CN111225398B - 一种基于协作覆盖的微电网无线传感器网络能耗优化方法 - Google Patents

一种基于协作覆盖的微电网无线传感器网络能耗优化方法 Download PDF

Info

Publication number
CN111225398B
CN111225398B CN202010106898.6A CN202010106898A CN111225398B CN 111225398 B CN111225398 B CN 111225398B CN 202010106898 A CN202010106898 A CN 202010106898A CN 111225398 B CN111225398 B CN 111225398B
Authority
CN
China
Prior art keywords
sensor
cooperative
cooperative coverage
coverage set
monitoring
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
CN202010106898.6A
Other languages
English (en)
Other versions
CN111225398A (zh
Inventor
王徐延
辛辰
邵苏杰
夏伟栋
许洪华
司小庆
周俊
吴磊
吴冠儒
丁达成
张庆航
孔玥
魏玲燕
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.)
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Beijing University of Posts and Telecommunications, State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010106898.6A priority Critical patent/CN111225398B/zh
Publication of CN111225398A publication Critical patent/CN111225398A/zh
Application granted granted Critical
Publication of CN111225398B publication Critical patent/CN111225398B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • 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
    • 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
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Selective Calling Equipment (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种基于协作覆盖的微电网无线传感器网络能耗优化方法，包括构建监测微电网中分布式可再生能源的无线传感器网络模型；根据无线传感器网络中不同类型的传感器和不同监视任务，构建协作覆盖集；利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集；在无线传感器网络运行过程中，利用改进蚁群算法对协作覆盖集进行调度。本申请能够更好地实现电力物联网中无线传感器网络的监测任务，同时无线传感器网络的生命周期也远远长于传统的传感器协作模型，且性能随着传感器节点数目的增多更加明显。

Description

一种基于协作覆盖的微电网无线传感器网络能耗优化方法
技术领域
本发明属于电力物联监测网络技术领域，涉及一种基于协作覆盖的微电网无线传感器网络能耗优化方法。
背景技术
为了充分利用电网可灵活接入的特性，以微电网的形式组织分布式可再生能源作为一种能源补充方案成为智能电网中的一个重点问题。然而，可再生能源的现状和环境变化带来的能源补充的内在随机性和间歇性可能使微电网运营商难以实现对分布式可再生能源的有效控制和管理，并对智能电网的稳定性产生影响。因此，有必要监视微电网中的设备，网络，资源和环境，以进行科学决策和有效的运营管理。为了获得有关电压，电流，相角，温度，湿度，频率等大量准确而全面的信息数据，需要部署各种不同的相应类型的传感器，形成微电网无线传感器网络(WSN)来采集、传输和处理监测数据。
对于微电网监控业务，需要各种类型的数据合作来共同完成相关的数据分析。为了更好地管理和控制可再生能源的使用，需要同时分析微电网某些枢轴点的电压，电流，相角等监测数据，以获得有关功率分配和功率损耗的信息。此外，应一起分析温度，湿度，频率和其他状态信息数据，以检测故障概率和故障类型，从而快速有效地响应故障并很好地维护微电网。因此，传统的覆盖方法不能很好地满足微电网中不同目标点的不同监控要求。当根据不同的监控要求需要大量而全面的数据时，需要研究如何优化微电网WSN的能耗和延长使用寿命。
因此，本发明提出一种基于协作覆盖的微电网无线传感器网络能耗优化方法，使其基于不同类型传感器的协作来构造满足微电网监控要求的连通监控微电网WSN并通过不同类型传感器的配合来延长微电网WSN的寿命。微电网运营中心可以更加方便地做出相应决策，从而能够大大提高监控业务的效率和效率。
为了解现有电力通信网多通道聚合技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：
