CN113596951B - 基于量子礁鲨机制的无线传感器网络分簇路由方法 - Google Patents

基于量子礁鲨机制的无线传感器网络分簇路由方法 Download PDF

Info

Publication number
CN113596951B
CN113596951B CN202111027480.7A CN202111027480A CN113596951B CN 113596951 B CN113596951 B CN 113596951B CN 202111027480 A CN202111027480 A CN 202111027480A CN 113596951 B CN113596951 B CN 113596951B
Authority
CN
China
Prior art keywords
node
quantum
cluster
network
nodes
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
CN202111027480.7A
Other languages
English (en)
Other versions
CN113596951A (zh
Inventor
陈世聪
高洪元
杨洁
程建华
张静
白浩川
张震宇
王钦弘
武文道
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111027480.7A priority Critical patent/CN113596951B/zh
Publication of CN113596951A publication Critical patent/CN113596951A/zh
Application granted granted Critical
Publication of CN113596951B publication Critical patent/CN113596951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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

本发明提供基于量子礁鲨机制的无线传感器网络分簇路由方法。此方法采用与LEACH相同的按“轮”周期运行方式，每轮包括动态成簇、动态簇首竞争和稳定数据传输三个阶段，以优化节点监测及控制数据在网络中的路由传递，均衡网络能耗，延长网络生命周期。在动态成簇阶段，根据当前网络状态判断是否需要动态成簇，若需要则采用量子礁鲨优化机制实现WSN节点动态成簇，以避免“热区”，其仿生于礁鲨捕食过程并结合模拟量子旋转门来演化量子礁鲨量子态，收敛速度快、收敛精度高，且具有更好的鲁棒性；在动态簇首竞争阶段，综合考虑节点剩余能量、节点与基站距离、节点与簇内其他节点距离三个因素并结合当前轮的网络特征来选举最优簇首。

