CN111698705B - 一种基于能量优化的无线传感器网络非均匀分簇路由方法 - Google Patents
一种基于能量优化的无线传感器网络非均匀分簇路由方法 Download PDFInfo
- Publication number
- CN111698705B CN111698705B CN202010478770.2A CN202010478770A CN111698705B CN 111698705 B CN111698705 B CN 111698705B CN 202010478770 A CN202010478770 A CN 202010478770A CN 111698705 B CN111698705 B CN 111698705B
- Authority
- CN
- China
- Prior art keywords
- cluster
- node
- cluster head
- energy
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04W40/02—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
-
- 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
Abstract
本发明公开了一种基于能量优化的无线传感器网络非均匀分簇路由方法。所述方法主要分为两个阶段:簇初始建立阶段和簇稳定传输阶段。簇初始建立阶段主要解决簇头选举、簇半径计算和簇形成问题。簇稳定传输阶段包括信息素初始化、簇头节点邻接表更新、转移概率公式改进和信息素更新,采用基于混沌蚁群优化算法有效选择下一跳簇头节点并建立全局最佳簇间路由。本发明显著增加了网络使用寿命和节点能量效率。
Description
技术领域
本发明涉及无线传感器网络和能量优化领域,尤其涉及一种基于能量优化的无线传感器网络非均匀分簇路由方法。
背景技术
随着微机电系统、无线通信和物联网(IoT)的发展,无线传感器网络(WSN)的应用领域得到广泛拓展,比如工程监测、交通控制、智能城市、环境监测、医疗卫生、灾区监测。为了检测兴趣区域的环境(例如温度、湿度、光热、压力、电磁环境),在兴趣区域部署大量传感器节点。当检测到某个事件发生时,节点报告给基站(BS)。BS是最终用户与传感器节点之间的网关,用户可以从BS获取区域相关信息。
通常,传感器节点是廉价并且具有小存储器的小尺寸设备,并且其能源供应和处理能力非常有限。此外,传感器节点通常随机性一次部署在人类难以到达或者无法到达的环境中,集中式管理下进行电源更换变得不切实际。因此,节点的能量效率对于WSN的网络寿命而言至关重要。节点能量主要消耗在环境感测、数据处理和通信开销上。与通信开销相比,环境感测和数据处理消耗的能量相对较少,因此通信和路由协议的选择显得更为关键。
为了克服传感器节点与BS的直接通信带来的巨大能耗,目前广泛研究和应用的是基于簇的传输协议。WSN被分成几组簇,每个簇都有一个协调器,称为簇头(CH)。簇成员收集到的感测数据并不直接发送给BS,而是发送给对应的CH。然后,由CH将聚合后的感测数据通过多跳簇间传输,转发给BS。
目前研究者提出了众多的分簇路由方法,文献“一种基于LEACH协议的无线传感器网络路由方法”(CN106454815B)基于LEACH协议选取CH,存在CH选择随机性和不确定性缺陷,低能量节点可能被选为CH;文献“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”(CN105072656B)提出簇均匀策略,实现网络能耗的均匀分布,但不适用于节点随机分布的网络场景;同时,该文献基于传统蚁群算法寻找CH与BS之间的多跳路由,由于蚁群算法的正反馈机制,算法容易陷入路径次优解。
针对现有研究的不足,本发明中提出了一种基于能量优化的无线传感器网络非均匀分簇路由方法(EOCRA)。区别于传统的随机选择簇头方法,EOCRA考虑节点的剩余能量和到BS的距离,采用模糊逻辑方法决策出节点竞争簇头的优先级。然后根据本地节点信息,EOCRA自适应决策出簇半径,建立非均匀簇。待簇建立稳定后,EOCRA采用基于混沌蚁群算法的多跳路由协议,优化路径信息素更新,避免了搜索结果容易陷入次优解,从而寻找最佳全局簇间传输路径。CH通过中继结点进行簇间数据传输,最后转发到BS。这些机制显著降低了网络中节点的能量开销,因此,网络使用寿命和节点能量效率得到显著提高。
发明内容
本发明的目的旨在降低各簇内CH的能量消耗,保证均衡传感器节点的能耗负载,从而提高整体网络稳定性、网络使用寿命和节点能量效率。EOCRA是一种分布式非均匀分簇路由方法。它采用模糊逻辑系统,根据节点剩余能量和到BS距离两个参数决策出节点竞争簇头的优先级。其次,为了计算簇半径,EOCRA利用自适应核密度估计方法,根据局部区域的节点信息和节点分布情况,分配每一轮簇半径。最后,在簇形成基础上基于混沌蚁群算法建立全局多跳路由骨干网,进行稳定阶段的数据传输。
本发明的目的至少通过如下技术方案之一实现。
一种基于能量优化的无线传感器网络非均匀分簇路由方法,每一轮基于能量优化的无线传感器网络非均匀分簇路由方法(EOCRA)迭代包括簇初始建立阶段和簇稳定传输阶段;
簇初始建立阶段包括簇头选举、簇半径计算以及簇形成三个步骤;该阶段提出一种分布式非均匀分簇方法,重点优化簇头(CH)选举以及簇半径设计方案,采用模糊逻辑系统,根据节点剩余能量和节点到基站(BS)的距离两个参数决策出节点竞争簇头的优先级,解决簇头选择的随机性和不确定性问题;其次,为适应局部区域节点分布信息的动态变化,利用自适应核密度估计方法,分配每轮簇半径并建立非均匀簇,均衡簇头(CH)能耗负载;
簇稳定传输阶段包括信息素初始化、簇头节点邻接表更新、转移概率公式改进和信息素更新四个步骤;该阶段提出了一种基于混沌蚁群优化的簇间路由算法,通过改进初始化信息素以及转移概率公式,避免搜索结果陷入路径次优解;考虑到节点存储及计算能力有限,对簇头节点邻接表更新规则进行优化设计,提高算法搜索效率;为选取能量均衡的数据传输路径,从能量离散系数和距离系数定义最佳路径,并引入前向蚂蚁和后向蚂蚁,对信息素进行局部和全局更新操作;簇稳定传输阶段能够寻找簇间的最佳多跳传输路径,建立最佳的全局簇间多跳路由骨干网,以减小数据传输能耗,从而尽可能延长网络寿命。
进一步地,所述簇头选举中,使用模糊逻辑系统,以无线传感器网络(WSN)中各节点剩余能量和到BS的距离为模糊输入,输出各节点竞争簇头的优先级;
