CN108337684B - 基于差分进化算法的优化无线传感器网络寿命的方法 - Google Patents

基于差分进化算法的优化无线传感器网络寿命的方法 Download PDF

Info

Publication number
CN108337684B
CN108337684B CN201711274875.0A CN201711274875A CN108337684B CN 108337684 B CN108337684 B CN 108337684B CN 201711274875 A CN201711274875 A CN 201711274875A CN 108337684 B CN108337684 B CN 108337684B
Authority
CN
China
Prior art keywords
nodes
sensor
sensor nodes
monitoring area
differential evolution
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
CN201711274875.0A
Other languages
English (en)
Other versions
CN108337684A (zh
Inventor
张军
詹志辉
龚月姣
张鑫源
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201711274875.0A priority Critical patent/CN108337684B/zh
Publication of CN108337684A publication Critical patent/CN108337684A/zh
Application granted granted Critical
Publication of CN108337684B publication Critical patent/CN108337684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • 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
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
    • H04W52/0216—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave using a pre-established activity schedule, e.g. traffic indication frame
    • 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
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
    • H04W52/0219—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave where the power saving management affects multiple terminals
    • 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
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
    • H04W52/0248—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal dependent on the time of the day, e.g. according to expected transmission activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • 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

Abstract

本发明公开了一种基于差分进化算法的优化无线传感器网络寿命的方法，通过对冗余传感器节点的分批次调度，既提高了无线传感网络的寿命又提高了网络的可靠性。该本发明涉及智能优化算法和无线传感器网络领域，方法将个体编码为二进制串，编码长度为待调度的传感器数量。本方法根据问题的实际编码特点，在变异操作和交叉操作上对差分进化算法提出了重要改进。优化结果上，本方法在满足网络完全覆盖的约束前提下，通过对无线传感器网络节点工作方式的调度，将节点纳入到不同批次中，分批次激活相应的节点，即可大大延长无线传感器网络的使用寿命，同时，多批次的工作方式在面对节点突发性故障等问题时，又可以提高网络的容错率。

