CN108737191A - 面向超密集无线传感器网基于无监督学习的拓扑控制方法 - Google Patents
面向超密集无线传感器网基于无监督学习的拓扑控制方法 Download PDFInfo
- Publication number
- CN108737191A CN108737191A CN201810552318.9A CN201810552318A CN108737191A CN 108737191 A CN108737191 A CN 108737191A CN 201810552318 A CN201810552318 A CN 201810552318A CN 108737191 A CN108737191 A CN 108737191A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- node
- network
- population
- wireless sensor
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,以遗传算法的框架为基础,对网络节点进行分簇,通过不断地无监督学习寻找最优的分簇网络拓扑。在优化过程中,网络的节点能量、节点距离和节点密度三个因素是重要的输入数据集,利用层次化分析方法决定不同因素权重建立适应度函数。本发明能够有效地改善节点能量消耗,并最终提高无线传感器网的网络寿命。
Description
技术领域
本发明涉及无线传感器网络技术领域,特别是涉及一种面向超密集无线传感器网基于无监督学习的拓扑控制方法。
背景技术
随着5G时代的到来,超密集的无线传感器网络作为未来网络的重要组成部分之一,网寿命的问题一直是超密集无线传感器网络研究的热点和重点。无线传感器网络是一种节点以动态、自动寻找最优路径的方式实现向基站传输采集新的网络,被广泛应用于军事、工业控制、农业生产等诸多领域。节点的有限的能量供应和处理能力特性使得传统路由算法无法直接应用于无线传感器网络。因此,建立具有良好网络性能的拓扑是实现源节点和基站之间高效传输的关键。传统的无线传感器网络路由算法基于最短路思想,会导致网络的一些节点因为能量耗尽而死亡,进而导致网络被分割成多个孤立的子网络,严重影响网络的连通性和稳定性。因此,对节点能量消耗的路由算法的研究具有重要的意义。
现阶段对传感器网络中的研究还主要停留在理论研究与小规模应用示范阶段,还没有一个协议栈框架能很好的支持这两种特性。近年来,在无线传感器网络研究尤其是应用发展中形成了以Zigbee联盟为主,百家争鸣的局面。Zigbee以IEEE 802.15.4(PHY,MAC)以为基础,通过增加Network,Security和Application三层协议形成一种低速网络规范,主要针对个人操作领域(POS,Personal Operate Scope),仅支持从十几米到百米以内的短距离通信,无法有效适应低速短距与中、高速率、中远距离节点共存的异构传感器网络应用需求。网络拓扑固定,缺乏对多应用领域的适应性和可定制性,灵活性较差。所以Zigbee这一体系架构暂时还不能很好的使用在具有异构性与移动性的传感器网络中。所以,深入分析无线传感器网络的,特别是超密集的无线传感器网络,设计支持这两种特性的传感器网络协议是将传感器网络推向大规模应用之前必须进行的一项基础研究工作。
分簇拓扑控制是网络层次拓扑控制中一种重要方法。基于分簇的网络结构在拓扑管理、能量效率、数据融合与节点协同处理方面与平面网络结构相比均具有明显的优势。通过一定的机制来选择某些节点作为骨干节点簇头节点,由簇头节点形成一个处理并转发数据的骨干网,并将大规模网络划分为多个小尺度的簇群,降低拓扑管理的难度。
发明内容
本发明所要解决的技术问题是提供一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,能够有效地改善节点能量消耗,提高网络寿命。
本发明解决其技术问题所采用的技术方案是:提供一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,包括以下步骤:
(1)初始化种群:把网络中的所有节点随机编码为染色体个体,“1”代表簇头节点,“0”代表簇成员,随机产生R个染色体个体,形成初始的种群;
(2)建立适应度函数:根据网络节点的能量因素、距离因素和密度因素定义染色体个体的适应度函数,然后利用层次化分析方法决定不同因素的权重;
(3)选择、杂交和变异:针对每个染色体,计算每个染色体的适应值,根据不同染色体个体的适应值选择进行杂交操作的父代染色体对;被选中进行杂交的染色体将进行随机杂交,子代个体将以预定义的杂交比例pc继承父代个体中的基因值;杂交后的染色体中的某些基因将会根据预定义的变异比例pm进行变异;
(4)构建分簇网络拓扑:根据选择、杂交和变异的概率计算染色体的转移概率,然后进行优胜劣汰过程,使得适应值大的个体被保留下来,形成新的种群;检查是否满足进化代数要求,如果不满足将继续进行迭代;否则选择出新的染色体个体,构造对应的分簇网络拓扑。