模糊逻辑系统主要由四部分组成:模糊化处理器、模糊化推理、模糊化规则库和去模糊化处理器;模糊化处理器根据隶属度函数将输入的离散变量转换成模糊输入以形成模糊集合,常用的隶属度函数包括三角隶属函数、梯形隶属函数、分段线性隶属函数和高斯隶属函数;模糊化规则库存储制定的if-then规则,作为模糊化推理的依据;模糊化推理采用一定的推理技术,将输入的模糊集合转化为特定的输出模糊集,常用的推理技术有Mamdani规则和Takagi-Sugeno规则;去模糊化负责把输出的模糊集解析成一个具体的确切值,常用的方法包括最大值均值法(MOM)、中心法(COA)和最大值平均法(MAXAV);
节点剩余能量最多并且距离基站(BS)最近,该节点竞争簇头的优先级最高;相反,剩余能量最少并且距离基站(BS)最远的节点拥有最低的竞争簇头优先级;其余节点竞争簇头的优先级则位于这两个极值之间;
节点竞争簇头的优先级用ui表示,网络中每个节点引入时延Ti;当节点i等待至时刻Ti,则推选自己为簇头并计算簇半径,然后将簇头消息CH_ADV message以簇半径为范围广播出去;Ti的具体计算方法如下:
进一步地,所述簇半径计算中,簇头(CH)根据局部区域节点分布信息,采用自适应核密度估计方法确定簇半径;
簇半径主要取决于四个影响因子:节点的分布密度Density(i)、节点分布的离散度Nei_Disp(i)、节点的相对剩余能量Energy(i)和节点到BS的相对距离Dist_BS(i);
考虑以上四个影响因子,计算自适应簇半径包括以下四个步骤:
S2.1、核密度估计;
S2.2、计算局部带宽;
S2.3、计算自适应带宽;
S2.4、拟合簇半径。
进一步地,所述节点的分布密度Density(i)具体如下:
节点i以固定半径CR发送广播消息SN_ADV message,包括节点id;接收到该广播消息的邻居节点返回确认消息SN_ACK message,包括节点id、节点位置和节点剩余能量信息,用于更新普通节点邻接表;节点i将上述邻居节点反馈信息存储于普通节点邻接表Neighbor(i)中;普通节点邻接表在每一轮簇头选举时进行更新;节点i的分布密度表示如下:
所述节点分布的离散度Nei_Disp(i)具体如下:
节点分布的离散度影响簇半径的大小,节点分布的离散度表示如下:
所述节点的相对剩余能量Energy(i)具体如下:
簇头(CH)剩余能量越多,簇半径应该更大;节点的相对剩余能量表示如下:
其中,Energyinit(i)表示节点初始能量,Energyres(i)表示节点剩余能量;
所述节点到基站(BS)的相对距离Dist_BS(i)具体如下:
其中,x、y分别表示节点的横坐标与纵坐标,dmax表示网络场景中距基站(BS)最远的距离;对于距离基站(BS)较近的区域而言,减小簇半径可降低簇头(CH)负载。
进一步地,步骤S2.1中,给出全局条件下基于固定带宽的核密度估计函数:
其中:
li表示网络中节点i的地理位置,用(xi,yi)表示,i=1,2...N;(x,y)表示待估位置的横、纵坐标;KH(l-li)是固定带宽的核函数;固定带宽H由两个全局带宽H1和H2组成;根据平均积分平方误差最小化,最佳的H1和H2如下:
其中,全局区域节点的横坐标标准差表示如下:
全局区域节点的纵坐标标准差表示如下:
步骤S2.2中,当节点i距离待估计位置较远时,核函数KH(l-li)趋向于0,尤其当距离待估位置30m以上时,该节点对导频估计函数的贡献几乎为0,因此计算全局条件下所有节点的累计贡献是非常冗余的;考虑到节点计算能力和存储能力都非常有限,计算全局条件下的显然是不可行的;因此考虑待估位置节点的K阶近邻,同时降低了计算复杂度;将待估计位置节点的K阶近邻用固定值CR来表示;
步骤S2.3中,每个节点的邻居节点分布情况不尽相同,局部带宽显然是不适用于计算簇半径;为代替局部带宽,引入自适应带宽hi,具体表示如下:
其中:
步骤S2.4中,基站(BS)在发布BS_ADV message时,向网络中所有节点发送恒定设置的静态参数最小簇半径CRmin和最大簇半径CRmax,用于限制簇半径的取值范围,防止由于节点剩余能量几乎于0或者节点死亡等特殊情况导致的簇半径极小或极大现象;CR(i)作为簇半径,具体表示如下:
CR(i)=hi·CR; (16)
待计算出CR(i)后,节点根据静态参数控制其取值范围为CRmin≤CR(i)≤CRmax。
进一步地,所述簇形成步骤中,当到达时刻Ti,节点i推选自己为簇头(CH)并计算节点i的簇半径CR(i);节点i选为簇头(CH)后,记为CHi,以簇半径为范围,发送CH_ADVmessage,包括簇头id、簇头位置和簇头剩余能量;节点j一旦收到消息,放弃选举权并立即加入簇;若接受到多个簇头信息,节点j需要权衡传输数据到各个簇头的能耗成本CH_Cost(j,CHi),包括以下参数:
参数1、簇头(CH)到基站(BS)的距离DistBS(CHi):簇头(CH)到基站(BS)的距离越远,意味着簇头(CH)需要消耗更多的能量来传输数据包;具体关系如下:
CH_Cost(j,CHi)∝DistBS(CHi); (17)
参数2、非簇头节点到簇头(CH)的距离Dist(j,CHi):非簇节点只能与簇头(CH)进行数据传输,因此对于非簇头节点而言,优先加入离它最近的簇头(CH);具体关系如下:
CH_Cost(j,CHi)∝Dist(j,CHi); (18)
参数3、簇头(CH)与BS的方向关系:在参数1和参数2的基础上,非簇头节点更倾向于加入向着基站(BS)方向的簇头(CH);δ表示j到CHi连线与j到基站(BS)连线之间的夹角;具体关系如下:
参数4、簇头(CH)的剩余能量Energy(CHi):非簇节点偏向于加入剩余能量较多的簇头(CH);具体关系如下:
综上,非簇头节点j传输数据到各个簇头的能耗成本可用下式表示:
非簇头节点j计算其加入相应的簇头所需的成本,并且选择加入成本最小的簇Min(CH_Cost(j,CHi)),并且发送CH_JOIN message给对应的簇头(CH),从而成为CHi的簇成员。
进一步地,所述信息素初始化中,以logtistic混沌映射的前M个最小值来表示簇头节点之间初始信息素浓度,M为邻居簇头节点数目;μ=4时迭代值处于完全混沌状态,logtistic混沌映射定义为:
xij(v+1)=μ·xij(v)·(1-xij(v))xij∈(0,1); (22)
其中,v为混沌映射预设迭代次数,xij为簇头节点(CHi,CHj)路径上的初始信息素(无特殊说明,簇稳定传输阶段i,j均表示CHi,CHj)。
进一步地,所述簇头节点邻接表更新中,根据簇头(CH)到基站(BS)的距离对簇头(CH)进行层级划分,具体计算公式如下:
其中,DistBS(i)表示簇头节点CHi到基站(BS)的距离,CR为预设定的固定常数;具体的簇头节点邻接表更新规则如下所示:
规则1、在各簇头(CH)上部署m只蚂蚁用于寻找簇间传输路径,蚂蚁k(k∈[1,m])只能选择低于当前所在簇头节点层级的簇头(CH),作为下一跳簇头(CH),并优先选择低一层级簇头(CH);