Description

基于差分进化算法的优化无线传感器网络寿命的方法
技术领域
本发明涉及智能优化算法和无线传感器网络技术领域，具体涉及一种基于差分进化算法的优化无线传感器网络寿命的方法。
背景技术
无线传感器网络(wireless sensors network，WSN)是融合了传感器网络、嵌入式以及分布式计算等多种学科背景的应用学科，在当前社会中具有广阔的应用前景。在无线传感器网络中，需要将大量微型的传感器节点部署在一个需要监测的区域内，利用这些传感器节点来对监控区域内监控对象的信息进行感知、和处理。特别地，在一些应急情况或者监控区域形势恶劣，无法精确部署监控节点的情况下，还可以在监控区域内投放大量廉价的微型传感器节点，通过冗余部署的方式，保证监控区域被完全覆盖。因此，WSN被广泛的应用于国防军事、战场监控、环境监测、动物栖息地监测、交通管理、医疗卫生、反恐抗灾等诸多领域，具有重要的现实意义。
无线传感器网络中的传感器节点具有以下特点：体积小寿命有限、节点规模非常庞大、分散范围广、分布密集、且大规模的节点通信之间会存在干扰。针对以上特点，WSN网络面临以下这样一个关键问题：在传感器节点寿命有限的条件下，如何在满足在监控区域完全覆盖的条件下，减少节点的能耗和冗余节点之间通信的干扰，通过对节点工作模式进行调度，可以减少能耗，延长无线传感器网络的寿命。为了解决上述问题，考虑从以下方面进行优化：缩短节点调度的时间，降低调度的复杂度，以减少节点能耗；在节点失效的情况下，检测网络的可替换策略以继续维持正常工作。
传统的对无线传感器网络优化的方法中，为了减少冗余节点的通信开销和通信干扰，一般考虑优化通信手段，采取分布式的区域通信。而现有研究中，越来越多地考虑到无线传感器网络的冗余节点部署配置问题，即在网络中对冗余节点进行筛选，在满足完全覆盖的前提下，使用尽量少的节点工作，关闭另外一部分节点做备用，以节约能源消耗，减少节点冲突和节点通信的干扰，延长网络寿命。
冗余节点的调度问题是一类NP难问题，近年来，随着智能优化算法在NP难问题的求解方面所展现出的优越性，本发明通过改进差分进化算法(Differential Evolution，DE)来解决无线传感器网络的节点调度问题。。DE算法起源于1995年，由Storn和Price首次提出，它是一种基于个体变异的优化算法，算法原理采用对个体进行方向扰动，包含变异、交叉和选择三个过程，考虑个体差异的基础上，进行伸缩变异，产生下一代解成员。因为差分进化算法不需要使用函数的梯度信息，因此对函数的连续性并没有要求，适用性很强。相较于其他优化算法而言，DE拥有更强的全局搜索能力。因此，亟待采用DE作为原始优化框架并进行相应地改进，进而更高效地求解冗余节点的调度问题。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于差分进化算法的优化无线传感器网络寿命的方法，该方法针对无线传感器网络的冗余节点进行分批次调度，在保证监控区域完全覆盖的前提下，将节点尽可能多地划分为多个批次，从而各批次的网络节点能够分别在各自的时隙运行，降低网络系统的低能耗，从而延长网络使用寿命。
本发明的目的可以通过采取如下技术方案达到：
一种基于差分进化算法的优化无线传感器网络寿命的方法，所述的方法包括下列步骤：
S1、冗余判定，假设在监控区域Γ内部署的无线传感器网络是由N个随机均匀投放的传感器节点构成的，传感器节点所构成的集合记为S，为了量化传感器节点对目标监控区域的覆盖面积，将目标监控区域Γ划分为M×M的栅格，栅格构成的集合用G表示，判断集合S中的节点是否可以完整覆盖目标监控区域Γ，若无法完整覆盖，则继续对目标监控区域增加传感器节点的投放量，若可以完整覆盖，则认为目标监控区域内的传感器节点存在冗余，通过优化算法对区域内的节点进行分批次调度；
S2、差分进化算法的参数设置以及初始化，设置种群规模NP、变异因子F和交叉因子CR的初始值，采用二进制编码方式进行编码，即个体x＝(x1,x2,…,xD)的每一维在集合{0，1}中取值，当xi取值为1时，表示节点i会被纳入到当前批次中，相反则不会被纳入到当前批次中，D表示传感器节点的数量；
S3、通过差分进化算法对目标监控区域内的传感器节点进行变异、交叉以及选择操作；
S4、当搜索到符合约束条件且传感器节点个数最小的可行解时，将其存档为当前批次的需要激活的传感器节点集合，之后对剩余的传感器节点重新编码，再次通过差分进化算法搜索下一个批次需要激活的传感器节点集合，在搜索之前执行步骤S1进行冗余判定，若判定剩余传感器节点可以完整覆盖目标区域，继续迭代执行步骤S2～S4，否则，终止退出优化。
