CN102238686B - 一种模型化量子遗传算法的无线传感器网络路由方法 - Google Patents
一种模型化量子遗传算法的无线传感器网络路由方法 Download PDFInfo
- Publication number
- CN102238686B CN102238686B CN201110186296.7A CN201110186296A CN102238686B CN 102238686 B CN102238686 B CN 102238686B CN 201110186296 A CN201110186296 A CN 201110186296A CN 102238686 B CN102238686 B CN 102238686B
- Authority
- CN
- China
- Prior art keywords
- node
- quantum
- genetic algorithm
- bunch
- wireless sensor
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明给出了一种在无线网络中的模型化量子遗传算法的路由选择方法，该方法通过汇集节点、簇头节点、簇间节点、端节点的相互作用建立一个层次化节点管理模型，实现对各个目标节点的能量状态管理。节点在进行路由选择时，首先读取这些状态信息，对量子遗传算法中初始种群进行优化，然后在利用量子遗传算法的高效搜索性、并行量子计算等特性，采用全相干、动态量子旋转门等策略求解源节点和目的节点之间存在的最佳路径，最大限度地来保证网络总体能量消耗最小，延长无线传感器网络的寿命。
Description
技术领域
本发明涉及一种在无线传感器网络中的路由选择方法，主要利用节点层次化管理和量子遗传算法来解决传感器节点的路由选择问题，属于无线传感器网络、量子力学、遗传算法和人工智能应用领域。
背景技术
无线传感器网络是由部署在监测区域内大量的廉价微型传感器节点通过无线通信方式形成的一个多跳自组织网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者。无线传感器网络节点的分布式分布、自适应性和智能性使得传感器网络具有很强的信息获取、处理能力，并广泛应用于环境预测与预报系统、医疗护理和军事战场情报的获取等众多领域。在这些特定领域中，这些网络节点可以看作是具有一定信念、期望、意图和能力的智能节点。每个节点部署后的行为和工作状态主要取决于自身或与其他节点、覆盖环境的交互。无线传感器网络节点工作状态的转换是网络自组织运行的重要基础。
在无线传感器网络中，智能节点按一定路径访问网络节点进行数据的本地收集和处理并携带处理结果访问其它节点，一旦所携带数据满足应用所需精度将终止访问返回观测节点，智能节点路由解决访问网络节点的顺序和路径，是无线传感器网络中节点路由选择的核心问题之一。
当前无线传感器网络中基于查询的路由机制在通信过程中利用一条路径进行数据的传输，这种机制在面对网络攻击或者其它灾害时往往不能够及时反馈。在传感器网络中，路由选择的设计不仅要关心单个节点的能量消耗，同时更关心整个网络能量的均衡消耗，这样才能延长整个网络的生命周期。符合这种特征的算法就有遗传算法。遗传算法是基于达尔文的物种起源所提出的“物竞天择，适者生存”这一思想，在计算机中模拟生物在自然环境中的遗传和进化过程中形成的一种自适应全局优化概率算法。与其他的优化算法一样，遗传算法也是一种迭代算法。从选定的初始解出发，通过不断的迭代，逐步改进当前解，直到最后搜索出最优解或满意解。遗传算法在步骤上主要可以分为下面几个步骤：(1)问题可行解的空问映射成染色体集合的搜索空间；(2)确定适应值函数、杂交率和变异率等；(3)进行选择、交叉和变异等操作；(4)在新旧个体中选择优胜者形成新的种群，然后判断这些染色体是否满足要求，若没有则利用刚产生的染色体进行新一轮的选择、交叉和变异等操作，在这些操作进行完之后将种群中的最优染色体还原成为一个可行解作为问题的最优解。
在遗传算法中，主要的遗传操作有三个，分别是选择、交叉和变异，它们的作用和特点为：(1)选择算子：该算子是在适应度值计算之后出现的，参照适应度值，对父代个体进行选择，常见的选择算法是轮盘赌选择；(2)交叉算子：在遗传算法中，后代是通过一系列算子来决定的，交叉算子将两个相互交叉的染色体，对其上的部分基因进行位置交换，可形成两个新的个体；(3)变异算子：该算子将一个体染色体上的基因值用该基因上的其他等位基因来替换，从而形成一个新的个体。在遗传算法中使用变异算子，其目的有两个：(1)改善遗传算法的局部搜索能力；(2)保持种群的多样化，防止早熟现象出现。
遗传算法能从概率的意义上以随机的方式寻求到问题的最优解，但是由于自然进化和生命现象的不可知性，遗传算法不可避免的存在概率算法的缺陷，遗传算法最明显的缺点就是它的收敛问题，包括收敛速度慢和未成熟收敛。要保证算法的全局收敛性就需要维持种群中个体的多样性，避免有效基因的缺失。要加快收敛速度就要使种群较快的向最优状态转移，这又将减少种群的多样性，陷入局部极值点。一般认为种群多样性丢失和选择压力过大导致了过早收敛，但是若选择压力不足，则算法的收敛速度慢，若个体的多样性不够，则算法易于陷入局部最优，因此遗传算法的进化过程同时也是一个追求群体的收敛性和个体的多样性之间平衡的过程。我们知道量子计算具有天然的并行性通过量子计算的研究，极大地加快了对海量信息处理的速度，使得大规模复杂问题能够在有限的指定的时间内完成。利用量子计算的这一思想，把量子算法同经典算法相结合，通过对经典表示进行相应的调整，使得其具有量子理论的优点，从而成为更有效的算法。
