CN103313263A - 基于遗传算法的无线传感器网络节点分层调度方法 - Google Patents
基于遗传算法的无线传感器网络节点分层调度方法 Download PDFInfo
- Publication number
- CN103313263A CN103313263A CN201310171946XA CN201310171946A CN103313263A CN 103313263 A CN103313263 A CN 103313263A CN 201310171946X A CN201310171946X A CN 201310171946XA CN 201310171946 A CN201310171946 A CN 201310171946A CN 103313263 A CN103313263 A CN 103313263A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- chromosome
- dimension
- subset
- 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.)
- Pending
Links
Images
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明使用遗传算法对无线传感器网络的节点进行分层调度,属于网络技术和计算智能领域。首先设计了一种基于遗传算法寻找无线传感器网络最优节点子集的方法;该方法将粒子编码为长度等于传感器节点数量的0/1二进制串,1表示选择该节点进入子集,0表示不选择;通过遗传算法的选择、基于全局最优染色体的交叉和变异等操作,实现在满足网络100%覆盖前提下的节点子集传感器数量的最小化。通过不断调用“最优节点子集传感器数量最小化的方法”,将网络中的节点划分为尽可能多的不相交子集,解决了网络节点分层调度的优化问题。本发明能够高效地对无线传感器网络的节点进行最大化的分层优化调度,对延长网络寿命有重要的作用。
Description
技术领域:
本发明涉及无线传感器网络和计算智能两大领域,具体涉及一种基于遗传算法的无线传感器网络节点分层调度方法。
技术背景:
在当今社会的众多应用领域中,例如战场监视,动物栖息地监测,环境观察,家庭健康呵护等,需要对现场进行全方位的监控。在这种情况下,无线传感器网络(wireless sensor networks,WSN)成为了一种重要的监控技术手段。随着信息技术的发展,无线传感器已经成为了当今社会热门而富有挑战性的研究领域。在无线传感器网络应用的过程中,很多情况下所面临的应用环境通常都不是非常友好,甚至是恶劣的,因此一般很难通过精确部署的方式在需要监测的区域内布置传感器节点,并且很难在确定的位置部署传感器。在这种情况下,一般的解决方法是通过在被监测区域随机投放大量的传感器节点,通过冗余覆盖的方式保证被监控区域的完全覆盖。然而,大量的传感器节点可能会由于节点之间的通信干扰而导致节点寿命减少,因此研究如何有效地对无线传感器网络的传感器节点进行调度,节省网络能耗,延长网络寿命,已经成为了无线传感器网络领域一个重要的研究课题。
在现有的很多研究中,已经出现了将延长网络使用寿命节省能源的问题转化为最佳覆盖问题的技术。最佳覆盖问题解决技术的出发点在于:鉴于网络中存在大量冗余的传感器节点,通过关闭一部分多余的节点,在剩余被激活的节点满足对监视区域的完全覆盖的前提下,可以节约能源,延长网络寿命。最佳覆盖问题的目标在于找到一个满足对监控区域完全覆盖的最少数量的节点子集。这样,可以在满足全范围覆盖需求的前提下关闭其他的多余的节点,不但可以节省由节点冲突或者邻近交流而引发的能源消耗,而且由于能够将部分节点处于休眠状态,同样可以节省能耗。
虽然最佳覆盖问题可以在一定程度上节省网络的能耗,延长网络寿命,但是如果能够在最佳覆盖问题的解决技术上更进一步,将可以更加有效地延长网络的寿命。本发明的基本出发点在于:通过对最佳覆盖问题的解决,找到能够对监视区域完全覆盖的最少节点数量的子集;通过不断解决最佳覆盖问题,可以找到尽可能多的可以满足对监视区域完全覆盖的多个子集;这些子集形成了无线传感器网络的多个层次,这些不同的节点层进行轮流的调度,将可以直观而有效地延长网络的寿命。因此,本发明解决的问题是无线传感器网络的节点分层调度问题。
为了解决无线传感器网络的最优分层调度,本发明采用了一种基于遗传算法的解放方法。遗传算法属于计算智能领域的一种具有全局搜索能力的优化算法。在本发明中,针对无线传感器网络中存在的大量的冗余传感器节点,循环使用遗传算法,在每次循环中寻找网络中的最优传感器节点子集(满足对监视区域完全覆盖的最少数量的传感器节点子集)。该方法将遗传算法的粒子编码为长度等于传感器节点数量的0/1二进制串,1表示选择该节点进入子集,0表示不选择;通过遗传算法运行过程中的选择操作、交叉操作和变异操作,实现在满足网络完全覆盖前提下的节点子集传感器数量的最小化。其中本发明中采用的交叉操作是一种基于全局最优个体的新型交叉方式。通过不断调用“最优节点子集传感器数量最小化的方法”,将网络中的节点划分为尽可能多的不相交子集,进而解决了网络节点分层调度的优化问题。本发明能够高效地对无线传感器网络的节点进行最大化的分层优化调度,对延长网络寿命有重要的作用。
