KR101565694B1 - 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 - Google Patents

무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 Download PDF

Info

Publication number
KR101565694B1
KR101565694B1 KR1020140058801A KR20140058801A KR101565694B1 KR 101565694 B1 KR101565694 B1 KR 101565694B1 KR 1020140058801 A KR1020140058801 A KR 1020140058801A KR 20140058801 A KR20140058801 A KR 20140058801A KR 101565694 B1 KR101565694 B1 KR 101565694B1
Authority
KR
South Korea
Prior art keywords
solutions
initial
solution
evaluation function
nodes
Prior art date
Application number
KR1020140058801A
Other languages
English (en)
Inventor
김성수
변지환
Original Assignee
강원대학교산학협력단
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 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020140058801A priority Critical patent/KR101565694B1/ko
Application granted granted Critical
Publication of KR101565694B1 publication Critical patent/KR101565694B1/ko

Links

Images

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
    • 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
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

무선 센서 네트워크에서 인공벌군집(Artificial Bee Colony; ABC) 클러스터링(clustering) 설계 방법은 인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성하는 단계; 상기 복수의 노드들 각각이 소모하는 에너지의 평균 및 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정하는 단계; 상기 인공벌군집 기법에 따라 상기 평가함수를 이용하여 상기 초기해군을 업데이트하는 단계; 및 상기 업데이트된 초기해군을 이용하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계를 포함한다.

