CN105898847A - 基于粒子群优化的能量均衡的节点休眠方法 - Google Patents

Abstract

本发明公开一种基于粒子群优化的能量均衡的节点休眠方法，首先将节点剩余能量，节点到其簇头节点的距离以及节点邻居节点集的数量作为计算节点休眠概率的重要参数；另外提出了新的节点冗余度的计算方法，并把节点剩余能量，网络覆盖率以及节点的冗余度作为适应值函数的参数来判定节点是否休眠。本发明可以有效的节约节点能量，延长网络生存时间。

Description

基于粒子群优化的能量均衡的节点休眠方法

技术领域

本发明涉及水下无线传感器网络技术领域，特别涉及基于粒子群优化的能量均衡的节点休眠方法。

背景技术

近年来，随着技术的扩展，海洋环境的探索一直是一个先行者的研究重点。海洋环境监测包括污染检测、海洋数据采集、海洋渔场监测、珊瑚礁监测和海洋监测等各种应用。总所周知，无线传感器网络具有无人操作，实时监测性，布置简单以及耗费少等优点，可以替代传统的监测方法。特别是专门应用于水底的水底无线传感器网络。虽然使用水下无线传感器网络可以替代传统监测方法，但是水下无线传感器网络中还有很多问题还面临着巨大的挑战，例如，如何解决节点能量消耗过大。尽管如此，目前水下无线传感器网络还是具有很多功能，多层可扩展的数据管理方法，功率感知和自适应协议，能量收集模块，通过GPS来定位节点位置和可重构的网络结构等。

另外，在无线传感器网络的实际应用中，为了确保节点收集信息的全面性，节点的投放通常比较密集，如此就导致了部分节点的覆盖区域出现重叠，浪费节点电池的能量。为解决这个问题，研究者们提出节点休眠机制，将节点分为活跃、空闲和休眠三种状态：活跃状态下的节点采集、处理、存储、收发信息，能量消耗最大，空闲状态下的节点不处理信息，但需要采集信息，能量消耗减少，而休眠状态的节点陷入睡眠状态，大部分电路被切断，只保留唤醒电路，几乎不参与工作，能量消耗最少。休眠机制能较好的节省电池能量，延长节点生命周期。

发明内容

鉴于上述现有技术的不足之处，本发明提出一种基于粒子群优化的能量均衡的节点休眠方法，将节点剩余能量，节点到其簇头节点的距离以及节点邻居节点集的数量作为计算节点休眠概率的重要参数；另外提出了新的节点冗余度的计算方法，并把节点剩余能量、网络覆盖率以及节点冗余度作为适应值函数的参数来判定节点是否休眠。

基于粒子群优化的能量均衡的节点休眠方法，其特征在于，包括以下步骤：

步骤1：粒子初始化，包括计算节点休眠概率、粒子惯性权重w、粒子加速因子和

步骤2：对每个粒子做如下操作：

1)更新粒子位置矢量X_id；

2)计算粒子的适应值；

3)更新粒子最优解pbest_id和群体最优解gbest_id；

步骤3：更新粒子惯性权重w、粒子加速因子和

步骤4：判断如果迭代次数小于最大迭代次数，或者粒子最优解pbest_id不等于群体最优解gbest_id，则返回步骤2；否则执行步骤5。

步骤5：得到最优解即适合休眠的节点。

所述节点休眠率的计算过程为：假设粒子的维度即为簇群内节点的个数，每个维度在范围[0…1]中随机初始化，如果粒子的初始化维度大于当时簇群内节点的休眠概率，粒子维度被置为1，同时与粒子相对应的节点状态置为空闲；反之，粒子的维度被置为0，与其对应的节点状态置为休眠，其中簇群内节点i的休眠概率为

$p_i=\mathrm{\λ}\×\frac{E_{init}-E_{res}}{E_{init}}+\mathrm{\μ}\×\frac{D_{i,cluster}-1}{D_{i,cluster}}+\mathrm{\ω}\×\frac{N_n-1}{N_n}$

