CN114727353A - 基于遗传算法的移动机会传感器网络自适应信息传输方法 - Google Patents
基于遗传算法的移动机会传感器网络自适应信息传输方法 Download PDFInfo
- Publication number
- CN114727353A CN114727353A CN202210186646.8A CN202210186646A CN114727353A CN 114727353 A CN114727353 A CN 114727353A CN 202210186646 A CN202210186646 A CN 202210186646A CN 114727353 A CN114727353 A CN 114727353A
- Authority
- CN
- China
- Prior art keywords
- node
- cluster
- nodes
- cluster head
- adaptive
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002068 genetic effect Effects 0.000 title claims abstract description 20
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 78
- 238000004891 communication Methods 0.000 claims abstract description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 230000004083 survival effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- 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
本发明公开了一种基于遗传算法的移动机会传感器网络自适应信息传输方法,克服了现有技术簇头优化选择不佳导致的节点生存率低、能耗高的问题,根据无线传感器网络中节点的物理位置相关性完成节点分组,将节点划分若干子区域,在子区域中选择节点作为簇头,簇头将每个簇内节点的信息数据进行融合,确定起始节点,然后逐步进行下一跳节点选择结束路径规划,确定最佳路径。本发明节点聚类原理,得到移动机器网络的下一跳节点,融合簇节点的单跳和多跳,实现簇头与基站的通信,根据簇的划分和调度,采用遗传算法选择最优簇头,完成移动网络节点的自适应聚类。
Description
技术领域
本发明涉及移动无线传感器网络技术领域,尤其是涉及一种基于遗传算法的移动机会 传感器网络自适应信息传输方法。
背景技术
分簇算法是一种适应移动无线传感器网络(WSN)特点的路由机制。当前的自适应分簇 算法忽略了簇头的优化选择,导致节点生存率低、能耗高。为了应对自适应分簇算法中的节 点生存率低和能耗高的问题,急需一种基于遗传算法的移动传感器网络自适应聚类算法。
发明内容
本发明是为了克服现有技术的节点生存率低能耗高的问题,提供一种基于遗传算法的 移动机会传感器网络自适应信息传输方法,设计连通区域机会网络结构图,构建移动机会模 型,根据簇的划分和调度,采用遗传算法选择最优簇头,完成移动网络节点的自适应聚类。
为了实现上述目的,本发明采用以下技术方案:
一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,包括以下内容: 根据无线传感器网络中节点的物理位置相关性完成节点分组,定义α为评价尺度常数,表示 节点间数据传输的最大距离阈值;
在网络环境下,将评价尺度常数α划分为若干子区域,并在每个子区域中随机选择一个节点 t作为簇头;
在某个时间t随机选择某个网络环境作为研究切入点,并做出以下假设:假设有n个节点, 根据物理位置的相关性随机生成6个连通区域,即同时形成6个簇,随机指定每个簇头,簇 头将每个簇内节点的信息数据进行融合,并将划分的6个簇表示为U={A,B,C,D,E,F}, 其中每个集群可以实现数据转发;以当前时间A为起始节点,当前网络拓扑结构不变,形成 网络连通图。
作为优选,在确定所述的起始节点之后,进行下一跳节点选择,从起始节点A开始,逐渐寻找最佳传输路径,每个簇节点将经过数据融合处理的数据信息存储在每个簇中,并假 设T、网络环境M中当前存在连通图。
作为优选,所述的从起始节点A开始,逐渐寻找最佳传输路径包括以下内容:
步骤1、确定开始状态,A是当前节点,即U={A},V={B,C,E,F,D};
其中,U和V代表网络中节点的集合,U和V代表的分属不同区域的节点的集合;
步骤2、从节点A开始,比较V中的代价边,并标记每个节点与初始节点A之间的逻辑距离, 分别地通过逻辑距离比较,确定当前最小边,即确定下一跳节点,将下一跳节点放入从V中 加入U;
步骤3、更新V中顶点和U的代价边,再次进行比较逻辑距离,确定当前最小边,即确定下 一跳节点,将下一跳节点放入从V中加入U;
步骤4、重复步骤3,直至最后一次确定下一跳节点,此时,按照步骤2-4中确定的下一跳节 点的顺序更新U,路径规划结束;
步骤5、按照步骤2-4中确定的下一跳节点的顺序统计插入的节点,最后确定当前最佳路径。
作为优选,所述的移动机会传感器网络的运行过程如下:
在分簇阶段,网络中的所有代理根据自身的约束和外部环境的约束,采用LEACH自适应分 簇协议,将角色分配给机会传感器网络的代理;
在分簇阶段,簇头角色和簇成员根据LEACH自适应分簇协议给出的方案形成簇结构,然后 进入稳定阶段;
在稳定阶段,每个集群成员角色和集群头角色进行通信,位于同一层的集群头角色在各自的 通信范围内进行通信和传输数据;
节点代理结合LEACH自适应聚类协议,根据约束条件实现角色分配,并通过节点代理与角 色的关联、角色与角色的关联以及集群结构形成集群。
作为优选,当簇形成时,簇头开始广播簇头消息,成员根据接收到的消息强度,相应 地计算自己与簇头节点之间的欧氏距离,与距离最近的簇头协商,形成簇头进入稳定阶段; 当网络稳定时,集群结构内部信息数据通信方式为单跳,簇头负责采集集群成员传输的数据, 同时簇头具有数据融合性能,簇头与基站之间的通信采用单跳和双跳的方式实现多跳融合。
作为优选,当所述的移动机会传感器网络运行时,节点代理根据约束实现角色分配和 重新分配,利用角色扮演进行交互,完成系统分配的任务,节点代理分配相应的角色,不同 角色的节点代理根据自己的状态信息完成指定的应用操作,网络中的每个节点代理根据角色 扮演共同实现给定的目标。
作为优选,所述的移动机会传感器网络包括若干个区域,每个区域包括若干个集群, 集群之间存在层次关系,较高级别的集群的簇头角色和较低级别的集群的簇头执行如数据传 输的操作,根据每个区域中的簇头角色,汇聚节点与汇聚节点进行通信。
作为优选,所述方法采用基于Ec-CARGO的LEACH自适应分簇协议,所述方法将簇划分为自适应簇;
聚类过程如下:
首先,初始化本地集群类Ci={di},Ei=一个空集;
第二,当di和dj成功传输消息时,如果Ei中没有dj相关记录,则将dj添加到Ei中;
第三,di和dj在Ei中相遇的次数,称为Eij;
如果存在以下条件之一,则di向dj请求信息Ej和Cj,并对其进行更新:
①Eij超过阈值;②dj已经是Ci的成员;③这是di的时间段结束,Eij大于阈值;
如果请求成功,则dj添加到本地集群Ci;
其中,di是本地的内部节点,是集合内的元素,表示集群里面的一个初始节点;dj表示与di相遇的一个节点;Cj表示与Ci形式相同的集合,叫做集群类;Ej也是形式相同的集合,用于 暂存中间相遇节点的信息。
作为优选,在正常情况下,在满足调度操作的前提下,任务数据节点随着调度时间的 延长,任务数据节点的末端位置与初始位置之间的物理距离持续增加。
作为优选,所述的正常情况下,η表示任务目标的利用率参数,ω表示自适应模式中 的节点权限值,
得到聚类处理标准:
其中,s表示物联网环境下多并发任务的传输基向量,e和i表示自适应聚类提取的上下边界 值,f表示多并发任务数据相关的定性指标,a表示提取的数据分子的平均值。
因此,本发明具有如下有益效果:
1.本发明提出的移动机会传感器网络自适应信息传输方法,设计连通区域机会网络结构图; 2.根据节点聚类原理,得到移动机器网络的下一跳节点;
3.设计了基于Ec-CARGO的LEACH分簇协议,融合簇节点的单跳和多跳,实现簇头与基站 的通信;
4.根据簇的划分和调度,采用遗传算法选择最优簇头,完成移动网络节点的自适应聚类。
附图说明
图1是本实施例的网络连通图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
基于现有的自适应分簇算法忽略了簇头的优化选择,导致节点生存率低、能耗高。本 发明为此提出了一种基于遗传算法的移动机会传感器网络自适应信息传输方法,设计连通区 域机会网络结构图,构建移动机会模型。根据节点聚类原理,得到移动机器网络的下一跳节 点。设计了基于Ec-CARGO的LEACH分簇协议,融合簇节点的单跳和多跳,实现簇头与基 站的通信。在此基础上,根据簇的划分和调度,采用遗传算法选择最优簇头,完成移动网络 节点的自适应聚类。
实施例:
本实施例提供了一种基于遗传算法的移动机会传感器网络自适应信息传输方法,自适应分簇 方法是根据网络中节点的接收信号强度和节点连通性确定簇的成员,即根据无线传感器网络 中节点的物理位置相关性完成节点分组,定义α为评价尺度常数,表示节点间数据传输的最 大距离阈值。在网络环境下,将评价尺度常数α划分为若干子区域,并在每个子区域中随机 选择一个节点t作为簇头。在某个时间t随机选择某个网络环境作为研究切入点,并做出以下 假设。假设有n个节点,根据物理位置的相关性随机生成6个连通区域,即同时形成6个簇, 随机指定每个簇头,簇头将每个簇内节点的信息数据进行融合,并将划分的6个簇表示为 U={A,B,C,D,E,F},其中每个集群可以实现数据转发;以当前时间A为起始节点,当 前网络拓扑结构不变,形成网络连通图,如图1所示。
每个簇节点将经过数据融合处理的数据信息存储在每个簇中,并假设T、网络环境M 中当前存在连通图。从A开始,寻找最佳传输路径的过程如下:
S1、开始状态,A是当前节点,即U={A},V={B,C,E,F,D};
其中,U和V代表网络中节点的集合,U和V代表的分属不同区域的节点的集合;
S2、从节点A开始,比较V中的代价边,并标记每个节点与初始节点A之间的逻辑距离, 例如E(A,B(A,5)、F(A,5)、C(A,∞),D(A,∞),分别地通过逻辑距离比较,当 前最小边为E(A,S4、即确定下一跳节点为E,此时U={A,E},V={B,C,F,D};
S3、更新V中顶点和U的代价边,即B(E,2),C(E,8),F(A,4)D(A,∞),通过比 较逻辑距离,发现当前最小边为B(E,2)即,当U={A,E,B},V={C,F,D}时,下一 跳节点被确定为B;
S4、通过比较逻辑距离,更新V中顶点和U的代价边,即C(B,7),F(B,4),F(B,7), 发现当前最小边是F(B,4),即下一跳节点是F,此时U={A,E,B,F},V={C,D};
S5、更新V中顶点和U的代价边,即C(B,7),D(F,1),通过比较逻辑距离,得到当前最小边是D(F,1),即确定下一跳节点是D,其中U={A,E,B,F,D},V={C};
S6、更新V中顶点和U的代价边,即C(D,4),以确定下一跳节点是C。此时,U={A,E,B,F,D,C},路径规划结束;
S7、按统计顺序插入的节点是A、E、B、F、D和C,然后A->E-B->F->D->C是当前的最佳路径。
自适应分簇移动机器网络的运行过程如下:在分簇阶段,网络中的所有代理根据自身 的约束和外部环境的约束,采用LEACH自适应分簇协议,将角色分配给机会传感器网络的 代理;在分簇阶段,簇头角色和簇成员根据LEACH自适应分簇协议给出的方案形成簇结构, 然后进入稳定阶段;在稳定阶段,每个集群成员角色和集群头角色进行通信,位于同一层的 集群头角色可以在各自的通信范围内进行通信和传输数据。在上述模型中,节点代理结合 LEACH自适应聚类协议,根据约束条件实现角色分配,并通过节点代理与角色的关联、角色 与角色的关联以及集群结构形成集群。当移动机器网络运行时,节点代理根据约束实现角色 分配和重新分配,利用角色扮演进行交互,完成系统分配的任务。从角色协作RBC的角度来 看,网络可以理解为一个网络,其中节点代理分配相应的角色,不同角色的节点代理根据自 己的状态信息完成指定的应用操作,网络中的每个节点代理根据角色扮演共同实现给定的目 标。
一般来说,移动机会传感器网络可以划分为几个区域,每个区域也可以划分为多个集 群。集群之间可能存在层次关系,例如g1……gn的集群簇头组合成为更高级别的集群g11。 在集群g1中,集群簇头与g1中的成员通信。此时,由于集群g11高于g1,g11中的集群簇头角色g1是g11中的集群成员,它与集群簇头g11通信。较高级别的簇头角色和较低级别的簇头执行一系列操作,例如数据传输。最后,根据每个区域中的簇头角色,汇聚节点与汇聚节点进行通信。此时,汇聚节点处理数据并将其传输到基站,基站形成自适应分簇移动机会网络,以完成与外部网络或用户的实时交互。基于上述模型,提出了一种改进的基于 Ec-CARGO的LEACH自适应分簇协议。在改进方案中,系统管理员在网络运行的初始阶段 给出了网络角色规范和约束定义。当选择簇头时,机会主义网络的节点代理根据自身约束和 环境约束运行LEACH自适应分簇协议,为自己分配簇头或簇成员的角色;当簇形成时,簇 头开始广播簇头消息,成员根据接收到的消息强度,相应地计算自己与簇头节点之间的欧氏 距离,与距离最近的簇头协商,形成簇头进入稳定阶段;当网络稳定时,集群结构内部信息 数据通信方式为单跳,簇头负责采集集群成员传输的数据,同时簇头具有数据融合性能,簇头与基站之间的通信采用单跳和双跳的方式实现多跳融合。
基于上述网络模型,本实施例还提出了一种改进的基于Ec-CARGO的LEACH自适应分簇协议。在改进方案中,系统管理员在网络运行的初始阶段给出了网络角色规范和约束定 义。当选择簇头时,机会主义网络的节点代理根据自身约束和环境约束运行LEACH自适应 分簇协议,为自己分配簇头或簇成员的角色;当簇形成时,簇头开始广播簇头消息,成员根 据接收到的消息强度,相应地计算自己与簇头节点之间的欧氏距离,与距离最近的簇头协商, 形成簇头进入稳定阶段;当网络稳定时,集群结构内部信息数据通信方式为单跳,簇头负责 采集集群成员传输的数据,同时簇头具有数据融合性能,簇头与基站之间的通信采用单跳和 双跳的方式实现多跳融合。
移动自组传感器网中簇的划分可以更有效地传输消息。该算法以成功传输的次数为指 标,将簇划分为自适应簇。聚类过程可以概括如下:首先,初始化本地集群类Ci={di},Ei= 一个空集;第二,当di和dj成功传输消息时,如果Ei中没有dj相关记录,则将dj添加到Ei中;第三,di和dj在Ei中相遇的次数,称为Eij。如果存在以下条件之一,则di向dj请求信息 (Ej和Cj)并对其进行更新:(1)Eij超过阈值。(2)dj已经是Ci的成员;(3)这是di的时 间段结束,Eij大于阈值。如果请求成功,则dj添加到本地集群Ci。
其中,di是本地的内部节点,是集合内的元素,表示集群里面的一个初始节点;dj表示与di相遇的一个节点;Ci是本地集群类;Cj表示与Ci形式相同的集合,一般称作集群类; Ej也是与Ci和Cj形式相同的集群类,用于暂存中间相遇节点的信息。
在具体实施的过程中,算法的伪代码表示如下:
begin
LocalCommunity(currentNode_di)={currentNode_di}
foreach messageOf(currentNode_di)as m do
if TransferDone(m,encounterNode_dj)then
if dj NotIn(Ei)then
Add tuple(dj,1)To Ei
else if dj In(Ei)then
b=b+1
end if
if b>=αthen
AddToCommunity(dj,LocalCommunity(currentNode_di))
end if
end。
TDS自适应聚类算子是描述新调度方法综合处理能力的一个重要指标,它与任务目标 的特定信息条件有方向性的关联。所谓自适应聚类是一种多并发任务数据的层次化协调方法, 它可以将各级数据节点平均分布,并将冗余节点以信息流的形式传递给下一级的单元结构。TDS[14]是对物联网环境中多并发任务数据的一种解释。在正常情况下,在满足调度操作的前 提下,任务数据节点不能始终保持在原始位置状态,随着调度时间的延长,末端位置与初始 位置之间的物理距离将继续增加。在上述情况下,用η表示任务目标的利用率参数,以及ω表 示自适应模式中的节点权限值,计算聚类处理标准如下:
其中s表示物联网环境下多并发任务的传输基向量,e和i表示自适应聚类提取的上下边界值, f表示多并发任务数据相关的定性指标,a表示提取的数据分子的平均值。
上述实施例对本发明的具体描述,只用于对本发明进行进一步说明,不能理解为对本 发明保护范围的限定,本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的 改进和调整均落入本发明的保护范围内。
Claims (10)
1.一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,包括以下内容:根据无线传感器网络中节点的物理位置相关性完成节点分组,定义α为评价尺度常数,表示节点间数据传输的最大距离阈值;
在网络环境下,将评价尺度常数α划分为若干子区域,并在每个子区域中随机选择一个节点t作为簇头;
在某个时间t随机选择某个网络环境作为研究切入点,并做出以下假设:假设有n个节点,根据物理位置的相关性随机生成6个连通区域,即同时形成6个簇,随机指定每个簇头,簇头将每个簇内节点的信息数据进行融合,并将划分的6个簇表示为U={A,B,C,D,E,F},其中每个集群可以实现数据转发;以当前时间A为起始节点,当前网络拓扑结构不变,形成网络连通图。
2.根据权利要求1所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,在确定所述的起始节点之后,进行下一跳节点选择,从起始节点A开始,逐渐寻找最佳传输路径,每个簇节点将经过数据融合处理的数据信息存储在每个簇中,并假设T、网络环境M中当前存在连通图。
3.根据权利要求2所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,所述的从起始节点A开始,逐渐寻找最佳传输路径包括以下内容:
步骤1、确定开始状态,A是当前节点,即U={A},V={B,C,E,F,D};
其中,U和V代表网络中节点的集合,U和V代表的分属不同区域的节点的集合;
步骤2、从节点A开始,比较V中的代价边,并标记每个节点与初始节点A之间的逻辑距离,分别地通过逻辑距离比较,确定当前最小边,即确定下一跳节点,将下一跳节点放入从V中加入U;
步骤3、更新V中顶点和U的代价边,再次进行比较逻辑距离,确定当前最小边,即确定下一跳节点,将下一跳节点放入从V中加入U;
步骤4、重复步骤3,直至最后一次确定下一跳节点,此时,按照步骤2-4中确定的下一跳节点的顺序更新U,路径规划结束;
步骤5、按照步骤2-4中确定的下一跳节点的顺序统计插入的节点,最后确定当前最佳路径。
4.根据权利要求1或2或3所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,所述的移动机会传感器网络的运行过程如下:
在分簇阶段,网络中的所有代理根据自身的约束和外部环境的约束,采用LEACH自适应分簇协议,将角色分配给机会传感器网络的代理;
在分簇阶段,簇头角色和簇成员根据LEACH自适应分簇协议给出的方案形成簇结构,然后进入稳定阶段;
在稳定阶段,每个集群成员角色和集群头角色进行通信,位于同一层的集群头角色在各自的通信范围内进行通信和传输数据;
节点代理结合LEACH自适应聚类协议,根据约束条件实现角色分配,并通过节点代理与角色的关联、角色与角色的关联以及集群结构形成集群。
5.根据权利要求4所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,当簇形成时,簇头开始广播簇头消息,成员根据接收到的消息强度,相应地计算自己与簇头节点之间的欧氏距离,与距离最近的簇头协商,形成簇头进入稳定阶段;当网络稳定时,集群结构内部信息数据通信方式为单跳,簇头负责采集集群成员传输的数据,同时簇头具有数据融合性能,簇头与基站之间的通信采用单跳和双跳的方式实现多跳融合。
6.根据权利要求4所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,当所述的移动机会传感器网络运行时,节点代理根据约束实现角色分配和重新分配,利用角色扮演进行交互,完成系统分配的任务,节点代理分配相应的角色,不同角色的节点代理根据自己的状态信息完成指定的应用操作,网络中的每个节点代理根据角色扮演共同实现给定的目标。
7.根据权利要求1所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,所述的移动机会传感器网络包括若干个区域,每个区域包括若干个集群,集群之间存在层次关系,较高级别的集群的簇头角色和较低级别的集群的簇头执行如数据传输的操作,根据每个区域中的簇头角色,汇聚节点与汇聚节点进行通信。
8.根据权利要求1所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,所述方法采用基于Ec-CARGO的LEACH自适应分簇协议,所述方法将簇划分为自适应簇;
聚类过程如下:
首先,初始化本地集群类Ci={di},Ei=一个空集;
第二,当di和dj成功传输消息时,如果Ei中没有dj相关记录,则将dj添加到Ei中;
第三,di和dj在Ei中相遇的次数,称为Eij;
如果存在以下条件之一,则di向dj请求信息Ej和Cj,并对其进行更新:
①Eij超过阈值;②dj已经是Ci的成员;③这是di的时间段结束,Eij大于阈值;
如果请求成功,则dj添加到本地集群Ci;
其中,di是本地的内部节点,是集合内的元素,表示集群里面的一个初始节点;dj表示与di相遇的一个节点;Cj表示与Ci形式相同的集合,称作集群类;Ej也是形式相同的集合,用于暂存中间相遇节点的信息。
9.根据权利要求1所述的一种基于遗传算法的移动机会传感器网络自适应信息传输方法,其特征是,在正常情况下,在满足调度操作的前提下,任务数据节点随着调度时间的延长,任务数据节点的末端位置与初始位置之间的物理距离持续增加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186646.8A CN114727353A (zh) | 2022-02-28 | 2022-02-28 | 基于遗传算法的移动机会传感器网络自适应信息传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186646.8A CN114727353A (zh) | 2022-02-28 | 2022-02-28 | 基于遗传算法的移动机会传感器网络自适应信息传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114727353A true CN114727353A (zh) | 2022-07-08 |
Family
ID=82236038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210186646.8A Pending CN114727353A (zh) | 2022-02-28 | 2022-02-28 | 基于遗传算法的移动机会传感器网络自适应信息传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114727353A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174638A (zh) * | 2022-09-06 | 2022-10-11 | 广东邦盛新能源科技发展有限公司 | 光伏板数据采集设备的组网方法及系统 |
CN115866554A (zh) * | 2023-03-02 | 2023-03-28 | 吉林省信息技术研究所 | 一种物联网信息安全传输系统 |
CN118171135A (zh) * | 2024-05-09 | 2024-06-11 | 大连佳塬科技发展有限公司 | 基于多源数据融合的水产养殖环境监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833160A (zh) * | 2012-08-17 | 2012-12-19 | 北京航空航天大学 | 基于接触预测的大规模移动容迟网络分簇路由方法及其系统 |
CN110177389A (zh) * | 2019-05-14 | 2019-08-27 | 华中师范大学 | 基于社交群关联度的路由方法 |
CN111383125A (zh) * | 2020-03-16 | 2020-07-07 | 中国联合网络通信集团有限公司 | 社区划分方法、系统、终端设备及存储介质 |
CN113316214A (zh) * | 2021-05-08 | 2021-08-27 | 南京林业大学 | 一种能量异构型无线传感器的自适应协作路由算法 |
CN113438667A (zh) * | 2021-06-11 | 2021-09-24 | 沈阳航空航天大学 | 基于IM-kmeans集群路由策略延长水下无线传感器网络寿命的方法 |
-
2022
- 2022-02-28 CN CN202210186646.8A patent/CN114727353A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833160A (zh) * | 2012-08-17 | 2012-12-19 | 北京航空航天大学 | 基于接触预测的大规模移动容迟网络分簇路由方法及其系统 |
CN110177389A (zh) * | 2019-05-14 | 2019-08-27 | 华中师范大学 | 基于社交群关联度的路由方法 |
CN111383125A (zh) * | 2020-03-16 | 2020-07-07 | 中国联合网络通信集团有限公司 | 社区划分方法、系统、终端设备及存储介质 |
CN113316214A (zh) * | 2021-05-08 | 2021-08-27 | 南京林业大学 | 一种能量异构型无线传感器的自适应协作路由算法 |
CN113438667A (zh) * | 2021-06-11 | 2021-09-24 | 沈阳航空航天大学 | 基于IM-kmeans集群路由策略延长水下无线传感器网络寿命的方法 |
Non-Patent Citations (2)
Title |
---|
张霖等: "移动机会网络中的节点分簇路由算法", 《电脑知识与技术》, 30 July 2020 (2020-07-30), pages 1 - 5 * |
田浩澄: "无线传感器网络分层聚类路由算法的研究", 《中国优秀硕士学位论文库》, 26 April 2013 (2013-04-26), pages 3 - 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174638A (zh) * | 2022-09-06 | 2022-10-11 | 广东邦盛新能源科技发展有限公司 | 光伏板数据采集设备的组网方法及系统 |
CN115174638B (zh) * | 2022-09-06 | 2022-12-23 | 广东邦盛新能源科技发展有限公司 | 光伏板数据采集设备的组网方法及系统 |
CN115866554A (zh) * | 2023-03-02 | 2023-03-28 | 吉林省信息技术研究所 | 一种物联网信息安全传输系统 |
CN115866554B (zh) * | 2023-03-02 | 2023-05-12 | 吉林省信息技术研究所 | 一种物联网信息安全传输系统 |
CN118171135A (zh) * | 2024-05-09 | 2024-06-11 | 大连佳塬科技发展有限公司 | 基于多源数据融合的水产养殖环境监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114727353A (zh) | 基于遗传算法的移动机会传感器网络自适应信息传输方法 | |
CN102149158B (zh) | 基于网格分簇的传感器网格数据融合方法 | |
CN103052130B (zh) | 一种基于粗糙集的无线多媒体传感器网络数据融合方法 | |
CN105515987A (zh) | 一种基于sdn架构面向虚拟光网络的映射方法 | |
CN105050095B (zh) | 一种基于能量预测的异构无线传感网的拓扑构建方法 | |
Arkian et al. | FcVcA: A fuzzy clustering-based vehicular cloud architecture | |
CN104469879A (zh) | 一种动态k值分簇路由方法 | |
CN116634504A (zh) | 基于改进nsga-ii算法的无人机组网拓扑关系与带宽分配优化策略 | |
CN105898789A (zh) | 一种无线传感器网络数据聚合方法 | |
CN103795606A (zh) | 一种光网络中基于sdn的服务迁移控制方法 | |
Biabani et al. | EE-MSWSN: Energy-efficient mobile sink scheduling in wireless sensor networks | |
CN111405634A (zh) | 一种无线传感器网络自适应分簇的方法及装置 | |
CN112272364B (zh) | 基于可充电无线传感器网络的非合作博弈功率控制方法 | |
CN113094857A (zh) | 一种节能的软件定义车辆网络的控制器布局方法 | |
He et al. | Optimizing data collection path in sensor networks with mobile elements | |
CN108684066A (zh) | 基于K-medoids的无线传感器网络分簇方法 | |
CN112001141B (zh) | 脑网络启发的中大规模片上互连系统综合方法 | |
CN103269505A (zh) | 基于多移动因子的无线传感器网络数据收集方法 | |
Merhi et al. | Decentralized clustering in VANET using adaptive resonance theory | |
CN113543264B (zh) | 一种非均匀路由协议设计方法 | |
Yu-Tong | Retracted: Research of Computer Network Data Transmission Routing Method | |
AU2021104427A4 (en) | Information entropy based communication method and system for wireless sensor data fusion network | |
CN113490250B (zh) | 一种面向原始数据采集的多跳无线传感器网络路由协议 | |
Kadiravan et al. | PSO based clustering approach for mobile wireless sensor network | |
Su et al. | Cognitive virtual network embedding algorithm based on weighted relative entropy |
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 |