一种异构AIoT自组网信号全覆盖方法及装置

阅读：评论：0

一种异构aiot自组网信号全覆盖方法及装置
技术领域
1.本发明涉及人工智能物联网技术领域，特别是指一种异构aiot自组网信号全覆盖方法及装置。

背景技术：

[0002]“aiot(artificial intelligence&internet of things，人工智能物联网)”即“ai+iot”,指的是人工智能技术与物联网在实际应用中的落地融合。aiot融合ai技术和iot技术，通过物联网产生、收集来自不同维度的、海量的数据存储于云端、边缘端，再通过大数据分析，以及更高形式的人工智能，实现万物数据化、万物智联化。物联网技术与人工智能相融合，最终追求的是形成一个智能化生态体系，在该体系内，实现了不同智能终端设备之间、不同系统平台之间、不同应用场景之间的互融互通，万物互融。
[0003]
在根据监测环境配置传感器网络时，会部署具有不同功能和硬件配置的节点，经常会因节点的感知、通信、计算等能力的差别而形成异构网络(感知异构、能量异构、通信异构、通信半径不同等等)。此外，一些同构传感器网络在复杂的应用背景下，对资源的利用度也会不同，这些现象导致网络显示出异构特性。在实际应用中，异构节点相互协作完成任务，可以提高网络工作效率，节省网络节点能量。因此对异构传感网络关键技术展开深入研究更有现实意义。
[0004]
aiot的异构性也带来了许多挑战:一、由于节点数目众多，增加了管理难度。二、大量节点体积大小不同，厂家制造成本高低不同，受这些因素影响，节点通信范围，数据处理能力不同。三、网络的主要作用是获取数据，但是并不知道数据来源于哪个节点。四、网络拓扑结构根据实际应用环境不断改变，并制定相应的通信协议。这些特点使aiot的研究充满了挑战性。

技术实现要素：

[0005]
本发明针对传统的覆盖方法存在只适用于节点半径同构的无线传感网络、以及异构传感节点在环境中随机部署时，出现覆盖漏洞和覆盖重复，导致覆盖率低和能量浪费的问题，提出了本发明。
[0006]
为解决上述技术问题，本发明提供如下技术方案：
[0007]
一方面，本发明提供了一种异构aiot自组网信号全覆盖方法，该方法由电子设备实现，该方法包括：
[0008]
s1、基于随机分布的方式，将静态传感节点固定到待检测区域。
[0009]
s2、基于覆盖优化算法，将移动传感节点部署到待检测区域。
[0010]
s3、获取静态传感节点以及移动传感节点的工作状态，基于工作状态以及移动节点智能调度算法，对移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。
[0011]
可选地，s2中的基于覆盖优化算法，将移动传感节点部署到待检测区域包括：
[0012]
s21、建立覆盖优化模型。
[0013]
s22、基于极限学习机以及粒子优化帝王蝶算法对覆盖优化模型进行优化，得到优化后的覆盖优化模型。
[0014]
s23、基于优化后的覆盖优化模型，得到移动传感节点的部署位置，将移动传感节点部署到待检测区域。
[0015]
可选地，s21中的覆盖优化模型包括：
[0016]
基于概率感知模型方法，并引入节点工作效率θ和能量均衡系数η。
[0017]
可选地，s21中的覆盖优化模型，如下式(1)所示：
[0018]
f＝ψ1λ+ψ2θ+ψ3η
ꢀꢀꢀ
(1)
[0019]
其中，参数ψ1、ψ2和ψ3为权值系数，取值范围为[0.2，0.8]，且ψ1+ψ2+ψ3＝1；λ为覆盖率；θ为节点工作效率；η为能量均衡系数。
[0020]
可选地，s22中的基于极限学习机以及粒子优化帝王蝶算法对覆盖优化模型进行优化，得到优化后的覆盖优化模型包括：
[0021]
s221、基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化。
[0022]
s222、应用极限学习机对覆盖优化模型的权值系数进行优化。
[0023]
s223、基于优化后的覆盖率以及权值系数，得到优化后的覆盖优化模型。
[0024]
可选地于，s221中的基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化包括：
[0025]
基于粒子算法，对帝王蝶算法中的蝴蝶迁移比和调整比进行优化，进而对覆盖优化模型的覆盖率进行优化。
[0026]
可选地，s3中的获取静态传感节点以及移动传感节点的工作状态包括：
[0027]