技术方案1：公开号为CN102238562A的《一种无线传感器网络覆盖优化方法》专利，涉及了一种延长整个传感器网络生命周期的方法，主要通过六步完成：第一，节点先将其原始能量、节点传感器感知半径和位置信息发给控制端，控制端对所有节点数目进行统计；第二，把要求的网络覆盖率、节点的原始能量、节点感知半径和节点总数目输入元胞基因算法，用元胞基因覆盖率算法迭代计算出各个时间段的无线传感网络节点的布局方案，第三，控制端定期发出请求指令，查询工作节点的剩余能量，若节点剩余能量已经不能维持一个单位时间段的正常工作，则标记此节点失效；控制端对此失效节点进行判断，若此节点为此时间段布局方案中的正常失效节点，则控制端不做处理；第四，更新能正常工作的节点数目和节点的剩余能量。
技术方案1提供了一种新的无线传感器网络覆盖优化方法，将部署在监测区域内的传感器节点分成一个个节点簇，把管理职责分给各个簇，基站通过簇头发送指令，每个簇头负责执行元胞基因算法，计算出各个时间段的无线传感网络节点的布局方案，根据产生的布局方案，控制端以单位时间段为间隔定期发出指令，对节点工作进行调度，使布局方案中相应节点激活或者休眠。技术方案1在达到满足需求覆盖率条件下，使传感器节点内部各个设备在不需要时关闭，而在需要时唤醒。这样可以使传感器适时进入相应的低功耗模式，延长整个网络的生命周期，降低总体能量消耗。但仅考虑覆盖率，传感器网络生命延长效果较差。
技术方案2：公开号为CN104936230A的《一种基于簇头期望的无线传感器网络能量均衡路由优化方法》专利，涉及一种传感器网络中能量均衡并延长网络生命值的方法。主要通过三步完成：第一，根据分簇的负载分布情况和节点剩余能量选择簇头；第二，未当选簇头的节点选择要加入的簇；第三，簇头创建一个告知节点何时能传输数据的时间表，并且将这个时间表广播到簇内的节点，进行数据传输并均衡节点能量。
技术方案2提供了一种基于簇头期望的无线传感器网络能量均衡路由优化方法，首先分簇的负载分布情况和节点剩余能量选举簇头，未当选为簇头的非簇头节点依据接收到的每个簇头发来的当选簇头信息的信号强度，选择信号强度最大的簇头作为本轮所要加入的簇，簇头接收非簇头节点的连接请求信息，最后根据簇内节点的数量，簇头创建传输数据的时间表，并且将这个时间表广播到簇内的节点，实现能量均衡。技术方案2在选举簇头时同时考虑分簇负载分布情况和节点剩余能量两个优化目标，通过改进选举簇头时的阈值来保证每一轮簇头数目在期望范围，以缓解簇头能量消耗不均衡的问题，但未考虑多业务传感器之间的协作。
技术方案3：公开号为CN108055683A的《一种水下无线传感器网络均衡能耗并保持覆盖的方法》专利，设计一种用于水下无线传感器保持覆盖情况下均衡能耗的方法，主要通过几步完成：第一，在待监测区域随机布撒节点；第二，休眠覆盖冗余度较高的节点，对休眠冗余节点后的网络进行分簇；第三，以网络覆盖率和能耗标准差为目标函数，采用基于分解技术的多目标算法优化并获取一组非支配解；第四，采用TOPSIS法从该组非支配解中选出一个较优解作为分簇方式；若监测到某个节点死亡，唤醒该死亡节点周边的休眠节点，再按休眠原则令被唤醒节点中的冗余节点休眠。
技术方案3提供一种用于水下无线传感器保持覆盖情况下均衡能耗的方法，所述方法包括：对传感器网络进行分簇；采用基于分解技术的多目标算法优化并获取一组非支配解；采用TOPSIS法从该组非支配解中选出一个较优解作为分簇方式。本发明能够根据节点的位置、携带能量等信息，建立出能有效均衡网络节点能耗及网络覆盖率的网络拓扑结构，能在有效延长网络生存周期的同时保持网络的覆盖率，但实施方案比较复杂，且网络的覆盖率不能很好的保证。
发明内容
为解决现有技术中的不足，本申请提供一种基于协作覆盖的微电网无线传感器网络能耗优化方法。
为了实现上述目标，本申请采用如下技术方案：
一种基于协作覆盖的微电网无线传感器网络能耗优化方法，包括以下步骤：
步骤1：构建监测微电网中分布式可再生能源的无线传感器网络模型；
步骤2：根据无线传感器网络中不同类型的传感器和不同监视任务，构建协作覆盖集；
步骤3：利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集；
步骤4：在无线传感器网络运行过程中，利用改进蚁群算法对协作覆盖集进行调度。
本发明进一步包括以下优选方案：
优选地，步骤1所述无线传感器网络中部署不同类型的传感器来监测其监视区域内充电、太阳能设备、风力涡轮机和储能装置的状态信息和环境信息；
所述无线传感器网络中，每种类型的传感器均覆盖一个固定大小的监视区域，监视数据通过不同类型的传感器之间的数据协作通信发送到接入点和数据中心；
每个传感器覆盖至少一个监视目标点，每个监视目标点被至少一个传感器覆盖；
所述传感器的工作状态包括仅承担通信任务、仅承担监视任务和同时承担通信和监视任务三种，传感器的工作状态随时间转换，传感器仅承担通信任务时称之为通信传感器，传感器仅承担监视任务时称之为监视传感器，传感器同时承担通信和监视任务时称之为多功能传感器。
优选地，步骤1构建的无线传感器网络模型中，传感器的信号强度随着r(si,pj)增加而降低，r(si,pj)为传感器si与监视目标点pj之间的距离，设定传感器si与监视目标点pj之间的距离阈值r0，若r(si,pj)≤r0，则监视目标点的传感器监视数据有效，否则监视数据无效；
在时间段t中，传感器的能量消耗为：
Figure BDA0002388463070000041
ei,t为传感器si在时间段t的能量消耗，et为传感器接收数据的能量消耗，er为传感器发送数据的能量消耗，ki,t为传感器在时间段t内收到的所有后继传感器节点发送过来的数据量，k0为传感器在时间段t内监视的数据量，erd为无线电设备消耗的能量，eamp为功率放大器消耗的能量；
当ki,t＝0时，即为监视传感器能耗公式；当k0＝0时，即为通信传感器能耗公式；当两者都不为0时，即为多功能传感器公式。
优选地，步骤2所述构建协作覆盖集的过程为：
如果传感器si能够和协作覆盖集CCSl中的某个传感器通信且
Figure BDA0002388463070000042
那么si加入CCSl并且成为CCSl的传感器成员，计算公式如下：
Figure BDA0002388463070000043
一直重复此过程以构建一组监视任务的协作覆盖集，直到没有传感器可以加入为止；
其中，si(j,TP)为单个传感器si，j(j＝1,2,...,m)为传感器类别，i为传感器id，TP为在si覆盖范围内的监测目标点集合；
