CN102014344A - 一种基于dpso的智能无线传感网络分簇控制方法 - Google Patents
一种基于dpso的智能无线传感网络分簇控制方法 Download PDFInfo
- Publication number
- CN102014344A CN102014344A CN2010102706548A CN201010270654A CN102014344A CN 102014344 A CN102014344 A CN 102014344A CN 2010102706548 A CN2010102706548 A CN 2010102706548A CN 201010270654 A CN201010270654 A CN 201010270654A CN 102014344 A CN102014344 A CN 102014344A
- Authority
- CN
- China
- Prior art keywords
- particle
- bunch
- speed
- fitness function
- function value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
一种基于DPSO的智能无线传感网络分簇控制方法,包括以下步骤:1)、接收所述智能无线传感网络的n个传感器节点的ID和位置信息;2)、随机初始化每个粒子的速度和位置;3)、计算出每个粒子的适应度函数值后,得出所有粒子中最小的适应度函数值和对应的粒子位置;4)更新粒子的速度和新位置;5)、每个粒子根据更新后的粒子位置再计算这一代的适应度函数值;选择适应度值最小的粒子为全局最优粒子;6)、判断迭代轮数是否达到最大迭代轮数,如果否则返回步骤4),如果是,根据全局最优粒子的位置中的传感器节点编号分离出各个最优簇首和它的簇内节点,形成全局最优的簇结构划分。本发明分簇均匀、分簇结果稳定、便于进行可靠通信。
Description
技术领域
本发明涉及能无线传感网络路由控制技术,尤其是一种无线传感网络分簇控制方法。
背景技术
无线传感网络WSN(Wireless Sensor Network)是由许多廉价的具有信息采集功能的传感器节点组成的网络,用来感知和采集各种信息,并将采集到的信息传输给基站BS(Base Station)对信息做进一步处理。传感器节点由电池提供能量,能量非常有限,因此设计能量有效的WSN路由协议显得犹为重要。目前WSN路由协议分为平面路由协议和分簇路由协议两大类。
LEACH(Low Energy Adaptive Clustering Hierarchy)协议是一种有代表性的低功耗分簇路由协议,LEACH相比其他平面路由协议生命周期提高15%以上。LEACH协议分为两个阶段。第一个阶段是产生簇的阶段。这个阶段中每个传感器节点产生一个0-1的随机数,如果该随机数小于一个阈值公式的值这个节点就成为簇首。这个阈值公式表达式如下:
其中n表示某个传感器节点的编号,N是传感器节点的个数,K是期望产生的簇头个数,r是选举簇首的轮数,Gr是最近的N/K轮中还没当选过簇首的节点集合。
节点当选簇首后会广播其成为簇首的消息,其余普通节点选择收到信息的信号强度也就是距离自己最近的簇首加入。普通节点发送给簇首加入它的消息,簇就建立了。
第二个阶段是稳定的数据传输阶段,普通节点按TDMA时间片在规定时间给簇首,簇首对数据经过一定的融合后将数据一跳传给基站。数据传输阶段进行一个时间段后(远长于第一阶段)进行下一轮簇首的选择。
LEACH协议随机选择簇首机制可能导致非常差的分簇效果。首先簇首个数不确定,可能出现簇首个数远小于期望簇首数的情况;簇首可能分布很不均匀,比如集中某一区域,这样普通节点可能距离最近的簇首仍然非常远,这样在通信中必然耗费大量的能量;簇内普通节点个数可能很不均衡,导致负担簇内节点个数多的簇首迅速死亡。
发明内容
为了克服已有现有的无线传感网络LEACH协议的分簇不均匀、结果不稳定、不利于进行可靠通信的不足,本发明提供一种分簇均匀、分簇结果稳定、便于进行可靠通信的基于DPSO的智能无线传感网络分簇控制方法。
本发明解决其技术问题所采用的技术方案是:
一种基于DPSO的智能无线传感网络分簇控制方法,所述分簇控制方法包括以下步骤:
1)、接收所述智能无线传感网络的n个传感器节点的ID和位置信息;
2)、粒子的维数n代表有n个传感器节点,其中每一维里的数字代表每个节点的编号,m代表每个簇内都有相等的m个节点, CH代表簇首,假设i是n维粒子的坐标,如果i对m取余结果为1,则i代表的是簇首的坐标,否则为簇内节点坐标;
随机初始化每个粒子的速度和位置,每个粒子的速度随机初始化为n/2个粒子位置坐标交换的序列;
3)、根据每个粒子随机初始化的粒子位置来计算每个粒子的适应度函数值,适应度函数定义如下:
