CN117896740B - 一种智能家居无线传感器网络部署方法 - Google Patents
一种智能家居无线传感器网络部署方法 Download PDFInfo
- Publication number
- CN117896740B CN117896740B CN202410285703.7A CN202410285703A CN117896740B CN 117896740 B CN117896740 B CN 117896740B CN 202410285703 A CN202410285703 A CN 202410285703A CN 117896740 B CN117896740 B CN 117896740B
- Authority
- CN
- China
- Prior art keywords
- sensor node
- sensor
- node
- nodes
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 48
- 238000005265 energy consumption Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 2
- IRLXSDZTLYOBQH-WOUKDFQISA-N [(2r,3s,4r,5r)-3,4-dihydroxy-5-imidazo[2,1-f]purin-3-yloxolan-2-yl]methyl dihydrogen phosphate Chemical compound O[C@@H]1[C@H](O)[C@@H](COP(O)(O)=O)O[C@H]1N1C(N=CN2C=CN=C22)=C2N=C1 IRLXSDZTLYOBQH-WOUKDFQISA-N 0.000 claims 2
- 230000008859 change Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000818946 Homethes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明提供一种智能家居无线传感器网络部署方法,包括:初始化随机部署所有的传感器节点的位置,基于博弈论模型,根据每一个传感器节点在每个部署策略下的生命周期和感知覆盖率,计算每一个传感器的效用值,筛选传感器节点效用值最大时对应的部署策略即传感器节点坐标,判断传感器节点坐标集是否满足纳什均衡条件,若满足,根据传感器节点坐标集进行传感器节点进行部署,若不满足,则继续计算每一个传感器节点的效用值,直到传感器节点坐标集满足纳什均衡条件。本发明提出了一种势博弈框架,将效用值引入上述势博弈框架中,确定该博弈部署框架能够得到纳什均衡解,本发明方法能够最大化智能家居中星型无线传感器网络的网络寿命和网络覆盖。
Description
技术领域
本发明涉及智能家居领域,更具体地,涉及一种智能家居无线传感器网络部署方法。
背景技术
随着微机电系统、微控制器、微传感器和无线通信技术的快速发展,智能家居(Smart Home)越来越受到企业、社区和研究人员的关注,并逐渐进入日常生活。智能家居可以提供各种自动化场景,使生活舒适、高效、方便,帮助增加智能空间的安全性,进一步提升生活的品质,如帮助残疾人和老年人特别是他们的健康护理等。
作为智能家居的核心组成部分,无线传感器网络(Wireless Sensor Network,WSN)发挥着至关重要的作用。因为通过无线传感器网络,不仅可以互联和管理家庭内部和外部网络,还可以管理家庭中的各种数字电子和电气设备。此外,无线传感器网络能够收集来自家用电器、传感器设备和用户或居住者的各种信息,并处理收集的信息以满足进一步的要求。当无线传感器网络和智能家居的功能结合在一起时,它们形成了一个非常协同的系统,包含这些技术的系统为许多新应用打开了大门。在家庭中部署无线传感器网络对于通过电器自动化和用户舒适度来关注节能至关重要。
大多数关于智能家居系统的工作都集中在节能或用户舒适性上,但支撑智能家居系统的物联网,尤其是无线传感器网络,却被忽视了。在建筑物中部署无线传感器网络对于通过电器自动化和用户舒适度来关注节能至关重要。智能家居系统的无线传感器网络通常采用星形拓扑来部署传感器,因为它在将感测数据传输到集中式服务器方面有更多的好处,在集中式服务器中,数据被智能家居系统累积存储并与建筑物的当前状态进行比较,然后决定维持或更改建筑物中的应用程序和设备的状态。在一些智能家居系统中,星形网络的性能优于网状网络。此外,星形拓扑更有利于连接建筑物中的异构物联网系统。
星型无线传感器网络在建筑中的部署策略将直接影响智能家居的有效性,现有的星型无线传感器网络在建筑中的部署面临两个问题。一方面,传感器部署产生的网络覆盖要求尽可能大。小的网络覆盖范围缺乏各种环境参数的准确性和可靠性。在一些遗留建筑的翻新过程中,传感器不能随意放置,并且一些传感器节点的安装位置是有限的,可用于安装传感器节点的位置通常由网络架构师列出,因此网络覆盖范围更大的部署更有利于旧建筑的翻新升级以及在网络生成过程中需要根据有限的安装位置完成网络的部署。另一方面,部署在建筑物中的无线传感器网络的网络寿命要求尽可能长。这是由于频繁更换电池供电的传感器给智能家居系统的维护带来不便。针对智能家居中部署星型无线传感器网络,其中主要方法可以归纳为三类。第一类方法是经典的确定性部署技术,然而经典的确定性部署主要集中在网络的覆盖范围上,而与网络寿命无关。第二类方法是基于混合整数线性规划的方法,然而由于矩阵的大小是不可预测的,使得该类方法在优化网络覆盖和网络寿命时计算复杂。第三类方法是基于智能算法的方法,然而智能算法在求解过程中极易受到初始配置的影响,导致收敛速度不确定,求解精度低。第四类方法是基于博奔论的方法,在一些博弈论的方法中都是针对网状网络日是在网络运行过程中进行优化,很少对星型网络在网络生成过程中进行优化。
发明内容
本发明针对现有技术中存在的技术问题,提供一种智能家居无线传感器网络部署方法,包括:
步骤S1,获取智能家居无线传感器网络中需要部署的传感器节点数量和部署区域大小,确定汇聚节点的位置,在部署区域内将所有传感器节点随机预部署;
