CN116582907A - 一种基于二进制鲸鱼优化算法的分簇方法及系统 - Google Patents

一种基于二进制鲸鱼优化算法的分簇方法及系统 Download PDF

Info

Publication number
CN116582907A
CN116582907A CN202310039919.0A CN202310039919A CN116582907A CN 116582907 A CN116582907 A CN 116582907A CN 202310039919 A CN202310039919 A CN 202310039919A CN 116582907 A CN116582907 A CN 116582907A
Authority
CN
China
Prior art keywords
cluster
node
cluster head
whale
uav
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
CN202310039919.0A
Other languages
English (en)
Inventor
闫永航
夏雪文
曹莹
李智佳
袁科
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.)
Henan University
Original Assignee
Henan University
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 Henan University filed Critical Henan University
Priority to CN202310039919.0A priority Critical patent/CN116582907A/zh
Publication of CN116582907A publication Critical patent/CN116582907A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/20—Negotiating bandwidth
    • 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
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/08—Trunked mobile radio systems
    • 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)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于飞行自组织网络技术领域，公开一种基于二进制鲸鱼优化算法的分簇方法及系统，该方法包括：步骤1：基于网络带宽和节点覆盖范围约束计算最优集群数目；步骤2：利用二进制鲸鱼优化算法选择簇头；步骤3：根据距离划分无人机集群；步骤4：通过设置维护策略实现集群的高效维护；步骤5：集群路由通信，通过集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。本发明同时考虑了网络带宽和节点覆盖能力计算最优集群数目，利用二进制鲸鱼优化算法选举簇头划分集群，在能耗和网络生存期方面有较好的表现。

Description

一种基于二进制鲸鱼优化算法的分簇方法及系统
技术领域
本发明涉及飞行自组织网络技术领域，尤其涉及一种基于二进制鲸鱼优化算法的分簇方法及系统。
背景技术
多无人机网络通常被称为飞行自组网(flying ad hoc network，FANET)。在FANET中，所有无人机建立一个自组织网络，只有部分无人机连接到基础设施，其他无人机使用中间无人机以多跳的方式与地面基站通信。由于单个UAV(unmanned aerial vehicle，无人机)的能量和计算能力有限，不可能保证随时随地的最佳工作状态，而多无人机之间紧密协作组成无人机集群可以用于完成各种复杂和特殊环境下的任务。因此，逐渐成为了当前无人机作战应用的重要形式。
