CN115915327A - 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法 - Google Patents

一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法 Download PDF

Info

Publication number
CN115915327A
CN115915327A CN202211519659.9A CN202211519659A CN115915327A CN 115915327 A CN115915327 A CN 115915327A CN 202211519659 A CN202211519659 A CN 202211519659A CN 115915327 A CN115915327 A CN 115915327A
Authority
CN
China
Prior art keywords
cluster
clustering
head
energy consumption
nodes
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
Application number
CN202211519659.9A
Other languages
English (en)
Inventor
张晶
高翔
张宏
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.)
Yunnan Xiaorun Technology Service Co ltd
Kunming University of Science and Technology
Original Assignee
Yunnan Xiaorun Technology Service Co ltd
Kunming University of Science and Technology
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 Yunnan Xiaorun Technology Service Co ltd, Kunming University of Science and Technology filed Critical Yunnan Xiaorun Technology Service Co ltd
Priority to CN202211519659.9A priority Critical patent/CN115915327A/zh
Publication of CN115915327A publication Critical patent/CN115915327A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法，属于无线传感器网络分簇路由技术领域。首先，引入双簇首网络模型，以通信能耗为依据设置最优成簇规模，模糊C均值(FCM)算法根据算术优化算法(AOA)提供的初始聚类中心进行集中式成簇划分；其次，在监测区域已经划分成簇的基础上，对内外簇首的工作特性、影响簇首能耗的因素进行分析，分别为内外簇首设计独立的簇首评价函数，基于此进行分布式动态双簇首轮换；最后，对外簇首间中继转发策略的距离适用条件进行分析，并以能量消耗速率为依据选择外簇首的中继节点。本发明可以提升节点能量利用效率，从而延长了网络的生命周期。

Description

一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法
技术领域
本发明涉及一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法，属于无线传感器网络分簇路由技术领域。
背景技术
在无线传感器网络中，传感器节点通过无线通信的方式可以在特定区域内形成分布式的自组织多跳监测网络。因为传感器节点具有体积小、成本低和轻量化等特点，且通常随机部署在无人值守的场景，所以其储能部件几乎不可能也没必要更换或二次供能。然而网络的工作时间取决于节点的能量效率，因此如何优化节点的能耗水平、平衡节点的负载始终是无线传感器网络应用中的一大技术难点。针对无线传感器网络中的能耗问题，许多节能路由算法被提出。其中，分簇路由算法凭借通信能耗低、可靠性高和可扩展性好的优点，得到了广泛的研究。
本发明的技术来源于云南省基础研究计划重点项目(202101AS070016)；云南省“兴滇英才支持计划”产业创新人才项目(云发改人事[2019]1096号)；云南省技术创新人才项目(2019HB113)；云南省计算机技术应用重点实验室开放基金；云南省科技计划项目重大科技专项计划资助。
发明内容
本发明要解决的技术问题是提供一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法，通过对传感器监测区域进行能耗均衡的成簇划分，选举能量、位置和分布密度最合理的节点为簇首以及规划节点间的最优通信路径，来对分簇路由算法的成簇阶段、簇首选举阶段以及数据传输阶段分别进行优化，从而优化了网络的拓扑结构、提高了节点的能量利用效率，使得网络生命周期得到延长。
本发明的技术方案是：一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法，具体步骤为：
Step1：网络初始化。在面积为M×M的二维监测区域内随机部署N个WSNs传感器节点，所有节点同构，并且具有位置感知能力、通信功率可调。节点在监测区域内被划分成簇，每个簇可以选举内、外两个簇首，通过节点间的转发将监测数据传输到基站。一次完整的数据监测过程记为一轮，网络周期性地按轮运行。基站位于区域中心且资源不设限，基站收集监测区域中所有节点的信息，以利用基站较强的性能进行集中式成簇，可以减少节点端成簇时的计算负载。
Step2：设定能耗模型。WSNs中节点能耗主要产生于通信能耗，计算时采用一阶无线通信模型，节点发送lbit数据到距离为d的节点所需消耗的能量为：
Figure BDA0003973238860000021
式中，εfs和εmp为功率放大器能耗系数，
Figure BDA0003973238860000022
为距离阈值，Eelec为设备运行能耗系数。节点接收lbit数据和将δ个lbit的数据包融合为一个的能耗分别为：
ERX(l)＝lEelec,EAGG(δ,l)＝δlEda
式中，Eda为节点融合1bit数据所需能耗。
Step3：分析双簇首模型下成簇规模与网络能耗之间的关系，以最小化网络总能耗为目标来设置最优成簇规模，来给FCM算法指定聚类数目，可以得到更加合理的分簇以平衡簇数过多导致的簇首利用率较低和簇数过少导致的簇首负载增大问题。
根据本发明的网络和能耗模型，每一轮中，簇成员会将监测数据发送至内簇首，内簇首接收簇成员数据并融合后将其转发给外簇首，外簇首接收内簇首数据、接收TR组中继数据后与自身监测数据融合并继续转发至基站。那么网络运行一轮，整个网络所需的能耗ETotal为：
Figure BDA0003973238860000023
式中，C为成簇规模，dON为外簇首到下一跳外簇首(或基站)距离；令ETotal对C求偏导为0，可以求得最优成簇规模Copt为：
Figure BDA0003973238860000024
Step4：将AOA个体编码为聚类中心组合，然后AOA以FCM算法的目标函数作为适应度函数计算聚类分析前的初始聚类中心，再将其带入FCM算法进行集中式成簇，最终将整个网络划分为C个簇。
Step4.1：设置编码格式；为了给FCM提供一组优化的初始聚类中心组合，需要将AOA的个体编码为FCM算法中一组C个D维的聚类中心集合，则每个个体可以用一个C×D的矩阵表示；对AOA种群中的每个个体的矩阵解码可以得到一个合法的聚类中心集合。
Step4.2：设置AOA和FCM算法各初始参数，随机初始化AOA种群。
Step4.3：将AOA种群中个体的矩阵解码为C个初始聚类中心集合V＝{v1,v2,…,vC}，计算该聚类中心集合对应的隶属度矩阵U：
Figure BDA0003973238860000031
i＝1,…,N,j＝1,…,C
式中，m为控制成簇模糊重叠程度的指数，m越高最终成簇结果越模糊，X＝{x1,x2,…,xN}为监测区域内所有节点的集合。
Step4.4：求Step4.3中的聚类中心集合和隶属度矩阵对应的目标函数值Jm(U,V)，并将其作为AOA种群中当前个体的适应度值，其计算公式为：
Figure BDA0003973238860000032
1<m
Step4.5：重复Step4.3-Step4.4，直至遍历完AOA种群中所有个体，并记录最优解。
Step4.6：更新AOA种群的搜索空间；判断是否达到AOA最大迭代次数，如果没有达到则返回步骤Step4.3，如果达到则执行步骤Step4.7。
Step4.7：解码AOA迭代的最优解来代替FCM算法随机设置的初始聚类中心；FCM算法基于这组初始聚类中心进行聚类成簇可以提高成簇的准确率，避免了FCM算法随机初始化聚类中心时，存在的容易陷入局部最优的缺点。
Step4.8：执行FCM算法得到使Jm(U,V)取到最小值的隶属度矩阵U和聚类中心集合V，即为成簇结果。
Step5：以节点的位置、能量和中心度为影响因子，根据内外簇首的工作特性分别设计独立的簇首评价函数。在监测区域划分成簇的基础上，以评价值为依据在簇内进行簇首的动态轮换。
Figure BDA0003973238860000033
为第i个簇中存活节点的个数，
Figure BDA0003973238860000034
表示簇i中第j个节点，为选出剩余能量较大且与簇成员间传输检测数据的能耗较小的节点作为内簇首，定义
Figure BDA0003973238860000035
的内簇首评价函数为：
Figure BDA0003973238860000036
Eres(i,j)为
Figure BDA0003973238860000037
的剩余能量，
Figure BDA0003973238860000038
为簇i中存活节点的平均剩余能量；
Figure BDA0003973238860000039
的中心度，即节点与簇内其它成员之间的距离平方和，
Figure BDA00039732388600000310
为簇i中所有存活节点的平均中心度，两者计算公式分别为：
Figure BDA0003973238860000041
与基站距离越近的外簇首直接与基站通信或者中继数据转发的能耗越小，为选出剩余能量较大且与基站距离较近的节点作为外簇首，定义
Figure BDA0003973238860000042
的外簇首评价函数为：
Figure BDA0003973238860000043
Dbs(i,j)为
Figure BDA0003973238860000044
到基站的距离，
Figure BDA0003973238860000045
为簇i中所有存活节点与基站的平均距离；
当前轮次簇首评价值大的节点当选为对应的内外簇首。
Step6：计算外簇首间中继转发策略的距离适用条件，并以能量消耗速率为依据选择外簇首的中继节点。
为了避免盲目采用簇间多跳，而不考虑转发过程带来的成本，有可能会导致多跳策略能耗高于单跳的情况，令外簇首直接与基站通信的能耗减去外簇首通过下一跳中继转发的能耗大于0，可得簇间多跳策略的距离适用条件为：
Figure BDA0003973238860000046
式中，dBS和dR分别表示外簇首与基站距离、外簇首到下一跳外簇首距离；外簇首本轮通信能耗计算公式为：
Figure BDA0003973238860000047
外簇首的能量消耗速率为EOCH与剩余能量的比值。为避免个别外簇首提前过载，外簇首将选择满足多跳策略的距离适用条件并且能量消耗速率最小的其余外簇首进行多跳，若都不符合条件则直接与基站通信。
本发明的有益效果是：本发明对分簇路由算法的三个阶段分别进行优化设计。成簇阶段，基于最优成簇规模使用AOA优化FCM成簇的方法保证了簇分布分均匀性；簇首选举阶段，基于节点位置、能量和中心性动态选举出的双簇首符合其工作特性，在最大化节点能量利用效率的同时显著平衡了节点间的负载；数据传输阶段，自适应中继策略优化了数据传输路径，使得首个节点能量用尽的轮次被推迟，实现了对目标区域更持久有效的监测。
附图说明
图1是本发明的模型图；
图2是本发明的实验参数图；
图3是本发明的实施流程图；
图4是本发明的实施例在网络运行至200轮时的成簇结果图；
图5是本发明的实施例中能量用尽节点数与网络运行轮次关系图；
图6是本发明的实施例中网络总剩余能量与网络运行轮次关系图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法：
Step1：网络初始化。在面积为M×M的二维监测区域内随机部署N个WSNs传感器节点，所有节点同构，并且具有位置感知能力、通信功率可调。节点在监测区域内被划分成簇，每个簇可以选举内、外两个簇首，通过节点间的转发将监测数据传输到基站。一次完整的数据监测过程记为一轮，网络周期性地按轮运行。基站位于区域中心且资源不设限，基站收集监测区域中所有节点的信息，以利用基站较强的性能进行集中式成簇，可以减少节点端成簇时的计算负载。
Step2：分析双簇首模型下成簇规模与网络能耗之间的关系，以最小化网络总能耗为目标来设置最优成簇规模，来给FCM算法指定聚类数目，可以得到更加合理的分簇以平衡簇数过多导致的簇首利用率较低和簇数过少导致的簇首负载增大问题。
Step3：将AOA个体编码为聚类中心组合，然后AOA以FCM算法的目标函数作为适应度函数计算聚类分析前的初始聚类中心，再将其带入FCM算法进行集中式成簇，最终将整个网络划分为C个簇。
Step4：以节点的位置、能量和中心度为影响因子，根据内外簇首的工作特性分别设计独立的簇首评价函数。在监测区域划分成簇的基础上，以评价值为依据在簇内进行簇首的动态轮换。
Step5：计算外簇首间中继转发策略的距离适用条件，并以能量消耗速率为依据选择外簇首的中继节点。
下面通过具体的例子对本发明进行详细的说明。
Step1：仿真环境和参数设定；
本发明通过MATLABR2017a平台进行仿真实验，100个WSNs传感器节点被随机部署在面积为100×100的二维监测区域内，基站位于感测区域中心。通过分析成簇结果、网络生命周期和能量效率，来验证本发明相较于经典分簇路由算法LEACH的性能优势。实验中网络模型、能耗模型以及各算法中的参数设置如图2所示。
Step2：总体实施流程；
如图3所示，本发明的具体实施流程为：
首先，对网络进行初始化，在网络运行的第一轮，基站收集监测区域内所有节点的信息，然后利用基站强大的处理能力集中运行下述成簇步骤：①以通信能耗为依据设置最优成簇规模；②FCM算法根据AOA提供的初始聚类中心对节点进行成簇划分。在之后的轮次中只有当网络中存活节点数改变导致最优成簇规模改变时才会重新成簇。
其次，在网络运行的每一轮都会分布式动态更新簇首，内簇首将收集簇成员的监测数据，融合后发送给外簇首。簇首选举前先进行状态广播来让节点获取同一簇内节点的状态信息。然后，在监测区域已经划分成簇的基础上，对内外簇首的工作特性、影响簇首能耗的因素进行分析，分别为内外簇首设计独立的簇首评价函数，基于此进行分布式动态双簇首轮换。
最后，由外簇首选择最优通信路径将簇内数据转发至基站。对外簇首间中继转发策略的距离适用条件进行分析，外簇首将选择满足多跳策略的距离适用条件并且能量消耗速率最小的其余外簇首进行多跳，若都不符合条件则直接与基站通信。
Step3：设定网络模型，网络初始化；
如图1所示，在面积为100×100的二维监测区域内随机部署100个WSNs传感器节点，所有节点同构，并且具有位置感知能力、通信功率可调。节点将在监测区域内被划分成簇，每个簇可以选举内、外两个簇首，通过节点间的转发将监测数据传输到基站。基站位于区域中心且资源不设限，基站收集监测区域中所有节点的信息，以利用基站较强的性能进行集中式成簇，可以减少节点端成簇时的计算负载。一次完整的数据监测过程记为一轮，网络周期性地按轮运行。
Step4：设定能耗模型；
WSNs中节点能耗主要产生于通信能耗，计算时采用一阶无线通信模型，节点发送lbit数据到距离为d的节点所需消耗的能量为：
Figure BDA0003973238860000071
式中，εfs和εmp为功率放大器能耗系数，
Figure BDA0003973238860000072
为距离阈值，Eelec为设备运行能耗系数。节点接收lbit数据和将δ个lbit的数据包融合为一个的能耗分别为：
ERX(l)＝lEelec,EAGG(δ,l)＝δlEda
式中，Eda为节点融合1bit数据所需能耗。
Step5：分析双簇首模型下成簇规模与网络能耗之间的关系，以最小化网络总能耗为目标来设置最优成簇规模，来给FCM算法指定聚类数目，可以得到更加合理的分簇以平衡簇数过多导致的簇首利用率较低和簇数过少导致的簇首负载增大问题。
根据本发明的网络和能耗模型，每一轮中，簇成员会将监测数据发送至内簇首，内簇首接收簇成员数据并融合后将其转发给外簇首，外簇首接收内簇首数据、接收TR组中继数据后与自身监测数据融合并继续转发至基站。那么网络运行一轮，整个网络所需的能耗ETotal为：
Figure BDA0003973238860000073
式中，C为成簇规模，dON为外簇首到下一跳外簇首(或基站)距离；令ETotal对C求偏导为0，可以求得最优成簇规模Copt为：
Figure BDA0003973238860000074
将图2中的参数取值带入上式，可得Copt＝7，即应将网络划分为7个簇。
Step6：将AOA个体编码为聚类中心组合，然后AOA以FCM算法的目标函数作为适应度函数计算聚类分析前的初始聚类中心，再将其带入FCM算法进行集中式成簇，最终将整个网络划分为C个簇。
Step6.1：设置编码格式；为了给FCM提供一组优化的初始聚类中心组合，需要将AOA的个体编码为FCM算法中一组C个D维的聚类中心集合，这里C＝7、d＝2，则每个个体可以用一个C×D的矩阵表示：
Figure BDA0003973238860000075
对AOA种群中的每个个体的矩阵解码可以得到一个合法的聚类中心集合。
Step6.2：如图2所示，设置AOA和FCM算法的各参数，随机初始化AOA种群。
Step6.3：将AOA种群中个体的矩阵解码为C个初始聚类中心集合V＝{v1,v2,…,vC}，计算该聚类中心集合对应的隶属度矩阵U：
Figure BDA0003973238860000081
i＝1,…,N,j＝1,…,C
式中，m为控制成簇模糊重叠程度的指数，m越高最终成簇结果越模糊，X＝{x1,x2,…,xN}为监测区域内所有节点的集合。
Step6.4：求Step6.3中的聚类中心集合和隶属度矩阵对应的目标函数值Jm(U,V)，并将其作为AOA种群中当前个体的适应度值，其计算公式为：
Figure BDA0003973238860000082
1<m
Step6.5：重复Step6.3-Step6.4，直至遍历完AOA种群中所有个体，并记录最优解。
Step6.6：更新AOA的加速系数MOA和概率系数MOP，计算公式分别为：
Figure BDA0003973238860000083
Figure BDA0003973238860000084
式中，t、MAXt分别为当前迭代次数、最大迭代次数，MAXMOA、MINMOA分别为MOA的最大值、最小值，α是一个敏感参数，定义了迭代过程中的开发精度；
Step6.7：更新AOA种群的搜索空间；设r1、r2、r3是为[0,1]上的随机数，每次迭代中，当MOA<r1时AOA进行全局探索，个体i在第j维更新公式为：
τj＝((UBj-LBj)×σ+LBj)
Figure BDA0003973238860000085
式中，UBj和LBj为第j维上的搜索边界，μ是调整搜索过程的控制参数。
Figure BDA0003973238860000086
为目前所获得最优解的第j维的值，ε为极小值；当MOA≥r1时AOA进行局部开发，个体i在第j维更新公式为：
Figure BDA0003973238860000087
Step6.8：判断是否达到AOA最大迭代次数，如果没有达到则返回步骤Step6.3，如果达到则执行步骤Step6.9。
Step6.9：解码AOA迭代的最优解来代替FCM算法随机设置的初始聚类中心；FCM算法基于这组初始聚类中心进行聚类成簇可以提高成簇的准确率，避免了FCM算法随机初始化聚类中心时，存在的容易陷入局部最优的缺点。
Step6.10：执行FCM算法得到使Jm(U,V)取到最小值的隶属度矩阵U和聚类中心集合V，即为成簇结果。
Step7：以节点的位置、能量和中心度为影响因子，根据内外簇首的工作特性分别设计独立的簇首评价函数。在监测区域划分成簇的基础上，以评价值为依据在簇内进行簇首的动态轮换。
Figure BDA0003973238860000091
为第i个簇中存活节点的个数，
Figure BDA0003973238860000092
表示簇i中第j个节点，为选出剩余能量较大且与簇成员间传输检测数据的能耗较小的节点作为内簇首，定义
Figure BDA0003973238860000093
的内簇首评价函数为：
Figure BDA0003973238860000094
Eres(i,j)为
Figure BDA0003973238860000095
的剩余能量，
Figure BDA0003973238860000096
为簇i中存活节点的平均剩余能量；
Figure BDA0003973238860000097
为
Figure BDA0003973238860000098
的中心度，即节点与簇内其它成员之间的距离平方和，
Figure BDA0003973238860000099
为簇i中所有存活节点的平均中心度，两者计算公式分别为：
Figure BDA00039732388600000910
与基站距离越近的外簇首直接与基站通信或者中继数据转发的能耗越小，为选出剩余能量较大且与基站距离较近的节点作为外簇首，定义
Figure BDA00039732388600000911
的外簇首评价函数为：
Figure BDA00039732388600000912
Dbs(i,j)为
Figure BDA00039732388600000913
到基站的距离，
Figure BDA00039732388600000914
为簇i中所有存活节点与基站的平均距离；
当前轮次簇首评价值大的节点当选为对应的内外簇首。
如图4所示，观察本发明实施例的成簇阶段与对比算法LEACH的成簇阶段在网络运行至200轮时的成簇结果图。可以看出，本发明实施例的成簇结果在簇分布和簇规模方面都更合理。此外，本发明实施例的成簇结果中内簇首处于接近簇质心的位置、外簇首处于更靠近基站的位置，所以簇首选举结果符合两者工作特性和预期要求。而LEACH由于随机产生单个簇首、节点就近入簇，导致簇首位置不合理、成簇结果极其不均匀。
Step8：计算外簇首间中继转发策略的距离适用条件，并以能量消耗速率为依据选择外簇首的中继节点。
为了避免盲目采用簇间多跳，而不考虑转发过程带来的成本，有可能会导致多跳策略能耗高于单跳的情况，令外簇首直接与基站通信的能耗减去外簇首通过下一跳中继转发的能耗大于0，可得簇间多跳策略的距离适用条件为：
Figure BDA0003973238860000101
式中，dBS和dR分别表示外簇首与基站距离、外簇首到下一跳外簇首距离；外簇首本轮通信能耗计算公式为：
Figure BDA0003973238860000102
外簇首的能量消耗速率为EOCH与剩余能量的比值。为避免个别外簇首提前过载，外簇首将选择满足多跳策略的距离适用条件并且能量消耗速率最小的其余外簇首进行多跳，若都不符合条件则直接与基站通信。
如图5所示，观察本发明实施例和对比算法LEACH的能量用尽节点数与网络运行轮次关系图。可以看出，两种算法的能量用尽节点数都随着网络的运行而增加，但是本发明实施例的首个能量用尽节点出现轮次最晚，LEACH和本发明实施例的首个节点能量用尽的轮次分别为548和1045，本发明实施例相较于LEACH延长了90.69％。此外，在第1045轮DRCR中首个节点能量用尽时，LEACH已经有87个节点能量耗尽，充分表明DRCR能够对感测区域进行更持久的有效感测。
如图6所示，观察本发明实施例和对比算法LEACH的网络总剩余能量与网络运行轮次关系图。可以看出，两种算法的网络总剩余能量都随着网络运行轮次的增大而降低，但是本发明实施例的网络总剩余能量在相同轮次下相较于LEACH算法更高，即本发明实施例每轮消耗能量最少，具有较高的能量利用效率。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法，其特征在于：
Step1：网络初始化，在面积为M×M的二维监测区域内随机部署N个WSNs传感器节点，节点在监测区域内被划分成簇，每个簇可以选举内、外两个簇首，每次数据采集都通过节点间的转发将监测数据传输到基站；
Step2：分析双簇首模型下成簇规模与网络能耗之间的关系，以最小化网络总能耗为目标来设置最优成簇规模，来给FCM算法指定聚类数目；
Step3：将AOA个体编码为聚类中心组合，然后AOA以FCM算法的目标函数作为适应度函数计算聚类分析前的初始聚类中心，再将其带入FCM算法进行集中式成簇，最终将整个网络划分为C个簇；
Step4：以节点的位置、能量和中心度为影响因子，根据内外簇首的工作特性分别设计独立的簇首评价函数，以评价值为依据在簇内进行簇首的动态轮换；
Step5：计算外簇首间中继转发策略的距离适用条件，并以能量消耗速率为依据选择外簇首的中继节点。
2.根据权利要求1所述的基于优化聚类分簇的双簇首WSNs自适应中继路由方法，其特征在于，所述Step2具体为：
能耗模型采用一阶无线通信模型，节点发送lbit数据到距离为d的节点的能耗为：
Figure FDA0003973238850000011
式中，εfs和εmp为功率放大器能耗系数，
Figure FDA0003973238850000012
为距离阈值，Eelec为设备运行能耗系数，节点接收l bit数据和将δ个l bit的数据包融合为一个能耗分别为：
ERX(l)＝lEelec，EAGG(δ，l)＝δlEda
式中，Eda为节点融合1bit数据所需能耗；那么网络运行一轮，整个网络的能耗为所有内、外簇首和簇成员的能耗之和，其计算公式为：
Figure FDA0003973238850000013
式中，C为成簇规模，dON为外簇首到下一跳外簇首距离，TR为外簇首中继次数；令ETotal对C求偏导为0，可以求得最优成簇规模Copt为：
Figure FDA0003973238850000014
3.根据权利要求1所述的基于优化聚类分簇的双簇首WSNs自适应中继路由方法，其特征在于，所述Step3具体为：
Step3.1：设置编码格式，将AOA的个体编码为FCM算法中一组C个D维的聚类中心集合，则每个个体可以用一个C×D的矩阵表示；
Step3.2：设置AOA和FCM算法各初始参数，随机初始化AOA种群；
Step3.3：将AOA种群中个体的矩阵解码为C个初始聚类中心集合V＝{v1，v2，…，vC}，计算该聚类中心集合对应的隶属度矩阵U：
Figure FDA0003973238850000021
式中，m为控制成簇模糊重叠程度的指数，X＝{x1，x2，…，xN}为所有节点的集合；
Step3.4：求Step3.3中的聚类中心集合和隶属度矩阵对应的目标函数值Jm(U，V)，并将其作为AOA种群中当前个体的适应度值，其计算公式为：
Figure FDA0003973238850000022
Step3.5：重复Step3.3-Step3.4，直至遍历完AOA种群中所有个体，并记录最优解；
Step3.6：更新AOA种群的搜索空间；判断是否达到AOA最大迭代次数，如果没有达到则返回步骤Step3.3，如果达到则执行步骤Step3.7；
Step3.7：解码AOA迭代的最优解来代替FCM算法随机设置的初始聚类中心；
Step3.8：执行FCM算法得到使Jm(U，V)取到最小值的隶属度矩阵U和聚类中心集合V，即为成簇结果。
4.根据权利要求1所述的基于优化聚类分簇的双簇首WSNs自适应中继路由方法，其特征在于，所述Step4具体为：
Figure FDA0003973238850000023
表示簇i中第j个节点，
Figure FDA0003973238850000024
的内簇首评价函数计算方式为：
Figure FDA0003973238850000025
Figure FDA0003973238850000026
为第i个簇中存活节点的个数，Eres(i，j)为
Figure FDA0003973238850000027
的剩余能量，
Figure FDA0003973238850000028
为簇i中存活节点的平均剩余能量，
Figure FDA0003973238850000029
为
Figure FDA00039732388500000210
的中心度，即节点与簇内其它成员之间的距离平方和，