发明内容:
本发明将遗传算法用于无线传感器网络的节点分层调度中,具体的内容步骤介绍如下:
(1)设置网络Network的最大层数K=0,然后检查网络中的传感器节点集S是否能够对网络区域100%覆盖。如果能,则进行以下的步骤;如果不能,则输出最大可分层数K=0,终止程序。
(2)使用遗传算法从网络Network的传感器节点集S中找出一组能够对网络区域进行100%覆盖的最优节点子集S*,具体的流程如下:
步骤1)随机生成N个染色体形成遗传算法的种群,每个染色体i的编码表示为Xi=[xi1,xi2,...,xiD];其中D为编码长度,与网络中的节点数目相同;位置Xi中每一维的值为1表示该节点被选择到子集中,为0则表示不被选择;对所有染色体进行“合法性判断与修补”,评估所有染色体的适应值(适应值为粒子所代表的解中被选择的传感器节点的数量,该值越小说明解的质量越高),并找到所有染色体中适应值最好的设置为全局最优个体,另外存储为Best。在本发明设计的染色体“合法性判断与修补”过程中,首先判断染色体代表的解是否能够100%覆盖监视区域,如果能够,则不需要修补;否则,将随机从某一维开始,逐步将该维后面为0的值设为1(当到达最后一维之后,下一维从第一维开始),直到染色体代表的解能够100%覆盖监视区域为止。
步骤2)选择操作:从N个染色体中随机选择2个染色体,然后比较这2个染色体的适应值,选择较好的染色体进入新的种群;如此重复以上操作N次,总共选择N个染色体形成新的种群。
步骤3)交叉操作:对每个染色体Xi(1≤i≤N),首先生成一个[0,1]区间的随机数,如果该随机数小于交叉概率pc(pc=0.7),则采用“基于全局最优个体Best的交叉方式”产生新的染色体替换Xi。在本发明设计的“基于全局最优个体Best的交叉方式”中,首先随机选择一个交叉位置d(1≤d<D),Xi的第1到d维和Best的第d+1到D维组合成新的染色体A,Best的第1到d维和Xi的第d+1到D维组合成新的染色体B;然后随机选择其中一个新的染色体替换Xi。
步骤4)变异操作:对于每个染色体Xi(1≤i≤N),首先生成一个[0,1]区间的随机数,如果该随机数小于变异概率pm(pm=0.07),则随机选择该染色体的某一维,对该维的值进行反转,即0变为1,1变为0。
步骤5)对每个染色体Xi(1≤i≤N)进行“合法性判断与修补”,评估所有染色体的适应值,并找到所有染色体中适应值最好的设置为当前全局最优best,所有染色体中适应值最差的设置为当前全局最差worst。
步骤6)对Best进行更新:如果best比Best更优,则将Best替换为best,否则将worst替换为Best。
步骤7)反复执行以上步骤2)、3)、4)、5)和6)直到满足终止条件,则全局最优Best所代表的解中值为1的那些维所对应的传感器节点表示被选择到最优节点子集S*中。
(3)将最优节点子集S*中的传感器节点标记为网络Network的传感器节点集S中的不可使用节点,剩下的传感器节点组成一个新的节点集S=S\S*,并形成一个新的网络Network。同时,设置K=K+1;
(4)检查网络中的传感器节点集S是否能够对网络区域100%覆盖。如果能,则转到步骤(2)继续执行;如果不能,则输出最大可分层数K,终止程序。
附图说明:
图1基于遗传算法的无线传感器网络节点分层调度的流程图
图2基于遗传算法优化无线传感器网络最优节点子集的流程图
具体实施方式:
以下结合附图进一步对发明的方法进行描述。
在图1中,给出了基于遗传算法的无线传感器网络节点分层调度的顶层流程图。
假设有一个无线传感器网络Network,通过随机撒播的方式在网络区域内部署了大量的传感器节点,用节点集合S表示。
使用本发明方法对该无线传感器网络的节点进行分层调度之前,首先要判断节点集合S是否能够满足对网络Network的100%覆盖,如果不能,则不能对节点进行分层调度。在这种情况下,直接输出最大分层数K=0并结束程序。
判断节点集合S是否能够满足对网络100%覆盖的方法为栅格点覆盖判断法。首先对网络进行栅格的划分,每个栅格g用其栅格中心的坐标位置(xg,yg)表示。S中的每一个传感器节点si的坐标位置为(xi,yi),覆盖半径为R。通过如下公式:
可以判断传感器节点si是否覆盖栅格点g。因此,对于任意一个栅格点g,只要存在至少一个传感器节点si∈S能够覆盖,则可认为g能被网络节点集合覆盖。如果对整个网络中每一个栅格点g都能够被覆盖,则认为网络被100%覆盖。