Description

基于量子礁鲨机制的无线传感器网络分簇路由方法
技术领域
本发明属于无线传感器网络拓扑控制领域，具体涉及的是基于量子礁鲨机制的无线传感器网络分簇路由方法。
背景技术
无线传感器网络WSN位于物联网的感知层，是由众多微型传感器节点构成的一种分布式多跳自组织网络，已广泛应用于入侵检测、环境感知、环境监测、室内监控和流量分析等领域。传感器节点可以感知网络，收集和处理数据并将信息传输给监测中心。传感器节点监测到的数据如何沿着其他节点传输，如何传输到监测中心，即是WSN路由协议要解决的问题。无线传感器网络节点计算能力有限、能量有限且无法更换电池等原因使得在设计路由协议时必须遵循协议简单和能量优先的原则，尽量节能以延长节点的使用寿命，进而延长无线传感器网络的生命周期。
WSN路由协议主要分为平面路由和层次路由。在平面路由中，所有传感器节点具有相同的功能和地位，传感器节点之间协同工作共同完成环境感知与抽象、数据处理与传输等任务，平面路由简单、健壮性好，但建立和维护路由的开销过大，信息冗余大，数据传输跳数多，故而仅适合小规模网络。在层次路由中，网络通常被划分为簇，每个簇由一个簇首和多个簇成员组成，簇内成员与簇首通信，簇首与基站通信，层次路由可扩展性好、能量损耗低，适合大规模网络。典型的层次路由协议LEACH以其较低的能耗获得了广泛的应用，即使存在簇首分布不均匀、簇首竞争不合理等问题，但LEACH在一定程度上保证了每个节点在竞争簇首时是平等的，均衡了网络能耗，延长了网络生命周期。
通过对现有技术文献的检索发现，张雅琼在《控制工程》(2015,22(06):1181-1185)上发表的“基于K-Means的无线传感网均匀分簇路由算法研究”中利用K-Means聚类进行分簇，采取一次成簇、多次簇首更新机制，提升了网络性能，但在成簇阶段采用的K-Means聚类对初始聚类中心过于敏感；在簇首竞争阶段未考虑当前竞争节点与其他节点的距离因素；在数据传输阶段硬性规定簇首与基站单跳通信。董发志等在《计算机应用》(2019,39(08):2359-2365)上发表的“基于遗传算法和模糊C均值聚类的WSN分簇路由算法”中采用动态分簇、动态簇首更新机制，将轮询控制引入WSN并作为簇内通信介质访问机制，进一步提升了网络性能，但在数据传输阶段硬性规定簇首与基站单跳通信，导致距离基站较远的簇首能量损耗过大。孙爱晶等人在《通信学报》(2021,42(03):91-99)上发表的“基于PSO优化模糊C均值的WSN分簇路由算法”中采用动态分簇、动态簇首更新机制，规定簇首与基站单跳或多跳通信，并引入猫群机制来进行中继节点的选择，进一步提升了网络性能，但在簇首竞争阶段未考虑当前竞争节点与基站的距离因素；在成簇阶段引入粒子群机制优化FCM聚类、在数据传输阶段引入猫群机制选择中继节点，这就导致了网络计算量的剧增，违背了协议简单原则。已有文献的检索结果表明，现有的无线传感器网络分簇路由协议存在着“热区”问题，即WSN网络节点分簇不均匀，易生成极大簇或极小簇；存在着“回传”问题，即某簇内节点到簇首节点和该簇首节点到基站的距离和要远大于该簇内节点直接到基站的通信距离；存在着计算复杂度高、协议鲁棒性差和网络生命周期短等问题。
发明内容
本发明的目的为了优化节点监测及控制数据在网络中的路由传递，均衡网络能耗，延长网络生命周期的基于量子礁鲨机制的无线传感器网络分簇路由方法。
本发明的目的是这样实现的：
基于量子礁鲨机制的无线传感器网络分簇路由方法，包括以下步骤：
步骤:1：建立无线传感器网络系统模型。
对无线传感器网络作出如下假设：网络中有N个传感器节点随机静态部署在M×M的监测区域内，节点部署之后不随时间移动，自组成网；节点具有相同初始能量、计算能力与通信能力，可自动调节发送功率；基站位置已知，能量和计算能力无限，所有节点均可与基站直接通信；节点可以根据信号的到达角度和信号强度计算出自身的相对位置。
无线传感器网络节点的能耗主要产生于数据分组的收发，采用一阶无线电能耗模型来模拟节点之间的通信，具体为：
Figure BDA0003244104200000021
Figure BDA0003244104200000022
其中，/>
Figure BDA0003244104200000023
分别为节点发射、接收和融合数据能耗模型，节点发送的数据量为/>
Figure BDA0003244104200000024
节点通信距离为dm，Eelec为节点每发送或接收1bit数据所消耗的能量，Eda为节点每融合1bit数据所消耗的能量，γ为数据融合压缩率。节点选择何种发射模型进行通信由阈值/>
Figure BDA0003244104200000025
决定，εfs和εmp为自由空间信道模型和多径衰落模型功率放大所需的能量，当节点通信距离小于阈值/>
Figure BDA0003244104200000026
时，选择自由空间信道模型，否则选择多径衰落模型。
步骤2：设定网络参数并初始化网络状态，网络开始运行。
设定网络最大运行轮数为K，运行轮数标号为k，k∈[1,K]，网络系数为lam，通信数据包为ldatabit，控制数据包为lconbit，基站位置矢量
Figure BDA0003244104200000031
网络运行到第k轮时第n个节点的状态用/>
Figure BDA0003244104200000032
表示，其中，/>
Figure BDA0003244104200000033
为第n个节点的位置矢量，/>
Figure BDA0003244104200000034
为第n个节点第k轮运行时的剩余能量，/>
Figure BDA0003244104200000035
为双性节点标志，/>
Figure BDA0003244104200000036
为第n个节点第k轮运行时的存活标志，n＝1,2,...,N，k＝1,2,...,K。/>
Figure BDA0003244104200000037
当/>
Figure BDA0003244104200000038
时，此节点是双性节点，可作为簇首或非簇首与基站直接通信；当/>
Figure BDA0003244104200000039
时，此节点非双性节点，可作为簇首与基站通信或作为簇内节点与簇首通信。/>
Figure BDA00032441042000000310
当/>
Figure BDA00032441042000000311
时，此节点存活；当/>
Figure BDA00032441042000000312
时，此节点死亡。初始化网络当前运行轮数k＝1、节点n的剩余能量/>
Figure BDA00032441042000000313
位置sn，n＝1,2,...,N，网络开始运行。
步骤3：确定网络最优分簇数，并判断是否需要动态分簇。
合理的分簇数有利于形成更加均匀的簇，同时降低网络的整体能量消耗成本。网络运行到第k轮时的最优分簇数
Figure BDA00032441042000000314
其中，/>
Figure BDA00032441042000000315
为网络第k轮运行时的存活节点数，round(·)为取整函数。随着网络的运行，存活节点数目会逐渐减少，因此分簇是一个动态的过程，当网络首轮运行或最优分簇数发生变化时，就需要重新成簇。当满足k≠1和ck＝ck-1时，不需要动态分簇，转到步骤10继续执行。
步骤4：建立网络节点动态分簇代价函数。
设定网络第k轮运行时的簇中心集合为
Figure BDA00032441042000000316
表示第k轮第/>
Figure BDA00032441042000000317
个簇中心的位置矢量，/>
Figure BDA00032441042000000318
对于网络中/>
Figure BDA00032441042000000319
个存活节点，分别计算它们与ck个簇中心的距离，并将其分配给最近的簇，设计第k轮分簇代价函数为/>
Figure BDA00032441042000000320
其中，/>
Figure BDA00032441042000000321
表示求第/>
Figure BDA00032441042000000322
个簇内所有存活节点到簇中心/>
Figure BDA00032441042000000323
的距离和。
步骤5：初始化量子礁鲨群并设定参数。
设定量子礁鲨群规模为h，最大迭代次数为G，迭代次数标号为g。第g次迭代时，第i个量子礁鲨在b维搜索空间中的量子位置为
Figure BDA0003244104200000041
i＝1,2,...,h，b＝2ck。初代时g＝1，初代量子礁鲨量子位置的每一维均初始化为[0,1]之间的均匀随机数。
步骤6：定义并计算量子礁鲨生物电流感应强度，确定量子礁鲨群最优量子位置。
第g次迭代时，将全部量子礁鲨量子位置的每一维映射到位置解空间范围内，得到量子礁鲨量子位置的映射态
Figure BDA0003244104200000042
映射方程定义为/>
Figure BDA0003244104200000043
其中，/>
Figure BDA0003244104200000044
Figure BDA0003244104200000045
表示第j维下限，/>
Figure BDA0003244104200000046
表示第j维上限，i＝1,2,...,h，j＝1,2,...,b。将第i个量子礁鲨量子位置的映射态代入第k轮分簇代价函数中得到相应的分簇代价/>
Figure BDA0003244104200000047
i＝1,2,...,h，上标Λ表示矩阵按2行重构，其代表第i个量子礁鲨量子位置生物电流感应的强度，同时规定量子礁鲨量子位置映射态对应的分簇代价越小，量子礁鲨所感应到的生物电流越强。将全部量子礁鲨按照生物电流感应强度由强到弱排序，并赋予排序标号/>
Figure BDA0003244104200000048
规定生物感应电流最强的量子位置为最优量子位置/>
Figure BDA0003244104200000049
步骤7：量子礁鲨分别执行捕猎和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子礁鲨的量子位置，具体步骤为：
步骤7.1：量子礁鲨执行捕猎模式。
Figure BDA00032441042000000410
Figure BDA00032441042000000411
i＝1,2,...,h，j＝1,2,...,b，其中，/>
Figure BDA00032441042000000412
为捕猎模式下的量子旋转角，/>
Figure BDA00032441042000000413
为[0,1]之间均匀分布的随机数，χ为捕猎因子，e1、e2分别为狩猎因子和围猎因子，/>
Figure BDA00032441042000000414
为/>
Figure BDA00032441042000000415
中第j个维度的梯度，/>
Figure BDA00032441042000000416
Figure BDA00032441042000000417
Figure BDA00032441042000000418
为/>
Figure BDA00032441042000000419
中仅第j个维度变为/>
Figure BDA00032441042000000420
后所感应到的生物电流强度，ε为微分因子。
步骤7.2：量子礁鲨执行游曳模式。量子礁鲨量子位置的某些维度产生随机扰动，余下的维度保持不变，
Figure BDA0003244104200000051
i＝1,2,...,h，j＝1,2,...,b，其中，/>
Figure BDA0003244104200000052
为游曳模式下的量子旋转角，/>
Figure BDA00032441042000000511
为[0,1]之间均匀分布的随机数，e3为游曳规模控制因子，/>
Figure BDA0003244104200000053
为[-1,1]之间均匀分布的随机数，e4为游曳范围控制因子。
步骤8：更新量子礁鲨量子位置和量子礁鲨群最优量子位置。
计算新生量子礁鲨和当代量子礁鲨所感应到的生物电流强度，在量子位置集合
Figure BDA0003244104200000054
中贪婪选择h个感应生物电流较强的量子位置作为下代量子礁鲨的量子位置/>
Figure BDA0003244104200000055
i＝1,2,...,h。将g+1代量子礁鲨按照感应生物电流由强到弱排序，进而更新量子礁鲨群的最优量子位置/>
Figure BDA0003244104200000056
更新量子礁鲨排序标号/>
Figure BDA0003244104200000057
步骤9：演进终止判断，输出簇中心。
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤7；若达到，则将最后一代量子礁鲨群最优量子位置映射态进行规范化后作为簇中心输出
Figure BDA0003244104200000058
并根据距离最近原则实现网络动态成簇。
步骤10：无线传感器网络动态簇首竞争选举。
为了减少簇首的能耗，避免节点过早死亡从而导致网络失效，综合考虑节点剩余能量、节点与基站距离、节点与簇内其他节点距离三个因素并结合当前轮的网络特征来竞争选举最优簇首。能量是节点面临的最重要的挑战，选择能量高的簇内节点担任簇首有助于簇内负载均衡，因此考虑簇内节点i′的剩余能量与簇内所有存活节点的平均剩余能量的比值作为参考，可以表示为
Figure BDA0003244104200000059
其中，n′为节点i′所属簇内存活节点数目，Eres(i′)为节点i′的剩余能量，节点i′的剩余能量越大，f′1(i′)就越大，当选簇首的概率就越高。候选节点与基站的距离同样影响着簇首选举，选择距离基站较近的节点担任簇首有助于减少簇首能量损耗，候选节点与基站的距离因素可以表示为/>
Figure BDA00032441042000000510
其中，dtoBS(i′)为节点i′到基站的距离，节点i′到基站距离越近，f′2(i′)就越大，当选簇首的概率就越高。节点的相对距离可以表示为/>
Figure BDA0003244104200000061
其中，da(i′,j′)为节点i′与簇内其他节点j′之间的距离，f′3(i′)越大，节点之间相对距离越小，节点之间的通信代价就越小。每轮数据传输阶段，存活节点都会将自身剩余能量和位置包含在数据分组中，簇首根据约定好的通信协议读取该数据，然后通过式/>
Figure BDA0003244104200000062
计算簇内每个存活节点的适应度，簇首通知适应度函数最大的簇内节点作为下一轮的该簇簇首，并交换簇内成员信息，新簇首为簇内成员分配新的TDMA时隙，簇内节点仅在时隙到来时发送数据分组，其他时间则休眠，以降低节点能量损耗。
步骤11：无线传感器网络稳定数据传输，并更新网络状态。
无线传感器网络实现了动态分簇和簇首竞争选举，WSN内所有存活节点归属到ck个簇内，每个簇由一个簇首和多个簇成员组成，簇首和簇成员均有可能为双性节点。簇内成员中的非双性节点根据TDMA时隙将数据分组发送给簇首后，簇首对收集到的数据进行融合，并采用单跳通信方式将融合后的数据发送给基站；簇内成员中的双性节点则采用单跳通信方式直接将数据发送给基站，最大可能地避免“回传”问题，均衡网络能耗。无线传感器网络稳定数据传输过程中的能量损耗为：若某存活节点为簇首，则其稳定数据传输能量损耗
Figure BDA0003244104200000063
，
Figure BDA00032441042000000610
为簇首所属簇内非双性簇成员节点个数；若某存活节点为非双性簇成员节点，则其稳定数据传输能量损耗/>
Figure BDA0003244104200000065
Figure BDA0003244104200000066
为该节点归属簇的簇首；若某存活节点为双性簇成员节点，则其稳定数据传输能量损耗
Figure BDA0003244104200000067
Figure BDA0003244104200000068
个存活节点进行稳定数据传输后，有些节点可能会消亡，更新节点存活标志/>
Figure BDA0003244104200000069
进而更新网络状态。
步骤12：无线传感器网络运行终止判断。
判断网络是否运行到最大运行轮数K或所有节点消亡，即判断k+1是否等于K或
Figure BDA0003244104200000071
是否等于零，若满足，则终止无线传感器网络的运行；若不满足，则令k＝k+1，返回步骤3，无线传感器网络进行下一轮的运行。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于量子礁鲨机制的WSN分簇路由方法，此方法采用与LEACH相同的按“轮”周期运行方式，每轮包括动态成簇、动态簇首竞争和稳定数据传输三个阶段，以优化节点监测及控制数据在网络中的路由传递，均衡网络能耗，延长网络生命周期。在动态成簇阶段，根据当前网络状态判断是否需要动态成簇，若需要则采用量子礁鲨优化机制实现WSN节点动态成簇，以避免“热区”，其仿生于礁鲨捕食过程并结合模拟量子旋转门来演化量子礁鲨量子态，收敛速度快、收敛精度高，且具有更好的鲁棒性；在动态簇首竞争阶段，综合考虑节点剩余能量、节点与基站距离、节点与簇内其他节点距离三个因素并结合当前轮的网络特征来选举最优簇首；在稳定数据传输阶段，采用基于“双性节点”定义的数据传输模式，此类节点可作为簇首或非簇首与基站直接通信，以避免“回传”。
仿真实验证明了基于量子礁鲨机制的无线传感器网络分簇路由方法的有效性，且相比于传统方法而言，均衡了网络能耗、延长了网络生命周期和网络运行总时间，此方法可作为大规模无线传感器网络的分簇路由协议。
附图说明
图1为本发明基于量子礁鲨机制的无线传感器网络分簇路由方法示意图；
图2(a)为本发明LEACH方法在网络首轮运行时的成簇结果图；
图2(b)为本发明GAFCMCR方法在网络首轮运行时的成簇结果图；
图2(c)为本发明QRSCR方法在网络首轮运行时的成簇结果图；
图2(d)为本发明LEACH方法在网络k＝100轮运行时的成簇结果图；
图2(e)为本发明GAFCMCR方法在网络k＝100轮运行时的成簇结果图；
图2(f)为本发明QRSCR方法在网络k＝100轮运行时的成簇结果图；
图3为本发明网络存活节点个数与网络运行轮数关系曲线图；
图4为本发明网络剩余能量与网络运行轮数关系曲线图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
步骤1：建立无线传感器网络系统模型。
本发明对无线传感器网络作出如下假设：网络中有N个传感器节点随机静态部署在M×M的监测区域内，节点部署之后不随时间移动，自组成网；节点具有相同初始能量、计算能力与通信能力，可自动调节发送功率；基站位置已知，能量和计算能力无限，所有节点均可与基站直接通信；节点可以根据信号的到达角度和信号强度计算出自身的相对位置。
无线传感器网络节点的能耗主要产生于数据分组的收发，采用一阶无线电能耗模型来模拟节点之间的通信，具体为：
Figure BDA0003244104200000081
Figure BDA0003244104200000082
其中，/>
Figure BDA0003244104200000083
分别为节点发射、接收和融合数据能耗模型，节点发送的数据量为/>
Figure BDA0003244104200000084
节点通信距离为dm，Eelec为节点每发送或接收1bit数据所消耗的能量，Eda为节点每融合1bit数据所消耗的能量，γ为数据融合压缩率。节点选择何种发射模型进行通信由阈值/>
Figure BDA0003244104200000085
决定，εfs和εmp为自由空间信道模型和多径衰落模型功率放大所需的能量，当节点通信距离小于阈值/>
Figure BDA0003244104200000086
时，选择自由空间信道模型，否则选择多径衰落模型。
步骤:2：设定网络参数并初始化网络状态，网络开始运行。
设定网络最大运行轮数为K，运行轮数标号为k，k∈[1,K]，网络系数为lam，通信数据包为ldatabit，控制数据包为lconbit，基站位置矢量
Figure BDA0003244104200000087
网络运行到第k轮时第n个节点的状态用/>
Figure BDA0003244104200000088
表示，其中，/>
Figure BDA0003244104200000089
为第n个节点的位置矢量，/>
Figure BDA00032441042000000810
为第n个节点第k轮运行时的剩余能量，/>
Figure BDA00032441042000000811
为双性节点标志，/>
Figure BDA00032441042000000812
为第n个节点第k轮运行时的存活标志，n＝1,2,...,N，k＝1,2,...,K。/>
Figure BDA00032441042000000813
当/>
Figure BDA00032441042000000814
时，此节点是双性节点，可作为簇首或非簇首与基站直接通信；当/>
Figure BDA00032441042000000815
时，此节点非双性节点，可作为簇首与基站通信或作为簇内节点与簇首通信。/>
Figure BDA00032441042000000816
当/>
Figure BDA00032441042000000817
时，此节点存活；当/>
Figure BDA00032441042000000818
时，此节点死亡。初始化网络当前运行轮数k＝1、节点n的剩余能量/>
Figure BDA00032441042000000819
位置sn，n＝1,2,...,N，网络开始运行。
步骤:3：确定网络最优分簇数，并判断是否需要动态分簇。
合理的分簇数有利于形成更加均匀的簇，同时降低网络的整体能量消耗成本。网络运行到第k轮时的最优分簇数
Figure BDA0003244104200000091
其中，/>
Figure BDA0003244104200000092
为网络第k轮运行时的存活节点数，round(·)为取整函数。随着网络的运行，存活节点数目会逐渐减少，因此分簇是一个动态的过程，当网络首轮运行或最优分簇数发生变化时，就需要重新成簇。当满足k≠1和ck＝ck-1时，不需要动态分簇，转到步骤10继续执行。
步骤4：建立网络节点动态分簇代价函数。
设定网络第k轮运行时的簇中心集合为
Figure BDA0003244104200000093
表示第k轮第/>
Figure BDA0003244104200000094
个簇中心的位置矢量，/>
Figure BDA0003244104200000095
对于网络中/>
Figure BDA0003244104200000096
个存活节点，分别计算它们与ck个簇中心的距离，并将其分配给最近的簇，设计第k轮分簇代价函数为/>
Figure BDA0003244104200000097
其中，/>
Figure BDA0003244104200000098
表示求第
Figure BDA0003244104200000099
个簇内所有存活节点到簇中心/>
Figure BDA00032441042000000910
的距离和。
步骤5：初始化量子礁鲨群并设定参数。
设定量子礁鲨群规模为h，最大迭代次数为G，迭代次数标号为g。第g次迭代时，第i个量子礁鲨在b维搜索空间中的量子位置为
Figure BDA00032441042000000911
i＝1,2,...,h，b＝2ck。初代时g＝1，初代量子礁鲨量子位置的每一维均初始化为[0,1]之间的均匀随机数。
步骤6：定义并计算量子礁鲨生物电流感应强度，确定量子礁鲨群最优量子位置。
第g次迭代时，将全部量子礁鲨量子位置的每一维映射到位置解空间范围内，得到量子礁鲨量子位置的映射态
Figure BDA00032441042000000912
映射方程定义为/>
Figure BDA00032441042000000913
其中，/>
Figure BDA00032441042000000914
Figure BDA00032441042000000915
表示第j维下限，/>
Figure BDA00032441042000000916
表示第j维上限，i＝1,2,...,h，j＝1,2,...,b。将第i个量子礁鲨量子位置的映射态代入第k轮分簇代价函数中得到相应的分簇代价/>
Figure BDA00032441042000000917
i＝1,2,...,h，上标Λ表示矩阵按2行重构，其代表第i个量子礁鲨量子位置生物电流感应的强度，同时规定量子礁鲨量子位置映射态对应的分簇代价越小，量子礁鲨所感应到的生物电流越强。将全部量子礁鲨按照生物电流感应强度由强到弱排序，并赋予排序标号/>
Figure BDA0003244104200000101
规定生物感应电流最强的量子位置为最优量子位置/>
Figure BDA0003244104200000102
步骤7：量子礁鲨分别执行捕猎和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子礁鲨的量子位置，具体步骤为：
步骤7.1：量子礁鲨执行捕猎模式。
Figure BDA0003244104200000103
Figure BDA0003244104200000104
i＝1,2,...,h，j＝1,2,...,b，其中，/>
Figure BDA00032441042000001021
为捕猎模式下的量子旋转角，/>
Figure BDA0003244104200000105
为[0,1]之间均匀分布的随机数，χ为捕猎因子，e1、e2分别为狩猎因子和围猎因子，/>
Figure BDA0003244104200000106
为/>
Figure BDA0003244104200000107
中第j个维度的梯度，/>
Figure BDA0003244104200000108
Figure BDA0003244104200000109
Figure BDA00032441042000001010
为/>
Figure BDA00032441042000001011
中仅第j个维度变为/>
Figure BDA00032441042000001012
后所感应到的生物电流强度，ε为微分因子。
步骤7.2：量子礁鲨执行游曳模式。量子礁鲨量子位置的某些维度产生随机扰动，余下的维度保持不变，
Figure BDA00032441042000001013
i＝1,2,...,h，j＝1,2,...,b，其中，/>
Figure BDA00032441042000001014
为游曳模式下的量子旋转角，/>
Figure BDA00032441042000001015
为[0,1]之间均匀分布的随机数，e3为游曳规模控制因子，/>
Figure BDA00032441042000001016
为[-1,1]之间均匀分布的随机数，e4为游曳范围控制因子。
步骤8：更新量子礁鲨量子位置和量子礁鲨群最优量子位置。
计算新生量子礁鲨和当代量子礁鲨所感应到的生物电流强度，在量子位置集合
Figure BDA00032441042000001017
中贪婪选择h个感应生物电流较强的量子位置作为下代量子礁鲨的量子位置/>
Figure BDA00032441042000001018
i＝1,2,...,h。将g+1代量子礁鲨按照感应生物电流由强到弱排序，进而更新量子礁鲨群的最优量子位置/>
Figure BDA00032441042000001019
更新量子礁鲨排序标号/>
Figure BDA00032441042000001020
步骤9：演进终止判断，输出簇中心。
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤7；若达到，则将最后一代量子礁鲨群最优量子位置映射态进行规范化后作为簇中心输出
Figure BDA0003244104200000111
并根据距离最近原则实现网络动态成簇。
步骤10：无线传感器网络动态簇首竞争选举。
为了减少簇首的能耗，避免节点过早死亡从而导致网络失效，综合考虑节点剩余能量、节点与基站距离、节点与簇内其他节点距离三个因素并结合当前轮的网络特征来竞争选举最优簇首。能量是节点面临的最重要的挑战，选择能量高的簇内节点担任簇首有助于簇内负载均衡，因此考虑簇内节点i′的剩余能量与簇内所有存活节点的平均剩余能量的比值作为参考，可以表示为
Figure BDA0003244104200000112
其中，n′为节点i′所属簇内存活节点数目，Eres(i′)为节点i′的剩余能量，节点i′的剩余能量越大，f′1(i′)就越大，当选簇首的概率就越高。候选节点与基站的距离同样影响着簇首选举，选择距离基站较近的节点担任簇首有助于减少簇首能量损耗，候选节点与基站的距离因素可以表示为/>
Figure BDA0003244104200000113
其中，dtoBS(i′)为节点i′到基站的距离，节点i′到基站距离越近，f′2(i′)就越大，当选簇首的概率就越高。节点的相对距离可以表示为/>
Figure BDA0003244104200000114
其中，da(i′,j′)为节点i′与簇内其他节点j′之间的距离，f′3(i′)越大，节点之间相对距离越小，节点之间的通信代价就越小。每轮数据传输阶段，存活节点都会将自身剩余能量和位置包含在数据分组中，簇首根据约定好的通信协议读取该数据，然后通过式/>
Figure BDA0003244104200000115
计算簇内每个存活节点的适应度，簇首通知适应度函数最大的簇内节点作为下一轮的该簇簇首，并交换簇内成员信息，新簇首为簇内成员分配新的TDMA时隙，簇内节点仅在时隙到来时发送数据分组，其他时间则休眠，以降低节点能量损耗。
步骤11：无线传感器网络稳定数据传输，并更新网络状态。
无线传感器网络实现了动态分簇和簇首竞争选举，WSN内所有存活节点归属到ck个簇内，每个簇由一个簇首和多个簇成员组成，簇首和簇成员均有可能为双性节点。簇内成员中的非双性节点根据TDMA时隙将数据分组发送给簇首后，簇首对收集到的数据进行融合，并采用单跳通信方式将融合后的数据发送给基站；簇内成员中的双性节点则采用单跳通信方式直接将数据发送给基站，最大可能地避免“回传”问题，均衡网络能耗。无线传感器网络稳定数据传输过程中的能量损耗为：若某存活节点为簇首，则其稳定数据传输能量损耗
Figure BDA0003244104200000121
，
Figure BDA00032441042000001210
为簇首所属簇内非双性簇成员节点个数；若某存活节点为非双性簇成员节点，则其稳定数据传输能量损耗/>
Figure BDA0003244104200000123
Figure BDA0003244104200000124
为该节点归属簇的簇首；若某存活节点为双性簇成员节点，则其稳定数据传输能量损耗
Figure BDA0003244104200000125
Figure BDA0003244104200000126
个存活节点进行稳定数据传输后，有些节点可能会消亡，更新节点存活标志/>
Figure BDA0003244104200000127
进而更新网络状态。
步骤12：无线传感器网络运行终止判断。
判断网络是否运行到最大运行轮数K或所有节点消亡，即判断k+1是否等于K或
Figure BDA0003244104200000128
是否等于零，若满足，则终止无线传感器网络的运行；若不满足，则令k＝k+1，返回步骤3，无线传感器网络进行下一轮的运行。
无线传感器网络布设区域为100m×100m的二维平面，所有传感器节点具有相同初始能量、计算能力和通信能力，节点随机布设，自组成网。规定节点总数N＝100、Eelec＝50nJ/bit、Eda＝5nJ/bit、εfs＝10pJ/(bit·m2)、εmp＝0.0013pJ/(bit·m4)、数据融合压缩率γ＝0.4、最大运行轮数K＝4000、网络系数lam＝0.4、基站位置向量
Figure BDA0003244104200000129
通信数据包ldata＝4000bit、控制数据包lcon＝100bit、节点初始能量为1J。
在图3、图4中，本发明所设计的基于量子礁鲨机制的无线传感器网络分簇路由方法记作QRSCR；低功耗自适应集簇分层型协议记作LEACH；基于遗传算法和模糊C均值聚类的WSN分簇路由方法记作GAFCMCR，具体参考于董发志等在《计算机应用》上发表的“基于遗传算法和模糊C均值聚类的WSN分簇路由算法”。在LEACH中，设定簇头概率为0.08、轮转周期为20轮；在GAFCMCR中，设定种群规模为20、最大迭代次数为500、选择策略为轮盘赌选择、最大交叉概率为0.8、最小交叉概率为0.5、最大变异概率为0.15、最小变异概率为0.05、FCM算法最大迭代次数为1000、模糊因子为2、FCM算法终止条件阈值为10-6；在所设计的QRSCR中，设定量子礁鲨群规模h＝20、最大迭代次数G＝300、维度下限
Figure BDA0003244104200000131
维度上限/>
Figure BDA0003244104200000132
捕猎因子χ＝2、狩猎因子e1＝-0.4、围猎因子e2＝0.04、微分因子ε＝1、游曳规模控制因子e3＝0.8、游曳范围控制因子e4＝0.02。仿真实验次数为50，实验结果作统计平均。图2(a)、图2(b)、图2(c)分别为LEACH、GAFCMCR和QRSCR方法在网络首轮运行时的成簇结果；图2(d)、图2(e)、图2(f)分别为LEACH、GAFCMCR和QRSCR方法在网络k＝100轮运行时的成簇结果。将网络生命周期定义为节点开始运行到出现第一个死亡节点期间的运行轮数。从图2、图3和图4中可以看出，本发明所设计的基于量子礁鲨机制的无线传感器网络分簇路由方法，均衡了网络能耗，延长了网络生命周期和网络运行总时间，可作为大规模无线传感器网络的分簇路由协议。/>