步骤S2、在部署区域中设置相对的坐标系,记下智能家居无线传感器网络中随机预部署后每个传感器节点的坐标作为传感器节点坐标集,智能家居无线传感器网络中所有能部署传感器节点的坐标都记为部署策略集;
步骤S3、基于博弈论模型,根据每一个传感器节点在部署策略集的每个部署策略下的生命周期和感知覆盖率,计算每一个传感器的效用值,从第一个传感器节点计算到最后一个传感器节点,得到每一个传感器节点在不同部署策略下的效用值;
步骤S4、筛选传感器节点效用值最大时对应的部署策略即传感器节点坐标,更新此时传感器节点坐标集中当前传感器节点的坐标,依次对第一个传感器节点到最后一个传感器节点的坐标,基于效用值进行更新,得到更新后的传感器节点坐标集;
步骤S5、判断更新后的传感器节点坐标集是否满足纳什均衡条件,若满足,则将此时传感器节点坐标集作为纳什均衡解,按照纳什均衡解进行传感器节点的最终部署,若不满足,则回到步骤S3进行迭代计算,直到传感器节点坐标集满足纳什均衡条件。
本发明提供的一种智能家居无线传感器网络部署方法,为了均衡智能家居星型无线传感器网络的网络寿命和网络覆盖首先从网络生成过程的角度考虑提出了一种势博弈框架,然后为了更好地估计建筑物中星型无线传感器网络的寿命,建立了基于离散马尔可夫的网络寿命预测模型,将该网络寿命预测模型引入上述势博弈框架中,最后利用最佳响应策略确定该博弈部署框架能够得到纳什均衡解。本发明方法是一种基于博弈论的星型无线传感器网络在智能家居中的部署方法,能够最大化智能家居中星型无线传感器网络的网络寿命和网络覆盖。
附图说明
图1为本发明提供的一种智能家居无线传感器网络部署方法流程图;
图2为星型无线传感器网络在智能家居中的部署示意图;
图3为基于博弈论的智能家居星型无线传感器网络部署方法流程图;
图4中的(a)为智能家居中星型无线传感器网络模型示意图;
图4中的(b)为基于博弈论模型构建的智能家居中星型无线传感器网络模型示意图;
图5为传感器节点的状态转移图;
图6为传感器节点与汇聚节点之间距离和传感器节点转移次数关系图;
图7为节点单独覆盖区域模型图;
图8中的(a)为实际案例一的网络覆盖性能比较图;
图8中的(b)为实际案例一的网络寿命性能比较图
图9为实际案例一的迭代次数变化图;
图10中的(a)为实际案例二的网络覆盖的性能比较图;
图10中的(b)为实际案例二的网络寿命的性能比较图
图11为实际案例二的迭代次数变化图;
图12为实际案例三的网络性能变化趋势图;
图13中的(a)为实际案例四的网络覆盖性能比较图;
图13中的(b)为实际案例四的网络寿命性能比较图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
鉴于背景技术中的问题,本发明的目的在于提供一种基于博奔论的智能家居无线传感器网络部署方法,其主要目的在于最大化智能家居星型无线传感器网络的网络覆盖范围和网络寿命,以此弥补现有智能家居部署方法的不足,并且该方法是从优化网络的生成过程角度考虑而不是从网络运行过程角度考虑,节省了网络开销和网络的配置成本。
其中,基于博弈论的智能家居无线传感器网络部署方法,用于智能家居星型无线传感器网络部署最大化网络寿命和网络覆盖,其中智能家居的星型无线传感器网络被视为智能家居大型无线传感器网络划分的基本单元,由这些基本单元可以组成智能家居大型的无线传感器网络。
图1为本发明提供的一种智能家居无线传感器网络部署方法流程图,如图1和图2所示,方法包括:
步骤S1,获取智能家居无线传感器网络中需要部署的传感器节点数量和部署区域大小,确定汇聚节点的位置,在部署区域内将所有传感器节点随机预部署。
如图3所示,本实施例是在图3左侧显示的有几个异构网络部署的智能家居环境中其中一个无线传感器网络进行实施的。在其中部署了一个同质的星型无线传感器网络,包括一个汇聚节点和多个传感器节点,如图3右侧所示。
首先对智能家居星型无线传感器网络的部署进行博弈论的建模,如图4所示。图4中的(a)是图3中的星型无线传感器网络,在这个网络中,每个节点都有唯一的标识符,除汇聚节点外,其余节点初始能量相同且有限。所有的传感器节点具有相等的传感半径和相等的通信半径/>,传感区域是以传感器节点为中心,传感半径为半径的圆形区域,并且。在智能家居的博弈模型/>中,感应和放置传感器节点的位置选项大大减少,将这些位置用菱形标记并显示在监测区域中。
在需要对无线传感器网络中的传感器节点进行部署时,获取智能家居无线传感器网络中需要部署的传感器节点数量和部署区域大小,确定汇聚节点的位置,在部署区域内将所有传感器节点随机预部署。
步骤S2、在部署区域中设置相对的坐标系,记下智能家居无线传感器网络中随机预部署后每个传感器节点的坐标作为传感器节点坐标集,智能家居无线传感器网络中所有能部署传感器节点的坐标都记为部署策略集。
步骤S3、基于博弈论模型,根据每一个传感器节点在部署策略集的每个部署策略下的生命周期和感知覆盖率,计算每一个传感器的效用值,从第一个传感器节点计算到最后一个传感器节点,得到每一个传感器节点在不同部署策略下的效用值。
可理解的是,基于随机预部署后每个传感器节点的坐标,即传感器节点坐标集和智能家居无线传感器网络中所有能部署传感器节点的坐标,即部署策略集。根据部署策略,对网络中的传感器节点进行部署。
如图4中的(b)所示,博弈包含了三个要素:(1)玩家集/>:/>由星型WSN中除汇聚节点之外的所有传感器节点组成,记作/>,其中/>是星型WSN中除汇聚节点之外的所有传感器节点的数量。玩家/>表示传感器节点/>。(2)策略空间/>:/>是所有在/>中玩家策略的集合。玩家/>的策略记作/>,/>其中表示节点/>的位置,/>表示除了节点/>之外网络中其他节点的位置。另外,/>,其中/>表示节点/>当前位置的坐标。对于每个节点/>,改变其策略就是改变其在汇聚节点的通信范围内的位置。汇聚节点中符合要求的位置都可以是节点的策略。每个玩家在采用其策略后都会评估其效用函数值。在智能家居中,/>包含了除障碍物外每个传感器节点可以安装在家中的位置选项。(3)效用函数/>,对每个玩家/>,效用函数定义为/>:
(1);
其中,是当前玩家选择其策略后的收益,/>是当前玩家在采用新策略时未被覆盖的区域。/>可以通过节点的感知覆盖率和生命周期预测来进一步表示,/>表明了当前节点采用新策略时,监测区域中任何节点都未覆盖的区域。
