CN109413710B - 基于遗传算法优化的无线传感器网络的分簇方法及装置 - Google Patents
基于遗传算法优化的无线传感器网络的分簇方法及装置 Download PDFInfo
- Publication number
- CN109413710B CN109413710B CN201811419030.0A CN201811419030A CN109413710B CN 109413710 B CN109413710 B CN 109413710B CN 201811419030 A CN201811419030 A CN 201811419030A CN 109413710 B CN109413710 B CN 109413710B
- Authority
- CN
- China
- Prior art keywords
- wireless sensor
- sensor network
- algorithm
- weight
- threshold value
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 103
- 230000002068 genetic effect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 230000035605 chemotaxis Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
- 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)
- Arrangements For Transmission Of Measured Signals (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出的一种基于遗传算法优化的无线传感器网络的分簇方法及装置，基于遗传算法计算优选权值，将权值与LEACH算法的权值相乘得到一个适应于当前无线传感器网络中传感器分布以及适应于预设网络性能优化方向的优选权值，将优选权值带入LEACH算法对无线传感器网络进行分簇，通过将阈值乘以一个优选权值，可以优化LEACH算法当前轮被选为簇头节点的数量，减轻无线传感器网络中节点的运算负担，保障了整个数据传输过程的网络高性能。
Description
技术领域
本发明实施例涉及无线传感器网络技术领域，具体涉及一种基于遗传算法优化的无线传感器网络的分簇方法及装置。
背景技术
随着物联网时代的到来，生活中的无线传感器种类日益丰富，无线传感器数量逐渐增多，无线传感器网络的结构愈加复杂和规模愈加庞大。与之产生矛盾的是，人们对于无线传感器网络的通信质量要求越来越高，这就要求无线传感器网络在设计时就要更多的考虑网络的生命周期、网络的通畅性等方面可能存在的影响网络性能的隐患。这时一般解决方法有两种：第一种，在网络设计之初就对网络结构进行针对提高网络性能的设计，这种做法可以从根本上解决网络性能不高的问题。但是这种做法就要求网络设计者在设计之初，就要考虑到网络运行过程中每一环节方方面面可能出现的问题，网络设计者的设计难度巨大。第二种，就是在网络结构已经成型后，对网络中的算法进行优化，这种方法是一种补救措施，但是实施起来相对于前一种更加容易且常见。
LEACH协议，全称是“低功耗自适应集簇分层型协议”(Low Energy AdaptiveClustering Hierarchy)，是一种无线传感器网络路由协议。基于LEACH协议的无线传感器网络数据传输方法旨在均衡传感器节点的能量消耗，延长无线传感器网络的生命周期。现有的基于LEACH协议的无线传感器网络数据传输方法，在每一轮簇头选举中，将无线传感器网络节点根据剩余能量归类进标准区和警告区两个区域，使得位于不同区域的节点以不同的概率当选为本轮簇头节点，从而保护能量相对较低的节点。但是需要确定每一轮当中当前节点的所属区域，这样就需要增加了节点的计算能力，加重了节点的运算负担。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本发明实施例提供了一种基于遗传算法优化的无线传感器网络的分簇方法及装置。
有鉴于此，第一方面，本发明实施例提供一种基于遗传算法优化的无线传感器网络的分簇方法，其特征在于，包括：
计算LEACH算法的阈值；
根据遗传算法和LEACH算法计算无线传感器网络的优选权值；
将所述阈值与所述优选权值相乘得到优选阈值；
将所述优选阈值带入LEACH算法对所述无线传感器网络进行分簇。
具体的，根据遗传算法和LEACH算法计算无线传感器网络的优选权值，包括：
S201.将所述阈值与预设权值相乘得到新的阈值；
S202.根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型；
S203.将所述能耗模型作为适应度函数带入遗传算法，得到遗传因子；
S204.将所述遗传因子作为优选权值。
可选的，按下式计算LEACH算法的阈值：
其中，T(n)为阈值，P为节点成为簇头节点的百分数，r为当前轮数，L为在最近的一轮中未当选簇头的节点集合，n表示节点。
可选的，根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型，包括：
根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到当前轮次所述无线传感器网络所有节点剩余能量；
