CN108650030A - 水下无线传感器网络的水面多个汇聚结点部署方法 - Google Patents
水下无线传感器网络的水面多个汇聚结点部署方法 Download PDFInfo
- Publication number
- CN108650030A CN108650030A CN201810429330.0A CN201810429330A CN108650030A CN 108650030 A CN108650030 A CN 108650030A CN 201810429330 A CN201810429330 A CN 201810429330A CN 108650030 A CN108650030 A CN 108650030A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- wireless sensor
- underwater wireless
- water surface
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
本发明涉及一种水下无线传感器网络的水面多个汇聚结点部署方法,首先建立网络的生命周期模型和网络的时延模型;然后引入局部差分搜索算法和差分交叉以及变异算子对NSGA‑II算法进行了改进,应用改进的NSGA‑II算法与水下无线传感器网络的生命周期模型和时延模型,对水下无线传感器网络的水面多个汇聚结点进行部署优化;最后应用超效率DEA方法所得到的水面多个汇聚结点部署方案进行相对效率排序,确定相对效率最优的部署方案。本发明能够全面、精确、便捷地计算出水下无线传感器网络的水面多个汇聚结点的优化部署方案,为水下无线传感器网络最大化减少能耗和网络传输时延提供方法指导。
Description
技术领域
本发明涉及一种监测技术,特别涉及一种水下无线传感器网络的水面多个汇聚结点部署方法。
背景技术
水下无线传感器网络能够对水下复杂环境进行监测,完成重要的水下任务,如水质监测、海下探险、灾难预防、地震监测、辅助导航、海洋军事、矿井侦察等。
在水下,由于水的特殊性质,射频信号在水中短距离衰减很严重,因此地面无线传感器网络常用的2.4GHz和868MHz无线频率在水下不能应用,水下通信通常采用声频信号进行通信。水声通信的传播速度大约为1500m/s,比地面无线电波通信的传输速度低5个数量级。如此低的传输速度会形成长时间的信息传播时延,叠加导致传感器节点至陆上接收站的高时延,极大的限制了水下无线传感器网络在交互式应用系统及实时监测系统中的应用。
水下传感器节点的电池能量有限,水下环境中充电和换电都非常困难,而且水下无线传感器节点的信号接收端与陆上无线传感器节点相比,需要复杂的信号处理运算以补偿长距离传输的信道衰减,更加剧了能量消耗。电池能量耗尽也就意味着系统生命周期的结束,从而严重影响水下无线传感器网络的生命周期。
水下无线传感器网络较高的传播时延和有限的电能供应,制约了水下无线传感器网络在交互式应用系统和实时监测系统中的应用,解决或改善水下传感网络的能耗和时延问题,是水质监测网络系统一个迫切解决的问题。
发明内容
本发明是针对水下传感网络的能耗和时延的问题,提出了一种水下无线传感器网络的水面多个汇聚结点部署方法,利用改进的NSGA-II算法对水面多个汇聚结点部署进行优化,通过超效率DEA方法对所有方案进行相对效率排序。得到水下无线传感器网络的水面多个汇聚结点部署的最优方案。
本发明的技术方案为:一种水下无线传感器网络的水面多个汇聚结点部署方法,具体包括如下步骤:
1)根据水下无线传感器网络的节点间发送数据的能量消耗、接受数据的能量消耗和节点的初始能量,建立网络的生命周期模型;
2)根据水下无线传感器网络的节点间数据传输的传输时延、传播时延和路由等待时延,建立网络的时延模型;
3)引入局部差分搜索算法和差分交叉以及变异算子对NSGA-II算法进行了改进,应用改进的NSGA-II算法与水下无线传感器网络的生命周期模型和时延模型,对水面多个汇聚结点进行部署优化;
在NSGA-II算法引入局部差分搜索算法:NSGA-II算法的同一层级的第i个个体和第i+1个个体进行局部差分搜索的条件为:
其中fm(i)表示第i个个体的目标值;fm(i+1)表示第i+1个个体的目标值;fm(i-1)表示第i-1个个体的目标值;α表示局部差分搜索算法中的缩放因子;
进行局部差分搜索后产生的临时子代为:
P′i=βpi-1+(1-β)pi
其中:p'i表示pi产生的临时子代;β表示差分变异算法中的变异加权因子,β∈[0,1];
改进的NSGA-II算法引入差分进化算法中的交叉和变异算子,替代NSGA-II算法中的SBX算子;
4)将步骤3)所得水面多个汇聚结点部署方案中汇聚结点的坐标值作为超效率数据包络分析DEA方法的输入,将对所有的汇聚结点部署方案中网络总时延和网络生命周期轮数作为超效率DEA方法的输出目标,利用超效率DEA方法对所有方案进行相对效率排序,最后选择相对效率值最高的部署方案,即为水下无线传感器网络的水面多个汇聚结点部署的最优方案。
所述步骤1)具体步骤如下:
令每个传感器节点的初始能量相同且均为q0,单位为J,忽略传感器节点空闲状态的能耗,仅考虑发送和接收数据时的节点能耗。εs表示传感器节点vi发送每个数据包所需要的功率,εr表示传感器节点vi接收每个数据包所需要的功率,则节点vi分配到汇聚结点gj时转发长度为L,数据包消耗的能量为:
则节点vi的生命周期为被分配到最近的汇聚结点的传感器节点vi的生命周期为:
N为汇聚结点的总个数;
