無線傳感器網絡節點重部署研究進展

作者簡介：王明華（1980－），男（通信作者），湖南衡陽人，副教授，碩導，博士，主要研究方向為傳感網理論與技術、無線通信等（mhwang@usc.edu.cn）；黃暢（1998－），男，湖南長沙人，碩士研究生，主要研究方向為無線傳感器網絡定位、部署等；王彥（1971－），湖南衡陽人，教授，碩導，博士，主要研究方向為寬帶無線移動通信技術、物聯網技術等；楊金濤（1998－），男，廣東茂名人，碩士研究生，主要研究方向為無線傳感器網絡聚類、部署等.

摘 要：傳感器節點隨機部署導致的分布不均勻往往會使無線傳感器網絡的感測區域產生覆蓋空洞或冗余覆蓋，嚴重影響網絡性能，因此需要重部署對網絡拓撲進行修復。總結和分析近年來重部署相關的主要研究方向和成果。首先回顧了三種基礎的節點感測模型；再從研究問題、策略設計優化目標和分類方法等三個方面對節點的重部署進行了全面的梳理；然后著重針對典型的傳感器節點和Sink節點的重部署策略進行分類解釋和比較分析；最后討論強化學習框架下的節點重部署策略和安全監測需求下無線傳感器網絡遷移部署，并指出重部署策略的應用前景與發展趨勢以及未來的優化方向。

關鍵詞：無線傳感器網絡；覆蓋空洞；冗余覆蓋；重部署；強化學習

中圖分類號：TP212.9; 文獻標志碼：A 文章編號：1001－3695（2023）04－003－0978－09doi： 10.19734/j.issn.1001－3695.2022.09.0451

Abstract：The uneven distribution caused by the random deployment of sensor nodes often leads to coverage holes or redundant coverage in the sensing region of wireless sensor network， which severely affects the network performance. Therefore， it is necessary to redeploy the sensor nodes to repair the network topology. This paper summarized and analyzed the major research directions and achievements related to the nodes redeployment in recent years. Firstly， it reviewed the three basic sensing models. Secondly， it gave a comprehensive overview about the nodes redeployment from three perspectives： research questions， optimization objectives for strategy design， and classification methods. Thirdly， it classified and analyzed the redeployment strategies of typical sensor nodes and Sink nodes. Finally， it discussed the nodes redeployment strategy under reinforcement learning framework and the relocation of wireless sensor network under security monitoring requirements， and pointed out the application prospect， development trend and future optimization direction of redeployment strategy.

Key words：wireless sensor network（WSN）; coverage hole; redundant coverage; redeployment; reinforcement learning

0 引言

云計算、霧計算以及近些年新提出的邊緣計算等數據處理方式的興起促使了萬物互聯（Internet of Everything， IoE）大環境的生成［1］。同時，無線傳感器網絡在生活中更加普及。

無線傳感器網絡（WSN）由許多傳感器節點組成，這些傳感器節點可以感測各種環境信息（如溫度、濕度、聲音、放射性核素等），并將收集的感測數據傳輸到匯聚節點（Sink），Sink節點通過有線或無線通信方式將數據傳輸到用戶終端后對數據進行進一步處理。無線傳感器網絡由于其傳感器節點輕量級、低功耗、自組織強、動態化等優點，現如今已被廣泛應用于輻射安全監測［2］、醫療護理［3］、結構健康監測［4］、工業控制［5］、災害預測［6，7］、生態棲息地監測［8］等。

雖然無線傳感器網絡在各種應用中擁有巨大的潛力，但仍然面臨著諸多挑戰。現有傳感器設備存在嚴重的存儲、電池能量、通信和處理限制。傳感器節點一般配置為低能量模式，部署后無法更換電池。此外，由于制造工藝問題、氣候條件也會影響電池能量的消耗，所以節約能量以延長網絡生命周期是無線傳感器網絡的主要關注點，而能量消耗受到節點部署性質很大影響［9］。因此，為了克服上述缺陷需要對無線傳感器網絡進行優化操作，首先要考慮的就是對傳感器節點部署操作進行優化。

現有大多數針對無線傳感器網絡中傳感器節點部署的研究中，一個主要的設計步驟是有選擇地確定傳感器的位置，最大化地覆蓋感測區域面積。傳感器節點部署根據目標是否可以靠近，可以分為隨機部署［10］和確定性部署［11］。確定性部署通過人工放置方式安放節點，使部署的網絡以最少的節點數目完成最優的覆蓋，然而，在一些特殊場景下只能采用拋灑節點進行隨機部署，如戰區、災區等。這一初始部署既不能實現保證監測目標被覆蓋，也不能確保網絡連接，同時會存在覆蓋空洞和冗余覆蓋，覆蓋空洞不能及時修補，其數量和大小會逐漸增加。覆蓋空洞的存在會降低和破壞整個網絡的功能，因此如何有效地檢測覆蓋空洞并且重部署（sensor redeployment， SR）派遣傳感器節點以完成空洞修補，對于網絡性能的提升非常重要［12］，如圖1所示。部署方式的選擇取決于應用類型、環境和傳感器節點本身。重部署策略影響覆蓋率、連通性、空洞修補能力以及網絡壽命［13］，這使得重部署等成為無線傳感器網絡中一個非常關鍵的問題。

本文針對無線傳感器網絡中節點重部署問題提出更為全面的分類方法，具體貢獻如下：

a）總結了廣泛使用的覆蓋模型，作為部署策略研究的基礎。

b）闡述了用于建模和設計重部署策略的最重要的三類目標問題，分別是網絡覆蓋、網絡連通性和能耗問題。

c）總結了重部署策略設計中包括定位精度、移動能耗、移動節點數、重建時間以及移動總距離在內需要考慮到的五類優化指標，提出基于應用場景等五種分類方法。

d）針對傳感器節點和Sink節點重部署問題，從基于移動機器人輔助的傳感器節點重部署，基于網格、虛擬力、Voronoi圖等節點自重部署以及移動Sink節點重部署三個方面對傳統典型的研究策略進行解析，并且針對現有研究策略進行比較分析。

e）在研究前沿與發展趨勢中對于強化學習框架用于重部署策略優化應用和面對特種環境下安全監測的遷移部署策略進行討論以及展望重部署策略發展趨勢和未來研究方向。

綜上所述，本文提出了一些節點重部署有待解決的研究問題，并對未來研究重點和發展趨勢的展望，可以為物聯網（Internet of Things， IoT）網絡拓撲修復以及覆蓋控制方向的研究人員在今后的研究工作上提供幫助。

1 研究基礎與問題陳述

無線傳感器網絡節點重部署問題研究的最重要目標就是修補覆蓋空洞、實現傳感場高覆蓋率、連通性最優和減小能耗，最終目標是盡可能延長網絡壽命。感測模型、覆蓋問題、連通性問題、網絡壽命問題是研究節點重部署的基本理論。

1.1 感測模型

傳感器感測模型是一個數學公式建立起的抽象概念［14］，用于量化傳感器感知物理變量的優劣和描述傳感器感測能力，同樣是無線傳感器網絡覆蓋問題研究的基礎。不同的傳感器將面對不同的應用場景和部署方式，故需要構建不同的感測模型來表征這些覆蓋問題。基礎的傳感器感測模型根據應用場景可分為以下三類：

a）圓盤感測模型。

圓盤感測模型下，傳感器節點的感測區域建模為一個半徑為rs的圓形區域［15］。傳感器與目標之間的歐氏距離可由式（1）表示。

然而，某些物理變量在實際的應用中容易受到環境的干擾和影響，主要體現在受影響變量的測量值可信度會隨著傳感距離的增加而衰減，與真實值的誤差越來越大。為了克服圓盤模型的不足，基于圓盤模型改進衍生的圓盤衰減模型［16］、扇形覆蓋模型［17］等開發出來用于契合實際需求。

b）概率感測模型。

一些有環境噪聲的干擾或障礙物存在的傳感器場（如核輻射區、災區等），傳感器節點的覆蓋量會隨著目標點與傳感器節點之間距離的增大而減小，為了處理這種情況，提出了概率感測模型［18］，如圖3所示。概率感測模型可以建模為

