CN111818534A - 一种分层异构无线传感器网络三维优化部署方法 - Google Patents

一种分层异构无线传感器网络三维优化部署方法 Download PDF

Info

Publication number
CN111818534A
CN111818534A CN202010505798.0A CN202010505798A CN111818534A CN 111818534 A CN111818534 A CN 111818534A CN 202010505798 A CN202010505798 A CN 202010505798A CN 111818534 A CN111818534 A CN 111818534A
Authority
CN
China
Prior art keywords
fruit fly
nodes
fruit
wireless sensor
population
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
CN202010505798.0A
Other languages
English (en)
Other versions
CN111818534B (zh
Inventor
唐震洲
刘鹏
李方靖
孟欣
郭瑞琪
易家欢
应子怡
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.)
Wenzhou University
Original Assignee
Wenzhou 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 Wenzhou University filed Critical Wenzhou University
Priority to CN202010505798.0A priority Critical patent/CN111818534B/zh
Publication of CN111818534A publication Critical patent/CN111818534A/zh
Application granted granted Critical
Publication of CN111818534B publication Critical patent/CN111818534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种分层异构无线传感器网络三维优化部署方法，包括获取无线传感器布置区域，并将该区域进行网格离散化处理，且进一步在网格离散化处理后的区域中部署相应的感知节点，以及设定三种类型障碍物及每一种类型障碍物对应的信号衰减值；将汇聚节点的位置坐标以及功率均设置为计算变量；采用自适应果蝇优化算法对汇聚节点的位置坐标以及功率进行寻优求解，得到汇聚层节点最小的总功率以及相应的位置。实施本发明，能在保证汇聚层节点能够对全部感知层节点有效关联的前提下，降低汇聚层节点的总功率。

