移动无线传感网的移动感知路径选择算法*

陈友荣,陆思一,刘半藤,杨海波,许 森,祝云凯,卢允伟

(1.浙江树人大学信息科技学院,杭州 310015;2.常州大学信息科学与工程学院,江苏 常州 213164;3.浙江杭佳科技发展有限公司,杭州 310015;4.浙江建设职业技术学院,杭州 311231)

近几年,我国地震、危险品爆炸等重大自然或事故灾害频发,造成大量的建筑物倒塌和人员伤亡[1-2]。当交通受阻、人力不足、救援现场环境恶劣(如余震不断、存在有毒气体)等原因造成救援人员无法第一时间携带救援设备抵达受灾区域时,救援设备就无法发挥作用,因此迫切需要一种技术手段——无线传感网技术[3],实现自主搜寻受灾人员。目前传统静态无线传感网适用于火山地震、森林火灾、土壤环境等对象的实时长期监测。由于重大灾难的受灾区域面积大、大规模部署时系统成本高等原因,因此静态传感网不适用于短期使用的重大灾难现场紧急救援,需要考虑移动无线传感网MWSNs(Mobile Wireless Sensor Networks)[4-5]。移动无线传感网中部分或全部节点除了具有传统静态节点的传感、计算和通信能力外,还具有一定的机动能力。但是由于建筑物倒塌后,废墟处存在大量垃圾和被破坏物,很难实现地面小车的移动和自主搜索,因此考虑设备的飞行,但是需要增加成本较高的移动设备,较大提高了移动传感节点的硬件成本。为降低系统成本,可利用少量节点移动覆盖和分时感知整个监测区域,从而实现监测区域的全覆盖。

为实现稀疏网络环境下移动传感节点的飞行全覆盖监测区域,需要考虑移动传感节点的飞行路径选择问题,在保证区域覆盖率的前提下,提高移动传感节点的数据传输率,降低到汇聚节点的数据传输时延。因此,一些学者研究移动传感节点的移动路径选择算法,并取得一定的成果。如文献[6]针对高超声速飞行器,考虑有限转弯半径约束和最短飞行路径约束,提出一种基于Dubins曲线的高超声速飞行器路径规划算法。文献[7]在三维空间上寻找路径,在该路径上分解关键位置,并在A*算法的基础上提出三维路径规划算法。文献[8]利用无人机跟踪冰山的位置和移动方向,建立了飞行器移动轮数最大和移动路程最小的优化模型,并采用CPLEX 求解器获得最优方案。文献[9]考虑障碍物的3D结构,根据高度分成多个层,并在每一个层上确定可停留位置。提出近似3D欧几里德最短路径算法寻找到目的地址的最短路径。文献[10]提出路径长度、高度方差和路径光滑度的评价函数,建立最小优化模型,并采用改进的中心力优化算法求解优化模型,获得最优解。文献[6-10]主要寻找飞行器从源位置到目标位置的路径,但是需要获知整个监测区域内包括障碍物的所有物体的结构和位置分布,且没有考虑如何高效的全覆盖整个监测区域。文献[11]将监测区域分成多个移动监测的普通六边形网格和实时监测的关键六边形网格,提出了移动传感节点的移动策略TCM(Temporal Coverage Mechanism for distinct quality)避开关键节点的网格。文献[12]将监测区域分成多个三角形,将三角形的内圆圆心位置作为移动传感节点的停留位置。采用贪婪算法确定下一个时刻位置。如果两个位置间存在障碍物,则考虑障碍物的四个角,采用Dijkstra最短路径算法确定两个位置间移动路径,但是障碍物存在不规则性,其四个角位置坐标很难在实际中获取。同时,文献[11-12]只是考虑一个移动传感节点的移动覆盖问题,没有考虑数据的传输问题和多个移动传感节点的协作感知问题。

综上所述,较多飞行器或移动传感节点的移动路径选择算法没有考虑多个节点协同感知问题和数据传输问题,且每个设备需要获知监测区域内的障碍物等物体的位置和形状,这在实际应用中较难实现且需要增加较大的成本。因此,上述文献的基础上,提出一种移动无线传感网的移动感知路径选择算法MSPS(Mobile Sensing Path Selection algorithm for mobile wireless sensor networks)。MSPS算法考虑将监测区域划分成多个大小相同的六边形网格,每一个移动传感节点在初始位置移动到下一个邻居网格中心感知数据,提出多目标函数,建立保证区域覆盖率100%下的移动路径选择优化模型。提出修正多种群遗传算法求解该优化模型,获得移动传感节点的最优移动路径,移动传感节点沿着该路径移动,从而在保证区域全覆盖的前提下提高数据传输率,降低数据传输时延和丢弃数据的总量。

