CN115243212A - 一种基于auv辅助和改进跨层聚类的海洋数据采集方法 - Google Patents
一种基于auv辅助和改进跨层聚类的海洋数据采集方法 Download PDFInfo
- Publication number
- CN115243212A CN115243212A CN202210872659.0A CN202210872659A CN115243212A CN 115243212 A CN115243212 A CN 115243212A CN 202210872659 A CN202210872659 A CN 202210872659A CN 115243212 A CN115243212 A CN 115243212A
- Authority
- CN
- China
- Prior art keywords
- cluster
- node
- distance
- cluster head
- auv
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 169
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 238000005265 energy consumption Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006835 compression Effects 0.000 claims abstract description 8
- 238000007906 compression Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000032258 transport Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000013480 data collection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于AUV辅助和改进跨层聚类的海洋数据采集方法,首先网络中的所有传感器节点基于K‑Means++聚类算法进行网络集群划分,采用肘部法则确定最优K值;然后基于跨层思想联合物理层的传感器发射功率和媒体访问控制层中的最大重传次数估算集群内传感器的剩余能量,选取集群内合适的节点充当网络层集群簇头,以定期收集普通节点采集的数据;最后使用AUV定期访问集群,从集群簇头收集数据,基于贪心算法和矩阵压缩存储提出一种两阶段AUV轨迹优化机制,以有效减少AUV采集数据的轨迹长度。本发明能够有效应对水下无线传感器网络数据传输误码率高和能量受限的环境,提升网络的数据采集效率和降低网络能耗。
Description
技术领域
本发明属于水下无线传感器网络数据采集技术领域,具体地说,涉及一种基于AUV辅助和改进跨层聚类的海洋数据采集方法。
背景技术
海洋覆盖了地球表面的71%以上,随着海洋技术的快速发展和开发海洋资源的需要,人们布置在海洋中的各种传感器经常会产生大量的数据,因此,研究高效、节能、超可靠的通信传输机制对于有效采集海洋中的大量数据具有重要意义。
水下网络分簇是能够减少网络信息传输量的有效方法,基于K-means的聚类算法能够简单有效的实现水下无线传感器网络集群划分,但K-means聚类算法的K值通常难以确定,且首次随机初始化的聚类中心容易导致算法陷入局部最优。基于传统的只考虑传感器地理位置信息的网络集群簇头选举方法能够快速的选举出网络簇头,且该方法易于实现,选举出的簇头经常用来融合集群成员结点采集的信息,并进行冗余数据的融合处理,但当普通节点数量较多时,簇头的工作量较大,仅基于地理位置信息而选举出的簇头容易造成网络负载不均衡,从而导致出现网络空洞,使得网络瘫痪。传统的水下路由多跳式方案经常用来将传感器节点采集到的数据通过多跳路由的方式传送给海面汇聚节点以完成海洋信息的采集,该采集数据的方法能够比较快速的汇集数据,但由于受复杂海洋环境下低带宽、高干扰等因素的影响,多跳式方案容易造成数据丢失,且随着数据向上汇集,靠近海面的节点需要传送更多的数据量,使得上层网络节点因能量耗尽而失效。
可以看出,上述的方法虽然能够在完成海洋环境中无线传感器网络的数据采集,但也同样存在着一些问题,比如网络能耗大、数据误码率高、多跳传输过程中容易丢失数据等,因此,仅用传统的通信传输机制采集复杂海洋环境中的数据是远远不够的。
发明内容
本发明的目的是提出一种基于AUV(自主式水下航行器)辅助和改进跨层聚类的海洋数据采集方法,以弥补现有技术的不足。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种基于AUV辅助和改进跨层聚类的海洋数据采集方法,其特征在于,包括以下步骤:
S1:利用传感器网络进行数据采集,网络中的所有传感器节点基于K-Means++聚类算法进行网络集群划分;
S2:基于所述网络集群,跨层联合物理层的传感器发射功率和媒体访问控制(MAC)层中的最大重传次数估算集群内传感器节点的剩余能量,选取集群主簇头;
S3:采用欧氏距离公式计算S2中选举出的主簇头节点间的距离,采用矩阵压缩存储技术将簇头距离矩阵压缩存储为簇头距离矩阵;
S4:基于所述簇头距离矩阵和贪心算法规划AUV访问簇头路径轨迹,并将轨迹附近节点到路径距离小于D的节点列为辅助簇头,将辅助簇头更新进簇头距离矩阵,然后根据更新后的矩阵对AUV路径轨迹进行优化;
S5:AUV根据S4规划的路线访问簇头节点采集数据,采集完毕后AUV将数据运送回海面汇聚节点;
S6:当S5结束后,判断簇头节点的剩余能量是否低于阈值,若是,则返回S2重新选举簇头,否则返回S4继续按步骤执行。
进一步的,所述S1具体如下:
S1-1:肘部法则计算最佳K值:
首先通过改变水下无线传感器网络集群划分的K值,计算当前K值下代价函数C的值,然后将这些(K,C)绘制在图像中,最后通过寻找一个明显的“拐点”,选择拐点处的值作为最优K值,K值的选取权衡了节点的能量消耗和AUV的轨迹长度,成本函数C的优化函数如下:
其中,λ为节点能耗和AUV轨迹长度之间权衡的权重因子,m表示第几个集群,i表示第m个集群中第几个节点,为第m个集群中第i个节点的能量消耗,Qm为第m个簇集群,LAUV→m为AUV到第m个集群的集群中心的路径长度向量;
S1-2:初始化K个无线传感器网络集群聚类中心:
首先从N个传感器节点中随机选择K个节点作为初始聚类中心,K个初始聚类中心之间的距离必须大于dQ,其具体步骤如下:
第一步:从传感器节点X={x1,x2,...,xn}中随机选取一个聚类中心c1;
第二步:计算每个节点被选为下个聚类中心的概率P(xi),其计算公式为:
其中D(Xi)为距离大于dQ的第i个传感器节点与全部已有聚类中心的最短距离;依据概率随机选取下个聚类中心;
第三步:重复第二步,直至选出K个聚类中心C={c1,c2,...,ck}。
S1-3:网络集群划分:
其中,为第i个节点到第m个聚类中心的距离,(Xm,Ym,Zm)为第m个聚类中心在三维空间中的位置坐标,(Xi,Yi,Zi)为第i个节点在三维空间中的位置坐标。然后根据节点到聚类中心的距离,将节点划分到距离最小的聚类中心所在的集群,通过多次迭代得到节点间距最小的最优集群划分;其目标函数公式如下:
上述根据节点到聚类中心的距离,将所有节点划分为K个集群Q={Q1,Q2,...,Qk},通过多次迭代得到节点间距最小的最优聚类集群,下次迭代时需要重新计算聚类中心的坐标位置并将其记为C={c1,c2,...,ck},其坐标位置更新公式为:
进一步的,所述S2具体如下:
S2-1:跨层联合估算各集群传感器节点的剩余能量:
考虑到水下传播数据时延大,所以规定数据链路层每个数据包的最大重传次数NR≦3,假设传感器节点向簇头节点传递数据为单跳传输,则一个数据包在最大重传次数内从传感器节点成功传送到簇头节点的概率PS可表示为:
其中p为数据包一次传输成功的概率,一个数据包在到达簇头节点之前被丢弃的概率Pf为:
因此,节点数据包传输成功的能量消耗ES计算公式为:
其中,Pt为节点的传输功率,Ttran为传输一个数据包的持续时间。节点数据包传输失败的能量消耗EF计算公式为:
传感器节点接收数据包的能量消耗ER计算公式为:
ER=PrTrec
其中,Pr代表接收功率,Trec表示接收数据的持续时间,传输数据包所需的总能量Econs为:
Econs=ES+Ef+ER
因此,集群Qm中传感器节点Xi的剩余能量Epower可被估算为:
Epower(Xi)=Einit(Xi)-Econs(Xi)
其中,Epower(Xi)为传感器节点Xi的剩余能量,Einit(Xi)为传感器节点Xi的初始能量,Econs(Xi)为传感器节点Xi的能量消耗;
S2-2:根据S2-1选举集群主簇头:
水下无线传感器网络划分的集群为Q={Q1,Q2,...,Qk},根据S2-1估算出的节点剩余能量和该节点到聚类中心C={c1,c2,...,ck}的距离,进而选取出K个集群的主簇头H={H1,H2,...,HK},第m个集群的簇头Hm的选举公式为:
进一步的,所述S3具体如下:
S3-1:计算K个簇头之间的距离,构建距离矩阵MK×K:
采用欧氏距离公式计算K个簇头之间的距离,构建距离矩阵M,假设簇头从1到K编号,簇头的集合为H={H1,H2,...,HK},第i个簇头为Hi,则得到簇头之间的距离矩阵MK×K为:
其中,0代表簇头到自身的距离,di→j是簇头Hi到Hj的距离,因为有di→j=dj→i,所以矩阵MK×K是对称矩阵,故可将簇头之间的距离矩阵MK×K记为:
S3-2:AUV压缩存储簇头距离矩阵MK×K:
由于簇头距离矩阵MK×K为类稀疏矩阵,故可采用矩阵压缩存储技术将其映射到一维数组以存储到AUV内存,以降低算法的时间、空间复杂度,提升AUV根据簇间距离规划路径的速度,簇头距离矩阵MK×K中的元素与一维数组US的下标S之间的映射公式为:
其中,i代表簇头距离矩阵MK×K中元素的行下标,j代表簇头距离矩阵MK×K中元素的列下标。
进一步的,所述S4具体如下:
S4-1:基于S3中簇头距离矩阵和贪心算法规划AUV访问簇头路径轨迹:
第一步:以AUV当前位置为起点,计算每个簇头到AUV的距离,选择最近的簇头作为第一个访问节点;
第二步:更新AUV的位置,根据矩阵MK×K从与AUV距离最小的未访问簇头中选择下一个访问节点,重复上述过程,直到访问完所有簇头;
S4-2:选取辅助簇头并对AUV的路线轨迹进行优化:
第一步:从S4-1中最后访问的簇头开始,建立到第一个被访问簇头的路径;
第二步:假设AUV轨迹上的路径集合为E,对于E中的每一个Path(Hi,Hj),计算AUV轨迹附近的节点到路径的距离;如果小于距离阈值D,则选择该节点作为其所属簇的辅助簇头;
第三步:辅助簇头和主簇头一样从普通节点收集数据,所以AUV也需要访问辅助簇头,将其加入簇头距离矩阵MK×K,然后根据S4-1对AUV的原始路径轨迹进行优化修正。
本发明的优点和技术效果如下:
本发明基于改进的K-Means++聚类算法,首先使用肘部法则确定最优K值,初始化时在规定了最小簇间距离的前提下依据概率随机选取下个聚类中心,避免了随机初始化的聚类中心容易导致算法陷入局部最优的问题。其次基于跨层思想联合物理层的传感器发射功率和媒体访问控制(MAC)层中的最大重传次数估算集群内传感器的剩余能量,选取集群内合适的节点充当网络层集群簇头,缓解了仅基于地理位置信息而选举出的簇头容易造成网络负载不均衡,从而导致出现网络空洞,使得网络瘫痪的问题。最后基于贪心算法和矩阵压缩存储提出一种两阶段AUV轨迹优化算法,减少了AUV采集数据的轨迹长度,使用AUV定期访问集群,从集群簇头收集数据,该方法避免了传统的多跳式传输方案由于数据汇集传输而造成的能量消耗,降低了数据传输的丢包率,有效解决了复杂海洋环境中的数据采集问题。
附图说明
图1是本发明的一种实施例的整体流程图;
图2是本发明的一种实施例的通过肘部法则计算的成本值与K值的关系图;
图3是本发明的一种实施例的初始第一阶段规划的AUV访问簇头路径轨迹图;
图4是本发明的一种实施例的水下各网络集群选举出辅助簇头后的效果图;
图5是本发明的一种实施例的第二阶段AUV根据辅助簇头修正后的访问簇头路径轨迹图;
图6是本发明的一种实施例的使用本方法和使用传统数据采集方法的随时间变化网络节点死亡个数仿真结果对比图。
图7是本发明的一种实施例的使用本方法和使用传统数据采集方法的不同节点密度下网络数据包传输率仿真结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下将结合附图和实施例,对本发明作进一步详细说明。
实施例1:
水下无线传感器网络部署在海洋中工作时会产生大量的数据,产生的数据往往会通过多跳路由的方式传送回水面汇聚节点或者基站,但随着数据向上汇集,靠近海面的节点需要传送更多的数据量,这使得上层网络的传感器节点需要消耗更多的能量传输数据,而且在低通信带宽、高背景噪声的海洋特殊信道环境下,仅通过多跳路由汇聚采集数据的方式变得不可靠,因此可通过AUV辅助采集数据的形式来降低传感器节点传输数据的能耗,延长网络整体生命周期,同时实现数据的高效可靠采集。
基于K-Means聚类算法的海洋数据采集方法能够较为简单的实现海洋数据采集,其主要步骤为:首先基于K-means的聚类算法进行水下无线传感器网络集群划分。然后通过计算迭代过程中质心的地理位置选举出网络集群的簇头。最后通过簇头收集自己所属集群的数据,然后汇集到海面基站来实现网络数据的采集,但K-means聚类算法的K值通常难以确定,且网络集群簇头的选举没有考虑簇头的剩余能量等信息。当前水下无线传感器网络的数据收集机制存在数据收集传输过程中误码率高、层与层之间信息难以共享、多跳传输机制导致网络能耗大、传播延迟高等问题。如何寻求高效节能、超可靠的通信传输机制来有效采集海洋中的海量数据,是本实施例所要解决的技术问题。
本实施例提出了一种基于AUV辅助和改进跨层聚类的海洋数据采集方法,其整体流程图如图1所示,包括以下步骤:
S1:网络中的所有传感器节点基于K-Means++聚类算法进行网络集群划分,具体步骤如下:
S1-1:肘部法则计算最佳K值:
首先通过改变水下无线传感器网络集群划分的K值,计算当前K值下代价函数C的值,然后将这些(K,C)绘制在图像中,最后通过寻找一个明显的“拐点”,选择拐点处的值作为最优K值,K值的选取权衡了节点的能量消耗和AUV的轨迹长度,成本函数C的优化函数如下:
其中,λ为节点能耗和AUV轨迹长度之间权衡的权重因子,m表示第几个集群,i表示第m个集群中第几个节点,为第m个集群中第i个节点的能量消耗,Qm为第m个簇集群,LAUV→m为AUV到第m个集群的集群中心的路径长度向量。
例如,在本实施例中,通过肘部法则计算的成本值与K值的关系如图2所示。通过绘制成本与K的关系图,选择拐点处的值作为最优K。首先确定K的范围,假设K的下限为KLOW,上限为KUP(0<KLOW≤K≤KUP<N),则通过在此区间内绘制关系曲线得到影响成本函数的值。选择最优K的依据是:当K小于最优集群数时,K的增加会导致每个集群中节点的收敛性随之指数增长,因此节点的成本值大大降低。当K达到最优集群数时,通过增加K获得的收敛性迅速变小,因此成本值的下降幅度急剧下降,然后随着K的继续增加逐渐变平。这意味着成本值与K的关系曲线呈现出胳膊肘的形状,这个拐点对应的值就是最优的K值。
S1-2:初始化K个无线传感器网络集群聚类中心:
首先从N个传感器节点中随机选择K个节点作为初始聚类中心,K个初始聚类中心之间的距离必须大于dQ,其具体步骤如下:
第一步:从传感器节点X={x1,x2,...,xn}中随机选取一个聚类中心c1。
第二步:计算每个节点被选为下个聚类中心的概率P(xi),其计算公式为:
其中D(Xi)为距离大于dQ的第i个传感器节点与全部已有聚类中心的最短距离;依据概率随机选取下个聚类中心。
第三步:重复第二步,直至选出K个聚类中心C={c1,c2,...,ck}。
S1-3:网络集群划分:
其中,为第i个节点到第m个聚类中心的距离,(Xm,Ym,Zm)为第m个聚类中心在三维空间中的位置坐标,(Xi,Yi,Zi)为第i个节点在三维空间中的位置坐标。然后根据节点到聚类中心的距离,将节点划分到距离最小的聚类中心所在的集群,通过多次迭代得到节点间距最小的最优集群划分。其目标函数公式如下:
上述根据节点到聚类中心的距离,将所有节点划分为K个集群Q={Q1,Q2,...,Qk},通过多次迭代得到节点间距最小的最优聚类集群,下次迭代时需要重新计算聚类中心的坐标位置并将其记为C={c1,c2,...,ck},其坐标位置更新公式为:
S2:基于S1划分的网络集群,跨层联合物理层的传感器发射功率和媒体访问控制(MAC)层中的最大重传次数估算集群内传感器节点的剩余能量,选取集群内合适的节点充当网络层集群主簇头,具体步骤如下:
S2-1:跨层联合估算各集群传感器节点的剩余能量:
考虑到水下传播数据时延大,所以规定数据链路层每个数据包的最大重传次数NR≦3,假设传感器节点向簇头节点传递数据为单跳传输,则一个数据包在最大重传次数内从传感器节点成功传送到簇头节点的概率PS可表示为:
其中p为数据包一次传输成功的概率,一个数据包在到达簇头节点之前被丢弃的概率Pf为:
因此,节点数据包传输成功的能量消耗ES计算公式为:
其中,Pt为节点的传输功率,Ttran为传输一个数据包的持续时间。节点数据包传输失败的能量消耗EF计算公式为:
传感器节点接收数据包的能量消耗ER计算公式为:
ER=PrTrec
其中,Pr代表接收功率,Trec表示接收数据的持续时间,传输数据包所需的总能量Econs为:
Econs=ES+Ef+ER
因此,集群Qm中传感器节点Xi的剩余能量Epower可被估算为:
Epower(Xi)=Einit(Xi)-Econs(Xi)
其中,Epower(Xi)为传感器节点Xi的剩余能量,Einit(Xi)为传感器节点Xi的初始能量,Econs(Xi)为传感器节点Xi的能量消耗。
S2-2:根据S2-1选举集群内合适的节点充当集群主簇头:
水下无线传感器网络划分的集群为Q={Q1,Q2,...,Qk},根据S2-1估算出的节点剩余能量和该节点到聚类中心C={c1,c2,...,ck}的距离,进而选取出K个集群的主簇头H={H1,H2,...,HK},第m个集群的簇头Hm的选举公式为:
S3:采用欧氏距离公式计算S2中选举出的主簇头节点间的距离,采用矩阵压缩存储技术将簇头距离矩阵压缩存储,具体步骤如下:
S3-1:计算K个簇头之间的距离,构建距离矩阵MK×K:
采用欧氏距离公式计算K个簇头之间的距离,构建距离矩阵M,假设簇头从1到K编号,簇头的集合为H={H1,H2,...,HK},第i个簇头为Hi,则得到簇头之间的距离矩阵MK×K为:
其中,0代表簇头到自身的距离,di→j是簇头Hi到Hj的距离,因为有di→j=dj→i,所以矩阵MK×K是对称矩阵,故可将簇头之间的距离矩阵MK×K记为:
S3-2:AUV压缩存储簇头距离矩阵MK×K:
由于簇头距离矩阵MK×K为类稀疏矩阵,故可采用矩阵压缩存储技术将其映射到一维数组以存储到AUV内存,以降低算法的时间、空间复杂度,提升AUV根据簇间距离规划路径的速度,簇头距离矩阵MK×K中的元素与一维数组US的下标S之间的映射公式为:
其中,i代表簇头距离矩阵MK×K中元素的行下标,j代表簇头距离矩阵MK×K中元素的列下标。例如,在本实施例中取K=5,采用欧氏距离公式计算5个簇头之间的距离(km)构建的距离矩阵M5×5为:
则使用压缩存储技术将其映射到一维数组US={U0,U1,U2,U3,U4,U5,U6,U7,U8,U9,U10}存储的结果为US={0.8,1.5,1.3,1.2,0.9,1.1,1.8,1.0,1.6,0.85}。
S4:基于S3中簇头距离矩阵和贪心算法规划AUV访问簇头路径轨迹,并将轨迹附近节点到路径距离小于D的节点列为辅助簇头,将辅助簇头更新进簇头距离矩阵,然后根据更新后的矩阵对AUV路径轨迹进行优化,具体步骤如下:
S4-1:基于S3中簇头距离矩阵和贪心算法规划AUV访问簇头路径轨迹:
第一步:以AUV当前位置为起点,计算每个簇头到AUV的距离,选择最近的簇头作为第一个访问节点。
第二步:更新AUV的位置,根据矩阵MK×K从与AUV距离最小的未访问簇头中选择下一个访问节点,重复上述过程,直到访问完所有簇头。
初始第一阶段规划的AUV访问簇头路径轨迹图如图3所示。
S4-2:选取辅助簇头并对AUV的路线轨迹进行优化:
第一步:从S4-1中最后访问的簇头开始,建立到第一个被访问簇头的路径。
第二步:假设AUV轨迹上的路径集合为E,对于E中的每一个Path(Hi,Hj),计算AUV轨迹附近的节点到路径的距离。如果小于距离阈值D,则选择该节点作为其所属簇的辅助簇头。水下各网络集群选举出辅助簇头后的效果图如图4所示。第三步:辅助簇头和主簇头一样从普通节点收集数据,所以AUV也需要访问辅助簇头,将其加入簇头距离矩阵MK×K,然后根据S4-1对AUV的原始路径轨迹进行优化修正。第二阶段AUV根据辅助簇头修正后的访问簇头路径轨迹图如图5所示。
已知传感器节点的集合是X,簇头的集合是H,选择辅助簇头的距离阈值为D,假设已经访问过的簇头集合是Hvisit,AUV轨迹上的路径集是P,Hpre是刚刚访问过的簇头,P(AUV)是AUV当前的位置,Hnear表示距离AUV当前位置最近的节点,d(Xi,Path)是从节点Xi到规划的路径Path的距离,则改进两阶段AUV轨迹优化算法的伪代码如下:
S5:AUV根据S4规划的路线访问簇头节点采集数据,采集完毕后AUV将数据运送回海面汇聚节点。
S6:当S5结束后,判断簇头节点的剩余能量是否低于阈值,若是,则返回S2重新选举簇头,否则返回S4继续按步骤执行。
使用基于AUV辅助和改进跨层聚类的海洋数据采集方法和使用传统的多跳式路由数据采集方法的随时间变化网络节点死亡个数仿真结果对比如图6所示,从仿真结果可以看出,基于AUV辅助和改进跨层聚类的海洋数据采集方法能够有效的延长网络的生命周期。
使用基于AUV辅助和改进跨层聚类的海洋数据采集方法和使用传统的多跳式路由数据采集方法的不同节点密度下网络数据包传输率仿真结果对比如图7所示,从仿真结果可以看出,基于AUV辅助和改进跨层聚类的海洋数据采集方法能够有效的提升数据采集的可靠性。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (5)
1.一种基于AUV辅助和改进跨层聚类的海洋数据采集方法,其特征在于,包括以下步骤:
S1:利用传感器网络进行数据采集,网络中的所有传感器节点基于K-Means++聚类算法进行网络集群划分;
S2:基于所述网络集群,跨层联合物理层的传感器发射功率和媒体访问控制(MAC)层中的最大重传次数估算集群内传感器节点的剩余能量,选取集群主簇头;
S3:采用欧氏距离公式计算S2中选举出的主簇头节点间的距离,采用矩阵压缩存储技术将簇头距离矩阵压缩存储为簇头距离矩阵;
S4:基于所述簇头距离矩阵和贪心算法规划AUV访问簇头路径轨迹,并将轨迹附近节点到路径距离小于D的节点列为辅助簇头,将辅助簇头更新进簇头距离矩阵,然后根据更新后的矩阵对AUV路径轨迹进行优化;
S5:AUV根据S4规划的路线访问簇头节点采集数据,采集完毕后AUV将数据运送回海面汇聚节点;
S6:当S5结束后,判断簇头节点的剩余能量是否低于阈值,若是,则返回S2重新选举簇头,否则返回S4继续按步骤执行。
2.如权利要求1所述的海洋数据采集方法,其特征在于,所述S1具体如下:
S1-1:肘部法则计算最佳K值:
首先通过改变水下无线传感器网络集群划分的K值,计算当前K值下代价函数C的值,然后将这些(K,C)绘制在图像中,最后通过寻找一个明显的“拐点”,选择拐点处的值作为最优K值,K值的选取权衡了节点的能量消耗和AUV的轨迹长度,成本函数C的优化函数如下:
其中,为节点能耗和AUV轨迹长度之间权衡的权重因子,m表示第几个集群,i表示第m个集群中第几个节点,为第m个集群中第i个节点的能量消耗,Qm为第m个簇集群,为AUV到第m个集群的集群中心的路径长度向量;
S1-2:初始化K个无线传感器网络集群聚类中心:
第一步:从传感器节点X={x1,x2,...,xn}中随机选取一个聚类中心c1;
第二步:计算每个节点被选为下个聚类中心的概率P(xi),其计算公式为:
第三步:重复第二步,直至选出K个聚类中心C={c1,c2,...,ck};
S1-3:网络集群划分:
其中,为第i个节点到第m个聚类中心的距离,为第m个聚类中心在三维空间中的位置坐标,为第i个节点在三维空间中的位置坐标;然后根据节点到聚类中心的距离,将节点划分到距离最小的聚类中心所在的集群,通过多次迭代得到节点间距最小的最优集群划分;其目标函数公式如下:
上述根据节点到聚类中心的距离,将所有节点划分为K个集群Q={Q1,Q2,...,Qk},通过多次迭代得到节点间距最小的最优聚类集群,下次迭代时需要重新计算聚类中心的坐标位置并将其记为C={c1,c2,...,ck},其坐标位置更新公式为:
3.如权利要求1所述的海洋数据采集方法,其特征在于,所述S2具体如下:
S2-1:跨层联合估算各集群传感器节点的剩余能量:
考虑到水下传播数据时延大,所以规定数据链路层每个数据包的最大重传次数NR≦3,假设传感器节点向簇头节点传递数据为单跳传输,则一个数据包在最大重传次数内从传感器节点成功传送到簇头节点的概率PS表示为:
其中p为数据包一次传输成功的概率,一个数据包在到达簇头节点之前被丢弃的概率Pf为:
因此,节点数据包传输成功的能量消耗ES计算公式为:
传感器节点接收数据包的能量消耗ER计算公式为:
其中,Pr代表接收功率,Trec表示接收数据的持续时间,传输数据包所需的总能量Econs为:
因此,集群Qm中传感器节点Xi的剩余能量Epower被估算为:
其中,Epower(Xi)为传感器节点Xi的剩余能量,Einit(Xi)为传感器节点Xi的初始能量,Econs(Xi)为传感器节点Xi的能量消耗;
S2-2:根据S2-1选举集群内合适的节点充当集群主簇头:
水下无线传感器网络划分的集群为Q={Q1,Q2,...,Qk},根据S2-1估算出的节点剩余能量和该节点到聚类中心C={c1,c2,...,ck}的距离,进而选取出K个集群的主簇头H={H1,H2,...,HK},第m个集群的簇头Hm的选举公式为:
4.如权利要求1所述的海洋数据采集方法,其特征在于,所述S3具体如下:
S3-1:计算K个簇头之间的距离,构建距离矩阵MK×K:
采用欧氏距离公式计算K个簇头之间的距离,构建距离矩阵M,假设簇头从1到K编号,簇头的集合为H={H1,H2,...,HK},第i个簇头为Hi,则得到簇头之间的距离矩阵MK×K为:
其中,0代表簇头到自身的距离,di→j是簇头Hi到Hj的距离,因为有di→j=dj→i,所以矩阵MK×K是对称矩阵,故将簇头之间的距离矩阵MK×K记为:
S3-2:AUV压缩存储簇头距离矩阵MK×K:
其中,i代表簇头距离矩阵MK×K中元素的行下标,j代表簇头距离矩阵MK×K中元素的列下标。
5.如权利要求1所述的海洋数据采集方法,其特征在于,所述S4具体如下:
S4-1:基于S3中簇头距离矩阵和贪心算法规划AUV访问簇头路径轨迹:
第一步:以AUV当前位置为起点,计算每个簇头到AUV的距离,选择最近的簇头作为第一个访问节点;
第二步:更新AUV的位置,根据矩阵MK×K从与AUV距离最小的未访问簇头中选择下一个访问节点,重复上述过程,直到访问完所有簇头;
S4-2:选取辅助簇头并对AUV的路线轨迹进行优化:
第一步:从S4-1中最后访问的簇头开始,建立到第一个被访问簇头的路径;
第二步:假设AUV轨迹上的路径集合为E,对于E中的每一个Path(Hi,Hj),计算AUV轨迹附近的节点到路径的距离;如果小于距离阈值D,则选择该节点作为其所属簇的辅助簇头;
第三步:辅助簇头和主簇头一样从普通节点收集数据,所以AUV也需要访问辅助簇头,将其加入簇头距离矩阵MK×K,然后根据S4-1对AUV的原始路径轨迹进行优化修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872659.0A CN115243212B (zh) | 2022-07-20 | 2022-07-20 | 一种基于auv辅助和改进跨层聚类的海洋数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872659.0A CN115243212B (zh) | 2022-07-20 | 2022-07-20 | 一种基于auv辅助和改进跨层聚类的海洋数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115243212A true CN115243212A (zh) | 2022-10-25 |
CN115243212B CN115243212B (zh) | 2023-08-08 |
Family
ID=83674973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210872659.0A Active CN115243212B (zh) | 2022-07-20 | 2022-07-20 | 一种基于auv辅助和改进跨层聚类的海洋数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115243212B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233784A (zh) * | 2023-02-24 | 2023-06-06 | 青岛科技大学 | Auv与水下无线传感器网络的数据收集方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683468A (zh) * | 2018-04-27 | 2018-10-19 | 河海大学常州校区 | 基于数据预测的水下传感网络中auv移动数据收集算法 |
CN111641930A (zh) * | 2020-06-01 | 2020-09-08 | 秦川 | 应用于海洋信息网络的分层式数据采集系统及方法 |
-
2022
- 2022-07-20 CN CN202210872659.0A patent/CN115243212B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683468A (zh) * | 2018-04-27 | 2018-10-19 | 河海大学常州校区 | 基于数据预测的水下传感网络中auv移动数据收集算法 |
CN111641930A (zh) * | 2020-06-01 | 2020-09-08 | 秦川 | 应用于海洋信息网络的分层式数据采集系统及方法 |
US20220041255A1 (en) * | 2020-06-01 | 2022-02-10 | Chuan Qin | Layered data acquisition system applied to marine information network and method thereof |
Non-Patent Citations (2)
Title |
---|
鲁道刚 等: "基于改进K-means和簇结构优化的非均匀分簇路由算法", 《传感器与微系统》, vol. 39, no. 04, pages 144 - 147 * |
鲁道刚;李强;孙佳;: "基于改进K-means和簇结构优化的非均匀分簇路由算法", 传感器与微系统, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233784A (zh) * | 2023-02-24 | 2023-06-06 | 青岛科技大学 | Auv与水下无线传感器网络的数据收集方法 |
CN116233784B (zh) * | 2023-02-24 | 2023-09-15 | 青岛科技大学 | Auv与水下无线传感器网络的数据收集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115243212B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An AUV-assisted data gathering scheme based on clustering and matrix completion for smart ocean | |
CN109803291B (zh) | 基于水声传感器网络的健壮拓扑生成方法 | |
Gupta et al. | The evolution of data gathering static and mobility models in underwater wireless sensor networks: a survey | |
CN103298055A (zh) | 水下传感器网络中基于空间网格区域划分的贪婪路由方法 | |
CN115243212B (zh) | 一种基于auv辅助和改进跨层聚类的海洋数据采集方法 | |
CN103297339A (zh) | 水下传感器网络中基于空间区域划分的路由方法 | |
CN112188467B (zh) | 一种基于用户属性的终端发现方法 | |
Han et al. | Sleep-scheduling-based hierarchical data collection algorithm for gliders in underwater acoustic sensor networks | |
Zhou et al. | Genetic clustering route algorithm in WSN | |
CN111314841A (zh) | 一种基于压缩感知与改进遗传算法的wsn定位方法 | |
Wajgi et al. | Localization in wireless sensor networks and wireless multimedia sensor networks using clustering techniques | |
CN106658570B (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
CN115051925A (zh) | 一种基于迁移学习的时空序列预测方法 | |
Chen et al. | Data collection from underwater acoustic sensor networks based on optimization algorithms | |
Menon et al. | Towards Energy‐Efficient and Delay‐Optimized Opportunistic Routing in Underwater Acoustic Sensor Networks for IoUT Platforms: An Overview and New Suggestions | |
Lu et al. | Routing protocols for underwater acoustic sensor networks: A survey from an application perspective | |
CN108990148B (zh) | 面向室内协作定位的参考点选择方法 | |
Sivakumar | Minimizing transmission loss using inspired ant colony optimization and Markov chain Monte Carlo in underwater WSN environment | |
CN112484733B (zh) | 一种基于拓扑图的强化学习室内导航方法 | |
CN116419290B (zh) | 基于跨层设计联合深度q网络的水声通信能量优化方法 | |
CN115987886B (zh) | 一种基于元学习参数优化的水声网络q学习路由方法 | |
CN111565430A (zh) | 一种基于预测轨迹的海洋船舶无线网络路由方法 | |
Cui et al. | A high-accuracy and low-energy range-free localization algorithm for wireless sensor networks | |
CN115987867A (zh) | 一种基于均等分簇的光电-雷达传感器网数据收集方法 | |
CN114390469B (zh) | 基于跨层协作的三维柱状水声传感器网络的寿命延长方法 |
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 |