CN109831792A - 一种基于多目标优化的无线传感器网络拓扑控制方法 - Google Patents
一种基于多目标优化的无线传感器网络拓扑控制方法 Download PDFInfo
- Publication number
- CN109831792A CN109831792A CN201910180970.7A CN201910180970A CN109831792A CN 109831792 A CN109831792 A CN 109831792A CN 201910180970 A CN201910180970 A CN 201910180970A CN 109831792 A CN109831792 A CN 109831792A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- wireless sensor
- optimization
- 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
Abstract
本发明提供一种基于多目标优化的无线传感器网络拓扑控制方法,包括提供无线传感器网络,建立分簇拓扑结构;分别计算无线传感器网络的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度;以网络生命周期,网络连接度和网络可靠性为优化目标,以网络时延和网络覆盖度为约束条件,建立多目标优化模型;计算多目标优化模型的函数值;优化分簇拓扑结构并重复上述步骤,直到函数值不再增大。本发明的无线传感器网络拓扑控制方法同时以网络生命周期、网络连通性和网络可靠性为优化目标建立多目标优化模型,并根据该优化模型求解出近似最优的分簇拓扑结构,从而同时延长网络生命周期、提高网络连通性和增强网络可靠性。
Description
技术领域
本发明涉及无线传感器网络技术领域,特别是涉及一种基于多目标优化的无线传感器网络拓扑控制方法。
背景技术
随着接入无线通信网络的终端设备达到前所未有水平,这给基于无线通信网络系统的物联网应用带来巨大的机遇和挑战,并因此带来值得深入研究的基于多目标优化无线传感器网络应用。同时新一代的5G无线通信网络对无线传感器网络应用提出新的更为复杂的应用需求,这使得无线传感器网络的研究变得更为复杂。
无线传感器网络的演化不仅需要在监测环境中获得近似最优的操作,而且需要满足网络进一步的扩展和增强的需求,特别是对于像火山监测等许多高危险的场景。在这类高危险的应用场景中,可用的网络资源是严格受限的,无线传感器网络不仅电池很难被充电或者替换,同时还有超可靠和低时延等不同的应用要求。
其中,基于分簇拓扑结构的路由调度是增强高可靠低时延无线传感器网络性能的有效策略之一。
在分簇拓扑结构的路由调度方法中,现有的经典的无线网络算法ULGAT(无监督拓扑控制算法)是一种依据节点的地理位置进行分簇,并对簇内的节点选择性地进行休眠的路由算法。该算法在节点密集型分布的网络中使部分节点处于休眠状态,节省了网络总能耗。然而,该算法并未综合考虑同时满足无线传感器网络多个应用需求,即同时满足最大化网络生命周期,提高网络连接性,增强网络可靠性,降低网络时延,保证网络覆盖度,等等其优化目标,因此可能在最大化网络生命周期时,并没有达到最好的网络可靠性和网络连通性的效果。
发明内容
本发明的目的在于提供一种基于多目标优化的无线传感器网络拓扑控制方法,以在延长网络寿命的同时,提高网络连通性,增强网络可靠性。
为了实现上述目的,本发明提供了一种基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,包括:
S1:提供一具有至少一个基站、多个传感器节点和多个监测目标的无线传感器网络,建立初始的分簇拓扑结构,作为当前的分簇拓扑结构;
S2:根据当前的分簇拓扑结构分别计算所述无线传感器网络的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度;
S3:以所述网络生命周期、网络连接度和网络可靠性为优化目标,以网络时延和网络覆盖度为约束条件,建立多目标优化模型;
S4:结合所述步骤S2中的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度和所述步骤S3中的多目标优化模型,通过计算来更新多目标优化模型的函数值,在此过程中,传感器节点被定义为更新的簇成员节点和簇头节点;
S5:将当前的分簇拓扑结构的簇成员节点和簇头节点优化为更新的簇成员节点和簇头节点并重复步骤S2-S4,直到函数值不再继续增大。
优选地,在所述步骤S1中,所述传感器节点随机部署在所述无线传感器网络的监测区域内,所述分簇拓扑结构通过根据所述无线传感器网络要求的比例选择所述传感器节点作为簇头节点来建立。
优选地,每个所述传感器节点均配有GPS定位模块。
优选地,在初始的分簇拓扑结构中,所述簇头节点的选择是随机的,或根据所述传感器节点的位置信息来进行。
优选地,所述网络生命周期为:
其中,ετ,k是传感器节点vτ,k的剩余能量,单位是焦耳;
所述网络可靠性R(V)为:
其中,R(vn)为传感器节点vn的可靠性,θ为传感器节点vn的故障率,单位为H-1,其为常量;
所述网络连通性H(V)为:
其中,Rc,n和Rs,n分别是传感器节点的通信半径和感知半径,单位是米;
所述网络覆盖度C(O)为:
其中,d(vn,oj)是传感器节点vn到被监测目标oj之间的距离,单位是米;Rs,n是传感器节点vn的感知半径,单位是米;
且所述传感器节点vn与基站v0之间的网络时延为:
D(vn,v0)=(Tq+Tp+Td)×N(vn,v0)
=c×N(vn,v0)
∝N(vn,v0)
其中,Tq、Tp和Td分别是排队时延、发送时延和传输时延,这些不同的网络时延之和可以被估计为一个常量,具体为c=Tq+Tp+Td。
优选地,在所述步骤S3中,所述多目标优化模型为:
max{Tnet,R(V),H(V)};
C(O)=1;
D(vi,v0)∈{1,2}.