量子遗传算法(Quantum Genetic Algorithm，QGA)就是基于这种思想提出来的。利用量子计算的一些概念和理论，如量子位、量子叠加态等，使用量子比编码染色体，这种概率幅表示可以使一个量子染色体同时表征多个状态的信息，用量子门对叠加态的作用作为进化操作，这样能够保持种群多样性和避免选择压力，而且当前最优个体的信息能够很容易的用来引导变异，使得种群以大概率向着优良模式进化。随着||α||2或||β||2趋近于1，量子染色体收敛于一个状态，这时多样性消失，算法收敛。量子遗传算法构造了一种新的用于普通染色体的交叉操作——全干扰交叉，它能够避免种群陷于一个局部最优解，防止早熟，同时采用动态量子旋转门对量子染色体实施变异操作，加速了算法的收敛速度。因此在求解优化问题时，QGA在收敛速度、寻优能力方面均优于遗传算法。
发明内容
技术问题：本发明的目的是在无线传感器网络中设计一条低耗能的路由算法。首先对节点层次化模型管理，再通过量子遗传算法整合出整体路由的最佳方案，解决无线传感器网络中优化求解问题。
技术方案：本发明所采用的方法为在一个节点随机分布的环境中，各节点通过对附近范围内的节点的能量检测，构建出节点层次化管理的自适应网络，参考这些信息，通过量子遗传算法完成最优路由选择。
该方法的步骤为：
第一阶段：建立无线传感器网络中节点的簇头管理的模型，对无线传感器网络中节点进行层次化的模型管理；
步骤1.在无线传感器网络中对节点分簇：按照节点剩余能量的量值确定节点的类别，定义一个参数R，表征节点的处理信息的能力，R＝剩余能量/初始能量，并设定三个级数r1，r2，r3，R大于r3时，该节点就成为汇聚节点，负责处理各簇头的信息处理和权限识别；当R在r2与r3之间时，该节点成为簇头节点，负责各管理簇内节点和划分子区域；当R在r2与r1之间时，该移动节点可以成为端节点，负责数据的采集和处理；当R小于r1时，该节点失效；
步骤2.节点的层次化模型管理：参照步骤1中节点参数R的值，采用分层管理策略来管理传感器节点，汇聚节点对簇头节点采用分布式管理策略，通过授权，使簇头节点成为具有一定信息处理权限的中间管理者，对簇域内节点负责；每个簇头和簇域内的端节点之间采用集中式管理策略，各端节点感知的数据经多跳后至簇头结点进行处理，各簇头节点之间采用点对点的方式进行信息交互，在汇聚节点的作用下，完成对整个节点信息处理能力的协调与管理；
第二阶段：基于量子的强大的计算能力和抗早熟特性，构建路由算法，
节点的层次化模型清晰的显示了各个节点的信息处理能力，为量子遗传算法的路径搜索提供了优化的初始环境；
步骤21.染色体的量子比特编码：对源节点到目的节点或中间节点的路径进行染色体量子比特编码，并把数据信息保存在二维数组中；
步骤22.评测中的个体：用适应度评价函数对染色体进行适应度评估，记录下最佳适应度染色体及测量结果的最佳序列作为下一步演化的目标值；
步骤23.量子交叉：具体实现方法是根据量子的相干特性，在局部染色体中进行全干扰交叉(如表1所示)，使得种群中所有的染色体均参与到交叉操作当中；
步骤24.量子变异：采用动态量子旋转门来实现量子染色体的变异，量子旋转门为2×2的矩阵，第一行第一列元素为cosθ，第一行第二列元素为-sinθ，
第二行第一列元素为sinθ，第二行第二列元素为cosθ；θ为旋转角，通过旋转角度可以改变量子比特染色体的叠加多态，使种群出现新的个体。
所述的量子的强大的计算能力和抗早熟特性是指：该路由方法利用量子的叠加性、相干性对无线传感器节点的路由选择进行优化，利用全相干操作对局部个体进行遗传交叉操作，利用动态量子门对染色体进行量子变异操作，并对这一过程多次迭代，完成最佳路径的选择。
对无线传感器网络中节点进行层次化的模型管理是指：通过汇聚节点授权的方式对各簇头节点进行分布式管理，簇头负责处理簇域内各个节点的信息，簇头节点之间采用点对点的方式进行信息交互，在汇聚节点的协调下，完成对整个节点的信息处理能力的协调与管理，为量子遗传算法提供优化初始种群。
有益效果：本发明所述的模型化量子遗传算法的节点路由选择设计，首先对通过簇头分层管理模型对随机节点进行预初始化，建立了剩余能量优先选择的节点选择环境，然后以这些簇头信息为基础，映射为量子编码的信息，然后通过量子遗传算法的迭代规则，找出使整体路由性能最优的解。具体来说，本发明所述的方法具有如下的有益效果：
(1)用分层管理模型对实时的网络进行优化处理，优化后节点信息为遗传路由算法提供了良好的初始种群。
(2)由于量子计算的并行特性，使量子遗传算法具有快速的收敛能力，能在较短的时间内得到最优路径解。
(3)一条染色体可以表达多个态的叠加，缩小了种群的规模，增加了种群的多样性。
(4)基于动态旋转量子门的量子变异可以在整个种群中进行信息交流，使得种群易于发现优秀演化个体。
