CN113115249A - 簇头节点的确定方法、装置及系统 - Google Patents

簇头节点的确定方法、装置及系统 Download PDF

Info

Publication number
CN113115249A
CN113115249A CN202110382366.XA CN202110382366A CN113115249A CN 113115249 A CN113115249 A CN 113115249A CN 202110382366 A CN202110382366 A CN 202110382366A CN 113115249 A CN113115249 A CN 113115249A
Authority
CN
China
Prior art keywords
node
cluster
nodes
cluster head
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
Application number
CN202110382366.XA
Other languages
English (en)
Other versions
CN113115249B (zh
Inventor
张德晶
陈永录
张飞燕
李江涛
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110382366.XA priority Critical patent/CN113115249B/zh
Publication of CN113115249A publication Critical patent/CN113115249A/zh
Application granted granted Critical
Publication of CN113115249B publication Critical patent/CN113115249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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

本发明公开了一种簇头节点的确定方法、装置及系统，涉及物联网技术领域，其中，该方法包括：接收来自基站的分簇信息；基于最大期望(EM)算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇；基于粒子群优化算法(PSO)算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。通过本发明，可以减小簇头搜索空间，并且，无需由基站来搜索簇头节点，而由节点自身进行簇头节点的搜索，从而可以减少通信能耗。

Description

簇头节点的确定方法、装置及系统
技术领域
本发明涉及物联网技术领域，具体涉及一种簇头节点的确定方法、装置及系统。
背景技术
随着信息科技的普及与发展，物联网、大数据等新兴科技引起了各国学者的高度重视，无线传感器网络(Wireless Sensor Networks，WSN)作为物联网和大数据的主要数据来源，对新兴科技的发展起着不可忽视的推动作用。无线传感器网络由布置在特定区域的传感器节点和Sink节点(基站)以无线通信的方式自组织形成网络，传感器节点之间相互协作，对监测对象进行实时监测、信息获取以及信息处理等功能，并将采集的数据以单跳或多跳的形式发送给Sink节点，Sink节点对数据信息进行处理后通过网络发送给用户，从而达到环境监测、目标跟踪以及数据汇集等目的。
能量有限性和数据海量性作为无线传感器网络的两大挑战，是目前无线传感器网络的重点关注方向，传感器网络的能耗主要为通信能耗，高效的路由可以均衡网络的能耗，从而达到提高网络寿命的目的。因此，路由算法的优劣对无线传感器网络的稳定十分重要，设计高效的路由算法从而提高网络寿命，对无线传感器网络的发展具有实质性意义。
Eberhart等人提出的粒子群优化算法(Particle Swarm Optimization，PSO)以其简单易用、适用性强等特点被广泛应用于WSN路由设计，但是这种算法的应用仍然存在一些不足。基于粒子群的路由算法一般由基站基于粒子群算法在整个节点区域内进行簇头搜索，不但搜索空间大，而且每个节点每一轮都要向基站发送剩余能量信息，浪费了一定的通信能耗。
发明内容
有鉴于此，本发明提供一种簇头节点的确定方法、装置及系统，以解决上述提及的至少一个问题。
根据本发明的第一方面，提供一种簇头节点的确定方法，所述方法包括：
接收来自基站的分簇信息；
基于最大期望(EM)算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇；
基于粒子群优化(PSO)算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。
根据本发明的第二方面，提供一种簇头节点的确定装置，所述装置包括：
分簇信息接收单元，用于接收来自基站的分簇信息；
归类单元，用于基于最大期望(EM)算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇；
簇头节点确定单元，用于基于粒子群优化(PSO)算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。
根据本发明的第三方面，提供一种簇头节点的确定系统，所述系统包括：上述的簇头节点的确定装置和基站，其中，所述基站包括：
节点信息接收单元，用于接收区域内的各节点的位置信息；
分簇信息确定单元，用于根据区域内的节点数量和各节点的位置信息确定分簇信息。
根据本发明的第四方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
根据本发明的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
由上述技术方案可知，通过根据接收基站的分簇信息，基于EM算法对区域内的各节点进行聚类操作，将各节点归类为所属簇，之后基于PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点，相比于现有技术中基于PSO算法由基站在整个区域搜索簇头节点，本技术方案只需在簇内搜索簇头节点，减小了簇头搜索空间，并且，无需由基站来搜索簇头节点，而由节点自身进行簇头节点的搜索，从而可以减少通信能耗。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的簇头节点确定方法的流程图；