根据图1,本发明的方法在判断网络能够被100%覆盖之后,则进入“使用遗传算法寻找无线传感器网络最优节点子集S*”的过程。这个过程的特征是使用一种优化算法寻找一个最优节点子集,在满足网络100%覆盖的前提下,对子集中的传感器节点数量进行最小化的优化。假设当前网络Network的传感器节点集合为S,节点数量为D,则具体的操作流程如图2所示,并详细介绍如下:
步骤1)随机生成N个染色体形成遗传算法的种群,每个染色体i的编码表示为Xi=[xi1,xi2,...,xiD];其中D为编码长度,与网络中的节点数目相同;位置Xi中每一维的值为1表示该节点被选择到子集中,为0则表示不被选择;对所有染色体进行“合法性判断与修补”,评估所有染色体的适应值(适应值为粒子所代表的解中被选择的传感器节点的数量,该值越小说明解的质量越高),并找到所有染色体中适应值最好的设置为全局最优个体,另外存储为Best。在本发明设计的染色体“合法性判断与修补”过程中,首先判断染色体代表的解是否能够100%覆盖监视区域,如果能够,则不需要修补;否则,将随机从某一维开始,逐步将该维后面为0的值设为1(当到达最后一维之后,下一维从第一维开始),直到染色体代表的解能够100%覆盖监视区域为止。
步骤2)选择操作:从N个染色体中随机选择2个染色体,然后比较这2个染色体的适应值,选择较好的染色体进入新的种群;如此重复以上操作N次,总共选择N个染色体形成新的种群。
步骤3)交叉操作:对每个染色体Xi(1≤i≤N),首先生成一个[0,1]区间的随机数,如果该随机数小于交叉概率pc(pc=0.7),则采用“基于全局最优个体Best的交叉方式”产生新的染色体替换Xi。在本发明设计的“基于全局最优个体Best的交叉方式”中,首先随机选择一个交叉位置d(1≤d<D),Xi的第1到d维和Best的第d+1到D维组合成新的染色体A,Best的第1到d维和Xi的第d+1到D维组合成新的染色体B;然后随机选择其中一个新的染色体替换Xi。
步骤4)变异操作:对于每个染色体Xi(1≤i≤N),首先生成一个[0,1]区间的随机数,如果该随机数小于变异概率pm(pm=0.07),则随机选择该染色体的某一维,对该维的值进行反转,即0变为1,1变为0。
步骤5)对每个染色体Xi(1≤i≤N)进行“合法性判断与修补”,评估所有染色体的适应值,并找到所有染色体中适应值最好的设置为当前全局最优best,所有染色体中适应值最差的设置为当前全局最差worst。
步骤6)对Best进行更新:如果best比Best更优,则将Best替换为best,否则将worst替换为Best。
反复执行以上步骤2)、3)、4)、5)和6)直到满足终止条件,则全局最优Best所代表的解中值为1的那些维所对应的传感器节点表示被选择到最优节点子集S*中。
再回到图1的流程,本发明的方法通过“使用遗传算法寻找无线传感器网络最优节点子集S*”之后,可以认为节点子集S*形成一个新的层,也就是得到最大层数K=K+1。为了对节点子集S*以外的其他节点进行继续的分层,本发明的方法将最优节点子集S*中的传感器节点标记为网络Network的传感器节点集S中的不可使用节点,则S中剩下的传感器节点组成一个新的节点集S=S\S*,并形成了一个新的网络Network。
此时,本发明的方法再次对新的网络Network进行覆盖的判断,判断新的节点集合S能否对新的网络Network的100%覆盖。如果可以,则继续“使用遗传算法寻找无线传感器网络最优节点子集S*”形成一个新的层;否则输出此时的最大分层数K。如此迭代判断和优化,直到最终的节点集合S无法对网络Network进行100%覆盖为止。这时候得到的K是本发明方法得到的最大分层数。每一次迭代“使用遗传算法寻找无线传感器网络最优节点子集S*”所得到的最优节点子集S*是每一层需要调度的传感器节点集合。
Claims (3)
1.一种基于遗传算法的无线传感器网络节点分层调度方法,其特征是通过最小化每一层的传感器节点数量以达到节点可分层数最大化的目的,同时通过设计一种基于全局最优个体的交叉方式,加快种群搜索信息的传播,提高算法性能;该调度方法主要包括以下步骤:
(1)设置网络Network的最大层数K=0,然后检查网络中的传感器节点集S是否能够对网络区域100%覆盖,如果能,则进行以下的步骤;如果不能,则输出最大可分层数K=0,终止程序;
(2)使用遗传算法从网络Network的传感器节点集S中找出一组能够对网络区域进行100%覆盖的最优节点子集S*,具体的流程如下:
a)随机生成N个染色体形成遗传算法的种群,每个染色体i的编码表示为Xi=[xi1,xi2,...,xiD];其中D为编码长度,与网络中的节点数目相同;位置Xi中每一维的值为1表示该节点被选择到子集中,为0则表示不被选择;对所有染色体进行“合法性判断与修补”,评估所有染色体的适应值,该适应值为粒子所代表的解中被选择的传感器节点的数量,该值越小说明解的质量越高,并找到所有染色体中适应值最好的设置为全局最优个体,另外存储为Best;
b)选择操作:从N个染色体中随机选择2个染色体,然后比较这2个染色体的适应值,选择较好的染色体进入新的种群;如此重复以上操作N次,总共选择N个染色体形成新的种群;
c)交叉操作:对每个染色体Xi,其中1≤i≤N:首先生成一个[0,1]区间的随机数,如果该随机数小于交叉概率pc,该pc=0.7,则采用“基于全局最优个体Best的交叉方式”产生新的染色体替换Xi;
d)变异操作:对于每个染色体Xi,其中1≤i≤N:首先生成一个[0,1]区间的随机数,如果该随机数小于变异概率pm,该pm=0.07,则随机选择该染色体的某一维,对该维的值进行反转,即0变为1,1变为0;
e)对每个染色体Xi进行“合法性判断与修补”,其中1≤i≤N;然后评估所有染色体的适应值,并找到所有染色体中适应值最好的设置为当前全局最优best,所有染色体中适应值最差的设置为当前全局最差worst;
f)对Best进行更新:如果best比Best更优,则将Best替换为best,否则将worst替换为Best;
g)反复执行以上步骤b)、c)、d)、e)和f)直到满足终止条件,则全局最优Best所代表的解中值为1的那些维所对应的传感器节点表示被选择到最优节点子集S*中;
(3)将最优节点子集S*中的传感器节点标记为网络Network的传感器节点集S中的不可使用节点,剩下的传感器节点组成一个新的节点集S=S\S*,并形成一个新的网络Network;设置K=K+1;
(4)检查网络中的传感器节点集S是否能够对网络区域100%覆盖,如果能,则转到步骤(2)继续执行;如果不能,则输出最大可分层数K,终止程序。
2.基于权利要求1的步骤(2)-a)和e)中所述的染色体“合法性判断与修补”方法,其特征在于通过增加激活传感器节点的方式使得染色体代表的解能够100%覆盖监视区域:首先判断染色体代表的解是否能够100%覆盖监视区域,如果能够,则不需要修补;否则,将随机从某一维开始,逐步将该维后面为0的值设为1,当到达最后一维之后,下一维从第一维开始,直到染色体代表的解能够100%覆盖监视区域为止。
3.基于权利要求1的步骤(2)-c)中所述的染色体“基于全局最优个体Best的交叉方式”,其特征在于将Xi和Best进行单点交叉操作:首先随机选择一个交叉位置d(1≤d<D),Xi的第1到d维和Best的第d+1到D维组合成新的染色体A,Best的第1到d维和Xi的第d+1到D维组合成新的染色体B;然后随机选择其中一个新的染色体替换Xi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310171946XA CN103313263A (zh) | 2013-04-25 | 2013-04-25 | 基于遗传算法的无线传感器网络节点分层调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310171946XA CN103313263A (zh) | 2013-04-25 | 2013-04-25 | 基于遗传算法的无线传感器网络节点分层调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103313263A true CN103313263A (zh) | 2013-09-18 |
Family
ID=49137939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310171946XA Pending CN103313263A (zh) | 2013-04-25 | 2013-04-25 | 基于遗传算法的无线传感器网络节点分层调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103313263A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108337684A (zh) * | 2017-12-06 | 2018-07-27 | 华南理工大学 | 基于差分进化算法的优化无线传感器网络寿命的方法 |
CN108616401A (zh) * | 2018-05-09 | 2018-10-02 | 华南理工大学 | 一种智能化的视频内容服务器部署方法及系统 |
CN109784110A (zh) * | 2018-12-05 | 2019-05-21 | 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 |
CN109890040A (zh) * | 2019-03-11 | 2019-06-14 | 中国科学院上海微系统与信息技术研究所 | 面向高可靠低时延无线传感器网络的优化算法 |
CN110233657A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459915A (zh) * | 2008-12-31 | 2009-06-17 | 中山大学 | 基于遗传算法的无线传感器网络节点覆盖优化方法 |
CN101706883A (zh) * | 2009-11-09 | 2010-05-12 | 北京航空航天大学 | 数据挖掘方法和装置 |
CN102214181A (zh) * | 2010-04-12 | 2011-10-12 | 无锡科利德斯科技有限公司 | 一种基于模糊演化计算的文本聚类方法 |
CN102223711A (zh) * | 2011-06-23 | 2011-10-19 | 杭州电子科技大学 | 一种基于遗传算法的无线传感器网络节点定位方法 |
CN102761881A (zh) * | 2012-06-19 | 2012-10-31 | 江苏科技大学 | 无线传感器网络静态节点最优覆盖控制集求解方法 |
-
2013
- 2013-04-25 CN CN201310171946XA patent/CN103313263A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459915A (zh) * | 2008-12-31 | 2009-06-17 | 中山大学 | 基于遗传算法的无线传感器网络节点覆盖优化方法 |
CN101706883A (zh) * | 2009-11-09 | 2010-05-12 | 北京航空航天大学 | 数据挖掘方法和装置 |
CN102214181A (zh) * | 2010-04-12 | 2011-10-12 | 无锡科利德斯科技有限公司 | 一种基于模糊演化计算的文本聚类方法 |
CN102223711A (zh) * | 2011-06-23 | 2011-10-19 | 杭州电子科技大学 | 一种基于遗传算法的无线传感器网络节点定位方法 |
CN102761881A (zh) * | 2012-06-19 | 2012-10-31 | 江苏科技大学 | 无线传感器网络静态节点最优覆盖控制集求解方法 |
Non-Patent Citations (4)
Title |
---|
ZHI-HUI ZHAN ET AL.: "《Simulated Evolution and Learning》", 31 December 2010, SPRINGER * |
ZHI-HUI ZHAN ET AL.: "Extended Binary Particle Swarm Optimization Approach for Disjoint Set Covers Problem in Wireless Sensor Networks", 《2012 CONFERENCE ON TECHNOLOGIES AND APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 * |
刘杨等: "粒子群优化算法惯量权重控制方法的研究", 《南京大学学报(自然科学)》 * |
陈有青等: "一种改进选择算子的遗传算法", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108337684A (zh) * | 2017-12-06 | 2018-07-27 | 华南理工大学 | 基于差分进化算法的优化无线传感器网络寿命的方法 |
CN108337684B (zh) * | 2017-12-06 | 2020-12-22 | 华南理工大学 | 基于差分进化算法的优化无线传感器网络寿命的方法 |
CN108616401A (zh) * | 2018-05-09 | 2018-10-02 | 华南理工大学 | 一种智能化的视频内容服务器部署方法及系统 |
CN108616401B (zh) * | 2018-05-09 | 2020-07-28 | 华南理工大学 | 一种智能化的视频内容服务器部署方法及系统 |
CN109784110A (zh) * | 2018-12-05 | 2019-05-21 | 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 |
CN109890040A (zh) * | 2019-03-11 | 2019-06-14 | 中国科学院上海微系统与信息技术研究所 | 面向高可靠低时延无线传感器网络的优化算法 |
CN109890040B (zh) * | 2019-03-11 | 2021-09-03 | 中国科学院上海微系统与信息技术研究所 | 面向高可靠低时延无线传感器网络的优化方法 |
CN110233657A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
CN110233657B (zh) * | 2019-04-01 | 2021-07-09 | 南京邮电大学 | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103313263A (zh) | 基于遗传算法的无线传感器网络节点分层调度方法 | |
CN104156584A (zh) | 多目标优化差分进化算法的传感器目标分配方法及系统 | |
Gellert et al. | A study on forecasting electricity production and consumption in smart cities and factories | |
CN103249055A (zh) | 基于二进制粒子群算法的无线传感器网络节点分层调度方法 | |
US20180176103A1 (en) | Cooperative coverage method of information perception for distributed network | |
Jin et al. | Channel status learning for cooperative spectrum sensing in energy-restricted cognitive radio networks | |
He et al. | A fuzzy clustering iterative model using chaotic differential evolution algorithm for evaluating flood disaster | |
CN102508708A (zh) | 基于改进遗传算法的异构多核节能任务调度方法 | |
Han et al. | A comparative study of routing protocols of heterogeneous wireless sensor networks | |
CN103699771B (zh) | 一种冷负荷预测的情景-聚类方法 | |
CN112241607B (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
John et al. | A survey of energy-aware cluster head selection techniques in wireless sensor network | |
CN102761881A (zh) | 无线传感器网络静态节点最优覆盖控制集求解方法 | |
Zhou et al. | Genetic clustering route algorithm in WSN | |
Dong et al. | Barrier coverage mechanism using adaptive sensing range for renewable WSNs | |
Dharfizi | The Energy Sector and the Internet of Things –Sustainable Consumption and Enhanced Security through Industrial Revolution 4.0 | |
CN102426663A (zh) | 利用泛能流序参量控制泛能网的方法 | |
Lin et al. | Node scheduling for all-directional intrusion detection in SDR-based 3D WSNs | |
Lee et al. | Optimized fuzzy adaptive filtering for ubiquitous sensor networks | |
CN102013038A (zh) | 基于向前式编码策略的无线传感器网络寿命优化遗传算法 | |
Wang et al. | A novel cloud-edge collaboration based short-term load forecasting method for smart grid | |
Guo et al. | A novel knowledge-guided evolutionary scheduling strategy for energy-efficient connected coverage optimization in WSNs | |
CN106792795A (zh) | 离散差分进化算法生成无线传感器最优化调度方案的方法 | |
Jain et al. | Performance analysis of hierarchical agglomerative clustering in a wireless sensor network using quantitative data | |
Ahmed et al. | Genetic algorithm based scheduling method for lifespan extension of a wireless sensors network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130918 |