其中：ru為傳感器節點測量的不確定范圍0lt;rult;rs；α為常數。ru的引入是當傳感器節點與目標點的距離增加時采集減小卻沒有消失的信息。

c）可信信息覆蓋模型。

上述研究的模型沒有考慮到節點之間協同感測等復雜關系［19］。可信信息覆蓋模型（confident information coverage，CIC）深入探索各種物理量的時空相關性，提高節點信息融合能力，使之更能滿足無線傳感器網絡在實際應用中的覆蓋需求［2］。

對于任意隨機場，給定重建函數，如果隨機場某一空間位置點的平均時間均方誤差（root mean square error， RMSE）不大于實際應用網絡用戶提出的閾值，則稱該位置點被可信信息覆蓋；若區域內的所有物理空間點均被可信信息覆蓋，則稱該區域被可信信息覆蓋［20］。可信信息覆蓋模型如圖4所示。

1.2 重部署研究問題

1）網絡覆蓋問題

一般來說，覆蓋問題的重點是部署或重部署的傳感器節點如何更好地感測傳感器場。覆蓋率是對滿足應用需求的特定無線傳感器網絡節點部署服務質量（quality of service， QoS）的度量。在無線傳感器網絡重部署中，覆蓋問題主要是覆蓋空洞檢測與修復和冗余覆蓋［21，22］。

空洞是無線傳感器網絡大面積部署的難點之一，通常被認為是傳感器節點之間的通信間隙，將會導致網絡感知能力和通信能力的降低。冗余覆蓋相對于空洞來說對于網絡的影響較小，主要體現在隨機部署后某一局部區域冗余節點過多，導致節點采集到的數據相似性極高，同樣會由于同時收發數據導致信道競爭和信道干擾，帶來不必要的能耗和通信沖突。

2）網絡連通性問題

無線傳感器網絡中保證網絡的連通性也是很重要的研究問題［23］。在網絡中的每個應用場景都需要特定程度的覆蓋和連接，沒有連接的情況下，由于收集到的數據無法到達匯聚節點，無線傳感器網絡的監測質量較差。

3）網絡能耗問題

在無線傳感器網絡運行過程中，無線通信會大量的消耗能量，單獨節點能量有限的情況下，采用傳感器節點數量多、中繼節點和Sink節點數量少的異構結構，有利于延長傳感器網絡的壽命［24，25］。然而成本和代價需求限制了傳感器部署的數量，這就要求設計和選擇合適的部署策略，減少能耗或及時增補或遷移節點保證整個網絡的正常運行，延長網絡壽命。

2 重部署策略設計優化目標

移動傳感器電池供電和資源受限，故傳感器重部署應充分考慮節點定位精度、移動節點能耗、移動節點數量、重建時間以及移動總距離等六個關鍵要求。

1）提高節點定位精度

在重部署中，監測和修補網絡空洞就要求精準獲取故障節點和空洞的位置信息。在實際應用環境中，復雜度大大提高，可能會存在節點過于稀疏、非視距關系影響通信、信號噪聲影響等不利因素干擾。研究提高節點定位精度對于WSN的節點重部署具有積極的有效性［26］。

2）降低移動節點能耗

如果在網絡中傳感器節點是可移動的，可移動節點并不能隨意移動，而是受到諸多限制［3］。相比于普通傳感器節點，移動節點功能性更強所以耗能更大，在設計移動節點調度時，主要設計目標是提高傳感器節點在傳感區域運動和傳輸過程中的能量水平、降低能耗。

3）減少移動節點數量

引入移動節點進行重部署可以修復和消除覆蓋空洞，但移動節點數量越多，網絡的成本代價就越大［27］。在恢復連通性的同時，所有傳感器節點交換消息，節點數量減少，則消息的數量越少，開銷就越低。

4）縮短重建時間

傳感器節點部署和重部署兩者最大的區別在于節點重部署有嚴格響應時間要求［28］。節點部署在網絡初始化期間完成，因此不需要嚴格的響應時間要求，只要滿足一定的覆蓋率即可。然而，對于正在執行感測任務的網絡，將冗余傳感器重部署到覆蓋空洞或故障節點的位置時，需要遵循嚴格的響應時間要求，盡可能減小重部署的響應時間，以實現重部署階段和監測階段的無縫切換，盡可能恢復實時監測、及時恢復網絡的高覆蓋率和連通性。

5）減小移動總距離

節點重部署的遷移過程中，有效調度移動節點、設計最短且合適的遷移路徑，使節點移動距離最小化，一定層面上可以加快空洞修復速度，及時恢復網絡運行、提升網絡性能［29］。

6）及時確定新感興趣區域

快速且及時確定新感興趣區域（new region of interest， NRoI）的位置和方向是無線傳感器網絡重部署中一個很重要的問題，它可以動態地適應新事件的檢測。例如核污染擴散區域的監測控制中，放射性核素的擴散隨機且動態變化，及時確定NRoI可以根據反映檢測到事件重要性的興趣中心的強度來調整遷移區域節點密度。

3 重部署策略分類

本文比較近幾年關于無線傳感器網絡節點重部署策略的研究，可以發現學者們對于解決重部署問題提出了不同的策略。在不同的標準之下，節點重部署策略存在多種分類。

1）基于應用場景的分類

其可以分為應用于二維場景和應用于三維場景的重部署。二維場景是指將應用環境假設和模擬為二維平面，這種網絡相對簡單。然而，在實際環境中，要監測的區域不可能都是平坦的（如海底、建筑群）。此外，如高空飛行物監測等應用中，二維監測是不夠的，高度作為空間中的第三維不應被忽視。應用于三維場景中的節點部署及覆蓋控制更接近真實的環境，但相比于二維的復雜度將大幅度增加［30］。

2）基于監測對象的分類

其可以分為目標監測、區域監測、邊界監測等。目標監測以感測傳感器場中有限數量的離散目標點實現完全覆蓋為目的［31］，使用盡可能少的傳感器節點覆蓋全部的目標，這些點稱為興趣點（point of interest， PoI），PoI可以是固定的也可以是移動的。在監視敵軍部隊和基地有重要作用。

區域監測［32］要保證傳感器場中的每一個PoI都能被至少一個傳感器節點覆蓋和監測到，也就是說傳感器節點要覆蓋給定區域內的任意目標。如果每個目標點都能至少被k個傳感器覆蓋和監測，該區域就稱為k區域覆蓋［33］。區域監測有很廣泛的應用，如精細農業、森林火災監測等。

邊界監測和跟蹤是指監測和跟蹤某一事件的邊緣和移動路徑［34］，無論目標沿著哪條路徑穿越感測區域，部署的傳感器網絡都應該及時監測并發現目標的移動情況。

3）基于分布性質的分類

根據分布性質的不同，重部署策略可以分為集中式和分布式［35］。對于集中式算法，算法在執行過程中，節點之間相互聯系，可以快速地完成網絡空洞的修復，算法實現較簡單，但每個節點都需要獲得整個網絡之中的拓撲結構，消息傳播量大。分布式算法是指以部分為一個分區分別執行算法，每個節點只需要獲取保存局部信息，減少消息傳遞，但算法復雜度較高。集中式和分布式算法均為了確保網絡全覆蓋和永久連接以延長網絡使用壽命。

4）基于節點修復方式的分類

其可以分為直接替換和節點移動，節點移動方式可以分為塊移動和級聯移動，如圖5所示。在節點休眠調度時，直接替換是指首先定位到覆蓋空洞或死亡節點鄰近的休眠節點，喚醒并替換，承擔所在位置的網絡需求；塊移動［36］是指根據節點原先的位置，局部分區中的Sink節點向空洞或死亡節點位置移動，分區中的其他節點保持原有拓撲跟隨移動，因此移動距離遠、移動節點數量大；級聯移動［37］只需要移動部分較少數量的節點，因此只需要知道局部分區范圍內鄰居節點的信息，可以縮短遷移時間。