通过任一静态传感节点获取邻居节点的位置和剩余能量状态，进而得到静态传感节点以及移动传感节点的工作状态。
[0028]
其中，邻居节点为待检测区域中除了任一静态传感节点外的其他静态传感节点以及移动传感节点。
[0029]
可选地，s3中的基于工作状态以及移动节点智能调度算法，对移动传感节点进行智能调度包括：
[0030]
基于邻居节点的位置和剩余能量状态，判断是否存在覆盖盲区；若是，则根据移动节点智能调度算法，对移动传感节点进行智能调度。
[0031]
可选地，根据移动节点智能调度算法，对移动传感节点进行智能调度包括：
[0032]
s31、估计移动传感节点的停留位置。
[0033]
s32、基于停留位置，建立移动传感节点的覆盖调度模型。
[0034]
s33、分布式求解覆盖调度模型，得到移动传感节点的移动位置。
[0035]
s34、基于移动位置，对移动传感节点进行智能调度。
[0036]
另一方面，本发明提供了一种异构aiot自组网信号全覆盖装置，该装置应用于实现异构aiot自组网信号全覆盖方法，该装置包括：
[0037]
静态节点部署模块，用于基于随机分布的方式，将静态传感节点固定到待检测区域。
[0038]
移动节点部署模块，用于基于覆盖优化算法，将移动传感节点部署到待检测区域。
[0039]
输出模块，用于获取静态传感节点以及移动传感节点的工作状态，基于工作状态
以及移动节点智能调度算法，对移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。
[0040]
可选地，移动节点部署模块，进一步用于：
[0041]
s21、建立覆盖优化模型。
[0042]
s22、基于极限学习机以及粒子优化帝王蝶算法对覆盖优化模型进行优化，得到优化后的覆盖优化模型。
[0043]
s23、基于优化后的覆盖优化模型，得到移动传感节点的部署位置，将移动传感节点部署到待检测区域。
[0044]
可选地，覆盖优化模型包括：
[0045]
基于概率感知模型方法，并引入节点工作效率θ和能量均衡系数η。
[0046]
可选地，覆盖优化模型，如下式(1)所示：
[0047]
f＝ψ1λ+ψ2θ+ψ3η
ꢀꢀꢀ
(1)
[0048]
其中，参数ψ1、ψ2和ψ3为权值系数，取值范围为[0.2，0.8]，且ψ1+ψ2+ψ3＝1；λ为覆盖率；θ为节点工作效率；η为能量均衡系数。
[0049]
可选地，移动节点部署模块，进一步用于：
[0050]
s221、基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化。
[0051]
s222、应用极限学习机对覆盖优化模型的权值系数进行优化。
[0052]
s223、基于优化后的覆盖率以及权值系数，得到优化后的覆盖优化模型。
[0053]
可选地于，移动节点部署模块，进一步用于：
[0054]
基于粒子算法，对帝王蝶算法中的蝴蝶迁移比和调整比进行优化，进而对覆盖优化模型的覆盖率进行优化。
[0055]
可选地，输出模块，进一步用于：
[0056]
通过任一静态传感节点获取邻居节点的位置和剩余能量状态，进而得到静态传感节点以及移动传感节点的工作状态。
[0057]
其中，邻居节点为待检测区域中除了任一静态传感节点外的其他静态传感节点以及移动传感节点。
[0058]
可选地，输出模块，进一步用于：
[0059]
基于邻居节点的位置和剩余能量状态，判断是否存在覆盖盲区；若是，则根据移动节点智能调度算法，对移动传感节点进行智能调度。
[0060]
可选地，输出模块，进一步用于：
[0061]
s31、估计移动传感节点的停留位置。
[0062]
s32、基于停留位置，建立移动传感节点的覆盖调度模型。
[0063]
s33、分布式求解覆盖调度模型，得到移动传感节点的移动位置。
[0064]
s34、基于移动位置，对移动传感节点进行智能调度。
[0065]
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述异构aiot自组网信号全覆盖方法。
[0066]
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述异构aiot自组网信号全覆盖方法。
[0067]
本发明实施例提供的技术方案带来的有益效果至少包括：
[0068]
上述方案中，提出的一种异构aiot自组网信号全覆盖算法，用于提高节点的网络覆盖率，以降低节点冗余，平衡资源分配，解决了异构传感节点在环境中随机部署时出现覆盖漏洞和覆盖重复导致覆盖率低和能量浪费的问题。
