CN112689315B - 基于移动汇聚节点的WSNs改进分簇能耗优化方法 - Google Patents

基于移动汇聚节点的WSNs改进分簇能耗优化方法 Download PDF

Info

Publication number
CN112689315B
CN112689315B CN202011574192.9A CN202011574192A CN112689315B CN 112689315 B CN112689315 B CN 112689315B CN 202011574192 A CN202011574192 A CN 202011574192A CN 112689315 B CN112689315 B CN 112689315B
Authority
CN
China
Prior art keywords
node
cluster head
nodes
sensor
sensor node
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
Application number
CN202011574192.9A
Other languages
English (en)
Other versions
CN112689315A (zh
Inventor
魏倩
白可
杨琳琳
李军伟
周林
金勇�
胡振涛
杨伟
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.)
Henan University
Original Assignee
Henan 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 Henan University filed Critical Henan University
Priority to CN202011574192.9A priority Critical patent/CN112689315B/zh
Publication of CN112689315A publication Critical patent/CN112689315A/zh
Application granted granted Critical
Publication of CN112689315B publication Critical patent/CN112689315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于移动汇聚节点的WSNs改进分簇能耗优化方法，移动汇聚节点根据具体的运动模型进行移动。该方法包含以下步骤：首先，根据邻域节点阈值确定邻域节点集合，从而构建能量密度函数；其次，根据移动汇聚节点在不同轮的运动参数（速度、距离）构建运动性能函数；然后根据LEACH算法基础框架，将能量密度函数和运动性能函数引入簇头选择；最后根据当前轮节点死亡率构建自适应调节函数，对簇头选择进行自适应调节；重复上述簇头选择过程，直至全部节点死亡。本发明综合考虑了传感器节点邻域半径内剩余能量率和密度、移动汇聚节点运动参数变化、节点死亡率等因素，提高了簇头选择自适应性、延长了网络寿命、降低了数据延迟、均衡了网络负载。

Description

基于移动汇聚节点的WSNs改进分簇能耗优化方法
技术领域
本发明涉及无线传感器网络通信技术领域，尤其涉及一种基于移动汇聚节点的WSNs改进分簇能耗优化方法。
背景技术
无线传感器网络(Wireless Sensor Networks，WSNs)由成千上万传感器节点构成。随着无线通信技术的快速发展，无线传感器网络有了更大的应用空间。传感器节点可以部署在很多无人坚守或生存条件恶劣的区域，对于这些传感器节点的监测数据进行收集带来了很大的挑战。移动汇聚节点的引入对于监测数据的收集提供了很大的帮助。因此，针对于移动汇聚节点的引入，如何均衡网络能耗、延长网络寿命、降低网络数据时延也成为了一项重要的研究课题。
在WSNs中，传感器节点自身携带的能量有限，无法及时进行补充，一旦耗尽，将会导致网络节点拓扑结构改变，监测性能下降，整个网络的生存周期也会减少。WSNs根据传感器网络中节点的类型可以分为多种类型，其中包含静止传感器网络(static WSNs)和移动传感器网络(mobile WSNs)。静止WSNs中，传感器节点随机分布后位置保持固定状态，但是传感器节点能量有限，且当它们靠近静止汇聚节点时具有高流量负载，从而引发节点能耗增大、过早死亡等问题。与静止传感器网络不同，移动WSNs中传感器节点分布后可以进行移动，移动汇聚节点(Mobile Sink)的引入可以有效缓解上述问题。许多学者针对无线传感器网络中的能量优化问题提出了很多相关的路由算法。最经典的分簇路由算法是Heinzelman等人提出的低功耗自适应分簇路由协议(Low Energy Adaptive Clustering Hierarchy，LEACH)，该协议首次提出了执行过程分轮和网络节点分簇的思想，将整个过程划分为若干轮，并且每一个完整的工作过程为“一轮”。其中，每一轮中包含两个阶段：簇的建立阶段和稳定的数据通信阶段。簇的建立阶段主要通过簇头选择阈值随机选择簇头，确定簇头集合和非簇头集合。然后簇头节点广播自己成为簇头的消息，非簇头节点根据接收各个簇头节点的信号强度，选择加入信号最强的簇头节点，建立多个簇。其次，簇内成员将自身监测数据发送给相应的簇头节点，簇头节点对接收到的数据进行融合处理，将融合后的数据发送给汇聚节点，对节约网络能耗和延长网络寿命具有一定成效。
经典的LEACH分簇路由算法建立了分簇路由算法的基本框架，对无线传感器网络中针对能耗优化的分簇路由算法有很好的意义。现存的分簇路由算法中，存在以下问题：
1，在进行数据传输过程中，靠近汇聚节点的传感器节点具有较大的流量负载，能耗消耗较大，会出现过早死亡的问题；
2，移动汇聚节点的移动性，导致数据传输网路拓扑结构不断变化，网络中各个传感器节点能耗不均衡和数据延迟；
3，簇头选择具有随机性，簇头选择时没有考虑移动汇聚节点运动参数的变化对网络能耗的影响，导致部分簇头进行远距离传输能耗较大。
发明内容
本发明公开了一种基于移动汇聚节点的WSNs改进分簇能耗优化方法，通过考虑在节点邻域半径内的剩余能量率和密度和移动汇聚节点移动的方向性，同时引入自适应调节函数，进而对簇头选择阈值进行自适应调节，增加了簇头选择的自适应性，降低了数据延迟，延长网络寿命，减少网络能耗。
为了实现上述目的，本发明采用以下技术方案：
基于移动汇聚节点的WSNs改进分簇能耗优化方法，包括以下步骤：步骤1：参数设置，具体的：
设定无线传感器网络监测区域为L×L的正方形区域，移动汇聚节点位于区域内根据具体运动模型进行移动；无线传感器网络中随机部署N个传感器节点，构成传感器节点集合并记为S＝{s1,…,si,…,sN}(i＝1,2,…,N)；每个传感器节点si部署之后位置不再发生改变，且初始能量相同为E0；最优簇头选择概率为popt；最大运行轮数为rmax；
步骤2：计算能量密度函数因子，具体的：
计算传感器节点si到其他传感器节点sj的距离dij(i≠j&i,j＝1,2,…,N)；根据传感器节点si与传感器节点sj的距离dij，计算邻域节点阈值
Figure BDA0002857336930000021
确定传感器节点si邻域节点集合Ni(i＝1,2,…,N)和非邻域节点集合Ni′(i＝1,2,…,N)；根据邻域节点集合Ni确定在当前轮r传感器节点si的邻域节点剩余能量集合Eir，其中Eir＝{Er(1),Er(2),…,Er(i)}(i∈Ni)；结合初始能量E0计算得到传感器节点si能量密度函数因子fep(i)(i＝1,2,…,N)；
步骤3：计算运动性能函数因子，具体的：
根据移动汇聚节点在当前轮r的位置，计算传感器节点si到移动汇聚节点的距离dr(i)(i＝1,2,…,N)；根据第r轮和第r-1(r≥2)轮传感器节点si到移动汇聚节点的距离dr(i)和dr-1(i)，计算传感器节点si与移动汇聚节点的运动性能函数dΔr(i)(i＝1,2,…,N)；将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)(i＝1,2,…,N)；
步骤4：计算初始簇头选择阈值，具体的：
根据步骤2和步骤3得到归一化后的能量密度函数因子fep(i)和归一化的运动性能函数因子frd(i)，结合簇头选择最优概率popt，进行归一化处理计算得到传感器节点si初始簇头选择阈值T′(si)∈[0,1]；
步骤5：计算自适应调节函数，具体的：
根据当前轮r传感器节点死亡个数nr，结合总传感器节点个数N，计算得到传感器节点死亡概率p(r)；通过传感器节点死亡概率p(r)，结合sigmoid函数，计算得到当前轮r的自适应调节函数g(r)；
步骤6：构建自适应簇头选择阈值，具体的：
根据步骤4得到传感器节点si通过归一化处理后的初始簇头选择阈值T′(si)∈[0,1]，结合步骤5中得到的自适应调节函数g(r)，计算得到传感器节点si自适应簇头选择阈值T(si)∈[0,1]；
步骤7：选择簇头，具体的：
根据步骤6中得到的自适应簇头选择阈值T(si)∈[0,1]进行随机性簇头选择，即每个传感器节点si生成一个0～1之间的均分分布的随机数Trand(si)，并将随机数Trand(si)与其对应的阈值T(si)进行比较，若Trand(si)≤T(si)，则传感器节点si为簇头节点，加入簇头节点集合记为C；否则传感器节点si为非簇头节点，加入非簇头节点集合记为C′；
步骤8：簇的形成，具体的：
根据步骤7中得到的簇头集合C，每个簇头在整个监测区域广播自己成为簇头的消息，计算非簇头节点sp(p∈C′)到每个簇头节点sq(q∈C)的距离集合
Figure BDA0002857336930000041
将集合Dpq元素最小值对应的q记为离非簇头节点sp最近的簇头，通过比较距离集合Dpq元素得到离非簇头节点sp最近的簇头之间的距离记为dscmin，比较dscmin与非簇头节点sp(p∈C′)到移动汇聚节点的距离
Figure BDA0002857336930000042
的大小，若
Figure BDA0002857336930000043
则该非簇头节点sp(p∈C′)加入离自身最近的簇头节点q所在的簇，否则，该非簇头节点直接与移动汇聚节点进行通信，不加入任何其他簇；
步骤9：每个簇的簇内节点将自身监测到的数据发送给所在簇的簇头节点，簇头节点接收多个簇成员节点传输的数据并对这些数据进行融合处理；
步骤10：无线传感器网络中每个簇头节点将自身融合处理后的数据发送给移动汇聚节点；
步骤11：重复步骤2至步骤10，直到达到预先设定的运行轮数r＝rmax或全部节点剩余能量为0J；
步骤2中所述每个传感器节点si(i＝1,2,…,N)到其他传感器节点sj的距离dij(i≠j&i,j＝1,2,…,N)采用如下方法计算：
Figure BDA0002857336930000044
其中，传感器节点si,sj(i≠j)的坐标分别为(x(si),y(si))，(x(sj),y(sj))；
步骤2中所述传感器节点si的邻域节点阈值
Figure BDA0002857336930000045
的计算方法为：
Figure BDA0002857336930000051
其中，d0为传感器节点有效通信距离；当dij小于等于d0时，sj加入si邻域节点集合Ni；当dij大于d0时，sj加入si非邻域节点集合Ni′；
步骤2中所述传感器节点si(i＝1,2,…,N)的能量密度函数因子feρ(i)的计算方法为：
Figure BDA0002857336930000052
式中，
fe(i)＝(Er(i)-Eavg)/Eavg
Figure BDA0002857336930000053
Figure BDA0002857336930000054
Figure BDA0002857336930000055
其中，Er(i)为传感器节点si当前剩余能量，fe(i)为传感器节点si的剩余能量率，fρ(i)为传感器节点si邻域节点密度，Eavg为传感器节点si邻域节点平均剩余能量，
Figure BDA0002857336930000056
为传感器节点si的邻域集合Ni节点总个数，
Figure BDA0002857336930000057
为传感器节点si的邻域节点阈值；
步骤3中所述将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)(i＝1,2,…,N)计算方法为：
frd(i)＝arctan(dΔr(i))/(π/2)
式中，
dΔr(i)＝dr(i)-dr-1(i)
Figure BDA0002857336930000061
Figure BDA0002857336930000062
其中，(xms(r),yms(r))为移动汇聚节点第r轮坐标位置、(xms(r-1),yms(r-1))为移动汇聚节点在第r-1轮坐标位置，(x(si),y(si))传感器节点si的坐标；
步骤4中所述进行归一化处理得到的传感器节点si初始簇头选择阈值T′(si)(i＝1,2,…,N)的采用如下方法计算：
T′(si)＝αpopt+βfeρ(i)+γfrd(i)
其中，α,β,γ∈(0,1)分别为阈值T′(si)的加权系数，popt为最优簇头选择概率，feρ(i)能量密度函数因子，frd(i)为运动性能函数因子；
步骤5中所述第r轮的自适应调节函数g(r)(r＝1,2,…,rmax)采用如下方法计算：
g(r)＝1/(1+e(20p(r)-10))
式中
p(r)＝nr/N
其中，nr为第r轮节点死亡个数，p(r)为传感器节点死亡个数占总个数的百分比，N为总传感器节点个数；
步骤6中传感器节点si自适应簇头选择阈值T(si)(i＝1,2,…,N)采用如下方法计算：
T(si)＝g(r)T′(si)
其中，g(r)第r轮的自适应调节函数，T′(si)为传感器节点si初始簇头选择阈值；
步骤8中非簇头节点到每个簇头节点的距离
Figure BDA0002857336930000071
采用如下方法计算：
Figure BDA0002857336930000072
其中，(xs(p),ys(p))为传感器节点sp的坐标，(xc(q),yc(q))为簇头节点q的坐标。
本发明的有益效果：
通过上述技术方案，本发明针对现有的带有移动汇聚节点的路由算法能耗不均衡、数据传输热点等问题，提出了基于移动汇聚节点的WSNs改进分簇能耗优化方法。
首先，本发明在进行簇头选择时，传感器节点邻域半径内的剩余能量率和密度考虑在内，构建能量密度函数，使得剩余能量高的节点优先成为簇头，同时相对减轻担当簇头节点的负载；
其次，根据移动汇聚节点在移动过程中与传感器节点的运动变化参数构建运动性能函数，提高远距离的节点成为簇头的概率；
最后，将运动性能函数和能量密度函数引入簇头选择阈值公式，同时引入一个节点死亡率相关的自适应调节函数，对簇头选择阈值公式各项因子进行自适应调节，减少节点死亡个数，延长了网络寿命。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的网络模型图。
图3为本发明的自适应调节函数曲线图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示：本发明所述的基于移动汇聚节点的WSNs改进分簇能耗优化方
法，包括以下步骤：
步骤1：参数设置，具体的：
如图2所示，设定无线传感器网络监测区域为L×L的正方形区域，移动汇聚节点位于区域内根据具体运动模型进行移动；无线传感器网络中随机部署N个传感器节点，构成传感器节点集合并记为S＝{s1,…,si,…,sN}(i＝1,2,…,N)；每个传感器节点si部署之后位置不再发生改变，且初始能量相同为E0；最优簇头选择概率为popt；最大运行轮数为rmax；
步骤2：计算能量密度函数因子，具体的：
计算传感器节点si到其他传感器节点sj的距离dij(i≠j&i,j＝1,2,…,N)；根据传感器节点si与传感器节点sj的距离dij，计算邻域节点阈值
Figure BDA0002857336930000081
确定传感器节点si邻域节点集合Ni(i＝1,2,…,N)和非邻域节点集合Ni′(i＝1,2,…,N)；根据邻域节点集合Ni确定在当前轮r传感器节点si的邻域节点剩余能量集合Eir，其中Eir＝{Er(1),Er(2),…,Er(i)}(i∈Ni)；结合初始能量E0计算得到传感器节点si能量密度函数因子fep(i)(i＝1,2,…,N)；
其中，步骤2中所述每个传感器节点si(i＝1,2,…,N)到其他传感器节点sj的距离dij(i≠j&i,j＝1,2,…,N)采用如下方法计算：
Figure BDA0002857336930000082
其中，传感器节点si,sj(i≠j)的坐标分别为(x(si),y(si))，(x(sj),y(sj))；
步骤2中所述传感器节点si的邻域节点阈值
Figure BDA0002857336930000091
的计算方法为：
Figure BDA0002857336930000092
其中，d0为传感器节点有效通信距离；当dij小于等于d0时，sj加入si邻域节点集合Ni；当dij大于d0时，sj加入si非邻域节点集合Ni′；
步骤2中所述传感器节点si(i＝1,2,…,N)的能量密度函数因子feρ(i)的计算方法为：
Figure BDA0002857336930000093
式中，
fe(i)＝(Er(i)-Eavg)/Eavg
Figure BDA0002857336930000094
Figure BDA0002857336930000095
Figure BDA0002857336930000096
其中，Er(i)为传感器节点si当前剩余能量，fe(i)为传感器节点si的剩余能量率；fρ(i)为传感器节点si邻域节点密度，Eavg为传感器节点si邻域节点平均剩余能量，
Figure BDA0002857336930000097
为传感器节点si的邻域集合Ni节点总个数，
Figure BDA0002857336930000098
为传感器节点si的邻域节点阈值；
步骤3：计算运动性能函数因子，具体的：
根据移动汇聚节点在当前轮r的位置，计算传感器节点si到移动汇聚节点的距离dr(i)(i＝1,2,…,N)；根据第r轮和第r-1(r≥2)轮传感器节点si到移动汇聚节点的距离dr(i)和dr-1(i)，计算传感器节点si与移动汇聚节点的运动性能函数dΔr(i)(i＝1,2,…,N)；将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)(i＝1,2,…,N)；
其中，步骤3中所述将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)(i＝1,2,…,N)计算方法为：
frd(i)＝arctan(dΔr(i))/(π/2)
式中，
dΔr(i)＝dr(i)-dr-1(i)
Figure BDA0002857336930000101
Figure BDA0002857336930000102
其中，(xms(r),yms(r))为移动汇聚节点第r轮坐标位置、(xms(r-1),yms(r-1))为移动汇聚节点在第r-1轮坐标位置，(x(si),y(si))传感器节点si的坐标；
步骤4：计算初始簇头选择阈值，具体的：
根据步骤2和步骤3得到归一化后的能量密度函数因子fep(i)和归一化的运动性能函数因子frd(i)，结合簇头选择最优概率popt，进行归一化处理计算得到传感器节点si初始簇头选择阈值T′(si)∈[0,1]；
其中，步骤4中所述进行归一化处理得到的传感器节点si初始簇头选择阈值T′(si)(i＝1,2,…,N)的采用如下方法计算：
T′(si)＝αpopt+βfeρ(i)+γfrd(i)
其中，α,β,γ∈(0,1)分别为阈值T′(si)的加权系数，popt为簇头选择最优概率，feρ(i)能量密度函数因子，frd(i)为运动性能函数因子；
步骤5：如图3所示，计算自适应调节函数，具体的：
根据当前轮r传感器节点死亡个数nr，结合总传感器节点个数N，计算得到传感器节点死亡概率p(r)；通过传感器节点死亡概率p(r)，结合sigmoid函数，计算得到当前轮r自适应调节函数g(r)；
其中，步骤5中所述第r轮的自适应调节函数g(r)采用如下方法计算：
g(r)＝1/(1+e(20p(r)-10))
式中
p(r)＝nr/N
其中，nr为第r轮节点死亡个数，p(r)为传感器节点死亡个数占总个数的百分比，N为总传感器节点个数；
步骤6：构建自适应簇头选择阈值，具体的：
根据步骤4得到传感器节点si通过归一化处理后的初始簇头选择阈值T′(si)∈[0,1]，结合步骤5中得到的自适应调节函数g(r)，计算得到传感器节点si自适应簇头选择阈值T(si)∈[0,1]；
其中，步骤6中传感器节点si自适应簇头选择阈值T(si)(i＝1,2,…,N)采用如下方法计算：
T(si)＝g(r)T′(si)
其中，g(r)为第r轮的自适应调节函数，T′(si)为传感器节点si初始簇头选择阈值；
步骤7：选择簇头，具体的：
根据步骤6中得到的自适应簇头选择阈值T(si)∈[0,1]进行随机性簇头选择，即每个传感器节点si生成一个0～1之间的均分分布的随机数Trand(si)，并将随机数Trand(si)与其对应的阈值T(si)进行比较，若Trand(si)≤T(si)，则传感器节点si为簇头节点，加入簇头节点集合记为C；否则传感器节点si为非簇头节点，加入非簇头节点集合记为C′；
步骤8：簇的形成，具体的：
根据步骤7中得到的簇头集合C，每个簇头在整个监测区域广播自己成为簇头的消息，计算非簇头节点sp(p∈C′)到每个簇头节点sq(q∈C)的距离集合
Figure BDA0002857336930000121
将集合Dpq元素最小值对应的q记为离非簇头节点sp最近的簇头，通过比较距离集合Dpq元素得到离非簇头节点sp最近的簇头之间的距离记为dscmin，比较dscmin与非簇头节点sp(p∈C′)到移动汇聚节点的距离
Figure BDA0002857336930000122
的大小，若
Figure BDA0002857336930000123
则该非簇头节点sp(p∈C′)加入离自身最近的簇头节点q所在的簇，否则，该非簇头节点直接与移动汇聚节点进行通信，不加入任何其他簇；
其中，步骤8中非簇头节点到每个簇头节点的距离
Figure BDA0002857336930000124
采用如下方法计算：
Figure BDA0002857336930000125
其中，(xs(p),ys(p))为传感器节点sp的坐标，(xc(q),yc(q))为簇头节点q的坐标；
步骤9：每个簇的簇内节点将自身监测到的数据发送给所在簇的簇头节点，簇头节点接收多个簇成员节点传输的数据并对这些数据进行融合处理；
步骤10：无线传感器网络中每个簇头节点将自身融合处理后的数据发送给移动汇聚节点；
步骤11：重复步骤2至步骤10，直到达到预先设定的运行轮数r＝rmax或全部节点剩余能量为0J；
需要进一步说明的是：
本发明中，无线传感器网络中任意两个传感器节点之间的传输数据的能量消耗可以通过以下方法计算：
假设传感器节点每个数据包有k bit数据，其中ETX和ERX分别为发送数据能耗和接收数据能耗，
Figure BDA0002857336930000131
ERX(k)＝ERX-elec(k)＝kEelec
其中，ETX-elec、ERX-elec和ETX-amp分别为发送端能耗、接收端能耗和放大器能耗；εfs和εmp分别为自由空间放大系数和多径衰减放大系数；Eelec为节点处理1bit数据的能耗；k为传输数据量；d为发送端到接收端的距离；d0为节点间的有效通信距离，其表达式如下式所示。
Figure BDA0002857336930000132
本发明中，移动汇聚节点的位置通过以下方法计算：
移动汇聚节点在移动过程中t时刻移动汇聚节点的运动状态可表示为：
Figure BDA0002857336930000133
其中，
Figure BDA0002857336930000134
分别为在x轴和y轴的位置坐标和运动速度。移动汇聚节点的运动模型为：
x(t+1)＝Fx(t)+W(t)
其中，x(t+1)为t+1移动汇聚节点的运动状态；F为状态转移矩阵；W(t)为高斯噪声，且满足W(t)～N(0，Q(t))；Q(t)为状态噪声协方差。移动汇聚节点停留位置(xms(r),yms(r))如下式所示，
Figure BDA0002857336930000141
其中，xms(r)为移动汇聚节点在第r轮在x轴方向的坐标位置，yms(r)为在第r轮在y轴方向的坐标位置，(Δx(t),Δy(t))分别为移动汇聚节点从第r-1轮到第r轮在x轴方向、y轴方向坐标位置变化量。
移动汇聚节点根据上述运动模型进行移动，并选择在(xms(r),yms(r))位置停留；然后向全网广播自身所在的位置，并收集网络节点监测数据。最后当前轮全部节点数据收集完毕，再次进行移动。
通过上述技术方案，本发明针对现有的带有移动汇聚节点的路由算法能耗不均衡、数据传输热点等问题，提出了基于移动汇聚节点和分簇的无线传感器网络能耗优化方法。
首先，本发明在进行簇头选择时，传感器节点邻域半径内的剩余能量率和密度考虑在内，构建能量密度函数，使得剩余能量高的节点优先成为簇头；
其次，根据移动汇聚节点在移动过程中与传感器节点的运动变化参数构建运动性能函数，提高远离移动汇聚节点的节点成为簇头的概率；
最后，将运动性能函数和能量密度函数引入簇头选择阈值公式，同时引入一个节点死亡率相关的自适应调节函数，对簇头选择阈值公式各项因子进行自适应调节，减少节点死亡个数，延长了网络寿命。
本发明法首先考虑在节点邻域半径内的剩余能量率和密度和移动汇聚节点移动的方向性，同时引入自适应调节函数，进而对簇头选择阈值进行自适应调节，增加了簇头选择的自适应性，降低了数据延迟，延长网络寿命，减少网络能耗。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：包括以下步骤：
步骤1：参数设置，具体的：
设定无线传感器网络监测区域为L×L的正方形区域，移动汇聚节点位于区域内根据具体运动模型进行移动；无线传感器网络中随机部署N个传感器节点，构成传感器节点集合并记为S＝{s1,…,si,…,sN}；i＝1,2,…,N；每个传感器节点si部署之后位置不再发生改变，且初始能量相同为E0；最优簇头选择概率为popt；最大运行轮数为rmax；
步骤2：计算能量密度函数因子，具体的：
计算传感器节点si到其他传感器节点sj的距离dij，i≠j&i,j＝1,2,…,N；根据传感器节点si与传感器节点sj的距离dij，计算邻域节点阈值
Figure FDA0003834711700000011
确定传感器节点si邻域节点集合Ni和非邻域节点集合Ni′；根据邻域节点集合Ni确定在当前轮r传感器节点si的邻域节点剩余能量集合Eir，其中Eir＝{Er(1),Er(2),…,Er(i)}，i∈Ni；结合初始能量E0计算得到传感器节点si能量密度函数因子fep(i)；
步骤3：计算运动性能函数因子，具体的：
根据移动汇聚节点在当前轮r的位置，计算传感器节点si到移动汇聚节点的距离dr(i)；根据第r轮和第r-1轮传感器节点si到移动汇聚节点的距离dr(i)和dr-1(i)，r≥2，计算传感器节点si与移动汇聚节点的运动性能函数dΔr(i)；将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)；
步骤4：计算初始簇头选择阈值，具体的：
根据步骤2和步骤3得到归一化后的能量密度函数因子fep(i)和归一化的运动性能函数因子frd(i)，结合簇头选择最优概率popt，进行归一化处理计算得到传感器节点si初始簇头选择阈值T′(si)∈[0,1]；
步骤5：计算自适应调节函数，具体的：
根据当前轮r传感器节点死亡个数nr，结合总传感器节点个数N，计算得到传感器节点死亡概率p(r)；通过传感器节点死亡概率p(r)，结合sigmoid函数，计算得到当前轮r的自适应调节函数g(r)；
步骤6：构建自适应簇头选择阈值，具体的：
根据步骤4得到传感器节点si通过归一化处理后的初始簇头选择阈值T′(si)∈[0,1]，结合步骤5中得到的自适应调节函数g(r)，计算得到传感器节点si自适应簇头选择阈值T(si)∈[0,1]；
步骤7：选择簇头，具体的：
根据步骤6中得到的自适应簇头选择阈值T(si)∈[0,1]进行随机性簇头选择，即每个传感器节点si生成一个0～1之间的均分分布的随机数Trand(si)，并将随机数Trand(si)与其对应的阈值T(si)进行比较，若Trand(si)≤T(si)，则传感器节点si为簇头节点，加入簇头节点集合记为C；否则传感器节点si为非簇头节点，加入非簇头节点集合记为C′；
步骤8：簇的形成，具体的：
根据步骤7中得到的簇头集合C，每个簇头在整个监测区域广播自己成为簇头的消息，计算非簇头节点sp(p∈C′)到每个簇头节点sq(q∈C)的距离集合
Figure FDA0003834711700000021
q∈C；将集合Dpq元素最小值对应的q记为离非簇头节点sp最近的簇头，通过比较距离集合Dpq元素得到离非簇头节点sp最近的簇头之间的距离记为dscmin，比较dscmin与非簇头节点sp(p∈C′)到移动汇聚节点的距离
Figure FDA0003834711700000022
的大小，若
Figure FDA0003834711700000023
则该非簇头节点sp(p∈C′)加入离自身最近的簇头节点q所在的簇，否则，该非簇头节点直接与移动汇聚节点进行通信，不加入任何其他簇；
步骤9：每个簇的簇内节点将自身监测到的数据发送给所在簇的簇头节点，簇头节点接收多个簇成员节点传输的数据并对这些数据进行融合处理；
步骤10：WSNs中每个簇头节点将自身融合处理后的数据发送给移动汇聚节点；
步骤11：重复步骤2至步骤10，直到达到预先设定的运行轮数r＝rmax或全部节点剩余能量为0焦耳。
2.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤2中所述每个传感器节点si到其他传感器节点sj的距离dij采用如下方法计算：
Figure FDA0003834711700000031
其中，传感器节点si,sji≠j的坐标分别为(x(si),y(si))，(x(sj),y(sj))。
3.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤2中所述传感器节点si的邻域节点阈值
Figure FDA0003834711700000032
的计算方法为：
Figure FDA0003834711700000033
其中，d0为传感器节点有效通信距离；当dij小于等于d0时，sj加入si邻域节点集合Ni；当dij大于d0时，sj加入si非邻域节点集合Ni′。
4.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤2中所述传感器节点si的能量密度函数因子feρ(i)的计算方法为：
Figure FDA0003834711700000034
式中，
fe(i)＝(Er(i)-Eavg)/Eavg
Figure FDA0003834711700000041
Figure FDA0003834711700000042
Figure FDA0003834711700000043
其中，Er(i)为传感器节点si当前剩余能量，fe(i)为传感器节点si的剩余能量率，fρ(i)为传感器节点si邻域节点密度，Eavg为传感器节点si邻域节点平均剩余能量，
Figure FDA0003834711700000044
为传感器节点si的邻域集合Ni节点总个数，
Figure FDA0003834711700000045
为传感器节点si的邻域节点阈值。
5.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤3中所述将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)计算方法为：
frd(i)＝arctan(dΔr(i))/(π/2)
式中，
dΔr(i)＝dr(i)-dr-1(i)
Figure FDA0003834711700000046
Figure FDA0003834711700000047
其中，(xms(r),yms(r))为移动汇聚节点第r轮坐标位置、(xms(r-1),yms(r-1))为移动汇聚节点在第r-1轮坐标位置，(x(si),y(si))传感器节点si的坐标。
6.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤4中所述进行归一化处理得到的传感器节点si初始簇头选择阈值T′(si)(i＝1,2,…,N)的采用如下方法计算：
T′(si)＝αpopt+βfeρ(i)+γfrd(i)
其中，α,β,γ∈(0,1)分别为阈值T′(si)的加权系数，popt为最优簇头选择概率，feρ(i)能量密度函数因子，frd(i)为运动性能函数因子。
7.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤5中所述第r轮的自适应调节函数g(r)采用如下方法计算：
g(r)＝1/(1+e(20p(r)-10))
式中
p(r)＝nr/N
其中，nr为第r轮节点死亡个数，p(r)为传感器节点死亡个数占总个数的百分比，N为总传感器节点个数。
8.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤6中传感器节点si的自适应簇头选择阈值T(si)采用如下方法计算：
T(si)＝g(r)T′(si)
其中，g(r)为第r轮的自适应调节函数，T′(si)为传感器节点si初始簇头选择阈值。
9.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤8中非簇头节点到每个簇头节点的距离
Figure FDA0003834711700000051
p∈C′,q∈C采用如下方法计算：
Figure FDA0003834711700000052
其中，(xs(p),ys(p))为传感器节点sp的坐标，(xc(q),yc(q))为簇头节点q的坐标。
CN202011574192.9A 2020-12-24 2020-12-24 基于移动汇聚节点的WSNs改进分簇能耗优化方法 Active CN112689315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011574192.9A CN112689315B (zh) 2020-12-24 2020-12-24 基于移动汇聚节点的WSNs改进分簇能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011574192.9A CN112689315B (zh) 2020-12-24 2020-12-24 基于移动汇聚节点的WSNs改进分簇能耗优化方法

Publications (2)

Publication Number Publication Date
CN112689315A CN112689315A (zh) 2021-04-20
CN112689315B true CN112689315B (zh) 2022-10-21

Family

ID=75452189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011574192.9A Active CN112689315B (zh) 2020-12-24 2020-12-24 基于移动汇聚节点的WSNs改进分簇能耗优化方法

Country Status (1)

Country Link
CN (1) CN112689315B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395660B (zh) * 2021-06-18 2022-05-13 河南大学 基于树的WSNs移动汇聚节点自适应位置更新能耗优化方法
CN115134835B (zh) * 2022-08-30 2022-12-20 成都星联芯通科技有限公司 一种物联网组网系统以及网关选取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105873160A (zh) * 2016-05-31 2016-08-17 中南大学 一种认知无线传感器网络中无公用信道的簇构建与路由方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100881112B1 (ko) * 2007-06-13 2009-02-02 성균관대학교산학협력단 에너지 효율성을 고려한 무선센서네트워크 운영방법
