CN111542011A - 一种分层的基于粒子群优化的无线传感器网络分簇路由方法 - Google Patents

一种分层的基于粒子群优化的无线传感器网络分簇路由方法 Download PDF

Info

Publication number
CN111542011A
CN111542011A CN202010344301.1A CN202010344301A CN111542011A CN 111542011 A CN111542011 A CN 111542011A CN 202010344301 A CN202010344301 A CN 202010344301A CN 111542011 A CN111542011 A CN 111542011A
Authority
CN
China
Prior art keywords
node
nodes
particle
cluster head
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.)
Granted
Application number
CN202010344301.1A
Other languages
English (en)
Other versions
CN111542011B (zh
Inventor
熊文君
陈雪晨
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.)
Sun Yat Sen University
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen 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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN202010344301.1A priority Critical patent/CN111542011B/zh
Publication of CN111542011A publication Critical patent/CN111542011A/zh
Application granted granted Critical
Publication of CN111542011B publication Critical patent/CN111542011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明涉及无线通信技术领域，更具体地，涉及一种分层的基于粒子群优化的无线传感器网络分簇路由方法，所述方法包括：步骤S1：对传感器节点进行分层和分段；步骤S2：使用分段和分层后的传感器节点获取原始信号；步骤S3：传感器节点通过路由方式将原始信号进行压缩并且传输到汇聚节点，所述汇聚节点接收经过压缩的原始信号并且进行处理，恢复出原始信号。本发明使传感器网络的整体能耗更为平衡，延长节点存活生命周期。

Description

一种分层的基于粒子群优化的无线传感器网络分簇路由方法
技术领域
本发明涉及无线通信技术领域，更具体地，涉及一种分层的基于粒子群优化的无线传感器网络分簇路由方法。
背景技术
传感器网络，是由许多在空间上分布的自动装置组成的一种计算机网络，这些装置使用传感器协作地监控不同位置的物理或环境状况(比如温度、声音、振动、压力、运动或污染物)。无线传感器网络的发展最初起源于战场监测等军事应用。而现今无线传感器网络被应用于很多民用领域，如环境与生态监测、健康监护、家庭自动化、以及交通控制等。传感器网络技术诞生至今不过几十年的时间，便已得到了美国之外欧洲、中国和日韩等国的重视和关注，目前其发展前沿也在不断延伸。总体说来，大致可以将其发展趋势划分为两大类：其一是设计用于完成特殊任务的无线传感器网络，例如无线多媒体传感器网络和无线传感执行网络。其二是设计用于特殊应用环境下工作的无线传感器网络，例如水下环境和地下环境。传感器网络系统通常包括分布式传感器节点(sensor)、汇聚节点(sink node)。在传感器网络中，多个分布式传感器节点通过各种方式随机部署在监测区域内部或附近，以协作的方式感知、采集和处理网络覆盖区域中特定的信息，可以实现对任意地点信息在任意时间的采集，处理和分析。传感节点之间可以相互通信，大量传感器节点能够通过自组织方式构成网络，将监测到的信号通过一定的路由方式传输到最上层中心处的汇聚节点。在传输过程中监测信号可能被多个节点处理，经过多跳后路由到汇聚节点，汇聚节点对接收到的信号进行融合分析，通过压缩感知恢复算法将压缩传输的信号恢复出原始的信号。
现有的传感器网络传输技术一般存在能量消耗高，恢复误差大，节点存活生命周期短等问题。究其原因有：(1)传统的传感器网络采取随机选择开启节点的路由方式，没有对网络整体传输情况进行考虑，最终生成的测量矩阵未必能达到优良效果；(2)传统的传输技术进行信号传输的节点预选取时，缺乏对最终信号恢复效果的衡量；(3)传统的三维较大的传感网络中只考虑了每个节点的能量消耗，而忽略了网络整体的能量消耗均衡情况，网络中不同位置的节点所需负载的传输任务不均衡，负载较大的区域会先有大量节点死亡导致网络失效。因此，目前亟需一种使传感器网络的整体能耗更为平衡，节点存活生命周期更为长久的无线传感器网络分簇路由方法。
发明内容
为了解决上述问题，本发明提供一种分层的基于粒子群优化的无线传感器网络分簇路由方法，该方法使传感器网络的整体能耗更为平衡，延长节点存活生命周期。
本发明采取的技术方案是：
一种分层的基于粒子群优化的无线传感器网络分簇路由方法，所述方法包括：
步骤S1：对传感器节点进行分层和分段；
步骤S2：使用分段和分层后的传感器节点获取原始信号；
步骤S3：传感器节点通过路由方式将原始信号进行压缩并且传输到汇聚节点，所述汇聚节点接收经过压缩的原始信号并且进行处理，恢复出原始信号。
具体地，本方案分为三个阶段，第一阶段为预处理阶段，负责对传感器网络节点进行分层和分段；第二阶段为路由阶段，负责将传感器网络节点进行分簇，当分段和分层后的传感器节点获取信号后，传感器节点会通过路由方式将信号压缩并且传输到汇聚节点，传输的过程包括选择簇头节点和对所有节点按位置分簇并且簇头收集簇内节点信息，选择簇头节点具体由PSO(Particle Swarm Optimization)优化算法实现；第三阶段为重建恢复阶段，负责确定簇头节点与汇聚节点之间的路由路径，具体亦由PSO优化算法实现，确定路由路径后，利用测量矩阵和压缩传输至汇聚节点的信号，用贝叶斯压缩感知算法完成对原始信号的恢复。相较于传统的根据位置和能量信息选取簇头和确定路由路径的方法，本方案在分簇和确定路由路径时加入了PSO优化的算法，并且考量了更多的性能因素，提升了传感器网络的性能。
进一步地，所述步骤S1中，所述对传感器节点进行分层为根据传感器节点的高度，将传感器节点划分成不同的层；所述对传感器节点进行分段为根据传感器节点距离汇聚节点的水平距离，将传感器节点划分成不同的段。
具体地，所述对传感器节点进行分层为根据传感器节点的高度位置，将传感器节点划分成不同的层，若传感器节点在同一高度，则划分为同一层，每一层可以分开进行信号的传输和恢复，即每层都相当于一个子模型，依据相同的方法进行信号的恢复，最后再将所有子模型的恢复信号整合成完整的信号。对节点进行分层是考虑到位于不同高度的信号稀疏程度有差异，因而可以分开处理，对于稀疏度较高的信号采用较高的测量率，而较低的信号则不必采用高采样率。如此可以在保证恢复效果的情况下进一步减少节点的能量消耗。而对传感器节点进行分段则根据传感器节点距离汇聚节点的水平距离，将传感器节点划分成不同的段，每增加一个半径范围都分为新的一段。将节点分为不同的段后，在PSO算法寻找路由路径时，会依据段离汇聚节点半径的位置，进行初始化粒子节点，使得粒子更有效地收敛；开启节点选取下一跳中继节点时，会优先考虑离汇聚节点更近的段，使得路径有效向汇聚节点延伸并且避免产生环路。
进一步地，所述步骤S3包括：
步骤S3.1：从传感器节点中选出簇头节点，并且对所有的传感器节点进行分簇，簇头节点获取簇内其他节点的信息；
步骤S3.2：确定簇头节点与汇聚节点之间的路由路径；
所述簇头节点通过路由路径将收集的原始信号压缩并且传输到汇聚节点；
所述汇聚节点利用测量矩阵和压缩传输的原始信号完成对原始信号的恢复。
进一步地，所述步骤S3.1包括：
步骤S3.11：初始化粒子；
步骤S3.12：通过适应度函数计算出粒子的适应值；
步骤S3.13：根据计算出的粒子的适应值更新粒子的局部最优值与全局最优值；
步骤S3.14：根据更新后的局部最优值、全局最优值对粒子的速度和位置进行更新；
所述更新粒子的位置的值受到限制，若粒子更新的位置的坐标值并不存在于传感器网络内，则将更新粒子的位置的值映射至距离其最近的节点坐标；
步骤S3.15：判断迭代次数是否达到设置的最大值，若未达到执行步骤S3.12，否则执行步骤S3.2。
具体地，本方案中粒子初始化的方法是通过随机初始化的方法。首先，将每个粒子的维度设为预定的选取的簇头的个数，若网络中随机分布着N个传感器节点，需从中选出M个簇头节点，则每一个粒子的维度为M。将粒子初始化的值设为Pi，Pi＝[Pi，1，Pi，2，……Pi，M]，Pi为第i个粒子，其中i∈[1，S]。粒子随机化初始的值为1到节点个数加一之间的均匀分布的随机数。节点的值直接指示为簇头节点选取的结果。若粒子随机初始化得到的值非整数，则在初始化之后，对初始化得到的值向下取整作为粒子值的最终结果。粒子初始化完成之后，根据PSO算法的fitness function对每个粒子计算出其适应值，从适应值中得到局部最优和全局最优后，更新粒子的速度和位置。虽然初始化时，对粒子赋予的值为粒子的节点ID值，但是由粒子群优化算法的位置与速度更新公式不适用于节点ID的更新。因此，全局最优和局部最优值更新的是粒子节点的位置坐标值。在本方案的模型中，由于网络处于一个三维的拓扑结构，因此节点的坐标值为x轴，y轴，z轴的取值，分别对应于该节点的经度，纬度和深度信息。由于更新公式生成的值并不具有离散性，因此会发生粒子最终更新出的坐标值不存在传感器网络中的情况，为了避免这种情况，本方案会将坐标值映射到最近的一个(x，y，z)坐标的位置。除此之外，为了规范粒子的位置信息更新，在对位置信息进行更新时，会限制其生成的值，使其不超出网络坐标的范围。
进一步地，所述步骤S3.2包括：
步骤S3.21：根据簇头节点和汇聚节点到各个节点间的距离确立簇头节点对应的候选集；
步骤S3.22：将粒子扩展为多个子粒子，每个子粒子分为两部分，一部分对应簇内路由节点，另一部分对应簇外路由节点；
所述对应簇内路由节点的部分根据对应节点的分簇信息进行随机初始化；
所述对应簇外路由节点的部分根据对应簇头节点的候选集进行分层初始化；
步骤S3.23：通过初始化后的粒子确定路由路径以及映射出测量矩阵；
步骤S3.24：通过路由路径以及测量矩阵计算出粒子的适应值；
步骤S3.25：根据粒子的适应值更新粒子的局部最优值与全局最优值；
步骤S3.26：根据更新后的局部最优值、全局最优值对粒子的速度和位置进行更新；
步骤S3.27：判断迭代次数是否达到设置的最大值，若未达到执行步骤S3.23，否则结束算法。
具体地，将簇头节点设为i，i∈[1，M]，汇聚节点到各节点间的距离设为dij+dsj，j∈[1，N]，簇头节点对应的候选集为Cani。初始化S个粒子，每个粒子含有M个子粒子，第i个子粒子对应于第i个簇头节点，每一个子粒子分为a，b两个部分。
Figure BDA0002469513660000041
表示第S个粒子的第i维子粒子的a部分，这部分对应簇内路由节点，根据第i个节点的分簇信息进行随机初始化；
Figure BDA0002469513660000042
表示第S个粒子的第i维子粒子的b部分，这部分对应簇外路由节点，根据簇头节点i对应的候选集Cani，通过分层随机的方式对其进行不均匀的初始化。
完成对粒子的初始化后，需要将初始化后的粒子值与测量矩阵Φ建立映射关系，即使用完整的M维粒子映射出测量矩阵Φ。每个粒子的每一维子粒子的a部分通过其优先级值大小找出其对应簇内路由树，完善测量矩阵Φ的前半部分；每个粒子的每一维子粒子的b部分调用算法找出其对应簇外路由树，完善测量矩阵Φ的后半部分。
确定路由路径以及测量矩阵Φ后，再由测量矩阵Φ计算出该粒子的适应值。最后根据粒子的适应值更新粒子的局部最优值与全局最优值；得到更新后的局部最优值、全局最优值，再利用其对粒子的速度和位置进行更新。
进一步地，所述粒子的适应值由适应度函数算出，具体算法为：
通过考虑簇头节点的剩余能量、簇头节点与所有节点之间的距离、簇头节点与簇头节点之间的距离、簇头节点在网络中分布的位置，定义适应度函数：
f＝ω1Ep+ω2Ec+ω3Ee
其中，ω为权重系数，ω1+ω2+ω3＝1；Ep为所有簇头节点的剩余能量；Ec为簇头节点与所有节点之间的距离之和；Ee为簇头节点之间距离的数据集的方差。
进一步地，所述
Figure BDA0002469513660000051
其中
Figure BDA0002469513660000052
为第m个簇头节点的剩余能量；
Figure BDA0002469513660000053
为第m个簇头节点的初始能量，M为簇头节点的总个数。
进一步地，所述
Figure BDA0002469513660000054
其中|Cm|为簇Cm的节点个数，d(ni，CHm)为节点ni属于簇Cm时，节点ni与簇头节点的距离，CHm为第m个的簇头节点。
进一步地，所述
Figure BDA0002469513660000055
其中σ2为数据集的方差。
进一步地，考量的因素还包括信号恢复效果，所述信号恢复效果的上界由贝叶斯计算得出。
具体地，贝叶斯(Bayesian Cramer-Rao Bound)是用来衡量信号恢复情况的一个边界函数。令X＝(X1，X2，...，Xn)T、Y＝(Y1，Y2，...，Ym)T，设p(X，Y)为X，Y的联合概率密度函数，用观察值Y来估计X的值，
Figure BDA0002469513660000056
为基于观测值Y得到的X的估计值，误差矩阵为
Figure BDA0002469513660000057
Figure BDA0002469513660000058
在三维模型中，观测信号Y与X的关系为：y＝ΦΨx+n，其中Φ为测量矩阵，每行有若干个1其余全为0，而Ψ为稀疏表示矩阵。信号位于FFT域内，为稀疏信号。
Figure BDA0002469513660000061
为IFFT反变换矩阵。信号的FIM为
Figure BDA0002469513660000062
而要求解
Figure BDA0002469513660000063
需要先得到p(yk|xk)的值，又由于y＝ΦΨx+n，在xk确定以后，yk的概率密度函数只和噪声项nk有关系，而噪声也满足高斯分布，
Figure BDA0002469513660000064
nk＝yk-ΦΨxk，
Figure BDA0002469513660000065
Figure BDA0002469513660000066
所以
Figure BDA0002469513660000067
Figure BDA0002469513660000068
Figure BDA0002469513660000069
BCRB＝Tr{JB -1}
最终的fitness函数包含两个部分：
f＝W1Br+W2Es，其中Wi为权重因子，满足W1+W2＝1，0＜Wi＜1，i∈(1，2)
其中，Br＝1/BCRB，用来衡量信号的恢复效果，而Es＝1/Er+El+Eb，
Figure BDA00024695136600000610
指示了选中节点的能量消耗速率，即该轮能量消耗比剩余节点能量，
Figure BDA00024695136600000611
表示所有选中节点的能量剩余率，即剩余能量与初始能量之比，而Eb＝E1/E4+E2/E3则是在加入分层以后，得到的不同层级间能量之比，用于衡量整个网络的能量均衡情况。
与现有技术相比，本发明的有益效果为：
(1)通过对传感器节点进行分层和分段，将节点的分段信息应用到PSO算法中，加快了粒子群的收敛，使得整体网络能耗更为平衡，延长了节点寿命。
(2)通过对粒子的维度扩展以及分为a，b部分，实现对路由路径确定的同时保证最终测量矩阵达到最优。
(3)将贝叶斯加入粒子的适应度函数中进行计算，在考虑网络能量消耗的同时预考虑信号的恢复效果，提高了信号恢复的准确性。
附图说明
图1为本发明的流程图；
图2为本发明的分层示意图；
图3为本发明的分段示意图；
图4为本发明的仿真实验信号图a；
图5为本发明的仿真实验信号图b。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例
本实施例提供一种分层的基于粒子群优化的无线传感器网络分簇路由方法，图1为本发明的流程图，如图所示，所述方法包括：
步骤S1：对传感器节点进行分层和分段；
步骤S2：使用分段和分层后的传感器节点获取原始信号；
步骤S3：传感器节点通过路由方式将原始信号进行压缩并且传输到汇聚节点，所述汇聚节点接收经过压缩的原始信号并且进行处理，恢复出原始信号。
具体地，本方案分为三个阶段，第一阶段为预处理阶段，负责对传感器网络节点进行分层和分段；第二阶段为路由阶段，负责将传感器网络节点进行分簇，当分段和分层后的传感器节点获取信号后，传感器节点会通过路由方式将信号压缩并且传输到汇聚节点，传输的过程包括选择簇头节点和对所有节点按位置分簇并且簇头收集簇内节点信息，选择簇头节点具体由PSO(Particle Swarm Optimization)优化算法实现；第三阶段为重建恢复阶段，负责确定簇头节点与汇聚节点之间的路由路径，具体亦由PSO优化算法实现，确定路由路径后，利用测量矩阵和压缩传输至汇聚节点的信号，用贝叶斯压缩感知算法完成对原始信号的恢复。相较于传统的根据位置和能量信息选取簇头和确定路由路径的方法，本方案在分簇和确定路由路径时加入了PSO优化的算法，并且考量了更多的性能因素，提升了传感器网络的性能。
进一步地，图2为本发明的分层示意图，如图所示，所述步骤S1中，所述对传感器节点进行分层为根据传感器节点的高度，将传感器节点划分成不同的层；图3为本发明的分段示意图，如图所示，所述对传感器节点进行分段为根据传感器节点距离汇聚节点的水平距离，将传感器节点划分成不同的段。
具体地，所述对传感器节点进行分层为根据传感器节点的高度位置，将传感器节点划分成不同的层，若传感器节点在同一高度，则划分为同一层，每一层可以分开进行信号的传输和恢复，即每层都相当于一个子模型，依据相同的方法进行信号的恢复，最后再将所有子模型的恢复信号整合成完整的信号。对节点进行分层是考虑到位于不同高度的信号稀疏程度有差异，因而可以分开处理，对于稀疏度较高的信号采用较高的测量率，而较低的信号则不必采用高采样率。如此可以在保证恢复效果的情况下进一步减少节点的能量消耗。而对传感器节点进行分段则根据传感器节点距离汇聚节点的水平距离，将传感器节点划分成不同的段，每增加一个半径范围都分为新的一段。将节点分为不同的段后，在PSO算法寻找路由路径时，会依据段离汇聚节点半径的位置，进行初始化粒子节点，使得粒子更有效地收敛；开启节点选取下一跳中继节点时，会优先考虑离汇聚节点更近的段，使得路径有效向汇聚节点延伸并且避免产生环路。
进一步地，所述步骤S3包括：
步骤S3.1：从传感器节点中选出簇头节点，并且对所有的传感器节点进行分簇，簇头节点获取簇内其他节点的信息；
步骤S3.2：确定簇头节点与汇聚节点之间的路由路径；
所述簇头节点通过路由路径将收集的原始信号压缩并且传输到汇聚节点；
所述汇聚节点利用测量矩阵和压缩传输的原始信号完成对原始信号的恢复。
进一步地，所述步骤S3.1包括：
步骤S3.11：初始化粒子；
步骤S3.12：通过适应度函数计算出粒子的适应值；
步骤S3.13：根据计算出的粒子的适应值更新粒子的局部最优值与全局最优值；
步骤S3.14：根据更新后的局部最优值、全局最优值对粒子的速度和位置进行更新；
所述更新粒子的位置的值受到限制，若粒子更新的位置的坐标值并不存在于传感器网络内，则将更新粒子的位置的值映射至距离其最近的节点坐标；
步骤S3.15：判断迭代次数是否达到设置的最大值，若未达到执行步骤S3.12，否则执行步骤S3.2。
具体地，本方案中粒子初始化的方法是通过随机初始化的方法。首先，将每个粒子的维度设为预定的选取的簇头的个数，若网络中随机分布着N个传感器节点，需从中选出M个簇头节点，则每一个粒子的维度为M。将粒子初始化的值设为Pi，Pi＝[Pi，1，Pi，2，……Pi，M]，Pi为第i个粒子，其中i∈[1，S]。粒子随机化初始的值为1到节点个数加一之间的均匀分布的随机数。节点的值直接指示为簇头节点选取的结果。若粒子随机初始化得到的值非整数，则在初始化之后，对初始化得到的值向下取整作为粒子值的最终结果。粒子初始化完成之后，根据PSO算法的fitness function对每个粒子计算出其适应值，从适应值中得到局部最优和全局最优后，更新粒子的速度和位置。虽然初始化时，对粒子赋予的值为粒子的节点ID值，但是由粒子群优化算法的位置与速度更新公式不适用于节点ID的更新。因此，全局最优和局部最优值更新的是粒子节点的位置坐标值。在本方案的模型中，由于网络处于一个三维的拓扑结构，因此节点的坐标值为x轴，y轴，z轴的取值，分别对应于该节点的经度，纬度和深度信息。由于更新公式生成的值并不具有离散性，因此会发生粒子最终更新出的坐标值不存在传感器网络中的情况，为了避免这种情况，本方案会将坐标值映射到最近的一个(x，y，z)坐标的位置。除此之外，为了规范粒子的位置信息更新，在对位置信息进行更新时，会限制其生成的值，使其不超出网络坐标的范围。
进一步地，所述步骤S3.2包括：
步骤S3.21：根据簇头节点和汇聚节点到各个节点间的距离确立簇头节点对应的候选集；
步骤S3.22：将粒子扩展为多个子粒子，每个子粒子分为两部分，一部分对应簇内路由节点，另一部分对应簇外路由节点；
所述对应簇内路由节点的部分根据对应节点的分簇信息进行随机初始化；
所述对应簇外路由节点的部分根据对应簇头节点的候选集进行分层初始化；
步骤S3.23：通过初始化后的粒子确定路由路径以及映射出测量矩阵；
步骤S3.24：通过路由路径以及测量矩阵计算出粒子的适应值；
步骤S3.25：根据粒子的适应值更新粒子的局部最优值与全局最优值；
步骤S3.26：根据更新后的局部最优值、全局最优值对粒子的速度和位置进行更新；
步骤S3.27：判断迭代次数是否达到设置的最大值，若未达到执行步骤S3.23，否则执行步骤S3.3。
具体地，将簇头节点设为i，i∈[1，M]，汇聚节点到各节点间的距离设为dij+dsj，j∈[1，N]，簇头节点对应的候选集为Cani。初始化S个粒子，每个粒子含有M个子粒子，第i个子粒子对应于第i个簇头节点，每一个子粒子分为a，b两个部分。
Figure BDA0002469513660000101
表示第S个粒子的第i维子粒子的a部分，这部分对应簇内路由节点，根据第i个节点的分簇信息进行随机初始化；
Figure BDA0002469513660000102
表示第S个粒子的第i维子粒子的b部分，这部分对应簇外路由节点，根据簇头节点i对应的候选集Cani，通过分层随机的方式对其进行不均匀的初始化。
完成对粒子的初始化后，需要将初始化后的粒子值与测量矩阵Φ建立映射关系，即使用完整的M维粒子映射出测量矩阵Φ。每个粒子的每一维子粒子的a部分通过其优先级值大小找出其对应簇内路由树，完善测量矩阵Φ的前半部分；每个粒子的每一维子粒子的b部分调用算法找出其对应簇外路由树，完善测量矩阵Φ的后半部分。
确定路由路径以及测量矩阵Φ后，再由测量矩阵Φ计算出该粒子的适应值。最后根据粒子的适应值更新粒子的局部最优值与全局最优值；得到更新后的局部最优值、全局最优值，再利用其对粒子的速度和位置进行更新。
进一步地，所述粒子的适应值由适应度函数算出，具体算法为：
通过考虑簇头节点的剩余能量、簇头节点与所有节点之间的距离、簇头节点与簇头节点之间的距离、簇头节点在网络中分布的位置，定义适应度函数：
f＝ω1Ep+ω2Ec+ω3Ee
其中，ω为权重系数，ω1+ω2+ω3＝1；Ep为所有簇头节点的剩余能量；Ec为簇头节点与所有节点之间的距离之和；Ee为簇头节点之间距离的数据集的方差。
进一步地，所述
Figure BDA0002469513660000103
其中
Figure BDA0002469513660000104
为第m个簇头节点的剩余能量；
Figure BDA0002469513660000105
为第m个簇头节点的初始能量，M为簇头节点的总个数。
进一步地，所述
Figure BDA0002469513660000111
其中|Cm|为簇Cm的节点个数，d(ni，CHm)为节点ni属于簇Cm时，节点ni与簇头节点的距离，CHm为第m个的簇头节点。
进一步地，所述
Figure BDA0002469513660000112
其中σ2为数据集的方差。
进一步地，考量的因素还包括信号恢复效果，所述信号恢复效果的上界由贝叶斯计算得出。
具体地，贝叶斯(Bayesian Cramer-Rao Bound)是用来衡量信号恢复情况的一个边界函数。令X＝(X1，X2，...，Xn)T、Y＝(Y1，Y2，...，Ym)T，设p(X，Y)为X，Y的联合概率密度函数，用观察值Y来估计X的值，
Figure BDA0002469513660000113
为基于观测值Y得到的X的估计值，误差矩阵为
Figure BDA0002469513660000114
Figure BDA0002469513660000115
在三维模型中，观测数据Y与X的关系为：y＝ΦΨx+n，其中Φ为测量矩阵，每行有若干个1其余全为0，而Ψ为稀疏表示矩阵。信号位于FFT域内，为稀疏信号。
Figure BDA0002469513660000116
为IFFT反变换矩阵。信号的FIM为
Figure BDA0002469513660000117
而要求解
Figure BDA0002469513660000118
需要先得到p(yk|xk)的值，又由于y＝ΦΨx+n，在xk确定以后，yk的概率密度函数只和噪声项nk有关系，而噪声也满足高斯分布，
Figure BDA0002469513660000119
nk＝yk-ΦΨxk，
Figure BDA00024695136600001110
Figure BDA00024695136600001111
所以
Figure BDA00024695136600001113
Figure BDA00024695136600001112
Figure BDA0002469513660000121
BCRB＝Tr{JB -1}
最终的fitness函数包含两个部分：
f＝W1Br+W2Es，其中Wi为权重因子，满足W1+W2＝1，0＜Wi＜1，i∈(1，2)
其中，Br＝1/BCRB，用来衡量信号的恢复效果，而Es＝1/Er+El+Eb，
Figure BDA0002469513660000122
指示了选中节点的能量消耗速率，即该轮能量消耗比剩余节点能量，
Figure BDA0002469513660000123
表示所有选中节点的能量剩余率，即剩余能量与初始能量之比，而Eb＝E1/E4+E2/E3则是在加入分层以后，得到的不同层级间能量之比，用于衡量整个网络的能量均衡情况。
本实施例还进行了仿真实验，仿真实验采用了NASA海洋网站上下载的2018年05月实测大西洋温度数据作为仿真数据。处理的服务器端配置：CPU为core(TM)i7-8700K，内存为16G，操作系统为Windows10，使用Matlab2018进行编程。
在考虑UWSN时，阐明水声能量消耗模型至关重要。本实施例分析并建立了水声能量消耗根据水声信道衰减模型、噪声模型的概念建立模型及带宽模型。该模型的决定性因素包括水下节点的接收功率Pr，声电转换功率Pt el(l)和单跳传输延迟thop(L，l)。每跳消耗的能量计算如下：
Figure BDA0002469513660000124
在上述公式中，单跳传输延迟thop(L，l)由数据包长度L和信道有效带宽B(l)，其中α表示信道利用率。Pt el(l)是转换声能转化为电能所需消耗的能量。Pt el(l)(1)的计算为
Figure BDA0002469513660000125
在此，η表示电子电路转换效率而Pt(l)是水下节点的发射功率。Pt(l)计算为Pt(l)＝B(l)N(f0(l))A(l，f0(l))SNRtgt
f0(l)是最佳传输频率，而N(f0(l))和A(l，f0(l))是分别是最佳传输频率条件下的噪声系数以及衰减系数。SNRtgt表示终端正确接收信号的信号噪声比。
为了简化水声能量消耗模型，在本实施中忽略了系统能量消耗、数据融合能量消耗等对总能量消耗影响较小的因素。用由美国宇航局提供的真实的海洋温度数据来测试本发明的方法。结果表明与之相比，本发明的方法在信号误差相近的情况下，传感器网络具有持久的生命周期和平衡的能源消耗结构。
在实验中，模型为三维海底区域中的1000个传感器节点收集温度信号，分布在10×10×10的空间范围内。图4为本发明的仿真实验信号图a，实验的能量设定的参数如图表所示。
在同等条件下，从能量消耗的角度来说，最终能够坚持的轮数较为持久，也就是说平均每一轮消耗的能量更少。而之所以可以达到平均消耗能量较少的效果是由于：1、在网络节点进行分簇时，考虑了簇内节点到簇头结点间的距离因素，使得最终的分簇结果的簇头尽可能处于簇的中心位置，从而在簇内节点传输信息到簇头结点的阶段由于平均距离的减少而提供了传输消耗的能量一并减少的条件；2、确立路由路径及测试矩阵时，对路由中继节点的选择也考虑了节点的能量消耗因素，在最终找到确定的路由矩阵时，进一步保证其所对应的路由树所消耗的网络能量较少。
除了平均每轮能量的消耗情况外，还可以从节点剩余数来看网络能量消耗的平衡情况。通常来说，一个n-of-n的网络的有效周期是在第一个节点死亡之前的周期，而第一个节点死亡开始，则说明该网络已经处于消亡的过程中。显而易见，出现网络节点死亡之后，该节点对应位置的信息已经在理论上不存在传输到基站的可能了，则该点已然失效。在一个大型的无线传感网络中，若是整个网络能量消耗处于不平衡的状态，也就是一部分的网络节点消耗的能量远远大于另一部分网络节点，导致这种负载不均衡的原因可能是一部分节点始终都在承担传输任务，而另一部分节点却鲜少进行传输。如此一来，势必导致有一部分节点先行死亡，网络出现第一个节点死亡的轮数大大提前。而若是网络能量消耗的均衡情况能够被提前考虑，那么即使在极为相近的平均能耗条件下，网络的有效周期还是能够得到延后。
本实施例采用的算法能够均衡网络的节点能耗，保证网络中的各个节点均匀地承载负载任务，能量消耗量不发生大的偏移。本实施例的网络模型首先采取了分层和分段的预处理，预先分段的处理措施能够使每一段内的节点减少其传输规模，获得能量消耗的减少，当然，这也会导致每一段内靠近汇聚节点的最里层的节点由于要将信息路由至最上的汇聚节点能量负载任务会加重。为了均衡该部分负载较重的不平衡，预分层处理让粒子计算适应度函数的时候能够将每一层级之间的能量消耗纳入考虑因素，最终令层与层之间的能量消耗较为均衡也就达成了网络的平衡。
除此之外，本实施例提供的算法还将信号的恢复效果、函数BCRB也加入了粒子群优化算法的适应度函数中。图5为本发明的仿真实验信号图b，如图所示，展现了在平均能量消耗一致的情况下，各个算法的信号恢复效果，用信号的均方误差来衡量。从图中不难看出，在能量消耗条件相同的情况下，本发明最终得到的恢复信号效果较好，能够拥有较小的均方误差。究其原因，BCRB因素的加入显然有助于网络在预选取测量矩阵时就将该测量矩阵对应信号的恢复效果列为考量因素，从而倾向于选取恢复效果好的路由方案；除此以外，簇头节点的均匀分布以及在选取路由时加入的尽量避免选取相同节点的限制因素也能够使最终的测量信号含有较少的重复冗余信息，能得到较好的恢复效果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种分层的基于粒子群优化的无线传感器网络分簇路由方法，其特征在于，所述方法包括：
步骤S1：对传感器节点进行分层和分段；
步骤S2：使用分段和分层后的传感器节点获取原始信号；
步骤S3：传感器节点通过路由方式将原始信号进行压缩并且传输到汇聚节点，所述汇聚节点接收经过压缩的原始信号并且进行处理，恢复出原始信号。
2.根据权利要求1所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述步骤S1中，所述对传感器节点进行分层为根据传感器节点的高度，将传感器节点划分成不同的层；所述对传感器节点进行分段为根据传感器节点距离汇聚节点的水平距离，将传感器节点划分成不同的段。
3.根据权利要求2所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述步骤S3包括：
步骤S3.1：从传感器节点中选出簇头节点，并且对所有的传感器节点进行分簇，簇头节点获取簇内其他节点的信息；
步骤S3.2：确定簇头节点与汇聚节点之间的路由路径；
所述簇头节点通过路由路径将收集的原始信号压缩并且传输到汇聚节点；
所述汇聚节点利用测量矩阵和压缩传输的原始信号完成对原始信号的恢复。
4.根据权利要求3所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述步骤S3.1包括：
步骤S3.11：初始化粒子；
步骤S3.12：通过适应度函数计算出粒子的适应值；
步骤S3.13：根据计算出的粒子的适应值更新粒子的局部最优值与全局最优值；
步骤S3.14：根据更新后的局部最优值、全局最优值对粒子的速度和位置进行更新；
所述更新粒子的位置的值受到限制，若粒子更新的位置的坐标值并不存在于传感器网络内，则将更新粒子的位置的值映射至距离其最近的节点坐标；
步骤S3.15：判断迭代次数是否达到设置的最大值，若未达到执行步骤S3.12，否则执行步骤S3.2。
5.根据权利要求3所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述步骤S3.2包括：
步骤S3.21：根据簇头节点和汇聚节点到各个节点间的距离确立簇头节点对应的候选集；
步骤S3.22：将粒子扩展为多个子粒子，每个子粒子分为两部分，一部分对应簇内路由节点，另一部分对应簇外路由节点；
所述对应簇内路由节点的部分根据对应节点的分簇信息进行随机初始化；
所述对应簇外路由节点的部分根据对应簇头节点的候选集进行分层初始化；
步骤S3.23：通过初始化后的粒子确定路由路径以及映射出测量矩阵；
步骤S3.24：通过路由路径以及测量矩阵计算出粒子的适应值；
步骤S3.25：根据粒子的适应值更新粒子的局部最优值与全局最优值；
步骤S3.26：根据更新后的局部最优值、全局最优值对粒子的速度和位置进行更新；
步骤S3.27：判断迭代次数是否达到设置的最大值，若未达到执行步骤S3.23，否则结束算法。
6.根据权利要求4所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述粒子的适应值由适应度函数算出，具体算法为：
通过考虑簇头节点的剩余能量、簇头节点与所有节点之间的距离、簇头节点与簇头节点之间的距离、簇头节点在网络中分布的位置，定义适应度函数：
f＝ω1Ep+ω2Ec+ω3Ee
其中，ω为权重系数，ω1+ω2+ω3＝1；Ep为所有簇头节点的剩余能量；Ec为簇头节点与所有节点之间的距离之和；Ee为簇头节点之间距离的数据集的方差。
7.根据权利要求6所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述
Figure FDA0002469513650000021
其中
Figure FDA0002469513650000022
为第m个簇头节点的剩余能量；
Figure FDA0002469513650000023
为第m个簇头节点的初始能量，M为簇头节点的总个数。
8.根据权利要求7所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述
Figure FDA0002469513650000024
其中|Cm|为簇Cm的节点个数，d(ni，CHm)为节点ni属于簇Cm时，节点ni与簇头节点的距离,CHm为第m个的簇头节点。
9.根据权利要求8所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，所述
Figure FDA0002469513650000031
其中σ2为数据集的方差。
10.根据权利要求3所述的一种分层的基于粒子群优化算法的路由方法，其特征在于，考量的因素还包括信号恢复效果，所述信号恢复效果的上界由贝叶斯计算得出。
CN202010344301.1A 2020-04-27 2020-04-27 一种分层的基于粒子群优化的无线传感器网络分簇路由方法 Active CN111542011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010344301.1A CN111542011B (zh) 2020-04-27 2020-04-27 一种分层的基于粒子群优化的无线传感器网络分簇路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010344301.1A CN111542011B (zh) 2020-04-27 2020-04-27 一种分层的基于粒子群优化的无线传感器网络分簇路由方法

Publications (2)

Publication Number Publication Date
CN111542011A true CN111542011A (zh) 2020-08-14
CN111542011B CN111542011B (zh) 2021-09-24

Family

ID=71971444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010344301.1A Active CN111542011B (zh) 2020-04-27 2020-04-27 一种分层的基于粒子群优化的无线传感器网络分簇路由方法

Country Status (1)

Country Link
CN (1) CN111542011B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113630837A (zh) * 2021-09-01 2021-11-09 哈尔滨工程大学 面向山林防火的三维无线传感器网络数据路由融合方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8018874B1 (en) * 2009-05-06 2011-09-13 Hrl Laboratories, Llc Network optimization system implementing distributed particle swarm optimization
US20120014289A1 (en) * 2010-07-12 2012-01-19 University Of Southern California Distributed Transforms for Efficient Data Gathering in Sensor Networks
CN102625324A (zh) * 2012-03-08 2012-08-01 上海大学 基于粒子群算法的无线光纤传感器网络部署方法
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
CN103249055A (zh) * 2013-04-25 2013-08-14 中山大学 基于二进制粒子群算法的无线传感器网络节点分层调度方法
CN104050390A (zh) * 2014-06-30 2014-09-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN104394537A (zh) * 2014-12-11 2015-03-04 广东工业大学 一种多目标关注的无线Mesh路由器部署优化方法
CN104994554A (zh) * 2015-05-04 2015-10-21 四川大学 基于非均匀分簇的移动协助无线传感器网络路由方法
CN105472685A (zh) * 2015-12-07 2016-04-06 天津大学 一种基于粒子群的无线传感器网络路由节能方法
CN106304234A (zh) * 2016-08-09 2017-01-04 南京邮电大学 一种基于聚类路由协议的无线传感器网络能耗优化方法
CN108112049A (zh) * 2017-12-15 2018-06-01 华中科技大学 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
CN108966310A (zh) * 2018-06-22 2018-12-07 南京邮电大学 基于空间压缩的簇头优化选举算法
CN110287896A (zh) * 2019-06-27 2019-09-27 北京理工大学 一种基于异质分层pso和svm的人体行为识别方法
CN110493802A (zh) * 2019-08-27 2019-11-22 内蒙古大学 一种无线传感器网络apteen路由协议的优化方法及其优化装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8018874B1 (en) * 2009-05-06 2011-09-13 Hrl Laboratories, Llc Network optimization system implementing distributed particle swarm optimization
US20120014289A1 (en) * 2010-07-12 2012-01-19 University Of Southern California Distributed Transforms for Efficient Data Gathering in Sensor Networks
CN102625324A (zh) * 2012-03-08 2012-08-01 上海大学 基于粒子群算法的无线光纤传感器网络部署方法
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
CN103249055A (zh) * 2013-04-25 2013-08-14 中山大学 基于二进制粒子群算法的无线传感器网络节点分层调度方法
CN104050390A (zh) * 2014-06-30 2014-09-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN104394537A (zh) * 2014-12-11 2015-03-04 广东工业大学 一种多目标关注的无线Mesh路由器部署优化方法
CN104994554A (zh) * 2015-05-04 2015-10-21 四川大学 基于非均匀分簇的移动协助无线传感器网络路由方法
CN105472685A (zh) * 2015-12-07 2016-04-06 天津大学 一种基于粒子群的无线传感器网络路由节能方法
CN106304234A (zh) * 2016-08-09 2017-01-04 南京邮电大学 一种基于聚类路由协议的无线传感器网络能耗优化方法
CN108112049A (zh) * 2017-12-15 2018-06-01 华中科技大学 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