1 算法假设和基本原理

在MSPS算法中,假设:①在2维无线传感网中,存在多个移动传感节点和一个静态的汇聚节点。移动传感节点可移动到监测区域的任一网格中心。②移动传感节点具有相同的感知覆盖半径、通信半径和初始能量,且可获知自身的位置坐标。③移动传感节点的初始能量有限。④移动传感节点移动到监测区域内未被其他移动传感节点感知过的网格内采集数据。如果存在到汇聚节点的路径,则并将数据发送给汇聚节点。

如图1所示,将监测区域分成若干个大小一致的六边形网格[10],并根据从左到右,从上到下的原则对每一个六边形网格进行编码。如grid(v,w)表示从左开始计数的第v列中从下到上开始计数的第w个六边形网格。移动传感节点随机分布在监测区域内且可获知自身的位置。当网络运行后,移动传感节点向不存在障碍物且未经过的邻居网格中心位置移动,感知该网格区域内的数据。如果移动传感节点可寻找到汇聚节点的路径时,将数据通过多跳的方式发送给汇聚节点,否则和相遇的传感节点通信,计算转发概率,将自身传感的数据发送给转发概率高的传感节点。但是MSPS算法仍需要解决以下二个问题:一是如何考虑存在障碍物和移动传感节点的移动感知,用数学公式建立保证区域全覆盖且权衡数据传输率、数据传输时延和节点平均能耗的优化模型。二是如何采用修正的多种群遗传算法求解优化模型,获得最优方案。这二个问题的具体解决如下。

图1 MSPS算法原理

2 优化模型的建立

令Pi表示移动传感节点i的飞行路径,是多个网格中心位置的集合,即Pi={pi,1,pi,2,…,pi,Ni},其中pi,j表示移动传感节点i的第j个停留位置,Ni表示移动传感节点i的飞行路径中停留位置个数。由于移动传感节点要从一个网格中心移动到其邻居网格中心,因此集合Pi中除初始位置的其他所有位置需是上一时刻位置的邻居网格中心,可表示为

pi,j+1∈Hv,w,j=1,2,…,Ni-1

(1)

当v=1且w=1时,

当v=1且w=n时,

当v=1且1

当v=m,w=1且m是奇数时,

当v=m,w=n且m是奇数时,

当v=m,1

当v=m,w=1且m是偶数时,

当v=m,w=n+1且m是偶数时,

当v=m,1

当w=1,1

当w=n+1,1

当w=n,1

当其他情况中1

当其他情况中1

(2)

同时,为提高移动传感节点的区域覆盖率,要求每一个传感节点不走重复的网格中心,即每一个传感节点的移动路径中所有停留位置不相同,则可表示为

pi,j≠pi,k,∀j,k且j≠k

(3)

如果网格grid(v,w)被移动传感节点覆盖,即其网格中心位置在该移动传感节点的路径中,则

(4)

(5)

区域覆盖率可表示为

C=NC/NG

(6)

式中:NG表示监测区域内不存在障碍物的网格总数量。

如果移动传感节点在汇聚节点的1跳范围内,则直接将数据发送给汇聚节点,否则采用机会路由方法,计算自身的传输概率。低传输概率的移动传感节点将数据转发给高传输概率的移动传感节点。具体转发概率的计算方法如下:如果移动传感节点在汇聚节点的1跳范围内,则传输概率为100%,否则根据存在的两种情况,计算自身的传输概率。一种是当两个传感节点都未获知汇聚节点的位置坐标时,直接根据存储空间的状态和随机值计算传输概率。

Pit=e-1-2Di/Dt

(7)

式中:Pit表示移动传感节点i在t时将消息成功传输给汇聚节点的概率,Di表示传感节点i的空闲存储空间,Dt表示传感节点的总存储空间。另一种是通过数据通信,获知汇聚节点的位置坐标,根据到汇聚节点的距离和移动方向计算传输概率值为

(8)

