CN108882330A - 一种基于遗传算法的高能效路由算法 - Google Patents

一种基于遗传算法的高能效路由算法 Download PDF

Info

Publication number
CN108882330A
CN108882330A CN201710342333.6A CN201710342333A CN108882330A CN 108882330 A CN108882330 A CN 108882330A CN 201710342333 A CN201710342333 A CN 201710342333A CN 108882330 A CN108882330 A CN 108882330A
Authority
CN
China
Prior art keywords
energy
node
path
fitness
moment
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
CN201710342333.6A
Other languages
English (en)
Inventor
姚彦鑫
郭杰
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology 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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201710342333.6A priority Critical patent/CN108882330A/zh
Publication of CN108882330A publication Critical patent/CN108882330A/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
    • 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
    • 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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于遗传算法的高能效路由算法，其特征是：在能量采集型无线传感器网络中，建立考虑节点的吸收能量、剩余能量、消耗能量和浪费能量的适应函数，用遗传算法寻找全局最优路径，在最小化路径损耗的基础上考虑能量平衡和能量浪费。本发明的优点在于：比只考虑路径能耗最小的适应函数，比部分考虑路径能耗与路径上节点的吸收能量、剩余能量的适应函数，比部分考虑路径能耗与网络中所有节点的浪费能量的适应函数，在能量利用率上具有优势，可以更好地延长网络生命周期。

