CN111641930A - 应用于海洋信息网络的分层式数据采集系统及方法 - Google Patents

应用于海洋信息网络的分层式数据采集系统及方法 Download PDF

Info

Publication number
CN111641930A
CN111641930A CN202010486637.1A CN202010486637A CN111641930A CN 111641930 A CN111641930 A CN 111641930A CN 202010486637 A CN202010486637 A CN 202010486637A CN 111641930 A CN111641930 A CN 111641930A
Authority
CN
China
Prior art keywords
cluster
data acquisition
sse
node
sensor
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
CN202010486637.1A
Other languages
English (en)
Other versions
CN111641930B (zh
Inventor
秦川
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010486637.1A priority Critical patent/CN111641930B/zh
Priority to PCT/CN2020/097722 priority patent/WO2021243767A1/zh
Priority to US17/436,591 priority patent/US11305848B2/en
Publication of CN111641930A publication Critical patent/CN111641930A/zh
Application granted granted Critical
Publication of CN111641930B publication Critical patent/CN111641930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
    • 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
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
    • B63B2035/006—Unmanned surface vessels, e.g. remotely controlled
    • B63B2035/007—Unmanned surface vessels, e.g. remotely controlled autonomously operating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B2211/00—Applications
    • B63B2211/02—Oceanography
    • 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
    • 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
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H04W84/20—Master-slave selection or change arrangements
    • 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)
  • Computing Systems (AREA)
  • Ocean & Marine Engineering (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了一种应用于海洋信息网络的分层式数据采集系统及方法，其将若干个传感器节点分簇布置，每一簇包括一簇首节点和多个普通节点，通过多个普通传感器节点采集海底数据信息后统一传输至簇首节点，由簇首节点负责数据汇总并将其传输至水下机器人，降低了每个传感器节点的使用能耗，延长了数据采集层的传感器的使用寿命，提高了数据采集层的数据收集效率。并且，每完成一个数据采集周期后，都会在每个簇内重新选择一个新的传感器节点作为下一个数据采集周期的簇首节点，很好地均衡同一个簇内所有传感器节点的能量损耗，通过不断地轮回更换簇首节点，提升了整个簇的数据采集效率，实现了簇内所有传感器节点的能量利用最大化，更加节能高效。

Description

应用于海洋信息网络的分层式数据采集系统及方法
技术领域
本发明涉及海洋数据信息采集技术领域，特别地，涉及一种应用于海洋信息网络的分层式数据采集系统，另外还涉及一种应用于海洋信息网络的分层式数据采集方法。
背景技术
近年来，海洋通信网络受到广泛关注，认识海洋，开发海洋，经略海洋，全面建设海洋强国被提升到新的战略高度，而支撑海洋强国建设，海洋信息网络必不可少，如何设计一种面向海洋信息网络的稳定、高效、低能耗的数据采集系统成为核心要务。
当前常规的数据采集系统是在海洋不同深度布置多个传感器节点以收集传递水下信息，通过由水底向水面的方向以节点多跳的通信方式，使海洋数据最终汇聚到水面的固定基站(船只)。这样的方式存在三个问题，第一，受制于水声信道较弱，通信速率较低的现实问题，多跳的通信方式不仅增大了数据丢包率，且系统时延较大；第二，每个传感器作为固定中继节点，一直处在高负荷工作状态，以致传感器节点耗能过大，死亡率较高，数据采集效率较低；第三，数据传输的链路相对固定，一旦某个节点能量耗尽，整条联络将面临失效的可能，致使系统的鲁棒性较差。
另外，还有一种数据采集系统，它利用布置在海底的传感器来收集数据信息，然后通过水下机器人(AUV)下潜遍历所有的传感器，收集完所有传感器的数据信息后再返回至水面基站，并将收集到的数据信息传输至水面基站，其虽然可以解决常规数据采集系统存在的通信传输不稳定的问题，但是，这种数据采集系统的传感器需要同时兼顾数据收集、融合和传输等多项工作，能量消耗较高，使用寿命较短，数据收集效率也较低。此外其针对水下机器人(AUV)的路径规划也存在不足，普遍存在两个缺陷：第一，其通常采用蚂蚁算法来解决旅行商问题，而常用的蚂蚁算法仅考虑了当前状态下信息素浓度，没有考虑之后状态信息素浓度的影响，因而存在求解效率不高，易陷入局部最优等问题；第二，传统的蚂蚁算法在路径规划问题上仅考虑到了距离的影响，而没有考虑到角度改变带来的影响，因而在AUV运动过程中会产生大量的能耗，影响了整体的数据收集效率。
发明内容
本发明提供了一种应用于海洋信息网络的分层式数据采集系统及方法，以解决目前的面向海洋信息网络的数据采集系统存在的能耗大、效率低的技术问题。
根据本发明的一个方面，提供一种应用于海洋信息网络的分层式数据采集系统，包括水面基站、用于采集海底数据信息的数据采集层、位于所述数据采集层的上方并用于将所述数据采集层采集到的海底数据信息传输至水面基站的数据传输层，所述数据采集层包括若干个锚定在海底的传感器节点，若干个传感器节点分簇布置，每一簇包括一个簇首节点和多个普通节点，多个普通节点采集海底数据信息后将其传输至簇首节点进行数据信息汇聚；
所述数据传输层包括水下机器人，所述水下机器人从水面基站出发后遍历每一个簇的簇首节点以收集汇聚的数据信息后驶回水面基站，并将收集到的海底数据信息传输至水面基站；
每完成一个数据采集周期后，在每个簇中重新选择新的传感器节点作为下一个数据采集周期的簇首节点。
进一步地，具体采用以下公式计算簇内其余每个传感器节点作为新的簇首节点的概率，根据计算结果来选择新的簇首节点：
Figure BDA0002519345640000021
上式中，T(s)表示传感器节点s被选择为新的簇首节点的概率，G表示该簇本轮次所有普通节点的集合，w1和w2表示权重的常系数，ds表示传感器节点s到其对应簇中心的距离的倒数，Ej是传感器节点s的剩余能量和初始能量的比值，λ为任一常数。
进一步地，所述水下机器人采用同时考虑距离和角度并具有奖励性质的蚂蚁算法进行运行路径规划，该算法包括以下内容：
假设一共有m个蚂蚁，Nant个位置点，将所有蚂蚁均置于水面基站位置点出发，同时设置一个禁忌表，表示蚂蚁所经过的位置点的集合，蚂蚁每经过一个位置点则将该点添加进禁忌表；
第一个蚂蚁从基站位置点出发，计算该时刻从位置点i到位置点j的转移概率
Figure BDA0002519345640000031
然后选择下一个位置点，同时更新禁忌表，再计算转移概率，再选择新的位置点，再同步更新禁忌表，直至遍历Nant个位置点一次，该蚂蚁死亡，其中，蚂蚁的转移概率为：
