CN110191480B - 具有移动Sink节点的三维无线传感网数据收集方法 - Google Patents

具有移动Sink节点的三维无线传感网数据收集方法 Download PDF

Info

Publication number
CN110191480B
CN110191480B CN201910638939.3A CN201910638939A CN110191480B CN 110191480 B CN110191480 B CN 110191480B CN 201910638939 A CN201910638939 A CN 201910638939A CN 110191480 B CN110191480 B CN 110191480B
Authority
CN
China
Prior art keywords
node
grid
sink node
moving path
sink
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
Application number
CN201910638939.3A
Other languages
English (en)
Other versions
CN110191480A (zh
Inventor
陈友荣
赵克华
万锦昊
任条娟
王章权
刘半藤
苏子漪
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.)
Zhejiang Shuren University
Original Assignee
Zhejiang Shuren University
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 Zhejiang Shuren University filed Critical Zhejiang Shuren University
Publication of CN110191480A publication Critical patent/CN110191480A/zh
Application granted granted Critical
Publication of CN110191480B publication Critical patent/CN110191480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • 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
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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

本发明提供具有移动Sink节点的三维无线传感网数据收集方法，将长方形监测区域划分成大小相同的三维正方体网格，建立包括传感节点全覆盖约束、Sink移动路径选择约束、节点传输约束、能量消耗约束、链路传输量约束等约束条件的数据收集优化模型；求解Sink节点停留在已知移动路径的每一个网格上的节点间数据传输优化模型，并提出该移动路径的适应度值计算方法，根据移动路径的适应度值，求解Sink节点的移动路径优化模型，最终获得最优方案，从而Sink节点能收集所有传感节点的数据，并能提高网络生存时间和传感节点的平均数据传输率，降低移动路径长度、降低平均节点能耗方差和丢包率。

