CN111601354B - 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 - Google Patents
面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 Download PDFInfo
- Publication number
- CN111601354B CN111601354B CN202010235319.8A CN202010235319A CN111601354B CN 111601354 B CN111601354 B CN 111601354B CN 202010235319 A CN202010235319 A CN 202010235319A CN 111601354 B CN111601354 B CN 111601354B
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- cluster head
- clustering
- nodes
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 198
- 238000004891 communication Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 29
- 238000005265 energy consumption Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
- H04W40/205—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location using topographical information, e.g. hills, high rise buildings
-
- 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
- H04W40/248—Connectivity information update
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于楼宇监控技术领域,公开了一种面向高耸构筑物监测的簇首选举及自适应分簇方法及系统。本发明在高耸构筑物环境下提出了一种基于权值的自适应分布式分簇路由方法,以传感器节点和簇首为研究对象,构造出一种高效的路由通信方案。本发明的目的在于,提供一种高耸构筑物监测的低功率优化方法,解决现有技术中无法实现对高耸构筑物进行长期、连续、实时、低功耗的结构健康监测问题。
Description
技术领域
本发明属于楼宇监控技术领域,具体涉及一种面向高耸构筑物监测的簇首选举及自适应分簇方法及系统。
背景技术
随着超高层建筑及高耸构筑物的迅速发展,传统的人工监测多采用一些诸如全站仪和测斜仪等一些设备辅助进行监测,但此类方法在长时间的实践中暴露出一些问题,诸如费时费力效率低下,不能满足周期性和及时性的要求,同时也存在受被检测环境要求的影响,难以满足现代对超高层建筑及高耸构筑物持续、精准、实时、低功耗的监测要求。
近年来,随着微机电技术、无线通信技术以及嵌入式操作系统的发展,无线传感器也取得了迅猛发展。无线传感器网络通过部署具有无线通信、数据采集、协同合作的无线传感器网络节点组成的新型自组织网络。无线传感器网络具有获取信息精度高、性能可靠、部署方便、价格低廉等优点,可以被广泛的应用于国防军事、工业控制、交通控制和环境监测等诸多领域。
无线传感器网络是一个应用相关网络,不同的应用网络所面临的环境不同,需求不同,因此对软硬件系统和网络路由协议有不一样的要求。然而,针对超高层建筑及高耸构筑物的结构监测时,监测内容多为双轴倾角传感器、振动传感器、应变传感器和温湿度传感感器所监测的数据,为保证数据的有效性,所以这些传感器多安装于构筑物外表墙壁、建筑物顶端、墙壁缝隙及建筑物所属的沙土环境中,安装环境较为复杂导致了更换电池困难,因此对检测低功率问题提出了更高的要求。
在现有的无线传感器网络系统当中,LEACH算法首先提出了基于簇的路由算法,是最为经典应用最为广泛的路由算法。但是由于此算法采用随机选举簇首,因此存在簇首数目的选举和簇首的分布不能达到最佳,能耗难以均衡,簇也不均匀容易出现“热点”问题。并采用单跳路由的方式,不能适应于高耸构筑物环境下的大规模网络通信。
