CN115379529A - 一种节能高效可靠的物联网感知层数据收集方法 - Google Patents
一种节能高效可靠的物联网感知层数据收集方法 Download PDFInfo
- Publication number
- CN115379529A CN115379529A CN202211005295.2A CN202211005295A CN115379529A CN 115379529 A CN115379529 A CN 115379529A CN 202211005295 A CN202211005295 A CN 202211005295A CN 115379529 A CN115379529 A CN 115379529A
- Authority
- CN
- China
- Prior art keywords
- individual
- energy
- mobile sink
- data collection
- network
- 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
- 238000013480 data collection Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 238000005265 energy consumption Methods 0.000 claims abstract description 49
- 241000238633 Odonata Species 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000006855 networking Effects 0.000 claims abstract description 4
- 235000013305 food Nutrition 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005054 agglomeration Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 17
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 18
- 238000005295 random walk Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer 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
- H04W40/24—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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
本发明公开了一种节能高效可靠的物联网感知层数据收集方法，方法步骤包括：对监测网络区域中的各个传感器节点进行组网并挑选出各个簇头；将监测网络区域划分为各个分簇区域，并在每个分簇区域中确定一个移动Sink的停留位置；移动Sink在到达停留位置后开始接收对应簇头的簇头数据信息；根据接收的各个数据信息采用改进蜻蜓优化算法对移动Sink的移动路径进行优化。该物联网感知层数据收集方法充分利用移动Sink的存储空间充裕、能量充足和计算能力强的优势，保证网络的连通性，提高网络通信效率。通过仿真对比分析，本发明提出的算法均衡了节点能耗满足网络服务质量，提高网络可靠性。
Description
技术领域
本发明涉及一种数据收集方法，尤其是一种节能高效可靠的物联网感知层数据收集方法。
背景技术
近年来，物联网技术得到广泛研究者的关注和深入发展，在智能物流、智慧工厂、机器人，工业5.0、智能医疗、智能工农业等领域得到快速地应用。物联网感知层的无线传感器网络数据感知收集技术是实现物联网各种功能的底层关键技术，受到专家学者的广泛重视。数据收集是无线传感网络应用的重要阶段。在多跳通信中，由于靠近信宿的节点承担了更多的数据转发任务，它们的能量消耗速度更快，容易形成能量空洞。一旦出现能量空洞，网络就被分割。因此，平衡节点间的能耗是避免能量空洞的关键。
由于随机部署、环境复杂、节点资源有限等情况下，单路径路由数据传输方式容易造成网络能耗的不均衡，采用移动Sink进行数据收集，可以极大地减少数据的多跳传输，同时缩短节点与移动Sink之间的传输距离，节省节点能量消耗，提高网络可靠性。为了最大化数据收集量，常采用移动Sink数据收集策略。然而，由于移动Sink的移动速度较慢，采用移动Sink会增加数据传输时延。因此，优化数据传输时延是基于信宿移动策略的关键。
Sink节点移动路径优化设计不仅考虑数据传输路径的长度，还要考虑节省能量和网络能量均衡等问题，考虑能耗、可靠性与延时之间存在折衷。移动无线传感器网络路径优化是一个典型多目标优化问题。通过汇聚节点Sink的移动能有效平衡网络能耗，而规划移动Sink的路径是该策略的关键。最简单的方法就是遍历每个节点，进而直接接收感测数据。但该方法并没有解决巡回售货员问题(Traveling Salesman Problem，TSP)。TSP问题就是如何以最短的路径遍历所有节点。然而，随着网络规模的增加，节点数剧增，得到最短的路径是一项不小的挑战。
发明内容
发明目的：提供一种节能高效可靠的物联网感知层数据收集方法，能够减少数据传输链路长度，均衡能量消耗，确保物联网感知层无线传感器网络的鲁棒性和可用性。