m是负责监视任务MB(m,TP1,TP2,...,TPm)的传感器类型数量，TPj(j＝1,2,…,m)是类型j传感器的监测目标点集合；
CCSl(SS,TP1,TP2,...,TPm)为协作覆盖集，l为协作覆盖集的id，SS是协作覆盖集中传感器的集合。
优选地，步骤3所述利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集，包括以下步骤：
步骤301：初始化每个协作覆盖集并将每个协作覆盖集作为一个通信组；
步骤302：计算任意两个通信组的距离，并选择距离最短的两个通信组；
步骤303：选择最少的传感器连接步骤302选择的两个通信组；
步骤304：将步骤302选择的两个通信组和步骤303选择的传感器合并为一个新的通信组并返回执行步骤302，直到负责一组监视任务的所有通信组全部互连。
优选地，步骤302所述两个通信组的距离为从一个通信组内传感器到另一个通信组内传感器的距离中最短的距离。
优选地，步骤4所述利用改进蚁群算法对协作覆盖集进行调度，包括以下步骤：
步骤401：初始化参数，包括：
(a)设定蚁群中所有蚂蚁(id＝1,2,…,m)的数量为m；
(b)设定迭代次数NC＝0；
(c)初始化启发式因子α，期望因子β、γ，信息素衰减率ρ；
步骤402：分配协作覆盖集：
为此次迭代的m只蚂蚁分别在n个协作覆盖集CCS1,CCS2,…CCSn(n≥m)中随机选择一个协作覆盖集作为初始时刻的协作覆盖集，并假设每个协作覆盖集之间的初始信息素τij(0)＝C，C为常数，每只蚂蚁独立进行最优路径的搜索；
步骤403：计算覆盖集转移概率：
每只蚂蚁根据概率选择公式计算出蚂蚁在各协作覆盖集之间转移的概率，从而根据轮盘算法选择最合适在下一段时间完成监视任务的协作覆盖集；
步骤404：修改禁忌表：
蚂蚁在寻找协作覆盖集过程中遇到的剩余能量不足以支撑监视任务的协作覆盖集时，将其编号加入禁忌表，以禁止蚂蚁再选中禁忌表中记录的协作覆盖集；
若所有蚂蚁都已完成搜索，仍没有能够满足监视任务的协作覆盖集可以选择，则选择所有蚂蚁中无线传感器网络生命值最长的那条路径进行信息素更新；
步骤405：更新此次迭代的信息素，并判断是否达到迭代次数，若未达到迭代次数，则重复步骤402-步骤405进行下一次迭代；若达到迭代次数，则输出最优解。
优选地，步骤403中，蚂蚁从协作覆盖集i向协作覆盖集j转移的概率Pij(t)计算为：
Figure BDA0002388463070000061
其中，α为启发式因子，反映路径信息素的相对重要性；β、γ均为期望因子，分别反映蚂蚁选择下一个协作覆盖集时协作覆盖集剩余能量和切换开销这两个因素的作用强度；Tabuk代表蚂蚁k的禁忌表；τij表示协作覆盖集i转换到协作覆盖集j的信息素强度；Lj表示协作覆盖集j的剩余生命，由协作覆盖集j中所有传感器剩余生命周期的平均值和最小值相加所得，τir表示协作覆盖集i转换到协作覆盖集r的信息素强度；Lr表示协作覆盖集r的剩余生命，由协作覆盖集r中所有传感器剩余生命周期的平均值和最小值相加所得，ηij为蚂蚁k从协作覆盖集i转换到协作覆盖集j的启发信息，表示两个覆盖集之间的切换开销，切换开销越大，则从协作覆盖集i转换到协作覆盖集j的概率越小，ηir为蚂蚁k从协作覆盖集i转换到协作覆盖集r的启发信息，表示两个覆盖集之间的切换开销，切换开销越大，则从协作覆盖集i转换到协作覆盖集r的概率越小。
优选地，所述ηij、ηir的计算公式如下：
Figure BDA0002388463070000071
Figure BDA0002388463070000072
若协作覆盖集j中的传感器s不在协作覆盖集i中，则需要从睡眠状态激活到工作状态，产生额外的能耗Eact(s)；
若协作覆盖集r中的传感器s不在协作覆盖集i中，则需要从睡眠状态激活到工作状态，产生额外的能耗Eact(s)。
优选地，步骤405中，信息素全局更新方式如下所示：
Figure BDA0002388463070000073
τij(t+1)＝(1-ρ)τij(t)+RHQ*Δτij(t) (19)
其中，Δτij(t)表示t时刻信息素增量、τij(t+1)表示t+1时刻的信息素量、ρ是一个定值，表示信息素挥发率、Q是一个定值，表示蚂蚁循环一周或一个过程释放在所经过路径上的信息素总量；Lbest表示当前迭代中选出的最优蚂蚁Antbest的路径的长度；RHQ为每次迭代后信息素的衰减率，Ci表示协作覆盖集i持续选择自己的次数。
本申请所达到的有益效果：
1.本申请面向监测分布式可再生能源的微电网无线传感器网络，根据不同类型的传感器和监视任务，进行协作覆盖集的构建，协作覆盖集减少了同时处于工作状态的传感器的数量，并充分利用了不同类型传感器的冗余部署；
2.本申请通过对协作覆盖集内的能量协调和协作覆盖集之间的切换调度，同时利用改进蚁群算法计算得到协作覆盖集的最优调度，实现了传感器节点能量消耗平衡及无线传感器网络生命延长。
附图说明
图1是本申请一种基于协作覆盖的微电网无线传感器网络能耗优化方法的流程图；
图2是无线传感器网络模型架构图；
图3是连通无线传感器网络中各组监视任务的协作覆盖集的流程示意图；
图4是利用改进的蚁群算法对协作覆盖集进行调度流程图；
图5是实施例中无线传感器网络生命和传感器密度之间的关系图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本申请的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，包括以下步骤：
步骤1：构建监测微电网中分布式可再生能源的无线传感器网络模型；
(1)网络架构
如图2所示，步骤1所述监测微电网中分布式可再生能源资源的无线传感器网络主要涉及充电站，太阳能设备，风力涡轮机，储能装置等相关设备，同时部署了不同类型的传感器来监视微电网中的设备，以根据相应的要求完成监视任务。这些传感器主要用于监视相关设备的状态信息和环境信息，例如电压，电流，相角，温度，湿度，频率等。