发明内容
本发明的目的在于提供一种面向高耸构筑物监测的簇首选举及自适应分簇方法及系统,用以解决现有技术中无法实现对高耸构筑物进行长期、连续、实时、低功耗的结构健康监测问题的问题。
为了实现上述任务,本发明采用以下技术方案:
面向高耸构筑物监测的簇首选举方法,包括如下步骤:
步骤a:根据式Ⅰ计算每个节点的本地权值;
其中,Ti为节点i的本地权值,i∈[1,100],ω1、ω2和ω3分别为加权系数,且ω1+ω2+ω3=1,为节点i到各邻居节点j的距离平方和,n为节点i的邻居节点个数,0<n<N,N为网络中节点总个数,E0为节点初始能量,Ecurrent为节点当前剩余能量,di-j表示为节点i到邻居节点j的距离,R为节点探测半径,/>为节点i的邻居节点个数,/>为理想邻居节点个数,di-B为节点i到基站的距离,dmax-B为节点到基站的最大距离,dmin-B为节点到基站的最小距离;
步骤b:根据步骤a得到的所有节点的本地权值,对所有节点进行倒序排序,选出排序前10%的节点作为簇首候选节点,对所有候选节点依次进行判断,若当前候选节点的通信半径R范围内有其他候选节点,则比对当前候选节点和其他候选节点的本地权值,将最小权值的候选节点作为簇首节点;若当前簇首候选节点的通信半径R范围内无其他候选节点,则将当前候选节点作为簇首节点,得到多个簇首节点,簇首选取结束。
面向高耸构筑物监测的簇首选举系统,包括:本地权值计算模块,排序筛选模块和簇首判断模块;
所述本地权值计算模块用于根据式Ⅰ计算每个节点的本地权值;
其中,Ti为节点i的本地权值,i∈[1,100],ω1、ω2和ω3分别为加权系数,且ω1+ω2+ω3=1,为节点i到各邻居节点j的距离平方和,n为节点i的邻居节点个数,0<n<N,N为网络中节点总个数,E0为节点初始能量,Ecurrent为节点当前剩余能量,di-j表示为节点i到邻居节点j的距离,R为节点探测半径,/>为节点i的邻居节点个数,/>为理想邻居节点个数,di-B为节点i到基站的距离,dmax-B为节点到基站的最大距离,dmin-B为节点到基站的最小距离;
所述排序筛选模块用于对所有节点根据本地权值计算模块得到的本地权值进行倒序排序,选出排序前10%的节点作为簇首候选节点;
所述簇首判断模块用于对所有簇首候选节点进行判断,若当前候选节点的通信半径R范围内有其他候选节点,则比对当前候选节点和其他候选节点的本地权值,将最小权值的候选节点作为簇首节点;若当前簇首候选节点的通信半径R范围内无其他候选节点,则将当前候选节点作为簇首节点,得到多个簇首节点。
面向高耸构筑物监测的自适应分簇方法,包括如下步骤:
步骤1:根据面向高耸构筑物监测的簇首选举方法获得多个簇首节点;
步骤2:根据式Ⅱ计算每个非簇首节点在通信半径内的加入簇首所在簇的成簇适合函数值,根据式Ⅲ计算每个非簇首节点加入基站簇的成簇适合函数值;
其中,Fq-C表示当前非簇首节点q加入簇首所在簇的成簇适合函数,Fq-B表示当前非簇首节点q加入基站簇的成簇适合函数,CHj表示当前非簇首节点q通信半径范围内Fq-C值最小的簇首节点,α和β分别为成簇适合因子,且α+β=1,λ为权重因子,λ∈[0,1],为非簇首节点q到CHj之间的距离,d(i,BS)为非簇首节点q到基站之间的距离,dmax-B为非簇首节点q到基站之间的最远距离,dmin-B为非簇首节点q到基站之间的最近距离,dmax-c为当前网络中非簇首节点到簇首之间的最远距离;
步骤3:比较每个非簇首节点的成簇函数值,向成簇适合函数值较小的簇首所在簇或基站簇发送成簇请求,簇首所在簇或基站簇接受每个非簇首节点的成簇请求,完成分簇。
面向高耸构筑物监测的自适应分簇系统,包括面向高耸构筑物监测的簇首选举系统和成簇模块;
所述成簇模块包括成簇适合函数值计算子模块和请求子模块;
所述成簇适合函数值计算子模块用于根据式Ⅱ计算每个非簇首节点在通信半径内的加入簇首所在簇的成簇适合函数值,根据式Ⅲ计算每个非簇首节点加入基站簇的成簇适合函数值;
其中,Fq-C表示当前非簇首节点q加入簇首所在簇的成簇适合函数,Fq-B表示当前非簇首节点q加入基站簇的成簇适合函数,CHj表示当前非簇首节点q通信半径范围内Fq-C值最小的簇首节点,α和β分别为成簇适合因子,且α+β=1,λ为权重因子,i∈[0,1],为非簇首节点q到CHj之间的距离,d(i,BS)为非簇首节点q到基站之间的距离,dmax-B为非簇首节点q到基站之间的最远距离,dmin-B为非簇首节点q到基站之间的最近距离,dmax-c为当前网络中非簇首节点到簇首之间的最远距离;
