CN113891426A - 一种分布式多节点组网方法及装置 - Google Patents

一种分布式多节点组网方法及装置 Download PDF

Info

Publication number
CN113891426A
CN113891426A CN202111155786.0A CN202111155786A CN113891426A CN 113891426 A CN113891426 A CN 113891426A CN 202111155786 A CN202111155786 A CN 202111155786A CN 113891426 A CN113891426 A CN 113891426A
Authority
CN
China
Prior art keywords
networking
cluster
node
network
particle
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.)
Pending
Application number
CN202111155786.0A
Other languages
English (en)
Inventor
卢海龙
陈旭
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.)
Everbright Technology Co ltd
Original Assignee
Everbright Technology Co ltd
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 Everbright Technology Co ltd filed Critical Everbright Technology Co ltd
Priority to CN202111155786.0A priority Critical patent/CN113891426A/zh
Publication of CN113891426A publication Critical patent/CN113891426A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04W40/248—Connectivity information update
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了一种分布式多节点组网方法及装置，该方法包括：将网络的所有节点划分成多个分簇；根据各分簇中的成员节点参数为该网络的每个分簇选择簇头，得到该网络的初始组网方案；根据组网数学模型评价该初始组网方案，并初始化组网算法的属性参数，再通过组网算法对初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；对该目标组网方案进行网络结构优化，可以解决相关技术中在组网完成后网络结构即保持固定，无法根据网络拓扑结构变化进行自适应调整的问题，根据组网数学模型，结合智能算法的迭代机制，根据网络拓扑结构变化进行实时的自适应调整，对目标组网方案进行网络结构优化，提高组网后的网络稳定性。