根据所述无线传感器网络所有节点剩余能量，得到如下所示能耗模型：
S＝∑EL
式中，S表示能耗模型，EL表示网络当前轮次所有节点剩余能量。
可选的，根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型，包括：
根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到所述无线传感器网络中的数据传输速率和当前轮次所述无线传感器网络所有节点剩余能量；
对所述无线传感器网络中的数据传输速率和当前轮次所述无线传感器网络所有节点剩余能量进行归一化处理和同趋化处理，得到如下所示的能耗模型：
S＝a1*∑EL+a2*V
式中，S表示能耗模型，EL表示网络当前轮次所有节点剩余能量、V表示无线传感器网络中的数据传输速率，a1为归一化处理参数和a2为同趋化处理参数。
可选的，S204之前，还包括：
判断S201-S203的执行次数是否满足预设定值；
若不满足，则继续执行S201-S203，直至S201-S203的执行次数满足预设定值；
若满足，则将所述遗传因子作为优选权值。
第二方面，本发明实施例还提供一种基于遗传算法优化的无线传感器网络的分簇装置，包括：
阈值计算模块，用于计算LEACH算法的阈值；
权值计算模块，用于根据遗传算法和LEACH算法计算无线传感器网络的优选权值；
优选阈值计算模块，用于将所述阈值与所述优选权值相乘得到优选阈值；
分簇模块，用于将所述优选阈值带入LEACH算法对所述无线传感器网络进行分簇。
所述权值计算模块，包括：
计算单元，用于将所述阈值与预设权值相乘得到新的阈值；
仿真单元，用于根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型；
遗传算法单元，用于将所述能耗模型作为适应度函数带入遗传算法，得到遗传因子；
权值确定单元，用于将所述遗传因子作为优选权值。
可选的，所述权值计算模块，还包括：
判断单元，判断所述权值计算模块的运行次数。
相比现有技术，本发明实施例提出的一种基于遗传算法优化的无线传感器网络的分簇方法，基于遗传算法计算优选权值，将权值与LEACH算法的权值相乘得到一个适应于当前无线传感器网络中传感器分布以及适应于预设网络性能优化方向的优选权值，将优选权值带入LEACH算法对无线传感器网络进行分簇，通过将阈值乘以一个优选权值，可以优化LEACH算法当前轮被选为簇头节点的数量，减轻无线传感器网络中节点的运算负担，保障了整个数据传输过程的网络高性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述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为本发明实施例提供的一种基于遗传算法优化的无线传感器网络的分簇方法流程图；
图2为本发明实施例提供的一种根据遗传算法和LEACH算法计算无线传感器网络的优选权值的方法流程图；
图3为本发明实施例提供的LEACH算法一轮的流程图；
图4为本发明实施例提供的一种遗传算法的流程图；
图5为本发明实施例提供的一种基于遗传算法优化的无线传感器网络的分簇装置示意图。
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的一部分实施例，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的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。
LEACH(Low Energy Adaptive Clustering Hierarchy)算法是基于LEACH协议的算法，LEACH算法是一种自应分簇拓扑算法，它的执行过程是周期性的，每轮循环分为簇的建立阶段和稳定的数据通信阶段。
LEACH算法的基本思想是：以循环的方式随机选择簇头节点，将整个传感器网络的能量负载平均分配到每个传感器节点中，从而达到降低传感器网络的能源消耗、提高传感器网络整体生存时间的目的。
但是LEACH算法并未考虑由地理等客观因素对传感器网络性能产生的影响。
本发明利用遗传算法的优化模型，对传统LEACH算法中的阈值计算公式进行针对于当前网络状况的优化，再将优化后的阈值计算公式代入LEACH算法中，在当前网络状况下进行数据传输。经过优化后的LEACH算法对于当前网络状况下的网路更加适应，传输性能更好。
图1为本发明实施例提供一种基于遗传算法优化的无线传感器网络的分簇方法流程图，如图1所述，所述方法包括：
S1.计算LEACH算法的阈值；
S2.根据遗传算法和LEACH算法计算无线传感器网络的优选权值；
S3.将所述阈值与所述优选权值相乘得到优选阈值；
S4.将所述优选阈值带入LEACH算法对所述无线传感器网络进行分簇。
具体的，如图2所示，S2包括：
S201.将所述阈值与预设权值相乘得到新的阈值；
具体的，在本申请实施例中，所述预设权值为0.5到1.5之间值；
S202.根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型；
具体的，LEACH算法一轮的流程如图3所示，包括：
按照阈值计算公式计算阈值T(n)；
生成一个0，1之间的随机数；
判断随机数是否大于阈值；
若是，则该节点当前轮为簇，并选择距离最近的簇头传输数据；
若否，则该节点当前轮当选为簇头，并进行数据传输。
S203.将所述能耗模型作为适应度函数带入遗传算法，得到遗传因子；