水下无线传感器网络的生命周期表示为:
n为水下无线传感器的总个数;
网络生命周期最大化的目标函数为:
所述步骤2)建立网络的时延模型如下:
数据在边e上传输的时延为:
其中:tp(e)表示水下传感器节点间数据传输的传输时延;te(e)表示水下传感器节点间数据传输的传播时延;tm(e)表示水下传感器节点间数据传输的路由等待时延;l(e)表示水下传感器节点间数据传输链路距离总长度;mp表示水下传感器节点间的信号传播速度;Le表示数据包的总长度,包括传感器节点自身采集的数据和需要转发的数据,单位为bits;Be表示传感器节点传输信道容量,单位为bits/s;r表示传感器节点间通信链路连接度;tm表示传感器节点间通信链路排队时延;
水下无线传感器网络的总时延最小的目标函数为:
其中:Er表示所有水下无线传感器网络节点到所属的水面汇聚结点的路由生成树中所有的边。
本发明的有益效果在于:本发明水下无线传感器网络的水面多个汇聚结点部署方法,能够全面、精确、便捷地计算出水下无线传感器网络的水面多个汇聚结点的优化部署方案,为水下无线传感器网络最大化减少能耗和网络传输时延提供方法指导。
附图说明
图1为本发明水下无线传感器网络的水面多个汇聚结点部署方法实现流程图。
具体实施方式
水下无线传感器网络的水面多个汇聚结点部署方法,包括如下步骤:
1、根据水下无线传感器网络的节点间发送数据的能量消耗、接受数据的能量消耗和节点的初始能量,建立水下无线传感器网络的生命周期模型。
令每个传感器节点的初始能量相同且均为q0,单位为J,忽略传感器节点空闲状态的能耗,仅考虑发送和接收数据时的节点能耗。εs表示传感器节点vi发送每个数据包所需要的功率,εr表示传感器节点vi接收每个数据包所需要的功率,则节点vi分配到汇聚结点gj时转发长度为L数据包消耗的能量为:
则节点vi的生命周期为被分配到最近的汇聚结点的传感器节点vi的生命周期为:
N为汇聚结点的总个数;
水下无线传感器网络的生命周期表示为:
n为水下无线传感器的总个数;
网络生命周期最大化的目标函数为:
2、根据水下无线传感器网络的节点间数据传输的传输时延、传播时延和路由等待时延,建立水下无线传感器网络的时延模型。
传感器节点间数据传输的时延包括路径中每一跳的传输时延、传播时延和路由等待时延。传输时延为数据在传输路径上消耗的时间,传播时延为传感器节点转发数据消耗的时间,路由等待时延为采用MAC协议数据拥塞时的排队时延。数据在边e上传输的时延为:
其中:tp(e)表示水下传感器节点间数据传输的传输时延;te(e)表示水下传感器节点间数据传输的传播时延;tm(e)表示水下传感器节点间数据传输的路由等待时延;l(e)表示水下传感器节点间数据传输链路距离总长度;mp表示水下传感器节点间的信号传播速度;Le表示数据包的总长度,包括传感器节点自身采集的数据和需要转发的数据,单位为bits;Be表示传感器节点传输信道容量,单位为bits/s;r表示传感器节点间通信链路连接度;tm表示传感器节点间通信链路排队时延。
水下无线传感器网络的总时延最小的目标函数为:
其中:Er表示所有水下无线传感器网络节点到所属的水面汇聚结点的路由生成树中所有的边。
3、引入局部差分搜索算法和差分交叉以及变异算子对NSGA-II算法(一种多目标遗传算法)进行了改进,应用改进的NSGA-II算法与水下无线传感器网络的生命周期模型和时延模型,对水面多个汇聚结点进行部署优化。
所述在NSGA-II算法引入局部差分搜索算法:NSGA-II算法的同一层级的第i个个体和第i+1个个体进行局部差分搜索的条件为:
其中fm(i)表示第i个个体的目标值;fm(i+1)表示第i+1个个体的目标值;fm(i-1)表示第i-1个个体的目标值;α表示局部差分搜索算法中的缩放因子;
进行局部差分搜索后产生的临时子代为:
p′i=βpi-1+(1-β)pi
其中:p′i表示pi产生的临时子代;β表示差分变异算法中的变异加权因子,β∈[0,1]。
所述在NSGA-II算法加入差分交叉以及变异算子:传统NSGA-II算法中的SBX算子的全局搜索性能相对较弱,改进的NSGA-II算法引入差分进化算法中的交叉和变异算子,替代NSGA-II算法中的SBX算子。
4、将利用改进的NSGA-II算法优化得到的水下无线传感器网络的水面多个汇聚结点部署方案中汇聚结点的坐标值作为超效率DEA(数据包络分析)方法的输入,将对所有的汇聚结点部署方案中网络总时延和网络生命周期轮数作为超效率DEA方法的输出目标。利用超效率DEA方法对所有方案进行相对效率排序。最后选择相对效率值最高的部署方案,即为水下无线传感器网络的水面多个汇聚结点部署的最优方案。
如图1所示水下无线传感器网络的水面多个汇聚结点部署方法实现流程图,包括如下步骤:
1)、水下无线传感器网络数据和算法参数初始化
需要初始化的参数包括水下无线传感器节点的三维位置坐标、水面汇聚结点个数、传感器节点的初始能量、发送和接收数据的能耗、传输时延和传播时延参数、NSGA-II算法种群规模N、进化迭代次数。
2)、编码生成初始种群
采用实数编码方式,随机生成N个解作为初始种群。
3)、计算种群对应的时延和生命周期函数值
对种群中每个个体进行水下无线传感器网络的时延和生命周期进行计算,得到相应函数值。
4)、非支配排序
根据上一步得到的网络时延和生命周期函数值计算支配关系,得到每个个体对应的层级。
5)、局部差分搜索
判断相同层级的个体是否符合局部差分搜索条件,符合条件则产生临时子代个体替代父代个体。不符合局部差分搜索条件,则保留父代个体。
6)、拥挤度计算
对相同层级的个体计算每个个体的拥挤度值。第i个个体的拥挤度值di为