Description

具有移动Sink节点的三维无线传感网数据收集方法
技术领域：
本发明涉及无线通信技术领域，尤其涉及三维无线传感网技术领域，具体是指具有移动Sink节点的三维无线传感网数据收集方法。
背景技术：
无线传感网(wireless sensor networks,WSNs)中所有传感节点可协同完成信息采集任务，但是目前在危险环境(如火山、放射区、有毒化工区等)监测、灾难搜救、军事领域、水下监测等应用领域中，通常采用传感节点周期性上报数据且节点位置固定不变的静态无线传感网。但是该静态无线传感网一般随机部署传感节点，很容易造成节点分布和能耗的不均匀，很容易形成监测区域的能量空穴问题，缩短了网络生存时间。因此考虑Sink节点的移动，解决静态无线传感网的能量空穴问题，从而达到延长网络生存时间和降低节点能耗的目的。
目前，很多学者侧重于研究二维无线传感网下的Sink移动路径、数据收集等问题，如Luo J等人建立Sink节点停留在若干位置上的网络生存时间优化模型，并求解该模型获得最优方案，但是没有考虑Sink节点的移动路径选择。Nimisha G等人将监测区域分成若干个三角形和其外圆，Sink节点停留在圆心，采用贪婪方法获知下一时刻的停留位置，单跳收集传感节点的数据。Rao X等人将传感节点分簇，并选择簇头,且Sink遍历所有簇头收集数据。上述学者侧重于研究Sink节点的移动路径选择，但是Sink节点只是采用简单的单跳数据采集方法收集数据。Muhammed E K等人综合考虑Sink节点的移动路径选择和最优化方法，建立Sink节点移动的无线传感网生存时间优化模型，并提出对应方法求解。但是这些学者只考虑二维无线传感网的Sink移动的数据收集问题，没有考虑三维场景，其所提出的很多Sink节点的移动路径选择方法和数据收集方法很难适用于三维场景。
目前三维无线传感网主要侧重于研究到目的节点的路径规划和静态传感节点的数据收集，如Hosen A S等人提出了基于偏心率的数据路由方法，该方法将网络划分为三维子空间，在子空间中的任何节点的偏心区域中选择路由质心节点进行数据路由，从而降低选举阶段节点的能耗，内部通信的能耗和数据传输跳数。但是这些学者只是考虑Sink静止的数据收集方法，同样存在能量空穴问题。部分学者研究Sink移动的数据收集问题，如Akbar M等人提出一种Sink移动的有效数据收集方法。该方法考虑移动Sink节点和快递节点的线性移动，建立和求解最大化网络生存时间、最小化数据传输时延和最大化吞吐率的优化模型，尽可能降低节点的通信能耗，但是只是考虑简单的线性移动路径。Chen Y等人建立权衡网络生存时间和丢包率的优化模型，并采用修正的人工蜂群求解该优化模型，获得最优方案。虽然该优化方案尽可能提高网络生存时间和降低丢包率，适用于节点密集分布的三维无线传感网，但是节点能耗较高且Sink节点的移动路径较长，且没有考虑传感节点的全覆盖，不适用于节点稀疏分布的三维无线传感网。总之，相关学者较少涉及能全覆盖传感节点的Sink节点的三维移动路径选择和传感节点的数据通信问题。
发明内容：
本发明为了弥补以上现有技术中存在的不足，考虑三维监测区域内Sink节点的移动，提出一种具有移动Sink节点的三维无线传感网数据收集方法。该方法能获得全覆盖传感节点的Sink节点最优移动路径，获得能降低节点能耗的传感节点最优数据通信路由，从而Sink节点能收集到所有传感节点的数据，提高网络生存时间和传感节点的平均数据传输率，降低移动路径长度、平均节点能耗方差和丢包率。
为了实现上述目的，本发明采用如下技术方案实现：
具有移动Sink节点的三维无线传感网数据收集方法，内容包括：
(1)将三维长方体监测区域分成大小一致的正方体网格，并根据从左到右、从前到后、从上到下的原则对每一个正方体网格进行编码；
(2)建立如下数据收集优化模型，
max(100R*T/Lpath) (1)
其中，R表示数据传输率，T表示网络生存时间，Lpath表示Sink节点的移动路径长度；
所述数据收集优化模型包括传感节点全覆盖、移动路径约束、节点传输约束、能量消耗约束、链路传输量约束条件，各个约束条件如下：
s.t.CRate＝1 (1.a)
Figure BDA0002131227100000031
Figure BDA0002131227100000032
Figure BDA0002131227100000033
Figure BDA0002131227100000034
Figure BDA0002131227100000035
Figure BDA0002131227100000036
Figure BDA0002131227100000037
上述约束条件公式中的各个参数定义说明如下：
CRate表示Sink节点的数据收集覆盖率，即在Sink节点的移动路径下，Sink节点能收集到数据的传感节点数量与总数量的比值；gv表示第v个正方体网格中心，Gd表示所有网格中心集合，L(gv,gw)表示从网格中心gv到邻居网格中心gw的线段，
Figure BDA0002131227100000038
是一个状态指示符号，表示L(gv,gw)是否出现在Sink节点的移动路径上。
Figure BDA0002131227100000041
表示线段(gv,gw)在Sink节点的移动路径上，
Figure BDA0002131227100000042
表示线段(gv,gw)不在Sink节点的移动路径上；A表示该三维监测区域采用网格分割后可能出现的所有线段集合；s表示Sink节点移动路径中的初始网格中心，p表示Sink节点移动路径中的末端网格中心；
Figure BDA0002131227100000043
表示当Sink节点停留在位置g时,与节点j通信时节点i的数据发送量，Pi表示节点i的数据感知速率，tg表示Sink节点在位置g的停留时间，W表示所有传感节点集合，通过hello包的收发可确定当Sink节点停留在位置g时在Sink节点的数据收集范围内的传感节点集合
Figure BDA0002131227100000044
其他传感节点集合为
Figure BDA0002131227100000045
则
Figure BDA0002131227100000046
Figure BDA0002131227100000047
表示Sink节点停留在位置g时传感节点i的邻居传感节点集合，
Figure BDA0002131227100000048
表示传感节点i的电路电子能耗常数，与节点硬件的特性有关；
Figure BDA0002131227100000049
表示当Sink节点停留在位置g时节点i到节点j的距离，
Figure BDA00021312271000000410
表示传感节点i的信号放大常数，与节点硬件的特性有关，Dmax表示最大链路传输量；
Figure BDA00021312271000000411
表示节点i与节点j的邻居关系符号，即
Figure BDA00021312271000000412
其中，dmax表示节点的最大通信距离，
Figure BDA00021312271000000413
表示当Sink节点停留在位置g时，节点i与节点j的距离，即
Figure BDA00021312271000000414
其中，(xi,yi,zi)表示节点i的三维坐标；
