CN108900998B - 一种能耗均衡的移动汇聚节点路径规划方法及系统 - Google Patents

一种能耗均衡的移动汇聚节点路径规划方法及系统 Download PDF

Info

Publication number
CN108900998B
CN108900998B CN201810920520.2A CN201810920520A CN108900998B CN 108900998 B CN108900998 B CN 108900998B CN 201810920520 A CN201810920520 A CN 201810920520A CN 108900998 B CN108900998 B CN 108900998B
Authority
CN
China
Prior art keywords
node
determining
energy consumption
particles
regular hexagonal
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
CN201810920520.2A
Other languages
English (en)
Other versions
CN108900998A (zh
Inventor
张婧
李松江
洛佳琪
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN201810920520.2A priority Critical patent/CN108900998B/zh
Publication of CN108900998A publication Critical patent/CN108900998A/zh
Application granted granted Critical
Publication of CN108900998B publication Critical patent/CN108900998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种能耗均衡的移动汇聚节点路径规划方法及系统。所述方法包括：获取无线传感器网络的监测区域；将监测区域划分成多个虚拟正六边形网络；获取每个虚拟正六边形网络的位置区域；根据位置区域确定每个虚拟正六边形网络的候选停留位置以及无线传感器网络中的移动汇聚节点个数；根据候选停留位置确定每个移动汇聚节点的停留位置；根据移动汇聚节点个数进行分组并建立优化模型；采用混合正负粒子群算法，根据优化模型以及每个移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径。采用本发明所提供的方法及系统能够均衡能耗，缓解“热区”现象，延长网络的生命周期并最大限度地减小网络时延。

Description

一种能耗均衡的移动汇聚节点路径规划方法及系统
技术领域
本发明涉及移动汇聚节点路径规划领域，特别是涉及一种能耗均衡的移动汇聚节点路径规划方法及系统。
背景技术
对于单一且汇聚节点固定的传感器网络，多对一的传输方式导致靠近汇聚节点的传感器节点需要中转大量的其他节点的监测数据，从而消耗大量的电池能量，容易过早地死亡，产生“热区”现象，进而缩短了网络的生命周期。引入移动汇聚节点可以平衡节点能量消耗、有效避免“热区”问题并延长网络生命周期。但是汇聚节点的移动性会导致网络的拓扑结构、数据传输路由不断变化，增加了构建网络和路由的开销。同时，如果移动汇聚节点的移动路径过长，则会带来较大的网络时延。因此，移动汇聚节点的相关研究主要集中于路由优化、路径规划这两个方面，根据移动汇聚节点的移动方式，可以将其分为四类：随机移动模型、受控移动模型、地理移动模型和预测移动模型。
随机移动模型是指汇聚节点每次移动时的移动方向和移动速度都随机选择，故此模型具有很强的不确定性。带有记忆表的随机漫走(Random Walk with Memory，RWM)算法基于此模型作了改进，让移动的汇聚节点保存一个先入先出的列表M，M中存放已经访问过的区域号，下一个位置从M中没有出现过的区域号中随机选择，此算法一定程度上减少了停留区域的重复选择、缓解了“热区”现象，但其本质仍然是一种随机选择，能耗不均、时延过大依然存在。
受控移动模型是指通过一定控制机制(比如缓冲区溢出时间等)对汇聚节点移动进行控制；基于网格的负载均衡路由(grid-based load-balanced routing method，GLRM)算法将监测区域划分为多个虚拟的正方形虚拟正六边形网格并在每个虚拟正六边形网格内选取一个簇头，移动汇聚节点的移动路径固定在监测区域的中心线，然后建立从簇头到汇聚节点的近似虚拟正六边形网格状的路由；此算法虽然一定程度上缓解了“热区”现象，但是网络中传感器节点能耗不均匀，靠近中心线两侧的虚拟正六边形网格内节点能耗更大。
地理移动模型是指移动受到实际地理环境的限制，汇聚节点在移动过程中会遇到障碍或边界；DWZhu等人提出了一种利用贝塞尔曲线曲线描述路径与改进粒子群优化算法相结合的路径规划方法；此类算法研究主要目的是设计高效的避障路径规划算法，侧重于研究如何避障。
预测移动模型是指传感器节点知道移动汇聚节点的移动路径，所以传感器节点进入睡眠模式，直到预测的数据传输时间将其唤醒，然后传感器节点进入活动模式，将其数据发送给移动汇聚节点；距离驱动的移动模型(Distance-Oriented Sink Mobility，DOSM)算法将监测区域分成虚拟正六边形网格，每轮在每个虚拟正六边形网格内基于能量选出簇头，然后对所有簇头位置求解质心，质心位置即为移动汇聚节点的位置，然后建立路由进行数据传输。基于网格的虚拟不均匀路由(Virtual Uneven Grid-based Routing protocol，VUGR)算法将低能量级别的虚拟正六边形网格单元划分为较小的单元，在不参与构建虚拟高层结构的情况下，在高能量级寻找虚拟正六边形网格单元来传输数据，移动汇聚节点以顺时针方向沿着网络边缘的高能量级虚拟正六边形网格单元移动；DOSM算法与VUGR算法虽然都考虑到了能耗的均衡性，但其路由更新频繁，路由构建复杂；Salarian H等人选择权值较高的传感器节点作为会合点，建立点集合，寻找能访问所有会合点且不超过最大数据传输时延的路径。KumarAK等人基于传感器节点的位置信息，采用范围约束分簇算法确定每一个簇头的位置；然而他们在移动汇聚节点路径规划中只考虑了单一因素(时延、路径长度)的优化，没有考虑传感器节点的能耗和网络生命周期等的组合优化问题；ZhuZ W等人根据每个传感器节点将网络建模成通信范围不等的多个圆，移动汇聚节点移动到每个传感器节点通信范围内采集数据，建立能耗与移动路径的模型，采用混合免疫粒子群算法规划路径；虽然考虑了能耗与移动路径的组合优化，但是移动汇聚节点频繁停留，总移动路径与网络时延过大。
发明内容
本发明的目的是提供一种能耗均衡的移动汇聚节点路径规划方法及系统，以解决现有技术由于节点分布不均、汇聚节点位置固定而导致的传感器节点能耗不均、“热区”以及网络时延大等问题。
为实现上述目的，本发明提供了如下方案：
一种能耗均衡的移动汇聚节点路径规划方法，包括：
获取无线传感器网络的监测区域；所述监测区域内包括多个传感器节点；
将所述监测区域划分成多个虚拟正六边形网络；
获取每个所述虚拟正六边形网络的位置区域；
根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数；所述候选停留位置包括所述虚拟正六边形网络的中心点坐标以及所述虚拟正六边形网络内传感器节点分布的质心点坐标；
