CN106658603B - 一种负载均衡的无线传感器网络路由节能方法 - Google Patents

一种负载均衡的无线传感器网络路由节能方法 Download PDF

Info

Publication number
CN106658603B
CN106658603B CN201611019329.8A CN201611019329A CN106658603B CN 106658603 B CN106658603 B CN 106658603B CN 201611019329 A CN201611019329 A CN 201611019329A CN 106658603 B CN106658603 B CN 106658603B
Authority
CN
China
Prior art keywords
particle
cluster head
node
nodes
energy
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
Application number
CN201611019329.8A
Other languages
English (en)
Other versions
CN106658603A (zh
Inventor
王宁
周圆
杨鸿宇
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201611019329.8A priority Critical patent/CN106658603B/zh
Publication of CN106658603A publication Critical patent/CN106658603A/zh
Application granted granted Critical
Publication of CN106658603B publication Critical patent/CN106658603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • 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
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种负载均衡的无线传感器网络路由节能方法，步骤1、在有限的区域随机定义无线传感器节点；步骤2、列出选择簇头的适应值函数；步骤3、利用改进子群算法选择簇头；步骤4、簇头向其他节点进行广播，表明自己的身份；步骤5、列出选择中继节点的适应值函数；步骤6、利用改进的粒子群算法选择中继节点；步骤7、普通节点向簇头发送自己检测到环境的信息；步骤8、簇头将数据进行融合，然后将融合后的数据发送给中继节点；步骤9、中继节点将数据发送给基站，通信结束。与现有技术相比，本发明的负载均衡的无线传感器网络路由节能方法降低了传统无线传感器网络中簇头的高能耗，均衡全网的能量消耗，延长了整个网络的生存周期。

