CN110324878A - 一种cwsn中基于蚁群的非均匀分簇apteen路由算法及网络系统 - Google Patents
一种cwsn中基于蚁群的非均匀分簇apteen路由算法及网络系统 Download PDFInfo
- Publication number
- CN110324878A CN110324878A CN201910619105.8A CN201910619105A CN110324878A CN 110324878 A CN110324878 A CN 110324878A CN 201910619105 A CN201910619105 A CN 201910619105A CN 110324878 A CN110324878 A CN 110324878A
- Authority
- CN
- China
- Prior art keywords
- cluster head
- cluster
- ant
- node
- candidate
- 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
- 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
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Small-Scale Networks (AREA)
Abstract
本发明公开了一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法及网络系统,该路由算法包括以下步骤:认知节点进行频谱感知;计算候选簇头概率;判断候选簇头概率是否大于预设概率,是则令第i个节点为候选簇头;判断候选簇头的剩余能量是否大于竞争半径范围内候选簇头的剩余能量,是则使i成为簇头;判断认知节点是否与簇头具有公共信道;在认知节点与簇头具有公共信道时,认知节点请求加入邻近的簇头;判断传输的数据是否满足硬阈值、软阈值,是则通过认知节点将数据传输至簇头;在数据传输至簇头后,簇头将数据经多跳传输至基站。本发明采用非均匀分簇算法,降低靠近基站的簇头的任务量,延长网络生存周期,减少死亡节点数。
Description
技术领域
本发明涉及通讯技术领域的一种路由算法,尤其涉及一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法,还涉及一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法在OPNET中的网络系统。
背景技术
认知无线传感器网络分簇路由协议能够有效降低拓扑管理的复杂度,目前,大部分认知无线传感器网络分簇路由协议都是以无线传感器网络分簇路由协议为基础,但认知无线传感器网络的频谱动态变化,需在无线传感器网络分簇路由协议的基础上添加频谱,以便适应认知无线传感器网络。
APTEEN是经典均匀分簇协议,其既可以周期地发送数据,又可以立即响应突发事件。APTEEN以多跳形式传输数据时,会使靠近基站的簇头承担较多任务,产生“热区”现象,使生存周期下降,死亡节点个数增多。
发明内容
针对现有的技术问题,本发明提供一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法及网络系统,解决了现有的经典均匀分簇协议会使靠近基站的簇头承担较多任务,产生“热区”现象,使生存周期下降,死亡节点个数增多的问题。
本发明采用以下技术方案实现:一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其包括以下步骤:
步骤S1,通过认知节点进行频谱感知;
步骤S2,计算候选簇头概率;
步骤S3,判断所述候选簇头概率是否大于一个预设概率;
在所述候选簇头概率大于所述预设概率时,执行步骤S4,令第i个节点为候选簇头,并在竞争半径内广播竞争簇头信息;
步骤S5,判断第i个候选簇头的剩余能量是否大于竞争半径范围内其他候选簇头的剩余能量;
在第i个候选簇头的剩余能量大于所述竞争半径范围内候选簇头的剩余能量时,执行步骤S6,使i成为簇头,并广播竞选成功消息;
步骤S7,在簇头广播所述竞选成功消息后,如果节点与簇头有相同信道,则发送请求加入消息;在簇建立完成后,使簇头广播硬阈值、软阈值、计数时间以及TDMA时隙表;
在所述候选簇头概率不大于所述预设概率或第i个候选簇头的剩余能量不大于所述竞争半径范围内候选簇头的剩余能量时,执行步骤S8,使未成为候选簇头的节点等待簇头广播的竞选成功消息;
步骤S9,在接收所述竞选成功消息后,判断所述感知节点是否与簇头具有公共空闲信道;
在所述认知节点与簇头具有公共空闲信道时,执行步骤S10,使所述认知节点加入该簇头,并等待对应的簇头广播所述硬阈值、所述软阈值、所述计数时间以及所述TDMA时隙表;
在所述认知节点与簇头没有公共空闲信道时,执行步骤S1;
步骤S11,采集传输数据,判断所述传输数据是否满足硬阈值、软阈值;
在所述传输数据满足硬阈值、软阈值时,执行步骤S12,通过所述认知节点将传输数据传输至簇头;
在所述传输数据不满足硬阈值、软阈值时,执行步骤S13,判断时间间隔是否超出计数时间;
在所述时间间隔超出所述计数时间时,执行步骤S14,将所述传输数据直接传输至基站;
在所述时间间隔未超出所述计数时间时,执行步骤S12;
在所述传输数据传输至簇头后,执行步骤S15,使簇头通过蚁群算法将所述传输数据经多跳传输至基站。
