CN110149608A - 一种基于dai的光学无线传感器网络的资源分配方法 - Google Patents
一种基于dai的光学无线传感器网络的资源分配方法 Download PDFInfo
- Publication number
- CN110149608A CN110149608A CN201910272433.5A CN201910272433A CN110149608A CN 110149608 A CN110149608 A CN 110149608A CN 201910272433 A CN201910272433 A CN 201910272433A CN 110149608 A CN110149608 A CN 110149608A
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- resource allocation
- optical
- cluster head
- 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
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
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
- H04W52/0219—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave where the power saving management affects multiple terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于DAI的光学无线传感器网络的资源分配方法,基于能量检测,利用矢量量化的方法确定并动态更新节点位置;确定节点位置后,利用粒子群优化算法优化节点位置,以能量消耗为适应度函数,搜索能量消耗最小值的节点位置,均衡整个网络的能量消耗;簇内节点将感知信息输出传送给簇头节点,簇头进行资源分配,在资源分配的过程中利用分布式人工智能在簇内节点到簇头以及簇头之间交互响应中形成协调;本发明将粒子群优化算法(PSO)和分布式人工智能(DAI)加入到光学无线传感器网络中,为网络增加节能和智能机制,均衡网络能耗,优化网络节点的响应,提高网络性能。
Description
技术领域
本发明属于通信技术领域,尤其涉及一种基于DAI的光学无线传感器网络的资源分配方法。
背景技术
如今通信网络能够支持对高数据率和无处不在的服务日益增加的需求,但同时也遇到了无线带宽资源紧张,无线信号间的电磁干扰严重,信号易被截获,能量消耗较大等方面的挑战。因此,光学无线传感器网络被提出。我们知道,物理环境是动态的,传感器节点必须有效的感知输出并动态的调整资源的分配。因此,在光学无线网络中引入粒子群优化算法和分布式人工智能来有效的控制资源分配时的能量消耗以及内存和电力消费,构造智能且节能的无线传感器网络。
粒子群优化算法(PSO)模拟鸟群的捕食行为的一种模型。PSO从这种模型中得到启示并用于解决优化问题,将每个优化问题的解看作搜索空间中的一只鸟。我们称之为"粒子"。所有的粒子都有一个由被优化的函数决定的适应值(fitness value),每个粒子还有一个速度决定他们搜索的方向和距离。每个粒子以一定的速度在解空间中运动,并向个体最佳位置(pBesti)和全局最佳位置(gBest)聚集,通过协作与竞争实现对复杂空间最优解的搜索。PSO与遗传算法等算法相比没有交叉和变异运算,需调整的参数较少,结构简单,易于工程实现。
在书籍《智能无线传感器网络系统》中公开了分布式人工智能技术,分布式人工智能(DAI)是人工智能和分布式计算的产物,它主要研究多Agent系统(MAS)中智能Agent之间的智能行为的协调和工作任务协同。比起传统的集中式结构,DAI强调的是分布式智能处理,克服了集中式系统中心部件负荷重,知识调度困难等弱点。并且DAI克服了原有专家系统和学习系统等弱点,极大的提高只是系统的性能,可提高问题求解能力和效率,扩大应用范围,降低计算复杂度。
发明内容
本发明根据现有技术中存在的问题,提出了一种基于DAI的光学无线传感器网络的资源分配方法,将粒子群优化算法(PSO)和分布式人工智能(DAI)加入到光学无线传感器网络中,为网络增加节能和智能机制,均衡网络能耗,优化网络节点的响应,提高网络性能。
本发明所采用的技术方案如下:
一种基于DAI的光学无线传感器网络的资源分配方法,包括以下步骤:
步骤1,基于能量检测,利用矢量量化的方法确定并动态更新节点位置;
步骤2,确定节点位置后,利用粒子群优化算法优化节点位置,以能量消耗为适应度函数,搜索能量消耗最小值的节点位置,均衡整个网络的能量消耗;
步骤3,簇内节点将感知信息输出传送给簇头节点,簇头进行资源分配,在资源分配的过程中利用分布式人工智能在簇内节点到簇头以及簇头之间交互响应中形成协调。
进一步,所述步骤1的确定并动态更新节点位置的方法为:
步骤1.1,当传感器节点接收到未知节点信号时,以信号的功率谱密度为对象,推导传感器节点在l与l+1两个不同时刻的自相关函数,并通过主频率成分分析确定源信号自相关;
步骤1.2,考虑信道的瑞利衰落,信道特性表示为g=g1=...=gp,计算不同时刻信号的自相关误差;
步骤1.3,将自相关误差(AE)看作二维矢量计算节点间的空间距离,推导出自相关误差与欧几里得距离的广义关系,自相关误差每t秒更新,并相应的计算出欧几里得距离(ED),动态的更新活动节点的位置。
进一步,所述优化节点位置的方法为:
步骤2.1,假设簇的形状为半径G的圆,节点必须位于圆内,簇的定位不应延伸圆的圆周外,低频带上每比特最小能量为:其中N0为信噪比;
步骤2.2,假设每个节点传输每个符号的能量为xi,推导传感器网络k个节点在时间t的总能量消耗:
步骤2.3,以总能量消耗为适应度函数,将能量消耗最小值的节点位置为最优节点位置。
进一步,每一个簇由簇头和簇成员构成,簇头为光节点,簇头充当协调智能体CoA,具有决策权;簇成员为普通节点,充当任务智能体TA,执行簇头所分配的任务,簇内通信通过簇成员完成,簇间通信通过簇头进行数据传输。