式中:(xit,yit)表示时刻t时移动传感节点i的位置坐标,(xs,ys)表示汇聚节点的位置坐标,dmax表示汇聚节点到监测区域边界的距离,s5表示移动方向指示符号,s5=0表示传感节点移动靠近汇聚节点,否则s5=1,表示传感节点移动远离汇聚节点,即

(9)

式中:θ表示传感节点移动方向与传感节点到汇聚节点的有向线段的夹角。

根据上述的机会路由方法,移动传感节点感知监测区域,产生数据包,并通过机会路由传输给汇聚节点,此时会造成较大的数据传输时延。因此当前时刻数据传输时延估计值可定义为

(10)

由于在实际系统中,路由信息包、路由发送包等信息包的传输能耗和数据计算能耗等能耗较小,因此移动传感节点的能耗主要由感知数据的无线通信能耗和节点移动能耗两部分组成,即移动传感节点的能耗定义为

(11)

式中:Fij表示移动传感节点i发送给移动传感节点j的数据量,Eelec表示无线收发单位比特数据时电路的电子能耗,εfs表示放大单位比特信号时信号放大器的电子能耗,dij表示移动传感节点i和移动传感节点j之间的距离,Ji表示移动传感节点i的接收数据总量,εmove表示移动传感节点的移动能耗因子,di表示移动传感节点i的移动总距离。则平均节点能耗Eaverage定义为

(12)

式中:Ns表示移动传感节点个数。

由上所述,网络启动后,所有移动传感节点自主飞行,探测监测区域,相互协作传输数据。在数据传输过程中,数据包存在以下三种状态,一是成功传输到汇聚节点,二是仍存在节点的存储空间中,三是由于存储空间满了,被节点丢弃。因此移动传感网的移动感知路径选择问题是在满足监测区域全覆盖下尽可能提高数据传输率,降低数据传输时延和平均节点能耗,即可转换成以下优化模型。

min(x1Daverage/Dyu+x2/Trate+x3Eaverage/Eyu)

(13)

s.t.C=100%

(13.1)

式(1)～式(6),式(10)～式(12)

式中:Dyu表示数据传输时延阈值,Eyu表示平均节点能耗阈值,x1表示数据传输时延权重因子,x2表示数据传输率权重因子,x3表示平均节点能耗权重因子,且x1+x2+x3=1。

3 算法求解

由于单种群的遗传算法存在易受适应度超常个体和群体规模影响、交叉概率和变异概率选择不恰当等问题[13],很容易出现早熟收敛,因此采用修正的多种群遗传算法求解优化模型(13),即在多种群遗传算法基本原理的基础上,提出了到目标网格的路径寻找方法、初始染色体的确定方法和染色体适应度值计算方法,并对每一轮交叉和变异后的染色体进行修正,使其符合优化模型的约束条件。具体求解方法如下。

3.1 到目标网格的路径寻找

3.2 初始染色体的确定

种群中初始染色体表示所有移动传感节点全覆盖监测区域的一种移动方案。在算法初始化阶段,需要初始化染色体,即在实际路径寻找过程,先随机寻找未经过的网格,但是会出现“进入死胡同”情况,即周围网格都已经访问过,此时需要进入重复区域。初始染色体确定的具体实现步骤如下:

步骤1 初始化所有移动传感节点的初始停留网格,移动传感节点的当前网格和移动路径均为初始停留网格,k=1;

步骤2 选择移动传感节点k的当前网格,判断当前网格的邻居网格集合。如果该集合中存在未被移动传感节点停留过且不存在障碍物的网格,则随机选择集合中一个网格作为下一个时刻的停留网格,并将该网格添加到移动传感节点k的移动路径中,跳到步骤4,否则跳到步骤3;

步骤3 选择离当前网格距离最短的网格,寻找一条从当前网格到该网格的移动路径,并将该路径添加到移动传感节点k的移动路径中,跳到步骤4;

步骤4k=k+1。如果k≤Ns,则跳到步骤2,否则根据所有移动传感节点的移动路径和式(4)～式(6)计算区域覆盖率C。如果C为100%,则所有移动传感节点的移动路径达到全覆盖监测区域的要求,结束返回所有移动传感节点的移动路径,否则k=1,跳到步骤2。

3.3 染色体适应度值计算

步骤1 初始化所有移动传感节点的初始能量、存储空间等参数,且t=1,k=1;