作为上述方案的进一步改进,在步骤S1中,对授权用户进行检测,将认知节点感知的空闲信道数作为影响候选簇头选取的因子;
在步骤S2中,所述候选簇头概率Pi(t)的计算公式为:
其中,k为簇头的期望个数,y表示信道的总数,α为固定参数,ci表示节点感知到的空闲信道数。
作为上述方案的进一步改进,所述预设概率为0.4。
作为上述方案的进一步改进,在步骤S11之前,执行步骤S101,使蚂蚁在簇间进行路径搜索,将所述空闲信道数和能量消耗作为启发信息,并更新簇头路由表;
在步骤S11之后,执行步骤S102,通过所述认知节点将满足的所述硬阈值、所述软阈值、所述计数时间的数据发送至簇头,通过簇头将相应数据沿着蚁群算法搜索到的路径传输至基站。
进一步地,在步骤S101中,转移概率的计算公式为:
其中,表示节点i在t时刻将第k只蚂蚁转发至节点j的概率,lij表示簇头的邻簇头感知到的空闲信道数,表示能量消耗的启发信息,τij表示节点i到节点j的路径上的信息素浓度;α、γ、β分别为信息素权重值、启发因子权重值、空闲信道权重值,allowed表示第k只蚂蚁可以访问的节点。
再进一步地,在簇间进行路径搜索的搜索方法包括以下步骤:
(a)在控制信道发送f-ant;其中,定义相邻的簇头分别为CHi和CHj,簇头CHi发送f-ant,f-ant为寻找从簇头CHi到基站的频谱可行路径的前向蚂蚁;
(b)当簇头CHj感知的空闲信道数lij>0时,将簇头CHj的地址和感知到的空闲信道数放入f-ant;
(c)根据转移概率的计算公式,将f-ant发送到下一跳。
再进一步地,簇头路由表中信息素的更新规则公式为:
其中,ρ表示信息素挥发系数,0<ρ<1;
所述搜索方法还包括以下步骤:
(d)在每只f-ant从簇头到达基站后,将收集的信息存放在基站中;
(e)计算出路径大约值,确定所述路径大约值最大的路径为最佳路径;所述路径大约值的计算公式为:
式中,M为f-ant经过多个簇头后收集的空闲信道总数,L表示蚂蚁从簇头到基站所经过的总路径长度;
簇头路由表的更新方法包括以下步骤:
在所有f-ant到达基站后,派出b-ant对f-ant选出的最佳路径进行全局信息素更新;其中,全局信息素更新公式为
进一步地,所述候选簇头的选取公式为:
其中,Ecur表示节点的剩余能量,Eint表示节点的初始能量。
再进一步地,所述竞争半径的计算公式为:
dmax表示节点到基站的最大距离,dmin表示节点到基站的最小距离;d(si,BS)表示候选簇头到基站的距离,为节点的最大竞争半径。
本发明还提供一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法在OPNET中的网络系统,其包括授权用户的节点层模型和认知用户的节点层模型;所述授权用户的节点层模型包括:
source模块一,其用于产生数据包;
mac模块一,其用于完成分组接入信道,并且给所述授权用户装订采用的频点;
所述认知用户的节点层模型包括:
source模块二,其用于随机产生分布在0~100之间的数据分组;
mac模块二,其用于多信道的分组接入,在控制信道发送控制分组;
check模块,其用于对频谱进行检测,检测各个信道的能量,并通过能量值进行估算,判断当前信道是否处于繁忙状态,并通过状态线将结果发送到route模块;
route模块,其表示路由模块,用于实现上述任意所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的所有步骤。
本发明的CWSN中基于蚁群的非均匀分簇APTEEN路由算法及网络系统,该路由算法通过两个阶段进行优化,第一个阶段优化候选簇头,第二个阶段对竞争半径进行优化,并考虑候选簇头的剩余能量,使竞争半径动态变化,平衡了频谱利用率和网络生存周期,有效地延长网络生存周期,解决了离基站近的簇头承担较多任务的问题,使网络生存周期下降速度变缓。
在本发明中,路由算法以多跳方式传输数据,簇头将数据经过多个中间簇头转发传输到基站,这样能有效地降低簇头单次传输数据消耗的能量,从而降低死亡节点数,同时采用非均匀分簇算法,降低了靠近基站的簇头承担的任务量,延长了簇头的寿命。另外,路由路由算法以多跳形式传输数据,簇头将数据经过多个中间簇头后传输到基站,这样能有效地降低簇头单次传输数据消耗的能量,从而使网络生存周期有较大的值,而且在簇头有较少剩余能量时,就有较小的竞争半径,进而推迟了节点起始死亡的时间,降低了节点死亡速度,延长了网络生存周期。
附图说明
图1为本发明实施例1的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的流程图;
图2为图1中的路由协议方法中簇头选举的流程图;
图3为图1中的路由协议方法中基于非均匀分簇APTEEN组网的网络模型图;
图4为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的认知无线传感器网络的网络模型图;
图5为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的授权用户的节点模型图;
图6为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的授权用户source模块进程模型图;
图7为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的认知用户的节点模型图;