进一步,所述交互过程为:
步骤3.1,在通信过程中,网络中有一个管理智能体MA,在进行资源分配时,管理智能体MA根据当时电池和内存情况,选合适的簇头作为协商智能体DA分配资源;
步骤3.2,在被选中的簇内,簇成员节点充当任务智能体TA,执行簇头所分配的任务;
本发明的有益效果:
本发明提出了一种用于光学无线传感器网络的资源分配方法,其优点是在节点定位过程中实现了根据实时连续信号,动态的更新节点位置,在资源分配过程中,在不影响服务质量的基础上,充分的考虑了节点电池放电以及内存使用情况,均衡整个网络的能耗,提高网络性能。
附图说明
图1为本发明实施例的网络结构框架;
图2为本发明实施例的实现流程图;
图3为本发明实施例中的服务质量QoS;
图4为本发明实施例中TA、CoA、MA的响应时间。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明所提出的一种基于DAI的光学无线传感器网络的资源分配方法,包括以下步骤:
步骤1,基于能量检测,利用矢量量化的方法计算并动态的更新节点位置,即节点间通信的空间距离,也就是欧几里得距离,具体过程如下:
步骤1.1,当传感器节点j接收到未知节点i的信号al(k)时,以信号的功率谱密度为考虑对象,推导其在信道传输中多个时刻的自相关函数:
其中,T为当前时刻,p是节点j输出的独立相同分布信道的数量,l为时刻,Γ为时滞,al+1(T)为T时刻内取得瞬间的信号;
步骤1.2,考虑信道的瑞利衰落,其信道特性表示为g=g1=...=gp,计算不同时刻的信号的自相关误差:
步骤1.3,将自相关误差(AE)看作二维矢量计算节点间的空间距离,欧几里得距离(ED),推导出自相关误差AE与欧几里得距离ED的广义关系:
自相关误差每t秒更新,并相应的计算出欧几里得距离,动态的更新活动节点的位置。
步骤2,确定节点位置后,利用粒子群优化算法优化节点位置,以能量消耗为适应度函数,搜索能量消耗最小值的节点位置,均衡整个网络的能量消耗;具体过程如下:
步骤2.1,如图2,假设簇的形状为半径G的圆,其中节点必须位于圆内,簇的定位不应延伸圆的圆周外,低频带上每比特最小能量为:其中N0为信噪比。
步骤2.2,假设每个节点传输每个符号的能量为xi,推导传感器网络k个节点在时间t的总能量消耗:
步骤2.3,以总能量消耗为适应度函数,将能量消耗最小值的节点位置为最优节点位置。
步骤3,簇内节点将感知信息输出传送给簇头节点,簇头进行资源分配,在资源分配的过程中利用分布式人工智能在簇内节点到簇头以及簇头之间交互响应中形成协调。
在本发明的交互过程分为两种情况,第一种情况是管理智能体MA根据对当前网络的电池放电和内存使用情况开始进行资源分配,从所有簇中选择合适的簇头作为协商智能体DA,该簇头所在簇内的簇成员节点充当任务智能体TA,执行簇头所分配的任务。
另一种情况是MA在不进行评估直接分配资源,所有簇都工作。
针对于第一种情况,当管理智能体MA开始进行资源分配,管理智能体MA将对全局电池使用情况和内存使用情况进行评估,根据评估结果选择合适的簇头进行资源分配。
对于任何瞬间t,电池功率消耗为:P(t)=P(t-1)-Pr(DA)(MA)-Pr(DA)Lt(t-1);
对于任何瞬间t,内存使用情况为:U(t)=U(t-1)-Pr(DA)(MA)-Pr(DA)Lt(t-1)+Pr(DA)Lt(t-2);
针对于第二种情况:当管理智能体MA开始进行资源分配,不进行评估进行常规操作,直接分配给协调智能体的情况。
对于任何瞬间t,电池功率消耗为:P(t)=P(t-1)-Pr(CoA)(MA)-Pr(TA)Lt(t-1);
对于任何瞬间t,内存使用情况为:U(t)=U(t-1)-Pr(CoA)(MA)-Pr(TA)Lt(t-1)+Pr(TA)Lt(t-2);
其中,P(t)表示t时刻的电池状态,U(t)表示t时刻的内存状态;Pr(DA)(MA)表示管理智能体MA选择簇头为协商智能体DA时的电池消耗;Pr(CoA)(MA)是CoA和MA的决策过程中消耗的功率;Pr(TA)表示簇内节点成员执行TA任务处理的功率消耗;Pr(DA)为DA进行决策时的功率消耗;Lt(t-1)代表在t-1时刻制定下一步合理的资源分配时的电力消耗,其直接取决于对应节点或者簇头CH的位置。
为了评价本发明所提出的基于DAI的光学无线传感器网络的资源分配方法,还提出了基于服务质量(QoS)对本发明进行评价的方法,评价方法如下:
对于在当前系统状态下,簇头CH对资源拟定最佳任务分配,以满足服务质量(QoS)的需求。我们的目的是在不影响服务质量的情况下均衡全局电池放电和内存使用情况。因此推导了基于全局网络电池放电、内存使用和QoS之间的关系:
其中,Γi为agents执行的任务, 代表实时处理的任务变量。是在实时系统中的服务质量。
为了更清楚的说明本发明所带来的技术效果,以下结合附图3、4进行说明:
如图3所示,Y轴表示所提方法的服务质量QoS,颜色由浅到深代表着最小到最大QoS,颜色的厚度表示了Agent处理任务的归一化时间。从仿真结果可以看出,相比于传统技术,所提方法在资源分配的过程中可提供较好的服务质量QoS,并且随着仿真次数的增加,服务质量QoS没有受到影响。同时,所提方法处理任务的归一化时间明显的优于传统方法,因此,验证了所提方法的性能良好,在提供较高的服务质量QoS的情况下,具有较快的处理能力。
如图4所示,描述了基于分布式人工智能DAI的光学无线传感器网络中任务智能体TA、CoA、管理智能体MA的响应时间。从仿真结果可以看出,与传统方法相比,所提方法更早的完成全部响应,优化了网络在资源分配过程中的实时性和高效性。因袭,验证了所提方法的有效性。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种基于DAI的光学无线传感器网络的资源分配方法,其特征在于,包括以下步骤:
步骤1,基于能量检测,利用矢量量化的方法确定并动态更新节点位置;
步骤2,确定节点位置后,利用粒子群优化算法优化节点位置,以能量消耗为适应度函数,搜索能量消耗最小值的节点位置,均衡整个网络的能量消耗;