其中:n表示该层级的个体数量;fmmax表示第m个目标函数的最大值;fmmin表示第m个目标函数的最小值;fm(i+1)表示第i+1个个体的目标值;fm(i-1)表示第i-1个个体的目标值;
7)、选择、交叉、变异
根据每个个体的层级和拥挤度值进行二元锦标赛选择,选出的父代种群进行差分进化算法的交叉和变异操作,然后进行NSGA-II算法的二项式变异操作,得到新的子代种群。
8)、判断迭代次数是否达到要求
迭代次数如果满足设定的终止条件,则输出Pareto最优解集,并解码得到相应的水面汇聚结点位置坐标,否则返回步骤3)继续迭代循环。
9)、超效率DEA排序
用超效率DEA方法对输出Pareto最优解集进行相对效率值排序,相对效率值最高的汇聚节点部署方案,即为水面多个汇聚节点部署的最优方案。
Claims (3)
1.一种水下无线传感器网络的水面多个汇聚结点部署方法,其特征在于,具体包括如下步骤:
1)根据水下无线传感器网络的节点间发送数据的能量消耗、接受数据的能量消耗和节点的初始能量,建立网络的生命周期模型;
2)根据水下无线传感器网络的节点间数据传输的传输时延、传播时延和路由等待时延,建立网络的时延模型;
3)引入局部差分搜索算法和差分交叉以及变异算子对NSGA-II算法进行了改进,应用改进的NSGA-II算法与水下无线传感器网络的生命周期模型和时延模型,对水面多个汇聚结点进行部署优化;
在NSGA-II算法引入局部差分搜索算法:NSGA-II算法的同一层级的第i个个体和第i+1个个体进行局部差分搜索的条件为:
其中fm(i)表示第i个个体的目标值;fm(i+1)表示第i+1个个体的目标值;fm(i-1)表示第i-1个个体的目标值;α表示局部差分搜索算法中的缩放因子;
进行局部差分搜索后产生的临时子代为:
p′i=βpi-1+(1-β)pi
其中:p′i表示pi产生的临时子代;β表示差分变异算法中的变异加权因子,β∈[0,1];
改进的NSGA-II算法引入差分进化算法中的交叉和变异算子,替代NSGA-II算法中的SBX算子;
4)将步骤3)所得水面多个汇聚结点部署方案中汇聚结点的坐标值作为超效率数据包络分析DEA方法的输入,将对所有的汇聚结点部署方案中网络总时延和网络生命周期轮数作为超效率DEA方法的输出目标,利用超效率DEA方法对所有方案进行相对效率排序,最后选择相对效率值最高的部署方案,即为水下无线传感器网络的水面多个汇聚结点部署的最优方案。
2.根据权利要求1所述水下无线传感器网络的水面多个汇聚结点部署方法,其特征在于,所述步骤1)具体步骤如下:
令每个传感器节点的初始能量相同且均为q0,单位为J,忽略传感器节点空闲状态的能耗,仅考虑发送和接收数据时的节点能耗。εs表示传感器节点vi发送每个数据包所需要的功率,εr表示传感器节点vi接收每个数据包所需要的功率,则节点vi分配到汇聚结点gj时转发长度为L,数据包消耗的能量为:
则节点vi的生命周期为被分配到最近的汇聚结点的传感器节点vi的生命周期为:
N为汇聚结点的总个数;
水下无线传感器网络的生命周期表示为:
n为水下无线传感器的总个数;
网络生命周期最大化的目标函数为:
。
3.根据权利要求1所述水下无线传感器网络的水面多个汇聚结点部署方法,其特征在于,所述步骤2)建立网络的时延模型如下:
数据在边e上传输的时延为:
其中:tp(e)表示水下传感器节点间数据传输的传输时延;te(e)表示水下传感器节点间数据传输的传播时延;tm(e)表示水下传感器节点间数据传输的路由等待时延;l(e)表示水下传感器节点间数据传输链路距离总长度;mp表示水下传感器节点间的信号传播速度;Le表示数据包的总长度,包括传感器节点自身采集的数据和需要转发的数据,单位为bits;Be表示传感器节点传输信道容量,单位为bits/s;r表示传感器节点间通信链路连接度;tm表示传感器节点间通信链路排队时延;
水下无线传感器网络的总时延最小的目标函数为:
其中:Er表示所有水下无线传感器网络节点到所属的水面汇聚结点的路由生成树中所有的边。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810429330.0A CN108650030B (zh) | 2018-05-07 | 2018-05-07 | 水下无线传感器网络的水面多个汇聚结点部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810429330.0A CN108650030B (zh) | 2018-05-07 | 2018-05-07 | 水下无线传感器网络的水面多个汇聚结点部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108650030A true CN108650030A (zh) | 2018-10-12 |
CN108650030B CN108650030B (zh) | 2021-05-11 |
Family
ID=63749737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810429330.0A Active CN108650030B (zh) | 2018-05-07 | 2018-05-07 | 水下无线传感器网络的水面多个汇聚结点部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108650030B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831344A (zh) * | 2019-03-25 | 2019-05-31 | 大连理工大学 | 一种基于SDN的UWSNs时空路由架构获取方法 |