(5)量子交叉采用全干扰交叉，它能够避免种群陷于一个局部最优解，防止早熟现象
附图说明
图1是量子遗传路由算法流程图，
图2节点的管理模型示意图。
具体实施方式
一、体系结构
本发明所述的路由选择设计的结构包括节点的层次化模型管理和在此基础上的基于量子遗传的路由算法。
节点的层次化模型管理的方法为：采用集中式管理和分布式管理相结合的分层管理模型来对节点进行管理。每个簇选择一个簇头作为中间管理者，节点和簇头之间采用集中式的结构，各簇头之间是分布式管理，这种结构可以有效组织大规模的传感器节点，并且易于实现。所构建的模型主要有3部分组成：
1.簇头节点。簇头的主要作用在于分割同级别的节点作用域，以更好的实现节点之间的分工与协作。
2.汇聚节点。汇聚节点记录和管理簇头的状态信息。
3.端节点。具体完成所分派的任务，实时搜集有用信息。
节点最优路径选择采用的路由算法是基于量子遗传算法的。量子遗传算法的结构包括：量子选择，量子交叉和量子变异。
首先对本说明中的几个重要概念做以下简要说明：
(1)量子比特染色体
在QGA中，用量子比特表示最小的信息单元。一个量子比特的状态可表示为“0”比特和“1”比特的叠加态：
|φ＞＝α|0＞+β|1＞
其中α，β需要满足下面的条件：||α||2+||β||2＝1，||α||2表示测量结果为0的概率，||β||2表示测量结果为1的概率。
在量子遗传算法中，采用量子比特表示一个基因，可以存储和表征一个“0”态、“1”态或者它们的任意叠加。该基因表示的不是一个确定的信息，而是包含所有的可能。量子比特编码如下：
其中，表示j表示第t代第j个个体的染色体，n为染色体的基因个数。
(2)量子算法
选择算子：对种群的每个个体计算适应度值，计算之后，参照适应度值，对父代个体进行选择，适应度的高的个体得以保存。
变异算子：在量子遗传算法中，通过量子旋转门的旋转角来表示量子染色体中的变异操作。以下式子是本发明的量子变异算子-动态量子旋转门。量子旋转门为2×2矩阵，第一行第一列元素为cosθ，第一行第二列元素为-sinθ，第二行第一列元素为sinθ，第二行第二列元素为cosθ。
交叉算子：在量子遗传算法中，采用的是全干扰交叉操作方法，这种交叉操作方法充分利用了量子的特性——相干性，和普通的方法相比，它能避免染色体在进化后期出现早熟现象。此方法使得种群中所有的染色体均参与到交叉操作当中。这种量子交叉方法可以充分利用种群中的染色体信息，不仅能够避免因普通交叉产生的局部性，并且能够在种群进化出现早熟时，诞生新的个体，使得进化过程具有动力。
下表列出的是以种群规模是3，染色体长度是5为例，给出具体的交叉操作描述。表中，大写字母A、B、C表示的是交叉后的一个新染色体，如下表所示：
表1.染色体全相干示意表
| 1 | A(1) | C(2) | B(3) | A(4) | C5) |
| 2 | B(1) | A(2) | C(3) | B(4) | A(5) |
| 3 | C(1) | B(2) | A(3) | C4) | B(5) |
二、方法流程
1、建立节点的层次化管理模型
(1)在无线传感器网络中对节点分簇
定义一个参数R，表征节点的处理信息的能力。R＝剩余能量/初始能量，并设定三个级数r1，r2，r3。R大于r3时，该节点就成为汇聚节点，负责处理各簇头的信息处理和权限识别。R在r2与r3之间时，该节点成为簇头节点，负责各管理簇内节点和划分子区域。当R在r2与r1之间时，该移动节点可以成为端节点，负责数据的采集和处理。当R小于r1时，该节点失效。
(2)建立节点分层管理模型
用簇来管理网络，每个簇选择一个簇头作为中间管理者，节点和簇头之间采用集中式的结构，各簇头之间采用分布式管理，在汇聚节点的作用下，完成对节点信息处理能力的协调与管理。
2构建基于量子遗传算法的路由策略
节点的管理模型保存了节点的状态信息，量子遗传算法在此基础上对节点访问的路径进行优化选择。
(1)染色体的量子比特编码
编码采用两个量子态的叠加态的可变长编码方式，采用源节点和目的节点或中间节点之间的路径作为染色体，每对量子比特位表示一个节点信息，同时这些路径所经过的节点数目可能并不相等，所以采用可变长的染色体编码。采用二维数组的格式存储信息，第一维存储量子比特α的值，第二维存储量子比特β值，同时设置指针变量p，指向下一个量子比特。
(2)评测种群中的染色体的适应度
对染色体进行适应度评估，记录下最佳适应度染色体及测量结果的最佳序列作为下一步演化的目标值。本发明所构造的适应度评价函数的标准：一.所构造的适应度函数要能够使个体的适应度值与信息处理能力(主要指剩余能量)成正比。二.函数形式要符合量子计算的特征。三.函数的收敛性要比较理想，能够使量子遗传路由算法在较短的时间内收敛到最优解。
(3)遗传操作
1、量子交叉
具体实现方法为量子非门操作，把局部染色体量子编码中的α，β按照一定的概率互换，达到改变0、1趋势的目的。同时，在局部染色体中进行全干扰交叉，防止未成熟收敛和提供全局搜索能力。量子非门操作改变了该量子比特叠加的状态，全干扰交叉避免种群陷于一个局部最优解，有效防止早熟。从整个量子交叉的过程来看，量子交叉的作用就是在整个种群内部进信息传递，而且个体中出现频率高的基因值得以保留，能有效的促进算法收敛。