Description

一种基于遗传算法的高能效路由算法
技术领域
本发明涉及一种基于遗传算法的高能效路由算法，可用于在能量采集型无线传感器网络中求解能量利用率高的路由，以达到延长网络生命周期的目标。
背景技术
能量采集型无线传感器网络是一种基于多跳的，由传输节点、源节点以及基站组成的网络，网络中的节点可以从外界吸收能量并存储到蓄电池中供节点使用。在能量采集型无线传感网络中，虽然有能量吸收，但是因能量依然非常珍贵，优化路由协议，延长网络寿命一直是研究热点。
现在大多数对于无线传感器网络路由优化的研究一般都考虑了尽量降低节点的能耗，AODV是应用最广泛的按需路由协议之一。但AODV是基于单路径、最小跳数来选择路由，没有考虑能量平衡。AODVjr是AODV的简化版本，仍没有考虑能量平衡。EA-AODV(EnergyAware-AODV)考虑了节点的剩余能量，有效均衡了网络中各节点的能量。由于能量采集型无线传感器网络中的节点通过从外界采集能量替代了电池供电，能源可以持续不断地得到补充，2014年国外研究提出了考虑能量浪费这一思想的EHWA算法。在能量采集型无线传感器网络中，设计路由协议时应该综合考虑节点的吸收能量，剩余能量，消耗能量和浪费能量，显然上述文献考虑因素不够周全。
对于求解上述这种多目标优化问题，传统方法主要分为两类：化多为少法和分层序列法。化多为少法是将多目标转换为单目标，比如线性加权法，评价函数法等。分层序列法是将各个目标按轻重缓急分成不同层次，再按先后顺序求解的方法，例如分层排序法，目标规划法等。由于获得Pareto最优解集合必须运行多次优化过程，各次优化过程相互独立，得到的结果很不一致，所以对于大规模问题，传统方法很少被采用。相比传统算法，多目标进化算法可以并行地处理一组可能的解，不需要分别运算多次便能在一次算法中找到Pareto最优解集中的多个解。在多目标进化算法中，绝大多数学者使用的进化算法为遗传算法，把多个目标函数表示成一个目标函数作为遗传算法的适应函数，最大的好处在于不用对遗传算法做任何改动。
发明内容
本发明解决的技术问题是：由于能量采集型无线传感器网络中的节点通过从外界采集能量替代了电池供电，能源可以持续不断地得到补充，因此仍采用传统路由协议必然会导致非最优的能源调度利用。克服现有技术的不足，提供一种基于遗传算法的高能效路由算法，解决了能量吸收合理利用的问题，比已有算法在能量利用效率等方面具有优势。
本发明技术解决方案的特点在于包括下列步骤：
1)初始化节点间的距离、每个节点的能量和电池容量，信号频率，种群大小，交叉概率，变异概率，最大进化代数。判断是否达到仿真次数，仿真次数自定义设置，若未达到仿真次数，进行步骤2)，若达到结束仿真。
2)能量采集型无线传感器网络，计算每个节点i在第k次仿真时的随机吸收能量Eh(i，k)。
3)用遗传算法寻找最优路径时，编码方式采用二进制编码生成可通信的有效路径个体，种群初始化即产生种群大小的个体。
4)根据设计的适应函数计算适应度值。
5)判断是否达到最大进化代数，若未到达进行步骤6)，否则进行步骤10)。
6)选择采用的选择算子是将适应度值降序排序，把全部个体分为10等份，淘汰最后面1/10的个体，拷贝一份前1/10的个体，其他保留，种群大小不变。这样可以把适应度非常低的个体直接淘汰掉，提升算法的收敛速度，还可以快速增加种群中适应度较好的个体数量，使算法更加高效实用。
7)交叉算子选择使用均匀交叉算子来扩大搜索范围。依交叉概率选择的父代个体进行均匀交叉得到子代个体后，检测子代个体是否为有效路径，若为无效路径则重新交叉，保证种群大小不变。
8)变异算子采用使用频繁的基本变异算子，即随机生成一个变异位置，然后对应码值取反。依变异概率选择的父代个体进行基本变异得到子代个体后，检测子代个体是否为有效路径，若为无效路径则重新变异，可保证种群大小不变。
9)根据设计的适应函数计算适应度值。对适应度值进行排序，得到适应度最大的路径。进化代数加1，进行步骤5)。
10)输出最优路径。计算该路径的路耗LFS，更新节点的能量信息B(i，k)，检测衰竭节点即B(i，k)＝0的节点i，统计总吸收能量Eharvest(k)，总消耗能量Econsume(k)，总浪费能量Ewaste(k)，总剩余能量Eleft(k)，和能量利用率efficiency(k)。
本发明的原理是：在能量采集型无线传感器网络中，设计路由协议时应该综合考虑节点的吸收能量，剩余能量，消耗能量和浪费能量，提出了一种基于遗传算法的高能效路由算法。建立考虑节点的吸收能量、剩余能量、消耗能量和浪费能量的适应函数，用遗传算法寻找全局最优路径，在最小化路径损耗的基础上考虑能量平衡和能量浪费，以达到提高能量利用率，延长网络生命周期的目标。
本发明与现有技术相比的优点在于：比只考虑路径能耗最小的适应函数，比部分考虑路径能耗与路径上节点的吸收能量、剩余能量的适应函数，比部分考虑路径能耗与网络中所有节点的浪费能量的适应函数，在能量利用率上具有优势，可以更好地延长网络生命周期。
附图说明
图1为本发明算法的解算流程图。
图2为遗传算法适应度曲线
图3为检测衰竭节点
图4为网络总能量消耗
图5为网络总能量浪费
图6为网络总剩余能量
图7为能量利用效率
具体实施方式
路耗模型：一个理想的全向天线，自由空间损耗是：式中LFS是路径损耗(单位dB)，Pt是传输天线的信号功率，Pr是接收天线的信号功率，f是无线电波频率(单位MHz)，d是收发天线间的距离(单位km)，c是光速(3*108m/s)。
在公式(1)的基础上，增加能量平衡项，得到如公式(2)所示的代价函数：式中C(i，k)表示节点i在k时刻的代价函数，LFS是路径损耗，ζ和α为两个常量，B(i，k)表示节点i在k时刻的剩余能量，Bmax(i)表示节点i的电池容量，Eh(i，k)为节点i在k时刻的吸收能量。可见，公式(2)在公式(1)的基础上增加了这一能量平衡项，目的是将节点i实时的剩余能量和吸收能量考虑进来，认为节点剩余能量和节点吸收能量越大，代价越小，在路由决策中，可以尽可能的使用这样的节点。
