CN111698706B - 基于混沌遗传的无线传感器网络改进leach路由方法 - Google Patents

基于混沌遗传的无线传感器网络改进leach路由方法 Download PDF

Info

Publication number
CN111698706B
CN111698706B CN202010526035.4A CN202010526035A CN111698706B CN 111698706 B CN111698706 B CN 111698706B CN 202010526035 A CN202010526035 A CN 202010526035A CN 111698706 B CN111698706 B CN 111698706B
Authority
CN
China
Prior art keywords
network
fitness function
nodes
node
energy
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.)
Expired - Fee Related
Application number
CN202010526035.4A
Other languages
English (en)
Other versions
CN111698706A (zh
Inventor
王出航
刘晓理
赵宏伟
李蛟
胡黄水
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.)
Changchun Normal University
Original Assignee
Changchun Normal 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 Changchun Normal University filed Critical Changchun Normal University
Priority to CN202010526035.4A priority Critical patent/CN111698706B/zh
Publication of CN111698706A publication Critical patent/CN111698706A/zh
Application granted granted Critical
Publication of CN111698706B publication Critical patent/CN111698706B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于混沌遗传的无线传感器网络改进LEACH分簇路由方法CGA‑LEACH（an improved LEACH algorithm for wireless sensor network based on chaotic genetic algorithm），该方法包含系统模型、种群初始化、适应度函数构建以及混沌遗传运算四个部分。通过考量能耗和负载构建适应度函数，采用条件约束的混沌映射生成实数编码染色体，并运用混沌遗传选择、交叉和变异操作，提高收敛速度以及找到最优簇头，从而形成分布均匀、能耗和负载均衡的簇结构。最终有效延长网络生命周期，均衡网络负载，提高网络能量效率。

Description

基于混沌遗传的无线传感器网络改进LEACH路由方法
技术领域
本发明涉及一种无线传感器网络路由方法，特别是一种基于混沌遗传的无线传感器网络改进LEACH路由方法CGA-LEACH(an improved LEACH algorithm for wirelesssensor network based on chaotic genetic algorithm)，通过构建新的适应度函数，并运用混沌遗传选择、交叉和变异操作，形成分布均匀、能耗和负载均衡的簇结构，从而延长网络生命周期。
背景技术
无线传感器网络(wireless sensor networks，WSNs)作为现实世界中最重要、最基本的信息采集技术之一，其通过内置各种传感器的节点来测量周围环境中的热、红外、声纳和地震等信号。由于无线传感器网络节点能量等资源受限，如何节约能量以延长网络生命周期是无线传感器网络面临的最重要挑战，而分簇已被证实是一种十分有效的方法。LEACH(Low EnergyAdaptive Clustering Hierarchy)是面向无线传感器网络的最早分簇协议，算法复杂度低，能量效率和可扩展性相比其之前的分布式方法好。但基于概率随机选举簇头CH(ClusterHead)、成员CM(ClusterMember)仅根据接收信号强度大小加入簇以及忽略簇头节点剩余能量、单跳等将导致LEACH簇头、能耗、负载分布不均，从而减小网络的的生命周期。于是，很多改进LEACH算法被提出来提高它的性能。
为了避免LEACH协议簇头选取不合理导致能耗增大，改进的LEACH算法LEACH-N和LEACH-C考虑节点剩余能量以及节点分布密度来修正LEACH阈值函数，并根据节点分布密度调整节点传输功率，从而均衡网络能量消耗。但减小节点传输功率将增加网络簇数，降低数据融合率并增加传输数据量，从而增大网络能耗。且簇头选举不考虑节点位置，容易使位于簇边缘的节点被选为簇头，增大簇内通信能耗。因此，改进的LEACH算法NEWLEACH，在定义阈值函数时，不仅考虑节点剩余能量，同时考虑节点到簇中心距离以及节点到基站距离，使剩余能量多位置更佳的节点成为簇头的概率更大。但它并不考虑节点负载情况，且不能处理簇头选举过程的不确定因素。而通常模糊逻辑对网络中存在大量不确定性时仍能产生较好的结果，于是基于FCM(Fuzzy C-means)的改进LEACH算法采用FCM来划分区域，每个区域为一个簇，且剩余能量大的节点成为簇头。但FCM初始时随机选取节点成为簇头导致收敛速度慢，形成的簇中心也有的并不准确，此外不考虑节点间距离以及簇头与基站间距离将导致距离远的节点早死。
以上LEACH改进算法都能在一定程度上提高LEACH的性能，但很难获得全局最优解。而遗传算法具有良好的全局搜索能力，因此有的方法采用遗传算法来选举簇头，并根据适应度值修改交叉和变异概率因子，从而均衡网络能量消耗。但适应度函数仅考虑剩余能量，容易产生分布不均的簇，尤其是传统遗传算法收敛速度慢，容易陷入局部最优。而混沌遗传具有避免搜索过程局部优化、随机性和遍历性等优点。
发明内容
本发明所要解决的技术问题是针对现有LEACH分簇路由方法忽略节点能量以及随机选举簇头导致分簇不均和能耗高问题，通过混沌遗传进行全局寻优，构建了考量能量和负载的适应度函数，基于该函数值进行混沌遗传选择、交叉和变异操作，找到最优的簇头及其相应的簇成员从而形成优化的簇结构，从而提高网络能量效率，延长网络生命周期。
本发明一种基于混沌遗传的无线传感器网络改进LEACH方法CGA-LEACH由四部分构成，即系统模型、种群初始化、适应度函数构建以及混沌遗传运算。系统模型为方法实现提供模型，具体包括网络模型和能量模型。种群初始化是通过对各个个体染色体进行编码，并根据种群规模形成初始的种群。适应度函数构建是通过考量网络总能耗和负载，来评价每个个体的质量，使质量好的个体具有更大的概率遗传到下一代。混沌遗传运算是通过选择、交叉和变异操作，对初始种群进行优化，保障个体多样性的同时使优良个体遗传到下一代。并最终根据迭代次数得到全局最优解，即最优的簇头及其相应的簇成员，从而形成优化的簇结构。
所述的系统模型中网络模型为方形网络，基站BS位于监测区域中心，n个具有唯一ID的能量受限的节点随机地部署在目标感知区域。节点的能耗采用自由空间模型计算，具体包括数据发送和数据接收以及簇头数据融合所消耗的能量。
所述的种群初始化是通过实数编码来表示个体，并根据种群规模来形成初始种群。每个个体的染色体中，由节点ID表示的每个基因代表对应节点的簇头。为了避免产生不合理的染色体和提高收敛速度，仅选择位于节点通信范围之内且剩余能量大于平均邻居剩余能量的节点作为簇头。
所述的适应度函数构建是用于对种群中各个个体的质量进行评价，具体考量网络能耗和负载，为了避免能耗和负载值域量级不同带来的影响，分别对其进行了归一化。适应度越大的个体越接近最优解，也就是说此时的网络能耗越小且负载越均衡。
所述的混沌遗传运算是通过精英选择使那些适应度函数值大的个体直接选至下一代，其余的个体依次与随机生成的个体比较适应度大小，大的进入交叉操作。接下来对种群个体采用单点交叉操作，子个体适应度函数值大于其父个体，则直接进入变异操作。否则与随机生成的个体比较适应度函数值大小，大的进入变异操作。同理，位变异产生的子个体适应度函数值小于父个体时，也与随机生成的个体比较适应度函数值大小，大的进入下一代。依此迭代运行遗传操作直到达到最大迭代次数或找到最优解。
本发明一种基于混沌遗传的无线传感器网络改进LEACH方法CGA-LEACH，包含系统模型、种群初始化、适应度函数构建以及混沌遗传运算四个部分。通过考量能耗和负载构建适应度函数，采用条件约束的混沌映射生成实数编码染色体，并运用混沌遗传选择、交叉和变异操作，提高收敛速度以及找到最优簇头，从而形成分布均匀、能耗和负载均衡的簇结构。最终有效延长网络生命周期，均衡网络负载，提高网络能量效率。
附图说明
图1为本发明的染色体表示示意图；
图2为本发明的单点交叉操作示意图；
图3为本发明的混沌遗传运算示意图；
图4为本发明的网络的能量消耗示意图；
图5为本发明的簇头能量消耗偏差示意图；
图6为本发明的网络存活节点数示意图；
图7为本发明的仿真参数设置示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明，本发明一种基于混沌遗传的无线传感器网络改进LEACH方法CGA-LEACH包含系统模型、种群初始化、适应度函数构建以及混沌遗传运算四个部分。通过考量能耗和负载构建适应度函数，采用条件约束的混沌映射生成实数编码染色体，并运用混沌遗传选择、交叉和变异操作，提高收敛速度以及找到最优簇头，从而形成分布均匀、能耗和负载均衡的簇结构。最终有效延长网络生命周期，均衡网络负载，提高网络能量效率。
所述的系统模型中网络模型为方形网络，基站BS位于监测区域中心，n个具有唯一ID的能量受限的节点随机地部署在目标感知区域。簇被用来组织网络中的节点，每个簇中选出一个节点作为簇头来管理簇，其它节点成为成员节点。所有成员节点都只能与其簇头通信，簇头接收各成员节点信息，融合后直接发送给基站。而且，一旦部署，节点和基站都保持静止，所有的节点具有相同的初始能量，基站能量无限，节点间距离可通过接收信号强度计算，节点间通信采用双向链路。为了计算节点能量消耗，采用一阶无线电模型，即节点i发送l位数据到节点j，其消耗的能量为：
Figure GDA0002576562370000031
其中Eelec表示发送或接收1d0数据消耗的能量，
Figure GDA0002576562370000041
自由空间和多径衰减条件下的放大器系数。为距离阈值，且有。同理，节点i从节点j接收l位数据消耗的能量为：
ERij＝l*Eelec (2)
再者簇头融合l位数据消耗的能量可由下式计算：
EDA＝l*EpDb (3)
其中EpDb表示融合单位数据消耗的能量。
所述的种群初始化是通过实数编码来表示个体，并根据种群规模来形成初始种群。一个可能解用实数编码的染色体(也称为个体)表示，所有的染色体构成初始化种群。在每个染色体中，由节点ID表示的每个基因代表对应节点的簇头，如图1所示。图中第一行为普通节点ID，第二行为每个普通节点对应的簇头节点ID。此外，由于logistic混沌映射具有对初值敏感、良好的随机序列生成、能遍历混沌区域所有状态点以及不可预测等特点，因此被用来生成染色体基因，表示如下：
Figure GDA0002576562370000042
其中μ是控制参数，且当u＞3.57和zi≠0.25，0.5，0.75，系统进入混沌状态。b为基因最大值，等于n。为了避免产生不合理的染色体和提高收敛速度，仅选择位于节点通信范围之内且剩余能量大于平均邻居剩余能量的节点作为簇头，即：
Figure GDA0002576562370000043
其中H为簇头节点集，dihi表示节点i与其簇头hi之间的距离，dmax为所有节点最大通信范围，Ereshi表示簇头节点hi的剩余能量，同理Eresj表示节点j的剩余能量，nMi为节点i的邻居节点数。如图1所示，网络由10个节点构成，簇头数k＝4，簇成员总数m＝6，随机选择簇头H＝{3,5,8,9}，则成员CM＝{1,2,4,6,7,10}，基于式(4)(5)随机生成一个染色体，可得节点1、4的簇头为节点3,节点2、7的簇头为节点5，节点6的簇头为节点8，节点10的簇头为节点9。以此类推，直到产生所需的初始种群。
所述的适应度函数构建是用于对种群中各个个体的质量进行评价，具体考量网络能耗和负载。而网络的总能耗为：
Figure GDA0002576562370000044
其中ETitoBS表示簇头i与基站之间通信能耗。则第p个个体的总能耗归一化表示为：
Figure GDA0002576562370000052
其中netEmin,netEmax是种群中个体最小和最大总能耗。此外，网络负载均衡用簇头单位数据所需剩余能量来表示，即：
Figure GDA0002576562370000053
则个体的负载均衡归一化表示为：
Figure GDA0002576562370000054
其中ltoEmin,ltoEmax为簇头中负载均衡最大和最小值。于是，适应度函数定义为：
Figure GDA0002576562370000055
从式(10)可见，适应度越大的个体越接近最优解，也就是说此时的网络能耗越小且负载越均衡。
所述的混沌遗传运算是运用混沌遗传选择、交叉和变异操作，使性能好的个体遗传至下一代。先采用构建的适应度函数计算初始种群中每个个体的适应度函数值，并按从大到小排列。适应度函数值大的精英个体直接选至下一代，其它的依次与根据式(4)随机生成的个体比较适应度函数值大小，大的进入交叉操作，这样既保证了种群的多样性又加速了算法收敛。接下来对种群采用单点交叉操作，如图2所示。如果生成的子个体适应度函数值大于其父个体，则直接进入变异操作。否则与根据式(4)随机生成的个体比较适应度函数值大小，大的进入变异操作。同理，位变异产生的子个体适应度函数值小于父个体时，也与根据式(4)随机生成的个体比较适应度函数值大小，大的进入下一代。依此迭代运行遗传操作直到达到最大迭代次数或找到最优解，则此时找到了最优簇头以及各个簇头对应的成员，具体流程如图3所示。成员将数据发送给各自对应的簇头，簇头融合各成员数据后直接发给基站。
为了验证本发明一种基于混沌遗传的无线传感器网络改进LEACH方法CGA-LEACH的性能，使用MATLAB仿真工具，对CGA-LEACH性能与LEACH、RPBGK进行比较分析。网络中100个节点随机分布在100m×100m的目标区域，基站位于中心(50m,50m)。其它仿真参数如图7所示。
首先对不同轮数情况下的网络能量消耗进行了分析，结果如图4所示。显然，LEACH的能量消耗是最高的，其次是RPBGK，而CGA-LEACH的能耗最低。因为LEACH中的每个CH的将收集到的数据转发给基站，而一些CH离基站较远从而使得CH节点的能耗较高。而RPBGK的CH采用多跳的机制，离基站较远的CH将收集到的数据转发给离基站较近的CH，从而降低了CH的能量消耗。此外通过遗传K-means算法进行分簇和改进的簇头选举方法，相比于LEACH降低了网络的能量消耗。但是RPBGK会产生多个较远的CH向某一个离基站较近的CH转发数据的现象，从而使得离基站较近的CH负担过重的负载而导致能量消耗不均匀。而CGA-LEACH通过网络能耗和负载设计出新的适应度函数，避免了多个较远的CH向某一个离基站较近的CH转发数据的情况，合理的规划CH的路由路径，避免能量消耗不均匀，从而降低了网络的能量消耗。因此，CGA-LEACH具有最高的能量效率。
其次对簇头的能耗偏差进行了分析，结果如图5所示。由于节点能量资源有限，作为层次型的无线传感器网络，CH在每一阶段都需要比普通节点消耗更多的能量。因此，降低CH的能量消耗偏差是重要评价指标。CGA-LEACH在网络运行中考虑了CH的负载，使得每个CH的能量消耗均衡。相比于RPBGK算法，CGA-LEACH在选择CH节点的下一跳时，通过设计新的遗传算法的适应度函数，避免了某个下一跳CH承担的过多的负载，从而延长了网络的生命周期。从图中可以看出，CGA-LEACH拥有最低的CH能耗偏差，分别比RPBGK和LEACH两种方法平均降低了40.54％，50％。
最后对网络的存活节点数进行分析，结果如图6所示。从图中可以看出LEACH的存活节点个数在648轮之后迅速下降，在1194轮之后仅剩1个节点。RPBGK的存活节点个数在201轮之后开始下降，在2268轮网络的所有节点全部死亡。而CGA-LEACH的存活节点个数在361轮之后开始缓慢下降，直至3465轮所有节点全部死亡。这是因为CGA-LEACH通过网络能耗和负载两个指标构造新的适应度函数，延长了网络的生命周期。
本发明的一种基于混沌遗传的无线传感器网络改进LEACH方法CGA-LEACH，基于遗传算法的全局搜索能力形成网络能量最小的簇，单个实数编码的染色体既能表达选择的簇头，又能确定各个簇头对应的成员，减少了成簇阶段大量的控制报文数，降低了网络能耗。构建的适应度函数既考虑网络能耗又考虑簇头负载，使形成的簇分布均匀。混沌计算既用来初始化种群，又融入遗传选择、交叉和变异操作，丰富种群多样性的同时提高算法收敛速度和避免陷入局部最优。从能量消耗、负载均衡以及网络的存活节点个数方面对算法进行了仿真分析，结果表明CGA-LEACH能有效提高网络能量效率，延长网络生命周期。

Claims (1)

1.一种基于混沌遗传的无线传感器网络改进LEACH路由方法CGA-LEACH，其特征在于：包含系统模型、种群初始化、适应度函数构建以及混沌遗传运算四个部分，通过考量能耗和负载构建适应度函数，采用条件约束的混沌映射生成实数编码染色体，并运用混沌遗传选择、交叉和变异操作，提高收敛速度以及找到最优簇头，从而形成分布均匀、能耗和负载均衡的簇结构；有效延长网络生命周期，均衡网络负载，提高网络能量效率；
所述的系统模型中网络模型为方形网络，基站BS位于监测区域中心，n个具有唯一ID的能量受限的节点随机地部署在目标感知区域；簇被用来组织网络中的节点，每个簇中选出一个节点作为簇头来管理簇，其它节点成为成员节点；所有成员节点都只能与其簇头通信，簇头接收各成员节点信息，融合后直接发送给基站；而且，一旦部署，节点和基站都保持静止，所有的节点具有相同的初始能量，基站能量无限，节点间距离可通过接收信号强度计算，节点间通信采用双向链路；为了计算节点能量消耗，采用一阶无线电模型，即节点i发送l位数据到节点j，其消耗的能量为：
Figure FDA0002531998020000011
其中Eelec表示发送或接收1位数据消耗的能量，εfs和εmp表示自由空间和多径衰减条件下的放大器系数；d0为距离阈值，且有
Figure FDA0002531998020000012
同理，节点i从节点j接收l位数据消耗的能量为：
ERij＝l*Eelec (2)
再者簇头融合l位数据消耗的能量可由下式计算：
EDA＝l*EpDb (3)
其中EpDb表示融合单位数据消耗的能量；
所述的种群初始化是通过实数编码来表示个体，并根据种群规模来形成初始种群；一个可能解用实数编码的染色体，也称为个体，表示，所有的染色体构成初始化种群；在每个染色体中，由节点ID表示的每个基因代表对应节点的簇头，此外，由于logistic混沌映射具有对初值敏感、良好的随机序列生成、能遍历混沌区域所有状态点以及不可预测等特点，因此被用来生成染色体基因，表示如下：
Figure FDA0002531998020000013
其中μ是控制参数，且当u＞3.57和Zi≠0.25，0.5，0.75，系统进入混沌状态；b为基因最大值，等于n；为了避免产生不合理的染色体和提高收敛速度，仅选择位于节点通信范围之内且剩余能量大于平均邻居剩余能量的节点作为簇头，即：
Figure FDA0002531998020000021
其中H为簇头节点集，dihi表示节点i与其簇头hi之间的距离，dmax为所有节点最大通信范围，Ereshi表示簇头节点hi的剩余能量，同理Eresj表示节点j的剩余能量，nMi为节点i的邻居节点数；以此类推，直到产生所需的初始种群；
所述的适应度函数构建是用于对种群中各个个体的质量进行评价，具体考量网络能耗和负载；而网络的总能耗为：
Figure FDA0002531998020000022
其中ETitoBS表示簇头i与基站之间通信能耗；则第p个个体的总能耗归一化表示为：
Figure FDA0002531998020000023
其中netEmin，netEmax是种群中个体最小和最大总能耗；此外，网络负载均衡用簇头单位数据所需剩余能量来表示，即：
Figure FDA0002531998020000024
则个体的负载均衡归一化表示为：
Figure FDA0002531998020000025
其中ltoEmin，ltoEmax为簇头中负载均衡最大和最小值；于是，适应度函数定义为：
Figure FDA0002531998020000026
可见，适应度越大的个体越接近最优解，也就是说此时的网络能耗越小且负载越均衡；
所述的混沌遗传运算是运用混沌遗传选择、交叉和变异操作，使性能好的个体遗传至下一代；先采用构建的适应度函数计算初始种群中每个个体的适应度函数值，并按从大到小排列；适应度函数值大的精英个体直接选至下一代，其它的依次与根据式(4)随机生成的个体比较适应度函数值大小，大的进入交叉操作，这样既保证了种群的多样性又加速了算法收敛；接下来对种群采用单点交叉操作；如果生成的子个体适应度函数值大于其父个体，则直接进入变异操作；否则与根据式(4)随机生成的个体比较适应度函数值大小，大的进入变异操作；同理，位变异产生的子个体适应度函数值小于父个体时，也与根据式(4)随机生成的个体比较适应度函数值大小，大的进入下一代；依此迭代运行遗传操作直到达到最大迭代次数或找到最优解，则此时找到了最优簇头以及各个簇头对应的成员；成员将数据发送给各自对应的簇头，簇头融合各成员数据后直接发给基站。
CN202010526035.4A 2020-06-10 2020-06-10 基于混沌遗传的无线传感器网络改进leach路由方法 Expired - Fee Related CN111698706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010526035.4A CN111698706B (zh) 2020-06-10 2020-06-10 基于混沌遗传的无线传感器网络改进leach路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010526035.4A CN111698706B (zh) 2020-06-10 2020-06-10 基于混沌遗传的无线传感器网络改进leach路由方法

Publications (2)

Publication Number Publication Date
CN111698706A CN111698706A (zh) 2020-09-22
CN111698706B true CN111698706B (zh) 2022-05-13

Family

ID=72480285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010526035.4A Expired - Fee Related CN111698706B (zh) 2020-06-10 2020-06-10 基于混沌遗传的无线传感器网络改进leach路由方法

Country Status (1)

Country Link
CN (1) CN111698706B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110602757B (zh) 2019-09-18 2023-05-12 上海海事大学 基于自适应遗传算法的无线传感器网络分簇路由方法
CN112822747B (zh) * 2021-03-02 2022-09-30 吉林大学 一种基于遗传算法和蚁群算法的路由选择策略的方法
CN114793339B (zh) * 2022-04-28 2023-06-30 西安交通大学 一种汽车焊装车间用边缘网络节点部署方法及系统
CN114900871A (zh) * 2022-05-31 2022-08-12 长春工业大学 一种基于亲和传播和混沌狮群的无线传感器网络分簇方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104640154A (zh) * 2015-02-16 2015-05-20 贵州师范大学 一种用于智能交通系统的非均匀分簇路由的方法
CN107257572A (zh) * 2017-07-31 2017-10-17 广东工业大学 一种无线传感网的分簇路由方法
CN107580355A (zh) * 2017-08-22 2018-01-12 西安科技大学 无线传感器网络基于位置的均匀分簇层次路由算法
CN111246416A (zh) * 2020-01-13 2020-06-05 山东交通学院 一种基于遗传算法的水下无线传感器网络拓扑控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104640154A (zh) * 2015-02-16 2015-05-20 贵州师范大学 一种用于智能交通系统的非均匀分簇路由的方法
CN107257572A (zh) * 2017-07-31 2017-10-17 广东工业大学 一种无线传感网的分簇路由方法
CN107580355A (zh) * 2017-08-22 2018-01-12 西安科技大学 无线传感器网络基于位置的均匀分簇层次路由算法
CN111246416A (zh) * 2020-01-13 2020-06-05 山东交通学院 一种基于遗传算法的水下无线传感器网络拓扑控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于混合聚类算法的无线传感器网络LEACH协议改进研究;严英鹏;《中国优秀硕士学位论文全文数据库》;20170315;全文 *
无线传感网的分簇路由算法与可信增强技术研究;王天舒;《中国优秀硕士学位论文全文数据库》;20190715;全文 *

Also Published As

Publication number Publication date
CN111698706A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111698706B (zh) 基于混沌遗传的无线传感器网络改进leach路由方法
CN110602757B (zh) 基于自适应遗传算法的无线传感器网络分簇路由方法
Su et al. An optimal clustering mechanism based on Fuzzy-C means for wireless sensor networks
Shokrollahi et al. An energy-efficient clustering algorithm using fuzzy C-means and genetic fuzzy system for wireless sensor network
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
CN111246416B (zh) 一种基于遗传算法的水下无线传感器网络拓扑控制方法
CN106658603A (zh) 一种负载均衡的无线传感器网络路由节能方法
CN110149672B (zh) 一种改进的i-leach路由通信方法
CN112822747B (zh) 一种基于遗传算法和蚁群算法的路由选择策略的方法
CN101459915A (zh) 基于遗传算法的无线传感器网络节点覆盖优化方法
CN111526555B (zh) 基于遗传算法的多跳路由路径选择方法
CN111970743A (zh) 基于混沌遗传算法的无线传感器网络负载均衡路由协议
Nguyen et al. Prolonging of the network lifetime of WSN using fuzzy clustering topology
Farahani Energy Consumption Reduction in Wireless Sensor Network Based on Clustering
Liu et al. An adaptive multipath routing method based on improved GA and information entropy
CN112055322B (zh) 一种基于区间多目标的水下无线传感器网络调度优化方法
CN111970744A (zh) 一种基于改进ap和遗传算法的能量感知分簇路由协议
Mittal et al. An Energy Efficient Stable Clustering Approach Using Fuzzy Type-2 Neural Network Optimization Algorithm For Wireless Sensor Networks.
Jaradat et al. Genetic Algorithm Energy Optimization in 3D WSNs with Different Node Distributions.
CN111010704B (zh) 基于指数平滑的水下无线传感器网络数据预测优化方法
Angadi et al. K-Means and Fuzzy based Hybrid Clustering Algorithm for WSN
SHANTHI et al. Energy Efficient Routing and Cluster Head Selection in Wsn Using Different Variant of Differential Evolution
Singh et al. Multi-criteria decision-based path planning for data collection in fuzzy-cluster based large sensor networks
Venkataraman et al. Energy efficient clustering and routing using ga-eammh
Wang et al. CHEABC-QCRP: A novel QoS-aware cluster routing protocol for industrial IoT

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220513