CN112954763A - 一种基于樽海鞘算法优化的wsn分簇路由方法 - Google Patents
一种基于樽海鞘算法优化的wsn分簇路由方法 Download PDFInfo
- Publication number
- CN112954763A CN112954763A CN202110169675.9A CN202110169675A CN112954763A CN 112954763 A CN112954763 A CN 112954763A CN 202110169675 A CN202110169675 A CN 202110169675A CN 112954763 A CN112954763 A CN 112954763A
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- cluster head
- nodes
- clustering
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/42—Centralised routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/48—Routing tree calculation
-
- 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
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Discrete Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于樽海鞘算法优化的WSN分簇路由方法,所述的方法步骤如下:S1:综合考虑包括节点剩余能量、簇头节点间距离、簇内节点与簇头的距离、节点到基站的距离、簇头节点数量几种因素构造目标函数;S2:采用樽海鞘算法对目标函数进行求解,寻找最优的分簇方案,进而将整个网络分为不均匀的簇,簇内节点通过单跳方式将数据发送给簇头;S3:采用路由效用函数f(CHi)构造以基站为根节点的最小生成树;S4:簇头通过最小生成树组织的路由以单跳‑多跳相结合的方式将数据传送给基站。本发明能有效均衡节点能耗,达到有效延长网络生命周期的目的。
Description
技术领域
本发明涉及无线传感器网络技术领域,更具体的,涉及一种基于樽海鞘算法优化的WSN分簇路由方法。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)是21世纪新兴的信息技术之一,并被美国商业周刊列为21世纪改变世界的十大技术之一。WSN是由许多廉价的具有信息采集功能的传感器节点形成的一个自组织网络系统,用来感知和采集各种信息,并将采集到的信息传输给基站,以便对信息做进一步处理。与传统的无线自组织(Ad-hoc)网络不同,WSN节点通常是由有限的、不可更换的电池来供电,其自身的计算能力、通信能力、存储能量有限[W.B.Heinzelman,A.P.Chandrakasan,and H.Balakrishnan,“Design of adistributed energy-efficient clustering algorithm for heterogeneous wirelesssensor networks,”IEEE Transactions on wireless communications,vol.1,no.4,2002,pp.660-670]。因此,如何高效使用节点能量来最大化网络生命周期是WSN面临的重要挑战。
由于传感器节点能量有限,设计能量有效的WSN路由协议显得十分重要。从网络拓扑结构的角度可以把WSN路由协议分为平面路由协议和层次路由协议两大类[X.Yu,Q.Liu,Y.Liu,et al,“Uneven clustering routing algorithm based on glowworm swarmoptimization,”Ad Hoc Networks,vol.93,2019,pp.101923]。其中低功耗自适应集簇分层协议(Low Energy Adaptive Clustering Hierarchy,LEACH)是一种典型的层次型路由协议。该协议的思想是:以循环的方式随机选择簇头节点,将整个网络的能量消耗平均分配到每个传感器节点中,从而达到降低网络能量消耗、提高网络整体生存时间的目的。
尽管LEACH能够有效提高网络的生存时间,但是该协议所使用的假设条件仍存在着一些值得讨论的问题。
1.按轮重新全局选择簇头的机制需广播节点当选簇头的信息,会过多地浪费系统资源;
2.随机选择簇头机制可能导致非常差的分簇效果,会导致网络中簇头的分布不均匀;
3.没有考虑簇头节点的剩余能量状况,若剩余能量较少的节点担任簇头将导致节点能量迅速耗尽而死亡;