5）基于協同與否的分類

根據移動節點是否協同調度，重部署策略可以分為節點協同重部署和普通重部署。現在大多普通重部署策略僅考慮單模問題，孤立地考慮單個節點的移動性能和覆蓋功能；節點協同重部署［38］通過鄰居節點之間的信息協同感測構建冗余節點遷移路徑和遷移方案。

4 典型的重部署策略解析

無線傳感器網絡的初始部署中，通常會在某一重要監測區域內高密度地部署冗余節點保證監測的有效性。然而局部節點密度過高、冗余節點過多會導致數據的極高冗余度和產生不必要的能耗。為解決上述問題，節點調度機制成為維護無線傳感器網絡正常運行的基本操作［39］。

節點調度輪換的方式可以使節點休眠或者喚醒，減少網絡中工作節點總量，降低不必要的通信和能耗。網絡節點在自組織和同步調度等方式下，可以應對節點位置被動改變導致網絡空洞以及能量耗盡導致節點死亡的動態變化，通過調度機制喚醒死亡節點和覆蓋空洞附近的鄰居休眠節點充當活躍節點使用，便于后期網絡重部署，維護網絡正常拓撲狀態。

在此基礎上，節點重部署策略主要包含三個任務：a）定位空洞位置；b）定位冗余傳感器；c）調度冗余傳感器，設計冗余傳感器安置到需求位置路徑［40］。這三個任務結合起來就是傳感器重部署。

傳感器節點重部署方式大致可以分為三類：a）針對靜態傳感器節點，采用機器人進行節點的遷移，此方式也稱為基于移動機器人輔助的傳感器節點重部署；b）針對可移動傳感器節點，節點可自己移動到需求位置，也稱為傳感器節點自重部署；c）基于Sink節點的重部署，只需要Sink節點移動到重部署位置。典型節點重部署策略分類如圖6所示，各種重部署策略的差異性與適用環境如表1所示。

4.1 基于機器人輔助傳感器重部署

大多數基于機器人輔助傳感器節點重部署的研究主要在于設計優化機器人的移動路徑。基于機器人輔助傳感器節點重部署問題的主要特征是重部署過程中傳感器節點不會消耗自身的能量。因此節點的能量得以保存，使其能更好地完成監測任務，延長網絡壽命，并且由于采用的是靜態傳感器，部署成本低。基于此，提出使用機器人進行傳感器節點重部署。

文獻［41～43］采用的機器人輔助移動傳感器都考慮了探索冗余傳感器節點位置，并根據這個位置更加精準地執行重部署方案，在部署中能更有針對性和減少能耗。

文獻［41］提出四種機器人輔助的重部署（randomized robot-assisted relocation of static sensors， R3S2）算法，分別為R3S2、G-R3S2、C-R3S2 和 C-G-R3S2。在R3S2算法中，機器人沿著一條隨機的軌跡移動，在移動過程中通過與附近的傳感器通信確定冗余傳感器和空洞的位置，然后收集所遇到的冗余傳感器。當確定了空洞的位置，機器人就會立即攜帶收集到的冗余傳感器去修復空洞。不同于R3S2算法，G-R3S2算法將機器人的移動限制在虛擬網格上，并采用最近訪問機制進一步限制機器人的移動。簡單來說，要求空閑機器人移動到最近訪問過的相鄰網格點而不是隨機移動。每個傳感器記錄相鄰網格點被機器人訪問的次數，當機器人靠近它時，它會引導機器人訪問被訪問次數最少的網格點。這樣機器人會有更高的幾率發現冗余傳感器和覆蓋空洞。實驗證明，基于網格改進的G-R3S2和C-G-R3S2無論是在移動距離最小還是在其他度量指標上都優于非網格算法，基于簇的改進也有明顯的改善。

文獻［42，43］將機器人輔助傳感器節點重部署問題轉換為多目標優化問題，除了考慮機器移動路徑的長度，還考慮冗余傳感器節點的位置及剩余能量，分別針對單、多機器人輔助節點重部署問題提出了機器人輔助遷移策略和可靠多機器人輔助遷移策略兩種算法，利用多個機器人的存在來計算一個負載平衡目標，為所有機器人提供了良好平衡的遷移路徑。

基于機器人輔助傳感器節點重部署可降低成本，節省節點的能量消耗，但也有很明顯的缺點。其需要額外部署一個或多個移動機器人對節點重部署進行輔助，并在考慮成本的情況下，在較大網絡中機器人重部署的響應時間往往會大于節點自主重部署。

4.2 移動傳感器節點自重部署

移動傳感器節點自重部署以其快速響應和易擴展能力在重部署研究中作用巨大，僅需要憑自身與鄰居節點以及覆蓋控制算法讓移動節點自主重部署到需求位置。移動傳感器節點自重部署大致可以分為：

a）基于網格的傳感器重部署。

基于網格的策略中，將考慮的區域按照預定義的圖形（三角形、正方形或六邊形等）劃分為相同的虛擬單元，將覆蓋和連通等問題轉換成虛擬單元覆蓋問題。該策略可以在節點位置預先確定的情況下降低節點的能量消耗，網格法示意如圖7所示。

文獻［28，44］在使用劃分網格區域的同時還注重平均節點消耗的能量達到整個網絡的能量消耗平衡。

文獻［44］提出了一種在感測區域上尋找最優節點位置的優化最小半徑確定性部署算法。針對初始隨機部署后出現的覆蓋空洞問題，首先將整個感測區域網格化以監測網絡中覆蓋空洞和冗余傳感器，基于匹克幾何定理，提出并使用最小部署保證公平的分散、最大1覆蓋的良好節點連接和公平的能源消耗。因此，會達到一個最大的網絡生命周期。最大限度地減少能源消耗，同時解決冗余覆蓋和覆蓋漏洞，保證良好的覆蓋和網絡生命周期內的連通性。

文獻［28］將網絡劃分成規則的網格區域，每個網格中有一個頭節點負責感測，與鄰居網格通信，以減少節點之間的信息交換，提出能量平衡和及時自主遷移算法（energy-balanced and timely self-relocation， ETSR）。網格劃分完成后，連接需求位置與最近冗余傳感器節點的位置，并沿著連接線選取參與及移動的非頭節點成員節點。節點的移動由連接線與網格的交點決定，為了在移動過程中減少響應時間，應該盡量避免節點跨越多個網格區域，若要跨越多個網格需滿足時間響應約束條件。ETSR算法在參與級聯移動過程中涉及多個傳感器節點，因此級聯移動所消耗的總能量和響應時間將被節點共享，實現了成員節點能耗的平衡。

文獻［45］提出兩種基于CIC的物聯網邊緣節點遷移方案，包括基于CIC的卸載輔助能量平衡方法（CIC based offloa-ding-assisted energy balanced IoT edge node relocation approach， CIC-OAEBA）和基于CIC的直接替換方法（CIC-based direct replacement approach， CIC-DRA），以提供及時所需的信息覆蓋服務。CIC-OAEBA和CIC-DRA都有檢測物聯網冗余邊緣節點、將物聯網冗余邊緣節點與CIC漏洞匹配、將物聯網冗余邊緣節點調度到目標位置三個主要階段。為了達到響應時間和能量平衡的要求，采用Grid-Quorum策略快速檢測物聯網冗余邊緣節點，并采用級聯移動策略將最近的物聯網冗余邊緣節點移動到CIC孔位置。與CIC-DRA進行比較，CIC-OAEBA通過將通信密集型和計算密集型任務從網格報頭卸載到對等IoT邊緣節點，實現了較低的響應時間和較低的能量消耗。

b）基于虛擬力傳感器重部署。

在基于虛擬力（virtual forces， VF）的部署算法中，傳感器節點視為帶電粒子，利用物理學中庫侖定律求得作用力，作用力可以是吸引力、排斥力或零，傳感器節點根據作用力移動。在新的位置上，再次計算作用力的合力，并據此確定節點的下一個位置。這種機制有助于在避免覆蓋漏洞和保持網絡連通性的前提下將傳感器節點擴展到整個區域，某冗余節點虛擬受力圖如圖8所示。