Description

一种分布式多节点组网方法及装置
技术领域
本发明涉及数据处理领域，具体而言，涉及一种分布式多节点组网方法及装置。
背景技术
现有方案中，在组网完成后网络结构即保持固定，无法根据网络拓扑结构变化进行自适应调整。组网完成后，网络内部各成员节点在执行通信任务时，只能基于单节点坐标参数进行路由搜索，无法获得相邻节点的协调与配合，导致通信效率低下。此类方案只适用于网络规模较小、节点位置固定的场景。但随着网络规模增大，因节点移动或节点故障引起的拓扑结构变化，易导致网络分割产生信息孤岛。如服务器调度场景中，部分服务器节点因故障掉线，引起拓扑结构发生变化，若未采用适当的策略进行自适应调整，轻则导致通信时延增加，影响数据传输效率，重则导致集群瘫痪，丧失服务功能。
针对相关技术中在组网完成后网络结构即保持固定，无法根据网络拓扑结构变化进行自适应调整的问题，尚未提出解决方案。
发明内容
本发明实施例提供了一种分布式多节点组网方法及装置，以至少解决相关技术中在组网完成后网络结构即保持固定，无法根据网络拓扑结构变化进行自适应调整的问题。
根据本发明的一个实施例，提供了一种分布式多节点组网方法，包括：
根据预设规则将网络的所有节点划分成多个分簇；
根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；
根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
对所述目标组网方案进行网络结构优化。
可选地，根据预设规则将网络的所有节点划分成多个分簇包括：
建立所述网络的组网数学模型；
通过所述网络的组网算法将所述网络的所有节点划分成所述多个分簇，并通过所述网络的组网数学模型评价分簇方案
可选地，通过以下方式建立所述网络的组网数学模型：
Minimize Obj＝AvegDist×Var_load/L；
其中，
Figure BDA0003288365600000021
Figure BDA0003288365600000022
Figure BDA0003288365600000023
Minimize Obj表示所述网络的数学模型的评估值，AvegDist表示所述网络的所有节点与所属簇头的平均距离之和，Var_load表示分簇的规模方差值，L表示所述网络的能耗效率，M为分簇个数，Nj表编号为j的分簇，EresIDual(gi)表示被选做簇头的节点gi的剩余能量，EG(gi)表示被选做簇头的节点gi每个周期的能耗总和；
dis(si,gj)表示节点si与所属簇头gj之间的距离，布尔变量bij表示编号为i的节点si是否从属于编号为j的簇头gj：
Figure BDA0003288365600000024
其中，所述组网数学模型的约束条件包括：
约束条件一：
Figure BDA0003288365600000031
约束条件二：
Figure BDA0003288365600000032
约束条件三：Nmin≤Nj≤Nmax,j∈(0,M]，
其中，所述约束条件一表示任意节点i只能从属于一个簇头，所述约束条件二表示节点si与所属簇头gj之间得距离在通信范围内，dmax表节点容许的最大通信距离，所述约束条件三表示分簇的成簇规模不能超过指定阈值，Nmin、Nmax表示最小或最大成簇规模。
可选地，根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案包括：
在D维搜索空间按照预设约束条件随机生成粒子的初始位置向量和初始速度向量；
根据所述每个粒子的初始位置向量计算所述每个粒子的初始个体最优值与种群的初始全局最优值；
基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新种群中各粒子个体的位置向量与速度向量，经过预设次数的迭代计算得到更新后的目标位置向量与目标速度向量，其中，所述组网算法的属性参数包括所述全局最优值、所述全局最优解、所述个体最优值及所述个体最优解；
确定组网算法迭代结束后获得的所述全局最优解对应的所述目标位置向量为所述目标组网方案，即迭代计算结束后，确定所述目标位置向量对应的组网方案为所述目标组网方案。
可选地，基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新种群中各粒子个体的位置向量与速度向量，经过预设次数的迭代计算得到更新后的目标位置向量与目标速度向量包括：
重复对每个粒子执行以下操作，直到满足终止迭代条件，得到所述目标速度向量和目标位置向量，其中，正在评价的粒子称为当前粒子：
通过所述网络的组网数学模型计算所述当前粒子的当前适应值；
比较所述当前粒子的当前适应值和当前个体最优值，如果所述当前适应值小于所述当前个体最优值，则使用所述当前适应值更新所述当前个体最优解；
比较所述当前粒子的当前适应值与当前全局最优值，如果所述当前适应值小于所述当前全局最优值，则将所述当前全局最优值更新为所述当前粒子的当前适应值，所述当前全局最优解更新为当前粒子的当前位置向量；
按照所述当前粒子的速度向量和位置向量更新公式迭代更新所述组网算法中所述当前粒子的速度向量和位置向量。
可选地，根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头包括：
对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的目标函数值；
根据所述目标函数值确定所述每个分簇的簇头。
可选地，对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的函数值包括：
对每个分簇，通过以下公式依次遍历所述每个分簇的各节点作为簇头时，簇头与其他节点的平均距离；
Figure BDA0003288365600000051
通过以下公式确定各节点与所述平均距离的方差，其中，所述函数值为所述各节点与所述平均距离的方差：
Figure BDA0003288365600000052
其中，Nj表示编号为j的分簇，(xj,yj)表示当前簇头的物理坐标，(xi,yi)表示分簇内第i个节点的坐标，AvegDistj表示簇头与节点的平均距离，Variancej表示所述平均距离的方差；
根据所述函数值确定所述每个分簇的簇头包括：
确定每个分簇中最小所述方差对应的节点为所述簇头。
可选地，对所述目标组网方案进行网络结构优化包括：
对所述网络的各节点采用UDP报文执行功能数据交互，其中，所述功能数据分包括簇头的呼叫报文和节点的心跳报文；
若在预设时间内第一目标节点未接收到所属簇头的呼叫报文，则将所述第一目标节点启动离网流程，并在离网后申请加入其他分簇；
若在所述预设时间内簇头未接收到第二目标节点的心跳报文，则将所述第二目标节点从所属分簇及路由表中剔除。
根据本发明的另一个实施例，还提供了一种分布式多节点组网装置，包括：
划分模块，用于将网络的所有节点划分成多个分簇；
选取模块，用于根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；
更新模块，根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
优化模块，用于对所述目标组网方案进行网络结构优化。
可选地，所述划分模块包括：
建立子模块，用于建立所述网络的组网数学模型；
划分子模块，用于通过所述网络的组网算法将所述网络的所有节点划分成所述多个分簇，并通过所述网络的组网数学模型评价分簇方案。
可选地，所述建立子模块，还用于通过以下方式建立所述网络的组网数学模型：
Minimize Obj＝AvegDist×Var_load/L；
其中，
Figure BDA0003288365600000061
Figure BDA0003288365600000062
Figure BDA0003288365600000063
Minimize Obj表示所述网络的组网数学模型的评估值，AvegDist表示所述网络的所有节点与所属簇头的平均距离之和，Var_load表示分簇的规模方差值，L表示所述网络的能耗效率，M为分簇个数，Nj表编号为j的分簇。EresIDual(gi)表示被选做簇头的节点gi的剩余能量，EG(gi)表示被选做簇头的节点gi每个周期的能耗总和；
dis(si,gj)表示节点si与所属簇头gj之间的距离，布尔变量bij表示编号为i的节点si是否从属于编号为j的簇头gj：
Figure BDA0003288365600000064
其中，所述组网数学模型的约束条件包括：
约束条件一：
Figure BDA0003288365600000065
约束条件二：
Figure BDA0003288365600000071
约束条件三：Nmin≤Nj≤Nmax,j∈(0,M]，
其中，所述约束条件一表示任意节点i只能从属于一个簇头，所述约束条件二表示节点si与所属簇头gj之间得距离在通信范围内，dmax表节点容许的最大通信距离，所述约束条件三表示分簇的成簇规模不能超过指定阈值，Nmin、Nmax表示最小或最大成簇规模。
可选地，所述更新模块包括：
生成子模块，用于在D维搜索空间按照预设约束条件随机生成粒子的初始位置向量和初始速度向量；
第一确定子模块，用于根据所述每个粒子的初始位置向量计算所述每个粒子的初始个体最优值与种群的初始全局最优值；
更新子模块，用于基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新种群中各粒子个体的位置向量与速度向量，经过预设次数的迭代计算得到更新后的目标位置向量与目标速度向量，其中，所述组网算法的属性参数包括所述全局最优值、所述全局最优解、所述个体最优值及个体最优解；
第二确定子模块，用于确定组网算法迭代结束后获得的所述全局最优解对应的所述目标位置向量为所述目标组网方案。
可选地，所述第二确定子模块，还用于
重复对每个粒子执行以下操作，直到满足终止迭代条件，得到所述每个粒子的目标速度和目标位置，其中，正在评价的粒子称为当前粒子：
通过所述网络的组网数学模型计算所述当前粒子的当前适应值；
比较所述当前粒子的当前适应值和当前个体最优值，如果所述当前适应值小于所述当前个体最优值，则使用所述当前适应值更新所述当前个体最优解；
比较所述当前粒子的当前适应值与当前全局最优值，如果所述当前适应值小于所述当前全局最优值，则将所述当前全局最优值更新为所述当前粒子的当前适应值，所述当前全局最优解更新为当前粒子的当前位置向量；
按照所述当前粒子的速度向量和位置向量更新公式迭代更新所述组网算法中所述当前粒子的速度向量和位置向量。
可选地，所述选取模块包括：
遍历子模块，用于对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的目标函数值；
第三确定子模块，用于根据所述目标函数值确定所述每个分簇的簇头。
可选地，所述遍历子模块，还用于对每个分簇，通过以下公式依次遍历所述每个分簇的各节点作为簇头时，簇头与其他节点的平均距离；
Figure BDA0003288365600000081
通过以下公式确定各节点与所述平均距离的方差，其中，所述函数值为所述各节点与所述平均距离的方差：
Figure BDA0003288365600000082
其中，Nj表示编号为j的分簇，(xj,yj)表示当前簇头的物理坐标，(xi,yi)表示分簇内第i个节点的坐标，AvegDistj表示簇头与节点的平均距离，Variancej表示所述平均距离的方差；
所述第三确定子模块，还用于确定每个分簇中最小所述方差对应的节点为所述簇头。
可选地，所述优化模块，还用于
对所述网络的各节点采用UDP报文执行功能数据交互，其中，所述功能数据分包括簇头的呼叫报文和节点的心跳报文；
若在预设时间内第一目标节点未接收到所属簇头的呼叫报文，则将所述第一目标节点启动离网流程，并在离网后申请加入其他分簇；
若在所述预设时间内簇头未接收到第二目标节点的心跳报文，则将所述第二目标节点从所属分簇及路由表中剔除。
根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，将网络的所有节点划分成多个分簇；根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；根据数学模型评价所述初始组网方案，并更新组网算法的属性参数，得到目标组网方案；对所述目标组网方案进行网络结构优化，可以解决相关技术中在组网完成后网络结构即保持固定，无法根据网络拓扑结构变化进行自适应调整的问题，为保证通信效率，根据创建的组网数学模型，并结合智能算法的迭代机制，根据网络拓扑结构变化进行实时的自适应调整，对目标组网方案进行网络结构优化，提高组网后的网络稳定性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的分布式多节点组网方法的移动终端的硬件结构框图；
图2是根据本发明实施例的分布式多节点组网方法的流程图；
图3是根据本发明实施例的分布式组网算法中模块交互的示意图；
图4是根据本发明实施例的网络划分为多簇的示意图；
图5是根据本发明实施例的粒子群算法执行的流程图；
图6是根据本发明实施例的分布式多节点组网装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的分布式多节点组网方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的分布式多节点组网方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的分布式多节点组网方法，图2是根据本发明实施例的分布式多节点组网方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，将网络的所有节点划分成多个分簇；
步骤S204，根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；
步骤S206，根据组网数学模型评价该初始组网方案及初始化组网算法的属性参数，并通过组网算法对初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
步骤S208，对所述目标组网方案进行网络结构优化。
本发明实施例中，上述步骤S208具体可以包括：对所述网络的各节点采用UDP报文执行功能数据交互，其中，所述功能数据分包括簇头的呼叫报文和节点的心跳报文；若在预设时间内第一目标节点未接收到所属簇头的呼叫报文，则将所述第一目标节点启动离网流程，并在离网后申请加入其他分簇；若在所述预设时间内簇头未接收到第二目标节点的心跳报文，则将所述第二目标节点从所属分簇及路由表中剔除。
通过上述步骤S202至S208，可以解决相关技术中在组网完成后网络结构即保持固定，无法根据网络拓扑结构变化进行自适应调整的问题，为保证通信效率，根据创建的组网数学模型，并结合智能算法的迭代机制，根据网络拓扑结构变化进行实时的自适应调整，对目标组网方案进行网络结构优化，提高组网后的网络稳定性。
本发明实施例中，上述步骤S202具体可以包括：
S2021，建立所述网络的组网数学模型；
进一步的，通过以下方式建立所述网络的数学模型：
Minimize Obj＝AvegDist×Var_load/L；
各乘积项解释如下：
Figure BDA0003288365600000121
Figure BDA0003288365600000122
Figure BDA0003288365600000123
Minimize Obj表示所述网络的数学模型的评估值，AvegDist表示所述网络的所有节点与所属簇头的平均距离之和，Var_load表示分簇的规模方差值，L表示所述网络的能耗效率，M为分簇个数，Nj表编号为j的分簇。EresIDual(gi)表示被选做簇头的节点gi的剩余能量，EG(gi)表示被选做簇头的节点gi每个周期的能耗总和；