其中,Tnet为网络生命周期,R(V)为网络可靠性,H(V)为网络连通性,C(O)为网络覆盖度,D(vn,v0)为网络时延,V为所述无线传感器的所有传感器节点的集合。
优选地,在所述步骤S4中,多目标优化模型的函数值通过利用线性规划计算方法,将该多目标优化模型的目标函数转化为单目标函数,并计算单目标函数的最大值来计算得到,在此过程中,传感器节点根据该线性规划计算方法被定义为更新的簇成员节点和簇头节点。
优选地,所述单目标函数为(Tnet+R(V)+H(V))。
本发明的基于多目标优化的无线传感器网络拓扑控制方法,同时以网络生命周期、网络连通性和网络可靠性为优化目标,以网络覆盖度和网络时延为约束条件,建立多目标的优化模型,并根据该优化模型求解出近似最优的分簇拓扑结构,从而实现了无线传感器网络的高效通信,达到同时延长网络生命周期、提高网络连通性和增强网络可靠性三个优化性能的目标。
附图说明
图1是根据本发明的一个实施例的基于多目标优化的无线传感器网络拓扑控制方法的流程图。
图2是本发明的无线传感器网络的簇头节点、簇成员节点、基站和监测目标的一个示例性分布图。
图3是采用本发明的基于多目标优化的无线传感器网络拓扑控制方法与ULGAT算法优化得到的分簇拓扑结构随传输周期变化的剩余能量对比图,其中MOPTA指本发明的基于多目标优化的无线传感器网络拓扑控制方法。
图4是采用本发明的基于多目标优化的无线传感器网络拓扑控制方法与ULGAT算法优化得到的分簇拓扑结构随传输周期变化的网络连通性的对比图,其中MOPTA指本发明的基于多目标优化的无线传感器网络拓扑控制方法。
图5是采用本发明的基于多目标优化的无线传感器网络拓扑控制方法与ULGAT算法优化得到的分簇拓扑结构随传输周期变化的网络可靠性的对比图,其中MOPTA指本发明的基于多目标优化的无线传感器网络拓扑控制方法。
具体实施方式
下面结合具体实施例,进一步阐述本发明专利。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。
如图1所示为根据本发明的一个实施例的一种基于多目标优化的无线传感器网络拓扑控制方法的流程图,该无线传感器网络拓扑控制方法包括以下步骤:
步骤S1:提供一具有至少一个基站Sink、多个传感器节点和多个监测目标O的无线传感器网络,建立初始的分簇拓扑结构。
如图2所示,所述基站Sink在无线传感器网络的监测区域以外预先给定;多个传感器节点和多个监测目标O随机部署在无线传感器网络的监测区域内。所述分簇拓扑结构通过根据所述无线传感器网络要求的比例选择所述传感器节点作为簇头节点CH来建立,其余的传感器节点即为簇成员节点CM。此外,每个传感器节点均配有GPS定位模块,这使得所有节点位置信息是可知的,因此,在初始的分簇拓扑结构中,所述簇头节点CH的选择可以是随机的,也可以根据所述传感器节点的位置信息来进行。
步骤S2:根据所述分簇拓扑结构分别计算所述无线传感器网络的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度;
其中,所述无线传感器网络的生命周期被表示为:
其中,ετ,k是传感器节点vτ,k的剩余能量,单位是焦耳(J)。
其中,所有传感器节点的初始能量是相同的,不同传感器节点根据不同的传输距离消耗不同的能量。对于一个传感器节点,其能量消耗模型具体为,对于B个字节的数据报文在通信距离d上发送,其能量消耗为:
而接收B字节的能量消耗为:
Erx(B)=BEelec,
其中,Eelec是与数据接收和处理相关的能量消耗;传感器节点的放大器能量消耗εfs和εmp依赖通信距离d和实际的误码率,通信距离门限被定义为这些参数的典型取值具体为:Eelec=50nJ/bit,εfs=10pJ/bit/m2,εmp=0.0013pJ/bit/m4。
无线传感器网络的网络可靠性R(V)被定义为在时间间隔(0,tn)内没有故障的容错概率,并被描述为一个泊松分布(Poisson Distribution)统计过程,具体定义如下:
其中,R(vn)为传感器节点vn的可靠性,θ为传感器节点的故障率,单位为H-1(/小时),故障率θ为常量,在本实施例中,θ=0.000004H-1。
无线传感器网络的网络连通性H(V)被定义为:
其中,Rc,n=20m和Rs,n=10m分别是系统预设的传感器节点vn的通信半径和感知半径,单位是米(m)。
网络覆盖度C(O)被定义如下:
其中,d(vn,oj)是传感器节点vn到被监测目标oj之间的距离,传感器节点通过测量被监测目标oj的信号强度计算该距离;Rs,n是传感器节点vn的感知半径,单位是米(m)。
传感器节点vn与基站v0之间的网络时延D(vn,v0)被定义为一个感知报文从传感器节点vn离开并被传输到基站v0的时间消耗,具体定义如下:
D(vn,v0)=(Tq+Tp+Td)×N(vn,v0)
=c×N(vn,v0)
∝N(vn,v0)
其中,Tq、Tp和Td分别是排队时延、发送时延和传输时延,这些不同的网络时延之和可以被估计为一个常量,具体为c=Tq+Tp+Td,单位为秒(s)。N(vn,v0)代表数据传输转发的跳数。步骤S3:以所述网络生命周期、网络连接度和网络可靠性为优化目标,以网络时延和网络覆盖度为约束条件,建立多目标优化模型。
其中,所述多目标优化模型被具体定义如下:
max{Tnet,R(V),H(V)};
C(O)=1;
D(vi,v0)∈{1,2}.
其中,Tnet为网络生命周期,R(V)为网络可靠性,H(V)为网络连通性,C(O)为网络覆盖度,D(vn,v0)为网络时延,V为所述无线传感器的所有传感器节点的集合,En是保证传感器节点正常工作的最低能量需求。
由此,该多目标优化模型可以同时满足最大网络生命周期、最大网络连通性与最大网络可靠性这样三个优化目标。
