§
中 華 大 學 碩 士 論 文
無線行動感測網路上變形蟲式 群體移動探索之研究
An Amoeba Like Wireless Mobile Sensor Networks
系 所 別：資訊工程學系碩士班 學號姓名：M09702037 王建業 指導教授：俞征武 博士
中 華 民 國 100 年 2 月
II
摘 要
行動式無線感測網路(Mobile Wireless Sensor Network)是結合無線感測網路與 移動載具。移動式感測器可以隨地形的變化來改變位置，更有彈性地監控區域。結合 群組合作的行動式無線感測網路可以應用在變化性質較大的地區。在一個沒有地圖資 訊的地區上佈署行動式感測節點，透過無線網路來交換節點訊息，並調整感測器節點 的相互位置，來建立一個拓樸結構可以動態變形的行動式無線感測網路，是一個非常 重要且基本的問題。不同的變形方式將可以適應各種不同的地圖型態，有效的探索地 圖中的每一個角落。但是前人對這一類型的研究，極少有深入的探討。
本篇論文將模仿變形蟲(Amoeba)移動方式，來設計幾個群體合作的演算法，我們 所提出的幾種變形蟲演算法中: 反折型變形蟲演算法是利用感測節點停駐在路口處，
當作探索錨點，輔助其他的感測節點當作參考路標，往未探索的路線進行探索；收縮 型變形蟲演算法是透過選定一個指揮代理，指定其他的行動感測節點散開探索，指揮 代理再收集這些探索資料，用來判斷下一個探索的方向；跳躍型變形蟲演算法是由最 前方的感測節點進行探索，呼叫最後方的感測節點往前移動，跳躍鄰近節點探索過的 區域，往未探索的區域移動。反折二型變形蟲演算法是改變反折型變形蟲演算法的設 定，讓感測節點不受路口限制，可以更深入的探索地圖。我們設計在不同路線密度、
不同數量的感測節點，以及不同感測範圍的條件下的模擬實驗，實驗結果也顯示各種 變形蟲演算法在不同條件下的優劣處。
關鍵字: 自主性網路, 分散式演算法, 行動式無線感測網路
III
ABSTRACT
Mobile wireless sensor networks have many applications in diverse areas, receiving increasing attention. It is very important to discuss how a group of mobile sensor nodes move autonomously and monitor interested area together without exploiting geographic information. Previous results failed to discuss similar problems. This thesis first designed several amoeba-like algorithms for this kind of group-moving wireless nodes.
Specifically, we have proposed four amoeba-like algorithms. First, the Folding-Algorithm is to let an appointed mobile sensor node stay in each intersection, so that it can guide and coordinate the movement of the whole group. Second, the Elastic-Algorithm selects a cluster head for appointing the directions of the remaining nodes for collecting necessary geographic information and determining the next movement.
Third, the Step-Algorithm calls the rear node to move to the front of the whole group.
Lastly, a variant of the Folding-Algorithm is proposed to fix a shortcoming existed in the Folding-Algorithm. We also conduct simulations to show these pros and cons of the proposed four amoeba-like algorithms.
Keyword: mobile wireless sensor networks, autonomous networks, distributed algorithms
IV
誌 謝
在研究所求學的這兩年，首先要感謝我的指導教授 俞征武博士。在老師的指導 之下，讓學生在研究上有更深層的瞭解。在專業領域上，老師總是孜孜不倦的教導學 生，並給予不斷地鼓勵與意見。在生活上，老師也是無時無刻的諄諄教誨著學生，讓 我學會正確的處理事情的態度。
此外還要感謝口詴委員吳東光教授、田慶誠教授及鄭瑞恆教授在百忙抽空指導我 論文口詴，並提供之寶貴意見，使論文得以更加完善。也感謝實驗室的學長、同學們，
在我需要幫助時給予我許多協助與鼓勵，讓我能順利的完成論文。
最後感謝我敬愛的父母親，感謝您們無怨無悔的養育與照顧，也感謝我的家人們，
給予我精神上的無限支持與鼓勵。願以此論文的喜悅與榮耀與你們共享。
謹誌 Feb. 2011
V
目 錄
摘 要 ... II ABSTRACT ... III 誌 謝 ... IV 目 錄 ... V 表目錄 ... VI 圖目錄 ... VII
第一章、簡介 ... 1
第二章、相關文獻... 6
第三章、無線行動感測網路環境 ... 10
第四章、仿變形蟲移動的演算法 ... 11
4.1 反折型變形蟲演算法 ... 11
4.2 收縮型變形蟲演算法 ... 19
4.3 跳躍型變形蟲演算法 ... 27
4.4 反折二型變形蟲演算法 ... 34
第五章、實驗結果... 44
第六章、結論 ... 48
參考文獻 ... 49
VI
表目錄
表 2. 反折型變形蟲算法 ... 18
表 4. 收縮型變形蟲演算法 ... 27
表 6. 跳躍型變形蟲演算法 ... 34
表 8. 反折二型變形蟲演算法 ... 42
VII
圖目錄
? 3. ????????????????? 1~N. ... 12
? 4. 1 ??????????????. ... 13
? 5. 1 ??? 2 ???????. ... 13
? 6. 1 ??? 2 ??????????????. ... 14
? 7. 2 ??? 1 ??????????????. ... 14
? 8. 1 ??? 3 ??????????????. ... 15
? 9. ????5 ??? 4 ??????????. ... 15
? 10. 5 ??? 4 ??????5 ???. ... 16
? 11. 2 ??? 6 ???????. ... 16
? 12. 2 ??? 4 ?????????????. ... 17
? 13. 5 ??? 1 ?????. ... 17
? 14. 4 ??? 5 ??????????. ... 18
? 15. ?????????. ... 21
? 16. 1 ?????????. ... 21
? 17. ??????? 1 ?. ... 22
VIII
? 21. 3 ?????????. ... 24
? 22. ??????? 3 ?. ... 24
? 23. 3 ??? 5 ???????. ... 25
? 24. ????? 3 ?? 5 ???. ... 25
? 25. ????? 5 ???. ... 26
? 26. 5 ?????????. ... 26
? 27. ?????????????? 1~N. ... 29
? 28. 1 ?? 6 ?????????????? 7. ... 29
? 29. 2 ?? 7 ?????????????? 8. ... 30