dis(si,gj)表示节点si与所属簇头gj之间的距离，布尔变量bij表示编号为i的节点si是否从属于编号为j的簇头gj：
Figure BDA0003288365600000124
其中，所述组网数学模型的约束条件包括：
约束条件一：
Figure BDA0003288365600000131
约束条件二：
Figure BDA0003288365600000132
约束条件三：Nmin≤Nj≤Nmax,j∈(0,M]，
其中，约束条件一表示任意节点i只能从属于一个簇头，约束条件二表示节点si与所属簇头gj之间的距离在通信范围内，dmax表节点容许的最大通信距离，约束条件三表示分簇的成簇规模不能超过指定阈值，Nmin、Nmax表示最小或最大成簇规模。
S2022，通过所述网络的组网算法将所述网络的所有节点划分成所述多个分簇，并通过所述网络的组网数学模型评价分簇方案。
本发明实施例中，上述步骤S206具体可以包括：
S2061，在D维搜索空间按照预设约束条件随机生成粒子的初始位置向量和初始速度向量；
S2062，根据所述每个粒子的初始位置向量计算所述每个粒子的初始个体最优值与整个种群的初始全局最优值；
S2063，基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新种群中各粒子个体的位置向量与速度向量，经过预设次数的迭代计算得到更新后的目标位置向量与目标速度向量，其中，所述组网算法的属性参数包括所述全局最优值、所述全局最优解、所述个体最优值及所述个体最优解；
进一步的，上述步骤S2063具体可以包括：重复对每个粒子执行以下操作，直到满足终止迭代条件，得到所述目标速度向量和目标位置向量，其中，正在评价的粒子称为当前粒子：通过所述网络的组网数学模型计算所述当前粒子的当前适应值；比较所述当前粒子的当前适应值和当前个体最优值，如果所述当前适应值小于所述当前个体最优值，则使用所述当前适应值更新所述当前个体最优值，使用当前粒子的位置向量更新当前个体最优解；比较所述当前粒子的当前适应值与当前全局最优值，如果所述当前适应值小于所述当前全局最优值，则确定所述当前全局最优值更新为所述当前粒子的当前适应值，所述当前全局最优解更新为当前粒子的当前位置向量；按照所述当前粒子的速度和位置更新公式迭代更新所述组网算法中所述当前粒子的速度向量和位置向量。
S2064，确定所述目标位置向量对应的组网方案为所述目标组网方案。
具体的，在D维搜索空间内，按照预设的约束条件为种群内各粒子随机生成初始位置向量和初始速度向量后，根据各粒子初始位置向量，经过解码逻辑后，获得每个粒子的初始位置向量代表的组网方案，将方案带入到目标函数中，计算得每个粒子的初始个体最优值，待算得所有粒子的个体最优值后，从中选择出最小值赋给全局最优值(因为本实施例中的数学模型是求解最小值，因此所谓的全局最优即是所有的个体最优值中的最小值)，做为全局最优值的初始值，即初始全局最优值，并将此初始全局最优值对应的粒子的位置向量，做为初始全局最优解。其中，粒子速度向量只用于更新粒子的位置向量。
本发明实施例中，上述步骤S204具体可以包括：
S2041，对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的函数值；
进一步的，对每个分簇，通过以下公式依次遍历所述每个分簇的各节点作为簇头时，簇头与其他节点的平均距离；
Figure BDA0003288365600000141
通过以下公式确定各节点与所述平均距离的方差，其中，所述函数值为所述各节点与所述平均距离的方差：
Figure BDA0003288365600000151
其中，Nj表示编号为j的分簇，(xj,yj)表示当前簇头的物理坐标，(xi,yi)表示分簇内第i个节点的坐标，AvegDistj表示簇头与节点的平均距离，Variancej表示所述平均距离的方差；
S2042，根据所述函数值确定所述每个分簇的簇头，进一步的，确定每个分簇中最小所述方差对应的节点为所述簇头。
本发明实施例采用的移动终端需具备以下功能：无线通信，包括数据收发及通信中继；配置定位芯片，终端可通过定位模块获取自身坐标数据并可根据坐标数据计算自身移动方向；配置电源管理芯片，终端可随时获取自身的能量数据。
图3是根据本发明实施例的分布式组网算法中模块交互的示意图，如图3所示，主要包括以下模块：网络分簇模块32、簇头选举模块34、网络维护模块36。
网络分簇模块32：图4是根据本发明实施例的网络划分为多簇的示意图，如图4所示，算法每次迭代时将原网络划分成若干分簇，生成分簇方案后，将每个分簇的成员信息依次发送给簇头选举模块34，由簇头选举模块34为各簇选择头节点并将结果返回网络分簇模块32，待所有分簇都选举出头节点后。网络分簇模块32评价本次迭代计算的组网方案，并根据评价结果更新算法属性参数，本次迭代计算结束。随后执行下次迭代，直至满足迭代停止条件。
组网开始阶段，网络内所有成员节点将坐标数据、运行方向及无线通信模块的配置参数(如通信距离，能耗参数等)与节点自身的唯一标识打包后发送至基站。基站开启数据接收时间窗(大小可配置的时间片)，时间窗内各成员节点可向基站重复发送数据，基站接收到节点数据后，解析并校验此节点标识对应的数据是否已存在，如不存在则保存，否则不做处理。
数据接收时间窗关闭后，基站启动组网运算，每次迭代计算中根据节点参数将网络划分为多个子网，并将分簇方案发送至簇头选举模块34，为各分簇选择簇头并返回网络分簇模块32，至此本次迭代获得一个完整的组网方案，随后由目标函数执行方案评价，并将评价结果保存在算法属性参数中。继续执行规定迭代次数，经过指定迭代次数后，选择最优方案做为最终组网方案。
簇头选举模块34：网络分簇模块32每次迭代生成分簇方案后，由簇头选举模块34根据数学模型及启发式算法为每个分簇计算出最优头节点，并将计算结果返回网络分簇模块32以供评价。
网络分簇模块32运行组网算法时，每次完成分簇后，将分簇方案发送到头节点选择模块。头节点选择模块采用枚举算法，以并行计算方式遍历每个分簇的每个节点当选为对应分簇头节点时的目标函数值。最后把计算的各簇最优簇头返回网络分簇模块32，由网络分簇模块32进行方案总体评价。
网络维护模块36，维护任务分为：管理网络运行流程，定义数据传输优先级，将簇头的一个通信周期划分为若干时间片，并分配给所属的成员节点及邻近其他簇头。将通信数据按照功能划分为不同的优先级，如业务型数据及功能型数据；优化网络结构，如头节点轮换，根据节点位置变动，动态调整节点的离网及重新入网等。
网络在组网完成并开启正式的运行流程后，维护模块需管理网络的数据交互流程，将簇头的单个通信周期划分为若干个时间片并分配给簇头所属各成员和簇头路由表内的其它簇头，每个时间片内，簇头只和一个节点通信，时间片结束后即切换连接。此外网络维护模块36为不同的数据报文设置了相应的优先级，通信过程中，如果监听到高优先级的紧急报文，则簇头立即终止通信，并结束当前时间片，优先响应高优先级报文。
网络优化流程伴随着网络的全生命周期，其功能是执行网络各分簇的自适应调整。运行过程中，各分簇头节点之间及头节点与成员节点之间除了执行正常的数据交互外，头节点定时向所属分簇成员及邻近头节点发送呼叫报文，同时成员节点定时向头节点发送心跳报文。注意，心跳报文用于维护网络，头节点根据心跳报文中的节点ID判断，如是所属成员节点发送，则解析此报文，否则直接丢弃。呼叫报文是头节向所属成员节点发送的广播报文，成员节点接收到呼叫报文后，读取其中的节点ID，如是所属头节点发送，则解析此呼叫报文，否则直接丢弃。
成员节点离网：成员节点除接收所属簇头呼叫报文外，同时也会接收其它簇头呼叫报文。成员节点接收到其它头节点呼叫报文后，解析其中的位置参数并结合自身位置信息计算通信代价。根据计算结果，如成员节点与当前所属头节点的通信代价大于和目标头节点的交互代价，则成员节点向目标头节点发送入网申请，如目标头节点通过入网申请，则成员节点向当前所属头节发送离网申请并在接收到回复后，即可加入新的分簇。如成员节点发送离网申请经过指定时长未收到头节点回复报文，则直接脱离原分簇，加入新分簇。如成员节点经计算后，与当前头节点的交互代价优于与目标头节点的交互代价，或者目标头节点拒绝其入网，则不做处理。
目标头节点是否接收新成员入网规则：头节点接收到来自于其它分簇成员节点的入网申请时，会首先计算所属子网的负载均衡系数(成簇规模)，若超出规定阈值，则拒绝新成员节点加入，否则继续执行下一步判断，与一跳通信范围内的其它子网的负载均衡系数作对比，若优于邻近子网，则容许加入，否则拒绝。
头节点轮换：在通信过程中，各分簇头节点会定时监听自身的资源配置参数(如剩余能量)，同时接收并解析成员节点的心跳报文，获取所有成员节点的资源配置，将自身剩余资源与成员节点作对比。若剩余资源不足，或算得所属成员节点资源优于自身，则当前头节点启动头节点轮换流程，调用簇头选举模块34，由当前头节点为所属子网选择出下一阶段的头节点，并广播角色变更报文(报文内容包括所属子网ID，自身ID，新头节点ID等)，所属成员节点接收到角色变更报文后，更新路由表中的头节点路由信息。邻近头节点接收到角色变更报文后，更新与目标分簇ID绑定的头节点ID。
下面对各个模块进行详细说明。
网络分簇模块32：包括组网数学模型及模型求解算法。本发明方案基于网络的负载均衡、最优能耗(能耗高效性)及数据传输效率(低延迟，低丢包率)等要求，建立针对组网的非线性规划模型，采用粒子群优化算法求解模型。本节首先介绍组网方案的数学模型，最后介绍模型求解算法。数学模型如下：
Minimize Obj＝AvegDist×Var_load/L；
模型中各因子说明如下：
1、AvegDist表示网络所有成员节点与其所属簇头的平均距离之和，最小化各成员节点与所属簇头平均距离之和，可筛选出合理的分簇方案及簇头选择方案，并降低网络的能耗速率：
Figure BDA0003288365600000181
M表示分簇个数，Nj表示编号为j的分簇规模，dis(si,gj)表示节点si与所属簇头gj之间的距离，布尔变量bij表示编号为i的节点si是否从属于编号为j的簇头gj。
Figure BDA0003288365600000182
2、Var_load表示分簇的规模方差值，用于衡量各簇的成簇规模是否均衡。将每个分簇的规模，即各簇头管理的成员总数定义为簇头的负载参数，保证簇头的负载均衡能够改善网络的通信效率。令
Figure BDA0003288365600000183
表示编号为j的分簇成员数，
Figure BDA0003288365600000184
表示预先指定的成簇规模阈值，
Figure BDA0003288365600000185
取值与对应簇头的剩余能量以及能耗速率有关。则最大化网络通信效率可表示为：
Figure BDA0003288365600000186
3、因子L表网络的能耗效率，其含义是某簇头完成单个周期通信的耗能越低，选择此簇头的概率越大。单个通信周期内消耗的能量越少，表示对应的组网方案更优。
假设收发双方距离为d，节点发送k bit数据所消耗的能量ET为：
ET(k,d)＝kEelec+kεd2。
节点接收k bit数据消耗能量为：
ER(k,d)＝Eeleck。
其中，Eelec表节点收发器单元发送一位数据的能耗，ε表示放大器发送1bit数据的能耗。因此实际运行中，管理ni个成员节点的簇头gi在单位时间内能耗为：
ECLUSTER(gi)＝ni×ER+ET(k,NextHop(gi))。
式中ER，ET分别是数据接收，簇间通信能耗(簇头将已收集的本簇k bit数据发送到邻近子网)，NextHop(gi)表gi与邻近簇头的距离。
多跳网络中，除存在簇内数据传输，有时簇头还需转发来自邻近簇头的数据。设NIN(gi)表每个周期gi作为中继节点需转发数据包个数，则中继能耗为：
EFORWARD(gi)＝NIN(gi)×ER+NIN(gi)×ET(k,NextHop(gi))。
因此，簇头gi每周期能耗总和：
EG(gi)＝EFORWARD(gi)+ECLUSTER(gi)＝ni×ER+ET(gi,NextHop(gi))+NIN(gi)×ER+NIN(gi)×ET(gi,NextHop(gi))。
令Eresidual(gi)表示gi的剩余能量，则簇头gi基于当前剩余能量可完成的通信周期数为：
Figure BDA0003288365600000191
L(i)表示簇头当前剩余能量可完成的通信周期数。基于目标簇头已有的剩余能量，可以完成的通信周期数越多，表示对应的组网策略更优。结合上述各因子便可得到网络的数学模型的目标函数Minimize Obj。
其中，组网数学模型的约束条件包括：
约束条件一：
Figure BDA0003288365600000201
约束条件二：
Figure BDA0003288365600000202
约束条件三：Nmin≤Nj≤Nmax,j∈(0,M]。
其中，约束条件一表示任意节点i只能从属于一个簇头，约束条件二表示节点si与所属簇头gj之间得距离在通信范围内，dmax表节点容许的最大通信距离，约束条件三表示分簇的成簇规模不能超过指定阈值，Nmin、Nmax表示最小或最大成簇规模。
本发明实施例采用粒子群算法求解所建模型，算法将网络中所有节点抽象成一维数组的粒子模型：
Pi＝[Xi,1,Xi,2,Xi,3,...,Xi,D],i∈[1,M]。
其中，Pi表示种群中第i个粒子个体，Xi,j对应网络中第j个节点。D表示网络中节点总数，M表示种群规模。个体Pi表示网络中所有节点的一个组网方案，粒子中的每个元素对应一个节点，可通过解码计算将粒子解码后获取此粒子个体所代表的组网方案。
粒子的速度及位置更新公式如下：
Vi,d(t)＝Vi,d(t-1)+c1×r1×(pbesti,d-Xi,d(t-1))+c2×r2×(gbestd-Xi,d(t-1))；
Xi,d(t)＝Xi,d(t-1)+Vi,d(t)。
其中，c1，c2为加速因子，r1，r2为[0,1]间不等的随机数。粒子的更新过程被迭代多次，直到最终结果能够接受或者达到预定的迭代次数。图5是根据本发明实施例的粒子群算法执行的流程图，如图5所示，包括以下步骤：
S501，初始化，在D维搜索空间按照预设的约束条件随机生成粒子初始的位置向量和初始速度向量；
S502，评价粒子，通过目标函数评价每个粒子的初始位置向量，并为算法属性参数赋初值；
S503，更新粒子参数，按照粒子的速度和位置更新公式分别迭代更新粒子的速度向量和位置向量；
S504，适应值更新，根据S503的迭代结果计算各粒子当前适应值，更新个体最优值与全局最优值，具体包括：1)比较粒子的当前适应值和其对应的个体最优值Pbest，如果当前适应值小于Pbest，则用其更换当前个体最优值；2)比较粒子的当前适应值与种群的全局最优值Gbest，如果当前值小于Gbest，则设置Gbest的位置就是当前粒子位置；
S505，判断是否满足终止条件，在判断结果为否的情况下循环回到步骤S503，直到满足停止迭代的条件，在判断结果为是的情况下，执行步骤S506，终止迭代条件通常设置为最大迭代次数；
S506，确定全局最优解对应的位置向量，得到目标组网方案。
簇头选举模块34，具体的，网络划分成若干分簇后，各簇成员节点与簇头通信时，根据能耗与传输距离成正比原则，为降低能耗并保证成员节点能耗均衡，各簇头与其成员节点平均距离之和及均距方差取值最小(据此策略执行迭代，可保证选中的头节点靠近分簇的物理中心)，对应选举方案最优。采用以下模型结合枚举算法依次遍历各节点做为簇头时的函数值：
Figure BDA0003288365600000211
Figure BDA0003288365600000212
其中，Nj表示编号为j的分簇规模，(xj,yj)是当前簇头的物理坐标，(xi,yi)是子网内第i个成员节点的坐标。AvegDistj表簇头与成员节点的平均距离，Variancej表示均距方差。
经计算后取得初始组网方案，基站将此方案通知区域内所有节点，通知信息包括：各节点所属子网编号ID，各簇头编号及坐标，各节点所属子网的头节点信息，如头节点编号及物理坐标。
网络维护模块36，经过网络分簇模块32和簇头选举模块34迭代计算形成初始网络，网络具备运行条件，基站即可退出，各节点开启数据交互流程，数据交互分为两种类型：业务数据交互和功能数据交互。
网络采用传输控制协议(Transmission Control Protocol，简称为TCP)报文执行业务数据交互，包括簇内通信和簇间通信，簇内通信：成员节点将已收集的数据上报所属头节点；簇头接收来自其它簇头的数据并共享给成员节点。簇间通信：簇头将收集的本簇数据共享给其它簇头；簇头中继转发来自其它簇头的数据。
功能数据是用于维护网络的稳定性或优化网络结构而发送的交互数据，为节省网络资源，采用用户数据报协议(User Datagram Protocol，简称为UDP)报文执行功能数据交互。功能数据分为头节点的呼叫报文和成员节点的心跳报文。呼叫报文主要包括头节点ID、位置信息、带宽、剩余能量等资源配置参数，及所属子网规模、负载均衡系数等。若在规定时间内成员节点未接收到所属簇头呼叫报文，则成员节点将启动离网流程，并在离网后申请加入其他分簇。心跳报文包括成员节点ID，位置参数及资源配置参数，头节点若在规定时间内未接收到成员节点的心跳报文，则头节将此成员节点从所属分簇及路由表中剔除。
通过本发明实施例，创建的模型合理：数学模型中综合考虑了各项因素，包括能量、距离及负载均衡，能够合理评价获取的组网策略是否最优。网络自适应性：运行过程中，网络内各节点可根据自身的位置变动及能耗情况，适时启动自身的离网及入网动作。簇头轮换策略：监听头节点资源参数，实时启动簇头轮换计算流程，在资源受限环境中可有效延长网络运行时长。
实施例2
根据本发明的另一个实施例，还提供了一种分布式多节点组网装置，图6是根据本发明实施例的分布式多节点组网装置的框图，如图6所示，包括：
划分模块62，用于将网络的所有节点划分成多个分簇；
选取模块64，用于根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述每个分簇的初始组网方案；
更新模块66，根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
优化模块68，用于对所述目标组网方案进行网络结构优化。
可选地，所述划分模块62包括：
建立子模块，用于建立所述网络的组网数学模型；
划分子模块，用于通过所述网络的组网算法将所述网络的所有节点划分成所述多个分簇，并通过所述网络的组网数学模型评价分簇方案。
可选地，所述建立子模块，还用于通过以下方式建立所述网络的组网数学模型：
Minimize Obj＝AvegDist×Var_load/L；
其中，
Figure BDA0003288365600000231
Figure BDA0003288365600000232
Figure BDA0003288365600000233
Minimize Obj表示所述网络的组网数学模型的评估值，AvegDist表示所述网络的所有节点与所属簇头的平均距离之和，Var_load表示分簇的规模方差值，L表示所述网络的能耗效率，M为分簇个数，Nj表编号为j的分簇。EresIDual(gi)表示被选做簇头的节点gi的剩余能量，EG(gi)表示被选做簇头的节点gi每个周期的能耗总和；
dis(si,gj)表示节点si与所属簇头gj之间的距离，布尔变量bij表示编号为i的节点si是否从属于编号为j的簇头gj：
Figure BDA0003288365600000241
其中，所述组网数学模型的约束条件包括：
约束条件一：
Figure BDA0003288365600000242
约束条件二：
Figure BDA0003288365600000243
约束条件三：Nmin≤Nj≤Nmax,j∈(0,M]，
其中，约束条件一表示任意节点i只能从属于一个簇头，约束条件
二表示节点si与所属簇头gj之间得距离在通信范围内，dmax表节点容许的最大通信距离，约束条件三表示分簇的成簇规模不能超过指定阈值，Nmin、Nmax表示最小或最大成簇规模。
可选地，所述更新模块66包括：
生成子模块，用于在D维搜索空间按照预设约束条件随机生成粒子的初始位置向量和初始速度向量；
第一确定子模块，用于根据所述每个粒子的初始位置向量计算所述每个粒子的初始个体最优值与种群的初始全局最优值；
更新子模块，用于基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新种群中各粒子个体的位置向量与速度向量，经过预设次数的迭代计算得到更新后的目标位置向量与目标速度向量，其中，所述组网算法的属性参数包括所述全局最优值、所述全局最优解、所述个体最优值及个体最优解；
第二确定子模块，用于确定组网算法迭代结束后获得的所述全局最优解对应的所述目标位置向量为所述目标组网方案。
可选地，所述第二确定子模块，还用于
重复对每个粒子执行以下操作，直到满足终止迭代条件，得到所述每个粒子的目标速度和目标位置，其中，正在评价的粒子称为当前粒子：
通过所述网络的组网数学模型计算所述当前粒子的当前适应值；
比较所述当前粒子的当前适应值和当前个体最优值，如果所述当前适应值小于所述当前个体最优值，则使用所述当前适应值更新所述当前个体最优解；
比较所述当前粒子的当前适应值与当前全局最优值，如果所述当前适应值小于所述当前全局最优值，则将所述当前全局最优值更新为所述当前粒子的当前适应值，所述当前全局最优解更新为当前粒子的当前位置向量；
按照所述当前粒子的速度向量和位置向量更新公式迭代更新所述组网算法中所述当前粒子的速度向量和位置向量。
可选地，所述选取模块64包括：
遍历子模块，用于对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的目标函数值；
第三确定子模块，用于根据所述目标函数值确定所述每个分簇的簇头。
可选地，所述遍历子模块，还用于对每个分簇，通过以下公式依次遍历所述每个分簇的各节点作为簇头时，簇头与其他节点的平均距离；
Figure BDA0003288365600000261
通过以下公式确定各节点与所述平均距离的方差，其中，所述函数值为所述各节点与所述平均距离的方差：
Figure BDA0003288365600000262
其中，Nj表示编号为j的分簇，(xj,yj)表示当前簇头的物理坐标，(xi,yi)表示分簇内第i个节点的坐标，AvegDistj表示簇头与节点的平均距离，Variancej表示所述平均距离的方差；
所述第三确定子模块，还用于确定每个分簇中最小所述方差对应的节点为所述簇头。
可选地，所述优化模块68，还用于
对所述网络的各节点采用UDP报文执行功能数据交互，其中，所述功能数据分包括簇头的呼叫报文和节点的心跳报文；
若在预设时间内第一目标节点未接收到所属簇头的呼叫报文，则将所述第一目标节点启动离网流程，并在离网后申请加入其他分簇；
若在所述预设时间内簇头未接收到第二目标节点的心跳报文，则将所述第二目标节点从所属分簇及路由表中剔除。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，将网络的所有节点划分成多个分簇；
S2，根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；
S3，根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
S4，对所述目标组网方案进行网络结构优化。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，将网络的所有节点划分成多个分簇；