图8为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法中ACUCAPTEEN、ACAPTEEN和APTEEN的死亡节点数对比图;
图9为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法中ACUCAPTEEN、ACAPTEEN和APTEEN的生存周期对比图;
图10为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法中ACAPTEEN、ACUCAPTEEN、FIACUCAPTEEN与IACUCAPTEEN的死亡节点个数对比图;
图11为本发明实施例2的CWSN中基于蚁群的非均匀分簇APTEEN路由算法中ACAPTEEN、ACUCAPTEEN、FIACUCAPTEEN与IACUCAPTEEN的生存周期对比图。
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以解释本发明,并不用于限定本发明。
实施例1
请参阅图1、图2以及图3,本实施例提供了一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法,该路由算法针对APTEEN候选簇头没有考虑剩余能量和竞争半径固定的问题,对APTEEN算法进行优化。该方法通过两个阶段进行优化,第一个阶段,候选簇头选举过程中,优化候选簇头,将剩余能量作为候选簇头概率的一个因素,第二个阶段对竞争半径进行优化,可有效提高网络生存周期。其中,本实施例所提供的路由协议方法包括以下步骤:
步骤S1,通过认知节点进行频谱感知;在本实施例中,本步骤中对授权用户进行检测,将认知节点感知的空闲信道数作为影响候选簇头选取的因子;具体而言,在频谱感知阶段,先运用能量检测方法对授权用户进行检测,再将认知节点感知的空闲信道数作为影响候选簇头选取的因子;
步骤S2,计算候选簇头概率;候选簇头概率Pi(t)的计算公式为:
其中,k为簇头的期望个数,y表示信道的总数,α为固定参数,ci表示节点感知到的空闲信道数;但是在一些实施例中,候选簇头没有考虑剩余能量和竞争半径固定的问题,这样需要建立一个新的候选簇头选取公式,而该选取公式可以为:
其中,Ecur表示节点的剩余能量,Eint表示节点的起始能量;这样,改进后的候选簇头选取概率Pi(t)与剩余能量和空闲信道数相关;
步骤S3,判断候选簇头概率是否大于一个预设概率;在本实施例中,预设概率可为0.4;即Pi(t)大于0.4的节点成为候选簇头;这样在簇头的选举阶段,每个候选簇头在邻候选簇头集合选取剩余能量最多的候选簇头作为簇头;而在簇的建立阶段,簇头在公共控制信道广播包含空闲信道列表的消息;
在候选簇头概率大于预设概率时,执行步骤S4,令第i个节点为候选簇头,并在竞争半径内广播竞争簇头信息;IACUCAPTEEN算法的非均匀系数c=0.5,使竞争半径始终不变;而竞争半径的固定会使远离基站的簇头即便有较少的剩余能量却仍然有较大的竞争半径,导致簇头有较多成员,增加了簇头在簇内承担的任务,使其有较大的簇内能耗死亡;为此,本实施例对竞争半径进行优化,并且竞争半径的计算公式为:
dmax表示节点到基站的最大距离,dmin表示节点到基站的最小距离;d(si,BS)表示候选簇到基站的距离,为节点的最大竞争半径;这样就使得簇头的竞争半径随着剩余能量的变化而变化,簇头有较少剩余能量时有较小的竞争半径,可降低簇头承担的簇内任务,延长网络的生存周期;
步骤S5,判断第i个候选簇头的剩余能量是否大于竞争半径范围内候选簇头的剩余能量;
在第i个候选簇头的剩余能量大于竞争半径范围内候选簇头的剩余能量时,执行步骤S6,使i成为簇头,并簇头广播竞选成功消息;
步骤S7,在簇头广播所述竞选成功消息后,如果节点与簇头有相同信道,则发送请求加入消息;在簇建立完成后,簇头广播硬阈值、软阈值、计数时间以及TDMA时隙表;
在候选簇头概率不大于预设概率或第i个候选簇头的剩余能量不大于竞争半径范围内候选簇头的剩余能量时,执行步骤S8,使认知节点等待簇头广播的竞选成功消息;
步骤S9,在接收竞选成功消息后,判断认知节点是否与簇头具有公共空闲信道;
在认知节点与簇头具有公共空闲信道时,执行步骤S10,认知节点发送请求加入消息,并等待对应的簇头广播硬阈值(HT)、软阈值(ST)、计数时间以及TDMA时隙表;
在认知节点与簇头没有公共空闲信道时,执行步骤S1;
步骤S101,在簇间进行路径搜索,将空闲信道数和能量消耗作为启发信息,并更新簇头路由表;其中,转移概率的计算公式为:
式中,表示节点i在t时刻将第k只蚂蚁转发至节点j的概率,lij表示簇头的邻簇头感知到的空闲信道数,表示能量消耗的启发信息,τij表示节点i到节点j的路径上的信息素浓度;α、γ、β分别为信息素权重值、启发因子权重值、空闲信道权重值,allowed表示第k只蚂蚁可以访问的节点;
具体而言,本实施例在簇间进行路径搜索的搜索方法包括以下步骤:
(a)在控制信道发送f-ant;其中,定义相邻的簇头分别为CHi和CHj,簇头CHi发送f-ant,f-ant为寻找从簇头CHi到基站的频谱可行路径的蚂蚁;
(b)当簇头CHj感知的空闲信道数lij>0时,将簇头CHj的地址和感知到的空闲信道数放入f-ant;
(c)根据转移概率的计算公式,将f-ant发送到下一跳;
(d)在每只f-ant从簇头到达基站后,将收集的信息存放在基站中;