Description

一种分层异构无线传感器网络三维优化部署方法
技术领域
本发明涉及无线传感器网络技术领域，尤其涉及一种分层异构无线传感器网络三维优化部署方法。
背景技术
无线传感器网络(Wireless Sensor Networks,WSN)是一种分布式传感网络，它的末梢是可以感知外界温度、湿度、噪声、光强度、压力等多种信息的传感器，并最终通过传感网络把这些信息发送给网络的所有者。由于无线传感器网络具有可快速部署、组网高效、隐蔽性强和高容错性的特点，因此在国防军事、农业生产、环境监测、医疗卫生、智能交通、空间探索等多数领域有着广阔的应用前景和巨大的应用价值。但是，当网络规模过大时，由于单个节点的数据承载能力有限，使自组织的传感网络稳定性较差，导致进行大规模的无线传感器网络的部署时通常采用分层架构。
如图1所示，无线传感器网络的分层架构主要由感知层和汇聚层组成，感知层节点主要负责信息的采集，汇聚层节点主要负责与感知层节点关联并将感知层节点的数据进行汇聚然后转发到上层网络中。由于汇聚层节点关联着网络中所有的感知层节点，其拓扑对整个网络的性能具有很大的影响，而且在实际的无线传感器网络应用场景中，经常会因节点的感知、通信、计算等能力的差别而形成异构网络。由此可见，无线传感器网络中节点的异构化会改变网络拓扑，从而对网络性能产生影响。
汇聚层节点拓扑优化工作已经成为近些年来的一个研究热点。例如，在2018年，张军、邵晓倩、侯向丹提出了一种对固定节点进行Voronoi多边形划分然后利用划分结果分析固定节点的覆盖盲区再使用基于反向学习策略的蜂群算法进行优化部署移动节点的方案。又如，2018年，孙子文、申栋两位学者将Pareto多目标优化策略引入到无线传感器网络节点的部署中，设计出了一种多目标安全优化部署方案。又如，在对三维的无线网络传感器部署的研究方面，C.Liu、Z.Zhao、W.Qu、T.Qiu、Sangaiah,A.K.等人针对三维水下无线传感器网络覆盖问题，利用锚节点的移动受力分析优化节点分布，使得在水下的部署的无线传感器网络运行更加稳定。又如，学者Awad,F.H.则对中继节点部署进行了研究，利用高斯分布对无线多媒体传感器网络中继节点的部署问题进行优化研究。又如，Anvesha Katti和D.K.Lobiyal研究了一种棱柱部署、棱锥部署、立方体部署和六角棱柱部署相结合的无线传感器节点的三维部署算法。
同时，在实际的无线传感器网络应用场景中，经常会因节点的感知、通信、计算等能力的差别而形成异构网络。为此，针对异构无线传感器网络的拓扑优化进行了研究。例如，2012年，王力立、徐志良、吴晓蓓、黄成等人就讨论了因节点覆盖半径不同而形成的感知能力异构无线传感器网络的优化部署。又如，2017年，M.Awais Khan,N.Javaid,Z.Wadud,S.Gull,M.Imran和K.Nasr根据各个节点的能量水平不同而将其划分为高能量级与低能量级节点，并通过交叉的部署和传输策略的优化有效的延长了能量异构的传感器网络的寿命，同时还有高皎姣等学者通过向无线传感器网络中引入一部分较其它节点,在电源、传输带宽、计算能力、存储空间等方面存在明显的优势的高性能异构节点来提升无线传感器网络的数据传输能力。
但是，上述针对汇聚层节点和异构无线传感器网络的拓扑优化均存在缺点及不足，要么无法保证汇聚层节点能够对全部感知层节点有效关联，要么汇聚层节点消耗的功率较高，因此亟需一种分层异构无线传感器网络优化方法，能在保证汇聚层节点能够对全部感知层节点有效关联的前提下，降低汇聚层节点的总功率。
发明内容
本发明实施例所要解决的技术问题在于，提供一种分层异构无线传感器网络三维优化部署方法，能在保证汇聚层节点能够对全部感知层节点有效关联的前提下，降低汇聚层节点的总功率。
为了解决上述技术问题，本发明实施例提供了一种分层异构无线传感器网络三维优化部署方法，所述方法包括以下步骤：
步骤S1、获取无线传感器布置区域，并将该区域进行网格离散化处理，且进一步在网格离散化处理后的区域中部署相应的感知节点，以及设定三种类型障碍物及每一种类型障碍物对应的信号衰减值；
步骤S2、将汇聚节点的位置坐标x，y，z以及功率p均设置为计算变量；
步骤S3、定义4n个果蝇群体，分别对应优化模型中的4n个变量，每个果蝇种群的大小为Sp，算法寻优时的最大迭代次数为Imax；其中，
第k次迭代过程中，第j个果蝇群体的定义如下：
Figure BDA0002526485270000031
4n个果蝇群体中，每个个体的位置信息由公式(2)中对应的(X,Y)二维坐标给出：
Figure BDA0002526485270000032
其中，下标字母f代表果蝇优化中引入的变量；
初始化果蝇群位置，由下面的公式(3)、(4)和(5)计算得出：
Figure BDA0002526485270000033
Figure BDA0002526485270000034
Figure BDA0002526485270000035
其中，rand()为产生一个位于区间[0,1]上的随机数的函数；
步骤S4、第j个群体中的第l个果蝇通过嗅觉随机搜寻食物，利用公式(6)和(7)得到果蝇的新位置：
Figure BDA0002526485270000041
Figure BDA0002526485270000042
其中，σ1为果蝇对应位置坐标更新的步长；σ2为果蝇对应发射功率更新的步长；σ1和σ2均为自适应步长，定义如下：
Figure BDA0002526485270000043
其中t为1或2，分别表示对应节点坐标更新和功率更新的步长；
Figure BDA0002526485270000044
为果蝇个体的最大更新步长；
Figure BDA0002526485270000045
为果蝇个体的最小更新步长；k为当前的种群迭代次数；Imax为最大迭代次数；
第k次迭代时第j个种群中所有果蝇个体的位置由以下公式(9)计算：
Figure BDA0002526485270000046
根据果蝇新位置，利用公式(10)得到果蝇距离原点的距离，以及进一步根据果蝇距离原点的距离，利用公式(11)得到味道浓度判定值；
Figure BDA0002526485270000047
Figure BDA0002526485270000048
步骤S5、将所得到的味道浓度判定值代入目标函数(12)中，求解函数的适应度；
Figure BDA0002526485270000049
其中，ηl为不满足约束条件下的惩罚函数，其约束优化问题表示为
Figure BDA0002526485270000051
C∑为汇聚层节点对感知层节点的覆盖率，且
Figure BDA0002526485270000052
c(CNi,SNj)为第i个汇聚层节点CNi对第j个感知层节点SNj的覆盖率，且
Figure BDA0002526485270000053
β为传播路径中的信号衰减，且
Figure BDA0002526485270000054
为SNj到CNi的距离，γ为路径损耗指数，表示路径损耗随距离的增长率，它依赖于周围环境和建筑物类型；d0为参考距离；α是基准距离d0的功率；βs是由障碍物引起的功率损耗，且当汇聚层节点与被关联的感知层节点之间跨障碍物时加上相应的障碍物衰减值；
步骤S6、根据所求解函数的适应度，利用公式(13)选择群体中具有最佳味道浓度值的果蝇及其相应的位置，并记录其味道浓度值：
Figure BDA0002526485270000055
步骤S7、判断果蝇
Figure BDA0002526485270000056
的味道浓度值是否优于当前最优味道浓度值；
步骤S8、如果否，则返回步骤S4，直至达到最大迭代次数Imax为止；
步骤S9、如果是，则将果蝇
Figure BDA0002526485270000057
的味道浓度设为最优味道浓度值，并利用公式(14)得到对应果蝇位置信息，群体中的其他果蝇均利用视觉飞向此位置后，返回步骤S4，直至达到最大迭代次数Imax为止。
Figure BDA0002526485270000058
步骤S10、输出最优味道浓度值果蝇的位置，即得到汇聚层节点最小的总功率以及相应的位置。
实施本发明实施例，具有如下有益效果：
本发明通过基于自适应果蝇优化算法对汇聚节点的位置坐标以及功率进行寻优求解，得到汇聚层节点最小的总功率以及相应的位置，从而能在保证汇聚层节点能够对全部感知层节点有效关联的前提下，降低汇聚层节点的总功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为现有技术中无线传感器网络的分层架构示意图；
图2为本发明实施例提供的分层异构无线传感器网络三维优化部署方法的流程图；
图3为本发明实施例提供的分层异构无线传感器网络三维优化部署方法应用之前未限定汇聚层节点位置的部署图；
图4本发明实施例提供的分层异构无线传感器网络三维优化部署方法应用于图3中限定汇聚层节点位置为楼层顶部的部署图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图2所示，为本发明实施例中，提出的一种分层异构无线传感器网络三维优化部署方法，所述方法包括以下步骤：
步骤S1、获取无线传感器布置区域，并将该区域进行网格离散化处理，且进一步在网格离散化处理后的区域中部署相应的感知节点，以及设定三种类型障碍物及每一种类型障碍物对应的信号衰减值；
步骤S2、将汇聚节点的位置坐标x，y，z以及功率p均设置为计算变量；