式(4)中,Dji-jch代表第j个簇中第i个簇内节点到簇首的距离,i从簇内第一个节点到第m个节点,j从第一个簇到第n个簇;mean是求平均值的函数,var是求方差的函数;
计算出每个粒子的适应度函数值后,得出所有粒子中最小的适应度函数值和对应的粒子位置,该粒子即为初始时粒子的全局最优位置,粒子的初始个体最优位置即为每个粒子的当前位置,个体最优适应度函数值为当前适应度函数值;
4)粒子根据如下的公式来更新其速度和新位置:
其中xin = (xi1, xi2, . . . , xin)代表粒子i的位置,每个位置就是问题的一个解,vin = (vi1, vi2, . . . , vin)代表粒子i的速度,pin = (pi1, . . . , pin)代表粒子i的个体最优位置,pgn= (pg1, . . . , pgn)代表所有粒子的全局最优位置,c1是粒子个体学习因子,c2是群体学习因子,w是惯性权重因子;
保证每轮迭代中公式(2)中的c1+c2+w=1且c1=c2,公式(2)和(3)中的位置+速度,位置-位置,速度+速度,因子×速度按照以下定义进行:
位置+速度:旧位置与速度“+”的结果为新位置;
位置-位置:两个位置的“-”的结果为一个速度;
速度+速度:两个速度的“+”的结果为新速度,即将两个速度的交换序列合并;
因子×速度:因子与速度的“*”结果仍然为一速度,定义为速度中的每一个交换序列以因子的值为概率保留;
5)、每个粒子根据更新后的粒子位置同样根据公式(4)计算这一代的适应度函数值;
每个粒子比较新的适应度函数值和自己的个体最优适应度函数值,如果新的适应度函数值小于历史个体最优适应度函数值,则将个体最优粒子位置更新为新的粒子位置,并保存新的个体最优适应度函数值,并更新一个变量t_pbest=0,该变量表示粒子个体历史最优适应度函数值连续没有发生变化的迭代轮数;如果新的适应度函数值没有比历史个体最优适应度函数值更小,则更新变量t_pbest=t_pbest+1;
所有粒子更新完新的适应度函数值和个体最优位置后,得出所有粒子中最小的适应度函数值,如果该全局最优适应度值小于历史保存的全局最小适应度函数值,则将该粒子的位置更新为新的全局最优粒子位置,并保存新的全局最优适应度函数值;
6)、判断迭代轮数是否达到最大迭代轮数,如果否则返回步骤4),如果是,根据全局最优粒子的位置中的传感器节点编号分离出各个最优簇首和它的簇内节点,形成全局最优的簇结构划分。
进一步,所述步骤4)中,惯性权重因子w的调整公式如下:
其中,wmax是开始迭代的w值,wmin是迭代结束的w值,一般取wmax为0.5-0.7,wmin为0.1-0.2,iter是当前迭代的轮数,maxiter是最大的迭代轮数。
再进一步,所述步骤6)中,判断每个粒子的t_pbest变量是否达到了最大迭代轮数maxiter*10%,若是则在该粒子位置中在每个簇中随机选择簇内节点与当前的簇首所在的维交换即选择本簇内其他节点当簇首,返回步骤4);若否,则直接返回步骤4)。
更进一步,所述步骤6)中,判断迭代轮数是否经过了最大迭代轮数maxiter*10%代,若是,则随机选择一半粒子对它们依次运行以下过程:
发现某粒子位置中某个簇内节点相比自己当前的簇首更靠近另外某个簇首,则这样的簇内节点被交换到以所述另外某个簇首所在簇中去;
假设传感器节点均匀布撒的区域面积为S,N为总的节点个数,每个簇的理想覆盖面积应该是S/(N×5%),把每个簇的覆盖面看成是以簇首为中心的圆面,每个簇的簇半径应为,设定阈值为 1.5*;检查每个簇的簇内节点,若发现某个簇内节点与当前簇首的距离大于1.5*则启动交换过程,否则不交换。
所述步骤6)中,判断迭代轮数是否经过了最大迭代轮数maxiter×10%代,若是,则随机选择一半粒子对它们依次运行以下过程:
设簇首与离它最远的簇内节点之间的距离Dis-far,与离它最近的簇内节点距离Dis-near,设定差值阈值为1.3×,若Dis-far与Dis-near之间的差值大于所述差值阈值时,将所有簇内节点到当前簇首的距离排序,然后将距离当前簇首中等的那个簇内节点当选为新的簇首。
本发明的技术构思为:粒子群优化算法PSO(Particle Swarm Optimization)是一种进化算法,算法源于对鸟群捕食行为的研究。算法初始化为一组随机解, 然后通过叠代找到最优解。在搜索过程中, PSO 结合本地及全局信息, 不但根据自身的历史信息而且综合利用群体中邻居粒子的相关信息来调整当前位置, 从而通过迭代搜索求得优化解. 在每次叠代过程中, 粒子通过跟踪两个“极值”来更新自己: 第一个是粒子本身所找到的最优解, 这个解叫做个体极值; 另一个是整个种群目前找到的最优解,这个极值是全局极值。在找到这两个最优值时, 粒子根据如下的公式来更新其速度和新位置:
其中xin = (xi1, xi2, . . . , xin)代表粒子i的位置也就是上述粒子的结构,每个位置就是问题的一个解。vin = (vi1, vi2, . . . , vin)代表粒子i的速度。pin = (pi1, . . . , pin)代表粒子i的个体最优位置,pgn= (pg1, . . . , pgn)代表所有粒子的全局最优位置。c1是粒子个体学习因子,c2是群体学习因子,w是惯性权重因子。