在能量采集型无线传感器网络中虽然有能量吸收，但是由于环境因素网络中各节点的吸收能量往往很不均衡，有些节点可能产生过度充电导致的能量浪费。在设计路由算法时将节点i的能量浪费考虑进来，在路由决策中，会避免一些过度充电，能量充足的节点未被使用的情况。
能量浪费函数：Won(i，k)＝max(0，B(i，k)+Eh(i，k)-LFS-Bmax(i)) (3)，Woff(i，k)＝max(0，B(i，k)+Eh(i，k)-Bmax(i)) (4)，式中Won(i，k)表示k时刻在路径上的节点i因过度充电导致的能量浪费，Woff(i，k)表示k时刻不在路径上的节点i因过度充电导致的能量浪费，B(i，k)表示节点i在k时刻的剩余能量，Bmax(i)表示节点i的电池容量，Eh(i，k)为节点i在k时刻的吸收能量，LFS是路径损耗。
遗传算法寻找全局最优路径时，适应度函数如公式(5)所示，目标是最小化传输代价和能量浪费，尽可能使用那些剩余能量高，吸收能量高的节点，来达到能量平衡的作用，适应度越大解的质量越好。
式中Fitness表示适应度函数，f表示目标函数，σn表示传输路径，i∈σn表示被路径σn调用的节点i，表示未被路径σn调用的节点i，C(i，k)表示节点i在k时刻的代价函数见公式(2)，Won(i，k)表示k时刻在路径σn上的节点i因过度充电导致的能量浪费见公式(3)，Woff(i，k)表示k时刻不在路径σn上的节点i因过度充电导致的能量浪费见公式(4)。
下面介绍这种基于遗传算法的高能效路由算法的具体实施步骤：
1)初始化节点间的距离、每个节点的能量和电池容量，信号频率，种群大小，交叉概率，变异概率，最大进化代数。判断是否达到仿真次数，仿真次数自定义设置，若未达到仿真次数，进行步骤2)，若达到结束仿真。
2)能量采集型无线传感器网络，计算每个节点i在第k次仿真时的随机吸收能量Eh(i，k)。
3)用遗传算法寻找最优路径时，编码方式采用二进制编码生成可通信的有效路径个体，种群初始化即产生种群大小的个体。
4)根据设计的适应函数计算适应度值。
5)判断是否达到最大进化代数，若未到达进行步骤6)，否则进行步骤10)。
6)选择采用的选择算子是将适应度值降序排序，把全部个体分为10等份，淘汰最后面1/10的个体，拷贝一份前1/10的个体，其他保留，种群大小不变。这样可以把适应度非常低的个体直接淘汰掉，提升算法的收敛速度，还可以快速增加种群中适应度较好的个体数量，使算法更加高效实用。
7)交叉算子选择使用均匀交叉算子来扩大搜索范围。依交叉概率选择的父代个体进行均匀交叉得到子代个体后，检测子代个体是否为有效路径，若为无效路径则重新交叉，保证种群大小不变。
8)变异算子采用使用频繁的基本变异算子，即随机生成一个变异位置，然后对应码值取反。依变异概率选择的父代个体进行基本变异得到子代个体后，检测子代个体是否为有效路径，若为无效路径则重新变异，可保证种群大小不变。
9)根据设计的适应函数计算适应度值。对适应度值进行排序，得到适应度最大的路径。进化代数加1，进行步骤5)。
10)输出最优路径。计算该路径的路耗LFS，更新节点的能量信息B(i，k)，检测衰竭节点即B(i，k)＝0的节点i，统计总吸收能量Eharvest(k)，总消耗能量Econsume(k)，总浪费能量Ewaste(k)，总剩余能量Eleft(k)，和能量利用率efficiency(k)。
能耗最小的路由决策是最常用的一种，将最小化能量消耗路由定义为方法1，尽可能的降低能耗是传统无线传感器网络路由协议设计的首要目标。在能量采集型无线传感器网络中，虽然节点可以从环境中吸收能量，但是吸收能量的多少是个未知数，尽量降低能耗也是有必要的。
考虑能量平衡的路由，在考虑路径能耗的基础上，考虑路径上节点的吸收能量、剩余能量的路由，将其定义为方法2。
考虑能量浪费的路由，在考虑路径能耗的基础上，考虑网络中所有节节点的能量浪费，将其定义为方法3。
考虑能量平衡和能量浪费的路由，即本发明提出的一种基于遗传算法的高能效路由算法，将其定义为方法4。用遗传算法选出代价和浪费能量较小，网络中能量平衡较好的路径。在尽量减少路耗的基础上，平衡了网络中节点的工作量，不会过早的产生衰竭节点；那些剩余能量大，吸收能量大的节点被充分利用；提高了能量利用率。
仿真环境为：16个节点构成能量采集型无线传感器网络，某些节点因距离太远无法通信，可通信节点间的距离在[1，10]均匀分布，距离大于10表示无法联通，节点的初始剩余能量为150，节点i在k时刻的吸收能量Eh(i，k)为[10，150]的随机数，所以吸收能量具有一般性。仿真流程图如图1所示，仿真次数20次。参数设置为：信号频率f＝2.4GHz，电池容量Bmax(i)＝200，常量ζ＝2，α＝1000。种群大小设为100，交叉概率设为90％，变异的概率设为10％，这些数值是经过反复试验得到的。最大进化代数设为20，由图2适应度曲线图可知：将遗传算法最大进化代数设置为20比较合适，在进化至20代时，一般情况下都可以获得最优解。
在仿真过程中由于方法1只考虑最小化路耗，会为了寻找最短路径，导致个别节点频繁使用较早衰竭。方法2由于在方法1的基础上考虑了能量平衡，和方法1相比后产生衰竭节点，衰竭节点出现次数减少，如图3所示方法2优于方法1。由于方法3与方法4在仿真过程中未产生能量衰竭节点，图3无法说明方法3与4的优劣，所以比较网络总能量消耗，如图4所示方法4优于方法3。由于方法3仅考虑能量浪费最小，方法2仅考虑能量平衡，方法4综合考虑了能量浪费与能量平衡，从理论角度方法4的网络总能量浪费应介于方法2与方法3之间，图5证明了这一点。由图6网络总剩余能量可知方法4最好，方法3次之，方法2再次之，方法1最差。在仿真后期，由图6无法辨别方法3与方法4的优劣，由图7能量利用效率可以辨别方法4最好，方法3次之，方法2再次之，方法1最差。所以通过仿真分析可知相比方法1至3，本发明提出的方法即方法4最好。

