CN112469100B - 基于可充电多基站式无线异构传感器网络的分层路由算法 - Google Patents
基于可充电多基站式无线异构传感器网络的分层路由算法 Download PDFInfo
- Publication number
- CN112469100B CN112469100B CN202010521696.8A CN202010521696A CN112469100B CN 112469100 B CN112469100 B CN 112469100B CN 202010521696 A CN202010521696 A CN 202010521696A CN 112469100 B CN112469100 B CN 112469100B
- Authority
- CN
- China
- Prior art keywords
- node
- base station
- cluster
- nodes
- cluster head
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 87
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 153
- 230000005540 biological transmission Effects 0.000 claims abstract description 45
- 238000005265 energy consumption Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 239000000975 dye Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- WHHGLZMJPXIBIX-UHFFFAOYSA-N decabromodiphenyl ether Chemical compound BrC1=C(Br)C(Br)=C(Br)C(Br)=C1OC1=C(Br)C(Br)=C(Br)C(Br)=C1Br WHHGLZMJPXIBIX-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- 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
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于可充电多基站式无线异构传感器网络的分层路由算法，包括在多基站部署阶段，对基站的位置进行部署和优化；在簇的建立阶段，采用动态的分簇方式，通过节点剩余能量、与基站的距离这些信息计算阈值来推选簇头和自动调节分簇；在簇间路由发现阶段，寻找簇间多跳路由；在簇间路由选择阶段，根据路径最小节点剩余能量、节点到基站的跳数和路径总能耗这些因素选出最优路由路径；在采集数据传输阶段，簇头通过最优路由路径向基站传输数据，经过若干个周期之后，全网重新建簇，再进行簇间路由发现和簇间路由选择，如此周期性循环，直到整个传感器网络能量耗尽。本发明能够更好地平衡网络能耗和延长网络生命周期，有效解决热区问题。
Description
技术领域
本发明涉及多基站式无线传感器网络技术领域，特别涉及一种基于可充电多基站式无线异构传感器网络的分层路由算法。
背景技术
无线传感器网络节点在能源供应、计算和通信方面的能力有限，在部署节点和设计各种路由协议时应考虑到各种资源的有效利用。传感器节点采集环境数据并传送至基站节点，基站接收所有传感器节点的数据并将其传送至最终用户。在传统的单基站的无线传感器网络中，最典型的路由协议是由Heinzelman等人提出的LEACH(Low Energy AdaptiveClustering Hierarchy)算法，它将整体网络划分为若干个簇，每个簇随机推选一个簇头，对簇内节点的数据进行汇聚并通过单挑或多跳的方式转发至基站。但是成簇的聚类效果不好，导致网络能耗不均。Bakaraniya等人提出了基于K-means分簇的K_LEACH(K_medoids-LEACH protocol)算法，初始阶段通过K-means进行分簇，提高了网络性能，但是簇头的推选未有考虑节点的剩余能量。传统的单基站式无线传感器网络中还存在许多问题，比如基站附近或者在关键路径上的节点能耗过高，能量会更快地耗尽，因为他们需要传递大量的信息；整体网络的能耗不平衡，产生“热区问题”；单基站节点的故障会引起整个无线传感器网络的通信中断等等，因此多基站式无线传感器网络应运而生。
多基站式无线传感器网络系统包括多个基站(Sink节点)、管理节点和传感器节点，若干个传感器节点通过其传感器，在监测区域内完成数据的采集和传输；多个基站节点主要负责接收传感器采集到的数据和信息，经过一定的数据融合后传输到管理节点；管理节点收集、处理数据后，通过Internet把数据传输到用户终端。相比传统的单基站无线传感器网络，多基站无线传感器网络能够有效解决，基站附近的传感器节点由于大量转发其他节点的数据包而造成的“能量空洞”问题。然而在无线传感器网络中，部署多个基站的成本比较高，而且基站的数量、位置以及部署策略也会对无线传感器网络的拓扑控制、通信协议产生影响，这些因素会直接影响着整个网络的寿命。
近年来，已有相关研究文献对多基站式无线传感器网络的路由技术进行了相关研究与分析。ChenYuequan等人提出了MRMS算法，该算法针对动态分层维护、传输数据的路径选择及多条路由路径切换问题，提出了一种基于节点剩余能量信息及相邻节点间距离到相应基站跳数的路径开销度量算法，但该算法中，节点到某个基站的路由路径相对单一，不够灵活。MengMin等人提出的PBR(PriorityBasedRouting)多路由算法，该算法是基于能量级别传送数据的多基站路由算法，该协议延长了网络的寿命，解决了能量平衡消耗的问题，但是PBR算法中，基站的位置是固定部署在网络的边界，没有考虑如何合理地固定部署多基站节点。其次，如果应用在规模较大的分布式传感器网络时，PBR算法由于计算产生的能耗会特别高，路由路径不适合动态变化，只有在集中式传感器网络中才能准确计算，因此它只适合网络拓扑简单且基站固定的场景。李芳、丁永生等人提出的EBMCR(EnergyBalancedMulti-sink ClusteringRouting)算法，该算法是基于能量平衡的多基站分簇路由算法，在簇头推选阶段，路由选择剩余能量级高的节点竞争簇头，并根据各个节点到基站的距离不同，构造出非均匀的簇，使得靠近基站的簇多但规模小，远离基站的簇少但规模大，从而有更多的能量转发采集到的数据；在簇间传输阶段，采用多跳的传输方式，综合考虑节点到多个基站的跳数、路径最小剩余能量以及路径能耗等因素，选出最优路由路径。该算法有利于平衡网络的能耗，从而延长网络的生命周期，但是该算法没有考虑多个基站部署的位置问题，而且不适用于可充电的无线传感器网络。
可见，现有算法都不适用于可充电的多基站式无线传感器网络，因此，有必要研究出能够适用于可充电多基站式无线传感器网络的路由算法。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于可充电多基站式无线异构传感器网络的分层路由算法，该算法可以达到平衡网络能耗和延长网络生命周期的目的，有效解决热区问题。
本发明的目的通过下述技术方案实现：一种基于可充电多基站式无线异构传感器网络的分层路由算法，步骤如下：
S1、多基站部署阶段：在无线传感器网络中随机部署N个传感器节点，然后收集所有传感器节点的位置信息，以计算出K个基站的最佳选址；基站附近的传感器节点为可充电节点，离基站较远的传感器节点为一般节点，形成可充电多基站式异构性的无线传感器网络；
S2、簇的建立阶段：网络中所有传感器节点与相应的基站通信，基站采用动态的分簇方式，通过节点剩余能量、与基站的距离这些信息计算阈值来推选簇头和自动调节分簇；
S3、簇间路由发现阶段：每个簇头节点寻找能够通过多跳到达每个基站的下一跳簇头节点，直至全网簇头完成路由发现；
S4、簇间路由选择阶段：对每个簇头的每一条路由路径，根据路径最小节点剩余能量、节点到基站的跳数和路径总能耗这些因素进行评估比较，选出最优路由路径；
S5、采集数据传输阶段：簇头收集簇内节点的信息，并通过最优路由路径发送到基站，经过若干个周期之后，全网重新建簇，再进行簇间路由发现和簇间路由选择，如此周期性循环，直到整个传感器网络能量耗尽。
优选的，在步骤S1中，通过改进的差分进化聚类算法计算出基站的最佳选址，根据设定的基站数目，将整个网络区域的节点划分为K类，使各聚类节点到该聚类中心的距离最小，该聚类中心位置即为各基站的最佳部署位置，过程如下：
S11、初始化种群染色体：采用实整数编码即实数和整数的混合编码的方式对随机选取的K个聚类中心分别进行编码，每个编码对应一个可行解；
从数据集中随机选出K个样本作为初始种群的个体，重复NP次并生成初始种群；
每个个体都是由K个聚类中心构成的向量串，由于数据集都是节点坐标，所以种群内的每个个体都是2×K维向量，种群个体具体的编码方式如下：
Xi,G＝(ci,1,ci,2,...,ci,K)(i＝1,2,...,NP)
其中，Xi,G为种群个体；ci,K为第G代中的第i个个体；i为个体序号；NP为种群规模，即个体总数；
S12、对当前种群进行统计分析，包括记录其最佳个体、适应度，其中，若E为目标函数值，则设个体的平均适应度函数为：
S13、设定迭代的终止条件：
(1)迭代次数超过设定的最大迭代次数maxgen；
(2)在运行过程中，得到小于进化停滞判断阈值T的目标函数值且连续得到的次数超过进化停滞计数器的最大上限值Tcount；
S14、开始迭代进化，直到满足终止条件：
(1)变异操作：采用rand-to-best的变异策略，即综合rand策略的随机选取个体的方式和best策略选用最优个体的方式；
选择1个差分变异的基向量，对当前种群进行差分变异，得到变异个体Vi,G：
其中，Xbest,G为当前第G代种群的最优个体；
为随机选取的个体编号，与i各不相等；λ为贪婪度系数；F为缩放因子，F的取值应与λ相等；
(2)重组交叉操作：将当前种群个体Xi,G和变异个体Vi,G合并，采用指数分布的交叉策略得到试验种群Uj,i,G+1(这里即是差分进化策略策略的z)：
其中，j表示第j个聚类中心；CR为交叉概率；Jrand为[1,K]中的随机数，以确保交叉个体中至少有一维分量与目标个体不相同；
(3)解码：对得到的新的个体进行解码，并计算出对应的聚类中心点，再计算各节点到聚类中心点的欧式距离，把各中心点到与其关联的节点之间的距离之和作为待优化的目标函数值E：
其中，k表示第k个聚类；N表示网络中总节点数；n表示第n个节点；
(4)选择操作：采取贪心算法策略，在当前种群个体Xi,G和试验种群个体Ui,G中选出最佳个体Xi,G+1：
然后，在最佳个体Xi,G+1中，计算出与各聚类中心点关联的节点的坐标平均值作为新的聚类中心，得到新一代种群并以此更新种群的染色个体；
S15、输出结果：满足S13的终止条件后，将输出的最佳个体进行解码计算并得到相应的最佳聚类中心，作为该聚类的基站最佳位置；然后根据最近邻原则，将网络区域所有传感器节点划分到相应的聚类中。
更进一步的，步骤S2的动态建簇过程具体如下：
S21、首先，节点与基站之间进行广播通信，各个基站请求网络中隶属该基站的每个传感器节点的位置和自身剩余能量信息，然后再对全网能量进行统计、汇总并计算出网络平均能量和其基站下的每个节点的剩余能量等级；
剩余能量等级Er表示为：
其中，Eres表示该节点当前的剩余能量；Eavg表示全网节点的平均能量；t为网络运行一轮的时间；
S22、各个节点开始竞选簇头：
根据每个节点的剩余能量等级及到基站的距离得计算出一个阈值W(n)，作为簇头推选的指标；
阈值W(n)的计算公式如下：
其中，
为剩余能量等级，是节点的剩余能量与全网平均能量的比值；m表示该节点剩余能量等级的权重系数；davg表示整个网络的节点到对应隶属基站的平均距离；dBS表示该节点到对应隶属的基站距离；n表示节点到基站距离的权重系数；C表示能量高于全网平均能量水平的传感器节点集合；
然后在传感器网络中，令所有剩余能量高于全网平均能量水平的节点产生一个[0,1]区间内的随机数，若节点随机数小于阈值W(n)，则该节点成为簇头；
S23、权重系数m、n随着网络能量的变化而动态变化，权重系数动态更新的公式如下：
n＝1-m
其中，Einit表示该节点初始能量，初始状态时，m＝n＝0.5；
随着网络的进行，由于各节点剩余能量逐渐下降，m不断增大，影响下一轮网络中相应的簇头选举阈值W(n)，从而影响簇头的选举，使节点的剩余能量等级成为影响网络寿命的最主要因素，通过权重系数m、n进行动态调整，以减小可充电节点对网络能耗均衡的影响；
S24、簇头推选完后，基站向全网簇头节点发送消息，簇头节点再向全网节点发送广播信息，所有普通节点接收后，加入到最近的簇头节点；
S25、成簇结束后，簇头采用的时分多址的方式，对簇内的每个节点分配传输数据的时间片。
优选的，步骤S3的簇间路由发现过程如下：
S31、首先，基站将含有基站位置、基站ID这些信息的消息包发送给全网簇头节点，非簇头节点不接收该信息，使得簇头节点Vi建立的路由表中都保存有基站sinkk的距离dis(i,k)；
S32、簇头节点向网络中其他所有簇头节点发送消息包来进行邻居发现，消息包包括节点位置、节点ID、到多个基站的距离dis(i,k)以及节点的剩余能量；
S33、簇头节点Vi接收到邻居簇头节点Vj的消息后，将自己和邻居簇头节点到相应基站的距离进行比较，若dis(i,k)＞dis(j,k)，则在到sinkk的路由路径中，簇头Vi把簇头Vj作为下一跳节点，并将簇头Vj的信息保存在路由表中，再向簇头Vj回复消息；若dis(i,k)≤dis(j,k)，则丢弃簇头节点Vj的消息；
S34、每个簇头节点都进行上述S32～S33，直至全网簇头节点完成路由发现，以此建立完整的路由表。
优选的，步骤S4的簇间路由选择过程如下：
S41、簇头节点建立完整的路由表后，根据其路径最小节点剩余能量、节点到基站的跳数和路径总能耗，综合考虑后设计如下路径评价函数公式：
fn(k)＝(Emin)α×(hop)β×(Ecost)γ
其中，路径最小剩余能量Emin表示簇头节点到基站k的路径上，剩余能量最少的节点所对应的剩余能量；hop表示簇头节点到基站k的路径上，节点到基站的总跳数；路径总能耗Ecost表示簇头节点到基站k的路径上，每一跳所消耗的能量总和；α、β、γ分别表示最小剩余能量权重系数、跳数权重系数和能耗权重系数；
S42、n个簇头分别有k条路径能够到达基站，而最优路径则为路径评价函数最小的那条路径，对应的基站为最佳基站节点；
路由的选择函数公式表示为：
min(fn(1,...,k))。
优选的，步骤S5的采集数据传输过程如下：
S51、在确定节点的最优路由路径之后，全网进入稳定的采集数据传输阶段，所有普通节点根据簇头节点安排的TDMA时间片，将自身采集到的数据发送至簇头节点，发送完毕之后进入休眠状态；
S52、簇头节点对簇内节点数据进行数据聚合，再按照最优路由路径进行传输，若下一跳仍是簇头节点，那么下一跳的簇头节点也将数据进行聚合再传输，直到最后传输至相应的基站，完成该轮的数据传输；
S53、当全网完成全部的数据传输之后，全网所有节点将自身剩余能量的信息包发送到基站，基站将簇头的剩余能量和全网平均能量比较，若簇头的剩余能量低于全网平均能量时，全网在下一轮进行重新建簇，否则不重新分簇，直接进入簇间路由发现阶段；
按照步骤S51～S53如此周期性循环，直到整个传感器网络能量耗尽。
优选的，可充电节点采用微波辐射的方式传输无线能量，微波辐射式的无线能量传播存在有效的传输距离，其传输模型如下：
其中，d为无线传输距离；D为微波辐射的最大半径；Pr(d)为传输功率；P0为充电基站发射功率；Gs和Gr分别为发射天线和接收天线的增益；η为整流器效益；Lp为极化损；λ为贪婪度系数；β1为补偿参数，由传输环境决定。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明基于可充电多基站式无线异构传感器网络的分层路由算法，包括在多基站部署阶段，基于传感器节点的位置信息对基站的位置进行部署和优化；在簇的建立阶段，采用动态的分簇方式，通过节点剩余能量、与基站的距离这些信息计算阈值来推选簇头和自动调节分簇；在簇间路由发现阶段，寻找簇间多跳路由；在簇间路由选择阶段，根据路径最小节点剩余能量、节点到基站的跳数和路径总能耗这些因素选出最优路由路径；在采集数据传输阶段，簇头通过最优路由路径向基站传输数据，经过若干个周期之后，全网重新建簇，再进行簇间路由发现和簇间路由选择，如此周期性循环，直到整个传感器网络能量耗尽。本发明通过优化的多基站部署策略和平衡动态的路由算法对无线传感器网络进行优化，有效减少传感器节点传输数据的距离，减少相应跳数，达到平衡网络能耗和延长网络生命周期的目的，有效解决热区问题，适用于大型且节点分布均匀的无线传感器网络场景。
(2)本发明算法提出了一种基于DE/rand-to-best/1/exp的差分进化聚类算法部署策略，根据设定的基站数目，将整个网络区域的节点划分为K类，使各聚类节点到该聚类中心的距离最小，该聚类中心位置即作为各基站的最佳部署位置，基站附近的传感器节点作为可充电节点，离基站较远的传感器节点作为一般节点，以此形成可充电多基站式异构性的无线传感器网络。该改进的差分进化聚类算法能够更快地收敛并解决K-means容易陷入局部最优解的问题，以达到网络分区合理、多基站节点部署优化的效果。
(3)本发明算法在多基站无线传感器网络路由算法的基础上融入了微波辐射式的充电策略，将基站附近的节点部署为可充电节点，其他节点不可充电，形成异构的传感器网络，有效解决部分靠近基站的节点能耗过高的问题。
(4)本发明算法采用了动态的分簇方式，使得基站附近的可充电节点在中后期网络中更容易成为簇头，减少后期网络消耗不均的现象，有效解决由于充电而导致整体网络能量消耗不均匀的问题。
附图说明
图1是本发明基于可充电多基站式无线异构传感器网络的分层路由算法的流程图。
图2是改进的差分进化聚类算法的流程图。
图3是簇间路由发现阶段的流程图。
图4是采集数据传输阶段的流程图。
图5是采集数据传输阶段中第2轮的路由情况。
图6(a)是改进的差分进化聚类算法对全网络传感器节点的聚类情况的示意图。
图6(b)是K-Means算法对全网络传感器节点的聚类情况的示意图。
图7(a)是不同算法下的网络的存活节点数量对比图。
图7(b)是不同算法下的网络的网络剩余能量对比图。
图8是不同算法的整体网络节点能耗对比图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
本实施例公开了一种基于可充电多基站式无线异构传感器网络的分层路由算法，如图1所示，主要分为五个阶段：多基站部署阶段、簇的建立阶段、簇间路由发现阶段、簇间路由选择阶段、采集数据传输阶段，具体如下：
S1、多基站部署阶段：在无线传感器网络中随机部署N个传感器节点，然后收集所有传感器节点的位置信息，以计算出K个基站的最佳选址；基站附近的传感器节点为可充电节点，离基站较远的传感器节点为一般节点，形成可充电多基站式异构性的无线传感器网络。每个传感器节点都具有感知位置和通信的能力。
在本实施例中，可充电节点采用微波辐射的方式传输无线能量，这种无线能量传输方式能够实现一对多充电，且更具灵活性，无需将线圈对准，随时随地可进行充电，传输距离远，覆盖面积大，适合远距离小功率充电。微波辐射式的无线能量传播存在有效的传输距离，在一定的辐射半径内，能量的传输功率与传输距离的平方成反比，由于硬件条件的限制，当超出一定的辐射范围后，传输功率将降为0，其传输模型如下：
其中，d为无线传输距离；D为微波辐射的最大半径；Pr(d)为传输功率；P0为充电基站发射功率；Gs和Gr分别为发射天线和接收天线的增益；η为整流器效益；Lp为极化损；λ为贪婪度系数；β1为补偿参数，由传输环境决定。
本实施例采用改进的差分进化聚类算法计算出基站的最佳选址，根据设定的基站数目，将整个网络区域的节点划分为K类(也可以说是K个聚类)，使各聚类节点到该聚类中心的距离最小，该聚类中心位置即为各基站的最佳部署位置。
改进的差分进化聚类算法是基于DE/rand-to-best/1/exp。不同的差分进化策略通常用DE/x/y/z的通用符号来表示，DE/rand-to-best/1/exp的x表示的是变异策略，包括best、rand、current等，分别表示最优个体、随机个体和当前个体。采用最优个体有利于提升算法的收敛速度，随机个体有利于保持种群的多样性。改进算法中采用的rand-to-best策略，综合了best策略选用最优个体和rand策略的随机选取个体的优点，既可以加快算法的收敛速度又可以防止种群陷入局部搜索。在rand-to-best策略中用于控制差分策略的贪婪度系数λ，其取值与缩放因子F应该相等。
y表示的是变异中的差分基向量数目，通常取的是1或者2。这里取1为了降低算法的复杂度，能够更快地得到最优解。
z表示的是重组交叉操作的策略，传统的差分进化算法交叉操作本质上是采用二项式交叉，其选作交叉的各维分量数目符合二项式分布。而改进算法采用的exp策略表示在重组交叉操作中采用指数分布交叉，先随机选取序号为Jrand的个体分量，从Jrand开始进行交叉，如果满足rand[0,1]≤CR，对Jrand+1的分量也进行交叉操作。如此循环交叉，直到出现rand[0,1]≤CR才停止。相比二项式交叉，指数分布交叉有利于提高算法收敛速度，但是种群差异性会有所减少。
如图2所示，改进的差分进化聚类算法的过程具体如下：
S11、初始化种群染色体：采用实整数编码即实数和整数的混合编码的方式对随机选取的K个聚类中心分别进行编码，每个编码对应一个可行解；
从数据集中随机选出K个样本作为初始种群的个体，重复NP次并生成初始种群；
每个个体都是由K个聚类中心构成的向量串，由于数据集都是节点坐标，所以种群内的每个个体都是2×K维向量，种群个体具体的编码方式如下：
Xi,G＝(ci,1,ci,2,...,ci,K)(i＝1,2,...,NP)
其中，i为个体序号；ci,K为第G代中的第i个个体；Xi,G为种群个体；NP为种群规模，即个体总数；
S12、对当前种群进行统计分析，包括记录其最佳个体、适应度，其中，若E为目标函数值，则设个体的平均适应度函数为：
S13、设定迭代的终止条件：
(1)迭代次数超过设定的最大迭代次数maxgen；
(2)在运行过程中，得到小于进化停滞判断阈值T的目标函数值且连续得到的次数超过进化停滞计数器的最大上限值Tcount；
S14、开始迭代进化，直到满足终止条件：
(1)变异操作：采用rand-to-best的变异策略，即综合rand策略的随机选取个体的方式和best策略选用最优个体的方式(这里即是差分进化策略策略的x)；
选择1个差分变异的基向量，对当前种群进行差分变异(这里即是差分进化策略策略的y)，得到变异个体Vi,G：
其中，Xbest,G为当前第G代种群的最优个体；
为随机选取的个体编号，与i各不相等；λ为贪婪度系数；F为缩放因子，F的取值应与λ相等；
(2)重组交叉操作：将当前种群个体Xi,G和变异个体Vi,G合并，采用指数分布的交叉策略得到试验种群Uj,i,G+1(这里即是差分进化策略策略的z)：
其中，j表示第j个聚类中心；CR为交叉概率；Jrand为[1,K]中的随机数，以确保交叉个体中至少有一维分量与目标个体不相同；
(3)解码：对得到的新的个体(即试验种群个体)进行解码，并计算出对应的聚类中心点，再计算各节点到聚类中心点的欧式距离，把各中心点到与其关联的节点之间的距离之和作为待优化的目标函数值E：
其中，k表示第k个聚类；N表示网络中总节点数；n表示第n个节点；
(4)选择操作：采取贪心算法策略，在当前种群个体Xi,G和试验种群个体Ui,G中选出最佳个体Xi,G+1：
然后，在最佳个体Xi,G+1中，计算出与各聚类中心点关联的节点的坐标平均值作为新的聚类中心，得到新一代种群并以此更新种群的染色个体；
S15、输出结果：满足S13的终止条件后，将输出的最佳个体进行解码计算并得到相应的最佳聚类中心，作为该聚类的基站最佳位置；然后根据最近邻原则，将网络区域所有传感器节点划分到相应的聚类中。
S2、簇的建立阶段：网络中所有传感器节点与相应的基站通信，基站采用动态的分簇方式，通过节点剩余能量、与基站的距离这些信息计算阈值来推选簇头和自动调节分簇。
动态建簇过程具体如下：
S21、首先，节点与基站之间进行广播通信，各个基站请求网络中隶属该基站的每个传感器节点的位置和自身剩余能量信息，然后再对全网能量进行统计、汇总并计算出网络平均能量和其基站下的每个节点的剩余能量等级；
剩余能量等级Er表示为：
其中，Eres表示该节点当前的剩余能量；Eavg表示全网节点的平均能量；t为网络运行一轮的时间；
S22、各个节点开始竞选簇头：
根据每个节点的剩余能量等级及到基站的距离得计算出一个阈值W(n)，作为簇头推选的指标；
阈值W(n)的计算公式如下：
其中，
为剩余能量等级，是节点的剩余能量与全网平均能量的比值；m表示该节点剩余能量等级的权重系数；davg表示整个网络的节点到对应隶属基站的平均距离；dBS表示该节点到对应隶属的基站距离；n表示节点到基站距离的权重系数；C表示能量高于全网平均能量水平的传感器节点集合；
然后在传感器网络中，令所有剩余能量高于全网平均能量水平的节点产生一个[0,1]区间内的随机数，若节点随机数小于阈值W(n)，则该节点成为簇头；
由阈值计算公式可以看出，剩余能量等级越大的节点当选簇头的概率越高，越靠近基站的节点当选簇头的概率W(n)越高，这样使得靠近基站的簇头节点多，但簇的规模小，簇头有更多的能量转发其他簇头的数据信息，有效解决像基站附近节点能耗较高的“热区问题”。
S23、权重系数m、n随着网络能量的变化而动态变化，权重系数动态更新的公式如下：
n＝1-m
其中，Einit表示该节点初始能量，初始状态时，m＝n＝0.5；
随着网络的进行，由于各节点剩余能量逐渐下降，m不断增大，影响下一轮网络中相应的簇头选举阈值W(n)，从而影响簇头的选举，使节点的剩余能量等级成为影响网络寿命的最主要因素，因此通过权重系数m、n进行动态调整，能够减小可充电节点对网络能耗均衡的影响；
S24、簇头推选完后，基站向全网簇头节点发送消息，簇头节点再向全网节点发送广播信息，所有普通节点接收后，加入到最近的簇头节点；
S25、成簇结束后，簇头采用的时分多址(Time division multiple access)的方式，对簇内的每个节点分配传输数据的时间片。
由于网络采用无线异构充电的策略，基站附近一定范围内的节点能够进行能量补给，在减缓了基站附近节点能耗过高的问题同时又带来了新的问题：在网络的中后期，基站附近可充电节点的消耗速度比其他普通节点的消耗速度慢，其剩余能量等级会逐渐高于普通节点，导致网络中各节点的消耗速率差异过大，造成网络的能耗不平衡，而本实施例采用动态分簇的方式选举簇头，使剩余能量等级高的节点当选簇头的概率W(n)更高，因此基站附近的可充电节点在中后期的网络中更容易成为簇头，分担其他普通节点的能量消耗压力，均衡可充电节点和普通节点之间的能量消耗。
S3、簇间路由发现阶段：每个簇头节点寻找能够通过多跳到达每个基站的下一跳簇头节点，直至全网簇头完成路由发现，如图3所示，过程如下：
S31、首先，基站将含有基站位置、基站ID这些信息的消息包发送给全网簇头节点，非簇头节点不接收该信息，使得簇头节点Vi建立的路由表中都保存有基站sinkk的距离dis(i,k)；
S32、簇头节点向网络中其他所有簇头节点发送消息包来进行邻居发现，消息包包括节点位置、节点ID、到多个基站的距离dis(i,k)以及节点的剩余能量；
S33、簇头节点Vi接收到邻居簇头节点Vj的消息后，将自己和邻居簇头节点到相应基站的距离进行比较，若dis(i,k)＞dis(j,k)，则在到sinkk的路由路径中，簇头Vi把簇头Vj作为下一跳节点，并将簇头Vj的信息保存在路由表中，再向簇头Vj回复消息；若dis(i,k)≤dis(j,k)，则丢弃簇头节点Vj的消息；
S34、每个簇头节点都进行上述S32～S33，直至全网簇头节点完成路由发现，以此建立完整的路由表。
由于基站是和簇头节点直接通信的，如果采用单跳的形式，则会使远离基站的簇头节点能耗过高，若簇头与基站的通信采用多跳的形式，可以节省簇头的能耗，平衡网络能量。
S4、簇间路由选择阶段：对每个簇头的每一条路由路径，根据路径最小节点剩余能量、节点到基站的跳数和路径总能耗这些因素进行评估比较，选出最优路由路径，过程如下：
S41、簇头节点建立完整的路由表后，根据其路径最小节点剩余能量、节点到基站的跳数和路径总能耗，综合考虑后设计如下路径评价函数公式：
fn(k)＝(Emin)α×(hop)β×(Ecost)γ
其中，路径最小剩余能量Emin表示簇头节点到基站k的路径上，剩余能量最少的节点所对应的剩余能量；hop表示簇头节点到基站k的路径上，节点到基站的总跳数；路径总能耗Ecost表示簇头节点到基站k的路径上，每一跳所消耗的能量总和；α、β、γ分别表示最小剩余能量权重系数、跳数权重系数和能耗权重系数，α为负数，β、γ则为正数，可按实际场景进行调节；
S42、n个簇头分别有k条路径能够到达基站，而最优路径则为路径评价函数最小的那条路径，对应的基站为最佳基站节点；
路由的选择函数公式表示为：
min(fn(1,...,k))
由路径评价函数公式和路由的选择函数公式可以看出，路径上节点剩余能量越高、节点到基站跳数越少、路径总能耗越低，路径评价函数越小，越容易成为最优路径，因此这样能够更好地平衡全网能量，延长网络寿命。
S5、采集数据传输阶段：簇头收集簇内节点的信息通过最优路由路径发送到基站，经过若干个周期之后，全网重新建簇，再进行簇间路由发现和簇间路由选择，如此周期性循环，直到整个传感器网络能量耗尽。如图4所示，过程具体如下：
S51、在确定节点的最优路由路径之后，全网进入稳定的采集数据传输阶段，所有普通节点根据簇头节点安排的TDMA时间片，将自身采集到的数据发送至簇头节点，发送完毕之后进入休眠状态；
S52、簇头节点对簇内节点数据进行数据聚合，再按照最优路由路径进行传输，若下一跳仍是簇头节点，那么下一跳的簇头节点也将数据进行聚合再传输，直到最后传输至相应的基站，完成该轮的数据传输。
S53、当全网完成全部的数据传输之后，全网所有节点将自身剩余能量的信息包发送到基站，基站将簇头的剩余能量和全网平均能量比较，若簇头的剩余能量低于全网平均能量时，全网在下一轮进行重新建簇，否则不重新分簇，直接进入簇间路由发现阶段；
按照步骤S51～S53如此周期性循环，直到整个传感器网络能量耗尽。
例如，图5表示的是第2轮的路由情况，图5中具有多个不同的聚类，粗直线表示簇间通信的路径，细直线表示簇内通信的路径，“×”表示基站节点，“Δ”表示簇头传感器节点，“○”表示普通传感器节点。
为了验证本实施例算法的性能，本实施例还使用Python3.7和PyCharm进行仿真验证。仿真基本参数设置如表1所示。
表1
Eelec为单位长度传输能耗，Eda为融合单位比特的能量损耗，Efs为自由空间能耗模型的能耗参数，Emp为多路径衰减模型的能耗参数。
仿真说明：将本实施例改进的差分进化聚类算法(DECA算法)与K-Means算法，对算法聚类情况和算法目标函数值进行比较。仿真中将全网络传感器节点分为6个聚类，结果如图6(a)、图6(b)所示。其中，“Δ”表示各聚类的中心，“×”表示网络区域中心位置，不同的点代表不同的聚类。
两种聚类算法的目标函数值定义为样本到最近的聚类中心的距离的平方。将两种聚类算法的目标函数值和最优迭代次数各计算3次，并取平均值，得出如下效果对比表表2。
表2
从图6(a)、图6(b)和表2可以看出，相比K-Means算法，DECA算法的目标函数值更小，证明各个样本到最近的聚类中心的欧式距离更短。而DECA算法比K-Means算法在最优迭代次数上会略长一些，证明DECA算法更不容易陷入局部最优解。综上所述，DECA算法比K-Means算法的聚类效果更好，且能更好地得到全局最优解。
将本实施例提出的基于可充电多基站式无线异构传感器网络的分层路由算法(DEMCR算法)与MRMS算法、LEACH算法和K-LEACH，在网络生命周期、网络剩余能量方面进行比较，结果如图7(a)、图7(b)和图8所示。
如图7(a)所示，DEMCR算法比直接通信、MRMS算法和K-LEACH算法的网络能耗曲线更加陡，证明网络的能耗更加平衡。由图8可以看出，在第一个节点死亡轮次、30％节点死亡轮次和平均能量水平方面，DEMCR算法都要优于其他3个路由算法。这是由于改进算法中，整体网络能量会进行动态调整，当开始出现一部分节点死亡后，会加快整体网络的耗尽速度，平衡整个网络的能耗。
由图7(b)可以看出，DEMCR算法比MRMS算法和K-LEACH算法的剩余能量更高，曲线更直、更平缓，证明DEMCR算法保证网络能耗平衡的同时，延长了网络的生命周期。这主要是由于融入了辐射式的充电策略，减少了靠近基站节点的能耗，再加上在路由选择阶段综合考虑多条路径路由的路径节点最小剩余能量等因素，从而使网络寿命得到延长。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种基于可充电多基站式无线异构传感器网络的分层路由算法，其特征在于，步骤如下：