在文獻［46，47］虛擬力的部署算法中，都是基于三維空間模型設計的，主要通過減少節點的移動距離來降低節點移動的能耗。

文獻［46］為了滿足目標區域覆蓋監測信息的需求，將靜態節點和可移動節點混合部署，形成一種高效的部署方法，提出了一種混合節點三維曲面覆蓋漏洞修復方法。首先，建立三維覆蓋模型，檢測節點隨機部署在三維表面后存在的覆蓋漏洞，當檢測到覆蓋漏洞時，動態隨機搜索覆蓋漏洞周圍的冗余移動節點。在虛擬力的作用下，冗余節點對覆蓋漏洞按運動路徑和方向進行修復。該策略使用較少的節點完成覆蓋，降低了網絡覆蓋成本，滿足整體網絡覆蓋需求，具有較低的移動能耗和較長的網絡壽命。

文獻［47］在現有三維空間基于虛擬力節點部署的研究基礎上，增加了劃分吸引力與排斥力的閾值，并且為了更加契合實際應用，在節點重部署過程中考慮節點的移動速度（假設為勻速移動）和移動時間，提出基于能量消耗的虛擬力重部署策略。根據相鄰節點是否處于移動狀態確定要重部署節點所獲得虛擬力的計算方式，并且在重部署過程中考慮水流力對節點重部署的影響。要重部署的傳感器節點在不考慮移動狀態和相鄰節點產生虛擬力的情況下，所獲得覆蓋率和節點總的移動距離均小于節點受到處于移動狀態的相鄰節點施加的虛擬力的情況，因為增加處于移動狀態的相鄰節點其自身狀態的不穩定會導致產生的虛擬力存在不確定性。同時因為考慮的水流力的影響，當水流力在虛擬力方向上做正功時，節點的移動距離會增加，相反會減少節點的移動距離，這樣就在滿足覆蓋率的前提下有效節省了節點的能量消耗。然而該文假設水流勻速，使模型過于理想化，不能完全符合實際情況。

c）基于Voronoi圖的傳感器重部署。

基于Voronoi圖的節點重部署算法原理為：每個傳感器節點視做Voronoi多邊形的中心，計算每個傳感器與其自身Voronoi多邊形的頂點的距離，通過傳感器感測范圍Voronoi多邊形頂點的幾何位置關系判斷有無漏洞，若存在漏洞則選定覆蓋盲區面積最大的Voronoi多邊形的頂點并相應地移動傳感器至需要修補的漏洞位置。

當前提出基于矢量VEC、VOR以及Minimax三種算法來確定節點移動的目標位置。VEC算法將節點從高密度區域推開，實現均勻分布填補漏洞；VOR算法在探測到漏洞后朝離自己最遠的頂點移植至期望位置，但容易在填補其他漏洞的同時產生新的漏洞，發生節點移動的振蕩；Minimax相對平滑和保守，只是移動到 Voronoi 多邊形最小外接圓的圓心處，避免振蕩。圖9為Voronoi技術檢測覆蓋漏洞以及遷移示意圖。

文獻［48］采用加權 Voronoi 圖的方法來對整個傳感區域進行劃分。文獻［49］使用此種分區方法來發現覆蓋漏洞并相應地重部署傳感器以減小漏洞大小，考慮到現場中存在不同點的覆蓋優先級，提出最大加權點、最大加權頂點以及最大距離權重三種重部署算法，迭代地移動每個傳感器節點，使得其加權覆蓋率增加。文獻［50］結合不同加權區域的同時考慮覆蓋優先級，提出一種傳感器最佳位置配置方法用以修復漏洞。

文獻［51，52］采用的Voronoi圖重部署都會重新權衡和計算不同Voronoi區域的面積，以便需要移動的節點在Voronoi區域內移動時能更好地修復漏洞。

文獻［51］將Voronoi細胞結構與K-means算法相結合，將螢火蟲優化算法應用于移動傳感器。先將區域分成多個簇，K-means算法確定簇中心，Voronoi細胞結構更好地權衡覆蓋面積和能耗，采用多跳傳輸和睡眠—覺醒機制來減少部署的傳感器節點的能量消耗。通過最小化能量來最大化無線傳感器網絡中部署的移動傳感器節點的覆蓋面積和壽命。

文獻［52］模擬了真實的通信噪聲環境，并嵌入到節點位置信息中，提出了一種以整體網絡需求為指導，滿足覆蓋和連通性條件的節點注入方法。節點只根據局部可用信息計算Voronoi區域，然后不斷地向區域中心移動。在此研究中，基于Voronoi圖的節點重部署算法依賴于節點之間的通信距離和通信環境，這可能包含許多不確定性，在重部署前期若節點距離較遠或定位精度不高，將產生較大的影響。

4.3 移動Sink節點重部署

在無線傳感器網絡中基站的位置直接影響網絡的壽命，因為基站與網絡中的所有其他節點單跳或多跳通信。在單跳通信中，距離基站較遠的傳感器節點比距離基站較近的節點消耗更多的能量。另一方面，在多跳通信中，距離基站較近的傳感器節點除了傳輸自身感測數據外，還承擔著中繼距離基站較遠節點的感測數據的任務。這樣的傳輸模式使得靠近基站的傳感器節點比較遠傳感器節點能量消耗更快，死亡時間也更早。這種情況在無線傳感器網絡中被稱為熱點問題，即能量空洞問題［53］。

在靜態無線傳感器網絡中，節點不具備移動性，可使用移動機器人的輔助進行傳感器節點重部署，以延長網絡壽命。但是基于移動機器人輔助的傳感器節點重部署方案通常會有較長的時間響應，影響整個網絡的監測性能。而在動態無線傳感器網絡中，設計的重部署算法使傳感器節點自主移動到需求位置，提高網絡的覆蓋率、延長網絡壽命，但是傳感器節點在自主移動過程中依然會消耗自身的能量。然而Sink節點的能量通常認為是無限的，針對上述問題提出移動Sink（mobile Sink，MS）策略。MS策略可以有效解決無線傳感器網絡中出現的熱點問題，這已是公認的［54］，并且MS策略有如下優點：

a）大幅減小節點間由于長距離通信造成的信號干擾；

b）普通節點與Sink節點之間的距離較短，可以節省節點的能量消耗；

c）數據在較短的距離進行傳輸，能減少擁塞攻擊，數據高度安全；

d）平衡傳感器節點的能量消耗以增加網絡的生命周期。

MS策略根據移動路徑可分為：

a）預先規劃MS路徑移動。

對于部分環境可知的傳感場，分布信息先驗已知，可以在節點重部署之前提前將傳感場進行建模，根據數學模型設計移動Sink節點的移動路徑對區域進行遍歷，這種規劃方案對于定位覆蓋漏洞具有更小的定位延遲和更小的算法復雜度，不過在過去已經提出了許多移動模型，并不是所有模型都適合定位覆蓋漏洞，找到合適的移動模型是關鍵問題，同時，消息利用率低和移動路徑過長也是很大的缺陷。

文獻［55］建立了一種新的整數規劃框架，研究了Sink節點在隨機移動模型、基于網格移動模型、螺旋移動模型和高斯移動模型四種移動模型下對網絡壽命的影響。根據不同尺寸的網絡區域和不同數量節點下進行實驗，螺旋移動和高斯移動模型相比隨機和網格移動模型可以獲得很好的壽命性能，然而在Sink節點候選位置相對較少或網絡中傳感器節點分布稀疏情況下，隨機和網格移動模型優于其他移動模型。