本发明的有益效果主要表现在:分簇均匀、分簇结果稳定、便于进行可靠通信的。
附图说明
图1是针对分簇问题的粒子结构示意图。
图2 是LEACH分簇效果图。
图3是本发明算法分簇效果图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于DPSO的智能无线传感网络分簇控制方法,所述分簇控制方法包括以下步骤:
假设每个传感器节点能够获取自己的位置信息,然后每个传感器节点会将自己的位置信息发送给基站,然后由能量充足和计算能力强的基站来运行本算法计算出全局最优的簇首。
第一步:n个传感器节点将各自的ID和位置坐标发送给基站,基站记录每个传感器节点的ID和对应的位置信息。
第二步:开始粒子群算法,首先随机初始化每个粒子的速度和位置。每个粒子的位置随机初始化为图1所示的粒子结构,存放n个传感器节点的编号。每个粒子的速度随机初始化为n/2个粒子位置坐标交换的序列。
根据分簇问题的特点改造粒子群算法的粒子结构。参照图1,粒子的维数n代表有n个传感器节点,其中每一维里的数字代表每个节点的编号。m代表每个簇内都有相等的m个节点,这里m应为20(1/5%=20)。CH代表簇首(Cluster Head),假设i是n维粒子的坐标,如果i对20取余结果为1,则i代表的是簇首的坐标,否则为簇内节点坐标。
第三步:根据每个粒子随机初始化的粒子位置来计算每个粒子的适应度函数值,即根据无线传感网络分簇均匀的目标确定粒子群算法的适应度函数。从一个监测区域的所有传感器节点中找出一组处于最佳位置的节点担当簇首的角色使分成的簇均匀。当一个簇内的节点能紧密地围绕着簇首节点时可以被认为是个均匀的簇。当簇内所有节点到簇首的距离总和最小且它们到簇首距离都差不多大小时(也就是簇内所有节点到簇首的距离方差最小时)可以刻画出紧密围绕的特征。因此从所有节点来看,当所有簇的簇内节点到各自簇首距离总和的平均值与所有簇的簇内节点到各自簇首的距离方差的平均值同时达到最小时,所有的簇的结构应该是均匀合理的。适应度函数定义如下:
公式(4)中Dji-jch代表第j个簇中第i个簇内节点到簇首的距离,i从簇内第一个节点到第m个节点,j从第一个簇到第n个簇。mean是求平均值的函数,var是求方差的函数。本算法假设簇首个数就设定为所有节点的5%,簇内节点个数都相等。
具体计算过程如下:按照粒子位置坐标的定义,可以识别该粒子所划分各个簇的簇首和簇内节点的编号,因此基站可以根据节点编号得出每个节点的坐标,进而根据公式(4)的来计算适应度函数值。计算出每个粒子的适应度函数值后,基站可以得出所有粒子中最小的适应度函数值和对应的粒子位置,该粒子即为初始时粒子的全局最优位置。粒子的初始个体最优位置即为每个粒子的当前位置,个体最优适应度函数值为当前适应度函数值。
第四步:接下来开始粒子群算法的循环迭代过程。粒子群算法中各参数说明如下:保证每轮迭代中公式(2)中的c1+c2+w=1且c1=c2。W的值按照公式(5)更新,Wmax=0.6,Wmin=0.1,最大循环代数maxiter=1000轮,迭代轮数变量iter=iter+1。
根据公式(2)和公式(3),每个粒子按照当代粒子的位置,速度,个体最优粒子位置,全局最优粒子位置来更新下一代新的粒子速度和位置。公式(2)和(3)中的位置+速度,位置-位置,速度+速度,因子×速度按照以下定义进行:
为了使粒子群的迭代公式能适用于该分簇问题,必须对基本粒子群算法的速度和迭代运算公式进行重新定义。本发明将粒子速度定义为vi=swap(j,k),即代表将粒子i位置坐标j的传感器节点编号与坐标k的传感器节点编号进行交换,一个速度可能是若干个这样的交换序列的集合。公式(2)和(3)中各种情况的运算重新定义如下:
(位置+速度):旧位置与速度“+”的结果为新位置。让速度中的所有交换序列依次改变旧位置的节点编号。假设旧位置为(1,4,5,3,2),速度为((1,2),(3,5)),则新位置为(4,1,2,3,5)。
(位置-位置):两个位置的“-”的结果为一个速度。假设p1为第一个位置,p2为第二个位置,p1-p2产生的v应满足p2+v= p1。如上p1为(4,1,2,3,5),p2为(1,4,5,3,2),则“-”的结果应为((1,2),(3,5))。
(速度+速度):两个速度的“+”的结果为新速度。即简单将两个速度的交换序列合并。设一个速度为((1,2),(3,5)),另一个为((3,4)),新速度为((1,2),(3,5),(3,4))。
(因子×速度):因子与速度的“×”结果仍然为一速度,定义为速度中的每一个交换序列以因子的值为概率保留(因子都为一个小于1的实数)。