所述请求子模块用于比较每个非簇首节点的成簇函数值,向成簇适合函数值较小的簇首所在簇或基站簇发送成簇请求,簇首所在簇或基站簇接受每个非簇首节点的成簇请求,完成分簇。
本发明与现有技术相比具有以下技术特点:
(1)本发明应用在高耸建筑物及超高层建筑系统中,获取了一种适应于本环境系统的分布式传感器网络中的分簇组网,能够降低网络能耗,延长网络寿命,更好的实现对高耸建筑物长期、连续和低功耗的监测。
(2)本发明针对现有的LEACH算法随机选举簇头和节点成簇方式单一,造成簇头分布不均匀,能耗不平衡,节点生命周期较短的问题,采用改进的LEACH算法构成分簇组网。仿真结果表明该算法簇头分布更加均匀,避免了簇头分布较为集中的情况,节点能耗相对较小,而且有效提高了节点生命周期,可用于高耸建筑环境下长期监测的网络环境。
(3)本发明将节点距离基站距离和簇头分布密集情况考虑在内,构造出一种一直基于权值的分簇组网方法能够自适应选举出剩余能量和位置综合最优的传感器节点完成簇首选举。
(4)本发明首先考虑到节点与簇头之间的距离、节点和基站之间的距离两个因素,其次簇首由于转发簇内信息要消耗能量,因此也将簇首能量考虑在内。因此提出一种成簇适合函数,节点加入成簇函数值最小的簇头所在簇完成成簇。
附图说明
图1为簇首选举流程图;
图2为非簇首节点成簇流程图;
图3为不同算法下的簇头分布图;
图3(a)为LEACH算法下的簇头分布图;
图3(b)为优化算法后的簇头分布图;
图4为不同网络消耗能量对比图;
图5为不同算法存活节点数随时间对比图。
具体实施方式
首先对各实施例中出现的技术词语进行解释:
本地权值:在簇首选举过程中的选举代价,本系统是根据在消耗能量的基础上对三个影响因素进行加权求和得到的。
邻居节点:当前节点以R为通信半径范围内所存在的其他节点,称之为邻居节点。
Dijkstra算法:考虑到在高耸建筑物网络系统中,通常应对的都是大规模的网络通信,因此在簇头与sink节点进行数据传输的过程中,采用迪科斯彻算法的思想,松弛出一条至sink节点的最短路径进行信息传输。主要是使用贪心策略遍历各邻居节点,找到距离sink节点最近的节点,然后将数据信息传输至此节点,逐次进行多跳传输,直至此簇内节点信息发送完毕,然后进行下一轮通信。
上述方法在本专利中的应用为:在被选举出的各个簇首节点之间,当成簇完毕且本簇内的节点将数据融合至当前簇首时,各个簇首要采取多跳的方式将数据发送至sink节点,此时簇首就根据Dijkstra算法在各个簇首节点之间松弛出一条最短路径。
面向高耸构筑物监测的簇首选举方法,包括如下步骤:
步骤a:根据式Ⅰ计算每个节点的本地权值;
其中,Ti为节点i的本地权值,i∈[1,100],ω1、ω2和ω3分别为加权系数,且ω1+ω2+ω3=1,为节点i到各邻居节点j的距离平方和,n为节点i的邻居节点个数,0<n<N,N为网络中节点总个数,E0为节点初始能量,Ecurrent为节点当前剩余能量,di-j表示为节点i到邻居节点j的距离,R为节点探测半径,/>为节点i的邻居节点个数,/>为理想邻居节点个数,di-B为节点i到基站的距离,dmax-B为节点到基站的最大距离,dmin-B为节点到基站的最小距离;
具体的,簇首相比于普通节点要有更多的能耗,因此簇首选举中剩余能量是首要考虑的因素,式Ⅰ的优势分为四个部分:
第一部分是消耗能量占初始能量的比值,该值越小代表剩余能量越多;
第二部分是当前节点i到邻居节点j的距离平方和的归一化值,此部分代表的是网络中节点分布的均衡度,该值越小代表周围邻居节点距离此节点更近,分布更集中,通信代价更小,此部分中当前实验环境下给定为20,其中:
其中A代表网络覆盖的面积,即M*M,N表示网络中节点总个数,Efs代表自由空间信道下的放大能耗,Emp表示多径衰落信道下的放大能耗,Eelec代表发送或者接收每比特数据时的电路能耗,dtosink表示距离阀值;
第三部分考虑的是节点度,即当前节点的邻居节点个数,该值越小说明邻居节点个数越多,越需要簇首;
第四部分是归一化与基站的距离,该值越小代表更靠近基站,更可能成为簇首,四个距离参数均可以通过测量得到。
w1,w2,w3代表三部分的权重系数,这三者的参数通过层次分析法,构造判断矩阵进而可以分别计算出其数值。
步骤b:根据步骤a得到的所有节点的本地权值,对所有节点进行倒序排序,选出排序前10%的节点作为簇首候选节点,对所有候选节点依次进行判断,若当前候选节点的通信半径R范围内有其他候选节点,则比对当前候选节点和其他候选节点的本地权值,将最小权值的候选节点作为簇首节点;若当前簇首候选节点的通信半径R范围内无其他候选节点,则将当前候选节点作为簇首节点,得到多个簇首节点,簇首选取结束。
面向高耸构筑物监测的簇首选举系统,包括:本地权值计算模块,排序筛选模块和簇首判断模块;
所述本地权值计算模块用于根据式Ⅰ计算每个节点的本地权值;
其中,Ti为节点i的本地权值,i∈[1,100],ω1、ω2和ω3分别为加权系数,且ω1+ω2+ω3=1,为节点i到各邻居节点j的距离平方和,n为节点i的邻居节点个数,0<n<N,N为网络中节点总个数,E0为节点初始能量,Ecurrent为节点当前剩余能量,di-j表示为节点i到邻居节点j的距离,R为节点探测半径,/>为节点i的邻居节点个数,/>为理想邻居节点个数,di-B为节点i到基站的距离,dmax-B为节点到基站的最大距离,dmin-B为节点到基站的最小距离;
所述排序筛选模块用于对所有节点根据本地权值计算模块得到的本地权值进行倒序排序,选出排序前10%的节点作为簇首候选节点;
所述簇首判断模块用于对所有簇首候选节点进行判断,若当前候选节点的通信半径R范围内有其他候选节点,则比对当前候选节点和其他候选节点的本地权值,将最小权值的候选节点作为簇首节点;若当前簇首候选节点的通信半径R范围内无其他候选节点,则将当前候选节点作为簇首节点,得到多个簇首节点。
面向高耸构筑物监测的自适应分簇方法,包括如下步骤:
步骤1:根据面向高耸构筑物监测的簇首选举方法获得多个簇首节点;
步骤2:根据式Ⅱ计算每个非簇首节点在通信半径内的加入簇首所在簇的成簇适合函数值,根据式Ⅲ计算每个非簇首节点加入基站簇的成簇适合函数值;
其中,Fq-C表示当前非簇首节点q加入簇首所在簇的成簇适合函数,Fq-B表示当前非簇首节点q加入基站簇的成簇适合函数,CHj表示当前非簇首节点q通信半径范围内Fq-C值最小的簇首节点,α和β分别为成簇适合因子,且α+β=1,λ为权重因子,λ∈[0,1],为非簇首节点q到CHj之间的距离,d(i,BS)为非簇首节点q到基站之间的距离,dmax-B为非簇首节点q到基站之间的最远距离,dmin-B为非簇首节点q到基站之间的最近距离,dmax-c为当前网络中非簇首节点到簇首之间的最远距离;
步骤3:比较每个非簇首节点的成簇函数值,向成簇适合函数值较小的簇首所在簇或基站簇发送成簇请求,簇首所在簇或基站簇接受每个非簇首节点的成簇请求,完成分簇。
具体的,针对每个非簇首节点q,步骤3的含义为,若Fq-C<Fq-B,则此非簇首节点加入簇首CHj,否则直接与基站进行通信。
面向高耸构筑物监测的自适应分簇系统,包括面向高耸构筑物监测的簇首选举系统和成簇模块;
所述成簇模块包括成簇适合函数值计算子模块和请求子模块;
所述成簇适合函数值计算子模块用于根据式Ⅱ计算每个非簇首节点在通信半径内的加入簇首所在簇的成簇适合函数值,根据式Ⅲ计算每个非簇首节点加入基站簇的成簇适合函数值;
其中,Fq-C表示当前非簇首节点q加入簇首所在簇的成簇适合函数,Fq-B表示当前非簇首节点q加入基站簇的成簇适合函数,CHj表示当前非簇首节点q通信半径范围内Fq-C值最小的簇首节点,α和β分别为成簇适合因子,且α+β=1,λ为权重因子,λ∈[0,1],为非簇首节点q到CHj之间的距离,d(i,BS)为非簇首节点q到基站之间的距离,dmax-B为非簇首节点q到基站之间的最远距离,dmin-B为非簇首节点q到基站之间的最近距离,dmax-c为当前网络中非簇首节点到簇首之间的最远距离;
所述请求子模块用于比较每个非簇首节点的成簇函数值,向成簇适合函数值较小的簇首所在簇或基站簇发送成簇请求,簇首所在簇或基站簇接受每个非簇首节点的成簇请求,完成分簇。
实施例1
假设在高耸建筑物及超高层建筑系统中,所有传感器节点均是同构的,节点位置固定且身份唯一,节点存在三种状态:即未成簇状态Un_cluster,簇首状态CH_cluster和簇成员状态Member_cluster。
在初始状态,所有的节点进行初始化部署。首先动态调整完传感器节点的布局和发射功率后,此时所有的传感器节点处于Un_cluster状态。然后sink节点向网络中所有节点发出初始化报文,每个节点都广播自己的状态信息,并将接收到的节点报文记录。计算出本节点的节点度(本地权值);
在广播时间结束后,各节点按照式Ⅰ计算本地权值,并广播自己的节点信息(包括ID、权重);
邻居节点根据接收到的信息持续更新自己的邻居信息表,并在交互完毕之后,将自己的权值与各邻居权值进行比较,如果自己的权值小于所有邻居节点的权值,该节点宣布自己为簇首,得到多个簇首;
节点周期性的向整个建筑物系统中广播自己当选为簇首的消息,剩余节点根据接收到的簇首信息,根据成簇适合函数式Ⅱ和式Ⅲ分别计算加入簇首所在簇和加入基站簇的成簇适合函数值,向成簇函数值较小的簇首所在簇发送成簇请求;簇首接受其他非簇首节点的成簇请求,完成簇群的建立;非簇首节点整合数据发送至簇首节点,簇首节点接受数据并整合簇内信息,完成分簇。
在本实施例中参数取值如下:
当前实验区域大小:200×200,节点总数N=100,汇聚节点坐标(100,100);公式Ⅰ中参数设为:ω1=0.32,ω2=0.21,ω3=0.47,R=40;公式Ⅱ中参数设为:α=0.6,β=0.4;公式Ⅲ中参数设为:λ=0.9。自由信道下放大能耗:Efs=10*0.000000000001,发送或接收每比特数据的能耗:Eelec=50*0.000000001,多径衰落信道下的放大能耗:Emp=0.0013*0.000000000001。
如图3的(a)、(b)所示,分别为LEACH算法下的簇头分布示意图和算法优化后的簇头分布示意图。
从两幅图片的对比来看,LEACH算法下的簇头分布并不均匀,不能在整个监测区域内均匀分布以辐射到全部传感器,而且部分簇首存在相邻较近出现“热区”问题,这就可能造成其他簇首负担较重,加速了生命周期的结束。而图(b)所示的簇首分布较为均匀,能够更好地辐射监测区域内绝大多数传感器节点。
如图4所示,为LEACH算法和优化后算法的网络能耗对比示意图。
从图片的对比来看,优化后的算法整体能耗都略低于LEACH算法,有明显的优化效果。这主要得益于本发明在簇头选举期间,通过引入节点度和邻居节点的距离和这两个权重,使得簇头分布较为均匀,而且成簇期间距离sink节点较近的节点直接加入sink节点簇,也在一定程度上降低了系统能耗。
如图5所示,为LEACH和优化后存活节点数随时间对比的示意图。
出现的时间略晚于LEACH算法,随时间的增加LEACH和优化后存活节点数都呈相同趋势逐渐减少,但前者的衰减更快,在LEACH算法下,节点在500轮时间点时基本已经全部死亡,优化后的算法在800轮左右节点才全部死亡。由此可见,优化后算法能够有效地提高系统中节点生命周期。
Claims (2)
1.一种面向高耸构筑物监测的自适应分簇方法,其特征在于,包括如下步骤:
步骤1:根据面向高耸构筑物监测的簇首选举方法获得多个簇首节点;
步骤2:根据式Ⅱ计算每个非簇首节点在通信半径内的加入簇首所在簇的成簇适合函数值,根据式Ⅲ计算每个非簇首节点加入基站簇的成簇适合函数值;
其中,Fq-C表示当前非簇首节点q加入簇首所在簇的成簇适合函数,Fq-B表示当前非簇首节点q加入基站簇的成簇适合函数,CHj表示当前非簇首节点q通信半径范围内Fq-C值最小的簇首节点,α和β分别为成簇适合因子,且α+β=1,λ为权重因子,λ∈[0,1],为非簇首节点q到CHj之间的距离,d(q,BS)为非簇首节点q到基站之间的距离,d'max-B为非簇首节点q到基站之间的最远距离,dmax-c为当前网络中非簇首节点到簇首之间的最远距离,E0为节点初始能量,Ecurrent为节点当前剩余能量;
步骤3:比较每个非簇首节点的成簇函数值,向成簇适合函数值小的簇首所在簇或基站簇发送成簇请求,簇首所在簇或基站簇接受每个非簇首节点的成簇请求,完成分簇;
所述的面向高耸构筑物监测的簇首选举方法,包括如下步骤:
步骤a:根据式Ⅰ计算每个节点的本地权值;
其中,Ti为节点i的本地权值,i∈[1,100],ω1、ω2和ω3分别为加权系数,且ω1+ω2+ω3=1,为节点i到各邻居节点j的距离平方和,n为节点i的邻居节点个数,0<n<N,N为网络中节点总个数,E0为节点初始能量,Ecurrent为节点当前剩余能量,di-j表示为节点i到邻居节点j的距离,R为节点探测半径,/>为理想邻居节点个数,di-B为节点i到基站的距离,dmax-B为节点到基站的最大距离,dmin-B为节点到基站的最小距离;
步骤b:根据步骤a得到的所有节点的本地权值,对所有节点进行倒序排序,选出排序前10%的节点作为簇首候选节点,对所有候选节点依次进行判断,若当前候选节点的通信半径R范围内有其他候选节点,则比对当前候选节点和其他候选节点的本地权值,将最小权值的候选节点作为簇首节点;若当前簇首候选节点的通信半径R范围内无其他候选节点,则将当前候选节点作为簇首节点,得到多个簇首节点,簇首选取结束。
