CN106572513A - 基于模糊多属性决策的无线传感器路由算法 - Google Patents

基于模糊多属性决策的无线传感器路由算法 Download PDF

Info

Publication number
CN106572513A
CN106572513A CN201610910863.1A CN201610910863A CN106572513A CN 106572513 A CN106572513 A CN 106572513A CN 201610910863 A CN201610910863 A CN 201610910863A CN 106572513 A CN106572513 A CN 106572513A
Authority
CN
China
Prior art keywords
fuzzy
node
attribute
decision
matrix
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
Application number
CN201610910863.1A
Other languages
English (en)
Inventor
孙路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Deep Road Mdt Infotech Ltd
Original Assignee
Ningbo Deep Road Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Deep Road Mdt Infotech Ltd filed Critical Ningbo Deep Road Mdt Infotech Ltd
Priority to CN201610910863.1A priority Critical patent/CN106572513A/zh
Publication of CN106572513A publication Critical patent/CN106572513A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了基于模糊多属性决策的无线传感器路由算法，该方法步骤如下：(1)从原(source)节点开始，将当前节点周围可通信节点建立决策方案；(2)确定(1)步决策方案的模糊属性，建立模糊评价矩阵X；(3)根据模糊评价矩阵进行规范化处理，得到规范化模糊决策矩阵H并利用H确定客观权重；根据模糊评价矩阵中的偏好确定主观权重；(4)利用上步的客观权重和主观权重确定组合权重；(5)组合权重与模糊决策矩阵结合计算综合评价值，选取最优点作为下一跳节点，并将其设为当前节点；(6)判断节点是否属于汇聚(sink)节点，属于汇聚(sink)节点，结束算法；不属于汇聚(sink)节点，则返回(1)步重复进行。本申请的技术方案可以获得更加稳定、可靠、科学、客观的模糊多属性无线传感器的路由算法。

Description

基于模糊多属性决策的无线传感器路由算法
技术领域
本发明属于无线传感器网络技术领域，具体是针对现有的无线传感器网络中的无线路由方法提出一种基于模糊多属性决策的无线传感器路由算法。
背景技术
随着计算机网络技术的日新月异，无线网络技术在最近十几年内得到了飞速发展，蜂窝网络技术和无线路由技术的技术革新给无线网络领域的网络通信速度和网络的稳定性能方面带来不断的突破和惊奇。如目前的4G技术已经在移动手机领域十分普及；同时在WLAN的无线标准方面，很多无线网卡设备商也已将最新的802.11ac标准集成在自己的产品当中了。无线网络技术的革新不但影响着人民日常的生活，同时也在工业生产领域的应用研究目前也得到了广泛的关注。特别是无线传感器网络(WSN，Wireless SensorNetworks)是目前研究最为活跃和最具研究价值的一个领域。WSN就在目标监测区域中放置大量微型传感器(如图线、红外、雷达、温度、压力、浓度、噪声等传感类型)，各微型传感器集成无线通信功能(如WLAN、蓝牙、2G/3G/4G等)，设备间通过无线通信技术形成的一个多节点、自组织的网络系统。通过该网络可以协作的感知、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。对于传统的数据采集系统，由于其采集面积广、采集点繁多、系统组建、设备安装等问题上存在明显不足，而WSN却能很好的解决传统的传感器系统在实际使用中的问题。WSN的核心是将传感器节点采集到的信息通过传感器节点间的无线网络 通道将信息传输到观察者，因而其关键问题是如何让监控区域中的传感器节点建立一条最优或最佳的信息传输路径，因而WSN路由算法的研究至关重要。由于无线传感器网络节点通常被部署在环境恶劣或者人迹罕至的地方，节点由普通固态电池提供能源不能经常更换，所以如何能有效的控制节点的能量消耗是路由算法中最关键问题。由于无线传感器网络应用场景、传输数据和所处环境在实际应用中存在彼此存在差异，所以在无线传感器的网络路由选择上加入很多人为的主观因素。目前WSN的路由选择算法只考虑了能量控制单点问题而忽略了WSN在路由选择上其它因素的影响，尤其是主观因素。所以在WSN无线路由选择方面在有效制节点能量消耗的同时又能将更多的WSN的其它影响路由选择的因素考虑进来是个值得研究的问题。