[0069]
本发明提出的一种异构aiot网络移动节点智能调度算法，解决了异构静态传感节点在工作一段时间以后节点能量耗尽而导致覆盖盲区问题。
[0070]
本发明通过粒子算法优化蝴蝶迁移比和调整比来进行种更新，使帝王蝶算法易跳出局部最优，迅速收敛，到全局最优解，提升了网络节点覆盖率。
附图说明
[0071]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0072]
图1是本发明实施例提供的异构aiot自组网信号全覆盖方法流程示意图；
[0073]
图2是本发明实施例提供的静态节点部分配的区域覆盖情况示意图；
[0074]
图3是本发明实施例提供的异构aiot自组网信号全覆盖方法流程示意图；
[0075]
图4是本发明实施例提供的节点覆盖优化示意图；
[0076]
图5是本发明实施例提供的移动节点调度示意图；
[0077]
图6是本发明实施例提供的异构aiot自组网信号全覆盖装置框图；
[0078]
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0079]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0080]
如图1所示，本发明实施例提供了一种异构aiot自组网信号全覆盖方法，该方法可以由电子设备实现。如图1所示的异构aiot自组网信号全覆盖方法流程图，该方法的处理流程可以包括如下的步骤：
[0081]
s1、基于随机分布的方式，将静态传感节点固定到待检测区域。
[0082]
一种可行的实施方式中，如图2所示，本发明可以采用混合异构无线传感网络。
[0083]
具体地，如图3所示，将静态传感器节点以随机分布的方式固定到待测区域形成静态网络，在随机布置静态节点后，获得每个节点的具体位置，存入位置信息列表v。
[0084]
s2、基于覆盖优化算法，将移动传感节点部署到待检测区域。
[0085]
一种可行的实施方式中，利用异构节点部署与覆盖优化算法修补覆盖漏洞并解决覆盖重复导致覆盖率低和能量浪费的问题。
[0086]
可选地，上述步骤s2可以包括以下步骤哦s21-s23：
[0087]
s21、建立覆盖优化模型。
[0088]
可选地，s21中的覆盖优化模型包括：
[0089]
基于概率感知模型方法，并引入节点工作效率θ和能量均衡系数η。
[0090]
一种可行的实施方式中，在常规的基于概率感知模型方法基础上，引入节点工作效率θ和能量均衡系数η，综合考虑网络的工作效率、网络覆盖率和能量均衡性，解决组合优化问题。
[0091]
其中，网络节点工作效率θ如下式(1)所示：
[0092][0093]
其中，s1表示hwsns(heterogeneous wireless sensor networks，异构无线传感器网络)传感器总节点个数，s2表示当前有效工作节点个数。
[0094]
能量均衡系数η如下式(2)所示：
[0095][0096]
其中，参数ei表示异构节点i的剩余能量。能量均衡系数η，反映网络中所有异构节点的能耗均衡状况，数值越大表示能耗越不均匀。反之越小，能耗越均匀。
[0097]
可选地，s21中的覆盖优化模型，如下式(3)所示：
[0098]
f＝ψ1λ+ψ2θ+ψ3η
ꢀꢀꢀ
(3)
[0099]
其中，参数ψ1、ψ2和ψ3为权值系数，取值范围为[0.2，0.8]，且ψ1+ψ2+ψ3＝1；λ为覆盖率；θ为节点工作效率；η为能量均衡系数。
[0100]
s22、基于极限学习机以及粒子优化帝王蝶算法对覆盖优化模型进行优化，得到优化后的覆盖优化模型。
[0101]
可选地，上述步骤s22可以包括以下步骤s221-s223：
[0102]
s221、基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化。
[0103]
可选地，基于粒子算法，对帝王蝶算法中的蝴蝶迁移比和调整比进行优化，进而对覆盖优化模型的覆盖率进行优化。
[0104]
一种可行的实施方式中，在计算覆盖率的过程中，用混沌初始化方法产生初始种，同时针对帝王蝶算法收敛速度慢，搜索范围较小，易陷入局部极值等问题，应用粒子优化帝王蝶算法，优化蝴蝶迁移比和调整比。该方法能够扩大种搜索范围，搜索到全局最优解。
[0105]