(e)计算出路径大约值,确定路径大约值最大的路径为最佳路径;一只f-ant从簇头到达基站后,将收集的信息存放在基站,当所有f-ant到达基站后,基站选出最佳路径大约值最大的f-ant,此时该f-ant所走路径为最佳路径;路径大约值的计算公式为:
式中,M为f-ant经过多个簇头后收集的空闲信道总数,L表示蚂蚁从簇头到基站所经过的总路径长度;
而簇头路由表的更新方法包括以下步骤:
在所有f-ant到达基站后,派出b-ant对f-ant选出的最佳路径进行全局信息素更新;其中,b-ant用于整理关于网络的信息,更新簇头路由表;全局信息素更新公式为这里,簇头路由表中信息素的更新规则公式为:
其中,ρ表示信息素挥发系数,0<ρ<1;
步骤S11,采集传输数据,判断传输数据是否满足硬阈值、软阈值;其中,在数据传输阶段,节点将满足HT,ST和计数时间的数据发送到簇头,簇头将数据沿着ACO算法选取的路径传输到基站;
步骤S102,通过认知节点将满足的所述硬阈值、所述软阈值、所述计数时间的数据发送至簇头,簇头将相应数据沿着蚁群算法搜索到的路径传输至基站;这里需要说明的是,步骤S101和步骤S02在一些实施例中可以不执行;
在传输数据满足硬阈值、软阈值时,执行步骤S12,通过认知节点将传输数据传输至簇头;
在传输数据不满足硬阈值、软阈值时,执行步骤S13,判断时间间隔是否超出计数时间;
在时间间隔超出计数时间时,执行步骤S14,将传输数据直接传输至基站;
在时间间隔未超出计数时间时,执行步骤S12;
在传输数据传输至簇头后,执行步骤S15,使簇头将传输数据经多跳传输至基站;
在执行步骤S15后,继续执行步骤S1。
综上所述,本实施例的CWSN中基于蚁群的非均匀分簇APTEEN路由算法具有以下优点:
该路由算法通过两个阶段进行优化,第一个阶段优化候选簇头,第二个阶段对竞争半径进行优化,并考虑候选簇头的剩余能量,使竞争半径动态变化,平衡了频谱利用率和网络生存周期,有效地延长网络生存周期,解决了离基站近的簇头承担较多任务的问题,使网络生存周期下降速度变缓。
在本实施例中,路由算法以多跳方式传输数据,簇头将数据经过多个中间簇头转发传输到基站,这样能有效地降低簇头单次传输数据消耗的能量,从而降低死亡节点数,同时采用非均匀分簇算法,降低了靠近基站的簇头承担的任务量,延长了簇头的寿命。另外,路由算法以多跳形式传输数据,簇头将数据经过多个中间簇头后传输到基站,这样能有效地降低簇头单次传输数据消耗的能量,从而使网络生存周期有较大的值,而且在簇头有较少剩余能量时,就有较小的竞争半径,进而推迟了节点起始死亡的时间,降低了节点死亡速度,延长了网络生存周期。
实施例2
本实施例提供了一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其在实施例1的基础上进行仿真应用。在本实施例中,通过通信网络仿真的软件OPNET进行仿真,认知无线传感器网络的网络层模型如图4所示,任意认知用户命名为rzi。认知无线传感器网络的拓扑范围为500m*500m,分布121个认知用户,图中还分布着5个授权用户,分别为SQ1、SQ2、SQ3、SQ4、SQ5,任意SQi有一个授权信道,共5个授权信道,基站BS的坐标为(275m,218m),位于区域中央附近。任意节点的初始能量为25J,HT为10,ST为0.5,计数时间为600s。为了避免广播风暴,设每个簇头释放的蚂蚁个数等于邻簇头个数,α=2,β=4,γ=3,ρ=0.3。
本实施例授权用户的节点模型如图5所示,授权用户通过OPNET携带的ON-OFF模型进行取包和发包。图6为授权用户source模块的进程模型图,off和on状态完成ON-OFF授权业务。认知用户的节点模型如图7所示,在节点模型中,添加频谱检测模块check用于检测授权频段是否空闲。
如图8所示,将ACUCAPTEEN、ACAPTEEN和APTEEN的死亡节点个数情况进行对比,在t=615s时,APTEEN的Death Node Num开始增加。ACUCAPTEEN和ACAPTEEN的Death Node Num分别在t=1762s和t=1038s开始增加。与APTEEN比较,ACUCAPTEEN和ACAPTEEN的节点死亡速度较缓慢一些,APTEEN的节点死亡速度较缓快,这是因为ACAPTEEN和ACUCAPTEEN都是以多跳方式传输数据,簇头将数据经过多个中间簇头转发传输到基站,这样能有效地降低簇头单次传输数据消耗的能量,从而降低Death Node Num,而APTEEN使簇头将数据直接传输到基站,导致簇头一次传输大量数据而有较大的能耗,较早死亡,增加Death Node Num。与ACAPTEEN相比,ACUCAPTEEN的死亡节点数平均下降了10.3%。ACUCAPTEEN节点死亡的速度较缓慢,这是因为ACUCAPTEEN采用了非均匀分簇算法,降低了靠近基站的簇头承担的任务量,延长了簇头的寿命。
如图9所示,将ACUCAPTEEN、ACAPTEEN和APTEEN的生存周期进行对比。与APTEEN比较,ACUCAPTEEN和ACAPTEEN的LIFE Circle下降速度较慢一些,这是因为APTEEN使簇头一次传输大量数据产生较大的能耗,降低了LIFE Circle,而ACUCAPTEEN和ACAPTEEN都是以多跳形式传输数据,簇头将数据经过多个中间簇头后传输到基站,这样能有效地降低簇头单次传输数据消耗的能量,从而使LIFE Circle有较大的值。与ACAPTEEN算法相比,ACUCAPTEEN的网络生存周期平均延长了20.2%,这是因为ACUCAPTEEN采用了非均匀分簇算法,解决了离基站近的簇头承担较多任务的问题,使LIFE Circle下降速度变缓。根据上述仿真图对比可得出结论,与基于蚁群的多跳均匀分簇APTEEN算法基于蚁群的非均匀分簇APTEEN算法推迟了节点起始死亡的时间,降低了节点死亡速度,延长了网络生存周期。
