CN116600365B - 无线传感器网络分簇路由方法及装置、存储介质和终端 - Google Patents
无线传感器网络分簇路由方法及装置、存储介质和终端 Download PDFInfo
- Publication number
- CN116600365B CN116600365B CN202310417820.XA CN202310417820A CN116600365B CN 116600365 B CN116600365 B CN 116600365B CN 202310417820 A CN202310417820 A CN 202310417820A CN 116600365 B CN116600365 B CN 116600365B
- Authority
- CN
- China
- Prior art keywords
- cluster head
- habitat
- node
- nodes
- habitats
- 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 50
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 303
- 230000005540 biological transmission Effects 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000013508 migration Methods 0.000 claims description 60
- 230000005012 migration Effects 0.000 claims description 58
- 210000000349 chromosome Anatomy 0.000 claims description 39
- 230000035772 mutation Effects 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 12
- 241000894007 species Species 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000003064 k means clustering Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006907 apoptotic process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无线传感器网络分簇路由方法及装置、存储介质和终端，其中方法包括：获取待分簇无线传感器网络；基于生物地理学优化算法从待分簇无线传感器网络中筛选出初始簇首节点集合，将初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从待分簇无线传感器网络中筛选出最优簇首节点集合；基于最优簇首节点集合中的簇首节点，对待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇；基于遗传算法获取最优簇首节点集合中所有簇首节点到基站的最优传输路径，最优簇首节点集合中所有簇首节点均基于最优传输路径将节点数据传输至基站。本发明方法降低传感器节点的能量消耗，有效延长了传感器网络的生存周期。
Description
技术领域
本发明涉及无线传感器网络技术领域，尤其涉及一种无线传感器网络分簇路由方法及装置、存储介质和终端。
背景技术
无线传感器网络由大量价格低廉、结构简单和体积较小的传感器节点通过无线信道联通而成。传感器节点既可以感知和监测物体或者环境的相关参数，也可以与传感器节点或者基站进行通信。基站用于收集监测区域内所有传感器节点的信息。无线传感器网络具备部署速度快、成本低和覆盖面积大等优势。在智能交通、农业、军事和电力等行业都得到了广泛的应用。
LEACH(Low Energy Adaptive Clustering Hierarchy,低功耗自适应分簇协议)是最传统的分簇路由算法，以轮次的方式运行，每一轮次包含成簇阶段和稳态传输阶段。成簇阶段通过传感器节点生成的随机数与阈值之间的比较确定是否为簇首节；稳态传输阶段簇首节点将收集的数据单跳的传输到基站。LEACH具备节能的特点，但是随机选举簇首会导致成簇不均匀和负载不均衡的问题。
为了改善LEACH的缺点，本领域技术人员相继提出了改进算法。在成簇阶段采用聚类算法选举出最优的簇首节点；在数据传输阶段簇首节点采用多跳路由的方式将数据传输到基站。相关技术选举簇首节点时考虑了能量因素、簇首节点与基站之间的距离，但是未考虑簇首节点的均衡性，会出现极大簇和极小簇。数据传输阶段选取转发节点时主要考虑节点间距离，缺乏考虑节点的通信负荷量，导致部分簇首节点过早死亡，网络生命周期不长。
因此如何选取位置和能量合理的簇首节点和优化数据算数路径、均衡并均衡网络能耗、延长网络生命周期是本领域技术人员需要解决的问题。
发明内容
本发明所要解决的技术问题是无线传感器网络分簇方法无法选取位置和能量合理的簇首节点，且现有方法的数据传输方式缺乏考虑节点的通信负荷量，导致部分簇首节点过早死亡，网络生命周期不长。
为了解决上述技术问题，本发明提供了一种无线传感器网络分簇路由方法，包括：
获取待分簇无线传感器网络；
基于生物地理学优化算法从所述待分簇无线传感器网络中筛选出初始簇首节点集合，将所述初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从所述待分簇无线传感器网络中筛选出最优簇首节点集合；
基于所述最优簇首节点集合中的簇首节点，对所述待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇；
基于遗传算法获取所述最优簇首节点集合中所有簇首节点到基站的最优传输路径，所述最优簇首节点集合中所有簇首节点均基于所述最优传输路径将节点数据传输至所述基站。
优选地，基于生物地理学优化算法从所述待分簇无线传感器网络中筛选出初始簇首节点集合包括：
以所述待分簇无线传感器网络任意簇首与非簇首设计方案作为栖息地，随机生成第一预设个数的初始栖息地；
计算每个所述初始栖息地的栖息地适宜指数，基于所述栖息地适宜指数从大到小的顺序从所有所述初始栖息地中筛选出第二预设个数的所述初始栖息地作为精英栖息地，并将剩下所述初始栖息地作为待修正栖息地；
分别对所有所述待修正栖息地进行迁移操作和变异操作，以获取对应的修正后栖息地，将迭代次数加1，并判断所述迭代次数是否大于预设迭代阈值，若是则从所有所述精英栖息地和所有所述修正后栖息地中筛选出栖息地适宜指数最大的栖息地作为目标栖息地，并将所述目标栖息地的簇首节点集合作为初始簇首节点集合，否则将所有所述精英栖息地和所有所述修正后栖息地均作为新的初始栖息地，重新计算每个所述初始栖息地的栖息地适宜指数，并实现对所有所述待修正栖息地的迁移操作和变异操作；
其中，所述迭代次数初始值为1。
优选地，对所述待修正栖息地进行迁移操作包括：
将所述待修正栖息地作为选定栖息地，计算所述选定栖息地的迁入率；