技术方案：本发明所述的节能高效可靠的物联网感知层数据收集方法，包括如下步骤：
步骤1，采用经典LEACH分层次分簇算法对监测网络区域中的各个传感器节点进行组网，并根据传感器节点的通信能力和剩余能量挑选出各个簇头；
步骤2，将监测网络区域划分为各个分簇区域，并在每个分簇区域中确定一个移动Sink的停留位置，以保证各个分簇区域数据收集的能耗均衡性；
步骤3，移动Sink在到达每个分簇区域中的停留位置后，开始接收对应簇头的簇头数据信息；
步骤4，根据接收的各个数据信息采用改进蜻蜓优化算法对移动Sink的移动路径进行优化，使得移动Sink数据收集最大化以及能量消耗最小化。
进一步的，步骤1中，选出的簇头用于收集各个簇成员节点的节点位置、节点数据以及节点剩余能量，各个簇头之间相互通信。
进一步的，步骤2中，在将监测网络区域划分为各个分簇区域时，根据簇头对于周围簇成员节点进行数据收集的总能耗大小进行分簇区域的划分，使得全部簇成员节点均有对应的簇头，且簇头的数据收集的总能耗小于簇头的剩余能量。
进一步的，步骤3中，接收对应簇头的簇头数据信息的具体步骤为：
首先由移动Sink向周边分簇区域发送广播信息；
周边分簇区域中的簇头在接收到广播信息后，由对应簇头将各自的簇头数据信息发送给移动Sink；
最后由移动Sink接收对应簇头的簇头数据信息，簇头数据信息包括簇头的剩余能量以及位置坐标信息。
进一步的，步骤4中，采用改进蜻蜓优化算法对移动Sink的移动路径进行优化的具体步骤为：
步骤4.1，将监测网络区域中的各个传感器节点作为蜻蜓优化算法中初始种群的各个粒子，再混沌初始化初始种群中的各个粒子的位置；
步骤4.2，计算出移动Sink的适应度值f(i)，先从中选出最优个体的位置定义为最佳位置，最优个体的适应度值为ffood，再从中选出最差个体的位置定义为最差位置，最差个体的适应度值为fenemy；
步骤4.3，更新蜻蜓优化算法中的参数；
步骤4.4，计算步长向量，并根据附近是否有传感器节点来对应更新移动Sink的位置；
步骤4.5，将位置更新后的移动Sink的位置代入适应度函数得到新的适应度值f(i+1)，并产生一个0到1之间的随机数rand；
步骤4.6，判断若随机数rand＞反向概率p，则执行反向学习操作，并在算法收索空间中通过当前个体产生一个反向个体，并在当前个体与反向个体中择优选出一个优选个体进入下一代的迭代运算；
步骤4.7，将优选个体的适应度值分别与最优个体的适应度值ffood以及最差个体的适应度值fenemy进行比较，若优于ffood，则用优选个体的位置更新最优个体的位置，若差于fenemy，则用优选个体的位置更新最差个体的位置；
步骤4.8，判断是否满足终止迭代的条件，若满足则退出循环，否则转向步骤4.3。
进一步的，步骤4.1中，混沌初始化初始种群中的各个粒子的位置时，利用Logistic映射方程进行初始种群中的各个粒子的位置初始化。
进一步的，步骤4.3中，更新的参数包括包括搜索半径r、惯性权重w、分离度权重s、对齐度权重、凝聚度权重c、食物吸引度权重f以及天敌驱散度权重e。
进一步的，步骤4.4中，计算步长向量的计算公式为：
ΔXt+1＝(sSi+αAi+cCi+fFi+eEi)+ωΔXi
式中，s表示分离权重，α表示结队权重，c表示聚集权重，f表示食物因子，e表示天敌因子，Si表示第i个体分离之后的位置，Ai表示第i个体结队之后的位置，Ci表示第i个体聚集之后的位置，Fi表示第i个体蜻蜓食物的位置，Ei表示第i个体蜻蜓天敌的位置，ω表示惯性权重。
进一步的，步骤4.4中，根据附近是否有传感器节点来对应更新移动Sink的位置时：
若附近有传感器节点，则根据下式更新移动Sink的位置：
Xt+1＝Xt+ΔXt+1
若附近没有传感器节点，则根据下式更新移动Sink的位置：
Xt+1＝Xt+Levy(d)×Xt
式中，d为求解问题的维数。
进一步的，步骤4.6中，在在算法收索空间中通过当前个体产生一个反向个体的公式为：
式中，
为种群中第i个蜻蜓在第j维度上的反向解，aj和bj分别为第j维度的最小值和最大值，参数k决定反向学习类型。
本发明与现有技术相比，其有益效果是：本发明将优化目标规约为时延受限下的能耗最小化和可靠性最大化问题，提出基于改进蜻蜓算法优化移动无线传感器网络移动Sink路径优化机制。该方法充分利用移动Sink的存储空间充裕、能量充足和计算能力强的优势，保证网络的连通性，提高网络通信效率。通过仿真对比分析，与随机移动方法、人工蜂群算法和基本蜻蜓优化算法对比，降低了网络能耗，提高网络寿命，提高网络连通性和传输时延。本发明提出的算法均衡了节点能耗满足网络服务质量，提高网络可靠性。
附图说明
图1为本发明的方法流程图；
图2为本发明仿真实验的四种算法的网络平均能耗对比图；
图3为本发明仿真实验的四种数据收集方法的网络平均能耗对比图；
图4为本发明仿真实验的网络负载均衡性对比图；
图5为本发明仿真实验的网络传输时延对比图；
图6为本发明仿真实验的网络连通性对比图；
图7为本发明仿真实验的网络可靠性对比图。
具体实施方式
下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例1：
如图1所示，本发明公开的节能高效可靠的物联网感知层数据收集方法，包括如下步骤：
步骤1，采用经典LEACH分层次分簇算法对监测网络区域中的各个传感器节点进行组网，并根据传感器节点的通信能力和剩余能量挑选出各个簇头；
步骤2，将监测网络区域划分为各个分簇区域，并在每个分簇区域中确定一个移动Sink的停留位置，以保证各个分簇区域数据收集的能耗均衡性；