2、量子变异
采用动态量子旋转门来实现量子染色体的变异。动态量子旋转门为2×2的矩阵，第一行第一列元素为cosθ，第一行第二列元素为-sinθ，第二行第一列元素为sinθ，第二行第二列元素为cosθ。θ为量子门的旋转角，值为k与f(xi，bi)的乘积。f(xi，bi)为旋转的方向，取值为1，-1或0。表示当前染色体的第i位，bI表示当前的最优染色体的第i位。k是一个与进化代数t指数相关的变量。
(4)高斯变异
为了减少算法陷入局部最优解的次数，对局部搜索得到的每个点进行高斯变异，即x∈Rn为一个要变异的点，则其变异后代为：X＝x+Δx，其中，Δx＝(Δx1，Δx2，Δx3…Δxn)，而Δx是服从均值为0，方差σ2的正态分布的随机变量，且Δx1Δx2Δx3…Δxn互相独立。
量子遗传路由算法的算法流程如下：
(1)在无线传感器网络中对节点分簇
定义一个参数R，表征节点的处理信息的能力。R＝剩余能量/初始能量，并设定三个级数r1，r2，r3。R大于r3时，该节点就成为汇聚节点，负责处理各簇头的信息处理和权限识别。当R在r2与r3之间时，该节点成为簇头节点，负责各管理簇内节点和划分子区域。当R在r2与r1之间时，该移动节点可以成为端节点，负责数据的采集和处理。当R小于r1时，该节点失效。
用簇来管理网络，每个簇选择一个簇头作为中间管理者，节点和簇头之间采用集中式的结构，各簇头之间是分布式管理，在汇聚节点的作用下，完成对节点信息处理能力的协调与管理。
(2)使用量子遗传算法对层次化的节点进行路由选择
1、令t＝0，提取无线网络中节点的状态信息，初始化种群Q(t)，种群规模为N；
2、对种群Q(t)实施量子交叉，得交叉后的种群Q1(t)；
3、对种群Q1(t)中每个量子个体实施N1(N1是小于N的偶数)次测量，得到局部群体P(t，j)(j＝I～N)；
4、计算局部种群P(t，j))中每个个体的适应度，令P(t，j)中的最好个体代表Q1(t)中第j个量子个体(j＝1～N)；
5、设置迭代次数
5.1、进入下一代运算
5.2、对种群Q(t)实施量子交叉，得交叉后的种群Q1(t)；
5.3、利用旋转量子门操作对种群Q(t)中个体进行更新得下一代种群Q(t+1)随着算法循环的深入，种群逐渐收敛于最优解。
Claims (3)
1.一种模型化量子遗传算法的无线传感器节点的路由方法，其特征在于该方法的步骤为：
第一阶段：建立无线传感器网络中节点的簇头管理的模型，对无线传感器网络中节点进行层次化的模型管理；
步骤1.在无线传感器网络中对节点分簇：按照节点剩余能量的量值确定节点的类别，定义一个参数R,表征节点的处理信息的能力，R＝剩余能量/初始能量，并设定三个级数r1，r2，r3，R大于r3时，该节点就成为汇聚节点，负责处理各簇头的信息处理和权限识别；当R在r2与r3之间时，该节点成为簇头节点，负责各管理簇内节点和划分子区域；当R在r2与r1之间时，该节点成为端节点，负责数据的采集和处理；当R小于r1时，该节点失效；
步骤2.节点的层次化模型管理：参照步骤1中节点参数R的值，采用分层管理策略来管理传感器节点，汇聚节点对簇头节点采用分布式管理策略，通过授权，使簇头节点成为具有一定信息处理权限的中间管理者，对簇域内节点负责；每个簇头和簇域内的端节点之间采用集中式管理策略，各端节点感知的数据经多跳后至簇头结点进行处理，各簇头节点之间采用点对点的方式进行信息交互，在汇聚节点的作用下，完成对整个节点信息处理能力的协调与管理；
第二阶段：基于量子的强大的计算能力和抗早熟特性，构建路由算法，
节点的层次化模型清晰的显示了各个节点的信息处理能力，为量子遗传算法的路径搜索提供了优化的初始环境；
步骤21.染色体的量子比特编码：对源节点到目的节点或中间节点的路径进行染色体量子比特编码，并把数据信息保存在二维数组中；
步骤22.评测中的个体：用适应度评价函数对染色体进行适应度评估，记录下最佳适应度染色体及测量结果的最佳序列作为下一步演化的目标值；
步骤23.量子交叉：具体实现方法是根据量子的相干特性，在局部染色体中进行全干扰交叉，使得种群中所有的染色体均参与到交叉操作当中；
步骤24.量子变异：采用动态量子旋转门来实现量子染色体的变异，量子旋转门为2×2的矩阵，第一行第一列元素为cosθ，第一行第二列元素为-sinθ，
第二行第一列元素为sinθ，第二行第二列元素为cosθ；θ为旋转角，通过旋转角度可以改变量子比特染色体的叠加多态，使种群出现新的个体。
2.根据权利要求1所述的模型化量子遗传算法的无线传感器节点的路由方法，其特征在于所述的量子的强大的计算能力和抗早熟特性是指：该路由方法利用量子的叠加性、相干性对无线传感器节点的路由选择进行优化，利用全相干操作对局部个体进行遗传交叉操作，利用动态量子门对染色体进行量子变异操作，并对这一过程多次迭代，完成最佳路径的选择。