? 30. 3 ?? 6 ?????????????????. ... 30
? 31. 4 ?? 11 ?????????????? 12. ... 31
? 32. 5 ?? 11 ?????????????? 14. ... 31
? 33. 8 ?? 14 ?????????????? 15. ... 32
? 34. 9 ?? 15 ?????????????? 16. ... 32
? 35. 10 ?? 16 ?????????????? 17... 33
? 36. 12 ?? 16 ?????????????? 19... 33
IX
? 41. 3 ??? 4 ??????????. ... 38
? 42. 4 ???????4 ??? 2 ??2 ???? 3 ?????. ... 38
? 43. 2 ??? 3 ????????????? 3 ?????. ... 39
? 44. 5 ??????????????. ... 39
? 45. 5 ????????26 ????. ... 40
? 46. 5 ??????2 ????????. ... 40
? 47. 162 ???????????????. ... 41
? 48. 316 ???????????????. ... 41
? 49. ?????????????????. ... 44
? 50. ???? 50????????????. ... 45
? 51. ???????????????????. ... 45
? 52. ???????????????????. ... 46
? 53. ???????????????????. ... 46
? 54. ????????????????????. ... 47
1
第一章、簡介
隨著近年來的研究與發展，無線感測網路的技術除了更加成熟，也有更多的延伸 應用在各式各樣的場所。行動式無線感測網路是結合了無線感測網路與車載系統，讓 感測器的位置可以隨地形的不同來移動，更增加了感測器設置的彈性。例如軍事上使 用無線感測網路來監控偵查戰場狀態，可以更快速知道敵人的動向；在生態環境上使 用感測網路來代替人類來進行環境的監控，例如蟲害、火災或污染；在醫療健康方面 也有使用感測器來監測追蹤病人是否有異常的狀態發生；在交通道路的流量上也應用 隨車監控與路線導引，讓車子可以更快速的通過避免阻塞；另外也有些應用在人類難 以生存的極地區域來進行探索與監控，更多應用在災難區域的救難探索等等 [11]。
無線感測網路有三個主要的基本單元:計算單元、感測單元和通訊單元。計算單 元負責簡單的數值運算與處理，感測單元則透 過感測器來感應周圍環境，通訊單元 則是負責感測器之間的無線網路訊息互相傳出與接收，通訊單元可以 IEEE 802.11 [22] 或 ZigBee [3] 為通訊協定。掛載的感測器晶片可有很多種類型，包括:溫度、
溼度、煙霧、聲音、光、顏色、氣體、壓力…等等，也包括電子感測器如:衛星定位 系統、陀螺儀、電子羅盤與超音波…等等。
行動式無線感測網路是結合無線感測網路與移動載具，讓感測器可以隨地形的變 化來改變位置，可以更有彈性地監測區域。結合群組的行動式無線感測網路可以應用 在變化性質較大的地區。例如說地震過後的災難區域，因為無法事先佈署感測器又需 要立即性的地區感測資料來搜索生還者與及時的救援，就可以使用移動式的感測器來 進入災害區域，利用感測器的體積小可以鑽過小縫隙來探索整個區域。
行動式無線感測網路中有一類的應用需要一群行動式無線感測器作群體的移動。
我們先列舉下列實際範例來說明。
範例一、恐怖攻擊組織在人潮眾多的地下鐵放置毒氣炸彈，災難現場尚有許多民 眾受困等待救援，救難人員到現場卻因為地理位置的不熟悉也不知道災情狀況。我們
2
可以使用行動式感測車隊進入現場進行快速的地區探索與無線感測網路佈署，並且將 傷患的狀況與地理位置透過無線網路回傳給控制中心，這樣救難人員就可以更容易的 救出傷患。另外一方面也可以透過無線感測網路來找尋道毒氣炸彈的位置並進行處 理。
範例二、當下水道工程進行管線更新時，工作人員不慎吸入太多的沼氣而昏迷，
入口管道狹窄不容易進入，救難人員也不知道沼氣發生的區段。為了避免更多的救難 人員救災時受到危害，我們可以先使用搭載沼氣感測器的感測車輛進入管線進行前導，
來確認沼氣發生區段，並引導救難人員安全的路線來救出受傷人員。
範例三、在沉睡多年的死火山附近有人口稠密的大城市，因為地震的頻繁可能喚 醒火山復活，科學家想要監控火山復活狀況，需要在高溫熱的危險區域設置幾個溫度 感測器來監控環境的異變。透過群體移動式無線感測車隊來配置感測器，即可以隨時 的監控區域，又可以隨溫度變化來移動，避開危險又能保持感測器的正常功能，然後 將可能危害的區域的變化狀況回傳，當火山爆發的時候更能立即通知大城市的居民做 緊急危險撤離。
根據以上的論述，群組移動式無線感測網路至少有以下的優點:
(1) 不需要地圖資訊也可進行探索: 群組移動式無線感測網路不需要知道地圖資訊，
只要開始行動就會去探索地圖，可以很快速的適應災變地區。
(2) 不需事先部署也可執行任務: 群組移動式無線感測網路的彈性大，在移動的時 候就執行部署任務，可以隨時改變部署狀態。
(3) 不限定指派任務: 群組移動式無線感測網路在行動中也維持無線網路聯通，隨 時可視需求指派或更改任務，並保持高機動性。
(4) 不限定移動拓樸: 群組移動式無線感測網路在行動時可任意組合改變探索的隊 型拓樸，例如串連式的連結方式可以進行縱深探索，而平行式的連結方式可以 進行廣寬搜索。
(5) 高容錯能力: 群組移動式無線感測網路不會因為單一節點發生故障，而造成任
3
務中斷，感測節點可以互相取代任務，高容錯能力更可幫助任務的完成。
(6) 不受功能限制: 群組移動式無線感測網路可以搭載多種異質型感測器，可透過 感測節點的互相導引與定位，協助不同場合的任務需求。
(7) 平衡能量的消耗: 群組移動式無線感測網路可以與鄰近節點互相通訊，透過任 務的交換來平衡能量的消耗。
因此設計一個好的群組移動式無線感測網路是一個十分基本且重要的研究議題，
我們希望該網路擁有下列的功能:
第一、此無線網路需有高度可靠且穩定的網路連通品質: 在行動式無線網路中交換訊 息是很重視網路的連通，一個漏失的訊息交換會造成群組錯誤的移動甚至發生 群組移動式無線感測網路的崩解。
第二、此無線網路需有智慧有效率的搜尋功能: 在無地理環境資訊與無 GPS 系統的支 援下，群組移動式無線感測節點能以交換訊息來判斷不同的情況，並利用合適 的演算法來執行整個地圖的探索，快速的完成目標的搜索。
第三、此無線網路需有群組合作的特性: 所有的感測節點都是個別執行運算，透過鄰 近節點之間的交換訊息來配合行動，最後完成任務。此無線網路利用群組合作 的方式可以更有彈性地，有智慧地及有效率地完成所交付的任務。
第四、此無線網路需能節省能量消耗: 行動式感測節點通常使用電池能源，電量的消 耗概略分三類:感測器消耗、無線通訊消耗與移動消耗。感測器頻繁的使用會 造成能量的消耗，如果不是主要探索的點則會關閉感測器的功能來節省電量；
無線網路之間的通訊也會造成能量消耗，感測車輛可以只接收固定頻道的封包，
來節省過度封包的接收與轉傳消耗；感測車輛在移動時一定會消耗能量，如果 不是執行探索任務的節點則會關閉感測功能來節省能量消耗。各感測車輛之間 也可以透過無線通訊網路來分配工作，平衡能量的消耗，進而節省能量來達成 最大的使用效益。因此如何延長群組移動式無線感測網路的生命週期是極重要 之議題。
4
第五、此無線網路能容忍錯誤發生: 在感測節點發生故障不能正常運作時，其他正常 的感測器節點可以容易的取代他的功能，繼續完成任務不受影響。
第六、善用異質無線感測網路的特性: 異質無線感測器有多種不同的功能，可以獨立 也可以混合使用，結合行動功能的移動感測車輛，可以適應各種不同情況的需 求，透過無線網路通訊來互相的支援與配合，增強區域探索的準確度。功能相 同的感測車輛可以透過別台車的支援來節省能量，功能不同的車輛可以藉由別 台車來協助感測，特殊情況路線的路線也可以選擇支援，讓體積大小不同或移 動方式不同的車輛來協助探索，進而達到全地形最大探索的可行性。例如搭載 超音波感測器來判斷障礙物的距離，車輛在行進的時候可以防止碰撞與繞路。
搭載溫度感測器可以確保區域溫度的安全，警示人類避免受到溫度差異的傷害。