如图10所示,ACAPTEEN、ACUCAPTEEN、FIACUCAPTEEN与IACUCAPTEEN的死亡节点个数对比。根据图中数据对比可知,与IACUCAPTEEN相比,FIACUCAPTEEN的死亡节点数平均下降了5%。FIACUCAPTEEN使节点起始死亡时间延长,死亡速度较缓慢,IACUCAPTEEN节点死亡速度较快,这是因为FIACUCAPTEEN在簇头有较少剩余能量时,有较小的竞争半径,降低了簇头死亡速度。与ACUCAPTEEN相比,FIACUCAPTEEN的死亡节点数平均下降了11%,这是因为FIACUCAPTEEN考虑了候选簇头的剩余能量,并平衡了簇头的剩余能量和竞争半径。
如图11所示,ACAPTEEN、ACUCAPTEEN、FIACUCAPTEEN与IACUCAPTEEN的生存周期对比。在t=1762s时,ACUCAPTEEN的LIFE Circle开始下降,在t=2183s时,IACUCAPTEEN的LIFE Circle开始下降,在t=2488s,FIACUCAPTEEN的LIFE Circle开始下降。另外,比较ACUCAPTEEN、IACUCAPTEEN和FIACUCAPTEEN在同一时刻的LIFE Circle,在t=3900s时,ACUCAPTEEN的LIFE Circle为89,IACUCAPTEEN的LIFE Circle为102,FIACUCAPTEEN的LIFECircle为114。t=4250s时,ACUCAPTEEN的LIFE Circle为82,IACUCAPTEEN的LIFE Circle为98,FIACUCAPTEEN的LIFE Circle为105。与IACUCAPTEEN相比,FIACUCAPTEEN的网络生存周期平均延长了9.9%。FIACUCAPTEEN的LIFE Circle曲线下降缓慢,IACUCAPTEEN的LIFECircle下降速度较快,这是因为FIACUCAPTEEN在簇头有较少的剩余能量时,有较小的竞争半径,降低了簇头的簇内能耗,降低网络中节点死亡速度。与ACUCAPTEEN相比,FIACUCAPTEEN的网络生存周期延长了20.6%,这是因为FIACUCAPTEEN平衡了簇头的剩余能量和竞争半径,在簇头有较少的剩余能量时,有较小的竞争半径,可以延长网络的生存周期,降低节点死亡速度。
实施例3
本实施例提供了一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法在OPNET中的网络系统,该网络系统包括授权用户的节点层模型和认知用户的节点层模型。授权用户的节点层模型主要包括source模块一、mac模块一等。认知用户的节点层模型主要包括source模块二、mac模块二、check模块以及route模块等。
授权用户的节点层模型所含每个模块的功能如下:
1、source模块一用于产生数据包;
2、mac模块一用于完成分组接入信道,并且给授权用户装订采用的频点;
认知用户的节点层模型所含每个模块的功能如下:
1、source模块二用于随机产生分布在0~100之间的数据分组;
2、mac模块二用于多信道的分组接入,在控制信道发送控制分组;
3、check模块用于对频谱进行检测,检测各个信道的能量,并通过能量值进行估算,判断当前信道是否处于繁忙状态,并通过状态线将结果发送到route模块;
4、route模块表示路由模块,用于实现实施例1中的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的所有步骤,包括候选簇头的选取,簇头的选取,簇的建立,基于蚁群的簇间路由搜索,数据的传输。
实施例4
本实施例提供一种认知无线传感器组网系统。该组网系统中无线传感器根据实施例1的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的步骤进行系统组网。实施例1的方法在应用时,可以软件的形式进行应用,如设计成独立运行的程序,并安装在无线传感设备上。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,其包括以下步骤:
步骤S1,通过认知节点进行频谱感知;
步骤S2,计算候选簇头概率;
步骤S3,判断所述候选簇头概率是否大于一个预设概率;
在所述候选簇头概率大于所述预设概率时,执行步骤S4,令第i个节点为候选簇头,并在竞争半径内广播竞争簇头信息;
步骤S5,判断第i个候选簇头的剩余能量是否大于竞争半径范围内其他候选簇头的剩余能量;
在第i个候选簇头的剩余能量大于所述竞争半径范围内候选簇头的剩余能量时,执行步骤S6,使i成为簇头,并广播竞选成功消息;
步骤S7,在簇头广播所述竞选成功消息后,如果节点与簇头有相同信道,则发送请求加入消息;在簇建立完成后,使簇头广播硬阈值、软阈值、计数时间以及TDMA时隙表;
在所述候选簇头概率不大于所述预设概率或第i个候选簇头的剩余能量不大于所述竞争半径范围内候选簇头的剩余能量时,执行步骤S8,使未成为候选簇头的节点等待簇头广播的竞选成功消息;
步骤S9,在接收所述竞选成功消息后,判断所述感知节点是否与簇头具有公共空闲信道;
在所述认知节点与簇头具有公共空闲信道时,执行步骤S10,使所述认知节点加入该簇头,并等待对应的簇头广播所述硬阈值、所述软阈值、所述计数时间以及所述TDMA时隙表;