2.一种面向高耸构筑物监测的自适应分簇系统,其特征在于,包括面向高耸构筑物监测的簇首选举系统和成簇模块;
所述的面向高耸构筑物监测的簇首选举系统包括:本地权值计算模块,排序筛选模块和簇首判断模块;
所述本地权值计算模块用于根据式Ⅰ计算每个节点的本地权值;
其中,Ti为节点i的本地权值,i∈[1,100],ω1、ω2和ω3分别为加权系数,且ω1+ω2+ω3=1,为节点i到各邻居节点j的距离平方和,n为节点i的邻居节点个数,0<n<N,N为网络中节点总个数,E0为节点初始能量,Ecurrent为节点当前剩余能量,di-j表示为节点i到邻居节点j的距离,R为节点探测半径,/>为理想邻居节点个数,di-B为节点i到基站的距离,dmax-B为节点到基站的最大距离,dmin-B为节点到基站的最小距离;
所述排序筛选模块用于对所有节点根据本地权值计算模块得到的本地权值进行倒序排序,选出排序前10%的节点作为簇首候选节点;
所述簇首判断模块用于对所有簇首候选节点进行判断,若当前候选节点的通信半径R范围内有其他候选节点,则比对当前候选节点和其他候选节点的本地权值,将最小权值的候选节点作为簇首节点;若当前簇首候选节点的通信半径R范围内无其他候选节点,则将当前候选节点作为簇首节点,得到多个簇首节点;
所述成簇模块包括成簇适合函数值计算子模块和请求子模块;
所述成簇适合函数值计算子模块用于根据式Ⅱ计算每个非簇首节点在通信半径内的加入簇首所在簇的成簇适合函数值,根据式Ⅲ计算每个非簇首节点加入基站簇的成簇适合函数值;
其中,Fq-C表示当前非簇首节点q加入簇首所在簇的成簇适合函数,Fq-B表示当前非簇首节点q加入基站簇的成簇适合函数,CHj表示当前非簇首节点q通信半径范围内Fq-C值最小的簇首节点,α和β分别为成簇适合因子,且α+β=1,λ为权重因子,λ∈[0,1],为非簇首节点q到CHj之间的距离,d(q,BS)为非簇首节点q到基站之间的距离,d'max-B为非簇首节点q到基站之间的最远距离,dmax-c为当前网络中非簇首节点到簇首之间的最远距离;
所述请求子模块用于比较每个非簇首节点的成簇函数值,向成簇适合函数值小的簇首所在簇或基站簇发送成簇请求,簇首所在簇或基站簇接受每个非簇首节点的成簇请求,完成分簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010235319.8A CN111601354B (zh) | 2020-03-30 | 2020-03-30 | 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010235319.8A CN111601354B (zh) | 2020-03-30 | 2020-03-30 | 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111601354A CN111601354A (zh) | 2020-08-28 |
CN111601354B true CN111601354B (zh) | 2023-12-12 |
Family
ID=72185537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010235319.8A Active CN111601354B (zh) | 2020-03-30 | 2020-03-30 | 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111601354B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090015487A (ko) * | 2007-08-08 | 2009-02-12 | 강릉대학교산학협력단 | 클러스터 기반의 센서 네트워크의 오류를 탐지하고복구하는 방법 |
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 |
CN106900025A (zh) * | 2017-03-15 | 2017-06-27 | 重庆邮电大学 | 一种基于双簇首的无线传感器网络分簇路由方法 |
CN109673034A (zh) * | 2018-12-28 | 2019-04-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于天牛须搜索的无线传感网络分簇路由方法 |