但FANET中由于节点移动性高，入网和退网较为频繁，这对网络的建立和维护造成了一定的困难，并且随着无人机规模增大，很难对其进行高效的控制与管理。将网络划分集群可有助于解决上述问题，划分过程基于不同的参数，UAV被分到不同的集群小组中，在节点的有效通信范围内可以互相直接通信，共享信道和资源。因此提出一种基于二进制鲸鱼优化算法的分簇方法及系统，基于网络带宽和节点覆盖能力来计算网络中需划分的最优集群数目；采用离散二进制鲸鱼优化(BWOA)算法用于选择簇头，基于能量、簇内距离和簇间距离来设计适应度函数选择簇头，划分集群；设置维护策略实现集群的高效维护；集群路由通信，通过集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。与先前的研究工作相比，本发明在降低能耗提高网络生存周期方面有较好的表现。
发明内容
本发明针对飞行自组织网络中由于能量资源限制和高移动性导致的链路故障、路由开销高等问题，提出一种基于二进制鲸鱼优化算法的分簇方法及系统。
为了实现上述目的，本发明采用以下技术方案：
本发明一方面提出一种基于二进制鲸鱼优化算法的分簇方法，包括：
步骤1，基于网络带宽和节点覆盖范围约束计算最优集群数目；
步骤2，利用二进制鲸鱼优化算法选择簇头；
步骤3，根据距离划分无人机集群；
步骤4，通过设置维护策略实现集群的高效维护；
步骤5，集群路由通信，通过在集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。
进一步地，所述步骤1包括：
步骤101，建立节点覆盖范围的约束如式(4)(5)所示：
Dij＝min{Dis(i,1),Dis(i,2),...,Dis(i,K)} (1)
其中Dij表示无人机节点i到簇头j的距离；K表示簇头总个数；Rj表示簇头j的覆盖范围；如果节点i在簇头j的覆盖范围内，Lij为1，否则Lij为0；N
表示无人机节点总个数；U＝{UAV1,UAV2,...,UAVi,...,UAVN}为所有无人机节点集合；C＝{CH1,CH2,...,CHj,...,CHK}为所有簇头节点集合；约束条件保证每个节点都被簇头节点所覆盖，且同时只与一个簇头连接；
步骤102，建立满足网络带宽的约束如式(7)所示：
其中，B1和B2为集群内和集群间带宽，第j个集群内簇成员个数为Mj；
步骤103，建立满足节点覆盖范围和网络带宽的最优集群数目的约束如式(8)
所示：
上述约束条件分别为：1.每个簇成员只与一个簇头连接，2.所有簇成员都与簇头连接，3.集群内和集群间达到带宽均衡。
进一步地，所述步骤2包括：
步骤201，初始鲸鱼种群：鲸鱼采用二进制编码方式，对N个UAV进行簇头选举，每个UAV节点有唯一的ID编号，鲸鱼在某一时刻的位置为一个N维的二进制向量；
步骤202，设置二进制鲸鱼算法的最大迭代次数tmax；
步骤203，计算每头鲸鱼的适应度值：基于能量、簇内和簇间距离及负载均衡设计簇头选择适应度函数，如式(13)所示：
Fitness＝w1×f1+w2×f2+w3×f3+w4×f4 (13)
其中E(UAVi)为网络中第i个UAV节点的剩余能量(i＝1,2,3,…,N)，E(CHj)
为第j个CH节点的剩余能量(j＝1,2,3,…,K)，m为第j个簇中UAV节点个数；
Dis(UAVi,CHj)为集群中簇头CHj和簇成员UAVi之间的距离；Dis(CHj,BS)为集群中簇头CHj和基站BS之间的距离；Cnumj为集群j的大小；w1+w2+w3+w4＝1,w1,w2,w3,w4为(0,1)之间的权重参数；
步骤204，直到达到最大迭代次数，输出具有最优解的鲸鱼的位置，即选举的簇头UAV。
进一步地，所述步骤3包括：
步骤301，对于所有非簇头UAV(UAVi,i＝1,2,…,N)，计算与其通信范围内所有CH(CHj,j＝1,2,…,K)节点的距离；
步骤302，若UAV与CHj之间距离最小，则加入该集群。
进一步地，所述步骤4包括：
步骤401，对簇头设置能量阈值，周期性检测节点能量，如果簇头能量水平低于该值或簇头离开集群则进行集群维护，重新选举簇头；
步骤402，若簇成员离开集群，则在该集群的成员列表中删除该节点。
进一步地，所述步骤5包括：
步骤501，对于集群内通信：首先查找邻居表，若在其邻居表中则直接通信，否则转发给簇头与目标节点进行通信；
步骤502，对于集群间通信：基于无人机节点剩余能量和距离的加权函数选择下一跳节点，路径选择函数如式(14)所示：
其中，Ej表示节点j的剩余能量；Dis(i,j)表示节点i和j之间的距离。
本发明另一方面提出一种基于二进制鲸鱼优化算法的分簇系统，包括：
最优集群数目求解模块，用于基于网络带宽和节点覆盖范围约束计算最优集群数目；
簇头选举模块，用于利用二进制鲸鱼优化算法选择簇头；