文獻［56］為了避免無線傳感器網絡中出現的熱點問題，提出了多目標粒子群優化算法（multi-objective particle swarm optimization，MOPSO），提出一種新的粒子表示機制，粒子的元素用于尋找一組匯聚節點的位置，其中匯聚節點的數量為網絡中節點數量的10%。根據獲得的匯聚節點位置，依據MOPSO設計MS的移動路徑，并且在MOPSO中使用帕累托占優策略獲取每個粒子的局部和全局最佳導向，在網絡生命周期上明顯優于其他算法。

b）Sink節點自適應移動。

在環境未知的情況下，Sink節點只能根據在移動中可觀察到的環境或部署情況等，通過引入自適應參數，給出一種自適應控制算法，根據運動狀態自動調節移動方向、距離等。自適應移動因為其靈活性，大大減少路徑長度和能耗，與此同時在場區出現障礙物的情況下也可以自由避障。

文獻［57］通過劃分、簇頭選舉、Sink節點遷移、路由調整和MAC調度五個階段提出能量感知Sink遷移技術。首先使用四叉樹組合交叉樹劃分算法將感知場劃分為多個分區；然后基于權重的選擇簇頭來減少數據聚合過程中的能量消耗；提出了一種新的基于對的Sink節點遷移方法，平衡了整個網絡的能量消耗；接著使用目標定向有向無環圖進行路由調整，通過運行三個規則來調整路由。此外，使用由簇頭執行的2型模糊邏輯控制器在最后階段將能量消耗最小化。該遷移策略不僅可以減輕熱點的負擔，而且可以集成能量感知路由，提高網絡壽命延長的性能。

文獻［58］提出一種自適應Sink重部署算法（adaptive sink transmission and relocation， AST-EASR），算法分為兩個部分：a）根據初始部署采用異構低能耗方法對所有傳感器節點接收信號強度進行檢測，依據檢測結果對所有傳感器節點進行聚類，使得Sink節點傳輸的能量消耗最小；b）基于網格感測的Sink節點重部署。根據計算得到的權值計算所有相鄰節點到Sink節點的平均距離，檢查Sink節點的信號接收強度并計算Sink節點所有可能的重部署位置，最后將Sink節點重部署至信號強度最高的位置并重復操作。該算法可減少不必要的節點，節約無線傳感器網絡的能量。

5 現有策略的比較及分析

不同的應用需求和復雜的應用環境使重部署策略具有各式各樣的特點，表2為基于本文的分類方法對重部署策略各種性能指標的比較。通過表2無線傳感器網絡節點重部署策略的差異性分析可知，當前重部署策略研究存在以下三方面特征：

a）大多重部署算法類型都是分布式。

集中式方法算法效率隨著場區規模增大而增大，處理器執行能力的限制讓集中式方法缺點明顯，分布式算法局部地分單元進行使算法效率影響不大，大型場景應用需求的趨勢使分布式方法更適合重部署策略研究。

b）多數重部署算法研究基于二維環境。

二維環境可建模為一個平面，節點和移動機器人的遷移和重部署在平面上進行；在三維環境中，節點的移動或許會需要考慮到曲面障礙或更加復雜的場區條件，在重部署的算法設計中需要考慮到更多的影響因素，且復雜度過高。

c）節點修復中節點塊移動應用較少。

塊移動中各個節點的移動速度、方向和位置實現了高度的節點空間相關性，故更加考驗傳感器之間的協作能力，而且在移動過程中需要保持拓撲完全不受影響需要較高的技術需求；塊移動的移動距離遠和移動節點數量大導致耗能大，相較算法簡易地直接替換和單節點遷移的級聯移動缺點明顯。

6 研究前沿與發展趨勢

6.1 基于強化學習框架的重部署

盡管現階段許多無線傳感器網絡重部署策略在一定程度上能有效提高網絡的有效性，滿足用戶的網絡需求，但是其仍然存在一些缺點：a）傳統的重部署策略需要一些先驗知識，如傳感器節點的位置，目標感測區域的形狀、大小，節點之間的距離以及網絡拓撲等，但在大多數情況下，實驗條件不能得到滿足；b）外部原因（天氣、自然災害等）或系統設計人員精心設計的傳感器網絡通常是多變的，傳統重部署策略往往不能適應環境的動態變化。

基于此，一種能夠自己學習、決策以及行動的方法——強化學習應運而生，強化學習又稱為增強學習［59］，是指從環境狀態到動作映射的學習，即從環境中學習到獲得的累積獎賞值最大的動作選擇策略，可以在不依賴環境模型和先驗知識的前提下通過探索試錯、延時反饋和累積記憶以實現策略優化的學習目標。強化學習已經廣泛應用于傳感器網絡覆蓋、定位等關鍵問題，在重部署策略研究中，常用到學習自動機、元胞學習自動機以及Q-學習等進行優化，每個節點可以自主學習其最優動作（工作/休眠/睡眠/自定義感知范圍）。

強化學習在重部署策略中的優化作用主要體現在三個方面：

a）優化節點能量調度機制，以便于監測區域能夠提供更多的冗余節點可供選擇用于重部署；

b）優化節點最佳遷移路徑，利用先驗知識在節點移動過程中修正遷移路徑，減少移動總距離；

c）優化遷移節點數量選擇機制，以便于快速、動態地找到修復漏洞區域的最小節點數。

文獻［60］提出一種能表征時空演化的按需覆蓋移動傳感器網絡自部署算法。在移動傳感器網絡中，節點可在網絡區域中隨機移動，以解決冗余覆蓋問題。根據此特點，其改進了元胞自動機，提出了移動元胞學習自動機以輔助節點選擇最佳移動方向和位置，同時引入模擬退火搜索算法來判斷當前時間步長結束后產生的節點布局是否滿足網絡所需的覆蓋要求，在減小平均移動步長的同時提高覆蓋率和減少了能耗。

文獻［61］采用CIC模型，初始將傳感器節點部署在要監測的區域，節點之間相互協作確定其鄰居節點。然后給網絡中的所有節點分配一個學習自動機，通過與環境的交互迭代選擇用于構建網絡區域左邊界到右邊界柵欄路徑所需的節點，迭代至柵欄路徑構建完成。隨后進入監測階段，若此時構建的路徑上某個節點發生故障立即轉換到修復階段，調度可以替換故障節點的冗余傳感器以維持柵欄路徑的正常工作，延長網絡壽命。

文獻［62］設計了一種能夠以分散、動態和自治的方式緩解覆蓋缺口的混合拓撲控制算法。該方法利用基于Q-學習算法的博弈論概念，將節點重部署和功率傳輸調整兩種覆蓋控制方案融合，通過尋找傳感器位置設置和傳感器功率之間的權衡來最優恢復覆蓋漏洞。在學習機制下，能夠更有效地處理連續性隨機產生的覆蓋漏洞。

文獻［63］引入一個有效的傳感器部署范式，其中既包含環境的隨機性，也包含環境的動態性。在活動調度機制后，采用一種強大的非關聯強化學習方法——共軛學習自動機來學習最優傳感器部署策略。與傳統方法相比，僅激活所有傳感器的一個子集，且不依賴于有關環境的先驗專業知識，從而獲得了良好的性能。同時，學習過程是高效的，因此可以在多個方面節省能量。在不同條件下的綜合實驗驗證了該方法的有效性。

文獻［61，63］在模型設計中都考慮了傳感器節點與周圍環境的聯系，能更加適用于動態變化的環境。

在使用到強化學習改進重部署策略時，節點粒子總數以及考慮到包括能耗、連通度在內的性能指標較多，會導致兩個問題：a）算法復雜度問題，可以通過改進算法本身降低；b）傳統的基于表格的強化學習訓練方法存在嚴重的維度災難問題［64］。隨著AlphaGo的出現，深度神經網絡與強化學習相互融合，形成既有強大感知能力，又有決策能力的深度強化學習（deep reinforcement learning， DRL），所以可以考慮使用DRL改進重部署策略。