目前对路由算法的研究主要集中在如下几个方面：(1)分层次路由：文献[Callaway E H.Wireless sensor networks：Architectures and Protocols[M].BocaRaton：Auerbach Publications，2004]通过分析层次路由算法的能量消耗情况，提出了一种混合路由方案，节点自主地根据剩余能量，与邻居节点的距离，以及当选首领的总时间来竞争聚首，同时同时为了减小节点远距离通信带来的能量开销，节点在数据传输阶段均遵循单跳与多跳路由的选择规则。文献[Intanagonwiwat C，Govindan R，EstrinD.Directed diffusion：A Scalable and Robust Communication Paradigm for SensorNetworks[C].Proceedings of the ACM MobiCom’00，Boston，MA，2000：56-57.]为了降低能耗，提出了一个新的层次路由协议MHLAH，结合了LEACH和HEED的优点，它能够合理地分布簇头节点，采用多跳的路由传输协议，延长网络 的生存时间。文献[杨淑玲.基于能量的无线传感器网络分簇路由协议的研究[D].东营.中国石油大学硕士学位论文，2009.]针对LEACH协议能耗大的缺点，提出了一种基于能耗均衡的分簇路由算法(IWA)。IAW首先对LEACH协议的簇头选举过程进行了改进，把节点剩余能量作为簇头选举的依据，然后簇的形成根据簇所在层次和距离基站的距离实现，从而达到了能量均衡。文献[周权，肖德琴，李就好.传输受限的大规模无线传感器网络路由算法.计算机工程与应用，2009，45(18)：104-108]针对大规模无线传感器网络在其传输受限的应用环境下，提出一种基于精细化梯度层次场的有效路由算法(FGLRA)。该算法通过邻居节点集中低层次节点数来刻画节点在层次内的边界位置，实现精细化梯度层次场要求。
(2)QoS路由：文献[李荣钧.模糊多准则决策理论与应用[M].北京：科学出版社，2002.]，提出一种基于LEACH的优化通信质量的无线传感器网络路由协议节点密度控制算法(DC-LEACH)。本协议的基本思想是通过选取具有良好通信位置的节点作为LEACH算法的簇首，减少网络中节点分布不均匀的情况对能量损耗和通信质量所造成的影响。文献[吴成东，陈飞，纪鹏，张云洲.优化QoS的基于LEACH的无线传感器网络路由协议[J].东北大学学报(自然科学版)，2009，30(8)：76-80.]通过分析多媒体传感器网络需要支持的6种主要流量类型的不同QoS需求，并抽象出多媒体传感器网络模型，定义基于流量类型的QoS选路方法，提出基于流量类型的多媒体传感器网络QoS分层蚂蚁选路算法，为网络中的各类流量选择满足各自主QoS需求的路由，合理利用网络资源，提高网络性能。文献[戴世瑾，李乐民.高能量有效性的无线传感器网络数据收集和路由协 议[J].电子学报，2010，10(10)：2336-2341.]通过对中高速传感器网络的QoS路由算法问题进行建模和分析，提出一种改进的基于蚁群优化算法的QoS路由算法，以满足网络中多种混合服务对QoS质量的不同要求。利用反向抑制机制优先保证高优先级别服务的QoS要求。
(3)基于地理位置的路由，文献[王建新，赵湘宁，刘辉宇.一种基于两跳邻居信息的贪婪地理路由算法[J].电子学报，2014，36(10)：1903-1909.]设计并实现了一种基于链路质量的地理位置路由度量方法(SRAB)。算法根据节点的地理位置信息，计算邻居节点将数据包向目的节点推进的程度。采用blacklist机制将链路质量小于规定阈值的邻居节点过滤，将单位代价下向目的节点推进程度最大的邻居节点选为下一跳节点。文献[唐伟，郭伟.多基站数据聚合无线传感器网络中的最大生命期地理位置路由[J].通信学报，2010，31(10)：221-228.]根LEACH协议，提出了一种新型的簇首选择机制，算法通过加权思想综合考虑了节点的剩余能量和地理位置参数来优化簇首的选择。权衡考虑能量负载平衡和网络生存时间之间的关系，以得到较为理想的加权因子。文献[Anna Hac.Wireless SensorNetwork Design[M].Singapore：John Wiley and Sons，2003]针对路由空洞现象，提出了一种基于掌握两跳邻居节点位置信息的贪婪地理路由算法(Greedy-2)。该算法能够使节点提前意识到路由空洞的存在，从而使数据包及时绕开空洞边界节点，减少路由空洞发生的概率，提高分组到达率。文献[Edgar H.Call away Wireless Sensor Networks：Alehitectures and Protoeols[M].CRC Press.2004：21-35]将地理位置路由应用于多基站数据聚合无线传感器网络中以最大化网络生命期。为减少传输开销并避免路由环路，提出了归属 基站集合降势法，采用线性规划法优化网络生命期。
(4)能量路由：文献[徐敬东，李淼，赵文耀，卢华君.能量感知的无线传感器网络路由协议[J].计算机工程，2010，36(18)：123-125.]在LEPS路由协议基础上，引入能量感知机制，结合扩散延时方法提出EALB路由协议。有效减少了冗余数据的发送，达到节能和节点间负载均衡、延长网络寿命的目的。文献[杨显辉，任洪娥，景维鹏.种能量感知无线传感器网络可靠协议研究[J].微电子学与计算机，2010，27(8)：194-196，200]提出了一种新型能量均衡的路由算法EDDR。算法在簇头选举中以节点当前能量和簇头间最短距离作为重要参数，在簇间的数据路由中引入了能量距离复合权值的Dijkstra算法。文献[刘蕴络，周玲，王超，吴华怡，周贤伟.基于能量感知的可靠性多径路由算法[J].微计算机信息，2009，26(8-1)：190-192.]提出了一种分布式高效节能的无线传感器网络数据收集和路由协议HEEDC。此协议中传感器节点根据自身状态自主的竞争簇首，同时为减少簇首节点的能量开销，簇首之间通过多跳方式将各个簇内收集到的数据发送给特定簇首节点，并由此簇首节点将整个网络收集的数据发送给汇聚节点。文献[曾加，慕春棣，李戍.基于多属性决策的无线传感器网络路由算法[J].系统仿真学报，2009，21(3)：878-881，887]针对无线传感器网络协议中可靠性及能量有效性，提出能量感知的无线传感器网络可靠路由EARRP。通过本地节点选择、路径预留和路径延迟广播来减少由于路径不可达带来的重传，进而提供一个可依赖的传输环境。文献[Govindan R，Hellerstein J，Hong W，Madden S，Franklln M，Shenker5.The sensor network as a database[R].Techinical Report 02-771，Computer Science Department，University of Southem California，2002]针对无线传感器网络中，路由选择标准的单一化，提出了一种分布式多代价多径算法EARMP算法。该算法综合考虑路径可靠性和消耗功率，提出路径代价平衡预测函数，并将其优化函数作为选路标准，最终得到最优化路由。