集群划分模块，用于根据距离划分无人机集群；
集群维护模块，用于通过设置维护策略实现集群的高效维护；
路由通信模块，用于集群路由通信，通过在集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。
进一步地，所述最优集群数目求解模块包括：
第一约束建立子模块，用于建立节点覆盖范围的约束如式(4)(5)所示：
Dij＝min{Dis(i,1),Dis(i,2),...,Dis(i,K)} (1)
其中Dij表示无人机节点i到簇头j的距离；K表示簇头总个数；Rj表示簇头j的覆盖范围；如果节点i在簇头j的覆盖范围内，Lij为1，否则Lij为0；N表示无人机节点总个数；U＝{UAV1,UAV2,...,UAVi,...,UAVN}为所有无人机节点集合；C＝{CH1,CH2,...,CHj,...,CHK}为所有簇头节点集合；约束条件保证每个节点都被簇头节点所覆盖，且同时只与一个簇头连接；
第二约束建立子模块，用于建立满足网络带宽的约束如式(7)所示：
其中，B1和B2为集群内和集群间带宽，第j个集群内簇成员个数为Mj；
最优集群数目求解子模块，用于建立满足节点覆盖范围和网络带宽的最优集群数目的约束如式(8)所示：
上述约束条件分别为：1.每个簇成员只与一个簇头连接，2.所有簇成员都与簇头连接，3，集群内和集群间达到带宽均衡。
进一步地，所述簇头选举模块包括：
初始化子模块，用于初始鲸鱼种群：鲸鱼采用二进制编码方式，对N个UAV进行簇头选举，每个UAV节点有唯一的ID编号，鲸鱼在某一时刻的位置为一个N维的二进制向量。
最大迭代次数设置子模块，用于设置二进制鲸鱼算法的最大迭代次数tmax；
适应度值计算子模块，用于计算每头鲸鱼的适应度值：基于能量、簇内和簇间距离及负载均衡设计簇头选择适应度函数，如式(13)所示：
Fitness＝w1×f1+w2×f2+w3×f3+w4×f4 (13)
其中E(UAVi)为网络中第i个UAV节点的剩余能量(i＝1,2,3,…,N)，E(CHj)为第j个CH节点的剩余能量(j＝1,2,3,…,K)，m为第j个簇中UAV节点个数；Dis(UAVi,CHj)为集群中簇头CHj和簇成员UAVi之间的距离；Dis(CHj,BS)为集群中簇头CHj和基站BS之间的距离；Cnumj为集群j的大小；w1+w2+w3+w4＝1,w1,w2,w3,w4为(0,1)之间的权重参数；
最优簇头得出子模块，用于直到达到最大迭代次数，输出具有最优解的鲸鱼的位置，即选举的簇头UAV。
进一步地，所述集群划分模块包括：
距离计算子模块，用于对于所有非簇头UAV(UAVi,i＝1,2,…,N)，计算与其通信范围内所有CH(CHj,j＝1,2,…,K)节点的距离；
加入集群子模块，用于若UAV与CHj之间距离最小，则加入该集群。
进一步地，所述集群维护模块包括：
簇头维护子模块，用于对簇头设置能量阈值，周期性检测节点能量，如果簇头能量水平低于该值或簇头离开集群则进行集群维护，重新选举簇头。
簇成员维护子模块，用于若簇成员离开集群，则在该集群的成员列表中删除该节点。
进一步地，所述路由通信模块包括：
集群内通信子模块，用于对于集群内通信：首先查找邻居表，若在其邻居表中则直接通信，否则转发给簇头与目标节点进行通信；
集群间通信子模块，用于对于集群间通信：基于无人机节点剩余能量和距离的加权函数选择下一跳节点，路径选择函数如式(14)所示：
其中，Ej表示节点j的剩余能量；Dis(i,j)表示节点i和j之间的距离。
与现有技术相比，本发明具有的有益效果：
本发明通过网络带宽和节点覆盖能力来计算网络中需划分的最优集群数目，以合理充分利用网络资源，实现网络资源利用最大化。
本发明提出了一种基于二进制鲸鱼优化算法的聚类方案。采用离散二进制鲸鱼优化(BWOA)算法用于选择簇头。该算法基于能量、簇内距离和簇间距离的适应度函数选择簇头，划分集群；设置维护策略实现集群的高效维护；集群路由通信，通过集群内和集群间设置不同路由策略。该方案在满足无人机集群的通信需求的基础上，在降低能耗提高网络生存周期方面有较好表现。
附图说明
图1为本发明实施例的一种基于二进制鲸鱼优化算法的分簇方法的基本流程图；
图2为本发明实施例FANET中UAV随机分布示意图；
图3为本发明实施例FANET中集群划分示意图；
图4为本发明实施例一种基于二进制鲸鱼优化算法的分簇系统架构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