采用线性惯性权重调整和变异策略来避免粒子群算法陷入局部最优。公式(2)中的w就是惯性权重,它是个重要的参数。较大的w具有较好的全局收敛能力,而较小的w则有较强的局部搜索能力。现在的惯性权重研究一般分为3类:固定惯性权重,线性惯性权重调整,非线性惯性权重调整。其中线性递减的惯性权重调整策略迭代前期具有较好的全局搜索能力,后期收敛性也较好,但缺点是收敛速度慢。本文采用线性递减的惯性权重调整来避免陷入局部最优,同时结合启发算法来提高收敛速度。调整公式如下:
其中wmax是开始迭代的w值,wmin是迭代结束的w值,一般取wmax为0.5-0.7,wmin为0.1-0.2,iter是当前迭代的轮数,maxiter是最大的迭代轮数。
第五步:每个粒子根据更新后的粒子位置同样根据公式(4)计算这一代的适应度函数值。每个粒子比较新的适应度函数值和自己的个体最优适应度函数值,如果新的适应度函数值小于历史个体最优适应度函数值,则将个体最优粒子位置更新为新的粒子位置,并保存新的个体最优适应度函数值,并更新一个变量t_pbest=0,该变量表示粒子个体历史最优适应度函数值连续没有发生变化的迭代轮数。如果新的适应度函数值没有比历史个体最优适应度函数值更小,则更新变量t_pbest=t_pbest+1。所有粒子更新完新的适应度函数值和个体最优位置后,基站可以得出所有粒子中最小的适应度函数值,如果该全局最优适应度值小于历史保存的全局最小适应度函数值,则将该粒子的位置更新为新的全局最优粒子位置,并保存新的全局最优适应度函数值。
第六步:该轮迭代结束,判断当前迭代轮数是否达到最大迭代轮数1000轮,若是则转第九步,否则转第七步。
第七步:判断迭代轮数是否经过了最大迭代轮数maxiter×10%代,若是,则随机选择一半粒子对它们依次运行两种启发式算法:
(7.1)交换簇之间簇内成员的位置。
如果在PSO迭代过程中发现某粒子位置中某个簇内节点相比自己当前的簇首更靠近另外某个簇首,那这样的簇内节点应该被交换到合适的簇中去。
算法使用一个阈值来决定是否需要对某个簇内节点做交换操作。假设传感器节点均匀布撒的区域面积为S,N为总的节点个数,那每个簇的理想覆盖面积应该是S/(N×5%)。把每个簇的覆盖面看成是以簇首为中心的圆面,每个簇的簇半径应为。为了提高灵活性和减少误判的可能,算法设定阈值为 1.5×。算法检查每个簇的簇内节点,若发现某个簇内节点与当前簇首的距离大于1.5×则启动交换过程。假设发现超过阈值的是A簇的簇内节点为A1,当前簇首为A-H。首先寻找最接近A1的簇首,如果仍为当前簇首A-H,则终止交换过程。若找到的为其他簇首B,则在B簇中寻找最接近A-H的簇内节点B1,然后判断B1到B簇簇首B-H的距离是否超过阈值,若也超过阈值则交换,否则不交换。
(7.2)调整簇首位置。
设簇首与离它最远的簇内节点之间的距离Dis-far,与离它最近的簇内节点距离Dis-near。若Dis-far与Dis-near之间的差值过大则认为该簇不均匀即各簇内节点到簇首的距离方差较大,此时需要在当前簇的节点中找出位置更适合的节点当选簇首。本文设定这个差值阈值为1.3×。当发现Dis-far与Dis-near之间的差值大于1.3×时,算法将所有簇内节点到当前簇首的距离排序,然后将距离当前簇首中等的那个簇内节点当选为新的候补簇首,然后继续这一过程直到找到符合条件的最终簇首(注:通常选择的候补簇首均能成为最终的簇首)。
使用两种启发式算法的策略是每经过总迭代次数maxiter的10%轮数后全局最优解,随机选择一半粒子依次使用启发式算对粒子结构进行指导调整。
若不是则转第八步。具体过程如下:每个粒子根据当前的粒子位置所示的簇划分方法,每个簇首检查每个簇内节点与它的距离是否大于1.5×,若是则按照(7.1)所述进行交换,不是则继续检查下一个。每个簇都进行检查并交换过节点编号后再按照新的粒子位置运行(7.2)的启发式算法,检查每个簇并进行交换后最后保存新的粒子位置。
第八步:判断每个粒子的t_pbest变量是否达到了最大迭代轮数maxiter×10%,若是则在该粒子位置中在每个簇中随机选择簇内节点与当前的簇首所在的维交换即选择本簇内其他节点当簇首,然后转第四步。否则直接转第四步。
第九步:迭代终止,根据全局最优粒子的位置中的传感器节点编号分离出各个最优簇首和它的簇内节点,形成全局最优的簇结构划分。
这里对LEACH协议和本发明的算法进行分簇效果的比较。假设100个传感器节点随机地分布在一个200米为边长的正方形区域。图2和图3是相同位置分布的传感器节点运行LEACH和本发明算法的分簇效果比较。相同图形代表同个簇,红色代表簇首节点,黑色代表簇内节点。从图2中可以看出,虽然期望簇头个数为5个,但由于LEACH依照概率选簇头的机制导致簇头个数可能少于5个;而且簇内成员个数严重不均衡,簇首和簇内各节点的距离可能很大;簇首位置可能非常不合理。而图3中本发明的算法分簇效果明显要比LEACH协议好。
簇首均匀地分布在整个区域,且簇内节点个数都一样,除了节点随机布撒比较稀疏的区域外簇内节点都比较紧密地围绕在簇首周围,没有出现簇首与簇内节点距离过大的情况。