搭載視訊攝影機可以將即時性的影像透過無線通訊網路傳回基地，讓控制中心 可以判斷狀況進行任務的指派。
本篇論文即是模仿變形蟲移動方式來達成無線感測器群體移動的目標。想利用變 形蟲的移動方式可以自我判斷連結方式，來達到最大範圍的移動探索，結合不同的功 能的感測器來也可以互相配合，來完成更特殊的任務。當事件發生時，地區的環境遭 受極大的變化，我們假設無法立即取得有效的地理資訊下，又需要很立即性的在這個 區域進行探索，在這樣嚴格的條件下，我們利用少數的無線感測車輛來進行變形蟲式 的移動探索。變形蟲的移動可以隨障礙物來改變探索的路線，讓感測器可以很有效的 快速移動，來達到探索區域的目的，協助救出受困者。
我們所提出的幾種變形蟲演算法中: 反折型變形蟲演算法是利用感測節點停駐 在路口處，當作探索錨點，使另外的感測節點可以當作路標參考，移動到未經過的區 域進行探索，若探索到死路還可以由駐留的車輛協助引導至另外的路線，進行下一個 路線的探索，如此反覆執行以完成探索地圖；收縮型變形蟲演算法是選定一個指揮代 理，指定其他的行動感測節點散開探索，指揮代理再收集這些探索資料，加以計算並 判斷下一個探索的方向，選定新的指揮代理，交替下一輪的任務，如此重覆的執行以
5
完成探索地圖；跳躍型變形蟲演算法是由最前方的感測節點進行探索，呼叫最後方的 感測節點往前移動，跳躍鄰近節點探索過的區域，往未探索的區域移動，如此重覆的 執行以完成探索任務；反折二型演算法是改變反折型演算法的設定條件，讓感測節點 在移動時可以延長更多的距離，探索更多的區域。
我們在實驗中設計一些條件，在不同的路線密度、不同的感測節點數量與不同的 感測範圍大小，來測詴四種變形蟲演算法的覆蓋率變化，實驗結果也顯示覆蓋率最好 的是收縮型演算法，其次是反折型演算法，跳躍型演算法與反折二型演算法的覆蓋率 都不好。
本篇論文大致可分成六個章節，第二章是前人研究方法中有哪些相關的研究與參 考。網路的環境設定與假設將在第三章中描述。在第四章會介紹我們所提供的各種變 形蟲演算法。在五章透過實驗的結果來比較各種變形蟲演算法的優劣處。最後第六章 說明結論與未來研究方向。
6
第二章、相關文獻
無線行動感測網路有相當多的應用，也有許多不同方面的相關研究。有些是無線 通訊協定的改良 [3], [4], [5]，在封包之中夾帶額外的訊息來幫助傳輸。有些是感測器 的部署方法 [1], [7], [8], [10]，與感測器的移動方法 [12], [15], [18], [20]，或是找出移 動的路線 [16], [19], [21]，或是幫助導航的相關研究 [2], [4], [14], [15], [16], [18], [20]，
各種前人研究的方法會在下列簡單介紹。
Ruay-Shiung Chang 和 Shou-Hung Wang 在 [1] 提出利用密度來控制感測節點的 部署位置，感測節點被分成數個小群組，並散佈在不同的區域內，每個小群組計算節 點之間距離，互相分散移動來降低密度，最後完成該區域的感測器自動部署。
Yi Zou 和 Krishnendu Chakrabarty 在 [7] 用感測節點之間的距離計算成虛擬力，
圖 1 顯示感測節點之間透過虛擬力將會互相推擠移動，當計算的虛擬力為零，則表示 感測節點之間已達到相當的距離，平均的分散在區域內，若有目標物在區域內移動亦 可進行定位與追跡。
Guangming Song, Wei Zhuang 和 Aiguo Song 在 [8] 中也是利用距離來計算成推 圖 1. 節點之間的距離會計算成虛擬力,互相推動節點.
7
動感測器的假力，周圍的感測節點與障礙物都會計算假力，假力越大移動的越遠，每 個感測節點也計算覆蓋面積，找出覆蓋面積最大的位置來完成部署。
在分佈的感測節點中，如果有多個節點發生事件，該如何派遣感測器的移動，
Nguyen Hoang Viet, Ngo Anh vien, SeungGwan Lee 和 TaeChoong Chung [10] 提出利 用最大權重，來計算感測器的配對，找出最有效的感測器移動方式。
在分散的感測器佈署中，感測器移動的方向若不平均，可能會造成區域的需求不 滿足，Theofanis P. Lambrou 和 Christos G. Panayiotou 在 [12] 提出分散協同的計算方 式，多個移動感測節點可互相計算協調移動的路線，感測節點之間移動的方向更平均，
減少事件發生的需求不滿足，有效的解決覆蓋問題。
D. Wang. K. Liu, N. M. Kwok and K. J. Waldron 在 [15] 中提出導引力場的概念，
障礙物會產生虛擬的力場，透過虛擬立場來找出中繼點的位置，讓移動感測器可以經 由中繼點，安全的被導引到目的地。
Benjamin, Rafael Murrieta-Cid, 和 Steven M. LaValle 在 [18] 提出差距線的概念 建立用來導航樹，感測節點會在周圍進行距離的偵查，每條無法偵測的差距線就會建 立成路線節點，感測節點移動至路線節點再進行距離偵查，直到每個差距線都被探索 過，並建立成地圖空間資料，幫助感測機器人導航。
Kriengsak Treprapin, Akimitsu Kanzaki, Takahiro Hara, 和 Shojiro Nishioy 在 [20]
提出固定區域的移動方式，感測節點會依照各自的覆蓋範圍，分割成數個區塊，每個 移動感測節點在自己的區塊內作小範圍的移動，協助鄰近感測節點的訊號傳遞。
在 [16], [19], [21] 找 出 移 動 路 線 的 方 法 ， Hiroto SAKAHARA, Yasuhiro MASUTANI 和 Fumio MIYAZAKI 在 [16] 中提出用 Voronoi 圖來解決導航問題，讓 移動中的感測節在動態的環境中計算路線，並避開所有的障礙物，安全的移動到目的 地。D.O.Popa, M. F. Mysorewala, 和 F. L. Lewis 在 [19] 找出適合的取樣路線，感測 取樣機器人在地圖上移動並取樣，如果取得的樣本超過公式的誤差值，則改變移動的 路線，讓取樣機器人可以很快速的在地圖上進行移動並取得環境樣本。Hongjun Li,
8
Jianwen Wang, Xun Li, 和 Hongxu Ma 在 [21] 提供即時的路線計畫，作者將要定位 的節點建立成樹狀圖，計算每個節點之間的距離來修正樹的結構，定位移動機器人使 用深先搜尋的方法，來走訪每個需要定位的節點，完成所有感測節點的定位。
Suresh Shenoy 和 Jindong Tan 在 [2] 中提出無範圍限制的的定位與導航，該方法 在封包中夾帶路線節點的資訊，移動監控機器人只要與鄰近節點交換訊息，就可以在 限定的路線中移動，透過節點的導航移動到目的地，而且不需要 GPS 定位系統的支 援。
Jeremy Schiff, Anand Kulkarmi, Danny Bazo, Vincent Duindam, Ron Alterovitz, Dezhen Song 和 Ken Goldberg 在 [14] 中提出促動器網路的導航方式，在散佈的感測 節點中，計算目標物的位置在哪個三角形的內心，每回合促動器都選擇鄰近的三個節 點，三個節點計算精確的內心位置，並引導促動器移動到目的地。
Jun Xiao, Shuai Sun 和 Ning Xi 在 [3] 的論文中設計移動感測節點，來進行 ZigBee 通訊協定的設定與實作。Mo li, Yunhao Liu, Jiliang Wang, and Zheng Yang 在 [5]
中設計不需要定位的導航，在地區中散佈數個感測節點，用來反應路線的狀況，路線 安全的感測節點會互相通訊，協助導引者通往出口的方向。
Do-Seong Kim 和 Yeong-Jee Chung 在 [4]設計自我組織通訊協定，由於移動式感 測節點的拓撲邏輯隨時都在變化，節點之間的通訊也需要經常性的重新建立連結，作 者設計分時區的方式傳遞封包，讓移動感測網路的通訊可以減少封包碰撞，有效的互 相通訊，自我組織。
Marco Dorigo, Mauro Birattari 和 Thomas Stiitzle 在 [9] 提出螞蟻組織最佳化，
圖 2. 事件封包內容包含路線上的感測節點編號.