Claims (1)

1.基于量子礁鲨机制的无线传感器网络分簇路由方法，其特征是：包括以下步骤：
步骤1：建立无线传感器网络系统模型；
对无线传感器网络作出如下假设：网络中有N个传感器节点随机静态部署在M×M的监测区域内，节点部署之后不随时间移动，自组成网；节点具有相同初始能量、计算能力与通信能力，可自动调节发送功率；基站位置已知，能量和计算能力无限，所有节点均可与基站直接通信；节点可以根据信号的到达角度和信号强度计算出自身的相对位置；
无线传感器网络节点的能耗主要产生于数据分组的收发，采用一阶无线电能耗模型来模拟节点之间的通信，具体为：
Figure FDA0004037523550000011
其中，/>
Figure FDA0004037523550000012
分别为节点发射、接收和融合数据能耗模型，节点发送的数据量为/>
Figure FDA0004037523550000013
节点通信距离为dm，Eelec为节点每发送或接收1bit数据所消耗的能量，Eda为节点每融合1bit数据所消耗的能量，γ为数据融合压缩率；节点选择何种发射模型进行通信由阈值/>
Figure FDA0004037523550000014
决定，εfs和εmp为自由空间信道模型和多径衰落模型功率放大所需的能量，当节点通信距离小于阈值/>
Figure FDA0004037523550000015
时，选择自由空间信道模型，否则选择多径衰落模型；
步骤2：设定网络参数并初始化网络状态，网络开始运行；
设定网络最大运行轮数为K，运行轮数标号为k，k∈[1,K]，网络系数为lam，通信数据包为ldatabit，控制数据包为lconbit，基站位置矢量
Figure FDA0004037523550000016
网络运行到第k轮时第n个节点的状态用/>
Figure FDA0004037523550000017
表示，其中，/>
Figure FDA0004037523550000018
为第n个节点的位置矢量，/>
Figure FDA0004037523550000019
为第n个节点第k轮运行时的剩余能量，/>
Figure FDA00040375235500000110
为双性节点标志，/>
Figure FDA00040375235500000111
为第n个节点第k轮运行时的存活标志，n＝1,2,...,N，k＝1,2,...,K；/>
Figure FDA00040375235500000112
当/>
Figure FDA00040375235500000113
时，此节点是双性节点，可作为簇首或非簇首与基站直接通信；当/>
Figure FDA00040375235500000114
时，此节点非双性节点，可作为簇首与基站通信或作为簇内节点与簇首通信；/>
Figure FDA00040375235500000115
当/>
Figure FDA00040375235500000116
时，此节点存活；当/>
Figure FDA00040375235500000117
时，此节点死亡；初始化网络当前运行轮数k＝1、节点n的剩余能量/>
Figure FDA00040375235500000118
位置sn，n＝1,2,...,N，网络开始运行；
步骤3：确定网络最优分簇数，并判断是否需要动态分簇；
合理的分簇数有利于形成更加均匀的簇，同时降低网络的整体能量消耗成本；网络运行到第k轮时的最优分簇数
Figure FDA0004037523550000021
其中，/>
Figure FDA0004037523550000022
为网络第k轮运行时的存活节点数，round(·)为取整函数；随着网络的运行，存活节点数目会逐渐减少，因此分簇是一个动态的过程，当网络首轮运行或最优分簇数发生变化时，就需要重新成簇；当满足k≠1和ck＝ck-1时，不需要动态分簇，转到步骤10继续执行；
步骤4：建立网络节点动态分簇代价函数；
设定网络第k轮运行时的簇中心集合为
Figure FDA0004037523550000023
Figure FDA0004037523550000024
表示第k轮第/>
Figure FDA0004037523550000025
个簇中心的位置矢量，/>
Figure FDA0004037523550000026
对于网络中/>
Figure FDA0004037523550000027
个存活节点，分别计算它们与ck个簇中心的距离，并将其分配给最近的簇，设计第k轮分簇代价函数为
Figure FDA0004037523550000028
其中，/>
Figure FDA0004037523550000029
表示求第/>
Figure FDA00040375235500000210
个簇内所有存活节点到簇中心/>
Figure FDA00040375235500000211
的距离和；
步骤5：初始化量子礁鲨群并设定参数；
设定量子礁鲨群规模为h，最大迭代次数为G，迭代次数标号为g；第g次迭代时，第i个量子礁鲨在b维搜索空间中的量子位置为
Figure FDA00040375235500000212
初代时g＝1，初代量子礁鲨量子位置的每一维均初始化为[0,1]之间的均匀随机数；
步骤6：定义并计算量子礁鲨生物电流感应强度，确定量子礁鲨群最优量子位置；
第g次迭代时，将全部量子礁鲨量子位置的每一维映射到位置解空间范围内，得到量子礁鲨量子位置的映射态
Figure FDA00040375235500000213
映射方程定义为/>
Figure FDA00040375235500000214
其中，/>
Figure FDA00040375235500000215
Figure FDA00040375235500000216
表示第j维下限，/>
Figure FDA00040375235500000217
表示第j维上限，i＝1,2,...,h，j＝1,2,...,b；将第i个量子礁鲨量子位置的映射态代入第k轮分簇代价函数中得到相应的分簇代价/>
Figure FDA00040375235500000218
上标Λ表示矩阵按2行重构，其代表第i个量子礁鲨量子位置生物电流感应的强度，同时规定量子礁鲨量子位置映射态对应的分簇代价越小，量子礁鲨所感应到的生物电流越强；将全部量子礁鲨按照生物电流感应强度由强到弱排序，并赋予排序标号/>
Figure FDA0004037523550000031
规定生物感应电流最强的量子位置为最优量子位置/>
Figure FDA0004037523550000032
步骤7：量子礁鲨分别执行捕猎和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子礁鲨的量子位置，具体步骤为：
步骤7.1：量子礁鲨执行捕猎模式；
Figure FDA0004037523550000033
Figure FDA0004037523550000034
其中，/>
Figure FDA0004037523550000035
为捕猎模式下的量子旋转角，/>
Figure FDA0004037523550000036
为[0,1]之间均匀分布的随机数，χ为捕猎因子，e1、e2分别为狩猎因子和围猎因子，/>
Figure FDA0004037523550000037
为/>
Figure FDA0004037523550000038
中第j个维度的梯度，/>
Figure FDA0004037523550000039
Figure FDA00040375235500000310
Figure FDA00040375235500000311
为/>
Figure FDA00040375235500000312
中仅第j个维度变为/>
Figure FDA00040375235500000313
后所感应到的生物电流强度，ε为微分因子；
步骤7.2：量子礁鲨执行游曳模式；量子礁鲨量子位置的某些维度产生随机扰动，余下的维度保持不变，
Figure FDA00040375235500000314
Figure FDA00040375235500000315
其中，/>
Figure FDA00040375235500000316
为游曳模式下的量子旋转角，/>
Figure FDA00040375235500000317
为[0,1]之间均匀分布的随机数，e3为游曳规模控制因子，/>
Figure FDA00040375235500000318
为[-1,1]之间均匀分布的随机数，e4为游曳范围控制因子；
步骤8：更新量子礁鲨量子位置和量子礁鲨群最优量子位置；
计算新生量子礁鲨和当代量子礁鲨所感应到的生物电流强度，在量子位置集合
Figure FDA00040375235500000319
中贪婪选择h个感应生物电流较强的量子位置作为下代量子礁鲨的量子位置/>
Figure FDA00040375235500000320
将g+1代量子礁鲨按照感应生物电流由强到弱排序，进而更新量子礁鲨群的最优量子位置/>
Figure FDA00040375235500000321
更新量子礁鲨排序标号/>
Figure FDA00040375235500000322
步骤9：演进终止判断，输出簇中心；
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤7；若达到，则将最后一代量子礁鲨群最优量子位置映射态进行规范化后作为簇中心输出
Figure FDA0004037523550000041
并根据距离最近原则实现网络动态成簇；
步骤10：无线传感器网络动态簇首竞争选举；
为了减少簇首的能耗，避免节点过早死亡从而导致网络失效，综合考虑节点剩余能量、节点与基站距离、节点与簇内其他节点距离三个因素并结合当前轮的网络特征来竞争选举最优簇首；能量是节点面临的最重要的挑战，选择能量高的簇内节点担任簇首有助于簇内负载均衡，因此考虑簇内节点i′的剩余能量与簇内所有存活节点的平均剩余能量的比值作为参考，可以表示为
Figure FDA0004037523550000042
其中，n′为节点i′所属簇内存活节点数目，Eres(i′)为节点i′的剩余能量，节点i′的剩余能量越大，f1′(i′)就越大，当选簇首的概率就越高；候选节点与基站的距离同样影响着簇首选举，选择距离基站较近的节点担任簇首有助于减少簇首能量损耗，候选节点与基站的距离因素可以表示为/>
Figure FDA0004037523550000043
其中，dtoBS(i′)为节点i′到基站的距离，节点i′到基站距离越近，f2′(i′)就越大，当选簇首的概率就越高；节点的相对距离可以表示为/>
Figure FDA0004037523550000044
其中，da(i′,j′)为节点i′与簇内其他节点j′之间的距离，f3′(i′)越大，节点之间相对距离越小，节点之间的通信代价就越小；每轮数据传输阶段，存活节点都会将自身剩余能量和位置包含在数据分组中，簇首根据约定好的通信协议读取该数据，然后通过式/>
Figure FDA0004037523550000045
计算簇内每个存活节点的适应度，簇首通知适应度函数最大的簇内节点作为下一轮的该簇簇首，并交换簇内成员信息，新簇首为簇内成员分配新的TDMA时隙，簇内节点仅在时隙到来时发送数据分组，其他时间则休眠，以降低节点能量损耗；
步骤11：无线传感器网络稳定数据传输，并更新网络状态；
无线传感器网络实现了动态分簇和簇首竞争选举，WSN内所有存活节点归属到ck个簇内，每个簇由一个簇首和多个簇成员组成，簇首和簇成员均有可能为双性节点；簇内成员中的非双性节点根据TDMA时隙将数据分组发送给簇首后，簇首对收集到的数据进行融合，并采用单跳通信方式将融合后的数据发送给基站；簇内成员中的双性节点则采用单跳通信方式直接将数据发送给基站，最大可能地避免“回传”问题，均衡网络能耗；无线传感器网络稳定数据传输过程中的能量损耗为：若某存活节点为簇首，则其稳定数据传输能量损耗
Figure FDA0004037523550000051
Figure FDA0004037523550000052
为簇首所属簇内非双性簇成员节点个数；若某存活节点为非双性簇成员节点，则其稳定数据传输能量损耗/>
Figure FDA0004037523550000053
Figure FDA0004037523550000054
为该节点归属簇的簇首；若某存活节点为双性簇成员节点，则其稳定数据传输能量损耗
Figure FDA0004037523550000055
Figure FDA0004037523550000056
个存活节点进行稳定数据传输后，有些节点可能会消亡，更新节点存活标志/>
Figure FDA0004037523550000057
进而更新网络状态；
步骤12：无线传感器网络运行终止判断；
判断网络是否运行到最大运行轮数K或所有节点消亡，即判断k+1是否等于K或
Figure FDA0004037523550000058
是否等于零，若满足，则终止无线传感器网络的运行；若不满足，则令k＝k+1，返回步骤3，无线传感器网络进行下一轮的运行。/>
CN202111027480.7A 2021-09-02 2021-09-02 基于量子礁鲨机制的无线传感器网络分簇路由方法 Active CN113596951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027480.7A CN113596951B (zh) 2021-09-02 2021-09-02 基于量子礁鲨机制的无线传感器网络分簇路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027480.7A CN113596951B (zh) 2021-09-02 2021-09-02 基于量子礁鲨机制的无线传感器网络分簇路由方法