Claims (4)

1.一种基于遗传算法的高能效路由算法，其特征在于包括下列步骤：
1)初始化节点间的距离、每个节点的能量和电池容量，信号频率，种群大小，交叉概率，变异概率，最大进化代数。判断是否达到仿真次数，仿真次数自定义设置，若未达到仿真次数，进行步骤2)，若达到结束仿真。
2)能量采集型无线传感器网络，计算每个节点i在第k次仿真时的随机吸收能量Eh(i，k)。
3)用遗传算法寻找最优路径时，编码方式采用二进制编码生成可通信的有效路径个体，种群初始化即产生种群大小的个体。
4)根据设计的适应函数计算适应度值。
5)判断是否达到最大进化代数，若未到达进行步骤6)，否则进行步骤10)。
6)选择采用的选择算子是将适应度值降序排序，把全部个体分为10等份，淘汰最后面1/10的个体，拷贝一份前1/10的个体，其他保留，种群大小不变。这样可以把适应度非常低的个体直接淘汰掉，提升算法的收敛速度，还可以快速增加种群中适应度较好的个体数量，使算法更加高效实用。
7)交叉算子选择使用均匀交叉算子来扩大搜索范围。依交叉概率选择的父代个体进行均匀交叉得到子代个体后，检测子代个体是否为有效路径，若为无效路径则重新交叉，保证种群大小不变。
8)变异算子采用使用频繁的基本变异算子，即随机生成一个变异位置，然后对应码值取反。依变异概率选择的父代个体进行基本变异得到子代个体后，检测子代个体是否为有效路径，若为无效路径则重新变异，可保证种群大小不变。
9)根据设计的适应函数计算适应度值。对适应度值进行排序，得到适应度最大的路径。进化代数加1，进行步骤5)。
10)输出最优路径。计算该路径的路耗LFS，更新节点的能量信息B(i，k)，检测衰竭节点即B(i，k)＝0的节点i，统计总吸收能量Eharvest(k)，总消耗能量Econsumc(k)，总浪费能量Ewaste(k)，总剩余能量Eleft(k)，和能量利用率efficiency(k)。
2.根据权利要求1所述的一种基于遗传算法的高能效路由算法，其特征在于：步骤4)所述的设计的计算公式，计算适应度值的公式为：式中Fitness表示适应度函数，f表示目标函数，σn表示传输路径，i∈σn表示被路径σn调用的节点i，表示未被路径σn调用的节点i，C(i，k)表示节点i在k时刻的代价函数，Won(i，k)表示k时刻在路径σn上的节点i因过度充电导致的能量浪费，Woff(i，k)表示k时刻不在路径σn上的节点i因过度充电导致的能量浪费。该适应度函数的目标是最小化传输代价和能量浪费，尽可能使用那些剩余能量高，吸收能量高的节点，来达到能量平衡的作用，适应度越大解的质量越好。
3.根据权利要求1所述的一种基于遗传算法的高能效路由算法，其特征在于：步骤4)所述的设计的计算公式，其中的节点i在k时刻的代价函数为：式中LFS是路径损耗，ζ和α为两个常量，B(i，k)表示节点i在k时刻的剩余能量，Bmax(i)表示节点i的电池容量，Eh(i，k)为节点i在k时刻的吸收能量。
4.根据权利要求1所述的一种基于遗传算法的高能效路由算法，其特征在于：步骤4)所述的设计的计算公式，其中的k时刻在路径上的节点i因过度充电导致的能量浪费函数和k时刻不在路径上的节点i因过度充电导致的能量浪费函数分别为：Won(i，k)＝max(0，B(i，k)+Eh(i，k)-LFS-Bmax(i))和Woff(i，k)＝max(0，B(i，k)+Eh(i，k)-Bmax(i))，式中B(i，k)表示节点i在k时刻的剩余能量，Bmax(i)表示节点i的电池容量，Eh(i，k)为节点i在k时刻的吸收能量，LFS是路径损耗。
CN201710342333.6A 2017-05-16 2017-05-16 一种基于遗传算法的高能效路由算法 Pending CN108882330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710342333.6A CN108882330A (zh) 2017-05-16 2017-05-16 一种基于遗传算法的高能效路由算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710342333.6A CN108882330A (zh) 2017-05-16 2017-05-16 一种基于遗传算法的高能效路由算法