Claims (5)
1.一种基于DPSO的智能无线传感网络分簇控制方法,其特征在于:所述分簇控制方法包括以下步骤:
1)、接收所述智能无线传感网络的n个传感器节点的ID和位置信息;
2)、粒子的维数n代表有n个传感器节点,其中每一维里的数字代表每个节点的编号,m代表每个簇内都有相等的m个节点, CH代表簇首,假设i是n维粒子的坐标,如果i对m取余结果为1,则i代表的是簇首的坐标,否则为簇内节点坐标;
随机初始化每个粒子的速度和位置,每个粒子的速度随机初始化为n/2个粒子位置坐标交换的序列;
3)、根据每个粒子随机初始化的粒子位置来计算每个粒子的适应度函数值,适应度函数定义如下:
式(4)中,Dji-jch代表第j个簇中第i个簇内节点到簇首的距离,i从簇内第一个节点到第m个节点,j从第一个簇到第n个簇;mean是求平均值的函数,var是求方差的函数;
计算出每个粒子的适应度函数值后,得出所有粒子中最小的适应度函数值和对应的粒子位置,该粒子即为初始时粒子的全局最优位置,粒子的初始个体最优位置即为每个粒子的当前位置,个体最优适应度函数值为当前适应度函数值;
4)粒子根据如下的公式来更新其速度和新位置:
其中xin = (xi1, xi2, . . . , xin)代表粒子i的位置,每个位置就是问题的一个解,vin = (vi1, vi2, . . . , vin)代表粒子i的速度,pin = (pi1, . . . , pin)代表粒子i的个体最优位置,pgn= (pg1, . . . , pgn)代表所有粒子的全局最优位置,c1是粒子个体学习因子,c2是群体学习因子,w是惯性权重因子;
保证每轮迭代中公式(2)中的c1+c2+w=1且c1=c2,公式(2)和(3)中的位置+速度,位置-位置,速度+速度,因子×速度按照以下定义进行:
位置+速度:旧位置与速度“+”的结果为新位置;
位置-位置:两个位置的“-”的结果为一个速度;
速度+速度:两个速度的“+”的结果为新速度,即将两个速度的交换序列合并;
因子×速度:因子与速度的“*”结果仍然为一速度,定义为速度中的每一个交换序列以因子的值为概率保留;
5)、每个粒子根据更新后的粒子位置同样根据公式(4)计算这一代的适应度函数值;
每个粒子比较新的适应度函数值和自己的个体最优适应度函数值,如果新的适应度函数值小于历史个体最优适应度函数值,则将个体最优粒子位置更新为新的粒子位置,并保存新的个体最优适应度函数值,并更新一个变量t_pbest=0,该变量表示粒子个体历史最优适应度函数值连续没有发生变化的迭代轮数;如果新的适应度函数值没有比历史个体最优适应度函数值更小,则更新变量t_pbest=t_pbest+1;
所有粒子更新完新的适应度函数值和个体最优位置后,得出所有粒子中最小的适应度函数值,如果该全局最优适应度值小于历史保存的全局最小适应度函数值,则将该粒子的位置更新为新的全局最优粒子位置,并保存新的全局最优适应度函数值;
6)、判断迭代轮数是否达到最大迭代轮数,如果否则返回步骤4),如果是,根据全局最优粒子的位置中的传感器节点编号分离出各个最优簇首和它的簇内节点,形成全局最优的簇结构划分。
3.如权利要求1或2所述的一种基于DPSO的智能无线传感网络分簇控制方法,其特征在于:所述步骤6)中,判断每个粒子的t_pbest变量是否达到了最大迭代轮数maxiter*10%,若是则在该粒子位置中在每个簇中随机选择簇内节点与当前的簇首所在的维交换即选择本簇内其他节点当簇首,返回步骤4);若否,则直接返回步骤4)。
4.如权利要求1或2所述的一种基于DPSO的智能无线传感网络分簇控制方法,其特征在于:所述步骤6)中,判断迭代轮数是否经过了最大迭代轮数maxiter×10%代,若是,则随机选择一半粒子对它们依次运行以下过程:
发现某粒子位置中某个簇内节点相比自己当前的簇首更靠近另外某个簇首,则这样的簇内节点被交换到以所述另外某个簇首所在簇中去;
5.如权利要求1或2所述的一种基于DPSO的智能无线传感网络分簇控制方法,其特征在于:所述步骤6)中,判断迭代轮数是否经过了最大迭代轮数maxiter×10%代,若是,则随机选择一半粒子对它们依次运行以下过程:
设簇首与离它最远的簇内节点之间的距离Dis-far,与离它最近的簇内节点距离Dis-near,设定差值阈值为1.3×,若Dis-far与Dis-near之间的差值大于所述差值阈值时,将所有簇内节点到当前簇首的距离排序,然后将距离当前簇首中等的那个簇内节点当选为新的簇首。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010270654 CN102014344B (zh) | 2010-09-03 | 2010-09-03 | 一种基于dpso的智能无线传感网络分簇控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010270654 CN102014344B (zh) | 2010-09-03 | 2010-09-03 | 一种基于dpso的智能无线传感网络分簇控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102014344A true CN102014344A (zh) | 2011-04-13 |
