CN116567773B - 基于物联网应用的wsn分簇路由方法及路由系统 - Google Patents
基于物联网应用的wsn分簇路由方法及路由系统 Download PDFInfo
- Publication number
- CN116567773B CN116567773B CN202310833455.0A CN202310833455A CN116567773B CN 116567773 B CN116567773 B CN 116567773B CN 202310833455 A CN202310833455 A CN 202310833455A CN 116567773 B CN116567773 B CN 116567773B
- Authority
- CN
- China
- Prior art keywords
- node
- bees
- bee
- path
- energy
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000006185 dispersion Substances 0.000 claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 235000013305 food Nutrition 0.000 claims description 125
- 241000257303 Hymenoptera Species 0.000 claims description 88
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 23
- 235000012907 honey Nutrition 0.000 description 21
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000282421 Canidae Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于物联网感知技术领域,具体涉及基于物联网应用的WSN分簇路由方法及路由系统。本发明利用人工蜂群算法获得最优分簇决策;根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径。本发明可以解决WSN分簇策略优化问题,提高资源利用率。
Description
技术领域
本发明属于物联网感知技术领域,具体涉及基于物联网应用的WSN分簇路由方法及路由系统。
背景技术
物联网自上而下可以分为应用层、传输层和感知层,其中感知层主要由无线传感器网络(Wireless Sensor Networks,WSN)组成,负责感知物理世界中的状态信息即感知数据。由于传感器节点在部署位置、通信方式以及资源等方面的局限性,WSN中传感器节点的能量有限且无法进行能量补充,因此提高能量利用率,延长网络生存期是WSN中亟待解决的问题。
在现有的路由协议中,基于分簇的层次路由被证明是平衡网络负载、延长网络生存期的有效技术。层次路由通过将传感器节点分组,有效减少网络能量的消耗,提高网络的可扩展性,从而实现更长的网络寿命,提高WSN的性能。大多数分簇路由算法都借鉴了LEACH( Low-Energy Adaptive Clustering Hierarchy) 算法的思想,通过周期性轮换簇首,从而均衡网络能耗,延长网络生存期。但LEACH协议在选举簇首时没有考虑节点的剩余能量和位置信息,每个节点以相同的概率当选簇首。若剩余能量不足、地理位置不合理的节点当选簇首时,将加速这部分节点的能量耗损,缩短网络生存期。此外,簇间通信阶段没有使用任何路由算法,降低了网络性能。为解决LEACH协议中存在的问题,一些研究人员考虑针对剩余能量、距离因子等因素的改进型LEACH协议,但是受LEACH协议机制本身的局限性,使这些改进的路由协议只能解决单一性问题,对多元问题进行综合性分析及优化是困难的。
由于元启发式算法不局限于优化问题的类型,受初始值影响较小,只要有所需求解的函数即可逐步优化问题的解,现已被广泛应用于各领域的复杂问题优化处理上。如采用模拟退火算法、遗传算法、蚁群算法、人工神经网络等算法在诸多网络路由策略中寻找满足约束条件的最优解。模拟退火算法受温度冷却速率影响大,冷却速率慢则搜索时间长,冷却速率快则容易跳过最优解,故参数难于选取和控制,遗传算法的编程实现比较复杂、人工神经网络逻辑运算复杂,需要消耗大量算力和电能,不适合传感器网络环境,蚁群算法中信息素初值相同,选择下一个节点时倾向于随机选择,导致算法初期收敛速度慢,且由于正反馈的特性,容易陷入局部最优问题。
发明内容
为解决现有的WSN分簇路由技术存在上述诸多问题,本发明提供一种基于物联网应用的WSN分簇路由方法,利用人工蜂群算法具有参数少、全局搜索能力强的特性,对分簇策略进行优化,获得最优分簇决策,能够完全适用于资源量有限的WSN应用环境。
为了实现上述目的,本发明提供的一种基于物联网应用的WSN分簇路由方法,该方法具体包括:
利用人工蜂群算法对分簇决策进行优化,获得最优分簇决策;
根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;
计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;
获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径。