Description

무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템{ARTIFICIAL BEE COLONY CLUSTERING DESIGN METHOD AND SYSTEM IN WIRELESS SENSOR NETWORK}
본 발명은 무선 센서 네트워크에서 클러스터링 설계를 수행하는 시스템 및 그 방법에 관한 것으로, 보다 구체적으로 복수의 노드들을 포함하는 무선 센서 네트워크에서 인공벌군집(Artificial Bee Colony; ABC) 알고리즘을 이용하여 클러스터링 설계를 수행하는 기술에 관한 것이다.
무선 센서 네트워크는 이동 컴퓨팅 및 통신 분야뿐만 아니라, 관측, 환경 및 서식지 감시, 구조물 모니터링, 헬스케어 및 재난 관리 응용 분야 등에 활용될 수 있다. 여기서, 무선 센서 네트워크의 모델은 원홉(One-Hop) 모델로 설계될 수 있다. 이 때, 원홉 모델의 무선 센서 네트워크는 센서와 센터 사이의 긴 거리 때문에 많은 전력을 소비할 수 있고, 센서와 센터 사이의 거리가 매우 길어질 경우, 실제로 센서와 센터 사이의 통신이 불가능한 단점이 있다.
따라서, 원홉 모델보다 데이터의 수집 및 전송이 이상적인 클러스터링(Clustering) 모델이 제안되었다. 클러스터링 모델로 설계된 무선 센서 네트워크는 클러스터 헤드에서 센서로부터 데이터를 수집하고, 수집한 데이터를 싱크로 전송하여 통신할 수 있다.
본 발명의 실시예들은 무선 센서 네트워크에서 인공벌군집 알고리즘을 이용하여 클러스터링 설계를 수행하는 방법, 장치 및 시스템을 제공한다.
또한, 본 발명의 실시예들은 인공벌군집 알고리즘을 이용하는 과정에서, 복수의 노드들 각각이 소모하는 에너지의 평균 및 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 기초로 무선 센서 네트워크의 성능을 적절하게 평가하는 방법, 장치 및 시스템을 제공한다.
본 발명의 일실시예에 따른 무선 센서 네트워크에서 인공벌군집(Artificial Bee Colony; ABC) 클러스터링(clustering) 설계 방법은 인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성하는 단계; 상기 복수의 노드들 각각이 소모하는 에너지의 평균 및 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정하는 단계; 상기 인공벌군집 기법에 따라 상기 평가함수를 이용하여 상기 초기해군을 업데이트하는 단계; 및 상기 업데이트된 초기해군을 이용하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계를 포함한다.
상기 초기해군을 업데이트하는 단계는 상기 초기해들 각각에 대한 이웃해를 탐색하는 단계; 상기 평가함수에 따라, 상기 초기해들 각각과 상기 초기해들 각각에 대한 이웃해를 비교하여 상기 초기해들을 업데이트하는 단계; 상기 평가함수에 비례하는 미리 설정된 확률식에 기초하여 상기 업데이트된 초기해들 중 적어도 하나의 해를 선택하는 단계; 상기 적어도 하나의 해에 대한 이웃해를 재탐색하는 단계; 및 상기 평가함수에 따라, 상기 적어도 하나의 해와 상기 적어도 하나의 해에 대한 이웃해를 비교하여 상기 적어도 하나의 해를 업데이트하는 단계를 포함할 수 있다.
상기 초기해들을 업데이트하는 단계는 상기 초기해들 각각의 평가함수 값과 상기 초기해들 각각에 대한 이웃해의 평가함수 값을 비교하는 단계; 및 상기 비교 결과에 기초하여 상기 초기해들 각각을 유지하거나 상기 초기해들 각각에 대한 이웃해로 교체함으로써, 상기 초기해들 각각을 업데이트하는 단계를 포함할 수 있다.
상기 적어도 하나의 해를 업데이트하는 단계는 상기 적어도 하나의 해의 평가함수 값과 상기 적어도 하나의 해에 대한 이웃해의 평가함수 값을 비교하는 단계; 및 상기 비교 결과에 기초하여 상기 적어도 하나의 해를 유지하거나 상기 적어도 하나의 해에 대한 이웃해로 교체함으로써, 상기 적어도 하나의 해를 업데이트하는 단계를 포함할 수 있다.
상기 초기해군을 업데이트하는 단계는 상기 업데이트된 적어도 하나의 해를 포함하는 상기 업데이트된 초기해들 중 상기 업데이트된 초기해들 각각에 대한 이웃해로 교체되지 않은 적어도 일부 해들을 추출하는 단계; 및 상기 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성하는 단계를 더 포함할 수 있다.
상기 초기해군을 업데이트하는 단계는 상기 생성된 추가 초기해를 포함하는 상기 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용하는 단계를 더 포함할 수 있다.
상기 초기해들 각각에 대한 이웃해를 탐색하는 단계는 상기 업데이트된 초기해들 중 상기 추출된 적어도 일부 해들을 제외한 나머지 해들 각각에 대한 이웃해를 탐색하는 단계를 포함할 수 있다.
상기 초기해군을 생성하는 단계는 미리 설정된 초기해 개수에 기초하여, 상기 복수의 노드들 각각이 클러스터 헤드인지 여부에 따라 제1 논리값 또는 제2 논리값 중 어느 하나로 결정되는 초기해들을 생성하는 단계를 포함할 수 있다.
상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계는 상기 업데이트된 초기해군의 초기해들 중 상기 평가함수를 최소화하는 어느 하나의 해를 추출하는 단계; 및 상기 어느 하나의 해에 기초하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계를 포함할 수 있다.
상기 인공벌군집 클러스터링 설계 방법은 적어도 하나의 세대 반복 횟수와 미리 설정된 반복 횟수를 비교하거나, 미리 설정된 업데이트 시간제한에 기초하여 상기 초기해군을 업데이트하는 것을 중단하는 단계를 더 포함할 수 있다.
본 발명의 일실시예에 따른 무선 센서 네트워크에서 인공벌군집(Artificial Bee Colony; ABC) 클러스터링(clustering) 설계 시스템은 인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성하는 생성부; 상기 복수의 노드들 각각이 소모하는 에너지의 평균 및 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정하는 설정부; 상기 인공벌군집 기법에 따라 상기 평가함수를 이용하여 상기 초기해군을 업데이트하는 업데이트부; 및 상기 업데이트된 초기해군을 이용하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 수행부를 포함한다.
상기 업데이트부는 상기 초기해들 각각에 대한 이웃해를 탐색하고, 상기 평가함수에 따라, 상기 초기해들 각각과 상기 초기해들 각각에 대한 이웃해를 비교하여 상기 초기해들을 업데이트하는 제1 업데이트부; 및 상기 평가함수에 비례하는 미리 설정된 확률식에 기초하여 상기 업데이트된 초기해들 중 적어도 하나의 해를 선택하고, 상기 적어도 하나의 해에 대한 이웃해를 재탐색하며, 상기 평가함수에 따라, 상기 적어도 하나의 해와 상기 적어도 하나의 해에 대한 이웃해를 비교하여 상기 적어도 하나의 해를 업데이트하는 제2 업데이트부를 포함할 수 있다.
상기 업데이트부는 상기 업데이트된 적어도 하나의 해를 포함하는 상기 업데이트된 초기해들 중 상기 업데이트된 초기해들 각각에 대한 이웃해로 교체되지 않은 적어도 일부 해들을 추출하고, 상기 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성할 수 있다.
상기 업데이트부는 상기 생성된 추가 초기해를 포함하는 상기 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용할 수 있다.
본 발명의 실시예들은 무선 센서 네트워크에서 인공벌군집 알고리즘을 이용하여 클러스터링 설계를 수행하는 방법, 장치 및 시스템을 제공할 수 있다.
또한, 본 발명의 실시예들은 인공벌군집 알고리즘을 이용하는 과정에서, 복수의 노드들 각각이 소모하는 에너지의 평균 및 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 기초로 무선 센서 네트워크의 성능을 적절하게 평가하는 방법, 장치 및 시스템을 제공할 수 있다.
도 1은 클러스터링 설계가 수행된 무선 센서 네트워크의 구조를 나타낸 도면이다.
도 2는 클러스터링 설계가 수행된 무선 센서 네트워크에서 노드의 소모 에너지 계산을 나타낸 도면이다.
도 3은 본 발명의 일실시예에 따른 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법을 나타낸 플로우 차트이다.
도 4는 도 3에 도시된 초기해군을 업데이트하는 단계(340)를 구체적으로 나타낸 플로우 차트이다.
도 5는 도 4에 도시된 초기해들을 업데이트하는 단계(420)를 구체적으로 나타낸 플로우 차트이다.
도 6은 도 4에 도시된 적어도 하나의 해를 업데이트하는 단계(450)를 구체적으로 나타낸 플로우 차트이다.
도 7은 본 발명의 일실시예에 따른 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 시스템을 나타낸 블록도이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 클러스터링 설계가 수행된 무선 센서 네트워크의 구조를 나타낸 도면이다.
도 1을 참조하면, 클러스터링 설계가 수행된 무선 센서 네트워크는 복수의 노드들을 포함할 수 있으며, 복수의 노드들은 싱크(110), 복수의 클러스터 헤드들(121, 131, 141) 및 복수의 센서들(122, 123, 124, 125, 132, 133, 134, 135, 142, 143, 144, 145)로 설정된다.
여기서 제1 클러스터 헤드(121)는 제1 범위(120) 내의 복수의 센서들(122, 123, 124, 125)로부터 수집한 데이터를 싱크(110)로 전송할 수 있고, 제2 클러스터 헤드(131)는 제2 범위(130)내의 복수의 센서들(132, 133, 134, 135)로부터 수집한 데이터를 싱크(110)로 전송할 수 있으며, 제3 클러스터 헤드(141)는 제3 범위(140) 내의 복수의 센서들(142, 143, 144, 145)로부터 수집한 데이터를 싱크(110)로 전송할 수 있다. 이 때, 제1 클러스터 헤드(121), 제2 클러스터 헤드(131) 및 제3 클러스터 헤드(141)는 싱크(110)와 통신하는 각각의 거리들(126, 136, 146)이 길어질수록 통신 과정에서 더 많은 에너지를 소비할 수 있다.
무선 센서 네트워크를 구성하는 센서는 유한한 에너지를 갖기 때문에, 센서의 에너지 소모는 최소화되어야 한다. 또한, 클러스터 헤드와 클러스터 헤드가 아닌 센서 간의 에너지 소모량의 차이가 발생하기 때문에 클러스터링 설계를 수행하는 과정에서 효율적인 알고리즘을 적용하지 못하면 라운드(round)가 진행됨에 따라 센서들 각각에 남아있는 에너지의 차이가 늘어나게 된다. 또한, 에너지를 먼저 모두 소모한 센서가 제 역할을 하지 못하면 해당 센서에서 수집하던 정보를 수집하지 못하게 되는 문제점이 발생하게 된다. 따라서, 무선 센서 네트워크의 총 에너지 소모를 최소화하면서 센서들에 남아있는 에너지를 고르게 유지하는 클러스터링 설계를 수행하는 방법이 필요하다.
이에, 클러스터링 설계 알고리즘으로서, LEACH(Low-Energy Adaptive Clustering Hierarchy) 알고리즘이 제안되었다. LEACH 알고리즘은 전체 노드 수의 5%를 클러스터 헤드 수로 설정하고, 센서 노드들 중에서 임의적으로 클러스터 헤드를 선택할 수 있다. 따라서, 최적의 클러스터 헤드 수를 보장하지 못하고 클러스터 헤드를 전체 네트워크에 골고루 분포시킬 수 없다는 문제점이 있다.
또한, 클러스터링 설계 알고리즘으로서, LEACH-C(Centralized) 알고리즘이 제안되었다. LEACH-C 알고리즘은 센터에서 모든 노드의 현재 에너지를 측정하여 평균을 구하고 클러스터 헤드를 선택할 때 평균 이하의 에너지를 가지고 있는 노드는 클러스터 헤드가 될 수 없도록 조정하여, 기존 LEACH 알고리즘의 성능을 개선하였다. 그러나, LEACH와 LEACH-C는 클러스터 헤드의 소모 에너지를 계산할 때 클러스터 헤드에 연결된 실제 센서 노드들로 에너지 소모를 계산하지 못하고 연결되어 있는 센서 노드들의 평균 수를 사용하기 때문에 실제 소비에너지를 적용할 수 없다는 공통의 문제점이 있다.
또한, 클러스터 헤드의 수와 위치를 결정하는데 이용 가능한 모든 경우의 수는 각 노드가 클러스터 헤드인가 아닌가를 결정해야 하기 때문에,
Figure 112014046027817-pat00001
개 센서 노드를 가진 센서 네트워크인 경우
Figure 112014046027817-pat00002
이라고 서술하고, 이러한 NP-hard 클러스터링 문제를 해결하기 위한, 유전자 알고리즘이 제안되었다. 그러나, 유전자 알고리즘은 세대가 진행되면서 적합도 수렴 경향이 뚜렷이 나타나지 않아 더 좋은 결과에 대한 검증이 불확실한 단점이 있다.
또한, 클러스터링 설계 알고리즘으로서, 두 단계의 Simulated Annealing방법을 사용하여 애드혹(ad-hoc) 무선 센서 네트워크를 최적화하는 기법이 제안되었으나, 기존 방법과 비교 분석했을 때의 우월성과 차별성을 제시하지 못하였다.
또한, 클러스터링 설계 알고리즘으로서, 파티클 군집 최적화(particle swarm optimization) 알고리즘이 제안되었다. 그러나, 파티클 군집 최적화 알고리즘은 문제의 복잡도와 시간을 줄이기 위하여 미리 클러스터 헤드의 수를 정한 상태에서 설계를 하기 때문에, 최적해를 찾아낼 수 없는 가능성이 커진다는 문제점이 있다.
또한, 클러스터링 설계 알고리즘으로서, 클러스터 헤드의 수를 미리 결정하지 않고 클러스터 헤드의 수와 위치 및 어떤 센서 노드가 어떤 클러스터 헤드에 연결되어야 하는지를 동시에 고려하는 이진 파티클 군집 최적화 알고리즘이 제안되었다. 그러나, 이진 파티클 군집 최적화 알고리즘은 특정 라운드에 국한하여 거리를 최소화하면서 클러스터 헤드의 수를 줄임으로써 에너지 소비 최소화를 시도하였기 때문에 매 라운드마다의 실제 에너지 소모를 고려하지 못한 한계를 가지고 있다.
또한, 클러스터링 설계 알고리즘으로서, 하모니 서치(Harmony Search; HS) 알고리즘이 제안되었으나, 하모니 서치 알고리즘은 클러스터링 설계를 수행하기 이전에, 설정해야 하는 파라미터의 개수가 많은 단점이 있다.
따라서, 본 명세서에서는 이와 같은 기존의 클러스터링 설계 알고리즘들의 단점 및 문제점을 개선하여, 무선 센서 네트워크의 총 에너지 소모를 최소화하면서 센서들에 남아있는 에너지를 고르게 유지하도록 인공벌군집 알고리즘을 이용하여 클러스터링 설계를 수행하는 기법을 제안한다.
도 2는 클러스터링 설계가 수행된 무선 센서 네트워크에서 노드의 소모 에너지 계산을 나타낸 도면이다.
도 2를 참조하면, 클러스터링 설계가 수행된 무선 센서 네트워크는 싱크(210), 클러스터 헤드(221) 및 클러스터 헤드(221)를 기준으로 일정 범위(220) 내의 복수의 센서들(230)을 포함한다. 이 때, 무선 센서 네트워크에서 소모되는 에너지를 계산하는 수학식 1은 다음과 같다.
<수학식 1>
Figure 112014046027817-pat00003

수학식 1의 (1)은 라운드 t에서 클러스터 헤드(221)인 노드 n의 소모되는 에너지를 나타낸다. 여기서,
Figure 112014046027817-pat00004
은 클러스터 헤드(221)가
Figure 112014046027817-pat00005
개의 센서들(230)로부터 l bits의 메시지를 수신할 때 소모되는 에너지를 의미하고,
Figure 112014046027817-pat00006
은 라운드 t에서 클러스터 헤드(221)를 포함하여, 연결되어 있는
Figure 112014046027817-pat00007
개의 센서들(221, 230)로부터 l bits의 메시지를 병합할 때 소모되는 에너지를 의미한다. 또한,
Figure 112014046027817-pat00008
는 클러스터 헤드(221)가 모두 병합된 에너지를 싱크(210)로 전송할 때 소비되는 에너지를 의미한다. 이 때,
Figure 112014046027817-pat00009
은 무선 통신으로 인한 에너지 소비를 의미하고,
Figure 112014046027817-pat00010
는 전송되는 증폭기의 에너지 소비를 의미하며,
Figure 112014046027817-pat00011
는 클러스터 헤드(221)와 싱크(210) 사이의 거리(222)로서, 복수의 센서들(230) 각각과 클러스터 헤드(221) 사이의 거리(232)보다 상대적으로 길다는 가정하에 거리의 4제곱에 비례하여 에너지 소비가 계산될 수 있다.
수학식 1의 (2)는 라운드 t에서 복수의 센서들(230)에 포함되는 노드 n의 소모되는 에너지를 나타낸다. 여기서,
Figure 112014046027817-pat00012
는 복수의 센서들(230) 중 노드 n이 수집한 l bits의 데이터를 클러스터 헤드(221)로 전송할 때 소비되는 에너지를 의미한다. 이 때,
Figure 112014046027817-pat00013
은 무선 통신으로 인한 에너지 소비를 의미하고,
Figure 112014046027817-pat00014
는 자유공간(Free-Space Model) 손실 에너지를 의미하며,
Figure 112014046027817-pat00015
는 복수의 센서들(230) 각각과 클러스터 헤드(221) 사이의 거리(231)로서, 클러스터 헤드(221)와 싱크(210) 사이의 거리(222)보다 상대적으로 작으므로 거리의 제곱에 비례하여 에너지 소비가 계산될 수 있다.
따라서, 무선 센서 네트워크에 포함되는 노드들(221, 230)이 소모하는 에너지의 평균을 계산하는 수학식 2는 다음과 같다.
<수학식 2>
Figure 112014046027817-pat00016