4.典型的单跳路径传输模式,如果随机产生的簇头节点远离基站,会由于长距离转发数据而过早耗尽自身能量而失效,形成网络空洞,降低网络存活时间。
无线传感器网络的分簇包括簇头的选择和簇的形成两个方面,绝大多数分簇算法首先考虑如何选择簇头。通常,为了均衡网络能量消耗,簇头由所有节点轮流担任。簇头的选择面临以下难题:(1)网络状态不断变化,例如节点能量消耗、节点死亡、新节点加入等;(2)网络节点众多;(3)选择算法要求简单高效。国内外有很多运用优化算法如粒子群优化(Particle Swarm Optimization,PSO)算法来实现网络优化分簇问题,能有效均衡网络节点能耗,延长网络生存周期。
目前大多数分簇算法在成簇过程中仅根据候选节点的状态信息选择簇头,由于忽略了周围邻居节点的状态信息,导致簇内与簇头节点易出现能耗不均衡现象。且由于采用簇间单跳路由,没有考虑到簇头传输信息至基站时的能耗不均,当基站位于目标区域以外时,该类算法将导致距离基站较远的节点成块死亡,网络出现“能量空洞”问题。
发明内容
本发明为了解决现有WSN分簇算法存在的能耗不均衡的问题,提供了一种基于樽海鞘算法优化的WSN分簇路由方法,其能有效均衡节点能耗,达到有效延长网络生命周期的目的。
为实现上述本发明目的,采用的技术方案如下:一种基于樽海鞘算法优化的WSN分簇路由方法,所述的方法步骤如下:
S1:综合考虑包括节点剩余能量、簇头节点间距离、簇内节点与簇头的距离、节点到基站的距离、簇头节点数量几种因素构造目标函数;
S2:采用樽海鞘算法对目标函数进行求解,寻找最优的分簇方案,进而将整个网络分为不均匀的簇,簇内节点通过单跳方式将数据发送给簇头;
S3:根据簇头的剩余能量以及簇头与基站之间的距离构造以基站为根节点的最小生成树;
S4:簇头通过最小生成树组织的路由以单跳-多跳相结合的方式将数据传送给基站。
优选地,所述的目标函数表达式如下:
min fobj=ω1·f1+ω2·f2+ω3·f3 (1)
f3=K/N (4)
式中,f1表示候选簇头能量评价因子;表示网络节点的初始能量之和;为当前轮中候选簇头的能量之和;f2表示分簇质量评价因子;表示簇内紧凑性评价因子,其值取各簇内节点与本簇头平均欧式距离的最大值;表示簇头分散性评价因子,其取值各簇头节点与其他簇头节点间距离的最小值;f3表示簇头数量评价因子;K表示簇的数量;N表示网络中节点的数量;ni表示第i个节点;CHs,j表示第j个簇头节点;CHs,k表示第k个簇头节点;s表示第s个樽海鞘搜索粒子;E(ni)表示第i个节点的剩余能量;d(ni,CHs,k)表示节点i和簇头节点k之间的最小欧式距离;d(CHs,j,CHs,k)表示簇头节点j和簇头节点k之间的最小欧式距离;ω1表示f1的权重系数,ω2表示f2的权重系数,ω3表示f3的权重系数,且满足ω1+ω2+ω3=1。
进一步地,假设网络中包含N个节点,预先定义分为K个簇,候选簇头数为M,其中M>>K,则存在的分簇方式有种,在其中确定最佳的分簇方式可以看作一个优化问题,并采用樽海鞘算法进行求解,使每一个樽海鞘个体代表一种可能的分簇方式,用目标函数评价其性能,设置Pops个樽海鞘组成搜索群体在种可能的簇头组合方式中寻找最优解,使目标函数取得最小值。
再进一步地,采用樽海鞘算法进行求解,具体如下:
D1:随机初始化樽海鞘种群的位置,假设樽海鞘的种群规模为Pops,在N维搜索空间中定义樽海鞘的位置,其中N表示网络中节点的数量。ub=[ub1,ub2,...,ubN],lb=[lb1,lb2,...,lbN]分别为各个维度位置变化范围的上界和下界。同时将前Pops/2个樽海鞘看做领导者,将剩余的Pops/2个樽海鞘看做跟随者,根据目标函数式(1)计算每个樽海鞘粒子的适应度值,并将种群中适应度值最小的粒子的位置记做食物源Foodsource。
D2:更新樽海鞘种群的位置;
对于领导者,其位置更新的表达式如下:
式中,为第j只领导者在第i维空间的位置,ubi、lbi分别为第i维位置上对应的上下限;Fi是食物源在第i维空间的位置,系数r1是自适应减小的调控参数,负责平衡算法的全局探索和局部开采能力,r1的表达式为:
式中,t表示当前迭代次数;T表示最大迭代次数。系数r2和r3是在[0,1]范围内的随机数,它们决定了第j个粒子在第i维空间中下一个位置的移动方向和移动距离。
对于跟随者,其位置更新的表达式为:
D3:利用转换函数将位置更新后的粒子各维度的实数值转换为0或1的离散值,所采用的转换函数表达式如下所示:
式中,表示第t+1次迭代更新后领导者或者跟随者的位置,表示第t次迭代过程中所对应的转换概率,当的值大于随机数rand时,的值为1,表示第i个节点被选作簇头节点;当的值小于或等于随机数rand时,的值为0,表示第i个节点被选作成员节点,rand是[0,1]之间的一个随机数。
D4:根据目标函数式(1)来计算更新后的樽海鞘粒子的适应度值,同时将当前种群中适应度值最小的粒子的位置保存为Foodsource;
D5:判断是否达到预设迭代终止条件,若是,则进行下一步,否则回到步骤D2;
D6:将食物源Foodsource的最终位置作为最优分簇方案,挑选Foodsource中值为1的维度所对应的节点作为簇头节点。
再进一步地,所述的路由效用函数f(CHi)的表达式如下:
本发明的有益效果如下:
本发明在簇头选择时综合考虑了节点剩余能量、簇头节点间距离、簇内节点与簇头的距离、节点到基站的距离、簇头节点数量等关键因素构造目标函数,并采用樽海鞘算法对目标函数进行求解,寻找最优的分簇方案,进而将整个网络分为不均匀的簇,有效均衡网络节点的能量消耗。在数据传输阶段,根据路由效用函数f(CHi)构造以基站为根节点的最小生成树,簇头通过最小生成树组织的路由以单跳-多跳相结合的方式将数据传送给基站。该方法能显著降低节点的能量消耗,达到有效延长网络生命周期的目的。
附图说明
图1是实施例1所述的方法的流程图。
图2是实施例1所述的樽海鞘算法优化的流程图。
图3是实施例1每轮存活的节点数量。
图4是实施例1网络剩余能量。
图5是实施例1节点每轮平均消耗能量。
图6是实施例1基站接收的数据包数量。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示,一种基于樽海鞘算法优化的WSN分簇路由方法,所述的方法步骤如下:
S1:综合考虑包括节点剩余能量、簇头节点间距离、簇内节点与簇头的距离、节点到基站的距离、簇头节点数量几种因素构造目标函数;
S2:采用樽海鞘算法对目标函数进行求解,寻找最优的分簇方案,进而将整个网络分为不均匀的簇,簇内节点通过单跳方式将数据发送给簇头;
S3:采用路由效用函数f(CHi)构造以基站为根节点的最小生成树;
S4:簇头通过最小生成树组织的路由以单跳-多跳相结合的方式将数据传送给基站。
本实施例基于樽海鞘算法优化的WSN分簇路由方法的执行过程采用“轮”的方式运行,每轮分为簇建立阶段和数据传输阶段。
其中,簇建立阶段具体如下:所述的目标函数表达式如下:
min fobj=ω1·f1+ω2·f2+ω3·f3 (1)
f3=K/N (4)
式中,f1表示候选簇头能量评价因子;表示网络节点的初始能量之和;为当前轮中候选簇头的能量之和;f2表示分簇质量评价因子;表示簇内紧凑性评价因子,其值取各簇内节点与本簇头平均欧式距离的最大值;表示簇头分散性评价因子,其取值各簇头节点与其他簇头节点间距离的最小值;f3表示簇头数量评价因子;K表示簇的数量;N表示网络中节点的数量;ni表示第i个节点;CHs,j表示第j个簇头节点;CHs,k表示第k个簇头节点;s表示第s个樽海鞘搜索粒子;E(ni)表示第i个节点的剩余能量;d(ni,CHs,k)表示节点i和簇头节点k之间的最小欧式距离;d(CHs,j,CHs,k)表示簇头节点j和簇头节点k之间的最小欧式距离;ω1表示f1的权重系数,ω2表示f2的权重系数,ω3表示f3的权重系数,且满足ω1+ω2+ω3=1。
在具体具体的实施例中,假设网络中包含N个节点,预先定义分为K个簇,候选簇头数为M,其中M>>K,则存在的分簇方式有种,在其中确定最佳的分簇方式可以看作一个优化问题,并采用樽海鞘算法进行求解,使每一个樽海鞘个体代表一种可能的分簇方式,用目标函数评价其性能,设置Pops个樽海鞘组成搜索群体在种可能的簇头组合方式中寻找最优解,使目标函数取得最小值。
其中,采用樽海鞘算法进行求解具体如下:
D1:随机初始化樽海鞘种群的位置,假设樽海鞘的种群规模为Pops,在N维搜索空间中定义樽海鞘的位置,其中N表示网络中节点的数量。ub=[ub1,ub2,...,ubN]表示各个维度位置变化范围的上界,lb=[lb1,lb2,...,lbN]分表示各个维度位置变化范围的下界。同时将前Pops/2个樽海鞘看做领导者,将剩余的Pops/2个樽海鞘看做跟随者,根据目标函数式(1)计算每个樽海鞘粒子的适应度值,并将种群中适应度值最小的粒子的位置记做食物源Foodsource。
D2:更新樽海鞘种群的位置,樽海鞘粒子更新自身位置;
对于领导者,其位置更新的表达式如下:
式中,为第j只领导者在第i维空间的位置,ubi、lbi分别为第i维位置上对应的上下限;Fi是食物源在第i维空间的位置,系数r1是自适应减小的调控参数,负责平衡算法的全局探索和局部开采能力,r1的表达式为:
式中,t表示当前迭代次数;T表示最大迭代次数。系数r2和r3是在[0,1]范围内的随机数,它们决定了第j个粒子在第i维空间中下一个位置的移动方向和移动距离。
对于跟随者,其位置更新的表达式为:
D3:利用转换函数将位置更新后的粒子各维度的实数值转换为0或1的离散值,所采用的转换函数表达式如下所示:
式中,表示第t+1次迭代更新后领导者或者跟随者的位置,表示第t次迭代过程中所对应的转换概率,当的值大于随机数rand时,的值为1,表示第i个节点被选作簇头节点;当的值小于或等于随机数rand时,的值为0,表示第i个节点被选作成员节点,rand是[0,1]之间的一个随机数。
D4:根据目标函数式(1)来计算更新后的樽海鞘粒子的适应度值,同时将当前种群中适应度值最小的粒子的位置保存为Foodsource;
D5:判断是否达到预设迭代终止条件,若是,则进行下一步,否则回到步骤D2;
D6:将食物源Foodsource的最终位置作为最优分簇方案,挑选Foodsource中值为1的维度所对应的节点作为簇头节点。
数据传输阶段,由于数据的传输能耗随着节点的距离按指数倍增长,因此需各簇首间形成一个骨干网,实现多跳通信模式,以节约能耗。通过建立多条路径树,只需每条路径根节点和基站远距离通信,而其他簇首只需要在自己的通信范围内和下一跳簇首进行近距离通信。因此本实施例根据路由效用函数f(CHi)构造以基站为根节点的最小生成树;簇头通过最小生成树组织的路由以单跳-多跳相结合的方式将数据传送给基站。
其中,路由效用函数f(CHi)表达式如下:
函数f(CHi)表示当前簇首CHi选择下一跳簇首CHj的路由效用函数,在簇首CHi的通信范围内,选择距离自己相对较远且距离基站相对较近的簇首CHj,且被选簇首的剩余能量越多其效用函数值越大。因此,被选择作为下一跳路由的可能性也越大。
本实施例所采用的樽海鞘算法具有算法简单,可移植性强,精度高,收敛速度快等优点,适合于解决簇头的选择问题。为此,提出了一种基于樽海鞘算法优化的WSN分簇路由方法,把WSN中的节点划分为多个大小规模非均匀的簇。算法在簇头选择时综合考虑节点剩余能量、簇头节点间距离、簇内节点与簇头的距离、节点到基站的距离、簇头节点数量等因素构造目标函数,并采用樽海鞘算法(Salp Swarm Algorithm,SSA)对目标函数进行求解,寻找最优的分簇方案,进而将整个网络分为不均匀的簇,簇内节点通过单跳方式将数据发送给簇头;然后,采用路由效用函数f(CHi)构造以基站为根节点的最小生成树,簇头通过最小生成树组织的路由以单跳-多跳相结合的方式将数据传送给基站。该算法能有效均衡节点能耗,达到有效延长网络生命周期的目的。
为了验证所提出的路由协议的性能,利用MATLAB在相同条件下仿真SEP方法[G.Smaragdakis,I.Matta,and A.Bestavros,“SEP:A stable election protocol forclustered heterogeneous wireless sensor networks,”Boston University ComputerScience Department,2004];DDEEC方法[B.Elbhiri,R.Saadane,and D.Aboutajdine,“Developed Distributed Energy-Efficient Clustering(DDEEC)for heterogeneouswireless sensor networks,”in 2010 5th International Symposium On I/VCommunications and Mobile Network,IEEE,Rabat,Morocco,Sep.2010,pp.1-4];BEECP方法[R.Pal,H.M.A.Pandey,and M.Saraswat,“BEECP:Biogeography optimization-basedenergy efficient clustering protocol for HWSNs,”in 2016Ninth InternationalConference on Contemporary Computing(IC3),IEEE,Noida,India,Aug.2016,pp.1-6],并对比了多项性能。实验环境的计算机配置:CPU为CoreI7-8700,内存为16G,操作系统为Windows10,在本实验中使用的实验参数如表1所示:
表1网络仿真参数列表
图3显示了4种路由协议每轮存活的节点数量。从图3中可以看出,本实施例所提的方法(英文表示为ECBS)相对于其他3种方法能有效延长网络的生命周期,尤其是网络的稳定阶段。表2记录了网络的生命周期。从表2可以看出,ECBS方法的第一个死亡节点出现在了第1224轮,最后一个死亡节点出现在了第3872轮,均要优于其他三种路由方法。表3显示了ECBS方法在网络稳定期和网络生命周期方面相对于其他三种协议增长的百分比。如表3所示,ECBS协议的网络稳定阶段相对于SEP、DDEEC和BEECP三种算法分别增长了29.5%、36.9%和11.9%。ECBS的网络生命周期相对于SEP、DDEEC和BEECP三种算法分别增长了54.6%、17.7%和6.4%。从上述实验结果可以看出,本实施例所提出的路由协议通过分簇算法的优化可以有效延长整个网络的生命周期。
表2死亡节点百分比
表3网络稳定周期和生命周期的比较
表4剩余能量对比
图4显示了无线网络在整个生命周期中的剩余能量状况,所有的对比协议都有着相同的初始能量。从图4可以看出,ECBS方法在整个生命周期中的剩余能量都要明显高于其他三种路由协议。通过表4所记录的各个方法在第1轮、第200轮、第1000轮和第2000轮的具体剩余能量值也同样可以看出ECBS在相同的时间周期内有着更多的剩余能量。同时,如图5所示,ECBS协议在每一轮中的平均能量消耗在四种路由协议中也是最低的。这是因为一方面本实施例所提出的路由算法利用SSA来优化分簇方案,使得网络可以挑选最合适的节点作为簇头来均衡整个网络的能量消耗。另一方面,所设计的目标函数可以确保在每一轮中选择较少的簇头节点,从而减少整个网络的平均能量消耗。
如图6所示,四种路由协议在每一轮传递给基站的数据包数量。从图6中可以观察到,ECBS相对于其他三种方法能够传递的数据包数量是最多的。主要原因是因为本实施例所提出的路由技术在SSA的优化下可以有效均衡整个网络的能量消耗,使得网络相较于其他三种协议每轮的能量消耗更少,工作的时间更长。另外,ECBS方法在数据传输阶段所建立的最小生成树,通过单跳-多跳相结合的方式进行数据传输也能提高网络传输的可靠性,最大化网络的数据吞吐量。
综上所述,本实施例所提出的基于SSA的WSN分簇路由方法无论是在网络生命周期、每轮平均能量消耗、稳定期和数据吞吐量等方面都要明显优于其他三种对比方法。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于樽海鞘算法优化的WSN分簇路由方法,其特征在于:所述的方法步骤如下:
S1:综合考虑包括节点剩余能量、簇头节点间距离、簇内节点与簇头的距离、节点到基站的距离、簇头节点数量几种因素构造目标函数;
S2:采用樽海鞘算法对目标函数进行求解,寻找最优的分簇方案,进而将整个网络分为不均匀的簇,簇内节点通过单跳方式将数据发送给簇头;
S3:采用路由效用函数f(CHi)构造以基站为根节点的最小生成树;
S4:簇头通过最小生成树组织的路由以单跳-多跳相结合的方式将数据传送给基站。
2.根据权利要求1所述的基于樽海鞘算法优化的WSN分簇路由方法,其特征在于:所述的目标函数表达式如下:
min fobj=ω1·f1+ω2·f2+ω3·f3 (1)
f3=K/N (4)
式中,f1表示候选簇头能量评价因子;表示网络节点的初始能量之和;为当前轮中候选簇头的能量之和;f2表示分簇质量评价因子;表示簇内紧凑性评价因子,其值取各簇内节点与本簇头平均欧式距离的最大值;表示簇头分散性评价因子,其取值各簇头节点与其他簇头节点间距离的最小值;f3表示簇头数量评价因子;K表示簇的数量;N表示网络中节点的数量;ni表示第i个节点;CHs,j表示第j个簇头节点;CHs,k表示第k个簇头节点;s表示第s个樽海鞘搜索粒子;E(ni)表示第i个节点的剩余能量;d(ni,CHs,k)表示节点i和簇头节点k之间的最小欧式距离;d(CHs,j,CHs,k)表示簇头节点j和簇头节点k之间的最小欧式距离;ω1表示f1的权重系数,ω2表示f2的权重系数,ω3表示f3的权重系数,且满足ω1+ω2+ω3=1。
4.根据权利要求3所述的基于樽海鞘算法优化的WSN分簇路由方法,其特征在于:采用樽海鞘算法进行求解具体如下:
D1:随机初始化樽海鞘种群的位置;
D2:更新樽海鞘种群的位置;
D3:利用转换函数将位置更新后的粒子各维度的实数值转换为0或1的离散值;
D4:根据目标函数式(1)来计算更新后的樽海鞘粒子的适应度值,同时将当前种群中适应度值最小的粒子的位置保存为Foodsource;
D5:判断是否达到预设迭代终止条件,若是,则进行下一步,否则回到步骤D2;
D6:将食物源Foodsource的最终位置作为最优分簇方案,挑选Foodsource中值为1的维度所对应的节点作为簇头节点。
5.根据权利要求4所述的基于樽海鞘算法优化的WSN分簇路由方法,其特征在于:步骤D1,初始化樽海鞘种群的位置具体包括如下:
假设樽海鞘的种群规模为Pops,在N维搜索空间中定义樽海鞘的位置,其中N表示网络中节点的数量;ub=[ub1,ub2,...,ubN]表示各个维度位置变化范围的上界,lb=[lb1,lb2,...,lbN]表示各个维度位置变化范围的下界;同时将前Pops/2个樽海鞘看做领导者,将剩余的Pops/2个樽海鞘看做跟随者;根据目标函数式(1)计算每个樽海鞘粒子的适应度值,并将种群中适应度值最小的粒子的位置记作食物源Foodsource。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169675.9A CN112954763B (zh) | 2021-02-07 | 2021-02-07 | 一种基于樽海鞘算法优化的wsn分簇路由方法 |
US17/566,735 US11800425B2 (en) | 2021-02-07 | 2021-12-31 | WSN clustering routing method based on optimization with salp swarm algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169675.9A CN112954763B (zh) | 2021-02-07 | 2021-02-07 | 一种基于樽海鞘算法优化的wsn分簇路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112954763A true CN112954763A (zh) | 2021-06-11 |
CN112954763B CN112954763B (zh) | 2022-12-23 |
Family
ID=76243373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110169675.9A Active CN112954763B (zh) | 2021-02-07 | 2021-02-07 | 一种基于樽海鞘算法优化的wsn分簇路由方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11800425B2 (zh) |
CN (1) | CN112954763B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113543264A (zh) * | 2021-07-26 | 2021-10-22 | 中南大学 | 一种非均匀路由协议设计方法 |
CN114040473A (zh) * | 2021-11-29 | 2022-02-11 | 中国科学院上海微系统与信息技术研究所 | 一种无线传感器网络分簇路由方法 |
CN117320112A (zh) * | 2023-10-26 | 2023-12-29 | 陕西思极科技有限公司 | 一种双模通信网络能耗均衡方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379529A (zh) * | 2022-08-22 | 2022-11-22 | 温州理工学院 | 一种节能高效可靠的物联网感知层数据收集方法 |
CN116074923B (zh) * | 2023-04-06 | 2023-06-16 | 陕西思极科技有限公司 | 一种定向无线网络通信装置管理系统 |
CN116456308B (zh) * | 2023-06-19 | 2023-08-29 | 华东交通大学 | 一种面向动态频谱环境的车联网分簇方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105100A (zh) * | 2013-04-02 | 2014-10-15 | 中国科学院计算技术研究所 | 基于伪随机子信道选择策略的下行干扰消除方法及系统 |
CN107787021A (zh) * | 2016-08-26 | 2018-03-09 | 扬州大学 | 基于能量均衡的非均匀分簇多跳的无线传感网络路由协议 |
WO2020023909A1 (en) * | 2018-07-27 | 2020-01-30 | GoTenna, Inc. | Vine™: zero-control routing using data packet inspection for wireless mesh networks |
CN111027663A (zh) * | 2019-11-12 | 2020-04-17 | 天津大学 | 一种改进樽海鞘群算法的方法 |
CN111031502A (zh) * | 2019-11-06 | 2020-04-17 | 湖北工业大学 | 一种基于樽海鞘群算法的无线传感器网络节点定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855011B2 (en) * | 2010-07-12 | 2014-10-07 | University Of Southern California | Distributed transforms for efficient data gathering in sensor networks |
JP5289517B2 (ja) * | 2011-07-28 | 2013-09-11 | 株式会社半導体理工学研究センター | センサネットワークシステムとその通信方法 |
US10222688B2 (en) | 2014-09-22 | 2019-03-05 | Woods Hole Oceanographic Institution | Continuous particle imaging and classification system |
WO2017066544A1 (en) | 2015-10-15 | 2017-04-20 | Woods Hole Oceanographic Institution | System for rapid assessment of water quality and harmful algal bloom toxins |
US10656923B1 (en) | 2019-07-31 | 2020-05-19 | Capital One Services, Llc | Systems for determining regulatory compliance of smart contracts |
-
2021
- 2021-02-07 CN CN202110169675.9A patent/CN112954763B/zh active Active
- 2021-12-31 US US17/566,735 patent/US11800425B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104105100A (zh) * | 2013-04-02 | 2014-10-15 | 中国科学院计算技术研究所 | 基于伪随机子信道选择策略的下行干扰消除方法及系统 |
CN107787021A (zh) * | 2016-08-26 | 2018-03-09 | 扬州大学 | 基于能量均衡的非均匀分簇多跳的无线传感网络路由协议 |
WO2020023909A1 (en) * | 2018-07-27 | 2020-01-30 | GoTenna, Inc. | Vine™: zero-control routing using data packet inspection for wireless mesh networks |
CN111031502A (zh) * | 2019-11-06 | 2020-04-17 | 湖北工业大学 | 一种基于樽海鞘群算法的无线传感器网络节点定位方法 |
CN111027663A (zh) * | 2019-11-12 | 2020-04-17 | 天津大学 | 一种改进樽海鞘群算法的方法 |
Non-Patent Citations (2)
Title |
---|
MADANA SRINIVAS: "EE-hHHSS: Energy-efficient wireless sensor network with mobile sink strategy using hybrid Harris hawk-salp swarm optimization algorithm", 《INTERNATIONAL JOURNAL OF COMMUNICATION SYSTEMS》 * |
SUSAN AUGUSTINE: "A modified rider optimization algorithm for multihop routing in WSN", 《INTERNATIONAL JOURNAL OF NUMERICAL MODELLING-ELECTRONIC NETWORKS DEVICES AND FIELDS》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113543264A (zh) * | 2021-07-26 | 2021-10-22 | 中南大学 | 一种非均匀路由协议设计方法 |
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 |
CN114040473A (zh) * | 2021-11-29 | 2022-02-11 | 中国科学院上海微系统与信息技术研究所 | 一种无线传感器网络分簇路由方法 |
CN117320112A (zh) * | 2023-10-26 | 2023-12-29 | 陕西思极科技有限公司 | 一种双模通信网络能耗均衡方法及系统 |
CN117320112B (zh) * | 2023-10-26 | 2024-05-03 | 陕西思极科技有限公司 | 一种双模通信网络能耗均衡方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220256431A1 (en) | 2022-08-11 |
US11800425B2 (en) | 2023-10-24 |
CN112954763B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112954763B (zh) | 一种基于樽海鞘算法优化的wsn分簇路由方法 | |
Zhao et al. | Energy-efficient routing protocol for wireless sensor networks based on improved grey wolf optimizer | |
Wei et al. | Cluster-based routing protocols in wireless sensor networks: a survey | |
Liu et al. | A new multi-path routing protocol based on cluster for underwater acoustic sensor networks | |
Cheng et al. | An energy aware ant colony algorithm for the routing of wireless sensor networks | |
Wang et al. | A K-medoids based clustering algorithm for wireless sensor networks | |
ME et al. | Energy aware heuristic approach for cluster head selection in wireless sensor networks | |
Messaoudi et al. | Cross-layer based routing protocol for wireless sensor networks using a fuzzy logic module | |
Prasath et al. | RMCHS: Ridge method based cluster head selection for energy efficient clustering hierarchy protocol in WSN | |
Mishra et al. | Survey on recent clustering algorithms in wireless sensor networks | |
Nabavi | An optimal routing protocol using multi-objective whale optimization algorithm for wireless sensor networks | |
Gou et al. | Improved LEACH protocol based on efficient clustering in wireless sensor networks | |
Kaur et al. | Comparative analysis of clustering protocols for wireless sensor networks | |
Merah et al. | A hybrid neural network and graph theory based clustering protocol for dynamic iot networks | |
Jain et al. | Sink as Cluster head: An energy efficient clustering method for wireless sensor networks | |
Nisha et al. | An energy efficient self organizing multicast routing protocol for internet of things | |
Xu et al. | Clustering routing algorithm for heterogeneous WSN with energy harvesting | |
Nanda et al. | Cost effective modleach-a* search algorithm for shortest path routing in wireless sensor networks | |
Kakkar | TOPSIS optimized Dual-Hop Routing Protocol for Homogeneous Wireless Sensor Networks with Grid-Based Clustering | |
Singla et al. | QTM: Quality aware improved TOPSIS method for routing in MANETs | |
Buvana | Reducing Network Energy Consumption using Multidimensional Optimization of LEACH Protocol | |
Houssein et al. | Vortex search topology control algorithm for wireless sensor networks | |
Saad et al. | Efficient Bio-Inspired Routing Algorithm for IoT | |
CN113543264B (zh) | 一种非均匀路由协议设计方法 | |
Banerjee et al. | Study on Proactive and Reactive Routing Approaches for Flying Ad-hoc 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 |