Publications (1)

Publication Number Publication Date
CN108882330A true CN108882330A (zh) 2018-11-23

Family

ID=64320379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710342333.6A Pending CN108882330A (zh) 2017-05-16 2017-05-16 一种基于遗传算法的高能效路由算法

Country Status (1)

Country Link
CN (1) CN108882330A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740806A (zh) * 2018-12-26 2019-05-10 新奥数能科技有限公司 节点链路的管理方法及装置、存储介质、电子装置
CN110958659A (zh) * 2019-12-12 2020-04-03 南华大学 改进遗传禁忌搜索的深井巷道wsn分簇路由方法及装置
CN111526555A (zh) * 2020-05-25 2020-08-11 南京邮电大学 基于遗传算法的多跳路由路径选择方法
CN113068242A (zh) * 2021-03-29 2021-07-02 重庆师范大学 基于优化量子蚁群算法的路由规划方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060215588A1 (en) * 2005-03-22 2006-09-28 Yoon Chang-June C Energy-efficient network protocol and node device for sensor networks
CN101018235A (zh) * 2006-11-16 2007-08-15 南京邮电大学 基于智能代理的无线传感器网络数据聚合路径规划方法
CN105897577A (zh) * 2016-05-19 2016-08-24 东华大学 一种可充电无线传感器网络免疫路由修复方法
US20160345406A1 (en) * 2015-05-22 2016-11-24 Google Inc. Automatically adjust sensor sample rates and modes based on sensor feedback and system state