本申请实施例中，无线传感器网络中，每种类型的传感器都覆盖一个固定大小的监视区域，在图2中该区域由带有不同类型虚线的相应圆表示。监视数据可以通过不同类型的传感器之间的数据协作通信发送到接入点和数据中心。每个传感器覆盖至少一个监视目标点，并且由于存在不同类型的传感器，每个监视目标点可以被至少一个传感器覆盖。本申请实施例定义r(si,pj)为传感器si与监视目标点pj之间的距离，通常，传感器的信号强度随着r(si,pj)增加而降低，为了保证监视数据的质量，设定传感器si与监视目标点pj之间的距离阈值r0，若r(si,pj)≤r0则监视目标点的传感器监视数据有效，否则监视数据无效。
协作覆盖分为两种，一种是相同类型的传感器之间的协作覆盖，另一个是不同类型的传感器之间关于数据通信的协作覆盖。第一种协作覆盖会减少需要激活的单一类型传感器的数量。但是，它可能会破坏初始部署网络的连接性，因此部分传感器可能处于隔离状态，有必要选择其他一些类型的传感器来完成数据转发，只要不同类型的传感器可以协作并相互通信。通过两种类型的协作覆盖，传感器的工作状态分为仅承担通信任务、仅承担监视任务和同时承担通信和监视任务三种，传感器的工作状态可随时间转换，传感器仅承担通信任务时称之为通信传感器，传感器仅承担监视任务时称之为监视传感器，传感器同时承担通信和监视任务时称之为多功能传感器。
(2)传感器节点能量消耗模型
传感器的能量消耗主要为通信能量消耗，通信能量消耗可以分为接收数据的能量消耗et和发送数据的能量消耗er：
et＝erd+eamp (1)
er＝erd (2)
其中，erd是无线电设备消耗的能量，eamp是功率放大器消耗的能量，与两个传感器之间的通信距离有关，对于接收数据和发送数据，erd是相同的。
从协作覆盖的角度来看，多功能传感器si在时间段t的能耗计算为：
Figure BDA0002388463070000091
k0为传感器在时间段t内监视的数据量，k为传感器在时间t内传感器收到的所有后继节点发送过来的数据；
同样，在时间段t中，通信传感器的能耗为：
ei,t＝k·er+k·et＝2k·erd+k·eamp (4)
监视传感器的能耗为：
ei,t＝k0·et＝k0·erd+k0·eamp (5)
假设在一个时间段内单个传感器感测到的监视数据的数量为固定值，则一个时间段内由协作覆盖集监测的数据总数是一定的。假设协作覆盖集内的通信路由在一个时间段内没有变化。由此，可以计算一个时间段内每个传感器的能量消耗。
定义ki,t为在时间t内传感器si所有后继传感器节点发送过来的数据，则时间t内传感器si的能量消耗为：
Figure BDA0002388463070000101
当ki,t＝0时，即为监视传感器能耗公式；当k0＝0时，即为通信传感器能耗公式；当两者都不为0时，即为多功能传感器公式。
步骤2：根据无线传感器网络中不同类型的传感器和不同监视任务，构建协作覆盖集，以利用不同类型传感器的冗余部署来减少同时处于工作状态的传感器的数量；
在特定时刻，如果删除所有通信传感器，则无线传感器网络将被分为几个断开的通信组，每个通信组可以称为协作覆盖集。每个协作覆盖集的组成和协作覆盖集的数量取决于监视要求以及相应的无线传感器网络监视区域中传感器的初始部署分布。
(1)定义MB(m,TP1,TP2,...,TPm)为监视任务，其中m是负责此监视任务的传感器类型数量，TPj(j＝1,2,…,m)是类型j传感器的监测目标点集合；
(2)定义si(j,TP)为单个传感器si，其中j(j＝1,2,...,m)为传感器类别，i为传感器id，TP为在si覆盖范围内的监测目标点集合；
(3)定义CCSl(SS,TP1,TP2,...,TPm)为协作覆盖集，其中l为协作覆盖集的id，SS是协作覆盖集中传感器的集合。
构造协作覆盖集过程为：
如果传感器si能够和CCSl中的某个传感器通信且
Figure BDA0002388463070000102
那么si可以加入CCSl并且成为CCSl的传感器成员，计算公式如下：
Figure BDA0002388463070000103
一直重复此过程以构造一组监视任务的协作覆盖集，直到没有传感器可以加入为止。
即对于两种不同类型的传感器sa和sb，如果它们可以彼此通信，则它们可以组成协作覆盖集；对于两个相同类型的传感器sa和sb，如果它们可以彼此通信并且
Figure BDA0002388463070000111
则它们可以组成协作覆盖集。
步骤3：利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集；
协作覆盖集使用尽可能少的传感器来满足所有监视目标点的数据监视要求，但是这些传感器可能并未互连，从而监视数据无法转发到远程微电网数据中心。因此，需要采用层次聚类方法进一步选择一些通信传感器来构建一个互连的无线传感器网络。
协作覆盖集中的所有传感器都已连接，因此，可以将协作覆盖集视为一个完整的通信组。
如图3所示，所述利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集，包括以下步骤：
步骤301：初始化每个协作覆盖集并将每个协作覆盖集作为一个通信组；
步骤302：计算任意两个通信组的距离，并选择距离最短的两个通信组；
两个通信组的距离为从一个通信组内传感器到另一个通信组内传感器的距离中最短的距离。
步骤303：选择最少的传感器连接步骤302选择的两个通信组；
步骤304：将步骤302选择的两个通信组和步骤303选择的传感器合并为一个新的通信组并返回执行步骤302，直到一组负责监视任务MB(m,TP1,TP2,...,TPm)的协作覆盖集全部互连。
步骤4：在无线传感器网络运行过程中，利用改进蚁群算法对协作覆盖集进行调度，以免某些关键传感器的能量消耗过快从而导致传感器网络生命过早结束。
(1)协作覆盖集内的能量协调
协作覆盖集减少了同时处于工作状态的传感器的数量，并充分利用了不同类型传感器的冗余部署，但是某些关键传感器的任务会不可避免地增加，这可能导致这些传感器的额外能耗，需要平衡协作覆盖集内的传感器的能量消耗。