CN109873677A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种水声传感器网络机会路由候选集生成方法 |
CN113472573A (zh) * | 2021-06-30 | 2021-10-01 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
US20120265380A1 (en) * | 2011-04-13 | 2012-10-18 | California Institute Of Technology | Target Trailing with Safe Navigation with colregs for Maritime Autonomous Surface Vehicles |
CN104842564A (zh) * | 2015-05-12 | 2015-08-19 | 南京师范大学 | 一种基于nsga-ii的三维打印多任务优化调度方法 |
CN104866919A (zh) * | 2015-05-20 | 2015-08-26 | 天津大学 | 基于改进nsga-ii的含风电场电网多目标规划方法 |
CN105205261A (zh) * | 2015-09-18 | 2015-12-30 | 中国计量学院 | 水下自航行器外形优化方法 |
CN105447444A (zh) * | 2015-11-04 | 2016-03-30 | 中国电子科技集团公司第四十一研究所 | 一种基于差分窗和模板匹配的otdr事件分析算法 |
CN106845642A (zh) * | 2017-01-22 | 2017-06-13 | 北京科技大学 | 一种带约束云工作流调度的自适应多目标进化方法 |
CN107301267A (zh) * | 2017-05-17 | 2017-10-27 | 哈尔滨工程大学 | 一种基于nsga‑ii算法的降低uuv置空率的优化方法 |
-
2018
- 2018-05-07 CN CN201810429330.0A patent/CN108650030B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
US20120265380A1 (en) * | 2011-04-13 | 2012-10-18 | California Institute Of Technology | Target Trailing with Safe Navigation with colregs for Maritime Autonomous Surface Vehicles |
CN104842564A (zh) * | 2015-05-12 | 2015-08-19 | 南京师范大学 | 一种基于nsga-ii的三维打印多任务优化调度方法 |
CN104866919A (zh) * | 2015-05-20 | 2015-08-26 | 天津大学 | 基于改进nsga-ii的含风电场电网多目标规划方法 |
CN105205261A (zh) * | 2015-09-18 | 2015-12-30 | 中国计量学院 | 水下自航行器外形优化方法 |
CN105447444A (zh) * | 2015-11-04 | 2016-03-30 | 中国电子科技集团公司第四十一研究所 | 一种基于差分窗和模板匹配的otdr事件分析算法 |
CN106845642A (zh) * | 2017-01-22 | 2017-06-13 | 北京科技大学 | 一种带约束云工作流调度的自适应多目标进化方法 |
CN107301267A (zh) * | 2017-05-17 | 2017-10-27 | 哈尔滨工程大学 | 一种基于nsga‑ii算法的降低uuv置空率的优化方法 |
Non-Patent Citations (1)
Title |
---|
肖怀硕: "基于非支配排序遗传改进算法的故障限流器的优化配置", 《电网技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873677A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种水声传感器网络机会路由候选集生成方法 |
CN109873677B (zh) * | 2019-03-08 | 2021-09-10 | 哈尔滨工程大学 | 一种水声传感器网络机会路由候选集生成方法 |
CN109831344A (zh) * | 2019-03-25 | 2019-05-31 | 大连理工大学 | 一种基于SDN的UWSNs时空路由架构获取方法 |
CN113472573A (zh) * | 2021-06-30 | 2021-10-01 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108650030B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | TOSG: A topology optimization scheme with global small world for industrial heterogeneous Internet of Things | |