所述步骤(2)具体为:以簇头节点vc0的节点集合定义为Vc,簇头节点vc0的能量消耗为Ec0=Etx(l1,δ)+Erx((||Vc||-1)*(l2+l3))+Etx(||Vc||*(l2+l3),d(vc0,v0)),其中,l1、l2和l3分别是广播报文、报文头部和报文数据部分的长度,||·||是节点集合大小计算函数,d(·)为两个节点之间的距离,在距离d上传输l个字节的信息,节点发送和接收消耗的能量为:Erx(l)=lEelec,其中,其中,Eelec是信息传输中电路能量消耗,εfs和εmp分别是自由空间信道模型和多径衰落信道模型的传输放大参数,d0是门限传输距离;关于距离特性和密度特性的定义分别为Gc(δ)∞||Vc||;建立一致性矩阵如下:矩阵AΣ的最大特征值及其对应的特征向量分别为λ(AΣ)和W(AΣ)=[w1 w2 w3];则对于染色体Xr的适应度函数定义为f([Er Dr Gr])=w1*Er+w2*(1/Dr)+w3*(1/Gr)。
所述步骤(3)中的选择、杂交和变异的过程具体为:假设第m代种群为则由Xm构成的染色体对空间为: 的联合概率分布为在和相似的R×R个染色体对的概率值中选择R个最大的染色体对作为父代染色体对集合被选中的染色体对集合中任意染色体对经过杂交后产生染色体对经过杂交运算后产生染色体个体的概率为:其中,假设染色体中第n个基因实现突变操作,染色体个体变异为的概率为:其中,是染色体个体和的汉明距离。
所述步骤(4)构建分簇网络拓扑具体为:种群Xm中的染色体经过选择、杂交和变异三个操作后产生的转移概率表示为:所有像的染色体构成种群种群Xm和进行合并构成临时种群概率较大的R个值对应的染色体构成第m+1种群经过M代进化后,根据分簇网络拓扑结构的适应值函数求得最佳网络分簇模型为对应的网络分簇模型表示为:
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明综合考虑了邻居节点的能量、距离和密度,将网络节点建模为染色体,通过不断的无监督学习的方式寻找最优的染色体,继而建立对应分簇网络拓扑,实现传感器节点将依次向基站传输感知数据。本发明有效地改善了网络中的节点能量消耗,增大了网络寿命。
附图说明
图1是本发明的流程图;
图2是染色体个体的模型图;
图3是分簇网络拓扑架构图;
图4是网络中随着节点数目增加完成簇头节点“选举”的时间分布图;
图5是1000个节点的簇成员节点加入对应簇群的时间分布图;
图6随机布设1000个节点对应网络生命周期分布图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,如图1所示,包括以下步骤:
(1)初始化种群:把网络中的所有节点随机编码为染色体个体,“1”代表簇头节点,“0”代表簇成员,随机产生R个染色体个体,形成初始的种群。其中,网络节点编码为染色体个体的模型如图2所示。
(2)建立适应度函数:根据网络节点的能量因素、距离因素和密度因素定义染色体个体的适应度函数,然后利用层次化分析方法决定不同因素的权重。具体如下:
以簇头节点vc0的节点集合定义为Vc,簇头节点vc0的能量消耗为Ec0=Etx(l1,δ)+Erx((||Vc||-1)*(l2+l3))+Etx(||Vc||*(l2+l3),d(vc0,v0)),其中,l1、l2和l3分别是广播报文、报文头部和报文数据部分的长度,||·||是节点集合大小计算函数,d(·)为两个节点之间的距离,在距离d上传输l个字节的信息,节点发送和接收消耗的能量为:Erx(l)=lEelec,其中,其中,Eelec是信息传输中电路能量消耗,εfs和εmp分别是自由空间信道模型和多径衰落信道模型的传输放大参数,d0是门限传输距离;关于距离特性和密度特性的定义分别为Gc(δ)∞||Vc||;建立一致性矩阵如下:矩阵AΣ的最大特征值及其对应的特征向量分别为λ(AΣ)和W(AΣ)=[w1 w2 w3];则对于染色体Xr的适应度函数定义为f([Er Dr Gr])=w1*Er+w2*(1/Dr)+w3*(1/Gr)。
(3)选择、杂交和变异:针对每个染色体,计算每个染色体的适应值,根据不同染色体个体的适应值选择进行杂交操作的父代染色体对;被选中进行杂交的染色体将进行随机杂交,子代个体将以预定义的杂交比例pc继承父代个体中的基因值;杂交后的染色体中的某些基因将会根据预定义的变异比例pm进行变异。具体如下:
假设第m代种群为则由Xm构成的染色体对空间为: 的联合概率分布为在和相似的R×R个染色体对的概率值中选择R个最大的染色体对作为父代染色体对集合被选中的染色体对集合中任意染色体对经过杂交后产生染色体对经过杂交运算后产生染色体个体的概率为:其中,假设染色体中第n个基因实现突变操作,染色体个体变异为的概率为:其中,是染色体个体和的汉明距离。
(4)构建分簇网络拓扑:根据选择、杂交和变异的概率计算染色体的转移概率,然后进行优胜劣汰过程,使得适应值大的个体被保留下来,形成新的种群;检查是否满足进化代数要求,如果不满足将继续进行迭代;否则选择出新的染色体个体,构造对应的分簇网络拓扑。具体如下:
种群Xm中的染色体经过选择、杂交和变异三个操作后产生的转移概率表示为:所有像的染色体构成种群种群Xm和进行合并构成临时种群概率较大的R个值对应的染色体构成第m+1种群经过M代进化后,根据分簇网络拓扑结构的适应值函数求得最佳网络分簇模型为图3是分簇网络拓扑架构图,对应的网络分簇模型表示为:
在网络中,为了均衡不同网络节点的能量消耗,并删除因为能量耗尽等因素而“死亡”的节点,分簇网络拓扑架构要适时地更新。为验证上述控制方法,将在MATLAB中进行仿真实验,具体的参数如表1。上述控制方法的种群个数和进化迭代次数是影响获得最优分簇网络拓扑架构的关键参数,对应的值越大获得的分簇网络拓扑架构的性能将越好。但是,这将会不断增大算法的计算复杂度,使得计算和组网时间不断增大。仿真实验中,在综合考虑网络性能需求和计算复杂度,种群的个数和进化迭代次数分别取30和20。
表1
仿真以1000个节点分布开始,200个节点为步长逐渐递增,对应的网络节点组网时间分布如图4。具体地,图4展现的是网络节点簇头节点“选举”完成所需要的时间,对(100m,100m)、(500m,500m)和(1000m,1000m)三个不同大小面积的监测区域进行实验的结果;图5是对应1000个网络节点的组网时间分布;图6展现1000个节点的网络生命周期的能量消耗规律。通过与经典的无线网络路由分簇算法GASONeC和HEED算法进行对比,我们发现本发明的控制方法在能量效率方面具有良好的性能。
相比于只适用于低密度的传统的无线传感器网络算法,本发明提出的拓扑算法将会更好地应用到超密度的无线传感器网络,本优化过程通过不断的学习发现具有良好网络性能的分簇网络拓扑,继而实现网络的高效传输。本发明有效地改善了网络中的节点能量消耗,增大了网络寿命。
Claims (4)
1.一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,包括以下步骤:
(1)初始化种群:把网络中的所有节点随机编码为染色体个体,“1”代表簇头节点,“0”代表簇成员,随机产生R个染色体个体,形成初始的种群;
(2)建立适应度函数:根据网络节点的能量因素、距离因素和密度因素定义染色体个体的适应度函数,然后利用层次化分析方法决定不同因素的权重;
(3)选择、杂交和变异:针对每个染色体,计算每个染色体的适应值,根据不同染色体个体的适应值选择进行杂交操作的父代染色体对;被选中进行杂交的染色体将进行随机杂交,子代个体将以预定义的杂交比例pc继承父代个体中的基因值;杂交后的染色体中的某些基因将会根据预定义的变异比例pm进行变异;
(4)构建分簇网络拓扑:根据选择、杂交和变异的概率计算染色体的转移概率,然后进行优胜劣汰过程,使得适应值大的个体被保留下来,形成新的种群;检查是否满足进化代数要求,如果不满足将继续进行迭代;否则选择出新的染色体个体,构造对应的分簇网络拓扑。
2.根据权利要求1所述的面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,所述步骤(2)具体为:以簇头节点vc0的节点集合定义为Vc,簇头节点vc0的能量消耗为Ec0=Etx(l1,δ)+Erx((||Vc||-1)*(l2+l3))+Etx(||Vc||*(l2+l3),d(vc0,v0)),其中,l1、l2和l3分别是广播报文、报文头部和报文数据部分的长度,||·||是节点集合大小计算函数,d(·)为两个节点之间的距离,在距离d上传输l个字节的信息,节点发送和接收消耗的能量为:Erx(l)=lEelec,其中,其中,Eelec是信息传输中电路能量消耗,εfs和εmp分别是自由空间信道模型和多径衰落信道模型的传输放大参数,d0是门限传输距离;关于距离特性和密度特性的定义分别为Gc(δ)∞||Vc||;建立一致性矩阵如下:矩阵AΣ的最大特征值及其对应的特征向量分别为λ(AΣ)和W(AΣ)=[w1 w2 w3];则对于染色体Xr的适应度函数定义为f([Er Dr Gr])=w1*Er+w2*(1/Dr)+w3*(1/Gr)。
3.根据权利要求2所述的面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,所述步骤(3)中的选择、杂交和变异的过程具体为:假设第m代种群为则由Xm构成的染色体对空间为: 的联合概率分布为在和相似的R×R个染色体对的概率值中选择R个最大的染色体对作为父代染色体对集合被选中的染色体对集合中任意染色体对经过杂交后产生染色体对经过杂交运算后产生染色体个体的概率为:其中,假设染色体中第n个基因实现突变操作,染色体个体变异为的概率为:其中,是染色体个体和的汉明距离。
4.根据权利要求3所述的面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,所述步骤(4)构建分簇网络拓扑具体为:种群Xm中的染色体经过选择、杂交和变异三个操作后产生的转移概率表示为:所有像的染色体构成种群种群Xm和进行合并构成临时种群概率较大的R个值对应的染色体构成第m+1种群经过M代进化后,根据分簇网络拓扑结构的适应值函数求得最佳网络分簇模型为对应的网络分簇模型表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552318.9A CN108737191B (zh) | 2018-05-31 | 2018-05-31 | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552318.9A CN108737191B (zh) | 2018-05-31 | 2018-05-31 | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108737191A true CN108737191A (zh) | 2018-11-02 |