6.2 面對安全監測的遷移部署策略

鈾尾礦庫放射性核素容易擴散，并且將污染擴散到新區域的土壤、地表、地下水等，為實現全面且智能的安全監測，需要對污染擴散區域內重新組網，在這種場景下，人為干預是不可行的。因此物聯網需要在檢測到放射性核素擴散的同時自定位擴散區域，選擇現有網絡中的移動節點自主遷移部署對新污染區域進行覆蓋控制，與此同時，當重新覆蓋到NRoI的同時，需要自主組織和調整拓撲結構，實現更高的覆蓋率和連通性以改善網絡性能。節點遷移部署過程如圖10所示。移動節點的遷移部署策略可以分成部署后遷移與按需遷移兩類。部署后遷移（在遷移完成時確定）僅通過在初始時執行的過程進行遷移；按需遷移是指節點在傳感器節點遷移的任何時刻進行的移動，其中面對安全監測的遷移部署策略屬于此類，因為核素隨機和不定時的擴散需要節點在任意時刻根據需求進行遷移部署。

文獻［3］提出一種節能快速遷移算法（rapid relocation time and low energy consumption， RRTLEC），將初始區域和NRoI劃分為若干個相同的重建網格。根據傳感器節點到重建點的距離對節點按升序進行排序，頭節點選擇最少數量的傳感器節點覆蓋網格，則未參與覆蓋任務的傳感器為冗余傳感器。網格頭節點向其同一列的鄰居網格廣播自身擁有的冗余傳感器的數量。Sink節點融合來自人體傳感器網絡（body sensor network， BSN）中人體傳感器和移動傳感器網絡（mobile wireless sensor network， MWSN）中移動傳感器的數據，智能地計算和確定新感測區域的位置和方向。因此可以得到兩區域之間的最短路徑，計算出覆蓋路徑和NRoI所需的傳感器的數量，再按列方式由近及遠選擇冗余傳感器，直至完成通信鏈路的構建以及NRoI的區域覆蓋。實驗證明遷移能耗和響應時間均有優異表現。

文獻［40］提到移動無線傳感器網絡在危險和惡劣的工作場所也能很好的使用，已廣泛應用于環境安全監測和其他應用。研究如何在初始區域和擴散區域之間構建有覆蓋的冗余路徑，以提供持續的覆蓋和通信，提出了一種雙種蟻群算法（double populations ant colony optimization algorithm， DSACO）。蟻群算法在多區域無線傳感器網絡路徑規劃中存在收斂速度慢、容易陷入局部最優值的問題。DSACO算法首先采用網格方法對兩種不同的障礙物環境進行建模；其次為了提高螞蟻搜索早期的效率，設置一個不均勻的初始信息素濃度，并引入新的種群來擴大算法的搜索空間，避免算法陷入局部最優；最后，提出了精英螞蟻信息素更新原理和自適應調整揮發系數，以保證全局搜索能力和提高算法的收斂速度。實驗結果表明，該算法具有較高的全局搜索能力和顯著加快的收斂速度，驗證了算法的有效性和優越性。

6.3 重部署策略發展趨勢與方向

隨著物聯網技術的多方面、深層次發展，為提高網絡性能和滿足應用需求，需要對無線傳感器網絡進行全面的優化和創新：傳感器節點可以通過自部署、自定位、自遷移以及自組織的方式來實現智能且高效的網絡構建，網絡云端可以通過與邊緣計算融合以分析、處理和挖掘大規模的感測數據。

依托物聯網的大背景、實現多種場景應用和學科融合趨勢，對于當前的重部署策略研究現狀，總結出以下六個未來研究方向：

a）研究面向異構網絡的重部署策略。研究異構網絡的節點重部署和不同種類傳感器協同調度有現實需求。現有的大多數重部署策略都只重點進行基于同構網絡的研究，但現實生活中的網絡并不只存在單一類型的傳感器，更多的是多種不同類型的智能傳感器混合，在一個場區內包括有光學傳感器、震動傳感器等，而同構網絡研究的是相同類型的傳感器，無法在這些場景中應用。因此需要考慮能綜合多種傳感器特點的重部署研究策略，也就是面向異構網絡的重部署策略。

b）考慮移動機器人+無人機協同合作機制。移動機器人雖然能移動網絡中的節點完成大部分的重部署策略，但是其活動范圍和移動速度限制了其網絡修復的能力，在大型網絡中，使用高度靈活性的無人機具有更大的重部署優勢，無人機不僅能在空間中快速移動還能對節點進行三維空間上的部署，相較于移動機器人，無人機的網絡修復能力更強，研究移動機器人與無人機協同合作機制，設計合適的重部署協議協同調度對網絡進行修復是研究重部署策略的一種趨勢。

c）考慮重部署階段數據安全性。無線傳感器網絡重部署有一個不可忽略的問題——數據安全性。安全驗證對于保護網絡免受各種安全威脅和攻擊至關重要，因為網絡中的節點往往分布在潛在的敵對和無人值守的環境中處理敏感信息。為了保障數據的安全性，在節點遷移前，需要討論節點發送的傳感數據的驗證是否正確，節點是否發送了正確的數據并且沒有被潛在的威脅操作和攻擊，以確保數據包在發送后到接收前都是沒有被竄改和讀取的，進而保證接收到的數據是安全且正確的。

d）研究基于圖像處理的重部署策略。在場區節點數目較少時，常用數學分析方法計算覆蓋率，當遇到大型網絡且多為隨機分布時，判斷場區覆蓋情況、尋找覆蓋空洞數學分析將會造成巨大的計算量。基于圖像處理的研究方法能很大程度地降低大型網絡分析覆蓋率的計算量，分析中可將場區按照單元劃分細小柵格細胞，映射為圖像后對圖像進行灰度處理，將每一柵格細胞視做像素點，根據像素點黑白度尋找覆蓋漏洞。

e）研究特種環境下重部署策略。工業物聯網環境，如尾礦庫、化工廠等的節點設備大多數并非由無線專家安裝，與此同時，多次的項目交付導致環境中的設備有新有舊。因此在工業物聯網中必須能夠快速自建、當某節點設備能量耗盡或程序出錯死亡時，網絡必須要能及時自我重部署進行修復，避免服務中斷。無線傳感器網絡重部署策略的應用可以減少因部分節點設備的死亡導致區域網絡癱瘓以至于需要高成本的現場維護和重新組網。

f）研究基于高性能計算的重部署策略。深井礦區和深水區的無線傳感器網絡要進行節點重部署，不可忽略的是節點間的通信能力以及Sink節點的信息處理能力。基于邊緣計算和云計算協同的異構傳感網網關的節點重部署，因其高速通信能力、高性能計算以及開放式架構，不僅能夠增強部署時節點自組織網絡的數據處理能力，還可以支持Lora、無線射頻等多種類型網絡的接入，實現比傳統部署更廣的覆蓋。另外把高速可靠的通信和邊云協同用于部署中，在保證節點間正常通信的同時也能減小數據接收時延，在Sink節點自適應移動部署時可以更快地作出方位判斷并及時定位覆蓋漏洞。

7 結束語

節點部署的隨機性和節點能量的有限性往往使無線傳感器網絡在感測區域內出現冗余覆蓋和空洞，影響網絡連通、通信水平以及監測能力。研究者們在學習和探索中提出了眾多優化方法并取得了卓越的成效。然而，無線傳感器網絡應用廣泛，在不同的應用環境、場景需求、成本控制的需求下，部署效果千差萬別。基于此，本文對現有重部署策略進行分類綜述。

本文首先分別從感測模型以及覆蓋、連通性和能耗三個問題對重部署策略進行預設、針對重部署策略需要優化的目標以及應用場景、分布性質等對部署策略進行分類。針對傳感器節點和Sink節點重部署問題，從基于移動機器人輔助的傳感器節點重部署，基于網格、虛擬力、Voronoi圖等節點自重部署以及移動Sink節點重部署三個方面對典型的研究策略進行解析，并且針對現有研究策略進行比較分析。對于強化學習框架用于重部署策略優化應用和面對特種環境下安全監測的遷移部署策略進行討論，并展望重部署策略發展趨勢和未來研究方向。

參考文獻：

［1］高潔，閆獻國，梁波，等. 基于區塊鏈的邊緣計算IIoT架構研究［J］. 計算機應用研究，2020，37（7）： 2160－2166. （Gao Jie，Yan Xianguo，Liang Bo，et al. Blockchain-based edge computing IIoT architecture［J］. Application Research of Computers，2020，37（7）： 2160－2166.）

［2］Yi Linzhi，Deng Xianjun，Zou Zenghui，et al. Confident information coverage hole detection in sensor networks for uranium tailing monitoring［J］. Journal of Parallel and Distributed Computing，2017，118： 57－66.