9
螞蟻族群的生物特徵，在移動時會沿路留下費洛蒙來做記號，後面的同伴可以經由費 洛蒙的濃度，經由濃度來判斷經常走的路線。作者利用最大最小公式來計算最佳化的 路線。
Yun-Qian Miao, Alaa Khamis 和 Mohamed Kamel 在 [13] 提供行動感測器的協 同移動方式，感測節點會判斷前方節點的角度與距離，來決定跟隨狀態，若行動感測 節點偵測到障礙物，則會協調隊型移動來穿越障礙物。
我們的研究在於找出群體合作的移動方法，在沒有 GPS 支援的地圖下進行探索，
感測節點之間可以互相通訊、互相支援、互相引導前進。[1][7][8]提供了感測器佈 署的方式，卻需要相當數量的移動感測節點來執行操作，我們設計使用更少量的行動 感測節點來探索地圖。 [16]設計能避開障礙物的路線，卻不能探索地圖。[12]支援 群體感測節點的移動，卻沒有支援探索演算法。[18]使用一個感測機器人在地圖中探 索，若電量耗盡或是發生故障，則任務將無法完成，我們設計能支援群體合作的演算 法，感測節點之間能更容易的互相取代，有良好的容錯能力。
10
第三章、無線行動感測網路環境
我們在這個章節描述本論文適用的無線行動感測網路的環境與假設，並討論其合 理性。
我們所使用的無線行動感測模組設定如下:
(1) 所有的感測節點都有移動功能，可以在任何地形上移動不受阻礙。我們可以結合 無線感測網路與移動自走車（船），讓感測節點更有機動性。
(2) 所有的感測節點都有感測功能，可以正確偵測到障礙物並避開。我們可以結合超 音波與紅外線感測功能來偵測障礙物的距離，並配合移動演算法避開障礙物。
(3) 所有的感測節點都有探索功能，感測器可以正確的偵測目標物。我們可以結合影 像辨識系統協助目標的判別，或是對於生命物體使用熱能感應器。
(4) 所有的感測節點都有通訊功能，感測節點間可以互相交換訊息，我們也假設通訊 範圍是感測範圍的兩倍距離，而且可以正常的通訊無延遲無阻塞。我們可以結合 感測節點與 Zigbee 通訊模組，並配合可靠通訊協定來傳遞訊息。
(5) 所有的感測節點都有 RSSI 功能，可以透過訊號強度來計算出車輛之間的距離。
我們使用的 Zigbee 通訊模組內建 RSSI 功能，或配合紅外線或超音波來協助計算 距離。
(6) 所有的感測節點都有電子羅盤，對於相鄰車輛之間的方位角度可以準確的測量。
(7) 所有的感測節點都有足夠的電量，可以完成探索任務。我們可以在行動感測節點 上裝載電池，在電源耗盡時可以進行充電或更換。
(8) 所有的感測節點設備狀況良好，不會發生損壞無法使用的情況。我們使用的移動 感測節點都可以互相完全取代，發生損壞也不會影響任務執行。
(9) 所有的感測節點使用分散式計算，執行任務時會互相合作。每個移動感測節點都 獨自運行，並可以透過無線通訊來交換任務，互相合作。
(10)所有的感測節點無地圖資訊並且不配帶 GPS 功能的晶片。
11
第四章、仿變形蟲移動的演算法
在這個章節我們詳細介紹四種模仿變形蟲移動的演算法，可以應用在各種不同種 類下的地圖，反折型變形蟲演算法是將感測車輛停留在分支路口，駐留的車輛在路口 當錨點，導引車群可以依序探索其他分支路線；收縮型變形蟲演算法是指定一個群組 代理，由群組代理指揮其他感測節點往外探索，並收集探索訊息判斷下一次的移動方 向；跳躍型變形蟲演算法是由最前面的感測節點來探索，呼叫最後面的感測節點往前 移動，繼續未探索的路線；反折二型變蟲演算法是改變反折型變形蟲演算法的設定，
讓感測節點不受路口限制，可以更深入的往前探索。
4.1 反折型變形蟲演算法
這個演算法的設計動機在於轉角反折型的探索，感測車輛在地圖中進行探索，會 在分支路口駐留當錨點，並協助其他的感測車輛移動導引，感測車輛可以互相串接增 加探索深度，路線探索完畢時可以交換前後車輛連結順序，由駐留車輛在路口協助反 折退出，讓車隊可以進行探索又不會走相同的路線，可有效節省能量的消耗。每一台 感測車輛會依照不同的狀態運行單一的模式：領導狀態的車輛會前進偵查路線以及目 標的探索；駐留模式的車輛會留在路口導引後方車輛前進；跟隨模式的車輛則跟隨前 車並保持可靠通訊。有領導權的車輛才有領導模式，當領導車輛無法進行探索時會中 止任務，並將領導權轉移給後方路口的駐留車輛，由駐留車輛指定新領導權的車輛來 探索未走過的路線，並引導反向的車群往其他的路線移動。
範例說明如下，我們使用 6 輛無線感測自走車輛，放置在圖 3 路口下側。圖 3 顯示感測車輛進行初始化，來進行車輛編號與車輛關係紀錄。圖 4 顯示 1 車有領導 模式往上探索，發現路口停下轉成駐留模式。圖 5 顯示由 1 車指定 2 車為新領導來 探索右側路口，2 車在右邊遇到死路。圖 6 顯示 2 車傳回領導權，由 1 車重新指派 2
12
車為領導往上探索，並改變自己為跟隨模式跟隨 2 車。2 車探索到路口停留，轉換成 駐留模式，3 車跟隨在 1 車後面。圖 7 顯示 2 車指定 1 車為新領導往右探索，1 車探 索到路口停留。3 車跟隨在 1 車後面，4 車跟隨在 3 車後面。圖 8 顯示 1 車指定 3 車 為新領導往下探索，3 車探索到死路。4 車跟隨 3 車，5 車跟隨 4 車。圖 9 顯示 3 車 傳回領導，由 1 車指定 5 車為新領導往右邊探索，5 車探索道路口，又指定 4 車往右 邊探索，4 車探索遇到死路。3 車跟隨 5 車，1 車轉換為跟隨模式。圖 10 顯示 4 車傳 回領導，由 5 車重新指定 4 車為領導往上探索。4 車往上探索到目標物，5 車轉換成 跟隨模式，3 車跟隨 5 車。圖 11 顯示 4 車探索到死路，傳回領導權，由 2 車指定 6 車為新領導往上探索。車輛跟隨順序 613542。圖 12 顯示 6 車探索到超過長度，中止 任務，轉回指揮權。由 2 車指定 4 車為新領導往左探索，4 車探索道路口指定 5 車往 上探索，5 車在指定 3 車往上探索。圖 13 顯示 3 車探索超過長度，傳回指揮權，5 車指定 1 車往左探索。圖 14 顯示 1 車探索超過長度，傳回指揮權，4 車指定 5 車往 下探索，5 車探索道路口，5 車指定 3 車往左探索。
圖 3. 感測車輛進行初始化，來進行車輛編號 1~N.