步骤2 根据各个移动传感节点位置和通信半径,设置移动传感节点与其通信范围内的邻居传感节点的链路权值为1,采用最短路径树算法构建以汇聚节点为根的最短路径树。

步骤3 如果移动传感节点在汇聚节点的最短路径树内,则可通过汇聚节点的广播自身位置信息和移动传感节点的转发获知汇聚节点的位置坐标,否则移动传感节点未知汇聚节点的位置坐标。

步骤4 所有移动传感节点感知和存储数据,记录该数据且当前存储空间大小加1,如果存储空间大于最大存储空间,则删除时间最早的一个数据。

步骤5t=t+1,移动传感节点移动到下一个时刻位置。如果移动传感节点已知汇聚节点的位置坐标,则根据自身的移动方向、存储空间大小等信息,通过式(8)计算自身的数据转发概率,否则根据自身的存储空间大小,通过式(7)计算自身的数据转发概率;

步骤6 如果移动传感节点k在汇聚节点的1跳范围内,则直接将存储空间中所有数据发送给汇聚节点,否则判断是否具有邻居移动传感节点。如果不存在邻居移动传感节点,跳到步骤7,否则比较自身数据转发概率和邻居移动传感节点的数据转发概率。如果移动传感节点k的邻居移动传感节点具有更高的数据转发概率,则将数据发送给最高数据转发概率的邻居移动传感节点,自身存储空间中删除该数据,否则接收邻居移动传感节点的数据。如果存储空间大于最大存储空间,则删除时间最早的一个数据,存储接收到数据。

步骤7k=k+1。如果k≤Ms,跳到步骤6,否则如果t≤Ts,跳到步骤4,否则根据汇聚节点接收到数据的信息,计算数据传输时延Daverage,数据传输率Trate和节点平均能耗Eaverage,通过式(14)计算染色体的适应度值。

fitness=x1Daverage/Dyu+x2/Trate+x3Eaverage/Eyu

(14)

3.4 多种群遗传算法实现

根据上述的计算步骤,如图2所示,求解模型(13)的具体实现步骤如下:

步骤2 计算每一个种群中每一个染色体的适应度值。在每一个种群中根据染色体的适应度值排序,选出每一个种群的适应度值最大的染色体和所有种群的全局最优染色体;

步骤3 将不具有最优染色体的所有种群的最差染色体替换为全局最优染色体。

步骤6 分析种群i的每一个染色体。如果染色体存在相同的元素,则删除重复元素。采用最近邻算法[14]寻找遍历所有剩余元素的最短路径。如果染色体没有全覆盖监测区域,则寻找未覆盖且不存在障碍物的网格元素,将其加入到使移动传感节点移动路程增幅最小的路径中,获得全覆盖监测区域的染色体,使其符合约束条件(13.1)。如果染色体的移动路径中下一个元素不是前一个元素的邻居网格,则采用到目标网格的路径寻找方法,寻找两者间的移动路径,添加到该移动路径中,更新染色体。如果染色体中存在具有障碍物的网格,则删除该网格,添加可绕过该网格的邻居网格,更新染色体。

步骤7i=i+1。如果i≤MZ,跳到步骤4,否则rn=rn+1,i=1。如果rn≤Repeat,跳到步骤2,否则结束算法,输出全局最优染色体。

4 算法仿真

4.1 仿真参数选择

在算法仿真中,将监测区域分成多个网格,移动传感节点在网格中心间移动。如果移动传感节点移动到未被其他移动传感节点覆盖过的网格,则感知数据到存储空间中,否则不感知数据。如表1所示,选择表1中参数进行仿真实验,获得数据传输率,数据传输时延,节点丢弃的总数据量和平均节点能耗等性能参数值。其中数据传输时延和平均节点能耗分别根据式(10)和式(12)计算,数据传输率定义为从网络启动到全覆盖整个监测区域时,移动传感节点成功传输到汇聚节点的数据包数量与总数据包数量的比值。节点丢弃的总数据量定义为移动传感节点因存储空间有限丢弃数据的总量。

表1 仿真参数表

4.2 仿真结果分析

首先分析MSPS算法的收敛性。假设监测区域内不存在障碍物,选择移动传感节点个数6和表1中参数,循环80次计算MSPS算法中每一轮多个种群的全局最优适应度值,获得收敛图3。如图3所示,前期经过多次迭代,每轮最优适应度值不断下降。当到31次迭代以后,每轮最优适应度值收敛到0.449。因此MSPS算法可寻找到优化模型(13)的最优解。