进一步优选地,所述最优分簇决策的生成过程为:
步骤1)建立以簇头节点能量和位置因素为约束条件的适应度函数;
步骤2)设置蜂群的个体数量、食物源空间维数、算法最大迭代次数及最大搜索次数,每个食物源与唯一的分簇决策对应;
步骤3)将蜂群划分为雇佣蜂和观察蜂,初始化雇佣蜂的食物源;
步骤4)每个雇佣蜂在其邻域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
步骤5)计算雇佣蜂的食物源被选取的概率,利用轮盘赌算法确定观察蜂需要搜索的雇佣蜂食物源;
步骤6)每个观察蜂在选中的雇佣蜂食物源领域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
步骤7)判断如果观察蜂在最大搜索次数后仍没找到更优的食物源,则放弃当前雇佣蜂的食物源,并执行步骤8),否则进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤6);
步骤8)将雇佣蜂转化侦察蜂后进行随机搜索,将随机食物源替换雇佣蜂的旧食物源,进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤4);
步骤9)输出适应度最高的食物源对应的分簇决策。
进一步优选地,所述的步骤6)还包括:
对观察蜂进行一次个体复制,以其中一只相同的观察蜂对选中的雇佣蜂食物源进行搜索,然后以雇佣蜂食物源为中心,对另一只相同的观察蜂的搜索位置实施镜像更新;
比较雇佣蜂的食物源、两只相同的观察蜂搜索的食物源之间的适应度,选择适应度高的食物源进行位置更新。
进一步优选地,所述的总能量包括初始路由路径上各节点的节点耗能总和,所述的节点耗能包括节点接收和转发数据所消耗的能量。
进一步优选地,所述的离散度采用标准差法生成,生成过程包括:
统计候选路由路径上所有节点的节点剩余能量均值;
计算各节点剩余能量与其均值离差平方的平均数,对方差求平方根,将获得的标准差作为候选路由路径关于节点剩余能量的离散度。
进一步优选地,所述的数据转发路径生成过程包括:为通道能量宽度与离散度设定权重系数,对通道能量宽度的倒数与离散度进行加权,选择权值最低的候选路由路径作为最终的数据转发路径。
在另一方面,本发明还提供了一种基于物联网应用的WSN分簇路由系统,所述的路由系统设置于WSN控制中心,所述的WSN控制中心与汇聚节点连接,通过汇聚节点采集簇头节点发送的感知数据,所述的感知数据包括簇头节点管辖的簇成员的状态数据和监测数据,所述的路由系统包括:
分簇决策优化模块:利用人工蜂群算法对分簇决策进行优化,获得最优分簇决策;
初始路由生成模块:根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;
候选路由生成模块:计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;
转发路径选择模块:获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径。
本发明提供的WSN分簇路由方法及路由系统的有益效果:
利用人工蜂群算法解决WSN分簇优化问题,相比于遗传、人工神经网络等元启发式算法,人工蜂群算法使用了较少的控制参数,对算力要求不高,极大地降低了数据处理延迟和能耗,特别适用于对感知数据时效性要求高、传感器有限储能的苛刻环境,通过雇佣蜂与观察蜂分工合作以及侦察蜂之间的转换,使得算法在每次迭代过程中都会进行全局和局部的最优解搜索,找到最优解的概率大大增加,相比于蚁群算法具有较强地跳出局部最优的能力。
实施改进的蜂群优化算法,对观察蜂个体实施克隆,在同一个位置获得两只相同的侦察蜂个体,然后以雇佣蜂的食物源为中心,控制两只侦察蜂个体在镜像位置上寻觅新食物源,再比较前后三个食物源的适应度,选择适应度最高的食物源进行位置更新,通过在雇佣蜂食物源附近双向寻优,进一步增强了算法跳出局部最优的能力,同时提高了算法的收敛速度。
在路由发现阶段,从初始路由路径中选择总能耗相对较低的路径作为候选路由路径,考虑到路由路径中各节点的剩余能量存在差异,计算候选路由路径关于节点剩余能量的离散度,从通道能量宽度高的路径集中择优选择离散度较低的路径作为最终的数据转发路径,离散度越低则路径中节点间的剩余能量差异越小,也就使得能量消耗分布越均匀,减少因部分节点电能过快耗尽使其周围区域仍存活的节点形成孤岛现象,提高WSN节点资源利用率。
附图说明
图1为本发明提供的WSN分簇路由方法流程示意图;
图2为本发明实施例中利用人工蜂群算法执行分簇决策优化的流程示意图;
图3为本发明提供的WSN分簇路由系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
元启发式算法主要指一类通用型的启发式算法,这类算法的优化机理不过分依赖于算法的组织结构信息,可以广泛的应用到函数的组合优化和函数计算中,因此能够有效处理多元问题优化事务,能够在一定程度上在全局进行搜索,找到最优解的近似解。人们不断从自然界中归纳经验,通过研究蚂蚁、狼群、鸟类等生物群体行为习惯,或从微观研究基因遗传、人脑神经网络特性、自然对象发展规律等方面总结出隐含其中的自组织行为,提出各自的优化算法。这类算法大多依靠随机搜索策略,将种群合作完成特定任务的过程描述成迭代优化过程,用目标函数为任务建模,将种群中的个体比作定义域范围内的一个解,个体的行为相当于是逐渐优化过程。根据优胜劣汰原则在种群分工合作完成数次迭代后得到的结果作为最优解。相比于其他启发式优化算法,人工蜂群算法在局部的收敛和寻优能力上要更为出色,全局搜索能力强、不易陷入局部最优,且函数变量较少,算法的复杂度较低,能够完全适用于资源量有限的WSN应用环境。