式中λ，μ及ω是常数，同时满足λ+μ+ω＝1，E_init表示节点的初始能量，E_res表示节点当前剩余能量，D_i,cluster表示节点i到其所属簇群的簇头节点的距离，N_n表示节点i的邻居节点的集合；当节点剩余能量越小，到簇头节点距离越大，邻居节点集数量越多节点休眠的概率越大。

所述粒子的适应值f的计算过程为：

式中，β，ε以及φ是常数，同时满足β+ε+φ＝1，分别表示网络所有空闲节点剩余能量、网络覆盖率和节点冗余度的权重，N_f表示簇群内空闲的节点，Einit(i)表示节点i的初始能量，E_res(i)是指节点i当前剩余能量，CR是网络覆盖率，RE(i)是节点i的冗余度；网络剩余能量越小，函数值越大，同时，较大的网络覆盖率和较小的节点冗余度也会使函数值较大。

所述网络覆盖率为网络中所有空闲状态节点的有效覆盖面积与网络总面积的比值：

$CR=\frac{\underset{i=1,i\∈N_f}{\∪}{S}_i}{S_{area}}$

其中S_i为节点i的感知面积，网络中所有空闲状态节点的有效覆盖面积即为所有空闲状态节点覆盖面积的并集，S_area为网络的总面积。

所述节点冗余度RE(i)为节点的所有邻居与该节点感知区域重合部分与节点感知区域比值V_cover的和，

$RE\left(i\right)={\mathrm{\Σ}}_{j\∈N_n}{V}_{\mathrm{cov}er}.$

本发明通过使用特定的公式通过粒子群优化算法对船底的每个节点进行计算，从而判定哪些节点进入休眠状态。同时，提出了新的节点休眠概率计算公式，将节点剩余能量、节点到其簇头节点的距离以及节点邻居节点集的数量作为计算节点休眠概率的重要参数；另外还提出了新的节点冗余度的计算方法，且把节点剩余能量、网络覆盖率以及节点冗余度作为参数来判定节点是否休眠。在节约节点能量，延长网络生存时间等方面有着良好的性能。

附图说明

图1为基于粒子群优化的能量均衡节点休眠方法的节点间区域覆盖示意图；

图2为基于粒子群优化的能量均衡节点休眠方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了更好的完成应用于船底的基于粒子群优化算法的休眠方法的研究，这里只考虑一个簇群内节点的休眠机制，即网络区域为一个簇群，且节点的感知范围半径相同，因节点随机分布在船底，固其网络区域为曲面，节点的感知范围不再是传统的圆而是球。同时，我们假设簇群内有N个节点，其中Nf为空闲状态的节点，Ns为睡眠状态的节点，簇头节点已选举完毕且不参与休眠机制，节点的感知范围都是以R为半径的球。

参照图1(a)～图1(d)和图2，基于粒子群优化的能量均衡的节点休眠方法，包括以下步骤：

步骤1：粒子初始化，包括计算节点休眠概率，粒子惯性权重w，粒子加速因子和

步骤2：对每个粒子做如下操作：

1)更新粒子位置矢量X_id。

2)计算粒子的适应值。

3)更新粒子最优解pbest_id和群体最优解gbest_id。

步骤3：更新粒子惯性权重w，粒子加速因子和

步骤4：如果迭代次数小于最大迭代次数，或者粒子最优解pbestid不等于群体最优解gbestid，返回步骤2，否则执行步骤5。

步骤5：得到最优解即适合休眠的节点。

步骤1中节点休眠概率的计算：为最大化的减少研究的工作量，假设休眠机制只应用于一个簇群，因此粒子的维度即为簇群内节点的个数，每个维度在范围[0…1]中随机初始化。如果粒子的初始化维度大于当前簇群内节点的休眠概率，粒子维度被置为1，同时与粒子相对应的节点状态置为空闲；反之，粒子的维度被置为0，与其对应的节点状态置为休眠。簇群内节点i的休眠概率定义如下：

