CN104270807B - 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 - Google Patents
一种用于三维场景的无线Mesh网络发射功率选择方法及设备 Download PDFInfo
- Publication number
- CN104270807B CN104270807B CN201410547371.1A CN201410547371A CN104270807B CN 104270807 B CN104270807 B CN 104270807B CN 201410547371 A CN201410547371 A CN 201410547371A CN 104270807 B CN104270807 B CN 104270807B
- Authority
- CN
- China
- Prior art keywords
- mrow
- node
- msub
- neighbor
- transmission power
- 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.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/28—TPC being performed according to specific parameters using user profile, e.g. mobile speed, priority or network state, e.g. standby, idle or non transmission
- H04W52/283—Power depending on the position of the mobile
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种三维场景下无线Mesh网络节点发射功率选择方法及设备，用于根据网络中所有节点的位置和相互之间的距离确定各节点的发射功率。该方法的具体过程包括：开始时，所有节点以最大功率发射信号，探测邻居信息；节点根据探测到的邻居信息形成邻居列表，邻居列表包括邻居节点的距离、信号强度等信息；节点将自己的邻居列表上传给根节点，根节点掌握全网所有节点的位置和距离信息；根节点根据本发明提出的综合性能权衡模型和全局迭代优化算法，集中式计算全网所有节点的最优发射功率集合，并通知网络中所有节点；节点根据收到的来自根节点的功率调整信息调整自己的发射功率。本发明还公布了一种能实现本发明提出的功率选择方案的设备。
Description
技术领域
本发明涉及无线Mesh网络领域，特别是一种用于三维场景的无线Mesh网络发射功率选择方法及设备。
背景技术
WMN(WirelessMeshNetwork)又被称为无线网状网络，具有自组织性、多跳中继等特点，是一种广覆盖、高速率、大容量的分布式网络，从广义上来说，任何拓扑形状为网型的无线网络均可以被看作是无线Mesh网络，但从狭义上来说，其主要是由路由Mesh节点和用户终端(STA)组成，其中路由Mesh节点的移动性较弱，又可细分为3种：Mesh点(MeshPoint，MP)，指支持无线Mesh业务的节点，主要业务有路由选择和信息转发；Mesh接入点(MeshAccess Point，MAP)，MAP作为STA无线接入Mesh网络的接口；Mesh入口点(MeshPortalPoint，MPP)，也可以称为网关节点(Gateway)，是Mesh网络连接其他网络的接口。终端STA通过路由Mesh节点之间的多跳到达目的节点，还可以通过网关节点(Gateway)访问互联网。
根据应用场景不同，无线Mesh网络拓扑结构可以分为二维拓扑结构和三维拓扑结构。二维拓扑结构适用于室外场景，Mesh节点在空旷的室外场景传输数据，每个Mesh节点可传输几十公里，因此Mesh节点之间的高度差相比水平传输距离要小很多，可忽略不计。而三维无线Mesh网络适用于室内场景，Mesh节点的传输距离会因为墙体的阻碍而大幅缩短，而且Mesh节点之间的高度差相比水平传输距离不能忽略。功率控制技术是无线Mesh网络关键技术之一。
中国专利分布式Mesh网络功率调整的方法及设备，申请号：CN201110318344.3公开了一种分布式Mesh网络功率调整的方法及设备，用以根据网络中每个节点的覆盖功率及当前节点的用户质量决定功率调整策略，从而实现在无需专门控制器的情况下，每一个节点都在需要功率调整时，与它的邻居进行深度协商后，决定功率调整策略，确保网络在使用过程中不出现过渡覆盖或覆盖盲区的情况。其中，节点功率调整方法，包括：启动节点获取邻居信息表；启动节点关联多个STA后，统计每个STA质量值；启动节点根据所述收集到的邻居信息表及STA质量值，判定所述节点是否进行功率调整；如需进行功率调整，所述节点根据邻居节点的功率情况，选择具体功率调整策略并进行功率调整。该发明采用分布式的方法，不能得到详细的全网拓扑，做出的功率调整策略缺乏全局性，不一定能做出最优的功率选择方案。而且，由于采用的是分布式的方法，每个节点都需与周围的邻居节点进行协商，网络开销较大，收敛速度慢。
中国专利Mesh网络中的集中式拓扑控制及功率调整的方法、装置，申请号：CN200810068232.5，公开了一种mesh网络中集中式拓扑控制的方法及装置，以及在集中式拓扑控制下的节点功率调整的方法与装置。所述mesh网络中集中式拓扑控制的方法包括步骤：拓扑控制服务器获取mesh节点的链路信息；获得所述链路信息后拓扑控制服务器向该mesh节点发送前向拓扑探测请求，进行前向拓扑信息收集；完成前向拓扑信息收集后，拓扑控制服务器向该mesh节点的邻居节点发送反向拓扑探测请求，对邻居节点进行反向拓扑信息收集。通过对网络中任意节点的正向和反向邻居信息的收集，可以使得拓扑控制服务器全面了解网络的拓扑信息，以便于做出全局优化的拓扑控制决策，并控制网络内的mesh节点进行功率调整。该发明采用了集中式控制的方法来调整节点功率，由一个服务器向网络中各节点发送功率调整信息，或节点向服务器发送功率调整请求信息。但是这种方式比较复杂，需要服务器与普通节点、普通节点之间都要进行多次交互。
现有技术的功率控制方法都只考虑了二维场景，不适合应用与三维场景；另外，现有的技术方案多只考虑单目标优化，没有综合考虑多个网络性能指标。
发明内容
本发明的目的在于克服现有技术的不足，提供一种用于三维场景的无线Mesh网络发射功率选择方法及设备，本发明解决三维场景的建模，综合考虑节点发射功率对网络连通性和干扰度的影响，建立一个综合性能权衡模型，定量分析节点发射功率对网络在这两个方面的性能影响；提出一种全局迭代优化算法，能快速求得最优的全网节点发射功率集，本发明的功率选择方案能在保证网络连通性的同时，使网络干扰尽可能小，最大限度提升网络吞吐量，提高网络性能，同时提出配合本发明的方法使用的设备。
本发明的目的是通过以下技术方案来实现的：一种用于三维场景的无线Mesh网络发射功率选择的方法，它包括以下步骤：
S1：邻居信息采集，收集邻居节点信息，研究节点根据收集到的邻居节点信息建立邻居列表，并且根据接收信号强度计算邻居节点与研究节点的距离；
S2：性能评估,根节点根据每次收集到的邻居节点信息，生成不同的网络拓扑图，确定网络权衡函数，评价网络性能；
S3：迭代优化，使用迭代的方法，逐步优化网络各节点的发射功率集合，经过多次迭代得到最优发射功率集合。
所述的邻居信息采集包括如下子步骤：
S11：节点A以最大发射功率发送邻居信息探测帧(beacon帧)，若节点B接收到beacon帧并且信号强度大于设定的门限值RSr，则B成功收到beacon并能成功译码；
S12：B节点发送一个open帧，节点A收到B的open帧后回应一个confirm帧，经过两次握手后节点A与节点B建立邻居关系；
S13：根据接收信号强度计算A与B之间的距离；
S14：其他所有节点按相同的方式探测邻居信息，并形成邻居列表；
S15：网络中的普通节点将自己的邻居列表上传给根节点。
所述的性能评估包括如下子步骤：
S21：根节点根据每次收集到的邻居节点信息，生成不同的网络拓扑图；
S22：根据干扰节点数计算节点干扰强度，它包括如下计算：
设节点i分别在节点u、v、w的覆盖范围内，当i作为接收节点时，会收到来自u、v、w的信息；
设v向i在发送信息，节点u、w为干扰节点，干扰节点数为2，节点i的干扰节点定义如下：
I(i)＝{t|i∈Ω,t∈Ω,v∈Ω,t≠v}∩{t|i∈Ω,t∈Ω,d(i,t)<rt} (5-1)
其中Ω为网络中节点的集合，i是接收节点，v是发送节点，t是异于v的其他节点，d(i,t)是节点i与节点t之间的距离，rt为节点t的信号的覆盖范围的半径；
在三维Mesh网络场景下，接收节点i的干扰强度如下式所示：
其中η0是背景噪声，num(i)为节点i的干扰节点数，Pk为各干扰节点不同的发射功率,d(k,i)为干扰节点k到接收节点i之间的距离,α为路径衰减因子,gk为节点k的天线增益；
为了保证不同的目标因子在同一个数量级，对接收节点的干扰强度进行线性归一化处理，归一化后接收节点干扰强度如下式所示：
其中INmax和INmin分别指节点内的最大干扰强度和最小干扰强度；
S23：用邻居节点数表示网络健壮性，分析邻居节点与发射功率之间的关系，它包括如下计算：
设研究区域为一个体积为V，节点服从均匀随机分布的区域，发送节点i的覆盖范围为vi，通信半径为ri，则节点总数为N；
节点分布服从均匀随机分布，则一个节点是否在i的覆盖范围内服从伯努力试验，设在i的覆盖范围内的概率为P，不在覆盖范围内的概率为1-P，其概率P为：
根据伯努利试验与二项分布之间的关系，可知节点i的覆盖区域内的节点数n服从二项分布，其概率为：
设研究区域为V的空间内，有N个节点，易得节点分布密度ρ为：
假设节点i覆盖范围为vi，则在该区域内的节点数n与覆盖范围之间的关系如下式所示：
根据二项分布特性可知，以任一节点为中心的球型区域内覆盖节点数目可以表示为相应的数学期望,因此研究节点i的邻居节点数可以表示为:
NbNum(i)＝E(ξ＝n)-1 (5-8)
根据二项式的数学期望求解公式如下：
E(ξ＝n)＝nP (5-9)
则节点i在覆盖范围为vi的空间内，相应数学期望为：
其中ρ是节点分布密度，ri为发送节点i的覆盖半径，V是研究范围,则由(5-8)式可知邻居节点数与覆盖半径之间的关系为：
式(5-11)描述了邻居节点数与覆盖半径之间的数学关系，再根据半径与发射功率之间的关系，可以得到邻居节点数与发射功率之间的关系，距离与发射功率之间的关系如下式所示：
其中g为天线增益，α为路径衰减因子，Ps为发送节点的发射功率，RSr为接收灵敏度,将(5-12)式带入(5-11)式可得邻居节点数与发射功率之间的关系:
其中Pi是节点i的发射功率，gi是节点i的天线增益,使用邻居节点数作为网络健壮性强弱的判断标准,邻居节点数越多，网络的鲁棒性也越强,在此使用NbNum(i)表示网络健壮性，值越大网络鲁棒性越强,为了保证干扰强度和节点度在同一个数量级，对节点度进行归一化处理，如下式所示，其中NbNum(i)max和NbNum(i)min表示节点度的最大值和最小值,
S24：根据S22和S23计算的干扰强度和健壮性，计算节点i发射功率与网络健壮性以及节点干扰的权衡关系，它包括如下计算：
节点i发射功率与网络健壮性以及节点干扰的权衡关系为：
f(i)＝λ*IN(i)one-γ*NbNum(i)one (5-15)
其中λ和γ是性能权衡因子，表征干扰强度和节点度占权衡模型的比重，且λ+γ＝1；
根据前面干扰强度与节点度的分析，带入式(5-15)中得到权衡函数如下式所示：
其中IN(i)是节点i的干扰强度，NbNum(i)是节点i的邻居节点数。当f(i)为最小值时，性能达到最优，即求解minf(i),对于整个网络而言，网络的权衡函数为：
其中F(t)表示第t代对应的目标函数值，通过求解函数F(t)的最小值，得到网络的最优发射功率集合，该模型中每个节点根据自身情况设置不同的发射功率，其中N为节点总数，η0为背景噪声，num(i)是节点i的干扰节点数，Pk是干扰节点的发射功率，gk为节点k的天线增益，d(k,i)是干扰节点k到接收节点i的距离，α为路径衰减因子，ρ是节点分布密度ρ＝NV，V是研究几何空间，RSr是接收灵敏度，Pi是接收节点i的发射功率，其中λ和γ是性能权衡因子，表征干扰强度和节点度占权衡模型的比重，且λ+γ＝1；其中IN(i)max和IN(i)min分别指节点的最大干扰强度和最小干扰强度；NbNum(i)max和NbNum(i)min表示节点度的最大值和最小值,该权衡函数结合智能算法得到网络最优发射功率集，相应的约束条件：min(Pi)≤Pi≤Pmax，i∈1,2,3,4...N，其中min(Pi)是指i节点连接到网络中最小发射功率，该功率随着节点i的几何位置不同而变化；Pmax是最大发射功率，该功率是由网卡的物理特性确定。
所述的迭代优化的目的是求得合适的发射功率集，使网络性能权衡函数F(t)取得最小值，
迭代优化包括如下子步骤：
S31：将网络中所有节点的发射功率按节点编号的顺序组合成一个个体；
S32：伪随机生成N个个体构成群体t；
每个节点的发射功率取值范围min(Pi)≤Pi≤Pmax，i∈1,2,3,...NIND，群体规模为NIND个，即有NIND个独立的个体，把每个节点的发射功率分为NIND个独立的范围，每个个体在独立的范围内随机产生一个值作为初始值；
S33：对群体t进行迭代优化，它包括如下子步骤：
S331：将群体中的每个个体进行二进制编码，它包括如下计算：
设某一节点Pk取值范围为[min(Pk)，Pmax]，假设编码长度为20，则一共有220种编码，二进制串与参数之间关系如下：
通过解码得到一个二进制串对应的参数值，设某个体的二进制串为b20b19b18...b2b1，则对应的解码公式为：
00000000...0000＝0→min(Pk)
00000000...0001＝1→min(Pk)+δ
00000000...0010＝2→min(Pk)+2δ
11111111...1111＝2n-1→Pmax
其中，编码位数越多，相应求解精度越大，
通过解码得到一个二进制串对应的参数值，设某个体的二进制串为b20b19b18...b2b1，则对应的解码公式为：
其中Pmax是节点最大发射功率；
S332：计算目标函数F(t)的适应值；
对于求极小值问题，适应度值等于目标函数值的相反数，即：eval(t)＝-F(t)，t＝1，2，3，...，MAXITE，其中MAXITE为迭代最大次数，对目标函数值进行从小到大排序，淘汰掉最后值较大一定比例个体；
S333：对余下个体进行选择运算，在群体中选择比较优秀的部分个体，选择包括以下计算：
(1)设第t次迭代群体中一个个体为Uk，则个体Uk的适应度值为eval(Uk)，
eval(Uk)＝-F(Uk),k＝1,2,3,...NIND (5-22)
(2)计算第t次迭代群体内所有个体的适应度值总和F，
(3)计算个体Uk在第t次迭代时被选择的概率
(4)计算每个个体Uk的累积概率Qk，
(5)随机产生NIND个[0,1]区间的随机数，将该随机数与Qk比较，若随机数r满足Qk-1≤r≤Qk，则Uk个体被选中；
S334：将S343选出的个体进行随机配对，并进行交叉运算和变异运算，和原有个体一起组成新的群体t+1，所述的交叉运算采用单点交叉的方式，变异运算采用基本位突变的方式；
S34：对新的群体t+1进行迭代优化，直到迭代最大次数MAXITE；
S35：得到最优发射功率。
一种用于三维场景的无线Mesh网络发射功率选择设备，它包括普通节点和根节点，所述的普通节点包括收发模块、邻居信息交互模块、邻居信息存储模块和功率调整模块；
邻居信息交互模块负责收集邻居节点信息，以两次握手的方式与邻居节点建立邻居关系，具体包括发送beacon帧探测邻居信息，以及接收open帧和confirm帧，并计算与邻居节点的距离；
邻居信息存储模块将邻居信息交互模块收集到的邻居信息，以邻居列表的形式组织存储邻居列表包括邻居节点编号、距离、信号强度等信息；
功率调整模块根据接收到的来自根节点的功率调整信息调节自身发射功率；
所述的根节点包括收发模块、信息收集模块、信息存储模块、最优发射功率计算模块和分配模块；
信息收集模块负责收集普通节点上传的邻居列表，并汇总形成全网完整拓扑；
信息存储模块存储网络拓扑，以及普通节点的功率调整信息；
最优发射功率计算模块根据本发明提出的综合性能权衡模型和全局迭代优化算法计算最优的节点发射功率集；
分配模块根据计算得到的最优节点发射功率集，形成发送给各个普通节点的功率调整信息，指导普通Mesh节点调整发射功率。
本发明的有益效果是：本发明提供一种用于三维场景的无线Mesh网络发射功率选择方法及设备，本发明解决了三维场景的建模，综合考虑了节点发射功率对网络连通性和干扰度的影响，建立了一个综合性能权衡模型，定量分析节点发射功率对网络在这两个方面的性能影响；提出了一种全局迭代优化算法，能快速求得最优的全网节点发射功率集，本发明的功率选择方案能在保证网络连通性的同时，使网络干扰尽可能小，最大限度提升网络吞吐量，提高网络性能。
附图说明
图1为全局迭代优化算法流程图；
图2为迭代优化阶段求解最优发射功率流程图；
图3为节点干扰模型示意图；
图4为伪随机产生40组初始群体示意图；
图5为单点交叉示意图；
图6为变异示意图；
图7为普通节点模块图；
图8为根节点模块图；
图9为Mesh网络示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种用于三维场景的无线Mesh网络发射功率选择的方法，它包括以下步骤：
S1：邻居信息采集，收集邻居节点信息，研究节点根据收集到的邻居节点信息建立邻居列表，并且根据接收信号强度计算邻居节点与研究节点的距离；
S2：性能评估,根节点根据每次收集到的邻居节点信息，生成不同的网络拓扑图，确定网络权衡函数，评价网络性能；
S3：迭代优化，使用迭代的方法，逐步优化网络各节点的发射功率集合，经过多次迭代得到最优发射功率集合。
所述的信息采集包括如下子步骤：
S11：节点A以最大发射功率发送邻居信息探测帧(beacon帧)，若节点B接收到beacon帧并且信号强度大于设定的门限值RSr，则B成功收到beacon并能成功译码；
S12：B节点发送一个open帧，节点A收到B的open帧后回应一个confirm帧，经过两次握手后节点A与节点B建立邻居关系；
S13：根据接收信号强度计算A与B之间的距离；
S14：其他所有节点按相同的方式探测邻居信息，并形成邻居列表；
S15：网络中的普通节点将自己的邻居列表上传给根节点。
所述的性能评估包括如下子步骤：
S21：根节点根据每次收集到的邻居节点信息，生成不同的网络拓扑图；
S22：根据干扰节点数计算节点干扰强度，它包括如下计算：
如图3所示，设节点i分别在节点u、v、w的覆盖范围内，当i作为接收节点时，会收到来自u、v、w的信息；
设v向i在发送信息，节点u、w为干扰节点，干扰节点数为2，节点i的干扰节点定义如下：
I(i)＝{t|i∈Ω,t∈Ω,v∈Ω,t≠v}∩{t|i∈Ω,t∈Ω,d(i,t)<rt} (5-1)
其中Ω为网络中节点的集合，i是接收节点，v是发送节点，t是异于v的其他节点，d(i,t)是节点i与节点t之间的距离，rt为节点t的信号的覆盖范围的半径；
在三维Mesh网络场景下，接收节点i的干扰强度如下式所示：
其中η0是背景噪声，num(i)为节点i的干扰节点数，Pk为各干扰节点不同的发射功率,d(k,i)为干扰节点k到接收节点i之间的距离,α为路径衰减因子,gk为节点k的天线增益；
为了保证不同的目标因子在同一个数量级，对接收节点的干扰强度进行线性归一化处理，归一化后接收节点干扰强度如下式所示：
其中INmax和INmin分别指节点内的最大干扰强度和最小干扰强度；
S23：用邻居节点数表示网络健壮性，分析邻居节点与发射功率之间的关系，它包括如下计算：
设研究区域为一个体积为V，节点服从均匀随机分布的区域，发送节点i的覆盖范围为vi，通信半径为ri，则节点总数为N；
节点分布服从均匀随机分布，则一个节点是否在i的覆盖范围内服从伯努力试验，设在i的覆盖范围内的概率为P，不在覆盖范围内的概率为1-P，其概率P为：
根据伯努利试验与二项分布之间的关系，可知节点i的覆盖区域内的节点数n服从二项分布，其概率为：
设研究区域为V的空间内，有N个节点，易得节点分布密度ρ为：
假设节点i覆盖范围为vi，则在该区域内的节点数n与覆盖范围之间的关系如下式所示：
根据二项分布特性可知，以任一节点为中心的球型区域内覆盖节点数目可以表示为相应的数学期望,因此研究节点i的邻居节点数可以表示为:
NbNum(i)＝E(ξ＝n)-1 (5-8)
根据二项式的数学期望求解公式如下：
E(ξ＝n)＝nP (5-9)
则节点i在覆盖范围为vi的空间内，相应数学期望为：
其中ρ是节点分布密度，ri为发送节点i的覆盖半径，V是研究范围,则由(5-8)式可知邻居节点数与覆盖半径之间的关系为：
式(5-11)描述了邻居节点数与覆盖半径之间的数学关系，再根据半径与发射功率之间的关系，可以得到邻居节点数与发射功率之间的关系，距离与发射功率之间的关系如下式所示：
其中g为天线增益，α为路径衰减因子，Ps为发送节点的发射功率，RSr为接收灵敏度,将(5-12)式带入(5-11)式可得邻居节点数与发射功率之间的关系:
其中Pi是节点i的发射功率，gi是节点i的天线增益,使用邻居节点数作为网络健壮性强弱的判断标准,邻居节点数越多，网络的鲁棒性也越强,在此使用NbNum(i)表示网络健壮性，值越大网络鲁棒性越强,为了保证干扰强度和节点度在同一个数量级，对节点度进行归一化处理，如下式所示，其中NbNum(i)max和NbNum(i)min表示节点度的最大值和最小值,
S24：根据S22和S23计算的干扰强度和健壮性，计算节点i发射功率与网络健壮性以及节点干扰的权衡关系，它包括如下计算：
节点i发射功率与网络健壮性以及节点干扰的权衡关系为：
f(i)＝λ*IN(i)one-γ*NbNum(i)one (5-15)
其中λ和γ是性能权衡因子，表征干扰强度和节点度占权衡模型的比重，且λ+γ＝1；
根据前面干扰强度与节点度的分析，带入式(5-15)中得到权衡函数如下式所示：
其中IN(i)是节点i的干扰强度，NbNum(i)是节点i的邻居节点数。当f(i)为最小值时，性能达到最优，即求解minf(i),对于整个网络而言，网络的权衡函数为：
其中F(t)表示第t代对应的目标函数值，通过求解函数F(t)的最小值，得到网络的最优发射功率集合，该模型中每个节点根据自身情况设置不同的发射功率，其中N为节点总数，η0为背景噪声，num(i)是节点i的干扰节点数，Pk是干扰节点的发射功率，gk为节点k的天线增益，d(k,i)是干扰节点k到接收节点i的距离，α为路径衰减因子，ρ是节点分布密度ρ＝NV，V是研究几何空间，RSr是接收灵敏度，Pi是接收节点i的发射功率，其中λ和γ是性能权衡因子，表征干扰强度和节点度占权衡模型的比重，且λ+γ＝1；其中IN(i)max和IN(i)min分别指节点的最大干扰强度和最小干扰强度；NbNum(i)max和NbNum(i)min表示节点度的最大值和最小值,该权衡函数结合智能算法得到网络最优发射功率集，相应的约束条件：min(Pi)≤Pi≤Pmax，i∈1,2,3,4...N，其中min(Pi)是指i节点连接到网络中最小发射功率，该功率随着节点i的几何位置不同而变化；Pmax是最大发射功率，该功率是由网卡的物理特性确定。
如图2所示，所述的迭代优化的目的是求得合适的发射功率集，使网络性能权衡函数F(t)取得最小值，
迭代优化包括如下子步骤：
S31：将网络中所有节点的发射功率按节点编号的顺序组合成一个个体；
S32：伪随机生成N个个体构成群体t；
每个节点的发射功率取值范围min(Pi)≤Pi≤Pmax，i∈1,2,3,...NIND，群体规模为NIND个，即有NIND个独立的个体，把每个节点的发射功率分为NIND个独立的范围，每个个体在独立的范围内随机产生一个值作为初始值；
S33：对群体t进行迭代优化，它包括如下子步骤：
S331：将群体中的每个个体进行二进制编码，它包括如下计算：
设某一节点Pk取值范围为[min(Pk)，Pmax]，假设编码长度为20，则一共有220种编码，二进制串与参数之间关系如下：
通过解码得到一个二进制串对应的参数值，设某个体的二进制串为b20b19b18...b2b1，则对应的解码公式为：
00000000...0000＝0→min(Pk)
00000000...0001＝1→min(Pk)+δ
00000000...0010＝2→min(Pk)+2δ
11111111...1111＝2n-1→Pmax
其中，编码位数越多，相应求解精度越大，
通过解码得到一个二进制串对应的参数值，设某个体的二进制串为b20b19b18...b2b1，则对应的解码公式为：
其中Pmax是节点最大发射功率；
S332：计算目标函数F(t)的适应值；
对于求极小值问题，适应度值等于目标函数值的相反数，即：eval(t)＝-F(t)，t＝1，2，3，...，MAXITE，其中MAXITE为迭代最大次数，对目标函数值进行从小到大排序，淘汰掉最后值较大一定比例个体；
S333：对余下个体进行选择运算，在群体中选择比较优秀的部分个体，选择包括以下计算：
(1)设第t次迭代群体中一个个体为Uk，则个体Uk的适应度值为eval(Uk)，
eval(Uk)＝-F(Uk),k＝1,2,3,...NIND (5-22)
(2)计算第t次迭代群体内所有个体的适应度值总和F，
(3)计算个体Uk在第t次迭代时被选择的概率
(4)计算每个个体Uk的累积概率Qk，
(5)随机产生NIND个[0,1]区间的随机数，将该随机数与Qk比较，若随机数r满足Qk-1≤r≤Qk，则Uk个体被选中；
S334：将S343选出的个体进行随机配对，并进行交叉运算和变异运算，和原有个体一起组成新的群体t+1，如图5所示，交叉运算采用单点交叉的方式，如图6所示，变异运算采用基本位突变的方式；
S34：对新的群体t+1进行迭代优化，直到迭代最大次数MAXITE；
S35：得到最优发射功率。
一种用于三维场景的无线Mesh网络发射功率选择设备，它包括普通节点和根节点，如图7所示，普通节点包括收发模块、邻居信息交互模块、邻居信息存储模块和功率调整模块；
邻居信息交互模块负责收集邻居节点信息，以两次握手的方式与邻居节点建立邻居关系，具体包括发送beacon帧探测邻居信息，以及接收open帧和confirm帧，并计算与邻居节点的距离；
邻居信息存储模块将邻居信息交互模块收集到的邻居信息，以邻居列表的形式组织存储邻居列表包括邻居节点编号、距离、信号强度等信息；
功率调整模块根据接收到的来自根节点的功率调整信息调节自身发射功率。
如他8所示，根节点包括收发模块、信息收集模块、信息存储模块、最优发射功率计算模块和分配模块；
信息收集模块负责收集普通节点上传的邻居列表，并汇总形成全网完整拓扑；
信息存储模块存储网络拓扑，以及普通节点的功率调整信息；
最优发射功率计算模块根据本发明提出的综合性能权衡模型和全局迭代优化算法计算最优的节点发射功率集；
分配模块根据计算得到的最优节点发射功率集，形成发送给各个普通节点的功率调整信息，指导普通Mesh节点调整发射功率。
本发明提出了一种综合考虑干扰度和连通度的三维无线Mesh网络性能权衡模型，以及一种求解节点最优发射功率集的全局迭代优化算法。本发明的应用环境如下：
1、节点分布比较均匀，且位置固定；
2、节点以最大发射功率通信时，形成的拓扑是连通的；
3、节点使用全向天线，并且发射功率可调整；
4、各Mesh节点具有一定的数据存储和计算能力。
将本发明应用于如图9所示的三维无线Mesh网络，以MAP4为根节点，其他节点为普通节点。网络中所有节点最大发射功率为Pmax，接收灵敏度为RSr，路径衰落因子为α。
本发明提出的节点发射功率选择方案实施步骤如下：
步骤一：
所有节点以最大发射功率探测邻居信息。过程如下：节点MAP1发射邻居信息探测帧(beacon帧)，节点MAP2收到beacon帧后，如果信号强度大于门限值RSr，则回复一个open帧，节点MAP1收到open帧后，回复一个confirm帧，经过两次握手，节点MAP1与MAP2建立邻居关系，并根据信号强度计算距离。其他所有节点按相同的方式探测邻居信息，并形成邻居列表，邻居列表包括与邻居节点的距离信息。
步骤二：
所有普通节点将自己的邻居列表上传给根节点MAP4，根节点计算得到全网完整拓扑。
步骤三：
根节点通过本发明提出的综合性能权衡模型和全局迭代优化算法(3D-GIOA)计算最优的发射功率集合。计算步骤如下：
1、随机产生NIND组发射功率集合。
2、将随机产生的NIND组发射功率集合进行二进制编码，形成一个由NIND个个体组成的群体。
3、评价产生的NIND个个体，并舍弃其中最差的部分个体，比如15％的比例。
4、将剩下的个体进行选择、交叉和变异运算，得到新的个体，和原有的个体一起组成
新的群体。
5、如果迭代次数小于MAXITE，将迭代次数加1，并跳转到步骤3；否则选择出最优的个体解码得到最优发射功率集，计算结束。
步骤四：
根节点MAP4生成功率调整信息，功率调整信息包含每个节点应该具有的发射功率。根节点MAP4将功率调整信息发送给全网所有节点。网络中的普通节点收到来自根节点的功率调整信息后，调整自己的发射功率。
Claims (2)
1.一种用于三维场景的无线Mesh网络发射功率选择方法，其特征在于：它包括以下步骤：
S1：邻居信息采集，收集邻居节点信息，研究节点根据收集到的邻居节点信息建立邻居列表，并且根据接收信号强度计算邻居节点与研究节点的距离；
S2：性能评估,根节点根据每次收集到的邻居节点信息，生成不同的网络拓扑图，确定网络权衡函数，评价网络性能；
S3：迭代优化，使用迭代的方法，逐步优化网络各节点的发射功率集合，经过多次迭代得到最优发射功率集合；
所述的邻居信息采集包括如下子步骤：
S11：节点A以最大发射功率发送邻居信息探测帧，若节点B接收到beacon帧并且信号强度大于设定的门限值RSr，则B成功收到beacon并能成功译码；
S12：B节点发送一个open帧，节点A收到B的open帧后回应一个confirm帧，经过两次握手后节点A与节点B建立邻居关系；
S13：根据接收信号强度计算A与B之间的距离；
S14：其他所有节点按相同的方式探测邻居信息，并形成邻居列表；
S15：网络中的普通节点将自己的邻居列表上传给根节点；
所述的性能评估包括如下子步骤：
S21：根节点根据每次收集到的邻居节点信息，生成不同的网络拓扑图；
S22：根据干扰节点数计算节点干扰强度，它包括如下计算：
设节点i分别在节点u、v、w的覆盖范围内，当i作为接收节点时，会收到来自u、v、w的信息；
设v向i在发送信息，节点u、w为干扰节点，干扰节点数为2，节点i的干扰节点定义如下：
I(i)＝{t|i∈Ω,t∈Ω,v∈Ω,t≠v}∩{t|i∈Ω,t∈Ω,d(i,t)<rt} (5-1)
其中Ω为网络中节点的集合，i是接收节点，v是发送节点，t是异于v的其他节点，d(i,t)是节点i与节点t之间的距离，rt为节点t的信号的覆盖范围的半径；
在三维Mesh网络场景下，接收节点i的干扰强度如下式所示：
<mrow>
<msub>
<mi>IN</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&eta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<msub>
<mi>g</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中η0是背景噪声，num(i)为节点i的干扰节点数，Pk为各干扰节点不同的发射功率,d(k,i)为干扰节点k到接收节点i之间的距离,α为路径衰减因子,gk为节点k的天线增益；
为了保证不同的目标因子在同一个数量级，对接收节点的干扰强度进行线性归一化处理，归一化后接收节点干扰强度如下式所示：
<mrow>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>o</mi>
<mi>n</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&eta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<msub>
<mi>g</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<msub>
<mi>IN</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>IN</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>IN</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中INmax和INmin分别指节点内的最大干扰强度和最小干扰强度；
S23：用邻居节点数表示网络健壮性，分析邻居节点与发射功率之间的关系，它包括如下计算：
设研究区域为一个体积为V，节点服从均匀随机分布的区域，发送节点i的覆盖范围为vi，通信半径为ri，则节点总数为N；
节点分布服从均匀随机分布，则一个节点是否在i的覆盖范围内服从伯努力试验，设在i的覆盖范围内的概率为P，不在覆盖范围内的概率为1-P，其概率P为：
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mi>V</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
根据伯努利试验与二项分布之间的关系，可知节点i的覆盖区域内的节点数n服从二项分布，其概率为：
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>=</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>C</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mi>V</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mi>V</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mi>n</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
设研究区域为V的空间内，有N个节点，易得节点分布密度ρ为：
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mfrac>
<mi>N</mi>
<mi>V</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
假设节点i覆盖范围为vi，则在该区域内的节点数n与覆盖范围之间的关系如下式所示：
根据二项分布特性可知，以任一节点为中心的球型区域内覆盖节点数目可以表示为相应的数学期望,因此研究节点i的邻居节点数可以表示为:
NbNum(i)＝E(ξ＝n)-1 (5-8)
根据二项式的数学期望求解公式如下：
E(ξ＝n)＝nP (5-9)
则节点i在覆盖范围为vi的空间内，相应数学期望为：
其中ρ是节点分布密度，ri为发送节点i的覆盖半径，V是研究范围,则由(5-8)式可知邻居节点数与覆盖半径之间的关系为：
式(5-11)描述了邻居节点数与覆盖半径之间的数学关系，再根据半径与发射功率之间的关系，可以得到邻居节点数与发射功率之间的关系，距离与发射功率之间的关系如下式所示：
其中g为天线增益，α为路径衰减因子，Ps为发送节点的发射功率，RSr为接收灵敏度,将(5-12)式带入(5-11)式可得邻居节点数与发射功率之间的关系:
其中Pi是节点i的发射功率，gi是节点i的天线增益,使用邻居节点数作为网络健壮性强弱的判断标准,邻居节点数越多，网络的鲁棒性也越强,在此使用NbNum(i)表示网络健壮性，值越大网络鲁棒性越强,为了保证干扰强度和节点度在同一个数量级，对节点度进行归一化处理，如下式所示，其中NbNum(i)max和NbNum(i)min表示节点度的最大值和最小值,
S24：根据S22和S23计算的干扰强度和健壮性，计算节点i发射功率与网络健壮性以及节点干扰的权衡关系，它包括如下计算：
节点i发射功率与网络健壮性以及节点干扰的权衡关系为：
f(i)＝λ*IN(i)one-γ*NbNum(i)one (5-15)
其中λ和γ是性能权衡因子，表征干扰强度和节点度占权衡模型的比重，且λ+γ＝1；
根据前面干扰强度与节点度的分析，带入式(5-15)中得到权衡函数如下式所示：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&lambda;</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
其中IN(i)是节点i的干扰强度，NbNum(i)是节点i的邻居节点数，当f(i)为最小值时，性能达到最优，即求解minf(i),对于整个网络而言，网络的权衡函数为：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>I</mi>
<mi>N</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>N</mi>
<mi>b</mi>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
其中F(t)表示第t代对应的目标函数值，通过求解函数F(t)的最小值，得到网络的最优发射功率集合，该模型中每个节点根据自身情况设置不同的发射功率，其中N为节点总数，η0为背景噪声，num(i)是节点i的干扰节点数，Pk是干扰节点的发射功率，gk为节点k的天线增益，d(k,i)是干扰节点k到接收节点i的距离，α为路径衰减因子，ρ是节点分布密度ρ＝N/V，V是研究几何空间，RSr是接收灵敏度，Pi是接收节点i的发射功率，其中λ和γ是性能权衡因子，表征干扰强度和节点度占权衡模型的比重，且λ+γ＝1；其中IN(i)max和IN(i)min分别指节点的最大干扰强度和最小干扰强度；NbNum(i)max和NbNum(i)min表示节点度的最大值和最小值,该权衡函数结合智能算法得到网络最优发射功率集，相应的约束条件：min(Pi)≤Pi≤Pmax，i∈1,2,3,4...N，其中min(Pi)是指i节点连接到网络中最小发射功率，该功率随着节点i的几何位置不同而变化；Pmax是最大发射功率，该功率是由网卡的物理特性确定；
所述的迭代优化的目的是求得合适的发射功率集，使网络性能权衡函数F(t)取得最小值，
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>RS</mi>
<mi>r</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mi>&alpha;</mi>
</mfrac>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
迭代优化包括如下子步骤：
S31：将网络中所有节点的发射功率按节点编号的顺序组合成一个个体；
S32：伪随机生成N个个体构成群体t；
每个节点的发射功率取值范围min(Pi)≤Pi≤Pmax，i∈1,2,3,...NIND，群体规模为NIND个，即有NIND个独立的个体，把每个节点的发射功率分为NIND个独立的范围，每个个体在独立的范围内随机产生一个值作为初始值；
S33：对群体t进行迭代优化，它包括如下子步骤：
S331：将群体中的每个个体进行二进制编码，它包括如下计算：
设某一节点Pk取值范围为[min(Pk)，Pmax]，假设编码长度为20，则一共有220种编码，二进制串与参数之间关系如下：
通过解码得到一个二进制串对应的参数值，设某个体的二进制串为b20 b19 b18... b2b1，则对应的解码公式为：
0000 0000...0000＝0→min(Pk)
0000 0000...0001＝1→min(Pk)+δ
0000 0000...0010＝2→min(Pk)+2δ
......
1111 1111...1111＝2n-1→Pmax
其中，编码位数越多，相应求解精度越大，
通过解码得到一个二进制串对应的参数值，设某个体的二进制串为b20b19b18...b2b1，则对应的解码公式为：
<mrow>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>20</mn>
</munderover>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mn>2</mn>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mn>2</mn>
<mn>20</mn>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>21</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Pmax是节点最大发射功率；
S332：计算目标函数F(t)的适应值；
对于求极小值问题，适应度值等于目标函数值的相反数，即：eval(t)＝-F(t)，t＝1，2，3，...，MAXITE，其中MAXITE为迭代最大次数，对目标函数值进行从小到大排序，淘汰掉最后值较大一定比例个体；
S333：对余下个体进行选择运算，在群体中选择比较优秀的部分个体，选择包括以下计算：
(1)设第t次迭代群体中一个个体为Uk，则个体Uk的适应度值为eval(Uk)，
eval(Uk)＝-F(Uk),k＝1,2,3,...NIND (5-22)
(2)计算第t次迭代群体内所有个体的适应度值总和F，
<mrow>
<mi>F</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>N</mi>
<mi>D</mi>
</mrow>
</munderover>
<mi>e</mi>
<mi>v</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>23</mn>
<mo>)</mo>
</mrow>
</mrow>
(3)计算个体Uk在第t次迭代时被选择的概率
<mrow>
<msub>
<mi>P</mi>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>e</mi>
<mi>v</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>F</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>24</mn>
<mo>)</mo>
</mrow>
</mrow>
(4)计算每个个体Uk的累积概率Qk，
<mrow>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>U</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>-</mo>
<mn>25</mn>
<mo>)</mo>
</mrow>
</mrow>
(5)随机产生NIND个[0,1]区间的随机数，将该随机数与Qk比较，若随机数r满足Qk-1≤r≤Qk，则Uk个体被选中；
S334：将S343选出的个体进行随机配对，并进行交叉运算和变异运算，和原有个体一起组成新的群体t+1，所述的交叉运算采用单点交叉的方式，变异运算采用基本位突变的方式；
S34：对新的群体t+1进行迭代优化，直到迭代最大次数MAXITE；
S35：得到最优发射功率。
2.一种用于三维场景的无线Mesh网络发射功率选择设备，其特征在于：采用权利要求1所述的网络发射规律选择方法，所述设备包括普通节点和根节点，所述的普通节点包括收发模块、邻居信息交互模块、邻居信息存储模块和功率调整模块；
邻居信息交互模块负责收集邻居节点信息，以两次握手的方式与邻居节点建立邻居关系，具体包括发送beacon帧探测邻居信息，以及接收open帧和confirm帧，并计算与邻居节点的距离；
邻居信息存储模块将邻居信息交互模块收集到的邻居信息，以邻居列表的形式组织存储邻居列表包括邻居节点编号、距离、信号强度信息；
功率调整模块根据接收到的来自根节点的功率调整信息调节自身发射功率；
所述的根节点包括收发模块、信息收集模块、信息存储模块、最优发射功率计算模块和分配模块；
信息收集模块负责收集普通节点上传的邻居列表，并汇总形成全网完整拓扑；信息存储模块存储网络拓扑，以及普通节点的功率调整信息；
最优发射功率计算模块根据权利要求1提出的所述网络发送规律选择方法计算最优的节点发射功率集；
分配模块根据计算得到的最优节点发射功率集，形成发送给各个普通节点的功率调整信息，指导普通Mesh节点调整发射功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410547371.1A CN104270807B (zh) | 2014-10-16 | 2014-10-16 | 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410547371.1A CN104270807B (zh) | 2014-10-16 | 2014-10-16 | 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104270807A CN104270807A (zh) | 2015-01-07 |
| CN104270807B true CN104270807B (zh) | 2017-12-05 |
Family
ID=52162274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410547371.1A Expired - Fee Related CN104270807B (zh) | 2014-10-16 | 2014-10-16 | 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104270807B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105163389B (zh) * | 2015-07-08 | 2018-11-27 | 电子科技大学 | 一种多射频多信道无线mesh网络部分相交信道分配方法 |
| CN106452961B (zh) * | 2016-10-14 | 2019-08-16 | 湖南基石通信技术有限公司 | 无线Mesh自组网通信产品通信性能的测试方法及系统 |
| CN108207021B (zh) * | 2016-12-20 | 2020-11-06 | 华为技术有限公司 | 发射功率控制方法，设备和无线控制器 |
| CN108966249B (zh) * | 2018-06-28 | 2021-10-01 | 深圳市彬讯科技有限公司 | 一种控制设备、无线信号强度自适应调节方法与系统 |
| CN109348420B (zh) * | 2018-11-28 | 2021-01-29 | 武汉微智创大科技有限公司 | 无线装置间距离识别方法及系统 |
| CN112020119A (zh) * | 2020-10-22 | 2020-12-01 | 江苏怀业信息技术股份有限公司 | 基于batman-adv协议的mesh自组网拓扑图设计方法 |
| CN114143367A (zh) * | 2021-11-29 | 2022-03-04 | 深圳壹账通智能科技有限公司 | 区块链网络中优化邻居节点的方法及装置 |
| CN115119250B (zh) * | 2022-07-06 | 2023-01-31 | 广州芯德通信科技股份有限公司 | 一种无线mesh网络节点距离的测量方法、WIFI设备及系统 |
| CN115278850B (zh) * | 2022-09-29 | 2022-12-20 | 深圳市广和通无线通信软件有限公司 | 基于通用算法的功率自适应调整方法、装置和计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003084129A1 (fr) * | 2002-03-28 | 2003-10-09 | Huawei Technologies Co., Ltd | Procede de collecte de donnees de topologie de reseau |
| CN101621450A (zh) * | 2008-06-30 | 2010-01-06 | 华为技术有限公司 | Mesh网络中的集中式拓扑控制及功率调整的方法、装置 |
| CN102387577A (zh) * | 2011-10-18 | 2012-03-21 | 福建星网锐捷网络有限公司 | 分布式Mesh网络功率调整的方法及设备 |
-
2014
- 2014-10-16 CN CN201410547371.1A patent/CN104270807B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003084129A1 (fr) * | 2002-03-28 | 2003-10-09 | Huawei Technologies Co., Ltd | Procede de collecte de donnees de topologie de reseau |
| CN101621450A (zh) * | 2008-06-30 | 2010-01-06 | 华为技术有限公司 | Mesh网络中的集中式拓扑控制及功率调整的方法、装置 |
| CN102387577A (zh) * | 2011-10-18 | 2012-03-21 | 福建星网锐捷网络有限公司 | 分布式Mesh网络功率调整的方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于功率控制的三维无线Mesh网络拓扑控制研究;许维;《中国学位论文全文数据库》;20140917;第24页-39页，51-60页，69-70页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104270807A (zh) | 2015-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104270807B (zh) | 一种用于三维场景的无线Mesh网络发射功率选择方法及设备 | |
| Elhabyan et al. | A Pareto optimization-based approach to clustering and routing in Wireless Sensor Networks | |
| Lee | Classification of node degree based on deep learning and routing method applied for virtual route assignment | |
| Wang et al. | An elite hybrid metaheuristic optimization algorithm for maximizing wireless sensor networks lifetime with a sink node | |
| CN111163477B (zh) | 一种广域三维环境下一体化智能基站自动部署方法 | |
| Yin et al. | Cluster head selection using analytical hierarchy process for wireless sensor networks | |
| Anupong et al. | Towards a high precision in AMI-based smart meters and new technologies in the smart grid | |
| Nandan et al. | A green data collection & transmission method for IoT-based WSN in disaster management | |
| CN103826281A (zh) | 基于场强信息的微功率无线通信路由算法及组网方法 | |
| Gupta et al. | Optimal placement of UAVs of an aerial mesh network in an emergency situation | |
| CN109756861A (zh) | 一种城市环境下异构传感器网络的节点部署方法 | |
| CN104394535A (zh) | 面向协作通信的基站规划方法 | |
| Mnasri et al. | The 3D redeployment of nodes in Wireless Sensor Networks with real testbed prototyping | |
| CN103619062A (zh) | 野外环境无线传感网络中未知节点的定位方法 | |
| Chagas et al. | Genetic algorithms and simulated annealing optimization methods in wireless sensor networks localization using artificial neural networks | |
| CN113242563A (zh) | 一种无线传感器网络覆盖率优化方法及系统 | |
| CN111132259A (zh) | 一种面向物理层安全的联合功率优化和路由选择方法 | |
| CN113411213A (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
| CN106257849B (zh) | 基于多目标量子萤火虫搜索机制的频谱感知方法 | |
| CN108271168B (zh) | 一种基于Dijkstra算法的无线传感器网络覆盖优化方法 | |
| CN106658633A (zh) | 一种微功率无线多跳链路建立方法 | |
| US20230422140A1 (en) | Method for optimizing the energy efficiency of wireless sensor network based on the assistance of unmanned aerial vehicle | |
| Céspedes-Mota et al. | Multiobjective Optimization for a Wireless Ad Hoc Sensor Distribution on Shaped‐Bounded Areas | |
| Wen et al. | Energy efficient data collection scheme in mobile wireless sensor networks | |
| Koskinen et al. | On improving connectivity of static ad-hoc networks by adding nodes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171205 Termination date: 20181016 |