Description

一种负载均衡的无线传感器网络路由节能方法
技术领域
本发明涉及无线传感器网络领域，尤其涉及一种负载均衡无线传感器网络路由节能方法。
背景技术
无线传感器网络是由大量的静止或移动的传感器以自组织方式构成的无线网络，以协作地感知和采集网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给网络的所有者。由于无线传感器网络规模庞大且工作在人比较少的区域里，更换电池非常困难并且昂贵，所以设计无线传感器网络路由协议的首要目标是实现能量的高效利用，延长网络的生存周期。
无线传感器网络路由协议一般分为平面路由协议和层次路由协议。因为层次路由协议具有很好的可扩展性和自适应性，成为了国内外专家研究的热点。在现有的层次路由协议中，通常将网络中节点分为不同的簇，每个簇中有一个簇头节点和多个成员节点，成员节点负责监测周围环境的信息，将获取的数据传送给所在簇的簇头节点。簇头节点负责对簇内成员节点进行管理，将收集到的数据进行数据融合然后将其发送给基站。例如Heinzelman等人在簇概念的基础上提出了一种低功耗自适应层次路由协议LEACH协议，它打破了前期成簇算法中固定簇头的思想，算法过程存在周期性循环；Lindsey等人提出的PEGASIS协议协议借鉴了LEACH协议动态选择簇头的思想，但是全网中只建立一个簇，采用单一的链式结构进行路由；Ossama等人提出的HEED协议，以完全分布式方式成簇，在一定的迭代次数内进行簇头的选择，通过最小化控制报文开销节省能量的消耗，均衡节点能量的开销；Jisoo等人提出一种链状的路由协议来减少能量消耗，利用一种回馈机制最大化均衡能量的分布，从而延长网络的生存周期。但是这样簇头节点既要融合簇内节点发送来的数据又要将数据传送到基站，“任务”繁重，能量消耗远远大于其他节点，造成了网络能量消耗不均衡，影响网络的性能。
发明内容
基于上述现有技术存在的缺陷，本发明提出了一种负载均衡的无线传感器网络路由节能方法，利用中继节点来均衡簇头的能耗，在选择簇头和中继节点的时候都考虑到了节点的剩余能量信息和位置信息，并利用改进的粒子群算法来进行寻优选择。
本发明的一种负载均衡的无线传感器网络路由节能方法，该方法包括以下步骤：
步骤1、在有限的区域随机定义无线传感器节点，并且定义基站的位置；
步骤2、列出选择簇头的适应值函数，表示为：
Figure GDA0002202111540000021
其中，FCH为选择簇头的适应值函数，由分别代表剩余能量信息和位置信息的两部分信息组成；α∈[0,1]表示权重，是适应度函数中
Figure GDA0002202111540000022
和
Figure GDA0002202111540000023
的比例系数；
Figure GDA0002202111540000024
表示簇头节点与非簇头节点的平均剩余能量之比，主要用于评价节点的剩余能量，其值越大，节点选为簇头的概率越大，参数
Figure GDA0002202111540000025
的计算公式表示为：
Figure GDA0002202111540000026
式中，
Figure GDA0002202111540000027
表示簇头的平均剩余能量，
Figure GDA0002202111540000028
表示非簇头节点的平均剩余能量，|CH|和|non-CH|分别表示簇头节点和非簇头节点的数量，CH和non-CH分别表示簇头节点集合和非簇头节点集合，nodei、nodej分别表示各个非簇头节点和簇头节点，
Figure GDA0002202111540000029
表示非簇头节点i的剩余能量,
Figure GDA00022021115400000210
表示簇头节点j的剩余能量；
Figure GDA00022021115400000211
表示非簇头节点和基站的平均距离与簇头节点和基站的平均距离的比值，其计算公式表示为
Figure GDA0002202111540000031
式中，
Figure GDA0002202111540000032
表示非簇头节点和基站的平均距离，
Figure GDA0002202111540000033
表示簇头节点和基站的平均距离的比值，d(nodei,BS)表示非簇头节点i与基站的距离，d(nodej,BS)表示簇头节点j与基站的距离；
步骤3、选择簇头，具体处理包括：
初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；
计算每个粒子的适应值函数；
将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；
更新当前粒子速度与当前位置，更新公式为：
Figure GDA0002202111540000034
Figure GDA0002202111540000035
其中，k为迭代次数；vid是第i个粒子速度矢量的第d维值，通常被约束在区间[vmin,vmax]间，用以表示粒子的增长，
Figure GDA0002202111540000036
