CN109890040A - 面向高可靠低时延无线传感器网络的优化算法 - Google Patents

面向高可靠低时延无线传感器网络的优化算法 Download PDF

Info

Publication number
CN109890040A
CN109890040A CN201910182049.6A CN201910182049A CN109890040A CN 109890040 A CN109890040 A CN 109890040A CN 201910182049 A CN201910182049 A CN 201910182049A CN 109890040 A CN109890040 A CN 109890040A
Authority
CN
China
Prior art keywords
chromosome
matrix
data matrix
sensor network
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
Application number
CN201910182049.6A
Other languages
English (en)
Other versions
CN109890040B (zh
Inventor
常玉超
唐洪莹
赵沁
丁吉芸
李宝清
袁晓兵
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.)
Shanghai Institute of Microsystem and Information Technology of CAS
University of Chinese Academy of Sciences
Original Assignee
Shanghai Institute of Microsystem and Information Technology of CAS
University of Chinese Academy of Sciences
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 Shanghai Institute of Microsystem and Information Technology of CAS, University of Chinese Academy of Sciences filed Critical Shanghai Institute of Microsystem and Information Technology of CAS
Priority to CN201910182049.6A priority Critical patent/CN109890040B/zh
Publication of CN109890040A publication Critical patent/CN109890040A/zh
Application granted granted Critical
Publication of CN109890040B publication Critical patent/CN109890040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种面向高可靠低时延无线传感器网络的优化算法,包括建立关于无线传感器网络节点的染色体及其种群;构建对应的数据矩阵并获取改进数据矩阵;利用主成分分析法分解该改进数据矩阵并转化为映射数据矩阵;利用遗传算法对映射数据矩阵对应的染色体种群进行优化计算,并产生更新的染色体种群;最后构建该更新染色体种群的最小模式集合,并将其作为该染色体种群的优化收敛条件,直到所述更新染色体种群的最小模式集合满足优化收敛条件。本发明考虑传感器节点的能量特性、连通特性和可靠特性,综合运用主成分分析法和遗传算法的优点降低优化迭代次数和提高算法计算效率,有助于降低高可靠低时延无线传感器网络中优化调度的计算复杂度。