图2是根据本发明实施例的簇头节点确定方法的详细流程图；
图3是根据本发明实施例的基于EM算法进行节点聚类的流程图；
图4是根据本发明实施例的基于PSO算法搜索簇头节点的流程图；
图5是传感器网络示意图；
图6是根据本发明实施例的基于EM-PSO算法的分簇示意图；
图7是LEACH、EM、PSO以及本发明实施例的EM-PSO算法的节点存活数随轮数增加而变化的对比示意图；
图8是LEACH、EM、PSO、EM-PSO算法的第一个节点死亡时间FND、一半节点死亡时间HND、及最后一个节点死亡时间LND的对比示意图；
图9是LEACH、EM、PSO、EM-PSO四种算法随网络轮数的增加节点总剩余能量的变化情况对比示意图；
图10是在第0轮、200轮、400轮、600轮、800轮、1000轮下LEACH、EM、PSO、EM-PSO四种算法的节点平均剩余能量对比示意图；
图11是根据本发明实施例的簇头节点确定系统的结构框图；
图12是根据本发明实施例的基站的结构框图；
图13是根据本发明实施例的簇头节点确定装置的结构框图；
图14为本发明实施例的电子设备600的系统构成的示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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作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。
目前，基于PSO的路由算法需要在整个节点区域内搜索簇头，因此存在搜索空间大、通信能耗浪费较多的问题。基于此，本发明实施例提供一种新的簇头节点的确定方案，该方案基于EM-PSO(Expectation-Maximization-PSO，最大期望-粒子群优化)算法来确定簇头节点，首先利用最大期望算法(EM)将区域内节点聚类为最优个簇，然后在每个簇内并行进行PSO最优簇头搜索，如此，可以减小簇头搜索空间，并使得簇头节点均匀的分布在整个区域。同时，由节点自身进行最优簇头的搜索，节省了每一轮各节点向基站发送剩余能量等信息的通信能耗。以下结合附图来详细描述本发明实施例。
图1是根据本发明实施例的簇头节点确定方法的流程图，如图1所示，该方法包括：
步骤101，接收来自基站的分簇信息。
在实际操作，节点区域内的每个节点会向基站发送自己的位置信息。基站根据节点区域内的节点数量和各节点的位置信息确定分簇信息。之后，基站向区域内各节点广播分簇信息。这里的分簇信息是指将区域内的节点分为几个簇。
步骤102，基于最大期望(EM)算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇。
具体地，可以基于EM算法根据所述分簇信息先对区域内各节点进行聚类操作，生成聚类中心；随后，根据各节点到所述聚类中心的距离确定各节点属于各簇的从属度，所述从属度为各节点属于各簇的概率值；之后，根据各节点属于各簇的从属度将各节点归类为所属簇。
步骤103，基于粒子群优化(PSO)算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。这里的紧密度是指节点之间的距离，当节点之间距离小时，表示紧密度高。
具体而言，基于POS算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定各节点的簇头信息，所述簇头信息用于表示节点成为簇头节点的概率值；之后根据各节点的簇头信息确定簇头节点。
由于簇头节点担任簇内其它成员节点的中转站，将簇内成员节点的数据进行融合转发，因此簇头节点需要消耗比非簇头节点更多的能量，节点剩余能量是选择簇头的一个重要因素。同时，通信能量的消耗与距离成正比，簇内节点向簇头发送数据，簇内节点越紧密，表示簇内节点离簇头的距离越小，簇内节点向簇头发送数据消耗的能量越小。因而，在本发明实施例中，考虑各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度这三个因素，来确定簇头节点。
通过根据接收基站的分簇信息，基于EM算法对区域内的各节点进行聚类操作，将各节点归类为所属簇，之后基于PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点，相比于现有技术中基于PSO算法由基站在整个区域搜索簇头节点，本发明实施例只需在簇内搜索簇头节点，减小了簇头搜索空间，并且，无需由基站来搜索簇头节点，而由节点自身进行簇头节点的搜索，从而可以减少通信能耗。
在步骤103确定簇头节点之后，可以建立簇头节点与簇内其他节点的时分多址通信(Time Division Multiple Access，TDMA)链接，以便于簇头节点与簇内其他节点进行数据传输。
在实际操作中，当区域内的节点数量变化，需要更新各节点的所属簇和各簇内的簇头节点。也就是说，重新执行上述步骤101-103。
图2是根据本发明实施例的簇头节点确定方法的详细流程图，如图2所示，该流程包括：
步骤201，判断是否为第一轮簇头节点确定流程，如果是，进行步骤202-步骤207，否则进行步骤208-步骤210；
步骤202，每个节点向基站发送自己的位置信息，基站计算区域内节点的最佳分簇数量k；
步骤203，基站基于EM算法对区域内节点进行聚类，分为k个簇；
步骤204，基站向区域内节点广播分簇信息；
步骤205，每个节点向簇内距离聚类中心最近的节点发送位置信息和剩余能量信息；
步骤206，离聚类中心最近的节点基于PSO算法搜索簇内最优簇头节点；
步骤207，在确定最优簇头节点之后，离聚类中心最近的节点与簇头节点交换簇内节点信息，之后进行步骤211；
步骤208，判断区域内节点数量是否与初始节点数量相等，如果相等则进行步骤209，否则进行步骤202；
步骤209，上一轮中的各簇头节点基于PSO算法并行在各簇内进行最佳簇头节点的搜索；
步骤210，上一轮簇头节点与本轮确定的簇头节点交换簇内节点信息；
步骤211，本轮簇头节点向簇内广播自身信息，对于各节点，如果是簇头节点，执行步骤212，否则，执行步骤213；
步骤212，簇头节点创建簇内TDMA并广播；
步骤213，簇内节点等待接收调度广播；
步骤214，区域内各节点进入稳定数据传输阶段。
如果本轮路由结束，转入步骤201。
通过上述流程可知，EM-PSO路由算法在传感器网络开始工作时，每个节点向基站发送自己的位置信息，基站对每个节点分配ID(标识)，并计算最优分簇个数。同时，基于EM算法对节点进行聚类，将区域内节点分为最优个簇。聚类完成后，基站向区域内节点广播分簇信息，节点收到分簇信息后，向簇内离聚类中心最近的节点发送自己的位置信息，每个簇内离聚类中心最近的节点并行进行PSO最优簇头搜索。基于PSO搜索最优簇头时，考虑节点剩余能量、节点到基站的距离以及到簇内其他节点的距离和三个因素，当搜索到最优簇头时，与最优簇头交换簇内节点信息。同时，簇头向簇内节点广播自己已成为簇头的消息，非簇头节点收到广播消息，记录簇头节点信息，等待接收簇头节点的调度广播。当从第二轮路由开始，如果区域内没有节点死亡，则不再重新聚类，只在每个簇内进行簇头节点的更新，最优簇头的选择由上一轮的簇头节点进行。如果有节点死亡，网络结构发生变化，需要重新进行聚类分簇。
也就是说，本发明实施例的簇头节点确定方法主要包括三个部分：1、最佳分簇数；2、EM聚类分簇；3、利用PSO算法搜索最优簇头，通过这三个部分可以实现在簇内由节点自身搜索簇头节点，减小了簇头搜索空间，也减少了通信能耗。
为了更清楚地理解本发明，以下以传感器网络为例，对上述三个部分分别进行详细描述。
1、最佳分簇数
传感器网络在进行节点分簇时，分簇数量对整个网络路由的性能有很大的影响。如果选择的簇头数目过少，则每个簇内的平均节点数量过多，导致簇头节点负担过重，从而造成网络节点能量失衡。相反，若是选择的簇头数量过多，则数据融合效率较低，数据冗余度大，导致数据传输量增大，簇头利用率不高，这会增大节点的传输能耗，降低路由性能。
因此，适当数量的簇头，对整个传感器网络十分重要。本发明实施例基于最小化传感器网络通信能耗，来计算最佳簇头数量。
假设在M*M(M表示区域的长度，单位为米)的区域内随机部署了n个传感器节点，簇头节点的数量设为k个，基站位于区域的中心位置，假定均匀的将节点分为k个簇，簇头节点直接向基站发送数据，不经过其他节点转发。
可以得到，传感器网络每个簇内的普通节点数目为m＝n/k-1，每个簇内簇头节点数量为1，基于上述对传感器网络的能耗分析，可以得到以下结论：
(1)簇头节点的能量消耗主要包括：接收簇内节点的数据能耗(EreData)、融合簇内所有数据的能耗(Efuse)、发送簇内所有数据到基站的能耗(EsendData)。从而可以得到簇头节点的能量消耗为：
Figure BDA0003013462190000071
式(1)中，接收、发送、融合一个节点需要消耗lbit数据，Eelec表示将1bit数据传输到距离为d的节点所消耗的能量，EDA表示融合1bit数据消耗的能量，εfs＝10PJ/bit/m2为自由空间因子，dtoBS为簇头节点到基站的距离。
(2)簇内节点的能量消耗主要考虑向簇头发送数据的能耗。因此，簇内成员节点的能量消耗为：
Figure BDA0003013462190000072
式(2)中，dtoCT表示节点到簇头的距离。
在传感器网络前期，还未有节点死亡，此时，每轮传感器网络的能量消耗为簇头节点的能量消耗与簇内节点的能量消耗的总和：
Figure BDA0003013462190000081
根据节点个数和感知区域的面积可以得到节点平均密度为n/M，每个簇覆盖的区域半径为
Figure BDA0003013462190000082
则可以得到簇内节点到簇头节点的平均距离和簇头节点到基站的平均距离。
簇头节点到基站的平均距离为：
Figure BDA0003013462190000083
式(4)中，x，y分别表示簇头到基站横向和纵向的距离。
簇内成员节点到簇头节点平均距离为：
Figure BDA0003013462190000084
将簇内节点到簇头的平均距离与簇头到基站的平均距离带入总能耗公式(3)，并关于k求导，可以得到最佳簇头节点数k为：
Figure BDA0003013462190000085
也就是说，根据上述公式(6)，可以得到区域内的最佳簇头节点数量。
2、EM聚类分簇
EM-PSO路由算法首先基于EM聚类算法对区域内的节点进行分簇，如图3所示，基于EM算法进行节点聚类的主要步骤如下所示：
步骤301，随机初始化k个类的聚类中心μ＝{μ1,μ2,....,μK}，初始化方差σ＝{σ1,σ2,....σK}，方差σ代表了中心节点到类(类也可以称为聚类)中其他节点的距离方差，初始化混合参数ρ＝{ρ1,ρ2,....,ρK}。
步骤302，计算每个节点从属于每一类的从属度ξ：
Figure BDA0003013462190000091
式(7)中，ρj代表第j个聚类的混合参数，xi表示第i个节点，μj表示第j个聚类的中心，σj表示第j个聚类的方差，N(xi；μj,σj)表示节点i在第j聚类的概率，p(xi)表示抽到第i个节点的概率。
步骤303，计算对数联合概率L，其中，对数联合概率表示对似然函数取对数：
Figure BDA0003013462190000092
步骤304，根据从属度评估每一个节点xi属于哪一类，将节点加入从属度最大的一类，成为该类中的一员。
步骤305，更新聚类中心μ、距离方差σ、以及混合参数ρ：
Figure BDA0003013462190000093
Figure BDA0003013462190000094
Figure BDA0003013462190000095
步骤306，更新对数联合概率Lnew：
Figure BDA0003013462190000096
步骤307，如果Lnew-L＜ε(ε是一个较小的数，可以取经验值)，结束算法，否则，返回步骤302。
3、利用PSO算法搜索最优簇头
基于上述EM聚类算法，对区域内节点进行分簇，然后在每个簇内基于PSO算法并行进行最优簇头搜索。在选择簇头时综合考虑节点的剩余能量、节点到基站的距离以及节点到簇内其他节点的距离和三个因素，以选择剩余能量高、离基站近、离簇内成员节点近的簇头为优化目标。在利用PSO算法搜索簇头时，每个粒子(即，节点)代表了一个潜在的最优簇头，每个粒子的每一维代表了一个簇内节点。
图4是基于PSO算法搜索簇头节点的流程图，如图4所示，该流程包括：
步骤401，初始化PSO算法中的参数，具体地，参数包括：初始化粒子数、学习因子(例如，可以取值1)、惯性权重(例如，最大惯性权重可以取值0.9，最小惯性权重可以取值0.4)、最大粒子速度(例如，可以取值2)、最小粒子速度(例如，可以取值-2)及最大迭代次数(例如，可以取值200)。
每个粒子由mk维组成，mk表示第k个簇内的节点数量，粒子中每一维的值代表了该簇对应的簇内节点成为簇头的概率值。
因此每一个粒子可以表示为：
Figure BDA0003013462190000101
其中，mk代表簇内节点数量，不同簇有不同的节点数量，因此mk是根据簇类别来确定的，pi～[0,1]表示了该簇内节点i成为簇头的概率，概率值越大，成为簇头的可能性越大。
步骤402，粒子群初始化，初始化粒子初始位置和初始速度。
具体地，首先对粒子位置进行随机初始化，公式如式(14)所示：
S＝rand(n,mk) (14)
其中，n为粒子群规模，mk为粒子维数，rand()表示产生随机数的一个随机函数。
然后将每个粒子中最大值的位置设为1，其余位置为0。即，将粒子群位置初始化为0和1组成的n*mk维矩阵，且每行只有一个1。
随后，对粒子速度进行随机初始化，如式(15)所示：
VStep＝rand(n,mk)*(Vmax-Vmin)+Vmin (15)
其中，n为粒子群规模，mk为粒子维数，Vmin、Vmax代表了粒子最小最大速度。
步骤403，确定适应度函数，根据适应度函数计算每个粒子的适应度值，在第一次迭代时，找出适应度值最大的粒子，记录该粒子为全局最优位置，该适应值为全局最优值。
之后，每次迭代，判断当次迭代的适应值是否大于前次迭代的个体最优值，若大于，则更新个体最优值，并将每个粒子的适应度值与全局最优值进行比较，如果大于全局最优值，则更新全局最优值。
适应度函数是问题与PSO之间的联系，每种组合都是通过其适应性来评估的，PSO优化问题可以描述为：寻找簇内最优节点，使得适应度值最大，本发明实施例的适应度函数如式(16)所示，该式中同时考虑了节点剩余能量、节点位置以及节点的紧密程度三个因素：
fitness＝αfe+βfp+χfc (16)
其中，fe称为能量因子，fp称为位置因子，fc称为紧密因子，以下分别对这三个因子进行描述。
(1)能量因子fe：簇头节点担任其它成员节点的中转站，将簇内成员节点的数据进行融合转发，因此簇头节点需要消耗比非簇头节点更多的能量，节点剩余能量是选择簇头的一个重要因素，本发明实施例用能量因子来衡量簇头的优劣，能量因子越大，簇头节点越优。能量因子的定义为：
Figure BDA0003013462190000111
其中，Es为节点当前能量，E0为节点的初始能量。
(2)位置因子fp：通信能量的消耗与距离成正比，当通信距离小于阈值d0时，通信能耗与距离的平方成正比，而通信距离大于阈值d0时，与距离的四次方成正比，通信距离越大，能量消耗速度越快。位置因子反应了簇头到基站的距离对簇头节点能量消耗的影响，位置因子越大，簇头节点越优。位置因子的定义为：
Figure BDA0003013462190000112
其中，dtoBS为节点到基站的距离，dmaxtoBS为簇内节点到基站的最大距离。
(3)紧密因子fc：簇内节点向簇头发送数据，簇内节点越紧密，簇内节点离簇头的距离越小，簇内节点向簇头发送数据消耗的能量越小，紧密因子反应的是簇内节点到簇头节点的距离和对能量消耗的影响，因此，紧密因子的大小反应了簇头节点的优劣，紧密因子越大，簇头节点越优。紧密因子的定义为：
Figure BDA0003013462190000121
其中，dnsum为节点的相邻节点数，相邻节点数目是在距离为R的半径范围内的节点数量，节点簇半径R的确定依赖于簇头个数k和区域半径M，
Figure BDA0003013462190000122
dnmaxsum为簇内其他节点中最大的相邻节点数。
式(16)中的权值α、β、γ的选择与传感器网络的时期有关，在传感器网络初期，节点剩余能量较多，节点对能量因素不敏感，因此能量因子的权重较小，到后期传感器节点的剩余能量较小，节点对能量较为敏感，因此，在传感器网络后期，能量因子的权重较大。而到基站的距离和到簇内其他节点的距离和的敏感程度在整个网络时期不变，但是必须要满足α+β+χ＝1。因此，在网络前期，节点到基站的距离和节点到簇内其他节点的距离和的权重较大，而在后期这两个因素的权重较小。到基站的距离和到簇内其他节点的距离和这两个因素都和距离有关，因此这两个因素的权重相同。经过多次实验，当节点剩余能量大于初始能量一半时，权重设置可为：α＝0.24，β＝0.38，χ＝0.38，当节点剩余能量小于初始能量一半时，权重设置可为：α＝0.43，β＝0.285，χ＝0.285。
步骤404，更新每个粒子的速度和位置。
在每一次迭代中，粒子都要根据历史属性、历史个体极值以及历史全局极值更新当前粒子的属性，不同的是本发明实施例的粒子是mk维的向量，代表了潜在最优簇头。对于iter代进化粒子i，其上次迭代的粒子位置为mk维向量
Figure BDA0003013462190000123
速度为mk维向量
Figure BDA0003013462190000124
个体最优位置为mk维向量
Figure BDA0003013462190000125
全局最优位置为mk维向量giter-1。则该粒子速度和位置更新公式为：
Figure BDA0003013462190000126
Figure BDA0003013462190000131
式(20)中，ω是惯性权重，c1、c2是学习因子，r1、r2是两个随机数，通常取[0,1]之间的值。
步骤405，对粒子进行归一化。
由于粒子中的每一维代表了簇内相应节点成为簇头的概率，概率值必须为0～1，因此归一化是必不可少的。第i个粒子的归一化公式如下式(22)所示：
Figure BDA0003013462190000132
其中，j∈(1,2,…,mk)，mk为粒子i的总维数，mk根据簇类别确定，
Figure BDA0003013462190000133
为粒子i的mk维中的最大概率值，
Figure BDA0003013462190000134
为粒子i的mk维中的最小概率值，iter为当次迭代次数。如粒子i，
Figure BDA0003013462190000135
中最大概率pi和最小概率pj。
步骤406，对粒子进行解码。
将每个粒子向量中概率最大的位置设为1，其余位置为0，即形成了一个0和1组成的向量，该向量代表的是潜在的最优簇头。假设某一簇内有10个节点，且节点ID为1,2,....,10，则每个节点可以表示为表1形式：
Figure BDA0003013462190000136
表1
每个粒子代表了一个潜在的最优簇头，例如，式(23)可以表示粒子i搜索结果为簇内第1个节点是最优簇头。
Si＝[1,0,0,0,0,0,0,0,0,...] (23)
步骤407，更新每个例子的适应度值，可以根据步骤403中的适应度函数进行更新。
步骤408，更新个体最优值和全局最优值。具体地，个体最优值即步骤405中的粒子i的mk维中概率最大的值，全局最优值即所有粒子中概率最大的值。
步骤409，是否满足终止条件，终止条件是粒子群算法收敛或达到最大迭代次数，如果是，则进行步骤410，否则返回步骤403。
步骤410，输出最优解，即，满足终止条件后搜索出的最优簇头。
为验证本申请技术方案优于传统的路由算法，借助Matlab工具完成算法计算机仿真实验，通过仿真结果的对比分析来直观展现改进后的路由算法的优良性能。对比对象分别是：(1)LEACH(Low Energy Adaptive Clustering Hierarchy，低功耗自适应集簇分层型协议)算法；(2)EM算法；(3)PSO算法。在大小为100m*100m的矩形区域内随机生成100个传感器节点，参见图5所示，基站位于感知区域的中心位置。在EM-PSO算法进行分簇路由时，本发明实施例对传感器网络作出以下假设：
(1)传感器节点是不可移动的，节点一旦布置，不可人为移动。
(2)所有传感器节点的初始能量相同。
(3)传感器节点可以基于接收到的信号强度来计算节点间的距离。
(4)基站的位置是固定不变的。
由于传感器网络区域内节点数为100，根据上述计算最优簇头的公式(6)，可以计算出，当节点数为100时，最优簇头为10个(由计算最优簇头的公式计算出，100个节点的最优簇头数是10.4，取整10个)。图6是基于EM-PSO算法的分簇示意图，由图6可以看出，传感器网络将区域内节点分为10个簇，且簇头节点均匀的分布在整个区域，不存在簇头过密或过稀疏的情况。同时，每一轮节点数量差距不大，不会有簇头负荷过重的情况发生。由此可见，本发明实施例提出的EM-PSO算法可以均衡簇头负荷，且提高簇头利用率，从而更大程度的均衡网络能耗。
图7为LEACH、EM、PSO以及本发明实施例的EM-PSO算法的节点存活数随轮数增加而变化的对比示意图。由图7中可以看出，EM-PSO算法在大约600轮以后开始有节点死亡，而此时LEACH算法的节点已经死亡接近一半，PSO算法第一个节点死亡时间比EM-PSO算法略早。LEACH算法和EM算法的网络停止工作时间相近，EM算法比LEACH算法稍晚，当LEACH算法停止工作时，EM-PSO算法大约还有230个节点存活。当EM算法停止工作时，EM-PSO算法大约还有210个节点存活。当PSO算法节点全部死亡时，EM-PSO算法还有大约70个节点存活。由此可见，EM-PSO算法相对于其他三个算法节点死亡速度更慢，网络寿命更长。因此，EM-PSO算法在延长网络寿命方面有较大优势。
图8是LEACH、EM、PSO、EM-PSO算法的第一个节点死亡时间FND、一半节点死亡时间HND、及最后一个节点死亡时间LND的对比示意图。由图8中可以看出，四种算法的FND分别为：350轮、400轮、520轮、600轮左右；HND分别为：625轮、650轮、760轮、840轮左右；LND分别为：850轮、870轮、1010轮、1080轮左右。由此可以计算出，EM-PSO算法相对LEACH算法、EM算法、PSO算法，第一个节点死亡时间分别延长了约250轮、200轮、80轮；一半节点死亡时间分别延长了约215轮、200轮、80轮；最后一个节点死亡时间分别延长了约231轮、211轮、71轮。由此可见，EM-PSO算法相对于其他三种算法能较大程度的延长节点存活时间。
图9为LEACH、EM、PSO、EM-PSO四种算法随网络轮数的增加节点总剩余能量的变化情况对比示意图。由图9中可以看出，在整个网络生命周期内，EM-PSO算法的剩余能量一直大于其他三个算法，且能耗差距逐渐增大，在600轮以后，甚至大于LEACH算法和EM算法的2倍以上，在800轮以后，大于PSO算法的1.5倍以上。在网络初期，节点能量较多，能量均衡的优势体现力度不大，到网络后期，节点能量较低，对剩余能量较为敏感，算法均衡能耗的优势逐渐体现。由此可见，EM-PSO算法，在均衡节点能耗方面有较大的优势。
图10是在第0轮、200轮、400轮、600轮、800轮、1000轮下四种算法的节点平均剩余能量对比示意图。由图10中可以看出，在200轮时，EM-PSO算法的平均剩余能量稍高于其他三个算法，而到400轮时，差距逐渐增大，高于LEACH算法和EM算法的1.5倍以上，到600轮时，甚至高于LEACH和EM算法的2倍以上，到800轮时，高于PSO算法的1.5倍以上，到1000轮时，LEACH算法和EM算法已经停止工作，只有PSO算法和EM-PSO算法还有剩余能量，且EM-PSO算法的剩余能量高于PSO算法的3倍以上。由此可见，相对于其他三个算法，EM-PSO算法能较大程度地均衡节点能耗，延长网络的工作时间。
基于相似的发明构思，本发明实施例还提供一种簇头节点的确定系统，如图11所示，该系统包括：基站1和簇头节点确定装置2，该簇头节点确定装置优选地可用于实现上述方法实施例中的方法流程。在具体实施过程中，簇头节点确定装置可以位于节点侧。
图12是基站1的结构框图，如图12所示，除包含基站的基本功能(图中未示出)之外，该基站还包括：节点信息接收单元11和分簇信息确定单元12，其中：
节点信息接收单元11，用于接收区域内的各节点的位置信息；
分簇信息确定单元12，用于根据区域内的节点数量和各节点的位置信息确定分簇信息。
图13是簇头节点确定装置2的结构框图，如图13所示，该簇头节点确定装置2包括：分簇信息接收单元21、归类单元22和簇头节点确定单元23，其中：
分簇信息接收单元21，用于接收来自基站的分簇信息。
归类单元22，用于基于最大期望EM算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇。
具体地，该归类单元22包括：聚类中心生成模块、从属度确定模块和归类模块，其中：
聚类中心生成模块，用于基于EM算法根据所述分簇信息对区域内各节点进行聚类操作，生成聚类中心；
从属度确定模块，用于根据各节点到所述聚类中心的距离确定各节点属于各簇的从属度，所述从属度为各节点属于各簇的概率值；
归类模块，用于根据各节点属于各簇的从属度将各节点归类为所属簇。
簇头节点确定单元23，用于基于粒子群优化算法PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。
具体而言，簇头节点确定单元23包括：簇头信息确定模块和簇头节点确定模块，其中：
簇头信息确定模块，用于基于POS算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定各节点的簇头信息，所述簇头信息用于表示节点成为簇头节点的概率值；
簇头节点确定模块，用于根据各节点的簇头信息确定簇头节点。