约束条件(1.a)表示Sink节点的移动路径要能全覆盖所有传感节点；约束条件(1.b)和约束条件(1.c)表示Sink节点在初始网格中心上开始移动，最终到末端网格中心后停止移动；约束条件(1.d)表示进入移动路径中除了初始网格中心和末端网格中心的每一个网格中心后，一定会离开该网格中心，即进出网格中心的状态值是相同的；约束条件(1.e)表示当Sink节点从上一个网格进入当前网格后，不能重新从当前网格返回到上一个网格，从而避免移动路径选择过程中的自循环问题；约束条件(1.f)表示当传感节点在Sink节点的通信范围内，则将数据通过多跳路由的方式发送给Sink节点；约束条件(1.g)表示在整个网络生存时间内节点能耗不大于其初始能量；约束条件(1.h)表示链路的带宽资源有限且链路传输的数据总量也有限；
(3)建立Sink节点的移动路径优化模型，并初始化迭代次数K，蚂蚁个数M，各个网格的信息素、网格覆盖次数；令当前蚂蚁序号m＝1，当前迭代次数k＝1，移动路径优化模型为：
max(1/Lpath) (4)
移动路径优化模型的约束条件为：s.t.约束条件(1.a)-(1.e)；
(4)初始化蚂蚁m的初始位置，并令初始位置为蚂蚁m的当前位置；
(5)统计所有传感节点是否被Sink节点全覆盖，如果全覆盖，则m＝m+1，如果m>M，则完成符合约束条件(1.a)-(1.e)的蚂蚁m移动路径的初始化，m＝1，跳到步骤(7)，否则跳到步骤(6)；
(6)记录当前网格，并让当前位置网格覆盖次数加1，根据当前位置，获得邻居网格集合，选择该邻居网格集合中网格覆盖次数最小的网格，获得可停留的下一时刻网格集合，通过公式(5)计算下一时刻网格集合中每一个网格的选择概率，并计算累计概率；随机选择一个[0,1]区间中的随机数，选择累计概率大于该随机数的网格，并从中选择第一个网格作为下一个时刻的停留网格，令当前位置为该下一个时刻的停留网格中心，跳到步骤(5)；
Figure BDA0002131227100000051
其中，
Figure BDA0002131227100000061
表示第k次迭代时邻居网格Grid(u,w,r)的选择概率，Grid(u,w,r)表示监测区域内第u行的第w列的第r高的网格，
Figure BDA0002131227100000062
表示在第k次迭代时邻居网格Grid(u,w,r)的信息素含量；
Figure BDA0002131227100000063
表示邻居网格Grid(u,w,r)的覆盖次数，α,β表示网格信息素因子和局部启发信息因子；
(7)根据蚂蚁m的移动路径，计算移动距离Lpath，将Sink节点沿着蚂蚁m的移动路径的数据收集转换成在蚂蚁m的移动路径的每一个网格中心位置上停留的数据传收集，求解Sink节点停留在蚂蚁m的移动路径的每一个网格上的节点间数据传输优化模型，获得Sink节点停留在蚂蚁m的移动路径中每一个网格的节点间数据发送量最优值
Figure BDA0002131227100000064
(8)根据Sink节点沿着其移动路径移动时所有节点的最优数据发送量，通过公式(16)计算网络生存时间T，通过公式(17)计算所有传感节点的数据传输率R，
Figure BDA0002131227100000065
其中，
Figure BDA0002131227100000066
表示Sink节点的移动路径中能覆盖到传感节点i的网格中心数量；
Figure BDA0002131227100000067
其中，
Figure BDA0002131227100000068
表示Sink节点停留在位置g时，Sink节点接收到传感节点i的数据量；
(9)通过公式(18)，计算蚂蚁m的适应度值，m＝m+1；如果m>M，则完成所有蚂蚁移动路径的适应度值计算，跳到步骤(10)，否则跳到步骤(7)；
fitness＝100R*T/Lpath (18)
(10)通过公式(19)挥发所有网格的信息素值，并根据当前所有蚂蚁的移动路径和适应度值，选择当前适应度值最大的蚂蚁，增加该蚂蚁移动路径上的所有网格信息素；
Figure BDA0002131227100000071
其中，fitness1(k)表示第k个迭代中的最优适应度值，Rho表示挥发因子，Q表示信息素增加因子；
(11)如果k<K，则k＝k+1，m＝1，跳到步骤(4)，否则退出，输出Sink节点的最优移动路径和传感节点的最优数据传输方案。
进一步设置，所述内容(7)中求解Sink节点停留在蚂蚁m的移动路径的每一个网格上的节点间数据传输优化模型的方法如下：
(7.1)令位置g为移动路径的初始位置；
(7.2)当Sink节点停留在位置g上时，能收集其数据收集通信范围内所有传感节点的数据，未在其数据收集通信范围内的节点处于休眠状态，此时Sink节点的数据收集需让其网络生存时间最大，即Sink节点停留在位置g上时的节点间数据传输优化模型为：
min(qg＝1/Tg) (6)
s.t.
Figure BDA0002131227100000072
Figure BDA0002131227100000073
Figure BDA0002131227100000074
Figure BDA0002131227100000075
其中，Tg表示当Sink节点停留在位置g上时，其数据收集范围内所有节点组成的无线传感网生存时间，qg表示网络生存时间的倒数，是模型参数，
Figure BDA0002131227100000076
表示Sink节点停留在位置g时，传感节点i的邻居节点集合；
(7.3)引入节点数据发送量
Figure BDA0002131227100000077
的二次正规化项，得到以下具有严格凸性质的目标函数
Figure BDA0002131227100000081
将优化模型(6)转化成以下优化模型：
Figure BDA0002131227100000082
s.t.约束条件(6.a)-(6.d)
其中，
Figure BDA0002131227100000083
是正规化因子；
(7.4)引入拉格朗日乘子，得到以下拉格朗日方程：
Figure BDA0002131227100000084
其中，λi,νij,μi表示拉格朗日乘子；
(7.5)令
Figure BDA0002131227100000085
则将最小化模型(9)转化成其对偶模型；
max(λ,ν,μ)Ga(λi,νij,μi) (10)
Figure BDA0002131227100000086
Figure BDA0002131227100000087
(7.6)初始化第1次迭代的拉格朗日乘子
Figure BDA0002131227100000088
和
Figure BDA0002131227100000089
参数，求解迭代次数b＝1；
(7.7)计算迭代步长
Figure BDA00021312271000000810
其中H表示一个常数，求解公式(11)-(12)获得第b+1次迭代变量
Figure BDA00021312271000000811
和
Figure BDA00021312271000000812
Figure BDA00021312271000000813
Figure BDA00021312271000000814
其中，
Figure BDA0002131227100000091
表示方程的自变量，
Figure BDA0002131227100000092
和
Figure BDA0002131227100000093
表示第b迭代的拉格朗日乘子；
(7.8)通过公式(13)-(15)，计算第b+1迭代的拉格朗日乘子
Figure BDA0002131227100000094
和
Figure BDA0002131227100000095