表示的是第i个粒子在第d维的位置矢量，c1，c2为加速系数，用来控制粒子的移动速度，r1,r2∈[0,1]是d维空间中产生的随机数，大小为[0,1]，Pid为个体极值，Pgd为总体全局极值，W为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当W取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样使搜索向全局最优的方向靠近而避免陷入局部最优，
为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：
Figure GDA0002202111540000041
式中，wmin和wmax分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iterationmax为设置的最大迭代次数；
让i＝i+1，返回到步骤2，直至i达到设定的最大迭代次数后停止选择算法，当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的簇头；
步骤4、通过步骤3选择出簇头后，簇头向其他节点进行广播，表明自己的身份；
步骤5、列出选择中继节点的适应值函数，具体为：
Figure GDA0002202111540000042
Figure GDA0002202111540000043
表示中继节点的平均能量与普通节点的平均剩余能量的比例，计算公式表示为：
Figure GDA0002202111540000044
其中，
Figure GDA0002202111540000045
为中继节点的平均剩余能量，
Figure GDA0002202111540000046
为普通节点的平均剩余能量，|RL|与|CO|分别表示中继节点和普通节点的数，CO和RL分别表示中继节点集合和普通节点集合，nodez、nodek分别表示中继节点和普通节点，
Figure GDA0002202111540000047
表示中继节点z的剩余能量，
Figure GDA0002202111540000048
表示普通节点k的剩余能量；让
Figure GDA0002202111540000049
尽量大，以选出能量较高的的节点作为中继节点；
同时，
Figure GDA00022021115400000410
被定义为：
Figure GDA0002202111540000051
其中，
Figure GDA0002202111540000052
为普通节点与簇头和基站的平均距离之和，
Figure GDA0002202111540000053
为中继节点与与簇头和基站的平均距离之和，最大化
Figure GDA0002202111540000054
意味着减少簇头节点和中继节点间的传输消耗；
步骤6、利用改进的粒子群算法选择中继节点，具体包括以下处理：
初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；
计算每个粒子的适应值函数；
将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；
更新当前粒子速度与当前位置，更新公式为：
Figure GDA0002202111540000055
Figure GDA0002202111540000056
其中，k为迭代次数；vid是第i个粒子速度矢量的第d维值，通常被约束在区间[vmin,vmax]间，用以表示粒子的增长，
Figure GDA0002202111540000057
表示的是第i个粒子在第d维的位置矢量，c1，c2为加速系数，用来控制粒子的移动速度，数r1,r2∈[0,1]是d维空间中产生的随机数，大小为[0,1]，Pid为个体极值；Pgd为总体全局极值，w为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当w取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样使搜索向全局最优的方向靠近而避免陷入局部最优；
为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：
Figure GDA0002202111540000061
式中，wmin和wmax分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iterationmax为设置的最大迭代次数；
让i＝i+1，返回到步骤5，直至i达到设定的最大迭代次数后停止选择算法，此时当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的中继节点；
步骤7、普通节点向簇头发送自己检测到环境的信息，公式如下：
Figure GDA0002202111540000062
Figure GDA0002202111540000063
其中，ETX(k,d)为传输k比特数据，传输距离为d时消耗的能量；d0为由具体的网络模型决定的预定的阈值；Emp和Efs是功率放大器消耗的单位数据放大功率，取决于两种能耗模型的参数；Eelec为传输或者接收每比特数据电路耗费的能量；
簇头接收k比特数据所消耗的能量为：
Erx(k)＝k·Eelec
步骤8、簇头将数据进行融合，数据融合也会消耗一定的能量，融合单位比特数据的能耗用EDA表示。如果节点的数量为n，则融合k比特数据所消耗的能量为：
E(k,n)＝n×k×EDA
然后将融合后的数据发送给中继节点；
步骤9、中继节点将数据发送给基站，通信结束。
与现有技术相比，本发明的负载均衡的无线传感器网络路由节能方法降低了传统无线传感器网络中簇头的高能耗，均衡全网的能量消耗，延长了整个网络的生存周期。
附图说明
图1为本发明的负载均衡的无线传感器网络路由节能方法与基于粒子群的路由算法的比较图，其中，本发明的生存时间得到了一定程度上的延长；
图2为本发明的负载均衡的无线传感器网络路由节能方法与现有技术的初始节点死亡对比结果示意图；
图3为本发明的负载均衡的无线传感器网络路由节能方法与现有技术的剩余节点死亡对比结果示意图；
图4为本发明整体流程示意图。
具体实施方式
本发明从无线传感器网络的特点以及分簇路由算法出发，研究能量受限的无线传感器网络分簇路由算法。具体流程描述如下：
步骤1、在有限的区域随机定义无线传感器节点，每个节点的初始能量都相同，并且定义基站的位置；
步骤2、列出选择簇头的适应值函数，具体为：
Figure GDA0002202111540000071
其中FCH为选择簇头的适应值函数，由分别代表剩余能量信息和位置信息的两部分信息组成；α∈[0,1]表示权重，是适应度函数中
Figure GDA0002202111540000072
和
Figure GDA0002202111540000073
的比例系数；
Figure GDA0002202111540000074
表示簇头节点与非簇头节点的平均剩余能量之比，主要用于评价节点的剩余能量，其值越大，节点选为簇头的概率越大，参数
Figure GDA0002202111540000075
的计算公式表示为：
Figure GDA0002202111540000081
式中，
Figure GDA0002202111540000082
表示簇头的平均剩余能量，
Figure GDA0002202111540000083
表示非簇头节点的平均剩余能量，|CH|和|non-CH|分别表示簇头节点和非簇头节点的数量，CH和non-CH分别表示簇头节点集合和非簇头节点集合，nodei、nodej分别表示各个非簇头节点和簇头节点，
Figure GDA0002202111540000084
表示非簇头节点i的剩余能量,
Figure GDA0002202111540000085
表示簇头节点j的剩余能量。
Figure GDA0002202111540000086
表示非簇头节点和基站的平均距离与簇头节点和基站的平均距离的比值，，其计算公式表示为
Figure GDA0002202111540000087
式中，
Figure GDA0002202111540000088
表示非簇头节点和基站的平均距离，
Figure GDA0002202111540000089
表示簇头节点和基站的平均距离的比值，d(nodei,BS)表示非簇头节点i与基站的距离。d(nodej,BS)表示簇头节点j与基站的距离)；
步骤3、利用改进子群算法选择簇头，具体处理包括：
(3-1)、初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；
(3-2)、计算每个粒子的适应值函数；
(3-3)、将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；
(3-4)、更新当前粒子速度与当前位置，更新公式为：
Figure GDA00022021115400000810
Figure GDA00022021115400000811
其中，k为迭代次数；vid是第i个粒子速度矢量的第d维值，通常被约束在区间[vmin,vmax]间，用以表示粒子的增长；
Figure GDA0002202111540000091
表示的是第i个粒子在第d维的位置矢量；c1，c2为加速系数，用来控制粒子的移动速度；数r1,r2∈[0,1]是d维空间中产生的随机数；，大小为[0,1]；Pid为个体极值；Pgd为总体全局极值；W为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当W取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样可以使搜索向全局最优的方向靠近而避免陷入局部最优，。
(3-5)、为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：
Figure GDA0002202111540000092
式中，wmin和wmax分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iterationmax为设置的最大迭代次数；
(3-6)、让i＝i+1，返回到步骤2，直至i达到设定的最大迭代次数后停止选择算法，当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的簇头；
步骤4、通过步骤3选择出簇头后，簇头向其他节点进行广播，表明自己的身份；
步骤5、列出选择中继节点的适应值函数，具体为：
Figure GDA0002202111540000093
Figure GDA0002202111540000094
表示中继节点的平均能量与普通节点的平均剩余能量的比例，计算公式表示为：
Figure GDA0002202111540000095
其中，
Figure GDA0002202111540000101
为中继节点的平均剩余能量。
Figure GDA0002202111540000102
为普通节点的平均剩余能量，|RL|与|CO|分别表示中继节点和普通节点的数，CO和RL分别表示中继节点集合和普通节点集合，nodez、nodek分别表示各个簇头节点和非簇头节点，
Figure GDA0002202111540000103
表示中继节点z的剩余能量，
Figure GDA0002202111540000104
表示普通节点k的剩余能量；让
Figure GDA0002202111540000105
尽量大，可以选出能量较高的的节点作为中继节点。
同时，
Figure GDA0002202111540000106
被定义为：
Figure GDA0002202111540000107
其中，
Figure GDA0002202111540000108
为普通节点与簇头和基站的平均距离之和，
Figure GDA0002202111540000109
为中继节点与与簇头和基站的平均距离之和，最大化
Figure GDA00022021115400001010
意味着减少簇头节点和中继节点间的传输消耗；
步骤6、同步骤3一样利用改进的粒子群算法选择中继节点，
(6-1)、初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；
(6-2)、计算每个粒子的适应值函数；
(6-3)、将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；
(6-4)、更新当前粒子速度与当前位置，更新公式为：
Figure GDA00022021115400001011
Figure GDA00022021115400001012
其中，k为迭代次数；vid是第i个粒子速度矢量的第d维值，通常被约束在区间[vmin,vmax]间，用以表示粒子的增长；
Figure GDA00022021115400001013
表示的是第i个粒子在第d维的位置矢量；c1，c2为加速系数，用来控制粒子的移动速度；数r1,r2∈[0,1]是d维空间中产生的随机数；，大小为[0,1]；Pid为个体极值；Pgd为总体全局极值；w为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当w取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样可以使搜索向全局最优的方向靠近而避免陷入局部最优。
(6-5)、为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：
Figure GDA0002202111540000111
式中，wmin和wmax分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iterationmax为设置的最大迭代次数；
(6-6)、让i＝i+1，返回到步骤5，直至i达到设定的最大迭代次数后停止选择算法，此时当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的中继节点；
步骤7、普通节点向簇头发送自己检测到环境的信息，公式如下：
Figure GDA0002202111540000112
Figure GDA0002202111540000113
其中，ETX(k,d)为传输k比特数据，传输距离为d时消耗的能量。d0由具体的网络模型决定的预定的阈值d0。在数据通信中，依照传输距离与阈值的大小关系，功率放大所采用能耗模型主要分为两种：d＜d0时采用的是自由空间信道模型；d＞d0时采用的多径衰减信道模型。Emp和Efs是功率放大器消耗的单位数据放大功率，取决于两种能耗模型的参数；
簇头接收k比特数据所消耗的能量为：
Erx(k)＝k·Eelec
步骤8、簇头将数据进行融合，数据融合也会消耗一定的能量，融合单位比特数据的能耗用EDA表示。如果节点的数量为n，则融合k比特数据所消耗的能量为：
E(k,n)＝n×k×EDA
然后将融合后的数据发送给中继节点；
步骤9、中继节点将数据发送给基站，通信结束。
下面对本发明所提出的负载均衡的无线传感器网络路由节能算法进行验证，同时，通过仿真实验与已有的路由算法进行比较，证明本发明可以有效地选择出合适的节点作为簇头和中继节点，延长了网络的生存周期。
首先与基于基本粒子群的路由算法(PSO-based)相比较，结果如图1所示。
然后在不同的节点密度下，将本发明算法分别与现有的HEED算法、Hausdoff算法以及基于基本的粒子群的路由算法(PSO-based)比较初始节点死亡时间，比较结果如图2所示。
最后在不同的节点密度下，将本发明算法分别与现有的HEED算法、Hausdoff算法以及基于基本的粒子群的路由算法比较最后一个节点死亡时间，比较结果如图3所示。

