CN109963262B - 一种无线传感网络中无线传感器调度优化方法 - Google Patents
一种无线传感网络中无线传感器调度优化方法 Download PDFInfo
- Publication number
- CN109963262B CN109963262B CN201910077495.0A CN201910077495A CN109963262B CN 109963262 B CN109963262 B CN 109963262B CN 201910077495 A CN201910077495 A CN 201910077495A CN 109963262 B CN109963262 B CN 109963262B
- Authority
- CN
- China
- Prior art keywords
- sensor
- target point
- sensors
- target
- probability
- 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
Images
Classifications
-
- 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
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- 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
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- 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
- 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
- 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)
Abstract
本发明公开了一种无线传感网络中无线传感器调度优化方法,具体步骤包括:(1)建立传感器的感知概率模型;(2)初始化信息素;(3)蚂蚁构造调度方案,包括:(3‑1)传感器的电量更新;(3‑2)目标点排序;(3‑3)初始化所有的蚂蚁;(4)更新信息素;(5)当迭代次数没达到时,转到步骤(2)继续执行,所有的蚂蚁构造新的解;否则结束迭代,返回整个过程中构造出来的达到有效工作时间刻度最多的那个解。本发明通过运用蚁群算法解决无线传感网络中冗余传感器的调度问题。
Description
技术领域
本发明涉及传感网络领域,尤其涉及一种无线传感网络中无线传感器调度优化方法。
背景技术
无线传感网络综合了传感器技术,嵌入式技术,分布式信息处理技术和通信技术,能够实现实时的监测、收集和处理,分析关于目标物体的状态信息。这些状态信息使得对物体的实时调控成为可能,为步入物联网发展新阶段提供了有力的技术支撑。
无线传感网络被广泛应用于实时监控领域,包括智能家居管理,自然疾病管控,环境安全追踪等方面。而无线传感器网络中的无线传感器负责收集目标点的状态信息。在应用实践中,多个无线传感器被部署在目标区域用于检测目标点的状态变化,这些无线传感器形成了一个无线传感网络,传感器之间可以相互通信,将信息处理汇总传递给决策中心。由于部署的困难和对于目标区域拓扑结构复杂性判读,无线传感网络中的传感器的数量通常是冗余的。将网络的工作时间进行划分,在每一个工作时间刻度内,不必启动所有的传感器,将一部分的传感器转为睡眠状态,其余传感器负责检测目标物体的状态变化,可以有效延长无线传感网络的工作时间。
而现有技术中对传感器和目标点之间关系进行建模时,分为二元传感模型和概率传感模型。二元传感模型假设传感器对目标物体的监测只有可监测和不可监测两种状态。概率传感模型以概率来量化传感器对目标点的监控,随着传感器目标点之间距离的增加,传感器能监测到目标点状态变化的概率随着衰减。综合来看,概率模型的引入更符合电信号在实际中传播的特点,对传感器和目标点关系的建模更加准确。但是,概率模型的引入为传感器的调度带来了新的挑战。目标点是否达到了既定的监控条件是由当前时刻被启动的所有传感器共同决定的。同时,将整个网络的工作时间进行划分,将所有传感器进行分组,每个分组负责某一工作时间刻度或某几个时间刻度的监控任务。每个工作时间刻度的传感器分组之间可以重叠并由当前所有传感器电量分布和目标点分布共同决定的。先前工作时间刻度中传感器的调度会影响接下来的工作时间刻度的调度,传感器的调度方案是一个需要被优化整体。这类无线传感网络中传感器的调度问题也已经被证明是一个多项式复杂程度的非确定性问题(NP问题)。进化算法体系中的遗传算法(GA),粒子群算法(PSO),蚁群算法(ACO)都被应用在解决该问题中,其中蚁群算法取得了较好的性能。