13
圖 5. 1 車指定 2 車探索右邊路口.
圖 4. 1 車探索到路口，轉換成駐留模式.
14
圖 7. 2 車指定 1 車探索右邊路線，遇到路口停止.
圖 6. 1 車指定 2 車探索上方路線，遇到路口停止.
15
圖 9. 反折後，5 車指定 4 車往右探索，遇到死路.
圖 8. 1 車指定 3 車探索下方路線，遇到死路停止.
16
圖 11. 2 車指定 6 車反折往上探索.
圖 10. 5 車指定 4 車往上探索，5 車跟隨.
17
圖 13. 5 車指定 1 車往左探索.
圖 12. 2 車指定 4 車往左探索，各車輛反折情形.
18
表 1 為反折型車輛狀態記錄器，記錄著車輛之間的連結狀態，在任務交換時也可 以交換車隊連結順序，保持車隊串聯的隊形。前車編號記錄著要跟隨的車輛，車輛跟 隨時會與前車保持通訊距離；本車編號記錄著自己的編號，用來與鄰近車輛交換通訊；
候車編號記錄著跟隨的車輛，任務中止時可以反向跟隨；本車狀態記錄著是領導模式、
駐留模式或是跟隨模式，車輛依狀態來決定執行方式。
詳細的反折型變形蟲演算法請參考表 2。
表 2. 反折型變形蟲算法 1.初始化階段:
表 1. 反折型車輛狀態記錄器.
車輛狀態記錄器
前車編號 本車編號 後車編號 本車狀態 圖 14. 4 車指定 5 車往下探索，各車情形.
19
1-1.所有車輛編號設定 1~N，設定自己 I、前車為 I-1、後車為 I+1、預設狀態為 跟隨，1 車設定狀態為領導.
2.執行階段:
2-1.車輛依狀態只運行單一種模式.
當領導模式時:
2-2.前進偵查探索目標.
2-2-1.若遇到岔路則轉換成駐留模式.
2-2-2.若遇到死路則中止探索任務.
2-2-3.若遇到隊友則中止探索任務.
2-2-4.若超過後車可靠通訊範圍則中止探索任務.
2-3.中止任務時，將領導權傳回至駐留車輛.
當駐留模式時:
2-2.若有領導權轉則指定新領導車輛，並轉移領導權.
2-3.引導分支路線車輛往新路線前進.
2-3-1.若無分支探索需求則轉換成跟隨模式.
2-4.引導後方車輛往新路線前進.
當跟隨模式時:
2-2.跟隨前車移動並保持可靠通訊距離.
2-3.若與後車超過可靠通訊距離則會停止前進.
4.2 收縮型變形蟲演算法
這個演算法的設計動機在於圓形發散的探索，感測車輛在群組中指定一個指揮代 理，由指揮代理指定其他感測車輛往外散開方向，感測車輛往外移動並進行探索，將 探索訊息回傳給指揮代理，指揮代理收集探索訊息來判斷下一個移動方向，並集合原
20
來派出的感測車輛，再往新的指揮車輛移動。感測車輛的移動一收一放，交替表現，
透過感測群組之間的互相合作，可快速探索大範圍面積。收縮型變形蟲演算法每一個 回合都會有三個階段；第一階段是指揮階段，由指揮車輛指定其他感測車輛的移動方 向，往外移動最遠兩倍感測距離，進行小區域探索；第二階段是返回階段，指揮代理 會收集傳回的探索訊息，選定探索價值高的車輛為新的指揮代理，通知其他感測車輛 下一個的移動方向，並集合原來派出的感測車輛；第三階段是移動階段，原指揮車輛 協助引導感測車輛往新的指揮代理移動，再由新的指揮代理來指派下一回合的探索任 務。
範例說明如下，我們使用 6 輛無線感測自走車，放置在地圖左下角。圖 15 顯示 首先車輛會進行初始化，來進行車輛編號與車輛關係紀錄。圖 16 顯示 1 車指揮其他 車輛移動方向。圖 17 顯示其他車輛傳回探索訊息給指揮車輛。圖 18 顯示新的領導 車為 3 車。圖 19 顯示車輛往新指揮 3 車移動移動，或是往原指揮 1 車移動。圖 20 顯 示車輛往新指揮 3 車移動。圖 21 顯示新指揮 3 車指揮其他車輛移動方向。圖 22 顯 示其他車輛傳回探索訊息給指揮車輛。圖 23 顯示車輛往新指揮 5 車移動移動，或是 往原指揮 3 車移動。圖 24 顯示車輛往新指揮 5 車移動。圖 25 顯示車輛往新指揮 5 車移動。圖 26 顯示新指揮車指揮其他車輛移動方向。
21
圖 16. 1 車指揮車輛散開方向.
圖 15. 感測車輛進行初始化.
22
圖 18. 1 車指定 3 車為新指揮車輛.
圖 17. 探索訊息回傳給 1 車.
23
圖 20. 感測車輛往 3 車移動.
圖 19. 感測車輛往 1 車或 3 車移動.
24
圖 22. 感測訊息回傳給 3 車.
圖 21. 3 車指揮車輛散開方向.
25
圖 24. 感測車輛往 3 車或 5 車移動.
圖 23. 3 車指定 5 車為新指揮車輛.
26
表 3 為收縮型車輛狀態記錄器，記錄著車輛移動與探索的狀態，在任務轉移時可 以與車輛互相交換訊息。本車編號記錄著自己的編號，在任務探索時要回傳給指揮，
指揮可依編號來記錄訊息；本車方向記錄著自己移動的方向，探索任務時可以回傳給 指揮，讓指揮知道新的探索方向，又或是反方向可以往指揮移動；移動距離配合移動 方向，可以計算出車輛間的距離；本車探索值記錄著該感測車輛執行探索任務之後，
圖 26. 5 車指揮車輛散開方向.
圖 25. 感測車輛往 5 車移動.
27
還有多少可能的探索區域可以探索，回傳給指揮當參考。
詳細的收縮型變形蟲演算法請參考表 4。
表 4. 收縮型變形蟲演算法 1.初始化數值:
1-1.所有車輛編號設定 1~N，指揮車輛預設為 1 號車.
