[论文解读] A Coverage Monitoring algorithm based on Learning Automata for Wireless Sensor Networks

Habib Mostafaei, Mehdi Esnaashari+1 more|arXiv (Cornell University)|Sep 4, 2014

Optimization and Search Problems被引用 11

一句话总结

本文提出LAML，一种基于学习自动机的无线传感器网络调度算法，可动态选择传感器节点的激活或休眠状态，以优化覆盖范围并延长网络寿命。通过使每个节点能够基于本地反馈自主学习最优状态，LAML在仿真验证中相比现有方法实现了更高的能效和更长的网络寿命。

ABSTRACT

To cover a set of targets with known locations within an area with limited or prohibited ground access using a wireless sensor network, one approach is to deploy the sensors remotely, from an aircraft. In this approach, the lack of precise sensor placement is compensated by redundant de-ployment of sensor nodes. This redundancy can also be used for extending the lifetime of the network, if a proper scheduling mechanism is available for scheduling the active and sleep times of sensor nodes in such a way that each node is in active mode only if it is required to. In this pa-per, we propose an efficient scheduling method based on learning automata and we called it LAML, in which each node is equipped with a learning automaton, which helps the node to select its proper state (active or sleep), at any given time. To study the performance of the proposed method, computer simulations are conducted. Results of these simulations show that the pro-posed scheduling method can better prolong the lifetime of the network in comparison to similar existing method.

研究动机与目标

• 解决随机部署传感器的无线传感器网络中的能量效率挑战。
• 开发一种分布式、自我优化的调度机制，以最小化冗余活动，同时保持完整的目标覆盖。
• 通过使用学习自动机进行智能状态选择（激活/休眠），延长传感器网络的运行寿命。
• 在每个传感器节点实现自主、本地化的决策，无需集中控制。

提出的方法

• 每个传感器节点配备一个学习自动机，根据本地反馈在激活和休眠状态之间进行选择。
• 学习自动机使用强化学习原理，根据提供的覆盖质量调整其动作概率。
• 通过指示目标是否得到充分监控的反馈信号来评估覆盖质量。
• 学习过程由奖励-惩罚机制驱动：若覆盖得到维持则给予奖励，若未维持则施加惩罚。
• 系统以分布式方式运行，无需中心协调，从而降低通信开销。
• 该方法旨在处理从飞机上部署导致的冗余传感器部署问题，通过自适应调度补偿部署不精确的问题。

实验结果

研究问题

• RQ1 如何设计一种分布式、自主的调度机制，以在随机部署的传感器网络中保持完整覆盖，同时最小化能量消耗？
• RQ2 何种学习机制可使传感器节点基于本地反馈自主优化其激活/休眠状态决策？
• RQ3 所提出的基于学习自动机的方法在延长网络寿命方面与现有调度算法相比表现如何？
• RQ4 通过智能调度，冗余传感器部署在多大程度上可被用于提升能量效率？

主要发现

• 仿真结果表明，LAML算法相比现有调度方法显著延长了网络寿命。
• 所提方法在随时间减少活跃传感器数量的同时，仍能保持完整的靶点覆盖。
• 学习自动机使每个节点能够自主学习最优状态，而无需全局信息或集中控制。
• 即使在传感器部署不精确（如航空部署）的情况下，系统仍能实现高覆盖可靠性。
• 仿真结果表明，LAML在延长网络运行时间方面优于类似现有方法。
• 该算法的分布式特性降低了通信开销，增强了可扩展性。