CN102014344B CN102014344B (zh) | 2013-06-19 |
Family
ID=43844321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010270654 Active CN102014344B (zh) | 2010-09-03 | 2010-09-03 | 一种基于dpso的智能无线传感网络分簇控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102014344B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103118373A (zh) * | 2013-01-24 | 2013-05-22 | 北京理工大学 | 一种无线传感器网络低能耗覆盖优化算法 |
CN104038393A (zh) * | 2013-03-05 | 2014-09-10 | 波音公司 | 飞机数据传输系统 |
CN108024224A (zh) * | 2017-12-11 | 2018-05-11 | 朱明君 | 一种自动增氧智能监控系统 |
CN108289285A (zh) * | 2018-01-12 | 2018-07-17 | 上海海事大学 | 一种海洋无线传感器网络丢失数据恢复与重构方法 |
CN108289301A (zh) * | 2017-01-10 | 2018-07-17 | 中兴通讯股份有限公司 | 一种定位网元布局的智能优化方法和装置 |
CN109040950A (zh) * | 2018-06-15 | 2018-12-18 | 广州杰赛科技股份有限公司 | 锚点分配方案确定方法、装置和对象定位方法 |
CN110049433A (zh) * | 2019-04-24 | 2019-07-23 | 上海海事大学 | 一种基于edw-dpso算法的定位性能优化方法 |
CN110493802A (zh) * | 2019-08-27 | 2019-11-22 | 内蒙古大学 | 一种无线传感器网络apteen路由协议的优化方法及其优化装置 |
CN113347685A (zh) * | 2021-04-29 | 2021-09-03 | 全球能源互联网研究院有限公司 | 一种电力无线传感网路由分簇方法、装置及电子设备 |
US11323435B2 (en) | 2019-05-08 | 2022-05-03 | The Boeing Company | Method and apparatus for advanced security systems over a power line connection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080137624A1 (en) * | 2006-12-07 | 2008-06-12 | Innovative Wireless Technologies, Inc. | Method and Apparatus for Management of a Global Wireless Sensor Network |
CN101640944A (zh) * | 2009-05-06 | 2010-02-03 | 福建师范大学 | 无线传感器分簇多跳通信方法 |
CN101820676A (zh) * | 2010-04-12 | 2010-09-01 | 中国科学技术大学 | 传感器节点定位方法 |
-
2010
- 2010-09-03 CN CN 201010270654 patent/CN102014344B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080137624A1 (en) * | 2006-12-07 | 2008-06-12 | Innovative Wireless Technologies, Inc. | Method and Apparatus for Management of a Global Wireless Sensor Network |
CN101640944A (zh) * | 2009-05-06 | 2010-02-03 | 福建师范大学 | 无线传感器分簇多跳通信方法 |