$p_i=\mathrm{\λ}\×\frac{E_{init}-E_{res}}{E_{init}}+\mathrm{\μ}\×\frac{D_{i,cluster}-1}{D_{i,cluster}}+\mathrm{\ω}\×\frac{N_n-1}{N_n}---\left(1\right)$

其中λ，μ以及ω，是常数，同时满足λ+μ+ω＝1，E_init表示节点的初始能量，E_res是指节点当前剩余能量，D_i,cluster表示节点i到其所属簇群的簇头节点的距离，N_n是指节点i的邻居节点的集合。节点的休眠概率是基于节点剩余能量，节点到其簇头节点的距离以及节点邻居节点集的数量的，当节点剩余能量越小，到簇头节点距离越大，邻居节点集数量越多节点休眠的概率就会越大。当簇群内粒子初始化时，所有节点计算各自的休眠概率。

步骤2中粒子适应值函数计算过程：无线传感器网络的休眠机制可以有效的减少整个网络的能量消耗，但是大部分传统的休眠机制并没有将节点能量列入休眠机制的考量中，不过节点能量消耗的变化系数还是比较高的，由于休眠机制的主要目的之一是延长网络时间，如果无线传感器网络的休眠机制不考虑节点能量，网络中可能有一部分节点会一直处于空闲状态，从而导致这部分节点能量消耗迅速，造成网络时间的缩短。因此，适应值函数中不但将节点剩余能量作为重要参数，还考虑保持整个网络覆盖率的同时尽可能的将节点的冗余度降到最低，如果节点冗余度太大即该节点与其邻居节点重合部分比较大，收集到的信息可能会重复或者相关性比较大，使节点能量浪费。综合了节点剩余能量，节点冗余度和网络覆盖率的适应值函数表达式如公式(2)所示：

式中，β，ε以及φ是常数，同时满足β+ε+φ＝1，分别表示网络所有空闲节点剩余能量，覆盖率和冗余度的权重，N_f表示簇群内空闲的节点，Einit(i)表示节点i的初始能量，E_res(i)是指节点i当前剩余能量，CR是网络覆盖率，RE(i)是节点i的冗余度。同时，将拥有最大适应值函数值的粒子作为最佳适应值，即其对应的节点为休眠节点。通过上述函数表达式可知，网络剩余能量越小，函数值就会越大，同时，较大的网络覆盖率和较小的冗余度也会使函数值较大。

步骤2适应值函数公式中的网络覆盖率计算过程：网络区域中所有空闲状态节点的有效覆盖面积与网络区域总面积的比值。

$CR=\frac{\underset{i=1,i\∈N_f}{\∪}{S}_i}{S_{area}}---\left(3\right)$

其中S_i为节点i的感知面积，网络区域中所有空闲状态节点的有效覆盖面积即为所有空闲状态节点覆盖面积的并集，S_area为网络区域的总面积。

步骤2粒子群适应值函数公式中的节点冗余度计算过程：节点的所有邻居与该节点感知区域重合部分与节点感知区域比值的和。对于传统的节点感知范围是圆的无线传感器网络，节点与节点之间重合的感知区域面积的计算很是简单明了的，如图1(a)-图1(c)所示，节点与节点之间覆盖区域大致可分为三种：圆心在在另一个圆内、两个圆点都在另一个圆上以及圆心在另一个圆外。但根据圆的性质可以推出，无论哪一种情况覆盖区域面积的计算是一致的即：

对于

其中

同时，根据节点的坐标可以计算出两个节点之间的距离为d_ij即O_iO_j＝d_ij，根据圆与三角形的性质可以计算出圆弧的夹角以及AC＝sinα×R，所以:以及故节点i与节点j的覆盖面积可写为：

S_cover＝2αR²-Rd_ij sinα (6)