Figure BDA0002519345640000032
上式中，s表示下一时刻的位置，n(i)表示与位置点i相邻的其余位置点的集合，α和β分别表示权重常数，τij(t)表示信息素浓度，ηij(t)表示启发因子，且
Figure BDA0002519345640000033
dij表示位置点i到j的距离，rij表示位置点i向j的偏移角度；
计算该蚂蚁留在各条路径上的信息素浓度
Figure BDA0002519345640000034
Figure BDA0002519345640000035
Q1和Q2为任意常数，γ为奖励因子，表示之后路径的信息素浓度对当前路径选择的影响程度，其取值范围为0～1，Pjs表示下一时刻蚂蚁的转移概率；
重复执行上述内容，直至m个蚂蚁均遍历所有的位置点，计算各条路径上的信息素增量Δτij和信息素总量τij(t+1)，
Figure BDA0002519345640000041
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，ρ为信息素蒸发系数，表示信息素减少的数量，(1-ρ)为信息素残留系数，表示余下的信息素浓度；
记录本次迭代产生的距离之和、偏移角度之和，并根据记录结果更新当前最优路径；
不断进行迭代，当达到预设的迭代次数或者出现停滞现象，则迭代终止，并将最后一次迭代后更新的最优路径作为运行路径，否则继续迭代。
进一步地，位置点i向j的偏移角度rij通过以下公式计算得到：
Figure BDA0002519345640000042
xi和yi分别表示位置点i的横纵坐标，xj和yj分别表示位置点j的横纵坐标，
Figure BDA0002519345640000043
表示水下机器人当前的朝向角度，θ表示向量
Figure BDA0002519345640000044
与水平方向的夹角。
进一步地，采用以下方式对若干个传感器节点进行分簇布置：
分别计算若干个传感器节点被分为1至n个簇时，对应的每个簇内传感器节点到簇中心的平方距离误差值SSE，
Figure BDA0002519345640000045
上式中，Ci表示一个簇内所有传感器节点的集合，x表示传感器节点的坐标值，
Figure BDA0002519345640000051
表示簇中心的坐标值，k表示簇的数量，当相邻的两个SSE值变化最明显时，对应的簇的值即为需分簇的数量k，求k的过程为：
Figure BDA0002519345640000052
其中，ΔS表示两个相邻的簇产生的SSE的差值；
基于上述求出的k值，随机选取k个传感器节点作为初始的簇中心，然后分别计算剩余的传感器节点到这k个簇中心的SSE值，基于距离最近原则将剩余的传感器节点分别分配给每个初始的簇中心，不断更新簇中心及对应的SSE值，直至满足收敛条件，簇中心的更新方程为：
Figure BDA0002519345640000053
收敛条件为：
|SSE1-SSE2|＜ε
其中，|Ci|表示簇内传感器节点的个数，ε为最小阈值，SSE1和SSE2分别表示当前迭代产生的SSE值和上一次迭代产生的SSE值；
迭代结束后，选择距离簇中心最近的传感器节点作为初始簇首节点。
另一方面，本发明还提供一种应用于海洋信息网络的分层式数据采集方法，包括以下步骤：
步骤S1：在海底分簇布置若干个传感器节点并进行锚定，每一簇包括簇首节点和多个普通节点，多个普通节点采集海底数据信息后将其传输至簇首节点进行数据信息汇聚；
步骤S2：从水面基站位置处释放水下机器人，控制水下机器人遍历每一个簇的簇首节点以收集汇聚的数据信息后驶回水面基站；
步骤S3：控制水下机器人将收集的海底数据信息传输至水面基站；
步骤S4：每执行一个数据采集周期后，在每个簇中重新选择新的传感器节点作为下一个数据采集周期的簇首节点。
进一步地，所述步骤S4中采用以下公式计算簇内每个传感器节点作为新的簇首节点的概率，根据计算结果来选择新的簇首节点：
Figure BDA0002519345640000061
其中，T(s)表示传感器节点s被选择为新的簇首节点的概率，G表示该簇本轮次所有普通节点的集合，w1和w2表示权重的常系数，ds表示传感器节点s到其对应簇中心的距离的倒数，Ej是传感器节点s的剩余能量和初始能量的比值，λ为任一常数。
进一步地，所述步骤S2中采用同时考虑距离和角度并具有奖励性质的蚂蚁算法进行运行路径规划，该算法包括以下步骤：
步骤S21：假设一共有m个蚂蚁，Nant个位置点，将所有蚂蚁均置于水面基站位置点出发，同时设置一个禁忌表，表示蚂蚁所经过的位置点的集合，蚂蚁每经过一个位置点则将该点添加进禁忌表；
步骤S22：第一个蚂蚁从基站位置点出发，计算该时刻从位置点i到位置点j的转移概率
Figure BDA0002519345640000062
然后选择下一个位置点，同时更新禁忌表，再计算转移概率，再选择新的位置点，再同步更新禁忌表，直至遍历Nant个位置点一次，该蚂蚁死亡，其中，蚂蚁的转移概率为：
Figure BDA0002519345640000063
上式中，s表示下一时刻的位置，n(i)表示与位置点i相邻的其余位置点的集合，α和β分别表示权重常数，τij(t)表示信息素浓度，ηij(t)表示启发因子，且
Figure BDA0002519345640000071
dij表示位置点i到j的距离，rij表示位置点i向j的偏移角度；
步骤S23：计算该蚂蚁留在各条路径上的信息素浓度
Figure BDA0002519345640000072
Figure BDA0002519345640000073
Q1和Q2为任意常数，γ为奖励因子，表示之后路径的信息素浓度对当前路径选择的影响程度，其取值范围为0～1，Pjs表示下一时刻蚂蚁的转移概率；
步骤S24：重复执行上述步骤S22和步骤S23，直至m个蚂蚁均遍历所有的位置点，计算各条路径上的信息素增量Δτij和信息素总量τij(t+1)，
Figure BDA0002519345640000074
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，ρ为信息素蒸发系数，表示信息素减少的数量，(1-ρ)为信息素残留系数，表示余下的信息素浓度；
步骤S25：记录本次迭代产生的距离之和、偏移角度之和，并根据记录结果更新当前最优路径；
步骤S26：不断进行迭代，当达到预设的迭代次数或者出现停滞现象，则迭代终止，并将最后一次迭代后更新的最优路径作为运行路径，否则继续迭代。
进一步地，所述步骤S22中的偏移角度rij通过以下公式计算得到：
Figure BDA0002519345640000081
xi和yi分别表示位置点i的横纵坐标，xj和yj分别表示位置点j的横纵坐标，
Figure BDA0002519345640000082
表示水下机器人当前的朝向角度，θ表示向量
Figure BDA0002519345640000083
与水平方向的夹角。
进一步地，所述步骤S1中对若干个传感器节点进行分簇布置的具体过程包括以下步骤：
步骤S11：分别计算若干个传感器节点被分为1至n个簇时，对应的每个簇内传感器节点到簇中心的平方距离误差值SSE，
Figure BDA0002519345640000084
上式中，Ci表示一个簇内所有传感器节点的集合，x表示传感器节点的坐标值，
Figure BDA0002519345640000085
表示簇中心的坐标值，k表示簇的数量，当相邻的两个SSE值变化最明显时，对应的簇的值即为需分簇的数量k，求k的过程为：
Figure BDA0002519345640000086
其中，ΔS表示两个相邻的簇产生的SSE的差值；
步骤S12：基于上述求出的k值，随机选取k个传感器节点作为初始的簇中心，然后分别计算剩余的传感器节点到这k个簇中心的SSE值，基于距离最近原则将剩余的传感器节点分别分配给每个初始的簇中心，不断更新簇中心及对应的SSE值，直至满足收敛条件，簇中心的更新方程为：
Figure BDA0002519345640000087
收敛条件为：
|SSE1-SSE2|＜ε
其中，|Ci|表示簇内传感器节点的个数，ε为最小阈值，SSE1和SSE2分别表示当前迭代产生的SSE值和上一次迭代产生的SSE值；
步骤S13：迭代结束后，选择距离簇中心最近的传感器节点作为初始簇首节点。
本发明具有以下效果：
本发明的应用于海洋信息网络的分层式数据采集系统，将若干个传感器节点分簇布置，每一簇包括一个簇首节点和多个普通节点，通过多个普通传感器节点采集海底数据信息后统一传输至簇首节点，由簇首节点负责汇总来自于同一个簇内的各个普通节点的数据并将汇总后的数据传输至水下机器人，普通节点主要执行数据采集功能，而簇首节点主要执行数据传输功能，大大降低了每个传感器节点的使用能耗，延长了数据采集层的传感器的使用寿命，大幅度提高了数据采集层的数据收集效率。并且，每完成一个数据采集周期后，都会在每个簇内重新选择一个新的传感器节点作为下一个数据采集周期的簇首节点，本系统考虑到了簇首节点的能量消耗比普通节点要大，如果固定使用一个簇首节点，那么作为簇首节点的传感器，其能量损耗会非常快，很快就趋于死亡，从而导致整个簇的数据采集效率很低，而本系统在每个采集周期均更换新的簇首节点，可以很好地均衡同一个簇内所有传感器节点的能量损耗，旧的、能量值低的簇首节点可以转变为普通节点使用，在低能量值的情况下也仍然可执行数据采集功能，而新的、能量值高的簇首节点则可以很好地执行数据传输功能，通过不断地轮回更换簇首节点，最终待所有传感器节点的能量值耗尽、均趋近于死亡的情况再对其进行一次性更换，大大提升了整个簇的数据采集效率，实现了簇内所有传感器节点的能量利用最大化，更加节能高效。
另外，本发明的应用于海洋信息网络的分层式数据采集方法同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的应用于海洋信息网络的分层式数据采集系统的布局示意图。
图2是本发明的优选实施例的应用于海洋信息网络的分层式数据采集系统采用的传感器分簇布置算法与经典的K-means算法、LEACH算法在能耗方面的结果比对示意图。
图3是本发明的优选实施例的应用于海洋信息网络的分层式数据采集系统采用的传感器分簇布置算法与经典的K-means算法、LEACH算法在节点存活率方面的结果比对示意图。
图4是本发明优选实施例的应用于海洋信息网络的分层式数据采集系统中计算偏移角度的示意图。
图5是本发明的优选实施例的应用于海洋信息网络的分层式数据采集系统采用的路径规划算法与经典的蚂蚁算法分别求解出的最短路径结果比较示意图。
图6是本发明的优选实施例的应用于海洋信息网络的分层式数据采集系统采用的路径规划算法与经典的蚂蚁算法分别求解出的偏移角度结果比较示意图。
图7是本发明另一实施例的应用于海洋信息网络的分层式数据采集方法的流程示意图。
图8是图7中的步骤S1中对若干个传感器节点进行分簇布置的子流程示意图。
图9是图7中的步骤S2中采用的路径规划算法的子流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种应用于海洋信息网络的分层式数据采集系统，包括水面基站、用于采集海底数据信息的数据采集层、位于所述数据采集层的上方并用于将所述数据采集层采集到的海底数据信息传输至水面基站的数据传输层，其中，所述数据采集层包括若干个锚定在海底的传感器节点，若干个传感器节点分簇布置，每一簇包括一个簇首节点和多个普通节点，多个普通节点采集海底数据信息后将其传输至簇首节点进行数据信息汇聚；所述数据传输层包括水下机器人，所述水下机器人从水面基站出发后遍历每一个簇的簇首节点以收集汇聚的数据信息后驶回水面基站，并将收集到的海底数据信息传输至水面基站；每完成一个数据采集周期后，在每个簇中重新选择新的传感器节点作为下一个数据采集周期的簇首节点。可以理解，所述水下机器人运动至簇首节点上方一定高度处时，例如20m～50m高度处，优选为30m高度处，水下机器人会快速地与簇首节点建立通信链路并进行数据传输，完成当前簇首节点的数据传输后驶向下一个簇首节点，并依次与每一个簇首节点进行数据传输，最终将所有簇首节点的数据带回水面基站。另外，簇首节点与其余普通节点之间通信连接，每个传感器节点均具有自主控制功能，可以在数据采集功能和数据传输功能之间进行自主切换，具体实现自主切换的方式属于现有技术，不在此不再赘述。可以理解，由于水面基站、数据传输层和数据采集层三者分层设置，故而数据传输层的水下机器人可以直接从水面基站所在平面直接垂直下沉到数据采集层上方一定高度的水平面处，然后按照运行路径在该水平面内进行数据收集；另外，水下机器人还可以直接从水面基站位置处下沉至第一个簇首节点上方的一定高度处，然后按照运行路径沿平面进行数据收集。当然，水下机器人具体沿怎样的路线从水面基站所在水平面移动至数据采集层上方一定高度水平面的，在此不做具体限定。
可以理解，本实施例的应用于海洋信息网络的分层式数据采集系统，将若干个传感器节点分簇布置，每一簇包括一个簇首节点和多个普通节点，通过多个普通传感器节点采集海底数据信息后统一传输至簇首节点，由簇首节点负责汇总来自于同一个簇内的各个普通节点的数据并将汇总后的数据传输至水下机器人，普通节点主要执行数据采集功能，而簇首节点主要执行数据传输功能，大大降低了每个传感器节点的使用能耗，延长了数据采集层的传感器的使用寿命，大幅度提高了数据采集层的数据收集效率。并且，每完成一个数据采集周期后，都会在每个簇内重新选择一个新的传感器节点作为下一个数据采集周期的簇首节点，本系统考虑到了簇首节点的能量消耗比普通节点要大，如果固定使用一个簇首节点，那么作为簇首节点的传感器，其能量损耗会非常快，很快就趋于死亡，从而导致整个簇的数据采集效率很低，而本系统在每个采集周期均更换新的簇首节点，可以很好地均衡同一个簇内所有传感器节点的能量损耗，旧的、能量值低的簇首节点可以转变为普通节点使用，在低能量值的情况下也仍然可执行数据采集功能，而新的、能量值高的簇首节点则可以很好地执行数据传输功能，通过不断地轮回更换簇首节点，最终待所有传感器节点的能量值耗尽、均趋近于死亡的情况再对其进行一次性更换，大大提升了整个簇的数据采集效率，实现了簇内所有传感器节点的能量利用最大化，更加节能高效。
可以理解，为了避免同一簇内产生冗余信息，簇首节点还将对汇聚后的信息进行处理融合，剔除掉重复的数据信息，然后簇首节点将处理融合后的数据信息传输至水下机器人，即簇首节点具有数据预处理的能力。
具体地，采用以下方式对若干个传感器节点进行分簇布置：
首先，在海底布放若干个传感器节点，分别计算若干个传感器节点被分为1至n个簇时，对应的每个簇内传感器节点到簇中心的平方距离误差值SSE，其中，每个簇内包含的传感器节点数量为随机分配，平方距离误差值SSE的求解公式如下：
Figure BDA0002519345640000121
上式中，Ci表示一个簇内所有传感器节点的集合，x表示传感器节点的坐标值，
Figure BDA0002519345640000122
表示簇中心的坐标值，k表示簇的数量，k的取值范围为1～n。
当相邻的两个SSE值变化最明显时，对应的簇的值即为需分簇的数量k，求k的过程可表示为：
Figure BDA0002519345640000131
其中，ΔS表示两个相邻的簇产生的SSE的差值，从而就确定了簇的数量k。
然后，基于上述求出的k值，随机选取k个传感器节点作为初始的簇中心，然后分别计算剩余的传感器节点到这k个簇中心的SSE值，基于距离最近原则将剩余的传感器节点分别分配给每个初始的簇中心，在分配的过程中不断更新迭代簇中心及对应的SSE值，直至满足收敛条件，其中，簇中心的更新方程为：
Figure BDA0002519345640000132
收敛条件为：
|SSE1-SSE2|＜ε (4)
其中，|Ci|表示簇内传感器节点的个数，ε为最小阈值，SSE1和SSE2分别表示当前迭代产生的SSE值和上一次迭代产生的SSE值，通过不断迭代更新即可得到最终的簇中心的坐标值和每个簇包含的传感器节点。在迭代结束后，选择距离最终的簇中心最近的传感器节点作为初始簇首节点，其余传感器节点则作为普通节点。普通节点开始收集海底数据信息，然后传送给同一簇内的簇首节点，簇首节点汇聚簇内所有普通节点收集的数据后传输至水下机器人，此过程即为一个数据采集周期。
所述水面基站通过上述过程计算出若干个传感器节点的分簇布置方式时，将具体的分簇布置方案传输至水下机器人，由水下机器人下潜遍历所有的传感器节点，并将分簇布置信息对应地传输至每个传感器节点，每个传感器节点都接收到分簇布置信息后即完成分簇布置。
具体地，采用以下公式计算簇内其余每个传感器节点作为新的簇首节点的概率，根据计算结果来选择新的簇首节点，由新的簇首节点来执行数据汇聚和数据传输功能，旧的簇首节点则转换为普通节点执行数据采集功能，计算公式具体如下：
Figure BDA0002519345640000141
上式中，T(s)表示传感器节点s被选择为新的簇首节点的概率，G表示该簇本轮次所有普通节点的集合，w1和w2表示权重的常系数，ds表示传感器节点s到其对应簇中心的距离的倒数，Ej是传感器节点s的剩余能量和初始能量的比值，λ为任一常数。
作为一种选择，在执行完一个数据采集周期后，每个普通节点均进行上述概率计算，然后每个普通节点将各自的概率计算结果均传输至旧的簇首节点，由旧的簇首节点比较出概率值最高者作为新的簇首节点，并生成反馈信号传输至概率值最高者对应的普通节点，该普通节点即从执行数据采集功能自主切换到执行数据汇总和传输功能，即作为新的簇首节点使用，而旧的簇首节点则自动切换到执行数据采集功能，即作为普通节点使用。
而作为另一种选择，在执行完一个数据采集周期后，旧的簇首节点自动切换至数据采集功能，即作为普通节点使用，同时基于随机原则或者就近原则选择一个普通节点进行上述概率计算，若计算结果大于预设值，则将其作为新的簇首节点，否则再进行下一个普通节点的概率计算，直至某一个普通节点的概率计算值大于预设值。
作为另一种选择，所述数据采集层完成数据采集和汇总后，在水下机器人下潜之前，所述水面基站可以通过数据仿真计算选出每个簇中新的簇首节点，然后将新的簇首节点信息传输至水下机器人。当水下机器人下潜之后，水下机器人在收集旧的簇首节点汇总的数据信息的同时，将新的簇首节点信息传输至旧的簇首节点，由旧的簇首节点通知新的簇首节点，由新的簇首节点执行数据传输功能，旧的簇首节点则切换至普通节点使用。
作为另一种选择，在完成一个数据采集周期后，所述水面基站可以通过数据仿真计算选出每个簇中新的簇首节点，然后将新的簇首节点信息传输至水下机器人。水下机器人按照更新后的运行路径下潜，并将新的簇首节点信息依次对应地传输至传感器节点，接收到新的簇首节点信息的传感器节点即切换为新的簇首节点使用，而旧的簇首节点则自动切换成普通节点使用。
可以理解，上述算法综合考虑了传感器节点与簇中心的距离和传感器节点自身的剩余能量，既确保了传感器节点自身的剩余能量足以支撑数据汇总和数据传输功能，而且其余普通节点到新的簇首节点的距离相当且较短，降低了其它普通节点到新的簇首节点之间的传输距离带来的能量损耗，进一步实现了节能降耗，提高了整个簇内的传感器节点的使用寿命和整体的数据采集效率。
本申请将上述传感器分簇布置算法命名为ECBIK算法，如图2和图3所示，本申请针对节点存活率和能耗两方面分别与经典的K-means算法、LEACH算法进行了比对，从比对结果可以看出，本申请的ECBIK算法首次出现死亡节点的时间和全部节点死亡的时间均最长，全程保持了较高的节点存活率，并且全程都维持了较高的剩余能量，全程能量消耗最少，具有最佳的节能功效。
可以理解，在水下机器人的运动过程中，需要考虑到每两个目的地之间的运行距离和偏移角度，因为运行距离越长、角度改变越大，意味着水下机器人的能量消耗就越多，因而需要选择距离最短且角度变化最小的路径作为运行路径，以降低水下机器人的能量损耗。因此，本系统通过对现有的蚂蚁算法进行了改进，具体地，所述水下机器人采用同时考虑距离和角度并具有奖励性质的蚂蚁算法进行运行路径规划，该算法包括以下内容：
(1)、假设一共有m个蚂蚁，Nant个位置点，将所有蚂蚁均置于水面基站位置点出发，同时设置一个禁忌表，表示蚂蚁所经过的位置点的集合，蚂蚁每经过一个位置点则将该点添加进禁忌表，意味着之后将不会再选择禁忌表内的位置点作为目的地；
(2)、第一个蚂蚁从基站位置点出发，计算该时刻从位置点i到位置点j的转移概率
Figure BDA0002519345640000161
然后选择下一个位置点，同时更新禁忌表，再计算转移概率，再选择新的位置点，再同步更新禁忌表，直至遍历Nant个位置点一次，该蚂蚁死亡，其中，蚂蚁的转移概率为：
Figure BDA0002519345640000162
上式中，s表示下一时刻的位置，n(i)表示与位置点i相邻的其余位置点的集合，α和β分别表示权重常数，τij(t)表示信息素浓度，ηij(t)表示启发因子，其表达式为：
Figure BDA0002519345640000163
其中，dij表示位置点i到j的距离，rij表示位置点i向j的偏移角度。
另外，如图4所示，水下机器人此刻处于位置点i处，驶向位置点j，则其状态矩阵可表示为：
Figure BDA0002519345640000164
其中，η表示位置矩阵，υ表示速度矩阵，u，v，ω分别表示水下机器人的喘振速度、摇摆速度和偏航速度，
Figure BDA0002519345640000165
表示水下机器人当前的朝向角度，图4中的θ表示向量
Figure BDA0002519345640000166
与水平方向的夹角，定义
Figure BDA0002519345640000167
与θ的差值为水下机器人从位置点i向位置点j的偏移角度，即rij。而位置点i向j的偏移角度rij可以通过以下公式计算得到：
Figure BDA0002519345640000171
其中，xi和yi分别表示位置点i的横纵坐标，xj和yj分别表示位置点j的横纵坐标。
将水下机器人下一时刻位置设为ηt+1，则
ηt+1＝J(η)υ (10)
其中，J(η)是运动转移矩阵，其可以表示为：
Figure BDA0002519345640000172
因此，由于初始位置点和水下机器人运行速度为已知，故而根据公式(10)和(11)即可算出下一个位置点的坐标，进而求出两个位置点之间的偏移角度rij。
(3)、计算该蚂蚁留在各条路径上的信息素浓度
Figure BDA0002519345640000173
Figure BDA0002519345640000174
其中，Q1和Q2为任意常数，γ为奖励因子，表示之后路径的信息素浓度对当前路径选择的影响程度，其取值范围为0～1，Pjs表示下一时刻蚂蚁的转移概率。
(4)、重复执行上述内容(2)至(3)，直至m个蚂蚁均遍历所有的位置点，计算各条路径上的信息素增量Δτij和信息素总量τij(t+1)，
Figure BDA0002519345640000181
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，ρ表示信息素蒸发系数，表示信息素减少的数量，(1-ρ)为信息素残留系数，表示余下的信息素浓度。
(5)、记录本次迭代产生的距离之和、偏移角度之和，并根据记录结果更新当前最优路径，具体选择距离之和最小且偏移角度之和最小的路径来作为更新后的最优路径。
(6)、不断进行迭代，当达到预设的迭代次数或者出现停滞现象，则迭代终止，并将最后一次迭代后更新的最优路径作为运行路径，否则回到(1)继续迭代。
可以理解，本申请将上述改进后的路径规划算法命名为R-ACO算法，其综合考虑了距离和角度偏移的影响，求解出的运行路径的运行距离和偏移角度均较小，大幅度降低了水下机器人的能耗，并且在公式(12)中还考虑了未来状态信息素浓度对当前路径选择的影响，具有远视的效果和全局最优的特性，求解效率更高，收敛更快。具体地，如图5和图6所示，本申请针对求解出的最短路径和最小偏离角度两方面与经典的蚂蚁算法ACO进行了对比，从对比结果可以明显地看出，本申请的R-ACO算法求解出的运行距离和偏离角度均比经典的ACO算法更小，且收敛时间更短。
另外，如图7所示，本发明的另一实施例还提供一种应用于海洋信息网络的分层式数据采集方法，其优选采用上述实施例的分层式数据采集系统，所述分层式数据采集方法包括以下步骤：
步骤S1：在海底分簇布置若干个传感器节点并进行锚定，每一簇包括簇首节点和多个普通节点，多个普通节点采集海底数据信息后将其传输至簇首节点进行数据信息汇聚；
步骤S2：从水面基站位置处释放水下机器人，控制水下机器人遍历每一个簇的簇首节点以收集汇聚的数据信息后驶回水面基站；
步骤S3：控制水下机器人将收集的海底数据信息传输至水面基站；
步骤S4：每执行一个数据采集周期后，在每个簇中重新选择新的传感器节点作为下一个数据采集周期的簇首节点。
可以理解，本实施例的应用于海洋信息网络的分层式数据采集方法，通过将若干个传感器节点分簇布置，每一簇包括一个簇首节点和多个普通节点，通过多个普通传感器节点采集海底数据信息后统一传输至簇首节点，由簇首节点负责汇总来自于同一个簇内的各个普通节点的数据并将汇总后的数据传输至水下机器人，普通节点主要执行数据采集功能，而簇首节点主要执行数据传输功能，大大降低了每个传感器节点的使用能耗，延长了数据采集层的传感器的使用寿命，大幅度提高了数据采集层的数据收集效率。并且，每完成一个数据采集周期后，都会在每个簇内重新选择一个新的传感器节点作为下一个数据采集周期的簇首节点，本系统考虑到了簇首节点的能量消耗比普通节点要大，如果固定使用一个簇首节点，那么作为簇首节点的传感器，其能量损耗会非常快，很快就趋于死亡，从而导致整个簇的数据采集效率很低，而本系统在每个采集周期均更换新的簇首节点，可以很好地均衡同一个簇内所有传感器节点的能量损耗，旧的、能量值低的簇首节点可以转变为普通节点使用，在低能量值的情况下也仍然可执行数据采集功能，而新的、能量值高的簇首节点则可以很好地执行数据传输功能，通过不断地轮回更换簇首节点，最终待所有传感器节点的能量值耗尽、均趋近于死亡的情况再对其进行一次性更换，大大提升了整个簇的数据采集效率，实现了簇内所有传感器节点的能量利用最大化，更加节能高效。
可以理解，所述步骤S4中采用以下公式计算簇内每个传感器节点作为新的簇首节点的概率，根据计算结果来选择新的簇首节点：
Figure BDA0002519345640000191
其中，T(s)表示传感器节点s被选择为新的簇首节点的概率，G表示该簇本轮次所有普通节点的集合，w1和w2表示权重的常系数，ds表示传感器节点s到其对应簇中心的距离的倒数，Ej是传感器节点s的剩余能量和初始能量的比值，λ为任一常数。
可以理解，如图8所示，所述步骤S1中对若干个传感器节点进行分簇布置的具体过程包括以下步骤：
步骤S11：分别计算若干个传感器节点被分为1至n个簇时，对应的每个簇内传感器节点到簇中心的平方距离误差值SSE，
Figure BDA0002519345640000201
上式中，Ci表示一个簇内所有传感器节点的集合，x表示传感器节点的坐标值，
Figure BDA0002519345640000202
表示簇中心的坐标值，k表示簇的数量，当相邻的两个SSE值变化最明显时，对应的簇的值即为需分簇的数量k，求k的过程为：
Figure BDA0002519345640000203
其中，ΔS表示两个相邻的簇产生的SSE的差值；
步骤S12：基于上述求出的k值，随机选取k个传感器节点作为初始的簇中心，然后分别计算剩余的传感器节点到这k个簇中心的SSE值，基于距离最近原则将剩余的传感器节点分别分配给每个初始的簇中心，不断更新簇中心及对应的SSE值，直至满足收敛条件，簇中心的更新方程为：
Figure BDA0002519345640000204
收敛条件为：
|SSE1-SSE2|＜ε (4)
其中，|Ci|表示簇内传感器节点的个数，ε为最小阈值，SSE1和SSE2分别表示当前迭代产生的SSE值和上一次迭代产生的SSE值；
步骤S13：迭代结束后，选择距离簇中心最近的传感器节点作为初始簇首节点。
可以理解，如图9所示，所述步骤S2中采用同时考虑距离和角度并具有奖励性质的蚂蚁算法进行运行路径规划，该算法包括以下步骤：
步骤S21：假设一共有m个蚂蚁，Nant个位置点，将所有蚂蚁均置于水面基站位置点出发，同时设置一个禁忌表，表示蚂蚁所经过的位置点的集合，蚂蚁每经过一个位置点则将该点添加进禁忌表；
步骤S22：第一个蚂蚁从基站位置点出发，计算该时刻从位置点i到位置点j的转移概率
Figure BDA0002519345640000211
然后选择下一个位置点，同时更新禁忌表，再计算转移概率，再选择新的位置点，再同步更新禁忌表，直至遍历Nant个位置点一次，该蚂蚁死亡，其中，蚂蚁的转移概率为：
Figure BDA0002519345640000212
上式中，s表示下一时刻的位置，n(i)表示与位置点i相邻的其余位置点的集合，α和β分别表示权重常数，τij(t)表示信息素浓度，ηij(t)表示启发因子，其表达式为：
Figure BDA0002519345640000213
dij表示位置点i到j的距离，rij表示位置点i向j的偏移角度；
步骤S23：计算该蚂蚁留在各条路径上的信息素浓度
Figure BDA0002519345640000214
Figure BDA0002519345640000221
Q1和Q2为任意常数，γ为奖励因子，表示之后路径的信息素浓度对当前路径选择的影响程度，其取值范围为0～1，Pjs表示下一时刻蚂蚁的转移概率；
步骤S24：重复执行上述步骤S22和步骤S23，直至m个蚂蚁均遍历所有的位置点，计算各条路径上的信息素增量Δτij和信息素总量τij(t+1)，
Figure BDA0002519345640000222
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，ρ表示信息素蒸发系数，表示信息素减少的数量，(1-ρ)为信息素残留系数，表示余下的信息素浓度；
步骤S25：记录本次迭代产生的距离之和、偏移角度之和，并根据记录结果更新当前最优路径；
步骤S26：不断进行迭代，当达到预设的迭代次数或者出现停滞现象，则迭代终止，并将最后一次迭代后更新的最优路径作为运行路径，否则继续迭代。
其中，所述步骤S22中的偏移角度rij通过以下公式计算得到：
Figure BDA0002519345640000223
xi和yi分别表示位置点i的横纵坐标，xj和yj分别表示位置点j的横纵坐标，
Figure BDA0002519345640000224
表示水下机器人当前的朝向角度，θ表示向量
Figure BDA0002519345640000225
与水平方向的夹角。
另外，还可以理解，所述方法实施例中各个子步骤的具体执行内容与上述系统实施例相一致，故在此不再赘述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种应用于海洋信息网络的分层式数据采集系统，包括水面基站、用于采集海底数据信息的数据采集层、位于所述数据采集层的上方并用于将所述数据采集层采集到的海底数据信息传输至水面基站的数据传输层，其特征在于，
所述数据采集层包括若干个锚定在海底的传感器节点，若干个传感器节点分簇布置，每一簇包括一个簇首节点和多个普通节点，多个普通节点采集海底数据信息后将其传输至簇首节点进行数据信息汇聚；
所述数据传输层包括水下机器人，所述水下机器人从水面基站出发后遍历每一个簇的簇首节点以收集汇聚的数据信息后驶回水面基站，并将收集到的海底数据信息传输至水面基站；
每完成一个数据采集周期后，在每个簇中重新选择新的传感器节点作为下一个数据采集周期的簇首节点。
2.如权利要求1所述的应用于海洋信息网络的分层式数据采集系统，其特征在于，
具体采用以下公式计算簇内其余每个传感器节点作为新的簇首节点的概率，根据计算结果来选择新的簇首节点：
Figure FDA0002519345630000011
上式中，T(s)表示传感器节点s被选择为新的簇首节点的概率，G表示该簇本轮次所有普通节点的集合，w1和w2表示权重的常系数，ds表示传感器节点s到其对应簇中心的距离的倒数，Ej是传感器节点s的剩余能量和初始能量的比值，λ为任一常数。
3.如权利要求1所述的应用于海洋信息网络的分层式数据采集系统，其特征在于，
所述水下机器人采用同时考虑距离和角度并具有奖励性质的蚂蚁算法进行运行路径规划，该算法包括以下内容：
假设一共有m个蚂蚁，Nant个位置点，将所有蚂蚁均置于水面基站位置点出发，同时设置一个禁忌表，表示蚂蚁所经过的位置点的集合，蚂蚁每经过一个位置点则将该点添加进禁忌表；
第一个蚂蚁从基站位置点出发，计算该时刻从位置点i到位置点j的转移概率
Figure FDA0002519345630000021
然后选择下一个位置点，同时更新禁忌表，再计算转移概率，再选择新的位置点，再同步更新禁忌表，直至遍历Nant个位置点一次，该蚂蚁死亡，其中，蚂蚁的转移概率为：
Figure FDA0002519345630000022
上式中，s表示下一时刻的位置，n(i)表示与位置点i相邻的其余位置点的集合，α和β分别表示权重常数，τij(t)表示信息素浓度，ηij(t)表示启发因子，且
Figure FDA0002519345630000023
dij表示位置点i到j的距离，rij表示位置点i向j的偏移角度；
计算该蚂蚁留在各条路径上的信息素浓度
Figure FDA0002519345630000024
Figure FDA0002519345630000025
Q1和Q2为任意常数，γ为奖励因子，表示之后路径的信息素浓度对当前路径选择的影响程度，其取值范围为0～1，Pjs表示下一时刻蚂蚁的转移概率；
重复执行上述内容，直至m个蚂蚁均遍历所有的位置点，计算各条路径上的信息素增量Δτij和信息素总量τij(t+1)，
Figure FDA0002519345630000031
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，ρ为信息素蒸发系数，表示信息素减少的数量，(1-ρ)为信息素残留系数，表示余下的信息素浓度；
记录本次迭代产生的距离之和、偏移角度之和，并根据记录结果更新当前最优路径；
不断进行迭代，当达到预设的迭代次数或者出现停滞现象，则迭代终止，并将最后一次迭代后更新的最优路径作为运行路径，否则继续迭代。
4.如权利要求3所述的应用于海洋信息网络的分层式数据采集系统，其特征在于，
位置点i向j的偏移角度rij通过以下公式计算得到：
Figure FDA0002519345630000032
xi和yi分别表示位置点i的横纵坐标，xj和yj分别表示位置点j的横纵坐标，
Figure FDA0002519345630000033
表示水下机器人当前的朝向角度，θ表示向量
Figure FDA0002519345630000034
与水平方向的夹角。
5.如权利要求1所述的应用于海洋信息网络的分层式数据采集系统，其特征在于，
采用以下方式对若干个传感器节点进行分簇布置：
分别计算若干个传感器节点被分为1至n个簇时，对应的每个簇内传感器节点到簇中心的平方距离误差值SSE，
Figure FDA0002519345630000041
上式中，Ci表示一个簇内所有传感器节点的集合，x表示传感器节点的坐标值，
Figure FDA0002519345630000042
表示簇中心的坐标值，k表示簇的数量，当相邻的两个SSE值变化最明显时，对应的簇的值即为需分簇的数量k，求k的过程为：
Figure FDA0002519345630000043
其中，ΔS表示两个相邻的簇产生的SSE的差值；
基于上述求出k值，随机选取k个传感器节点作为初始的簇中心，然后分别计算剩余的传感器节点到这k个簇中心的SSE值，基于距离最近原则将剩余的传感器节点分别分配给每个初始的簇中心，不断更新簇中心及对应的SSE值，直至满足收敛条件，簇中心的更新方程为：
Figure FDA0002519345630000044
收敛条件为：
|SSE1-SSE2|＜ε
其中，|Ci|表示簇内传感器节点的个数，ε为最小阈值，SSE1和SSE2分别表示当前迭代产生的SSE值和上一次迭代产生的SSE值；
迭代结束后，选择距离簇中心最近的传感器节点作为初始簇首节点。
6.一种应用于海洋信息网络的分层式数据采集方法，其特征在于，
包括以下步骤：
步骤S1：在海底分簇布置若干个传感器节点并进行锚定，每一簇包括簇首节点和多个普通节点，多个普通节点采集海底数据信息后将其传输至簇首节点进行数据信息汇聚；
步骤S2：从水面基站位置处释放水下机器人，控制水下机器人遍历每一个簇的簇首节点以收集汇聚的数据信息后驶回水面基站；
步骤S3：控制水下机器人将收集的海底数据信息传输至水面基站；
步骤S4：每执行一个数据采集周期后，在每个簇中重新选择新的传感器节点作为下一个数据采集周期的簇首节点。
7.如权利要求6所述的一种应用于海洋信息网络的分层式数据采集方法，其特征在于，
所述步骤S4中采用以下公式计算簇内每个传感器节点作为新的簇首节点的概率，根据计算结果来选择新的簇首节点：
Figure FDA0002519345630000051
其中，T(s)表示传感器节点s被选择为新的簇首节点的概率，G表示该簇本轮次所有普通节点的集合，w1和w2表示权重的常系数，ds表示传感器节点s到其对应簇中心的距离的倒数，Ej是传感器节点s的剩余能量和初始能量的比值，λ为任一常数。
8.如权利要求6所述的一种应用于海洋信息网络的分层式数据采集方法，其特征在于，
所述步骤S2中采用同时考虑距离和角度并具有奖励性质的蚂蚁算法进行运行路径规划，该算法包括以下步骤：
步骤S21：假设一共有m个蚂蚁，Nant个位置点，将所有蚂蚁均置于水面基站位置点出发，同时设置一个禁忌表，表示蚂蚁所经过的位置点的集合，蚂蚁每经过一个位置点则将该点添加进禁忌表；
步骤S22：第一个蚂蚁从基站位置点出发，计算该时刻从位置点i到位置点j的转移概率
Figure FDA0002519345630000052
然后选择下一个位置点，同时更新禁忌表，再计算转移概率，再选择新的位置点，再同步更新禁忌表，直至遍历Nant个位置点一次，该蚂蚁死亡，其中，蚂蚁的转移概率为：
Figure FDA0002519345630000061
上式中，s表示下一时刻的位置，n(i)表示与位置点i相邻的其余位置点的集合，α和β分别表示权重常数，τij(t)表示信息素浓度，ηij(t)表示启发因子，且
Figure FDA0002519345630000062
dij表示位置点i到j的距离，rij表示位置点i向j的偏移角度；
步骤S23：计算该蚂蚁留在各条路径上的信息素浓度
Figure FDA0002519345630000063
Figure FDA0002519345630000064
Q1和Q2为任意常数，γ为奖励因子，表示之后路径的信息素浓度对当前路径选择的影响程度，其取值范围为0～1，Pjs表示下一时刻蚂蚁的转移概率；
步骤S24：重复执行上述步骤S22和步骤S23，直至m个蚂蚁均遍历所有的位置点，计算各条路径上的信息素增量Δτij和信息素总量τij(t+1)，
Figure FDA0002519345630000065
τij(t+1)＝(1-ρ)τij(t)+Δτij
其中，ρ表示信息素蒸发系数，表示信息素减少的数量，(1-ρ)为信息素残留系数，表示余下的信息素浓度；
步骤S25：记录本次迭代产生的距离之和、偏移角度之和，并根据记录结果更新当前最优路径；
步骤S26：不断进行迭代，当达到预设的迭代次数或者出现停滞现象，则迭代终止，并将最后一次迭代后更新的最优路径作为运行路径，否则继续迭代。
9.如权利要求8所述的一种应用于海洋信息网络的分层式数据采集方法，其特征在于，
所述步骤S22中的偏移角度rij通过以下公式计算得到：
Figure FDA0002519345630000071
xi和yi分别表示位置点i的横纵坐标，xj和yj分别表示位置点j的横纵坐标，
Figure FDA0002519345630000072
表示水下机器人当前的朝向角度，θ表示向量
Figure FDA0002519345630000073
与水平方向的夹角。
10.如权利要求6所述的一种应用于海洋信息网络的分层式数据采集方法，其特征在于，
所述步骤S1中对若干个传感器节点进行分簇布置的具体过程包括以下步骤：
步骤S11：分别计算若干个传感器节点被分为1至n个簇时，对应的每个簇内传感器节点到簇中心的平方距离误差值SSE，
Figure FDA0002519345630000074
上式中，Ci表示一个簇内所有传感器节点的集合，x表示传感器节点的坐标值，
Figure FDA0002519345630000075
表示簇中心的坐标值，k表示簇的数量，当相邻的两个SSE值变化最明显时，对应的簇的值即为需分簇的数量k，求k的过程为：
Figure FDA0002519345630000081
其中，ΔS表示两个相邻的簇产生的SSE的差值；
步骤S12：基于上述求出的k值，随机选取k个传感器节点作为初始的簇中心，然后分别计算剩余的传感器节点到这k个簇中心的SSE值，基于距离最近原则将剩余的传感器节点分别分配给每个初始的簇中心，不断更新簇中心及对应的SSE值，直至满足收敛条件，簇中心的更新方程为：
Figure FDA0002519345630000082
收敛条件为：
|SSE1-SSE2|＜ε
其中，|Ci|表示簇内传感器节点的个数，ε为最小阈值，SSE1和SSE2分别表示当前迭代产生的SSE值和上一次迭代产生的SSE值；
步骤S13：迭代结束后，选择距离簇中心最近的传感器节点作为初始簇首节点。
CN202010486637.1A 2020-06-01 2020-06-01 应用于海洋信息网络的分层式数据采集系统及方法 Active CN111641930B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010486637.1A CN111641930B (zh) 2020-06-01 2020-06-01 应用于海洋信息网络的分层式数据采集系统及方法
PCT/CN2020/097722 WO2021243767A1 (zh) 2020-06-01 2020-06-23 应用于海洋信息网络的分层式数据采集系统及方法
US17/436,591 US11305848B2 (en) 2020-06-01 2020-06-23 Layered data acquisition system applied to marine information network and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010486637.1A CN111641930B (zh) 2020-06-01 2020-06-01 应用于海洋信息网络的分层式数据采集系统及方法

Publications (2)

Publication Number Publication Date
CN111641930A true CN111641930A (zh) 2020-09-08
CN111641930B CN111641930B (zh) 2021-04-13

Family

ID=72333327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010486637.1A Active CN111641930B (zh) 2020-06-01 2020-06-01 应用于海洋信息网络的分层式数据采集系统及方法

Country Status (3)

Country Link
US (1) US11305848B2 (zh)
CN (1) CN111641930B (zh)
WO (1) WO2021243767A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506215A (zh) * 2020-11-18 2021-03-16 广州工程技术职业学院 物联网数据采集方法和无人机
CN112613640A (zh) * 2020-12-07 2021-04-06 清华大学 异构auv协同的水下信息采集系统及能量优化方法
CN113178937A (zh) * 2021-05-27 2021-07-27 珠海创旗科技有限公司 一种自供电海洋物联网节点和系统
CN115243212A (zh) * 2022-07-20 2022-10-25 青岛科技大学 一种基于auv辅助和改进跨层聚类的海洋数据采集方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115103318B (zh) * 2022-08-24 2022-11-01 江西怡杉环保股份有限公司 一种多节点在线监测方法和系统
CN115865965B (zh) * 2022-11-22 2023-12-19 中山大学 一种基于层次感知的移动目标探测方法、系统及设备
CN115550194B (zh) * 2022-12-01 2023-04-28 中国科学院合肥物质科学研究院 基于类最远采样的区块链网络传输方法及存储介质
CN116506239B (zh) * 2023-06-28 2023-09-19 豪越科技有限公司 一种节能数据处理方法及存储服务器
CN116828002A (zh) * 2023-08-29 2023-09-29 北京南天智联信息科技股份有限公司 一种基于物联网数据中台的数据处理方法及系统
CN117395273B (zh) * 2023-09-25 2024-05-17 湖北华中电力科技开发有限责任公司 一种基于云数据对比的安全检测方法及系统
CN117453447B (zh) * 2023-12-21 2024-03-22 临沂大学 一种汽车电驱动系统的模拟测试方法
CN117555341B (zh) * 2024-01-12 2024-05-24 中国石油大学(华东) 基于改进蚁群算法的深海采矿车路径规划方法及系统
CN117941673B (zh) * 2024-03-26 2024-06-14 中国科学院水生生物研究所 基于多源发声器的声驱网智能监测驱赶方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104010336A (zh) * 2014-06-12 2014-08-27 河海大学常州校区 一种两级异构分簇的水下无线传感器网络及其路由方法
CN105072656A (zh) * 2015-07-10 2015-11-18 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
CN108180914A (zh) * 2018-01-09 2018-06-19 昆明理工大学 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法
CN109040954A (zh) * 2018-07-30 2018-12-18 西南科技大学 一种基于无线传感网络的杆塔状态监测系统及其路由方法
US20190106867A1 (en) * 2017-10-10 2019-04-11 Michael Antonio Mariano Electronic Water Distribution Center
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
US20190342730A1 (en) * 2018-02-08 2019-11-07 King Fahd University Of Petroleum And Minerals Rotating clusterhead wireless network for pipeline monitoring
US20200012482A1 (en) * 2018-07-04 2020-01-09 Graphcore Limited Code compilation for scaling accelerators
CN110784842A (zh) * 2019-11-04 2020-02-11 常州信息职业技术学院 水声传感器网络中基于多auv位置预测的数据收集方法
CN110989612A (zh) * 2019-12-17 2020-04-10 哈工大机器人（合肥）国际创新研究院 一种基于蚁群算法的机器人路径规划方法及装置
CN111026126A (zh) * 2019-12-27 2020-04-17 哈尔滨工程大学 一种基于改进蚁群算法的无人艇全局路径多目标规划方法
CN111200856A (zh) * 2020-02-19 2020-05-26 重庆邮电大学 一种无线传感器的多跳最优路径选择方法
CN112351466A (zh) * 2020-10-27 2021-02-09 常州信息职业技术学院 水声传感网中基于auv时空均分部署的数据收集方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5257241A (en) * 1991-05-08 1993-10-26 Atlantic Richfield Company Method and system for acquisition of 3-dimensional marine seismic data
US7319411B2 (en) * 2002-07-18 2008-01-15 Kmg2 Sensors Corporation Network of sensor nodes assemblies and method of remote sensing within liquid environments
GB0321096D0 (en) * 2003-09-09 2003-10-08 British Telecomm Hierarchical routing in ad-hoc networks
JP4592392B2 (ja) * 2004-11-10 2010-12-01 株式会社エヌ・ティ・ティ・ドコモ 制御装置、移動端末及び移動通信方法
US7747710B1 (en) * 2005-02-03 2010-06-29 Dj Inventions, Llc System for detecting changes in preselected measurable conditions
US8953647B1 (en) * 2007-03-21 2015-02-10 Lockheed Martin Corporation High-power laser using thulium-doped fiber amplifier and frequency quadrupling for blue output
ATE547872T1 (de) * 2007-03-30 2012-03-15 British Telecomm Ad-hoc-kommunikationssystem
WO2010071959A1 (en) * 2008-12-23 2010-07-01 Bce Inc. Enabling end-user equipment to communicate with certain destinations despite disruption of a communication link
CA2748275C (en) * 2008-12-23 2017-12-12 Bce Inc. Methods and systems for enabling end-user equipment at an end-user premise to effect communications having certain origins when an ability of the end-user equipment to communicate via a communication link connecting the end-user equipment to a communications network is disrupted
WO2010071961A1 (en) * 2008-12-23 2010-07-01 Bce Inc. Methods and systems for enabling end-user equipment at an end-user premise to effect communications when an ability of the end-user equipment to communicate via a communication link connecting the end-user equipment to a communications network is disrupted
WO2010071958A1 (en) * 2008-12-24 2010-07-01 Bce Inc. System for end user premise event notification
US8686849B2 (en) * 2010-08-10 2014-04-01 Robert Bosch Gmbh Method of alarm handling in wireless sensor networks
US9094119B2 (en) * 2011-07-06 2015-07-28 Huei Meng Chang Communications network for retransmission of signals
KR102109911B1 (ko) * 2013-10-15 2020-05-12 삼성전자주식회사 토폴로지 제어를 위한 방법 및 그 전자 장치
US10310126B2 (en) * 2014-12-01 2019-06-04 Subvision Ab System and method for sea bed surveying
CN109769222B (zh) 2019-02-27 2021-11-16 天津城建大学 基于多水下自主航行器的水下传感器网络路由方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104010336A (zh) * 2014-06-12 2014-08-27 河海大学常州校区 一种两级异构分簇的水下无线传感器网络及其路由方法
CN105072656A (zh) * 2015-07-10 2015-11-18 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
US20190106867A1 (en) * 2017-10-10 2019-04-11 Michael Antonio Mariano Electronic Water Distribution Center
CN108180914A (zh) * 2018-01-09 2018-06-19 昆明理工大学 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法
US20190342730A1 (en) * 2018-02-08 2019-11-07 King Fahd University Of Petroleum And Minerals Rotating clusterhead wireless network for pipeline monitoring
US20200012482A1 (en) * 2018-07-04 2020-01-09 Graphcore Limited Code compilation for scaling accelerators
CN109040954A (zh) * 2018-07-30 2018-12-18 西南科技大学 一种基于无线传感网络的杆塔状态监测系统及其路由方法
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110784842A (zh) * 2019-11-04 2020-02-11 常州信息职业技术学院 水声传感器网络中基于多auv位置预测的数据收集方法
CN110989612A (zh) * 2019-12-17 2020-04-10 哈工大机器人（合肥）国际创新研究院 一种基于蚁群算法的机器人路径规划方法及装置
CN111026126A (zh) * 2019-12-27 2020-04-17 哈尔滨工程大学 一种基于改进蚁群算法的无人艇全局路径多目标规划方法
CN111200856A (zh) * 2020-02-19 2020-05-26 重庆邮电大学 一种无线传感器的多跳最优路径选择方法
CN112351466A (zh) * 2020-10-27 2021-02-09 常州信息职业技术学院 水声传感网中基于auv时空均分部署的数据收集方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHAOBIN CAI: "Data Collection in Underwater Sensor Networks", 《IEEE ACCESS》 *
侯梦婷等: "采用角度因子的蚁群优化多路径路由算法", 《计算机工程与应用》 *
申春等: "基于方向启发因子的蚁群算法", 《计算机科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506215A (zh) * 2020-11-18 2021-03-16 广州工程技术职业学院 物联网数据采集方法和无人机
CN112613640A (zh) * 2020-12-07 2021-04-06 清华大学 异构auv协同的水下信息采集系统及能量优化方法
CN113178937A (zh) * 2021-05-27 2021-07-27 珠海创旗科技有限公司 一种自供电海洋物联网节点和系统
CN115243212A (zh) * 2022-07-20 2022-10-25 青岛科技大学 一种基于auv辅助和改进跨层聚类的海洋数据采集方法
CN115243212B (zh) * 2022-07-20 2023-08-08 青岛科技大学 一种基于auv辅助和改进跨层聚类的海洋数据采集方法

Also Published As

Publication number Publication date
US11305848B2 (en) 2022-04-19
WO2021243767A1 (zh) 2021-12-09
US20220041255A1 (en) 2022-02-10
CN111641930B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN111641930B (zh) 应用于海洋信息网络的分层式数据采集系统及方法
CN107548029B (zh) 一种基于海水分层的水下传感网络中auv数据收集方法
Han et al. District partition-based data collection algorithm with event dynamic competition in underwater acoustic sensor networks
Zhuo et al. AUV-aided energy-efficient data collection in underwater acoustic sensor networks
CN108683468B (zh) 基于数据预测的水下传感网络中auv移动数据收集算法
Han et al. Multi-AUV collaborative data collection algorithm based on Q-learning in underwater acoustic sensor networks
CN106054875B (zh) 一种分布式多机器人动态网络连通性控制方法
CN110430547B (zh) UASNs中基于Q-learning的多AUV协作数据收集方法
CN109275099B (zh) 水下无线传感器网络中基于voi的多auv高效数据收集方法
CN110784842A (zh) 水声传感器网络中基于多auv位置预测的数据收集方法
CN111542020B (zh) 水声传感器网络中基于区域划分的多auv协作数据收集方法
Jin et al. Routing void prediction and repairing in AUV-assisted underwater acoustic sensor networks
CN111698728A (zh) 用于动态网络的拓扑控制系统及其控制方法
Senel et al. Autonomous deployment of sensors for maximized coverage and guaranteed connectivity in underwater acoustic sensor networks
CN112866911B (zh) 基于q学习的自主水下航行器协助下水下数据收集方法
CN114357680A (zh) 面向车联网边缘计算路域划分服务迁移方法以及迁移系统
Alasarpanahi et al. Energy‐efficient void avoidance geographic routing protocol for underwater sensor networks
CN108307470A (zh) 一种基于节点群体关系度的网络分簇方法
Han et al. Sleep-scheduling-based hierarchical data collection algorithm for gliders in underwater acoustic sensor networks
CN112351466B (zh) 水声传感网中基于auv时空均分部署的数据收集方法
CN115334165B (zh) 一种基于深度强化学习的水下多无人平台调度方法及系统
CN109831344B (zh) 一种基于SDN的UWSNs时空路由架构获取方法
CN115243212B (zh) 一种基于auv辅助和改进跨层聚类的海洋数据采集方法
CN115589625A (zh) 一种auv辅助的水声传感网动态分层路由方法
CN115209425A (zh) 一种基于无线传感器分布的无人机部署方法

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
GR01 Patent grant
GR01 Patent grant