CN111314157A - 一种水质监测机器人集群通信网络节点高效部署方法 - Google Patents

一种水质监测机器人集群通信网络节点高效部署方法 Download PDF

Info

Publication number
CN111314157A
CN111314157A CN202010205798.9A CN202010205798A CN111314157A CN 111314157 A CN111314157 A CN 111314157A CN 202010205798 A CN202010205798 A CN 202010205798A CN 111314157 A CN111314157 A CN 111314157A
Authority
CN
China
Prior art keywords
deployment
nodes
node
information
water area
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.)
Pending
Application number
CN202010205798.9A
Other languages
English (en)
Inventor
鲁旭涛
刘昊
高春赟
李文超
李静
曹凤才
王彤
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.)
Shanxi Mingwei Technology Co Ltd
North University of China
Original Assignee
Shanxi Mingwei Technology Co Ltd
North University of China
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 Shanxi Mingwei Technology Co Ltd, North University of China filed Critical Shanxi Mingwei Technology Co Ltd
Priority to CN202010205798.9A priority Critical patent/CN111314157A/zh
Publication of CN111314157A publication Critical patent/CN111314157A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明涉及水质监测机器人集群通信网络的构建方法，具体是一种水质监测机器人集群通信网络节点高效部署方法。本发明解决了传统的水质监测机器人集群通信网络构建方法无法保证水质监测机器人集群通信网络满足全连通且整体信息传输能耗最小的问题。一种水质监测机器人集群通信网络节点高效部署方法，该方法是采用如下步骤实现的：步骤S1：选定部署水域；步骤S2：确定节点的部署数量；步骤S3：划分水域；步骤S4：构建目标函数EALL；步骤S5：确定机器人通信节点的部署位置；步骤S6：确定信息中继节点的部署位置；步骤S7：确定信息汇聚节点的部署位置；步骤S8：完成部署。本发明适用于水质监测机器人集群通信网络的构建。

Description

一种水质监测机器人集群通信网络节点高效部署方法
技术领域
本发明涉及水质监测机器人集群通信网络的构建方法，具体是一种水质监测机器人集群通信网络节点高效部署方法。
背景技术
在对大范围水域进行水环境监测、渔业环境监测时，为了长期、实时、高效地获取相关信息，需要构建水质监测机器人集群通信网络。在传统的水质监测机器人集群通信网络构建方法中，节点的部署普遍采用随机部署方式进行，然而随机部署方式不仅无法保证水质监测机器人集群通信网络满足全连通，而且无法保证水质监测机器人集群通信网络的整体信息传输能耗最小，由此导致水质监测机器人集群通信网络的续航能力差、存活能力差。基于此，有必要发明一种水质监测机器人集群通信网络节点高效部署方法，以解决传统的水质监测机器人集群通信网络构建方法无法保证水质监测机器人集群通信网络满足全连通且整体信息传输能耗最小的问题。
发明内容
本发明为了解决传统的水质监测机器人集群通信网络构建方法无法保证水质监测机器人集群通信网络满足全连通且整体信息传输能耗最小的问题，提供了一种水质监测机器人集群通信网络节点高效部署方法。
本发明是采用如下技术方案实现的：
一种水质监测机器人集群通信网络节点高效部署方法，该方法是采用如下步骤实现的：
步骤S1：选定部署水域，并构建水域地图及直角坐标系，然后将水域地图进行栅格化处理；
步骤S2：确定节点的部署数量：
信息汇聚节点的部署数量为1个；信息中继节点的部署数量为P个；机器人通信节点的部署数量为P×Q个；
步骤S3：划分水域：
将水域地图上的部署水域划分为P个一级部署子水域，并将每个一级部署子水域均划分为Q个二级部署子水域；
步骤S4：构建目标函数EALL；所述目标函数EALL表示如下：
Figure BDA0002421017290000021
Figure BDA0002421017290000022
步骤S5：确定机器人通信节点的部署位置：
在每个二级部署子水域内均随机选取1个坐标点，并将P×Q个被选取坐标点作为P×Q个机器人通信节点的部署位置；
步骤S6：确定信息中继节点的部署位置：
在每个一级部署子水域内均遍历选取1个坐标点，并将P个被选取坐标点的坐标值和P×Q个机器人通信节点的部署位置的坐标值代入式(1)～(2)，然后利用免疫遗传算法求出目标函数EALL的最小值，并将目标函数EALL的最小值所对应的P个被选取坐标点的坐标值作为P个信息中继节点的部署位置的坐标值；
在当前步骤中，式(1)～(2)中的符号定义如下：
m表示机器人通信节点的部署数量，即m＝P×Q；n表示一级部署子水域的数量，即n＝P；ki表示第i个机器人通信节点的单次发送信息量；Eelec表示机器人通信节点发送或接收1bit数据所需能耗；Eamp表示机器人通信节点放大1bit数据所需能耗；dij表示第i个机器人通信节点的部署位置到第j个一级部署子水域内的被选取坐标点的距离；xi、yi表示第i个机器人通信节点的部署位置的横、纵坐标值；xj、yj表示第j个一级部署子水域内的被选取坐标点的横、纵坐标值；
步骤S7：确定信息汇聚节点的部署位置：
在水域地图上的部署水域内遍历选取1个坐标点，并将被选取坐标点的坐标值和P个信息中继节点的部署位置的坐标值代入式(1)～(2)，然后利用免疫遗传算法求出目标函数EALL的最小值，并将目标函数EALL的最小值所对应的被选取坐标点的坐标值作为信息汇聚节点的部署位置的坐标值；
在当前步骤中，式(1)～(2)中的符号定义如下：
m表示信息中继节点的部署数量，即m＝P；n表示部署水域的数量，即n＝1；ki表示第i个信息中继节点的单次发送信息量；Eelec表示信息中继节点发送或接收1bit数据所需能耗；Eamp表示信息中继节点放大1bit数据所需能耗；dij表示第i个信息中继节点到部署水域内的被选取坐标点的距离；xi、yi表示第i个信息中继节点的部署位置的横、纵坐标值；xj、yj表示部署水域内的被选取坐标点的横、纵坐标值；
步骤S8：完成部署：
根据P×Q个机器人通信节点的部署位置、P个信息中继节点的部署位置、信息汇聚节点的部署位置部署P×Q个机器人通信节点、P个信息中继节点、1个信息汇聚节点，P×Q个机器人通信节点、P个信息中继节点、1个信息汇聚节点共同构成水质监测机器人集群通信网络。
与传统的水质监测机器人集群通信网络构建方法相比，本发明所述的一种水质监测机器人集群通信网络节点高效部署方法基于分层部署策略(先在部署机器人通信节点的基础上部署信息中继节点，再在部署信息中继节点的基础上部署信息汇聚节点)，并结合免疫遗传算法，实现了水质监测机器人集群通信网络的构建，由此使得水质监测机器人集群通信网络在满足全连通的前提下实现了整体信息传输能耗最小，从而显著提高了水质监测机器人集群通信网络的续航能力和存活能力。
本发明有效解决了传统的水质监测机器人集群通信网络构建方法无法保证水质监测机器人集群通信网络满足全连通且整体信息传输能耗最小的问题，适用于水质监测机器人集群通信网络的构建。
附图说明
图1是本发明中步骤S1的示意图。
图2是本发明中步骤S8的示意图。
图中：A、B、C、D、E均表示一级部署子水域；1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20均表示二级部署子水域。
具体实施方式
一种水质监测机器人集群通信网络节点高效部署方法，该方法是采用如下步骤实现的：
步骤S1：选定部署水域，并构建水域地图及直角坐标系，然后将水域地图进行栅格化处理；
步骤S2：确定节点的部署数量：
信息汇聚节点的部署数量为1个；信息中继节点的部署数量为P个；机器人通信节点的部署数量为P×Q个；
步骤S3：划分水域：
将水域地图上的部署水域划分为P个一级部署子水域，并将每个一级部署子水域均划分为Q个二级部署子水域；
步骤S4：构建目标函数EALL；所述目标函数EALL表示如下：
Figure BDA0002421017290000041
Figure BDA0002421017290000051
步骤S5：确定机器人通信节点的部署位置：
在每个二级部署子水域内均随机选取1个坐标点，并将P×Q个被选取坐标点作为P×Q个机器人通信节点的部署位置；
步骤S6：确定信息中继节点的部署位置：
在每个一级部署子水域内均遍历选取1个坐标点，并将P个被选取坐标点的坐标值和P×Q个机器人通信节点的部署位置的坐标值代入式(1)～(2)，然后利用免疫遗传算法求出目标函数EALL的最小值，并将目标函数EALL的最小值所对应的P个被选取坐标点的坐标值作为P个信息中继节点的部署位置的坐标值；
在当前步骤中，式(1)～(2)中的符号定义如下：
m表示机器人通信节点的部署数量，即m＝P×Q；n表示一级部署子水域的数量，即n＝P；ki表示第i个机器人通信节点的单次发送信息量；Eelec表示机器人通信节点发送或接收1bit数据所需能耗；Eamp表示机器人通信节点放大1bit数据所需能耗；dij表示第i个机器人通信节点的部署位置到第j个一级部署子水域内的被选取坐标点的距离；xi、yi表示第i个机器人通信节点的部署位置的横、纵坐标值；xj、yj表示第j个一级部署子水域内的被选取坐标点的横、纵坐标值；
步骤S7：确定信息汇聚节点的部署位置：
在水域地图上的部署水域内遍历选取1个坐标点，并将被选取坐标点的坐标值和P个信息中继节点的部署位置的坐标值代入式(1)～(2)，然后利用免疫遗传算法求出目标函数EALL的最小值，并将目标函数EALL的最小值所对应的被选取坐标点的坐标值作为信息汇聚节点的部署位置的坐标值；
在当前步骤中，式(1)～(2)中的符号定义如下：
m表示信息中继节点的部署数量，即m＝P；n表示部署水域的数量，即n＝1；ki表示第i个信息中继节点的单次发送信息量；Eelec表示信息中继节点发送或接收1bit数据所需能耗；Eamp表示信息中继节点放大1bit数据所需能耗；dij表示第i个信息中继节点到部署水域内的被选取坐标点的距离；xi、yi表示第i个信息中继节点的部署位置的横、纵坐标值；xj、yj表示部署水域内的被选取坐标点的横、纵坐标值；
步骤S8：完成部署：
根据P×Q个机器人通信节点的部署位置、P个信息中继节点的部署位置、信息汇聚节点的部署位置部署P×Q个机器人通信节点、P个信息中继节点、1个信息汇聚节点，P×Q个机器人通信节点、P个信息中继节点、1个信息汇聚节点共同构成水质监测机器人集群通信网络。
所述水域地图的构建比例为1：10；将水域地图进行栅格化处理后，每一栅格的尺寸为62.5×62.5。
所述免疫遗传算法的参数如下：种群规模为50、记忆库容量为10、迭代次数为100、交叉概率为0.5、变异概率为0.4、多样性评价参数为0.95。
所述信息汇聚节点为机器人集群控制中心。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (4)

1.一种水质监测机器人集群通信网络节点高效部署方法，其特征在于：该方法是采用如下步骤实现的：
步骤S1：选定部署水域，并构建水域地图及直角坐标系，然后将水域地图进行栅格化处理；
步骤S2：确定节点的部署数量：
信息汇聚节点的部署数量为1个；信息中继节点的部署数量为P个；机器人通信节点的部署数量为P×Q个；
步骤S3：划分水域：
将水域地图上的部署水域划分为P个一级部署子水域，并将每个一级部署子水域均划分为Q个二级部署子水域；
步骤S4：构建目标函数EALL；所述目标函数EALL表示如下：
Figure FDA0002421017280000011
Figure FDA0002421017280000012
步骤S5：确定机器人通信节点的部署位置：
在每个二级部署子水域内均随机选取1个坐标点，并将P×Q个被选取坐标点作为P×Q个机器人通信节点的部署位置；
步骤S6：确定信息中继节点的部署位置：
在每个一级部署子水域内均遍历选取1个坐标点，并将P个被选取坐标点的坐标值和P×Q个机器人通信节点的部署位置的坐标值代入式(1)～(2)，然后利用免疫遗传算法求出目标函数EALL的最小值，并将目标函数EALL的最小值所对应的P个被选取坐标点的坐标值作为P个信息中继节点的部署位置的坐标值；
在当前步骤中，式(1)～(2)中的符号定义如下：
m表示机器人通信节点的部署数量，即m＝P×Q；n表示一级部署子水域的数量，即n＝P；ki表示第i个机器人通信节点的单次发送信息量；Eelec表示机器人通信节点发送或接收1bit数据所需能耗；Eamp表示机器人通信节点放大1bit数据所需能耗；dij表示第i个机器人通信节点的部署位置到第j个一级部署子水域内的被选取坐标点的距离；xi、yi表示第i个机器人通信节点的部署位置的横、纵坐标值；xj、yj表示第j个一级部署子水域内的被选取坐标点的横、纵坐标值；
步骤S7：确定信息汇聚节点的部署位置：
在水域地图上的部署水域内遍历选取1个坐标点，并将被选取坐标点的坐标值和P个信息中继节点的部署位置的坐标值代入式(1)～(2)，然后利用免疫遗传算法求出目标函数EALL的最小值，并将目标函数EALL的最小值所对应的被选取坐标点的坐标值作为信息汇聚节点的部署位置的坐标值；
在当前步骤中，式(1)～(2)中的符号定义如下：
m表示信息中继节点的部署数量，即m＝P；n表示部署水域的数量，即n＝1；ki表示第i个信息中继节点的单次发送信息量；Eelec表示信息中继节点发送或接收1bit数据所需能耗；Eamp表示信息中继节点放大1bit数据所需能耗；dij表示第i个信息中继节点到部署水域内的被选取坐标点的距离；xi、yi表示第i个信息中继节点的部署位置的横、纵坐标值；xj、yj表示部署水域内的被选取坐标点的横、纵坐标值；
步骤S8：完成部署：
根据P×Q个机器人通信节点的部署位置、P个信息中继节点的部署位置、信息汇聚节点的部署位置部署P×Q个机器人通信节点、P个信息中继节点、1个信息汇聚节点，P×Q个机器人通信节点、P个信息中继节点、1个信息汇聚节点共同构成水质监测机器人集群通信网络。
2.根据权利要求1所述的一种水质监测机器人集群通信网络节点高效部署方法，其特征在于：所述水域地图的构建比例为1：10；将水域地图进行栅格化处理后，每一栅格的尺寸为62.5×62.5。
3.根据权利要求1所述的一种水质监测机器人集群通信网络节点高效部署方法，其特征在于：所述免疫遗传算法的参数如下：种群规模为50、记忆库容量为10、迭代次数为100、交叉概率为0.5、变异概率为0.4、多样性评价参数为0.95。
4.根据权利要求1所述的一种水质监测机器人集群通信网络节点高效部署方法，其特征在于：所述信息汇聚节点为机器人集群控制中心。
CN202010205798.9A 2020-03-23 2020-03-23 一种水质监测机器人集群通信网络节点高效部署方法 Pending CN111314157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010205798.9A CN111314157A (zh) 2020-03-23 2020-03-23 一种水质监测机器人集群通信网络节点高效部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205798.9A CN111314157A (zh) 2020-03-23 2020-03-23 一种水质监测机器人集群通信网络节点高效部署方法

Publications (1)

Publication Number Publication Date
CN111314157A true CN111314157A (zh) 2020-06-19

Family

ID=71160714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205798.9A Pending CN111314157A (zh) 2020-03-23 2020-03-23 一种水质监测机器人集群通信网络节点高效部署方法

Country Status (1)

Country Link
CN (1) CN111314157A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113008234A (zh) * 2021-02-09 2021-06-22 北京智能佳科技有限公司 基于室内定位装置的群体协作系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200616A (zh) * 2013-03-06 2013-07-10 重庆邮电大学 一种建立物联网网络模型的节能部署方法
CN103347265A (zh) * 2013-07-22 2013-10-09 华东交通大学 一种面向精准农业的wsn节点部署方法
CN109756861A (zh) * 2019-01-31 2019-05-14 北京理工大学 一种城市环境下异构传感器网络的节点部署方法
CN110769430A (zh) * 2019-10-28 2020-02-07 西安石油大学 基于最小包围圆算法的无线传感器网络中继节点部署方法
CN110798351A (zh) * 2019-10-30 2020-02-14 云南电网有限责任公司信息中心 基于pso及蚁群-遗传算法的电网故障探测点部署方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200616A (zh) * 2013-03-06 2013-07-10 重庆邮电大学 一种建立物联网网络模型的节能部署方法
CN103347265A (zh) * 2013-07-22 2013-10-09 华东交通大学 一种面向精准农业的wsn节点部署方法
CN109756861A (zh) * 2019-01-31 2019-05-14 北京理工大学 一种城市环境下异构传感器网络的节点部署方法
CN110769430A (zh) * 2019-10-28 2020-02-07 西安石油大学 基于最小包围圆算法的无线传感器网络中继节点部署方法
CN110798351A (zh) * 2019-10-30 2020-02-14 云南电网有限责任公司信息中心 基于pso及蚁群-遗传算法的电网故障探测点部署方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113008234A (zh) * 2021-02-09 2021-06-22 北京智能佳科技有限公司 基于室内定位装置的群体协作系统

Similar Documents

Publication Publication Date Title
Wang et al. A BP neural network model optimized by mind evolutionary algorithm for predicting the ocean wave heights
Wang et al. Wireless sensor network deployment optimization based on two flower pollination algorithms
Bharany et al. Energy-efficient clustering protocol for underwater wireless sensor networks using optimized glowworm swarm optimization
CN107945082A (zh) 一种应急预案生成方法和系统
CN108053059A (zh) 运用基于重用策略的智能群体算法优化动态旅行商问题的方法
CN111818534B (zh) 一种分层异构无线传感器网络三维优化部署方法
CN115243273A (zh) 一种无线传感器网络覆盖优化方法及装置、设备、介质
Pour et al. A new energy aware cluster head selection for LEACH in wireless sensor networks
Kuo et al. Quantum-inspired algorithm for cyber-physical visual surveillance deployment systems
CN111314157A (zh) 一种水质监测机器人集群通信网络节点高效部署方法
Gupta et al. Multi-UAV deployment for NOMA-enabled wireless networks based on IMOGWO algorithm
Ramya et al. Energy efficient enhanced LEACH protocol for IoT based applications in wireless sensor networks
Mohanty et al. Minimizing the maximum receiver interference in wireless sensor networks using probabilistic interference model
Wagh et al. Optimal route selection for vehicular adhoc networks using lion algorithm
Ganesan et al. A novel genetic algorithm with CDF5/3 filter-based lifting scheme for optimal sensor placement
CN116346457A (zh) 基于图卷积神经网络的攻击场景检测方法
CN108596778B (zh) 一种基于兴趣空间的社区划分方法
Diappi et al. Improved understanding of urban sprawl using neural networks
Murugeswari et al. Bio‐inspired Mimosa pudica algorithm for energy‐efficient wireless video sensor networks
Zhuo et al. Self-organized emergence of navigability on small-world networks
Kim et al. Bicriteria network design using a spanning tree-based genetic algorithm
Khan et al. A new approach of energy efficient load balancing for wireless sensor networks
Singh et al. Novel optimal deployment of sensor nodes using bio inspired algorithm
Sharma et al. SDBMND: Secure Density‐Based Unsupervised Learning Method with Malicious Node Detection to Improve the Network Lifespan in Densely Deployed WSN
CN108400883B (zh) 一种基于网络信息流的社会分层模型实现方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619

RJ01 Rejection of invention patent application after publication