具体的，遗传算法的流程如图4所示，包括：
初始化群体：随机生成多个个体作为初始群体；
评价群体：通过适应度函数计算群体中各个个体的适应度；
判断个体的适应度是否满足预设适应度，若是，则输出遗传因子，若否，则进行遗传操作。
遗传操作包括：
选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。
变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。
群体经过遗传操作后得到下一代群体。
S204.将所述遗传因子作为优选权值。
按下式计算LEACH算法的阈值：
其中，T(n)为阈值，P为节点成为簇头节点的百分数，r为当前轮数，L为在最近的一轮中未当选簇头的节点集合，n表示节点。
本申请提出的用于遗传算法中的适应度函数(能耗模型)计算公式可以自由选取，目的是选择一个可以判断网络某一性能好坏的指标，
例如，可以根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到当前轮次所述无线传感器网络所有节点剩余能量；
根据所述无线传感器网络所有节点剩余能量，得到如下所示能耗模型：
S＝∑EL
式中，S表示能耗模型，EL表示网络当前轮次所有节点剩余能量，对于网络剩余能量方面进行优化，选择每一轮次中剩余能量多的(即，S值较为大的)个体进行遗传。
例如，也可以同时对于网络中的若干性能向你所需的方向优化，比如说，适应度函数值S可以选择为：
根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到所述无线传感器网络中的数据传输速率和当前轮次所述无线传感器网络所有节点剩余能量；
对所述无线传感器网络中的数据传输速率和当前轮次所述无线传感器网络所有节点剩余能量进行归一化处理和同趋化处理，得到如下所示的能耗模型：
S＝a1*∑EL+a2*V
式中，EL表示网络当前轮次所有节点剩余能量、V表示无线传感器网络中的数据传输速率，a1为归一化处理参数和a2为同趋化处理参数，并且，有时对于网络性能不同方面的需求不同，对于a1，a2还可以进行适当的调节，使本专利所提及的改进分簇算法更加有侧重的对网络性能进行优化。
将S204之前，还包括：
判断S201-S203的执行次数是否满足预设定值或判断遗传因子是否满足收敛，预设定值根据具体情况自行设定，可以为任意正整数值；
若不满足，则继续执行S201-S203，直至S201-S203的执行次数满足预设定值；
若满足，则将所述遗传因子作为优选权值。
本发明实施例提出的一种基于遗传算法优化的无线传感器网络的分簇方法，基于遗传算法计算优选权值，将权值与LEACH算法的权值相乘得到一个适应于当前无线传感器网络中传感器分布以及适应于预设网络性能优化方向的优选权值，将优选权值带入LEACH算法对无线传感器网络进行分簇，通过将阈值乘以一个优选权值，可以优化LEACH算法当前轮被选为簇头节点的数量，减轻无线传感器网络中节点的运算负担，保障了整个数据传输过程的网络高性能。
本发明与现有的分簇方法相比，本发明首先对网络中的能耗情况进行预测，再进行针对性的优化。
本发明可以适用于绝大多数无线传感器网络，对网络结构的要求不高。
基于相同的发明构思，本发明实施例还提供一种基于遗传算法优化的无线传感器网络的分簇装置，如图5所示，所述装置包括：
阈值计算模块，用于计算LEACH算法的阈值；
权值计算模块，用于根据遗传算法和LEACH算法计算无线传感器网络的优选权值；
优选阈值计算模块，用于将所述阈值与所述优选权值相乘得到优选阈值；
分簇模块，用于将所述优选阈值带入LEACH算法对所述无线传感器网络进行分簇。
所述权值计算模块，包括：
计算单元，用于将所述阈值与预设权值相乘得到新的阈值；
仿真单元，用于根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型；
遗传算法单元，用于将所述能耗模型作为适应度函数带入遗传算法，得到遗传因子；
权值确定单元，用于将所述遗传因子作为优选权值。
所述权值计算模块，还包括：
判断单元，判断所述权值计算模块的运行次数。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于遗传算法优化的无线传感器网络的分簇方法，其特征在于，包括：
计算LEACH算法的阈值；
根据遗传算法和LEACH算法计算无线传感器网络的优选权值；
将所述阈值与所述优选权值相乘得到优选阈值；
将所述优选阈值带入LEACH算法对所述无线传感器网络进行分簇；
根据遗传算法和LEACH算法计算无线传感器网络的优选权值，包括：
S201.将所述阈值与预设权值相乘得到新的阈值；
S202.根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型；
S203.将所述能耗模型作为适应度函数带入遗传算法，得到遗传因子；
S204.将所述遗传因子作为优选权值。
2.根据权利要求1所述的无线传感器网络的分簇方法，其特征在于，按下式计算LEACH算法的阈值：
其中，T(n)为阈值，P为节点成为簇头节点的百分数，r为当前轮数，L为在最近的一轮中未当选簇头的节点集合，n表示节点。
3.根据权利要求1所述的无线传感器网络的分簇方法，其特征在于，根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型，包括：
根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到当前轮次所述无线传感器网络所有节点剩余能量；