其中,作为实施例,根据传感器节点采用的部署策略,计算传感器节点的感知覆盖率和生命周期,以及部署区域未被覆盖的区域,计算传感器节点采用部署策略的效用值。
效用函数的具体表示如下:
将效用函数中的用于评估玩家/>使用其策略时的收益,因此玩家/>的收益包括节点/>的生命周期/>和传感范围/>和,因此将/>定义为:
(2);
对进行分析,因为节点在生命周期的内,其节点的状态(比如繁忙状态、空闲状态)的变化是一个随机过程,因此用离散马尔可夫对节点的状态进行建模与分析。将节点的状态转移图如图5所示,将节点的状态划分为繁忙状态和空闲状态。/>为节点从繁忙状态转移到空闲状态的概率,/>为节点从空闲状态转移到繁忙状态的概率。利用离散马尔可夫理论建立节点的状态转移矩阵,/>记为:
(3);
节点在其生命周期进行次的概率矩阵为:
(4);
当传感器节点加入星型无线传感器网络时,它必须与汇聚节点相连接。因此,传感器节点的初始状态被定义为繁忙状态,状态转移的概率为1。而传感器节点初始状态为空闲状态的概率为0。节点初始时刻的状态矩阵定义为。可以得到在初始状态下经过次状态转移后各种状态的概率矩阵/>为:
(5)
对节点状态转移的概率求解。通常传感器节点远离汇聚节点,则会减少与汇聚节点之间的数据交换以降低能耗并延长生命周期。因此,传感器节点和汇聚节点之间的距离越长,节点从繁忙状态转换到空闲状态的概率就越高。所以节点从繁忙状态转换到空闲状态的概率和/>可以近似为:
(6);
(7);
其中为传感器节点与汇聚节点间的距离。
根据一阶RF模型,单个传感器节点在发送比特数据时的能耗/>、接收/>比特数据时的能耗/>和空闲状态下的能耗/>计算为:
(8);
(9);
(10);
其中是无线收发器电路所消耗的能量,即发射/接收电路损耗,/>是放大器电路能耗,/>是路径损耗指数,在无线通信中/>一般取值2~4,/>是一个常数系数,一般取值0~1。不论节点是发送还是接收数据都处于繁忙状态,因此定义节点繁忙状态的能量消耗为:
(11);
计算节点状态转移能耗矩阵,节点一次状态转移能耗矩阵计算为:
(12);
传感器节点在其生命周期内会进行多次的状态转移,由式(12)可以得到节点第次(任意一次)状态转移的能耗矩阵为:
(13);
当节点的初始能量消耗完,节点的生命周期就会结束。而节点每转移一次都会消耗能量,由式(13)可以得到任意一次节点状态转移消耗的能量。如果将节点在其生命周期内每次状态转移消耗的能量叠加求和就能得到节点次状态转移的能耗之和。基于此,节点状态转移/>次能耗总和可以计算为:
(14);
传感器节点的剩余能量在节点/>次状态转移之后可以计算为:
(15);
为节点的初始能量。当节点的初始能量消耗殆尽时,节点的生命周期就会结束,此时的剩余能量近似为零即/>,当/>时,节点的初始能量等于节点状态转移消耗的总能量即/>。通过化简可以得到下式:
(16);
将式(6)和式(7)带入式(16)中可以得到传感器节点的状态转移次数与节点之间距离的关系式为:
(17);
式(17)将节点的状态转移次数映射为节点的生命周期。节点的状态转移次数仅取决于节点/>的位置而与其它节点位置无关,即/>。传感器节点/>与汇聚节点之间的距离/>可以通过传感器节点/>和汇聚节点的坐标来计算。所以,将节点/>的生命周期/>映射到了马尔可夫链中节点/>的状态转移次数/>,其趋势如图6所示。因此,。
定义为节点单独感知覆盖的范围,如图7所示。假设允许传感器节点可以选择不同坐标从而以最大限度地扩大其覆盖范围,为了最大化网络的覆盖范围,每个节点的目标是减少与其相邻节点的感知覆盖重叠区域,/>定义为:
(18);
其中,为玩家的感知覆盖区域,/>为除了玩家外,网络中其它节点的感知覆盖区域。
步骤S4、筛选传感器节点效用值最大时对应的部署策略即传感器节点坐标,更新此时传感器节点坐标集中当前传感器节点的坐标,依次对第一个传感器节点到最后一个传感器节点的坐标,基于效用值进行更新,得到更新后的传感器节点坐标集。
可理解的是,基于初始部署的传感器节点的位置坐标集,作为第一轮对所有传感器节点的部署方案,计算每一个传感器节点的效用值,并选择最大效用值的位置作为部署传感器节点的位置。具体的,按照顺序对所有需要部署的传感器节点进行编号,首先,计算第一个传感器节点在每一个部署策略的效用值,然后选择最大效用值对应的位置为该传感器节点的部署位置,从后,计算第二个传感器节点在除了第一个传感器节点的部署策略以外的每一个部署策略的效用值,也选择最大效用值对应的位置为该传感器节点的部署位置,如此,按照顺序,选择每一个传感器节点的最大效用值对应的位置为部署位置,那么,经过第二轮的部署后,得到所有传感器节点的部署位置坐标。
步骤S5、判断更新后的传感器节点坐标集是否满足纳什均衡条件,若满足,则将此时传感器节点坐标集作为纳什均衡解,按照纳什均衡解进行传感器节点的最终部署,若不满足,则回到步骤S3进行迭代计算,直到传感器节点坐标集满足纳什均衡条件。
可理解的是,本发明提出了博弈G的纳什平衡的概念。当博弈中的每个传感器节点选择其最佳响应策略时,没有节点会自愿偏离其当前的策略选择,而其他节点的策略保持不变,这样就达到了该博弈的纳什均衡。
定义1(纳什均衡):对于和/>,一个策略组合/>是该博弈/>的纳什均衡,那么下式成立:
(19);
证明纳什均衡的存在。有很多方法可以证明纳什均衡的存在,而精确势博弈是一种特殊的博弈可以保证纳什均衡存在的博弈。
定义2(精确势博弈):一个博弈是一个精确势博弈,那么它的势函数,满足下式:
(20);
其中,/>和/>。也就是当传感器节点从策略/>切换到时,博弈的势函数变化等于传感器节点效用函数的变化。
定理:如果博弈中存在一个势函数,则该博弈是一个精确势博弈。
通过改变其中一个节点的策略,保持其它节点的策略不变,证明博弈是一个精确势博弈。
证明:定义精确势博弈如下:
(21);
其中是所有传感器节点的策略,/>是所有传感器节点的生命周期,/>是所有传感器节点的传感覆盖区域,/>是所有传感器节点的未覆盖区域。
当节点单独将其策略从/>更改为/>时,所定义的势博弈的势函数变化表示为:
(22);
在这种情况下从到/>的总覆盖区域的变化等于仅受节点/>影响区域的变化(不受任何其他相邻节点的影响)。整个未覆盖区域仅与节点/>的策略有关,换言之,节点/>改变位置过程中的整体未覆盖区域仅与节点/>有关,因为其他节点策略没有改变。并且整个网络的寿命变化也仅与节点/>从/>到/>有关。得到:
(23);
以上便证明了是一个势函数,博弈/>是一个势博弈。如果博弈/>是一个势博弈,/>是它的势函数,/>是它的最大化的策略组合。那么/>是博弈/>的纳什均衡,而智能家居星型无线传感器网络中节点的策略是有限和有界的,因此博弈/>中存在纳什均衡解。
求解基于博弈论的部署方法(Game theory-based deployment method,GTD)。在确定好博弈的效用函数以及证明博弈/>存在纳什均衡后对其进行求解。为了在GTD中找到纳什均衡解/>,设计了一个迭代GTD算法。
为了确保GTD算法收敛到纳什均衡解,使用最佳响应策略收敛机制,其定义为:
(24);
汇聚节点首先在矩形监测区域的中心,用于控制迭代次数并且初始为0。集合包括在第/>次迭代时/>个传感器节点的坐标。通过在监测区域中随机生成这些传感器节点来初始化这些节点。
对于节点所采用的策略,它通过式(17)计算其生命周期、通过式(18)计算其覆盖增益,然后通过式(1)计算其效用值。在得到其所有策略对应的效用值后,通过式(24)找到与最大效用值相对应的策略,即最大效用值对应的节点的坐标。/>更新为当前迭代中节点的最大效用值对应的坐标。迭代终止条件为:
(25);
其中,是设置的阈值。
如果第次和第/>次迭代结果之间的差小于等于/>,则意味着两次迭代的结果非常接近,并且算法收敛到纳什均衡,迭代结束。否则,博弈/>进入到下一次迭代并继续运行,/>,直到达到纳什均衡或者达到最大迭代次数/>。
博弈满足结束条件式(25)后,得到最佳部署的所有传感器节点的坐标集,按照/>部署监测区域中的传感器节点的位置。
通过下面的具体的实际案例进行分析,以证明本发明的效果。
一、研究网络寿命和网络覆盖范围作为因变量,节点数量作为自变量的场景即改变。换句话说,分析当节点数量增加时GTD和随机部署(Random deployment,RD)网络的性能。监测区域中的节点数量从10个依次增加到40个。表1详细说明了该实际案例的参数设置。同时,假设一个节点在繁忙状态下的工作时间是。
该实际案例的结果如图8所示。图8中的(a)显示了GTD和RD网络覆盖率的比较。星形线表示GTD的网络覆盖率,三角形线表示RD的网络覆盖率。随着网络中节点数量的增加,GTD和RD的网络覆盖都有所增加,但是GTD的网络覆盖率明显高于RD。由于GTD的博弈论模型考虑了传感器节点的覆盖增益,因此传感器节点会随着效用值的增加而改变位置以扩大覆盖范围,从而进一步提高网络覆盖率。图8中的(b)显示GTD和RD网络寿命的比较。随着网络中节点数量的增加,GTD的网络寿命总是高于RD,并且GTD和RD的网络寿命都有所减少,但GTD的减少幅度更大,这是由GTD中马尔可夫生命周期预测模型引起的。当传感器节点的数量从20个增加到25个时,GTD中的传感器节点将获得更大的收益。假设传感器节点离汇聚节点更近,尽管它们的生命周期的收益很大,但是它们的覆盖收益很小。因此,一些节点会远离汇聚节点,这将导致远处节点的死亡。但是,监测区域和通信半径是有限的,当节点移动到边界时,节点的生命周期几乎不变。马尔可夫模型将传感器节点的生命周期映射为节点和汇聚节点之间的距离。离汇聚节点的距离越长,传感器节点的生命周期就越短。当网络中的节点数量较少时,GTD会将节点部署地更靠近汇聚节点,从而延长网络寿命。随着传感器节点数量的增加,部分传感器节点被GTD部署的离汇聚节点越来越远,这些传感器节点的生命周期缩短,从而缩短了网络寿命。
表1实际案例参数
;
图9显示了该实际案例中不同节点数量下,网络覆盖率随迭代次数增加的变化。在图10中,网络覆盖率不再发生变化意味着GTD达到纳什均衡。从图10中可以看出,随着网络中节点数量的增加,GTD达到纳什均衡的迭代次数也在增加。当网络中节点数量小于或等于20个时,GTD在3次迭代后达到纳什均衡。当网络中节点数量大于20且小于40时,GTD在6次迭代后达到纳什均衡。当网络中节点数量等于40时,GTD在7次迭代后达到纳什均衡。网络中节点数量越多,GTD的收敛速度就越慢。
二、改变监测区域的大小。保持监测区域中传感器节点的密度不变,即监测区域变大,网络中节点数量变多。换句话说,分析了GTD和RD在扩展监测区域时的性能。为确保传感器节点密度不变,检测区域相关参数如表2所示。其他参数与表1相同,并在每组实际案例中保持。每组实际案例的监测区域边长为/>的/>倍。
表2监测区域相关参数
;
该实际案例的实施结果如图10所示。图10中的(a)显示了GTD和RD之间网络覆盖的比较。总体而言,随着监测区域的增加,GTD和RD的网络覆盖都增加,GTD和RD的网络覆盖差距也越来越大。GTD的网络覆盖率明显高于RD。这是因为随着监测区域的增大,节点数量和节点传感半径都会增加,因此在节点较多的区域网络覆盖更高。因为在GTD中,节点的覆盖增益被引入到博弈论模型中的效用函数中,GTD的覆盖增益可以进一步提高网络覆盖。图10中的(b)显示了GTD和RD的网络寿命比较。总体而言,随着监测区域的增加,GTD和RD的网络寿命都会降低。当监测区域较小时,GTD的网络寿命高于RD。当监测区域较大时,GTD的网络寿命略高于RD。这是由于GTD中的马尔可夫生命周期预测模型将节点的生命周期映射到节点和汇聚节点之间的距离。当监控区域较小时,网络中的节点数量也较少。GTD将节点部署得更靠近汇聚节点,从而延长了网络寿命。类似地,监控区域越大,网络外围的节点离汇聚点越远,网络寿命就越短。
图11显示了该实际案例中不同监测区域下网络覆盖率随迭代次数增加的变化。从图11可以看出,当监测区域为2500m2时,GTD在2次迭代后达到纳什均衡。当监测区域为4900m2或8100m2时,GTD在3次迭代后达到纳什均衡。当监测区域为12100m2或16900m2时,GTD在4次迭代后达到纳什均衡.当监测区域为22500m2时,GTD在6次迭代后达到纳什均衡。当监测区域为28900m2时,GTD在7次迭代后达到纳什均衡。在该实际案例中,随着监测区域的增加,由于保持节点密度不变,网络中节点数量也会增加。随着网络中节点数量的增加,GTD执行的计算量也会增加,因此GTD达到纳什均衡的迭代次数也会增加。
表3显示了当网络中节点数量增加时GTD和RD网络的相对寿命。表4显示了当网络监测区域面积增加时,GTD和RD网络的相对寿命。从表3和表4可以看出,GTD的相对寿命始终高于RD。由于GTD中的节点同时考虑了生命周期和覆盖因子,GTD中节点的分布更加均匀,只有少量节点分布在网络边缘。而在RD中,它们是随机部署的,并且在网络边缘出现的节点比在GTD中更多,这就导致了GTD中的相对寿命比RD要高。
表3 节点数量增加时GTD和RD的相对寿命
;
表4 监测区域增加时GTD和RD的相对寿命
。
三、改变式(2)中和/>的值。将监测区域面积和网络中节点数量保持不变,对系数/>和/>之间的关系对网络覆盖和网络寿命的影响进行了分析。换句话说,我们分析了GTD在/>和/>变化时的性能。/>和/>的值设置如表5所示。设网络中节点数量为35个,即。其他参数如表1所示。
表5 和/>系数的比例/>
;
该实际案例的实施结果如图12所示。图12显示了当改变式(2)中的系数时,GTD中网络寿命和网络覆盖的变化,并且监测区域是不变的。在图12中,随着的增加,网络覆盖逐渐降低,网络寿命逐渐增加,但是可以在图中找到一个平衡点。因为在式(2)中是/>网络寿命的系数,/>是网络覆盖的系数。当/>相对较小,/>相对较大时,网络覆盖对GTD的影响较大,网络寿命对GTD的影响较小。当博弈达到纳什均衡时,网络覆盖范围相对较大,网络寿命相对较小,反之亦然。图10还显示了网络寿命和网络覆盖是矛盾的。网络覆盖范围越大,网络寿命越短;网络覆盖范围越小,网络寿命越长。
四、监测区域大小为150m×150m,网络中节点数量为35。大多数使用博弈论的现有无线传感器网络是多跳自组织网络,节点的初始能量相同且都是100J。为了进行比较,将一种基于博弈论的覆盖控制节点调度(Game Theory based node Scheduling for Coveragecontrol ,GTSC)进行如下更改:将多跳通信替换为与汇聚节点的单跳通信。假设节点从活跃状态变为睡眠状态或者从睡眠状态变为活跃状态记为节点的状态转移,同时消耗相应的能量以获得节点的剩余能量,从而计算节点在其生命周期中状态转移了多少次。
该实际案例的实施结果如图13所示。图13中的(a)显示了使用GTD和GTSC时,网络覆盖率的仿真结果。图13中的(b)显示了使用GTD和GTSC时,网络中剩余存活节点数量的仿真结果。从图13中的(a)可以看出,在网络开始时,GTD的覆盖率显著高于GTSC,达到90%以上。GTSC是随机部署的,因此其覆盖率不到60%.随着网络的运行,两种方法的覆盖率都在下降,GTSC下降的速度较慢。这是因为GTSC中的一部分节点正在休眠,当活跃节点死亡时,休眠节点会被激活并补充其覆盖区域。然而在智能家居中,当覆盖率低于50%时,网络可以看作是无效的,并且GTD覆盖率长期保持在50%以上。从图13中的(b)可以看出,两种方法中网络第一个节点死亡的时间没有太大差异,GTD比GTSC好。随着网络的运行,GTSC中的节点会慢慢死亡,因为GTSC中的一些节点正在休眠。此外,GTSC必须在网络中部署更多的节点才能实现高覆盖,这导致了网络成本的增加。从结果可以看出,GTSC用于随机部署的多跳自组织网络,不适用于智能家居中的星型无线传感器网络。
这些实际案例中可以得到,在使用本方法后,可以在智能家居无线传感器网络中找到网络寿命和网络覆盖的平衡,证明了本方法在智能家居星型无线传感器网络部署的有效性。此外,本方法是可扩展的,可以根据不同建筑的平面图进行更改。也就是说,建筑物中无法部署的位置将从部署策略中删除。根据建筑物大小和传感器性能更改监测区域大小和传感半径。
本发明提供一种智能家居无线传感器网络部署方法,为了均衡智能家居星型无线传感器网络的网络寿命和网络覆盖首先从网络生成过程的角度考虑提出了一种势博弈框架,然后为了更好地估计建筑物中星型无线传感器网络的寿命,建立了基于离散马尔可夫的网络寿命预测模型,将该网络寿命预测模型引入上述势博弈框架中,最后利用最佳响应策略确定该博弈部署框架能够得到纳什均衡解。本发明方法是一种基于博弈论的星型无线传感器网络在智能家居中的部署方法,能够最大化智能家居中星型无线传感器网络的网络寿命和网络覆盖。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种智能家居无线传感器网络部署方法,其特征在于,包括:
步骤S1,获取智能家居无线传感器网络中需要部署的传感器节点数量和部署区域大小,确定汇聚节点的位置,在部署区域内将所有传感器节点随机预部署;
步骤S2、在部署区域中设置相对的坐标系,记下智能家居无线传感器网络中随机预部署后每个传感器节点的坐标作为传感器节点坐标集,智能家居无线传感器网络中所有能部署传感器节点的坐标都记为部署策略集;
步骤S3、基于博弈论模型,根据每一个传感器节点在部署策略集的每个部署策略下的生命周期和感知覆盖率,计算每一个传感器的效用值,从第一个传感器节点计算到最后一个传感器节点,得到每一个传感器节点在不同部署策略下的效用值;
步骤S4、筛选传感器节点效用值最大时对应的部署策略即传感器节点坐标,更新此时传感器节点坐标集中当前传感器节点的坐标,依次对第一个传感器节点到最后一个传感器节点的坐标,基于效用值进行更新,得到更新后的传感器节点坐标集;
步骤S5、判断更新后的传感器节点坐标集是否满足纳什均衡条件,若满足,则将此时传感器节点坐标集作为纳什均衡解,按照纳什均衡解进行传感器节点的最终部署,若不满足,则回到步骤S3进行迭代计算,直到传感器节点坐标集满足纳什均衡条件;
其中所述计算每一个传感器节点在部署策略集下每个部署策略的效用值,包括:
根据传感器节点采用的部署策略,计算传感器节点的感知覆盖率和生命周期,以及部署区域未被覆盖的区域,计算传感器节点采用部署策略的效用值,其中,每一个传感器节点的效用值表示为:
ui(mi,m-i)=P(mi,m-i)-C(mi,m-i);
其中,mi其中表示传感器节点i的位置,m-i表示除了传感器节点i之外网络中其他节点的位置,P(mi,m-i)是当前传感器节点选择部署策略后的收益,C(mi,m-i)是当前传感器节点在采用部署策略时未被覆盖的区域,P(mi,m-i)通过传感器节点的感知覆盖率和生命周期进一步表示,C(mi,m-i)表明了当前传感器节点采用部署策略时,监测区域中任何传感器节点都未覆盖的区域;
P(mi,m-i)定义为:
P(mi,m-i)=k1n(mi,m-i)+k2q(mi,m-i);