根据所述候选停留位置确定每个所述移动汇聚节点的停留位置；
根据所述移动汇聚节点个数进行分组并建立优化模型；所述优化模型包括权衡组能耗、网络生命周期以及移动路径；
采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径；其中，正粒子代表所述移动汇聚节点遍历所述虚拟正六边形网格的顺序，负粒子代表每个所述虚拟正六边形网格内所述候选停留位置选择的路径。
可选的，所述将所述监测区域划分成多个虚拟正六边形网络之后，还包括：
将所述监测区域分为普通区域以及特殊区域；所述普通区域和两个所述特殊区域构成虚拟正六边形网络；
获取所述特殊区域内的传感器节点；
获取所述特殊区域的特殊奇数列以及特殊偶数列；
判断所述传感器节点是否位于所述特殊奇数列，得到第一判断结果；
若所述第一判断结果表示为所述传感器节点位于所述特殊奇数列，获取所述传感器节点的奇数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的奇数列中心点坐标；
根据所述奇数列节点坐标以及所述奇数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格；
若所述第一判断结果表示为所述传感器节点位于特殊偶数列，获取所述传感器节点的偶数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的偶数列中心点坐标；
根据所述偶数列节点坐标以及所述偶数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格。
可选的，所述根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数，具体包括：
根据公式
Figure BDA0001764092390000041
以及
Figure BDA0001764092390000042
确定中心点坐标；
根据公式
Figure BDA0001764092390000043
以及
Figure BDA0001764092390000044
确定质心点坐标；
其中，(xc,yc)为中心点坐标，(xz,yz)为质心点坐标，(x,y)为所述虚拟正六边形网格的坐标，h为所述虚拟正六边形网格内的节点个数，S(i).xd表示第i个节点的横坐标，S(i).yd表示第i个节点的纵坐标。
可选的，所述根据所述移动汇聚节点个数进行分组并建立优化模型，具体包括：
获取每个所述传感器节点的能耗并根据所述移动汇聚节点个数构建虚拟组；
根据所述虚拟组以及每个所述传感器节点的能耗确定所述虚拟组之间的组间能耗方差和网络生命周期；
根据所述组间能耗方差和所述网络生命周期建立优化模型。
可选的，所述采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径，具体包括：
根据所述优化模型建立混合正负粒子群算法的目标函数并初始化粒子群；
根据所述目标函数确定所述粒子群中每个粒子的适应度值；所述粒子包括正粒子以及负粒子；
根据适应度值确定每对粒子的个体极值和所述粒子群的全局极值；所述每对粒子包括一个所述正粒子以及一个所述负粒子且一个正粒子与一个所述负粒子仅组成一对粒子；
根据所述个体极值以及所述全局极值对所述每对粒子进行交叉操作处理以更新粒子，确定更新后的粒子；
对所述更新后的粒子进行变异操作处理以再次更新粒子，确定再次更新后的粒子；
根据所述目标函数确定所述再次更新后的粒子的适应度值；
再次确定每对粒子的个体极值和所述粒子群的全局极值；
根据所述粒子群的全局极值确定最优虚拟正六边形网格遍历顺序和最优路径。
可选的，所述采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径之后，还包括：
将所述最优路径按组分配给不同的所述移动汇聚节点，每个移动汇聚节点在所属组内移动。
一种能耗均衡的移动汇聚节点路径规划系统，包括：
监测区域获取模块，用于获取无线传感器网络的监测区域；所述监测区域内包括多个传感器节点；
划分模块，用于将所述监测区域划分成多个虚拟正六边形网络；
位置区域获取模块，用于获取每个所述虚拟正六边形网络的位置区域；
候选停留位置和移动汇聚节点个数确定模块，用于根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数；所述候选停留位置包括所述虚拟正六边形网络的中心点坐标以及所述虚拟正六边形网络内传感器节点分布的质心点坐标；
移动汇聚节点停留位置确定模块，用于根据所述候选停留位置确定每个所述移动汇聚节点的停留位置；
优化模型建立模块，用于根据所述移动汇聚节点个数进行分组并建立优化模型；所述优化模型包括权衡组能耗、网络生命周期以及移动路径；
最优虚拟正六边形网格遍历顺序和最优路径确定模块，用于采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径；其中，正粒子代表所述移动汇聚节点遍历所述虚拟正六边形网格的顺序，负粒子代表每个所述虚拟正六边形网格内所述候选停留位置选择的路径。
可选的，还包括：
区域划分模块，用于将所述监测区域分为普通区域以及特殊区域；所述普通区域和两个所述特殊区域构成虚拟正六边形网络；
传感器节点获取模块，用于获取所述特殊区域内的传感器节点；
特殊奇数列以及特殊偶数列获取模块，用于获取所述特殊区域的特殊奇数列以及特殊偶数列；
第一判断模块，用于判断所述传感器节点是否位于所述特殊奇数列，得到第一判断结果；
奇数列中心点坐标获取模块，用于若所述第一判断结果表示为所述传感器节点位于所述特殊奇数列，获取所述传感器节点的奇数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的奇数列中心点坐标；
虚拟正六边形网格第一确定模块，用于根据所述奇数列节点坐标以及所述奇数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格；
偶数列中心点坐标获取模块，用于若所述第一判断结果表示为所述传感器节点位于特殊偶数列，获取所述传感器节点的偶数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的偶数列中心点坐标；
虚拟正六边形网格第二确定模块，用于根据所述偶数列节点坐标以及所述偶数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格。
可选的，所述候选停留位置和移动汇聚节点个数确定模块具体包括：
中心点坐标确定单元，用于根据公式
Figure BDA0001764092390000071
以及
Figure BDA0001764092390000072
确定中心点坐标；
质心点坐标确定单元，用于根据公式
Figure BDA0001764092390000073
以及
Figure BDA0001764092390000074
确定质心点坐标；
其中，(xc,yc)为中心点坐标，(xz,yz)为质心点坐标，(x,y)为所述虚拟正六边形网格的坐标，h为所述虚拟正六边形网格内的节点个数，S(i).xd表示第i个节点的横坐标，S(i).yd表示第i个节点的纵坐标。
可选的，所述优化模型建立模块具体包括：
虚拟组构建单元，用于获取每个所述传感器节点的能耗并根据所述移动汇聚节点个数构建虚拟组；
组间能耗方差和网络生命周期确定单元，用于根据所述虚拟组以及每个所述传感器节点的能耗确定所述虚拟组之间的组间能耗方差和网络生命周期；