3.根据权利要求1所述的模型化量子遗传算法的无线传感器节点的路由方法，其特征在于对无线传感器网络中节点进行层次化的模型管理是指：通过汇聚节点授权的方式对各簇头节点进行分布式管理，簇头负责处理簇域内各个节点的信息，簇头节点之间采用点对点的方式进行信息交互，在汇聚节点的协调下，完成对整个节点的信息处理能力的协调与管理，为量子遗传算法提供优化初始种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110186296.7A CN102238686B (zh) | 2011-07-04 | 2011-07-04 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110186296.7A CN102238686B (zh) | 2011-07-04 | 2011-07-04 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102238686A CN102238686A (zh) | 2011-11-09 |
| CN102238686B true CN102238686B (zh) | 2014-11-19 |
Family
ID=44888749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110186296.7A Active CN102238686B (zh) | 2011-07-04 | 2011-07-04 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102238686B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102685779A (zh) * | 2012-04-29 | 2012-09-19 | 黄林果 | 一种优化无线网络业务资源管理的方法 |
| CN102843743B (zh) * | 2012-07-18 | 2016-04-20 | 南京邮电大学 | 基于菌群觅食优化算法的无线传感网层次化路由方法 |
| CN103269489B (zh) * | 2013-04-22 | 2015-06-10 | 南京邮电大学 | 一种面向环境监测的无线传感器网络优化方法 |
| RU2556423C2 (ru) * | 2013-07-05 | 2015-07-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" | Способ функционирования беспроводной сенсорной сети |
| CN103944672A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 基于自适应交叉变异算子的量子免疫信号盲检测方法 |
| CN104202188B (zh) * | 2014-09-01 | 2017-04-26 | 北京航空航天大学 | 一种采用遗传算法进行afdx网络路径优化的方法 |
| CN104700160B (zh) * | 2015-02-16 | 2018-06-26 | 南京邮电大学 | 一种车辆路径优化方法 |
| CN105007588B (zh) * | 2015-07-13 | 2018-09-25 | 西安理工大学 | 一种基于无线紫外光的通信方法 |
| CN105430707B (zh) * | 2015-11-03 | 2019-01-11 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
| WO2018098753A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳天珑无线科技有限公司 | 分布式网络的管理方法、节点及系统 |
| CN106658639B (zh) * | 2016-12-21 | 2020-05-12 | 天津理工大学 | 一种基于量子遗传策略的qg-olsr路由方法 |
| CN106780164B (zh) * | 2016-12-29 | 2021-04-13 | 广东盛翔交通工程检测有限公司 | 一种高效的桥梁结构损伤识别系统 |
| CN107070796B (zh) * | 2017-02-20 | 2020-03-20 | 河南理工大学 | 一种基于量子隐形传态的自适应rip路由选择方法 |
| CN108597246B (zh) * | 2017-12-11 | 2020-10-13 | 武汉大学 | 一种解决路径选择实时性问题以避免局部拥堵的方法 |
| CN108737191B (zh) * | 2018-05-31 | 2021-01-19 | 中国科学院上海微系统与信息技术研究所 | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 |
| CN109362048B (zh) * | 2018-08-15 | 2021-05-25 | 杭州电子科技大学 | 基于无线传感器网络的地下管廊检测方法 |
| CN109784110B (zh) * | 2018-12-05 | 2022-03-25 | 浙江专线宝网阔物联科技有限公司 | 一种rfid网络节点部署的优化方法及其优化系统 |
| CN111246416B (zh) * | 2020-01-13 | 2022-03-29 | 山东交通学院 | 一种基于遗传算法的水下无线传感器网络拓扑控制方法 |
| CN112953830B (zh) * | 2021-01-28 | 2022-12-23 | 北京邮电大学 | 时间敏感网络中流量帧的路由规划调度方法及装置 |
| CN112822747B (zh) * | 2021-03-02 | 2022-09-30 | 吉林大学 | 一种基于遗传算法和蚁群算法的路由选择策略的方法 |
| CN113596951B (zh) * | 2021-09-02 | 2023-05-30 | 哈尔滨工程大学 | 基于量子礁鲨机制的无线传感器网络分簇路由方法 |
| CN115190561B (zh) * | 2022-06-02 | 2024-08-02 | 中科南京移动通信与计算创新研究院 | 基于遗传算法的高速载体群自组网QoS路由方法和装置 |
-
2011
- 2011-07-04 CN CN201110186296.7A patent/CN102238686B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| 基于量子遗传算法和IMST算法的QoS多播路由算法;王宝伟等;《网络与通信》;20090615(第3期);全文 * |
| 王宝伟等.基于量子遗传算法和IMST算法的QoS多播路由算法.《网络与通信》.2009,(第3期), * |
| 郭剑，孙力娟.基于量子遗传算法的路由选择.《计算机技术与发展》.2006,第16卷(第1期), * |
| 钱晓华，王俊平.基于量子遗传算法的无线传感器网络路由.《辽宁大学学报》.2010,第37卷(第2期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102238686A (zh) | 2011-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102238686B (zh) | 一种模型化量子遗传算法的无线传感器网络路由方法 | |
| Hassan et al. | Operational framework for recent advances in backtracking search optimisation algorithm: A systematic review and performance evaluation | |
| Dhiman et al. | KnRVEA: A hybrid evolutionary algorithm based on knee points and reference vector adaptation strategies for many-objective optimization | |
| Hussain et al. | Genetic algorithm for hierarchical wireless sensor networks. | |
| Fotakis et al. | Spatial genetic algorithm for multi-objective forest planning | |
| Zhang et al. | Dynamic behavior analysis of membrane-inspired evolutionary algorithms | |
| CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
| Pati et al. | Gene selection using multi-objective genetic algorithm integrating cellular automata and rough set theory | |
| Yang et al. | The stochastic decision making framework for long-term multi-objective energy-water supply-ecology operation in parallel reservoirs system under uncertainties | |
| Wang et al. | A new approach of obtaining reservoir operation rules: Artificial immune recognition system | |
| Dastgheib et al. | An efficient approach for clustering in wireless sensor network using fuzzy logic | |
| Karami et al. | A review and evaluation of multi and many-objective optimization: Methods and algorithms | |
| Liu et al. | A multi-objective evolutionary algorithm based on membrane systems | |