CN101820676A (zh) * | 2010-04-12 | 2010-09-01 | 中国科学技术大学 | 传感器节点定位方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103118373A (zh) * | 2013-01-24 | 2013-05-22 | 北京理工大学 | 一种无线传感器网络低能耗覆盖优化算法 |
CN104038393A (zh) * | 2013-03-05 | 2014-09-10 | 波音公司 | 飞机数据传输系统 |
US11228341B2 (en) | 2013-03-05 | 2022-01-18 | The Boeing Company | Aircraft data transmission modules |
US10554256B2 (en) | 2013-03-05 | 2020-02-04 | The Boeing Company | Aircraft data transmission modules |
CN108289301A (zh) * | 2017-01-10 | 2018-07-17 | 中兴通讯股份有限公司 | 一种定位网元布局的智能优化方法和装置 |
CN108289301B (zh) * | 2017-01-10 | 2021-08-17 | 中兴通讯股份有限公司 | 一种定位网元布局的智能优化方法和装置 |
CN108024224A (zh) * | 2017-12-11 | 2018-05-11 | 朱明君 | 一种自动增氧智能监控系统 |
CN108289285A (zh) * | 2018-01-12 | 2018-07-17 | 上海海事大学 | 一种海洋无线传感器网络丢失数据恢复与重构方法 |
CN108289285B (zh) * | 2018-01-12 | 2020-11-13 | 上海海事大学 | 一种海洋无线传感器网络丢失数据恢复与重构方法 |
CN109040950A (zh) * | 2018-06-15 | 2018-12-18 | 广州杰赛科技股份有限公司 | 锚点分配方案确定方法、装置和对象定位方法 |
CN109040950B (zh) * | 2018-06-15 | 2021-06-18 | 广州杰赛科技股份有限公司 | 锚点分配方案确定方法、装置和对象定位方法 |
CN110049433A (zh) * | 2019-04-24 | 2019-07-23 | 上海海事大学 | 一种基于edw-dpso算法的定位性能优化方法 |
US11323435B2 (en) | 2019-05-08 | 2022-05-03 | The Boeing Company | Method and apparatus for advanced security systems over a power line connection |
CN110493802A (zh) * | 2019-08-27 | 2019-11-22 | 内蒙古大学 | 一种无线传感器网络apteen路由协议的优化方法及其优化装置 |
CN110493802B (zh) * | 2019-08-27 | 2022-03-18 | 内蒙古大学 | 一种无线传感器网络apteen路由协议的优化方法及其优化装置 |
CN113347685A (zh) * | 2021-04-29 | 2021-09-03 | 全球能源互联网研究院有限公司 | 一种电力无线传感网路由分簇方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102014344B (zh) | 2013-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102014344A (zh) | 一种基于dpso的智能无线传感网络分簇控制方法 | |
Chen et al. | A reinforcement learning-based sleep scheduling algorithm for desired area coverage in solar-powered wireless sensor networks | |
Hamidouche et al. | An efficient clustering strategy avoiding buffer overflow in IoT sensors: A bio-inspired based approach | |
Hu et al. | An endocrine cooperative particle swarm optimization algorithm for routing recovery problem of wireless sensor networks with multiple mobile sinks | |