优化模块建立单元，用于根据所述组间能耗方差和所述网络生命周期建立优化模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种能耗均衡的移动汇聚节点路径规划方法及系统，将无线传感器网络的监测区域分割成多个虚拟正六边形网格，在每个虚拟正六边形网格内保存两个候选停留位置(中心点位置和质心点位置)，移动汇聚节点在每个虚拟正六边形网格中选取其中一个停留位置收集传感器节点的数据，根据移动汇聚节点的个数进行分组并建立权衡组能耗、网络生命周期和移动路径的优化模型；所述优化模型实际上为带有选择的特殊旅行商问题，本发明采用混合正负粒子群算法求解所述优化模型，确定最优虚拟正六边形网格遍历顺序和停留位置选择的路径。采用本发明所提供的规划方法及系统，不会出现移动汇聚节点频繁停留的现象，且本发明还将最优路径按组分配给不同的移动汇聚节点，每个移动汇聚节点在其所属组内移动，能够有效地均衡能耗，缓解“热区”现象，延长网络的生命周期并最大限度减小网络时延。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的能耗均衡的移动汇聚节点路径规划方法流程图；
图2为本发明所提供的虚拟正六边形网络划分图；
图3为本发明所提供的传感器节点归属分类图；
图4为本发明所提供的特殊奇数列示意图；
图5为本发明所提供的特殊偶数列示意图；
图6为本发明所提供的混合正负粒子群算法流程图；
图7为本发明所提供的能耗均衡的移动汇聚节点路径规划系统结构图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种能耗均衡的移动汇聚节点路径规划方法及系统，能够均衡能耗，缓解“热区”现象，延长网络的生命周期并最大限度地减小网络时延。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的能耗均衡的移动汇聚节点路径规划方法流程图，如图1所示，一种能耗均衡的移动汇聚节点路径规划方法，包括：
步骤101：获取无线传感器网络的监测区域；所述监测区域内包括多个传感器节点。
步骤102：将所述监测区域划分成多个虚拟正六边形网络。
图2为本发明所提供的虚拟正六边形网络划分图，如图2所示，对虚拟正六边形网格进行编号，(x,y)代表虚拟正六边形网格的坐标，g(g＝1,2…N)代表虚拟正六边形网格的编号，i(i＝1,2…n)代表传感器节点的编号，N代表虚拟正六边形网格的个数，n代表传感器节点的个数。
图3为本发明所提供的传感器节点归属分类图，如图3所示，将传感器节点分成两类判断其所属虚拟正六边形网格，即位于普通区域的节点和位于特殊区域的节点，并给出特殊区域传感器节点归属算法。
计算出特殊区域的行数row和列数col，则特殊奇数列个数为
Figure BDA0001764092390000091
特殊偶数列个数为
Figure BDA0001764092390000092
j代表特殊区域的奇数列或偶数列，k代表特殊区域的行。
如果节点i位于特殊奇数列，如图4所示，求出节点与其邻近虚拟正六边形网格中心点的距离d(2j,k+1)，d(2j-1,k)，d(2j,k)，并找出最短的距离，其所对应虚拟正六边形网格则为节点i所属虚拟正六边形网格。
如果节点i位于特殊偶数列，如图5所示，求出节点与其邻近虚拟正六边形网格中心点的距离d(2j,k+1)，d(2j,k)，d(2j+1,k)，并找出最短的距离，其所对应虚拟正六边形网格则为节点i所属虚拟正六边形网格。
步骤103：获取每个所述虚拟正六边形网络的位置区域。
步骤104：根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数；所述候选停留位置包括所述虚拟正六边形网络的中心点坐标以及所述虚拟正六边形网络内传感器节点分布的质心点坐标。
所述候选停留位置有两个：一个是网格的中心点位置；另一个是网格内传感器节点分布的质心点位置。
中心点坐标(xc,yc)和质心点坐标(xz,yz)的计算公式如下：
Figure BDA0001764092390000101
Figure BDA0001764092390000102
Figure BDA0001764092390000103
Figure BDA0001764092390000104
(x,y)为网格的坐标，h为网格内的节点个数，S(i).xd表示第i个节点的横坐标，S(i).yd表示第i个节点的纵坐标。
步骤105：根据所述候选停留位置确定每个所述移动汇聚节点的停留位置；
步骤106：根据所述移动汇聚节点个数进行分组并建立优化模型；所述优化模型包括权衡组能耗、网络生命周期以及移动路径。
将整个网络抽象为移动汇聚节点停留位置选择问题与移动汇聚节点遍历网格的旅行商问题，即一种带有选择的特殊旅行商问题，如图1所示。然后找出一条路径最短、时延较小、能耗均衡且可以最大化网络生命周期的路径，即建立优化模型。
首先，计算每个传感器节点的能耗并构建虚拟组。
采用式(5)中的无线通信能耗模型，由于只考虑传感器节点发送数据到移动汇聚节点的单跳路由，故节点只有发送数据的能量消耗：
Figure BDA0001764092390000105
其中，Etx为发送电路消耗的能量；εfs和εmp分别为自由空间传播模型和多路径衰减传播模型；l为发送数据包的长度；d为发送距离；d0为距离阈值，
Figure BDA0001764092390000111
移动汇聚节点与普通节点单跳传输，节点的通信都限制在一个虚拟网格中且网格边长为R(R小于d0)，故采用自由空间传播模型，即d＜d0。
所以传感器节点的能耗Ei为：
Ei＝lEtx+lεfsd2 (7)
根据移动汇聚节点的个数进行平均分组，令移动汇聚节点数目为k，网格数目为N，则每个虚拟组内网格数按如下公式(8)计算：
N/k＝c…d (8)
c为商，d为余数，前d个虚拟组分配c+1个网格，剩余的分配c个网格，共构建k个虚拟组。
其次，根据所构建的虚拟组以及每个传感器节点的能耗确定组间能耗方差和网络生命周期。
求出网格能耗Ec(网格内所有节点能耗的总和)、组能耗Ep(每个组内网格能耗的总和)，以及平均组能耗
Figure BDA0001764092390000112
然后求出组间能耗方差
Figure BDA0001764092390000113
(均衡能耗、使每个组的能耗值尽可能的接近)。
Figure BDA0001764092390000114
Figure BDA0001764092390000115
Figure BDA0001764092390000116
Figure BDA0001764092390000117
h代表网格内节点个数，Ei代表第i个节点的通信能耗，不同停留点能耗有所不同，根据公式(7)可知，传感器节点的能耗Ei＝lEtx+lεfsd2；t代表每组内网格个数，k代表虚拟组的个数。
求出网络生命周期：定义节点的生命周期为其能量耗尽所用的时间，则节点i的生命周期为：
Figure BDA0001764092390000121
Ci代表第i个节点的剩余能量(Ci＝E0-Ei)，E0代表传感器节点的初始能量，Ei1代表第i个节点的中心点通信能耗，Ei2代表第i个节点的质心点通信能耗。则Ei1＝lEtx+lεfsdi1 2，di1代表第i个节点与中心点的距离，Ei2＝lEtx+lεfsdi2 2，di2代表第i个节点与质心点的距离。
网络生命周期为网络中第一个节点死亡所花费的时间，即：
T＝min Ti(i＝1,2…n) (14)
最后，根据组间能耗方差和网络生命周期确定优化模型。本发明的目的是实现最小化路径长度与组间能耗方差，最大化网络的生命周期，故可建立如下优化模型：
Figure BDA0001764092390000122
s.t约束条件：(9)，(10)，(11)，(12)，(13)，(14)
公式(14)中的dTSP表示整个的路径长度，即所有移动汇聚节点路径的总和。
步骤107：采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径；其中，正粒子代表所述移动汇聚节点遍历所述虚拟正六边形网格的顺序，负粒子代表每个所述虚拟正六边形网格内所述候选停留位置选择的路径。
对抽象出的带有选择的特殊旅行商问题进行求解，提出一种混合正负粒子群算法来求解优化模型。图6为本发明所提供的混合正负粒子群算法流程图，如图6所示，混合正负粒子群算法改进了混合粒子群算法，结合了物理学中正负粒子相互吸引的思想，弥补了混合粒子群算法不能处理选择性的弊端，也通过改进交叉、变异操作，提高了算法的稳定性，使其既不会收敛过慢，增加算法运行时间，也不会因过快收敛而陷入局部最优解。
建立混合正负粒子群算法的目标函数并初始化粒子群。通过分析优化模型(15)，可得出目标函数如下：
Figure BDA0001764092390000131
ω、μ分别代表组间能耗方差和路径与网络生命周期的权重。ω值越高，结果更偏重于不同移动汇聚节点收集区域间的能耗均衡；μ值越高，结果更偏重于整个网络的能耗均衡。
初始化粒子群。初始化算法的参数：迭代次数初始值m＝1，最大迭代次数M，正负粒子对个数D等。初始化正负粒子群，每个粒子含有N个元素。正粒子中存放网格编号的序列，网格编号的范围是1～N；负粒子中存放停留位置，停留位置的取值为0或1，0代表中心点位置，1代表质心点位置。
根据目标函数确定适应度值计算公式并确定粒子群中每个粒子的适用度值。获取每对粒子的适应度值，适应度值计算公式为：
Figure BDA0001764092390000132
适应度值越小，优化效果越好；求出每对粒子的个体极值pbest(多次迭代后，每对粒子的最小适应度值)和全局极值gbest(多次迭代后，整个粒子群的最小适应度值)；如果每对粒子当前的适应度值小于个体极值或全局极值，则用当前适应度值更新个体极值和全局极值。
根据适应度值确定每对粒子的个体极值和整个粒子群的全局极值，进行交叉操作。每对粒子通过与个体极值所对应的正负粒子和群体极值所对应的正负粒子进行交叉操作，更新粒子本身；随机产生交叉位(c1,c2)，1≤c1＜c2≤N和(c3,c4)，1≤c3＜c4≤N；随机产生插入位pflag，1≤pflag≤N-(c2-c1)-1和gflag，1≤gflag≤N-(c4-c3)-1；每对粒子的pflag～pflag+(c2-c1)个元素分别由每对个体极值粒子的c1～c2个元素替换，每对粒子的gflag～gflag+(c4-c3)个元素分别由每对全局极值粒子的c3～c4个元素替换。
根据交叉操作更新后的所有粒子确定使用变异操作再次更新。随机产生变异位(v1,v2)，1≤v1＜v2≤N，将每对粒子的第v1～v2个位置的元素逆序，然后插入原第v1～v2个位置，其余不变。
根据变异操作更新后所有粒子的适应度值确定最优值(全局极值)。如果迭代次数m＜M，则返回步骤“根据目标函数确定适应度值计算公式并确定粒子群中每个粒子的适用度值”；如果迭代次数m＝M，则全局极值所对应的粒子对即求出的一对最优的正负粒子，亦即确定出最优遍历网格顺序和最优停留位置选择。
图7为本发明所提供的能耗均衡的移动汇聚节点路径规划系统结构图，如图7所示，一种能耗均衡的移动汇聚节点路径规划系统，包括：
监测区域获取模块701，用于获取无线传感器网络的监测区域；所述监测区域内包括多个传感器节点。
划分模块702，用于对所述监测区域划分成多个虚拟正六边形网络。
位置区域获取模块703，用于获取每个所述虚拟正六边形网络的位置区域。
候选停留位置和移动汇聚节点个数确定模块704，用于根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数；所述候选停留位置包括所述虚拟正六边形网络的中心点坐标以及所述虚拟正六边形网络内传感器节点分布的质心点坐标。
所述候选停留位置和移动汇聚节点个数确定模块704具体包括：中心点坐标确定单元，用于根据公式
Figure BDA0001764092390000141
以及
Figure BDA0001764092390000142
确定中心点坐标；质心点坐标确定单元，用于根据公式
Figure BDA0001764092390000143
以及
Figure BDA0001764092390000144
确定质心点坐标；其中，(xc,yc)为中心点坐标，(xz,yz)为质心点坐标，(x,y)为所述虚拟正六边形网格的坐标，h为所述虚拟正六边形网格内的节点个数，S(i).xd表示第i个节点的横坐标，S(i).yd表示第i个节点的纵坐标。
移动汇聚节点停留位置确定模块705，用于根据所述候选停留位置确定每个所述移动汇聚节点的停留位置；
优化模型建立模块706，用于根据所述移动汇聚节点个数进行分组并建立优化模型；所述优化模型包括权衡组能耗、网络生命周期以及移动路径。
所述优化模型建立模块706具体包括：虚拟组构建单元，用于获取每个所述传感器节点的能耗并根据所述移动汇聚节点个数构建虚拟组；组间能耗方差和网络生命周期确定单元，用于根据所述虚拟组以及每个所述传感器节点的能耗确定所述虚拟组之间的组间能耗方差和网络生命周期；优化模块建立单元，用于根据所述组间能耗方差和所述网络生命周期建立优化模型。
最优虚拟正六边形网格遍历顺序和最优路径确定模块707，用于采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径；其中，正粒子代表所述移动汇聚节点遍历所述虚拟正六边形网格的顺序，负粒子代表每个所述虚拟正六边形网格内所述候选停留位置选择的路径。
此外，本发明还包括：区域划分模块，用于将所述监测区域分为普通区域以及特殊区域；所述普通区域和两个所述特殊区域构成虚拟正六边形网络；传感器节点获取模块，用于获取所述特殊区域内的传感器节点；特殊奇数列以及特殊偶数列获取模块，用于获取所述特殊区域的特殊奇数列以及特殊偶数列；第一判断模块，用于判断所述传感器节点是否位于所述特殊奇数列，得到第一判断结果；奇数列中心点坐标获取模块，用于若所述第一判断结果表示为所述传感器节点位于所述特殊奇数列，获取所述传感器节点的奇数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的奇数列中心点坐标；虚拟正六边形网格第一确定模块，用于根据所述奇数列节点坐标以及所述奇数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格；偶数列中心点坐标获取模块，用于若所述第一判断结果表示为所述传感器节点位于特殊偶数列，获取所述传感器节点的偶数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的偶数列中心点坐标；虚拟正六边形网格第二确定模块，用于根据所述偶数列节点坐标以及所述偶数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格。
本发明将监控区域划分为虚拟正六边形网格，与三角形、正方形等相比，正六边形覆盖面积更大(相同的覆盖半径)，移动汇聚节点一次停留可以收集到更多传感器节点的数据且完成一次全网数据收集需要的移动汇聚节点停留点更少，节省时间与资源。
中心点位置以及质心点位置由于通信代价最小的位置，因此，本发明选择中心点位置以及质心点位置作为移动汇聚节点的候选停留位置，中心点位置保证了所有传感器节点都在移动汇聚节点的通信半径内，即确保了单跳传输；质心点位置考虑了每个网格内节点的分布情况，当网格内节点集中分布于网格内一小块区域时，质心点位置的通信代价小于中心点位置；综合考虑这两个位置，可以得到通信代价与节点分布组合优化的效果。
本发明通过混合正负粒子群算法改进了混合粒子群算法，改进后的算法可以解决混合粒子群算法不能解决的带有选择的特殊旅行推销员问题(Traveling SalesmanProblem，TSP)。
改进后的算法结合了物理学中正负粒子相互吸引的思想，在种群初始化时，将每个粒子都换成一对正负粒子，正粒子用来代表移动汇聚节点遍历网格的顺序，负粒子代表每个网格停留位置的选择，每对正负粒子中相同位置的两个元素共同表示一个确定的位置，由于吸引力，在交叉、变异操作时，它们也一起发生改变。通过正负粒子的结合，将带有选择的特殊TSP问题转化为TSP问题进行求解。
本发明提出的混合正负粒子群算法中采用了改进的交叉、变异操作，与混合粒子群算法相比，算法稳定性、收敛性以及寻优性均有所提高。
交叉操作时，摒弃了混合粒子群算法中将极值交叉区域的元素放入粒子末端并删除重复的元素的方法，采用随机产生插入位置并进行元素替换的方法；变异操作时，不再使用交换粒子两个随机变异位元素的方法，而是将粒子两个随机变异位间的元素逆序，然后再替换原来两个随机变异位间的元素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种能耗均衡的移动汇聚节点路径规划方法，其特征在于，包括：
获取无线传感器网络的监测区域；所述监测区域内包括多个传感器节点；
将所述监测区域划分成多个虚拟正六边形网络；
获取每个所述虚拟正六边形网络的位置区域；
根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数；所述候选停留位置包括所述虚拟正六边形网络的中心点坐标以及所述虚拟正六边形网络内传感器节点分布的质心点坐标；
根据所述候选停留位置确定每个所述移动汇聚节点的停留位置；
根据所述移动汇聚节点个数进行分组并建立优化模型；所述优化模型包括权衡组能耗、网络生命周期以及移动路径；
首先，计算每个传感器节点的能耗并构建虚拟组；
采用式(1)中的无线通信能耗模型，由于只考虑传感器节点发送数据到移动汇聚节点的单跳路由，故节点只有发送数据的能量消耗：
Figure FDA0002641275810000011
其中，Etx为发送电路消耗的能量；εfs和εmp分别为自由空间传播模型和多路径衰减传播模型；l为发送数据包的长度；d为发送距离；d0为距离阈值，
Figure FDA0002641275810000012
移动汇聚节点与普通节点单跳传输，节点的通信都限制在一个虚拟网格中且网格边长为R，R小于d0，故采用自由空间传播模型，即d＜d0；
所以传感器节点的能耗Ei为：
Ei＝lEtx+lεfsd2 (3)
根据移动汇聚节点的个数进行平均分组，令移动汇聚节点数目为k，网格数目为N，则每个虚拟组内网格数按如下公式(4)计算：
N/k＝c…d (4)
c为商，d为余数，前d个虚拟组分配c+1个网格，剩余的分配c个网格，共构建k个虚拟组；
其次，根据所构建的虚拟组以及每个传感器节点的能耗确定组间能耗方差和网络生命周期；
求出网格能耗Ec、组能耗Ep，以及平均组能耗
Figure FDA0002641275810000021
然后求出组间能耗方差
Figure FDA0002641275810000022
Figure FDA0002641275810000023
Figure FDA0002641275810000024
Figure FDA0002641275810000025
Figure FDA0002641275810000026
h代表网格内节点个数，Ei代表第i个节点的通信能耗，不同停留点能耗有所不同，根据公式(3)可知，传感器节点的能耗Ei＝lEtx+lεfsd2；t代表每组内网格个数，k代表虚拟组的个数；
求出网络生命周期：定义节点的生命周期为其能量耗尽所用的时间，则节点i的生命周期为：
Figure FDA0002641275810000027
Ci代表第i个节点的剩余能量(Ci＝E0-Ei)，E0代表传感器节点的初始能量，Ei1代表第i个节点的中心点通信能耗，Ei2代表第i个节点的质心点通信能耗；则Ei1＝lEtx+lεfsdi1 2，di1代表第i个节点与中心点的距离，Ei2＝lEtx+lεfsdi2 2，di2代表第i个节点与质心点的距离；
网络生命周期为网络中第一个节点死亡所花费的时间，即：
T＝min Ti(i＝1,2…n) (10)
最后，根据组间能耗方差和网络生命周期确定优化模型；实现最小化路径长度与组间能耗方差，最大化网络的生命周期，故可建立如下优化模型：
Figure FDA0002641275810000031
s.t约束条件：(5)，(6)，(7)，(8)，(9)，(10)
公式(10)中的dTSP表示整个的路径长度，即所有移动汇聚节点路径的总和；
采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径；其中，正粒子代表所述移动汇聚节点遍历所述虚拟正六边形网格的顺序，负粒子代表每个所述虚拟正六边形网格内所述候选停留位置选择的路径；建立混合正负粒子群算法的目标函数并初始化粒子群；通过分析优化模型(11)，可得出目标函数如下：
Figure FDA0002641275810000032
ω、μ分别代表组间能耗方差和路径与网络生命周期的权重；ω值越高，结果更偏重于不同移动汇聚节点收集区域间的能耗均衡；μ值越高，结果更偏重于整个网络的能耗均衡；
初始化粒子群；初始化算法的参数：迭代次数初始值m＝1，最大迭代次数M，正负粒子对个数D；初始化正负粒子群，每个粒子含有N个元素；正粒子中存放网格编号的序列，网格编号的范围是1～N；负粒子中存放停留位置，停留位置的取值为0或1，0代表中心点位置，1代表质心点位置；
根据目标函数确定适应度值计算公式并确定粒子群中每个粒子的适用度值；获取每对粒子的适应度值，适应度值计算公式为：
Figure FDA0002641275810000033
适应度值越小，优化效果越好；求出每对粒子的个体极值pbest和全局极值gbest；如果每对粒子当前的适应度值小于个体极值或全局极值，则用当前适应度值更新个体极值和全局极值；
根据适应度值确定每对粒子的个体极值和整个粒子群的全局极值，进行交叉操作；每对粒子通过与个体极值所对应的正负粒子和群体极值所对应的正负粒子进行交叉操作，更新粒子本身；随机产生交叉位(c1,c2)，1≤c1＜c2≤N和(c3,c4)，1≤c3＜c4≤N；随机产生插入位pflag，1≤pflag≤N-(c2-c1)-1和gflag，1≤gflag≤N-(c4-c3)-1；每对粒子的pflag～pflag+(c2-c1)个元素分别由每对个体极值粒子的c1～c2个元素替换，每对粒子的gflag～gflag+(c4-c3)个元素分别由每对全局极值粒子的c3～c4个元素替换；
根据交叉操作更新后的所有粒子确定使用变异操作再次更新；随机产生变异位(v1,v2)，1≤v1＜v2≤N，将每对粒子的第v1～v2个位置的元素逆序，然后插入原第v1～v2个位置，其余不变；
根据变异操作更新后所有粒子的适应度值确定最优值；如果迭代次数m＜M，则返回步骤“根据目标函数确定适应度值计算公式并确定粒子群中每个粒子的适用度值”；如果迭代次数m＝M，则全局极值所对应的粒子对即求出的一对最优的正负粒子，亦即确定出最优遍历网格顺序和最优停留位置选择。
2.根据权利要求1所述的移动汇聚节点路径规划方法，其特征在于，所述将所述监测区域划分成多个虚拟正六边形网络之后，还包括：
将所述监测区域分为普通区域以及特殊区域；所述普通区域和两个所述特殊区域构成虚拟正六边形网络；
获取所述特殊区域内的传感器节点；
获取所述特殊区域的特殊奇数列以及特殊偶数列；
判断所述传感器节点是否位于所述特殊奇数列，得到第一判断结果；
若所述第一判断结果表示为所述传感器节点位于所述特殊奇数列，获取所述传感器节点的奇数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的奇数列中心点坐标；
根据所述奇数列节点坐标以及所述奇数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格；
若所述第一判断结果表示为所述传感器节点位于所述特殊偶数列，获取所述传感器节点的偶数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的偶数列中心点坐标；
根据所述偶数列节点坐标以及所述偶数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格。
3.根据权利要求1所述的移动汇聚节点路径规划方法，其特征在于，所述根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数，具体包括：
根据公式
Figure FDA0002641275810000051
以及
Figure FDA0002641275810000052
确定中心点坐标；
根据公式
Figure FDA0002641275810000053
以及
Figure FDA0002641275810000054
确定质心点坐标；
其中，(xc,yc)为中心点坐标，(xz,yz)为质心点坐标，(x,y)为所述虚拟正六边形网格的坐标，h为所述虚拟正六边形网格内的节点个数，S(i).xd表示第i个节点的横坐标，S(i).yd表示第i个节点的纵坐标。
4.根据权利要求1所述的移动汇聚节点路径规划方法，其特征在于，所述根据所述移动汇聚节点个数进行分组并建立优化模型，具体包括：
获取每个所述传感器节点的能耗并根据所述移动汇聚节点个数构建虚拟组；
根据所述虚拟组以及每个所述传感器节点的能耗确定所述虚拟组之间的组间能耗方差和网络生命周期；
根据所述组间能耗方差和所述网络生命周期建立优化模型。
5.根据权利要求1所述的移动汇聚节点路径规划方法，其特征在于，所述采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径，具体包括：
根据所述优化模型建立混合正负粒子群算法的目标函数并初始化粒子群；
根据所述目标函数确定所述粒子群中每个粒子的适应度值；所述粒子包括正粒子以及负粒子；
根据所述适应度值确定每对粒子的个体极值和所述粒子群的全局极值；所述每对粒子包括一个所述正粒子以及一个所述负粒子且一个所述正粒子与一个所述负粒子仅组成一对粒子；
根据所述个体极值以及所述全局极值对所述每对粒子进行交叉操作处理以更新粒子，确定更新后的粒子；
对所述更新后的粒子进行变异操作处理以再次更新粒子，确定再次更新后的粒子；
根据所述目标函数确定所述再次更新后的粒子的适应度值；
再次确定每对粒子的个体极值和所述粒子群的全局极值；
根据所述粒子群的全局极值确定最优虚拟正六边形网格遍历顺序和最优路径。
6.根据权利要求1所述的移动汇聚节点路径规划方法，其特征在于，所述采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径之后，还包括：
将所述最优路径按组分配给不同的所述移动汇聚节点，每个移动汇聚节点在所属组内移动。
7.一种能耗均衡的移动汇聚节点路径规划系统，其特征在于，包括：
监测区域获取模块，用于获取无线传感器网络的监测区域；所述监测区域内包括多个传感器节点；
划分模块，用于将所述监测区域划分成多个虚拟正六边形网络；
位置区域获取模块，用于获取每个所述虚拟正六边形网络的位置区域；
候选停留位置和移动汇聚节点个数确定模块，用于根据所述位置区域确定每个所述虚拟正六边形网络的候选停留位置以及所述无线传感器网络中的移动汇聚节点个数；所述候选停留位置包括所述虚拟正六边形网络的中心点坐标以及所述虚拟正六边形网络内传感器节点分布的质心点坐标；
移动汇聚节点停留位置确定模块，用于根据所述候选停留位置确定每个所述移动汇聚节点的停留位置；
优化模型建立模块，用于根据所述移动汇聚节点个数进行分组并建立优化模型；所述优化模型包括权衡组能耗、网络生命周期以及移动路径；
首先，计算每个传感器节点的能耗并构建虚拟组；
采用式(1)中的无线通信能耗模型，由于只考虑传感器节点发送数据到移动汇聚节点的单跳路由，故节点只有发送数据的能量消耗：
Figure FDA0002641275810000071
其中，Etx为发送电路消耗的能量；εfs和εmp分别为自由空间传播模型和多路径衰减传播模型；l为发送数据包的长度；d为发送距离；d0为距离阈值，
Figure FDA0002641275810000072
移动汇聚节点与普通节点单跳传输，节点的通信都限制在一个虚拟网格中且网格边长为R，R小于d0，故采用自由空间传播模型，即d＜d0；
所以传感器节点的能耗Ei为：
Ei＝lEtx+lεfsd2 (3)
根据移动汇聚节点的个数进行平均分组，令移动汇聚节点数目为k，网格数目为N，则每个虚拟组内网格数按如下公式(4)计算：
N/k＝c…d (4)
c为商，d为余数，前d个虚拟组分配c+1个网格，剩余的分配c个网格，共构建k个虚拟组；
其次，根据所构建的虚拟组以及每个传感器节点的能耗确定组间能耗方差和网络生命周期；
求出网格能耗Ec、组能耗Ep，以及平均组能耗
Figure FDA0002641275810000081
然后求出组间能耗方差
Figure FDA0002641275810000082
Figure FDA0002641275810000083
Figure FDA0002641275810000084
Figure FDA0002641275810000085
Figure FDA0002641275810000086
h代表网格内节点个数，Ei代表第i个节点的通信能耗，不同停留点能耗有所不同，根据公式(3)可知，传感器节点的能耗Ei＝lEtx+lεfsd2；t代表每组内网格个数，k代表虚拟组的个数；
求出网络生命周期：定义节点的生命周期为其能量耗尽所用的时间，则节点i的生命周期为：
Figure FDA0002641275810000087
Ci代表第i个节点的剩余能量(Ci＝E0-Ei)，E0代表传感器节点的初始能量，Ei1代表第i个节点的中心点通信能耗，Ei2代表第i个节点的质心点通信能耗；则Ei1＝lEtx+lεfsdi1 2，di1代表第i个节点与中心点的距离，Ei2＝lEtx+lεfsdi2 2，di2代表第i个节点与质心点的距离；
网络生命周期为网络中第一个节点死亡所花费的时间，即：
T＝min Ti(i＝1,2…n) (10)
最后，根据组间能耗方差和网络生命周期确定优化模型；实现最小化路径长度与组间能耗方差，最大化网络的生命周期，故可建立如下优化模型：
Figure FDA0002641275810000091
s.t约束条件：(5)，(6)，(7)，(8)，(9)，(10)
公式(10)中的dTSP表示整个的路径长度，即所有移动汇聚节点路径的总和；
最优虚拟正六边形网格遍历顺序和最优路径确定模块，用于采用混合正负粒子群算法，根据所述优化模型以及每个所述移动汇聚节点的停留位置确定最优虚拟正六边形网格遍历顺序和最优路径；其中，正粒子代表所述移动汇聚节点遍历所述虚拟正六边形网格的顺序，负粒子代表每个所述虚拟正六边形网格内所述候选停留位置选择的路径；建立混合正负粒子群算法的目标函数并初始化粒子群；通过分析优化模型(11)，可得出目标函数如下：
Figure FDA0002641275810000092
ω、μ分别代表组间能耗方差和路径与网络生命周期的权重；ω值越高，结果更偏重于不同移动汇聚节点收集区域间的能耗均衡；μ值越高，结果更偏重于整个网络的能耗均衡；
初始化粒子群；初始化算法的参数：迭代次数初始值m＝1，最大迭代次数M，正负粒子对个数D；初始化正负粒子群，每个粒子含有N个元素；正粒子中存放网格编号的序列，网格编号的范围是1～N；负粒子中存放停留位置，停留位置的取值为0或1，0代表中心点位置，1代表质心点位置；
根据目标函数确定适应度值计算公式并确定粒子群中每个粒子的适用度值；获取每对粒子的适应度值，适应度值计算公式为：
Figure FDA0002641275810000093
适应度值越小，优化效果越好；求出每对粒子的个体极值pbest和全局极值gbest；如果每对粒子当前的适应度值小于个体极值或全局极值，则用当前适应度值更新个体极值和全局极值；
根据适应度值确定每对粒子的个体极值和整个粒子群的全局极值，进行交叉操作；每对粒子通过与个体极值所对应的正负粒子和群体极值所对应的正负粒子进行交叉操作，更新粒子本身；随机产生交叉位(c1,c2)，1≤c1＜c2≤N和(c3,c4)，1≤c3＜c4≤N；随机产生插入位pflag，1≤pflag≤N-(c2-c1)-1和gflag，1≤gflag≤N-(c4-c3)-1；每对粒子的pflag～pflag+(c2-c1)个元素分别由每对个体极值粒子的c1～c2个元素替换，每对粒子的gflag～gflag+(c4-c3)个元素分别由每对全局极值粒子的c3～c4个元素替换；
根据交叉操作更新后的所有粒子确定使用变异操作再次更新；随机产生变异位(v1,v2)，1≤v1＜v2≤N，将每对粒子的第v1～v2个位置的元素逆序，然后插入原第v1～v2个位置，其余不变；
根据变异操作更新后所有粒子的适应度值确定最优值；如果迭代次数m＜M，则返回步骤“根据目标函数确定适应度值计算公式并确定粒子群中每个粒子的适用度值”；如果迭代次数m＝M，则全局极值所对应的粒子对即求出的一对最优的正负粒子，亦即确定出最优遍历网格顺序和最优停留位置选择。
8.根据权利要求7所述的移动汇聚节点路径规划系统，其特征在于，还包括：
区域划分模块，用于将所述监测区域分为普通区域以及特殊区域；所述普通区域和两个所述特殊区域构成虚拟正六边形网络；
传感器节点获取模块，用于获取所述特殊区域内的传感器节点；
特殊奇数列以及特殊偶数列获取模块，用于获取所述特殊区域的特殊奇数列以及特殊偶数列；
第一判断模块，用于判断所述传感器节点是否位于所述特殊奇数列，得到第一判断结果；
奇数列中心点坐标获取模块，用于若所述第一判断结果表示为所述传感器节点位于所述特殊奇数列，获取所述传感器节点的奇数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的奇数列中心点坐标；
虚拟正六边形网格第一确定模块，用于根据所述奇数列节点坐标以及所述奇数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格；
偶数列中心点坐标获取模块，用于若所述第一判断结果表示为所述传感器节点位于特殊偶数列，获取所述传感器节点的偶数列节点坐标以及与所述传感器节点相邻的虚拟正六边形网格的偶数列中心点坐标；
虚拟正六边形网格第二确定模块，用于根据所述偶数列节点坐标以及所述偶数列中心点坐标确定距离最短的虚拟正六边形网格，并将所述距离最短的虚拟正六边形网格确定为所述传感器节点所对应的虚拟正六边形网格。
9.根据权利要求7所述的移动汇聚节点路径规划系统，其特征在于，所述候选停留位置和移动汇聚节点个数确定模块具体包括：
中心点坐标确定单元，用于根据公式
Figure FDA0002641275810000111
以及
Figure FDA0002641275810000112
确定中心点坐标；
质心点坐标确定单元，用于根据公式
Figure FDA0002641275810000113
以及
Figure FDA0002641275810000114
确定质心点坐标；
其中，(xc,yc)为中心点坐标，(xz,yz)为质心点坐标，(x,y)为所述虚拟正六边形网格的坐标，h为所述虚拟正六边形网格内的节点个数，S(i).xd表示第i个节点的横坐标，S(i).yd表示第i个节点的纵坐标。
10.根据权利要求7所述的移动汇聚节点路径规划系统，其特征在于，所述优化模型建立模块具体包括：
虚拟组构建单元，用于获取每个所述传感器节点的能耗并根据所述移动汇聚节点个数构建虚拟组；
组间能耗方差和网络生命周期确定单元，用于根据所述虚拟组以及每个所述传感器节点的能耗确定所述虚拟组之间的组间能耗方差和网络生命周期；
优化模块建立单元，用于根据所述组间能耗方差和所述网络生命周期建立优化模型。
CN201810920520.2A 2018-08-14 2018-08-14 一种能耗均衡的移动汇聚节点路径规划方法及系统 Active CN108900998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810920520.2A CN108900998B (zh) 2018-08-14 2018-08-14 一种能耗均衡的移动汇聚节点路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810920520.2A CN108900998B (zh) 2018-08-14 2018-08-14 一种能耗均衡的移动汇聚节点路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN108900998A CN108900998A (zh) 2018-11-27
CN108900998B true CN108900998B (zh) 2020-10-02

Family

ID=64354017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810920520.2A Active CN108900998B (zh) 2018-08-14 2018-08-14 一种能耗均衡的移动汇聚节点路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN108900998B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059848B (zh) * 2019-03-06 2021-06-08 佛山市顺德区中山大学研究院 Wsn充电服务站点设定方法及充电设备行驶路径规划方法
CN109890062A (zh) * 2019-03-12 2019-06-14 中国联合网络通信集团有限公司 自适应数据传输方法、装置及设备、计算机可读存储介质
CN109886509A (zh) * 2019-03-29 2019-06-14 长春理工大学 一种移动多汇聚节点路径规划方法、系统及电子设备
CN110995834B (zh) * 2019-12-02 2022-10-21 北京应用科学技术研究院 社交网络轨迹跟随方法及系统
CN111010710B (zh) * 2019-12-14 2023-06-02 贵州电网有限责任公司 电力设备通信中基于负载均衡的传感器网络传输方法
CN114531731B (zh) * 2021-12-20 2024-03-26 国网江苏省电力有限公司电力科学研究院 一种虚拟化无线传感器网络的能耗与时延优化方法
CN117319957B (zh) * 2023-10-18 2024-04-09 西藏集为建设工程有限公司 一种矿山设备远程管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080102517A (ko) * 2007-05-21 2008-11-26 주식회사 케이티 Ｕｓｎ을 이용한 교통정보 수집 및 처리 시스템 및 그 방법
CN101534470A (zh) * 2009-04-10 2009-09-16 华南理工大学 基于无线传感器网络的移动目标跟踪系统及其跟踪方法
CN103297983A (zh) * 2013-05-06 2013-09-11 南京邮电大学 一种基于网络流的无线传感器网络节点动态部署方法
CN106376010A (zh) * 2016-08-24 2017-02-01 浙江树人大学 一种辅助定位信标节点的移动路径规划方法
CN106899928A (zh) * 2017-04-10 2017-06-27 扬州大学 基于移动节点的树形无线传感网数据收集方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080102517A (ko) * 2007-05-21 2008-11-26 주식회사 케이티 Ｕｓｎ을 이용한 교통정보 수집 및 처리 시스템 및 그 방법
CN101534470A (zh) * 2009-04-10 2009-09-16 华南理工大学 基于无线传感器网络的移动目标跟踪系统及其跟踪方法
CN103297983A (zh) * 2013-05-06 2013-09-11 南京邮电大学 一种基于网络流的无线传感器网络节点动态部署方法
CN106376010A (zh) * 2016-08-24 2017-02-01 浙江树人大学 一种辅助定位信标节点的移动路径规划方法
CN106899928A (zh) * 2017-04-10 2017-06-27 扬州大学 基于移动节点的树形无线传感网数据收集方法

Also Published As

Publication number Publication date
CN108900998A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108900998B (zh) 一种能耗均衡的移动汇聚节点路径规划方法及系统
Donta et al. Data collection and path determination strategies for mobile sink in 3D WSNs
He et al. Esync: An energy synchronized charging protocol for rechargeable wireless sensor networks
CN109309620B (zh) 一种面向边缘计算的轻量级异构网络分簇方法
CN107613480B (zh) 一种基于树状簇与移动元素的数据收集方法
Wei et al. The path planning scheme for joint charging and data collection in WRSNs: A multi-objective optimization method
Chatzigiannakis et al. Fast and energy efficient sensor data collection by multiple mobile sinks
Krishna et al. Swarm intelligence-based topology maintenance protocol for wireless sensor networks
CN105246120A (zh) 一种数据传输时延和跳数受限的Sink节点移动路径分布式选择方法
Zhang et al. Energy-aware data gathering mechanism for mobile sink in wireless sensor networks using particle swarm optimization
Latiff et al. Prolonging lifetime of wireless sensor networks with mobile base station using particle swarm optimization
Han et al. Impacts of traveling paths on energy provisioning for industrial wireless rechargeable sensor networks
Yalçın et al. BTA-MM: Burst traffic awareness-based adaptive mobility model with mobile sinks for heterogeneous wireless sensor networks
CN106209261B (zh) 基于概率邻域网格的三维UASNs的移动数据收集方法
Aljubaily et al. Energy sink-holes avoidance method based on fuzzy system in wireless sensor networks
CN106879044A (zh) 空洞感知的水下传感器网络路由方法
CN104606886B (zh) 一种分布式无碰撞移动规划的方法
Kim et al. Survey on communication for mobile sinks in wireless sensor networks: Mobility pattern perspective
Pei et al. UAV swarm for connectivity enhancement of multiple isolated sensor networks for Internet of things application
CN103826282A (zh) 基于剩余能量的集合划分多跳路由方法
Papithasri et al. Efficient multihop dual data upload clustering based mobile data collection in Wireless Sensor Network
He et al. Optimizing data collection path in sensor networks with mobile elements
CN105979540A (zh) 一种三维无线传感器网络实时定位拓扑控制方法
Das et al. A congestion aware routing for lifetime improving in grid-based sensor networks
Wu et al. Path planning in mobile 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
GR01 Patent grant
GR01 Patent grant