进一步地，本发明的覆盖优化算法采用粒子算法优化帝王蝶覆盖优化算法。mbo(monarch butterfly optimization，帝王蝶优化算法)算法在组合优化问题求解过程中存在一些不足：其迁移算子主要是通过在两个种中任意选择个体来产生下一代个体，易导致个体丢失，从而得出的解不是全局最优解，而是局部最优解，还丢失了帝王蝶全局最优经验值。其次，mbo算法在产生子代的过程中，只选择较好的个体，会导致丢弃一些相对较差的个体，因此其在搜索过程中导致缺乏种多样性，无法到全局最优解，搜索速度较慢。为了让算法能够到全局最优解，应用pso-mbo(particle swarm optimization monarch butterfly optimization，粒子优化帝王蝶算法)扩大种规模，优化迁移算子和蝴蝶调整算子，加快算法收敛。
[0106]
进一步地，基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化的过程如图4所示。
[0107]
s222、应用极限学习机对覆盖优化模型的权值系数进行优化。
[0108]
一种可行的实施方式中，应用极限学习机优化网络覆盖率、网络工作效率和能量均衡系数的权值系数。
[0109]
s223、基于优化后的覆盖率以及权值系数，得到优化后的覆盖优化模型。
[0110]
s23、基于优化后的覆盖优化模型，得到移动传感节点的部署位置，将移动传感节点部署到待检测区域。
[0111]
s3、获取静态传感节点以及移动传感节点的工作状态，基于工作状态以及移动节点智能调度算法，对移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。
[0112]
一种可行的实施方式中，针对异构静态传感节点在工作一段时间以后节点能量耗尽而导致覆盖盲区问题，提出了移动节点智能调度算法，以弥补覆盖漏洞。在保证覆盖率的同时，降低节点成本和网络能耗。
[0113]
可选地，上述步骤s3可以包括s31-s32：
[0114]
s31、获取静态传感节点以及移动传感节点的工作状态。
[0115]
可选地，通过任一静态传感节点获取邻居节点的位置和剩余能量状态，进而得到静态传感节点以及移动传感节点的工作状态。
[0116]
其中，邻居节点为待检测区域中除了任一静态传感节点外的其他静态传感节点以及移动传感节点。
[0117]
s32、基于邻居节点的位置和剩余能量状态，判断是否存在覆盖盲区；若是，则根据移动节点智能调度算法，对移动传感节点进行智能调度。
[0118]
其中，根据移动节点智能调度算法，对移动传感节点进行智能调度包括：
[0119]
s321、估计移动传感节点的停留位置。
[0120]
s322、基于停留位置，建立移动传感节点的覆盖调度模型。
[0121]
s323、分布式求解覆盖调度模型，得到移动传感节点的移动位置。
[0122]
s324、基于移动位置，对移动传感节点进行智能调度。
[0123]
一种可行的实施方式中，如图5所示，异构aiot网络移动节点智能调度方法具体过程可以为：在二维的无线传感网中，同时存在静态传感节点、移动传感节点和静态汇聚sink节点。移动传感节点可移动到监控区域的任一位置。在网络工作时，通过各节点发出的感知信息监控各节点工作状态，根据各节点工作状态进行智能调度，避免节点能量耗尽而导致覆盖盲区。当网络运行后，静态传感节点分析周围邻居传感节点的位置和剩余能量状态，判断是否存在覆盖盲区。采用少量的移动传感节点修补覆盖盲区，从而提高感知覆盖和网络生存时间。
[0124]
本发明实施例中，提出的一种异构aiot自组网信号全覆盖算法，用于提高节点的网络覆盖率，以降低节点冗余，平衡资源分配，解决了异构传感节点在环境中随机部署时出现覆盖漏洞和覆盖重复导致覆盖率低和能量浪费的问题。
[0125]
本发明提出的一种异构aiot网络移动节点智能调度算法，解决了异构静态传感节点在工作一段时间以后节点能量耗尽而导致覆盖盲区问题。
[0126]
本发明通过粒子算法优化蝴蝶迁移比和调整比来进行种更新，使帝王蝶算法易跳出局部最优，迅速收敛，到全局最优解，提升了网络节点覆盖率。
[0127]
如图6所示，本发明实施例提供了一种异构aiot自组网信号全覆盖装置600，该装置600应用于实现异构aiot自组网信号全覆盖方法，该装置600包括：
[0128]
静态节点部署模块610，用于基于随机分布的方式，将静态传感节点固定到待检测区域。
[0129]
移动节点部署模块620，用于基于覆盖优化算法，将移动传感节点部署到待检测区域。
[0130]