S2，根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述每个分簇的初始组网方案；
S3，根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
S4，对所述目标组网方案进行网络结构优化。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种分布式多节点组网方法，其特征在于，包括：
将网络的所有节点划分成多个分簇；
根据所述多个分簇中每个分簇的成员参数信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；
根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
对所述目标组网方案进行网络结构优化。
2.根据权利要求1所述的方法，其特征在于，将网络的所有节点划分成多个分簇包括：
建立所述网络的组网数学模型；
通过所述网络的组网算法将所述网络的所有节点划分成所述多个分簇，并通过所述网络的组网数学模型评价分簇方案。
3.根据权利要求2所述的方法，其特征在于，
通过以下方式建立所述网络的组网数学模型：
MinimizeObj＝AvegDist×Var_load/L；
其中，
Figure FDA0003288365590000011
Figure FDA0003288365590000012
Figure FDA0003288365590000021
MinimizeObj表示所述网络的数学模型的评估值，AvegDist表示所述网络的所有节点与所属簇头的平均距离之和，Var_load表示分簇的规模方差值，L表示所述网络的能耗效率，M为分簇个数，Nj表编号为j的分簇，EresIDual(gi)表示被选做簇头的节点gi的剩余能量，EG(gi)表示被选做簇头的节点gi每个周期的能耗总和；
dis(si,gj)表示节点si与所属簇头gj之间的距离，布尔变量bij表示编号为i的节点si是否从属于编号为j的簇头gj：
Figure FDA0003288365590000022
其中，所述组网数学模型的约束条件包括：
约束条件一：
Figure FDA0003288365590000023
约束条件二：
Figure FDA0003288365590000024
约束条件三：Nmin≤Nj≤Nmax,j∈(0,M]，
其中，所述约束条件一表示任意节点i只能从属于一个簇头，所述约束条件二表示节点si与所属簇头gj之间的距离在通信范围内，dmax表节点容许的最大通信距离，所述约束条件三表示分簇的成簇规模不能超过指定阈值，Nmin、Nmax表示最小或最大成簇规模。
4.根据权利要求2所述的方法，其特征在于，根据组网数学模型评价该初始组网方案及初始化组网算法的属性参数，并通过组网算法对初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案包括：
在D维搜索空间按照预设约束条件随机生成粒子的初始位置向量和初始速度向量；
根据所述每个粒子的初始位置向量计算所述每个粒子的初始个体最优值与种群的初始全局最优值；
基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新所述种群中各粒子个体的位置向量与速度向量，经过所述预设次数的迭代计算得到更新后的目标位置向量与目标速度向量，其中，所述组网算法的属性参数包括所述全局最优值、所述全局最优解、所述个体最优值及所述个体最优解；
确定组网算法迭代结束后获得的所述全局最优解对应的所述目标位置向量为所述目标组网方案。
5.根据权利要求4所述的方法，其特征在于，基于所述网络的组网数学模型，根据所述种群中每个粒子的位置向量、所述种群中每个粒子的速度向量、所述种群中每个粒子的个体最优值、所述种群的全局最优解以及所述种群的全局最优值通过迭代更新的方式更新种群中各粒子个体的位置向量与速度向量，经过所述预设次数的迭代计算得到更新后的目标位置向量与目标速度向量包括：
重复对每个粒子执行以下操作，直到满足终止迭代条件，得到所述每个粒子的目标速度向量和目标位置向量，其中，正在评价的粒子称为当前粒子：
通过所述网络的组网数学模型计算所述当前粒子的当前适应值；
比较所述当前粒子的当前适应值和当前个体最优值，如果所述当前适应值小于所述当前个体最优值，则使用所述当前适应值所述更新当前个体最优解；
比较所述当前粒子的当前适应值与当前全局最优值，如果所述当前粒子的当前适应值小于所述当前全局最优值，则将所述当前全局最优值更新为所述当前粒子的当前适应值，所述当前全局最优解更新为当前粒子的当前位置向量；
按照所述当前粒子的速度向量和位置向量更新公式迭代更新所述组网算法中所述当前粒子的速度向量和位置向量。
6.根据权利要求1所述的方法，其特征在于，根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头包括：
对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的目标函数值；
根据所述簇头选择目标函数值确定所述每个分簇的簇头。
7.根据权利要求6所述的方法，其特征在于，
对每个分簇，依次遍历所述每个分簇的各节点作为簇头时的函数值包括：
对每个分簇，通过以下公式依次遍历所述每个分簇的各节点作为簇头时，簇头与本簇内其他节点的平均距离；
Figure FDA0003288365590000041
通过以下公式确定各节点与所述平均距离的方差，其中，所述函数值为所述各节点与所述平均距离的方差：
Figure FDA0003288365590000051
其中，Nj表示编号为j的分簇，(xj,yj)表示当前簇头的物理坐标，(xi,yi)表示分簇内第i个节点的坐标，AvegDistj表示簇头与节点的平均距离，Variancej表示所述平均距离的方差；
根据所述函数值确定所述每个分簇的簇头包括：
确定每个分簇中最小所述方差对应的节点为所述簇头。
8.根据权利要求1至7中任一项所述的方法，其特征在于，对所述目标组网方案进行网络结构优化包括：
对所述网络的各节点采用UDP报文执行功能数据交互，其中，所述功能数据分包括簇头的呼叫报文和节点的心跳报文；
若在预设时间内第一目标节点未接收到所属簇头的呼叫报文，则将所述第一目标节点启动离网流程，并在离网后申请加入其他分簇；
若在所述预设时间内簇头未接收到第二目标节点的心跳报文，则簇头将所述第二目标节点从所属分簇及路由表中剔除。
9.一种分布式多节点组网装置，其特征在于，包括：
划分模块，用于将网络的所有节点划分成多个分簇；
选取模块，用于根据所述多个分簇中每个分簇的成员信息为所述每个分簇选取簇头，得到所述网络的初始组网方案；
更新模块，根据组网数学模型评价所述初始组网方案及初始化组网算法的属性参数，并通过组网算法对所述初始组网方案进行预设次数的迭代计算及更新，得到目标组网方案；
优化模块，用于对所述目标组网方案进行网络结构优化。
10.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8中任一项所述的方法。
CN202111155786.0A 2021-09-29 2021-09-29 一种分布式多节点组网方法及装置 Pending CN113891426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111155786.0A CN113891426A (zh) 2021-09-29 2021-09-29 一种分布式多节点组网方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111155786.0A CN113891426A (zh) 2021-09-29 2021-09-29 一种分布式多节点组网方法及装置