定义Ei,t为si在时间段t开头的剩余能量，假设协作覆盖集CCSl中有m个传感器，则CCSl可以持续运行的周期数计算为：
Figure BDA0002388463070000112
根据公式(4)和(6)，头部传感器及其邻近传感器可能是CCSl的能量瓶颈，这取决于内部的通信路由，为消除能量瓶颈，需要调整通信路径。
当协作覆盖集内有多个传感器可以与当前通信传感器通信时，在每个时间段开始时选择其中最小剩余能量最大的传感器作为头部传感器。
对于给定的头部传感器，可以将通信路径优化转换为如何在CCSl连续运行w的时间段后找到最小剩余能量的最大值，计算方法为：
Figure BDA0002388463070000121
经过一段时间后，传感器si的剩余能量为：
Ei,t+1＝Ei,t-ei,t (10)
通过重复公式(10)w次来计算Ei,t+w，从而实现了协作覆盖集内部的能耗平衡。
(2)协作覆盖集之间的切换调度
可能有一个以上的协作覆盖集可以完成监视任务，将所有这些协作覆盖范围集按照其传感器的最小剩余能量降序进行排序，然后依次选择切换候选协作覆盖集。
此外，当协作覆盖集由于能量耗尽而失败或由于寿命延长的切换计划而需要停止工作时，则需要构造新的协作覆盖集来完成监视任务。然后，可能需要从睡眠状态激活某些传感器，而另一些传感器需要再次睡眠，这不可避免地也导致这些传感器的额外能耗。
在不同的时间段选择不同的协作覆盖集，那么，它在上一轮调度中的能耗肯定会影响下一轮的工作时间。因此，设置能量阈值p来确定当前协作覆盖集的适当切换时间。定义
Figure BDA0002388463070000122
为传感器si的能量容量，如果
Figure BDA0002388463070000123
则认为此传感器不再适合于连续工作。当协作覆盖集中一半的/传感器发生这样的情况，则认为当前覆盖集不再适合于连续工作。但如果所有协作覆盖集都满足条件，切换调度仍可以继续直到无协作覆盖集可以工作，这也意味着无线传感器网络的生存期将很快结束。
CCSl可以连续运行的时间段数nl按公式(11)计算：
Figure BDA0002388463070000131
其中，E0为激活一个传感器所需要的能量，m和c分别为CCSl中传感器的数量和被激活以构造CCSl的传感器数量；
如果nl＝0，显然CCSl无法成为候选的协作覆盖集，因此，可以从[1,nl]中选择一个数来安排CCSl的工作状态或睡眠状态。
假设无线传感器网络的寿命在协作覆盖集的q次切换之后结束，则无线传感器网络的寿命延长的问题被转化为如何选择适当的协作覆盖集的工作时间段以延长无线传感器网络寿命，计算公式为：
Figure BDA0002388463070000132
其中，sn为无线传感器网络的最大生命值，wj为CCSl在第j次切换调度中连续运行的时间段数，wj通过公式(9)、(10)计算得到，即wj通过衡量覆盖集能耗来判断。
(3)协作覆盖集切换调度算法
何时转换协作覆盖集，转换到哪一个协作覆盖集，是一个比较复杂的问题，因此引入改进的蚁群算法，如图4所示，利用改进蚁群算法对协作覆盖集进行调度的流程为：
步骤401：初始化参数，包括：
(a)设定蚁群中所有蚂蚁(id＝1,2,…,m)的数量为m；
(b)设定迭代次数NC＝0；
(c)初始化启发式因子α，期望因子β、γ，信息素衰减率ρ；
步骤402：分配协作覆盖集：
为此次迭代的m只蚂蚁分别在n个协作覆盖集CCS1,CCS2,…CCSn(n≥m)中随机选择一个协作覆盖集作为初始时刻的协作覆盖集，并假设每个协作覆盖集之间的初始信息素τij(0)＝C，C为常数，每只蚂蚁独立进行最优路径的搜索。
步骤403：计算覆盖集转移概率：
每只蚂蚁根据概率选择公式计算出蚂蚁在各协作覆盖集之间转移的概率，从而根据轮盘算法选择最合适在下一段时间完成监视任务的协作覆盖集；
蚂蚁从协作覆盖集i向协作覆盖集j转移的概率Pij(t)计算为：
Figure BDA0002388463070000141
其中，α为启发式因子，反映路径信息素的相对重要性；β、γ均为期望因子，分别反映蚂蚁选择下一个协作覆盖集时协作覆盖集剩余能量(可以是协作覆盖集内传感器的剩余能量总和、协作覆盖集内传感器的平均剩余能量、协作覆盖集内剩余能量最低的传感器对应的能量等，不同的选择会有不同的效果，但总体来说可以衡量协作覆盖集的能量情况)和切换开销这两个因素的作用强度；k为蚂蚁ID号(k＝1，2，3，…m)；Tabuk代表蚂蚁k的禁忌表；
τij表示协作覆盖集i转换到协作覆盖集j的信息素强度；Lj表示协作覆盖集j的剩余生命，由协作覆盖集j中所有传感器剩余生命周期的平均值和最小值相加所得，Lj的计算公式为:
Figure BDA0002388463070000142
同理，τir表示协作覆盖集i转换到协作覆盖集r的信息素强度；Lr表示协作覆盖集r的剩余生命，由协作覆盖集r中所有传感器剩余生命周期的平均值和最小值相加所得，Lr的计算公式为:
Figure BDA0002388463070000143
ei,t为传感器si在时间段t的能量消耗，Ei,t为传感器si在时间段t开头的剩余能量；
ηij为蚂蚁k从协作覆盖集i转换到协作覆盖集j的启发信息，表示两个覆盖集之间的切换开销，切换开销越大，则从协作覆盖集i转换到协作覆盖集j的概率越小，ηij的计算公式如下：
Figure BDA0002388463070000151
若协作覆盖集j中的传感器s不在协作覆盖集i中，则需要从睡眠状态激活到工作状态，产生额外的能耗Eact(s)。
同理，ηir为蚂蚁k从协作覆盖集i转换到协作覆盖集r的启发信息，表示两个覆盖集之间的切换开销，切换开销越大，则从协作覆盖集i转换到协作覆盖集r的概率越小，ηir的计算公式如下：
Figure BDA0002388463070000152
若协作覆盖集r中的传感器s不在协作覆盖集i中，则需要从睡眠状态激活到工作状态，产生额外的能耗Eact(s)。
步骤404：修改禁忌表：
为了满足蚂蚁可以根据能量变化在不同的覆盖集上切换，每只蚂蚁都拥有一个禁忌表。蚂蚁在寻找协作覆盖集过程中遇到的剩余能量不足以支撑监视任务的协作覆盖集时，将其编号加入禁忌表，以禁止蚂蚁再选中禁忌表中记录的协作覆盖集；