［3］Wang Minghua，Wang Xu，Yang L T，et al. Multi-sensor fusion based intelligent sensor relocation for health and safety monitoring in BSNs［J］. Information Fusion，2020，54： 64－71.

［4］Sofi A，Regita J J，Rane B，et al. Structural health monitoring using wireless smart sensor network：an overview［J］.Mechanical Systems and Signal Processing，2021，163（4）： 108113.

［5］Boubrima A，Bechkit W，Rivano H. Optimal WSN deployment models for air pollution monitoring［J］. IEEE Trans on Wireless Communications，2017，16（5）： 2723－2735.

［6］Hemalatha T，Ramesh M V，Rangan V P. Effective and accelerated forewarning of landslides using wireless sensor networks and machine learning［J］. IEEE Sensors Journal，2019，19（21）： 9964－9975.

［7］Wang Yong，Liu Zhipu，Wang Dianhong，et al. Anomaly detection and visual perception for landslide monitoring based on a heterogeneous sensor network［J］. IEEE Sensors Journal，2017，17（13）： 4248－4257.

［8］Cui Fengmei. Deployment and integration of smart sensors with IoT devices detecting fire disasters in huge forest environment［J］. Computer Communications，2019，150： 818－827.

［9］Guo Jun，Karimi-Bidhendi S，Jafarkhani H. Energy-efficient node deployment in wireless Ad-hoc sensor networks［C］// Proc of IEEE International Conference on Communications. Piscataway，NJ： IEEE Press，2020： 1－6.

［10］Hasson S T，Finjan A A R. A suggested angles-based sensors deployment algorithm to develop the coverages in WSN［C］// Proc of the 2nd International Conference on Inventive Systems and Control. Piscataway，NJ： IEEE Press，2018： 547－552.

［11］Al-Karaki J N，Gawanmeh A. The optimal deployment，coverage，and connectivity problems in wireless sensor networks： revisited［J］. IEEE Access，2017，5： 18051－18065.

［12］劉浩然，趙赫瑤，鄧玉靜，等. 基于非合作博弈的無線傳感器網絡覆蓋控制算法［J］. 通信學報，2019，40（1）： 71－78. （Liu Haoran Zhao Heyao，Deng Yujing，et al. Coverage control algorithm for wireless sensor networks based on non-cooperative game［J］. Journal on Communications，2019，40（1）： 71－78.）

［13］Snouci M R，Mellouk A. A robust uncertainty-aware cluster-based deployment approach for WSNs： coverage，connectivity，and lifespan［J］. Journal of Network and Computer Applications，2019，146： 102414.

［14］Wang Bang. Coverage problems in sensor networks： a survey［J］. ACM Computing Surveys，2011，43（4）： 1－56.

［15］Idoudi H，Houaidia C，Saidane L A，et al. Robots-assisted redeployment in wireless sensor networks［J］. Computer Science，2012，3（1）： 1－12.

［16］Zou Yi，Chakrabaaty K. A distributed coverage-and connectivity-centric technique for selecting active nodes in wireless sensor networks［J］. IEEE Trans on Computers，2005，54（8）： 978－991.

［17］Shahrokhzadeh B，Dehghan M. A distributed game-theoretic approach for target coverage in visual sensor networks［J］. IEEE Sensors Journal，2017，17（22）： 7542－7552.

［18］孫澤宇，伍衛國，王換招，等. 概率模型下的一種優化覆蓋算法［J］. 軟件學報，2016，27（5）： 1285－1300. （Sun Zeyu，Wu Weiguo，Wang Huanzhao，et al. Optimized coverage algorithm in probability model［J］. Journal of Software，2016，27（5）： 1285－1300.）

［19］Zhu Jiajun，Wang Bang. The optimal placement pattern for confident information coverage in wireless sensor networks［J］. IEEE Trans on Mobile Computing，2016，15（4）： 1022－1032.

［20］Deng Xianjun，Jiang Yalan，Yang L T，et al. Data fusion based cove-rage optimization in heterogeneous sensor networks： a survey［J］. Information Fusion，2019，52： 90－105.

［21］Kuawattanaphan R，Champrasert P，Aramkul S. A novel heterogeneous wireless sensor node deployment algorithm with parameter-free configuration［J］. IEEE Access，2018，6： 44951－44969.

［22］Khalifa B，Aghbari Z A，Khedr A M，et al. Coverage hole repair in WSNs using cascaded neighbor intervention［J］. IEEE Sensors Journal，2017，17（21）： 7209－7216.

［23］Yang Fan，Shu Lei，Yang Yuli，et al. Improved coverage and connectivity via weighted node deployment in solar insecticidal lamp Internet of Things［J］. IEEE Internet of Things Journal，2021，8（12）： 10170－10186.

［24］Grari H，Hajjej F，Ejbali R，et al. An optimal approach for deployment sensors in WSN［J］. Journal of Communications，2018，13（3）： 124－128.

［25］Zhao Chuanxin，Wu Changzhi，Wang Xiangyu，et al. Maximizing lifetime of a wireless sensor network via joint optimizing sink placement and sensor-to-sink routing［J］. Applied Mathematical Modelling，2017，49： 319－337.

［26］蔣文賢，繆海星，王田，等. 無線傳感器網絡中移動式覆蓋控制研究綜述［J］. 小型微型計算機系統，2017，38（3）： 417－424. （Jiang Wenxian，Liao Haixing，Wang Tian，et al. A summary of mobile cove-rage control in wireless sensor network［J］. Journal of Chinese Computer Systems，2017，38（3）： 417－424.）

［27］楊明霞，方凱，汪小東，等. 一種無線傳感器網絡感知覆蓋空洞搜尋與修復方法［J］. 傳感技術學報，2020，33（5）： 750－756. （Yang Mingxia，Fang Kai，Wang Xiaodong，et al. Search and repair method of perception coverage hole in wireless sensor network［J］. Chinese Journal of Sensors and Actuators，2020，33（5）： 750－756.）

［28］Cheng C F，Huang C W. An energy-balanced and timely self-relocation algorithm for grid-based mobile WSNs［J］. IEEE Sensors Journal，2015，15（8）： 4184－4193.

［29］Wen Qin，Zhao Xiaoqiang，Cui Yangpeng，et al. Coverage enhancement algorithm for WSNs based on vampire bat and improved virtual force［J］. IEEE Sensors Journal，2022，22（8）： 8245－8256.

［30］Zhao Xiaoqiang，Cui Yanpeng，Gao Chuaiyi，et al. Energy-efficient coverage enhancement strategy for 3-D wireless sensor networks based on a vampire bat optimizer［J］. IEEE Internet of Things Journal，2020，7（1）： 325－338.

［31］Zhu Xiaojiang，Li Jun，Zhou Mengchu. Target coverage-oriented deployment of rechargeable directional sensor networks with a mobile charger［J］. IEEE Internet of Things Journal，2019，6（3）： 5196－5208.

［32］Fang Wei，Song Xinhong，Wu Xiaojun，et al. Novel efficient deployment schemes for sensor coverage in mobile wireless sensor networks［J］. Information Fusion，2018，41： 25－36.

［33］Feng Sheng，Shi Haiyan，Huang Longjun，et al. Unknown hostile environment oriented autonomous WSN deployment using a mobile robot［J］. Journal of Network and Computer Applications，2021，182（6）： 103053.