步骤S3、定义4n个果蝇群体，分别对应优化模型中的4n个变量，每个果蝇种群的大小为Sp，算法寻优时的最大迭代次数为Imax；其中，
第k次迭代过程中，第j个果蝇群体的定义如下：
Figure BDA0002526485270000071
4n个果蝇群体中，每个个体的位置信息由公式(2)中对应的(X,Y)二维坐标给出：
Figure BDA0002526485270000072
其中，下标字母f代表果蝇优化中引入的变量；
初始化果蝇群位置，由下面的公式(3)、(4)和(5)计算得出：
Figure BDA0002526485270000073
Figure BDA0002526485270000074
Figure BDA0002526485270000075
其中，rand()为产生一个位于区间[0,1]上的随机数的函数；
步骤S4、第j个群体中的第l个果蝇通过嗅觉随机搜寻食物，利用公式(6)和(7)得到果蝇的新位置：
Figure BDA0002526485270000076
Figure BDA0002526485270000077
其中，σ1为果蝇对应位置坐标更新的步长；σ2为果蝇对应发射功率更新的步长；σ1和σ2均为自适应步长，定义如下：
Figure BDA0002526485270000081
其中t为1或2，分别表示对应节点坐标更新和功率更新的步长；
Figure BDA0002526485270000082
为果蝇个体的最大更新步长；
Figure BDA0002526485270000083
为果蝇个体的最小更新步长；k为当前的种群迭代次数；Imax为最大迭代次数；
第k次迭代时第j个种群中所有果蝇个体的位置由以下公式(9)计算：
Figure BDA0002526485270000084
根据果蝇新位置，利用公式(10)得到果蝇距离原点的距离，以及进一步根据果蝇距离原点的距离，利用公式(11)得到味道浓度判定值；
Figure BDA0002526485270000085
Figure BDA0002526485270000086
步骤S5、将所得到的味道浓度判定值代入目标函数(12)中，求解函数的适应度；
Figure BDA0002526485270000087
其中，ηl为不满足约束条件下的惩罚函数，其约束优化问题表示为
Figure BDA0002526485270000088
C∑为汇聚层节点对感知层节点的覆盖率，且
Figure BDA0002526485270000089
c(CNi,SNj)为第i个汇聚层节点CNi对第j个感知层节点SNj的覆盖率，且
Figure BDA0002526485270000091
β为传播路径中的信号衰减，且
Figure BDA0002526485270000092
为SNj到CNi的距离，γ为路径损耗指数，表示路径损耗随距离的增长率，它依赖于周围环境和建筑物类型；d0为参考距离；α是基准距离d0的功率；βs是由障碍物引起的功率损耗，且当汇聚层节点与被关联的感知层节点之间跨障碍物时加上相应的障碍物衰减值；
步骤S6、根据所求解函数的适应度，利用公式(13)选择群体中具有最佳味道浓度值的果蝇及其相应的位置，并记录其味道浓度值：
Figure BDA0002526485270000093
步骤S7、判断果蝇
Figure BDA0002526485270000094
的味道浓度值是否优于当前最优味道浓度值；
步骤S8、如果否，则返回步骤S4，直至达到最大迭代次数Imax为止；
步骤S9、如果是，则将果蝇
Figure BDA0002526485270000095
的味道浓度设为最优味道浓度值，并利用公式(14)得到对应果蝇位置信息，群体中的其他果蝇均利用视觉飞向此位置后，返回步骤S4，直至达到最大迭代次数Imax为止。
Figure BDA0002526485270000096
步骤S10、输出最优味道浓度值果蝇的位置，即得到汇聚层节点最小的总功率以及相应的位置。
如图3所示，为本分层异构无线传感器网络三维优化部署方法应用之前未限定汇聚层节点位置的部署图；图4本发明实施例提供的分层异构无线传感器网络三维优化部署方法应用于图3中限定汇聚层节点位置为楼层顶部的部署图。从图3和图4中对比可知，图4在保证图3中汇聚层节点能够对全部感知层节点有效关联的前提下，降低了汇聚层节点的总功率。
实施本发明实施例，具有如下有益效果：
本发明通过基于自适应果蝇优化算法对汇聚节点的位置坐标以及功率进行寻优求解，得到汇聚层节点最小的总功率以及相应的位置，从而能在保证汇聚层节点能够对全部感知层节点有效关联的前提下，降低汇聚层节点的总功率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (1)

1.一种分层异构无线传感器网络三维优化部署方法，其特征在于，所述方法包括以下步骤：
步骤S1、获取无线传感器布置区域，并将该区域进行网格离散化处理，且进一步在网格离散化处理后的区域中部署相应的感知节点，以及设定三种类型障碍物及每一种类型障碍物对应的信号衰减值；
步骤S2、将汇聚节点的位置坐标x，y，z以及功率p均设置为计算变量；
步骤S3、定义4n个果蝇群体，分别对应优化模型中的4n个变量，每个果蝇种群的大小为Sp，算法寻优时的最大迭代次数为Imax；其中，
第k次迭代过程中，第j个果蝇群体的定义如下：
Figure FDA0002526485260000011
4n个果蝇群体中，每个个体的位置信息由公式(2)中对应的(X,Y)二维坐标给出：
Figure FDA0002526485260000012
Figure FDA0002526485260000013
其中，下标字母f代表果蝇优化中引入的变量；
初始化果蝇群位置，由下面的公式(3)、(4)和(5)计算得出：
Figure FDA0002526485260000014
Figure FDA0002526485260000015
Figure FDA0002526485260000016
其中，rand()为产生一个位于区间[0,1]上的随机数的函数；
步骤S4、第j个群体中的第l个果蝇通过嗅觉随机搜寻食物，利用公式(6)和(7)得到果蝇的新位置：
Figure FDA0002526485260000021
Figure FDA0002526485260000022
其中，σ1为果蝇对应位置坐标更新的步长；σ2为果蝇对应发射功率更新的步长；σ1和σ2均为自适应步长，定义如下：
Figure FDA0002526485260000023
其中t为1或2，分别表示对应节点坐标更新和功率更新的步长；
Figure FDA0002526485260000024
为果蝇个体的最大更新步长；
Figure FDA0002526485260000025
为果蝇个体的最小更新步长；k为当前的种群迭代次数；Imax为最大迭代次数；
第k次迭代时第j个种群中所有果蝇个体的位置由以下公式(9)计算：
Figure FDA0002526485260000026
根据果蝇新位置，利用公式(10)得到果蝇距离原点的距离，以及进一步根据果蝇距离原点的距离，利用公式(11)得到味道浓度判定值；
Figure FDA0002526485260000027
Figure FDA0002526485260000028
步骤S5、将所得到的味道浓度判定值代入目标函数(12)中，求解函数的适应度；
Figure FDA0002526485260000031
其中，ηl为不满足约束条件下的惩罚函数，其约束优化问题表示为
s.t.
Figure FDA0002526485260000032
C∑为汇聚层节点对感知层节点的覆盖率，且
Figure FDA0002526485260000033
c(CNi,SNj)为第i个汇聚层节点CNi对第j个感知层节点SNj的覆盖率，且
Figure FDA0002526485260000034
β为传播路径中的信号衰减，且
Figure FDA0002526485260000035
Figure FDA0002526485260000036
为SNj到CNi的距离，γ为路径损耗指数，表示路径损耗随距离的增长率，它依赖于周围环境和建筑物类型；d0为参考距离；α是基准距离d0的功率；βs是由障碍物引起的功率损耗，且当汇聚层节点与被关联的感知层节点之间跨障碍物时加上相应的障碍物衰减值；
步骤S6、根据所求解函数的适应度，利用公式(13)选择群体中具有最佳味道浓度值的果蝇及其相应的位置，并记录其味道浓度值：
Figure FDA0002526485260000037
步骤S7、判断果蝇
Figure FDA0002526485260000038
的味道浓度值是否优于当前最优味道浓度值；
步骤S8、如果否，则返回步骤S4，直至达到最大迭代次数Imax为止；
步骤S9、如果是，则将果蝇
Figure FDA0002526485260000039
的味道浓度设为最优味道浓度值，并利用公式(14)得到对应果蝇位置信息，群体中的其他果蝇均利用视觉飞向此位置后，返回步骤S4，直至达到最大迭代次数Imax为止：
Figure FDA0002526485260000041
Figure FDA0002526485260000042
步骤S10、输出最优味道浓度值果蝇的位置，即得到汇聚层节点最小的总功率以及相应的位置。
CN202010505798.0A 2020-06-05 2020-06-05 一种分层异构无线传感器网络三维优化部署方法 Active CN111818534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010505798.0A CN111818534B (zh) 2020-06-05 2020-06-05 一种分层异构无线传感器网络三维优化部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010505798.0A CN111818534B (zh) 2020-06-05 2020-06-05 一种分层异构无线传感器网络三维优化部署方法