图3 MSPS算法的收敛图

其次,考虑监测区域内是否存在障碍物两种情况,选择移动传感节点个数2,3,4,5,6,7,选择MSPS算法中5个种群的交叉因子为(0.5 0.5 0.4 0.4 0.4),染色体变异因子为(0.1 0.15 0.2 0.25 0.3),基因变异因子为(0.4 0.35 0.3 0.25 0.2)和表1中参数,循环计算MSPS、RAND、RAND_D、TCM_M和SGA的数据传输率,数据传输时延,节点丢弃的总数据量和平均节点能耗。其中在RAND中,移动传感节点随机选择和感知未覆盖的网格。在RAND_D中,移动传感节点在距离最近的网格集合中随机选择一个网格,作为下一时刻的感知位置。在TCM_M中,根据移动传感节点个数,将文献[11]所获得的移动路径平均划分成多个子路径,分别分配给不同的移动传感节点。RAND、RAND_D和TCM_M中,虽然移动传感节点选择下一时刻感知网格的方法不一致,但是采用相同的到目标网格的路径寻找方法(3.1节)和相同的机会路由算法。在SGA中,采用单种群遗传算法求解模型(13),其他方法和MSPS相同。具体仿真结果内容如下。

图4 无障碍物下的数据传输率比较图

4.2.1 无障碍物的仿真结果分析

如图4所示,考虑监测区域内不存在障碍物,在RAND_D算法中移动传感节点在初始位置随机选择距离最近的未覆盖网格移动,TCM_M算法将一条遍历经过所有网格的路径平均分成多个子路径。这两个算法在路径选择时没有考虑移动传感节点与其他传感节点的路由通信问题,因此他们的数据传输率比较差。RAND算法随机选择监测区域内未覆盖的网格,其部分停留网格在汇聚节点的附近。SGA算法采用单种群遗传算法求解,可获得局部最优解。因此RAND算法和SGA算法的数据传输率高于RAND_D和TCM_M算法。MSPS算法采用多种群遗传算法,每一个种群采用不同的交叉因子和变异因子,各自寻找种群的最优解,并让全局最优染色体替换种群中最差的染色体,经过多次迭代MSPS算法能寻找每一个移动传感节点的最优移动路径。移动传感节点沿着该路径移动,可通过节点间数据通信将感知数据成功传输给汇聚节点。因此MSPS算法的数据传输率最高。当移动传感节点的个数较少时,节点间相互通信的几率较低。当移动节点的个数增加时,节点间相互通信几率和与汇聚节点的通信几率都增加,数据传输率增加。因此MSPS算法的数据传输率随着节点个数的增加而提高,且当节点个数为7时,数据传输率可高达97%。

由于RAND算法随机选择下一时刻的感知网格,移动路径较长,其数据传输时延是MSPS算法的5倍以上,如果同时显示在仿真图上会导致其他算法的数据传输时延曲线集中在一起,很难区别。因此图5只显示MSPS、SGA、TCM_M和RAND_D算法的仿真结果。如图5所示,MSPS算法的适应度函数包括占较大比重的数据传输时延,让每一个迭代中具有较低数据传输时延的节点路径方案的适应度值较低,更容易被选择成为下一代染色体。而SGA算法只是寻找到局部最优方案。TCM_M算法中每一个节点的移动路径较短,部分节点直接将数据1跳发送给汇聚节点。RAND_D随机移动,没有考虑数据传输时延,因此MSPS算法的数据传输时延低于SGA、TCM_M、RAND_D和RAND算法。

图5 无障碍物下的数据传输时延比较图

图6 无障碍物下丢弃的总数据量比较图

如图6所示,MSPS算法寻找到能提高数据传输率和降低数据传输时延的移动传感节点的移动路径方案,让每一个传感节点的感知数据尽可能快的传输给汇聚节点。SGA算法只寻找到某个局部最优解,TCM_M算法考虑尽可能短的完成全覆盖监测区域,节点间通信较少,RAND和RAND_D具有随机选择路径,容易出现孤立节点,因此MSPS算法丢弃的总数据量最少。当节点个数较少时,移动传感节点需要覆盖所有的网格,其感知数据较多,且相互间通信的几率较低,会导致较多数据丢失。因此当节点个数较少时,这些算法丢弃的总数据量较多。