CN110401958B (zh) | 一种基于虚拟力的节点动态覆盖增强方法 | |
CN111367657A (zh) | 一种基于深度强化学习的计算资源协同合作方法 | |
Qu et al. | An energy-efficient dynamic clustering protocol for event monitoring in large-scale WSN | |
Hsu et al. | POOT: An efficient object tracking strategy based on short-term optimistic predictions for face-structured sensor networks | |
CN111757266B (zh) | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 | |
Al-Sulaifanie et al. | Recent trends in clustering algorithms for wireless sensor networks: A comprehensive review | |
Prasath et al. | RMCHS: Ridge method based cluster head selection for energy efficient clustering hierarchy protocol in WSN | |
Ji et al. | Adaptive cat swarm optimization algorithm and its applications in vehicle routing problems | |
CN103702384B (zh) | 无线传感器网络面向应用的分簇式路由方法 | |
Wu et al. | Multiobjective optimization strategy of WSN coverage based on IPSO-IRCD | |
Shahzad et al. | Weighted clustering using comprehensive learning particle swarm optimization for mobile ad hoc networks | |
Cao et al. | Combinatorial optimization-based clustering algorithm for wireless sensor networks | |
Azizi et al. | A novel energy aware node clustering algorithm for wireless sensor networks using a modified artificial fish swarm algorithm | |
CN115550837B (zh) | 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法 | |
Ding et al. | An Efficient Reinforcement Learning Game Framework for UAV-Enabled Wireless Sensor Network Data Collection | |
De et al. | A comparative study on performances of sensor deployment algorithms in WSN | |
Zhou et al. | Elite adaptive simulated annealing algorithm for maximizing the lifespan in LSWSNs | |
Yan et al. | Sensor Scheduling Algorithm Target Tracking-Oriented. | |
Dasgupta et al. | An Energy Efficient Genetic Approach for Clustering of Wireless Sensor Network | |
Zhu et al. | Modified Fuzzy C-means Clustering Algorithm for Mobile Wireless Sensor Networks Based on Motion Similarity | |
Liu et al. | Modeling and performance optimization of wireless sensor network based on Markov chain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |