CN111246416B - 一种基于遗传算法的水下无线传感器网络拓扑控制方法 - Google Patents

一种基于遗传算法的水下无线传感器网络拓扑控制方法 Download PDF

Info

Publication number
CN111246416B
CN111246416B CN202010030325.XA CN202010030325A CN111246416B CN 111246416 B CN111246416 B CN 111246416B CN 202010030325 A CN202010030325 A CN 202010030325A CN 111246416 B CN111246416 B CN 111246416B
Authority
CN
China
Prior art keywords
node
energy
cluster head
nodes
cluster
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
CN202010030325.XA
Other languages
English (en)
Other versions
CN111246416A (zh
Inventor
杨光
戴礼娥
毛玉明
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong 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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202010030325.XA priority Critical patent/CN111246416B/zh
Publication of CN111246416A publication Critical patent/CN111246416A/zh
Application granted granted Critical
Publication of CN111246416B publication Critical patent/CN111246416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/38Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00Routing or path finding of packets in data switching networks
    • H04L45/46Cluster building
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/24Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/246Connectivity information discovery
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/24Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,包括:a).构建水下网络模型;b).建立成员节点、簇首节点能量模型及能量参数;c).计算最优簇首数量;d).采用遗传算法确定最优簇首,包括:d‑1).染色体编码;d‑2).选取初始种群;d‑3).构造适应度函数;d‑4).构造选择算子、交叉算子、变异算子;d‑5).计算个体适应度值;d‑6).选择最优簇首;e).自组成簇和进行数据通信。本发明的水下无线传感器网络拓扑控制方法,在簇首选择阶段使用遗传算法,能够解决多目标优化问题,能够有效均衡能量和距离因素,能够有效均衡各节点能量消耗,降低了网络整体能耗,从而延长整个网络生存期。

Description

一种基于遗传算法的水下无线传感器网络拓扑控制方法
技术领域
本发明涉及一种水下无线传感器网络拓扑控制方法,更具体的说,尤其涉及一种的基于遗传算法的水下无线传感器网络拓扑控制方法。
背景技术
海洋资源的开发和海洋权益的保护日益受到重视,水下无线传感器网络(Underwater Wireless Sensor Networks,UWSNs)就是基于水下环境中的应用提出的。UWSNs具有低成本、自组织、分布式等特点,能够在海洋环境监测、资源开发、灾害预警和海洋军事活动等应用提供技术支持,因此UWSNs被广泛应用于海洋技术领域。作为无线传感器网络的分支,UWSNs在体系架构、网络分层、支撑技术等技术领域与陆地无线传感器网络大致相同。但由于水下工作环境的特殊性,UWSNs面临诸多限制和制约,主要表现在以下几方面:
(1)水下通信传输介质受限。电磁波和光信号作为传输介质在水中衰减严重,不适用于远距离传输,因此,通常采用水声信号作为传输介质,但存在传输速率低、端到端传输延迟大的问题。(2)受水声信道制约。由于水声信道端到端传输延迟大,存在严重的多径效应,易导致节点间通信的碰撞。且水下环境未知、多变,环境噪声、船舶和生物产生的噪声均会影响信号的传输可靠性。(3)受硬件条件制约。水下传感器节点无法进行充电和电源更换,因此,能耗问题是UWSNs的首要问题。(4)网络拓扑存在未知性和变化性。水下传感器节点的位置由于洋流等因素会发生变化,节点电源用尽失效及新节点的加入均会导致网络拓扑的变化。特别是对于含有水下航行器的应用场景,拓扑结构更加多变。
为了解决以上问题,均衡网络中节点的能耗,从而延长网络的生存期,低功耗自适应集簇分层型协议(Low Energy Adaptive Clustering Hierarchy,LEACH)及基于LEACH(Low Energy Adaptive Clustering Hierarchy)的协议被广泛应用于UWSNs。现有的基于LEACH协议在每一轮簇首选举中,根据节点的剩余能量分类,使得不同类型的节点以不同的概率当选为本轮簇首节点,从而保护能量相对较低的节点。但是需要确定每一轮当中当前节点的所属区域,增加了节点的计算量,加重了节点的运算负担,从而导致了额外能耗。同时LEACH算法未考虑节点与簇首位置关系,对于水下传感器网络而言,发送能耗随收发双方距离的增加而显著增长,无法实现全局能耗最优。然而,簇首的选择决定了UWSNs的性能,是一种多目标全局优化问题。LEACH协议存在的缺陷导致其不适用于能量极度受限的UWSNs。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种基于遗传算法的水下无线传感器网络拓扑控制方法。
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,其特征在于,通过以下步骤来实现:
a).构建水下网络模型,设n个水下节点均匀分布于L×L二维水下环境,节点ni∈N,节点集
Figure BDA0002364075290000021
n个节点被均匀分成k个簇,则每个簇内有n/k个节点,其中含1个簇首和n/k-1个成员节点;节点间为单跳距离,均可直接通信,各节点位置已知且固定,计算出各节点与汇聚节点间的距离为D(i)R→B,以及节点与汇聚节点的平均距离;
b).建立成员节点、簇首节点能量模型及能量参数,根据成员节点的发送能耗、接收能耗建立成员节点的能量模型,根据簇首节点的汇聚能量和通信能量建立簇首节点的能量模型;建立包含剩余能量、能量门限、初始能量在内的节点能量参数;
c).计算最优簇首数量,根据部署区域长度L、节点到水下汇聚节点的距离计算出最优的簇首数量;
d).采用遗传算法确定最优簇首,包括如下步骤:
d-1).染色体编码,选用二进制编码,采用二值符号集{0,1}对节点进行染色体编码,当基因位前两位为00时代表该节点为汇聚节点,当基因位前两位为01时代表该节点为某个簇的成员节点,当基因位前两位为10时代表该节点被选作簇首节点,当基因位为11时代表该节点已经失效;
d-2).选取初始种群,将剩余能量和节点与汇聚节点间距离的加权值S(i)作为选取依据,选取加权值S(i)高压阈值T的节点作为初始种群;
d-3).构造适应度函数,适应度函数决定了当前种群遗传到下一代群体中的概率,采用能量和距离作为评估参数,构造适应度函数F(i);
d-4).构造包含选择算子、交叉算子、变异算子在内的遗传算子,选择算子用于选取较优个体遗传到下一代,采用基于排序和轮盘赌选择算子,从初始种群中选取较优的个体并存储;交叉算子根据交叉概率PC产生出两个新的个体,交叉概率PC根据适应度F(i)进行自适应调整;变异算子根据变异概率PM获得新的子代个体,变异概率PM根据适应度F(i)进行自适应调整;
d-5).计算个体适应度值,计算新种群中的个体适应度值,若新个体适应度大于当前个体的目标值,则将新个体作为种群下一代进化的目标,否则保持当前目标不变;
d-6).选择最优簇首,重复执行步骤d-4)至步骤d-5),如果达到最大进化代数,输出当前的最优个体,即为下一任簇首的候选节点;
e).自组成簇和进行数据通信,遗传算法完成簇首的选择后,最优个体被选做簇首,其余节点根据预设规则自组加入簇,进行数据通信。
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,步骤a)中节点与汇聚节点的平均距离D(ave)通过公式(1)进行计算:
Figure BDA0002364075290000031
其中,n为初始节点个数,nd为失效节点和能量低于阈值能量节点总数。
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,步骤b)所述的成员节点、簇首节点能量模型及能量参数的建立通过以下方法来实现:
b-1).成员节点能量模型的建立,为满足到达接收节点的信号功率为P0,则距离接收节点为d的发送节点的发送能量ES需要满足:
Figure BDA0002364075290000041
上式中A(d)为水声信号功率衰减系数,采用球形扩散模型,a(f)为水下环境吸收系数:
Figure BDA0002364075290000042
上式中为f载波频率,单位为kHz;
节点的发送能耗为:
Et=l×(Ee+Es) (4)
节点的接收能耗为:
Er=l×Ee (5)
其中,l为数据包的长度,单位bit,Ee为驱使电路发送或接收每bit信号所需的能量,单位nJ/bit;Es为发送端所需能量,该能量需要满足接收端解调器的要求,则完成一次长度为l的数据包传输所需能量为:
ET=Et+Er=l×(2Ee+Es) (6)
b-2).簇首节点能量模型的建立,簇首负责对簇内数据进行汇聚和处理,并发送给水下汇聚节点,因此,簇首能量模型包括汇聚能量模型和通信能量模型:
对于包含p个节点的簇而言,由p-1个成员节点和1个簇首构成,设数据包长度为l,则每个通信周期中,接收和汇聚能量为:
EA(ch)=(p-1)×l×EA+(p-1)Er=(p-1)×l×(EA+Ee) (7)
上式中,EA为簇首融合单位bit数据所消耗的能量;
簇首通信能量模型为:
ET(ch)=Et(ch)=l×(Ee+Es) (8)
则簇首节点的总能量为:
E(ch)=EA(ch)+ET(ch) (9)
b-3).能量参数的建立,E(i)re为节点i的剩余能量,Eth为预设的能量门
Figure BDA0002364075290000051
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,步骤c)所述的计算最优簇首数量通过如下公式进行计算:
Figure BDA0002364075290000052
上式中,L为部署区域长度,单位m;εfs为单位放大功率,εamp为多径衰落模型的单位放大功率。
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,步骤d-2)中,初始种群由若干随机选择出的初始解构成,被称为第一代,初始解的选取决定了最优解的计算结果,将剩余能量和节点与水下汇聚节点间距离的加权值作为选取依据:
Figure BDA0002364075290000053
其中,ω1与ω2为加权系数,用于调整能量与距离在种群选取中的权重;
加权值S(i)高压阈值T的节点被选作初始种群,其中阈值T可根据簇首选取执行轮数自适应调整:
Figure BDA0002364075290000054
其中,T1<T2<T3
根据加权值S(i)及阈值选择的初始种群为:
A0={a1,a2,...,aM} (14)
其中,a1,a2,...,aM为初始种群中的节点;
步骤d-3)中,适应度参数的选取决定了当前群体遗传到下一代群体中的概率,采用能量和距离作为评估参数,构造适应度函数:
Figure BDA0002364075290000061
其中,
Figure BDA0002364075290000062
Figure BDA0002364075290000063
为加权系数,体现三个指标对于适应度函数的权重;D(i)R→C为该节点的邻近节点到该待选簇首节点的距离;通过可变加权系数,动态调节指标在评估中所占的权重,实现自适应构造适应度函数;
步骤d-4)中:
选择算子:选择算子用于选取较优个体遗传到下一代,选择算子的选取应当保存适量适应度较高的个体又要避免收敛速度过慢,采用基于排序和轮盘赌选择算子,优化选取比率;初始种群A0={a1,a2,...,aM},种群大小为M,计算个体i的适应度F(i)及所有个体适应度总和
Figure BDA0002364075290000064
计算每个个体遗传到下一代的概率:
Figure BDA0002364075290000065
对所有个体按其适应度值由大至小排序,将排序结果的前20%的个体取代后20%的个体并选择作为下一代个体,最后进行轮盘赌选择80%,执行M′轮,合并后存储为新的个体;
交叉算子:交叉算子用于随机选择两个不同的个体,互换DNA片段,从而获得两个全新的子代个体,采用单点交叉算子将种群中的个体进行两两随机配对,然后对每一对配对的个体,随机设置某个节点之后的位置为交叉点,按照预设的交叉概率PC,交换交叉点位置后面的所有节点的编号,从而产生出两个新的个体,交叉概率PC根据适应度F(i)进行自适应调整,计算方法如下:
Figure BDA0002364075290000066
其中,F(i)为交叉个体的适应度,Max{F(i)}为最大适应度值,φ1和φ2为调整参数,用于调整交叉概率值;
Figure BDA0002364075290000067
为当前种群中个体适应度平局值,其通过以下公式进行求取:
Figure BDA0002364075290000071
变异算子:变异算子是通过对父代个体的DNA编码中的指定片段进行编码突变,获得新的子代个体,变异概率PM根据适应度F(i)进行自适应调整,计算方法如下:
Figure BDA0002364075290000072
其中,F(i)为交叉个体的适应度,Max{F(i)}为最大适应度值,ψ1和ψ2为调整参数,用于调整变异概率值。
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,步骤e)所述的自组成簇和进行数据通信具体通过以下步骤来实现:
e-1).汇聚节点发布簇首信息:遗传算法的运算和执行由水下汇聚节点完成后,水下汇聚节点发送全局广播,包括新任簇首ID、簇首数量、簇节点容量、簇首被分配的通信时隙信息;
e-2).传感节点选择簇首并自组成簇:节点接收到广播后,判断自己是否成为簇首,若节点未被选为簇首,则等待接收新任簇首的广播,若节点被选为簇首,则广播自身ID、位置坐标和剩余能量信息,邻近节点根据与簇首间的距离及簇首的剩余能量,选取最优的簇加入,发送应答消息;簇首接收到应答消息后,根据簇节点容量、与节点距离决定哪些节点允许加入该簇,发送确认消息给对应节点,分配簇内通信时隙;各节点加入相应簇后,完成树型网络拓扑;
e-3).汇聚节点准备通信:网络组网完成后,汇聚节点发送广播,通知网络中节点准备通信,根据分配的时隙进行数据通信;
若簇首节点剩余能量低于门限能量,则启动新一轮簇首选择,返回步骤a),根据步骤d)重新计算新任最优簇首;若节点能量耗尽或全部失效,则网络通信结束。
本发明的有益效果是:本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,首先构建水下网络模型,并建立成员节点、簇首节点能量模型及能量参数,然后计算最优簇首数量,并采用遗传算法确定最优簇首,最优根据选择的簇首其余节点根据预设规则自组加入簇,进行数据通信;在簇首选择阶段使用遗传算法,能够解决多目标优化问题,能够有效均衡能量和距离因素,能够有效均衡各节点能量消耗,降低了网络整体能耗,从而延长整个网络生存期。
附图说明
图1为本发明的基于遗传算法的水下无线传感器网络拓扑控制方法的流程图;
图2为本发明中采用遗传算法确定最优簇首的流程图;
图3为本发明中水下节点自组成簇的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,给出了本发明的基于遗传算法的水下无线传感器网络拓扑控制方法的流程图,其通过以下步骤来实现:
a).构建水下网络模型,设n个水下节点均匀分布于L×L二维水下环境,节点ni∈N,节点集
Figure BDA0002364075290000081
n个节点被均匀分成k个簇,则每个簇内有n/k个节点,其中含1个簇首和n/k-1个成员节点;节点间为单跳距离,均可直接通信,各节点位置已知且固定,计算出各节点与汇聚节点间的距离为D(i)R→B,以及节点与汇聚节点的平均距离;
该步骤中,节点与汇聚节点的平均距离D(ave)通过公式(1)进行计算:
Figure BDA0002364075290000082
其中,n为初始节点个数,nd为失效节点和能量低于阈值能量节点总数。
b).建立成员节点、簇首节点能量模型及能量参数,根据成员节点的发送能耗、接收能耗建立成员节点的能量模型,根据簇首节点的汇聚能量和通信能量建立簇首节点的能量模型;建立包含剩余能量、能量门限、初始能量在内的节点能量参数;
该步骤中,所述的成员节点、簇首节点能量模型及能量参数的建立通过以下方法来实现:
b-1).成员节点能量模型的建立,为满足到达接收节点的信号功率为P0,则距离接收节点为d的发送节点的发送能量ES需要满足:
Figure BDA0002364075290000091
上式中A(d)为水声信号功率衰减系数,采用球形扩散模型,a(f)为水下环境吸收系数:
Figure BDA0002364075290000092
上式中为f载波频率,单位为kHz;
节点的发送能耗为:
Et=l×(Ee+Es) (4)
节点的接收能耗为:
Er=l×Ee (5)
其中,l为数据包的长度,单位bit,Ee为驱使电路发送或接收每bit信号所需的能量,单位nJ/bit;Es为发送端所需能量,该能量需要满足接收端解调器的要求,则完成一次长度为l的数据包传输所需能量为:
ET=Et+Er=l×(2Ee+Es) (6)
b-2).簇首节点能量模型的建立,簇首负责对簇内数据进行汇聚和处理,并发送给水下汇聚节点,因此,簇首能量模型包括汇聚能量模型和通信能量模型:
对于包含p个节点的簇而言,由p-1个成员节点和1个簇首构成,设数据包长度为l,则每个通信周期中,接收和汇聚能量为:
EA(ch)=(p-1)×l×EA+(p-1)Er=(p-1)×l×(EA+Ee) (7)
上式中,EA为簇首融合单位bit数据所消耗的能量;
簇首通信能量模型为:
ET(ch)=Et(ch)=l×(Ee+Es) (8)
则簇首节点的总能量为:
E(ch)=EA(ch)+ET(ch) (9)
b-3).能量参数的建立,E(i)re为节点i的剩余能量,Eth为预设的能量门
Figure BDA0002364075290000101
c).计算最优簇首数量,根据部署区域长度L、节点到水下汇聚节点的距离计算出最优的簇首数量;
该步骤中,所述的计算最优簇首数量通过如下公式进行计算:
Figure BDA0002364075290000102
上式中,L为部署区域长度,单位m;εfs为单位放大功率,εamp为多径衰落模型的单位放大功率。
d).采用遗传算法确定最优簇首,如图2所示,给出了本发明中采用遗传算法确定最优簇首的流程图,包括如下步骤:
d-1).染色体编码,选用二进制编码,采用二值符号集{0,1}对节点进行染色体编码,当基因位前两位为00时代表该节点为汇聚节点,当基因位前两位为01时代表该节点为某个簇的成员节点,当基因位前两位为10时代表该节点被选作簇首节点,当基因位为11时代表该节点已经失效;
d-2).选取初始种群,将剩余能量和节点与汇聚节点间距离的加权值S(i)作为选取依据,选取加权值S(i)高压阈值T的节点作为初始种群;
该步骤中,初始种群由若干随机选择出的初始解构成,被称为第一代,初始解的选取决定了最优解的计算结果,将剩余能量和节点与水下汇聚节点间距离的加权值作为选取依据:
Figure BDA0002364075290000103
其中,ω1与ω2为加权系数,用于调整能量与距离在种群选取中的权重;
加权值S(i)高压阈值T的节点被选作初始种群,其中阈值T可根据簇首选取执行轮数自适应调整:
Figure BDA0002364075290000111
其中,T1<T2<T3
根据加权值S(i)及阈值选择的初始种群为:
A0={a1,a2,...,aM} (14)
其中,a1,a2,...,aM为初始种群中的节点;
d-3).构造适应度函数,适应度函数决定了当前种群遗传到下一代群体中的概率,采用能量和距离作为评估参数,构造适应度函数F(i);
该步骤中,适应度参数的选取决定了当前群体遗传到下一代群体中的概率,采用能量和距离作为评估参数,构造适应度函数:
Figure BDA0002364075290000112
其中,
Figure BDA0002364075290000113
Figure BDA0002364075290000114
为加权系数,体现三个指标对于适应度函数的权重;D(i)R→C为该节点的邻近节点到该待选簇首节点的距离;通过可变加权系数,动态调节指标在评估中所占的权重,实现自适应构造适应度函数;
d-4).构造包含选择算子、交叉算子、变异算子在内的遗传算子,选择算子用于选取较优个体遗传到下一代,采用基于排序和轮盘赌选择算子,从初始种群中选取较优的个体并存储;交叉算子根据交叉概率PC产生出两个新的个体,交叉概率PC根据适应度F(i)进行自适应调整;变异算子根据变异概率PM获得新的子代个体,变异概率PM根据适应度F(i)进行自适应调整;
该步骤中,选择算子:选择算子用于选取较优个体遗传到下一代,选择算子的选取应当保存适量适应度较高的个体又要避免收敛速度过慢,采用基于排序和轮盘赌选择算子,优化选取比率;初始种群A0={a1,a2,...,aM},种群大小为M,计算个体i的适应度F(i)及所有个体适应度总和
Figure BDA0002364075290000121
计算每个个体遗传到下一代的概率:
Figure BDA0002364075290000122
对所有个体按其适应度值由大至小排序,将排序结果的前20%的个体取代后20%的个体并选择作为下一代个体,最后进行轮盘赌选择80%,执行M′轮,合并后存储为新的个体;
交叉算子:交叉算子用于随机选择两个不同的个体,互换DNA片段,从而获得两个全新的子代个体,采用单点交叉算子将种群中的个体进行两两随机配对,然后对每一对配对的个体,随机设置某个节点之后的位置为交叉点,按照预设的交叉概率PC,交换交叉点位置后面的所有节点的编号,从而产生出两个新的个体,交叉概率PC根据适应度F(i)进行自适应调整,计算方法如下:
Figure BDA0002364075290000123
其中,F(i)为交叉个体的适应度,Max{F(i)}为最大适应度值,φ1和φ2为调整参数,用于调整交叉概率值;
Figure BDA0002364075290000124
为当前种群中个体适应度平局值,其通过以下公式进行求取:
Figure BDA0002364075290000125
变异算子:变异算子是通过对父代个体的DNA编码中的指定片段进行编码突变,获得新的子代个体,变异概率PM根据适应度F(i)进行自适应调整,计算方法如下:
Figure BDA0002364075290000131
其中,F(i)为交叉个体的适应度,Max{F(i)}为最大适应度值,ψ1和ψ2为调整参数,用于调整变异概率值。
d-5).计算个体适应度值,计算新种群中的个体适应度值,若新个体适应度大于当前个体的目标值,则将新个体作为种群下一代进化的目标,否则保持当前目标不变;
d-6).选择最优簇首,重复执行步骤d-4)至步骤d-5),如果达到最大进化代数,输出当前的最优个体,即为下一任簇首的候选节点;
e).自组成簇和进行数据通信,遗传算法完成簇首的选择后,最优个体被选做簇首,其余节点根据预设规则自组加入簇,进行数据通信。
如图3所示,给出了本发明中水下节点自组成簇的流程图,自组成簇和进行数据通信具体通过以下步骤来实现:
e-1).汇聚节点发布簇首信息:遗传算法的运算和执行由水下汇聚节点完成后,水下汇聚节点发送全局广播,包括新任簇首ID、簇首数量、簇节点容量、簇首被分配的通信时隙信息;
e-2).传感节点选择簇首并自组成簇:节点接收到广播后,判断自己是否成为簇首,若节点未被选为簇首,则等待接收新任簇首的广播,若节点被选为簇首,则广播自身ID、位置坐标和剩余能量信息,邻近节点根据与簇首间的距离及簇首的剩余能量,选取最优的簇加入,发送应答消息;簇首接收到应答消息后,根据簇节点容量、与节点距离决定哪些节点允许加入该簇,发送确认消息给对应节点,分配簇内通信时隙;各节点加入相应簇后,完成树型网络拓扑;
e-3).汇聚节点准备通信:网络组网完成后,汇聚节点发送广播,通知网络中节点准备通信,根据分配的时隙进行数据通信;
若簇首节点剩余能量低于门限能量,则启动新一轮簇首选择,返回步骤a),根据步骤d)重新计算新任最优簇首;若节点能量耗尽或全部失效,则网络通信结束。
本发明的基于遗传算法的水下无线传感器网络拓扑控制方法,具有简单、易实现、对节点性能要求低等特性,适用于二维水下传感器网络,在簇首选择阶段使用遗传算法,能够解决多目标优化问题,能够有效平均全局节点平均能耗,延长网络整体寿命,并且具备自适应性,具有广泛的应用价值。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种基于遗传算法的水下无线传感器网络拓扑控制方法,其特征在于,通过以下步骤来实现:
a).构建水下网络模型,设n个水下节点均匀分布于L×L二维水下环境,节点ni∈N,节点集
Figure FDA0003486441420000011
n个节点被均匀分成k个簇,则每个簇内有n/k个节点,其中含1个簇首和n/k-1个成员节点;节点间为单跳距离,均可直接通信,各节点位置已知且固定,计算出各节点与水下汇聚节点间的距离为D(i)R→B,以及节点与水下汇聚节点的平均距离;
b).建立成员节点、簇首节点能量模型及能量参数,根据成员节点的发送能耗、接收能耗建立成员节点的能量模型,根据簇首节点的汇聚能量和通信能量建立簇首节点的能量模型;建立包含剩余能量、能量门限、初始能量在内的节点能量参数;
c).计算最优簇首数量,根据部署区域长度L、节点到水下汇聚节点的距离计算出最优的簇首数量;
d).采用遗传算法确定最优簇首,包括如下步骤:
d-1).染色体编码,选用二进制编码,采用二值符号集{0,1}对节点进行染色体编码,当基因位前两位为00时代表该节点为水下汇聚节点,当基因位前两位为01时代表该节点为某个簇的成员节点,当基因位前两位为10时代表该节点被选作簇首节点,当基因位为11时代表该节点已经失效;
d-2).选取初始种群,将剩余能量和节点与水下汇聚节点间距离的加权值S(i)作为选取依据,选取加权值S(i)高压阈值T的节点作为初始种群;
d-3).构造适应度函数,适应度函数决定了当前种群遗传到下一代群体中的概率,采用能量和距离作为评估参数,构造适应度函数F(i);
d-4).构造包含选择算子、交叉算子、变异算子在内的遗传算子,选择算子用于选取较优个体遗传到下一代,采用基于排序和轮盘赌选择算子,从初始种群中选取较优的个体并存储;交叉算子根据交叉概率PC产生出两个新的个体,交叉概率PC根据适应度F(i)进行自适应调整;变异算子根据变异概率PM获得新的子代个体,变异概率PM根据适应度F(i)进行自适应调整;
d-5).计算个体适应度值,计算新种群中的个体适应度值,若新个体适应度大于当前个体的目标值,则将新个体作为种群下一代进化的目标,否则保持当前目标不变;
d-6).选择最优簇首,重复执行步骤d-4)至步骤d-5),如果达到最大进化代数,输出当前的最优个体,即为下一任簇首的候选节点;
e).自组成簇和进行数据通信,遗传算法完成簇首的选择后,最优个体被选做簇首,其余节点根据预设规则自组加入簇,进行数据通信;
步骤b)所述的成员节点、簇首节点能量模型及能量参数的建立通过以下方法来实现:
b-1).成员节点能量模型的建立,为满足到达接收节点的信号功率为P0,则距离接收节点为d的发送节点的发送能量ES需要满足:
Figure FDA0003486441420000021
上式中A(d)为水声信号功率衰减系数,采用球形扩散模型,a(f)为水下环境吸收系数:
Figure FDA0003486441420000022
上式中为f载波频率,单位为kHz;
节点的发送能耗为:
Et=l×(Ee+Es) (4)
节点的接收能耗为:
Er=l×Ee (5)
其中,l为数据包的长度,单位bit,Ee为驱使电路发送或接收每bit信号所需的能量,单位nJ/bit;Es为发送端所需能量,该能量需要满足接收端解调器的要求,则完成一次长度为l的数据包传输所需能量为:
ET=Et+Er=l×(2Ee+Es) (6)
b-2).簇首节点能量模型的建立,簇首负责对簇内数据进行汇聚和处理,并发送给水下汇聚节点,因此,簇首能量模型包括汇聚能量模型和通信能量模型:
对于包含p个节点的簇而言,由p-1个成员节点和1个簇首构成,设数据包长度为l,则每个通信周期中,接收和汇聚能量为:
EA(ch)=(p-1)×l×EA+(p-1)Er=(p-1)×l×(EA+Ee) (7)
上式中,EA为簇首融合单位bit数据所消耗的能量;
簇首通信能量模型为:
ET(ch)=Et(ch)=l×(Ee+Es) (8)
则簇首节点的总能量为:
E(ch)=EA(ch)+ET(ch) (9)
b-3).能量参数的建立,E(i)re为节点i的剩余能量,Eth为预设的能量门限,Ein为初始能量,E(ave)为网络的平均剩余能量:
Figure FDA0003486441420000031
步骤c)所述的计算最优簇首数量通过如下公式进行计算:
Figure FDA0003486441420000032
上式中,L为部署区域长度,单位m;εfs为单位放大功率,εamp为多径衰落模型的单位放大功率。
2.根据权利要求1所述的基于遗传算法的水下无线传感器网络拓扑控制方法,其特征在于,步骤a)中节点与水下汇聚节点的平均距离D(ave)通过公式(1)进行计算:
Figure FDA0003486441420000033
其中,n为初始节点个数,nd为失效节点和能量低于阈值能量节点总数。
3.根据权利要求1所述的基于遗传算法的水下无线传感器网络拓扑控制方法,其特征在于:
步骤d-2)中,初始种群由若干随机选择出的初始解构成,被称为第一代,初始解的选取决定了最优解的计算结果,将剩余能量和节点与水下汇聚节点间距离的加权值作为选取依据:
Figure FDA0003486441420000041
其中,ω1与ω2为加权系数,用于调整能量与距离在种群选取中的权重;
加权值S(i)高压阈值T的节点被选作初始种群,其中阈值T可根据簇首选取执行轮数自适应调整:
Figure FDA0003486441420000042
其中,T1<T2<T3
根据加权值S(i)及阈值选择的初始种群为:
A0={a1,a2,...,aM} (14)
其中,a1,a2,...,aM为初始种群中的节点;
步骤d-3)中,适应度参数的选取决定了当前群体遗传到下一代群体中的概率,采用能量和距离作为评估参数,构造适应度函数:
Figure FDA0003486441420000043
其中,
Figure FDA0003486441420000044
Figure FDA0003486441420000045
为加权系数,体现三个指标对于适应度函数的权重;D(i)R→C为该节点的邻近节点到簇首节点的距离;通过可变加权系数,动态调节指标在评估中所占的权重,实现自适应构造适应度函数;
步骤d-4)中:
选择算子:选择算子用于选取较优个体遗传到下一代,选择算子的选取应当保存适量适应度较高的个体又要避免收敛速度过慢,采用基于排序和轮盘赌选择算子,优化选取比率;初始种群A0={a1,a2,...,aM},种群大小为M,计算个体i的适应度F(i)及所有个体适应度总和
Figure FDA0003486441420000051
计算每个个体遗传到下一代的概率:
Figure FDA0003486441420000052
对所有个体按其适应度值由大至小排序,将排序结果的前20%的个体取代后20%的个体并选择作为下一代个体,最后进行轮盘赌选择80%,执行M′轮,合并后存储为新的个体;
交叉算子:交叉算子用于随机选择两个不同的个体,互换DNA片段,从而获得两个全新的子代个体,采用单点交叉算子将种群中的个体进行两两随机配对,然后对每一对配对的个体,随机设置某个节点之后的位置为交叉点,按照预设的交叉概率PC,交换交叉点位置后面的所有节点的编号,从而产生出两个新的个体,交叉概率PC根据适应度F(i)进行自适应调整,计算方法如下:
Figure FDA0003486441420000053
其中,F(i)为交叉个体的适应度,Max{F(i)}为最大适应度值,φ1和φ2为调整参数,用于调整交叉概率值;
Figure FDA0003486441420000054
为当前种群中个体适应度平局值,其通过以下公式进行求取:
Figure FDA0003486441420000055
变异算子:变异算子是通过对父代个体的DNA编码中的指定片段进行编码突变,获得新的子代个体,变异概率PM根据适应度F(i)进行自适应调整,计算方法如下:
Figure FDA0003486441420000056
其中,F(i)为交叉个体的适应度,Max{F(i)}为最大适应度值,ψ1和ψ2为调整参数,用于调整变异概率值。
4.根据权利要求3所述的基于遗传算法的水下无线传感器网络拓扑控制方法,其特征在于,步骤e)所述的自组成簇和进行数据通信具体通过以下步骤来实现:
e-1).水下汇聚节点发布簇首信息:遗传算法的运算和执行由水下汇聚节点完成后,水下汇聚节点发送全局广播,包括新任簇首ID、簇首数量、簇节点容量、簇首被分配的通信时隙信息;
e-2).传感节点选择簇首并自组成簇:节点接收到广播后,判断自己是否成为簇首,若节点未被选为簇首,则等待接收新任簇首的广播,若节点被选为簇首,则广播自身ID、位置坐标和剩余能量信息,邻近节点根据与簇首间的距离及簇首的剩余能量,选取最优的簇加入,发送应答消息;簇首接收到应答消息后,根据簇节点容量、与节点距离决定哪些节点允许加入该簇,发送确认消息给对应节点,分配簇内通信时隙;各节点加入相应簇后,完成树型网络拓扑;
e-3).水下汇聚节点准备通信:网络组网完成后,水下汇聚节点发送广播,通知网络中节点准备通信,根据分配的时隙进行数据通信;
若簇首节点剩余能量低于门限能量,则启动新一轮簇首选择,返回步骤a),根据步骤d)重新计算新任最优簇首;若节点能量耗尽或全部失效,则网络通信结束。
CN202010030325.XA 2020-01-13 2020-01-13 一种基于遗传算法的水下无线传感器网络拓扑控制方法 Active CN111246416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010030325.XA CN111246416B (zh) 2020-01-13 2020-01-13 一种基于遗传算法的水下无线传感器网络拓扑控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010030325.XA CN111246416B (zh) 2020-01-13 2020-01-13 一种基于遗传算法的水下无线传感器网络拓扑控制方法

Publications (2)

Publication Number Publication Date
CN111246416A CN111246416A (zh) 2020-06-05
CN111246416B true CN111246416B (zh) 2022-03-29

Family

ID=70869425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010030325.XA Active CN111246416B (zh) 2020-01-13 2020-01-13 一种基于遗传算法的水下无线传感器网络拓扑控制方法

Country Status (1)

Country Link
CN (1) CN111246416B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111698706B (zh) * 2020-06-10 2022-05-13 长春师范大学 基于混沌遗传的无线传感器网络改进leach路由方法
CN112257622B (zh) * 2020-10-28 2022-08-16 汕头大学 基于遗传算法和u型神经网络的道路裂缝分割的方法
CN113652983B (zh) * 2021-08-20 2022-11-29 浙江绍兴零贝环保科技有限公司 一种基于机器学习的声屏障设计方法
CN114339930B (zh) * 2021-12-02 2023-06-30 湖南国天电子科技有限公司 一种海洋数据传输优化方法
CN114363989B (zh) * 2021-12-29 2024-04-05 扬州大学 一种基于最短路径的wsn路由协议方法
CN114640594A (zh) * 2022-03-09 2022-06-17 天津大学 一种带有分层协作机制的物联网拓扑优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238686B (zh) * 2011-07-04 2014-11-19 南京邮电大学 一种模型化量子遗传算法的无线传感器网络路由方法
KR101868498B1 (ko) * 2016-01-18 2018-06-18 성신여자대학교 산학협력단 무선 센서 네트워크 복구 및 교체 장치, 이를 위한 방법 및 이 방법이 기록된 컴퓨터로 판독 가능한 기록매체
CN110225567A (zh) * 2019-04-25 2019-09-10 北京邮电大学 一种基于公平性和能耗速率的传感器网络分簇方法
CN110602757B (zh) * 2019-09-18 2023-05-12 上海海事大学 基于自适应遗传算法的无线传感器网络分簇路由方法

Also Published As

Publication number Publication date
CN111246416A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111246416B (zh) 一种基于遗传算法的水下无线传感器网络拓扑控制方法
CN111065107A (zh) 基于量子遗传算法的水下无线传感器网络安全路由控制方法
Zhou et al. Anypath routing protocol design via Q-learning for underwater sensor networks
Bagci et al. An energy aware fuzzy unequal clustering algorithm for wireless sensor networks
CN110149672B (zh) 一种改进的i-leach路由通信方法
Alasarpanahi et al. Energy‐efficient void avoidance geographic routing protocol for underwater sensor networks
Coutinho et al. PCR: A power control-based opportunistic routing for underwater sensor networks
Rahama et al. A routing protocol for improving energy efficiency in wireless sensor networks
CN111865474B (zh) 基于边缘计算的无线通信抗干扰决策方法及系统
CN111526555B (zh) 基于遗传算法的多跳路由路径选择方法
CN111698706B (zh) 基于混沌遗传的无线传感器网络改进leach路由方法
CN106953678B (zh) 一种多中继协作的认知水声系统中继选择和功率优化方法
Rodoshi et al. Reinforcement learning-based routing protocol for underwater wireless sensor networks: a comparative survey
CN107343303B (zh) 无线Mesh网络中基于对偶分解的路由优化方法
Nguyen et al. Prolonging of the network lifetime of WSN using fuzzy clustering topology
CN111132259A (zh) 一种面向物理层安全的联合功率优化和路由选择方法
Shahraki et al. RQAR: Location‐free reliable and QoS‐aware routing protocol for mobile sink underwater wireless sensor networks
Gudla et al. A reliable routing mechanism with energy-efficient node selection for data transmission using a genetic algorithm in wireless sensor network
Jia et al. Joint topology control and routing for multi-radio multi-channel WMNs under SINR model using bio-inspired techniques
Amsalu et al. Design and performance evaluation of an energy efficient routing protocol for Wireless Sensor Networks
CN114037363B (zh) 一种基于协同智能优化算法的多平台任务分配方法
Pantelidou et al. Minimum schedule lengths with rate control in wireless networks
Lakshmanan et al. Proteus: Multiflow diversity routing for wireless networks with cooperative transmissions
Prakash et al. Best cluster head selection and route optimization for cluster based sensor network using (M-pso) and Ga algorithms
Wu et al. Energy-aware routing for wireless sensor networks by AHP

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