根据所述无线传感器网络所有节点剩余能量，得到如下所示能耗模型：
S＝∑EL
式中，S表示能耗模型，EL表示网络当前轮次所有节点剩余能量。
4.根据权利要求1所述的无线传感器网络的分簇方法，其特征在于，根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型，包括：
根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到所述无线传感器网络中的数据传输速率和当前轮次所述无线传感器网络所有节点剩余能量；
对所述无线传感器网络中的数据传输速率和当前轮次所述无线传感器网络所有节点剩余能量进行归一化处理和同趋化处理，得到如下所示的能耗模型：
S＝a1*∑EL+a2*V
式中，S表示能耗模型，EL表示网络当前轮次所有节点剩余能量、V表示无线传感器网络中的数据传输速率，a1为归一化处理参数和a2为同趋化处理参数。
5.根据权利要求1所述的无线传感器网络的分簇方法，其特征在于，S204之前，还包括：
判断S201-S203的执行次数是否满足预设定值；
若不满足，则继续执行S201-S203，直至S201-S203的执行次数满足预设定值；
若满足，则将所述遗传因子作为优选权值。
6.一种基于遗传算法优化的无线传感器网络的分簇装置，其特征在于，包括：
阈值计算模块，用于计算LEACH算法的阈值；
权值计算模块，用于根据遗传算法和LEACH算法计算无线传感器网络的优选权值；
优选阈值计算模块，用于将所述阈值与所述优选权值相乘得到优选阈值；
分簇模块，用于将所述优选阈值带入LEACH算法对所述无线传感器网络进行分簇；
所述权值计算模块，包括：
计算单元，用于将所述阈值与预设权值相乘得到新的阈值；
仿真单元，用于根据所述新的阈值对无线传感器网络进行一轮LEACH算法仿真，得到能耗模型；
遗传算法单元，用于将所述能耗模型作为适应度函数带入遗传算法，得到遗传因子；
权值确定单元，用于将所述遗传因子作为优选权值。
7.根据权利要求6所述的无线传感器网络的分簇装置，其特征在于，所述权值计算模块，还包括：
判断单元，判断所述权值计算模块的运行次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811419030.0A CN109413710B (zh) | 2018-11-26 | 2018-11-26 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811419030.0A CN109413710B (zh) | 2018-11-26 | 2018-11-26 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109413710A CN109413710A (zh) | 2019-03-01 |
| CN109413710B true CN109413710B (zh) | 2020-01-03 |
Family
ID=65455609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811419030.0A Active CN109413710B (zh) | 2018-11-26 | 2018-11-26 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109413710B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110049526A (zh) * | 2019-04-12 | 2019-07-23 | 山东师范大学 | Wsn中基于改进分簇算法的数据收集方法及系统 |
| CN110418382B (zh) * | 2019-06-27 | 2021-10-01 | 珠海格力电器股份有限公司 | 一种网络的组网方法及系统 |
| CN111182574A (zh) * | 2019-07-30 | 2020-05-19 | 内蒙古大学 | 一种基于遗传算法的apteen路由协议优化方法及其优化装置 |
| CN111010704B (zh) * | 2019-12-03 | 2023-06-02 | 沈阳化工大学 | 基于指数平滑的水下无线传感器网络数据预测优化方法 |
| CN110958659B (zh) * | 2019-12-12 | 2022-02-08 | 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107360612A (zh) * | 2017-06-30 | 2017-11-17 | 内蒙古大学 | 一种基于蚁群多路径的无线传感器网络的数据传输方法 |
| CN108737191A (zh) * | 2018-05-31 | 2018-11-02 | 中国科学院上海微系统与信息技术研究所 | 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 |
-
2018
- 2018-11-26 CN CN201811419030.0A patent/CN109413710B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107360612A (zh) * | 2017-06-30 | 2017-11-17 | 内蒙古大学 | 一种基于蚁群多路径的无线传感器网络的数据传输方法 |