Figure BDA0002131227100000096
Figure BDA0002131227100000097
Figure BDA0002131227100000098
(7.9)b＝b+1；如果b≤B,其中B表示模型求解的最大迭代次数，跳到步骤(7.7)，否则令
Figure BDA0002131227100000099
为当前节点间数据发送量的最优值
Figure BDA00021312271000000910
(7.10)获得Sink节点停留在位置g时，其数据通信范围内所有节点的数据发送量最优值
Figure BDA00021312271000000911
如果位置g是蚂蚁m移动路径的最后一个位置，则获得Sink节点沿着其移动路径移动时所有节点的最优数据发送量，退出，否则令位置g为移动路径中当前位置的下一个位置，跳到步骤(7.6)。
与现有技术相比，本发明有益效果主要表现在：将长方形监测区域划分成大小相同的三维正方体网格，建立包括传感节点全覆盖约束、Sink移动路径选择约束、节点传输约束、能量消耗约束、链路传输量约束等约束条件的数据收集优化模型；求解Sink节点停留在已知移动路径的每一个网格上的节点间数据传输优化模型，并提出该移动路径的适应度值计算方法，根据移动路径的适应度值，求解Sink节点的移动路径优化模型，最终获得最优方案，即获得能全覆盖传感节点的Sink节点最优移动路径，获得能降低节点能耗的传感节点最优数据通信路由，从而Sink节点能收集所有传感节点的数据，并能提高网络生存时间和传感节点的平均数据传输率、降低移动路径长度、降低平均节点能耗方差和丢包率。
以下通过附图和具体实施方式对本发明做进一步阐述。
附图说明：
图1为本发明实施例中的工作流程图。
具体实施方式：
具有移动Sink节点的三维无线传感网数据收集方法，如图1所示，方法如下：
(1)将三维长方体监测区域分成大小一致的正方体网格，并根据从左到右、从前到后、从上到下的原则对每一个正方体网格进行编码；
(2)建立如下数据收集优化模型，
max(100R*T/Lpath) (1)
其中，R表示数据传输率，T表示网络生存时间，Lpath表示Sink节点的移动路径长度；
数据收集优化模型包括传感节点全覆盖、移动路径约束、节点传输约束、能量消耗约束、链路传输量约束条件，各个约束条件如下：
s.t.CRate＝1 (1.a)
Figure BDA0002131227100000101
Figure BDA0002131227100000102
Figure BDA0002131227100000103
Figure BDA0002131227100000104
Figure BDA0002131227100000105
Figure BDA0002131227100000106
Figure BDA0002131227100000111
上述约束条件公式中的各个参数定义说明如下：
CRate表示Sink节点的数据收集覆盖率，即在Sink节点的移动路径下，Sink节点能收集到数据的传感节点数量与总数量的比值。gv表示第v个正方体网格中心，Gd表示所有网格中心集合，L(gv,gw)表示从网格中心gv到邻居网格中心gw的线段，
Figure BDA0002131227100000112
是一个状态指示符号，表示L(gv,gw)是否出现在Sink节点的移动路径上。
Figure BDA0002131227100000113
表示线段(gv,gw)在Sink节点的移动路径上，
Figure BDA0002131227100000114
表示线段(gv,gw)不在Sink节点的移动路径上。A表示该三维监测区域采用网格分割后可能出现的所有线段集合。s表示Sink节点移动路径中的初始网格中心，p表示Sink节点移动路径中的末端网格中心。
Figure BDA0002131227100000115
表示当Sink节点停留在位置g时,与节点j通信时节点i的数据发送量，Pi表示节点i的数据感知速率，tg表示Sink节点在位置g的停留时间，W表示所有传感节点集合，通过hello包的收发可确定当Sink节点停留在位置g时在Sink节点的数据收集范围内的传感节点集合
Figure BDA0002131227100000116
其他传感节点集合为
Figure BDA0002131227100000117
则
Figure BDA0002131227100000118
Figure BDA0002131227100000119
表示Sink节点停留在位置g时传感节点i的邻居传感节点集合，
Figure BDA00021312271000001110
表示传感节点i的电路电子能耗常数，与节点硬件的特性有关。
Figure BDA00021312271000001111
表示当Sink节点停留在位置g时节点i到节点j的距离，
Figure BDA00021312271000001112
表示传感节点i的信号放大常数，与节点硬件的特性有关，Dmax表示最大链路传输量。
Figure BDA00021312271000001113
表示节点i与节点j的邻居关系符号，即
Figure BDA00021312271000001114
其中，dmax表示节点的最大通信距离，
Figure BDA00021312271000001115
表示当Sink节点停留在位置g时，节点i与节点j的距离，即
Figure BDA0002131227100000121
其中，(xi,yi,zi)表示节点i的三维坐标。
约束条件(1.a)表示Sink节点的移动路径要能全覆盖所有传感节点；约束条件(1.b)和约束条件(1.c)表示Sink节点在初始网格中心上开始移动，最终到末端网格中心后停止移动；约束条件(1.d)表示进入移动路径中除了初始网格中心和末端网格中心的每一个网格中心后，一定会离开该网格中心，即进出网格中心的状态值是相同的；约束条件(1.e)表示当Sink节点从上一个网格进入当前网格后，不能重新从当前网格返回到上一个网格，从而避免移动路径选择过程中的自循环问题；约束条件(1.f)表示当传感节点在Sink节点的通信范围内，则将数据通过多跳路由的方式发送给Sink节点；约束条件(1.g)表示在整个网络生存时间内节点能耗不大于其初始能量；约束条件(1.h)表示链路的带宽资源有限且链路传输的数据总量也有限；
(3)建立Sink节点的移动路径优化模型，并初始化迭代次数K，蚂蚁个数M，各个网格的信息素、网格覆盖次数；令当前蚂蚁序号m＝1，当前迭代次数k＝1，移动路径优化模型为：
max(1/Lpath) (4)
移动路径优化模型的约束条件为：s.t.约束条件(1.a)-(1.e)；
(4)初始化蚂蚁m的初始位置，并令初始位置为蚂蚁m的当前位置；
(5)统计所有传感节点是否被Sink节点全覆盖，如果全覆盖，则m＝m+1，如果m>M，则完成符合约束条件(1.a)-(1.e)的蚂蚁m移动路径的初始化，m＝1，跳到步骤(7)，否则跳到步骤(6)；
(6)记录当前网格，并让当前位置网格覆盖次数加1，根据当前位置，获得邻居网格集合，选择该邻居网格集合中网格覆盖次数最小的网格，获得可停留的下一时刻网格集合，通过公式(5)计算下一时刻网格集合中每一个网格的选择概率，并计算累计概率；随机选择一个[0,1]区间中的随机数，选择累计概率大于该随机数的网格，并从中选择第一个网格作为下一个时刻的停留网格，令当前位置为该下一个时刻的停留网格中心，跳到步骤(5)；
Figure BDA0002131227100000131