步骤3,簇内节点将感知信息输出传送给簇头节点,簇头进行资源分配,在资源分配的过程中利用分布式人工智能在簇内节点到簇头以及簇头之间交互响应中形成协调。
2.根据权利要求1所述的一种基于DAI的光学无线传感器网络的资源分配方法,其特征在于,所述确定并动态更新节点位置的方法为:
步骤1.1,当传感器节点接收到未知节点信号时,以信号的功率谱密度为对象,推导传感器节点在l与l+1两个不同时刻的自相关函数,并通过主频率成分分析确定源信号自相关;
步骤1.2,考虑信道的瑞利衰落,信道特性表示为g=g1=...=gp,计算不同时刻信号的自相关误差;
步骤1.3,将自相关误差看作二维矢量计算节点间的空间距离,推导出自相关误差与欧几里得距离的广义关系,自相关误差每t秒更新,并相应的计算出欧几里得距离,动态的更新活动节点的位置。
3.根据权利要求1所述的一种基于DAI的光学无线传感器网络的资源分配方法,其特征在于,所述优化节点位置的方法为:
步骤2.1,假设簇的形状为半径G的圆,节点必须位于圆内,簇的定位不应延伸圆的圆周外,低频带上每比特最小能量为:其中N0为信噪比;
步骤2.2,假设每个节点传输每个符号的能量为xi,推导传感器网络k个节点在时间t的总能量消耗;
步骤2.3,以总能量消耗为适应度函数,将能量消耗最小值的节点位置为最优节点位置。
4.根据权利要求3所述的一种基于DAI的光学无线传感器网络的资源分配方法,其特征在于,所述总能量消耗表示为:
5.根据权利要求3所述的一种基于DAI的光学无线传感器网络的资源分配方法,其特征在于,每一个簇由簇头和簇成员构成,簇头为光节点,簇头充当协调智能体CoA,具有决策权;簇成员为普通节点,充当任务智能体TA,执行簇头所分配的任务,簇内通信通过簇成员完成,簇间通信通过簇头进行数据传输。
6.根据权利要求1所述的一种基于DAI的光学无线传感器网络的资源分配方法,其特征在于,所述交互过程为:
步骤3.1,在通信过程中,网络中有一个管理智能体MA,在进行资源分配时,管理智能体MA根据当时电池和内存情况,选合适的簇头作为协商智能体DA分配资源;
步骤3.2,在被选中的簇内,簇成员节点充当任务智能体TA,执行簇头所分配的任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272433.5A CN110149608B (zh) | 2019-04-04 | 2019-04-04 | 一种基于dai的光学无线传感器网络的资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272433.5A CN110149608B (zh) | 2019-04-04 | 2019-04-04 | 一种基于dai的光学无线传感器网络的资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110149608A true CN110149608A (zh) | 2019-08-20 |
CN110149608B CN110149608B (zh) | 2022-04-26 |
Family
ID=67589359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272433.5A Active CN110149608B (zh) | 2019-04-04 | 2019-04-04 | 一种基于dai的光学无线传感器网络的资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110149608B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217044A (zh) * | 2023-08-25 | 2023-12-12 | 合肥工业大学 | 一种基于粒子群算法的换流站内优化电场测量位置设计方法 |
CN118250766A (zh) * | 2024-05-27 | 2024-06-25 | 南京信息工程大学 | 基于分簇优化的无线传感器网络节点休眠调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108495353A (zh) * | 2018-03-20 | 2018-09-04 | 西安电子科技大学 | 基于分簇的无线光传感器网络拓扑控制方法 |
CN108566663A (zh) * | 2018-01-10 | 2018-09-21 | 重庆邮电大学 | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 |
CN108696903A (zh) * | 2018-05-17 | 2018-10-23 | 昆明理工大学 | 一种基于能耗均衡的leach算法优化方法 |
US20190098693A1 (en) * | 2018-05-31 | 2019-03-28 | Peyman Neamatollahi | Method for decentralized clustering in wireless sensor networks |
-
2019
- 2019-04-04 CN CN201910272433.5A patent/CN110149608B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108566663A (zh) * | 2018-01-10 | 2018-09-21 | 重庆邮电大学 | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 |
CN108495353A (zh) * | 2018-03-20 | 2018-09-04 | 西安电子科技大学 | 基于分簇的无线光传感器网络拓扑控制方法 |
CN108696903A (zh) * | 2018-05-17 | 2018-10-23 | 昆明理工大学 | 一种基于能耗均衡的leach算法优化方法 |
US20190098693A1 (en) * | 2018-05-31 | 2019-03-28 | Peyman Neamatollahi | Method for decentralized clustering in wireless sensor networks |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217044A (zh) * | 2023-08-25 | 2023-12-12 | 合肥工业大学 | 一种基于粒子群算法的换流站内优化电场测量位置设计方法 |
CN118250766A (zh) * | 2024-05-27 | 2024-06-25 | 南京信息工程大学 | 基于分簇优化的无线传感器网络节点休眠调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110149608B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Energy saving technology of 5G base station based on internet of things collaborative control | |
Tyagi et al. | An intelligent and optimal resource allocation approach in sensor networks for smart agri-IoT | |
CN110351754B (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
Lu et al. | Optimization of task offloading strategy for mobile edge computing based on multi-agent deep reinforcement learning | |
Arikumar et al. | EELTM: An energy efficient LifeTime maximization approach for WSN by PSO and fuzzy-based unequal clustering | |
WO2021000757A1 (zh) | 一种网络优化方法、装置和存储介质 | |
Muslim et al. | Reinforcement learning based offloading framework for computation service in the edge cloud and core cloud | |
Wang et al. | Online service migration in mobile edge with incomplete system information: A deep recurrent actor-critic learning approach | |
Cui et al. | Multiagent reinforcement learning-based cooperative multitype task offloading strategy for internet of vehicles in B5G/6G network | |
Arkian et al. | FcVcA: A fuzzy clustering-based vehicular cloud architecture | |
CN110149608A (zh) | 一种基于dai的光学无线传感器网络的资源分配方法 | |
Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
Zhang et al. | A deep reinforcement learning approach for online computation offloading in mobile edge computing | |
Gao et al. | Multi-armed bandits scheme for tasks offloading in MEC-enabled maritime communication networks | |
Chen et al. | Enhanced hybrid hierarchical federated edge learning over heterogeneous networks | |
CN111930435B (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN114051252A (zh) | 无线接入网中多用户智能发射功率控制方法 | |
Ren et al. | Feat: Towards fast environment-adaptive task offloading and power allocation in mec | |
CN117149351A (zh) | 一种基于预测的边缘协同计算迁移方法及系统 | |
Zhong et al. | Rate-aware fuzzy clustering and stable sensor association for load balancing in wsns | |
Mendula et al. | Energy-aware edge federated learning for enhanced reliability and sustainability | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN113691334B (zh) | 一种基于次用户群体协作的认知无线电动态功率分配方法 | |
Yan et al. | Novel bat algorithms for scheduling independent tasks in collaborative Internet-of-Things |
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 |