进一步地，所述的步骤S1、冗余判定中，参数M用于调节栅格的划分精度，如果划分过密会增大计算量，如果划分稀疏，则会影响传感器节点覆盖面积的计算精度。
进一步地，所述的步骤S1、冗余判定中，传感器节点覆盖模型采用常用的布尔模型，节点与栅格的覆盖关系由式(1)给出，其中，D(s,g)表示传感器节点s与栅格g的欧氏距离，R代表节点的覆盖半径，(sx,sy)和(gx,gy)分别为传感器节点s和栅格g的中心坐标，
Figure GDA0002543311760000041
其中，
Figure GDA0002543311760000042
进一步地，所述的步骤S2中，设置种群规模NP为30，变异因子F和交叉因子CR均初始化为0.5。
进一步地，所述的传感器节点的数量D随着优化过程的推进逐渐变少，因此个体的编码长度也会相应地缩短。
进一步地，所述的步骤S2中在初始化的过程需要检测个体的合理性，其中，能覆盖当前批次的个体被视为合理的，即可行解，非法解将重新初始化直至合理。
进一步地，所述的步骤S3具体如下：
S301、在搜索的每一阶段，采用贪心策略搜索完整覆盖目标监控区域的一个批次，同时保证纳入到当前批次中的节点数量最少；
S302、传统的差分进化算法经过变异操作，根据下式：
v＝xr0+F·(xr1-xr2) (3)
产生变异个体v，其中xr0、xr1和xr2分别为种群中随机选取的互不相同的三个个体；而改进的变异操作则根据下式产生变异个体，并将此变异个体作为交叉操作的交叉概率，即CR＝v，其中操作表示对两个向量的每一维度做异或处理。
Figure GDA0002543311760000051
S303、通过下式：
Figure GDA0002543311760000052
进行交叉操作产生交叉个体u，其中rand(0,1)表示[0,1]之间满足均匀分布的随机数，jrand为集合{0,1,…,D}中的任意元素。
S304、检测最终得到的交叉个体是否满足合理性的要求，若满足，则通过式(6)进行选择操作，
Figure GDA0002543311760000053
其中，ft(x)表示个体x的适应值函数；
若不满足，则重新进行变异交叉操作，直至得到新的可行解。
本发明相对于现有技术具有如下的优点及效果：
1、本发明通过对网络中传感器节点的分批次优化调度，最小化每一层批次中传感器节点的数量，来降低每一批次的能耗；同时最大化节点优化调度方案中批次的数量，来延长网络的使用寿命。
2、本发明提出的多层批次节点调度策略，不仅可以减少能耗，而且在遇到节点故障或者节点能量耗尽的状况时，可以切换到备用的节点调度层批次，从而提高网络的可靠性。
3、同时本发明对差分进化算法的算子进行适应性改进，使得算法拥有更好的全局搜索能力。
附图说明
图1是无线传感器网络节点分批次调度流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
参见图1.该基于改进差分进化算法无线传感器网络节点优化调度方法，其操作步骤如下：
S1、冗余判定。假设在监控区域Γ内部署的无线传感器网络是由N个随机均匀投放的传感器节点构成的，传感器节点所构成的集合记为S。为了量化传感器对区域的覆盖面积，需要将目标监控区域Γ划分为M×M的小栅格，栅格构成的集合用G表示。首先，需要判断集合S中的传感器节点是否可以完整覆盖目标监控区域Γ，若无法完整覆盖，则需要继续对目标监控区域增加传感器节点的投放量。若可以完整覆盖，则认为目标监控区域内的传感器节点存在冗余，即可通过本发明中所设计的优化算法对目标监控区域内的节点进行分批次调度。
在该步骤中，参数M用于调节栅格的划分精度，如果划分过密会增大计算量，如果划分稀疏，则会影响传感器节点覆盖面积的计算精度，本例将M设定为100。所以这里要根据实际情况对栅格划分精度进行调整。另外，传感器节点覆盖模型采用常用的布尔模型，节点与栅格的覆盖关系由式(1)给出。其中，D(s,g)表示节点s与栅格g的欧氏距离，R代表节点的覆盖半径，(sx,sy)和(gx,gy)分别为传感器s和栅格g的中心坐标。这里虽然以同构网络为例进行算法描述，但本发明提出的优化算法同样适用于异构网络。
Figure GDA0002543311760000071
Figure GDA0002543311760000072