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060215588A1 (en) * 2005-03-22 2006-09-28 Yoon Chang-June C Energy-efficient network protocol and node device for sensor networks
US20100182901A1 (en) * 2005-03-22 2010-07-22 Itt Manufacturing Enterprises, Inc. Energy-Efficient Network Protocol and Node Device for Sensor Networks
CN101018235A (zh) * 2006-11-16 2007-08-15 南京邮电大学 基于智能代理的无线传感器网络数据聚合路径规划方法
US20160345406A1 (en) * 2015-05-22 2016-11-24 Google Inc. Automatically adjust sensor sample rates and modes based on sensor feedback and system state
CN105897577A (zh) * 2016-05-19 2016-08-24 东华大学 一种可充电无线传感器网络免疫路由修复方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740806A (zh) * 2018-12-26 2019-05-10 新奥数能科技有限公司 节点链路的管理方法及装置、存储介质、电子装置
CN110958659A (zh) * 2019-12-12 2020-04-03 南华大学 改进遗传禁忌搜索的深井巷道wsn分簇路由方法及装置
CN111526555A (zh) * 2020-05-25 2020-08-11 南京邮电大学 基于遗传算法的多跳路由路径选择方法
CN111526555B (zh) * 2020-05-25 2022-07-26 南京邮电大学 基于遗传算法的多跳路由路径选择方法
CN113068242A (zh) * 2021-03-29 2021-07-02 重庆师范大学 基于优化量子蚁群算法的路由规划方法及系统

Similar Documents

Publication Publication Date Title
CN108882330A (zh) 一种基于遗传算法的高能效路由算法
Karimi et al. Optimizing cluster-head selection in wireless sensor networks using genetic algorithm and harmony search algorithm
CN104301965B (zh) 一种无线传感器网络非均匀分簇节点调度方法
CN104936230B (zh) 一种基于簇头期望的无线传感器网络能量均衡路由优化方法
Tabatabaei et al. A novel energy-aware clustering method via Lion Pride Optimizer Algorithm (LPO) and fuzzy logic in wireless sensor networks (WSNs)
Pattnaik et al. Assimilation of fuzzy clustering approach and EHO‐Greedy algorithm for efficient routing in WSN
CN102769890B (zh) 基于均匀分簇和数据聚合的无线传感器网络路由方法
Zhong et al. Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink
CN105848219A (zh) 基于能量收集构建负载均衡树的无线传感网路由协议
CN109862612A (zh) 基于双功能小车移动路径规划的数据收集和无线充电方法
CN103945482A (zh) 考虑能量均衡的能量优化路由选择算法
CN104303070A (zh) 支持数据存储
Long et al. Battery allocation for wireless sensor network lifetime maximization under cost constraints
Saini et al. Minimization of energy consumption in WSN using hybrid WECRA approach
CN110602756B (zh) 一种基于哈夫曼树平衡无线传感器网络节点能耗的方法
Nazari et al. An Intelligent SDN‐Based Clustering Approach for Optimizing IoT Power Consumption in Smart Homes
CN105764110A (zh) 一种基于免疫克隆选择的无线传感器网络路由优化方法
Wang et al. Charging path optimization for wireless rechargeable sensor network
Xiong et al. An energy aware algorithm for edge task offloading
Ma et al. KEFSAR: a solar-aware routing strategy for rechargeable IoT based on high-accuracy prediction
Kaddi et al. A differential evolution based clustering and routing protocol for WSN
CN103369619A (zh) 一种基于度自适应调整动态聚合树的方法
Wu et al. Energy‐Neutral Communication Protocol for Living‐Tree Bioenergy‐Powered Wireless Sensor Network
Feng et al. An energy efficient routing algorithm based on radar chart for wireless sensor networks
Devasena et al. A study of power and energy efficient clustering protocols in wireless sensor networks

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181123

WD01 Invention patent application deemed withdrawn after publication