为了将蚁群算法应用在解决无线传感网络中无线传感器的调度问题中,现有技术将蚁群算法应用在每一个工作时间刻度中传感器调度方案的形成。但是,仅仅对一个单一工作时间刻度中的调度方案进行优化,并不能保证达到整体时间方案的最优。同时,仅仅依靠算法的随机性,不考虑在调度问题中影响结果的关键因素,也不能帮助问题找到更有效率的解。
发明内容
本发明的目的在于克服现有技术的不足,提供一种无线传感网络中无线传感器调度优化方法。
本发明的目的能够通过以下技术方案实现:
一种无线传感网络中无线传感器调度优化方法,具体步骤包括:
(1)建立传感器的感知概率模型。
(2)初始化信息素。
(3)蚂蚁构造调度方案,包括:
(3-1)传感器的电量更新。
(3-2)目标点排序。
(3-3)初始化所有的蚂蚁。
(4)更新信息素。
(5)当迭代次数没达到时,转到步骤(2)继续执行,所有的蚂蚁构造新的解。否则结束迭代,返回整个过程中构造出来的达到有效工作时间刻度最多的那个解。
具体地,在步骤(1)中,根据传感器与目标点之间的位置信息,对于无线传感网络中的任一传感器对每一个目标点的感知概率,计算公式为:
其中,dij表示传感器j和目标点i之间的欧式距离,而rs表达传感器的小传感边界,ru表示传感器的大传感边界。a的值取决于传感器类型和环境因素。
由感知概率计算公式可知,当传感器与目标点之间的距离介于传感器的两个传感边界之间时,传感器监测到目标点状态变化的概率是随着距离的增大而衰减的。当传感器与目标点之间的距离小于传感器的小传感边界时,目标点的状态变化以概率1被检测到。当传感器与目标点之间的距离大于传感器的大传感边界时,传感器监测到目标点状态变化的概率为0。
更进一步地,对所有传感器和目标点进行编号,对应的感知概率信息以矩阵形式进行存储,所述矩阵表示为:
其中,spij为sensed_probabilityij的缩写,表示从目标点i中选择传感器j进行调度的概率,sn表示目标点的个数,pn表示传感器个数,i,j取值范围分别为1≤i≤sn,1≤j≤pn。
根据感知概率信息矩阵,可得知每个传感器可感知目标点的个数。在选择需要进行调度的传感器时,能够根据矩阵中的信息,找到新调度的传感器对所有目标点的影响,判断所有目标点的被感知的联合概率是否达到网络的感知阈值(检测限制)。
具体地,在步骤(2)中,信息素被放置从目标点到传感器的边上,所有的信息素以相同的实数值τ0进行初始化,保证蚂蚁可以根据初始的信息素的值构造出可用的解。
具体地,在步骤(3-1)中,在每一个工作时间刻度开始之前,所有传感器的电量被更新。若系统是第一次被启动,所有传感器的电量都被初始化为1,即initial_energyi=1(i=1,2,…,sn)。每工作了一个时间刻度,消耗0.1的电量,则一个传感器可以连续工作十个时间刻度。否则,在上一个工作时间刻度中被启动的传感器将会失去0.1的电量,剩余处于睡眠状态的传感器电量保持不变。
具体地,在步骤(3-2)中,对于每一个目标点i,其被感知因子的计算公式为:
sensed_factori=sensed_probabilityij*remained_energyj
感知因子越小的目标点被越少的且能量不足的传感器所覆盖,最有可能达不到整个系统的感知阈值ε,然后导致整个网络失效。
目标点被监测的联合概率阈值计算公式为:
其中,st为第t时刻调度的传感器集合,S为所有时刻调度的传感器集合。
当所有的传感器的感知因子求得后,所有目标点根据感知因子由小到大进行排序,同时每一个目标点维持一个候选集,候选集中存放可以覆盖该目标点(感知概率大于0)且仍然有剩余电量的传感器。从每一个目标点的候选集中选择一个传感器进行激活,激活该传感器之后判断,现在是否所有的目标点都达到了被覆盖的标准,如果都已经达到,则停止选择,该工作时间刻度的调度方案已得出,否则继续沿着目标点的顺序继续选择下去。
每一个蚂蚁构造一个完整的解,从第一个工作时间刻度到最后没有可用的传感器可被调度。蚂蚁沿着目标点的顺序,从每一个目标点的候选域中选择一个传感器激活,直到所有的目标点都达到整个网络所设定的感知阈值ε。
具体地,在步骤(3-3)中,传感器的选择基于目标点到传感器边上的信息素,还有每个传感器的启发式信息,启发式信息值的计算公式为:
huristic_informationj=sensed_pointj*remained_energyj
其中,sensed_pointj是传感器j能监测到的目标点的个数,remained_energyj是传感器j剩余的电量。
蚂蚁从一个目标点的候选集中选择传感器进行调度基于启发式信息和信息素两个方面。
更进一步地,蚂蚁从目标点i中选择传感器j进行调度的概率pij的计算公式为:
其中,ηj为传感器j的启发式信息,τij为目标点i到传感器j的边上的启发式信息,α和β分别为平衡因子,sti为第t次迭代时目标点i的候选集中总的传感器的数量。
当某一个工作时间刻度中,目标点中仍然存在未达到覆盖要求的目标点,但已无可用传感器可被调度时,该蚂蚁的解构造阶段结束,之前已找出调度方案的工作时间刻度构成了一个完整的调度方案。调度方案中能找到调度方案的有效工作时间刻度的数量越多代表该解越优,可以帮助整个网络完成更长的工作时间。
具体地,在步骤(4)中,当所有的蚂蚁构造解的过程完成之后,信息素的值将会被更新,更新公式如下所示
τij(t+1)=(1-ρ)τij(t)+Δτij
其中,τij(t)是第t次迭代时,放置在传感器j到目标点i的边上的信息素的值,ρ是信息素随着时间的衰减速率。Δτij为第t次迭代完成后,该边上增加的信息素,计算公式为:
其中,ns为蚂蚁s所构造的解的可用工作时间刻度的个数,nij为其中传感器j在目标点i中候选集被激活的次数。
本发明相较于现有技术,具有以下的有益效果:
1、本发明采用概率感知模型,有效地解决了无线传感网络中无线传感器的调度问题,同时以概率将传感器和目标点之间的关系进行量化,也使得问题的建模更加简单有效。
2、本发明中利用了蚁群算法,每一次蚂蚁构造一个完整的解,一个完整的调度方案作为一个整体被优化,增加了产生有效解的可能性。
3、本发明在选择传感器时采用了一个符合问题实践的新的调度方法,帮助进行更优化的选择。
附图说明
图1为本发明实施例中一种无线传感网络中无线传感器调度优化方法的具体流程图。
图2为本发明实施例中蚂蚁构造一个工作时间刻度调度方案的过程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示为一种无线传感网络中无线传感器调度优化方法的流程图,具体步骤包括:
(1)建立传感器的感知概率模型。
具体地,根据传感器与目标点之间的位置信息,对于无线传感网络中的任一传感器对每一个目标点的感知概率,计算公式为:
其中,dij表示传感器j和目标点i之间的欧式距离,而rs表达传感器的小传感边界,ru表示传感器的大传感边界。a的值取决于传感器类型和环境因素。
由感知概率计算公式可知,当传感器与目标点之间的距离介于传感器的两个传感边界之间时,传感器监测到目标点状态变化的概率是随着距离的增大而衰减的。当传感器与目标点之间的距离小于传感器的小传感边界时,目标点的状态变化以概率1被检测到。当传感器与目标点之间的距离大于传感器的大传感边界时,传感器监测到目标点状态变化的概率为0。
更进一步地,对所有传感器和目标点进行编号,对应的感知概率信息以矩阵形式进行存储,所述矩阵表示为:
其中,spij为sensed_probabilityij的缩写,sn表示目标点的个数,pn表示传感器个数,i,j取值范围分别为1≤i≤sn,1≤j≤pn。
根据感知概率信息矩阵,可得知每个传感器可感知目标点的个数。在选择需要进行调度的传感器时,能够根据矩阵中的信息,找到新调度的传感器对所有目标点的影响,判断所有目标点的被感知的联合概率是否达到网络的感知阈值(检测限制)。
(2)初始化信息素。
信息素与启发式信息一同协助蚂蚁选择合适的传感器,因此需要在算法开始前对信息素进行初始化,蚂蚁在选择时会根据不同的目标点选择不同的传感器。
具体地,在本发明中,信息素被放置从目标点到传感器的边上,所有的信息素以相同的实数值τ0进行初始化,保证蚂蚁可以根据初始的信息素的值构造出可用的解。
(3)蚂蚁构造调度方案,包括:
(3-1)传感器的电量更新。
具体地,在每一个工作时间刻度开始之前,所有传感器的电量被更新。若系统是第一次被启动,所有传感器的电量都被初始化为1,即initial_energyi=1(i=1,2,…,sn)。每工作了一个时间刻度,消耗0.1的电量,则一个传感器可以连续工作十个时间刻度。否则,在上一个工作时间刻度中被启动的传感器将会失去0.1的电量,剩余处于睡眠状态的传感器电量保持不变。
(3-2)目标点排序。
具体地,对于每一个目标点i,其被感知因子的计算公式为:
sensed_factori=sensed_probabilityij*remained_energyj
感知因子越小的目标点被越少的且能量不足的传感器所覆盖,最有可能达不到整个系统的感知阈值ε,然后导致整个网络失效。
目标点被监测的联合概率阈值计算公式为:
其中,st为第t时刻调度的传感器集合。
当所有的传感器的感知因子求得后,所有目标点根据感知因子由小到大进行排序,同时每一个目标点维持一个候选集,候选集中存放可以覆盖该目标点(感知概率大于0)且仍然有剩余电量的传感器。从每一个目标点的候选集中选择一个传感器进行激活,激活该传感器之后判断,现在是否所有的目标点都达到了被覆盖的标准,如果都已经达到,则停止选择,该工作时间刻度的调度方案已得出,否则继续沿着目标点的顺序继续选择下去。