CN108737191B CN108737191B (zh) | 2021-01-19 |
Family
ID=63931310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810552318.9A Active CN108737191B (zh) | 2018-05-31 | 2018-05-31 | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108737191B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109413710A (zh) * | 2018-11-26 | 2019-03-01 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
CN109831792A (zh) * | 2019-03-11 | 2019-05-31 | 中国科学院上海微系统与信息技术研究所 | 一种基于多目标优化的无线传感器网络拓扑控制方法 |
CN109890040A (zh) * | 2019-03-11 | 2019-06-14 | 中国科学院上海微系统与信息技术研究所 | 面向高可靠低时延无线传感器网络的优化算法 |
CN110048945A (zh) * | 2019-04-24 | 2019-07-23 | 湖南城市学院 | 一种节点移动性分簇方法及系统 |
CN113163363A (zh) * | 2021-02-03 | 2021-07-23 | 上海大学 | 一种面向自动驾驶的车联多智能体无线动态组网及其操作方法 |
CN113765718A (zh) * | 2021-09-10 | 2021-12-07 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
CN114363989A (zh) * | 2021-12-29 | 2022-04-15 | 扬州大学 | 一种基于最短路径的wsn路由协议方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101686262A (zh) * | 2009-05-14 | 2010-03-31 | 南京大学 | 一种基于多节点协作的传感器网络存储方法 |
CN102036308A (zh) * | 2010-12-09 | 2011-04-27 | 江南大学 | 一种能量均衡的无线传感器网络分簇方法 |
CN102238686A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
CN103002538A (zh) * | 2012-12-23 | 2013-03-27 | 江苏中科泛联物联网科技股份有限公司 | 基于局部化最短路径树的无线传感网拓扑控制方法 |
CN103874163A (zh) * | 2014-04-02 | 2014-06-18 | 赵永翼 | 基于能耗均衡的无线传感器网络分簇方法 |
CN104486774A (zh) * | 2014-12-23 | 2015-04-01 | 北京航空航天大学 | 一种考虑重传的分簇式无线传感器网络寿命优化方法 |
CN105430707A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
CN106789320A (zh) * | 2017-01-04 | 2017-05-31 | 大连理工大学 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
CN107257572A (zh) * | 2017-07-31 | 2017-10-17 | 广东工业大学 | 一种无线传感网的分簇路由方法 |
US20180091989A1 (en) * | 2016-09-27 | 2018-03-29 | King Fahd University Of Petroleum And Minerals | Energy efficient data collection routing protocol for wireless rechargeable sensor networks |
-
2018
- 2018-05-31 CN CN201810552318.9A patent/CN108737191B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101686262A (zh) * | 2009-05-14 | 2010-03-31 | 南京大学 | 一种基于多节点协作的传感器网络存储方法 |