CN103139862A (zh) * 2012-11-22 2013-06-05 江南大学 基于查询的无线传感器网络多源数据融合方法
CN103209456A (zh) * 2013-01-06 2013-07-17 南昌大学 一种采用分层的无线传感网路由方法
CN109587753B (zh) * 2018-11-26 2021-08-06 河南大学 基于目标阈值约束的改进leach协议的簇头选择算法
CN111314987A (zh) * 2020-02-26 2020-06-19 国网陕西省电力公司电力科学研究院 一种面向智能电网的无线传感器网络及其分簇算法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105873160A (zh) * 2016-05-31 2016-08-17 中南大学 一种认知无线传感器网络中无公用信道的簇构建与路由方法

Also Published As

Publication number Publication date
CN112689315A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112689315B (zh) 基于移动汇聚节点的WSNs改进分簇能耗优化方法
Kour et al. Hybrid energy efficient distributed protocol for heterogeneous wireless sensor network
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
Liu et al. A new multi-path routing protocol based on cluster for underwater acoustic sensor networks
CN104410997B (zh) 一种用于无线传感器网络的层次型拓扑结构构建方法
CN110149672B (zh) 一种改进的i-leach路由通信方法
CN108900996A (zh) 一种基于双层模糊算法的无线传感器网络数据传输方法
CN111182492A (zh) 一种改进的leach分簇层次路由算法
Mehra et al. Enhanced Clustering Algorithm based on Fuzzy Logic (E-CAFL) for WSN: E-CAFL for Homogeneous WSN
CN112312511B (zh) 基于树的无线传感器网络能耗均衡的改进leach方法
Zhang et al. Weighted spanning tree clustering routing algorithm based on LEACH
CN113595903B (zh) 基于fcm分簇拓扑的无线传感器网络节点休眠调度方法
Srinidhi et al. Lifetime maximization of IoT network by optimizing routing energy
El Khediri et al. Clustering algorithm in wireless sensor networks based on shortest path
CN110113798B (zh) 一种多源无线传感器网络环境下同构性路由协议方法
Fazackerley et al. Cluster head selection using RF signal strength
CN112203298A (zh) 一种面向环形无线传感器网络的分簇拓扑控制方法
CN111182574A (zh) 一种基于遗传算法的apteen路由协议优化方法及其优化装置
CN114286417B (zh) 一种基于leach协议的分簇优化及多跳传输方法
Suresh et al. Improving network lifetime and reducing energy consumption in wireless sensor networks
CN110708735B (zh) 异构认知无线传感器网络分簇路由方法
CN106714316B (zh) 无线传感器网络中基于网络编码协作系统区分服务的方法
Zhang et al. Networks energy-efficient clustering algorithm based on fuzzy inference system
Buvana Reducing Network Energy Consumption using Multidimensional Optimization of LEACH Protocol
CN109618388B (zh) 一种面向无线传感器网络能量转化分簇控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant