技术领域
[0001] 本实用新型涉及一种海事安全领域及无线传感网技术领域的无线搜救技术，具体涉及一种海上搜救无线传感网。
相关背景技术
[0002] 现有海上搜救技术主要依赖于搜救方的搜寻工作，搜寻目标本身几乎不能为搜寻工作提供与搜寻工作相关的有益信息，较为被动。随着物联网时代的来临，无线传感器网络（Wireless Sensor Networks, WSN）技术也逐渐成熟，其对监测区域内目标的实时监测与多跳的无线通信方式，可以将海上搜救中搜救目标的信息采集并发送给搜救部门，为目标的快速搜寻提供有益的信息。
[0003] 目前WSN技术在海事领域的应用也开始逐渐普及，如海上溢油检测、海事监控等。WSN技术作为物联网关键技术之一，其低成本、体积小、快速自组织、自适应性强等特性，为其广泛应用提供可能，也为其在海上搜救领域的应用带来很多益处。
[0004] 在海上搜救当中应用WSN技术时，要解决的一个重要问题就是尽可能延长网络的生命期，并且在延长生命期的过程中同时保证节点与汇聚节点的连通，以此才能保证在搜救部门前来搜救时网络的信息可以有效地传输给搜救网络中心。
[0005] WSN的拓扑控制问题是在满足网络覆盖和联通度的前提下，通过功率控制盒骨干网节点选择，剔除节点间不必要的通信链路生成一个高效的数据转发的网络的拓扑结构。通过拓扑控制可以减少网络能量消耗，延长网络的生存时间，提高网络的健壮性与稳定性。
[0006] 现有的拓扑控制方法主要基于功率控制和层次型拓扑控制两个方面，并已取得了初步的进展，但由于资金、设备条件等因素，大部分拓扑控制方法仍处于理论研究阶段，所进行的实验也仅限于在仿真环境下观察方法的优劣，没有充分注意到在实际环境应用中要面临的诸多挑战。而对于海上搜救的环境而言，该网络节点动态性很强，节点不可替换，且要求网络生命期尽可能长， 因此需要一种新的方法延长网络生命期并适应该动态环境。实用新型内容
[0007] 本实用新型提供一种海上搜救无线传感网，解决海上搜救无线传感网中节点能量分配实时适应网络动态性的问题，可以适应动态性较高的网络，并可以减少不必要的能量消耗。
[0008] 为实现上述目的，本实用新型提供一种海上搜救无线传感网，其特点是，该传感网包含：
[0009] 船舶终端，其设置于船舶，通过外接的卫星与互联网建立通信连接；
[0010] 汇聚节点，其设置于救生艇筏，该汇聚节点与船舶终端无线通讯连接；以及，[0011] 传感器节点，其设置于救生衣，该传感器节点实时探测汇聚节点并与汇聚节点无线通讯连接；
[0012] 上述传感器节点传输该传感器节点的位置信号至汇聚节点，汇聚节点将该汇聚节点及传感器节点的位置信息传输至船舶终端。
[0013] 上述的传感网包含若干个传感器节点，若干个该传感器节点分布在海上并通过无线通讯形成无线传感器网络，该无线传感器网络实时探测汇聚节点；
[0014] 上述无线传感器网络中任意一个传感器节点探测到汇聚节点，即将该无线传感器网络中所有传感器节点的位置信号都传输至汇聚节点。
[0015] 本实用新型海上搜救无线传感网及和现有技术相比，其优点在于，本实用新型采用传感器节点组成无线传感器网络，可快速对落水人员进行定位探测；
[0016] 本实用新型用来选择因环境改变而造成的不适用与现有环境的节点，并对其执行遗传操作；由于局部环境改变或环境改变缓慢时，造成的部分节点的能量分配不是该环境下的最优解，精英移民操作可以保留原解中的较优解而对目前状态下的劣质解进行优化；该方法避免了每次优化的过程中从头执行整个遗传算法，可以利用原环境的优质解而尽快收敛于现在的最优解；
[0017] 本实用新型优化能量分配的过程，对环境及节点的动态性进行了充分考虑，并且在适应动态性的同时充分考虑算法的收敛时间，算法收敛时间越快，越节省该节点的能量消耗；
[0018] 本实用新型能量动态分配过程中为避免因不断重新开始执行整个算法所引起的不必要能耗，利用精英移民策略对解中较差个体进行优化，使其消耗功率级别适应网络当前情况，有效利用了精英移民遗传算法对动态环境的适应性，可适应动态性较高的网络，并可以减少不必要的能量消耗。
具体实施方式
[0025] 以下结合附图，进一步说明本实用新型的具体实施例。
[0026] 如图1所示，本实用新型公开的一种海上搜救无线传感网的实施例。该传感网包含：船舶终端1、汇聚节点2、传感器节点3。
[0027] 船舶终端1设置于船舶，通过外接的卫星4与互联网5建立通信连接，并通过互联网与海救中心进行通讯联系。
[0028] 汇聚节点2设置于救生艇筏上，该汇聚节点2的能量不受限制。该汇聚节点2与船舶终端1无线通讯连接，该汇聚节点2还随着救生艇筏自主移动位置来搜寻网络中的普通传感器节点3。
[0029] 传感器节点3设置于救生衣等物品上，该传感器节点3能量有限且随着落水人员在环境的改变而动态改变其位置。当在遇海水自动打开或人为打开后，该传感器节点3即实时探测汇聚节点2并与汇聚节点2进行无线通讯连接。
[0030] 传感器节点3在打开后实时探测器探测范围内是否的汇聚节点2，并传输该传感器节点3的位置信号至汇聚节点2，汇聚节点2将该汇聚节点2及传感器节点3的位置信息传输至船舶终端1。船舶上的海救人员即可对落水人员实施救援，同时船舶终端1也通过卫星4将传感器节点3与汇聚节点2的位置信息传输至互联网5，并通过互联网5与海救中心通信传输传感器节点3与汇聚节点2的位置信息。
[0031] 本实用新型中，传感网包含有若干个传感器节点3，传感器节点3在遇海水自动打开或人为打开后，该若干个传感器节点3可以自组织成为一个无线传感器网络31（WSN，Wireless Sensor Networks），实时探测并识别进入网络31覆盖范围内的汇聚节点2，并把对搜救工作有益的各传感器节点3信息以多跳的形式发送给汇聚节点2，汇聚节点2在进入网络31范围内后，当无线传感器网络31中任意一个传感器节点3探测到汇聚节点2，即将该无线传感器网络31中所有传感器节点3的位置信号都传输至汇聚节点2，汇聚节点2就可以收集到无线传感器网络31中所有传感器节点3的位置信息，避免了传统海上搜救方式中，需要逐一寻找搜救目标的搜救方式，提高搜救效率。
[0032] 海上搜救无线传感网的拓扑建立过程采用基于各传感器节点3距汇聚节点2距离对节点进行编号并初始化分配节点发射功率；每个节点的初始发射功率为使得该节点可以与它最近并且编号小于该节点的邻居节点进行通信的功率水平；根据初始化功率分配结果，建立网络最初的拓扑结构，并作为后续优化过程的一个待优化解。
[0033] 本实用新型还公开一种海上搜救无线传感网的能量动态分配方法，该方法基于精英移民遗传方法，将上一代解中的较优解作为精英保留并生成移民解，对上一代中不适用于新环境的劣质解进行遗传优化操作。对于网络中发射能量水平超出全部节点的平均能量水平的节点进行优化，使得网络中节点能量分配尽可能的均衡，以确保网络不会因为个别节点过早死亡而影响整个网络通信。
[0034] 能量分配方法虽然主要考虑均衡性，但在实施均衡能量的过程中需同时考虑每个节点的局部连通性，即不能以牺牲该节点与汇聚节点的通信功率水平去均衡其能量分配。
[0035] 本实施例中将能量分配及连通性问题作为多目标优化问题，具体设计如下：
[0036] 设一个二维区域为A：，若干传感器节点3分布在该区域内；设分布在A内的传感器节点数量为N；设传感器节点3相同的初始能量为E；设所有传感器节点3相同的节点最大通信距离为Rc；设所有传感器节点3相同的最大发射能量水平为Pmax。
[0037] 本实用新型中公开的基于精英移民遗传方法的能量动态分配方法，其精英移民遗传方法的算子即为本实用新型的解X，算子的决策变量：
[0038] 设传感器节点j的位置为（xj，yj）。
[0039] 设传感器节点j当前节点发射功率为Pj。
[0040] 目标：最大化网络连通性（每个节点都可以与网络中任一节点进行直接或间接通信）及最小化网络能量消耗Emin。
[0041] 连通性：对任意cij∈C(N)，1≤i≤N，1≤j≤N，有cij=1；
[0042] 能耗：Emin=min{P1+P2+…+Pj+…PN}。
[0043] 能量动态分配方法包含以下步骤：
[0044] 步骤1、通过各传感器节点3与汇聚节点2的距离远近对节点进行编码并对其发射功率进行初始化，使得传感器节点3的发射距离满足可以与编号小于该传感器节点3的邻居节点进行通信的功率水平，实现该传感器节点3可与其邻居节点进行通信。
[0045] 本实用新型能量动态分配方法的解X包含两个部分，即位置信息（xj，yj）和节点发射功率Pj，位置信息为后续拓扑控制提供有益信息，节点发射功率决定其发射半径进而影响节点的连通状态。如图2所示，本方法中的发射功率初始化时，各传感器节点3按与汇聚节点2距离及各传感器节点3间距离决定自身发射功率，首先根据距离对传感器节点3j进行从1到N的排序， 1距离H最近，N距离H最远；每个节点j的发射功率与发射半径RCj j
（RC ≤Rmax）成正比，发射半径RC 需与其最近节点k相连（k＜j）。
[0046] 步骤2、将初始化的传感器节点3的功率水平作为后续优化操作的一组待选解。
[0047] 步骤3、建立起适于延长该无线传感器网络31生命期的适应度函数。
[0048] 本实施例是一种基于精英移民遗传方法的动态能量分配方法，为估测解的质量（如适应度值），根据海上搜救无线传感网的具体要求提出一种新的适应度函数，该适应度函数旨在找出一组解X可以保证无线传感器网络31中传感器节点3有效连通并且能量消耗最少；解决方案质量的主要标准即是连通性和能量消耗。因此，在候选方案集合中（网络连通情况下各节点发射能量级别），选择总耗能最低的方案。染色体Cj（代表某刻第j个传感器节点3发射能量级别，）的适应度值，以F(Cj)表示，定义如式（1），即传感器节点j的发射功率占全部传感器节点3总功率的比值：
[0049]（1）
[0050] F（Cj）为某时刻第j个传感器节点3发射能量级别的适应度值，传感器节点j当前发射能量水平为Pj。N为无线传感器网络31中传感器节点3的总数。
[0051] 染色体Cj内基因包含：x1j(t), x2j(t), …, xnj(t)。x1j(t)中的下标1至n为每个个体可选n级发射功率值，即对应于n个可选值P1，P2,…,Pn。x1j(t)表示第t代种群中第j个个体的发射功率值为n级功率中的P1。以此类推，x2j(t) 表示第t代种群中第j个个体的发射功率值为n级功率中的P2。
[0052] 特别地，这里以所有传感器节点3的平均功率占总发射功率的比值作为适应度函数比较的参考值，即1/N。
[0053] 该适应度函数目的是对无线传感器网络31中小于平均能量发射水平的传感器节点3进行选择，作为交叉对象代替那些节点发射水平超出平均功率的解，以达到避免一部分传感器节点3因功率过大、过早死亡而退出网络。
[0054] 适应度函数对初始解及优化过程中的各组解进行选择判定；该能量分配方法中遗传操作的选择机制如下：
[0055] 根据每个传感器节点3所处的约束环境（其相邻节点与该传感器节点3的距离），传感器节点3的位置动态变化信息，及解X的适应度决定选择哪些染色体进行交叉操作。判断第j个传感器节点3发射能量级别的适应度值F(Cj)是否大于适应度函数比较的参考值（即所有传感器节点3的平均功率占总发射功率的比值）。
[0056] 若是，F(Cj)>1/N，则淘汰该解，将传感器节点3选择为待优化对象。
[0057] 若否，F(Cj)≤1/N，则保留该解，作为精英解直接遗传到下一代种群中，并作为交叉进化的对象。
[0058] 步骤4、依据解X的适应度函数值对各个传感器节点3的能量分配进行优化选择操作；该选择操作基于精英移民的遗传方法来对传感器节点3的能量分配进行优化，该遗传方法充分考虑网络在实际环境中的动态性及生命期的要求。
[0059] 本实用新型实例所提出的方法以遗传方法的两个基本基因操作为基础——交叉和进化。交叉处理当前的解决方案以便找出更好的方案。本方法中，当染色体Cj需要进化时，对染色体Cj内基因x1j(t), x2j(t), …, xnj(t)进行交叉操作，xij(t)的交叉对象来自方法适应度函数选取的解及随后的精英移民方法中选取的移民解，对其功率级别对应的二进制码进行交叉操作。这里采用单点交叉，交叉并进化后的新染色体替代淘汰的染色体进行更新。
[0060] 交叉后更新公式如式（2）：
[0061] （2）
[0062] 其中，hij(t+1)为交叉操作产生的新个体。t为遗传代数，即第t代种群。t+1即为t的下一代种群。
[0063] 进化后的结果需进一步对解的优劣（即是否可以与汇聚节点2进行通信）进行判断后再完成更新操作，若是，则完成更新操作，若否，则重新优化。
[0064] 本实用新型实例所提出的能量动态分配方法充分考虑海上搜救无线传感网中节点的高度动态特性，并利用精英移民遗传方法解决网络中各节点能量动态分配以使其始终保持适应网络环境的最佳状态，即尽可能少的能量消耗与尽可能好的网络连通性；该方法遗传操作的每一代中，通过以随机个体传感器节点3来替换当前个体传感器节点3中的部分来维持种群的多样性水平传感器节点3，被称为随机移民。为了避免随机移民过多的扰乱当前的搜索过程，特别是环境不变的时期，种群中随机移民的数量概率一般设置成较小数0.2。