［34］Pakarat M，Yanika K，Paisarn M，et al. An enhanced obstacle-aware deployment scheme with an opposition-based competitive swarm optimizer for mobile WSNs［J］. Expert Systems with Applications，2022，189： 116035.

［35］王曉璇，王珺，賈瑩瑩，等. 無線傳感器網絡拓撲修復算法綜述［J］. 計算機工程，2018，44（8）： 93－99. （Wang Xiaoxuan，Wang Jun，Jia Yingying，et al. Survey of network topology recovery algorithms in wireless sensor network［J］. Computer Engineering，2018，44（8）： 93－99.）

［36］Abbasi A A，Younis M F，Baroudi U A. Recovering from a node failure in wireless sensor-actor networks with minimal topology changes［J］. IEEE Trans on Vehicular Technology，2013，62（1）： 256－271.

［37］Ahmed M K，Walid O. Mobility-assisted minimum connected cover in a wireless sensor network［J］. Journal of Parallel and Distributed Computing，2012，72（7）： 827－837.

［38］Feng Jie，Chen Hongbing，Deng Xianjun，et al. Confident information coverage hole prediction and repairing for healthcare big data collection in large-scale hybrid wireless sensor networks［J］. IEEE Internet of Things Journal，2021，8（23）： 16801－16813.

［39］刁鵬飛，王艷嬌. 基于節點休眠的水下無線傳感器網絡覆蓋保持分簇算法［J］. 電子與信息學報，2018，40（5）： 1101－1107. （Diao Pengfei，Wang Yanjiao. Coverage-preserving clustering algorithm for underwater sensor networks based on the sleeping mechanism［J］. Journal of Electronics amp; Information Technology，2018，40（5）： 1101－1107.）

［40］Wang Minghua，Zhai Chenxuan. Node collaborative sensing-based redundant path construction for multiarea coverage in MWSNs［J］. IEEE Internet of Things Journal，2022，9（11）： 8763－8773.

［41］Li Xu，Fletcher G，Nayak A，et al. Randomized carrier-based sensor relocation in wireless sensor and robot networks［J］. Ad hoc Networks，2013，11（7）： 1951－1962.

［42］Desjardins B，Falcon R，Abielmona R，et al. A multi-objective optimization approach to reliable robot-assisted sensor relocation［C］// Proc of IEEE Congress on Evolutionary Computation. Piscataway，NJ： IEEE Press，2015： 956－964.

［43］Desjardins B，Falcon R，Abielmona R，et al. Reliable multiple robot-assisted sensor relocation using multi-objective optimization［C］// Proc of IEEE Congress on Evolutionary Computation. Piscataway，NJ： IEEE Press，2016： 4476－4485.

［44］Boualem A，Ayaida M，De Runz C. Semi-deterministic deployment based area coverage optimization in mobile WSN［C］// Proc of IEEE Global Communications Conference. Piscataway，NJ： IEEE Press，2021： 1－6.

［45］Wang Minghua，Zhu Lihua，Yang L T，et al. Offloading-assisted energy-balanced IoT edge node relocation for confident information coverage［J］. IEEE Internet of Things Journal，2019，6（3）： 4482－4490.

［46］Hao Zhaojun，Xu Hongwen，Dang Xiaochao，et al. Method for pa-tching three-dimensional surface coverage loopholes of hybrid nodes in wireless sensor networks［J］. Journal of Sensors，2020，2020： article ID 6492457.

［47］Jiang Peng，Wang Xiaomin，Liu Jun. A sensor redeployment algorithm based on virtual forces for underwater sensor networks［J］. Chinese Journal of Electronics，2018，27（2）： 413－421.

［48］Mahboubi H，Moezzi K，Aghdam A G，et al. Self-deployment algorithms for coverage problem in a network of mobile sensors with unidentical sensing ranges［C］// Proc of IEEE Global Telecommunications Conference. Piscataway，NJ： IEEE Press，2011： 1－6.

［49］Hamid M，Jalal H，Amir G A. Distributed deployment strategies for improved coverage in a network of mobile sensors with prioritized sensing fields［J］.IEEE Trans on Industrial Informatics，2013，9（1）：451－461.

［50］趙逢達，默云鳳，孔令富，等. 一種具有覆蓋優先級的異構WSN覆蓋空洞修復方法［J］. 小型微型計算機系統，2018，39（11）： 2392－2397. （Zhao Fengda，Mo Yunfeng，Kong Lingfu，et al. Method for holes recovery of heterogeneous wireless sensor network with cove-rage priority［J］. Journal of Chinese Computer Systems，2018，39（11）： 2392－2397.）

［51］Chowdhury A，De D. Energy-efficient coverage optimization in wireless sensor networks based on Voronoi-glowworm swarm optimization K-means algorithm［J］. Ad Hoc Networks，2021，122： 102660.

［52］Eledlebi K，Ruta D，Hildmann H，et al. Coverage and energy analysis of mobile sensor nodes in obstructed noisy indoor environment： a Voronoi-approach［J］. IEEE Trans on Mobile Computing，2022，21（8）： 2745－2760.

［53］Kamble A A，Patil B M. Systematic analysis and review of path optimization techniques in WSN with mobile sink［J］. Computer Science Review，2021，41： 100412.

［54］Krishnan M，Lim Y. Reinforcement learning-based dynamic routing using mobile sink for data collection in WSNs and IoT applications［J］. Journal of Network and Computer Applications，2021，194： 103223.

［55］Cayirpunar O，Kadioglu-Urtis E，Tavli B. Optimal base station mobility patterns for wireless sensor network lifetime maximization［J］. IEEE Sensors Journal，2015，15（11）： 6592－6603.

［56］Kaswan A，Singh V，Jana P K. A novel multi-objective particle swarm optimization based energy efficient path design for mobile sink in wireless sensor networks［J］. Pervasive and Mobile Computing，2018，46： 122－136.

［57］Thiruchelvi A，Karthikeyan N. Pair-based sink relocation and route adjustment in mobile sink WSN integrated IoT［J］. IET Communication，2020，14（3）： 365－375.

［58］Pant S，Kumar R，Singh A. Adaptive sink transmission and relocation to extend the network lifetime of wireless sensor network［C］// Proc of International Conference on Advances in Computing，Communication amp; Automation. Piscataway，NJ： IEEE Press，2017： 1－4.

［59］Frikha M S，Gammar S M，Lahmadi A，et al. Reinforcement and deep reinforcement learning for wireless Internet of Things： a survey［J］. Computer Communications，2021，178： 98－113.

［60］Lin Yaguang，Wang Xiaoming，Hao Fei，et al. An on-demand coverage based self-deployment algorithm for big data perception in mobile sensing networks［J］. Future Generation Computer Systems，2018，82： 220－234.

［61］Jiang Yalan，Yi Lingzhi，Zhu Lu，et al. A novel strategy for barrier confident information coverage in sensor networks［C］// Proc of IEEE International Conference on Dependable，Autonomic and Secure Computing，International Conference on Pervasive Intelligence and Computing，International Conference on Cloud and Big Data Computing，International Conference on Cyber Science and Technology Congress. Piscataway，NJ： IEEE Press，2019： 228－231.

［62］Hajjej F，Hamdi M，Ejbali R，et al. A distributed coverage hole re-covery approach based on reinforcement learning for wireless sensor networks［J］. Ad hoc Networks，2020，101： 102082.

［63］Di Chong，Li Fanqi，Li Shengjong. Sensor deployment for wireless sensor networks： a conjugate learning automata-based energy-efficient approach［J］. IEEE Wireless Communications，2020，27（5）： 80－87.

［64］劉全，翟建偉，章宗長，等. 深度強化學習綜述［J］. 計算機學報，2018，41（1）： 1－27. （Liu Quan，Zhai Jianwei，Zhang Zongchang，et al. A survey on deep reinforcement learning［J］. Chinese Journal of Computers，2018，41（1）： 1－27.）