Publications (1)

Publication Number Publication Date
CN113891426A true CN113891426A (zh) 2022-01-04

Family

ID=79004447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111155786.0A Pending CN113891426A (zh) 2021-09-29 2021-09-29 一种分布式多节点组网方法及装置

Country Status (1)

Country Link
CN (1) CN113891426A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115882899A (zh) * 2023-02-06 2023-03-31 北京智芯微电子科技有限公司 分布式新能源接入的通信虚拟组网方法、系统及存储介质
CN116074991A (zh) * 2023-01-10 2023-05-05 中国人民解放军海军工程大学 一种基于K-means++聚类算法的智能集群分簇方法
CN116127147A (zh) * 2023-04-04 2023-05-16 吉林大学 医学数据存储方法、系统、计算机设备及存储介质
CN116709400A (zh) * 2023-07-31 2023-09-05 南京元时空地理信息技术有限公司 基于云技术的城市地理信息公共服务系统
CN117729567A (zh) * 2024-02-07 2024-03-19 深圳市物联微电子有限公司 无线自组网的优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108112049A (zh) * 2017-12-15 2018-06-01 华中科技大学 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
US20210224708A1 (en) * 2018-01-02 2021-07-22 Shanghai Jiao Tong University Real-time economic dispatch method of power system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108112049A (zh) * 2017-12-15 2018-06-01 华中科技大学 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
US20210224708A1 (en) * 2018-01-02 2021-07-22 Shanghai Jiao Tong University Real-time economic dispatch method of power system

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢海龙: "基于粒子群算法的组网优化问题研究" *
宫华;卢海龙;袁田;: "基于PSO算法的无线传感器网络组网方法" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074991A (zh) * 2023-01-10 2023-05-05 中国人民解放军海军工程大学 一种基于K-means++聚类算法的智能集群分簇方法
CN115882899A (zh) * 2023-02-06 2023-03-31 北京智芯微电子科技有限公司 分布式新能源接入的通信虚拟组网方法、系统及存储介质
CN115882899B (zh) * 2023-02-06 2023-05-23 北京智芯微电子科技有限公司 分布式新能源接入的通信虚拟组网方法、系统及存储介质
CN116127147A (zh) * 2023-04-04 2023-05-16 吉林大学 医学数据存储方法、系统、计算机设备及存储介质
CN116709400A (zh) * 2023-07-31 2023-09-05 南京元时空地理信息技术有限公司 基于云技术的城市地理信息公共服务系统
CN116709400B (zh) * 2023-07-31 2023-10-13 南京元时空地理信息技术有限公司 基于云技术的城市地理信息公共服务系统
CN117729567A (zh) * 2024-02-07 2024-03-19 深圳市物联微电子有限公司 无线自组网的优化方法及系统
CN117729567B (zh) * 2024-02-07 2024-04-23 深圳市物联微电子有限公司 无线自组网的优化方法及系统

Similar Documents

Publication Publication Date Title
CN113891426A (zh) 一种分布式多节点组网方法及装置
Jurado-Lasso et al. Energy-aware routing for software-defined multihop wireless sensor networks
Xiao et al. Leveraging deep reinforcement learning for traffic engineering: A survey
US9411916B2 (en) Distributed approach for feature modeling using principal component analysis
Noormohammadpour et al. QuickCast: Fast and efficient inter-datacenter transfers using forwarding tree cohorts
Pilloni et al. TAN: a distributed algorithm for dynamic task assignment in WSNs
Tham et al. A load balancing scheme for sensing and analytics on a mobile edge computing network
Ning et al. Social-oriented resource management in cloud-based mobile networks
Wu et al. A game-theoretical approach for energy-efficient resource allocation in MEC network
Hu et al. Inter-cell slicing resource partitioning via coordinated multi-agent deep reinforcement learning
Huda et al. Deep reinforcement learning-based computation offloading in uav swarm-enabled edge computing for surveillance applications
Tekouabou et al. DTN routing hierarchical topology for the internet of things
Chahin et al. Incentive mechanisms based on minority games in heterogeneous delay tolerant networks
Rao et al. Energy efficient routing in wireless sensor networks via circulating operator packets
Gong et al. An adaptive path selection model for WSN multipath routing inspired by metabolism behaviors.
CN110536308A (zh) 一种基于博弈的多节点计算卸载方法
CN111901153B (zh) 一种面向战术边缘的分散计算架构
Al-Kadhim et al. Energy efficient traffic in cloud based IoT
Rikos et al. Finite time exact quantized average consensus with limited resources and transmission stopping for energy-aware networks
Di Caro et al. Theory and Practice of Ant-Based Routing in Dynamic Telecommunication Networks
Chuan et al. Optimizing content placement and delivery in wireless distributed cache systems through belief propagation
Narwaria et al. C3hac: A controller placement approach for sdwsn
Lu et al. Resource-efficient distributed deep neural networks empowered by intelligent software-defined networking
Lee et al. ACO-based optimal node selection method for QoE improvement in MEC environment
Ramya et al. Proficient algorithms for enhancing topology control for dynamic clusters in MANET

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220104