Claims (1)

1.一种负载均衡的无线传感器网络路由节能方法，其特征在于，该方法包括以下步骤：
步骤1、在有限的区域随机定义无线传感器节点，并且定义基站的位置；
步骤2、列出选择簇头的适应值函数，表示为：
Figure FDA0002330097710000011
其中，FCH为选择簇头的适应值函数，由分别代表剩余能量信息和位置信息的两部分信息组成；α∈[0,1]表示权重，是适应度函数中
Figure FDA0002330097710000012
和
Figure FDA0002330097710000013
的比例系数；
Figure FDA0002330097710000014
表示簇头节点与非簇头节点的平均剩余能量之比，主要用于评价节点的剩余能量，其值越大，节点选为簇头的概率越大，参数
Figure FDA0002330097710000015
的计算公式表示为：
Figure FDA0002330097710000016
式中，
Figure FDA0002330097710000017
表示簇头的平均剩余能量，
Figure FDA0002330097710000018
表示非簇头节点的平均剩余能量，|CH|和|non-CH|分别表示簇头节点和非簇头节点的数量，CH和non-CH分别表示簇头节点集合和非簇头节点集合，nodei、nodej分别表示各个非簇头节点和簇头节点，
Figure FDA0002330097710000019
表示非簇头节点i的剩余能量,
Figure FDA00023300977100000110
表示簇头节点j的剩余能量；
Figure FDA00023300977100000111
表示非簇头节点和基站的平均距离与簇头节点和基站的平均距离的比值，其计算公式表示为
Figure FDA00023300977100000112
式中，
Figure FDA00023300977100000113
表示非簇头节点和基站的平均距离，
Figure FDA00023300977100000114
表示簇头节点和基站的平均距离的比值，d(nodei,BS)表示非簇头节点i与基站的距离，d(nodej,BS)表示簇头节点j与基站的距离；
步骤3、选择簇头，具体处理包括：
初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；
计算每个粒子的适应值函数；
将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；
更新当前粒子速度与当前位置，更新公式为：
Figure FDA0002330097710000021
Figure FDA0002330097710000022
其中，k为迭代次数；vid是第i个粒子速度矢量的第d维值，通常被约束在区间[vmin,vmax]间，用以表示粒子的增长，
Figure FDA0002330097710000023
表示的是第i个粒子在第d维的位置矢量，c1，c2为加速系数，用来控制粒子的移动速度，r1,r2∈[0,1]是d维空间中产生的随机数，大小为[0,1]，Pid为个体极值，Pgd为总体全局极值，W为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当W取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样使搜索向全局最优的方向靠近而避免陷入局部最优，
为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：
Figure FDA0002330097710000024
式中，wmin和wmax分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iterationmax为设置的最大迭代次数；
让i＝i+1，返回到步骤2，直至i达到设定的最大迭代次数后停止选择算法，当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的簇头；
步骤4、通过步骤3选择出簇头后，簇头向其他节点进行广播，表明自己的身份；
步骤5、列出选择中继节点的适应值函数，具体为：
Figure FDA0002330097710000031
Figure FDA0002330097710000032
表示中继节点的平均能量与普通节点的平均剩余能量的比例，计算公式表示为：
Figure FDA0002330097710000033
其中，
Figure FDA0002330097710000034
为中继节点的平均剩余能量，
Figure FDA0002330097710000035
为普通节点的平均剩余能量，|RL|与|CO|分别表示中继节点和普通节点的数，CO和RL分别表示中继节点集合和普通节点集合，nodez、nodek分别表示中继节点和普通节点，
Figure FDA0002330097710000036
表示中继节点z的剩余能量，
Figure FDA0002330097710000037
表示普通节点k的剩余能量；让
Figure FDA0002330097710000038
尽量大，可以选出能量较高的的节点作为中继节点；
步骤6、选择中继节点，具体包括以下处理：
初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；
计算每个粒子的适应值函数；
将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；
更新当前粒子速度与当前位置，更新公式为：
Figure FDA0002330097710000041
Figure FDA0002330097710000042
其中，k为迭代次数；vid是第i个粒子速度矢量的第d维值，通常被约束在区间[vmin,vmax]间，用以表示粒子的增长，
Figure FDA0002330097710000043
表示的是第i个粒子在第d维的位置矢量，c1，c2为加速系数，用来控制粒子的移动速度，数r1,r2∈[0,1]是d维空间中产生的随机数，大小为[0,1]，Pid为个体极值；Pgd为总体全局极值，w为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当w取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样使搜索向全局最优的方向靠近而避免陷入局部最优；
为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：
Figure FDA0002330097710000044
式中，wmin和wmax分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iterationmax为设置的最大迭代次数；
让i＝i+1，返回到步骤5，直至i达到设定的最大迭代次数后停止选择算法，此时当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的中继节点；
步骤7、普通节点向簇头发送自己检测到环境的信息，公式如下：
Figure FDA0002330097710000045
Figure FDA0002330097710000046
其中，ETX(k,d)为传输k比特数据，传输距离为d时消耗的能量；d0为由具体的网络模型决定的预定的阈值；Emp和Efs是功率放大器消耗的单位数据放大功率，取决于两种能耗模型的参数；Eelec为传输或者接收每比特数据电路耗费的能量；
簇头接收k比特数据所消耗的能量为：
Erx(k)＝k·Eelec
步骤8、簇头将数据进行融合，数据融合也会消耗一定的能量，融合单位比特数据的能耗用EDA表示；如果节点的数量为n，则融合k比特数据所消耗的能量为：
E(k,n)＝n×k×EDA
然后将融合后的数据发送给中继节点；
步骤9、中继节点将数据发送给基站，通信结束。
CN201611019329.8A 2016-11-17 2016-11-17 一种负载均衡的无线传感器网络路由节能方法 Active CN106658603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611019329.8A CN106658603B (zh) 2016-11-17 2016-11-17 一种负载均衡的无线传感器网络路由节能方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611019329.8A CN106658603B (zh) 2016-11-17 2016-11-17 一种负载均衡的无线传感器网络路由节能方法