通过预设随机概率生成方式为所述选定栖息地第x个传感器节点生成随机概率，判断所述随机概率是否小于所述选定栖息地的迁入率，若是则对所述选定栖息地第x个传感器节点进行迁移操作，获取新的选定栖息地，当获取新的所述选定栖息地或所述随机概率不小于所述选定栖息地的迁入率时，将x加1，并判断x是否大于所述选定栖息地中传感器节点数，若是则将当前新的所述选定栖息地作为迁移后栖息地，否则重新通过预设随机概率生成方式为所述选定栖息地第x个传感器节点生成随机概率，并实现所述选定栖息地第x个传感器节点的迁移操作；
其中，对所述选定栖息地第x个传感器节点进行迁移操作包括：从除所述选定栖息地外的所有所述待修正栖息地中筛选出迁移目标栖息地，将所述选定栖息地第x个传感器节点的簇属性与所述迁移目标栖息地第x个传感器节点的簇属性进行对调，获取对调后的选定栖息地和对调后的迁移目标栖息地，选取所述选定栖息地和所述对调后的选定栖息地中栖息地适宜指数高的作为新的所述选定栖息地，并选取所述迁移目标栖息地和所述对调后的迁移目标栖息地中栖息地适宜指数高的代替所述迁移目标栖息地，x的初始值为1，所述簇属性包括簇首节点属性和非簇首节点属性。
优选地，对所述待修正栖息地进行变异操作包括：
计算所述待修正栖息地的突变概率；
通过预设随机概率生成方式为所述待修正栖息地中第y个传感器节点生成随机概率，判断所述随机概率是否大于所述待修正栖息地的突变概率，若是则修改所述待修正栖息地第y个传感器节点的簇属性，得到修改后的栖息地，并选定所述待修正栖息地和所述修改后的栖息地中栖息地适宜指数高的作为新的所述待修正栖息地，当获取新的所述待修正栖息地或所述随机概率不大于所述待修正栖息地的突变概率时，将y加1，并判断y是否大于所述待修正栖息地中传感器节点数，若是则将当前新的所述待修正栖息地作为突变后栖息地，否则重新通过预设随机概率生成方式为所述待修正栖息地中第y个传感器节点生成随机概率，并实现所述待修正栖息地第y个传感器节点的突变操作；
其中，y的初始值为1。
优选地，所述栖息地适宜指数计算方式为：
f＝α1f1+α2f2+α3f3
其中，f表示栖息地适宜指数，α1、α2、α3均表示权重参数，E(CHi)表示栖息地中第i个簇首节点能量，E(NCHj)表示栖息地中第j个非簇首节点能量，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数；/>||CHi||表示栖息地中第i个簇中节点总数，d(node,CHi)表示栖息地第i个簇中非簇首节点到簇首节点的距离；/>表示从m个簇首节点中选取两个簇首节点计算距离的方案数，d(CHi,CHk)表示簇首节点之间的距离；/>d(CHi,BS)表示栖息地中第i个簇首节点到基站的距离，d(nodej,BS)表示栖息地中第j个非簇首节点到基站的距离。
优选地，基于遗传算法获取所述最优簇首节点集合中所有簇首节点到基站的最优传输路径包括：
对所述最优簇首节点集合中的所有簇首节点进行编号，并基于编号对所述最优簇首节点集合中所有所述簇首节点和所述基站进行排序，获取节点排序组；
初始化生成所述节点排序组的初始种群，所述初始种群中包括多条所述节点排序组的路径排序染色体；
通过路径评估函数获取所述初始种群中所述路径排序染色体的路径评估值，基于所述初始种群中所述路径排序染色体的路径评估值，对所述初始种群中所述路径排序染色体进行修改操作，得到新的初始种群，将h加1，并判断h是否大于预设阈值，若是则将当前新的所述初始种群中路径评估值最高的路径排序染色体所具有的传输路径作为最优传输路径，否则重新通过路径评估函数获取新的所述初始种群中每条所述路径排序染色体的路径评估值，并实现对新的所述初始种群中所述路径排序染色体的修改操作；
其中，h的初始值为1。
优选地，所述修改操作包括选择操作、交叉操作和变异操作。
优选地，所述路径评估函数为：p＝β1p1+β2p2
其中，p为路径评估值，dis(CHi,NH)表示第i个簇首节点到下一跳节点的距离，dis(NH,BS)表示下一跳节点到基站的距离，dis(CHi,BS)表示第i个簇首节点到基站的距离；/>∑||NH|表示簇首节点的下一跳簇首节点簇内节点总数，β1和β2均为权重因子，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数。
为了解决上述技术问题，本发明提供了一种无线传感器网络分簇路由装置，包括待分簇无线传感器网络获取模块、最优簇首获取模块、簇获取模块和最优传输路径获取模块；
所述待分簇无线传感器网络获取模块，用于获取待分簇无线传感器网络；
所述最优簇首获取模块，用于基于生物地理学优化算法从所述待分簇无线传感器网络中筛选出初始簇首节点集合，将所述初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从所述待分簇无线传感器网络中筛选出最优簇首节点集合；
所述簇获取模块，用于基于所述最优簇首节点集合中的簇首节点，对所述待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇；
所述最优传输路径获取模块，用于基于遗传算法获取所述最优簇首节点集合中所有簇首节点到基站的最优传输路径，所述最优簇首节点集合中所有簇首节点均基于所述最优传输路径将节点数据传输至所述基站。
为了解决上述技术问题，本发明提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的无线传感器网络分簇路由方法。
为了解决上述技术问题，本发明提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如所述的无线传感器网络分簇路由方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
应用本发明实施例提供的无线传感器网络分簇路由方法，基于生物地理学优化算法获取初始簇首节点集合，并以初始簇首节点集合作为初始聚类中心，通过K-means聚类算法获取最优簇首节点集合，有效避免K-means算法迭代时陷入局部最优，实现在全局范围内选举出能量较高和位置均衡的簇首节点，避免簇首节点分布不均匀使得数据传输消耗过多能量，加速网络的消亡；且本申请方法根据距离因子和节点度因子设计了新的路径评估函数，基于遗传算法决定簇首节点收集数据到基站的转发路径最优解，该种数据路径传输方式簇首节点通过多跳数据传输路径将数据传递到基站，降低了传感器节点的能耗，延长网络生命周期，保障网络中存活的传感器节点能够持续稳定的采集数据。本发明方法降低传感器节点的能量消耗，有效延长了传感器网络的生存周期。
本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1示出了本发明实施例一无线传感器网络分簇路由方法的流程示意图；
图2示出了本发明实施例一中最优簇首节点集合的获取过程示意图；
图3示出了本发明实施例一中单个栖息地物种迁移模型示意图；
图4示出了本发明实施例一中节点排序组与路径排序染色体的一种示意图；
图5示出了本发明实施例二无线传感器网络分簇路由装置的结构示意图；
图6示出了本发明实施例四终端的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
