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

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

一种基于AUV辅助和改进跨层聚类的海洋数据采集方法

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，Q_m为第m个簇集群，L_AUV→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d_Q，其具体步骤如下：

第一步：从传感器节点X＝{x₁,x₂,...,x_n}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(x_i)，其计算公式为：

其中D(X_i)为距离大于d_Q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,...,c_k}。

S1-3：网络集群划分：

对于剩余的每个传感器节点，计算其到每个聚类中心的距离

其计算公式如下：

其中，

为第i个节点到第m个聚类中心的距离，(X_m，Y_m，Z_m)为第m个聚类中心在三维空间中的位置坐标，(X_i，Y_i，Z_i)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,...,Q_k}，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,...,c_k}，其坐标位置更新公式为：

其中num(Q_m)为第m个水下无线传感器网络簇聚类集群中的节点总数，

为第m个簇集群中所有节点的三维坐标和。

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N_R≦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P_S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P_f为：

因此，节点数据包传输成功的能量消耗E_S计算公式为：

其中，P_t为节点的传输功率，T_tran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E_F计算公式为：

传感器节点接收数据包的能量消耗E_R计算公式为：

E_R＝P_rT_rec

其中，P_r代表接收功率，T_rec表示接收数据的持续时间，传输数据包所需的总能量E_cons为:

E_cons＝E_S+E_f+E_R

因此，集群Q_m中传感器节点X_i的剩余能量E_power可被估算为：

E_power(X_i)＝E_init(X_i)-E_cons(X_i)

其中,E_power(X_i)为传感器节点X_i的剩余能量，E_init(X_i)为传感器节点X_i的初始能量，E_cons(X_i)为传感器节点X_i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，...，Q_k}，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,...,c_k}的距离，进而选取出K个集群的主簇头H＝{H₁,H₂,...,H_K}，第m个集群的簇头H_m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M_K×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，...，H_K}，第i个簇头为H_i，则得到簇头之间的距离矩阵M_K×K为：

其中,0代表簇头到自身的距离，d_i→j是簇头H_i到H_j的距离，因为有d_i→j＝d_j→i，所以矩阵M_K×K是对称矩阵,故可将簇头之间的距离矩阵M_K×K记为：

其中,0代表簇头到自身的距离，

是簇头H_i和H_j之间的距离；

S3-2：AUV压缩存储簇头距离矩阵M_K×K：

由于簇头距离矩阵M_K×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M_K×K中的元素与一维数组U_S的下标S之间的映射公式为：

其中,i代表簇头距离矩阵M_K×K中元素的行下标，j代表簇头距离矩阵M_K×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M_K×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(H_i,H_j)，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M_K×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，Q_m为第m个簇集群，L_AUV→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K_LOW，上限为K_UP(0<K_LOW≤K≤K_UP<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d_Q，其具体步骤如下：

第一步：从传感器节点X＝{x₁,x₂,...,x_n}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(x_i)，其计算公式为：

其中D(X_i)为距离大于d_Q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,...,c_k}。

S1-3：网络集群划分：

对于剩余的每个传感器节点，计算其到每个聚类中心的距离

其计算公式如下：

其中，

为第i个节点到第m个聚类中心的距离，(X_m，Y_m，Z_m)为第m个聚类中心在三维空间中的位置坐标，(X_i，Y_i，Z_i)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,...,Q_k}，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,...,c_k}，其坐标位置更新公式为：

其中num(Q_m)为第m个水下无线传感器网络簇聚类集群中的节点总数，

为第m个簇集群中所有节点的三维坐标和。

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N_R≦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P_S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P_f为：

因此，节点数据包传输成功的能量消耗E_S计算公式为：

其中，P_t为节点的传输功率，T_tran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E_F计算公式为：

传感器节点接收数据包的能量消耗E_R计算公式为：

E_R＝P_rT_rec

其中，P_r代表接收功率，T_rec表示接收数据的持续时间，传输数据包所需的总能量E_cons为:

E_cons＝E_S+E_f+E_R

因此，集群Q_m中传感器节点X_i的剩余能量E_power可被估算为：

E_power(X_i)＝E_init(X_i)-E_cons(X_i)

其中,E_power(X_i)为传感器节点X_i的剩余能量，E_init(X_i)为传感器节点X_i的初始能量，E_cons(X_i)为传感器节点X_i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，...，Q_k}，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,...,c_k}的距离，进而选取出K个集群的主簇头H＝{H₁,H₂,...,H_K}，第m个集群的簇头H_m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M_K×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，...，H_K}，第i个簇头为H_i，则得到簇头之间的距离矩阵M_K×K为：

其中,0代表簇头到自身的距离，d_i→j是簇头H_i到H_j的距离，因为有d_i→j＝d_j→i，所以矩阵M_K×K是对称矩阵,故可将簇头之间的距离矩阵M_K×K记为：

其中,0代表簇头到自身的距离，

是簇头H_i和H_j之间的距离。

S3-2：AUV压缩存储簇头距离矩阵M_K×K：

由于簇头距离矩阵M_K×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M_K×K中的元素与一维数组U_S的下标S之间的映射公式为：

其中,i代表簇头距离矩阵M_K×K中元素的行下标，j代表簇头距离矩阵M_K×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M_5×5为：

则使用压缩存储技术将其映射到一维数组U_S＝{U₀，U₁，U₂，U₃，U₄，U₅，U₆，U₇，U₈，U₉，U₁₀}存储的结果为U_S＝{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M_K×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(H_i,H_j)，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M_K×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H_visit，AUV轨迹上的路径集是P，H_pre是刚刚访问过的簇头，P(AUV)是AUV当前的位置，H_near表示距离AUV当前位置最近的节点，d(X_i,Path)是从节点X_i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，Q_m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：

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

，其具体步骤如下：

第一步：从传感器节点X={x₁,x₂,...,x_n}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（x_i），其计算公式为：

其中D（X_i）为距离大于

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,...,c_k}；

S1-3：网络集群划分：

对于剩余的每个传感器节点，计算其到每个聚类中心的距离

，其计算公式如下：

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,...,Q_k}，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,...,c_k}，其坐标位置更新公式为：

其中

为第m个水下无线传感器网络簇聚类集群中的节点总数，

为第m个簇集群中所有节点的三维坐标和。

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N_R≦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P_S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P_f为：

因此，节点数据包传输成功的能量消耗E_S计算公式为：

其中，

为节点的传输功率，T_tran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E_F计算公式为：

传感器节点接收数据包的能量消耗E_R计算公式为：

其中，P_r代表接收功率，T_rec表示接收数据的持续时间，传输数据包所需的总能量E_cons为:

因此，集群Q_m中传感器节点X_i的剩余能量E_power被估算为：

其中,E_power(X_i)为传感器节点X_i的剩余能量，E_init(X_i)为传感器节点X_i的初始能量，E_cons(X_i)为传感器节点X_i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，...，Q_k}，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,...,c_k}的距离，进而选取出K个集群的主簇头H={H₁,H₂,...,H_K}，第m个集群的簇头H_m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M_K×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，...，H_K}，第i个簇头为H_i，则得到簇头之间的距离矩阵M_K×K为：

其中,0代表簇头到自身的距离，d_i→j是簇头H_i到H_j的距离，因为有d_i→j=d_j→i，所以矩阵M_K×K是对称矩阵,故将簇头之间的距离矩阵M_K×K记为：

其中,0代表簇头到自身的距离，

是簇头H_i和H_j之间的距离；

S3-2：AUV压缩存储簇头距离矩阵M_K×K：

采用矩阵压缩存储技术将其映射到一维数组U_S={U₀，U1，...，

}以存储到AUV内存，簇头距离矩阵M_K×K 中的元素与一维数组U_S的下标S之间的映射公式为：

其中,i代表簇头距离矩阵M_K×K中元素的行下标，j代表簇头距离矩阵M_K×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M_K×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(H_i,H_j)，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M_K×K，然后根据S4-1对AUV的原始路径轨迹进行优化修正。

Images