Figure FDA00039732388500000211
为簇i中存活节点的平均中心度，两者计算公式分别为：
Figure FDA0003973238850000031
Figure FDA0003973238850000032
的外簇首评价函数如下：
Figure FDA0003973238850000033
Dbs(i，j)为
Figure FDA0003973238850000034
到基站的距离，
Figure FDA0003973238850000035
为簇i中所有存活节点与基站的平均距离；
当前轮次簇首评价值大的节点当选为对应的内外簇首。
5.根据权利要求1所述的基于优化聚类分簇的双簇首WSNs自适应中继路由方法，其特征在于，所述Step5具体为：
令外簇首直接与基站通信的能耗减去外簇首通过下一跳中继转发的能耗大于0，解出簇间多跳策略的距离适用条件为：
Figure FDA0003973238850000036
式中，dBS和dR分别表示外簇首与基站距离、外簇首到下一跳外簇首距离；
外簇首的能量消耗速率为其本轮通信能耗与剩余能量的比值，外簇首将选择满足多跳策略的距离适用条件并且能量消耗速率最小的其余外簇首进行多跳，若都不符合条件则直接与基站通信。
CN202211519659.9A 2022-11-30 2022-11-30 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法 Pending CN115915327A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211519659.9A CN115915327A (zh) 2022-11-30 2022-11-30 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211519659.9A CN115915327A (zh) 2022-11-30 2022-11-30 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法

Publications (1)

Publication Number Publication Date
CN115915327A true CN115915327A (zh) 2023-04-04

Family

ID=86496027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211519659.9A Pending CN115915327A (zh) 2022-11-30 2022-11-30 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法

Country Status (1)

Country Link
CN (1) CN115915327A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117834455A (zh) * 2024-03-06 2024-04-05 天津轻工职业技术学院 一种电力物联网数据传输仿真方法和系统
CN117956540A (zh) * 2024-03-27 2024-04-30 广州市赛科自动化控制设备有限公司 一种室内环境监测方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117834455A (zh) * 2024-03-06 2024-04-05 天津轻工职业技术学院 一种电力物联网数据传输仿真方法和系统
CN117834455B (zh) * 2024-03-06 2024-05-10 天津轻工职业技术学院 一种电力物联网数据传输仿真方法和系统
CN117956540A (zh) * 2024-03-27 2024-04-30 广州市赛科自动化控制设备有限公司 一种室内环境监测方法、装置、设备及存储介质
CN117956540B (zh) * 2024-03-27 2024-06-14 广州市赛科自动化控制设备有限公司 一种室内环境监测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Wang et al. An energy efficient routing protocol based on improved artificial bee colony algorithm for wireless sensor networks
Zahedi et al. Swarm intelligence based fuzzy routing protocol for clustered wireless sensor networks