若所有蚂蚁都已完成搜索，仍没有能够满足监视任务的协作覆盖集可以选择，则选择所有蚂蚁中无线传感器网络生命值最长的那条路径进行信息素更新；
步骤405：更新此次迭代的信息素，并判断是否达到迭代次数，若未达到迭代次数，则重复步骤402-步骤405进行下一次迭代；若达到迭代次数，则输出最优解，即协作覆盖集的调度路径。
协作覆盖集i可能会持续选择自己，直到能量消耗到一定阈值后根据协作覆盖集转移概率选择另一协作覆盖集j，从而保持全局能量的平衡，使得整个传感器网络的寿命达到最大值。因此信息素全局更新方式如下所示：
Figure BDA0002388463070000153
τij(t+1)＝(1-ρ)τij(t)+RHQ*Δτij(t) (19)
其中，Δτij(t)表示t时刻信息素增量、τij(t+1)表示t+1时刻的信息素量、ρ是一个定值，表示信息素挥发率、Q是一个定值，表示蚂蚁循环一周或一个过程释放在所经过路径上的信息素总量；Lbest表示当前迭代中选出的最优蚂蚁Antbest的路径的长度，即最优路径；RHQ为每次迭代后信息素的衰减率，Ci表示协作覆盖集i持续选择自己的次数。
本申请能够更好地实现电力物联网中无线传感器网络的监测任务，同时无线传感器网络的生命周期也远远长于传统的传感器协作模型，且性能随着传感器节点数目的增多更加明显。可通过以下数值结果以验证本申请所提出的方案的性能。
在仿真中，假设无线传感器网络中有3种类型的传感器，它们的覆盖范围分别为10m，15m和20m，每种传感器的数量相同。每种类型的传感器都需要监视10个目标点，这些目标点随机分散在100*100平方米的区域中，该区域的中心有一个访问点。传感器发送、接收数据的能耗，采用一阶无线通信模型，每个资源点在每个时间周期产生一个数据包，数据包的大小为4000bit，传感器节点的初始能量为0.05J。
采用60，80，100，120四种传感器节点密度进行仿真，每种密度重复实验100次，并取其平均值，得到的无线传感器网络生命和传感器密度之间的关系如图5所示。从图中可以看出，本申请能够显著延长无线传感器网络的生命，并且随着传感器节点密度的增大，生命值延长的更加明显。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
所述方法包括以下步骤：
步骤1：构建监测微电网中分布式可再生能源的无线传感器网络模型；
步骤2：根据无线传感器网络中不同类型的传感器和不同监视任务，构建协作覆盖集；
步骤3：利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集；
步骤4：在无线传感器网络运行过程中，利用改进蚁群算法对协作覆盖集进行调度；
步骤2所述构建协作覆盖集的过程为：
如果传感器si能够和协作覆盖集CCSl中的某个传感器通信且
Figure FDA0003802918030000012
那么si加入CCSl并且成为CCSl的传感器成员，计算公式如下：
Figure FDA0003802918030000011
一直重复此过程以构建一组监视任务的协作覆盖集，直到没有传感器可以加入为止；
其中，si(j,TP)为单个传感器si，j(j＝1,2,...,m)为传感器类别，i为传感器id，TP为在si覆盖范围内的监测目标点集合；
m是负责监视任务MB(m,TP1,TP2,...,TPm)的传感器类型数量，TPj(j＝1,2,…,m)是类型j传感器的监测目标点集合；
CCSl(SS,TP1,TP2,...,TPm)为协作覆盖集，l为协作覆盖集的id，SS是协作覆盖集中传感器的集合；
步骤3所述利用层次聚类方式连通无线传感器网络中各组监视任务的协作覆盖集，包括以下步骤：
步骤301：初始化每个协作覆盖集并将每个协作覆盖集作为一个通信组；
步骤302：计算任意两个通信组的距离，并选择距离最短的两个通信组；
步骤303：选择最少的传感器连接步骤302选择的两个通信组；
步骤304：将步骤302选择的两个通信组和步骤303选择的传感器合并为一个新的通信组并返回执行步骤302，直到负责一组监视任务的所有通信组全部互连。
2.根据权利要求1所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
步骤1所述无线传感器网络中部署不同类型的传感器来监测其监视区域内充电、太阳能设备、风力涡轮机和储能装置的状态信息和环境信息；
所述无线传感器网络中，每种类型的传感器均覆盖一个固定大小的监视区域，监视数据通过不同类型的传感器之间的数据协作通信发送到接入点和数据中心；
每个传感器覆盖至少一个监视目标点，每个监视目标点被至少一个传感器覆盖；
所述传感器的工作状态包括仅承担通信任务、仅承担监视任务和同时承担通信和监视任务三种，传感器的工作状态随时间转换，传感器仅承担通信任务时称之为通信传感器，传感器仅承担监视任务时称之为监视传感器，传感器同时承担通信和监视任务时称之为多功能传感器。
3.根据权利要求2所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
步骤1构建的无线传感器网络模型中，传感器的信号强度随着r(si,pj)增加而降低，r(si,pj)为传感器si与监视目标点pj之间的距离，设定传感器si与监视目标点pj之间的距离阈值r0，若r(si,pj)≤r0，则监视目标点的传感器监视数据有效，否则监视数据无效；
在时间段t中，传感器的能量消耗为：
Figure FDA0003802918030000021
ei,t为传感器si在时间段t的能量消耗，et为传感器接收数据的能量消耗，er为传感器发送数据的能量消耗，ki,t为传感器在时间段t内收到的所有后继传感器节点发送过来的数据量，k0为传感器在时间段t内监视的数据量，erd为无线电设备消耗的能量，eamp为功率放大器消耗的能量；
当ki,t＝0时，即为监视传感器能耗公式；当k0＝0时，即为通信传感器能耗公式；当两者都不为0时，即为多功能传感器公式。
