CN114158105A - 应用于综合能源系统的无线传感器网络的路由方法及装置 - Google Patents

应用于综合能源系统的无线传感器网络的路由方法及装置 Download PDF

Info

Publication number
CN114158105A
CN114158105A CN202111314720.1A CN202111314720A CN114158105A CN 114158105 A CN114158105 A CN 114158105A CN 202111314720 A CN202111314720 A CN 202111314720A CN 114158105 A CN114158105 A CN 114158105A
Authority
CN
China
Prior art keywords
wolf
data transmission
individual
wireless sensor
gray
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
CN202111314720.1A
Other languages
English (en)
Other versions
CN114158105B (zh
Inventor
周杰
刘阳
朱锐
曲欣
苏革
黄超
常泳
黎劲松
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.)
Xinjiang Tianfu Energy Co ltd
Shihezi University
Original Assignee
Xinjiang Tianfu Energy Co ltd
Shihezi 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 Xinjiang Tianfu Energy Co ltd, Shihezi University filed Critical Xinjiang Tianfu Energy Co ltd
Priority to CN202111314720.1A priority Critical patent/CN114158105B/zh
Publication of CN114158105A publication Critical patent/CN114158105A/zh
Application granted granted Critical
Publication of CN114158105B publication Critical patent/CN114158105B/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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种应用于综合能源系统的无线传感器网络的路由方法及装置，所述方法包括：初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。本发明实施例提供的应用于综合能源系统的无线传感器网络的路由方法及装置，提高了无线传感器网络规划的路径的质量和规划速度。