步骤3，移动Sink在到达每个分簇区域中的停留位置后，开始接收对应簇头的簇头数据信息；
步骤4，根据接收的各个数据信息采用改进蜻蜓优化算法对移动Sink的移动路径进行优化，使得移动Sink数据收集最大化以及能量消耗最小化。
移动无线传感器网络分簇数据收集过程中，在分簇场景中，将检测的区域进行层次划分。分为两层，底层主要由普通传感器节点组成，主要工作就是进行数据收集。上层主要由分簇的簇头节点组成，簇头的任务是负责收据汇集和分配任务。簇头对簇内成员节点进行任务分配，簇内成员节点对采集到的数据传送给簇头，簇头首先进行数据融合，当Sink的移动到簇头的通信范围后，再转发给移动的Sink。
本发明移动Sink的数据收集过程都是基于LEACH分簇基础上展开的，簇头会根据数据收集轮询次数的变化分簇区间也实时变化。Sink节点在数据收集过程中不需知道普通节点所在位置，只接收簇头节点转发的数据。
本发明针对物联网感知层移动无线传感器网络中的移动Sink移动路径优化问题进行以下定义：
定义1：最小能耗移动路径。在物联网感知层移动无线传感器网络数据收集过程中，为了满足时延、能耗和网络可靠性等约束条件下，使得收集到的数据从分簇簇头节点传送到移动Sink节点的总能耗最小和总路径长度最短的Sink移动路径。
定义2：最短路径的移动路径。定义为移动Sink对监测区域所有簇头节点进行数据收集的最短移动路径长度。
假定移动Sink在每次轮询工作进行数据收集过程中，移动Sink进行数据收集的初始位置为C0，移动Sink的运动速度为VSink，数据收集的总的最大时延为D，那么移动Sink的最大移动路径长度为L＝VSink×D，假定参数J和Q＝(qi)分别是簇头节点集合和对应的数量集合，参数N表示需要进行数据迁移的节点总的集合，根据前面描述的场景模型，对监测区域进行数据收集移动Sink的总的能耗为：
s.t.TSP(Sv)≤L
上述四个公式中，参数Ti为移动Sink到附近的簇头节点最少能耗、最小距离情形下的总跳数，
表示当前第m跳情形下的网络能耗，其中m∈[1,Ti]，参数N0表示移动Sink可以移动到簇头节点的集合。TSP(Sv)表示移动Sink所要访问节点的集合。参数L为移动Sink收集监测区域里面所有簇头节点所需行走的总路程。上述第一个公式表示条件为移动Sink对监测区域所有数据进行收集一次所需花费的能量。上述第二个公式表示数据收集过程中所有簇头节点的能耗最小化。上述第三个公式表示表示移动Sink从初始点开始收集监测区域数据所经过访问簇头节点所在位置后返回到初始点的最短距离，这个问题可以理解成移动Sink的环游所有簇头节点最小路径的集合，也就是类似旅行商最优化求取最短距离的问题。上述第四个公式为移动Sink寻找的可行位置数量最多为K个。上述第五个公式保证移动Sink在传感器节点xi的通信范围内才发送数据。移动Sink路径优化问题就是求取移动Sink对监测区域保证能耗最小化、路径最优化和高可靠性地进行数据收集，这是一个组合优化问题。本发明提出的节能高效可靠的物联网感知层数据收集方法能够提高数据搜集效率和可靠性，延长网络寿命和降低网络能耗。
蜻蜓算法的数学描述：在函数求解过程中，静态行为对应全局寻优，动态行为对应局部开发。在N维空间中初始化产生个体数量为m个蜻蜓种群，种群中第i(i＝1,2,3,..,m)个蜻蜓的位置表示Xi＝(Xi1,Xi2,Xi3,…XiN)，通过计算蜻蜓种群对应的适应度函数值f(x)并加以比较，适应度函数值f(x)采用现有的函数即可。同时选择当前适应度值最大的蜻蜓位置作为食物源的位置，适应度值最小的蜻蜓位置作为天敌的位置，然后根据蜻蜓的5种行为更新当前个体所在位置。
进一步的，步骤1中，选出的簇头用于收集各个簇成员节点的节点位置、节点数据以及节点剩余能量，各个簇头之间相互通信，从而得到整个网络的信息，同时簇头接受数据收集任务。
进一步的，步骤2中，在将监测网络区域划分为各个分簇区域时，根据簇头对于周围簇成员节点进行数据收集的总能耗大小进行分簇区域的划分，使得全部簇成员节点均有对应的簇头，且簇头的数据收集的总能耗小于簇头的剩余能量。通过簇头之间的数据交流之后，每个簇头保存自己周边簇头的信息，通过计算与周围簇头通信总代价，以及在能耗和最短移动路径约束条件下计算通信距离和通信能耗等，根据通信代价的大小进行监测网络区域划分。
进一步的，步骤3中，接收对应簇头的簇头数据信息的具体步骤为：
首先由移动Sink向周边分簇区域发送广播信息；
周边分簇区域中的簇头在接收到广播信息后，由对应簇头将各自的簇头数据信息发送给移动Sink；
最后由移动Sink接收对应簇头的簇头数据信息，簇头数据信息包括簇头的剩余能量以及位置坐标信息。移动Sink将收集到的信息进行存储和记录，为下一轮进行数据收集进行服务。
进一步的，步骤4中，采用改进蜻蜓优化算法对移动Sink的移动路径进行优化的具体步骤为：
步骤4.1，将监测网络区域中的各个传感器节点作为蜻蜓优化算法中初始种群的各个粒子，再混沌初始化初始种群中的各个粒子的位置；
步骤4.2，计算出移动Sink的适应度值f(i)，先从中选出最优个体的位置定义为最佳位置，最优个体的适应度值为ffood，再从中选出最差个体的位置定义为最差位置，最差个体的适应度值为fenemy；
步骤4.3，更新蜻蜓优化算法中的参数；
步骤4.4，计算步长向量，并根据附近是否有传感器节点来对应更新移动Sink的位置；
步骤4.5，将位置更新后的移动Sink的位置代入适应度函数得到新的适应度值f(i+1)，并产生一个0到1之间的随机数rand；
步骤4.6，判断若随机数rand＞反向概率p，则执行反向学习操作，并在算法收索空间中通过当前个体产生一个反向个体，并在当前个体与反向个体中择优选出一个优选个体进入下一代的迭代运算，从而吸引种群向最优个体逼近，在增大随机性的同时降低算法复杂度；
步骤4.7，将优选个体的适应度值分别与最优个体的适应度值ffood以及最差个体的适应度值fenemy进行比较，若优于ffood，则用优选个体的位置更新最优个体的位置，若差于fenemy，则用优选个体的位置更新最差个体的位置；
步骤4.8，判断是否满足终止迭代的条件，若满足则退出循环，否则转向步骤4.3。
本发明的混沌初始化初始种群的方法能够提高初始蜻蜓种群的质量和种群分布的随机性，反向学习策略能够增加蜻蜓种群多样性，通过比较选取其中适应度较好的个体，可以增强算法的寻优能力，提高种群进化速度和算法的运行效率。
进一步的，步骤4.1中，混沌初始化初始种群中的各个粒子的位置时，利用Logistic映射方程进行初始种群中的各个粒子的位置初始化。
进一步的，步骤4.3中，更新的参数包括包括搜索半径r、惯性权重ω、分离度权重s、对齐度权重、凝聚度权重c、食物吸引度权重f以及天敌驱散度权重e。
进一步的，步骤4.4中，计算步长向量的计算公式为：
ΔXt+1＝(sSi+αAi+cCi+fFi+eEi)+ωΔXi
式中，s表示分离权重，α表示结队权重，c表示聚集权重，f表示食物因子，e表示天敌因子，Si表示第i个体分离之后的位置，Ai表示第i个体结队之后的位置，Ci表示第i个体聚集之后的位置，Fi表示第i个体蜻蜓食物的位置，Ei表示第i个体蜻蜓天敌的位置，ω表示惯性权重。
进一步的，步骤4.4中，根据附近是否有传感器节点来对应更新移动Sink的位置时：
若附近有传感器节点，则根据下式更新移动Sink的位置：
Xt+1＝Xt+ΔXt+1
若附近没有传感器节点，则根据下式更新移动Sink的位置：
Xt+1＝Xt+Levy(d)×Xt
式中，d为求解问题的维数。
进一步的，步骤4.6中，在在算法收索空间中通过当前个体产生一个反向个体的公式为：
式中，
为种群中第i个蜻蜓在第j维度上的反向解，aj和bj分别为第j维度的最小值和最大值，参数k决定反向学习类型。
进一步的，步骤4.1中，利用Logistic映射方程进行初始种群中的各个粒子的位置初始化的具体步骤为：
首先设定一个cx初值，利用下式产生初始化所需要的混沌变量为：
cxn+1＝μcxn(1-cxn)
式中，参数μ∈(0,4]，cxn∈(0,1)，μ越大混沌性越高，μ＝4时完全处于混沌状态；
再利用混沌变量取代标准初始化方程中的随机数，标准初始化方程为：
X(i,j)＝xmin+rand(i,j)×(xmax-xmin)
直到遍历完所有蜻蜓个体的每一维度为止。
本发明的实验仿真对比及分析如下：
实验环境为Windows10-64bit，3.2GHz处理器和32GB内存，编程环境为MATLAB2016b。为了客观对比IDA算法与其他3种算法的综合性能，充分考虑算法的随机性对实验结果的影响。蜻蜓算法的设置如下：种群数目n＝30，最大迭代次数是100。参数s、a、c、f、e和ω均设为线性递减权，取值范围为[0.3,0.9]。假设移动无线传感器网络节点随机均匀分布在500×500m2的二维空间中，传感器节点规模200个。仿真轮询次数设为500，每次仿真中传感节点均有10个数据包从源节点向移动Sink传送，每个数据包容量4kb。移动Sink的初始能量设为50J，移动Sink以5m/s的速度匀速直线移动，普通节点初始能量为1J。
为了更好地说明本发明提出方法的优越性，本实施例对随机行走、人工蜂群算法(ABC)、蜻蜓算法(DA)以及本发明提出的改进蜻蜓算法(IDA)等四种数据收集算法进行对比。
(1)移动路径规划Mobile path planning
移动Sink对区域内的簇头节点遍巡一遍进行数据收集。移动路径规划是反映移动Sink的路径长度，长度越长，收集收集的时间越久，消耗的能量越大。因此移动Sink的路径长度越短越好。四种算法的移动Sink路径长度对比如图2所示。
图2中的a、b、c和d四个仿真图分别显示了随机行走方法、人工蜂群算法(ABC)、蜻蜓算法(DA)和本文提出的IDA算法的移动路径规划图。从四个仿真图可以看出，随机行走的方法它的移动路径最长，也是杂乱无章的。人工蜂群算法它的移动路径相对较好，它只有少量的部分路径规划的不大好。基本蜻蜓算法它的路径规划较差，本发明提出的改进蜻蜓优化算法它的路径规划最好，移动路径也最短最优，也是最合理的。
(2)网络平均能耗
网络平均能耗体现无线传感器网络的能量消耗情况，它是网络性能指标的重要体现，最直观的反映了网络的工作寿命。四种算法的网络平均能耗对比如图3所示。
从图3的四种网络平均能耗分布图走势可以看出，随着网络轮询次数的增加，4种算法的网络平均能耗都在逐渐增加，但是他们的增长幅度不一样。可以明显的看出，随机行走的方法能耗增长幅度比另外3种智能优化算法的能耗最大。智能优化的3种算法的网络能耗相差不大。同时从三种优化算法对比来看，本发明提出的改进蜻蜓优化算法能耗最低，增长幅度也最小。
(3)负载均衡性对比
网络负载均衡是无线网络能耗和网络寿命的重要指标。网络的负载均衡性能越好，说明网络寿命越长。WSNs负载均衡一般用负载均衡因子(Load Balancing Factor，LLBF)来表示。LLBF定义为监测区域中所有传感节点方差的倒数。如LLBF数值越大，那么网络负载均衡性越好。四种算法的网络负载均衡性对比如图4所示。
从图4的网络负载均衡性对比图中可以看出，随机行走的数据收集方法网络的负载均衡性波动较大，不均衡。其余三种算法的网络负载均衡性相差不大。但从四种算法整体的网络负载均衡性来看，本文提出改进蜻蜓优化算法的网络负载均衡性能强一点。
(4)网络传输时延对比
输时延用成功接收到数据包的传输时间来衡量不同数据收集方法的实时性。4种算法的网络时延如图5所示。从图5的4种算法的网络传输时延对比可以看出，在算法仿真开始时，随机行走的方法，它的数据传输时延最大，传输时延仿真初期达到了3.5秒。其他3种智能优化种算法的数据传输时延较长，这主要是算法在寻找最优路径过程中，进行了一系列的计算。整体来看，随着算法仿真的进行，本发明提出的改进蜻蜓优化算法比其他三种方法的传输时延要小。
(5)网络连通性对比
网络连通性一般采用连续运动离散化的方法计算网络的连通性。即在一段较短时间内，认为网络的拓扑结构不发生变化，网络结构不变。对于某一时刻的网络，WSNs的连通率的计算一般采用感知节点遍历法来确定，假设以一个感知节点为参考，顺序寻找从它的一跳、二跳和三跳相连的节点，直到与初始感知节点相连节点数量不再增加。四种算法的网络连通性对比如图6所示。
从图6的四种算法网络连通性对比来看，随机行走的网络连通性波动范围最大，网络连通性的下降幅度也最大。人工蜂群算法与基本蜻蜓优化算法的网络连通性两者差别不大。本发明提出的改进蜻蜓优化算法，比其他三种算法的网络连通性都要好，波动幅度也最小。以40次轮询次数的时间为例，随机行走的网络连通性为0.42，ABC算法的网络连通性为0.57，DA算法的网络连通性为0.69，改进DA算法的网络连通性为0.76。本发明提出的算法比其他三种算法的网络连通性都要好。
(6)网络可靠性对比
网络的可靠性Rnet分别由网络节点连通可靠性I1、网络连通率I2、网络容量I3三个部分组成，因此它的可靠性影响参数相对较多。但它的走势与网络连通性的变化趋势差别不大，这里主要的原因是网络的连通性影响因子占比最大。从图7的网络可靠性对比来看，随机行走方法的网络可靠性相对最差，主要随机行走，造车连通性能最低。人工蜂群算法，它的网络可靠性也相对较差。基本蜻蜓优化算法的网络可靠性较好，本发明提出改进蜻蜓优化算法的网络可靠性比其他三种方法要好。这主要取决它的路径规划，最优传输时间最短，网络的连通性能也最好。
综上实验仿真结果表明，本发明中设计的数据采集策略能提高移动采集节点的采集效率，减少静态传感器节点因中转其它静态传感器节点的数据而产生的能量消耗，有效提高无线传感网络的最大生存时间。总体来看，本发明提出的算法保证网络的连通性，提高网络通信效率，均衡了节点能耗、解决传输过程中的容错性，满足网络服务质量，提高网络可靠性。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (10)
1.一种节能高效可靠的物联网感知层数据收集方法，其特征在于，包括如下步骤：
步骤1，采用经典LEACH分层次分簇算法对监测网络区域中的各个传感器节点进行组网，并根据传感器节点的通信能力和剩余能量挑选出各个簇头；
步骤2，将监测网络区域划分为各个分簇区域，并在每个分簇区域中确定一个移动Sink的停留位置，以保证各个分簇区域数据收集的能耗均衡性；
步骤3，移动Sink在到达每个分簇区域中的停留位置后，开始接收对应簇头的簇头数据信息；
步骤4，根据接收的各个数据信息采用改进蜻蜓优化算法对移动Sink的移动路径进行优化，使得移动Sink数据收集最大化以及能量消耗最小化。
2.根据权利要求1所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤1中，选出的簇头用于收集各个簇成员节点的节点位置、节点数据以及节点剩余能量，各个簇头之间相互通信。
3.根据权利要求1所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤2中，在将监测网络区域划分为各个分簇区域时，根据簇头对于周围簇成员节点进行数据收集的总能耗大小进行分簇区域的划分，使得全部簇成员节点均有对应的簇头，且簇头的数据收集的总能耗小于簇头的剩余能量。
4.根据权利要求1所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤3中，接收对应簇头的簇头数据信息的具体步骤为：
首先由移动Sink向周边分簇区域发送广播信息；
周边分簇区域中的簇头在接收到广播信息后，由对应簇头将各自的簇头数据信息发送给移动Sink；
最后由移动Sink接收对应簇头的簇头数据信息，簇头数据信息包括簇头的剩余能量以及位置坐标信息。
5.根据权利要求1所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤4中，采用改进蜻蜓优化算法对移动Sink的移动路径进行优化的具体步骤为：
步骤4.1，将监测网络区域中的各个传感器节点作为蜻蜓优化算法中初始种群的各个粒子，再混沌初始化初始种群中的各个粒子的位置；
步骤4.2，计算出移动Sink的适应度值f(i)，先从中选出最优个体的位置定义为最佳位置，最优个体的适应度值为ffood，再从中选出最差个体的位置定义为最差位置，最差个体的适应度值为fenemy；
步骤4.3，更新蜻蜓优化算法中的参数；
步骤4.4，计算步长向量，并根据附近是否有传感器节点来对应更新移动Sink的位置；
步骤4.5，将位置更新后的移动Sink的位置代入适应度函数得到新的适应度值f(i+1)，并产生一个0到1之间的随机数rand；
步骤4.6，判断若随机数rand＞反向概率p，则执行反向学习操作，并在算法收索空间中通过当前个体产生一个反向个体，并在当前个体与反向个体中择优选出一个优选个体进入下一代的迭代运算；