4.根据权利要求1所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
步骤302所述两个通信组的距离为从一个通信组内传感器到另一个通信组内传感器的距离中最短的距离。
5.根据权利要求1所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
步骤4所述利用改进蚁群算法对协作覆盖集进行调度，包括以下步骤：
步骤401：初始化参数，包括：
(a)设定蚁群中所有蚂蚁(id＝1,2,…,m)的数量为m；
(b)设定迭代次数NC＝0；
(c)初始化启发式因子α，期望因子β、γ，信息素衰减率ρ；
步骤402：分配协作覆盖集：
为此次迭代的m只蚂蚁分别在n个协作覆盖集CCS1,CCS2,…CCSn(n≥m)中随机选择一个协作覆盖集作为初始时刻的协作覆盖集，并假设每个协作覆盖集之间的初始信息素τij(0)＝C，C为常数，每只蚂蚁独立进行最优路径的搜索；
步骤403：计算覆盖集转移概率：
每只蚂蚁根据概率选择公式计算出蚂蚁在各协作覆盖集之间转移的概率，从而根据轮盘算法选择最合适在下一段时间完成监视任务的协作覆盖集；
步骤404：修改禁忌表：
蚂蚁在寻找协作覆盖集过程中遇到的剩余能量不足以支撑监视任务的协作覆盖集时，将其编号加入禁忌表，以禁止蚂蚁再选中禁忌表中记录的协作覆盖集；
若所有蚂蚁都已完成搜索，仍没有能够满足监视任务的协作覆盖集可以选择，则选择所有蚂蚁中无线传感器网络生命值最长的那条路径进行信息素更新；
步骤405：更新此次迭代的信息素，并判断是否达到迭代次数，若未达到迭代次数，则重复步骤402-步骤405进行下一次迭代；若达到迭代次数，则输出最优解。
6.根据权利要求5所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
步骤403中，蚂蚁从协作覆盖集i向协作覆盖集j转移的概率Pij(t)计算为：
Figure FDA0003802918030000041
其中，α为启发式因子，反映路径信息素的相对重要性；β、γ均为期望因子，分别反映蚂蚁选择下一个协作覆盖集时协作覆盖集剩余能量和切换开销这两个因素的作用强度；Tabuk代表蚂蚁k的禁忌表；τij表示协作覆盖集i转换到协作覆盖集j的信息素强度；Lj表示协作覆盖集j的剩余生命，由协作覆盖集j中所有传感器剩余生命周期的平均值和最小值相加所得，τir表示协作覆盖集i转换到协作覆盖集r的信息素强度；Lr表示协作覆盖集r的剩余生命，由协作覆盖集r中所有传感器剩余生命周期的平均值和最小值相加所得，ηij为蚂蚁k从协作覆盖集i转换到协作覆盖集j的启发信息，表示两个覆盖集之间的切换开销，切换开销越大，则从协作覆盖集i转换到协作覆盖集j的概率越小，ηir为蚂蚁k从协作覆盖集i转换到协作覆盖集r的启发信息，表示两个覆盖集之间的切换开销，切换开销越大，则从协作覆盖集i转换到协作覆盖集r的概率越小。
7.根据权利要求6所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
所述ηij、ηir的计算公式如下：
Figure FDA0003802918030000042
Figure FDA0003802918030000051
若协作覆盖集j中的传感器s不在协作覆盖集i中，则需要从睡眠状态激活到工作状态，产生额外的能耗Eact(s)；
若协作覆盖集r中的传感器s不在协作覆盖集i中，则需要从睡眠状态激活到工作状态，产生额外的能耗Eact(s)。
8.根据权利要求5所述的一种基于协作覆盖的微电网无线传感器网络能耗优化方法，其特征在于：
步骤405中，信息素全局更新方式如下所示：
Figure FDA0003802918030000052
τij(t+1)＝(1-ρ)τij(t)+RHQ*Δτij(t) (19)
其中，Δτij(t)表示t时刻信息素增量、τij(t+1)表示t+1时刻的信息素量、ρ是一个定值，表示信息素挥发率、Q是一个定值，表示蚂蚁循环一周或一个过程释放在所经过路径上的信息素总量；Lbest表示当前迭代中选出的最优蚂蚁Antbest的路径的长度；RHQ为每次迭代后信息素的衰减率，Ci表示协作覆盖集i持续选择自己的次数。
CN202010106898.6A 2020-02-21 2020-02-21 一种基于协作覆盖的微电网无线传感器网络能耗优化方法 Active CN111225398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010106898.6A CN111225398B (zh) 2020-02-21 2020-02-21 一种基于协作覆盖的微电网无线传感器网络能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010106898.6A CN111225398B (zh) 2020-02-21 2020-02-21 一种基于协作覆盖的微电网无线传感器网络能耗优化方法

Publications (2)

Publication Number Publication Date
CN111225398A CN111225398A (zh) 2020-06-02
CN111225398B true CN111225398B (zh) 2022-11-04

Family

ID=70829893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010106898.6A Active CN111225398B (zh) 2020-02-21 2020-02-21 一种基于协作覆盖的微电网无线传感器网络能耗优化方法

Country Status (1)

Country Link
CN (1) CN111225398B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532707B (zh) * 2020-11-24 2022-11-08 国网江苏省电力有限公司南京供电分公司 一种分布式光伏电站运维数据传输方法
CN113507737A (zh) * 2021-06-11 2021-10-15 西安邮电大学 一种基于竞争协作的WSNs关键节点休眠调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102026227A (zh) * 2010-12-14 2011-04-20 广州市香港科大霍英东研究院 面向大规模无线传感器网络测试与调试的分布式部署方法
CN102802164A (zh) * 2012-08-30 2012-11-28 吴军 无线传感器网络中覆盖控制理论与算法的优化方法
CN105072656B (zh) * 2015-07-10 2019-04-23 桂林电子科技大学 基于K-means聚类和蚁群算法的多级异构无线传感器网络分簇路由方法

Also Published As

Publication number Publication date
CN111225398A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
Arjunan et al. Lifetime maximization of wireless sensor network using fuzzy based unequal clustering and ACO based routing hybrid protocol
CN108566663B (zh) 基于扰动粒子群优化的sdwsn能耗均衡路由方法
Sabet et al. An energy efficient multi-level route-aware clustering algorithm for wireless sensor networks: A self-organized approach
Chen et al. A reinforcement learning-based sleep scheduling algorithm for desired area coverage in solar-powered wireless sensor networks
Hani et al. A Survey on LEACH-Based Energy Aware Protocols for Wireless Sensor Networks.
CN108712767B (zh) 一种无线传感器网络中能耗均衡的簇间多跳路由控制方法
Das et al. Fuzzy based energy efficient multicast routing for ad-hoc network
CN101959244B (zh) 一种适用于无线传感网的层次型路由控制方法
CN105898764B (zh) 多级能量异构的无线传感器网络部署方法
Aydin et al. Energy efficient clustering-based mobile routing algorithm on WSNs
CN111225398B (zh) 一种基于协作覆盖的微电网无线传感器网络能耗优化方法
CN102238562A (zh) 一种无线传感器网络覆盖优化方法
CN104135752A (zh) 一种无线传感器网络簇头节点选择方法及分簇方法
Azar et al. Energy-and delay-efficient algorithm for large-scale data collection in mobile-sink WSNs
Karabekir et al. Energy-Efficient Clustering-Based Mobile Routing Algorithm For Wireless Sensor Networks.
Jie et al. Efficient cover set selection in wireless sensor networks
Farahani Energy Consumption Reduction in Wireless Sensor Network Based on Clustering
Han et al. CPEH: a clustering protocol for the energy harvesting wireless sensor networks
CN114980252A (zh) 一种物联网终端设备的低功耗休眠控制方法与系统
Guo et al. Centralized Clustering Routing Based on Improved Sine Cosine Algorithm and Energy Balance in WSNs
Boucetta et al. Adaptive scheduling with fault tolerance for wireless sensor networks
Bao Secure clustering strategy based on improved particle swarm optimization algorithm in internet of things
Zhang et al. A cluster head multi-hop topology control algorithm for WSN
Liu et al. Modeling and performance optimization of wireless sensor network based on Markov chain
Lu et al. Balance: depolarized intelligent sensing system with multi-angle energy-saving optimized control model

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