地下综合管廊集中收纳电力、通信、燃气、给排水等市政管线，是智慧城市建设的重要基础设施。由于管廊长期处于地下封闭环境，巡检难度大，需要在廊内布设大量无线传感节点，对温度、湿度、有害气体浓度、振动等指标进行实时监测。而节点如何部署才能用最少的数量实现最完整的覆盖，直接决定了系统的建设成本与监测可靠性。本文以R语言为核心工具，介绍一套从建模、仿真到优化的管廊无线传感网络覆盖分析与优化方法。
一、管廊无线传感网络的覆盖模型构建
综合管廊的典型结构是一条矩形或马蹄形断面的长条形通道，标准断面宽度一般在3到6米之间。为了便于分析，通常将三维管廊简化为二维平面模型：沿廊体轴线方向展开，横向按断面宽度展开，这样管廊就变成了一个长宽比很大的矩形区域。传感节点的感知范围则简化为以节点为圆心、半径为r的圆形区域，这就是最经典的布尔感知模型（0/1覆盖模型）：某个网格点只要落在任意一个节点的感知圆内，就被认为已覆盖。
布尔模型虽然简单，但在管廊这种金属结构多、多径效应明显的环境中，信号衰减并不均匀。更贴近实际的做法是采用概率感知模型，即根据节点与目标点的距离，赋予不同的感知概率，再通过概率叠加计算整体覆盖效果。用R实现这一模型非常方便，下面的代码演示了如何在R中定义感知概率函数并生成初始随机部署方案。
# 定义感知概率函数：d为距离，r为感知半径
sense_prob <- function(d, r, beta = 2) {
if (d >= r) return(0)
exp(-beta * d^2 / (r^2 - d^2 + 1e-9))
}
# 模拟一段 200 米 x 5 米 的管廊区域
len <- 200; wid <- 5; r <- 12
set.seed(42)
nodes <- data.frame(
x = runif(30, 0, len),
y = runif(30, 0, wid)
)
head(nodes)
这段代码中，sense_prob函数实现了距离相关的概率感知，当距离接近感知半径时概率迅速衰减。nodes数据框模拟了30个节点的随机落点，实际工程中也可以通过读取现场勘测数据替换随机坐标，使模型贴合具体管廊的几何条件。
二、用R进行网格化覆盖率计算与可视化
覆盖率评估是判断部署方案优劣的核心指标。常用的做法是将管廊平面离散化为细密的网格，逐一计算每个网格点被节点集合覆盖的概率，再统计所有网格点的平均覆盖情况。网格越细，评估越精确，但计算量也随之上升。R在向量化计算方面表现优秀，配合outer、expand.grid等函数可以快速完成大规模网格计算，不需要逐点循环。
下面的代码将管廊划分为1米x0.25米的网格，计算每个网格点的联合感知概率（假设各节点独立感知，联合概率取1减去全部漏检概率的乘积），并输出整体覆盖率。这里使用了outer进行距离矩阵计算，效率远高于双重循环。
# 网格化计算覆盖率
grid <- expand.grid(
gx = seq(0.5, len - 0.5, by = 1),
gy = seq(0.125, wid - 0.125, by = 0.25)
)
# 计算所有网格点到所有节点的距离矩阵
dist_mat <- as.matrix(dist(rbind(grid, nodes)))
dist_mat <- dist_mat[1:nrow(grid), (nrow(grid)+1):(nrow(grid)+nrow(nodes))]
# 联合覆盖概率
miss <- 1 - apply(dist_mat, 2, sense_prob, r = r)
grid$cov <- 1 - apply(miss, 1, prod)
cat("整体覆盖率:", mean(grid$cov), "\n")
得到覆盖数据后，可视化是不可缺少的一环。管廊是典型的带状区域，用热力图能直观暴露覆盖盲区，比如转弯段、节点间距过大的区段。R的ggplot2包可以快速绘制覆盖热力图，配合节点位置标注，工程人员一眼就能看出哪些位置需要补点。