人工蜂群(Artificial Bee Colony, ABC)算法是模拟蜂群觅食行为的群体智能优化算法,蜂群目标是寻找花蜜量最大的蜜源。ABC算法包括四个连续的阶段: 初始阶段、雇佣阶段、跟随阶段和侦察阶段。蜂群中蜜蜂分为雇佣蜂、观察蜂和侦察蜂三类,其目标是寻找高质量的蜜源。在初始阶段,首先在边界划定的范围内随机确定多个蜜源位置;在雇佣阶段,雇佣蜂发现蜜源并在各蜜源附近搜索得到新蜜源,根据新旧蜜源的适应度值更新蜜源;在跟随阶段,观察蜂计算概率选择要观察的蜜源,在蜜源附近搜索得到新蜜源后从中选取较优蜜源;在侦察阶段,当连续经过若干次搜寻仍没有发现更优的蜜源时,则将当前被观察的雇佣蜂变成侦察蜂,随机搜寻新蜜源,重复执行上述蜜源搜寻过程,直至达到最大迭代次数后终止该算法,输出历史记录的最优蜜源作为最优解。
在算法执行过程中,雇佣蜂和观察蜂各占种群的一半,每只蜜蜂与一个蜜源相对应,而侦察蜂是在触发特殊条件下由雇佣蜂转换而成,不同种类的蜜蜂分工合作,各自需要执行以下任务:
雇佣蜂:在指定区域内搜索并记录发现的食物源位置和花蜜量,然后将更优的食物源分享给观察蜂;
观察蜂:在蜂房中等待并收到所有雇佣蜂分享的蜜源信息,根据轮盘赌策略选择食物源去采集;
侦察蜂:当发现食物源经多次迭代后质量仍没有提升时,将当前食物源对应的雇佣蜂转为侦察蜂,重新在蜂房附近随机搜索,寻找一个新的有价值的蜜源。
如图3所示,在无线传感器分簇网络中,分簇路由算法通过对无线传感器网络的划分,形成多个簇结构,不同于平面路由算法中的各个节点间功能相同、地位平等,簇结构中的节点被区分为簇头节点和簇内成员节点,簇内成员节点负责感知、从周围环境中收集信息并发送给簇头节点,簇头节点负责将接收到的数据进行整理融合,再将数据向更高一层的汇聚节点传送,这些汇聚节点一般以中继网关或网络基站表现,最终由汇聚节点将所有感应数据汇聚到传感器网络控制中心。分簇路由算法的这种构成方法使其具有较好的扩展性和能耗均衡性,面对网络变化也能更快响应。但是如何在簇头选举过程中使得簇头在能量和位置方面更具优势,进而选举出合适的簇头就成为一个重要的问题。LEACH是一种典型的低功耗自适应聚类路由协议,网络每轮随机选举一定数量的簇头,选举出的簇头收集簇间数据并以单跳形式向基站传输数据,由于选举簇头时没有考虑节点的剩余能量和位置信息,每个节点以相同的概率当选簇首,若剩余能量不足、地理位置不合理的节点当选簇首,将加速这部分节点的能量耗损,容易导致低能量节点过快地死亡,缩短网络生存期。为此,本发明采用人工蜂群算法对多因素考虑的WSN分簇策略进行优化,解决传统分簇方法存在的上述弊端。
本发明提供的一种基于物联网应用的WSN分簇路由方法,如图1所示,所述的方法具体包括:
利用人工蜂群算法对分簇决策进行优化,获得最优分簇决策;
根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;
计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;
获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径。
参考图2,下面具体阐述人工蜂群算法进行分簇优化的过程:
步骤1)建立以簇头节点能量和位置因素为约束条件的适应度函数;
步骤2)设置蜂群的个体数量、食物源空间维数、算法最大迭代次数及最大搜索次数,每个食物源与唯一的分簇决策对应;
令算法在解空间内随机生成N个个体作为初始化种群,每个解,每个解为一个M维向量,M为优化问题的变量数,对于任意/>表示第i个解在第j维上的值,/>,/>和/>表示第j维搜索空间的上下边界值,此时将M值定义为无线传感器网络节点总数,那么/>又表示为在第i个分簇决策中第j个网络节点的决策值,如果为0表示普通节点,如果为1表示簇头节点,因此对于每个解向量来说,都能通过一个0-1分布表示整个网络的簇分配结果,每个解对应一个食物源;
步骤3)将蜂群划分为雇佣蜂和观察蜂,初始化雇佣蜂的食物源;
在算法初期,令雇佣蜂和观察蜂各占种群一半,此时不存在侦察蜂,而随着雇佣蜂的转变,三种蜜蜂的数量在算法运行时会发生动态变化,第i个雇佣蜂的初始食物源在第j维上的位置可由以下公式随机获得:
(式1)
其中,为/>区间内取值的随机函数,/>表示第i个雇佣蜂的食物源在第j维上的位置,也就是在第i个决策中第j个网络节点的决策值,而决策仅有是否为簇头节点这两种状态,因此只需要通过0-1变量即可表示决策结果,则利用上述计算结构进一步判断:如果/>则令决策转化值/>,表示第j个网络节点被定义为普通节点,如果/>则令决策转化值/>,表示第j个网络节点被定义为簇头节点,对每一维j执行上述计算过程,得到所有/>对应的转化值/>,组成转化向量,使得最终得到的解向量/>对应的转化向量/>满足0-1分布;
步骤4)每个雇佣蜂在其邻域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
在对雇佣蜂的食物源初始化后,根据以下公式寻找新食物源:
(式2)
其中,为/>区间内取值的随机函数,/>表示第i个雇佣蜂的新食物源在第j维上的位置,/>,即利用随机选择的一个食物源参与当前雇佣蜂的新食物源搜寻,同样地,将/>转化为0-1分布:当/>时,/>,如果则令转化值/>,如果/>则令转化值/>;当时,/>,如果/>则令转化值/>,如果则令转化值/>;