Publications (2)

Publication Number Publication Date
CN111818534A true CN111818534A (zh) 2020-10-23
CN111818534B CN111818534B (zh) 2021-09-14

Family

ID=72844629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010505798.0A Active CN111818534B (zh) 2020-06-05 2020-06-05 一种分层异构无线传感器网络三维优化部署方法

Country Status (1)

Country Link
CN (1) CN111818534B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333810A (zh) * 2020-11-03 2021-02-05 温州大学 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
CN114727325A (zh) * 2022-05-13 2022-07-08 江苏科技大学 一种面向有障碍物的无线传感器网络再连通方法
US11533590B2 (en) * 2021-05-13 2022-12-20 Suteng Innovation Technology Co., Ltd. Method for converging sensed information of multiple sensors and device thereof
CN115801109A (zh) * 2023-02-03 2023-03-14 南京邮电大学 一种降雨环境下卫星通信系统资源动态分配方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140281658A1 (en) * 2013-03-15 2014-09-18 West Virginia University Compressed sampling and memory
CN110231833A (zh) * 2019-06-14 2019-09-13 渤海大学 一种基于多无人机的油田巡检定点数据采集系统及方法
CN110430579A (zh) * 2019-08-17 2019-11-08 温州大学 基于果蝇优化的非均匀环境的无线ap部署优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140281658A1 (en) * 2013-03-15 2014-09-18 West Virginia University Compressed sampling and memory
CN110231833A (zh) * 2019-06-14 2019-09-13 渤海大学 一种基于多无人机的油田巡检定点数据采集系统及方法
CN110430579A (zh) * 2019-08-17 2019-11-08 温州大学 基于果蝇优化的非均匀环境的无线ap部署优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PENG LIU: "AP Deployment Optimization for WLAN:a Fruit Fly Optimization Approach", 《IEEE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333810A (zh) * 2020-11-03 2021-02-05 温州大学 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
US11533590B2 (en) * 2021-05-13 2022-12-20 Suteng Innovation Technology Co., Ltd. Method for converging sensed information of multiple sensors and device thereof
CN114727325A (zh) * 2022-05-13 2022-07-08 江苏科技大学 一种面向有障碍物的无线传感器网络再连通方法
CN114727325B (zh) * 2022-05-13 2024-04-19 江苏科技大学 一种面向有障碍物的无线传感器网络再连通方法
CN115801109A (zh) * 2023-02-03 2023-03-14 南京邮电大学 一种降雨环境下卫星通信系统资源动态分配方法和系统

Also Published As

Publication number Publication date
CN111818534B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN111818534B (zh) 一种分层异构无线传感器网络三维优化部署方法
Tyagi et al. An intelligent and optimal resource allocation approach in sensor networks for smart agri-IoT
CN105959987B (zh) 一种提高无线传感器网络能量利用率和服务性能的数据融合算法
Razafimandimby et al. A neural network and IoT based scheme for performance assessment in internet of robotic things
Balamurugan et al. Hybrid Marine predators optimization and improved particle swarm optimization-based optimal cluster routing in wireless sensor networks (WSNs)
CN115297484B (zh) 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法
CN108055685A (zh) 无线传感器网络中的簇头节点和传感器节点
CN110430579B (zh) 基于果蝇优化的非均匀环境的无线ap部署优化方法
CN101009821A (zh) 一种成本有效的视频传感器网络覆盖增强的实现方法
CN115243273A (zh) 一种无线传感器网络覆盖优化方法及装置、设备、介质
CN113573333B (zh) 一种基于虚拟力的粒子群异构WSNs覆盖优化算法
Xiang et al. Hybrid WSN node deployment optimization strategy based on CS algorithm
Pandiyaraju et al. An optimal energy utilization model for precision agriculture in WSNs using multi-objective clustering and deep learning
Zangeneh et al. An energy-based clustering method for WSNs using artificial bee colony and genetic algorithm
Sett et al. Effect of optimal cluster head placement in MANET through multi objective GA
Yao et al. Coverage optimization strategy for 3-D wireless sensor networks based on improved sparrow search algorithm
CN117812601A (zh) 一种基于樽海鞘优化算法的无线传感器网络覆盖优化方法
CN112333810B (zh) 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
Jalal et al. Enhancing TEEN Protocol using the Particle Swarm Optimization and BAT Algorithms in Underwater Wireless Sensor Network
CN113766539A (zh) 一种分层无线传感器网络汇聚层节点优化部署方法
Cao et al. Energy Management using Optimal Fuzzy Logic Control in Wireless Sensor Network.
Liu et al. Modeling and performance optimization of wireless sensor network based on Markov chain
Chanak et al. Quad-tree approach for obstacle discovery and tracking in wireless sensor networks
Chen et al. A self-adaptive wireless sensor network coverage method for intrusion tolerance based on particle swarm optimization and cuckoo search
Xiao et al. A new optimal deployment algorithm for actor node in WSAN

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201023

Assignee: Wenzhou Delta Data Technology Co.,Ltd.

Assignor: Wenzhou University

Contract record no.: X2022330000730

Denomination of invention: A 3d optimal deployment method for hierarchical heterogeneous wireless sensor networks

Granted publication date: 20210914

License type: Common License

Record date: 20221206