Description

面向高可靠低时延无线传感器网络的优化算法
技术领域
本发明涉及无线传感器网络技术领域,特别涉及一种面向高可靠低时延无线传感器网络的优化算法。
背景技术
随着各种智能手机、车辆、家用电器等设备不断接入到无线网络,这导致无线通信网络中的设备数量达到前所未有的水平。从管理、标识、安全性、移动性等方面来讲,基础的网络操作需要支持网络扩展和设备数量增长,使得物联网的发展面临许多新的巨大挑战,尤其是对于高可靠低时延的物联网应用。高可靠低时延通信、增强型的移动宽带和海量连接的机器通信被国际电信联盟组织定义为下一代无线网络(Next-Generation,5G)的三个典型应用场景。
高可靠低时延无线传感器网络已经成为5G网络中的重要研究对象之一,同时提出更多的严格需求,例如高可靠性和低时延特性。高可靠低时延无线传感器网络的发展不仅需要优化已有的通信任务,例如接入网的信道访问和路由调度等,而且还要考虑到网络规模的不断扩展,例如设备节点加入或者离开无线网络系统。
在过去几年中,电子小型化的发展允许将通信能力集成到越来越多的不同类型设备中;反过来,这些不同电子技术的发展不仅增强现有的无线电技术,而且为增强无线传感器网络的通信能力进一步增添了新的动力,同时也促使其应用到新的用例和业务成为可能。相比传统的无线传感器网络,高可靠低时延无线传感器网络作为5G通信网络中新出现的应用场景,它提出了许多更严格的多元化需求,例如网络能量效率、连接性和可靠性等。这些新的更严格的应用需求为无线传感器网络的发展提出了更为复杂的新问题。
发明内容
本发明的目的在于提供一种面向高可靠低时延无线传感器网络的优化算法,以综合计算高可靠低时延无线传感器网络的能量效率、连接性和可靠性为基础,结合主成分分析法和遗传算法的不同特点,降低优化迭代次数和数据计算时间。
为了解决上述技术问题,本发明提供了一种面向高可靠低时延无线传感器网络的优化算法,包括以下步骤:
S1、建立关于无线传感器网络节点的染色体Sm及染色体种群S;
S2、构建对应的数据矩阵X,并获取数据矩阵X的改进数据矩阵X;
S3、利用主成分分析法分解该改进数据矩阵X并转化为映射数据矩阵Z;
S4、利用遗传算法对映射数据矩阵Z对应的染色体种群进行优化计算,并将映射数据矩阵Z的行向量分别对应不同的染色体,并产生更新的染色体种群;
S5、构建该更新染色体种群的最小模式集合,并将该最小模式集合作为所述染色体种群的优化收敛条件;
S6、重复上述步骤直到所述更新染色体种群的最小模式集合满足所述优化收敛条件。
其中,在步骤S1中,建立关于无线传感器网络的传感器节点的染色体Sm及染色体种群S包括以下步骤:
S11、获取每个传感器节点的位置信息;
S12进行无线传感器网络初始化,并选出簇头节点;
S13、根据所述传感器节点的分簇关系建立染色体Sm;
S14、各不同的染色体构成染色体种群S。
其中,步骤S1中所述染色体种群S表示为:
其中Sm为第m个染色体,且sm=[sm,1 … sm,n … sm,N],基因sm,n是第n个传感器节点在第m个染色体中的编码,N是每个染色体中包含的基因个数,M是种群S包含的染色体个数。
其中,步骤S2中所述数据矩阵X表示为:
该数据矩阵X的样本均值被估计为:
该数据矩阵X的改进数据矩阵表示为:
T表示数据向量的转置操作符。
优选地,所述改进数据矩阵为M×3维实值矩阵,且该改进数据矩阵的秩为3。
优选地,步骤S3中,所述分解该改进数据矩阵并转化为矩阵Z包括以下步骤:
S21、根据奇异值分解定律,将所述改进数据矩阵分解为:
其中矩阵U是包括左奇异向量的M×M维正交矩阵,矩阵Σ是M×3维对角矩阵,矩阵V是包括右奇异向量的3×3维正交矩阵;
S22、通过所述右奇异矩阵矩阵V,将所述染色体种群S的第m个染色体对应的数据矩阵X的第m个数据样本Xm通过右奇异矩阵V映射为数据样本Zm,从而构建一映射数据矩阵Z,其中:
该映射数据矩阵Z的协方差矩阵表示为:
优选地,在步骤S4中,利用遗传算法对映射数据矩阵Z对应的染色体种群进行优化计算,所采用的适应度函数fm为:
各个不同染色体的适应值向量f为:
f=[f 1… fm … fM]T
优选地,所述遗传算法为轮盘赌轮选择每个染色体个体以一定的概率被复制到下一次染色体种群的染色体中。
优选地,在步骤S5中,构建该更新染色体种群的最小模式集合时,根据预设的限定条件,确定所述染色体种群中的染色体的第n个基因被添加到所述最小模式集合中,其中,所述限定条件包括:
当第n个传感器节点在第i个染色体中的编码si,n满足以及dn(S)=M,则该si,n被确定添加至最小模式集合Γ(S)中,即:
Γ(S)={n|dn(S)=M};
其中∪表示集合并集。
优选地,在步骤S5中,将该最小模式集合作为所述染色体种群的优化收敛条件包括:
重复进行连续的选择、杂交和变异操作,直至所述最小模式集合满足一预设条件,且所述预设条件包括:
||Γ(S)||=C;
其中C为一预设常数。
本发明针对高可靠低时延无线传感器网络的应用场景,综合运用主成分分析法和遗传算法的优点降低优化迭代次数和提高算法计算效率。具体地,考虑传感器节点的能量特性、连通特性和可靠特性三个关键因素,利用主成分分析法建立关于这三个因素的适应值函数,定义最小模式集合,然后然后利用遗传算法的迭代模式不断寻找适应度计算值更高的最优簇头节点分布。在优化过程中,主成分分析法不仅消除不同优化目标之间的依赖关系,而且用于评价上述三个不同关键因素的重要性。实验结果表明,本发明的优化算法降低收敛到最优染色体的算法优化迭代次数和数据计算时间,有助于降低高可靠低时延无线传感器网络中优化调度的计算复杂度,极大地改进了无线传感器网络优化调度问题的优化计算效率。
附图说明
图1为本发明的一种具体实施方式中面向高可靠低时延无线传感器网络的优化算法的流程图。
图2示出按照本发明的一种具体实施方式面向高可靠低时延无线传感器网络的优化算法中迭代次数随着传感器节点数目增加的变化规律。
图3为本发明的一种具体实施方式面向高可靠低时延无线传感器网络的优化算法中计算复杂度随着传感器节点数目增加的变化规律。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种面向高可靠低时延无线传感器网络的优化算法进一步详细说明。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。
请参阅图1至图3,其中,图1为本发明的一种具体实施方式中面向高可靠低时延无线传感器网络的优化算法的流程图,图2为本发明的一种具体实施方式中面向高可靠低时延无线传感器网络的优化算法中迭代次数随着传感器节点数目增加的变化规律,图3为本发明的一种具体实施方式中面向高可靠低时延无线传感器网络的优化算法中计算复杂度随着传感器节点数目增加的变化规律。
在该具体实施方式中,所述面向高可靠低时延无线传感器网络的优化算法包括以下步骤:建立关于无线传感器网络的传感器节点的染色体Sm,并结合所述传感器节点的能量特性、网络连通性和可靠性构建对应的数据矩阵X;获取数据矩阵X的改进数据矩阵,利用主成分分析法分解数据矩阵X的改进数据矩阵,获取所述数据矩阵X的改进数据矩阵的右奇异矩阵,并根据获取到的右奇异矩阵获取到新矩阵Z;利用遗传算法对新矩阵Z对应的染色体种群进行优化计算,并将新矩阵Z的行向量作为不同的染色体,利用遗传算法的选择、杂交和变异进化产生新的染色体种群;构建染色体种群的最小模式集合,并将该最小模式集合作为所述染色体种群的优化收敛条件,当所述最小模式集合满足所述优化收敛条件时,完成所述染色体种群的优化;观察完成优化的染色体种群中染色体的每个基因的稳定性,并据此获得染色体种群的最小模式集合过程中优化计算迭代次数和数据计算时间。
在一种具体实施方式中,建立关于无线传感器网络的传感器节点的染色体Sm包括以下步骤:获取每个传感器节点的位置信息;进行无线传感器网络初始化,并选出簇头节点;根据所述传感器节点的分簇关系建立染色体Sm,并由各个不同染色体构成染色体种群S。