Description

应用于综合能源系统的无线传感器网络的路由方法及装置
技术领域
本发明涉及综合能源系统无线传感器技术领域，尤其涉及一种应用于综合能源系统的无线传感器网络的路由方法及装置。
背景技术
随着工业物联网应用的成熟，整合了水、电能、热能和天然气的综合能源系统逐渐走入人们的视野。作为一种集成了许多先进的数据采集和控制技术的创新管理模式，综合能源系统成功的实现了多种不同能源子系统之间的协调工作，为人们的生活带来了极大的便利。
工业物联网以无线传感器网络的形式为综合能源系统提供了监测方便和容易扩展的优点，但是受限于无线传感器电池的容量，广大研究者们迫切寻得一种路由方法使得面向综合能源系统的无线传感器网络能够最大限度的降低能耗，从而获得工作寿命的增加。
现有的无线传感器网络QoS(综合能源系统服务质量)路由方法主要是利用蚁群算法、遗传算法等元启发式方法规划出一条符合要求的最优路径，然而，蚁群算法与遗传算法存在着收敛速度慢和局部收敛的问题，这严重影响了传感器路由的可靠性。
发明内容
本发明提供一种应用于综合能源系统的无线传感器网络的路由方法及装置，用以解决现有技术中存在的技术问题。
本发明提供一种应用于综合能源系统的无线传感器网络的路由方法，包括：初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；
筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；
更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；
输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
根据本发明提供的一种路由方法，所述更新流程，具体包括：
位置更新子流程，基于位置更新公式执行狩猎操作，以更新灰狼个体的位置，所述位置更新公式为：OIt+1＝[O1(It)+O2(It)+O3(It)]/3，其中，It表示混沌灰狼优化算法当前所处的迭代次数，O1(It)表示Alfa狼在第It代的位置，O2(It)表示Beta狼在第It代的位置，O3(It)表示Delta狼在第It代的位置，OIt+1表示当前灰狼个体更新后的位置；
狼群克隆子流程，利用适应度函数计算出位置更新后的所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体，按照预设比例对三个灰狼个体进行克隆，得到克隆灰狼种群；
参数更新子流程，基于参数更新公式更新混沌灰狼优化算法的参数，所述参数更新公式为a＝2(1-It/MaxIt)，A＝2a*r1-a，C＝2*r2，其中，a表示收敛因子，MaxIt表示最大迭代次数，A与C均表示系数向量，r1与r2均表示取值范围[0,1]内的随机数。
根据本发明提供的一种路由方法，所述适应度函数为：
Figure BDA0003343233810000021
其中，L表示一条数据传输路径，D表示归一化后的路径能耗，DL表示归一化后的路径时延，PLR表示丢包率，PLC是归一化后的丢包代价，B表示归一化后的带宽。
根据本发明提供的一种路由方法，所述灰狼个体还包括：用于确定数据传输过程中，经过所述初始数据传输路径上各节点顺序的节点访问顺序数列。
根据本发明提供的一种路由方法，所述预设比例为2:1:1。
根据本发明提供的一种路由方法，所述利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，具体包括：
利用Logistic混沌映射公式生成初始灰狼种群，所述公式为：hi+1＝μhi(1-hi),i＝0,1,2,…,S-1，其中，令μ＝4，且给定h0为[0,1]之间的一个随机数作为初始随机数，当hi小于0.5时，所述初始数据传输路径上对应的二进制位取0，当hi大于等于0.5时，所述初始数据传输路径上对应的二进制位取1，其中μ表示混沌系数，i表示0到S-1之间的整数，hi表示第i个随机数，S表示传感器节点的数量。
本发明还提供一种应用于综合能源系统的无线传感器网络的路由装置，包括：
初始模块，用于利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；
筛选模块，用于利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的预设数量的灰狼个体；
更新模块，用于迭代更新灰狼个体的位置，并跳转执行所述筛选流程；
输出模块，用于当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
本发明还提供一种电子设备，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如上述任一种所述路由方法的步骤。
本发明还提供一种非暂态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如上述任一种所述路由方法的步骤。
本发明提供的应用于综合能源系统的无线传感器网络的路由方法及装置，通过利用混沌映射序列结合灰狼优化算法实现对无线传感器网络的路径规划过程，该过程步骤清晰，实现简单，实现了快速准确获取无线传感器规划路径的目的。
附图说明
为了更清楚地说明本发明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一简单地介绍，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是本发明提供的无线传感器网络的路由方法的流程示意图之一；
图2是本发明提供的无线传感器网络的路由方法的流程示意图之二；
图3是本发明提供的无线传感器网络的路由能耗对比曲线图；