其中，
Figure BDA0002131227100000132
表示第k次迭代时邻居网格Grid(u,w,r)的选择概率，Grid(u,w,r)表示监测区域内第u行的第w列的第r高的网格，
Figure BDA0002131227100000133
表示在第k次迭代时邻居网格Grid(u,w,r)的信息素含量；
Figure BDA0002131227100000134
表示邻居网格Grid(u,w,r)的覆盖次数，α,β表示网格信息素因子和局部启发信息因子；
(7)根据蚂蚁m的移动路径，计算移动距离Lpath，将Sink节点沿着蚂蚁m的移动路径的数据收集转换成在蚂蚁m的移动路径的每一个网格中心位置上停留的数据传收集，求解Sink节点停留在蚂蚁m的移动路径的每一个网格上的节点间数据传输优化模型，获得Sink节点停留在蚂蚁m的移动路径中每一个网格的节点间数据发送量最优值
Figure BDA0002131227100000135
所述求解Sink节点停留在蚂蚁m的移动路径的每一个网格上的节点间数据传输优化模型的方法如下：
(7.1)令位置g为移动路径的初始位置；
(7.2)当Sink节点停留在位置g上时，能收集其数据收集通信范围内所有传感节点的数据，未在其数据收集通信范围内的节点处于休眠状态，此时Sink节点的数据收集需让其网络生存时间最大，即Sink节点停留在位置g上时的节点间数据传输优化模型为：
min(qg＝1/Tg) (6)
s.t.
Figure BDA0002131227100000136
Figure BDA0002131227100000141
Figure BDA0002131227100000142
Figure BDA0002131227100000143
其中，Tg表示当Sink节点停留在位置g上时，其数据收集范围内所有节点组成的无线传感网生存时间，qg表示网络生存时间的倒数，是模型参数，
Figure BDA0002131227100000144
表示Sink节点停留在位置g时，传感节点i的邻居节点集合；
(7.3)引入节点数据发送量
Figure BDA0002131227100000145
的二次正规化项，得到以下具有严格凸性质的目标函数
Figure BDA0002131227100000146
将优化模型(6)转化成以下优化模型：
Figure BDA0002131227100000147
s.t.约束条件(6.a)-(6.d)
其中，
Figure BDA0002131227100000148
是正规化因子；
(7.4)引入拉格朗日乘子，得到以下拉格朗日方程：
Figure BDA0002131227100000149
其中，λi,νij,μi表示拉格朗日乘子；
(7.5)令
Figure BDA00021312271000001410
则将最小化模型(9)转化成其对偶模型；
max(λ,ν,μ)Ga(λi,νij,μi) (10)
Figure BDA00021312271000001411
Figure BDA0002131227100000151
(7.6)初始化第1次迭代的拉格朗日乘子
Figure BDA0002131227100000152
和
Figure BDA0002131227100000153
参数，求解迭代次数b＝1；
(7.7)计算迭代步长
Figure BDA0002131227100000154
其中H表示一个常数，求解公式(11)-(12)获得第b+1次迭代变量
Figure BDA0002131227100000155
和
Figure BDA0002131227100000156
Figure BDA0002131227100000157
Figure BDA0002131227100000158
其中，
Figure BDA0002131227100000159
表示方程的自变量，
Figure BDA00021312271000001510
和
Figure BDA00021312271000001511
表示第b迭代的拉格朗日乘子；
(7.8)通过公式(13)-(15)，计算第b+1迭代的拉格朗日乘子
Figure BDA00021312271000001512
和
Figure BDA00021312271000001513
Figure BDA00021312271000001514
Figure BDA00021312271000001515
Figure BDA00021312271000001516
(7.9)b＝b+1；如果b≤B,其中B表示模型求解的最大迭代次数，跳到步骤(7.7)，否则令
Figure BDA00021312271000001517
为当前节点间数据发送量的最优值
Figure BDA00021312271000001518
(7.10)获得Sink节点停留在位置g时，其数据通信范围内所有节点的数据发送量最优值
Figure BDA00021312271000001519
如果位置g是蚂蚁m移动路径的最后一个位置，则获得Sink节点沿着其移动路径移动时所有节点的最优数据发送量，退出，否则令位置g为移动路径中当前位置的下一个位置，跳到步骤(7.6)。
(8)根据Sink节点沿着其移动路径移动时所有节点的最优数据发送量，通过公式(16)计算网络生存时间T，通过公式(17)计算所有传感节点的数据传输率R，
Figure BDA0002131227100000161
其中，
Figure BDA0002131227100000162
表示Sink节点的移动路径中能覆盖到传感节点i的网格中心数量；
Figure BDA0002131227100000163
其中，
Figure BDA0002131227100000164
表示Sink节点停留在位置g时，Sink节点接收到传感节点i的数据量；
(9)通过公式(18)，计算蚂蚁m的适应度值，m＝m+1；如果m>M，则完成所有蚂蚁移动路径的适应度值计算，跳到步骤(10)，否则跳到步骤(7)；
fitness＝100R*T/Lpath (18)
(10)通过公式(19)挥发所有网格的信息素值，并根据当前所有蚂蚁的移动路径和适应度值，选择当前适应度值最大的蚂蚁，增加该蚂蚁移动路径上的所有网格信息素；
Figure BDA0002131227100000165
其中，fitness1(k)表示第k个迭代中的最优适应度值，Rho表示挥发因子，Q表示信息素增加因子；
(12)如果k<K，则k＝k+1，m＝1，跳到步骤(4)，否则退出，输出Sink节点的最优移动路径和传感节点的最优数据传输方案。
本发明提供了一种具有移动Sink节点的三维无线传感网数据收集方法。将长方形监测区域划分成大小相同的三维正方体网格，建立包括传感节点全覆盖约束、Sink移动路径选择约束、节点传输约束、能量消耗约束、链路传输量约束等约束条件的数据收集优化模型；求解Sink节点停留在已知移动路径的每一个网格上的节点间数据传输优化模型，并提出该移动路径的适应度值计算方法，根据移动路径的适应度值，求解Sink节点的移动路径优化模型，最终获得最优方案，即获得能全覆盖传感节点的Sink节点最优移动路径，获得能降低节点能耗的传感节点最优数据通信路由，从而Sink节点能收集所有传感节点的数据，并能提高网络生存时间和传感节点的平均数据传输率、降低移动路径长度、降低平均节点能耗方差和丢包率。
以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围中。