规则2、蚂蚁k的初始搜索半径为AR,CR≤AR≤2CR;对于相邻距离小于CR的簇头节点而言,数据传输并不能带来可观的能量效率;当且仅当没有可选下一跳簇头(CH)时,才扩大搜索半径;
规则3、对于簇头节点剩余能量Eres≤0.1Einit的邻接点(Einit为簇头节点初始能量),即使满足规则1和规则2,也不能作为下一跳可选簇头(CH);避免由于簇头(CH)能量不足,导致传输中断、丢失现象;
簇头节点CHi的邻接表分为6列,各行分别对应一个邻接簇头,各列分别为邻接簇头id、邻接簇头能量、邻接簇成员数目、邻接簇的信息素值、簇头节点与邻接簇头的距离和邻接簇头到BS的距离。
进一步地,所述转移概率公式改进中,从前端和后端两方面考虑转移概率公式的优化,选择最佳的下一跳簇头(CH);前端代表发送节点CHi到接收节点CHj的距离,后端代表接收节点CHj所在的簇平衡程度以及对该程度的容忍度,簇平衡程度表示为:
其中,CMj(t)表示t时刻簇头节点CHj所在簇中所包括的簇成员数量,Ej(t)表示t时刻簇头节点CHj的剩余能量;为避免分母为0时公式无意义,簇成员将簇头节点也包括在内;簇头节点CHj到基站(BS)的距离djb代表对簇平衡程度的容忍度;
结合前端和后端综合优化设计,改进后的转移概率公式表示如下:
其中,α表示信息浓度启发因子,β表示路径启发因子;τij(t)表示t时刻簇头节点(CHi,CHj)路径上的信息素浓度,dij(t)表示t时刻簇头节点CHi和CHj之间的路径长度;djb表示簇头节点CHj到基站(BS)的距离;ω表示信息素浓度与路径长度两者的相对重视程度,0<ω<1;Mi表示簇头节点CHi未访问的邻居簇头节点集合。
进一步地,所述信息素更新中,为解决传统蚁群算法容易陷入路径次优解的不足,引入混沌扰动方案,并采用局部和全局相结合的信息素更新策略,更新公式如下:
τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)+q(t)xij(t)ρ∈(0,1); (26)
其中,ρ表示信息素挥发因子,Δτij(t)表示信息素的增量;q(t)表示扰动因子,其迭代值表示如下:
q(t+1)=(1-θ)q(t)0<θ<1; (27)
其中θ为常数;从公式(27)可以看出,随着蚁群算法迭代次数增多,扰动量趋向于0,加快算法收敛度;
设计前向蚂蚁(SANT)和后向蚂蚁(BANT);前向蚂蚁信息包含前进路径上的节点信息和路径信息,根据转移概率公式选择下一跳簇头节点,并利用下式进行局部信息素更新;
其中,QL表示局部更新时信息素强度常量;
待所有前向蚂蚁(SANT)到达目的地,引入能量离散系数和距离系数定义最优路径,并释放后向蚂蚁(BANT)沿原路返回进行全局信息素更新操作;
最优路径Pbest上的节点能量应尽可能均衡,具体能量离散系数定义如下:
其中,Pk表示蚂蚁k经过的路径,τ表示路径Pk上传感器节点总数,Eave表示路径Pk上所有传感器节点的平均剩余能量;
最优路径总传输距离越短并且跳数越小,意味着节点传输能耗越低,因此距离系数定义如下:
f2=Lk·Hk; (30)
其中,Lk表示蚂蚁k经过的路径总长度,Hk表示蚂蚁k到达目的地的总跳数;
综上,最优路径定义如下:
其中,QG表示全局更新时信息素强度常量。
相对于现有技术,本发明的有益效果在于:
1.本发明避开低能量节点可能被选为CH的缺陷,靠近BS的高能量节点具有更高的簇头竞争优先级;
2.EOCRA本质上是分布式的,网络具有更好的可扩展性;
3.本发明根据网络环境的动态变化自适应决策最佳簇半径,有效均衡簇头节点的能量消耗;
4.本发明从传输路径上节点的能量离散程度和路径长度角度定义最佳路线,采取混沌扰动策略对信息素进行局部和全局更新,避免搜索结果陷入次优解;
5.EOCRA在网络寿命、网络稳定性、能量效率以及能耗均衡方面具有明显优势。
附图说明
图1为本发明实施例中一种基于能量优化的无线传感器网络非均匀分簇路由方法的阶段流程图。
具体实施方式
下面结合附图和具体的实施例对本发明的具体实施做进一步的说明。
实施例:
一种基于能量优化的无线传感器网络非均匀分簇路由方法,如图1所示,本实施例中,使用仿真数据模拟无线传感器网络环境,每一轮基于能量优化的无线传感器网络非均匀分簇路由方法(EOCRA)迭代包括簇初始建立阶段和簇稳定传输阶段;
簇初始建立阶段包括簇头选举、簇半径计算以及簇形成三个步骤;该阶段提出一种分布式非均匀分簇方法,重点优化簇头(CH)选举以及簇半径设计方案,采用模糊逻辑系统,根据节点剩余能量和节点到基站(BS)的距离两个参数决策出节点竞争簇头的优先级,解决簇头选择的随机性和不确定性问题;其次,为适应局部区域节点分布信息的动态变化,利用自适应核密度估计方法,分配每轮簇半径并建立非均匀簇,均衡簇头(CH)能耗负载;
簇稳定传输阶段包括信息素初始化、簇头节点邻接表更新、转移概率公式改进和信息素更新四个步骤;该阶段提出了一种基于混沌蚁群优化的簇间路由算法,通过改进初始化信息素以及转移概率公式,避免搜索结果陷入路径次优解;考虑到节点存储及计算能力有限,对簇头节点邻接表更新规则进行优化设计,提高算法搜索效率;为选取能量均衡的数据传输路径,从能量离散系数和距离系数定义最佳路径,并引入前向蚂蚁和后向蚂蚁,对信息素进行局部和全局更新操作;簇稳定传输阶段能够寻找簇间的最佳多跳传输路径,建立最佳的全局簇间多跳路由骨干网,以减小数据传输能耗,从而尽可能延长网络寿命。
所述簇头选举中,使用模糊逻辑系统,以无线传感器网络(WSN)中各节点剩余能量和到BS的距离为模糊输入,输出各节点竞争簇头的优先级;
模糊逻辑系统主要由四部分组成:模糊化处理器、模糊化推理、模糊化规则库和去模糊化处理器;模糊化处理器根据隶属度函数将输入的离散变量转换成模糊输入以形成模糊集合,常用的隶属度函数包括三角隶属函数、梯形隶属函数、分段线性隶属函数和高斯隶属函数;模糊化规则库存储制定的if-then规则,作为模糊化推理的依据;模糊化推理采用一定的推理技术,将输入的模糊集合转化为特定的输出模糊集,常用的推理技术有Mamdani规则和Takagi-Sugeno规则;去模糊化负责把输出的模糊集解析成一个具体的确切值,常用的方法包括最大值均值法(MOM)、中心法(COA)和最大值平均法(MAXAV);
本实施例中,簇头选举中通过预先定义的模糊if-then映射规则来处理节点竞争簇头的不确定性;模糊推理技术采用Mamdani规则;中心法(COA)用于节点竞争簇头的优先级去模糊化操作;
本实施例中,在仿真数据中设置传感器节点总数为200个,随机分布在100m×100m场景下。考虑BS位置对实验结果的影响,采用两个不同的网络场景。场景1中BS位于WSN边缘位置,场景2中BS处于WSN中心位置。
根据表1设计的模糊逻辑规则决策各节点竞争簇头的优先级。
表1EOCRA中竞争簇头的if-then映射规则
节点剩余能量最多并且距离基站(BS)最近,该节点竞争簇头的优先级最高;相反,剩余能量最少并且距离基站(BS)最远的节点拥有最低的竞争簇头优先级;其余节点竞争簇头的优先级则位于这两个极值之间;
节点竞争簇头的优先级用ui表示,网络中每个节点引入时延Ti;当节点i等待至时刻Ti,则推选自己为簇头并计算簇半径,然后将簇头消息CH_ADV message以簇半径为范围广播出去;Ti的具体计算方法如下:
所述簇半径计算中,簇头(CH)根据局部区域节点分布信息,采用自适应核密度估计方法确定簇半径;
所述节点的分布密度Density(i)具体如下:
节点i以固定半径CR发送广播消息SN_ADV message,包括节点id;接收到该广播消息的邻居节点返回确认消息SN_ACK message,包括节点id、节点位置和节点剩余能量信息,用于更新普通节点邻接表;节点i将上述邻居节点反馈信息存储于普通节点邻接表Neighbor(i)中;普通节点邻接表在每一轮簇头选举时进行更新;节点i的分布密度表示如下:
所述节点分布的离散度Nei_Disp(i)具体如下:
节点分布的离散度影响簇半径的大小,节点分布的离散度表示如下:
所述节点的相对剩余能量Energy(i)具体如下:
簇头(CH)剩余能量越多,簇半径应该更大;节点的相对剩余能量表示如下:
其中,Energyinit(i)表示节点初始能量,Energyres(i)表示节点剩余能量;
所述节点到基站(BS)的相对距离Dist_BS(i)具体如下:
其中,x、y分别表示节点的横坐标与纵坐标,dmax表示网络场景中距基站(BS)最远的距离;对于距离基站(BS)较近的区域而言,减小簇半径可降低簇头(CH)负载。
簇半径主要取决于四个影响因子:节点的分布密度Density(i)、节点分布的离散度Nei_Disp(i)、节点的相对剩余能量Energy(i)和节点到BS的相对距离Dist_BS(i);
考虑以上四个影响因子,计算自适应簇半径包括以下四个步骤:
S2.1、核密度估计;
给出全局条件下基于固定带宽的核密度估计函数:
其中:
li表示网络中节点i的地理位置,用(xi,yi)表示,i=1,2…N;(x,y)表示待估位置的横、纵坐标;KH(l-li)是固定带宽的核函数;固定带宽H由两个全局带宽H1和H2组成;根据平均积分平方误差最小化,最佳的H1和H2如下:
其中,全局区域节点的横坐标标准差表示如下:
全局区域节点的纵坐标标准差表示如下:
S2.2、计算局部带宽;
当节点i距离待估计位置较远时,核函数KH(l-li)趋向于0,尤其当距离待估位置30m以上时,该节点对导频估计函数的贡献几乎为0,因此计算全局条件下所有节点的累计贡献是非常冗余的;考虑到节点计算能力和存储能力都非常有限,计算全局条件下的显然是不可行的;因此考虑待估位置节点的K阶近邻,同时降低了计算复杂度;将待估计位置节点的K阶近邻用固定值CR来表示;
S2.3、计算自适应带宽;
每个节点的邻居节点分布情况不尽相同,局部带宽显然是不适用于计算簇半径;为代替局部带宽,引入自适应带宽hi,具体表示如下:
其中:
S2.4、拟合簇半径。
基站(BS)在发布BS_ADV message时,向网络中所有节点发送恒定设置的静态参数最小簇半径CRmin和最大簇半径CRmax,用于限制簇半径的取值范围,防止由于节点剩余能量几乎于0或者节点死亡等特殊情况导致的簇半径极小或极大现象;CR(i)作为簇半径,具体表示如下:
CR(i)=hi·CR; (16)
待计算出CR(i)后,节点根据静态参数控制其取值范围为CRmin≤CR(i)≤CRmax。
表2给出仿真实验中基于自适应核密度估计方法计算出的簇半径。
表2自适应簇半径的决策因子
所述簇形成步骤中,当到达时刻Ti,节点i推选自己为簇头(CH)并计算节点i的簇半径CR(i);节点i选为簇头(CH)后,记为CHi,以簇半径为范围,发送CH_ADV message,包括簇头id、簇头位置和簇头剩余能量;节点j一旦收到消息,放弃选举权并立即加入簇;若接受到多个簇头信息,节点j需要权衡传输数据到各个簇头的能耗成本CH_Cost(j,CHi),包括以下参数:
参数1、簇头(CH)到基站(BS)的距离DistBS(CHi):簇头(CH)到基站(BS)的距离越远,意味着簇头(CH)需要消耗更多的能量来传输数据包;具体关系如下:
CH_Cost(j,CHi)∝DistBS(CHi); (17)
参数2、非簇头节点到簇头(CH)的距离Dist(j,CHi):非簇节点只能与簇头(CH)进行数据传输,因此对于非簇头节点而言,优先加入离它最近的簇头(CH);具体关系如下:
CH_Cost(j,CHi)∝Dist(j,CHi); (18)
参数3、簇头(CH)与BS的方向关系:在参数1和参数2的基础上,非簇头节点更倾向于加入向着基站(BS)方向的簇头(CH);δ表示j到CHi连线与j到基站(BS)连线之间的夹角;具体关系如下:
参数4、簇头(CH)的剩余能量Energy(CHi):非簇节点偏向于加入剩余能量较多的簇头(CH);具体关系如下:
综上,非簇头节点j传输数据到各个簇头的能耗成本可用下式表示:
非簇头节点j计算其加入相应的簇头所需的成本,并且选择加入成本最小的簇Min(CH_Cost(j,CHi)),并且发送CH_JOIN message给对应的簇头(CH),从而成为CHi的簇成员。
所述信息素初始化中,以logtistic混沌映射的前M个最小值来表示簇头节点之间初始信息素浓度,M为邻居簇头节点数目;μ=4时迭代值处于完全混沌状态,logtistic混沌映射定义为:
xij(v+1)=μ·xij(v)·(1-xij(v))xij∈(0,1) ; (22)
其中,v为混沌映射预设迭代次数,xij为簇头节点(CHi,CHj)路径上的初始信息素(无特殊说明,簇稳定传输阶段i,j均表示CHi,CHj)。
所述簇头节点邻接表更新中,根据簇头(CH)到基站(BS)的距离对簇头(CH)进行层级划分,具体计算公式如下:
其中,DistBS(i)表示簇头节点CHi到基站(BS)的距离,CR为预设定的固定常数;具体的簇头节点邻接表更新规则如下所示:
规则1、在各簇头(CH)上部署m只蚂蚁用于寻找簇间传输路径,蚂蚁k(k∈[1,m])只能选择低于当前所在簇头节点层级的簇头(CH),作为下一跳簇头(CH),并优先选择低一层级簇头(CH);
规则2、蚂蚁k的初始搜索半径为AR,CR≤AR≤2CR;对于相邻距离小于CR的簇头节点而言,数据传输并不能带来可观的能量效率;当且仅当没有可选下一跳簇头(CH)时,才扩大搜索半径;
规则3、对于簇头节点剩余能量Eres≤0.1Einit的邻接点(Einit为簇头节点初始能量),即使满足规则1和规则2,也不能作为下一跳可选簇头(CH);避免由于簇头(CH)能量不足,导致传输中断、丢失现象;
