Networks,WSNs)覆盖问题之一,即在带状监测区域上部署传感器网络,网络内的节点之间的感知范围相互交叉形成一道保护屏障,保护监测区域不受外来者入侵。强化学习(Reinforcement Learning)属于机器学习机制的一种,用于解决根据可以感知环境的agent与环境交互所得到的反馈对输入动作进行奖惩,学习到实现目标的最优动作的问题,学习自动机(Learning Automata,LA)是强化学习机制中的一种简单的模型。可信信息覆盖模型(Confident Information Coverage,CIC)是一种全新的节点覆盖模型,充分考虑节点之间的协同感测和挖掘监测的环境变量的空间特征。因此基于学习自动机模型,根据节点可信信息覆盖模型,设计合理有效的栅栏构建策略是本文的研究重点。本文详细的介绍了无线传感器网络和栅栏覆盖,在深入分析了当前栅栏构建研究的基础上,针对其他栅栏构建算法仍存在的问题,设计了全新的栅栏构建策略。具体工作总结如下:(1)定义和建模了可信信息覆盖栅栏路径构建(Confident Information Coverage Barrier path Construction,CICBC)问题,实现了最大化栅栏路径的条数和最小化每条栅栏路径上的物联网(IOT)节点数。(2)为了解决CICBC问题,设计了一种分布式的基于学习自动机模型的可信信息覆盖栅栏路径构建策略(Confident Information Coveragebarrier path construction schema based on learning automata mechanism,CBLA)。在节点随机部署的传感网中,CBLA根据覆盖图(Coverage Graph,CG)对网络进行建模,网络中每一个传感器节点都配备一个LA。CBLA包括四个主要阶段:初始化阶段、学习阶段、监测阶段以及修复阶段。CBLA从CG中的左边界随机选择一个节点作为栅栏路径的初始节点开始,在保证网络连通性的前提下学习到网络的右边界节点。(3)对提出的CBLA进行了一系列仿真试验证明了其设计的合理性,通过与其他两种栅栏构建算法DBS和Random的对比仿真证明了CBLA的优越性。CBLA能够利用更少的节点构建栅栏路径并且可以构建更多的栅栏。