输出模块630，用于获取静态传感节点以及移动传感节点的工作状态，基于工作状态以及移动节点智能调度算法，对移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。
[0131]
可选地，移动节点部署模块620，进一步用于：
[0132]
s21、建立覆盖优化模型。
[0133]
s22、基于极限学习机以及粒子优化帝王蝶算法对覆盖优化模型进行优化，得到优化后的覆盖优化模型。
[0134]
s23、基于优化后的覆盖优化模型，得到移动传感节点的部署位置，将移动传感节点部署到待检测区域。
[0135]
可选地，覆盖优化模型包括：
[0136]
基于概率感知模型方法，并引入节点工作效率θ和能量均衡系数η。
[0137]
可选地，覆盖优化模型，如下式(1)所示：
[0138]
f＝ψ1λ+ψ2θ+ψ3η
ꢀꢀꢀ
(1)
[0139]
其中，参数ψ1、ψ2和ψ3为权值系数，取值范围为[0.2，0.8]，且ψ1+ψ2+ψ3＝1；λ为覆盖率；θ为节点工作效率；η为能量均衡系数。
[0140]
可选地，移动节点部署模块620，进一步用于：
[0141]
s221、基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化。
[0142]
s222、应用极限学习机对覆盖优化模型的权值系数进行优化。
[0143]
s223、基于优化后的覆盖率以及权值系数，得到优化后的覆盖优化模型。
[0144]
可选地于，移动节点部署模块620，进一步用于：
[0145]
基于粒子算法，对帝王蝶算法中的蝴蝶迁移比和调整比进行优化，进而对覆盖优化模型的覆盖率进行优化。
[0146]
可选地，输出模块630，进一步用于：
[0147]
通过任一静态传感节点获取邻居节点的位置和剩余能量状态，进而得到静态传感节点以及移动传感节点的工作状态。
[0148]
其中，邻居节点为待检测区域中除了任一静态传感节点外的其他静态传感节点以及移动传感节点。
[0149]
可选地，输出模块630，进一步用于：
[0150]
基于邻居节点的位置和剩余能量状态，判断是否存在覆盖盲区；若是，则根据移动节点智能调度算法，对移动传感节点进行智能调度。
[0151]
可选地，输出模块630，进一步用于：
[0152]
s31、估计移动传感节点的停留位置。
[0153]
s32、基于停留位置，建立移动传感节点的覆盖调度模型。
[0154]
s33、分布式求解覆盖调度模型，得到移动传感节点的移动位置。
[0155]
s34、基于移动位置，对移动传感节点进行智能调度。
[0156]
本发明实施例中，提出的一种异构aiot自组网信号全覆盖算法，用于提高节点的网络覆盖率，以降低节点冗余，平衡资源分配，解决了异构传感节点在环境中随机部署时出现覆盖漏洞和覆盖重复导致覆盖率低和能量浪费的问题。
[0157]
本发明提出的一种异构aiot网络移动节点智能调度算法，解决了异构静态传感节点在工作一段时间以后节点能量耗尽而导致覆盖盲区问题。
[0158]
本发明通过粒子算法优化蝴蝶迁移比和调整比来进行种更新，使帝王蝶算法易跳出局部最优，迅速收敛，到全局最优解，提升了网络节点覆盖率。
[0159]
图7是本发明实施例提供的一种电子设备700的结构示意图，该电子设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)701和一个或一个以上的存储器702，其中，存储器702中存储有至少一条指令，至少一条指令由处理器701加载并执行以实现下述异构aiot自组网信号全覆盖方法：
[0160]
s1、基于随机分布的方式，将静态传感节点固定到待检测区域。
[0161]
s2、基于覆盖优化算法，将移动传感节点部署到待检测区域。
[0162]
s3、获取静态传感节点以及移动传感节点的工作状态，基于工作状态以及移动节点智能调度算法，对移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。