WSN网络主要是通过传感器节点采集环境数据信息并将采集到的信息通过路由通路将采集到的信息从源节点(Source)传输到会聚节点(Sink)的过程。由于WSN网络中的每个节点能量有限，因而传统WSN无线路由算法的设计思路都是寻找一条总体能量消耗最低的路由通路来传输数据。但是基于该思想设计的路由算法却引入了另一个弊端，由于最优路由的使用频率异常频繁，从而导致整个WSN网络的能量消耗严重不均衡，其中最优路由上的节点能耗被过度消耗，而最优路由之外的节点能耗几乎没有损耗，这种路由方式反而会导致网络过早瘫痪。同时，目前算法的研究只将客观因素的影响包含在算法设计当中，而未将人为主观因素的影响考虑进去，所以当前算法模型有一定的不完善性。因此当前的WSN路由算法在网络生存时间和外部因素的参与性上都有进一步的提升空间
发明内容
一个完整的数据传输过程都是要经过多跳节点才能到达目的地，路由上的每一跳节点在选择数据传输的下一跳节点时都会面临多个节点的选择。决策理论中的多属性决策算法可以综合可选节点的属性进行路由计算，从而可以很好的解决网络过早死亡的问题。而模糊理论可以对主观的因素和语言进行描述，能够将WSN路由算法带入新的领域。因此本申请的技术方案就是将模糊理论引入到了主观和客观属性计算中设计一种新 型无线传感器的多属性决策路由算法。通过模糊理论对决策的主观和客观属性进行数学表述，从而有效的在算法设计过程中体现决策者的主观意愿和客观环境，使得路由决策更加合理。
为达到上述的技术目的，本申请提出的技术方案为：基于模糊多属性决策的无线传感器网络路由算法，该方法步骤如下：(1)从原(source)节点开始，将当前节点周围可通信节点建立决策方案；(2)确定(1)步决策方案的模糊属性，建立模糊评价矩阵X；(3)根据模糊评价矩阵进行规范化处理，得到规范化模糊决策矩阵H并利用H确定客观权重；根据模糊评价矩阵中的偏好确定主观权重；(4)利用上步的客观权重和主观权重确定组合权重；(5)组合权重与模糊决策矩阵结合计算综合评价值，选取最优点作为下一跳节点，并将其设为当前节点；(6)判断节点是否属于汇聚(sink)节点，属于汇聚(sink)节点，结束算法；不属于汇聚(sink)节点，则返回(1)步重复进行。
上述步骤(1)中决策方案是将当前节点周围一系列可通信节点作为下一跳节点的备选，每一个备选节点都是一个备选方案，所有备选方案形成决策方案。
上述步骤(2)中决策方案的模糊属性包括：单个节点的能量，即在路由选择时，单个节点的能量为下一跳节点的能量剩余ei；总能量，其为下一跳节点周围能量的总和平均能量，其反映节点所在区域能量的平均分布状况上述ei为第i个邻居节点的能量，n为邻居节点的个数；路径可靠性，将一个链路上成功传送分组需要的传输次数；节点链 路质量，其为每个路由节点将自己从开始发送到发送成功的发送次数记录下来，并对传输的数据进行分类统计再求算术平均值；方向，通常用cosθ表示，含义为下一跳方向与目的方向偏差值，c表示当前节点到下一跳节点的向量，s表示当前节点到Sink节点的向量。
前述模糊评价矩阵中u1、u2、…um是m个备选方案，每个方案都有有n个属性x1、x2…xn，设xij表示第i个方案ui相对于第j个属性的评价值。
前述规范化模糊决策矩阵H中包括效益型属性或成本型属性
所述步骤(3)中客观权重的确定方法是模糊极差法、模糊离差法或模糊熵赋权法中的一种；采用模糊极差法是将属性j的极差占所有属性极差总和的比例来表征属性本身的差异程度，即 这里Ψj＝max(Fj)-min(Fj)表示属性j比较指标的极大值和极小值之差；采用模糊离差法是属性值与其平均值的远近来表征模糊数的差异程度，模糊属性和其负理想值的加权汉明距离将比较指标记为： 其中，为为属性j的负理想值，为属性j的比较指标的平均值，则为属性j的平均模糊差，模糊离差客 观权重为模糊熵赋权法的过程是将Fij进行归一化处理得到的指标值，属性j的模糊信息熵由于信息熵为负数，属性的信息量用1-Ej表示，用其计算在所有属性中所占的比重即为属性的客观权重，即主观权重的确定方法是将模糊评价矩阵利用矩阵的一致性特征将矩阵分解成多个判别矩阵再进行模糊权重的计算，具体是决策者主观地从确定好的属性当中取出一个认为最重要的属性，将其与其他属性两两相比，得到一个模糊比较向量V，然后，按照一定方式将模糊比较向量V分解成1+2n-1个比较子向量，将子向量中的值为属性的重要程度，利用两两比值法得到1+2n-1个判别子矩阵，利用互补两两比较法确定主观权重，这里的n是模糊评价矩阵的列数。
上述步骤(4)中组合权重的确定方法是线性加权法或乘除法；线性加权法就是计算各种权重的线性加权平均值作为组合权重，这里为组合权重，l为赋权法的种类，αk是权重的主观偏好系数，wj k是主观及客观权重；乘除法是根据模糊权重采用计算组合权重，这里为组合权重，l为赋权法的种类。
上述步骤(5)中的综合评价值是Z＝H*WT；这里，H为规范化模糊决策矩，W为组合权重的矩阵。
本申请的技术方案通过将模糊理论的引用将主观权重、客观权重和 组合权重用更为准确的方法进行了计算和分配，避免了权重因子选择的主观性，从而使决策路由算法更加适用于WSN的决策对象。
附图说明
图1为本申请的基于模糊多属性决策的无线传感器路由算法流程图；
图2某次MADMR算法仿真的拓扑结构和路由情况；
图3某次DD算法和FMADMR算法仿真的拓扑结构和路由情况；