步骤5)计算雇佣蜂的食物源被选取的概率,利用轮盘赌算法确定观察蜂需要搜索的某一个雇佣蜂食物源;
轮盘上的概率以食物源的适应度为依据,将任意转化向量代入适应度函数,生成当前分簇决策对应的适应度/>;
观察蜂在收到所有雇佣蜂食物源的适应度值后,根据轮盘赌策略选出某一食物源去采集,其中第i个雇佣蜂食物源被选概率表示为:
(式3)
由上式可知,食物源的适应度越高,其被选中的概率也越大,适应度反映的是分簇决策中所有簇头节点关于能量和位置因子的总的优势程度;
步骤6)每个观察蜂在选中的某一个雇佣蜂食物源领域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新,即观察蜂在选取对应的食物源后,同样按照(式2)生成新的食物源并根据适应度值进行位置更新;
步骤7)判断如果观察蜂在最大搜索次数limit次后仍没找到更优的食物源,则放弃当前雇佣蜂的食物源,并执行步骤8),否则进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤6);
步骤8)将雇佣蜂转化侦察蜂后,按照(式1)进行随机搜索,同样地,将随机食物源替换雇佣蜂的旧食物源,进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤4),完成新一轮算法迭代过程;
步骤9)输出适应度最高的食物源对应的分簇决策。
在人工蜂群算法中,雇佣蜂负责食物源的探索,将信息传递给观察蜂,观察蜂接收雇佣蜂提供的食物源,在食物源的领域内进行开发,寻找更优的食物源,当无法找到更优的食物源时,可能使观察蜂陷入到了局部最优困境,而通过侦察蜂重新执行随机搜索,使当前状态能够跳出局部最优困境,让算法在探索和开发两方面达到了平衡。
在本发明提供的一个实施例中,综合考虑传感器节点的能量和地理位置因素,设计了相应的适应度函数,用于评价人工蜂群算法生成的解的质量。在WSN中,簇头节点执行多项任务,包括监测、收集成员的数据、与基站通信(或称汇聚节点)等,需要选择剩余能量充足的节点担任簇头节点,以此延长网络生存期,定义簇头能量度量函数:
(式4)
其中,表示以分簇策略/>生成的簇头节点集的能量度量值,H和T分别表示簇头节点总数和WSN网络节点总数,/>和/>分别表示任意簇头节点h和网络节点t的剩余能量,由能量度量函数可以看出,当前簇头节点集合剩余总能量越多,函数值越大,说明当前簇头节点集越满足需求。
在选择簇头节点时,分散簇头节点在网络中的位置能够帮助网络分簇更加均匀,从而均衡簇间负载,定义簇头位置度量函数:
(式5)
其中,表示以分簇策略/>生成的簇头节点集的位置度量值,/>表示汇聚节点con到网络中心cen的距离,/>表示簇头节点h到汇聚节点con的距离,簇头节点集合到汇聚节点的平均距离越短,簇头节点的通信距离也就越短,函数值越大,说明当前簇头节点集越满足需求。
基于上述簇头节点能量和位置因素建立适应度函数:
(式6)
其中,和/>分别表示能量和位置的权重系数,满足/>,考虑到随着网络运行,节点的剩余能量越来越少,选择簇头节点时能量因素的重要程度相应增加,因此,/>应随网络运行动态变大,其计算方式如下:
(式7)
其中,表示WSN网络所有节点当前消耗的总能量,/>表示WSN网络所有节点初始状态的总能量,节点的能量信息可随路由发现消息上传到控制中心,由上式可知,在WSN网络建设初期,由于没有能量损耗,/>和/>等值,均为0.5,而随着节点消耗的能量越多,/>值越大,/>值相应减小,适应度值也就越偏向于能量度量值/>。
在建立最优的分簇决策后,簇头节点广播自身成为簇头节点的消息,根据邻近原则,普通节点根据接收到的信号强度估算自身到各簇头节点的距离,将所有普通节点划分到距离自身最近的簇头节点上,成为当前簇头节点的簇内成员,每个簇内成员在与外界通信时都需要由簇头节点负责转发数据,使用的簇间路由协议分为两类,一类是先验式路由协议,另一类是按需路由协议。先验式路由协议不管当前时刻有没有网络需求,随时随地都去维护节点之间的联系信息,以便一旦网络中有传输需求时避免即刻寻找路由带来的延迟,保证路由信息的一致性和新鲜度,但是网络中的每个节点都必须去建立和维护路由表并需要足够的存储空间,这对资源有限的传感器节点来说是困难的。按需路由协议是在网络中某一个源节点需要给目的节点发送数据分组,且本身缓存内又没有到目的节点的路由信息时才进行路由查找,而不需要周期性的进行路由信息交换,以此来维护整个网络路由表的一致性信息,能够降低能耗,延长网络节点寿命,因此,本发明选择按需路由方式执行簇间路由,通过设置计时器确定缓存路由信息的有效时长,对于不经常使用的路由链路,在有效时长内无路由数据则删除缓存的路由表项,使节点保持休眠状态,而对于经常使用的路由链路只有超出有效时长才会被更新,因此能够有效控制开销,路由信息可以得到充分利用。
在本发明的一个实施例中,采用AOMDV(Ad Hoc On-demand Multipath DistanceVector)协议执行簇间路由。因为AOMDV是一种多路径路由协议,在AODV(Ad hoc On-DemandDistance Vector Routing)单路径路由协议基础上,利用RREQ请求分组的泛洪特性在一次路由请求过程中建立多条节点不相交的路径。具体地,在路由发现过程中,AOMDV协议和AODV协议相类似,基于序列号来表明路径的更新情况,确保路径无环。AOMDV协议的目的节点序列号的单调递增特性是通过采用“广告跳数(AdvertisedHopCount)”来建立的。节点i对于目的节点d的广告跳数的意义为从节点i到目的节点d寻找到的多条有效路径中的“最大”跳数。确定了最大跳数以后,保持不变的是同一个目的节点序列号的广告跳数。只有那些跳数小于最大跳数的路由才能成为AOMDV协议的候选路由。源节点检查RREQ分组中的firsthop字段和节点的最后一跳列表,检查此路由是否来自源节点的不同邻居节点,从而决定此RREQ分组是否可以提供新的节点不相交路径。具有有效路由的中间节点或者目的节点会形成RREP应答分组,而且以单播的方式把RREP消息分组送回到源节点。源节点会收到多个RREP分组,最终在目的节点和源节点之间建立起多条节点不相交的有效地传输路径。建立的多条有效路径都作为源节点到汇聚节点之间的初始路由路径,为后续执行候选路由路径筛选,以及确定最终的转发路径提供依据。
在本发明提供的一个实施例中,从初始路由路径集中挑选单位数据转发能耗低的路径作为候选路由路径,所述的总能量包括初始路由路径上各节点的节点耗能总和,所述的节点耗能包括节点接收和转发数据所消耗的能量。传感器节点的能量消耗主要来自收发数据包,传感器节点接收和发送数据包所消耗的能量分别为:
(式8)
(式9)
其中,为节点/>接收1Byte数据所消耗的能量,/>为通信电子所消耗的能量,/>为节点/>发送1Byte数据到节点/>所消耗的能量,/>为功率放大器产生的单位能量消耗,/>为节点/>到节点/>的距离,/>为路径损耗指数。假设路由路径为生成的一条从源节点到/>节点的初始路由路径,则一个1Byte的数据包沿着该路径传输,整个网络所消耗的总能量为:
(式10)
对消耗的总能量由低至高进行排序,选择排序靠前的数个路径作为候选路由路径,进一步地,从候选路由路径集中挑选最终的数据转发路径,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径。
考虑到路由路径中各节点的剩余能量存在差异,计算候选路由路径关于节点剩余能量的离散度,从通道能量宽度高的路径集中择优选择离散度较低的路径作为最终的数据转发路径,离散度越低则路径中节点间的剩余能量差异越小,也就使得能量消耗分布越均匀,减少因部分节点电能过快耗尽使其周围区域形成孤岛现象,导致处于孤岛环境中仍存活的其他节点也随之失效,提高WSN节点资源利用率。在本发明提供的一个实施例中,所述的离散度采用标准差法生成,生成过程包括:
统计候选路由路径上所有节点的节点剩余能量均值:
(式11)
然后,计算各节点剩余能量与其均值离差平方的平均数,对方差求平方根,将获得的标准差作为候选路由路径关于节点剩余能量的离散度:
(式12)
其中,表示路由路径/>上的节点总数,/>表示节点/>的剩余能量。
路径的通道能量宽度是指路径中能量最窄通量,也就是路径中能量最小节点的剩余能量,因为超出该最小能节点的能耗会导致整条路径失效,故将路径中能量最小节点对应的能量值作为整条路径的通道能量宽度。为通道能量宽度与离散度设定权重系数,对通道能量宽度的倒数与离散度进行加权:
(式13)
其中,表示权值,/>和/>分别为离散度和通道能量宽度的权重系数,,/>表示通道能量宽度,由上式可知,离散度/>越高、通道能量宽度/>越低的路径越不稳定,其权值也就越高,因此,选择权值最低的候选路由路径作为最终的数据转发路径。
为了提高人工蜂群算法跳出局部最优的能力,加快算法收敛速度,在本发明提供的另一个实施例中对人工蜂群算法实施改进,对观察蜂个体实施克隆,在同一个位置获得两只相同的观察蜂个体,然后以雇佣蜂的食物源为中心,控制两只观察蜂个体在镜像位置上寻觅新食物源,具体包括以下实施步骤:
首先,对观察蜂进行一次个体复制,以其中一只相同的观察蜂对雇佣蜂的食物源进行搜索,即按照(式2)生成新的食物源:
(式14)
其中,表示第u个观察蜂的新食物源在第j维上的位置,然后以雇佣蜂的食物源为中心,对另一只相同的观察蜂的搜索位置实施镜像更新:
(式15)
最后,比较雇佣蜂的食物源、两只相同的观察蜂搜索的食物源/>和/>之间的适应度,选择适应度高的食物源进行位置更新,通过在雇佣蜂食物源附近双向寻优,进一步增强了算法跳出局部最优的能力,同时提高了算法的收敛速度。
为了实现上述WSN分簇路由方法,本发明还提供了一种基于物联网应用的WSN分簇路由系统,如图3所示,所述的路由系统设置于WSN控制中心,所述的WSN控制中心与汇聚节点连接,通过汇聚节点采集簇头节点发送的感知数据,所述的感知数据包括簇头节点管辖的簇成员的状态数据和监测数据,所述的路由系统包括:
分簇决策优化模块:利用人工蜂群算法对分簇决策进行优化,获得最优分簇决策;
初始路由生成模块:根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;
候选路由生成模块:计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;
转发路径选择模块:获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (3)
1.一种基于物联网应用的WSN分簇路由方法,其特征在于,所述的方法包括:
利用人工蜂群算法对分簇决策进行优化,获得最优分簇决策;
根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;
计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;
获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径;
所述最优分簇决策的生成过程为:
步骤1)建立以簇头节点能量和位置因素为约束条件的适应度函数;
步骤2)设置蜂群的个体数量、食物源空间维数、算法最大迭代次数及最大搜索次数,每个食物源与唯一的分簇决策对应;
步骤3)将蜂群划分为雇佣蜂和观察蜂,初始化雇佣蜂的食物源;
步骤4)每个雇佣蜂在其邻域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
步骤5)计算雇佣蜂的食物源被选取的概率,利用轮盘赌算法确定观察蜂需要搜索的雇佣蜂食物源;
步骤6)每个观察蜂在选中的雇佣蜂食物源领域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
步骤7)判断如果观察蜂在最大搜索次数后仍没找到更优的食物源,则放弃当前雇佣蜂的食物源,并执行步骤8),否则进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤6);
步骤8)将雇佣蜂转化侦察蜂后进行随机搜索,将随机食物源替换雇佣蜂的旧食物源,进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤4);
步骤9)输出适应度最高的食物源对应的分簇决策;
所述的步骤6)还包括:
对观察蜂进行一次个体复制,以其中一只相同的观察蜂对选中的雇佣蜂食物源进行搜索,然后以雇佣蜂食物源为中心,对另一只相同的观察蜂的搜索位置实施镜像更新;
比较雇佣蜂的食物源、两只相同的观察蜂搜索的食物源之间的适应度,选择适应度高的食物源进行位置更新;
所述的离散度采用标准差法生成,生成过程包括:
统计候选路由路径上所有节点的节点剩余能量均值:计算各节点剩余能量与其均值离差平方的平均数,对方差求平方根,将获得的标准差作为候选路由路径关于节点剩余能量的离散度:/>其中,/>表示路由路径/>上的节点总数,/>表示节点/>的剩余能量;所述选择数据转发路径的过程包括:为通道能量宽度与离散度设定权重系数,对通道能量宽度的倒数与离散度进行加权:其中,/>表示权值,/>和/>分别为离散度和通道能量宽度的权重系数,/>,/>表示通道能量宽度;选择权值最低的候选路由路径作为最终的数据转发路径。
2.根据权利要求1所述的基于物联网应用的WSN分簇路由方法,其特征在于,所述的总能量包括初始路由路径上各节点的节点耗能总和,所述的节点耗能包括节点接收和转发数据所消耗的能量。
3.一种基于物联网应用的WSN分簇路由系统,其特征在于,所述的路由系统设置于WSN控制中心,所述的WSN控制中心与汇聚节点连接,通过汇聚节点采集簇头节点发送的感知数据,所述的感知数据包括簇头节点管辖的簇成员的状态数据和监测数据,所述的路由系统包括:
分簇决策优化模块:利用人工蜂群算法对分簇决策进行优化,获得最优分簇决策;
初始路由生成模块:根据最优分簇决策建立源节点到汇聚节点之间的初始路由路径;
候选路由生成模块:计算每个初始路由路径在执行单位数据转发时所消耗的总能量,选择能耗最低的部分初始路由路径作为候选路由路径;
转发路径选择模块:获取每个候选路由路径上各节点的剩余能量,选择最低剩余能量作为候选路由路径的通道能量宽度,进一步计算候选路由路径关于节点剩余能量的离散度,以通道能量宽度和离散度作为约束条件从候选路由路径选择数据转发路径;所述最优分簇决策的生成过程为:
步骤1)建立以簇头节点能量和位置因素为约束条件的适应度函数;
步骤2)设置蜂群的个体数量、食物源空间维数、算法最大迭代次数及最大搜索次数,每个食物源与唯一的分簇决策对应;
步骤3)将蜂群划分为雇佣蜂和观察蜂,初始化雇佣蜂的食物源;
步骤4)每个雇佣蜂在其邻域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
步骤5)计算雇佣蜂的食物源被选取的概率,利用轮盘赌算法确定观察蜂需要搜索的雇佣蜂食物源;
步骤6)每个观察蜂在选中的雇佣蜂食物源领域内进行新食物源搜索,根据适应度函数计算新旧食物源的适应度,选择适应度高的食物源进行位置更新;
步骤7)判断如果观察蜂在最大搜索次数后仍没找到更优的食物源,则放弃当前雇佣蜂的食物源,并执行步骤8),否则进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤6);
步骤8)将雇佣蜂转化侦察蜂后进行随机搜索,将随机食物源替换雇佣蜂的旧食物源,进一步判断如果达到算法最大迭代次数,则执行步骤9),否则继续执行步骤4);
步骤9)输出适应度最高的食物源对应的分簇决策;
所述的步骤6)还包括:
对观察蜂进行一次个体复制,以其中一只相同的观察蜂对选中的雇佣蜂食物源进行搜索,然后以雇佣蜂食物源为中心,对另一只相同的观察蜂的搜索位置实施镜像更新;
比较雇佣蜂的食物源、两只相同的观察蜂搜索的食物源之间的适应度,选择适应度高的食物源进行位置更新;
所述的离散度采用标准差法生成,生成过程包括:
统计候选路由路径上所有节点的节点剩余能量均值:计算各节点剩余能量与其均值离差平方的平均数,对方差求平方根,将获得的标准差作为候选路由路径关于节点剩余能量的离散度:/>其中,/>表示路由路径/>上的节点总数,/>表示节点/>的剩余能量;所述选择数据转发路径的过程包括:为通道能量宽度与离散度设定权重系数,对通道能量宽度的倒数与离散度进行加权:其中,/>表示权值,/>和/>分别为离散度和通道能量宽度的权重系数,/>,/>表示通道能量宽度;选择权值最低的候选路由路径作为最终的数据转发路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833455.0A CN116567773B (zh) | 2023-07-10 | 2023-07-10 | 基于物联网应用的wsn分簇路由方法及路由系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833455.0A CN116567773B (zh) | 2023-07-10 | 2023-07-10 | 基于物联网应用的wsn分簇路由方法及路由系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116567773A CN116567773A (zh) | 2023-08-08 |
CN116567773B true CN116567773B (zh) | 2024-04-26 |
Family
ID=87490144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310833455.0A Active CN116567773B (zh) | 2023-07-10 | 2023-07-10 | 基于物联网应用的wsn分簇路由方法及路由系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116567773B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140044626A (ko) * | 2012-10-05 | 2014-04-15 | 목포대학교산학협력단 | 센서 위치 속성과 잔존 에너지를 이용한 선박 usn 클러스터링 방법 |
CN104486807A (zh) * | 2014-11-28 | 2015-04-01 | 华中科技大学 | 一种小规模无线传感器网络的路由方法 |
CN105636143A (zh) * | 2015-12-29 | 2016-06-01 | 河海大学 | 基于合作博弈的无线传感器网络分簇协作路由算法 |
CN106022465A (zh) * | 2016-05-19 | 2016-10-12 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
WO2021164791A1 (zh) * | 2020-02-19 | 2021-08-26 | 重庆邮电大学 | 一种无线传感器的多跳最优路径选择方法 |
-
2023
- 2023-07-10 CN CN202310833455.0A patent/CN116567773B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140044626A (ko) * | 2012-10-05 | 2014-04-15 | 목포대학교산학협력단 | 센서 위치 속성과 잔존 에너지를 이용한 선박 usn 클러스터링 방법 |
CN104486807A (zh) * | 2014-11-28 | 2015-04-01 | 华中科技大学 | 一种小规模无线传感器网络的路由方法 |
CN105636143A (zh) * | 2015-12-29 | 2016-06-01 | 河海大学 | 基于合作博弈的无线传感器网络分簇协作路由算法 |
CN106022465A (zh) * | 2016-05-19 | 2016-10-12 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
WO2021164791A1 (zh) * | 2020-02-19 | 2021-08-26 | 重庆邮电大学 | 一种无线传感器的多跳最优路径选择方法 |
Non-Patent Citations (5)
Title |
---|
WSN中基于人工蜂群算法的分簇路由协议;王宗山等;微电子学与计算机;第38卷(第4期);第3节 * |
WSN中基于改进粒子群优化算法的分簇路由协议;武小年;张楚芸;张润莲;孙亚平;;通信学报(第12期);全文 * |
基于离散约束的最小能量DSR路由协议;刘凯歌等;武汉理工大学学报(交通科学与工程版)(第01期);全文 * |
基于蚁群优化策略的WSN路由研究;黎洋;中国优秀硕士学位论文全文数据库;第5.2节 * |
武小年 ; 张楚芸 ; 张润莲 ; 孙亚平 ; .WSN中基于改进粒子群优化算法的分簇路由协议.通信学报.2019,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116567773A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arjunan et al. | Lifetime maximization of wireless sensor network using fuzzy based unequal clustering and ACO based routing hybrid protocol | |
Wang et al. | Energy efficient cluster based routing protocol for WSN using firefly algorithm and ant colony optimization | |