Claims (2)

1.具有移动Sink节点的三维无线传感网数据收集方法，其特征在于：内容包括：
(1)将三维长方体监测区域分成大小一致的正方体网格，并根据从左到右、从前到后、从上到下的原则对每一个正方体网格进行编码；
(2)建立如下数据收集优化模型，
max(100R*T/Lpath) (1)
其中，R表示数据传输率，T表示网络生存时间，Lpath表示Sink节点的移动路径长度；
所述数据收集优化模型包括传感节点全覆盖、移动路径约束、节点传输约束、能量消耗约束、链路传输量约束条件，各个约束条件如下：
s.t.CRate＝1 (1.a)
Figure FDA0002131227090000011
Figure FDA0002131227090000012
Figure FDA0002131227090000013
Figure FDA0002131227090000014
Figure FDA0002131227090000015
Figure FDA0002131227090000016
Figure FDA0002131227090000017
上述约束条件公式中的各个参数定义说明如下：
CRate表示Sink节点的数据收集覆盖率，即在Sink节点的移动路径下，Sink节点能收集到数据的传感节点数量与总数量的比值；gv表示第v个正方体网格中心，Gd表示所有网格中心集合，L(gv,gw)表示从网格中心gv到邻居网格中心gw的线段，
Figure FDA0002131227090000021
是一个状态指示符号，表示L(gv,gw)是否出现在Sink节点的移动路径上；
Figure FDA0002131227090000022
表示线段(gv,gw)在Sink节点的移动路径上，
Figure FDA0002131227090000023
表示线段(gv,gw)不在Sink节点的移动路径上；A表示该三维监测区域采用网格分割后可能出现的所有线段集合；s表示Sink节点移动路径中的初始网格中心，p表示Sink节点移动路径中的末端网格中心；
Figure FDA0002131227090000024
表示当Sink节点停留在位置g时,与节点j通信时节点i的数据发送量，Pi表示节点i的数据感知速率，tg表示Sink节点在位置g的停留时间，W表示所有传感节点集合，通过hello包的收发可确定当Sink节点停留在位置g时在Sink节点的数据收集范围内的传感节点集合
Figure FDA0002131227090000025
其他传感节点集合为
Figure FDA0002131227090000026
则
Figure FDA0002131227090000027
Figure FDA0002131227090000028
表示Sink节点停留在位置g时传感节点i的邻居传感节点集合，
Figure FDA0002131227090000029
表示传感节点i的电路电子能耗常数，与节点硬件的特性有关；
Figure FDA00021312270900000210
表示当Sink节点停留在位置g时节点i到节点j的距离，
Figure FDA00021312270900000211
表示传感节点i的信号放大常数，与节点硬件的特性有关，Dmax表示最大链路传输量；
Figure FDA00021312270900000212
表示节点i与节点j的邻居关系符号，即
Figure FDA00021312270900000213
其中，dmax表示节点的最大通信距离，
Figure FDA00021312270900000214
表示当Sink节点停留在位置g时，节点i与节点j的距离，即
Figure FDA00021312270900000215
其中，(xi,yi,zi)表示节点i的三维坐标；
约束条件(1.a)表示Sink节点的移动路径要能全覆盖所有传感节点；约束条件(1.b)和约束条件(1.c)表示Sink节点在初始网格中心上开始移动，最终到末端网格中心后停止移动；约束条件(1.d)表示进入移动路径中除了初始网格中心和末端网格中心的每一个网格中心后，一定会离开该网格中心，即进出网格中心的状态值是相同的；约束条件(1.e)表示当Sink节点从上一个网格进入当前网格后，不能重新从当前网格返回到上一个网格，从而避免移动路径选择过程中的自循环问题；约束条件(1.f)表示当传感节点在Sink节点的通信范围内，则将数据通过多跳路由的方式发送给Sink节点；约束条件(1.g)表示在整个网络生存时间内节点能耗不大于其初始能量；约束条件(1.h)表示链路的带宽资源有限且链路传输的数据总量也有限；
(3)建立Sink节点的移动路径优化模型，并初始化迭代次数K，蚂蚁个数M，各个网格的信息素、网格覆盖次数；令当前蚂蚁序号m＝1，当前迭代次数k＝1，移动路径优化模型为：
max(1/Lpath) (4)
移动路径优化模型的约束条件为：s.t.约束条件(1.a)-(1.e)；
(4)初始化蚂蚁m的初始位置，并令初始位置为蚂蚁m的当前位置；
(5)统计所有传感节点是否被Sink节点全覆盖，如果全覆盖，则m＝m+1，如果m>M，则完成符合约束条件(1.a)-(1.e)的蚂蚁m移动路径的初始化，m＝1，跳到步骤(7)，否则跳到步骤(6)；
(6)记录当前网格，并让当前位置网格覆盖次数加1，根据当前位置，获得邻居网格集合，选择该邻居网格集合中网格覆盖次数最小的网格，获得可停留的下一时刻网格集合，通过公式(5)计算下一时刻网格集合中每一个网格的选择概率，并计算累计概率；随机选择一个[0,1]区间中的随机数，选择累计概率大于该随机数的网格，并从中选择第一个网格作为下一个时刻的停留网格，令当前位置为该下一个时刻的停留网格中心，跳到步骤(5)；
Figure FDA0002131227090000041
其中，
Figure FDA0002131227090000042
表示第k次迭代时邻居网格Grid(u,w,r)的选择概率，Grid(u,w,r)表示监测区域内第u行的第w列的第r高的网格，
Figure FDA0002131227090000043
表示在第k次迭代时邻居网格Grid(u,w,r)的信息素含量；
Figure FDA0002131227090000044
表示邻居网格Grid(u,w,r)的覆盖次数，α,β表示网格信息素因子和局部启发信息因子；