图4网络覆盖节点数；
图5节点剩余能量的分布情况；
图6网络生存时间；
图7 DD和FMADMR算法的平均路由跳数；
图8 MADMR和FMADMR算法的平均路由跳数；
图9 FMADMR算法仿真的拓扑结构和路由情况；
图10权重改进后的FMADMR算法仿真的拓扑结构和路由情况；
图11 FMADMR算法权重改进前、后的网络覆盖节点数；
图12 FMADMR算法权重改进前、后的平均路由跳数；
图13 FMADMR算法权重改进前、后的网络生存时间。
具体实施方式
为更清楚的对本申请技术方案予以阐述并实验验证其效果，下面进行具体方法和测试结果的阐述：步骤(1)从原(source)节点开始，将当前节点周围可通信节点建立决策方案。决策方案是决策过程的内容。在决策过程中如果某一个计划可以实现，或者该计划符合决策者的要求，那么这样的计划就是决策方案，一般说来决策方案的数量不是无限的。传统决 策方案的目标值和结果是确定的，但在技术方案中它们都可以是不确定数。对应本申请的技术方案中，从原点开始通过周围的任何一个节点都有可能实现一种路由方式，这种方式就是一种决策方案；步骤(2)确定(1)步决策方案的模糊属性，建立模糊评价矩阵X，模糊属性包括：单个节点的能量，即在路由选择时，单个节点的能量为下一跳节点的能量剩余ei；总能量，其为下一跳节点周围能量的总和平均能量，其反映节点所在区域能量的平均分布状况上述ei为第i个邻居节点的能量，n为邻居节点的个数；路径可靠性，将一个链路上成功传送分组需要的传输次数；节点链路质量，其为每个路由节点将自己从开始发送到发送成功的发送次数记录下来，并对传输的数据进行分类统计再求算术平均值；方向，通常用cosθ表示，含义为下一跳方向与目的方向偏差值，c表示当前节点到下一跳节点的向量，s表示当前节点到Sink节点的向量。模糊评价矩阵中u1、u2、...um是m个备选方案，每个方案都有n个属性x1、x2...xn，设xij表示第i个方案ui相对于第j个属性的评价值。规范化模糊决策矩阵H中包括效益型属性或成本型属性 其中，为最大值，为最小值；步骤(3)根据模糊评价矩阵进行规范化处理，得到规范化模糊决策矩阵H并利用H确定客观权重；根据模糊评价矩阵中的偏好确定主观权重；客观权重的确定方法是模糊极差法、模糊离差法或模糊熵赋权法中的一种；采用模糊极差法是将属性j的极 差占所有属性极差总和的比例来表征属性本身的差异程度，即 这里Ψj＝max(Fj)-min(Fj)表示属性j比较指标的极大值和极小值之差；采用模糊离差法是属性值与其平均值的远近来表征模糊数的差异程度，模糊属性和其负理想值的加权汉明距离将比较指标记为： 其中，为为属性j的负理想值，为属性j的比较指标的平均值，则为属性j的平均模糊差，模糊离差客观权重为模糊熵赋权法的过程是将Fij进行归一化处理得到的指标值，属性j的模糊信息熵由于信息熵为负数，属性的信息量用1-Ej表示，用其计算在所有属性中所占的比重即为属性的客观权重，即主观权重的确定方法是将模糊评价矩阵利用矩阵的一致性特征将矩阵分解成多个判别矩阵再进行模糊权重的计算，具体是决策者主观地从确定好的属性当中取出一个认为最重要的属性，将其与其他属性两两相比，得到一个模糊比较向量V，然后，按照一定方式将模糊比较向量V分解成1+2n-1个比较子向量，将子向量中的值为属性的重要程度，利用两两比值法得到1+2n-1个判别子矩阵，利用互补两两比较法确定主观权重，这里的n是模糊评价矩阵的列数；步骤(4)利用上步的客观权重和主观权重确定组合权重；组合权重的确定方法是线性加权法或乘除法； 线性加权法就是计算各种权重的线性加权平均值作为组合权重，这里为组合权重，l为赋权法的种类，αk是权重的主观偏好系数，wj k是主观及客观权重；乘除法是根据模糊权重采用计算组合权重，这里为组合权重，l为赋权法的种类；步骤(5)组合权重与模糊决策矩阵结合计算综合评价值，选取最优点作为下一跳节点，并将其设为当前节点；综合评价值是Z＝H*WT；这里，H为规范化模糊决策矩，W为组合权重的矩阵；(6)判断节点是否属于汇聚(sink)节点，属于汇聚(sink)节点，结束算法；不属于汇聚(sink)节点，则返回(1)步重复进行。对于主观权重的计算可以采用贝叶斯修正法进行改进：设指标的主观权重为u1，u2，…um，则指标Gj发生的概率P，且有关系： Gj＝uj j＝1，2，…，n在指标Gj下，方案Ai发生的概率为P(Ai|Gj)＝rij，其中i＝1，2，...，n，j＝1，2，...，m。利用贝叶斯修正法，则在方案Ai下第j个指标权重(验后概率)的表达式如所示，其中，i＝1，2，…，n j＝1，2，…，n；因此，方案Ai下的权重向量为 对每个方案Ai来说，对它有利的指标被强化了，对它不利的指标被弱化了。设指标权重为Wj，j＝1，2，…，m，由期望值效益法，方案Ai在W(i)下的决策值为应选择权重向量Wj，j＝1，2，…，m使所有方案的综合属性与偏差越小越好，为此建立如下式所示的最小二乘法优化决策模型：
求解以上模型，做拉格朗日函数，上式为最终解的描述：
其中：
Bmm＝(1，1，…，1)TWm1＝(W1，W2，…，Wm)T
基于熵系数法可以对客观权重计算进行改进：把决策矩阵H＝(hij)m×n转换成规范化的决策矩阵F，F＝(fij)m×n。对于规范化的矩阵F＝(fij)m×n，第j个属性的熵定义式设信息量因子为ρ-E，则熵系数为： 其中ρ为常数(ρ≥max{Ei，…，Ej，…，En})。模糊熵赋权法是根据各指标的信息载量的大小来确定指标权数的方法。按照信息论的观点，考察各指标在指标体系中的作用，必须研究指标的变异度。指标的变异度越大，该指标的信息量就越大，指标的鉴别作用也就越大，即该指标的“区分能力”越大。信息量的大小可用熵值来测度，熵的减少意味着信息量的增加。那么对于一个多属性决策问题，合理的权重应该使得系统的熵最小。 即可以建立求解客观权重的熵系数模型，熵系数模型的表达式如下式所示：
其中K为n×n的对角矩阵，其对角线元素为：kij＝ρ-Ej(kij＞0，j＝1，2，…，n)余元素为零。根据式L＝ωIKω-λ(ωIKω)的熵系数的求解模型，分别为对ω和λ的偏导数得：