当节点的感知范围为立体的球时，节点i与节点j的覆盖区域示意图如图1(d)所示，由前面传统节点覆盖区域的计算可以推出所求区域是以点C为圆心的圆上面部分体积的两倍即：

那么，节点i的冗余度为：

$RE\left(i\right)={\mathrm{\Σ}}_{j\∈N_n}{V}_{\mathrm{cov}er}=\frac{4{\mathrm{\πR}}^3-2{\mathrm{\πR}}^3{d}_{ij}-{\mathrm{\πd}}_{ij}{\left(Rsin\mathrm{\α}\right)}^2}{3}---\left(8\right)$

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (5)

1.基于粒子群优化的能量均衡的节点休眠方法，其特征在于，包括以下步骤：

步骤1：粒子初始化，包括计算节点休眠概率、粒子惯性权重w、粒子加速因子和

步骤2：对每个粒子做如下操作：

1)更新粒子位置矢量X_id；

2)计算粒子的适应值；

3)更新粒子最优解pbest_id和群体最优解gbest_id；

步骤3：更新粒子惯性权重w、粒子加速因子和

步骤4：判断如果迭代次数小于最大迭代次数，或者粒子最优解pbestid不等于群体最优解gbestid，则返回步骤2，否则执行步骤5；

步骤5：得到最优解即适合休眠的节点。

2.根据权利要求1所述的基于粒子群优化的能量均衡的节点休眠方法，其特征在于，所述节点休眠率的计算过程为：假设粒子的维度即为簇群内节点的个数，每个维度在范围[0…1]中随机初始化，如果粒子的初始化维度大于当时簇群内节点的休眠概率，粒子维度被置为1，同时与粒子相对应的节点状态置为空闲；反之，粒子的维度被置为0，与其对应的节点状态置为休眠，其中簇群内节点i的休眠概率为

$p_i=\mathrm{\λ}\×\frac{E_{init}-E_{res}}{E_{init}}+\mathrm{\μ}\×\frac{D_{i,cluster}-1}{D_{i,cluster}}+\mathrm{\ω}\×\frac{N_n-1}{N_n}$

式中λ，μ及ω是常数，同时满足λ+μ+ω＝1，E_init表示节点的初始能量，E_res表示节点当前剩余能量，D_i,cluster表示节点i到其所属簇群的簇头节点的距离，N_n表示节点i的邻居节点的集合；当节点剩余能量越小，到簇头节点距离越大，邻居节点集数量越多节点休眠的概率越大。

3.根据权利要求1所述的基于粒子群优化的能量均衡的节点休眠方法，其特征在于，所述粒子的适应值f的计算过程为：

式中，β，ε以及φ是常数，同时满足β+ε+φ＝1，分别表示网络所有空闲节点剩余能量、网络覆盖率和节点冗余度的权重，N_f表示簇群内空闲的节点，Einit(i)表示节点i的初始能量，E_res(i)是指节点i当前剩余能量，CR是网络覆盖率，RE(i)是节点i的冗余度；网络剩余能量越小，函数值越大，同时，较大的网络覆盖率和较小的节点冗余度也会使函数值较大。

4.根据权利要求3所述的基于粒子群优化的能量均衡的节点休眠方法，其特征在于，所述网络覆盖率为网络中所有空闲状态节点的有效覆盖面积与网络总面积的比值：

$CR=\frac{\underset{i=1,i\∈N_f}{\∪}{S}_i}{S_{area}}$

其中S_i为节点i的感知面积，网络中所有空闲状态节点的有效覆盖面积即为所有空闲状态节点覆盖面积的并集，S_area为网络的总面积。

5.根据权利要求3所述的基于粒子群优化的能量均衡的节点休眠方法，其特征在于，所述节点冗余度RE(i)为节点的所有邻居与该节点感知区域重合部分与节点感知区域比值V_cover的和，

$RE\left(i\right)={\mathrm{\Σ}}_{j\∈N_n}{V}_{\mathrm{cov}er}.$