在部署好所述无线传感器网络中的传感器节点后,就可以获取到传感器节点的位置信息,在一种具体实施方式中,至少两个传感器节点上配备有定位系统,如GPS定位系统,且配备有定位系统的传感器节点的位置已知,这样通过定位技术就能够确定无线传感器网络中其他传感器节点的位置信息,使该无线传感器网络中的各传感器节点的位置信息都能够被获取到。
该具体实施方式最少可以只使用两个GPS定位系统,因此可以节省成本和功耗。
在其他的具体实施方式中,也可以在所有的传感器节点上都设置定位系统,这样即使无法获取到个别传感器节点的位置信息,也可以获取到所有传感器节点的位置信息。
在一种具体实施方式中,可采用HEED算法或LEACH算法选举簇头节点,以适应不同的情形。如在各个传感器节点与Sink点之间能够进行直接通信的情况下采用LEACH算法,但LEACH算法的缺点在于簇头节点的选举随机性很强,可能会造成簇头节点集中分布在某一个区域的现象,造成簇头节点分布不均匀,并且由于信息的融合和传输都是通过簇头节点来进行的,因此采用LEACH算法也会造成簇头节点能量消耗过快的问题。并在在使用LEACH算法的过程中,各传感器节点的发射机和接收机之间必须严格的遵守时隙的要求,避免在时间上互相重叠,然而维持时间同步又增加了一些额外的信令通信量,因此也需要在节点设置较大的存储器以存储节点的时间表。
在一种具体实施方式中,采用HEED算法进行簇头节点的选择,对普通传感器节点和簇头节点都采用统一的机制来衡量簇内通信的代价,而不是如LEACH算法一般,采用普通节点和簇头节点之间的距离作为是否加入该簇的指标,可以协调簇头节点的覆盖范围内所有节点的能量消耗,从而产生比较均匀的簇头分布。
在采用HEED算法选举簇头节点的过程中,需要考虑所述无线传感器网络的各传感器节点的剩余能量情况,让剩余能量占初始能量比例更大的节点有更多的机会成为簇头节点,使得被选出的簇头节点更适合担任数据转发任务,形成的网络拓扑结构更加合理,全网能量消耗更加均匀。
在一种具体实施方式中,各个不同染色体构成染色体种群S如下:
其中Sm为第m个染色体,且sm=[sm,1 … sm,n … sm,N],其中基因sm,n是第n个传感器节点在第m个染色体中的编码,N是每个染色体中包含的基因个数,M是种群S包含的染色体个数。
在一种具体实施方式中,所述数据矩阵X如下:
数据矩阵X的样本均值被估计为:
所述数据矩阵X的改进数据矩阵:
T表示数据向量的转置操作符。
在一种具体实施方式中,且该数据矩阵X的改进数据矩阵X为M×3维实值矩阵,且该数据矩阵X的改进数据矩阵X的秩为3。利用主成分分析法分解数据矩阵X的改进数据矩阵,获取所述数据矩阵X的改进数据矩阵X的右奇异矩阵,并根据获取到的右奇异矩阵获取到新矩阵Z时,包括以下步骤:根据奇异值分解定律将所述数据矩阵X的改进数据矩阵X分解为:
其中矩阵U是包括左奇异向量的M×M维正交矩阵,矩阵Σ是M×3维对角矩阵,矩阵V是包括右奇异向量的3×3维正交矩阵,即为所求的右奇异矩阵;
通过所述矩阵V,将所述染色体种群S的第m个染色体对应的数据矩阵X的第m个数据样本Xm映射为数据样本Zm,从而构建一映射数据矩阵Z,
其中:
这产生一个映射数据集它的协方差矩阵被表示为:
其中,矩阵V和U分别满足条件VTV=I和UTU=I。基于主成分分析算法善于评价不同因素重要性的的优点,矩阵Σ的主对角元素和它们对应的比例被用于评价样本zm中不同分量的重要性。因此,适应度函数fm具体被定义如下:
各个不同染色体的适应值向量f被定义如下:
f=[f 1… fm … fM]T
适应度函数可以用于评价个体的优劣程度,适应度越大个体越好,反之适应度越小则个体越差;根据适应度的大小对个体进行选择,以保证适应性能好的个体有更多的机会繁殖后代,使优良特性得以遗传。因此,遗传算法要求适应度函数值必须是非负数。
在一种具体实施方式中,所述遗传算法为轮盘赌轮选择方法,每个染色体个体以一定的概率被复制到下一次染色体种群的染色体中。
例如,在一种具体实施方式中,每条染色体都会可能以如下的似然概率被选中:
被选择的染色体经选择操作生成染色体种群Sc,且染色体种群Sc中每个染色体会被随机选择一次并被用于进行杂交操作。如被选中的染色体Si’和Sj’作为父代染色体,根据杂交概率α随机对换不同位置的基因产生的两个子代染色体,具体如下:
在图1所示的具体实施方式中,在进行杂交操作后,即对杂交操作后获取的染色体进行变异操作。变异操作是基于变异概率随机的改变染色体随机个基因值,杂交染色体和经过变异后产生的杂交染色体如下:
M(s″i|β)=s″′i,M(s″j|β)=s″′j
在完成变异操作后,将所有完成变异操作的染色体构成一个新的染色体种群,并判断该染色体种群是否满足最小模式集合,若不,则需要重新建立所述无线传感器网络的染色体种群和三因素矩阵,并进行后续的染色体种群优化。所述三因素矩阵即结合所述传感器节点的能量特性、网络连通性和可靠性构建对应的数据矩阵X。
在一种具体实施方式中,构建染色体种群的最小模式集合时,包括以下步骤:根据预设的限定条件,确定所述染色体种群中的染色体的第n个基因被添加到所述最小模式集合中,其中,所述限定条件包括:
当第n个传感器节点在第i个染色体中的编码si,n满足以及dn(S)=M,则该si,n被确定添加至最小模式集合Γ(S)中,即:
Γ(S)={n|dn(S)=M};
其中∪表示集合并集。
在一种具体实施方式中,将该最小模式集合作为所述染色体种群的优化收敛条件包括:重复进行连续的选择、杂交和变异操作,直至所述最小模式集合满足一预设条件,且所述预设条件包括:
||Γ(S)||=C;
其中C为一预设常数。
请参阅图2和图3,其中图2显示了采用本具体实施方式中的面向高可靠低时延无线传感器网络的优化算法(图中采用GAPCAIA表示)时,收敛到最优染色体时所需的优化迭代次数,以及采用了已有的优化迭代方法(图中采用MLGANP表示)时,收敛到最优染色体时所需的优化迭代次数。图3显示了采用本具体实施方式中的面向高可靠低时延无线传感器网络的优化算法GAPCAIA时,收敛到最优染色体时所需的计算时间,以及采用了已有的优化迭代方法(MLGANP)时,收敛到最优染色体时所需的计算时间。经过对比,可以发现本具体实施方式中的面向高可靠低时延无线传感器网络的优化算法能够明显降低收敛到最优染色体的优化迭代次数和数据计算时间,有助于降低高可靠低时延无线传感器网络中优化调度的计算复杂度。
本发明的面向高可靠低时延无线传感器网络的优化算法针对高可靠低时延无线传感器网络的应用场景,考虑传感器节点的能量特性、连通特性和可靠特性三个关键因素,利用主成分分析法建立关于这三个因素的适应值函数,定义最小模式集合并通过遗传算法迭代的方式寻找最优的簇头节点分布。在优化过程中,主成分分析法不仅消除不同优化目标之间的依赖关系,而且用于评价上述三个不同关键因素的重要性。实验结果表明,本发明的优化算法降低收敛到最优染色体的算法优化迭代次数和数据计算时间,有助于降低高可靠低时延无线传感器网络中优化调度的计算复杂度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种面向高可靠低时延无线传感器网络的优化算法,其特征在于,包括以下步骤:
S1、建立关于无线传感器网络节点的染色体Sm及染色体种群S;
S2、构建对应的数据矩阵X,并获取数据矩阵X的改进数据矩阵
S3、利用主成分分析法分解该改进数据矩阵并转化为映射数据矩阵Z;
S4、利用遗传算法对映射数据矩阵Z对应的染色体种群进行优化计算,并将映射数据矩阵Z的行向量分别对应不同的染色体,并产生更新的染色体种群;
S5、构建该更新染色体种群的最小模式集合,并将该最小模式集合作为所述染色体种群的优化收敛条件;
S6、重复上述步骤直到所述更新染色体种群的最小模式集合满足所述优化收敛条件。
2.根据权利要求1所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,建立关于无线传感器网络的传感器节点的染色体Sm及染色体种群S包括以下步骤:
S11、获取每个传感器节点的位置信息;
S12进行无线传感器网络初始化,并选出簇头节点;