图4是本发明提供的无线传感器网络的路由装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有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。
图1是本发明提供的无线传感器网络的路由方法的流程示意图之一，如图1所示，所述方法包括：
S110，初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；
S120，筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；
S130，更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；
S140，输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
灰狼优化算法(GWO),灵感来自于灰狼.GWO算法模拟了自然界灰狼的领导层级和狩猎机制，四种类型的灰狼,如α、β、δ、ω被用来模拟领导阶层。此外，还实现了狩猎的三个主要步骤:寻找猎物、包围猎物和攻击猎物。
在本发明中，首先利用混沌映射序列生成由多个灰狼个体组成的灰狼种群，此处混沌映射序列主要采用的是Logistic混沌映射公式，基于该方式获得灰狼种群可以满足在确保随机性的前提下保证种群质量，避免出现初始灰狼种群过优或者过差的问题。而每个灰狼个体均表示一条基于二进制编码的无线传感器网络的初始数据传输路径，例如对应于100100101这个二进制序列的数据传输路径即表示：在无线传感器网络中进行数据传输时依次经过第一个、第四个、第七个和第九个无线传感器。
以适应度函数作为优化灰狼种群的依据，首先利用适应度函数计算出初始灰狼种群中各灰狼个体的适应度值，并将适应度值最优的三个个体进行保留，即前述的α(Alfa)狼、β(Beta)狼、δ(Delta)狼；然后执行灰狼算法中的狩猎操作，即本发明中的更新流程，迭代更新灰狼个体的位置，并在完成位置更新后重复进行针对于每个灰狼个体的适应度值的计算，上述狩猎操作需要连续进行多次，且当迭代次数大于预设值时，得到适应度最优的灰狼个体，并将该灰狼个体携带的数据传输路径作为最终的输出结果进行输出。
本发明提供的无线传感器网络的路由方法，通过二进制编码对无线传感器网络中的数据传输路径进行表达，并同时基于灰狼优化算法对该数据传输路径进行优化计算，最终得到了最优的数据传输路径，上述方法步骤清晰、实现简单、提高了对于最优数据传输路径的寻找速度和路径的规划质量。
根据本发明提供的无线传感器网络的路由方法，在本发明中，所述更新流程，具体包括：
位置更新子流程，基于位置更新公式执行狩猎操作，以更新灰狼个体的位置，所述位置更新公式为：OIt+1＝[O1(It)+O2(It)+O3(It)]/3，其中，It表示混沌灰狼优化算法当前所处的迭代次数，O1(It)表示Alfa狼在第It代的位置，O2(It)表示Beta狼在第It代的位置，O3(It)表示Delta狼在第It代的位置，OIt+1表示当前灰狼个体更新后的位置；
狼群克隆子流程，利用适应度函数计算出位置更新后的所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体，按照预设比例对三个灰狼个体进行克隆，得到克隆灰狼种群；
参数更新子流程，基于参数更新公式更新混沌灰狼优化算法的参数，所述参数更新公式为a＝2(1-It/MaxIt)，A＝2a*r1-a，C＝2*r2，其中，a表示收敛因子，MaxIt表示最大迭代次数，A与C均表示系数向量，r1与r2均表示取值范围[0,1]内的随机数。
在本发明中，根据适应度函数计算出灰狼个体所携带的路由序列的适应度值，按照适应度的大小进行排序，并记录适应度值最优，次优和次次优的3个搜索个体位置为Alfa狼、Beta狼和Delta狼；计算其余的灰狼个体分别与Alfa狼、Beta狼和Delta狼的距离，并更新灰狼搜索个体的位置，更新公式为：O1＝Oα-A1*Lα，O2＝Oβ-A2*Lβ，O3＝Oδ-A3*Lδ，公式中，O1、O2和O3分别表示Alfa狼、Beta狼和Delta狼对Omega狼的下一步移动的方向向量，A是协同系数向量，Lα、Lβ和Lδ分别表示Alfa狼、Beta狼和Delta狼与Omega狼的方向向量，计算公式为：Lα＝|C1*Oα-O|，Lβ＝|C2*Oβ-O|，Lδ＝|C3*Oδ-O|，公式中C为另一个协同系数向量。
灰狼种群根据Alfa狼、Beta狼和Delta狼的位置来执行狩猎操作，更新公式为:OIt+1＝[O1(It)+O2(It)+O3(It)]/3，根据适应度函数计算出更新后的灰狼个体的适应度值，将灰狼按照适应度升序排列，选出适应度最高的前P个灰狼个体，然后按照既定比例对挑选出的灰狼个体进行克隆，以得到克隆灰狼种群。
需要说明的是，对挑选出的Alfa狼、Beta狼和Delta狼按照2:1:1的比例进行克隆，该比例表示在每一轮克隆过程中，Beta狼和Delta狼分别克隆一次，Alfa狼连续克隆两次，例如：有三个灰狼个体分别为Alfa狼、Beta狼和Delta狼，经过一轮克隆过程后，Alfa狼有4个，Beta狼和Delta狼分别有两个；采取该克隆比例的目的在于确保Alfa狼的突出优势又不至于出现优势集中，避免出现局部最优的情况。
对混沌灰狼优化算法的参数C＝2*r2、a和C进行更新，公式如下：a＝2(1-It/MaxIt)，A＝2a*r1-a，C＝2*r2，其中It是当前的迭代次数，MaxIt表示规定的最大迭代次数，r1和r2是[0,1]之间的随机数；判断迭代次数It是否大于最大迭代次数MaxIt，如果是，则将混沌灰狼优化算法终止，然后输出Alfa狼个体所携带的路由序列作为传感器节点的最优路由路径；否则，重复执行上述更新流程。
本发明提供的无线传感器网络的路由方法，通过在每一次筛选出优势灰狼个体后，都对其进行克隆操作，且针对于优势程度不同的灰狼个体进行不同比例的克隆，基于该克隆过程可以有效避免出现灰狼优化算法迭代过程中陷入局部最优的情况，且同时可以有效提高灰狼优化算法的迭代效率，进而实现快速获取最优数据传输路径的目的。
根据本发明提供的无线传感器网络的路由方法，在本发明中，所述适应度函数为：
Figure BDA0003343233810000071
其中，L表示一条数据传输路径，D表示归一化后的路径能耗，DL表示归一化后的路径时延，PLR表示丢包率，PLC是归一化后的丢包代价，B表示归一化后的带宽。
需要说明的是，路径能耗表示一条可行的路由路径所需消耗传感器节点的能量值，且一条数据传输路径所需的能耗越低，那么相应无线传感器网络的剩余能量则越多；路径时延表示一条可行的路由路径从发送到被接收所需要的时间，丢包率表示一个数据包未能被接收节点正常接收的概率，且数据传输路径总体时延越低以及丢包率越低，则会给综合能源系统的正常运行带来有力保障；丢包代价表示数据包丢失给综合能源系统的正常运行造成的代价，带宽表示单位时间内可以传输的数据量大小，且在选择最佳数据传输路径时需要考虑节点之间的带宽，在其他条件相同的前提下，应该优先选择带宽高的路径。
本发明提供的无线传感器网络的路由方法，通过将路径能耗、路径时延、丢包率、丢包代价以及带宽各个参数均作为无线传感器数据传输路径规划过程中的考虑因素，并将上述因素综合为混沌灰狼优化算法适应度函数中的影响参数，基于以上过程使得对于数据传输路径的规划过程更加合理，充分考虑到各个因素对于数据传输过程的音箱，最终得到了多因素最优的数据传输路径，有效提高了路径的规划质量。
根据本发明提供的无线传感器网络的路由方法，在本发明中，所述灰狼个体还包括：用于确定数据传输过程中，经过所述初始数据传输路径上各节点顺序的节点访问顺序数列。
在利用二进制编码表示初始数据传输路径时，存在一个问题：不能完全表示实际应用中的所有情况，例如：对应于100100101这个二进制序列的数据传输路径即表示：在无线传感器网络中进行数据传输时依次经过第一个、第四个、第七个和第九个无线传感器，即数据传输路径中先后经过的无线传感器的编号只能是依次增加的，但在实际应用中很有可能出现先经过第五个无线传感器，再经过第一个无线传感器的情况，但是单纯利用二进制序列无法对其进行表达。基于此，在灰狼个体中添加一组节点访问顺序序列，用于辅助二进制序列对数据传输路径进行表达，例如二进制序列为100100101，节点访问顺序序列为189764235，对于一条数据传输路径而言，路径起始点需要对应节点访问顺序序列中的最小值，路径终止点需要对应节点访问顺序序列中的最大值，将节点访问顺序序列调整后即得：187642359，二进制序列中的1仍然表示通过，0表示不通过，所以基于二进制序列100100101和节点访问顺序序列187642359可以得到的数据传输路径为：依次经过第一个、第六个、第三个以及第九个无线传感器。
本发明提供的无线传感器网络的路由方法，通过同时基于二进制序列和节点访问顺序序列对数据传输路径进行表达，充分考虑到实际应用中传输路径的选择多样性，更好地贴近了实际应用情况，丰富了路径规划的结果。
根据本发明提供的无线传感器网络的路由方法，在本发明中，所述利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，具体包括：
利用Logistic混沌映射公式生成初始灰狼种群，所述公式为：hi+1＝μhi(1-hi),i＝0,1,2,…,S-1，其中，令μ＝4，且给定h0为[0,1]之间的一个随机数作为初始随机数，当hi小于0.5时，所述初始数据传输路径上对应的二进制位取0，当hi大于等于0.5时，所述初始数据传输路径上对应的二进制位取1，其中μ表示混沌系数，i表示0到S-1之间的整数，hi表示第i个随机数，S表示传感器节点的数量。
利用公式hi+1＝μhi(1-hi),i＝0,1,2,…,S-1实现随机数的获取，并且规定“当hi小于0.5时，所述初始数据传输路径上对应的二进制位取0，当hi大于等于0.5时，所述初始数据传输路径上对应的二进制位取1”，即使随机数的取值符合概率统计中的0-1分布，以此对应于二进制取值过程，最终实现获取初始灰狼种群的目的。
本发明提供的无线传感器网络的路由方法，通过公式hi+1＝μhi(1-hi),i＝0,1,2,…,S-1进行了随机数0与1的获取过程，进而基于得到的随机数0与1实现了对基于二进制的数据传输路径的获取，生成了初始灰狼种群，且该种群中的灰狼个体分布均匀，有利于实现后续的路径优化过程。
图2是本发明提供的无线传感器网络的路由方法的流程示意图之二，如图2所示，所述方法包括：
S210，对混沌克隆灰狼优化算法中的个体位置二进制编码，每个个体携带一条从起点到终点的路由路径；
S220，初始化混沌克隆灰狼优化算法的参数，且通过Logistic混沌映射生成初始的灰狼总群；
S230，计算出灰狼个体的适应度值，并记录适应度值最优、次优和次次优的3个搜索个体位置为Alfa狼、Beta狼和Delta狼；
S240，更新当前灰狼个体的位置；
S250，更新参数a、A和C；
S260，计算灰狼种群的适应度，并更新Alfa狼、Beta狼和Delta狼的适应度与位置；
S270，选出适应度最高的前3个灰狼个体，然后按照2:1:1的比例进行克隆，之后对克隆后的种群进行大概率的变异；
S280，判断迭代次数It是否大于最大迭代次数MaxIt，若是，则输出Alfa狼个体所携带的路由序列；若否，则跳转执行S230。
本发明提供的无线传感器网络的路由方法，通过二进制编码对无线传感器网络中的数据传输路径进行表达，并同时基于灰狼优化算法对该数据传输路径进行优化计算，最终得到了最优的数据传输路径，而对于优势灰狼个体的克隆过程也进一步提升了算法的迭代效率，上述方法步骤清晰、实现简单、提高了对于最优数据传输路径的寻找速度和路径的规划质量。
举例说明应用于综合能源系统的无线传感器网络的路由方法，具体过程如下：
Step1，遍历综合能源系统中所有的无线传感器，计算得到传感器节点之间的能耗、时延、丢包率和带宽，并据此建立面向综合能源系统的无线传感器网络QoS(综合能源系统服务质量)路由模型；
Step2，调用混沌克隆灰狼优化算法计算出最优的面向综合能源系统的传感器节点路由方案；
Step3，将综合能源系统无线传感器网络中的节点按照经计算得到的路由方案进行数据传输。
步骤Step2包括如下步骤：
Step1-1，对混沌克隆灰狼优化算法中的灰狼个体G进行二进制编码，编码中采用二进制序列的方式来表示一条可行的路由路径，若路由序列中某位二进制为0，则表明在该条路由路径中数据传输不经过该节点，若为1则表示经过该节点；例如，如果有8个不同的传感器节点且依次标好了序，路由起点为发送数据的节点，路由终点为接收数据的节点，则10110001则表示该条路由从起点出发，且依次经过了第三个、第四个节点，最后到达了终点；
Step1-2，注意到单纯的二进制编码存在着无法确定节点到达先后顺序的缺陷，因此需要辅助序列。可以用一组随机打乱的数列[6,3,7,8,5,1,2,4]来表示路由路径，由于事先设置第一个节点为出发节点，而最后一个节点为目标节点，因此，实际的节点到达顺序为[1,6,3,7,5,2,4,8]，得到节点访问顺序序列之后辅以路由序列10110001，则首先查看节点到达顺序序列，然后再去查找路由序列，如果路由序列中相应位置的二进制为1，则代表该节点有效，否则无效。本发明中通过采用二进制路由序列辅以节点访问顺序序列可以较好的模拟出一条路由路径，从而为后面采用混沌克隆灰狼优化算法求解最优路由路径夯实了基础；
Step1-3，初始化混沌克隆灰狼优化算法的参数，其中包括灰狼个体的数量N，综合能源系统中传感器的数量S，最大迭代次数MaxIt，传感器节点的分布区域Q；设定灰狼种群大小N＝50，传感器节点的数量S＝100，最大迭代次数MaxIt＝300，传感器节点分布区域Q是边长为500m的正方形区域；
Step1-4，生成初始种群并计算适应度，具体包括：
根据Logistic混沌映射生成初始的灰狼总群，公式为：
hi+1＝μhi(1-hi),i＝0,1,2,…,S-1
其中当μ＝4时，Logistic映射处于混沌状态，给定h0为[0,1]之间的一个随机数，即通过该Logistic映射生成S个混沌变量，并且规定当变量值小于0.5时该二进制位取0，大于等于0.5时该二进制位取1；
根据适应度函数计算出灰狼个体所携带的路由序列的适应度值，计算公式为：
Figure BDA0003343233810000121
其中，L表示一条数据传输路径，D表示归一化后的路径能耗，DL表示归一化后的路径时延，PLR表示丢包率，PLC是归一化后的丢包代价，B表示归一化后的带宽；
按照适应度的大小进行排序，并记录适应度值最优，次优和次次优的3个搜索个体位置为Alfa狼、Beta狼和Delta狼。
在本发明实施例中，为了寻找到一条高QoS且低能耗的路径，采取了将对灰狼个体评价造成负面影响的因素作为评价函数的分子，而把对灰狼个体评价有利的因素放在了评价函数的分母上，从而造成评价函数值越低的个体，其适应度越高的现象，这使得评价灰狼个体适应度的标准朝着既定的目标进行。灰狼个体的适应度值由路由路径的能耗、时延、丢包率和带宽综合决定，需要在保证所选取的路由路径低能耗的同时，满足综合能源系统管理人员对无线传感器网络的QoS要求。
例如，综合能源系统无线传感器网络布置在边长为500m的方形区域，传感器的监测半径为130m，丢包率为0.01。
灰狼个体1归一化后的路由能耗、时延、丢包代价、带宽分别为0.95、0.15、0.97、0.48。
灰狼个体2归一化后的路由能耗、时延、丢包代价、带宽分别为0.80、0.14、0.42、0.91。
灰狼个体3归一化后的路由能耗、时延、丢包代价、带宽分别为0.79、0.95、0.65、0.84。
根据步骤Step1-4中的适应度函数计算公式可以分别得出灰狼个体1的适应度值为
Figure BDA0003343233810000131
灰狼个体2的适应度值为
Figure BDA0003343233810000132
灰狼个体3的适应度值为
Figure BDA0003343233810000133
由于适应度值越小其适应度越优，因此灰狼个体2的解是三个灰狼个体中最优的，所以灰狼个体2所携带的路由序列将作为综合能源系统无线传感器网络中节点的路由方式。当灰狼个体2的路由序列前10位为1000001001且节点的到达顺序为[1,8,7,6,4,2,3,5,9,10]时，则基站终端则会在传感器网络中将数据依次经由序号为第一个、第三个和第十个节点进行传输，在采用该路径进行数据传输的情况下，灰狼个体2对应的路由方案的适应度值为1.03。
Step1-5，计算其余的灰狼个体分别与Alfa狼、Beta狼和Delta狼的距离，并更新灰狼搜索个体的位置，更新公式为：
O1＝Oα-A1*Lα
O2＝Oβ-A2*Lβ
O3＝Oδ-A3*Lδ
公式中，O1、O2和O3分别表示Alfa狼、Beta狼和Delta狼对Omega狼的下一步移动的方向向量，A是协同系数向量，Lα、Lβ、Lδ分别表示Alfa狼、Beta狼和Delta狼与Omega狼的方向向量，计算公式为：
Lα＝|C1*Oα-O|
Lβ＝|C2*Oβ-O|
Lδ＝|C3*Oδ-O|
公式中C为另一个协同系数向量。
Step1-6，灰狼种群根据Alfa狼、Beta狼和Delta狼的位置来执行狩猎操作，更新公式为:
OIt+1＝[O1(It)+O2(It)+O3(It)]/3
根据适应度函数计算出更新后的灰狼个体的适应度值，将灰狼按照适应度升序排列，选出适应度最高的前3个灰狼个体，然后按照2:1:1对挑选出的灰狼个体进行克隆，以得到克隆灰狼种群；
对混沌克隆灰狼优化算法的参数a、A和C进行更新，公式如下：
a＝2(1-It/MaxIt)
A＝2a*r1-a
C＝2*r2
其中，It是当前的迭代次数，MaxIt表示规定的最大迭代次数，r1和r2是[0,1]之间的随机数；
判断迭代次数It是否大于最大迭代次数MaxIt，如果是，则将混沌克隆灰狼优化算法终止，然后输出Alfa狼个体所携带的路由序列作为传感器节点的最优路由路径；否则，重复更新灰狼个体的位置。
本发明实施例中，共有100个无线传感器节点，基站终端能够控制区域内的10个传感器节点按照指定的路由路径进行数据传输，无线传感器布置在边长为500m的方形区域内，传感器的感知半径为130m，每个个体所携带的初始路由序列由Logistic混沌映射随机生成，混沌克隆灰狼优化算法中种群大小为N为50，最大迭代次数为MaxIt为300，链路之间的丢包率为0.01，克隆父体选择种群中适应度最高的前3个且克隆的比例为2:1:1。
为了与遗传算法和粒子群优化算法的计算过程进行对比，将遗传算法和粒子群算法种群个体数设定为50，最大迭代次数设定为300，其中遗传算法的交叉概率为0.85，变异概率为0.08，粒子群算法的惯性因子为0.8，个体学习因子和社会学习因子为2。
图3是本发明提供的无线传感器网络的路由能耗对比曲线图，如图3所示，本发明实施例中提出的基于混沌克隆灰狼优化算法所用的数据传输能耗是三种算法中最低的，当算法迭代到150代时，基于本发明所提出算法优化得到路由路径时所需能耗仅为0.084J，而遗传算法和粒子群算法分别为0.108J和0.124J，所以本发明提出的路由算法在单条路由的能耗分别比遗传算法、粒子群算法低了0.024J和0.04J，相当于单从能耗方面来讲本发明所提出的算法比遗传算法和粒子群算法降低了22.23％和32.25％。
图4是本发明提供的无线传感器网络的路由装置的结构示意图，如图4所示，所述装置包括：
初始模块410，用于利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；
筛选模块420，用于利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的预设数量的灰狼个体；
更新模块430，用于迭代更新灰狼个体的位置，并跳转执行所述筛选流程；
输出模块440，用于当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
本发明提供的无线传感器网络的路由装置，通过二进制编码对无线传感器网络中的数据传输路径进行表达，并同时基于灰狼优化算法对该数据传输路径进行优化计算，最终得到了最优的数据传输路径，上述方法步骤清晰、实现简单、提高了对于最优数据传输路径的寻找速度和路径的规划质量。
根据本发明提供的无线传感器网络的路由装置，在本发明中，所述更新模块430在用于迭代更新灰狼个体的位置，并跳转执行所述筛选流程时，具体用于：位置更新子流程，基于位置更新公式执行狩猎操作，以更新灰狼个体的位置，所述位置更新公式为：OIt+1＝[O1(It)+O2(It)+O3(It)]/3，其中，It表示混沌灰狼优化算法当前所处的迭代次数，O1(It)表示Alfa狼在第It代的位置，O2(It)表示Beta狼在第It代的位置，O3(It)表示Delta狼在第It代的位置，OIt+1表示当前灰狼个体更新后的位置；
狼群克隆子流程，利用适应度函数计算出位置更新后的所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体，按照预设比例对三个灰狼个体进行克隆，得到克隆灰狼种群；
参数更新子流程，基于参数更新公式更新混沌灰狼优化算法的参数，所述参数更新公式为a＝2(1-It/MaxIt)，A＝2a*r1-a，C＝2*r2，其中，a表示收敛因子，MaxIt表示最大迭代次数，A与C均表示系数向量，r1与r2均表示取值范围[0,1]内的随机数。
本发明提供的无线传感器网络的路由装置，通过在每一次筛选出优势灰狼个体后，都对其进行克隆操作，且针对于优势程度不同的灰狼个体进行不同比例的克隆，基于该克隆过程可以有效避免出现灰狼优化算法迭代过程中陷入局部最优的情况，且同时可以有效提高灰狼优化算法的迭代效率，进而实现快速获取最优数据传输路径的目的。
根据本发明提供的无线传感器网络的路由装置，在本发明中，所述适应度函数为
Figure BDA0003343233810000161
其中，L表示一条数据传输路径，D表示归一化后的路径能耗，DL表示归一化后的路径时延，PLR表示丢包率，PLC是归一化后的丢包代价，B表示归一化后的带宽。
本发明提供的无线传感器网络的路由装置，通过将路径能耗、路径时延、丢包率、丢包代价以及带宽各个参数均作为无线传感器数据传输路径规划过程中的考虑因素，并将上述因素综合为混沌灰狼优化算法适应度函数中的影响参数，基于以上过程使得对于数据传输路径的规划过程更加合理，充分考虑到各个因素对于数据传输过程的音箱，最终得到了多因素最优的数据传输路径，有效提高了路径的规划质量。
根据本发明提供的无线传感器网络的路由装置，在本发明中，所述灰狼个体还包括：用于确定数据传输过程中，经过所述初始数据传输路径上各节点顺序的节点访问顺序数列。
本发明提供的无线传感器网络的路由装置，通过同时基于二进制序列和节点访问顺序序列对数据传输路径进行表达，充分考虑到实际应用中传输路径的选择多样性，更好地贴近了实际应用情况，丰富了路径规划的结果。
根据本发明提供的无线传感器网络的路由装置，在本发明中，所述初始模块410在用于利用混沌映射序列生成由灰狼个体组成的初始灰狼种群时，具体用于：利用Logistic混沌映射公式生成初始灰狼种群，所述公式为：hi+1＝μhi(1-hi),i＝0,1,2,…,S-1，其中，令μ＝4，且给定h0为[0,1]之间的一个随机数作为初始随机数，当hi小于0.5时，所述初始数据传输路径上对应的二进制位取0，当hi大于等于0.5时，所述初始数据传输路径上对应的二进制位取1，其中μ表示混沌系数，i表示0到S-1之间的整数，hi表示第i个随机数，S表示传感器节点的数量。