[0163]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述异构aiot自组网信号全覆盖方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0164]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0165]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种异构aiot自组网信号全覆盖方法，其特征在于，所述方法包括：s1、基于随机分布的方式，将静态传感节点固定到待检测区域；s2、基于覆盖优化算法，将移动传感节点部署到所述待检测区域；s3、获取所述静态传感节点以及移动传感节点的工作状态，基于所述工作状态以及移动节点智能调度算法，对所述移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。2.根据权利要求1所述的方法，其特征在于，所述s2中的基于覆盖优化算法，将移动传感节点部署到所述待检测区域包括：s21、建立覆盖优化模型；s22、基于极限学习机以及粒子优化帝王蝶算法对所述覆盖优化模型进行优化，得到优化后的覆盖优化模型；s23、基于所述优化后的覆盖优化模型，得到移动传感节点的部署位置，将移动传感节点部署到所述待检测区域。3.根据权利要求2所述的方法，其特征在于，所述s21中的覆盖优化模型包括：基于概率感知模型方法，并引入节点工作效率θ和能量均衡系数η。4.根据权利要求2所述的方法，其特征在于，所述s21中的覆盖优化模型，如下式(1)所示：f＝ψ1λ+ψ2θ+ψ3η
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，参数ψ1、ψ2和ψ3为权值系数，取值范围为[0.2,0.8]，且ψ1+ψ2+ψ3＝1；λ为覆盖率；θ为节点工作效率；η为能量均衡系数。5.根据权利要求2所述的方法，其特征在于，所述s22中的基于极限学习机以及粒子优化帝王蝶算法对所述覆盖优化模型进行优化，得到优化后的覆盖优化模型包括：s221、基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化；s222、应用极限学习机对所述覆盖优化模型的权值系数进行优化；s223、基于优化后的覆盖率以及权值系数，得到优化后的覆盖优化模型。6.根据权利要求5所述的方法，其特征在于，所述s221中的基于粒子优化帝王蝶算法对覆盖优化模型的覆盖率进行优化包括：基于粒子算法，对帝王蝶算法中的蝴蝶迁移比和调整比进行优化，进而对覆盖优化模型的覆盖率进行优化。7.根据权利要求1所述的方法，其特征在于，所述s3中的获取所述静态传感节点以及移动传感节点的工作状态包括：通过任一静态传感节点获取邻居节点的位置和剩余能量状态，进而得到静态传感节点以及移动传感节点的工作状态；其中，所述邻居节点为待检测区域中除了所述任一静态传感节点外的其他静态传感节点以及移动传感节点。8.根据权利要求7所述的方法，其特征在于，所述s3中的基于所述工作状态以及移动节点智能调度算法，对所述移动传感节点进行智能调度包括：基于所述邻居节点的位置和剩余能量状态，判断是否存在覆盖盲区；若是，则根据移动节点智能调度算法，对所述移动传感节点进行智能调度。
9.根据权利要求8所述的方法，其特征在于，所述根据移动节点智能调度算法，对所述移动传感节点进行智能调度包括：s31、估计移动传感节点的停留位置；s32、基于所述停留位置，建立移动传感节点的覆盖调度模型；s33、分布式求解所述覆盖调度模型，得到移动传感节点的移动位置；s34、基于所述移动位置，对所述移动传感节点进行智能调度。10.一种异构aiot自组网信号全覆盖装置，其特征在于，所述装置包括：静态节点部署模块，用于基于随机分布的方式，将静态传感节点固定到待检测区域；移动节点部署模块，用于基于覆盖优化算法，将移动传感节点部署到所述待检测区域；输出模块，用于获取所述静态传感节点以及移动传感节点的工作状态，基于所述工作状态以及移动节点智能调度算法，对所述移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。

技术总结

本发明公开了一种异构AIoT自组网信号全覆盖方法及装置，涉及人工智能物联网技术领域。包括：基于随机分布的方式，将静态传感节点固定到待检测区域；基于覆盖优化算法，将移动传感节点部署到待检测区域；获取静态传感节点以及移动传感节点的工作状态，基于工作状态以及移动节点智能调度算法，对移动传感节点进行智能调度，得到待检测区域的信号全覆盖方法。本发明针对异构传感节点在环境中随机部署时出现覆盖漏洞和覆盖重复导致覆盖率低和能量浪费的问题，提出一种基于粒子优化帝王蝶算法和极限学习机的异构AIOT组网节点部署与覆盖优化方法。能够在保证网络覆盖率的前提下降低节点成本和网络能耗。低节点成本和网络能耗。低节点成本和网络能耗。