| Laith et al. | Salp swarm algorithm: a comprehensive survey | |
| Solaiman et al. | Evolving a clustering algorithm for wireless sensor network using particle swarm optimisation | |
| Li et al. | Co-evolutionary algorithm based on problem analysis for dynamic multiobjective optimization | |
| Guo et al. | Optimal design of sewer networks using hybrid cellular automata and genetic algorithm | |
| CN110264010A (zh) | 新型乡村电力饱和负荷预测方法 | |
| Fieldsend | Multi-modal optimisation using a localised surrogates assisted evolutionary algorithm | |
| CN108154221B (zh) | 一种面向“三线”协同优化的粒子群改进算法 | |
| Sheng et al. | A review on complex network dynamics in evolutionary algorithm | |
| Ohazulike et al. | Multi-objective optimization of traffic externalities using tolls | |
| Hang et al. | Research on scientific data mining algorithms based on WOA-BP neural networks | |
| Townsend | Wireless sensor network clustering with machine learning | |
| Navarro et al. | Niche-clearing-based Variable Mesh Optimization for multimodal problems |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20111109 Assignee: Jiangsu Nanyou IOT Technology Park Ltd. Assignor: Nanjing Post & Telecommunication Univ. Contract record no.: 2016320000207 Denomination of invention: Wireless sensor network routing method for modeling quantum genetic algorithm Granted publication date: 20141119 License type: Common License Record date: 20161109 |
|
| LICC | Enforcement, change and cancellation of record of contracts on the licence for exploitation of a patent or utility model | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: Jiangsu Nanyou IOT Technology Park Ltd. Assignor: Nanjing Post & Telecommunication Univ. Contract record no.: 2016320000207 Date of cancellation: 20180116 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20111109 Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS Contract record no.: X2020980007071 Denomination of invention: A routing method for wireless sensor networks based on model quantum genetic algorithm Granted publication date: 20141119 License type: Common License Record date: 20201026 |
|
| EE01 | Entry into force of recordation of patent licensing contract |