本发明涉及无线传感器网络通信技术领域,具体为一种用于无线传感器网络环境下的基于多目标进化的分簇分析方法。
背景技术:
无线传感器网络(wirelesssensornetworks,wsn)通过大量部署在监测区域内的传感器节点,采集网络覆盖区域内感知对象的信息,通过多跳的无线通信方式,将采集,处理后的信息提供给终端用户。无线传感器网络不需要固定的网络支持,具有快速展开和抗毁性强等特点,可广泛应用于军事侦察、环境监测、医疗监护、农业养殖等领域。
无线传感器网络一般采用分簇路由方式,具有拓扑管理方便、节能、数据融合简单等优势。在分簇路由协议中,网络通常被划分为若干个簇(cluster)。簇是具有某种关联的网络节点集合。每个簇由一个簇头(clusterhead)和多个簇内成员(clustermember)组成,由簇头与基站(basestation,bs)或汇聚节点(sink)通信。传感器节点通常能量受限,为了延长网络生存时间,簇头必须周期性的更新。而分簇的结构、大小和数量由簇头的选择方法、数量和位置决定。因此,需要均衡各个节点的使用频率以合理的管理节点的使用频度,防止节点过早耗尽能量。
技术实现要素:
有鉴于此,本发明提供一种用于无线传感器网络环境下的基于多目标进化的分簇分析方法,包括以下步骤:
步骤a,设置分簇紧密度ft;
步骤b,建立能耗模型;
步骤c,设置适应度函数;
步骤d,建立多目标进化模型,具体为:
步骤d-1,获取初始种群并进行基因编码,首先,监测区域内所有传感器节点完成定位和统一后,发送节点广播消息;然后,sink收到所有节点的所述节点广播消息后,逐位读取随机序列中的值,同时构造一个矩阵h0,
式中,1≤i≤n,1≤j≤l,hij等于0或1,hij是id为i的节点所发送的随机序列的第j位;仅当hij为“1”时表示节点i被选为簇头,否则为非簇头;列向量
步骤d-2,所述sink对每个个体进行评估,根据步骤c中所述适应度函数分别计算出各个个体的适应度值[f1,f2,f3…fl],并保存适应度值的最小值fmin;
步骤d-3,根据各个个体的适应度值对所述初始种群采用二进制锦标赛法进行选择、变异和交叉,构成新的矩阵h1,
步骤d-4,用所述矩阵h1替换所述矩阵h0,重复执行步骤d-2和步骤d-3,直到fmin达到一个稳定值,fmin对应的个体即为最优的分簇结构。
进一步地,在步骤a中所述分簇紧密度ft的计算方法为:
式中,k为分簇个数,ci和cj分别为第i和第j个簇,d(n,chi)为第i个簇内成员n到簇头的距离,d(chi,chi)为簇头i到簇头j的距离。
进一步地,在步骤b所述能耗模型中,当传输距离为d时,在一定信噪比条件下传输l-bit数据的能耗为:
式中,eelec为发送/接收端传输每bit数据的电路能耗,根据发送端和接收端之间的距离远近,选择不同的传输模型,即采用efs或是emp。
进一步地,在步骤c中所述适应度函数为:
式中,echn_average为簇头节点平均剩余能量,α为权重因子。
进一步地,在步骤d-1中所述节点广播消息包括节点id、位置信息和一个长度为l的二进制随机序列,l为正整数。
进一步地,在步骤d-3中对所述初始种群采用二进制锦标赛法进行选择、变异和交叉的过程包括对所述矩阵h0中的各个元素以概率p进行
进一步地,在步骤d-4中所述最优分簇结构具体为:
若
进一步地,所述簇头广播消息包括节点id、位置信息以及簇头标志信息。
由于采用上述技术方案,本发明达到如下的技术效果:
本发明提供一种用于无线传感器网络环境下的基于多目标进化的分簇分析方法,综合考虑了节点剩余能量、簇头的空间分布、簇内成员到簇头的通信代价、节能的因素,给出最优的分簇方案及参数,防止节点过早耗尽能量,有效的延长了无线传感器网络节点的寿命。
附图说明
附图1为无线传感器网络拓扑结构。
附图2为能耗模型示意图。
附图3为基于多目标进化的分簇分析模型的流程图。
具体实施方式
下面结合附图1-3对本发明的实施例作进一步描述。
一种用于无线传感器网络环境下的基于多目标进化的分簇分析方法,包括以下步骤:
步骤a,设置分簇紧密度ft;
传感器节点通常能量受限,为了延长网络生存时间,簇头必须周期性的更新,而分簇的结构、大小和数量由簇头的选择方法、数量和位置决定。簇头的选择方法必须遵循以下准则:①节点剩余能量;②簇头的空间分布;③簇内成员到簇头的通信代价;④节能;针对上述准则建立模型。
针对上述簇头的空间分布和簇内成员到簇头的通信代价,设置分簇紧密度ft:
式中,k为分簇个数,ci和cj分别为第i和第j个簇。d(n,chi)为第i个簇内成员n到簇头的距离。d(chi,chj)为簇头i到簇头j的距离。
由分簇紧密度表达式可知,当簇头分布越分散,同时簇内成员到簇头之间的距离越小时,分簇紧密度ft越小。
步骤b,建立能耗模型;
针对准则④之节能的目标,建立能耗模型并给出总能耗计算方法。当传输距离为d时,在一定信噪比(signal-to-noiseratio,snr)条件下传输l-bit数据的能耗为:
根据发送端和接收端之间的距离远近,选择不同的传输模型(即采用efs或是emp)。eelec为发送/接收端传输每bit数据的电路能耗。
步骤c,设置适应度函数;
设置适应度函数如下:
其中,echn_average为簇头节点平均剩余能量,α为权重因子,其大小可由用户根据工程实践中的实际需要进行调整。
步骤d,建立多目标进化模型;
针对无线传感器网络的自身特点,建立基于多目标进化的无限传感器网络分簇分析模型。
i.获取初始种群并进行基因编码
首先,监测区域内所有传感器节点完成定位和统一后,发送广播消息,消息包括节点id、位置信息和一个长度为l(l为正整数)的二进制随机序列;而后,sink收到所有节点的广播消息后,逐位读取随机序列中的值,同时构造一个矩阵h0,
ii.选择交叉与变异
sink节点对每个个体进行评估,分别计算出各个个体的评估值[f1,f2,f3...fl],并保存评估值的最小值fmin;根据各个个体的评估值对初始种群进行二进制锦标赛选择,变异和交叉,构成新的矩阵h1,
具体为过程如下:
首先,对矩阵h0中的各个元素以概率p进行
然后,若相邻两个列向量
最后,用h1替换h0重复执行上述步骤,直到fmin达到一个稳定值(即,满足终止条件),fmin对应的个体即为最优的分簇结构。
上述最优分簇结构具体为:若
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。