Publications (2)

Publication Number Publication Date
CN113596951A CN113596951A (zh) 2021-11-02
CN113596951B true CN113596951B (zh) 2023-05-30

Family

ID=78241033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027480.7A Active CN113596951B (zh) 2021-09-02 2021-09-02 基于量子礁鲨机制的无线传感器网络分簇路由方法

Country Status (1)

Country Link
CN (1) CN113596951B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116358759B (zh) * 2023-05-25 2023-09-29 曲阜恒威水工机械有限公司 一种基于数字孪生技术的链条张紧检测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111065107A (zh) * 2020-01-13 2020-04-24 山东交通学院 基于量子遗传算法的水下无线传感器网络安全路由控制方法
CN113329490A (zh) * 2021-06-02 2021-08-31 哈尔滨工程大学 一种基于量子虎鲨机制的无线传感器网络节点定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101268009B1 (ko) * 2011-02-22 2013-05-27 서울대학교산학협력단 무선 센서 네트워크의 자가구성 시스템 및 이를 이용한 무선 센서 네트워크의 자가구성 방법
CN102238686B (zh) * 2011-07-04 2014-11-19 南京邮电大学 一种模型化量子遗传算法的无线传感器网络路由方法
CN104469879B (zh) * 2014-12-18 2018-10-09 武汉大学 一种动态k值分簇路由方法
WO2018098737A1 (zh) * 2016-11-30 2018-06-07 深圳天珑无线科技有限公司 分布式网络的簇首选取方法、节点及系统
CN112469100B (zh) * 2020-06-10 2023-03-31 广州大学 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111065107A (zh) * 2020-01-13 2020-04-24 山东交通学院 基于量子遗传算法的水下无线传感器网络安全路由控制方法
CN113329490A (zh) * 2021-06-02 2021-08-31 哈尔滨工程大学 一种基于量子虎鲨机制的无线传感器网络节点定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈专科，李志华.基于量子遗传算法的无线传感器网络路由研究.《电脑知识与技术》.2021,第17卷(第7期),40-43. *

Also Published As

Publication number Publication date
CN113596951A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
Wang et al. An energy efficient routing protocol based on improved artificial bee colony algorithm for wireless sensor networks
Karthick et al. Optimized cluster head selection using krill herd algorithm for wireless sensor network
Osamy et al. CSOCA: Chicken swarm optimization based clustering algorithm for wireless sensor networks
Yadav et al. Energy aware optimized clustering for hierarchical routing in wireless sensor network
Cao et al. Swarm intelligence-based performance optimization for mobile wireless sensor networks: survey, challenges, and future directions
CN106658603B (zh) 一种负载均衡的无线传感器网络路由节能方法
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
Wang et al. Energy efficient cluster based routing protocol for WSN using firefly algorithm and ant colony optimization
Abdulzahra et al. Optimizing energy consumption in WSN-based IoT using unequal clustering and sleep scheduling methods
Qu et al. An energy-efficient dynamic clustering protocol for event monitoring in large-scale WSN
CN109587753B (zh) 基于目标阈值约束的改进leach协议的簇头选择算法
Al-Sulaifanie et al. Recent trends in clustering algorithms for wireless sensor networks: A comprehensive review
Raj et al. A survey on cluster head selection and cluster formation methods in wireless sensor networks
Heidari et al. A novel approach for clustering and routing in WSN using genetic algorithm and equilibrium optimizer
CN113596951B (zh) 基于量子礁鲨机制的无线传感器网络分簇路由方法
CN108566658B (zh) 一种无线传感器网络中能耗均衡的分簇算法
Punithavathi et al. Hybrid BWO-IACO Algorithm for Cluster Based Routing in Wireless Sensor Networks.
CN107969008B (zh) 一种软件定义传感网集中式路由计算方法
Tukisi et al. Multi-hop PSO based routing protocol for Wireless Sensor Networks with Energy Harvesting
CN115915327A (zh) 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法
Wang et al. Reinforcement learning-enabled resampling particle swarm optimization for sensor relocation in reconfigurable WSNs
Song et al. Hybrid PSO and evolutionary game theory protocol for clustering and routing in wireless sensor network
Dhandapani et al. Cooperative self-scheduling routing protocol based IOT communication for improving life time duty cycled energy efficient protocol in SDN controlled embedded network
CN112822747A (zh) 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略
Gangwar et al. GTFR: A game theory based fuzzy routing protocol for WSNs

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