(3-3)初始化所有的蚂蚁。
每一个蚂蚁构造一个完整的解,从第一个工作时间刻度到最后没有可用的传感器可被调度。蚂蚁沿着目标点的顺序,从每一个目标点的候选域中选择一个传感器激活,直到所有的目标点都达到整个网络所设定的感知阈值ε。传感器的选择基于目标点到传感器边上的信息素,还有每个传感器的启发式信息,启发式信息值的计算公式为:
huristic_informationj=sensed_pointj*remained_energyj
其中,sensed_pointj是传感器j能监测到的目标点的个数,remained_energyj是传感器j剩余的电量。
蚂蚁从一个目标点的候选集中选择传感器进行调度基于启发式信息和信息素两个方面。
具体地,蚂蚁从目标点i中选择传感器j进行调度的概率pij的计算公式为:
其中,ηj为传感器j的启发式信息,τij为目标点i到传感器j的边上的启发式信息,α和β分别为平衡因子,sti为第t次迭代时目标点i的候选集中总的传感器的数量。
当某一个工作时间刻度中,目标点中仍然存在未达到覆盖要求的目标点,但已无可用传感器可被调度时,该蚂蚁的解构造阶段结束,之前已找出调度方案的工作时间刻度构成了一个完整的调度方案。本实施例中蚂蚁构造一个工作时间刻度调度方案的过程示意图如图2所示。调度方案中能找到调度方案的有效工作时间刻度的数量越多代表该解越优,可以帮助整个网络完成更长的工作时间。
(4)更新信息素。
具体地,当所有的蚂蚁构造解的过程完成之后,信息素的值将会被更新,更新公式如下所示
τij(t+1)=(1-ρ)τij(t)+Δτij
其中,τij(t)是第t次迭代时,放置在传感器j到目标点i的边上的信息素的值,ρ是信息素随着时间的衰减速率。Δτij为第t次迭代完成后,该边上增加的信息素,计算公式为:
其中,ns为蚂蚁s所构造的解的可用工作时间刻度的个数,nij为其中传感器j在目标点i中候选集被激活的次数。
(5)当迭代次数没达到时,转到步骤(2)继续执行,所有的蚂蚁构造新的解。否则整个算法结束,返回整个过程中构造出来的达到有效工作时间刻度最多的那个解。
将本发明与ACB-SA算法进行了比较,随机产生了18幅无线传感网络中传感器和目标点部署的拓扑图,同时随机产生了关于传感器的感知半径等信息。为了比较算法在不同情况下的效率,每个拓扑图中传感器和目标点的比例都不一样。在每一幅拓扑图中,算法运行30次求得平均值,根据结果发现,相对于ACB-SA而言,本发明可将无线传感网络的工作时间延长10%-20%左右。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种无线传感网络中无线传感器调度优化方法,其特征在于,具体步骤包括:
(1)建立传感器的感知概率模型;
(2)初始化信息素;
(3)蚂蚁构造调度方案,包括:
(3-1)传感器的电量更新,在每一个工作时间刻度开始之前,所有传感器的电量被更新;若系统是第一次被启动,所有传感器的电量都被初始化为1,即initial_energyi=1,i=1,2,…,sn;每工作了一个时间刻度,消耗0.1的电量,则一个传感器可以连续工作十个时间刻度;否则,在上一个工作时间刻度中被启动的传感器将会失去0.1的电量,剩余处于睡眠状态的传感器电量保持不变;
(3-2)目标点排序;
对于每一个目标点i,其被感知因子的计算公式为:
sensed_factori=sensed_probabilityij*remained_energyj
目标点被监测的联合概率阈值计算公式为:
其中,st为第t时刻调度的传感器集合;
当所有的传感器的感知因子求得后,所有目标点根据感知因子由小到大进行排序,同时每一个目标点维持一个候选集,候选集中存放可以覆盖该目标点且仍然有剩余电量的传感器;从每一个目标点的候选集中选择一个传感器进行激活,激活该传感器之后判断,现在是否所有的目标点都达到了被覆盖的标准,如果都已经达到,则停止选择,该工作时间刻度的调度方案已得出,否则继续沿着目标点的顺序继续选择下去;
(3-3)初始化所有的蚂蚁;
每一个蚂蚁构造一个完整的解,从第一个工作时间刻度到最后没有可用的传感器可被调度;蚂蚁沿着目标点的顺序,从每一个目标点的候选域中选择一个传感器激活,直到所有的目标点都达到整个网络所设定的感知阈值ε;
(4)更新信息素;
(5)当迭代次数没达到时,转到步骤(2)继续执行,所有的蚂蚁构造新的解;否则结束迭代,返回整个过程中构造出来的达到有效工作时间刻度最多的那个解。
2.根据权利要求1所述的一种无线传感网络中无线传感器调度优化方法,其特征在于,在步骤(1)中,根据传感器与目标点之间的位置信息,对于无线传感网络中的任一传感器对每一个目标点的感知概率,计算公式为:
其中,dij表示传感器j和目标点i之间的欧式距离,rs表达传感器的小传感边界,ru表示传感器的大传感边界;a的值取决于传感器类型和环境因素;
对所有传感器和目标点进行编号,对应的感知概率信息以矩阵形式进行存储,所述矩阵表示为:
其中,spij为sensed_probabilityij的缩写,表示从目标点i中选择传感器j进行调度的概率,sn表示目标点的个数,pn表示传感器个数,i,j取值范围分别为1≤i≤sn,1≤j≤pn。
3.根据权利要求1所述的一种无线传感网络中无线传感器调度优化方法,其特征在于,在步骤(2)中,信息素被放置从目标点到传感器的边上,所有的信息素以相同的实数值τ0进行初始化。
4.根据权利要求1所述的一种无线传感网络中无线传感器调度优化方法,其特征在于,在步骤(3-3)中,传感器的选择基于目标点到传感器边上的信息素,还有每个传感器的启发式信息,启发式信息值的计算公式为:
huristic_informationj=sensed_pointj*remained_energyj
其中,sensed_pointj是传感器j能监测到的目标点的个数,remained_energyj是传感器j剩余的电量;
蚂蚁从目标点i中选择传感器j进行调度的概率pij的计算公式为:
其中,ηj为传感器j的启发式信息,τij为目标点i到传感器j的边上的启发式信息,α和β分别为平衡因子,sti为第t次迭代时目标点i的候选集中总的传感器的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077495.0A CN109963262B (zh) | 2019-01-28 | 2019-01-28 | 一种无线传感网络中无线传感器调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077495.0A CN109963262B (zh) | 2019-01-28 | 2019-01-28 | 一种无线传感网络中无线传感器调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109963262A CN109963262A (zh) | 2019-07-02 |
CN109963262B true CN109963262B (zh) | 2020-08-18 |
Family
ID=67023511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077495.0A Active CN109963262B (zh) | 2019-01-28 | 2019-01-28 | 一种无线传感网络中无线传感器调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109963262B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113993199B (zh) * | 2020-07-27 | 2024-05-14 | 北京小米移动软件有限公司 | 天线辐射功率的调节方法及装置、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486807A (zh) * | 2014-11-28 | 2015-04-01 | 华中科技大学 | 一种小规模无线传感器网络的路由方法 |
CN104883718A (zh) * | 2014-03-01 | 2015-09-02 | 中国科学院重庆绿色智能技术研究院 | 传感网络数据传输的多层预测控制方法和系统 |
US9791910B1 (en) * | 2005-05-30 | 2017-10-17 | Invent.Ly, Llc | Predictive power management in a wireless sensor network using presence detection |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459914A (zh) * | 2008-12-31 | 2009-06-17 | 中山大学 | 基于蚁群算法的无线传感器网络节点覆盖优化方法 |
DE102009006560B4 (de) * | 2009-01-27 | 2011-06-16 | Freie Universität Berlin | Verfahren und Sensornetz zur Merkmalsauswahl für eine Ereigniserkennung |
CN103246938A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于自适应蚁群优化的弹性车间调度技术 |
CN109255546A (zh) * | 2018-09-29 | 2019-01-22 | 华南理工大学 | 基于多启发信息蚁群系统的柔性作业车间调度方法 |
-
2019
- 2019-01-28 CN CN201910077495.0A patent/CN109963262B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9791910B1 (en) * | 2005-05-30 | 2017-10-17 | Invent.Ly, Llc | Predictive power management in a wireless sensor network using presence detection |
CN104883718A (zh) * | 2014-03-01 | 2015-09-02 | 中国科学院重庆绿色智能技术研究院 | 传感网络数据传输的多层预测控制方法和系统 |
CN104486807A (zh) * | 2014-11-28 | 2015-04-01 | 华中科技大学 | 一种小规模无线传感器网络的路由方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109963262A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107820276B (zh) | 一种无线传感器任务分配方法 | |
Bredeche et al. | Environment-driven embodied evolution in a population of autonomous agents | |
CN107831685B (zh) | 一种群体机器人的控制方法和系统 | |
CN111459628A (zh) | 基于改进量子蚁群算法的Spark平台任务调度方法 | |
CN108696453B (zh) | 轻量级的电力通信网sdn业务流感知方法及系统 | |
CN112511592B (zh) | 一种边缘人工智能计算方法、物联网节点和存储介质 | |
CN109188924A (zh) | 智能家居系统的用电控制方法及装置 | |
CN112486665B (zh) | 一种基于对等网络的边缘人工智能计算任务调度方法 | |
CN109963262B (zh) | 一种无线传感网络中无线传感器调度优化方法 | |
CN114330722B (zh) | 推理实现方法、网络、电子设备及存储介质 | |
CN114744309A (zh) | 基于bms的电池安全管理方法、装置、设备及存储介质 | |
CN117910516A (zh) | 一种基于深度雅克比的网络攻击弹性检测恢复方法及系统 | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN109120523A (zh) | 多节点路径选择方法、装置、云平台资源调度方法及装置 | |
CN116207867A (zh) | 一种家庭储能系统的管理方法、装置、设备及存储介质 | |
CN115878900A (zh) | 基于人工智能的用户在线意图分析方法及大数据电商平台 | |
CN112929208B (zh) | 一种拟态虚拟交换机的同分异构体裁决方法 | |
CN104702497A (zh) | 一种基于Sarsa算法和蚁群优化的路由控制算法 | |
Mu et al. | Battery management for warehouse robots via average-reward reinforcement learning | |
CN112925831A (zh) | 基于云计算服务的大数据挖掘方法及大数据挖掘服务系统 | |
CN113988399A (zh) | 综合能源调度方法、装置、电子设备及存储介质 | |
CN115480885A (zh) | 机器人及其任务优先级规划方法、计算机可读存储介质 | |
CN112016711A (zh) | 一种基于大数据的低压配网多故障抢修优化调度方法 | |
Song et al. | A hybrid strategy based on ant colony and taboo search algorithms for fuzzy job shop scheduling | |
CN108710796A (zh) | 入侵操作检测方法、装置、设备及计算机可读存储介质 |
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 |