| CN108737191A (zh) * | 2018-05-31 | 2018-11-02 | 中国科学院上海微系统与信息技术研究所 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| Improvement and Application of LEACH Protocol based on Genetic Algorithm for WSN;Hongxia Miao等;《2015 IEEE 20th International Workshop on Computer Aided Modelling and Design of Communication Links and Networks (CAMAD)》;20150909;第II节 * |
| 基于无线传感器网络的数据融合算法及模型研究;王亚男;《中国优秀硕士学位论文全文数据库》;20160131(第01期);第三章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109413710A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109413710B (zh) | 基于遗传算法优化的无线传感器网络的分簇方法及装置 | |
| Strumberger et al. | Enhanced firefly algorithm for constrained numerical optimization | |
| Qiu et al. | A data-driven robustness algorithm for the internet of things in smart cities | |
| Chen et al. | Edge intelligent networking optimization for internet of things in smart city | |
| CN108416465B (zh) | 一种移动云环境下的工作流优化方法 | |
| CN108076158A (zh) | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 | |
| CN108075975B (zh) | 一种物联网环境中的路由传输路径的确定方法及确定系统 | |
| CN108737191B (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 | |
| CN108184241B (zh) | 面向不同优先级目标的异构有向传感器网络节点调度方法 | |
| CN113489654B (zh) | 一种路由选择方法、装置、电子设备及存储介质 | |
| CN106610867B (zh) | 一种片上网络任务调度方法及装置 | |
| CN113784410B (zh) | 基于强化学习td3算法的异构无线网络垂直切换方法 | |
| CN111158912A (zh) | 云雾协同计算环境下一种基于深度学习的任务卸载决策方法 | |
| CN114697229A (zh) | 一种分布式路由规划模型的构建方法及应用 | |
| CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
| CN116366453A (zh) | 异构网元业务需求表征与虚拟网元的自适应动态部署方法 | |
| Alam et al. | Artificial bee colony algorithm with self-adaptive mutation: a novel approach for numeric optimization | |
| Zeng et al. | Application of hybrid MOPSO algorithm to optimal reactive power dispatch problem considering voltage stability | |
| CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
| CN110889250A (zh) | 一种基于混合元启发式算法的钢桁架结构损伤识别方法 | |
| Singhal et al. | Greedy Shapley Client Selection for Communication-Efficient Federated Learning | |
| Aydın et al. | A configurable generalized artificial bee colony algorithm with local search strategies | |
| Bakshi et al. | MCDM based project selection by F-AHP & VIKOR | |
| Qian et al. | An improved MOEA/D algorithm for complex data analysis | |
| CN112416577A (zh) | 一种适用于区块链工作量证明的协作式智能计算分流方法 |
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 |