如图1所示，一种基于二进制鲸鱼优化算法的分簇方法，包括：
步骤S101，基于网络带宽和节点覆盖范围约束计算最优集群数目；
步骤S102，利用二进制鲸鱼优化算法选择簇头；
步骤S103，根据距离划分无人机集群；
步骤S104，通过设置维护策略实现集群的高效维护；
步骤S105，集群路由通信，通过在集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。
进一步地，所述步骤S101中，基于网络带宽和节点覆盖范围约束计算最优集群数目的具体步骤如下：
步骤S101.1，建立节点覆盖范围的约束如式(4)(5)所示：
Dij＝min{Dis(i,1),Dis(i,2),...,Dis(i,K)} (1)
其中Dij表示无人机节点i到簇头j的距离；K表示簇头总个数；Rj表示簇头j的覆盖范围；如果节点i在簇头j的覆盖范围内，Lij为1，否则Lij为0；N表示无人机节点总个数；U＝{UAV1,UAV2,...,UAVi,...,UAVN}为所有无人机节点集合；C＝{CH1,CH2,...,CHj,...,CHK}为所有簇头节点集合。约束条件保证每个节点都被簇头节点所覆盖，且同时只与一个簇头连接。
步骤S101.2，建立满足网络带宽的约束如式(7)所示：
其中，B1和B2为集群内和集群间带宽，第j个集群内簇成员个数为Mj。
步骤S103.3：建立满足节点覆盖范围和网络带宽的最优集群数目的约束如式(8)所示：
上述约束条件分别为：1.每个簇成员只与一个簇头连接，2.所有簇成员都与簇头连接，3.集群内和集群间达到带宽均衡。
进一步地，所述步骤S102中，利用二进制鲸鱼优化算法选择簇头的具体步骤如下：
步骤S102.1，初始鲸鱼种群。鲸鱼采用二进制编码方式，对N个UAV进行簇头选举，每个UAV节点有唯一的ID编号，鲸鱼在某一时刻的位置为一个N维的二进制向量。作为一种可实施方式，鲸鱼数量设置为50。
步骤S102.2，设置二进制鲸鱼算法的最大迭代次数tmax，作为一种可实施方式，tmax＝100。
步骤S102.3，计算每头鲸鱼的适应度值。基于能量、簇内和簇间距离及负载均衡设计簇头选择适应度函数，如式(13)所示：
其中E(UAVi)为网络中第i个UAV节点的剩余能量(i＝1,2,3,…,N)，E(CHj)为第j个CH节点的剩余能量(j＝1,2,3,…,K)。
其中Dis(UAVi,CHj)为集群中簇头CHj和簇成员UAVi之间的距离。
其中Dis(CHj,BS)为集群中簇头CHj和基站BS之间的距离。
其中Cnumj为集群j的大小。
Fitness＝w1×f1+w2×f2+w3×f3+w4×f4 (13)
其中w1+w2+w3+w4＝1,w1,w2,w3,w4为(0,1)之间的权重参数。
步骤S102.4，直到达到最大迭代次数，输出具有最优解的鲸鱼的位置，即选举的簇头UAV。
进一步地，所述步骤S103中，根据距离划分无人机集群的具体步骤如下：
步骤S103.1，对于所有非簇头UAV(UAVi,i＝1,2,…,N)，计算与其通信范围内所有CH(CHj,j＝1,2,…,K)节点的距离；
步骤S103.2，若UAV与CHj之间距离最小，则加入该集群。
进一步地，所述步骤S104中，通过设置维护策略实现集群的高效维护的具体步骤如下：
步骤S104.1，对簇头设置能量阈值，周期性检测节点能量，如果簇头能量水平低于设置的能量阈值或簇头离开集群则进行集群维护，重新选举簇头；
步骤S104.2，若簇成员离开集群，则在该集群的成员列表中删除该节点。
进一步地，所述步骤S105中，集群路由通信，通过集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求的具体步骤如下：
步骤S105.1，对于集群内通信：首先查找邻居表，若在其邻居表中则直接通信，否则转发给簇头与目标节点进行通信；
步骤S105.2，对于集群间通信：基于无人机节点剩余能量和距离的加权函数选择下一跳节点，路径选择函数如式(14)所示：
其中，Ej表示节点j的剩余能量；Dis(i,j)表示节点i和j之间的距离。
在上述实施例的基础上，如图4所示，本发明另一方面提出一种基于二进制鲸鱼优化算法的分簇系统，包括：
最优集群数目求解模块，用于基于网络带宽和节点覆盖范围约束计算最优集群数目；
簇头选举模块，用于利用二进制鲸鱼优化算法选择簇头；
集群划分模块，用于根据距离划分无人机集群；
集群维护模块，用于通过设置维护策略实现集群的高效维护；