由于RAND算法移动路径长,其移动能耗非常大,是MSPS算法的几十倍,如果同时显示在仿真图上会导致其他算法的数据传输时延曲线集中在一起,很难区别。因此图7只显示MSPS、SGA、TCM_M和RAND_D算法的仿真结果。如图7所示,TCM_M算法由于较快完成了全覆盖监测区域,数据传输率较低,传感节点的移动路径较短,因此其移动能耗和通信能耗都较低。RAND_D丢弃的总数据量高,其完成的数据传输量较少,通信能耗较少。MSPS和SGA算法为了实现较高的数据传输率和较低的数据传输时延,一定程度上增加了传感节点的移动路程,提高了节点间数据转发的次数,因此其平均节点能耗较高,但是与其他算法相比,这两种算法增加的平均节点能耗不多。

图7 无障碍物下的平均节点能耗比较图

图8 监测区域的障碍物分布图

总之,当监测区域内不存在障碍物时,MSPS算法能寻找到移动传感节点的最优移动方案,提高了数据传输率,降低了数据传输时延和节点丢弃的总数据量,且其增加的平均节点能耗不多。

4.2.2 有障碍物的仿真结果分析

如图8所示,在仿真中将监测区域分成多个网格。假设第二列从下到上的第6个～第7个网格,第三列的第5个～第6个网格,第七列的第3个～第4个网格和第八列的第3个～第4个网格上存在障碍物。移动传感节点不需要移动到这些网格中心感知数据。根据图8的障碍物分布,比较MSPS、SGA、TCM_M、RAND_D和RAND算法的仿真结果。

如图9所示,有障碍物下MSPS算法不受监测区域存在障碍物的影响,其数据传输率与无障碍物下的数据传输率相差不大,且高于SGA、TCM_M、RAND_D和RAND算法。这是因为MSPS算法排除了存在障碍物的网格,采用多种群修正算法寻找到移动传感节点最优路径方案,提高了移动传感节点转发其他传感节点数据到汇聚节点的概率,较好利用机会路由方法,而其他算法都存在节4.2.1中说明的局限性,因此MSPS算法的数据传输率最高。

图9 有障碍物下的数据传输率比较图

图10 有障碍物下的数据传输时延比较图

如图10所示,有障碍物下MSPS算法规划了能避开存在障碍物网格的最优路径,充分利用机会路由方法较快实现移动传感节点数据的上报,其数据传输时延最低。SGA和TCM_M算法寻找到移动传感节点的较优路径,较好完成监测区域的感知覆盖,其数据传输时延低于RAND和RAND_D算法。同时,当监测区域内存在障碍物时,移动传感节点的移动路径会绕过存在障碍物的网格,降低了所有算法的移动路程和平均节点能耗,但是有障碍物下MSPS算法平均节点能耗和丢弃总数据量的仿真结果和具体原因与无障碍物下的场景基本一致,本文不再重复说明,可参考4.2.1节。

5 总结

本文提出了一种移动无线传感网的移动感知路径选择算法(MSPS)。首先,提出算法假设和基本原理。其次,用数学公式分析了邻居网格集合、区域覆盖率、数据传输时延、节点平均能耗等参数。根据节点的机会路由方法,建立了能保证全覆盖监测区域且权衡数据传输时延、数据传输率和节点平均能耗的移动路径选择优化模型。接着,提出了修正的多种群遗传算法求解优化模型,包括到目标网格的路径寻找方法、初始染色体的确定方法、染色体适应度值计算方法和多种群遗传算法的实现方法。最后给出算法的仿真参数,仿真比较MSPS、SGA、TCM_M、RAND_D和RAND算法的性能。

总之,不管监测区域内是否存在障碍物,相比SGA、TCM_M、RAND_D和RAND算法,MSPS算法能寻找到移动传感节点的最优移动方案,提高了数据传输率,降低了数据传输时延和节点丢弃的总数据量。但是MSPS算法采用多种群遗传算法求解优化模型,其算法的时间复杂度相对较高,需要将移动路径最优方案发送给移动传感节点,因此下一个阶段目标是研究节点路径选择的分布式方法,即移动传感节点通过相互通信和自身的信息,判断下一时刻的感知网格,从而提高区域覆盖率和数据传输率,降低数据传输时延。