如表3所示,簇头节点CHi的邻接表分为6列,各行分别对应一个邻接簇头,各列分别为邻接簇头id、邻接簇头能量、邻接簇成员数目、邻接簇的信息素值、簇头节点与邻接簇头的距离和邻接簇头到BS的距离。
表1簇头节点邻接表信息
所述转移概率公式改进中,从前端和后端两方面考虑转移概率公式的优化,选择最佳的下一跳簇头(CH);前端代表发送节点CHi到接收节点CHj的距离,后端代表接收节点CHj所在的簇平衡程度以及对该程度的容忍度,簇平衡程度表示为:
其中,CMj(t)表示t时刻簇头节点CHj所在簇中所包括的簇成员数量,Ej(t)表示t时刻簇头节点CHj的剩余能量;为避免分母为0时公式无意义,簇成员将簇头节点也包括在内;簇头节点CHj到基站(BS)的距离djb代表对簇平衡程度的容忍度;
结合前端和后端综合优化设计,改进后的转移概率公式表示如下:
其中,α表示信息浓度启发因子,β表示路径启发因子;τij(t)表示t时刻簇头节点(CHi,CHj)路径上的信息素浓度,dij(t)表示t时刻簇头节点CHi和CHj之间的路径长度;djb表示簇头节点CHj到基站(BS)的距离;ω表示信息素浓度与路径长度两者的相对重视程度,0<ω<1;Mi表示簇头节点CHi未访问的邻居簇头节点集合。
所述信息素更新中,为解决传统蚁群算法容易陷入路径次优解的不足,引入混沌扰动方案,并采用局部和全局相结合的信息素更新策略,更新公式如下:
τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)+q(t)xij(t)ρ∈(0,1); (26)
其中,ρ表示信息素挥发因子,Δτij(t)表示信息素的增量;q(t)表示扰动因子,其迭代值表示如下:
q(t+1)=(1-θ)q(t)0<θ<1; (27)
其中θ为常数;从公式(27)可以看出,随着蚁群算法迭代次数增多,扰动量趋向于0,加快算法收敛度;
设计前向蚂蚁(SANT)和后向蚂蚁(BANT);前向蚂蚁信息包含前进路径上的节点信息和路径信息,根据转移概率公式选择下一跳簇头节点,并利用下式进行局部信息素更新;
其中,QL表示局部更新时信息素强度常量;
待所有前向蚂蚁(SANT)到达目的地,引入能量离散系数和距离系数定义最优路径,并释放后向蚂蚁(BANT)沿原路返回进行全局信息素更新操作;
最优路径Pbest上的节点能量应尽可能均衡,具体能量离散系数定义如下:
其中,Pk表示蚂蚁k经过的路径,τ表示路径Pk上传感器节点总数,Eave表示路径Pk上所有传感器节点的平均剩余能量;
最优路径总传输距离越短并且跳数越小,意味着节点传输能耗越低,因此距离系数定义如下:
f2=Lk·Hk; (30)
其中,Lk表示蚂蚁k经过的路径总长度,Hk表示蚂蚁k到达目的地的总跳数;
综上,最优路径定义如下:
其中,QG表示全局更新时信息素强度常量。
上述流程为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,每一轮基于能量优化的无线传感器网络非均匀分簇路由方法(EOCRA)迭代包括簇初始建立阶段和簇稳定传输阶段;
簇初始建立阶段包括簇头选举、簇半径计算以及簇形成三个步骤;该阶段提出一种分布式非均匀分簇方法,重点优化簇头(CH)选举以及簇半径设计方案,采用模糊逻辑系统,根据节点剩余能量和节点到基站(BS)的距离两个参数决策出节点竞争簇头的优先级,解决簇头选择的随机性和不确定性问题;其次,为适应局部区域节点分布信息的动态变化,利用自适应核密度估计方法,分配每轮簇半径并建立非均匀簇,均衡簇头(CH)能耗负载;
簇稳定传输阶段包括信息素初始化、簇头节点邻接表更新、转移概率公式改进和信息素更新四个步骤;该阶段提出了一种基于混沌蚁群优化的簇间路由算法,通过改进初始化信息素以及转移概率公式,避免搜索结果陷入路径次优解;考虑到节点存储及计算能力有限,对簇头节点邻接表更新规则进行优化设计,提高算法搜索效率;为选取能量均衡的数据传输路径,从能量离散系数和距离系数定义最佳路径,并引入前向蚂蚁和后向蚂蚁,对信息素进行局部和全局更新操作;簇稳定传输阶段能够寻找簇间的最佳多跳传输路径,建立最佳的全局簇间多跳路由骨干网,以减小数据传输能耗,从而尽可能延长网络寿命;所述簇头选举中,使用模糊逻辑系统,以无线传感器网络(WSN)中各节点剩余能量和到BS的距离为模糊输入,输出各节点竞争簇头的优先级;
模糊逻辑系统主要由四部分组成:模糊化处理器、模糊化推理、模糊化规则库和去模糊化处理器;模糊化处理器根据隶属度函数将输入的离散变量转换成模糊输入以形成模糊集合,常用的隶属度函数包括三角隶属函数、梯形隶属函数、分段线性隶属函数和高斯隶属函数;模糊化规则库存储制定的if-then规则,作为模糊化推理的依据;模糊化推理采用一定的推理技术,将输入的模糊集合转化为特定的输出模糊集,常用的推理技术有Mamdani规则和Takagi-Sugeno规则;去模糊化负责把输出的模糊集解析成一个具体的确切值,常用的方法包括最大值均值法(MOM)、中心法(COA)和最大值平均法(MAXAV);
节点剩余能量最多并且距离基站(BS)最近,该节点竞争簇头的优先级最高;相反,剩余能量最少并且距离基站(BS)最远的节点拥有最低的竞争簇头优先级;其余节点竞争簇头的优先级则位于这两个极值之间;
节点竞争簇头的优先级用ui表示,网络中每个节点引入时延Ti;当节点i等待至时刻Ti,则推选自己为簇头并计算簇半径,然后将簇头消息CH_ADV message以簇半径为范围广播出去;Ti的具体计算方法如下:
Ti=θ×(1-ui)×TCi∈[1,N]; (1)
其中,Tc为允许的最大等待时间;θ=random[0.9,1],主要用于区别ui,因为可能存在不同的节点拥有相同的竞争簇头优先级;N为网络中节点总数。
2.根据权利要求1所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,所述簇半径计算中,簇头(CH)根据局部区域节点分布信息,采用自适应核密度估计方法确定簇半径;
簇半径主要取决于四个影响因子:节点的分布密度Density(i)、节点分布的离散度Nei_Disp(i)、节点的相对剩余能量Energy(i)和节点到BS的相对距离Dist_BS(i);
考虑以上四个影响因子,计算自适应簇半径包括以下四个步骤:
S2.1、核密度估计;
S2.2、计算局部带宽;
S2.3、计算自适应带宽;
S2.4、拟合簇半径。
3.根据权利要求2所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于:
所述节点的分布密度Density(i)具体如下:
节点i以固定半径CR发送广播消息SN_ADV message,包括节点id;接收到该广播消息的邻居节点返回确认消息SN_ACK message,包括节点id、节点位置和节点剩余能量信息,用于更新普通节点邻接表;节点i将上述邻居节点反馈信息存储于普通节点邻接表Neighbor(i)中;普通节点邻接表在每一轮簇头选举时进行更新;节点i的分布密度表示如下:
所述节点分布的离散度Nei_Disp(i)具体如下:
节点分布的离散度影响簇半径的大小,节点分布的离散度表示如下:
所述节点的相对剩余能量Energy(i)具体如下:
簇头(CH)剩余能量越多,簇半径应该更大;节点的相对剩余能量表示如下:
其中,Energyinit(i)表示节点初始能量,Energyres(i)表示节点剩余能量;
所述节点到基站(BS)的相对距离Dist_BS(i)具体如下:
其中,x、y分别表示节点的横坐标与纵坐标,dmax表示网络场景中距基站(BS)最远的距离;对于距离基站(BS)较近的区域而言,减小簇半径可降低簇头(CH)负载。
4.根据权利要求2所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,步骤S2.1中,给出全局条件下基于固定带宽的核密度估计函数:
其中:
li表示网络中节点i的地理位置,用(xi,yi)表示,i=1,2…N;(x,y)表示待估位置的横、纵坐标;KH(l-li)是固定带宽的核函数;固定带宽H由两个全局带宽H1和H2组成;根据平均积分平方误差最小化,最佳的H1和H2如下:
其中,全局区域节点的横坐标标准差表示如下:
全局区域节点的纵坐标标准差表示如下:
步骤S2.2中,当节点i距离待估计位置较远时,核函数KH(l-li)趋向于0,尤其当距离待估位置30m以上时,该节点对导频估计函数的贡献几乎为0,因此计算全局条件下所有节点的累计贡献是非常冗余的;考虑到节点计算能力和存储能力都非常有限,计算全局条件下的显然是不可行的;因此考虑待估位置节点的K阶近邻,同时降低了计算复杂度;将待估计位置节点的K阶近邻用固定值CR来表示;
步骤S2.3中,每个节点的邻居节点分布情况不尽相同,局部带宽显然是不适用于计算簇半径;为代替局部带宽,引入自适应带宽hi,具体表示如下:
其中:
步骤S2.4中,基站(BS)在发布BS_ADVmessage时,向网络中所有节点发送恒定设置的静态参数最小簇半径CRmin和最大簇半径CRmax,用于限制簇半径的取值范围,防止由于节点剩余能量几乎于0或者节点死亡等特殊情况导致的簇半径极小或极大现象;CR(i)作为簇半径,具体表示如下:
CR(i)=hi·CR; (16)
待计算出CR(i)后,节点根据静态参数控制其取值范围为CRmin≤CR(i)≤CRmax。
5.根据权利要求1所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,所述簇形成步骤中,当到达时刻Ti,节点i推选自己为簇头(CH)并计算节点i的簇半径CR(i);节点i选为簇头(CH)后,记为CHi,以簇半径为范围,发送CH_ADV message,包括簇头id、簇头位置和簇头剩余能量;节点j一旦收到消息,放弃选举权并立即加入簇;若接受到多个簇头信息,节点j需要权衡传输数据到各个簇头的能耗成本CH_Cost(j,CHi),包括以下参数:
参数1、簇头(CH)到基站(BS)的距离DistBS(CHi):簇头(CH)到基站(BS)的距离越远,意味着簇头(CH)需要消耗更多的能量来传输数据包;具体关系如下:
CH_Cost(j,CHi)∝DistBS(CHi); (17)
参数2、非簇头节点到簇头(CH)的距离Dist(j,CHi):非簇节点只能与簇头(CH)进行数据传输,因此对于非簇头节点而言,优先加入离它最近的簇头(CH);具体关系如下:
CH_Cost(j,CHi)∝Dist(j,CHi); (18)
参数3、簇头(CH)与BS的方向关系:在参数1和参数2的基础上,非簇头节点更倾向于加入向着基站(BS)方向的簇头(CH);δ表示j到CHi连线与j到基站(BS)连线之间的夹角;具体关系如下:
参数4、簇头(CH)的剩余能量Energy(CHi):非簇节点偏向于加入剩余能量较多的簇头(CH);具体关系如下:
综上,非簇头节点j传输数据到各个簇头的能耗成本可用下式表示:
非簇头节点j计算其加入相应的簇头所需的成本,并且选择加入成本最小的簇Min(CH_Cost(j,CHi)),并且发送CH_JOIN message给对应的簇头(CH),从而成为CHi的簇成员。
6.根据权利要求1所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,所述信息素初始化中,以logtistic 混沌映射的前M个最小值来表示簇头节点之间初始信息素浓度,M为邻居簇头节点数目;μ=4时迭代值处于完全混沌状态,logtistic混沌映射定义为:
xij(v+1)=μ·xij(v)·(1-xij(v))xij∈(0,1); (22)
其中,v为混沌映射预设迭代次数,xij为簇头节点(CHi,CHj)路径上的初始信息素。
7.根据权利要求1所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,所述簇头节点邻接表更新中,根据簇头(CH)到基站(BS)的距离对簇头(CH)进行层级划分,具体计算公式如下:
其中,DistBS(i)表示簇头节点CHi到基站(BS)的距离,CR为预设定的固定常数;具体的簇头节点邻接表更新规则如下所示:
规则1、在各簇头(CH)上部署m只蚂蚁用于寻找簇间传输路径,蚂蚁k(k∈[1,m])只能选择低于当前所在簇头节点层级的簇头(CH),作为下一跳簇头(CH),并优先选择低一层级簇头(CH);
规则2、蚂蚁k的初始搜索半径为AR,CR≤AR≤2CR;对于相邻距离小于CR的簇头节点而言,数据传输并不能带来可观的能量效率;当且仅当没有可选下一跳簇头(CH)时,才扩大搜索半径;
规则3、对于簇头节点剩余能量Eres≤0.1Einit的邻接点,Einit为簇头节点初始能量,即使满足规则1和规则2,也不能作为下一跳可选簇头(CH);避免由于簇头(CH)能量不足,导致传输中断、丢失现象;
簇头节点CHi的邻接表分为6列,各行分别对应一个邻接簇头,各列分别为邻接簇头id、邻接簇头能量、邻接簇成员数目、邻接簇的信息素值、簇头节点与邻接簇头的距离和邻接簇头到BS的距离。
8.根据权利要求1所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,所述转移概率公式改进中,从前端和后端两方面考虑转移概率公式的优化,选择最佳的下一跳簇头(CH);前端代表发送节点CHi到接收节点CHj的距离,后端代表接收节点CHj所在的簇平衡程度以及对该程度的容忍度,簇平衡程度表示为:
其中,CMj(t)表示t时刻簇头节点CHj所在簇中所包括的簇成员数量,Ej(t)表示t时刻簇头节点CHj的剩余能量;为避免分母为0时公式无意义,簇成员将簇头节点也包括在内;簇头节点CHj到基站(BS)的距离djb代表对簇平衡程度的容忍度;