S2、差分进化算法的参数设置以及初始化。在算法的参数设置上，种群规模NP设定为30，变异因子F和交叉因子CR均初始化为0.5。在编码方式上，采用二进制编码，即个体x＝(x1,x2,…,xD)的每一维在集合{0，1}中取值。当xi取值为1时，表示节点i会被纳入到当前批次中，相反则不会被纳入到当前批次中。每个个体代表当前批次与剩余节点之间的纳入关系，也就是满足完整覆盖约束条件的可行解。D表示传感器节点的数量。需要注意的是，可调度的节点数量会随着优化过程的推进逐渐变少，因此个体的编码长度也会相应地缩短。
差分进化算法的初始化是对种群中个体的每一维随机赋值，与传统差分进化算法的初始化不同的是，本发明提出的优化算法在初始化的过程需要检测个体的合理性。其中，能覆盖当前批次的个体被视为合理的，即可行解。非法解将重新初始化直至合理。
S3、差分进化算法的变异、交叉以及选择操作。算法在执行的过程中，通过变异与交叉操作产生新的个体。在搜索的每一阶段，采用贪心策略搜索可以完整覆盖目标区域的一个批次，同时保证纳入到当前批次中的节点数量最少。首先经过变异操作，传统的差分进化算法根据式(3)产生变异个体v，其中xr0、xr1和xr2分别为种群中随机选取的互不相同的三个个体。而本发明提出的算子改进策略则通过式(4)产生变异个体，并将变异个体作为后续的交叉概率即CR＝v。其中
Figure GDA0002543311760000084
表示对两个向量的每一维进行异或操作。变异操作之后，通过式(5)交叉操作产生交叉个体u，其中rand(0,1)表示[0,1]之间满足均匀分布的随机数，jrand为集合{0,1,…,D}中的任意元素。
v＝xr0+F·(xr1-xr2) (3)
Figure GDA0002543311760000081
Figure GDA0002543311760000082
变异与交叉操作不能保证新产生的个体是合理的，所以，需要检测最终得到的交叉个体是否满足合理性的要求。若满足，则通过式(6)进行选择操作，
Figure GDA0002543311760000083
其中，ft(x)表示个体x的适应值函数；
若不满足，则重新进行变异交叉操作，直至得到新的可行解。
S4、差分进化算法的终止条件。通过预设定最大迭代数来控制算法的运行时间。在算法的运行过程中，每当搜索到符合约束条件且节点个数最小的可行解时，将其存档为当前批次的需要激活的节点集合。之后对剩余的节点重新编码，再次通过差分进化算法搜索下一个批次需要激活的节点集合。在搜索之前需要执行S1进行冗余判定。若判定剩余节点可以完整覆盖目标区域，继续迭代执行S2～S4。否则，终止算法。
以上迭代执行完毕之后，输出批次调度方案。一般在存在大量冗余的传感器节点网络中，通过以上方法，假设可能寻找到多层调度方案。例如在随机均匀分布的500个节点的无线传感器网络中，经过第一次种群迭代完成后，得到第一个需要激活的批次B1，该批次包括103个节点，那么，这103个节点即为第一批需要激活的节点。同样地，在第二次种群迭代中，对剩余的397个节点所构成地集合进行筛选，产生第二个批次B2，依次类推，直至剩余节点无法满足满足冗余判定中需要的约束条件，此时搜索到的批次为B＝(B1,B1,…,BK)。
得到完整的调度方案B之后，可以按照如下方法来延长无线传感网络的使用寿命。首先，激活第一个批次B1，其他节点保持睡眠状态，这样仅仅用了少数节点即可实现对目标区域的全面监测。当彼此B1能量耗尽时，激活第二个批次，同时剩余的节点依然保持睡眠状态。像这样依次激活调度方案中的K个批次，可以比一次性激活所有节点提高K倍的使用寿命。本发明充分利用了随机部署的无线传感网络中，存在大量冗余节点这一特征，通过改进的差分进化算法来实现对节点工作模式的分批次调度，从而大大提高了整个无线传感网络的使用寿命。同时，当节点发生故障后，由后备批次替换现在的工作批次，进一步提高了无线传感网路的鲁棒性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于差分进化算法的优化无线传感器网络寿命的方法，其特征在于，所述的方法包括下列步骤：
S1、冗余判定，假设在目标监控区域Γ内部署的无线传感器网络是由N个随机均匀投放的传感器节点构成的，传感器节点所构成的集合记为S，为了量化传感器节点对目标监控区域的覆盖面积，将目标监控区域Γ划分为M×M的栅格，栅格构成的集合用G表示，判断集合S中的传感器节点是否可以完整覆盖目标监控区域Γ，若无法完整覆盖，则继续对目标监控区域增加传感器节点的投放量，若可以完整覆盖，则认为目标监控区域内的传感器节点存在冗余，通过由步骤S2-步骤S4构成的优化算法对目标监控区域内的传感器节点进行分批次调度；
S2、差分进化算法的参数设置以及初始化，设置种群规模NP、变异因子F和交叉因子CR的初始值，采用二进制编码方式进行编码，即个体x＝(x1,x2,…,xD)的每一维在集合{0，1}中取值，当xi取值为1时，表示传感器 节点i会被纳入到当前批次中，相反则不会被纳入到当前批次中，D表示传感器节点的数量；
S3、通过差分进化算法对目标监控区域内的传感器节点进行变异、交叉以及选择操作；其中，所述的步骤S3具体如下：
S301、在搜索的每一阶段，采用贪心策略搜索完整覆盖目标监控区域的一个批次，同时保证纳入到当前批次中的传感器 节点数量最少；
S302、改进的变异操作根据下式产生变异个体v，并将此变异个体作为交叉操作的交叉概率，即CR＝v，其中
Figure FDA0002655065370000011
操作表示对两个向量的每一维度做异或处理，
Figure FDA0002655065370000021
其中xr1和xr2分别为种群中随机选取的互不相同的两个个体；
S303、通过下式：
Figure FDA0002655065370000022
进行交叉操作产生交叉个体u，其中rand(0,1)表示[0,1]之间满足均匀分布的随机数，jrand为集合{0,1,…,D}中的任意元素；
S304、检测最终得到的交叉个体是否满足合理性的要求，若满足，则通过式(6)进行选择操作，
Figure FDA0002655065370000023
其中，ft(x)表示个体x的适应值函数；
若不满足，则重新对个体编码并进行变异交叉操作，直至得到新的可行解；
S4、当搜索到符合约束条件且传感器节点个数最小的可行解时，将其存档到当前批次需要激活的传感器节点集合中，之后对剩余的传感器节点重新编码，再次通过差分进化算法搜索下一个批次需要激活的传感器节点集合，在搜索之前执行步骤S1进行冗余判定，若判定剩余传感器节点可以完整覆盖目标监控区域，继续迭代执行步骤S2～S4，否则，终止优化算法退出优化。
2.根据权利要求1所述的基于差分进化算法的优化无线传感器网络寿命的方法，其特征在于，所述的步骤S1、冗余判定中，参数M用于调节栅格的划分精度，如果划分过密会增大计算量，如果划分稀疏，则会影响传感器节点覆盖面积的计算精度。
3.根据权利要求1所述的基于差分进化算法的优化无线传感器网络寿命的方法，其特征在于，所述的步骤S1、冗余判定中，传感器节点覆盖模型采用常用的布尔模型，传感器节点与栅格的覆盖关系由式(1)给出，其中，D(s,g)表示传感器节点s与栅格g的欧氏距离，R代表传感器节点的覆盖半径，(sx,sy)和(gx,gy)分别为传感器节点s和栅格g的中心坐标，
Figure FDA0002655065370000031
其中，
Figure FDA0002655065370000032
4.根据权利要求1所述的基于差分进化算法的优化无线传感器网络寿命的方法，其特征在于，所述的步骤S2中，设置种群规模NP为30，变异因子F和交叉因子CR均初始化为0.5。
5.根据权利要求1所述的基于差分进化算法的优化无线传感器网络寿命的方法，其特征在于，所述的传感器节点的数量D随着优化过程的推进逐渐变少，因此个体的编码长度也会相应地缩短。
6.根据权利要求1所述的基于差分进化算法的优化无线传感器网络寿命的方法，其特征在于，所述的步骤S2中在初始化的过程需要检测个体的合理性，其中，能覆盖当前批次的个体被视为合理的，即可行解，非法解将重新初始化直至合理。
CN201711274875.0A 2017-12-06 2017-12-06 基于差分进化算法的优化无线传感器网络寿命的方法 Active CN108337684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711274875.0A CN108337684B (zh) 2017-12-06 2017-12-06 基于差分进化算法的优化无线传感器网络寿命的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711274875.0A CN108337684B (zh) 2017-12-06 2017-12-06 基于差分进化算法的优化无线传感器网络寿命的方法

Publications (2)

Publication Number Publication Date
CN108337684A CN108337684A (zh) 2018-07-27
CN108337684B true CN108337684B (zh) 2020-12-22

Family

ID=62922568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711274875.0A Active CN108337684B (zh) 2017-12-06 2017-12-06 基于差分进化算法的优化无线传感器网络寿命的方法

Country Status (1)

Country Link
CN (1) CN108337684B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214695B (zh) * 2018-09-18 2021-09-28 合肥工业大学 基于改进eda的高端装备研发制造协同调度方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100705537B1 (ko) * 2005-11-11 2007-04-09 울산대학교 산학협력단 무선 센서 네트워크에서 확률 기반의 센서 활성화 결정방법
CN101345674A (zh) * 2008-08-19 2009-01-14 杭州电子科技大学 一种传感器网络三维覆盖控制方法
CN103313263A (zh) * 2013-04-25 2013-09-18 中山大学 基于遗传算法的无线传感器网络节点分层调度方法
CN106792795A (zh) * 2016-11-23 2017-05-31 中山大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100705537B1 (ko) * 2005-11-11 2007-04-09 울산대학교 산학협력단 무선 센서 네트워크에서 확률 기반의 센서 활성화 결정방법
CN101345674A (zh) * 2008-08-19 2009-01-14 杭州电子科技大学 一种传感器网络三维覆盖控制方法
CN103313263A (zh) * 2013-04-25 2013-09-18 中山大学 基于遗传算法的无线传感器网络节点分层调度方法
CN106792795A (zh) * 2016-11-23 2017-05-31 中山大学 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

Also Published As

Publication number Publication date
CN108337684A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
Sun et al. An optimized clustering communication protocol based on intelligent computing in information-centric Internet of Things
Fu et al. Toward robust and energy-efficient clustering wireless sensor networks: A double-stage scale-free topology evolution model
CN104035732B (zh) 一种面向纠删码的数据放置方法
CN106909197B (zh) 一种虚拟化主机时间管理方法及虚拟化主机系统
CN108337684B (zh) 基于差分进化算法的优化无线传感器网络寿命的方法
Darwish et al. An adaptive cellular automata scheme for diagnosis of fault tolerance and connectivity preserving in wireless sensor networks
CN111093216A (zh) 一种基于改进二进制粒子群优化的无线传感器网络节点调度方法
Li et al. Respipe: Resilient model-distributed dnn training at edge networks
KR101565694B1 (ko) 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템
Essalhi et al. A new clustering‐based optimised energy approach for fog‐enabled IoT networks
Khan et al. Occupancy prediction in buildings: An approach leveraging lstm and federated learning
CN111769987B (zh) 基于大数据管理模型的网络信息安全测试系统及方法
CN111935005A (zh) 数据传输方法、装置、处理设备及介质
CN106406082B (zh) 一种系统控制方法、装置，控制器及控制系统
Ribeiro et al. A management architectural pattern for adaptation system in Internet of Things
CN107450986B (zh) 一种基于软件通信体系结构的资源调度方法
CN106792795B (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
Zhang et al. The Key Technology of Wireless Sensor Network and Its Application in the Internet of Things
CN108520178A (zh) 一种基于CFSFDP聚类的Android平台入侵检测方法
Zhu et al. A mobile agent-based clustering data fusion algorithm in wsn
KR20140115130A (ko) 사물지능통신 기기의 전원 관리 방법，및 사물지능통신 기기의 전원 관리를 위한 네트워크 서버
Wan et al. Exploration of Wireless Sensor Network Based on Cloud Computing.
Babaie et al. Improving fault management using voting mechanism in wireless sensor networks
Joshi et al. Performance-guided reconfiguration of wireless sensor networks that use binary data for target localization
CN112887143B (zh) 一种基于元搜索的仿生控制方法

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