在所述认知节点与簇头没有公共空闲信道时,执行步骤S1;
步骤S11,采集传输数据,判断所述传输数据是否满足硬阈值、软阈值;
在所述传输数据满足硬阈值、软阈值时,执行步骤S12,通过所述认知节点将传输数据传输至簇头;
在所述传输数据不满足硬阈值、软阈值时,执行步骤S13,判断时间间隔是否超出计数时间;
在所述时间间隔超出所述计数时间时,执行步骤S14,将所述传输数据直接传输至基站;
在所述时间间隔未超出所述计数时间时,执行步骤S12;
在所述传输数据传输至簇头后,执行步骤S15,使簇头通过蚁群算法将所述传输数据经多跳传输至基站。
2.如权利要求1所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,在步骤S1中,对授权用户进行检测,将认知节点感知的空闲信道数作为影响候选簇头选取的因子;
在步骤S2中,所述候选簇头概率Pi(t)的计算公式为:
其中,k为簇头的期望个数,y表示信道的总数,α为固定参数,ci表示节点感知到的空闲信道数。
3.如权利要求1所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,所述预设概率为0.4。
4.如权利要求1所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,在步骤S11之前,执行步骤S101,使蚂蚁在簇间进行路径搜索,将所述空闲信道数和能量消耗作为启发信息,并更新簇头路由表;
在步骤S11之后,执行步骤S102,通过所述认知节点将满足的所述硬阈值、所述软阈值、所述计数时间的数据发送至簇头,通过簇头将相应数据沿着蚁群算法搜索到的路径传输至基站。
5.如权利要求4所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,在步骤S101中,转移概率的计算公式为:
其中,表示节点i在t时刻将第k只蚂蚁转发至节点j的概率,lij表示簇头的邻簇头感知到的空闲信道数,表示能量消耗的启发信息,τij表示节点i到节点j的路径上的信息素浓度;α、γ、β分别为信息素权重值、启发因子权重值、空闲信道权重值,allowed表示第k只蚂蚁可以访问的节点。
6.如权利要求5所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,在簇间进行路径搜索的搜索方法包括以下步骤:
(a)在控制信道发送f-ant;其中,定义相邻的簇头分别为CHi和CHj,簇头CHi发送f-ant,f-ant为寻找从簇头CHi到基站的频谱可行路径的前向蚂蚁;
(b)当簇头CHj感知的空闲信道数lij>0时,将簇头CHj的地址和感知到的空闲信道数放入f-ant;
(c)根据转移概率的计算公式,将f-ant发送到下一跳。
7.如权利要求6所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,簇头路由表中信息素的更新规则公式为:
其中,ρ表示信息素挥发系数,0<ρ<1;
所述搜索方法还包括以下步骤:
(d)在每只f-ant从簇头到达基站后,将收集的信息存放在基站中;
(e)计算出路径大约值,确定所述路径大约值最大的路径为最佳路径;所述路径大约值的计算公式为:
式中,M为f-ant经过多个簇头后收集的空闲信道总数,L表示蚂蚁从簇头到基站所经过的总路径长度;
簇头路由表的更新方法包括以下步骤:
在所有f-ant到达基站后,派出b-ant对f-ant选出的最佳路径进行全局信息素更新;其中,全局信息素更新公式为
8.如权利要求2所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,所述候选簇头的选取公式为:
其中,Ecur表示节点的剩余能量,Eint表示节点的初始能量。
9.如权利要求8所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法,其特征在于,所述竞争半径的计算公式为:
dmax表示节点到基站的最大距离,dmin表示节点到基站的最小距离;d(si,BS)表示候选簇头到基站的距离,为节点的最大竞争半径。
10.一种CWSN中基于蚁群的非均匀分簇APTEEN路由算法在OPNET中的网络系统,其特征在于,其包括授权用户的节点层模型和认知用户的节点层模型;所述授权用户的节点层模型包括:
source模块一,其用于产生数据包;
mac模块一,其用于完成分组接入信道,并且给所述授权用户装订采用的频点;
所述认知用户的节点层模型包括:
source模块二,其用于随机产生分布在0~100之间的数据分组;
mac模块二,其用于多信道的分组接入,在控制信道发送控制分组;
check模块,其用于对频谱进行检测,检测各个信道的能量,并通过能量值进行估算,判断当前信道是否处于繁忙状态,并通过状态线将结果发送到route模块;
route模块,其表示路由模块,用于实现如权利要求1-9中任意一项所述的CWSN中基于蚁群的非均匀分簇APTEEN路由算法的所有步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619105.8A CN110324878B (zh) | 2019-07-10 | 2019-07-10 | 一种cwsn中基于蚁群的非均匀分簇apteen路由方法及网络系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619105.8A CN110324878B (zh) | 2019-07-10 | 2019-07-10 | 一种cwsn中基于蚁群的非均匀分簇apteen路由方法及网络系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110324878A true CN110324878A (zh) | 2019-10-11 |