步骤4.7，将优选个体的适应度值分别与最优个体的适应度值ffood以及最差个体的适应度值fenemy进行比较，若优于ffood，则用优选个体的位置更新最优个体的位置，若差于fenemy，则用优选个体的位置更新最差个体的位置；
步骤4.8，判断是否满足终止迭代的条件，若满足则退出循环，否则转向步骤4.3。
6.根据权利要求5所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤4.1中，混沌初始化初始种群中的各个粒子的位置时，利用Logistic映射方程进行初始种群中的各个粒子的位置初始化。
7.根据权利要求5所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤4.3中，更新的参数包括包括搜索半径r、惯性权重w、分离度权重s、对齐度权重、凝聚度权重c、食物吸引度权重f以及天敌驱散度权重e。
8.根据权利要求5所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤4.4中，计算步长向量的计算公式为：
ΔXt+1＝(sSi+αAi+cSi+fFi+eEi)+ωΔXi
式中，s表示分离权重，α表示结队权重，c表示聚集权重，f表示食物因子，e表示天敌因子，Si表示第i个体分离之后的位置，Ai表示第i个体结队之后的位置，Ci表示第i个体聚集之后的位置，Fi表示第i个体蜻蜓食物的位置，Ei表示第i个体蜻蜓天敌的位置，ω表示惯性权重。
9.根据权利要求5所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤4.4中，根据附近是否有传感器节点来对应更新移动Sink的位置时：
若附近有传感器节点，则根据下式更新移动Sink的位置：
Xt+1＝Xt+ΔXt+1
若附近没有传感器节点，则根据下式更新移动Sink的位置：
Xt+1＝Xt+Levy(d)×Xt
式中，d为求解问题的维数。
10.根据权利要求5所述的节能高效可靠的物联网感知层数据收集方法，其特征在于，步骤4.6中，在在算法收索空间中通过当前个体产生一个反向个体的公式为：
式中，
为种群中第i个蜻蜓在第j维度上的反向解，aj和bj分别为第j维度的最小值和最大值，参数k决定反向学习类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211005295.2A CN115379529A (zh) | 2022-08-22 | 2022-08-22 | 一种节能高效可靠的物联网感知层数据收集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211005295.2A CN115379529A (zh) | 2022-08-22 | 2022-08-22 | 一种节能高效可靠的物联网感知层数据收集方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115379529A true CN115379529A (zh) | 2022-11-22 |
Family
ID=84067303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211005295.2A Pending CN115379529A (zh) | 2022-08-22 | 2022-08-22 | 一种节能高效可靠的物联网感知层数据收集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115379529A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101835277A (zh) * | 2010-02-09 | 2010-09-15 | 重庆理工大学 | 基于leach-ant算法的无线传感器网络拓扑控制方法 |
| US20120144064A1 (en) * | 2010-11-05 | 2012-06-07 | Cray Inc. | Progressive adaptive routing in a dragonfly processor interconnect network |
| CN104640154A (zh) * | 2015-02-16 | 2015-05-20 | 贵州师范大学 | 一种用于智能交通系统的非均匀分簇路由的方法 |
| WO2018098750A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳天珑无线科技有限公司 | 分布式网络的消息传输方法及节点 |
| CN108566663A (zh) * | 2018-01-10 | 2018-09-21 | 重庆邮电大学 | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 |
| CN113239638A (zh) * | 2021-06-29 | 2021-08-10 | 百维金科(上海)信息科技有限公司 | 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法 |
| US20220256431A1 (en) * | 2021-02-07 | 2022-08-11 | Sun Yat-Sen University | Wsn clustering routing method based on optimization with salp swarm algorithm |