通过根据分簇信息接收单元21接收基站的分簇信息，归类单元22基于EM算法对区域内的各节点进行聚类操作，将各节点归类为所属簇，之后簇头节点确定单元23基于PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点，相比于现有技术中基于PSO算法由基站在整个区域搜索簇头节点，本发明实施例只需在簇内搜索簇头节点，减小了簇头搜索空间，并且，无需由基站来搜索簇头节点，而由节点自身进行簇头节点的搜索，从而可以减少通信能耗。
在具体实施过程中，上述装置2还包括：
链接建立单元，用于建立簇头节点与簇内其他节点的时分多址通信链接。
更新单元，用于响应于区域内的节点数量变化，更新各节点的所属簇和各簇内的簇头节点。
上述各单元、各模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。
在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。
本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及簇头节点确定装置/系统的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图14为本发明实施例的电子设备600的系统构成的示意框图。如图14所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，簇头节点确定功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：
接收来自基站的分簇信息；
基于最大期望EM算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇；
基于粒子群优化算法PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。
从上述描述可知，本申请实施例提供的电子设备，通过根据接收基站的分簇信息，基于EM算法对区域内的各节点进行聚类操作，将各节点归类为所属簇，之后基于PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点，相比于现有技术中基于PSO算法由基站在整个区域搜索簇头节点，本发明实施例只需在簇内搜索簇头节点，减小了簇头搜索空间，并且，无需由基站来搜索簇头节点，而由节点自身进行簇头节点的搜索，从而可以减少通信能耗。
在另一个实施方式中，簇头节点确定装置/系统可以与中央处理器100分开配置，例如可以将簇头节点确定装置/系统配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现簇头节点确定功能。
如图14所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图14中所示的所有部件；此外，电子设备600还可以包括图14中没有示出的部件，可以参考现有技术。
如图14所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述簇头节点确定方法的步骤。
综上所述，本发明实施例针对基于PSO的路由算法在整个节点区域内搜索簇头的组合造成搜索空间大、簇头分布不均匀等问题，提供了一种基于EM-PSO算法的节能分簇路由算法，首先利用最大期望算法将区域内节点聚类为最优个簇，然后在每个簇内并行进行PSO最优簇头搜索，从而减小了簇头搜索空间，并使得簇头节点均匀的分布在整个区域。同时，由节点自身进行最优簇头的搜索，节省了每一轮向基站发送剩余能量等信息的能耗。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种簇头节点的确定方法，其特征在于，所述方法包括：
接收来自基站的分簇信息；
基于最大期望EM算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇；
基于粒子群优化PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。
2.根据权利要求1所述的方法，其特征在于，通过如下方式确定分簇信息：
根据区域内的节点数量和各节点的位置信息确定分簇信息。
3.根据权利要求1所述的方法，其特征在于，基于EM算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇包括：
基于EM算法根据所述分簇信息对区域内各节点进行聚类操作，生成聚类中心；
根据各节点到所述聚类中心的距离确定各节点属于各簇的从属度，所述从属度为各节点属于各簇的概率值；
根据各节点属于各簇的从属度将各节点归类为所属簇。
4.根据权利要求1所述的方法，其特征在于，基于PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点包括：
基于POS算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定各节点的簇头信息，所述簇头信息用于表示节点成为簇头节点的概率值；
根据各节点的簇头信息确定簇头节点。
5.根据权利要求1所述的方法，其特征在于，在确定簇头节点之后，所述方法还包括：
建立簇头节点与簇内其他节点的时分多址通信链接。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于区域内的节点数量变化，更新各节点的所属簇和各簇内的簇头节点。
7.一种簇头节点的确定装置，其特征在于，所述装置包括：
分簇信息接收单元，用于接收来自基站的分簇信息；
归类单元，用于基于最大期望EM算法，根据所述分簇信息对区域内的各节点进行聚类操作，根据聚类操作结果将各节点归类为所属簇；
簇头节点确定单元，用于基于粒子群优化PSO算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定簇头节点。
8.根据权利要求7所述的装置，其特征在于，所述归类单元包括：
聚类中心生成模块，用于基于EM算法根据所述分簇信息对区域内各节点进行聚类操作，生成聚类中心；
从属度确定模块，用于根据各节点到所述聚类中心的距离确定各节点属于各簇的从属度，所述从属度为各节点属于各簇的概率值；
归类模块，用于根据各节点属于各簇的从属度将各节点归类为所属簇。
9.根据权利要求7所述的装置，其特征在于，所述簇头节点确定单元包括：
簇头信息确定模块，用于基于POS算法，根据簇内各节点的剩余能量、各节点到基站的距离和簇内各节点之间的紧密度确定各节点的簇头信息，所述簇头信息用于表示节点成为簇头节点的概率值；