CN109831811A (zh) * | 2019-03-28 | 2019-05-31 | 中国科学院上海微系统与信息技术研究所 | 分簇路由算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015069051A1 (ko) * | 2013-11-08 | 2015-05-14 | 엘지전자(주) | 무선 통신시스템에서 단말 간 직접통신을 수행하기 위한 자원할당 방법 및 장치 |
CN104812030B (zh) * | 2014-01-24 | 2018-06-08 | 中国科学院沈阳自动化研究所 | 面向链式无线传感器网络的混合介质访问控制方法 |
US10425788B2 (en) * | 2018-02-08 | 2019-09-24 | King Fahd University Of Petroleum And Minerals | Equal distance different members node placement method and system |
-
2020
- 2020-03-30 CN CN202010235319.8A patent/CN111601354B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090015487A (ko) * | 2007-08-08 | 2009-02-12 | 강릉대학교산학협력단 | 클러스터 기반의 센서 네트워크의 오류를 탐지하고복구하는 방법 |
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 |
CN106900025A (zh) * | 2017-03-15 | 2017-06-27 | 重庆邮电大学 | 一种基于双簇首的无线传感器网络分簇路由方法 |
CN109673034A (zh) * | 2018-12-28 | 2019-04-23 | 中国科学院上海微系统与信息技术研究所 | 一种基于天牛须搜索的无线传感网络分簇路由方法 |
CN109831811A (zh) * | 2019-03-28 | 2019-05-31 | 中国科学院上海微系统与信息技术研究所 | 分簇路由算法 |
Non-Patent Citations (6)
Title |
---|
Amruta Lipare.Cluster Head Selection and Cluster Construction using Fuzzy Logic in WSNs.《IEEE》.2020,全文. * |
刘文进 ; 周天明 ; 李新春 ; .一种能量均衡的WSN多级分簇路由算法.计算机工程与应用.2015,(16),全文. * |
夏季文 ; 马福昌 ; 乔学工 ; .节能的无线传感器网络分簇路由算法的研究(英文).新型工业化.2011,(08),全文. * |
孙佳 ; 李强 ; 鲁道刚 ; .WSNs中基于动态竞争半径的非均匀分簇路由协议.传感器与微系统.2018,(01),全文. * |
潘刚 ; .基于双簇头无线传感器网络分簇算法的研究.西昌学院学报(自然科学版).2012,(04),正文第2.3节. * |
肖剑.超高层构筑物智能监测系统的低功耗优化方法.《现代电子技术》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111601354A (zh) | 2020-08-28 |
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 | |
Sabet et al. | An energy efficient multi-level route-aware clustering algorithm for wireless sensor networks: A self-organized approach | |
CN106658603B (zh) | 一种负载均衡的无线传感器网络路由节能方法 | |
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 | |
CN107295569B (zh) | 一种基于多移动汇聚节点的能量高效的路由协议 | |