其中,n(mi,m-i)表示传感器节点i的生命周期,q(mi,m-i)表示传感器节点的覆盖范围,k1和k2分别表示传感器节点的生命周期和覆盖范围的系数;
所述步骤S5、判断更新后的传感器节点坐标集是否满足纳什均衡条件,若满足,则将此时传感器节点坐标集作为纳什均衡解,按照纳什均衡解进行传感器节点的最终部署,若不满足,则回到步骤S3进行迭代计算,直到传感器节点坐标集满足纳什均衡条件,包括:
在GTD中找到纳什均衡解m*,设计一个迭代GTD算法,最佳响应策略收敛机制定义为:
其中,mi其中表示传感器节点i的位置,m-i表示除了传感器节点i之外智能家居无线网络中其他传感器节点的位置,k表示第k次迭代,所有传感器节点更新一次称为一次迭代,表示第i个传感器节点的效用值,/>表示第k次迭代后第i个传感器节点的位置;
设置纳什均衡条件,即迭代终止条件:
Mk-Mk-1≤Δ;
其中,Δ是设置的阈值,Mk-1表示第k-1次迭代后所有传感器节点的坐标集,Mk表示第k次迭代后所有传感器节点的坐标集;
如果第k次和第k-1次迭代结果之间的差小于等于Δ,算法收敛到纳什均衡,迭代结束;否则,进入到下一次迭代并继续运行,k=k+1,直到达到纳什均衡或者达到最大迭代次数kmax,得到最佳部署的所有传感器节点的坐标集Mk;
按照所有传感器节点的坐标集Mk部署监测区域中的传感器节点的位置。
2.根据权利要求1所述的智能家居无线传感器网络部署方法,其特征在于,所述智能家居无线传感器网络为星型无线传感器网络,星型无线传感器网络包括一个汇聚节点和多个传感器节点,每个传感器节点都具有唯一的标识符,每个传感器节点的初始能量相同且有限,所有的传感器节点具有相等的传感半径Rs和相等的通信半径Rc,传感区域是以传感器节点为中心,传感半径为半径的圆形区域,并且Rc≥2Rs。
3.根据权利要求2所述的智能家居无线传感器网络部署方法,其特征在于,计算传感器节点的生命周期,包括:
根据传感器节点与汇聚节点的距离,基于离散马尔可夫理论建立传感器节点的状态转移矩阵;
根据传感器节点的初始状态和状态转移矩阵,计算传感器节点的状态转移能耗矩阵;
基于传感器节点的状态转移能耗矩阵和传感器节点的初始能量,计算传感器节点的状态转移次数,得到传感器节点的状态次数和传感器节点与汇聚节点的距离之间的关系式,所述传感器节点的状态转移次数表征传感器节点的生命周期。
4.根据权利要求3所述的智能家居无线传感器网络部署方法,其特征在于,根据传感器节点与汇聚节点的距离,基于离散马尔可夫理论建立传感器节点的状态转移矩阵,包括:
将传感器节点的状态划分为繁忙状态和空闲状态,α为传感器节点从繁忙状态转移到空闲状态的概率,β为传感器节点从空闲状态转移到繁忙状态的概率,利用离散马尔可夫理论建立传感器节点的状态转移矩阵,A记为:
传感器节点在其生命周期进行n次状态转移的概率矩阵为:
当传感器节点加入星型无线传感器网络时,它必须与汇聚节点相连接,传感器节点的初始状态被定义为繁忙状态,状态转移的概率为1,传感器节点初始状态为空闲状态的概率为0,传感器节点初始时刻的状态矩阵定义为T0=[1 0],得到传感器节点在初始状态下经过n次状态转移后各种状态的概率矩阵Tn为:
其中,传感器节点从繁忙状态转换到空闲状态的概率α和β表示为:
其中d为传感器节点与汇聚节点间的距离。
5.根据权利要求4所述的智能家居无线传感器网络部署方法,其特征在于,所述根据传感器节点的初始状态和状态转移矩阵,计算传感器节点的状态转移能耗矩阵,包括:
根据一阶RF模型,单个传感器节点在发送l比特数据时的能耗ET、接收l比特数据时的能耗ER和空闲状态下的能耗EI计算为:
ET=Eelec·l+εamp·l·dη;
ER=Eelec·l;
EI=σEelec·l;
其中Eelec为无线收发器电路所消耗的能量,即发射/接收电路损耗,εamp为放大器电路能耗,η为路径损耗指数,σ是一个常数系数,不论节点是发送还是接收数据都处于繁忙状态,定义节点繁忙状态的能量消耗EB为:
EB=ET+ER;
计算传感器节点状态转移能耗矩阵,节点一次状态转移能耗矩阵计算为:
传感器节点在其生命周期内会进行多次的状态转移,由式(12)可以得到节点第n次状态转移的能耗矩阵为:
6.根据权利要求5所述的智能家居无线传感器网络部署方法,其特征在于,所述基于传感器节点的状态转移能耗矩阵和传感器节点的初始能量,计算传感器节点的状态转移次数,包括:
将传感器节点在其生命周期内每次状态转移消耗的能量叠加求和得到传感器节点n次状态转移的能耗之和,传感器节点状态转移n次能耗总和计算为:
传感器节点的剩余能量Er在传感器节点n次状态转移之后计算为:
E0为传感器节点的初始能量,当传感器节点的初始能量消耗殆尽时,传感器节点的生命周期结束,此时的剩余能量近似为零即Er=0,当Er=0时,传感器节点的初始能量等于传感器节点状态转移消耗的总
将α和β代入得到传感器节点的状态转移次数和传感器节点与汇聚节点之间距离d的关系式为:
将传感器节点的状态转移次数映射为传感器节点的生命周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410285703.7A CN117896740B (zh) | 2024-03-13 | 2024-03-13 | 一种智能家居无线传感器网络部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410285703.7A CN117896740B (zh) | 2024-03-13 | 2024-03-13 | 一种智能家居无线传感器网络部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117896740A CN117896740A (zh) | 2024-04-16 |
CN117896740B true CN117896740B (zh) | 2024-05-28 |
Family