library(ggplot2)
ggplot() +
geom_tile(data = grid, aes(gx, gy, fill = cov)) +
geom_point(data = nodes, aes(x, y), shape = 3, size = 2) +
scale_fill_gradient(low = "white", high = "steelblue") +
labs(x = "管廊轴向距离(米)", y = "断面方向(米)",
fill = "覆盖概率", title = "管廊传感网络覆盖热力图") +
theme_minimal()
从热力图上可以清楚看到，随机部署的方案在轴向方向上会出现明显的覆盖波动，局部区域覆盖概率接近于零，这正是管廊监测中报警漏报的高风险位置。覆盖可视化不仅用于评估，也可以作为与设计单位沟通的依据，使部署方案评审更加有理有据。
三、部署优化：贪心策略与遗传算法的对比
随机部署评估只是第一步，真正的价值在于优化。管廊传感网络的部署优化本质上是在给定节点数量下最大化覆盖率，或者在覆盖率约束下最小化节点数量，属于典型的组合优化问题。R社区提供了成熟的优化工具，例如GA包可以直接实现遗传算法，而贪心算法则可以用基础函数手写。
贪心策略的思路是：将候选位置按一定密度生成，每次从候选集中挑选能给当前覆盖率带来最大提升的位置放置节点，循环直到节点数量用完。这种方法实现简单、计算快，但容易陷入局部最优，特别是在管廊两端和分岔区域。遗传算法则将节点坐标编码为染色体，通过选择、交叉、变异不断迭代，全局搜索能力更强。下面的代码用GA包对30个节点的坐标进行优化。
library(GA)
# 优化目标：最大化平均覆盖概率
fitness <- function(xy) {
nx <- xy[1:15]; ny <- xy[16:30]
d <- outer(grid$gx, nx, "-")^2 + outer(grid$gy, ny, "-")^2
d <- sqrt(d)
miss <- 1 - apply(d, 2, sense_prob, r = r)
mean(1 - apply(miss, 1, prod))
}
ga_result <- ga(type = "real-valued",
fitness = fitness,
lower = c(rep(0, 15), rep(0, 15)),
upper = c(rep(len, 15), rep(wid, 15)),
maxiter = 200, popSize = 60, seed = 42)
cat("优化后覆盖率:", ga_result@fitnessValue, "\n")
实际测试中，遗传算法通常能在同等节点数量下将覆盖率从随机部署的七成左右提升到百分之九十五以上，效果非常显著。不过需要注意，遗传算法计算量较大，当网格数量达到数万级时，单次适应度评估可能耗时数秒。工程上可以采用两阶段策略：先用粗网格遗传算法寻找近似最优布局，再在细网格上局部微调，兼顾精度与效率。此外，优化结果还应结合管廊检修口、防火分区等工程约束做人工调整，纯粹的数学最优解并不一定是最可施工的方案。
四、工程落地中的几点经验
在真实管廊项目中，模型必须做适当的工程化修正。首先是感知半径的标定，金属舱壁会造成信号反射与遮挡，不同舱室（电力舱、燃气舱、综合舱）的传播特性差异很大，建议在现场做小规模信号测试，用R对测试数据做回归拟合，得到每个舱段的等效感知半径，而不是直接采用设备标称值。
其次是节点可靠性与覆盖冗余的平衡。单点覆盖存在失效风险，重要区段应保证k覆盖，即任意位置至少被k个节点同时感知。在前述网格计算框架中，只需将联合概率改为统计覆盖概率超过阈值的节点个数即可实现k覆盖评估，代码改动量很小。最后，建议将整套R分析流程封装为函数或R包，接入管廊的日常运维数据，随着运行时间的积累不断校准模型参数，让覆盖优化从一次性的设计工作变成持续迭代的数据驱动过程，这才是智慧城市管网真正的价值所在。