由以上式子可解得：ω＝K-1e/eTK-1e。
熵系数权重分配的原则与模糊熵赋权法相同，如果各个方案在第j个属性下的评价值越趋向于一致，那么第j个属性的权重则越小。
由于0≤fij≤1，计算得出0≤Ej≤9。由于权重要对各个属性加以区分，所以ρ要尽量小，同时ρ≥max{Ei，…，Ej，…，En}，计算得出ρ取值为9。
为验证本申请技术方案对WSN模糊多属性决策路由算法优于传统的所属性路由决策算法，借助Matlab工具完成算法计算机仿真实验，通过仿真结果的对比分析来直观展现改进后的路由算法的优良性能。对比对象分别是：(1)多属性决策路由算法(MADMR)；(2)基于多路径机制的无线传感器网络动态路由算法(MPDR)；(3)定向扩散算法(DD)
为了更加贴近真实应用场景，仿真实验条件设置和参数选择都参照实际使用场景。具体仿真实验环境条件各项假设如表1所示：
表1仿真实验预置条件
(1)路由生成仿真实验结果对比
路由是在WSN网络中通过路由算法确定下来的数据最终的传输通道，仿真结果分别如图2和图3所示。图2和图3是在某次网络拓扑结构下DD算法MADMR算法、MPDR算法和FMADMR算法分别计算得到的路由结果。其中：点表示传感器节点；蓝色实线表示DD算法计算得到的路由通路；绿色实表示MADMR算法计算得到是路由通路；红色实线表示MPDR算法计算得到的路由通路；黑色实线表示FMADMR算法计算得到的实线。
从图2和图3对四种算法的仿真结果来看，DD算法只能选在邻居节点中能量最高的节点进行转发，且只能生成唯一的一条可选路径，在该路径被频繁使用一段时间后会导致该路径上的节点因为能量消耗过快而导致整个网络死亡，而此时其它节点的能量都还很充足，这不但导致部分节点消耗能量过快，同时也会造成剩余节点的能量浪费。MPDR的算法在路由个数上优于DD算法，会生成两条备用路径，从而在某条通路能量耗尽时会切换到备用路由通路上，从而有效的延长整个网络的使用寿命。对于MADMR和FMADMR算法来说，都能生成多条路由通路，从而尽可能将网络中的每个节点都能纳入到路由通路中，但是细致分析来看本文的FMADMR算法在综合考虑主观和客观属性能够更加丰富WSN网络中路 由通路的选择，从而在网络使用寿命上更优于其它三种路由算法。
(2)网络覆盖节点数仿真实验结果对比
图4为在进行100次仿真实验后四种路由算法生成的路由通路在MSN网络中覆盖的节点数目。其中：黑色虚线表示FMADMR算法的网络覆盖节点数；绿色实线表示MADMR算法的网络覆盖节点数；红色实线表示MPDR算法的网络覆盖节点数；蓝色实线表示DD算法的网络覆盖节点数。表2表示是四种算法的路由节点覆盖率统计。
表2实验覆盖率统计
覆盖率 10％ 20％ 40％
FMADMR 99％ 98％ 68％
MADMR 99％ 97％ 41％
MPDR 99％ 16％ 0％
DD 17％ 2％ 0％
由图4中我们可以直观的看出：FMADMR算法的网络覆盖节点数略微优于MADMR算法，且二者都明显高于MPDR算法和DD算法。同样从表2的节点覆盖率统计结果来看，在覆盖率等于40％的情况下，FMADMR算法相比MADMR算法还没有明显的优势，但在覆盖率超过40％的情况下，FMADMR算法高达68次超过40％的的覆盖率。从节点利用率来看，本文的FMADMR算法具有良好的稳定性和可靠性，每次得到的计算路由都能比较充分的利用WSN网络中的无线传感器节点，明显优于其它三种路由算法。
(3)节点剩余能量分布仿真实验结果对比
图5是某次路由仿真实验结束后，四种算法节点剩余能量的分布情况。其中：横坐标表示节点ID；纵坐标表示节点能量与初始能量的比值；黑色实线表示FMADMR算法；绿色虚线表示MADMR算法，红色虚线表示MPDR算法，蓝色虚线表示DD算法。
从图5的仿真结果中可以看出本文设计的FMADMR算法使得网络中的节点能量消耗比较均匀；而其它三种算法会导致部分节点能量消耗过快，网络存在过早瘫痪的风险。这说明本文设计的FMADMR算法比另外三种路由算法能够更加合理的分配数据流量和利用各节点的能量。
(4)网络生存时间仿真实验结果对比
对于WSN网络，网络生存时间是指从整个网络部署运行到出现任意一个节点能量耗尽或无法找到下一跳节点的时间。图6表示的是在100次不同网络拓扑结构下仿真得到的每次网络生存时间的对比。其中：横坐标表示节点ID，纵坐标表示网络生存时间(s)。
从图6中可以看出，本文设计的FMADMR算法计算得到的路由在运行过程中，网络生存时间明显高于其余三种算法。这说明采用FMADMR算法，能量消耗可以平均到多个节点上，进而延长整个网络的生存时间。
(5)网络平均跳数仿真实验结果对比
平均跳数是指一个通信网络中，建立各个路由通路时所经过的中间节点平均个数，这一特性可有从侧面反映出网络数据传输的效率。图7和图8分别为FMADMR算法与DD、MPDR和MADMR三种算法平均路由跳数的比较。其中：黑色虚线表示FMADMR算法，绿色实线表示MADMR算法，红色实线表示MPDR算法，蓝色实线表示DD算法的平均路由跳 数。
由图中可以看出FMADMR算法的平均路由跳数略高于其他三种算法的跳数。原因是FMADMR算法为了避免网络断层的产生选择了相对较远的节点进行路由。在实际情况中，可以对数据进行实时性划分，对实时性要求不高的数据选择较远的路径，对于实时性较高的数据可以选择两种算法重合的路径，即最优路径进行传输。
权重系数分配优化后的路由算法仿真实验
为了更好验证权重系数改进后对FMADMR算法的进一步优化，在对改进权重计算方法后的FMADMR进行仿真时，仿真实验的各项预置条件和仿真参数都前述中保持一致。不引入因实验条件差异而导致的仿真实验结果受到影响的情况。
(1)算法各项性能仿真实验结果对比
图9和图10分别表示在某次FMADMR算法网络拓扑结构下，权重计算方法改进前和改进后的路由状况。从仿真实验结果可以看出，在权重计算方式优化后，WSN网络中的路由通路个数有了明显的增加，对延长网络的有效使用时间有更大的帮助。