CN102036308A (zh) * | 2010-12-09 | 2011-04-27 | 江南大学 | 一种能量均衡的无线传感器网络分簇方法 |
CN102238686A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
CN103002538A (zh) * | 2012-12-23 | 2013-03-27 | 江苏中科泛联物联网科技股份有限公司 | 基于局部化最短路径树的无线传感网拓扑控制方法 |
CN103874163A (zh) * | 2014-04-02 | 2014-06-18 | 赵永翼 | 基于能耗均衡的无线传感器网络分簇方法 |
CN104486774A (zh) * | 2014-12-23 | 2015-04-01 | 北京航空航天大学 | 一种考虑重传的分簇式无线传感器网络寿命优化方法 |
CN105430707A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
US20180091989A1 (en) * | 2016-09-27 | 2018-03-29 | King Fahd University Of Petroleum And Minerals | Energy efficient data collection routing protocol for wireless rechargeable sensor networks |
CN106789320A (zh) * | 2017-01-04 | 2017-05-31 | 大连理工大学 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
CN107257572A (zh) * | 2017-07-31 | 2017-10-17 | 广东工业大学 | 一种无线传感网的分簇路由方法 |
Non-Patent Citations (1)
Title |
---|
XIAOHUI YUAN等: "A Genetic Algorithm-Based, Dynamic Clustering Method Towards Improved WSN Longevity", 《JOURNAL OF NETWORK AND SYSTEMS MANAGEMENT》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109413710A (zh) * | 2018-11-26 | 2019-03-01 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
CN109413710B (zh) * | 2018-11-26 | 2020-01-03 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
CN109831792A (zh) * | 2019-03-11 | 2019-05-31 | 中国科学院上海微系统与信息技术研究所 | 一种基于多目标优化的无线传感器网络拓扑控制方法 |
CN109890040A (zh) * | 2019-03-11 | 2019-06-14 | 中国科学院上海微系统与信息技术研究所 | 面向高可靠低时延无线传感器网络的优化算法 |
CN109890040B (zh) * | 2019-03-11 | 2021-09-03 | 中国科学院上海微系统与信息技术研究所 | 面向高可靠低时延无线传感器网络的优化方法 |
CN109831792B (zh) * | 2019-03-11 | 2021-09-24 | 中国科学院上海微系统与信息技术研究所 | 一种基于多目标优化的无线传感器网络拓扑控制方法 |
CN110048945A (zh) * | 2019-04-24 | 2019-07-23 | 湖南城市学院 | 一种节点移动性分簇方法及系统 |
CN113163363A (zh) * | 2021-02-03 | 2021-07-23 | 上海大学 | 一种面向自动驾驶的车联多智能体无线动态组网及其操作方法 |
CN113765718A (zh) * | 2021-09-10 | 2021-12-07 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
CN113765718B (zh) * | 2021-09-10 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种面向quic协议的测试拓扑构建方法及装置 |
CN114363989A (zh) * | 2021-12-29 | 2022-04-15 | 扬州大学 | 一种基于最短路径的wsn路由协议方法 |
CN114363989B (zh) * | 2021-12-29 | 2024-04-05 | 扬州大学 | 一种基于最短路径的wsn路由协议方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108737191B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737191A (zh) | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 | |
WO2021051859A1 (zh) | 基于自适应遗传算法的无线传感器网络分簇路由方法 | |
Kuila et al. | A novel evolutionary approach for load balanced clustering problem for wireless sensor networks | |
Peng et al. | Toward energy-efficient and robust large-scale WSNs: A scale-free network approach | |
CN105430707A (zh) | 一种基于遗传算法的无线传感网多目标优化路由方法 | |
CN106550422B (zh) | 一种基于和声搜索算法的无线传感器网络分簇路由方法 | |
Qiu et al. | A novel shortcut addition algorithm with particle swarm for multisink Internet of Things | |
CN106658603A (zh) | 一种负载均衡的无线传感器网络路由节能方法 | |
WO2022262127A1 (zh) | 智慧物联网综合感知系统及方法 | |
CN107094112A (zh) | 基于果蝇优化算法的带宽约束组播路由优化方法 | |
CN106789320A (zh) | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 | |
Echoukairi et al. | A novel centralized clustering approach based on k-means algorithm for wireless sensor network | |
Kashyap et al. | Genetic-fuzzy based load balanced protocol for WSNs | |
Raval et al. | Optimization of clustering process for WSN with hybrid harmony search and K-means algorithm | |
Nazi et al. | Efficient communications in wireless sensor networks based on biological robustness | |
Sangeetha et al. | Genetic optimization of hybrid clustering algorithm in mobile wireless sensor networks | |
Mishra et al. | Gecsa: A game theory based energy efficient cluster-head selection approach in wireless sensor networks | |
Satyanarayana et al. | Implementation of Enhanced Energy Aware Clustering Based Routing (EEACBR) Algorithm to Improve Network Lifetime in WSN’s | |
CN107040884A (zh) | 一种基于邻域强连通性的移动自组网数据传输方法 | |
Shi et al. | A Review Paper on Different Application of Genetic Algorithm for Mobile Ad-hoc Network (MANET). | |
Chaudhary et al. | Performance Analysis of LEACH-C and EAMMH protocols in WSN in MATLAB | |
Shende et al. | Performance improvement in ZigBee cluster tree network | |
Murugeswari et al. | Bio‐inspired Mimosa pudica algorithm for energy‐efficient wireless video sensor networks | |
CN111447658A (zh) | 一种基于sdwsn的分簇路由方法 | |
Jaradat et al. | Comparison of Genetic Algorithm Crossover Operators on WSN Lifetime |
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 |