簇头节点确定模块，用于根据各节点的簇头信息确定簇头节点。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
链接建立单元，用于建立簇头节点与簇内其他节点的时分多址通信链接。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括：
更新单元，用于响应于区域内的节点数量变化，更新各节点的所属簇和各簇内的簇头节点。
12.一种簇头节点的确定系统，其特征在于，所述系统包括：如权利要求7至11中任一项所述的簇头节点的确定装置和基站，其中，所述基站包括：
节点信息接收单元，用于接收区域内的各节点的位置信息；
分簇信息确定单元，用于根据区域内的节点数量和各节点的位置信息确定分簇信息。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6中任一项所述方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
CN202110382366.XA 2021-04-09 2021-04-09 簇头节点的确定方法、装置及系统 Active CN113115249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110382366.XA CN113115249B (zh) 2021-04-09 2021-04-09 簇头节点的确定方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110382366.XA CN113115249B (zh) 2021-04-09 2021-04-09 簇头节点的确定方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113115249A true CN113115249A (zh) 2021-07-13
CN113115249B CN113115249B (zh) 2022-12-13

Family

ID=76714981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110382366.XA Active CN113115249B (zh) 2021-04-09 2021-04-09 簇头节点的确定方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113115249B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115134410A (zh) * 2022-05-18 2022-09-30 北京邮电大学 边缘协作服务领域划分方法、装置、电子设备及存储介质
CN115884082A (zh) * 2023-02-21 2023-03-31 广东聚智诚科技有限公司 一种基于地图的可视化展示系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070298821A1 (en) * 2006-06-21 2007-12-27 Lockheed Martin Corporation System for boolean network configuration of a wireless network
CN103200598A (zh) * 2013-04-25 2013-07-10 青岛农业大学 一种基于粒子群优化的无线传感器网络分簇方法
CN105072656A (zh) * 2015-07-10 2015-11-18 桂林电子科技大学 基于K-means聚类和蚁群算法的多级异构无线传感器网络分簇路由方法
CN106102161A (zh) * 2016-05-30 2016-11-09 天津大学 基于聚类算法分析数据优化的室内定位方法
CN108900996A (zh) * 2018-07-04 2018-11-27 中国海洋大学 一种基于双层模糊算法的无线传感器网络数据传输方法
CN108990129A (zh) * 2018-08-14 2018-12-11 长春理工大学 一种无线传感网络分簇方法及系统
CN109451555A (zh) * 2018-11-13 2019-03-08 国网福建省电力有限公司泉州供电公司 面向电力物联网的基于gmm算法的高能效分簇多跳路由算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070298821A1 (en) * 2006-06-21 2007-12-27 Lockheed Martin Corporation System for boolean network configuration of a wireless network
CN103200598A (zh) * 2013-04-25 2013-07-10 青岛农业大学 一种基于粒子群优化的无线传感器网络分簇方法
CN105072656A (zh) * 2015-07-10 2015-11-18 桂林电子科技大学 基于K-means聚类和蚁群算法的多级异构无线传感器网络分簇路由方法
CN106102161A (zh) * 2016-05-30 2016-11-09 天津大学 基于聚类算法分析数据优化的室内定位方法
CN108900996A (zh) * 2018-07-04 2018-11-27 中国海洋大学 一种基于双层模糊算法的无线传感器网络数据传输方法
CN108990129A (zh) * 2018-08-14 2018-12-11 长春理工大学 一种无线传感网络分簇方法及系统
CN109451555A (zh) * 2018-11-13 2019-03-08 国网福建省电力有限公司泉州供电公司 面向电力物联网的基于gmm算法的高能效分簇多跳路由算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁青等: "基于粒子群聚类优化的分簇路由算法", 《西安邮电大学学报》 *
武小年等: "WSN中基于改进粒子群优化算法的分簇路由协议", 《通信学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115134410A (zh) * 2022-05-18 2022-09-30 北京邮电大学 边缘协作服务领域划分方法、装置、电子设备及存储介质