图11为100次仿真中路由网络覆盖的节点数目。黑色虚线表示FMADMR算法的网络覆盖节点数；黑色实线为算法改进后的网络覆盖节点数。由图11可以看出改进后的FMADMR算法网络覆盖节点数较改进前略微有所增加，这说明FMADMR算法在权重改进后能量消耗可以分担给更多的节点，从而延长网络生存时间。
图2为FMADMR算法权重改进前后的平均路由跳数，可以侧面反 映路由的时延。虚线表示FMADMR，实线表示权重改进后的算法。由图中可以看出权重改进后的FMADMR算法的平均路由跳数略高于算法改进前的跳数。改进后FMADMR算法选择了相对较远的节点进行路由。较远的路径可以传输重要性较低的数据，把最优路径让出给实时性高的数据，这样可以延长网络的使用时间，节省能量提高网络利用率。
图13显示了100次仿真中FMADMR算法权重改进前后的WSN网络生存时间。其中，实线为算法改进后的网络生存时间，虚线为算法改进后的网络生存时间。从图中可以看出，改进后的算法性能明显高于改进前。这说明在FMADMR算法权重改进之后，网络的能耗能够更加平均地分配给网络节点，从而大大延长了网络的生存时间。
以上所述仅为本发明技术方案的较佳实施例而已，并不用以限制本发明申请，凡在本技术方案实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于模糊多属性决策的无线传感器网络路由算法，其特征在于，该方法步骤如下：(1)从原(source)节点开始，将当前节点周围可通信节点建立决策方案；(2)确定(1)步决策方案的模糊属性，建立模糊评价矩阵X；(3)根据模糊评价矩阵进行规范化处理，得到规范化模糊决策矩阵H并利用H确定客观权重；根据模糊评价矩阵中的偏好确定主观权重；(4)利用上步的客观权重和主观权重确定组合权重；(5)组合权重与模糊决策矩阵结合计算综合评价值，选取最优点作为下一跳节点，并将其设为当前节点；(6)判断节点是否属于汇聚(sink)节点，属于汇聚(sink)节点，结束算法；不属于汇聚(sink)节点，则返回(1)步重复进行。
2.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，步骤(1)中决策方案是将当前节点周围一系列可通信节点作为下一跳节点的备选，每一个备选节点都是一个备选方案，所有备选方案形成决策方案。
3.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，步骤(2)中决策方案的模糊属性包括：单个节点的能量，即在路由选择时，单个节点的能量为下一跳节点的能量剩余ei；总能量，其为下一跳节点周围能量的总和平均能量，其反映节点所在区域能量的平均分布状况上述ei为第i个邻居节点的能量，n为邻居节点的个数；路径可靠性，将一个链路上成功传送分组需要的传输次数；节点链路质量，其为每个路由节点将自己从开始发送到发送成功的发送次数记录下来，并对传输的数据进行分类统计再求算术平均值；方向，通常用cosθ表示，含义为下一跳方向与目的方向偏差值，c表示当前节点到下一跳节点的向量，s表示当前节点到Sink节点的向量。
4.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，模糊评价矩阵这里u1、u2、…um是m个备选方案，每个方案都有有n个属性x1、x2…xn，设xij表示第i个方案ui相对于第j个属性的评价值。
5.根据权利要求1或4所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，规范化模糊决策矩阵H中包括效益型属性 或成本型属性
6.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，步骤(3)中客观权重的确定方法是模糊极差法、模糊离差法或模糊熵赋权法中的一种；采用模糊极差法是将属性j的极差占所有属性极差总和的比例来表征属性本身的差异程度，即 这里Ψj＝max(Fj)-min(Fj)表示属性j比较指标的极大值和极小值之差；采用模糊离差法是属性值与其平均值的远近来表征模糊数的差异程度，模糊属性和其负理想值的加权汉明距离将比较指标记为： 其中，为为属性j的负理想值，为属性j的比较指标的平均值，则为属性j的平均模糊差，模糊离差客观权重为模糊熵赋权法的过程是将Fij进行归一化处理得到的指标值，属性j的模糊信息熵由于信息熵为负数，属性的信息量用I-Ej表示，用其计算在所有属性中所占的比重即为属性的客观权重，即
7.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，步骤(3)中主观权重的确定方法是将模糊评价矩阵利用矩阵的一致性特征将矩阵分解成多个判别矩阵再进行模糊权重的计算，具体是决策者主观地从确定好的属性当中取出一个认为最重要的属性，将其与其他属性两两相比，得到一个模糊比较向量V，然后，按照一定方式将模糊比较向量V分解成1+2n-1个比较子向量，将子向量中的值为属性的 重要程度，利用两两比值法得到1+2n-1个判别子矩阵，利用互补两两比较法确定主观权重，这里的n是模糊评价矩阵的列数。
8.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，步骤(4)中组合权重的确定方法是线性加权法或乘除法；线性加权法就是计算各种权重的线性加权平均值作为组合权重， 这里为组合权重，l为赋权法的种类，αk是权重的主观偏好系数，wj k是主观及客观权重；乘除法是根据模糊权重采用计算组合权重，这里为组合权重，l为赋权法的种类。
9.根据权利要求1所述的基于模糊多属性决策的无线传感器网络路由算法，其特征在于，步骤(5)中的综合评价值是Z＝H*WT；这里，H为规范化模糊决策矩，W为组合权重的矩阵。