结合前端和后端综合优化设计,改进后的转移概率公式表示如下:
其中,α表示信息浓度启发因子,β表示路径启发因子;τij(t)表示t时刻簇头节点(CHi,CHj)路径上的信息素浓度,dij(t)表示t时刻簇头节点CHi和CHj之间的路径长度;djb表示簇头节点CHj到基站(BS)的距离;ω表示信息素浓度与路径长度两者的相对重视程度,0<ω<1;Mi表示簇头节点CHi未访问的邻居簇头节点集合。
9.根据权利要求1所述的一种基于能量优化的无线传感器网络非均匀分簇路由方法,其特征在于,所述信息素更新中,为解决传统蚁群算法容易陷入路径次优解的不足,引入混沌扰动方案,并采用局部和全局相结合的信息素更新策略,更新公式如下:
τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)+q(t)xij(t)ρ∈(0,1); (26)
其中,ρ表示信息素挥发因子,Δτij(t)表示信息素的增量;q(t)表示扰动因子,其迭代值表示如下:
q(t+1)=(1-θ)q(t)0<θ<1; (27)
其中θ为常数;从公式(27)可以看出,随着蚁群算法迭代次数增多,扰动量趋向于0,加快算法收敛度;
设计前向蚂蚁(SANT)和后向蚂蚁(BANT);前向蚂蚁信息包含前进路径上的节点信息和路径信息,根据转移概率公式选择下一跳簇头节点,并利用下式进行局部信息素更新;
其中,QL表示局部更新时信息素强度常量;
待所有前向蚂蚁(SANT)到达目的地,引入能量离散系数和距离系数定义最优路径,并释放后向蚂蚁(BANT)沿原路返回进行全局信息素更新操作;
最优路径Pbest上的节点能量应尽可能均衡,具体能量离散系数定义如下:
其中,Pk表示蚂蚁k经过的路径,τ表示路径Pk上传感器节点总数,Eave表示路径Pk上所有传感器节点的平均剩余能量;
最优路径总传输距离越短并且跳数越小,意味着节点传输能耗越低,因此距离系数定义如下:
f2=Lk·Hk; (30)
其中,Lk表示蚂蚁k经过的路径总长度,Hk表示蚂蚁k到达目的地的总跳数;
综上,最优路径定义如下:
其中,QG表示全局更新时信息素强度常量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478770.2A CN111698705B (zh) | 2020-05-29 | 2020-05-29 | 一种基于能量优化的无线传感器网络非均匀分簇路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478770.2A CN111698705B (zh) | 2020-05-29 | 2020-05-29 | 一种基于能量优化的无线传感器网络非均匀分簇路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111698705A CN111698705A (zh) | 2020-09-22 |
CN111698705B true CN111698705B (zh) | 2021-12-21 |
Family
ID=72479029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010478770.2A Active CN111698705B (zh) | 2020-05-29 | 2020-05-29 | 一种基于能量优化的无线传感器网络非均匀分簇路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111698705B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556544B (zh) * | 2020-03-17 | 2022-04-01 | 阳光学院 | 一种结合平衡路由与传输半径控制的方法和存储设备 |
CN112888041B (zh) * | 2020-12-30 | 2022-04-15 | 电子科技大学 | 一种基于非均匀节点部署的无线传感器网络通信方法 |
CN113938975B (zh) * | 2021-03-26 | 2023-07-04 | 中原工学院 | 一种基于竞争窗口蚁群分簇的移动传感网路由优化方法 |
CN113191505B (zh) * | 2021-05-21 | 2022-05-20 | 电子科技大学 | 一种地理分布式机器学习参数服务器放置方法 |
CN113543264B (zh) * | 2021-07-26 | 2022-06-10 | 中南大学 | 一种非均匀路由协议设计方法 |
CN113676863B (zh) * | 2021-08-23 | 2023-06-27 | 湖南国天电子科技有限公司 | 一种无人船多通道无线网络数据采集方法及系统 |
CN113747505B (zh) * | 2021-09-07 | 2024-04-05 | 中国海洋大学 | 一种基于leach的无线传感器网络低功耗路由方法 |
CN115297497B (zh) * | 2022-10-08 | 2023-02-03 | 中国人民解放军海军工程大学 | 一种基于生物启发算法的高效节能分簇方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103354654A (zh) * | 2013-07-24 | 2013-10-16 | 桂林电子科技大学 | 基于蚁群算法的高能效无线传感器网络路由方法 |
CN105611599A (zh) * | 2016-01-08 | 2016-05-25 | 昆明理工大学 | 一种基于剩余能量动态调整前向角度的路由算法 |
CN106304115A (zh) * | 2016-08-26 | 2017-01-04 | 电子科技大学 | 一种适用于雷达传感器网络的多跳分簇方法 |
CN108174411A (zh) * | 2017-12-12 | 2018-06-15 | 扬州大学 | 基于模糊逻辑的无线传感器网络路由方法 |
CN108596382A (zh) * | 2018-04-18 | 2018-09-28 | 中国地质大学(武汉) | 基于多起点、多待救援点、多个终点的救援路径规划方法 |
CN110225478A (zh) * | 2019-05-21 | 2019-09-10 | 昆明理工大学 | 一种无线传感器网络簇间数据传输方法 |
-
2020
- 2020-05-29 CN CN202010478770.2A patent/CN111698705B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103354654A (zh) * | 2013-07-24 | 2013-10-16 | 桂林电子科技大学 | 基于蚁群算法的高能效无线传感器网络路由方法 |
CN105611599A (zh) * | 2016-01-08 | 2016-05-25 | 昆明理工大学 | 一种基于剩余能量动态调整前向角度的路由算法 |
CN106304115A (zh) * | 2016-08-26 | 2017-01-04 | 电子科技大学 | 一种适用于雷达传感器网络的多跳分簇方法 |
CN108174411A (zh) * | 2017-12-12 | 2018-06-15 | 扬州大学 | 基于模糊逻辑的无线传感器网络路由方法 |
CN108596382A (zh) * | 2018-04-18 | 2018-09-28 | 中国地质大学(武汉) | 基于多起点、多待救援点、多个终点的救援路径规划方法 |
CN110225478A (zh) * | 2019-05-21 | 2019-09-10 | 昆明理工大学 | 一种无线传感器网络簇间数据传输方法 |
Non-Patent Citations (2)
Title |
---|
基于能量优化的无线传感器网络分簇路由算法研究;常宇飞;《中国优秀硕士学位论文全文数据库》;20210215;全文 * |
基于能量优化的无线传感器网络非均匀分簇路由算法研究;李长锋;《中国优秀硕士学位论文全文数据库》;20160215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111698705A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111698705B (zh) | 一种基于能量优化的无线传感器网络非均匀分簇路由方法 | |
Zhang et al. | A new method of mobile ad hoc network routing based on greed forwarding improvement strategy | |
Choudhary et al. | Fuzzy approach-based stable energy-efficient AODV routing protocol in mobile ad hoc networks | |
CN108566663B (zh) | 基于扰动粒子群优化的sdwsn能耗均衡路由方法 | |
Zhang et al. | A new algorithm of clustering AODV based on edge computing strategy in IOV | |
CN112954769B (zh) | 基于强化学习的水下无线传感器网络路由方法 | |
Tabatabaei et al. | A novel energy-aware clustering method via Lion Pride Optimizer Algorithm (LPO) and fuzzy logic in wireless sensor networks (WSNs) | |
CN111818553B (zh) | 基于模糊逻辑的无线传感器网络改进多跳leach协议的数据传输方法 | |
CN111741448B (zh) | 一种基于边缘计算策略的分簇aodv路由方法 | |
CN111510956B (zh) | 一种基于分簇和增强学习的混合路由方法、海洋通信系统 | |
Khan et al. | Intelligent cluster routing scheme for flying ad hoc networks | |
CN113163466B (zh) | 基于模糊决策树的自适应鱼群寻路包路由方法 | |
CN114339936A (zh) | 基于q学习的飞行器自组织网络优化链路状态路由机制 | |
Peng et al. | An improved energy-aware routing protocol using multiobjective particular swarm optimization algorithm | |
Liu et al. | Intelligent routing algorithm for wireless sensor networks dynamically guided by distributed neural networks | |
Khedr et al. | MWCRSF: Mobility-based weighted cluster routing scheme for FANETs | |
CN114501576A (zh) | 一种基于强化学习的sdwsn最优路径计算方法 | |
Verma et al. | Fuzzy‐based techniques for clustering in wireless sensor networks (WSNs): Recent advances, challenges, and future directions | |
Zhang et al. | V2V routing in VANET based on fuzzy logic and reinforcement learning | |
Lin et al. | ALPS: an adaptive link-state perception scheme for software-defined vehicular networks | |
Kasturi et al. | An Improved Energy Efficient Solution for Routing in IoT | |
CN109862537A (zh) | 车联网社区内通达性方法 | |
Beevi et al. | Optimal Routing Protocol for Wireless Sensor Network Using Genetic Fuzzy Logic System. | |
CN114641049A (zh) | 一种基于模糊逻辑的无人机自组网分层路由方法 | |
Yuebo et al. | Fuzzy Clustering and Routing Protocol With Rules Tuned by Improved Particle Swarm Optimization for Wireless Sensor Networks |
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 |