CN110324878B CN110324878B (zh) | 2021-04-09 |
Family
ID=68121802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910619105.8A Active CN110324878B (zh) | 2019-07-10 | 2019-07-10 | 一种cwsn中基于蚁群的非均匀分簇apteen路由方法及网络系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110324878B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110972228A (zh) * | 2019-11-08 | 2020-04-07 | 华南农业大学 | 一种基于认知无线传感器网络的分簇路由方法 |
CN112996078A (zh) * | 2021-02-04 | 2021-06-18 | 南京邮电大学 | 一种能量负载均衡的非均匀分簇方法及非均匀分簇路由方法 |
CN113938975A (zh) * | 2021-03-26 | 2022-01-14 | 中原工学院 | 一种基于竞争窗口蚁群分簇的移动传感网路由优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101557636A (zh) * | 2009-05-15 | 2009-10-14 | 广东工业大学 | 一种无线传感器网络路由方法 |
CN102158927A (zh) * | 2011-05-20 | 2011-08-17 | 北京邮电大学 | 一种高能效的无线传感器网络非均匀分簇路由方法 |
CN103916928A (zh) * | 2014-04-11 | 2014-07-09 | 安徽理工大学 | 一种无线传感器网络非均匀分簇拓扑监控方法及装置 |
CN107787021A (zh) * | 2016-08-26 | 2018-03-09 | 扬州大学 | 基于能量均衡的非均匀分簇多跳的无线传感网络路由协议 |
CN108566658A (zh) * | 2018-03-02 | 2018-09-21 | 北京信息科技大学 | 一种无线传感器网络中能耗均衡的分簇算法 |
-
2019
- 2019-07-10 CN CN201910619105.8A patent/CN110324878B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101557636A (zh) * | 2009-05-15 | 2009-10-14 | 广东工业大学 | 一种无线传感器网络路由方法 |
CN102158927A (zh) * | 2011-05-20 | 2011-08-17 | 北京邮电大学 | 一种高能效的无线传感器网络非均匀分簇路由方法 |
CN103916928A (zh) * | 2014-04-11 | 2014-07-09 | 安徽理工大学 | 一种无线传感器网络非均匀分簇拓扑监控方法及装置 |
CN107787021A (zh) * | 2016-08-26 | 2018-03-09 | 扬州大学 | 基于能量均衡的非均匀分簇多跳的无线传感网络路由协议 |
CN108566658A (zh) * | 2018-03-02 | 2018-09-21 | 北京信息科技大学 | 一种无线传感器网络中能耗均衡的分簇算法 |
Non-Patent Citations (4)
Title |
---|
JIANG DU,ETC: "Uneven Clustering Routing Algorithm for Wireless Sensor Networks Based on Ant Colony Optimization", 《2011 3RD INTERNATIONAL CONFERENCE ON COMPUTER RESEARCH AND DEVELOPMENT》 * |
RONGBO ZHANG,ETC: "A Novel Uneven Clustering Algorithm Based on Ant Colony Optimization for Wireless Sensor Networks", 《2009 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
廖福保等: "改进的基于蚁群算法的非均匀分簇路由协议", 《计算机测量与控制》 * |
牛涛等: "基于蚁群优化的无线传感器网络非均匀分簇路由算法", 《小型微型计算机系统》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110972228A (zh) * | 2019-11-08 | 2020-04-07 | 华南农业大学 | 一种基于认知无线传感器网络的分簇路由方法 |