路由通信模块，用于集群路由通信，通过在集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。
进一步地，所述最优集群数目求解模块包括：
第一约束建立子模块，用于建立节点覆盖范围的约束如式(4)(5)所示：
Dij＝min{Dis(i,1),Dis(i,2),...,Dis(i,K)} (1)
其中Dij表示无人机节点i到簇头j的距离；K表示簇头总个数；Rj表示簇头j的覆盖范围；如果节点i在簇头j的覆盖范围内，Lij为1，否则Lij为0；N表示无人机节点总个数；U＝{UAV1,UAV2,...,UAVi,...,UAVN}为所有无人机节点集合；C＝{CH1,CH2,...,CHj,...,CHK}为所有簇头节点集合。约束条件保证每个节点都被簇头节点所覆盖，且同时只与一个簇头连接。
第二约束建立子模块，用于建立满足网络带宽的约束如式(7)所示：
其中，B1和B2为集群内和集群间带宽，第j个集群内簇成员个数为Mj。
最优集群数目求解子模块，用于建立满足节点覆盖范围和网络带宽的最优集群数目的约束如式(8)所示：
上述约束条件分别为：1.每个簇成员只与一个簇头连接，2.所有簇成员都与簇头连接。3.集群内和集群间达到带宽均衡。
进一步地，所述簇头选举模块包括：
初始化子模块，用于初始鲸鱼种群。鲸鱼采用二进制编码方式，对N个UAV进行簇头选举，每个UAV节点有唯一的ID编号，鲸鱼在某一时刻的位置为一个N维的二进制向量。
最大迭代次数设置子模块，用于设置二进制鲸鱼算法的最大迭代次数tmax。
适应度值计算子模块，用于计算每头鲸鱼的适应度值。基于能量、簇内和簇间距离及负载均衡设计簇头选择适应度函数，如式(13)所示：
其中E(UAVi)为网络中第i个UAV节点的剩余能量(i＝1,2,3,…,N)，E(CHj)为第j个CH节点的剩余能量(j＝1,2,3,…,K)。
其中Dis(UAVi,CHj)为集群中簇头CHj和簇成员UAVi之间的距离。
其中Dis(CHj,BS)为集群中簇头CHj和基站BS之间的距离。
其中Cnumj为集群j的大小。
Fitness＝w1×f1+w2×f2+w3×f3+w4×f4 (13)
其中w1+w2+w3+w4＝1,w1,w2,w3,w4为(0,1)之间的权重参数。
最优簇头得出子模块，用于直到达到最大迭代次数，输出具有最优解的鲸鱼的位置，即选举的簇头UAV。
进一步地，所述集群划分模块包括：
距离计算子模块，用于对于所有非簇头UAV(UAVi,i＝1,2,…,N)，计算与其通信范围内所有CH(CHj,j＝1,2,…,K)节点的距离；
加入集群子模块，用于若UAV与CHj之间距离最小，则加入该集群。
进一步地，所述集群维护模块包括：
簇头维护子模块，用于对簇头设置能量阈值，周期性检测节点能量，如果簇头能量水平低于设置的能量阈值或簇头离开集群则进行集群维护，重新选举簇头；
簇成员维护子模块，用于若簇成员离开集群，则在该集群的成员列表中删除该节点。
进一步地，所述路由通信模块包括：
集群内通信子模块，用于对于集群内通信：首先查找邻居表，若在其邻居表中则直接通信，否则转发给簇头与目标节点进行通信；
集群间通信子模块，用于对于集群间通信：基于无人机节点剩余能量和距离的加权函数选择下一跳节点，路径选择函数如式(14)所示：
其中，Ej表示节点j的剩余能量；Dis(i,j)表示节点i和j之间的距离。
综上，本发明首先基于网络带宽和节点覆盖范围约束计算出网络中的最优集群数目；其次，基于最优集群数目根据节点簇内和簇间距离、剩余能量的加权值采用二进制鲸鱼优化算法选择簇头，并基于距离进行集群划分；再次，设置集群维护策略来实现集群的高效维护；最后，对集群内和集群间的采用不同路由通信策略；以实现在较低的能量消耗下满足无人机集群的通信需求，提高网络性能。
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于二进制鲸鱼优化算法的分簇方法，其特征在于，包括：
步骤1，基于网络带宽和节点覆盖范围约束计算最优集群数目；
步骤2，利用二进制鲸鱼优化算法选择簇头；
步骤3，根据距离划分无人机集群；
步骤4，通过设置维护策略实现集群的高效维护；
步骤5，集群路由通信，通过在集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。
2.根据权利要求1所述的一种基于二进制鲸鱼优化算法的分簇方法，其特征在于，所述步骤1包括：
步骤101，建立节点覆盖范围的约束如式(4)(5)所示：
Dij＝min{Dis(i,1),Dis(i,2),...,Dis(i,K)} (1)
其中Dij表示无人机节点i到簇头j的距离；K表示簇头总个数；Rj表示簇头j的覆盖范围；如果节点i在簇头j的覆盖范围内，Lij为1，否则Lij为0；N表示无人机节点总个数；U＝{UAV1,UAV2,...,UAVi,...,UAVN}为所有无人机节点集合；C＝{CH1,CH2,...,CHj,...,CHK}为所有簇头节点集合；
步骤102，建立满足网络带宽的约束如式(7)所示：
其中，B1和B2为集群内和集群间带宽，Mj为第j个集群内簇成员个数；
步骤103，建立满足节点覆盖范围和网络带宽的最优集群数目的约束如式(8)所示：
上述约束条件分别为：每个簇成员只与一个簇头连接，所有簇成员都与簇头连接，集群内和集群间达到带宽均衡。
3.根据权利要求1所述的一种基于二进制鲸鱼优化算法的分簇方法，其特征在于，所述步骤2包括：
步骤201，初始鲸鱼种群：鲸鱼采用二进制编码方式，对N个无人机UAV进行簇头选举，每个UAV节点有唯一的ID编号，鲸鱼在某一时刻的位置为一个N维的二进制向量；
步骤202，设置二进制鲸鱼算法的最大迭代次数tmax；
步骤203，计算每头鲸鱼的适应度值：基于能量、簇内和簇间距离及负载均衡设计簇头选择适应度函数，如式(13)所示：
Fitness＝w1×f1+w2×f2+w3×f3+w4×f4 (13)
其中E(UAVi)为网络中第i个UAV节点的剩余能量，i＝1,2,3,…,N；E(CHj)为第j个簇头CH节点的剩余能量，j＝1,2,3,…,K；Dis(UAVi,CHj)为集群中簇头CHj和簇成员UAVi之间的距离；m为第j个集群中UAV节点个数；Dis(CHj,BS)为集群中簇头CHj和基站BS之间的距离；Cnumj为集群j的大小；
w1+w2+w3+w4＝1,w1,w2,w3,w4为(0,1)之间的权重参数；
步骤204，直到达到最大迭代次数，输出具有最优解的鲸鱼的位置，即选举的簇头UAV。
4.根据权利要求1所述的一种基于二进制鲸鱼优化算法的分簇方法，其特征在于，所述步骤3包括：
步骤301，对于所有非簇头无人机节点，计算与其通信范围内所有簇头节点的距离；
步骤302，若无人机节点与第j个集群之间距离最小，则加入该集群。
5.根据权利要求1所述的一种基于二进制鲸鱼优化算法的分簇方法，其特征在于，所述步骤4包括：
步骤401，对簇头设置能量阈值，周期性检测节点能量，如果簇头能量水平低于设置的能量阈值或簇头离开集群则进行集群维护，重新选举簇头；
步骤402，若簇成员离开集群，则在该集群的成员列表中删除该节点。
6.根据权利要求1所述的一种基于二进制鲸鱼优化算法的分簇方法，其特征在于，所述步骤5包括：
步骤501，对于集群内通信：首先查找邻居表，若目标无人机节点在其邻居表中则直接通信，否则转发给簇头与目标无人机节点进行通信；
步骤502，对于集群间通信：基于无人机节点剩余能量和距离的加权函数选择下一跳节点，路径选择函数如式(14)所示：
其中，Ej表示节点j的剩余能量；Dis(i,j)表示节点i和j之间的距离。
7.一种基于二进制鲸鱼优化算法的分簇系统，其特征在于，包括：
最优集群数目求解模块，用于基于网络带宽和节点覆盖范围约束计算最优集群数目；
簇头选举模块，用于利用二进制鲸鱼优化算法选择簇头；
集群划分模块，用于根据距离划分无人机集群；
集群维护模块，用于通过设置维护策略实现集群的高效维护；
路由通信模块，用于集群路由通信，通过在集群内和集群间设置不同路由策略，以实现在较低的能量消耗下满足无人机集群的通信需求。
8.根据权利要求7所述的一种基于二进制鲸鱼优化算法的分簇系统，其特征在于，所述最优集群数目求解模块包括：
第一约束建立子模块，用于建立节点覆盖范围的约束如式(4)(5)所示：
Dij＝min{Dis(i,1),Dis(i,2),...,Dis(i,K)} (1)
其中Dij表示无人机节点i到簇头j的距离；K表示簇头总个数；Rj表示簇头j的覆盖范围；如果节点i在簇头j的覆盖范围内，Lij为1，否则Lij为0；N表示无人机节点总个数；U＝{UAV1,UAV2,...,UAVi,...,UAVN}为所有无人机节点集合；C＝{CH1,CH2,...,CHj,...,CHK}为所有簇头节点集合；
第二约束建立子模块，用于建立满足网络带宽的约束如式(7)所示：
其中，B1和B2为集群内和集群间带宽，Mj为第j个集群内簇成员个数；
最优集群数目求解子模块，用于建立满足节点覆盖范围和网络带宽的最优集群数目的约束如式(8)所示：
上述约束条件分别为：每个簇成员只与一个簇头连接，所有簇成员都与簇头连接，集群内和集群间达到带宽均衡。
9.根据权利要求7所述的一种基于二进制鲸鱼优化算法的分簇系统，其特征在于，所述簇头选举模块包括：
初始化子模块，用于初始鲸鱼种群：鲸鱼采用二进制编码方式，对N个无人机UAV进行簇头选举，每个UAV节点有唯一的ID编号，鲸鱼在某一时刻的位置为一个N维的二进制向量；
最大迭代次数设置子模块，用于设置二进制鲸鱼算法的最大迭代次数tmax；
适应度值计算子模块，用于计算每头鲸鱼的适应度值：基于能量、簇内和簇间距离及负载均衡设计簇头选择适应度函数，如式(13)所示：
Fitness＝w1×f1+w2×f2+w3×f3+w4×f4 (13)
其中E(UAVi)为网络中第i个UAV节点的剩余能量，i＝1,2,3,…,N；E(CHj)为第j个簇头CH节点的剩余能量，j＝1,2,3,…,K；Dis(UAVi,CHj)为集群中簇头CHj和簇成员UAVi之间的距离；m为第j个集群中UAV节点个数；Dis(CHj,BS)为集群中簇头CHj和基站BS之间的距离；Cnumj为集群j的大小；w1+w2+w3+w4＝1,w1,w2,w3,w4为(0,1)之间的权重参数；
最优簇头得出子模块，用于直到达到最大迭代次数，输出具有最优解的鲸鱼的位置，即选举的簇头UAV。
10.根据权利要求7所述的一种基于二进制鲸鱼优化算法的分簇系统，其特征在于，所述集群划分模块包括：
距离计算子模块，用于对于所有非簇头无人机节点，计算与其通信范围内所有簇头节点的距离；
加入集群子模块，用于若无人机节点与第j个集群之间距离最小，则加入该集群；
进一步地，所述集群维护模块包括：
簇头维护子模块，用于对簇头设置能量阈值，周期性检测节点能量，如果簇头能量水平低于设置的能量阈值或簇头离开集群则进行集群维护，重新选举簇头；
簇成员维护子模块，用于若簇成员离开集群，则在该集群的成员列表中删除该节点；
进一步地，所述路由通信模块包括：
集群内通信子模块，用于对于集群内通信：首先查找邻居表，若目标无人机节点在其邻居表中则直接通信，否则转发给簇头与目标无人机节点进行通信；
集群间通信子模块，用于对于集群间通信：基于无人机节点剩余能量和距离的加权函数选择下一跳节点，路径选择函数如式(14)所示：
其中，Ej表示节点j的剩余能量；Dis(i,j)表示节点i和j之间的距离。
CN202310039919.0A 2023-01-11 2023-01-11 一种基于二进制鲸鱼优化算法的分簇方法及系统 Pending CN116582907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310039919.0A CN116582907A (zh) 2023-01-11 2023-01-11 一种基于二进制鲸鱼优化算法的分簇方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310039919.0A CN116582907A (zh) 2023-01-11 2023-01-11 一种基于二进制鲸鱼优化算法的分簇方法及系统

Publications (1)

Publication Number Publication Date
CN116582907A true CN116582907A (zh) 2023-08-11

Family

ID=87541862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310039919.0A Pending CN116582907A (zh) 2023-01-11 2023-01-11 一种基于二进制鲸鱼优化算法的分簇方法及系统

Country Status (1)

Country Link
CN (1) CN116582907A (zh)

Similar Documents

Publication Publication Date Title
CN108566663B (zh) 基于扰动粒子群优化的sdwsn能耗均衡路由方法
Zhang et al. A novel multicast routing method with minimum transmission for WSN of cloud computing service
CN112822752B (zh) 一种无人机自组织网络的路由建立方法及系统