本发明提供的无线传感器网络的路由装置，通过公式hi+1＝μhi(1-hi),i＝0,1,2,…,S-1进行了随机数0与1的获取过程，进而基于得到的随机数0与1实现了对基于二进制的数据传输路径的获取，生成了初始灰狼种群，且该种群中的灰狼个体分布均匀，有利于实现后续的路径优化过程。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行无线传感器网络的路由方法，该方法包括：初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的无线传感器网络的路由方法，该方法包括：初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
又一方面，本发明还提供一种非暂态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以执行上述各提供的无线传感器网络的路由方法，该方法包括：初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种应用于综合能源系统的无线传感器网络的路由方法，其特征在于，包括：
初始流程，利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；
筛选流程，利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体；
更新流程，迭代更新灰狼个体的位置，并跳转执行所述筛选流程；
输出流程，当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
2.根据权利要求1所述的应用于综合能源系统的无线传感器网络的路由方法，其特征在于，所述更新流程，具体包括：
位置更新子流程，基于位置更新公式执行狩猎操作，以更新灰狼个体的位置，所述位置更新公式为：OIt+1＝[O1(It)+O2(It)+O3(It)]/3，其中，It表示混沌灰狼优化算法当前所处的迭代次数，O1(It)表示Alfa狼在第It代的位置，O2(It)表示Beta狼在第It代的位置，O3(It)表示Delta狼在第It代的位置，OIt+1表示当前灰狼个体更新后的位置；
狼群克隆子流程，利用适应度函数计算出位置更新后的所述灰狼个体的适应度值并保留适应度最优的三个灰狼个体，按照预设比例对三个灰狼个体进行克隆，得到克隆灰狼种群；
参数更新子流程，基于参数更新公式更新混沌灰狼优化算法的参数，所述参数更新公式为a＝2(1-It/MaxIt)，A＝2a*r1-a，C＝2*r2，其中，a表示收敛因子，MaxIt表示最大迭代次数，A与C均表示系数向量，r1与r2均表示取值范围[0，1]内的随机数。
3.根据权利要求1所述的应用于综合能源系统的无线传感器网络的路由方法，其特征在于，所述适应度函数为：
Figure FDA0003343233800000021
其中，L表示一条数据传输路径，D表示归一化后的路径能耗，DL表示归一化后的路径时延，PLR表示丢包率，PLC是归一化后的丢包代价，B表示归一化后的带宽。
4.根据权利要求1所述的应用于综合能源系统的无线传感器网络的路由方法，其特征在于，所述灰狼个体还包括：用于确定数据传输过程中，经过所述初始数据传输路径上各节点顺序的节点访问顺序数列。
5.根据权利要求2所述的应用于综合能源系统的无线传感器网络的路由方法，其特征在于，所述预设比例为2∶1∶1。
6.根据权利要求1所述的应用于综合能源系统的无线传感器网络的路由方法，其特征在于，所述利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，具体包括：
利用Logistic混沌映射公式生成初始灰狼种群，所述公式为：hi+1＝μhi(1-hi)，i＝0，1，2，…，S-1，其中，令μ＝4，且给定h0为[0，1]之间的一个随机数作为初始随机数，当hi小于0.5时，所述初始数据传输路径上对应的二进制位取0，当hi大于等于0.5时，所述初始数据传输路径上对应的二进制位取1，其中μ表示混沌系数，i表示0到S-1之间的整数，hi表示第i个随机数，S表示传感器节点的数量。
7.一种应用于综合能源系统的无线传感器网络的路由装置，其特征在于，包括：
初始模块，用于利用混沌映射序列生成由灰狼个体组成的初始灰狼种群，初始化混沌灰狼优化算法的参数，其中，所述灰狼个体包括利用二进制编码表示的每一条初始数据传输路径；
筛选模块，用于利用适应度函数计算出所述灰狼个体的适应度值并保留适应度最优的预设数量的灰狼个体；
更新模块，用于迭代更新灰狼个体的位置，并跳转执行所述筛选流程；
输出模块，用于当迭代次数大于预设最大值时，输出适应度最优的灰狼个体所携带的数据传输路径。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至6任一项所述路由方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述路由方法的步骤。
CN202111314720.1A 2021-11-08 2021-11-08 应用于综合能源系统的无线传感器网络的路由方法及装置 Active CN114158105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111314720.1A CN114158105B (zh) 2021-11-08 2021-11-08 应用于综合能源系统的无线传感器网络的路由方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111314720.1A CN114158105B (zh) 2021-11-08 2021-11-08 应用于综合能源系统的无线传感器网络的路由方法及装置

Publications (2)

Publication Number Publication Date
CN114158105A true CN114158105A (zh) 2022-03-08
CN114158105B CN114158105B (zh) 2023-07-25

Family

ID=80459200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111314720.1A Active CN114158105B (zh) 2021-11-08 2021-11-08 应用于综合能源系统的无线传感器网络的路由方法及装置

Country Status (1)

Country Link
CN (1) CN114158105B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422366A (zh) * 2022-03-28 2022-04-29 中国人民解放军战略支援部队航天工程大学 一种卫星网络sdn多控制器部署方法及系统
CN115333990A (zh) * 2022-10-14 2022-11-11 中国人民解放军海军工程大学 一种基于郊狼与灰狼混合优化的高效传输路由方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062327A (zh) * 2019-04-25 2019-07-26 上海海事大学 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法
CN110266600A (zh) * 2019-05-29 2019-09-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 带宽约束组播路由优化方法
CN110336751A (zh) * 2019-07-26 2019-10-15 南京邮电大学 基于隶属函数的低轨卫星网络路由策略
CN111586607A (zh) * 2020-04-15 2020-08-25 杭州电力设备制造有限公司 基于改进灰狼算法的智能电表无线传感器网络布局方法
KR102165865B1 (ko) * 2019-07-22 2020-10-14 성균관대학교산학협력단 소프트웨어 정의 네트워크에서 유전자 및 개미 집단 알고리즘 기반 동적 로드 밸런싱 방법 및 장치
WO2021035911A1 (zh) * 2019-08-28 2021-03-04 青岛蓝海未来海洋科技有限责任公司 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062327A (zh) * 2019-04-25 2019-07-26 上海海事大学 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法
CN110266600A (zh) * 2019-05-29 2019-09-20 西南电子技术研究所（中国电子科技集团公司第十研究所） 带宽约束组播路由优化方法
KR102165865B1 (ko) * 2019-07-22 2020-10-14 성균관대학교산학협력단 소프트웨어 정의 네트워크에서 유전자 및 개미 집단 알고리즘 기반 동적 로드 밸런싱 방법 및 장치
CN110336751A (zh) * 2019-07-26 2019-10-15 南京邮电大学 基于隶属函数的低轨卫星网络路由策略
WO2021035911A1 (zh) * 2019-08-28 2021-03-04 青岛蓝海未来海洋科技有限责任公司 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统
CN111586607A (zh) * 2020-04-15 2020-08-25 杭州电力设备制造有限公司 基于改进灰狼算法的智能电表无线传感器网络布局方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龙文等: ""求解高维优化问题的混合灰狼优化算法"", vol. 31, no. 11, pages 1 - 2 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422366A (zh) * 2022-03-28 2022-04-29 中国人民解放军战略支援部队航天工程大学 一种卫星网络sdn多控制器部署方法及系统
CN114422366B (zh) * 2022-03-28 2022-07-01 中国人民解放军战略支援部队航天工程大学 一种卫星网络sdn多控制器部署方法及系统
CN115333990A (zh) * 2022-10-14 2022-11-11 中国人民解放军海军工程大学 一种基于郊狼与灰狼混合优化的高效传输路由方法
CN115333990B (zh) * 2022-10-14 2023-02-03 中国人民解放军海军工程大学 一种基于郊狼与灰狼混合优化的高效传输路由方法

Also Published As

Publication number Publication date
CN114158105B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN112181666B (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法
Ortiz et al. Reinforcement learning for energy harvesting point-to-point communications
CN114158105A (zh) 应用于综合能源系统的无线传感器网络的路由方法及装置
CN111582431B (zh) 一种两步式X结构Steiner最小树构建方法
Jiang et al. Distributed resource scheduling for large-scale MEC systems: A multiagent ensemble deep reinforcement learning with imitation acceleration
CN111628855B (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
CN116523079A (zh) 一种基于强化学习联邦学习优化方法及系统
CN115374853A (zh) 基于T-Step聚合算法的异步联邦学习方法及系统
Jia et al. Learning-based queuing delay-aware task offloading in collaborative vehicular networks
CN112307667A (zh) 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质
CN111526555B (zh) 基于遗传算法的多跳路由路径选择方法
CN114710439B (zh) 基于深度强化学习的网络能耗与吞吐量联合优化路由方法
CN113205220A (zh) 一种面向实时订单数据的无人机物流配送全局规划方法
CN112083967A (zh) 一种云边端计算任务的卸载方法、计算机设备及存储介质
Zhou et al. Efficient elitist cooperative evolutionary algorithm for multi-objective reinforcement learning
CN114840326B (zh) 资源调度方法、装置、电子设备及存储介质
CN110505681B (zh) 基于遗传方法的非正交多址接入场景用户配对方法
Sun et al. QPSO-based QoS multicast routing algorithm
CN114629769B (zh) 自组织网络的流量图谱生成方法
CN115756873A (zh) 一种基于联邦强化学习的移动边缘计算卸载方法和平台
Delaplace et al. Two evolutionary methods for learning bayesian network structures
CN116155805A (zh) 分布式智能路由方法、系统、电子设备和存储介质
CN113641496B (zh) 基于深度强化学习的dids任务调度优化方法
You et al. On parallel immune quantum evolutionary algorithm based on learning mechanism and its convergence
CN112423400B (zh) 基于改进烟花算法的以太网通信链路调度方法

Legal Events

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