Zhang et al. | A link-state based adaptive feedback routing for underwater acoustic sensor networks | |
Gupta et al. | Underwater networked wireless sensor data collection for computational intelligence techniques: issues, challenges, and approaches | |
Singh et al. | Energy-aware cluster head selection using particle swarm optimization and analysis of packet retransmissions in WSN | |
CN108650030A (zh) | 水下无线传感器网络的水面多个汇聚结点部署方法 | |
Wang et al. | Efficient routing protocol based on reinforcement learning for magnetic induction underwater sensor networks | |
Chen et al. | QMCR: A Q-learning-based multi-hop cooperative routing protocol for underwater acoustic sensor networks | |
CN112469103B (zh) | 基于强化学习Sarsa算法的水声协作通信路由方法 | |
CN104883676A (zh) | 一种多无人机环境下协同安全通信方法 | |
Du | Method for the optimal sensor deployment of WSNs in 3D terrain based on the DPSOVF algorithm | |
Khapre et al. | Optimized routing method for wireless sensor networks based on improved ant colony algorithm | |
Gola et al. | An energy-efficient quality of service (QOS) parameter-based void avoidance routing technique for underwater sensor networks | |
Bai et al. | A K-means and ant colony optimization-based routing in underwater sensor networks | |
Zhang et al. | A Non-Uniform Clustering Routing Algorithm based on a Virtual Gravitational Potential Field in Underwater Acoustic Sensor Network | |
CN109286961A (zh) | 基于机器学习的水下传感器网络能量优化路径选择方法 | |
Pavithra et al. | An efficient mobile sink path selection approach for WSN's | |
Alhumyani et al. | Deployment strategies for underwater sensing and processing networks | |
Zhi et al. | An improved ant colony routing algorithm for WSNs | |
Yuan et al. | Optimal multicast routing in wireless ad hoc sensor networks | |
Seelam et al. | An improved BAT-optimized cluster-based routing for wireless sensor networks | |
CN114500621B (zh) | 一种基于物联网的智能配电控制系统 | |
Zhao et al. | A Transmission-Reliable Topology Control Framework Based on Deep Reinforcement Learning for UWSNs | |
Maulana et al. | Analysis of VBF and DBR performance in environmental monitoring system using aquasim at NS-3 | |
Bansal et al. | Energy-efficient multilevel clustering protocol for underwater wireless sensor networks | |
Yi et al. | Informative path planning with a human path constraint |
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 |