S1、多基站部署阶段：在无线传感器网络中随机部署N个传感器节点，然后收集所有传感器节点的位置信息，以计算出K个基站的最佳选址；基站附近的传感器节点为可充电节点，离基站较远的传感器节点为一般节点，形成可充电多基站式异构性的无线传感器网络；
S2、簇的建立阶段：网络中所有传感器节点与相应的基站通信，基站采用动态的分簇方式，通过节点剩余能量、与基站的距离这些信息计算阈值来推选簇头和自动调节分簇；
S3、簇间路由发现阶段：每个簇头节点寻找能够通过多跳到达每个基站的下一跳簇头节点，直至全网簇头完成路由发现；
S4、簇间路由选择阶段：对每个簇头的每一条路由路径，根据路径最小节点剩余能量、节点到基站的跳数和路径总能耗这些因素进行评估比较，选出最优路由路径；
S5、采集数据传输阶段：簇头收集簇内节点的信息，并通过最优路由路径发送到基站，经过若干个周期之后，全网重新建簇，再进行簇间路由发现和簇间路由选择，如此周期性循环，直到整个传感器网络能量耗尽；
在步骤S1中，通过改进的差分进化聚类算法计算出基站的最佳选址，根据设定的基站数目，将整个网络区域的节点划分为K类，使各聚类节点到该聚类中心的距离最小，该聚类中心位置即为各基站的最佳部署位置，过程如下：
S11、初始化种群染色体：采用实整数编码即实数和整数的混合编码的方式对随机选取的K个聚类中心分别进行编码，每个编码对应一个可行解；
从数据集中随机选出K个样本作为初始种群的个体，重复NP次并生成初始种群；
每个个体都是由K个聚类中心构成的向量串，由于数据集都是节点坐标，所以种群内的每个个体都是2×K维向量，种群个体具体的编码方式如下：
Xi,G＝(ci,1,ci,2,...,ci,K)(i＝1,2,...,NP)
其中，Xi,G为种群个体；ci,K为第G代中的第i个个体；i为个体序号；NP为种群规模，即个体总数；
S12、对当前种群进行统计分析，包括记录其最佳个体、适应度，其中，若E为目标函数值，则设个体的平均适应度函数为：
S13、设定迭代的终止条件：
(1)迭代次数超过设定的最大迭代次数maxgen；
(2)在运行过程中，得到小于进化停滞判断阈值T的目标函数值且连续得到的次数超过进化停滞计数器的最大上限值Tcount；
S14、开始迭代进化，直到满足终止条件：
(1)变异操作：采用rand-to-best的变异策略，即综合rand策略的随机选取个体的方式和best策略选用最优个体的方式；
选择1个差分变异的基向量，对当前种群进行差分变异，得到变异个体Vi,G：
其中，Xbest,G为当前第G代种群的最优个体；
为随机选取的个体编号，与i各不相等；λ为贪婪度系数；F为缩放因子，F的取值应与λ相等；
(2)重组交叉操作：将当前种群个体Xi,G和变异个体Vi,G合并，采用指数分布的交叉策略得到试验种群Uj,i,G+1(这里即是差分进化策略策略的z)：
其中，j表示第j个聚类中心；CR为交叉概率；Jrand为[1,K]中的随机数，以确保交叉个体中至少有一维分量与目标个体不相同；
(3)解码：对得到的新的个体进行解码，并计算出对应的聚类中心点，再计算各节点到聚类中心点的欧式距离，把各中心点到与其关联的节点之间的距离之和作为待优化的目标函数值E：
其中，k表示第k个聚类；N表示网络中总节点数；n表示第n个节点；
(4)选择操作：采取贪心算法策略，在当前种群个体Xi,G和试验种群个体Ui,G中选出最佳个体Xi,G+1：
然后，在最佳个体Xi,G+1中，计算出与各聚类中心点关联的节点的坐标平均值作为新的聚类中心，得到新一代种群并以此更新种群的染色个体；
S15、输出结果：满足S13的终止条件后，将输出的最佳个体进行解码计算并得到相应的最佳聚类中心，作为该聚类的基站最佳位置；然后根据最近邻原则，将网络区域所有传感器节点划分到相应的聚类中。
2.根据权利要求1所述的基于可充电多基站式无线异构传感器网络的分层路由算法，其特征在于，步骤S2的动态建簇过程具体如下：
S21、首先，节点与基站之间进行广播通信，各个基站请求网络中隶属该基站的每个传感器节点的位置和自身剩余能量信息，然后再对全网能量进行统计、汇总并计算出网络平均能量和其基站下的每个节点的剩余能量等级；
剩余能量等级Er表示为：
其中，Eres表示该节点当前的剩余能量；Eavg表示全网节点的平均能量；t为网络运行一轮的时间；
S22、各个节点开始竞选簇头：
根据每个节点的剩余能量等级及到基站的距离得计算出一个阈值W(n)，作为簇头推选的指标；
阈值W(n)的计算公式如下：
其中，
为剩余能量等级，是节点的剩余能量与全网平均能量的比值；m表示该节点剩余能量等级的权重系数；davg表示整个网络的节点到对应隶属基站的平均距离；dBS表示该节点到对应隶属的基站距离；n表示节点到基站距离的权重系数；C表示能量高于全网平均能量水平的传感器节点集合；
然后在传感器网络中，令所有剩余能量高于全网平均能量水平的节点产生一个[0,1]区间内的随机数，若节点随机数小于阈值W(n)，则该节点成为簇头；
S23、权重系数m、n随着网络能量的变化而动态变化，权重系数动态更新的公式如下：
n＝1-m
其中，Einit表示该节点初始能量，初始状态时，m＝n＝0.5；
随着网络的进行，由于各节点剩余能量逐渐下降，m不断增大，影响下一轮网络中相应的簇头选举阈值W(n)，从而影响簇头的选举，使节点的剩余能量等级成为影响网络寿命的最主要因素，通过权重系数m、n进行动态调整，以减小可充电节点对网络能耗均衡的影响；
S24、簇头推选完后，基站向全网簇头节点发送消息，簇头节点再向全网节点发送广播信息，所有普通节点接收后，加入到最近的簇头节点；
S25、成簇结束后，簇头采用的时分多址的方式，对簇内的每个节点分配传输数据的时间片。
3.根据权利要求1所述的基于可充电多基站式无线异构传感器网络的分层路由算法，其特征在于，步骤S3的簇间路由发现过程如下：
S31、首先，基站将含有基站位置、基站ID这些信息的消息包发送给全网簇头节点，非簇头节点不接收该信息，使得簇头节点Vi建立的路由表中都保存有基站sinkk的距离dis(i,k)；
S32、簇头节点向网络中其他所有簇头节点发送消息包来进行邻居发现，消息包包括节点位置、节点ID、到多个基站的距离dis(i,k)以及节点的剩余能量；
S33、簇头节点Vi接收到邻居簇头节点Vj的消息后，将自己和邻居簇头节点到相应基站的距离进行比较，若dis(i,k)＞dis(j,k)，则在到sinkk的路由路径中，簇头Vi把簇头Vj作为下一跳节点，并将簇头Vj的信息保存在路由表中，再向簇头Vj回复消息；若dis(i,k)≤dis(j,k)，则丢弃簇头节点Vj的消息；
S34、每个簇头节点都进行上述S32～S33，直至全网簇头节点完成路由发现，以此建立完整的路由表。
4.根据权利要求1所述的基于可充电多基站式无线异构传感器网络的分层路由算法，其特征在于，步骤S4的簇间路由选择过程如下：
S41、簇头节点建立完整的路由表后，根据其路径最小节点剩余能量、节点到基站的跳数和路径总能耗，综合考虑后设计如下路径评价函数公式：
fn(k)＝(Emin)α×(hop)β×(Ecost)γ
其中，路径最小剩余能量Emin表示簇头节点到基站k的路径上，剩余能量最少的节点所对应的剩余能量；hop表示簇头节点到基站k的路径上，节点到基站的总跳数；路径总能耗Ecost表示簇头节点到基站k的路径上，每一跳所消耗的能量总和；α、β、γ分别表示最小剩余能量权重系数、跳数权重系数和能耗权重系数；
S42、n个簇头分别有k条路径能够到达基站，而最优路径则为路径评价函数最小的那条路径，对应的基站为最佳基站节点；
路由的选择函数公式表示为：
min(fn(1,...,k))。
5.根据权利要求1所述的基于可充电多基站式无线异构传感器网络的分层路由算法，其特征在于，步骤S5的采集数据传输过程如下：
S51、在确定节点的最优路由路径之后，全网进入稳定的采集数据传输阶段，所有普通节点根据簇头节点安排的TDMA时间片，将自身采集到的数据发送至簇头节点，发送完毕之后进入休眠状态；
S52、簇头节点对簇内节点数据进行数据聚合，再按照最优路由路径进行传输，若下一跳仍是簇头节点，那么下一跳的簇头节点也将数据进行聚合再传输，直到最后传输至相应的基站，完成该轮的数据传输；
S53、当全网完成全部的数据传输之后，全网所有节点将自身剩余能量的信息包发送到基站，基站将簇头的剩余能量和全网平均能量比较，若簇头的剩余能量低于全网平均能量时，全网在下一轮进行重新建簇，否则不重新分簇，直接进入簇间路由发现阶段；
按照步骤S51～S53如此周期性循环，直到整个传感器网络能量耗尽。
6.根据权利要求1所述的基于可充电多基站式无线异构传感器网络的分层路由算法，其特征在于，可充电节点采用微波辐射的方式传输无线能量，微波辐射式的无线能量传播存在有效的传输距离，其传输模型如下：
其中，d为无线传输距离；D为微波辐射的最大半径；Pr(d)为传输功率；P0为充电基站发射功率；Gs和Gr分别为发射天线和接收天线的增益；η为整流器效益；Lp为极化损；λ为贪婪度系数；β1为补偿参数，由传输环境决定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010521696.8A CN112469100B (zh) | 2020-06-10 | 2020-06-10 | 基于可充电多基站式无线异构传感器网络的分层路由算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010521696.8A CN112469100B (zh) | 2020-06-10 | 2020-06-10 | 基于可充电多基站式无线异构传感器网络的分层路由算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112469100A CN112469100A (zh) | 2021-03-09 |
| CN112469100B true CN112469100B (zh) | 2023-03-31 |
Family
ID=74834022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010521696.8A Active CN112469100B (zh) | 2020-06-10 | 2020-06-10 | 基于可充电多基站式无线异构传感器网络的分层路由算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112469100B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113179544B (zh) * | 2021-04-26 | 2022-09-09 | 国网四川省电力公司经济技术研究院 | 一种应用于电力物联网的无线传感分簇路由簇头选择方法 |
| CN113316214B (zh) * | 2021-05-08 | 2022-06-10 | 南京林业大学 | 一种能量异构型无线传感器的自适应协作路由方法 |
| CN113433967B (zh) * | 2021-06-07 | 2022-11-25 | 北京邮电大学 | 一种可充电无人机路径规划方法及系统 |
| CN113438667B (zh) * | 2021-06-11 | 2024-05-10 | 沈阳航空航天大学 | 基于IM-kmeans集群路由策略延长水下无线传感器网络寿命的方法 |
| CN113709754B (zh) * | 2021-08-24 | 2022-06-07 | 西安交通大学 | 基于聚类算法的无线宽带通信系统布站组网方法及系统 |
| CN113596951B (zh) * | 2021-09-02 | 2023-05-30 | 哈尔滨工程大学 | 基于量子礁鲨机制的无线传感器网络分簇路由方法 |
| CN114286357B (zh) * | 2021-10-26 | 2024-02-23 | 华北电力大学 | 面向变电站覆盖增强的无线传感网系统及其中继选择方法 |
| CN113891369B (zh) * | 2021-10-29 | 2023-05-12 | 中国联合网络通信集团有限公司 | 一种网络优化方法、装置及存储介质 |
| CN113938978B (zh) * | 2021-12-08 | 2023-12-12 | 华东交通大学 | 一种基于强化学习的异构无线传感器寻路方法 |
| CN115002706A (zh) * | 2022-03-09 | 2022-09-02 | 河南科技大学 | 一种仿蛛网分层分簇网络参数优化方法 |
| CN114585043B (zh) * | 2022-03-25 | 2023-07-21 | 电子科技大学 | 一种路由选择方法、装置、计算机设备和存储介质 |
| CN115567997B (zh) * | 2022-04-11 | 2023-06-20 | 荣耀终端有限公司 | 设备发现群组的中心节点选取方法及装置 |