CN108966310A (zh) * 2018-06-22 2018-12-07 南京邮电大学 基于空间压缩的簇头优化选举算法
CN110287896A (zh) * 2019-06-27 2019-09-27 北京理工大学 一种基于异质分层pso和svm的人体行为识别方法
CN110493802A (zh) * 2019-08-27 2019-11-22 内蒙古大学 一种无线传感器网络apteen路由协议的优化方法及其优化装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN XUECHEN等: "Hybrid ToAand IMU indoor localization system by various algorithms", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 *
胡媛: "基于粒子群优化的无线传感器网络分簇路由协议的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
阮晶晶: "能耗均衡的WSN非均匀分簇路由算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113630837A (zh) * 2021-09-01 2021-11-09 哈尔滨工程大学 面向山林防火的三维无线传感器网络数据路由融合方法
CN113630837B (zh) * 2021-09-01 2023-10-13 哈尔滨工程大学 面向山林防火的三维无线传感器网络数据路由融合方法

Also Published As

Publication number Publication date
CN111542011B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN107277889B (zh) 一种基于k-means的无线传感器网络分簇方法
US7460976B2 (en) Semi-definite programming method for ad hoc network node localization
WO2022063247A1 (zh) 神经网络结构搜索方法及装置
CN109195110B (zh) 基于层次聚类技术和在线极限学习机的室内定位方法
CN108289285B (zh) 一种海洋无线传感器网络丢失数据恢复与重构方法
Chen et al. Energy-efficient clustering and localization technique using genetic algorithm in wireless sensor networks
CN111542011B (zh) 一种分层的基于粒子群优化的无线传感器网络分簇路由方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
Gui et al. Wireless sensor network fault sensor recognition algorithm based on MM* diagnostic model
CN109116300B (zh) 一种基于非充分指纹信息的极限学习定位方法
CN108228977B (zh) 一种基于飞行状态参数的直升机振动特征折算方法
Singh et al. Designing an energy efficient network using integration of KSOM, ANN and data fusion techniques
Çavdar et al. An Optimal Anchor Placement Method for Localization in Large-Scale Wireless Sensor Networks.
CN110191422B (zh) 海洋水下传感器网络目标跟踪方法
CN101895957B (zh) 面向矩阵式无线传感器网络分配权重的随机路由选择方法
CN114531665A (zh) 一种基于莱维飞行的无线传感器网络节点分簇方法及系统
Liu Research on wsn node localization algorithm based on rssi iterative centroid estimation
ANNAPURNA GUMMADI Eecla: Clustering and localization techniques to improve energy efficient routing in wireless sensor networks
CN107787002B (zh) 一种快速评估无线供电通信中信息传输速率的方法
Chen et al. Compressed Sensing based Multi-Hop Data Routing in 3D Underwater Wireless Sensor Networks
Hu et al. Cluster-based energy-efficient structural health monitoring using wireless sensor networks
Ammarfaizal et al. A cluster head selection method comparison of DCHSM, DEEC, and LEACH on Wireless Sensor Network using Voronoi diagram
Sivasakthiselvan et al. Distributed Re-localization and Pattern Recognition Algorithm for Wireless Sensor Networks
CN115361688B (zh) 一种基于机器学习的工业无线边缘网关优化布局方案
CN116709428B (zh) 一种基于移动边缘计算的计算卸载方法及系统

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