步骤S4:结合所述步骤S2中的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度和所述步骤S3中的多目标优化模型,通过计算来更新该多目标优化模型的函数值,在此过程中,传感器节点被定义为更新的簇成员节点和簇头节点;
其中,多目标优化模型的函数值通过利用传统的牛顿环法等线性规划计算方法,将该多目标优化模型的目标函数转化为单目标函数(Tnet+R(V)+H(V)),并计算单目标函数的最大值来计算得到,在此过程中,传感器节点根据该线性规划计算方法被定义为更新的簇成员节点和簇头节点。
步骤S5:确定是否继续优化网络拓扑。将当前的分簇拓扑结构的簇成员节点和簇头节点优化为所述更新的簇成员节点和簇头节点并重复步骤S2-S4,直到函数值不再继续增大。由此,若单目标函数(Tnet+R(V)+H(V))增大,则通过优化当前的分簇拓扑结构的簇成员节点和簇头节点来继续优化分簇拓扑结构,并重复步骤S2-S4以通过迭代继续优化函数值;否则,单目标函数(Tnet+R(V)+H(V))的函数值不再需要优化,流程终止,此时得到的分簇拓扑结构即本发明的基于多目标优化的无线传感器网络拓扑控制方法的优化结果。
仿真结果
为验证本发明的基于多目标优化的无线传感器网络拓扑控制算法的高效性,我们将在MATLAB中对本发明所涉及的基于多目标优化的无线传感器网络拓扑控制方法进行仿真实验。如图3-图5所示,将本发明的基于多目标优化的无线传感器网络拓扑控制方法(即图中的MOPTA方法)通过与经典的无线网络算法ULGAT(无监督拓扑控制算法)进行对比,可以发现本算法在延长无线传感器网络生命周期,提高网络连通性,增强网络可靠性三个方面具有良好的性能。
Claims (8)
1.一种基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,包括:
步骤S1:提供一具有至少一个基站、多个传感器节点和多个监测目标的无线传感器网络,建立初始的分簇拓扑结构,作为当前的分簇拓扑结构;
步骤S2:根据当前的分簇拓扑结构分别计算所述无线传感器网络的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度;
步骤S3:以所述网络生命周期、网络连接度和网络可靠性为优化目标,以网络时延和网络覆盖度为约束条件,建立多目标优化模型;
步骤S4:结合所述步骤S2中的网络生命周期、网络连通性、网络可靠性、网络时延和网络覆盖度和所述步骤S3中的多目标优化模型,通过计算来更新多目标优化模型的函数值,在此过程中,传感器节点被定义为更新的簇成员节点和簇头节点;
步骤S5:将当前的分簇拓扑结构的簇成员节点和簇头节点优化为更新的簇成员节点和簇头节点并重复步骤S2-S4,直到函数值不再继续增大。
2.根据权利要求1所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,在所述步骤S1中,所述传感器节点随机部署在所述无线传感器网络的监测区域内,所述分簇拓扑结构通过根据所述无线传感器网络要求的比例选择所述传感器节点作为簇头节点来建立。
3.根据权利要求1所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,每个所述传感器节点均配有GPS定位模块。
4.根据权利要求3所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,在初始的分簇拓扑结构中,所述簇头节点的选择是随机的,或根据所述传感器节点的位置信息来进行。
5.根据权利要求1所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,所述网络生命周期为:
其中,ετ,k是传感器节点vτ,k的剩余能量,单位是焦耳;
所述网络可靠性R(V)为:
其中,R(vn)为传感器节点vn的可靠性,θ为传感器节点vn的故障率,单位为H-1,其为常量;
所述网络连通性H(V)为:
其中,Rc,n和Rs,n分别是传感器节点的通信半径和感知半径,单位是米;
所述网络覆盖度C(O)为:
其中,d(vn,oj)是传感器节点vn到被监测目标oj之间的距离,单位是米;Rs,n是传感器节点vn的感知半径,单位是米;
且所述传感器节点vn与基站v0之间的网络时延为:
D(vn,v0)=(Tq+Tp+Td)×N(vn,v0)
=c×N(vn,v0)
∝N(vn,v0)
其中,Tq、Tp和Td分别是排队时延、发送时延和传输时延,这些不同的网络时延之和可以被估计为一个常量,具体为c=Tq+Tp+Td。
6.根据权利要求1所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,在所述步骤S3中,所述多目标优化模型为:
max{Tnet,R(V),H(V)};
C(O)=1;
D(vi,v0)∈{1,2}.
其中,Tnet为网络生命周期,R(V)为网络可靠性,H(V)为网络连通性,C(O)为网络覆盖度,D(vn,v0)为网络时延,V为所述无线传感器的所有传感器节点的集合。
7.根据权利要求1所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,在所述步骤S4中,多目标优化模型的函数值通过利用线性规划计算方法,将该多目标优化模型的目标函数转化为单目标函数,并计算单目标函数的最大值来计算得到,在此过程中,传感器节点根据该线性规划计算方法被定义为更新的簇成员节点和簇头节点。