路由技术是无线传感器网络的关键技术之一。其中层次路由算法提出了簇的概念，通过将区域内的传感器节点分成多个簇，每个簇中选取一个传感器节点担任簇首节点，其他传感器节点作为成员节点。成员节点将采集数据传递给簇首节点，簇首节点收集数据并进行数据融合，簇首节点通过多跳数据传输路径将数据传递到基站。
传感器节点一般由电池提供能量，当被安置在偏僻的郊区时，能量耗尽时难以更换电池，会改变整个传感器网络的拓扑结构。设计路由算法时应充分考虑构建合理的数据传输路径降低传感器节点的能耗，延长网络生命周期，保障网络中存活的传感器节点能够持续稳定的采集数据。
生物地理学优化算法模拟了物种如何从一个栖息地迁移到另一个栖息地，新物种如何出现以及灭绝的过程。栖息地适宜指数(HSI)表示生物物种居住的适宜程度，适应性指数变量(SIV)表示可居住性，SIV可看作栖息地的自变量，HSI可看作为是因变量。高HSI的栖息地生物物种多，物种迁移率低；低HSI的栖息地生物物种少，迁移率高。使用生物地理学优化算法来解决优化问题时，可通过HSI值来量化解决方案的适用性，类似于其他种群算法中的适应度值，高HSI值的解决方案更优，还可与低HSI解决方案共享其优良的特性，这种方法有助于提高解决方案的质量。
生物地理学优化算法中的迁移操作可以理解为不同的解决方案之间共享信息。当处理优化问题时，存在多个解决方案，高HSI的栖息地代表好的解决方案，低HSI的栖息地代表差的解决方案。执行迁移操作时，这样优良解会把自身的特性共享给较差解，较差解在迭代过程中有较大概率向优良解学习，整体向最优解收敛。与其他群体优化算法一样，生物地理学优化算法的迁移操作加入了精英主义，以便在群体中保留最佳的解决方案，防止最优解决方案的优良特性在迁移过程中丢失。
生物地理学优化算法中的变异操作可以使低HSI的栖息地得到改进，也可以使高HSI的栖息地更好的提升优良特性，一定程度上可以避免优化算法进入局部最优。
实施例一
为解决现有技术中存在的技术问题，本发明实施例提供了一种无线传感器网络分簇路由方法。
图1示出了本发明实施例一无线传感器网络分簇路由方法的流程示意图，参考图1所示，本发明实施例无线传感器网络分簇路由方法包括如下步骤。
步骤S101，获取待分簇无线传感器网络。
具体地，无线传感器网络中，随机部署传感器节点持续监测并收集物体参数和环境参数，传感器节点将数据传输给远离部署场景的基站。无线传感器网络包括多个无线传感器节点，将所有传感器节点分布于监测区域内，基站部署于监测区域外部，每个传感器节点均有其对应唯一的ID。
将待进行分簇的无线传感器网络作为待分簇无线传感器网络。待分簇无线传感器网络具有以下特点：所有传感器节点和基站都是固定放置的，基站能量不受限制；默认为同构网络，所有传感器节点具有相同的初始能量；所有传感器节点均能够以传感器模式运行，监测数据并传输给其他传感器节点，也可以以簇首模式进行，收集成员节点的数据后进行压缩融合，通过多跳方式传输给基站；所有传感器节点可以感知剩余能量并且可以计算到目标节点的距离。
传感器节点的网络能耗可基于自由空间模型和多径衰落模型计算，网络能耗包括发送数据、接收数据和融合数据消耗的能量。
步骤S102，基于生物地理学优化算法从待分簇无线传感器网络中筛选出初始簇首节点集合，将初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从待分簇无线传感器网络中筛选出最优簇首节点集合。
图2示出了本发明实施例一中最优簇首节点集合的获取过程示意图；参考图2所示，具体地，将待分簇无线传感器网络中传感器节点的每种簇首与非簇首设计方案均作为生物地理学优化算法的一个栖息地。即将待分簇无线传感器网络的每种簇首与非簇首设计方案看作优化问题的一个解，每个解看成一个栖息地，解的适应度越高，则栖息地拥有的物种越多，其迁出率就越高、迁入率就越低；反之解的适应度越低，其对应的迁出率越低、迁入率就越高。本实施例使用生物地理学优化算法在待分簇无线传感器网络中通过迭代方式筛选出初始簇首节点集合，初始簇首节点集合获取过程如下：
首先进行参数初始化，即初始化随机生成第一预设个数L的初始栖息地H1，H2，……HL，其中Hi是N维行向量，N为区域内传感器节点数，Hi＝(Hi 1，Hi 2，……Hi N)，若Hi m值为1，则表示第m个节点为簇首节点，若Hi m值为0，则表示第m个节点为非簇首节点。将传感器节点为簇首节点或非簇首节点的属性作为簇属性，即簇属性包括簇首节点属性和非簇首节点属性。
而后计算每个初始栖息地的栖息地适宜指数HSI，并基于栖息地适宜指数HIS的大小对各个初始栖息地进行排序。基于全局迁移率(按需设定)确定第二预设个数，并基于栖息地适宜指数从大到小的顺序从所有初始栖息地中筛选出第二预设个数的初始栖息地作为精英栖息地，同时将剩下所有初始栖息地均作为待修正栖息地。
通过迁移操作和变异操作分别对当前所有待修正栖息地进行修正，以获取每个待修正栖息地所对应的修正后栖息地。之后将当前迭代次数加1，并通过判断当前迭代次数是否大于预设迭代阈值的方式，判断是否要进行下一次迭代。若当前迭代次数大于预设迭代阈值，则表示迭代完成，此时需计算所有修正后栖息地的栖息地适宜指数HIS，并从当前所有精英栖息地和所有修正后栖息地中，筛选出栖息地适宜指数HIS最大的栖息地作为目标栖息地，并依据目标栖息地中的簇首节点设计方案确定初始簇首节点集合，进一步即将目标栖息地的簇首节点集合作为初始簇首节点集合。若当前迭代次数不大于预设迭代阈值，则需将当前所有精英栖息地和所有修正后栖息地混合后，均设定为新的初始栖息地(不包含原始初始栖息地)，并重复上述过程(重新计算每个初始栖息地的栖息地适宜指数，并实现对所有所述待修正栖息地的迁移操作和变异操作等)，直到所有获取初始簇首节点集合为止。其中，迭代次数初始值为1。
上述过程中，对单个待修正栖息地进行迁移操作的具体过程包括：为了更好地区分目前正在进行迁移操作的待修正栖息地和其他待修正栖息地，设定目前正在进行迁移操作的待修正栖息地为选定栖息地。
计算选定栖息地的迁入率和所有其他待修正栖息地的迁出率，而后通过预设随机概率生成方式为选定栖息地第x个传感器节点生成随机概率，并判断选定栖息地第x个传感器节点的随机概率是否小于选定栖息地的迁入率，若是则对选定栖息地第x个传感器节点进行迁移操作，并基于第x个传感器节点的迁移操作获取新的选定栖息地。而当选定栖息地第x个传感器节点的随机概率不小于选定栖息地的迁入率，或者新的选定栖息地生成后，则需判断是否需对选定栖息地下一个传感器节点进行迁移操作判断，此时将x加1，并判断x是否大于选定栖息地中传感器节点数，若当前x已经大于选定栖息地中传感器节点数，则表示选定栖息地中的所有传感器节点均已经完成迁移操作，并将当前最新得到的新的选定栖息地作为迁移后栖息地；若当前x还不大于选定栖息地中传感器节点数，则表示还需对选定栖息地下一个传感器节点进行迁移操作判断，并实现如上对选定栖息地第x个传感器节点的迁移操作。重复上述步骤，直到将选定栖息地中的所有传感器节点完成迁移操作。
其中，对选定栖息地的第x个传感器节点进行迁移操作具体包括：从除选定栖息地外的所有待修正栖息地中筛选出迁移目标栖息地，并将选定栖息地第x个传感器节点的簇属性与迁移目标栖息地第x个传感器节点的簇属性进行对调，得到第x个传感器节点簇属性对调后的选定栖息地和第x个传感器节点簇属性对调后的迁移目标栖息地。此后计算对选定栖息地和对调后的选定栖息地的栖息地适宜指数HIS，并将选定栖息地和对调后的选定栖息地中栖息地适宜指数HIS高的那个作为新的选定栖息地；同时计算迁移目标栖息地和对调后的迁移目标栖息地的栖息地适宜指数HIS，并将迁移目标栖息地和对调后的迁移目标栖息地中栖息地适宜指数HIS高的那个替换掉原始的迁移目标栖息地作为待修正栖息地。其中设定x的初始值为1。簇属性包括簇首节点属性和非簇首节点属性。
迁移目标栖息地的选定方式为：基于除选定栖息地外的所有待修正栖息地的迁出率，通过轮盘选择方式，从除选定栖息地外的所有待修正栖息地中选出迁移目标栖息地。需要说明的是还可通过其他合理方式选出迁移目标栖息地。
图3示出了本发明实施例一中单个栖息地物种迁移模型示意图；参考图3所示，本实施例中栖息地的迁入率和迁出率的计算方式为：
当栖息地的物种数目为S时，栖息地的迁入率λ和迁出率μ计算式如下：
其中，Smax表示栖息地的物种数据最大值，I表示单个栖息地物种迁移模型中的最大迁入率，E表示单个栖息地物种迁移模型中的最大迁出率。
上述过程中，对单个待修正栖息地进行突变操作的具体过程包括：计算该待修正栖息地的突变概率，通过预设随机概率生成方式为待修正栖息地中第y个传感器节点生成随机概率，并判断随机概率是否大于待修正栖息地的突变概率，若是则修改当前待修正栖息地第y个传感器节点的簇属性，得到修改后的栖息地。计算待修正栖息地与对应修改后的栖息地的栖息地适宜指数，并将待修正栖息地和修改后的栖息地中栖息地适宜指数高的作为新的待修正栖息地(即替换原始待修改栖息地)。当获取到新的待修改栖息地或者判断随机概率不大于待修正栖息地的突变概率后，需判断是否需对新的待修改栖息地的下一个传感器节点进行变异操作判断，此时需将y加1，并判断当前y是否大于待修正栖息地中传感器节点数，若是则表示当前待修改栖息地中所有传感器节点均完成了变异操作，此时需将当前新的待修正栖息地作为突变后栖息地，否则需对新的待修改栖息地的第y个传感器节点进行变异操作。重复上述步骤，直到将待修改栖息地中的所有传感器节点完成变异操作。
需要说明的是，变异操作可在待修正栖息地执行完迁移操作后执行，此时变异操作是在迁移后栖息地基础上实施。且本实施例中预设随机概率生成方式可选取现有任意合适的随机概率生成方式。
栖息地的突变概率计算方式为：
其中，mmax表示最大突变率；Ps为栖息地中物种数量为S时所对应的概率；Pmax为Ps的最大值，m(S)是栖息地中物种数量为S时所对应的突变概率。
Ps为栖息地中物种数量为S时所对应的概率，当时间从t到t+Δt时Ps会按下式变化：
Ps(t+Δt)＝Ps(t)(1-λsΔt-μsΔt)+Ps-1λs-1Δt+Ps+1μs+1Δt
当Δt趋于0时，用表示Ps(t+Δt)，可按下式计算：
获取初始簇首节点集合后，即可将初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从待分簇无线传感器网络中筛选出最优簇首节点集合。优选地，预设聚类算法为K-means聚类算法。
进一步地，采用K-means聚类算法从待分簇无线传感器网络中筛选出最优簇首节点集合包括：
通过生物地理学优化算法得到了初始簇首节点集合后，将其作为K-means聚类算法的初始聚类中心，将非簇首节点根据欧几里得距离选择离其最近的初始聚类中心加入所在簇。对于形成的每个簇，按照下式重新计算中心坐标值作，并选取距离中心坐标值最近的传感器节点作为簇首节点：
其中，(xi,yi)表示簇内第i个是传感器节点坐标，CHi表示第i个簇中传感器节点的数量，CHi(X,Y)表示第i个簇的中心坐标值。
而后再以新确定的簇首节点作为聚类中心，重复上述成簇以及簇重新进行簇首节点选取过程，直到达到收敛条件或者达到最大迭代次数，即可获取最优簇首节点集合。
在上述过程中，获取簇首过程中，优先选取剩余能量高和位置均衡的传感器节点作为簇首节点。进一步地，相较非簇首节点而言，簇首节点需要收集并融合簇内所有传感器节点的数据，距离基站较远时还需通过多跳路由将数据传输到基站，所以优先选取能量高的节点作为簇首节点；假定无线传感器网络中有N个节点，其中有m个簇首节点，n-m个非簇首节点，给出如下的函数f1，f1值越小，表示簇首节点的能量越高：
其中，E(CHi)表示栖息地中第i个簇首节点能量，E(NCHj)表示栖息地中第j个非簇首节点能量。
当簇首节点与其簇内节点的距离较近时，簇间通信消耗的能量更少，同时簇首节点之间距离不宜太近，有利于在无线传感器网络整个区域形成均匀的分簇；基于簇首节点与簇内节点的距离和簇首节点间的距离来设计目标函数f2：
其中，||CHi||表示栖息地中第i个簇中节点总数，d(node,CHi)表示栖息地第i个簇中非簇首节点到簇首节点的距离；表示从m个簇首节点中选取两个簇首节点计算距离的方案数，d(CHi,CHk)表示簇首节点之间的距离。
选取最佳簇首节点时应考虑簇首节点与基站之间的距离，离基站距离相对较近时，把数据传输到基站消耗的能量就越少；目标函数f3按下式计算；
其中，d(CHi,BS)表示栖息地中第i个簇首节点到基站的距离，d(nodej,BS)表示栖息地中第j个非簇首节点到基站的距离。
最后计算适应度函数数值时，将三个目标函数f1、f2和f3线性组合转换为单目标函数计算：
f＝α1f1+α2f2+α3f3
其中，f表示栖息地适宜指数，α1、α2、α3均为权重参数，且满足
步骤S103，基于最优簇首节点集合中的簇首节点，对待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇。
具体地，以最优簇首节点集合中簇首节点为中心，将其他非簇首节点基于欧几里得距离选取簇首节点所在簇，完成成簇阶段，获取多个簇。
步骤S104，基于遗传算法获取最优簇首节点集合中所有簇首节点到基站的最优传输路径，最优簇首节点集合中所有簇首节点均基于最优传输路径将节点数据传输至基站。
具体地，本实施例数据传输阶段，簇首节点利用多跳路由机制，将收集的数据通过多跳转发传输到基站。进一步地，先将最优簇首节点集合中所有簇首节点进行编号，将最优簇首节点集合中的簇首节点基于编号进行排序，并将基站排序到最后，得到节点排序组。而后初始化生成节点排序组的初始种群。初始种群中包括多条节点排序组的路径排序染色体，每条路径排序染色体均表示一种最优簇首节点集合中所有簇首到基站的数据传输方案。图4示出了本发明实施例一中节点排序组与路径排序染色体的一种示意图；图4所示中的节点排序组基于所示路径排序染色体的传输路径包括：簇首节点1的数据传输路径：1-2-4-6-8-BS；簇首节点2的数据传输路径：2-4-6-8-BS；簇首节点3的数据传输路径：3-5-8-BS；簇首节点4的数据传输路径：4-6-8-BS；簇首节点5的数据传输路径：5-8-BS；簇首节点6的数据传输路径：6-8-BS；簇首节点7的数据传输路径：7-8-BS；簇首节点8的数据传输路径：8-BS；簇首节点9的数据传输路径：9-8-BS。
通过路径评估函数计算初始种群中所有路径排序染色体的路径评估值，并基于初始种群中路径排序染色体的路径评估值，对初始种群中路径排序染色体进行修改操作，得到新的初始种群。
修改操作包括选择操作、交叉操作和变异操作。进一步即基于修改操作对初始种群中路径排序染色体进行修改包括：基于路径评估值对初始种群中的路径排序染色体进行排序，选取第三预设个数的路径排序染色体作为精英群体，剩下的作为待修改路径染色体，此时即完成了选择操作。而后对所有待修改染色体进行交叉操作和变异操作，生成对应新的路径排序染色体。将精英群体和所有新的路径排序染色体形成新的初始种群。
再获取新的初始种群后，即将迭代次数h加1，并判断迭代次数h是否大于预设阈值，若是则表示初始种群内路径排序染色体迭代完成，此时需计算新的初始种群中所有路径排序染色体的路径评估值，并将当前新的初始种群中路径评估值最高的路径排序染色体所具有的传输路径作为最优传输路径，否则需重新通过路径评估函数获取新的初始种群中每条路径排序染色体的路径评估值，并实现对新的初始种群中路径排序染色体的修改操作，重复上述过程，直到获取最优传输路径。
遗传算法中的交叉操作和变异操作为该领域常用技术手段，在此不对其进行过多赘述。
本实施例多跳路由机制基于距离因子和节点度因子设计了路径评估函数。簇首节点的数据经中继节点多跳转发传输到基站，选取中继节点时，距离越远，消耗的能量越多；根据距离因子设计如下目标函数p1：
其中，dis(CHi,NH)表示第i个簇首节点到下一跳节点的距离，dis(NH,BS)表示下一跳节点到基站的距离(若假设下一跳节点为簇首节点A，簇首节点A到基站的传输路径为A-B-BS，则dis(NH,BS)即表示簇首节点A到簇首节点B的距离，加上簇首节点B到簇首节点BS的距离)，dis(CHi,BS)表示第i个簇首节点到基站的距离。
同时，若簇首节点其簇内节点数较多，簇内通信开销大，不宜被选为中继节点；考虑中继节点的节点度因子设计目标函数p2：
其中，∑||NH|表示簇首节点的下一跳簇首节点簇内节点总数，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数。
两个目标函数互不冲突，通过权重因子将其线性组合转化为单目标函数求解；
p＝β1p1+β2p2
其中β1和β2均为权重因子，且满足如下条件：
获取最优传输路径后，在数据传输阶段最优簇首节点集合中所有簇首节点即可基于最优传输路径将节点数据传输至基站。
更近一步地，在上述步骤中本发明实施例基于自由空间模型和多径衰落模型来计算无线传感器网络中传感器节点发送和接收数据的能量消耗。
发送K bit数据传输距离d所消耗的能量可按照下式计算：
其中εfs表示自由空间传输的能量耗散，εmp表示多径衰落传输的能量耗散，Eelec表示信号发送电路单元发送数据产生的能量耗散，d0表示距离阈值，可用下式计算：
接收K bit数据消耗的能量按照下式计算：
ERX(K)＝KEelec
传感器节点对数据进行融合时也需要消耗能量，假设对Kbit数据进行融合产生的能量耗散计算按照下式：
EA(K)＝KEDA。
本发明实施例提供的无线传感器网络分簇路由方法，基于生物地理学优化算法获取初始簇首节点集合，并以初始簇首节点集合作为初始聚类中心，通过K-means聚类算法获取最优簇首节点集合，有效避免K-means算法迭代时陷入局部最优，实现在全局范围内选举出能量较高和位置均衡的簇首节点，避免簇首节点分布不均匀使得数据传输消耗过多能量，加速网络的消亡；且本申请方法根据距离因子和节点度因子设计了新的路径评估函数，基于遗传算法决定簇首节点收集数据到基站的转发路径最优解，该种数据路径传输方式簇首节点通过多跳数据传输路径将数据传递到基站，降低了传感器节点的能耗，延长网络生命周期，保障网络中存活的传感器节点能够持续稳定的采集数据。本发明方法降低传感器节点的能量消耗，有效延长了传感器网络的生存周期。
实施例二
为解决现有技术中存在的技术问题，本发明实施例提供了一种无线传感器网络分簇路由装置。
图5示出了本发明实施例二无线传感器网络分簇路由装置的结构示意图；参考图5所示，本发明实施例无线传感器网络分簇路由装置，包括待分簇无线传感器网络获取模块、最优簇首获取模块、簇获取模块和最优传输路径获取模块。
待分簇无线传感器网络获取模块用于获取待分簇无线传感器网络。
最优簇首获取模块用于基于生物地理学优化算法从待分簇无线传感器网络中筛选出初始簇首节点集合，将初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从待分簇无线传感器网络中筛选出最优簇首节点集合。
簇获取模块用于基于最优簇首节点集合中的簇首节点，对待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇。
最优传输路径获取模块用于基于遗传算法获取最优簇首节点集合中所有簇首节点到基站的最优传输路径，最优簇首节点集合中所有簇首节点均基于最优传输路径将节点数据传输至基站。
本发明实施例提供的无线传感器网络分簇路由装置，基于生物地理学优化算法获取初始簇首节点集合，并以初始簇首节点集合作为初始聚类中心，通过K-means聚类算法获取最优簇首节点集合，有效避免K-means算法迭代时陷入局部最优，实现在全局范围内选举出能量较高和位置均衡的簇首节点，避免簇首节点分布不均匀使得数据传输消耗过多能量，加速网络的消亡；且本申请方法根据距离因子和节点度因子设计了新的路径评估函数，基于遗传算法决定簇首节点收集数据到基站的转发路径最优解，该种数据路径传输方式簇首节点通过多跳数据传输路径将数据传递到基站，降低了传感器节点的能耗，延长网络生命周期，保障网络中存活的传感器节点能够持续稳定的采集数据。本发明装置降低传感器节点的能量消耗，有效延长了传感器网络的生存周期。
实施例三
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中无线传感器网络分簇路由方法中的所有步骤。
所述的无线传感器网络分簇路由方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，在此不在对其进行赘述。
需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。
图6示出了本发明实施例四终端结构示意图，参照图6，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一中所述的无线传感器网络分簇路由方法中的所有步骤。
所述的无线传感器网络分簇路由方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，在此不在对其进行赘述。
需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种无线传感器网络分簇路由方法，包括：
获取待分簇无线传感器网络；
以所述待分簇无线传感器网络任意簇首与非簇首设计方案作为栖息地，随机生成第一预设个数的初始栖息地，计算每个所述初始栖息地的栖息地适宜指数，基于生物地理学优化算法从所述待分簇无线传感器网络中筛选出初始簇首节点集合，将所述初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从所述待分簇无线传感器网络中筛选出最优簇首节点集合；
基于所述最优簇首节点集合中的簇首节点，对所述待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇；
对所述最优簇首节点集合中的所有簇首节点进行编号，并基于编号对所述最优簇首节点集合中所有所述簇首节点和基站进行排序，获取节点排序组，初始化生成所述节点排序组的初始种群，所述初始种群中包括多条所述节点排序组的路径排序染色体，通过路径评估函数获取所述初始种群中所述路径排序染色体的路径评估值，基于遗传算法获取所述最优簇首节点集合中所有簇首节点到基站的最优传输路径，所述最优簇首节点集合中所有簇首节点基于所述最优传输路径将节点数据传输至所述基站；
其中，所述生物地理学优化算法中的栖息地适宜指数计算方式为：
f＝α1f1+α2f2+α3f3
其中，f表示栖息地适宜指数，α1、α2、α3均表示权重参数，E(CHi)表示栖息地中第i个簇首节点能量，E(NCHj)表示栖息地中第j个非簇首节点能量，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数；/>||CHi||表示栖息地中第i个簇中节点总数，d(node,CHi)表示栖息地第i个簇中非簇首节点到簇首节点的距离；/>表示从m个簇首节点中选取两个簇首节点计算距离的方案数，d(CHi,CHk)表示簇首节点之间的距离；/>d(CHi,BS)表示栖息地中第i个簇首节点到基站的距离，d(nodej,BS)表示栖息地中第j个非簇首节点到基站的距离；
所述遗传算法中的路径评估函数为：
p＝β1p1+β2p2
其中，p为路径评估值，dis(CHi,NH)表示第i个簇首节点到下一跳节点的距离，dis(NH,BS)表示下一跳节点到基站的距离，dis(CHi,BS)表示第i个簇首节点到基站的距离；/>Σ||NH|表示簇首节点的下一跳簇首节点簇内节点总数，β1和β2均为权重因子，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数。
2.根据权利要求1所述的方法，其特征在于，基于生物地理学优化算法从所述待分簇无线传感器网络中筛选出初始簇首节点集合包括：
以所述待分簇无线传感器网络任意簇首与非簇首设计方案作为栖息地，随机生成第一预设个数的初始栖息地；
计算每个所述初始栖息地的栖息地适宜指数，基于所述栖息地适宜指数从大到小的顺序从所有所述初始栖息地中筛选出第二预设个数的所述初始栖息地作为精英栖息地，并将剩下所述初始栖息地作为待修正栖息地；
分别对所有所述待修正栖息地进行迁移操作和变异操作，以获取对应的修正后栖息地，将迭代次数加1，并判断所述迭代次数是否大于预设迭代阈值，若是则从所有所述精英栖息地和所有所述修正后栖息地中筛选出栖息地适宜指数最大的栖息地作为目标栖息地，并将所述目标栖息地的簇首节点集合作为初始簇首节点集合，否则将所有所述精英栖息地和所有所述修正后栖息地均作为新的初始栖息地，重新计算每个所述初始栖息地的栖息地适宜指数，并实现对所有所述待修正栖息地的迁移操作和变异操作；
其中，所述迭代次数初始值为1。
3.根据权利要求2所述的方法，其特征在于，对所述待修正栖息地进行迁移操作包括：
将所述待修正栖息地作为选定栖息地，计算所述选定栖息地的迁入率；
通过预设随机概率生成方式为所述选定栖息地第x个传感器节点生成随机概率，判断所述随机概率是否小于所述选定栖息地的迁入率，若是则对所述选定栖息地第x个传感器节点进行迁移操作，获取新的选定栖息地，当获取新的所述选定栖息地或所述随机概率不小于所述选定栖息地的迁入率时，将x加1，并判断x是否大于所述选定栖息地中传感器节点数，若是则将当前新的所述选定栖息地作为迁移后栖息地，否则重新通过预设随机概率生成方式为所述选定栖息地第x个传感器节点生成随机概率，并实现所述选定栖息地第x个传感器节点的迁移操作；
其中，对所述选定栖息地第x个传感器节点进行迁移操作包括：从除所述选定栖息地外的所有所述待修正栖息地中筛选出迁移目标栖息地，将所述选定栖息地第x个传感器节点的簇属性与所述迁移目标栖息地第x个传感器节点的簇属性进行对调，获取对调后的选定栖息地和对调后的迁移目标栖息地，选取所述选定栖息地和所述对调后的选定栖息地中栖息地适宜指数高的作为新的所述选定栖息地，并选取所述迁移目标栖息地和所述对调后的迁移目标栖息地中栖息地适宜指数高的代替所述迁移目标栖息地，x的初始值为1，所述簇属性包括簇首节点属性和非簇首节点属性。
4.根据权利要求2所述的方法，其特征在于，对所述待修正栖息地进行变异操作包括：
计算所述待修正栖息地的突变概率；
通过预设随机概率生成方式为所述待修正栖息地中第y个传感器节点生成随机概率，判断所述随机概率是否大于所述待修正栖息地的突变概率，若是则修改所述待修正栖息地第y个传感器节点的簇属性，得到修改后的栖息地，并选定所述待修正栖息地和所述修改后的栖息地中栖息地适宜指数高的作为新的所述待修正栖息地，当获取新的所述待修正栖息地或所述随机概率不大于所述待修正栖息地的突变概率时，将y加1，并判断y是否大于所述待修正栖息地中传感器节点数，若是则将当前新的所述待修正栖息地作为突变后栖息地，否则重新通过预设随机概率生成方式为所述待修正栖息地中第y个传感器节点生成随机概率，并实现所述待修正栖息地第y个传感器节点的突变操作；
其中，y的初始值为1。
5.根据权利要求1所述的路由方法，其特征在于，基于遗传算法获取所述最优簇首节点集合中所有簇首节点到基站的最优传输路径包括：
对所述最优簇首节点集合中的所有簇首节点进行编号，并基于编号对所述最优簇首节点集合中所有所述簇首节点和所述基站进行排序，获取节点排序组；
初始化生成所述节点排序组的初始种群，所述初始种群中包括多条所述节点排序组的路径排序染色体；
通过路径评估函数获取所述初始种群中所述路径排序染色体的路径评估值，基于所述初始种群中所述路径排序染色体的路径评估值，对所述初始种群中所述路径排序染色体进行修改操作，得到新的初始种群，将h加1，并判断h是否大于预设阈值，若是则将当前新的所述初始种群中路径评估值最高的路径排序染色体所具有的传输路径作为最优传输路径，否则重新通过路径评估函数获取新的所述初始种群中每条所述路径排序染色体的路径评估值，并实现对新的所述初始种群中所述路径排序染色体的修改操作；
其中，h的初始值为1，所述修改操作包括选择操作、交叉操作和变异操作。
6.一种无线传感器网络分簇路由装置，其特征在于，包括待分簇无线传感器网络获取模块、最优簇首获取模块、簇获取模块和最优传输路径获取模块；
所述待分簇无线传感器网络获取模块，用于获取待分簇无线传感器网络；
所述最优簇首获取模块，用于以所述待分簇无线传感器网络任意簇首与非簇首设计方案作为栖息地，随机生成第一预设个数的初始栖息地，计算每个所述初始栖息地的栖息地适宜指数，基于生物地理学优化算法从所述待分簇无线传感器网络中筛选出初始簇首节点集合，将所述初始簇首节点集合中簇首作为初始聚类中心，基于预设聚类算法从所述待分簇无线传感器网络中筛选出最优簇首节点集合；
所述簇获取模块，用于基于所述最优簇首节点集合中的簇首节点，对所述待分簇无线传感器网络中的非簇首节点进行分簇，获取多个簇；
所述最优传输路径获取模块，用于对所述最优簇首节点集合中的所有簇首节点进行编号，并基于编号对所述最优簇首节点集合中所有所述簇首节点和基站进行排序，获取节点排序组，初始化生成所述节点排序组的初始种群，所述初始种群中包括多条所述节点排序组的路径排序染色体，通过路径评估函数获取所述初始种群中所述路径排序染色体的路径评估值，基于遗传算法获取所述最优簇首节点集合中所有簇首节点到基站的最优传输路径，所述最优簇首节点集合中所有簇首节点均基于所述最优传输路径将节点数据传输至所述基站；
其中，所述生物地理学优化算法中的栖息地适宜指数计算方式为：
f＝α1f1+α2f2+α3f3
其中，f表示栖息地适宜指数，α1、α2、α3均表示权重参数，E(CHi)表示栖息地中第i个簇首节点能量，E(NCHj)表示栖息地中第j个非簇首节点能量，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数；/>||CHi||表示栖息地中第i个簇中节点总数，d(node,CHi)表示栖息地第i个簇中非簇首节点到簇首节点的距离；/>表示从m个簇首节点中选取两个簇首节点计算距离的方案数，d(CHi,CHk)表示簇首节点之间的距离；/>d(CHi,BS)表示栖息地中第i个簇首节点到基站的距离，d(nodej,BS)表示栖息地中第j个非簇首节点到基站的距离；
所述遗传算法中的路径评估函数为：
p＝β1p1+β2p2
其中，p为路径评估值，dis(CHi,NH)表示第i个簇首节点到下一跳节点的距离，dis(NH,BS)表示下一跳节点到基站的距离，dis(CHi,BS)表示第i个簇首节点到基站的距离；/>Σ||NH|表示簇首节点的下一跳簇首节点簇内节点总数，β1和β2均为权重因子，m为栖息地中簇首节点个数，n为栖息地中非簇首节点个数。
7.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述的无线传感器网络分簇路由方法。
8.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至5中任一项所述的无线传感器网络分簇路由方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310417820.XA CN116600365B (zh) | 2023-04-18 | 2023-04-18 | 无线传感器网络分簇路由方法及装置、存储介质和终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310417820.XA CN116600365B (zh) | 2023-04-18 | 2023-04-18 | 无线传感器网络分簇路由方法及装置、存储介质和终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116600365A CN116600365A (zh) | 2023-08-15 |
| CN116600365B true CN116600365B (zh) | 2024-02-23 |
Family
ID=87605303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310417820.XA Active CN116600365B (zh) | 2023-04-18 | 2023-04-18 | 无线传感器网络分簇路由方法及装置、存储介质和终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116600365B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590572A (zh) * | 2017-10-24 | 2018-01-16 | 广东电网有限责任公司电力调度控制中心 | 一种基于ibbo的复杂环网方向保护mbps求取方法 |
| CN108803332A (zh) * | 2018-06-20 | 2018-11-13 | 桂林电子科技大学 | 基于改进生物地理学的路径规划方法 |
| CN110958659A (zh) * | 2019-12-12 | 2020-04-03 | 南华大学 | 改进遗传禁忌搜索的深井巷道wsn分簇路由方法及装置 |
| CN111970742A (zh) * | 2020-08-26 | 2020-11-20 | 吉林建筑科技学院 | 基于改进混沌遗传算法的wsn多跳leach路由协议 |
| CN112105081A (zh) * | 2019-06-17 | 2020-12-18 | 北京化工大学 | 一种基于改进生物地理学优化算法的高精度无线定位方法 |
| CN113709841A (zh) * | 2021-07-14 | 2021-11-26 | 西安邮电大学 | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 |
| CN114363989A (zh) * | 2021-12-29 | 2022-04-15 | 扬州大学 | 一种基于最短路径的wsn路由协议方法 |
| CN115843085A (zh) * | 2022-10-14 | 2023-03-24 | 桂林理工大学 | 一种基于改进模糊c均值聚类的wsn分簇路由方法 |
-
2023
- 2023-04-18 CN CN202310417820.XA patent/CN116600365B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590572A (zh) * | 2017-10-24 | 2018-01-16 | 广东电网有限责任公司电力调度控制中心 | 一种基于ibbo的复杂环网方向保护mbps求取方法 |
| CN108803332A (zh) * | 2018-06-20 | 2018-11-13 | 桂林电子科技大学 | 基于改进生物地理学的路径规划方法 |
| CN112105081A (zh) * | 2019-06-17 | 2020-12-18 | 北京化工大学 | 一种基于改进生物地理学优化算法的高精度无线定位方法 |
| CN110958659A (zh) * | 2019-12-12 | 2020-04-03 | 南华大学 | 改进遗传禁忌搜索的深井巷道wsn分簇路由方法及装置 |
| CN111970742A (zh) * | 2020-08-26 | 2020-11-20 | 吉林建筑科技学院 | 基于改进混沌遗传算法的wsn多跳leach路由协议 |
| CN113709841A (zh) * | 2021-07-14 | 2021-11-26 | 西安邮电大学 | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 |
| CN114363989A (zh) * | 2021-12-29 | 2022-04-15 | 扬州大学 | 一种基于最短路径的wsn路由协议方法 |
| CN115843085A (zh) * | 2022-10-14 | 2023-03-24 | 桂林理工大学 | 一种基于改进模糊c均值聚类的wsn分簇路由方法 |
Non-Patent Citations (2)
| Title |
|---|
| ECABBO: Energy-efficient clustering algorithm based on Biogeography optimization for wireless sensor networks;Purnima Nomosudro等;TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON);全文 * |
| 党梦丽 ; 张书奎.基于生物地理学优化的分簇算法.计算机工程与设计.2022,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116600365A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Faheem et al. | Energy efficient and QoS-aware routing protocol for wireless sensor network-based smart grid applications in the context of industry 4.0 | |
| Fadel et al. | Spectrum-aware bio-inspired routing in cognitive radio sensor networks for smart grid applications | |
| Murugaanandam et al. | Reliability-based cluster head selection methodology using fuzzy logic for performance improvement in WSNs | |
| Peiravi et al. | An optimal energy‐efficient clustering method in wireless sensor networks using multi‐objective genetic algorithm | |
| Özdemir et al. | Multi-objective evolutionary algorithm based on decomposition for energy efficient coverage in wireless sensor networks | |
| Kim et al. | Cognitively inspired artificial bee colony clustering for cognitive wireless sensor networks | |
| Romoozi et al. | A positioning method in wireless sensor networks using genetic algorithms | |
| CN112469100A (zh) | 基于可充电多基站式无线异构传感器网络的分层路由算法 | |
| Karthikeyan et al. | Genetic algorithm with ensemble of immigrant strategies for multicast routing in Ad hoc networks | |
| Ajay et al. | Smart Spider Monkey Optimization (SSMO) for Energy‐Based Cluster‐Head Selection Adapted for Biomedical Engineering Applications | |
| Singh et al. | A GA-based sustainable and secure green data communication method using IoT-enabled WSN in healthcare | |
| Singh et al. | Genetic algorithm for solving multiple traveling salesmen problem using a new crossover and population generation | |
| Agnihotri et al. | A hybrid PSO-GA algorithm for routing in wireless sensor network | |
| CN113709841A (zh) | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 | |
| Tuba et al. | Energy efficient sink placement in wireless sensor networks by brain storm optimization algorithm | |
| Karthikeyan et al. | Improved genetic algorithm using different genetic operator combinations (GOCs) for multicast routing in ad hoc networks | |
| Sangeetha et al. | Genetic optimization of hybrid clustering algorithm in mobile wireless sensor networks | |
| CN116600365B (zh) | 无线传感器网络分簇路由方法及装置、存储介质和终端 | |
| Chiu et al. | Robot routing using clustering-based parallel genetic algorithm with migration | |
| Rana et al. | Energy-efficient routing for wireless sensor network using genetic algorithm and particle swarm optimisation techniques | |
| Elhabyan et al. | A full area coverage guaranteed, energy efficient network configuration strategy for 3d wireless sensor networks | |
| CN116647879A (zh) | 基于双智能体深度强化学习的多类型任务卸载系统及方法 | |
| CN113747535B (zh) | 一种基于遗传算法的能量异构无线传感器路由系统 | |
| Kashani et al. | A method for reduction of energy consumption in wireless sensor network with using neural networks | |
| Diakhate et al. | Optimization of wireless sensor networks energy consumption by the clustering method based on the firefly algorithm |
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 |