수학식 2는 라운드 t에서 클러스터 헤드(221) 및 복수의 센서들(230)을 포함하는 노드들 중 노드 n의 소모되는 에너지의 평균을 나타낸다. 여기서, N은 현재 무선 센서 네트워크에서 배터리의 에너지가 남아있는 노드들의 개수를 의미한다.
또한, 라운드 t+1에서 노드 n에 남아있는 에너지를 계산하는 수학식 3은 다음과 같다.
<수학식 3>
Figure 112014046027817-pat00017

따라서, 무선 센서 네트워크에 포함되는 노드들(221, 230)에 남아있는 에너지의 평균을 계산하는 수학식 4는 다음과 같다.
<수학식 4>
Figure 112014046027817-pat00018

또한, 무선 센서 네트워크에 포함되는 노드들(221, 230)에 남아있는 에너지간의 편차를 계산하는 수학식 5는 다음과 같다.
<수학식 5>
Figure 112014046027817-pat00019

본 발명의 일실시예에 따른 방법은 클러스터링 설계를 수행하는 과정에서, 수학식 2로부터 복수의 노드들(221, 230) 각각이 소모하는 에너지의 평균을 계산하고, 수학식 5로부터 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 계산하여 수학식 6과 같이 평가함수를 생성할 수 있다.
<수학식 6>
Figure 112014046027817-pat00020

여기서,
Figure 112014046027817-pat00021
는 미리 설정된 제1 가중치를 의미하고,
Figure 112014046027817-pat00022
는 제1 가중치와 구별되는 미리 설정된 제2 가중치를 의미한다. 이 때, 제1 가중치 및 제2 가중치는 서로 동일할 수도 있다.
본 발명의 일실시예에 따른 방법은 이러한 평가함수의 값을 계산하여 클러스터링 설계가 수행된 무선 센서 네트워크의 성능을 적절하게 평가함으로써, 무선 센서 네트워크의 성능을 최적화되도록 업데이트할 수 있다. 이 때, 본 발명의 일실시예에 따른 방법은 클러스터링 설계를 수행하는 과정에서 인공벌군집 알고리즘을 적용할 수 있다.
인공벌군집 알고리즘은 벌들이 음식을 찾아 꿀을 채취하는 메커니즘으로부터 개발된 알고리즘이다. 구체적으로, 인공벌군집 클러스터링 설계 방법은 임의로 클러스터링 설계가 수행된 무선 센서 네트워크에 포함되는 노드들을 하나의 해로 설정하고, EB(Employed Bee), OB(Onlooker Bee) 및 SB(Scout Bee)로 구분된 벌을 이용하여 해를 업데이트함으로써, 최적화된 클러스터링 설계를 수행한다.
이 때, EB는 현재 해가 더 좋은 해로 업데이트되도록 현재 해의 이웃해를 탐색하는 역할을 하고, OB는 EB들에 의해 업데이트된 해에 대해 이웃해를 재탐색하여 더 좋은 해로 업데이트되도록 한다. SB는 EB 또는 OB에 의해 업데이트된 해에 대해 다른 임의의 해를 탐색하는 역할을 한다. 결과적으로, EB 및 OB는 수렴성을 추구하여 해를 업데이트하는 반면, SB는 다양성을 추구하여 더 좋은 해를 찾을 수 있는 가능성을 향상시킨다.
따라서, 이와 같은 인공벌군집 클러스터링 설계 방법은 수렴성 및 다양성의 균형을 조절하기 때문에, 최적화된 클러스터링 설계를 수행할 수 있다. 이에 대한 상세한 설명은 도 3을 참조하여 기재하기로 한다.
도 3은 본 발명의 일실시예에 따른 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법을 나타낸 플로우 차트이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 인공벌군집 클러스터링 설계 시스템은 파라미터를 설정할 수 있다(310). 구체적으로, 인공벌군집 클러스터링 설계 시스템은 초기해의 개수, 초기해의 이웃해를 찾는 역할을 하는 EB의 개수 및 평가함수에 비례하는 미리 설정된 확률식에 기초하여, 초기해의 이웃해를 재탐색하는 OB의 개수를 설정할 수 있고, 종료 조건으로서, 인공벌군집 알고리즘을 수행하는 반복 횟수 및 초기해군의 업데이트 시간제한 등을 설정할 수 있다. 이 때, 초기해의 개수, EB의 개수 및 OB의 개수는 동일하게 설정될 수 있다.
이어서, 인공벌군집 클러스터링 설계 시스템은 인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성한다(320).
이 때, 인공벌군집 클러스터링 설계 시스템은 310 단계에서 미리 설정된 초기해 개수에 기초하여, 복수의 노드들 각각이 클러스터 헤드인지 여부에 따라 제1 논리값 또는 제2 논리값 중 어느 하나로 결정되는 초기해들을 생성할 수 있다. 여기서, 초기해들은 임의로 생성될 수 있다. 예를 들어, 인공벌군집 클러스터링 설계 시스템은 복수의 노드들 중 클러스터 헤드로 결정되는 특정 노드에는 제1 논리값인 1을 할당하고, 클러스터 헤드가 아닌 센서로 결정되는 특정 노드에는 제2 논리값인 0을 할당하여 임의로 초기해를 생성할 수 있다. 이와 같은 과정이 미리 설정된 초기해 개수만큼 수행됨으로써, 미리 설정된 초기해 개수만큼의 초기해들이 형성되어 초기해군이 생성될 수 있다. 더 구체적인 예를 들면, 인공벌군집 클러스터링 설계 시스템은 표 1과 같이, 제1 초기해에 대해, 0번 노드를 싱크로 설정하고, 1번 노드, 5번 노드, 6번 노드, 7번 노드, 8번 노드 및 11번 노드를 제1 논리값을 갖는 클러스터 헤드로 설정하며, 그 외 나머지 노드들을 제2 논리값을 갖는 센서로 설정할 수 있다. 인공벌군집 클러스터링 설계 시스템은 제2 초기해 및 제SN 초기해에 대해서도 이와 같은 방식으로 클러스터 헤드 및 센서를 설정할 수 있다.
센서
번호		 0
(싱크)		 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
제1
초기해		 0 1 0 0 0 1 1 1 1 0 0 1 0 0 0 0
제2
초기해		 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0 0
Figure 112014046027817-pat00023
제SN 초기해 0 0 0 1 0 0 0 1 1 1 0 0 0 1 0 1