S13、根据所述传感器节点的分簇关系建立染色体Sm;
S14、各不同的染色体构成染色体种群S。
3.根据权利要求1或2所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,步骤S1中所述染色体种群S表示为:
其中Sm为第m个染色体,且sm=[sm,1…sm,n…sm,N],基因sm,n是第n个传感器节点在第m个染色体中的编码,N是每个染色体中包含的基因个数,M是种群S包含的染色体个数。
4.根据权利要求1所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,步骤S2中所述数据矩阵X表示为:
该数据矩阵X的样本均值被估计为:
该数据矩阵X的改进数据矩阵表示为:
T表示数据向量的转置操作符。
5.根据权利要求1或4所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,所述改进数据矩阵为M×3维实值矩阵,且该改进数据矩阵的秩为3。
6.根据权利要求1所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,步骤S3中,所述分解该改进数据矩阵并转化为矩阵Z包括以下步骤:
S21、根据奇异值分解定律,将所述改进数据矩阵分解为:
其中矩阵U是包括左奇异向量的M×M维正交矩阵,矩阵Σ是M×3维对角矩阵,矩阵V是包括右奇异向量的3×3维正交矩阵;
S22、通过所述右奇异矩阵矩阵V,将所述染色体种群S的第m个染色体对应的数据矩阵X的第m个数据样本Xm通过右奇异矩阵V映射为数据样本Zm,从而构建一映射数据矩阵Z,其中:
该映射数据矩阵Z的协方差矩阵表示为:
7.根据权利要求1所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,在步骤S4中,利用遗传算法对映射数据矩阵Z对应的染色体种群进行优化计算,所采用的适应度函数fm为:
各个不同染色体的适应值向量f为:
f=[f1…fm…fM]T
8.根据权利要求1或7所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,所述遗传算法为轮盘赌轮选择每个染色体个体以一定的概率被复制到下一次染色体种群的染色体中。
9.根据权利要求1所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,在步骤S5中,构建该更新染色体种群的最小模式集合时,根据预设的限定条件,确定所述染色体种群中的染色体的第n个基因被添加到所述最小模式集合中,其中,所述限定条件包括:
当第n个传感器节点在第i个染色体中的编码si,n满足以及dn(S)=M,则该si,n被确定添加至最小模式集合Γ(S)中,即:
Γ(S)={n|dn(S)=M};
其中∪表示集合并集。
10.根据权利要求1所述的面向高可靠低时延无线传感器网络的优化算法,其特征在于,在步骤S5中,将该最小模式集合作为所述染色体种群的优化收敛条件包括:
重复进行连续的选择、杂交和变异操作,直至所述最小模式集合满足一预设条件,且所述预设条件包括:
||Γ(S)||=C;
其中C为一预设常数。
CN201910182049.6A 2019-03-11 2019-03-11 面向高可靠低时延无线传感器网络的优化方法 Active CN109890040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910182049.6A CN109890040B (zh) 2019-03-11 2019-03-11 面向高可靠低时延无线传感器网络的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910182049.6A CN109890040B (zh) 2019-03-11 2019-03-11 面向高可靠低时延无线传感器网络的优化方法

Publications (2)

Publication Number Publication Date
CN109890040A true CN109890040A (zh) 2019-06-14
CN109890040B CN109890040B (zh) 2021-09-03

Family

ID=66931647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910182049.6A Active CN109890040B (zh) 2019-03-11 2019-03-11 面向高可靠低时延无线传感器网络的优化方法

Country Status (1)

Country Link
CN (1) CN109890040B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090128326A1 (en) * 2007-11-16 2009-05-21 Yao-Ming Hong Using solar enery and wirless sensor network on the establishment of real-time monitoring system and method
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
CN102695190A (zh) * 2012-05-16 2012-09-26 东南大学 一种无线传感器网络中的数据采集方法
CN103313263A (zh) * 2013-04-25 2013-09-18 中山大学 基于遗传算法的无线传感器网络节点分层调度方法
CN104268442A (zh) * 2014-09-18 2015-01-07 陕西高新实业有限公司 一种传感器网络分布式免疫遗传聚类算法
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
CN108184241A (zh) * 2017-12-19 2018-06-19 重庆工商大学 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
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
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090128326A1 (en) * 2007-11-16 2009-05-21 Yao-Ming Hong Using solar enery and wirless sensor network on the establishment of real-time monitoring system and method
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
CN102695190A (zh) * 2012-05-16 2012-09-26 东南大学 一种无线传感器网络中的数据采集方法
CN103313263A (zh) * 2013-04-25 2013-09-18 中山大学 基于遗传算法的无线传感器网络节点分层调度方法
CN104268442A (zh) * 2014-09-18 2015-01-07 陕西高新实业有限公司 一种传感器网络分布式免疫遗传聚类算法
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
CN108184241A (zh) * 2017-12-19 2018-06-19 重庆工商大学 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
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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHAMMAD KARIMI,HAMID REZA NAJI,SHAHRZAD GOLESTANI: "《Optimizing cluster-head selection in Wireless Sensor Networks using Genetic Algorithm and Harmony Search Algorithm》", 《20TH IRANIAN CONFERENCE ON ELECTRICAL ENGINEERING (ICEE2012)》 *
施开林,江虹: "《无线传感器网络能量优化策略研究》", 《通信技术》 *

Also Published As

Publication number Publication date
CN109890040B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Wang et al. An energy efficient routing protocol based on improved artificial bee colony algorithm for wireless sensor networks
Yu et al. An intelligent game-based offloading scheme for maximizing benefits of IoT-edge-cloud ecosystems
CN108924935A (zh) 一种基于强化学习算法功率域的noma中的功率分配方法
CN104617985B (zh) 基于蚁群算法的电力通信网线路优化方法及装置
CN107708214A (zh) 基于李雅普诺夫的网络效用最大化虚拟资源分配方法
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
CN103428805B (zh) 一种基于链路抗干扰性的无线网络虚拟化映射方法
Mnasri et al. 3D indoor redeployment in IoT collection networks: A real prototyping using a hybrid PI-NSGA-III-VF
CN116634504A (zh) 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略
WO2024113974A1 (zh) 算力网络的路由分配方法、装置、电子设备及存储介质
CN114885340A (zh) 一种基于深度迁移学习的超密集无线网络功率分配方法
Elhabyan et al. A full area coverage guaranteed, energy efficient network configuration strategy for 3d wireless sensor networks
Liu et al. Robust power control for clustering-based vehicle-to-vehicle communication
Liu et al. Multi-agent federated reinforcement learning strategy for mobile virtual reality delivery networks
CN104540203B (zh) 基于独立集的无线体域网能效优化方法
CN109890040A (zh) 面向高可靠低时延无线传感器网络的优化算法
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
CN106358302B (zh) 一种无线传感器网络多收发器多信道分配算法
CN108234011A (zh) 大规模多输入输出场景基于亚模函数的天线选择方法
CN108540246A (zh) 一种基于认知无线电的IoT传感器网络在不完美信道下的次级IoT设备的资源分配方法
Karnik et al. Distributed optimal self-organization in ad hoc wireless sensor networks
Ghasemzadeh et al. Improving LEACH protocol using SFLA algorithm to reduce the energy consumption of wireless sensor networks
CN114423070A (zh) 一种基于d2d的异构无线网络功率分配方法及系统
CN110392409B (zh) 基于配电通信网的WMSNs多路径QoS路由方法、系统及存储介质
CN110163249B (zh) 基于用户参数特征的基站分类识别方法及系统

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