Mittal et al. An energy-aware cluster-based stable protocol for wireless sensor networks
CN115915327A (zh) 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法
Wang et al. Energy efficient cluster based routing protocol for WSN using firefly algorithm and ant colony optimization
CN113596951B (zh) 基于量子礁鲨机制的无线传感器网络分簇路由方法
CN113709841B (zh) 一种基于布谷鸟算法和K-means算法的WSN路由协议方法
Zhang et al. A novel energy-aware bio-inspired clustering scheme for IoT communication
Hamidzadeh et al. An unequal cluster-radius approach based on node density in clustering for wireless sensor networks
CN111093216A (zh) 一种基于改进二进制粒子群优化的无线传感器网络节点调度方法
Farahani Energy Consumption Reduction in Wireless Sensor Network Based on Clustering
Hosseini et al. MB-FLEACH: a new algorithm for super cluster head selection for wireless sensor networks
Dey et al. Fruit Fly algorithm based clustering protocol in wireless sensor networks
Jeevanantham et al. Energy-aware neuro-fuzzy routing model for WSN based-IoT
CN115086994B (zh) 一种无线传感器网络层次路由协议
Ying et al. A kind of routing algorithm for heterogeneous wireless sensor networks based on affinity propagation
Xin et al. Research on clustering routing protocol for energy-harvesting WSN
Prasad et al. HCM: a hierarchical clustering framework with MOORA based cluster head selection approach for energy efficient wireless sensor networks
BATTA et al. A distributed energy-efficient unequal clustering based kruskal heuristic for iot networks
Hosseini et al. A hierarchical sub-chromosome genetic algorithm (hsc-ga) to optimize power consumption and data communications reliability in wireless sensor networks
Saad et al. Efficient Bio-Inspired Routing Algorithm for IoT
Yu et al. WSN routing algorithm based on node classification and multi-layer transport
Rahman et al. A Review of Cluster Head Selection Schemes in Wireless Sensor Network for Energy Efficient Routing Protocol
CN116567773B (zh) 基于物联网应用的wsn分簇路由方法及路由系统
Vinutha et al. Energy aware optimal clustering and reliable routing based on Markov model in Wireless Sensor 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