Khan et al. Intelligent cluster routing scheme for flying ad hoc networks
Wang et al. Energy-efficient UAV deployment and task scheduling in multi-UAV edge computing
CN109451556B (zh) 基于uav对无线传感网充电的方法
CN113645143B (zh) 一种空中集群通信网络的优化方法及装置
CN112564767B (zh) 无人机网络中基于自组织优化协作的连续覆盖方法
Park et al. Analysis of dynamic cluster head selection for mission-oriented flying ad hoc network
Wei et al. Wireless sensor network data collection by connected cooperative UAVs
Yao et al. Game theory and coverage optimization based multihop routing protocol for network lifetime in wireless sensor networks
CN117042083A (zh) 一种面向无人集群组网的分布式可靠传输保障方法
Xia et al. A survey of UAV clustering algorithm
Fu et al. AoI-energy-aware collaborative data collection in UAV-enabled wireless powered sensor networks
Verma et al. Routing in UAVs-assisted 5G wireless sensor network: Recent advancements, challenges, research GAps, and future directions
Pei et al. UAV swarm for connectivity enhancement of multiple isolated sensor networks for Internet of things application
Wang et al. Clustering strategy of UAV network based on deep Q-learning
Manikandan et al. Energy efficient clustering algorithm for mobile cluster heads to enhance the lifespan of wireless sensor network
CN116582907A (zh) 一种基于二进制鲸鱼优化算法的分簇方法及系统
Lei Artificial intelligence empowered traffic control for Internet of Things with mobile edge computing
Gautam et al. Data dissemination in wireless sensor networks: A state-of-the art survey
CN110932758B (zh) 一种基于非交叠分簇的低压电力线分层蚁群路由方法
Sonwalkar et al. Improved ACO Oriented Efficient Cluster Head Selection Mechanism for Energy Aware Routing Scheme in WSN
Duraimurugan et al. Energy Efficient Nodes Clustering and Routing Using Multi-Objective Spider Monkey Optimization Algorithm in Wireless Sensor Network
Boucetta et al. Adaptive scheduling with fault tolerance for 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