-
2022
- 2022-08-22 CN CN202211005295.2A patent/CN115379529A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101835277A (zh) * | 2010-02-09 | 2010-09-15 | 重庆理工大学 | 基于leach-ant算法的无线传感器网络拓扑控制方法 |
| US20120144064A1 (en) * | 2010-11-05 | 2012-06-07 | Cray Inc. | Progressive adaptive routing in a dragonfly processor interconnect network |
| CN104640154A (zh) * | 2015-02-16 | 2015-05-20 | 贵州师范大学 | 一种用于智能交通系统的非均匀分簇路由的方法 |
| WO2018098750A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳天珑无线科技有限公司 | 分布式网络的消息传输方法及节点 |
| CN108566663A (zh) * | 2018-01-10 | 2018-09-21 | 重庆邮电大学 | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 |
| US20220256431A1 (en) * | 2021-02-07 | 2022-08-11 | Sun Yat-Sen University | Wsn clustering routing method based on optimization with salp swarm algorithm |
| CN113239638A (zh) * | 2021-06-29 | 2021-08-10 | 百维金科(上海)信息科技有限公司 | 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| B. PITCHAIMANICKAM 等: "Dragonfly Algorithm for Hierarchical Clustering in Wireless Sensor Networks", 2021 5TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICICCS), 26 May 2021 (2021-05-26), pages 194 - 196 * |
| 何庆 等: "基于精英反向学习的逐维改进蜻蜓算法", 南京师大学报(自然科学版), vol. 42, no. 3, 30 September 2019 (2019-09-30), pages 66 - 68 * |
| 刘恒 等: "基于优化核极限学习的WSN网络汇聚节点故障诊断", 新乡学院学报, vol. 38, no. 6, 30 June 2021 (2021-06-30), pages 28 - 32 * |
| 唐玲;曹莉;乐英高;熊鹏文;: "基于路径优化策略的物联网感知层数据收集研究", 组合机床与自动化加工技术, no. 07, 20 July 2017 (2017-07-20), pages 141 - 145 * |
| 曹莉 等: "一种物联网感知层簇内高效低功耗的数据收集方法", 中国科技论文, vol. 15, no. 7, 31 July 2020 (2020-07-31), pages 814 - 819 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cassandras et al. | Sensor networks and cooperative control | |
| Ghosh et al. | On-demand fuzzy clustering and ant-colony optimisation based mobile data collection in wireless sensor network | |
| Mohseni et al. | CEDAR: A cluster-based energy-aware data aggregation routing protocol in the internet of things using capuchin search algorithm and fuzzy logic | |
| Jain | A coherent approach for dynamic cluster-based routing and coverage hole detection and recovery in bi-layered WSN-IoT | |
| Narayan et al. | E-FEERP: Enhanced Fuzzy Based Energy Efficient Routing Protocol for Wireless Sensor Network. | |
| Radhika et al. | Fuzzy based sleep scheduling algorithm with machine learning techniques to enhance energy efficiency in wireless sensor networks | |