2.運行狀態:
2-1.當指揮階段時:
2-1-1.指揮車輛決定隊友移動方向.
2-1-2.感測車輛最遠移動 2R 距離，並進行探索.
2-2.當收集階段時:
2-2-1.感測車輛回傳探索訊息.
2-2-2.指揮車輛收集感測訊息.
2-2-3.轉移指揮權給探索價值高的車輛，並通知車群移動方向.
2-3.當移動階段時:
2-3-1.感測車輛往原指揮車輛移動或往新指揮車輛移動.
2-3-2.感測車輛往新指揮車輛移動.
4.3 跳躍型變形蟲演算法
這個演算法的設計動機在於後者可以往前跳躍移動，感測車輛在地圖中進行探索，
表 3. 收縮型車輛狀態記錄器.
車輛狀態記錄器
本車編號 本車方向 移動距離 本車探索值
28
前方的感測車輛探索到有路線，會呼叫後方的感測車輛往前移動，感測車輛會記錄序 號，每回合的移動會增加序號值，感測車輛可以依照序號來判斷車輛的移動順序，若 探索到死路則呼叫上一個序號的車輛來進行次路線探索，利用遞回的方法來找尋新路 線。感測車輛之間的移動就好像跳棋一般，跳躍鄰居節點往前探索，也避開了節點探 索過得區域。每一回合的移動有三個階段；第一階段由序號最大的車輛呼叫序號最小 的車輛，往序號最大的感測車輛前進，由鄰近節點轉傳詢問，移動時可透過鄰近感測 節點導航[2]；第二階段則由序號最大的車輛進行探索，並指定移動方向，若無法移 動則呼叫上一個序號的車輛來進行搜索；第三個階段則由序號最小的車輛，開始往新 方向移動，若經過鄰居節點，鄰居也會獲得序號加一。
範例說明如下，我們使用 6 輛無線感測自走車輛，放置在路口左下。圖 27 顯示 感測車輛進行初始化，來進行車輛編號 1~N。圖 28 顯示 1 車往 6 車指定方向移動，
並獲得新序號 7。圖 29 顯示 2 車往 7 車指定方向移動，並獲得新序號 8。圖 30 顯示 3 車往 8 車移動，8、7 車搜尋無路則往回問，6 車搜尋新路線給 3 車移動，3 車獲得 新序號 11，6 車獲得新序號 10。圖 31 顯示 4 車往 11 車指定方向移動，並獲得新序 號 12。圖 32 顯示 5 車往 12 車方向移動，12 車尋找無路則返回 11 車，11 車指定 5 車移動方向並獲得序號 13，5 車獲得新序號 14。圖 33 顯示 8 車往 14 車指定方向移 動，並獲得新序號 15。圖 34 顯示 9 車往 15 車指定方向移動，並獲得新序號 16。圖 35 顯示 10 車往 16 車指定方向移動，並獲得新序號 17。圖 36 顯示 12 車往 17 車方 向移動，17 車尋找無路則返回 16 車，16 車指定 12 車移動方向並獲得新序號 18，12 車獲得新序號 19。
29
圖 28. 1 車往 6 車指定方向移動，並獲得新序號 7.
圖 27. 感測車輛進行初始化，車輛編號 1~N.
30
圖 30. 3 車往 6 車指定方向移動，跳躍車輛獲得新序號.
圖 29. 2 車往 7 車指定方向移動，並獲得新序號 8.
31
圖 32. 5 車往 11 車指定方向移動，並獲得新序號 14.
圖 31. 4 車往 11 車指定方向移動，並獲得新序號 12.
32
圖 34. 9 車往 15 車指定方向移動，並獲得新序號 16.
圖 33. 8 車往 14 車指定方向移動，並獲得新序號 15.
33
表 5 為跳躍型車輛狀態記錄器，記錄著車輛移動與探索的狀態，在任務轉移時可 以與車輛互相交換訊息。本車編號記錄著自己當時的序號，任務的開始會由序號最大 的車輛執行呼叫移動；前車序號記錄著前車的序號，當序號最小的車輛在移動的時，
會判斷鄰近節點中的序號，往較大的序號移動；前車方向記錄著前車的方向，感測節 點在跳躍移動的時候，可以參考的移動方向。
圖 36. 12 車往 16 車指定方向移動，並獲得新序號 19.
圖 35. 10 車往 16 車指定方向移動，並獲得新序號 17.
34
詳細的跳躍型變形蟲演算法請參考表 6。
表 6. 跳躍型變形蟲演算法 1.初始化狀態:
1-1.所有車輛編號設定 1~N.
2.執行狀態:
2-1.當移動階段:
2-1-1.序號最大的車輛執行呼叫封包.
2-1-2.鄰近感測車輛收到封包，轉傳詢問鄰居序號.
2-1-3.序號最小的車輛由車群導引至序號最大的車輛.
2-2.當跳躍階段:
2-2-1.序號最大的車輛探索可走的路線
2-2-1-1 若探索無路，則呼叫上一車輛進行探索.
2-2-2.序號最小的車輛往新路線移動.
2-2-2-1.若跳躍車輛節點，該節點獲得新序號.
2-2-3.序號最小的車輛獲得新序號 N+1.
4.4 反折二型變形蟲演算法
這個演算法的設計動機在於改變反折型演算法的限制條件，感測車輛在地圖中進 行探索，會在分支路口駐留當錨點，並協助其他的感測車輛移動導引，感測車輛可以
表 5. 跳躍型車輛狀態記錄器.
車輛狀態記錄器
本車序號 前車序號 前車方向
35
互相串接增加探索深度，路線探索完畢時可以交換前後車輛連結順序，由駐留車輛在 路口協助反折退出，讓車隊可以進行探索又不會走相同的路線，若前探索時超過後車 距離後，駐留的車輛會改變成跟隨模式，放棄駐留。在整體的移動上可以走的更遠，
探索更多的區域。每一台感測車輛會依照不同的狀態運行單一的模式：領導狀態的車 輛會前進偵查路線以及目標的探索；駐留模式的車輛會留在路口導引後方車輛前進；
跟隨模式的車輛則跟隨前車並保持可靠通訊。有領導權的車輛才有領導模式，當領導 車輛無法進行探索時會中止任務，並將領導權轉移給後方路口的駐留車輛，由駐留車 輛來指定新領導權的車輛來探索未走過的路線，並引導反向的車群往其他的路線移 動。
例說明如下，我們使用 6 輛無線感測自走車輛，放置在路口左下。圖 37 顯示感 測車輛進行初始化，來進行車輛編號 1~N。圖 38 顯示 1 車往上移動，探索道路口。
圖 39 顯示 1 車指定 2 車往右移動，2 車發現路口指定 3 車往下移動，3 車發現死路，
又由 2 車指定 3 車往右移動，2 車改變成跟隨。圖 40 顯示 3 車發現路口，3 車指定 2 車往右移動，2 車探索到死路，4 車跟隨 2 車。圖 41 顯示 3 車又指定 4 車往上探索，
4 車遇到路口停住，2 車跟隨 4 車，3 車改變成跟隨模式。圖 42 顯示 4 車指定 2 車往 右探索，2 車遇到路口呼叫 3 車往右探索，56 車為跟隨。圖 43 顯示 2 車指定 3 車往 上探索，2 車改變成跟隨模式。3 車探索道路口呼叫 2 車往上移動，2 車探索道路口 停留。圖 44 顯示 2 車指定 5 車往右探索，5 車探索到死路回傳，又由 2 車指定 5 車 往左探索，2 車改變成跟隨。圖 45 顯示 5 車往左探索，2 車由駐留改變成跟車，6 車跟隨 2 車，目前順序 526314。圖 46 顯示 5 車遇到路口駐留，指定 2 車往左探索，
2 車也遇到路口又指定 6 車往左探索，1 車跟隨 2 車，34 車跟隨 5 車。圖 47 顯示 6 往下探索到目標物，然後遇到路口駐留，6 車指定 1 車往下探索，34 車跟隨 6 車，5 車跟隨 2 車。圖 48 顯示 1 車停留路口，指定 3 車往下探索，3 車探索道路口又指定 4 車往下探索，52 車跟隨 4 車。
36
圖 38. 1 車往上探索，發現路口改變成駐留.
圖 37. 感測車輛進行初始化，車輛編號 1~N.
37
圖 40. 3 車在路口駐留，3 車指定 2 車往右探索.
圖 39. 2 車中新指定 3 車往右探索，發現路口.
38
圖 42. 4 車在路口駐留，4 車指定 2 車，2 車又指定 3 車往右探索.
圖 41. 3 車指定 4 車反折往上，發現路口.
39
圖 44. 5 車被指定往右探索，又往左探索.
圖 43. 2 車指定 3 車往上探索，改變成跟隨又被 3 車指定往上.
40
圖 46. 5 車停留路口，2 車車群在左邊探索.
圖 45. 5 車往左移動探索，26 車為跟隨.
41
表 7 為反折二型車輛狀態記錄器，記錄著車輛之間的連結狀態，在任務轉移時也 轉換車隊連結順序，保持車隊串聯的隊形。前車編號記錄著要跟隨的車輛，車輛跟隨 時會與前車保持通訊距離；本車編號記錄著自己的編號，用來與鄰近車輛交換通訊；
候車編號記錄著跟隨的車輛，任務終止時可以反向跟隨；本車狀態記錄著是領導模式、
駐留模式或是跟隨模式，車輛依狀態來決定執行方式。
圖 48. 316 車為路口停留，後車跟隨往前移動.
圖 47. 162 車為路口停留，後車跟隨往前移動.
42
詳細的反折二型變形蟲演算法請參考表 8。
表 8. 反折二型變形蟲演算法 1.初始化階段:
1-1.所有車輛編號設定 1~N，並設定自己 I、前車為 I-1、後車為 I+1、預設狀態 為跟隨，1 車為設定狀態為領導。
2.執行階段:
2-1.車輛依狀態只運行單一種模式.
當領導模式時:
2-2.前進偵查探索目標.
2-2-1.若遇到岔路則轉換成駐留模式.
2-2-2.若遇到死路則中止探索任務.
2-2-3.若遇到隊友則中止探索任務.
2-2-4.若超過後車可靠通訊範圍則中止探索任務.
2-3.中止任務時，將領導權傳回至駐留車輛.
當駐留模式時:
2-2.若有領導權轉則指定新領導車輛，並轉移領導權.
2-3.引導分支路線車輛往新路線前進.
2-3-1.若無分支探索需求則轉換成跟隨模式.
2-4.引導後方車輛往新路線前進.
表 7. 反折二型車輛狀態記錄器.
車輛狀態記錄器
前車編號 本車編號 後車編號 本車狀態
43
2-4-1.若後方無車輛，則轉變跟隨模式，跟隨前車前進.
當跟隨模式時:
2-2.跟隨前車移動並保持可靠通訊距離.
2-3.若與後車超過可靠通訊距離則會停止前進.
44
第五章、實驗結果
在本章節我們設定一些實驗條件，為了比較各種演算法在不同情況下的覆蓋率，
主要的環境設定如下：地圖大小設定成 400x400M，每次使用亂數隨機產生地圖路線，
執行 800 次取平均數值，主要變數有三項：路線密度、感測數量與感測範圍。路線密 度的定義是：所有可以移動的路線除去總地圖大小，設定 3 種數值分別為：30％、50
％、70％。感測數量的定義是；使用移動感測節點的個數，設定 3 種數值分別為：6 輛、8 輛、10 輛。感測範圍的定義是；以感測節點為中心，在感測距離所涵蓋的範圍 內，都算覆蓋範圍，設定 2 種數值分別為；10M、20M。實驗結果將呈現四種演算法與 3 種變數條件下的覆蓋結果，覆蓋率的定義是：感測車輛在地圖上移動時的所有覆蓋 範圍，除去所有可以移動的路線。
圖 49 顯示在不同路線密度時，各種演算法的覆蓋率。實驗所使用的感測車輛設 定為 8 輛車，如圖所示，覆蓋率最好的是收縮演算法。由路線密度所影響的演算法有：
反折型、收縮型與跳躍型，折疊二型幾乎不受影響。由感測範圍所影響的演算法：四 圖 49. 不同路線密度時，各種演算法的覆蓋率.
0%
10%
20%
30%
40%
50%
60%
70%
Fold- 10
Eastic- 10
Step- 10
Fold2- 10
Fold- 20
Eastic- 20
Step- 20
Fold2- 20
30%
50%
70%
45
種演算法都有影響，而且略為增加。
圖 50 顯示在路線密度 50％時，各種演算法的覆蓋率。如圖所示，覆蓋率最好的 是收縮演算法。由感測數量所影響的演算法有：反折型與收縮型，跳躍型與反折二型 幾乎不受影響。由感測範圍所影響的演算法：四種演算法都有影響，而且略為增加。
圖 51. 反折型演算法，在不同路線密度下的覆蓋率.
0%
5%
10%
15%
20%
25%
30%
35%
40%
6車-10 8車-10 10車-10 6車-20 8車-20 10車-20
30%
50%
70%
圖 50. 路線密度 50％時，各種演算法的覆蓋率.
0%
10%
20%
30%
40%
50%
60%
Fold- 10
Eastic- 10
Step- 10
Fold2- 10
Fold- 20
Eastic- 20
Step- 20
Fold2- 20
6車 8車 10車
46
圖 51 顯示反折型演算法在不同密度下的覆蓋率，如圖所示路線密度越大，演算 法的覆蓋率也隨之成長，覆蓋範圍與感測節點數量亦會影響覆蓋率的增加。
圖 52 顯示收縮型演算法在不同密度下的覆蓋率，如圖所示路線密度越大，演算 法的覆蓋率也隨之成長，覆蓋範圍與感測節點數量亦會影響覆蓋率的增加。
圖 53. 跳躍型演算法，在不同路線密度下的覆蓋率.
0%
5%
10%
15%
20%
25%
30%
35%
6車-10 8車-10 10車-10 6車-20 8車-20 10車-20
30%
50%
70%
圖 52. 收縮型演算法，在不同路線密度下的覆蓋率.
0%
10%
20%
30%
40%
50%
60%
70%
6車-10 8車-10 10車-10 6車-20 8車-20 10車-20
30%
50%
70%
47
圖 53 顯示跳躍型演算法在不同路線密度下的覆蓋率，如圖所示地圖的密度越大，
演算法的覆蓋率沒有影響，感測數量也不會影響覆蓋率，只有增加感測範圍時，才會 增加覆蓋率。
圖 54 顯示反折二型演算法在不同路線密度下的覆蓋率，如圖所示地圖的密度越 大，演算法的覆蓋率沒有影響，感測數量也不會影響覆蓋率，只有增加感測範圍時，
才會增加覆蓋率。
圖 54. 反折二型演算法，在不同路線密度下的覆蓋率.