그 다음, 인공벌군집 클러스터링 설계 시스템은 복수의 노드들 각각이 소모하는 에너지의 평균 및 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정한다(330).
그 다음, 인공벌군집 클러스터링 설계 시스템은 인공벌군집 기법에 따라 평가함수를 이용하여 초기해군을 업데이트한다(340). 이에 대한 상세한 설명은 도 4를 참조하여 기재하기로 한다.
그 후, 인공벌군집 클러스터링 설계 시스템은 업데이트된 초기해군을 이용하여 무선 센서 네트워크에 대해 클러스터링 설계를 수행한다(350). 구체적으로, 인공벌군집 클러스터링 설계 시스템은 업데이트된 초기해군의 초기해들 중 평가함수를 최소화하는 어느 하나의 해를 추출하고, 추출된 어느 하나의 해에 기초하여 무선 센서 네트워크에 대해 클러스터링 설계를 수행할 수 있다.
도 4는 도 3에 도시된 초기해군을 업데이트하는 단계(340)를 구체적으로 나타낸 플로우 차트이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 인공벌군집 클러스터링 설계 시스템은 초기해들 각각에 대해 지역해를 탐색하기 위한 EB를 결정함으로써, 초기해들 각각에 대한 이웃해를 탐색할 수 있다(410).
이어서, 인공벌군집 클러스터링 설계 시스템은 평가함수에 따라, 초기해들 각각과 초기해들 각각에 대한 이웃해를 비교하여 초기해들을 업데이트할 수 있다(420). 이에 대한 상세한 설명은 도 5를 참조하여 기재하기로 한다.
그 다음, 인공벌군집 클러스터링 설계 시스템은 평가함수에 비례하는 미리 설정된 확률식에 기초하여 업데이트된 초기해들 중 적어도 하나의 해를 선택할 수 있다(430).
그 다음, 인공벌군집 클러스터링 설계 시스템은 선택된 적어도 하나의 해에 대한 이웃해를 재탐색할 수 있다(440).
그 후, 인공벌군집 클러스터링 설계 시스템은 평가함수에 따라, 적어도 하나의 해와 적어도 하나의 해에 대한 이웃해를 비교하여 적어도 하나의 해를 업데이트할 수 있다(450). 이와 같이, 전역해를 탐색하는 450 단계는 OB에 의해 수행될 수 있다. 이에 대한 상세한 설명은 도 6을 참조하여 기재하기로 한다.
또한, 인공벌군집 클러스터링 설계 시스템은 업데이트된 적어도 하나의 해를 포함하는 업데이트된 초기해들 중 업데이트된 초기해들 각각에 대한 이웃해로 교체되지 않은 적어도 일부 해들을 추출하고, 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성함으로써(460), 추가 초기해를 업데이트된 초기해들에 포함시킬 수 있다. 이와 같이, 다양성을 추구하여 더 좋은 해를 탐색하는 460 단계는 SB에 의해 수행될 수 있다.
예를 들어, 인공벌군집 클러스터링 설계 시스템은 초기해를 업데이트하는 단계(420) 및 적어도 하나의 해를 업데이트하는 단계(450)에서 초기해들 및 적어도 하나의 해 중 적어도 일부 해들이 이웃해로 교체되지 않고 유지되는 경우, 적어도 일부 해들에 대한 카운트를 가산함으로써, 세대를 반복하여 초기해들을 업데이트하는 과정에서 적어도 일부 해들의 카운트가 미리 설정된 제한 카운트와 같거나 클 때, 적어도 일부 해들을 추출하고, 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성하여 초기해에 포함시킬 수 있다. 이에 대한 상세한 설명은 아래에서 기재하기로 한다.
인공벌군집 클러스터링 설계 시스템은 이와 같이 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용하여, 초기해군을 업데이트하는 과정을 반복 수행함으로써, 최적화된 해를 획득할 수 있다. 이 때, 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용하는 경우, 인공벌군집 클러스터링 설계 시스템은 다음 세대에서의 초기해들 각각에 대한 이웃해를 탐색하는 410 단계를 이전 세대에서의 460 단계에서 추출된 적어도 일부 해들을 제외한 나머지 해들 각각에 대한 이웃해를 탐색하는 과정으로 대체하여 수행할 수 있다.
위에서 상술한 초기해군을 업데이트하는 과정은 적어도 하나의 세대 반복 횟수와 미리 설정된 반복 횟수를 비교하거나, 소요 시간과 미리 설정된 업데이트 시간제한을 비교함으로써(470), 반복 수행되거나, 중단될 수 있다. 예를 들어, 적어도 하나의 세대 반복 횟수가 미리 설정된 반복 횟수와 같거나 큰 경우, 또한, 초기해군을 업데이트하는데 소요된 시간이 미리 설정된 업데이트 시간제한과 같거나 큰 경우, 초기해군을 업데이트하는 과정은 중단될 수 있다.
도 5는 도 4에 도시된 초기해들을 업데이트하는 단계(420)를 구체적으로 나타낸 플로우 차트이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 인공벌군집 클러스터링 설계 시스템은 상기 초기해들 각각의 평가함수 값과 상기 초기해들 각각에 대한 이웃해의 평가함수 값을 비교할 수 있다(510).
이 때, 초기해들 각각의 평가함수 값이 초기해들 각각에 대한 이웃해의 평가함수 값보다 작거나 같은 경우, 초기해들 각각은 그대로 유지될 수 있다(520). 이러한 경우, 세대를 반복하여 초기해들을 업데이트하는 과정에서, 초기해들 중 그대로 유지되는 적어도 일부 해들은 카운트가 가산되어, 미리 설정된 제한 카운트와 비교됨으로써, 추출될 수 있다.
반면에, 초기해들 각각의 평가함수 값이 초기해들 각각에 대한 이웃해의 평가함수 값보다 큰 경우, 초기해들 각각은 초기해들 각각에 대한 이웃해로 교체될 수 있다(530).
이와 같이, 인공벌군집 클러스터링 설계 시스템은 비교 결과에 기초하여 초기해들 각각을 유지하거나 초기해들 각각에 대한 이웃해로 교체함으로써, 초기해들 각각을 업데이트할 수 있다.
도 6은 도 4에 도시된 적어도 하나의 해를 업데이트하는 단계(450)를 구체적으로 나타낸 플로우 차트이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 인공벌군집 클러스터링 설계 시스템은 적어도 하나의 해의 평가함수 값과 적어도 하나의 해에 대한 이웃해의 평가함수 값을 비교할 수 있다(610).
이 때, 적어도 하나의 해의 평가함수 값이 적어도 하나의 해에 대한 이웃해의 평가함수 값보다 작거나 같은 경우, 적어도 하나의 해는 그대로 유지될 수 있다(620). 이러한 경우, 세대를 반복하여 초기해들을 업데이트하는 과정에서, 적어도 하나의 해 중 그대로 유지되는 적어도 일부 해들은 카운트가 가산되어 미리 설정된 제한 카운트와 비교됨으로써, 추출될 수 있다.
반면에, 적어도 하나의 해의 평가함수 값이 적어도 하나의 해에 대한 이웃해의 평가함수 값보다 큰 경우, 적어도 하나의 해는 적어도 하나의 해에 대한 이웃해로 교체될 수 있다(630).
이와 같이, 인공벌군집 클러스터링 설계 시스템은 비교 결과에 기초하여 적어도 하나의 해를 유지하거나 적어도 하나의 해에 대한 이웃해로 교체함으로써, 적어도 하나의 해를 업데이트할 수 있다.
도 7은 본 발명의 일실시예에 따른 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 시스템을 나타낸 블록도이다.
도 7을 참조하면, 본 발명의 일실시예에 따른 인공벌군집 클러스터링 설계 시스템은 생성부(710), 설정부(720), 업데이트부(730) 및 수행부(740)를 포함한다.
생성부(710)는 인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성한다.
이 때, 생성부(710)는 미리 설정된 초기해 개수에 기초하여, 복수의 노드들 각각이 클러스터 헤드인지 여부에 따라 제1 논리값 또는 제2 논리값 중 어느 하나로 결정되는 초기해들을 생성할 수 있다.
설정부(720)는 복수의 노드들 각각이 소모하는 에너지의 평균 및 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정한다.
업데이트부(730)는 인공벌군집 기법에 따라 평가함수를 이용하여 초기해군을 업데이트한다.
이 때, 업데이트부(730)는 제1 업데이트부(731) 및 제2 업데이트부(732)를 포함할 수 있다.
제1 업데이트부(731)는 초기해들 각각에 대한 이웃해를 탐색하고, 평가함수에 따라, 초기해들 각각과 초기해들 각각에 대한 이웃해를 비교하여 초기해들을 업데이트할 수 있다.
제2 업데이트부(732)는 평가함수에 비례하는 미리 설정된 확률식에 기초하여 업데이트된 초기해들 중 적어도 하나의 해를 선택하고, 적어도 하나의 해에 대한 이웃해를 재탐색하며, 평가함수에 따라, 적어도 하나의 해와 적어도 하나의 해에 대한 이웃해를 비교하여 적어도 하나의 해를 업데이트할 수 있다.
또한, 업데이트부(730)는 업데이트된 적어도 하나의 해를 포함하는 업데이트된 초기해들 중 업데이트된 초기해들 각각에 대한 이웃해로 교체되지 않은 적어도 일부 해들을 추출하고, 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성할 수 있다.
따라서, 업데이트부(730)는 생성된 추가 초기해를 포함하는 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용할 수 있다. 이러한 경우, 업데이트부(730)는 다음 세대에서 초기해들 각각에 대한 이웃해를 탐색하는 과정을 이전 세대에서 업데이트된 초기해들 중 추출된 적어도 일부 해들을 제외한 나머지 해들 각각에 대한 이웃해를 탐색함으로써, 수행할 수 있다.
또한, 업데이트부(730)는 적어도 하나의 세대 반복 횟수와 미리 설정된 반복 횟수를 비교하거나, 미리 설정된 업데이트 시간제한에 기초하여 초기해군을 업데이트하는 것을 중단할 수 있다.
수행부(740)는 업데이트된 초기해군을 이용하여 무선 센서 네트워크에 대해 클러스터링 설계를 수행한다.
이 때, 수행부(740)는 업데이트된 초기해군의 초기해들 중 평가함수를 최소화하는 어느 하나의 해를 추출하고, 추출된 어느 하나의 해에 기초하여 무선 센서 네트워크에 대해 클러스터링 설계를 수행할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 무선 센서 네트워크에서 인공벌군집(Artificial Bee Colony; ABC) 클러스터링(clustering) 설계 방법에 있어서,
    인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성하는 단계;
    상기 복수의 노드들 각각이 소모하는 에너지의 평균 및 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정하는 단계;
    상기 인공벌군집 기법에 따라, 하기 수학식 6의 상기 평가함수를 이용하여 상기 초기해군을 업데이트하는 단계; 및
    상기 업데이트된 초기해군을 이용하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계
    를 포함하고,
    [수학식 6]
    Figure 112015046388234-pat00031

    를 포함하며,
    상기 수학식 6에서 상기
    Figure 112015046388234-pat00032
    는 미리 설정된 제1 가중치를 의미하고,
    Figure 112015046388234-pat00033
    는 상기 복수의 노드들 각각이 소모하는 에너지의 평균을 의미하며, 상기
    Figure 112015046388234-pat00034
    는 제1 가중치와 구별되는 미리 설정된 제2 가중치를 의미하며,
    Figure 112015046388234-pat00035
    는 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 의미하는 인공벌군집 클러스터링 설계 방법.
  2. 제1항에 있어서,
    상기 초기해군을 업데이트하는 단계는
    상기 초기해들 각각에 대한 이웃해를 탐색하는 단계;
    상기 평가함수에 따라, 상기 초기해들 각각과 상기 초기해들 각각에 대한 이웃해를 비교하여 상기 초기해들을 업데이트하는 단계;
    상기 평가함수에 비례하는 미리 설정된 확률식에 기초하여 상기 업데이트된 초기해들 중 적어도 하나의 해를 선택하는 단계;
    상기 적어도 하나의 해에 대한 이웃해를 재탐색하는 단계; 및
    상기 평가함수에 따라, 상기 적어도 하나의 해와 상기 적어도 하나의 해에 대한 이웃해를 비교하여 상기 적어도 하나의 해를 업데이트하는 단계
    를 포함하는 인공벌군집 클러스터링 설계 방법.
  3. 제2항에 있어서,
    상기 초기해들을 업데이트하는 단계는
    상기 초기해들 각각의 평가함수 값과 상기 초기해들 각각에 대한 이웃해의 평가함수 값을 비교하는 단계; 및
    상기 비교 결과에 기초하여 상기 초기해들 각각을 유지하거나 상기 초기해들 각각에 대한 이웃해로 교체함으로써, 상기 초기해들 각각을 업데이트하는 단계
    를 포함하는 인공벌군집 클러스터링 설계 방법.
  4. 제2항에 있어서,
    상기 적어도 하나의 해를 업데이트하는 단계는
    상기 적어도 하나의 해의 평가함수 값과 상기 적어도 하나의 해에 대한 이웃해의 평가함수 값을 비교하는 단계; 및
    상기 비교 결과에 기초하여 상기 적어도 하나의 해를 유지하거나 상기 적어도 하나의 해에 대한 이웃해로 교체함으로써, 상기 적어도 하나의 해를 업데이트하는 단계
    를 포함하는 인공벌군집 클러스터링 설계 방법.
  5. 제2항에 있어서,
    상기 업데이트된 적어도 하나의 해를 포함하는 상기 업데이트된 초기해들 중 상기 업데이트된 초기해들 각각에 대한 이웃해로 교체되지 않은 적어도 일부 해들을 추출하는 단계; 및
    상기 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성하는 단계
    를 더 포함하는 인공벌군집 클러스터링 설계 방법.
  6. 제5항에 있어서,
    상기 생성된 추가 초기해를 포함하는 상기 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용하는 단계
    를 더 포함하는 인공벌군집 클러스터링 설계 방법.
  7. 제6항에 있어서,
    상기 초기해들 각각에 대한 이웃해를 탐색하는 단계는
    상기 업데이트된 초기해들 중 상기 추출된 적어도 일부 해들을 제외한 나머지 해들 각각에 대한 이웃해를 탐색하는 단계
    를 포함하는 인공벌군집 클러스터링 설계 방법.
  8. 제1항에 있어서,
    상기 초기해군을 생성하는 단계는
    미리 설정된 초기해 개수에 기초하여, 상기 복수의 노드들 각각이 클러스터 헤드인지 여부에 따라 제1 논리값 또는 제2 논리값 중 어느 하나로 결정되는 초기해들을 생성하는 단계
    를 포함하는 인공벌군집 클러스터링 설계 방법.
  9. 제1항에 있어서,
    상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계는
    상기 업데이트된 초기해군의 초기해들 중 상기 평가함수를 최소화하는 어느 하나의 해를 추출하는 단계; 및
    상기 어느 하나의 해에 기초하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 단계
    를 포함하는 인공벌군집 클러스터링 설계 방법.
  10. 제1항에 있어서,
    적어도 하나의 세대 반복 횟수와 미리 설정된 반복 횟수를 비교하거나, 미리 설정된 업데이트 시간제한에 기초하여 상기 초기해군을 업데이트하는 것을 중단하는 단계
    를 더 포함하는 인공벌군집 클러스터링 설계 방법.
  11. 제1항 내지 제10항 중 어느 한 항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  12. 무선 센서 네트워크에서 인공벌군집(Artificial Bee Colony; ABC) 클러스터링(clustering) 설계 시스템에 있어서,
    인공벌군집 기법을 적용하기 위해, 미리 설정된 확률에 따라 무선 센서 네트워크에 포함되는 복수의 노드들 각각이 클러스터 헤드인지 여부를 나타내는 초기해들의 초기해군을 생성하는 생성부;
    상기 복수의 노드들 각각이 소모하는 에너지의 평균 및 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 최소화하는 평가함수를 설정하는 설정부;
    상기 인공벌군집 기법에 따라, 하기 수학식 6의 상기 평가함수를 이용하여 상기 초기해군을 업데이트하는 업데이트부; 및
    상기 업데이트된 초기해군을 이용하여 상기 무선 센서 네트워크에 대해 클러스터링 설계를 수행하는 수행부
    를 포함하고,
    [수학식 6]
    Figure 112015046388234-pat00036

    를 포함하며,
    상기 수학식 6에서 상기
    Figure 112015046388234-pat00037
    는 미리 설정된 제1 가중치를 의미하고,
    Figure 112015046388234-pat00038
    는 상기 복수의 노드들 각각이 소모하는 에너지의 평균을 의미하며, 상기
    Figure 112015046388234-pat00039
    는 제1 가중치와 구별되는 미리 설정된 제2 가중치를 의미하며,
    Figure 112015046388234-pat00040
    는 상기 복수의 노드들 각각에 남아있는 에너지 사이의 편차를 의미하는 인공벌군집 클러스터링 설계 시스템.
  13. 제12항에 있어서,
    상기 업데이트부는
    상기 초기해들 각각에 대한 이웃해를 탐색하고, 상기 평가함수에 따라, 상기 초기해들 각각과 상기 초기해들 각각에 대한 이웃해를 비교하여 상기 초기해들을 업데이트하는 제1 업데이트부; 및
    상기 평가함수에 비례하는 미리 설정된 확률식에 기초하여 상기 업데이트된 초기해들 중 적어도 하나의 해를 선택하고, 상기 적어도 하나의 해에 대한 이웃해를 재탐색하며, 상기 평가함수에 따라, 상기 적어도 하나의 해와 상기 적어도 하나의 해에 대한 이웃해를 비교하여 상기 적어도 하나의 해를 업데이트하는 제2 업데이트부
    를 포함하는 인공벌군집 클러스터링 설계 시스템.
  14. 제13항에 있어서,
    상기 업데이트부는
    상기 업데이트된 적어도 하나의 해를 포함하는 상기 업데이트된 초기해들 중 상기 업데이트된 초기해들 각각에 대한 이웃해로 교체되지 않은 적어도 일부 해들을 추출하고, 상기 추출된 적어도 일부 해들의 개수에 기초하여 추가 초기해를 생성하는 인공벌군집 클러스터링 설계 시스템.
  15. 제14항에 있어서,
    상기 업데이트부는
    상기 생성된 추가 초기해를 포함하는 상기 업데이트된 초기해들을 다음 세대에서 초기해군으로 사용하는 인공벌군집 클러스터링 설계 시스템.
KR1020140058801A 2014-05-16 2014-05-16 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 KR101565694B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140058801A KR101565694B1 (ko) 2014-05-16 2014-05-16 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140058801A KR101565694B1 (ko) 2014-05-16 2014-05-16 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR101565694B1 true KR101565694B1 (ko) 2015-11-05

Family

ID=54600642

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140058801A KR101565694B1 (ko) 2014-05-16 2014-05-16 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101565694B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103356A (zh) * 2017-04-24 2017-08-29 华北电力大学（保定） 基于动态粒子蜜蜂算法的群机器人搜索方法
CN110493802A (zh) * 2019-08-27 2019-11-22 内蒙古大学 一种无线传感器网络apteen路由协议的优化方法及其优化装置
CN112965527A (zh) * 2021-02-16 2021-06-15 北京信息科技大学 基于改进人工蜂群算法的无人机编队拓扑生成优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101134196B1 (ko) * 2011-01-28 2012-04-09 강원대학교산학협력단 무선 통신 네트워크에서 ａｂｃ 알고리즘을 이용하는 ｌａｐ 최적 설계 방법 및 그 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101134196B1 (ko) * 2011-01-28 2012-04-09 강원대학교산학협력단 무선 통신 네트워크에서 ａｂｃ 알고리즘을 이용하는 ｌａｐ 최적 설계 방법 및 그 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103356A (zh) * 2017-04-24 2017-08-29 华北电力大学（保定） 基于动态粒子蜜蜂算法的群机器人搜索方法
CN107103356B (zh) * 2017-04-24 2020-10-09 华北电力大学（保定） 基于动态粒子蜜蜂算法的群机器人搜索方法
CN110493802A (zh) * 2019-08-27 2019-11-22 内蒙古大学 一种无线传感器网络apteen路由协议的优化方法及其优化装置
CN110493802B (zh) * 2019-08-27 2022-03-18 内蒙古大学 一种无线传感器网络apteen路由协议的优化方法及其优化装置
CN112965527A (zh) * 2021-02-16 2021-06-15 北京信息科技大学 基于改进人工蜂群算法的无人机编队拓扑生成优化方法
CN112965527B (zh) * 2021-02-16 2023-06-16 北京信息科技大学 基于改进人工蜂群算法的无人机编队拓扑生成优化方法

Similar Documents

Publication Publication Date Title
Xu et al. Trust-aware service offloading for video surveillance in edge computing enabled internet of vehicles
CN108366386B (zh) 一种使用神经网络实现无线网络故障检测的方法
Rashed et al. WEP: An energy efficient protocol for cluster based heterogeneous wireless sensor network
CN107743308B (zh) 一种用于环境监测的节点分簇数据收集方法及装置
Nagarajan et al. Hybrid grey wolf sunflower optimisation algorithm for energy‐efficient cluster head selection in wireless sensor networks for lifetime enhancement
Rathore et al. Towards Trusted Green Computing for Wireless Sensor Networks: Multi Metric Optimization Approach.
Ajay et al. Smart Spider Monkey Optimization (SSMO) for Energy-Based Cluster-Head Selection Adapted for Biomedical Engineering Applications
Mohamed et al. Coyote optimization based on a fuzzy logic algorithm for energy-efficiency in wireless sensor networks
Sinde et al. Lifetime improved WSN using enhanced-LEACH and angle sector-based energy-aware TDMA scheduling
KR101565694B1 (ko) 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템
KR101439739B1 (ko) 무선 센서 네트워크에서 클러스터링 설계를 수행하는 방법 및 시스템
Ari et al. Clustering algorithm for wireless sensor networks: The honeybee swarms nest-sites selection process based approach
John et al. Energy saving cluster head selection in wireless sensor networks for internet of things applications
Ahmed et al. An optimized k-nearest neighbor algorithm for extending wireless sensor network lifetime
Raval et al. Optimization of clustering process for WSN with hybrid harmony search and K-means algorithm
Naga Srinivasu et al. Probabilistic buckshot-driven cluster head identification and accumulative data encryption in WSN
CN107169594B (zh) 一种车辆路径问题的优化方法及装置
CN106406082B (zh) 一种系统控制方法、装置，控制器及控制系统
Randhawa et al. DAHDA: dynamic adaptive hierarchical data aggregation for clustered wireless sensor networks
Chen et al. A neighborhood grid clustering algorithm for solving localization problem in WSN using genetic algorithm
Yuvaraja et al. Lifetime enhancement of WSN using energy-balanced distributed clustering algorithm with honey bee optimization
Alisa et al. Minimizing energy consumption in wireless sensor networks using modified genetic algorithm and an energy balance filter
Zhou et al. Elite adaptive simulated annealing algorithm for maximizing the lifespan in LSWSNs
CN108337684B (zh) 基于差分进化算法的优化无线传感器网络寿命的方法
Sandeli et al. Computational intelligence approaches for energy optimization in wireless sensor networks

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20181008

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20191001

Year of fee payment: 5