(7)根据蚂蚁m的移动路径，计算移动距离Lpath，将Sink节点沿着蚂蚁m的移动路径的数据收集转换成在蚂蚁m的移动路径的每一个网格中心位置上停留的数据传收集，求解Sink节点停留在蚂蚁m的移动路径的每一个网格上的节点间数据传输优化模型，获得Sink节点停留在蚂蚁m的移动路径中每一个网格的节点间数据发送量最优值
Figure FDA0002131227090000045
(8)根据Sink节点沿着其移动路径移动时所有节点的最优数据发送量，通过公式(16)计算网络生存时间T，通过公式(17)计算所有传感节点的数据传输率R，
Figure FDA0002131227090000046
其中，
Figure FDA0002131227090000047
表示Sink节点的移动路径中能覆盖到传感节点i的网格中心数量；
Figure FDA0002131227090000048
其中，
Figure FDA0002131227090000049
表示Sink节点停留在位置g时，Sink节点接收到传感节点i的数据量；
(9)通过公式(18)，计算蚂蚁m的适应度值，m＝m+1；如果m>M，则完成所有蚂蚁移动路径的适应度值计算，跳到步骤(10)，否则跳到步骤(7)；
fitness＝100R*T/Lpath (18)
(10)通过公式(19)挥发所有网格的信息素值，并根据当前所有蚂蚁的移动路径和适应度值，选择当前适应度值最大的蚂蚁，增加该蚂蚁移动路径上的所有网格信息素；
Figure FDA0002131227090000051
其中，fitness1(k)表示第k个迭代中的最优适应度值，Rho表示挥发因子，Q表示信息素增加因子；
(11)如果k<K，则k＝k+1，m＝1，跳到步骤(4)，否则退出，输出Sink节点的最优移动路径和传感节点的最优数据传输方案。
2.根据权利要求1所述的具有移动Sink节点的三维无线传感网数据收集方法，其特征在于：所述内容(7)中求解Sink节点停留在蚂蚁m的移动路径的每一个网格上的节点间数据传输优化模型的方法如下：
(7.1)令位置g为移动路径的初始位置；
(7.2)当Sink节点停留在位置g上时，能收集其数据收集通信范围内所有传感节点的数据，未在其数据收集通信范围内的节点处于休眠状态，此时Sink节点的数据收集需让其网络生存时间最大，即Sink节点停留在位置g上时的节点间数据传输优化模型为：
min(qg＝1/Tg) (6)
s.t.
Figure FDA0002131227090000052
Figure FDA0002131227090000053
Figure FDA0002131227090000054
Figure FDA0002131227090000055
其中，Tg表示当Sink节点停留在位置g上时，其数据收集范围内所有节点组成的无线传感网生存时间，qg表示网络生存时间的倒数，是模型参数，
Figure FDA0002131227090000061
表示Sink节点停留在位置g时，传感节点i的邻居节点集合；
(7.3)引入节点数据发送量
Figure FDA0002131227090000062
的二次正规化项，得到以下具有严格凸性质的目标函数
Figure FDA0002131227090000063
将优化模型(6)转化成以下优化模型：
Figure FDA0002131227090000064
s.t.约束条件(6.a)-(6.d)
其中，
Figure FDA0002131227090000065
是正规化因子；
(7.4)引入拉格朗日乘子，得到以下拉格朗日方程：
Figure FDA0002131227090000066
其中，λi,νij,μi表示拉格朗日乘子；
(7.5)令
Figure FDA0002131227090000067
则将最小化模型(9)转化成其对偶模型；
max(λ,ν,μ)Ga(λi,νij,μi) (10)
Figure FDA0002131227090000068
Figure FDA0002131227090000069
(7.6)初始化第1次迭代的拉格朗日乘子
Figure FDA00021312270900000610
和
Figure FDA00021312270900000611
参数，求解迭代次数b＝1；
(7.7)计算迭代步长
Figure FDA00021312270900000612
其中H表示一个常数，求解公式(11)-(12)获得第b+1次迭代变量
Figure FDA0002131227090000071
和
Figure FDA0002131227090000072
Figure FDA0002131227090000073
Figure FDA0002131227090000074
其中，
Figure FDA0002131227090000075
表示方程的自变量，
Figure FDA0002131227090000076
和
Figure FDA0002131227090000077
表示第b迭代的拉格朗日乘子；
(7.8)通过公式(13)-(15)，计算第b+1迭代的拉格朗日乘子
Figure FDA0002131227090000078
和
Figure FDA0002131227090000079
Figure FDA00021312270900000710
Figure FDA00021312270900000711
Figure FDA00021312270900000712
(7.9)b＝b+1；如果b≤B,其中B表示模型求解的最大迭代次数，跳到步骤(7.7)，否则令
Figure FDA00021312270900000713
为当前节点间数据发送量的最优值
Figure FDA00021312270900000714
(7.10)获得Sink节点停留在位置g时，其数据通信范围内所有节点的数据发送量最优值
Figure FDA00021312270900000715
如果位置g是蚂蚁m移动路径的最后一个位置，则获得Sink节点沿着其移动路径移动时所有节点的最优数据发送量，退出，否则令位置g为移动路径中当前位置的下一个位置，跳到步骤(7.6)。
CN201910638939.3A 2019-04-24 2019-07-16 具有移动Sink节点的三维无线传感网数据收集方法 Active CN110191480B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910332786 2019-04-24
CN201910332786X 2019-04-24