0%
2%
4%
6%
8%
10%
12%
14%
16%
18%
20%
6車-10 8車-10 10車-10 6車-20 8車-20 10車-20
30%
50%
70%
48
第六章、結論
在本論文中提出四種移動的演算法，模仿變形蟲的移動方式，在地圖上進行移動 探索，來解決感測網路的覆蓋問題。這四種演算法在地圖上移動的方式都不一樣，實 驗結果也顯示演算法在不同條件下的覆蓋率。反折型演算法在探索的路口停留，當成 分支路線的錨點，引導隊友前往未探索的路線，感測節點在地圖上移動探索時，會受 到距離的限制；收縮型演算法利用群體優勢，透過群體代理來指揮鄰近節點的移動，
向外散出探索，再收集探索訊息，用來判斷下一回合的移動方向；跳躍型演算利用探 索過的感測節點，引導至最前沒有探索過的區域，探索時就好像跳躍車群前進；反折 二型演算法改變反折型演算法的限制條件，讓感測節點再移動時，不會受到距離的限 制，可以更深入的探索地圖。
未來的研究方希望可以提供更多移動演算法，或是改良這些演算法的表現，或結 合各種不同的方法，針對不同的型態的地圖來改變拓樸組合，讓感測器可以達到更完 全的覆蓋範圍。也讓無線行動感測網路的技術更成熟。
49
參考文獻
[1] Ruay-Shiung Chang and Shou-Hung Wang, “Self-Deployment by Density Control in Sensor Networks,” IEEE Transactions on Vehicular Technology, vol. 57, no. 3, pp.
1745-1755, MAY 2008.
[2] Suresh Shenoy and Jindong Tan, “Simultaneous localization and mobile robot navigation in a hybrid sensor network,” IEEE International Conference on Intelligent Robots and Systems (IROS), pp. 1636-1641, 2005.
[3] Jun Xiao, Shuai Sun and Ning Xi, “ZigBee protocol based mobile sensor node design and communication configuration implementation,” Control and Decision Conference (CCDC), pp. 4702–4707, 2009.
[4] Do-Seong Kim and Yeong-Jee Chung, “Self-Organization Routing Protocol Supporting Mobile Nodes for Wireless Sensor Network,” First International Multi-Symposiums on Computer and Computational Sciences (IMSCCS), 2006, vol. 2, pp. 622-626.
[5] Mo li, Yunhao Liu, Jiliang Wang, and Zheng Yang, “Sensor Network Navigation without Locations,” IEEE INFOCOM, 2009, pp. 2419–2427.
[6] Juhyun Cho, Soonmok Kwon, Jaehoon Ko and Cheeha Kim, “An Efficient Multilevel Coverage Scheme in Mobile Sensor Networks,” 4th International Symposium on Wireless Pervasive Computing (ISWPC), 2009, pp. 1-4.
[7] Yi Zou and Krishnendu Chakrabarty, “Sensor Deployment and Target Localization Based on Virtual Forces,” IEEE INFOCOM, 2003, vol. 2, pp. 1293-1303.
[8] Guangming Song, Wei Zhuang and Aiguo Song, “Self-Deployment of Mobile Sensor Networks in Complex Indoor Environments,” The Sixth World Congress on Intelligent Control and Automation (WCICA), 2006, vol. 1, pp. 4543-4546.
50
[9] Marco Dorigo, Mauro Birattari and Thomas Stiitzle, “Ant Colony Optimization,”
IEEE Computational Intelligence Magazine, 2006, vol. 1, no. 4, pp. 28-39.
[10] Nguyen Hoang Viet, Ngo Anh vien, SeungGwan Lee and TaeChoong Chung,
“Efficient Distributed Sensor Dispatch in Mobile Sensor Network,” 22nd International Conference on Advanced Information Networking and Applications - Workshops (AINAW), 2008, pp. 1561-1566.
[11] Albert Ko, Henry Y.K.Lau and Rex P.S.Sham, “Application of Distributed Wireless Sensor Network on Humanitarian Search and Rescue Systems,” Second International Conference on Future Generation Communication and Networking (FGCN), 2008, Vol. 2, pp. 328-333.
[12] Theofanis P. Lambrou and Christos G. Panayiotou, “Distributed Collaborative Path Planning in Sensor Networks with Multiple Mobile Sensor Nodes,” 17th Mediterranean Conference on Control and Automation (MED), 2009, pp. 115-120.
[13] Yun-Qian Miao, Alaa Khamis and Mohamed Kamel, “Coordinated motion control of mobile sensors in surveillance systems,” International Conference on Signals, Circuits and Systems (ICSCS), 2009, pp. 1-6.
[14] Jeremy Schiff, Anand Kulkarmi, Danny Bazo, Vincent Duindam, Ron Alterovitz, Dezhen Song and Ken Goldberg, “Actuator Networks for Navigating an Unmonitored Mobile Robot,” 4th IEEE Conference on Automation Science and Engineering(CASE), pp. 53-60, 2008.
[15] D. Wang, D. K. Liu, N. M. Kwok and K. J. Waldron, “A Subgoal-Guided Force Field Method for Robot Navigation,” IEEE International Conference on Mechtronic and Embedded Systems and Applications(MESA), pp. 488-493, 2008.
[16] Hiroto SAKAHARA, Yasuhiro MASUTANI and Fumio MIYAZAKI, ”Safe Navigation in Unknown Dynamic Environments with Voronoi Based StRRT,” IEEE
51
International Symposium on System Integration(SI), pp. 60-65, 2008.
[17] Jie Teng, Tim Bolbrock, Guohong Cao, and tom La Porta, ”Sensor Relocation with Mobile Sensors: Design, Implementation, and Evaluation,” IEEE International Conference on Mobile Adhoc and Sensor System, pp. 1-9, 2007.
[18] Benjamin Tovar, Rafael Murrieta-Cid, and Steven M. LaValle, “Distance-Optimal Navigation in an Unknown Environment Without Sensing Distances,” IEEE Transactions on Robotics, vol. 23, no. 3, 2007.
[19] D. O. Popa, M. F. Mysorewala, and F. L. Lewis, “EKF-based Adaptive Sampling with Mobile Robotic Sensor Nodes,” International Conference on Intelligent Robots and System, pp. 2451-2456, 2006.
[20] Kriengsak Treprapin, Akimitsu Kanzaki, Takahiro Hara, and Shojiro Nishio, “On a Mobile Sensor Control Method for Uniform Sensing in Sparse Sensor Networks,”
Ninth International Conference on Mobile Data Management Workshops, pp. 125-132, 2008.
[21] Honghun Li, Jianwen Wang, Xun Li, and Hongxu Ma, “Real-time path planning of mobile anchor node in localization for wireless sensor networks,” International Conference on Information and Automation, pp. 384-389, 2008.
[22] Giuseppe Bianchi, Luigi Fratta, and Matteo Oliveri, “Performance Evaluation and Enhancement of CDMA/CA MAC Protocol for 802.11 Wireless LANs,” IEEE International Symposium on Personal, Indoor and Mobile Radio Communications, pp.
392-396, 1996.