Jaiswal et al. | A Grey-Wolf based Optimized Clustering approach to improve QoS in wireless sensor networks for IoT applications | |
Arikumar et al. | EELTM: An energy efficient LifeTime maximization approach for WSN by PSO and fuzzy-based unequal clustering | |
Fanian et al. | Fuzzy multi-hop clustering protocol: Selection fuzzy input parameters and rule tuning for WSNs | |
CN113709841B (zh) | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 | |
Mohamed et al. | Coyote optimization based on a fuzzy logic algorithm for energy-efficiency in wireless sensor networks | |
Raj et al. | A survey on cluster head selection and cluster formation methods in wireless sensor networks | |
Soundaram et al. | Genetic spider monkey‐based routing protocol to increase the lifetime of the network and energy management in WSN | |
Keerthika et al. | Reinforcement-Learning based energy efficient optimized routing protocol for WSN | |
Mazinani et al. | FSCVG: A fuzzy semi-distributed clustering using virtual grids in WSN | |
CN115278808A (zh) | 一种面向sdwsn的分布式高效熵节能分簇路由方法 | |
Nazari et al. | An Intelligent SDN‐Based Clustering Approach for Optimizing IoT Power Consumption in Smart Homes | |
Agrawal et al. | Optimization of the selection of cluster‐head using fuzzy logic and harmony search in wireless sensor networks | |
Yalçın et al. | A mobile sink path planning for wireless sensor networks based on priority‐ordered dependent nonparametric trees | |
Veerabadrappa et al. | Secure Routing using Multi-Objective Trust Aware Hybrid Optimization for Wireless Sensor Networks. | |
Wang et al. | Distributed energy-efficient clustering routing protocol for wireless sensor networks using affinity propagation and fuzzy logic | |
Verma et al. | Fuzzy‐based techniques for clustering in wireless sensor networks (WSNs): Recent advances, challenges, and future directions | |
Rani et al. | A hybrid approach for the optimization of quality of service metrics of WSN | |
Siddiqui et al. | A survey on data aggregation mechanisms in wireless sensor networks | |
Fan et al. | Energy balance based uneven cluster routing protocol using ant colony taboo for wireless sensor networks | |
CN117336818A (zh) | 基于蝗虫优化fcm的wsn分簇路由算法 | |
CN116567773B (zh) | 基于物联网应用的wsn分簇路由方法及路由系统 | |
Safari et al. | A review of ai-based MANET routing protocols | |
CN117041124A (zh) | 一种基于改进绯鲵鲣算法和信任模型的安全分簇路由方法 |
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 |