CN201610910863.1A 2016-10-17 2016-10-17 基于模糊多属性决策的无线传感器路由算法 Pending CN106572513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610910863.1A CN106572513A (zh) 2016-10-17 2016-10-17 基于模糊多属性决策的无线传感器路由算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610910863.1A CN106572513A (zh) 2016-10-17 2016-10-17 基于模糊多属性决策的无线传感器路由算法

Publications (1)

Publication Number Publication Date
CN106572513A true CN106572513A (zh) 2017-04-19

Family

ID=60414318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610910863.1A Pending CN106572513A (zh) 2016-10-17 2016-10-17 基于模糊多属性决策的无线传感器路由算法

Country Status (1)

Country Link
CN (1) CN106572513A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107094115A (zh) * 2017-05-19 2017-08-25 重庆邮电大学 一种基于sdn的蚁群优化负载均衡路由算法
CN108040016A (zh) * 2018-01-15 2018-05-15 中国民航大学 面向机场货站货物信息采集的wsn网络拥塞控制调度方法
CN108966270A (zh) * 2018-07-19 2018-12-07 南昌航空大学 无线传感器网络链路质量评估方法
CN111093244A (zh) * 2019-12-25 2020-05-01 华北电力大学 一种无线传感器网络路由优化方法和系统
CN111260437A (zh) * 2020-01-14 2020-06-09 北京邮电大学 一种基于商品方面级情感挖掘和模糊决策的产品推荐方法
CN111901846A (zh) * 2020-07-31 2020-11-06 浙江鑫网能源工程有限公司 采用多个NB-IoT节点网关的自组网系统
CN111988178A (zh) * 2020-08-21 2020-11-24 南通大学 一种融合节点多属性的复杂网络重要节点识别方法
CN113163466A (zh) * 2021-04-25 2021-07-23 北京邮电大学 基于模糊决策树的自适应鱼群寻路包路由方法
CN113938507A (zh) * 2020-12-30 2022-01-14 浙江德源智能科技股份有限公司 基于智能感知的高速搬运系统决策方法及装置
CN117273238A (zh) * 2023-11-16 2023-12-22 四川省致链数字科技有限公司 一种基于QoS约束的木质家具服务组合方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101316279A (zh) * 2008-07-09 2008-12-03 南京邮电大学 一种主观兴趣驱动的无线多媒体传感器网络设计方法
CN103458479A (zh) * 2013-09-17 2013-12-18 清华大学 Wsn中基于内容的路由表的数据路由方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101316279A (zh) * 2008-07-09 2008-12-03 南京邮电大学 一种主观兴趣驱动的无线多媒体传感器网络设计方法
CN103458479A (zh) * 2013-09-17 2013-12-18 清华大学 Wsn中基于内容的路由表的数据路由方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孔峰: "技术经济分析中的模糊多属性决策理论研究及其应用", 《中国优秀博硕士学位论文全文数据库 (博士)经济与管理科学辑》 *
徐倩楠，牛强: "基于模糊多属性决策的WSN路由算法", 《计算机工程与应用》 *
曾加,慕春棣,李戍: "基于多属性决策的无线传感器网络路由算法", 《系统仿真学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107094115B (zh) * 2017-05-19 2020-06-16 重庆邮电大学 一种基于sdn的蚁群优化负载均衡路由算法
CN107094115A (zh) * 2017-05-19 2017-08-25 重庆邮电大学 一种基于sdn的蚁群优化负载均衡路由算法
CN108040016B (zh) * 2018-01-15 2020-12-11 中国民航大学 面向机场货站货物信息采集的wsn网络拥塞控制调度方法
CN108040016A (zh) * 2018-01-15 2018-05-15 中国民航大学 面向机场货站货物信息采集的wsn网络拥塞控制调度方法
CN108966270A (zh) * 2018-07-19 2018-12-07 南昌航空大学 无线传感器网络链路质量评估方法
CN108966270B (zh) * 2018-07-19 2021-08-10 南昌航空大学 无线传感器网络链路质量评估方法
CN111093244A (zh) * 2019-12-25 2020-05-01 华北电力大学 一种无线传感器网络路由优化方法和系统
CN111260437A (zh) * 2020-01-14 2020-06-09 北京邮电大学 一种基于商品方面级情感挖掘和模糊决策的产品推荐方法