Publications (2)

Publication Number Publication Date
CN110191480A CN110191480A (zh) 2019-08-30
CN110191480B true CN110191480B (zh) 2022-05-06

Family

ID=67725800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910638939.3A Active CN110191480B (zh) 2019-04-24 2019-07-16 具有移动Sink节点的三维无线传感网数据收集方法

Country Status (1)

Country Link
CN (1) CN110191480B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516424B (zh) * 2020-04-10 2024-04-12 北京京东振世信息技术有限公司 一种线路生成方法、装置、电子设备和存储介质
CN111479236B (zh) * 2020-05-12 2022-04-01 上海海洋大学 一种分布式无线传感网络的组网节点模式及其网络节点部署方法
CN112566241B (zh) * 2020-12-03 2022-07-29 浙江树人学院（浙江树人大学） 基于移动锚点的三维无线传感网节点定位方法

Citations (9)

* Cited by examiner, † Cited by third party
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
CN102802229A (zh) * 2012-08-28 2012-11-28 重庆电子工程职业学院 在水环境中无线传感器网络的qos路由长寿路径的确定方法
CN102917430A (zh) * 2012-10-17 2013-02-06 上海大学 基于量子蚁群算法的无线传感器网络可信安全路由
CN103095572A (zh) * 2013-01-29 2013-05-08 山东省计算中心 一种移动多Sink型无线传感器网络的路由维护方法
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN103281741A (zh) * 2013-05-16 2013-09-04 东南大学 一种基于六边形区域划分的无线传感器网络分簇路由方法
CN103327564A (zh) * 2013-05-30 2013-09-25 电子科技大学 基于蚁群算法的无线传感器网络路由方法
CN103532667A (zh) * 2013-09-30 2014-01-22 西安电子科技大学 基于孙子剩余定理的无线传感器网络数据可靠传输方法
CN105246097A (zh) * 2015-09-11 2016-01-13 浙江树人大学 一种具有移动Sink节点的无线传感网生存时间优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009006560B4 (de) * 2009-01-27 2011-06-16 Freie Universität Berlin Verfahren und Sensornetz zur Merkmalsauswahl für eine Ereigniserkennung
US8630222B2 (en) * 2011-02-24 2014-01-14 The Hong Kong University Of Science And Technology Delay-constrained and energy-efficient online routing for asynchronous sensor networks

Patent Citations (9)

* Cited by examiner, † Cited by third party
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
CN102802229A (zh) * 2012-08-28 2012-11-28 重庆电子工程职业学院 在水环境中无线传感器网络的qos路由长寿路径的确定方法
CN102917430A (zh) * 2012-10-17 2013-02-06 上海大学 基于量子蚁群算法的无线传感器网络可信安全路由
CN103095572A (zh) * 2013-01-29 2013-05-08 山东省计算中心 一种移动多Sink型无线传感器网络的路由维护方法
CN103228023A (zh) * 2013-04-25 2013-07-31 青岛农业大学 基于粒子群蚁群优化的无线传感器网络分簇路由方法
CN103281741A (zh) * 2013-05-16 2013-09-04 东南大学 一种基于六边形区域划分的无线传感器网络分簇路由方法
CN103327564A (zh) * 2013-05-30 2013-09-25 电子科技大学 基于蚁群算法的无线传感器网络路由方法
CN103532667A (zh) * 2013-09-30 2014-01-22 西安电子科技大学 基于孙子剩余定理的无线传感器网络数据可靠传输方法
CN105246097A (zh) * 2015-09-11 2016-01-13 浙江树人大学 一种具有移动Sink节点的无线传感网生存时间优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Efficient geographical 3D routing for Wireless Sensor Networks in smart spaces;Zhixiao Wang;《2011 Baltic Congress on Future Internet and Communications》;20111231;全文 *
基于QoS保障的水下无线传感器网络拓扑控制及路由协议的研究;刘斌;《中国优秀博士论文合辑》;20171231;全文 *

Also Published As

Publication number Publication date
CN110191480A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110191480B (zh) 具有移动Sink节点的三维无线传感网数据收集方法
Kuila et al. Energy efficient clustering and routing algorithms for wireless sensor networks: Particle swarm optimization approach
CN103052147B (zh) 一种基于无线传感网的能量有效性多级环形组网的方法
CN108055685A (zh) 无线传感器网络中的簇头节点和传感器节点
CN111526592B (zh) 一种用于无线干扰信道中的非协作多智能体功率控制方法
CN112637907B (zh) 毫米波网络中用户多关联和下行功率分配的联合优化方法
Almalki Developing an adaptive channel modelling using a genetic algorithm technique to enhance aerial vehicle-to-everything wireless communications
Zorbas et al. Collision-free sensor data collection using lorawan and drones
CN114040473A (zh) 一种无线传感器网络分簇路由方法
CN115589250A (zh) 一种星地中继物联网大规模中继选择与功率控制方法
Cai et al. Age-oriented access control in GEO/LEO heterogeneous network for marine IoRT: A deep reinforcement learning approach
CN113115355B (zh) 一种d2d系统中基于深度强化学习的功率分配方法
Fareed et al. Analyzing energy-efficiency and route-selection of multi-level hierarchal routing protocols in WSNs
Philip et al. Entropy weighted-based (EWB) I-LEACH protocol for energy-efficient IoT applications
Diakhate et al. Optimization of wireless sensor networks energy consumption by the clustering method based on the firefly algorithm
CN108769944B (zh) 面向桥梁结构健康监测的mp-mr-mc无线传感器网络数据收集方法
Denkovski et al. Extension of the WSN lifetime through controlled mobility
CN113242182B (zh) 基于SDN的移动自组织网络中QoS敏感的路由分配方法
CN111615166B (zh) 一种面向农业应用的无人机自组网分簇评判方法
CN115412156B (zh) 一种面向城市监测的卫星携能物联网资源优化分配方法
CN115633388A (zh) 一种基于遗传算法的异构无线传感器网络高能效分簇方法
Shang et al. An Optimization Method of Dynamic Source Routing Protocol in Flying Ad Hoc Network
Kheriji Design of an energy-aware unequal clustering protocol based on fuzzy logic for wireless sensor networks
Manikandan et al. Improved Rat Swarm Based Multihop Routing Protocol for Wireless Sensor Networks
Li et al. Improvement of the SEP protocol based on community structure of node degree

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