CN108566664B (zh) | 一种分布式高能效的wsn分簇路由优化方法 | |
Wang et al. | A spectrum-aware clustering algorithm based on weighted clustering metric in cognitive radio sensor networks | |
CN105898764B (zh) | 多级能量异构的无线传感器网络部署方法 | |
Pachlor et al. | VCH‐ECCR: A Centralized Routing Protocol for Wireless Sensor Networks | |
Elbhiri et al. | Stochastic and Equitable Distributed Energy-Efficient Clustering (SEDEEC) for heterogeneous wireless sensor networks | |
Ramanan et al. | Data gathering algorithms for wireless sensor networks: a survey | |
Wang et al. | An energy-efficient multi-hop hierarchical routing protocol for wireless sensor networks | |
CN108566658B (zh) | 一种无线传感器网络中能耗均衡的分簇算法 | |
Zhou et al. | Genetic clustering route algorithm in WSN | |
Jabeur | A firefly-inspired micro and macro clustering approach for wireless sensor networks | |
Yao et al. | Game theory and coverage optimization based Multihop routing protocol for network lifetime in wireless sensor networks | |
Khadim et al. | An energy-efficient clustering algorithm for WSN based on cluster head selection optimization to prolong network lifetime | |
Ferdous et al. | A Comprehensive Analysis of CBCDACP in Wireless Sensor Networks. | |
CN111601354B (zh) | 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 | |
Guhan et al. | EEDCHS-PSO: energy-efficient dynamic cluster head selection with differential evolution and particle swarm optimization for wireless sensor networks (WSNS) | |
Farahani | Energy Consumption Reduction in Wireless Sensor Network Based on Clustering | |
CN116567107A (zh) | 一种面向智慧城市的无线传感器网络节能数据传输方法 | |
Pitchai | Determination of energy efficient optimal sojourn location of mobile sinks in clustered corona-based wireless sensor networks | |
CN111225398A (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 | |
Gangwar et al. | GTFR: A game theory based fuzzy routing protocol for WSNs |
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 |