ID=90645899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410285703.7A Active CN117896740B (zh) | 2024-03-13 | 2024-03-13 | 一种智能家居无线传感器网络部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117896740B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2296395A1 (en) * | 2009-09-09 | 2011-03-16 | Deutsche Telekom AG | System and method to derive deployment strategies for metropolitan wireless networks using game theory |
CN106131960A (zh) * | 2016-08-26 | 2016-11-16 | 武汉科技大学 | 基于多维系统的无线传感器网络移动节点定位算法 |
CN106304243A (zh) * | 2015-05-26 | 2017-01-04 | 桂林市华智信息科技有限公司 | 一种基于势博弈的无线传感器网络拓扑控制方法 |
CN111597955A (zh) * | 2020-05-12 | 2020-08-28 | 博康云信科技有限公司 | 基于深度学习的表情情绪识别的智能家居控制方法及装置 |
CN112261704A (zh) * | 2020-10-23 | 2021-01-22 | 广州大学 | 一种基于可充电无线传感器网络的重复博弈路由方法 |
CN113613257A (zh) * | 2021-07-16 | 2021-11-05 | 中国空间技术研究院 | 基于博弈论的传感器网络自组织协同k覆盖方法 |
CN117689096A (zh) * | 2024-01-25 | 2024-03-12 | 武汉科技大学 | 一种具有避障功能的移动充电调度方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101378257B1 (ko) * | 2007-06-15 | 2014-03-25 | 삼성전자주식회사 | 무선 센서 네트워크에서 가상 백본 구축 방법 |
EP2869644B1 (en) * | 2013-10-31 | 2017-12-27 | Alcatel Lucent | A communications system, an access network node and a method of optimising energy consumed in a communication network |
US9949138B2 (en) * | 2016-07-28 | 2018-04-17 | At&T Intellectual Property I, L.P. | Systems and methods to augment the capacities and capabilities of cellular networks through an unmanned aerial vehicle network overlay |
-
2024
- 2024-03-13 CN CN202410285703.7A patent/CN117896740B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2296395A1 (en) * | 2009-09-09 | 2011-03-16 | Deutsche Telekom AG | System and method to derive deployment strategies for metropolitan wireless networks using game theory |
CN106304243A (zh) * | 2015-05-26 | 2017-01-04 | 桂林市华智信息科技有限公司 | 一种基于势博弈的无线传感器网络拓扑控制方法 |
CN106131960A (zh) * | 2016-08-26 | 2016-11-16 | 武汉科技大学 | 基于多维系统的无线传感器网络移动节点定位算法 |
CN111597955A (zh) * | 2020-05-12 | 2020-08-28 | 博康云信科技有限公司 | 基于深度学习的表情情绪识别的智能家居控制方法及装置 |
CN112261704A (zh) * | 2020-10-23 | 2021-01-22 | 广州大学 | 一种基于可充电无线传感器网络的重复博弈路由方法 |
CN113613257A (zh) * | 2021-07-16 | 2021-11-05 | 中国空间技术研究院 | 基于博弈论的传感器网络自组织协同k覆盖方法 |
CN117689096A (zh) * | 2024-01-25 | 2024-03-12 | 武汉科技大学 | 一种具有避障功能的移动充电调度方法 |
Non-Patent Citations (6)
Title |
---|
"Effective_power_utilization_and_conservation_in_smart_homes_using_IoT";J. JeyaPadmini;《2015 INTERNATIONAL CONFERENCE ON COMPUTATION OF POWER, ENERGY, INFORMATION AND COMMUNICATION》;20151231;全文 * |
"Location-Based Self-Adaptive Routing Algorithm for Wireless Sensor Networks in Home Automation";Xiao Hui Li;《Research Article》;20111231;全文 * |
"基于EHWSN 的能量均衡动态最大流路由算法";毛善丽;《传感技术学报》;20170228;全文 * |
"基于无线智能燃气抄表物联网的能量感知路由";段平刚;《计算机工程与设计》;20201031;全文 * |
一种基于马尔可夫博弈的能量均衡路由算法;董荣胜;马争先;郭云川;古天龙;;计算机学报;20130715(第07期);全文 * |
基于演化博弈论的无线传感网监测节点分群算法;刘保见;张效义;李青;;计算机应用;20160810(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117896740A (zh) | 2024-04-16 |
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 | |
Cao et al. | Swarm intelligence-based performance optimization for mobile wireless sensor networks: survey, challenges, and future directions | |
CN105684524B (zh) | 通信系统、接入网络节点和优化通信网络中能耗的方法和装置 | |
Elhabyan et al. | A Pareto optimization-based approach to clustering and routing in Wireless Sensor Networks | |
Sabet et al. | An energy efficient multi-level route-aware clustering algorithm for wireless sensor networks: A self-organized approach | |
Liu et al. | Toward QoI and energy-efficiency in Internet-of-Things sensory environments | |
Tsai et al. | Metaheuristics for the Lifetime of WSN: A Review | |
Mostafaei et al. | Maximizing lifetime of target coverage in wireless sensor networks using learning automata | |
Rajaram et al. | Multi-hop optimized routing algorithm and load balanced fuzzy clustering in wireless sensor networks | |
KR101836939B1 (ko) | 전체적인 에너지 소비를 최소화하기 위한 최적의 듀티 싸이클을 결정하는 통신 시스템 및 방법 | |
Wang et al. | Energy efficient cluster based routing protocol for WSN using firefly algorithm and ant colony optimization | |
Agarwal et al. | Intelligent fault-tolerance data routing scheme for IoT-enabled WSNs | |
Cui et al. | Design of intelligent home pension service platform based on machine learning and wireless sensor network | |
Sinde et al. | Lifetime improved WSN using enhanced-LEACH and angle sector-based energy-aware TDMA scheduling | |
Hao et al. | Topology control game algorithm based on Markov lifetime prediction model for wireless sensor network | |
Huamei et al. | An energy‐efficient non‐uniform clustering routing protocol based on improved shuffled frog leaping algorithm for wireless sensor networks | |
Zhong et al. | Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink | |
CN105050095B (zh) | 一种基于能量预测的异构无线传感网的拓扑构建方法 | |
Singh et al. | An energy efficient approach for clustering in WSN using fuzzy logic | |
CN104168661A (zh) | 一种满足公平性条件的最大化网络生存期传输调度方法 | |
Khan et al. | Energy-efficient dynamic and adaptive state-based scheduling (EDASS) scheme for wireless sensor networks | |
Song et al. | Hybrid PSO and evolutionary game theory protocol for clustering and routing in wireless sensor network | |
Bai et al. | Data collection strategy based on OSELM and gray wolf optimization algorithm for wireless sensor networks | |
Pozza et al. | CARD: Context-aware resource discovery for mobile Internet of Things scenarios | |
Abdul-Qawy et al. | An enhanced energy efficient protocol for large-scale IoT-based heterogeneous WSNs |
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 |