[0065] 这里采用一种被称为基于精英移民的移民策略解决动态能量优化问题。在正常的基因操作（如选择和重组）后的每一代t，上一代的精英E（t-1）作为产生移民群体的基础；从E（t-1）中，一个rei×N的个体集，通过以概率pim进化E（t-1）迭代产生，这里N是种群大小，rei是种群中基于精英移民数量概率；生成的个体作为移民代替当前代中的最差个体。这会很好地提高动态环境中遗传方法的性能。能够有效而快速地求解出适应网络改变的新解。
[0066] 该方法避免了能量分配方法每次都从头开始执行，不会浪费不必要的方法执行时间。因此，这种利用原来的最优解并在其基础上对已经不符合条件的解进行遗传进化的方法，如精英遗传方法比一般遗传方法更有效。
[0067] 该方法中，在执行精英移民方法时，如果进化概率满足pim，则利用精英E（t-1）通过进化操作生成新的移民；否则，E（t-1）本身直接被用做新的移民。
[0068] 下面通过对本实用新型所建立的问题模型及实用新型的能量分配方法进行模拟分析，来进一步介绍本实用新型实例的实施方式及其在实际应用中的优势。该模拟分析可采用仿真平台进行。
[0069] 首先设置交叉概率为Pc=0.9，种群个体数为50，变异概率为0.1，在1000m×1000m的区域内，对50个传感器节点3进行功率控制。实验过程中，节点初始位置随机生成，随后位置以下式规律进行改变：
[0070] x(T+1)=x(T)+ηcosθ; y(T+1)= y(T)+ηsinθ. （3）[0071] 式中，0≤η≤1, 0≤θ≤2π，T代表时间，单位为秒。
[0072] 仿真实验中参数设计：最大进化代数tmax = 300，交叉概率rc = 0.9，进化概率rm =0.5，邻居规模为2。另外，其他参数设定根据实验要求并参考[17]，Rs/Rmax=100/200, E=10J, dmin=100m, a=2, amp=100 pJ/bit/m2。
[0073] 如图3A和图3B所示，为本实用新型所提出的基于精英移民遗传方法能量动态分配方法（EDDO），与在本方法中将精英移民遗传方法的步骤分别替换为标准遗传方法（SGA）和重启式的遗传方法（Restart GA）的仿真效果比较。
[0074] 如图3A所示，为随着种群代数的增加，各方法所求得的节点平均能量水平。随着进化代数的增加，本实用新型中的方法比采用SGA和Restart GA的方法更快得到满足网络需求的最低平均能量。且在一次收敛中，本方法的最终解比SGA和Restart GA低0.3J。
[0075] 如图3B所示，为本实用新型方法与SGA和Restart GA的收敛时间比较。随着时间的推移及网络节点的随机移动，本实用新型方法收敛于最优解的时间明显低于采用SGA和Restart GA的方法。即当网络动态变化时，随机移民的方法可以有效利用原有环境最优解的有益信息，快速生成当前最优解。而Restart GA需要整个方法重新执行，SGA不能高效利用原有解的有益信息，造成了收敛过程中有不必要的方法执行时间。
[0076] 如图4A和图4B所示，为本实用新型方法与其他两种基于邻居信息调节节点功率的方法DLMST和DRNG的比较。
[0077] 如图4A所示，三种方法所求得的节点平均发射能量水平几乎相同，但是如图4B所示，三种方法求得最优解的方法执行时间有所区别，即随着节点位置的动态变化，本实用新型方法能更快地求出适应新环境的最优解。这是由于DLMST和DRNG是基于每个节点邻居信息进行能量分配的，虽能适应个别节点的移动，但并不具有全局性，而本实用新型方法从全局角度出发，找出每个节点可以与H节点通信的最低能量发射水平，并采用精英移民机制迅速适应新环境对节点发射功率的要求。另外DLMST和DRNG这两种方法稳定性也不如本实用新型的方法。
[0078] 尽管本实用新型的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本实用新型的限制。在本领域技术人员阅读了上述内容后，对于本实用新型的多种修改和替代都将是显而易见的。因此，本实用新型的保护范围应由所附的权利要求来限定。