| CN114786236B (zh) * | 2022-04-27 | 2024-05-31 | 曲阜师范大学 | 无线传感器网络启发式学习路由协议的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101360051A (zh) * | 2008-07-11 | 2009-02-04 | 西安电子科技大学 | 一种能量高效的无线传感器网络路由方法 |
| CN102149160A (zh) * | 2011-04-20 | 2011-08-10 | 宁波职业技术学院 | 一种用于无线传感网络的能量感知路由算法 |
| CN109348483A (zh) * | 2018-10-19 | 2019-02-15 | 杭州电子科技大学温州研究院有限公司 | 无线可充电传感器网络的定点充电基站部署方法 |
| CN109495843A (zh) * | 2019-01-09 | 2019-03-19 | 杭州电子科技大学温州研究院有限公司 | 一种基于凸包选择的定点无线充电基站部署方法 |
-
2020
- 2020-06-10 CN CN202010521696.8A patent/CN112469100B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101360051A (zh) * | 2008-07-11 | 2009-02-04 | 西安电子科技大学 | 一种能量高效的无线传感器网络路由方法 |
| CN102149160A (zh) * | 2011-04-20 | 2011-08-10 | 宁波职业技术学院 | 一种用于无线传感网络的能量感知路由算法 |
| CN109348483A (zh) * | 2018-10-19 | 2019-02-15 | 杭州电子科技大学温州研究院有限公司 | 无线可充电传感器网络的定点充电基站部署方法 |
| CN109495843A (zh) * | 2019-01-09 | 2019-03-19 | 杭州电子科技大学温州研究院有限公司 | 一种基于凸包选择的定点无线充电基站部署方法 |
Non-Patent Citations (2)
| Title |
|---|
| WSNs中基于GPMP的多SINK节点选址问题研究;艾江山等;《计算机工程与应用》;20140724;第85页至第90页 * |
| 无线传感器网络能量均衡的多sink分簇路由算法;李芳等;《计算机工程与应用》;20150914;第110页至第115页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112469100A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112469100B (zh) | 基于可充电多基站式无线异构传感器网络的分层路由算法 | |
| CN108566663B (zh) | 基于扰动粒子群优化的sdwsn能耗均衡路由方法 | |
| CN108696903B (zh) | 一种基于能耗均衡的leach算法优化方法 | |
| Al-Karaki et al. | Data aggregation in wireless sensor networks-exact and approximate algorithms | |
| 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 | |
| CN107360612B (zh) | 一种基于蚁群多路径的无线传感器网络的数据传输方法 | |
| CN106454905B (zh) | 一种改进的无线传感网层次型多链路方法 | |
| CN105898764B (zh) | 多级能量异构的无线传感器网络部署方法 | |
| CN113395660B (zh) | 基于树的WSNs移动汇聚节点自适应位置更新能耗优化方法 | |
| CN113709841B (zh) | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 | |
| CN108307444A (zh) | 基于优化粒子群算法的无线传感网无人机系统通信方法 | |
| CN108174412A (zh) | 一种负载均衡的rpl多路径数据传输机制 | |
| 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 | |
| CN110149672B (zh) | 一种改进的i-leach路由通信方法 | |
| CN108566658B (zh) | 一种无线传感器网络中能耗均衡的分簇算法 | |
| CN107995667A (zh) | 一种可控簇规模的能耗均衡路由方法 | |
| CN114501576B (zh) | 一种基于强化学习的sdwsn最优路径计算方法 | |
| Ren et al. | An opportunistic routing for energy-harvesting wireless sensor networks with dynamic transmission power and duty cycle | |
| Kaur et al. | Comparative analysis of clustering protocols for wireless sensor networks | |
| Nabavi et al. | An optimal routing protocol using multi-objective cultural algorithm for wireless sensor networks (ORPMCA) | |
| CN108366409B (zh) | 一种基于能量均衡的可靠多路径聚合路由方法 | |
| CN111160513A (zh) | 一种物联网电力宽带载波节能算法 | |
| Prakash et al. | Best cluster head selection and route optimization for cluster based sensor network using (M-pso) and Ga algorithms | |
| CN107801227A (zh) | 一种面向无线传感器网层次化分析的路由调度方法 | |
| Jayashree et al. | E/sup 2/LBC: an energy efficient load balanced clustering technique for heterogeneous 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 |