Publications (2)

Publication Number Publication Date
CN106658603A CN106658603A (zh) 2017-05-10
CN106658603B true CN106658603B (zh) 2020-04-17

Family

ID=58807688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611019329.8A Active CN106658603B (zh) 2016-11-17 2016-11-17 一种负载均衡的无线传感器网络路由节能方法

Country Status (1)

Country Link
CN (1) CN106658603B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107168270A (zh) * 2017-07-07 2017-09-15 广东技术师范学院 一种非线性过程监控方法
CN107391926B (zh) * 2017-07-19 2019-08-06 南京慧目信息技术有限公司 一种医疗数据采集分析系统
CN108712760B (zh) * 2018-03-29 2019-11-19 北京邮电大学 基于随机自动学习机与模糊算法的高吞吐量中继选择方法
CN108419304A (zh) * 2018-03-29 2018-08-17 深圳智达机械技术有限公司 一种无线传感器网络水质监控系统
CN110225569B (zh) * 2019-06-10 2022-03-15 桂林电子科技大学 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法
CN111182574A (zh) * 2019-07-30 2020-05-19 内蒙古大学 一种基于遗传算法的apteen路由协议优化方法及其优化装置
CN110392409B (zh) * 2019-08-30 2023-05-12 深圳供电局有限公司 基于配电通信网的WMSNs多路径QoS路由方法、系统及存储介质
CN111148160B (zh) * 2019-12-14 2023-01-31 贵州电网有限责任公司 一种适用于电力监测环境的传感器网络多目标路由方法
CN111194065B (zh) * 2020-02-13 2022-02-25 吉林建筑科技学院 一种高能效的环形无线传感器网络多跳分簇路由方法
CN111654869B (zh) * 2020-05-13 2022-07-29 中铁二院工程集团有限责任公司 无线网络自组网方法
CN112486053B (zh) * 2020-10-20 2022-05-27 国佳云为(江苏)信息科技有限公司 一种基于区块链工业园区环境监测管理系统
CN112815990B (zh) * 2020-12-28 2022-09-23 齐丰科技股份有限公司 一种基于物联网技术的配电设备监测系统
CN112888027B (zh) * 2021-01-22 2022-06-14 华南理工大学 一种无线传感器网络的连通恢复方法、系统、装置及介质
CN113727412B (zh) * 2021-09-13 2023-09-15 广州杰赛科技股份有限公司 异构无线传感器网络分簇路由方法、装置、介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN105472685A (zh) * 2015-12-07 2016-04-06 天津大学 一种基于粒子群的无线传感器网络路由节能方法
CN105898847A (zh) * 2016-04-08 2016-08-24 南京邮电大学 基于粒子群优化的能量均衡的节点休眠方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN105472685A (zh) * 2015-12-07 2016-04-06 天津大学 一种基于粒子群的无线传感器网络路由节能方法
CN105898847A (zh) * 2016-04-08 2016-08-24 南京邮电大学 基于粒子群优化的能量均衡的节点休眠方法

Also Published As

Publication number Publication date
CN106658603A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106658603B (zh) 一种负载均衡的无线传感器网络路由节能方法
Behera et al. Residual energy-based cluster-head selection in WSNs for IoT application
Bhatia et al. A genetic algorithm based distance-aware routing protocol for wireless sensor networks
Su et al. An optimal clustering mechanism based on Fuzzy-C means for wireless sensor networks
Mehmood et al. ELDC: An artificial neural network based energy-efficient and robust routing scheme for pollution monitoring in WSNs
Jadhav et al. Whale optimization based energy-efficient cluster head selection algorithm for wireless sensor networks
Shokrollahi et al. An energy-efficient clustering algorithm using fuzzy C-means and genetic fuzzy system for wireless sensor network
Qin et al. A hierarchical information acquisition system for AUV assisted internet of underwater things
CN105050095B (zh) 一种基于能量预测的异构无线传感网的拓扑构建方法
Ruihua et al. Double cluster-heads clustering algorithm for wireless sensor networks using PSO
Jain et al. An optimal RSSI-based cluster-head selection for sensor networks
Subha et al. H-CERP: energy efficient scheme for industrial WSN applications
Nguyen et al. Prolonging of the network lifetime of WSN using fuzzy clustering topology
Qiu et al. QLGR: A Q-learning-based Geographic FANET Routing Algorithm Based on Multiagent Reinforcement Learning.
Satyanarayana et al. Implementation of enhanced energy aware clustering based Routing (EEACBR) algorithm to improve network lifetime in WSN’s
Miah et al. Performance analysis of ILEACH and LEACH protocols for wireless sensor networks
El Khediri et al. Clustering algorithm in wireless sensor networks based on shortest path
Satyanarayana et al. Implementation of Improved Energy Balanced Routing Protocol to Enlarge Energy Efficiency in MANET for IoT Applications
Webster et al. Murmuration inspired clustering protocol for underwater wireless sensor networks
CN111698706A (zh) 基于混沌遗传的无线传感器网络改进leach路由方法
Vu et al. An energy-aware routing protocol for wireless sensor networks based on k-means clustering
Khediri et al. Multi objective clustering algorithm for maximizing lifetime in wireless sensor networks
Jin et al. Based on the improvement of leach protocol for wireless sensor network routing algorithm
MuthuLakshmi Advanced leach protocol in large scale wireless sensor networks
KHEDIRI et al. Fixed competition-based clustering approach wireless sensor network

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
GR01 Patent grant
GR01 Patent grant