8.根据权利要求7所述的基于多目标优化的无线传感器网络拓扑控制方法,其特征在于,所述单目标函数为(Tnet+R(V)+H(V))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910180970.7A CN109831792B (zh) | 2019-03-11 | 2019-03-11 | 一种基于多目标优化的无线传感器网络拓扑控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910180970.7A CN109831792B (zh) | 2019-03-11 | 2019-03-11 | 一种基于多目标优化的无线传感器网络拓扑控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109831792A true CN109831792A (zh) | 2019-05-31 |
CN109831792B CN109831792B (zh) | 2021-09-24 |
Family
ID=66869161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910180970.7A Active CN109831792B (zh) | 2019-03-11 | 2019-03-11 | 一种基于多目标优化的无线传感器网络拓扑控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109831792B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955993A (zh) * | 2019-11-22 | 2020-04-03 | 湖南城市学院 | 一种微压传感器梁膜结构优化设计方法 |
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 |
WO2023065893A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为云计算技术有限公司 | 一种网络调度方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286910A (zh) * | 2008-03-05 | 2008-10-15 | 中科院嘉兴中心微系统所分中心 | 面向任务的无线传感网网络拓扑建立的方法 |
CN101808325A (zh) * | 2010-02-02 | 2010-08-18 | 深圳先进技术研究院 | 频谱分配方法及装置 |
CN101917752A (zh) * | 2010-08-06 | 2010-12-15 | 东华大学 | 基于Pareto最优路径的无线传感器网络汇聚路由方法 |
WO2016082254A1 (zh) * | 2014-11-27 | 2016-06-02 | 中国科学院沈阳自动化研究所 | 面向双层结构无线传感器网络的中继节点鲁棒覆盖方法 |
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 |
-
2019
- 2019-03-11 CN CN201910180970.7A patent/CN109831792B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286910A (zh) * | 2008-03-05 | 2008-10-15 | 中科院嘉兴中心微系统所分中心 | 面向任务的无线传感网网络拓扑建立的方法 |
CN101808325A (zh) * | 2010-02-02 | 2010-08-18 | 深圳先进技术研究院 | 频谱分配方法及装置 |
CN101917752A (zh) * | 2010-08-06 | 2010-12-15 | 东华大学 | 基于Pareto最优路径的无线传感器网络汇聚路由方法 |
WO2016082254A1 (zh) * | 2014-11-27 | 2016-06-02 | 中国科学院沈阳自动化研究所 | 面向双层结构无线传感器网络的中继节点鲁棒覆盖方法 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955993A (zh) * | 2019-11-22 | 2020-04-03 | 湖南城市学院 | 一种微压传感器梁膜结构优化设计方法 |
CN110955993B (zh) * | 2019-11-22 | 2020-09-01 | 湖南城市学院 | 一种微压传感器梁膜结构优化设计方法 |
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 |
WO2023065893A1 (zh) * | 2021-10-20 | 2023-04-27 | 华为云计算技术有限公司 | 一种网络调度方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109831792B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vimalarani et al. | An enhanced PSO-based clustering energy optimization algorithm for wireless sensor network | |
Mehmood et al. | Energy‐efficient multi‐level and distance‐aware clustering mechanism for WSNs | |
Ahmadi et al. | An efficient routing algorithm to preserve k-coverage in wireless sensor networks | |
Reddy et al. | Hybrid optimization algorithm for security aware cluster head selection process to aid hierarchical routing in wireless sensor network | |
Ghawy et al. | An effective wireless sensor network routing protocol based on particle swarm optimization algorithm | |
CN109831792A (zh) | 一种基于多目标优化的无线传感器网络拓扑控制方法 | |
Malisetti et al. | Performance of quasi oppositional butterfly optimization algorithm for cluster head selection in WSNs | |
Snigdh et al. | Quality of service metrics in wireless sensor networks: A survey | |
Kuila et al. | Heap and parameter-based load balanced clustering algorithms for wireless sensor networks | |
Wang et al. | An energy-efficient multi-hop hierarchical routing protocol for wireless sensor networks | |
Elhoseny et al. | Optimizing cluster head selection in WSN to prolong its existence | |
Sreedevi et al. | An Efficient Intra‐Cluster Data Aggregation and finding the Best Sink location in WSN using EEC‐MA‐PSOGA approach | |
Banerjee et al. | A modified mathematical model for life-time enhancement in wireless sensor network | |
Pozza et al. | CARD: Context-aware resource discovery for mobile Internet of Things scenarios | |
Subashini et al. | A cross layer design and flower pollination optimization algorithm for secured energy efficient framework in wireless sensor network | |
Wang et al. | An enhanced energy optimization routing protocol using double cluster heads for wireless sensor network | |
Ferdous et al. | A Comprehensive Analysis of CBCDACP in Wireless Sensor Networks. | |
Verma et al. | Catenarian-trim medley routing system for energy balancing in dispensed computing networks | |
Jain | Unequal clustering protocols for wireless sensor networks—taxonomy, comparison and simulation | |
Abasıkeleş-Turgut et al. | NODIC: a novel distributed clustering routing protocol in WSNs by using a time-sharing approach for CH election | |
Haider et al. | An energy efficient cluster-heads re-usability mechanism for wireless sensor networks | |
Li et al. | Mobility-assisted distributed sensor clustering for energy-efficient wireless sensor networks | |
Kumar et al. | CL‐HPWSR: Cross‐layer‐based energy efficient cluster head selection using hybrid particle swarm wild horse optimizer and stable routing in IoT‐enabled smart farming applications | |
Zhang et al. | Spacial mobility prediction based routing scheme in delay/disruption-tolerant networks | |
Chen et al. | Region segmentation model for wireless sensor networks considering optimal energy conservation constraints |
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 |