CN111901846A (zh) * 2020-07-31 2020-11-06 浙江鑫网能源工程有限公司 采用多个NB-IoT节点网关的自组网系统
CN111988178A (zh) * 2020-08-21 2020-11-24 南通大学 一种融合节点多属性的复杂网络重要节点识别方法
CN113938507A (zh) * 2020-12-30 2022-01-14 浙江德源智能科技股份有限公司 基于智能感知的高速搬运系统决策方法及装置
CN113163466A (zh) * 2021-04-25 2021-07-23 北京邮电大学 基于模糊决策树的自适应鱼群寻路包路由方法
CN113163466B (zh) * 2021-04-25 2022-11-01 北京邮电大学 基于模糊决策树的自适应鱼群寻路包路由方法
CN117273238A (zh) * 2023-11-16 2023-12-22 四川省致链数字科技有限公司 一种基于QoS约束的木质家具服务组合方法及系统
CN117273238B (zh) * 2023-11-16 2024-02-13 四川省致链数字科技有限公司 一种基于QoS约束的木质家具服务组合方法及系统

Similar Documents

Publication Publication Date Title
CN106572513A (zh) 基于模糊多属性决策的无线传感器路由算法
Elhabyan et al. A Pareto optimization-based approach to clustering and routing in Wireless Sensor Networks
Kamgueu et al. On design and deployment of fuzzy-based metric for routing in low-power and lossy networks
Garcia et al. Saving energy and improving communications using cooperative group-based wireless sensor networks
CN102223644B (zh) 联合中继选择与功率分配的系统及方法
CN101119303B (zh) 基于动态聚类的多目标规划无线传感网路由算法
Yang et al. Social-energy-aware user clustering for content sharing based on D2D multicast communications
CN107360612B (zh) 一种基于蚁群多路径的无线传感器网络的数据传输方法
CN104301864A (zh) 电动汽车充电桩集群的无线通信组网方法
CN105898764B (zh) 多级能量异构的无线传感器网络部署方法
Wang et al. A radio frequency energy harvesting-based multihop clustering routing protocol for cognitive radio sensor networks
Gao et al. An overview of performance trade-off mechanisms in routing protocol for green wireless sensor networks
CN104135752A (zh) 一种无线传感器网络簇头节点选择方法及分簇方法
CN103347288A (zh) 一种无线传感器网络不等宽度分层路由协议方法
CN105873160A (zh) 一种认知无线传感器网络中无公用信道的簇构建与路由方法
CN105050095A (zh) 一种基于能量预测的异构无线传感网的拓扑构建方法
CN109511152A (zh) 一种面向终端通信接入网感知监控的均衡分簇方法
Uppalapati Energy-Efficient Heterogeneous Optimization Routing Protocol for Wireless Sensor Network.
Nabavi et al. Optimal selection of the cluster head in wireless sensor networks by combining the multiobjective genetic algorithm and the gravitational search algorithm
CN104837155A (zh) 类bp神经网络的分簇传感网络数据收集方法
CN102238561A (zh) 基于能量有效的分层协作覆盖模型的节点部署方法
Wang et al. Joint shortest chain and fair transmission design for energy-balanced PEGASIS in WSNs
Peng et al. Real-time transmission optimization for edge computing in industrial cyber-physical systems
Santos et al. CGR: Centrality-based green routing for Low-power and Lossy Networks
Prakash et al. Best cluster head selection and route optimization for cluster based sensor network using (M-pso) and Ga algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170419

RJ01 Rejection of invention patent application after publication