CN115134410B (zh) * 2022-05-18 2023-11-10 北京邮电大学 边缘协作服务领域划分方法、装置、电子设备及存储介质
CN115884082A (zh) * 2023-02-21 2023-03-31 广东聚智诚科技有限公司 一种基于地图的可视化展示系统

Also Published As

Publication number Publication date
CN113115249B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
Osamy et al. An information entropy based-clustering algorithm for heterogeneous wireless sensor networks
Pal et al. Cluster head selection optimization based on genetic algorithm to prolong lifetime of wireless sensor networks
Yarinezhad et al. Solving the load balanced clustering and routing problems in WSNs with an fpt-approximation algorithm and a grid structure
CN113115249B (zh) 簇头节点的确定方法、装置及系统
Latiff et al. Performance comparison of optimization algorithms for clustering in wireless sensor networks
Alia A dynamic harmony search-based fuzzy clustering protocol for energy-efficient wireless sensor networks
Kumar et al. Multi-hop data communication algorithm for clustered wireless sensor networks
Sahoo et al. A light weight trust based secure and energy efficient clustering in wireless sensor network: honey bee mating intelligence approach
CN109309620B (zh) 一种面向边缘计算的轻量级异构网络分簇方法
Huang et al. An improved LEACH routing algorithm for wireless sensor network
CN110784903A (zh) 网络数据传输方法、装置、计算机设备和存储介质
Singh A sustainable data gathering technique based on nature inspired optimization in WSNs
Xenakis et al. Topology control with coverage and lifetime optimization of wireless sensor networks with unequal energy distribution
Lalwani et al. GSA-CHSR: gravitational search algorithm for cluster head selection and routing in wireless sensor networks
Li et al. Learning-based hierarchical edge caching for cloud-aided heterogeneous networks
Liu et al. [Retracted] A Competition‐Based Unequal Clustering Multihop Approach for Wireless Sensor Networks
Bourebia et al. A greedy energy efficient clustering scheme based reinforcement learning for WSNs
Srikanth et al. Efficient clustering protocol using fuzzy K-means and midpoint algorithm for lifetime improvement in WSNs
Shokouhifar et al. An energy efficient routing protocol in wireless sensor networks using genetic algorithm
Rani et al. A hybrid approach for the optimization of quality of service metrics of WSN
Lohar et al. A novel approach based on bio‐inspired efficient clustering algorithm for large‐scale heterogeneous wireless sensor networks
Zhang et al. Optimal model for energy-efficient clustering in wireless sensor networks using global simulated annealing genetic algorithm
Karimullah et al. Low power enhanced Leach protocol to extend WSN lifespan
Janakiraman et al. ELECTRE I-based Zone Head Selection in WSN-Enabled Internet of Things
Amsalu et al. Design and performance evaluation of an energy efficient routing protocol for 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