| Nabavi | An optimal routing protocol using multi-objective whale optimization algorithm for wireless sensor networks | |
| Yue et al. | A data collection method for mobile wireless sensor networks based on improved dragonfly algorithm | |
| Nagendranth et al. | Type II fuzzy-based clustering with improved ant colony optimization-based routing (t2fcatr) protocol for secured data transmission in manet | |
| Alshawi et al. | Fuzzy dstar-lite routing method for energy-efficient heterogeneous wireless sensor networks | |
| Singh et al. | Designing an energy efficient network using integration of KSOM, ANN and data fusion techniques | |
| Wang et al. | Location updating scheme of sink node based on topology balance and reinforcement learning in WSN | |
| Bharany et al. | Energy Efficient Clustering Protocol for FANETS Using Moth Flame Optimization. Sustainability 2022, 14, 6159 | |
| Kumar et al. | Fuzzy ant colony optimization based energy efficient routing for mixed wireless sensor network | |
| CN115379529A (zh) | 一种节能高效可靠的物联网感知层数据收集方法 | |
| Amutha et al. | Hybrid based optimization with unequal clustering and mobile sink for wireless sensor networks | |
| Dutta et al. | Impact of two-level fuzzy cluster head selection model for wireless sensor network: An Energy efficient approach in remote monitoring scenarios | |
| Rajesh et al. | Adaptive weight butterfly optimization algorithm (AWBOA) based cluster head selection (CHS) and optimized energy efficient cluster based scheduling (OEECS) approach in wireless sensor networks (WSNS) | |
| Molose et al. | Data aggregation schemes for maximal network lifetime | |
| Abdalkafor et al. | The impact of data aggregation strategy on a performance of wireless sensor networks (WSNs) | |
| Asgarnezhad et al. | An effective combined method for data aggregation in WSNs | |
| Zhu et al. | Modified Fuzzy C-means Clustering Algorithm for Mobile Wireless Sensor Networks Based on Motion Similarity | |
| Al-Jumaah et al. | Variable length optimization based on integrated particle swarm optimization for data gathering in wireless sensor networks | |
| Renaud et al. | Coordinated sensing coverage in sensor networks using distributed reinforcement learning | |
| AU2021102882A4 (en) | Hybrid swarm optimization algorithm for clustering and routing in iot networks |
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 |