CN110972228B (zh) * | 2019-11-08 | 2021-09-24 | 华南农业大学 | 一种基于认知无线传感器网络的分簇路由方法 |
CN112996078A (zh) * | 2021-02-04 | 2021-06-18 | 南京邮电大学 | 一种能量负载均衡的非均匀分簇方法及非均匀分簇路由方法 |
CN113938975A (zh) * | 2021-03-26 | 2022-01-14 | 中原工学院 | 一种基于竞争窗口蚁群分簇的移动传感网路由优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110324878B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110324878A (zh) | 一种cwsn中基于蚁群的非均匀分簇apteen路由算法及网络系统 | |
Saravanan et al. | Routing using reinforcement learning in vehicular ad hoc networks | |
CN101980565A (zh) | 一种基于QoS的Ad Hoc网络自适应节点速度多路径路由方法 | |
Wang et al. | An energy efficient medium access control protocol for target tracking based on dynamic convey tree collaboration in wireless sensor networks | |
CN101677289A (zh) | 一种优化路由的方法和装置 | |
Al-Turjman et al. | CAR Approach for the Internet of Things | |
KR101269222B1 (ko) | 통신 장치, 허브 감지 방법 및 패킷 전송 방법 | |
CN101835099B (zh) | 基于分簇与rrep广播的大规模传感器网络路由方法 | |
CN110167054A (zh) | 一种面向边缘计算节点能量优化的QoS约束路由方法 | |
CN101854697A (zh) | 一种无线网状网络中多约束服务质量控制路由方法和系统 | |
Wang et al. | Research on uneven clustering APTEEN in CWSN based on ant colony algorithm | |
Ebrahimi et al. | Using clustering via soccer league competition algorithm for optimizing power consumption in wsns (wireless sensor networks) | |
Sun et al. | MR-DFM: A multi-path routing algorithm based on data fusion mechanism in sensor networks | |
CN101489308A (zh) | 用于无线自组网流内竞争的主动等待传输方法 | |
CN103596286B (zh) | 区域限定的临时自组网络中数据调度方法和系统 | |
Shakshuki et al. | Software agent-based directed diffusion in wireless sensor network | |
Schwartz et al. | Achieving data utility fairness in periodic dissemination for VANETs | |
CN101355506B (zh) | 一种Ad Hoc网络多路径路由的实现方法 | |
Li et al. | ASAR: Ant-based spectrum aware routing for cognitive radio networks | |
Zeng et al. | Cooperation-based scheduling algorithm in wireless multimedia sensor networks | |
Ranganathan et al. | Enhancing the selection of backoff interval using fuzzy logic over wireless ad hoc networks | |
CN106804053A (zh) | 一种移动自组织网络中基于自适应吸引子选择的单播路由方法 | |
Wu et al. | An energy-aware transmission target selection mechanism for UAV networking | |
Li et al. | Link prediction algorithm for BLE mesh network in health monitoring system | |
Chen et al. | Energy Aware AOMDV Routing Based on Constrained Queue Length in MANET |
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 |