CN110049526A - Wsn中基于改进分簇算法的数据收集方法及系统 - Google Patents
Wsn中基于改进分簇算法的数据收集方法及系统 Download PDFInfo
- Publication number
- CN110049526A CN110049526A CN201910294339.XA CN201910294339A CN110049526A CN 110049526 A CN110049526 A CN 110049526A CN 201910294339 A CN201910294339 A CN 201910294339A CN 110049526 A CN110049526 A CN 110049526A
- Authority
- CN
- China
- Prior art keywords
- cluster head
- node
- algorithm
- nodes
- clustering algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013481 data capture Methods 0.000 title 1
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 119
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 37
- 230000002068 genetic effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 description 22
- 238000004088 simulation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提出了WSN中基于改进分簇算法的数据收集方法及系统，针对一区域中布置有若干无线传感器构成的无线传感器网络，将LEACH法的簇头选举公式中阈值乘以系数G，该G值用来控制对于不同网络结构中的簇头选举数量，实现从普通节点选举簇头节点；选定簇头节点后，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员，完成分簇过程；利用分簇的无线传感器网络实现数据的收集。本公开对LEACH分簇算法进行改进的优化算法，利用加权的方式使在多种情形下，分簇算法能够更好的适用于当前网络。
Description
技术领域
本公开涉及无线传感器网络技术领域，特别是涉及WSN中基于改进分簇算法的数据收集方法及系统。
背景技术
无线传感器网络(Wireless Sensor Networks，WSN)是众多以自组织形式存在的传感器节点构成的具有一定覆盖范围的网络。WSN被广泛的应用于数据监测领域，如在军事、国防、灾害防控以及移动支付、智能家居等方面。WSN从网络特性来看，传感器具有一定传输范围，数据的收发只能在有限范围内进行。WSN中的节点往往不能全部同时与汇聚节点交换数据，交换数据常以逐级传递的方式进行，因此利用分簇来进行数据传输值得探究。
分簇算法是为了解决WSN中的数据传输效率问题，限制WSN中无线传感器传输效率的因素主要有能耗和计算能力两个方面。为保持网络的覆盖率和网络的联通度，通常的做法就是利用分簇算法选出一些合适的节点协助汇聚节点收集网络中的数据，再将数据统一交托给汇聚节点处理。但WSN网络往往受限于地理位置、传感器计算能力等因素，选择不到最合适的簇头节点。针对此问题，想到对分簇算法进行优化，使之更适用于WSN。
目前，国内外研究主要基于在传统的分簇算法上加入对地理位置、剩余能量等因素的考虑来达到局部优化的效果。传统WSN中的分簇算法有集中式、分布式和混合式三类。
集中式算法中，比较典型的有LEACH-C算法和LEACH-F算法，前者通过收集网络内所有传感器的能量信息，经一定的算法计算，确定簇头；后者结合了退火算法，静态挑选部分节点作为簇头。集中式网络的优势在于基站只需具有运算能力，其余传感器节点只需传输数据无需进行数据处理。
分布式分簇算法中，最为经典的是由Wendi Rabiner Heinzelman,AnanthaChandrakasan,Hari Balakrishnan提出的LEACH分簇算法，主要思想是通过轮转的方式来进行簇头的选举，分布式网络的优势在于，减轻基站运算能力方面的负担，适合规模庞大的网络。
混合式方法结合了集中式和分布式的特点，例如基于LEACH算法的LEACH-KED方法，主要思想是为能量、地理位置、与基站间距离三个因素赋予不同的权重，得出最适合作为簇头的传感器节点。
发明人在研究中发现，WSN中分簇算法的研究主要是基于对传统分簇算法进行的某一方面的优化，以适应不同场景下的网络，使得网络的生命周期和传输效率最大化。
发明内容
本说明书实施方式的目的是提供WSN中基于改进分簇算法的数据收集方法，在部分性能上可以大幅度的优于传统的分簇算法。
本说明书实施方式提供WSN中基于改进分簇算法的数据收集方法，通过以下技术方案实现：
包括：
针对一区域中布置有若干无线传感器构成的无线传感器网络，包括1个汇聚节点及N个普通节点；
将LEACH法的簇头选举公式中阈值乘以系数G，该G值用来控制对于不同网络结构中的簇头选举数量，实现从普通节点选举簇头节点；
选定簇头节点后，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员，完成分簇过程；
利用分簇的无线传感器网络实现数据的收集。
本说明书实施方式提供WSN中基于改进分簇算法的数据收集系统，通过以下技术方案实现：
包括一区域中布置有若干无线传感器构成的无线传感器网络，包括1个汇聚节点及N个普通节点；
所述无线传感器网络将LEACH法的簇头选举公式中阈值乘以系数G，该G值用来控制对于不同网络结构中的簇头选举数量，实现从普通节点选举簇头节点；
选定簇头节点后，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员，完成分簇过程；
所述无线传感器网络利用分簇的簇头节点协助汇聚节点收集网络中的数据，再将数据统一传输给汇聚节点处理。
与现有技术相比，本公开的有益效果是：
本公开对LEACH分簇算法进行改进的优化算法，利用加权的方式使在多种情形下，分簇算法能够更好的适用于当前网络。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例子的LEACH分簇算法和DEEC分簇算法剩余能量对比图；
图2为本公开实施例子的LEACH分簇算法和DEEC分簇算法传输效率对比图；
图3为本公开实施例子的WSN网络模型结构示意图；
图4为本公开实施例子的遗传算法流程图；
图5为本公开实施例子的LEACH算法、DEEC算法和改进LEACH算法的剩余能量对比示意图；
图6为本公开实施例子的LEACH算法、DEEC算法和改进LEACH算法的数据传输对比示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
该实施例子首先介绍LEACH分簇算法，LEACH分簇算法，是无线传感器网络中的分布式分簇协议，全称“低能耗且自适应的分簇分层型协议”。LEACH算法运行过程可以看作两个不同的阶段：建立分簇阶段和数据传输阶段。基于能耗方面的考虑，数据传输的阶段的持续时间要远大于建立分簇的阶段的持续时间。分簇建立阶段大致可表述为如下三个过程：选定簇头节点，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员。
公式(1)中：p为当前周期内传感器节点被选取为簇头节点的概率，r为算法运行的周期数，G为最近的1/p算法运行周期中未当选簇头的传感器节点的集合。
在每个信息传输的周期里，选定簇头节点是分簇建立的第一步，首先，选取网络中的任一节点，LEACH算法会生成一个随机数，接着，根据概率公式计算出阈值T1(n)，将生成的随机数与T1(n)进行对比，若生成的随机数小于T1(n)，则当前无线传感器节点被选为簇头节点；反之，不被选为簇头节点。重复上述过程，直至所有节点都遍历一遍，网络周期中的全部簇头节点完全选定。
簇头节点对其覆盖范围内的传感器节点进行广播是分簇建立的第二步，当普通传感器节点被选为簇头节点后，向其覆盖范围内的传感器节点散布自身成为簇头节点的消息，使其他传感器节点发现自己。当其他传感器节点收到来自簇头节点的消息后，其他传感器节点选择信号强度最高的簇头节点作为自身的簇头节点，自己为该簇头节点的簇内成员，接着簇内传感器节点向簇头节点回馈消息，汇报自身与簇头节点间信号强度，完成分簇过程。
在另一实施例子中，公开了DEEC分簇算法，DEEC分簇算法基于LEACH分簇算法进行改进，它将网络剩余能量的考虑加入到了簇头选取的策略中。DEEC分簇算法和LEACH分簇算法的运行过程大体相似，区别在于DEEC分簇算法有对能耗的优化考虑。DEEC算法希望剩余能量多于网络中节点剩余能量平均值的节点更多的去承担簇头节点的工作，而网络中剩余能量少的反之。由于簇头节点比非簇头节点要消耗更大的能量，这样，能量高的节点更多地担任簇头节点就可以使得网络中的能耗趋于平均，从而减少单一节点能量过早耗尽的情况。
算法的运行原理与LEACH分簇算法类似，都是不断循环地进行分簇过程。不同之处是，DEEC算法分簇过程中除了需要知道当前所处的周期外，还需要知道网络中的当前周期下节点剩余能量和节点平均剩余能量。在选定簇头节点过程中，LEACH分簇算法中的每一轮循环的阈值T2(n)在DEEC算法中需乘以一个权重w＝Ei/Ea其中，Ei是循环中当前节点的剩余能量，Ea是当前周期节点的平均剩余能量。这样即将LEACH算法融合了能耗因素方面的考虑。
其中，p为当前周期内传感器节点被选取为簇头节点的概率，r为算法运行的周期数，G为最近的1/p算法运行周期中未当选簇头的传感器节点的集合。
当簇头选取完成后，与LEACH算法相同，DEEC算法接着对当前循环中簇头节点覆盖范围内的传感器节点进行广播，传递自身成为簇头节点的信息。最后，当前循环中，传感器节点选择信号强度最高的簇头节点作为该簇的簇头并传递该节点剩余能量等信息，由簇头汇报给汇聚节点，汇聚节点对信息进行统一处理，得出本轮过后的网络中节点平均剩余能量。
在又一实施例中，通过前面对LEACH法和DEEC法的分析看出，DEEC法是考虑到剩余能量的因素，通过改变LEACH算法中簇头选举公式中阈值T1(n)的计算方式来对其进行优化。图1是对LEACH算法和DEEC算法剩余能量进行仿真，横坐标代表运行的周期数，最大值为5000，纵坐标代表在每一周期网络内节点总的剩余能量。
通过观察发现DEEC算法在前1000周期内剩余能量下降的比LEACH算法要快，对网络中的能量消耗大于LEACH算法，但在1000周期以后DEEC算法的能量消耗速率减缓。在1500周期左右，两个网络几乎同时消耗完剩余能量，说明在两种算法下，网络寿命的性能差别不大。
但在日常生活中，由于WSN中的节点能量可以得到外来补充，所以网络运行过程中一般不存在传感器节点能量被耗尽的情况，也就是说现实生活中，网络工作在1000周期前LEACH算法在节省能耗上优于DEEC分簇算法。同时，本公开只统计了数据传输过程中的能量消耗，并未考虑网络进行计算时自身的能量消耗，由于DEEC算法是基于LEACH算法进行改进后得出的，DEEC算法需统计每一轮中所有传感器的剩余能量数据，每一轮中需增加一次数据收集的过程，其能耗势必会高于LEACH算法。
图2是对LEACH算法和DEEC算法数据传输效率进行仿真，其中横坐标代表运行的周期数，最大值为5000，纵坐标代表汇聚节点接收到数据包的个数变化。
通过观察发现，DEEC分簇算法在数据传输方面有着明显优势，它的数据传输量一直高于LEACH分簇算法接近两倍。
实施例子二
该实施例子公开了基于改进分簇算法的数据收集方法，本公开为研究无线传感器网络分簇算法，充分考虑到网络多样性的特点，令WSN中的传感器节点随机分布，构建数学模型，以供分簇算法的使用。
在具体实施例子中，数据收集模型构建，参见附图3所示，首先，将模型构建在特定的地理环境中，这里将模型设置在一个具有一定大小和形状的区域，记为A，整个网络运行周期记为R。然后，在区域A中按一定的方式放置无线传感器，无线传感器的数量记为N+1，其中包括1个汇聚节点，记为I；N个普通节点，记为i；可以被选举为簇头节点的普通传感器记为c。
接下来设置无线传感器节点i的初始能量信息，记为Ei。每一个无限传感器能量设置的公式如下：
Ei＝E0*(1+rand*a) (4)
其中E0为能量均值；rand为0～1间的随机数；a代表能量波动范围。这样即可将传感器节点能量初始化在E0附近波动，满足网络模型中传感器异构的要求。最后，由于汇聚节点的位置在网络部署阶段会被指定，本模型将除汇聚节点外的其余的N个普通无线传感器节点随机分布在整张地图上。其中，xi、yi分别代表传感器的横、纵坐标。以上即可构建出一个具有一定大小和形状的地理区域，无线传感器数量为N+1个(其中包括1个汇聚节点和N个普通节点)，无线传感器位置随机分布，无线传感器能量在一定范围内波动的WSN。
关于遗传算法(Genetic Algorithm)是一种通过模拟自然界中优胜劣汰过程搜索全局最优解的方法，也是模拟达尔文遗传学机理中的生物进化过程和达尔文生物进化论中的自然选择的计算模型。对于遗传算法，首先要创建一个初始种群，然后通过适应度函数计算出对当前环境的适应度，从而实现模仿自然界中生物内部优胜劣汰的进化过程。它通过适应度函数一次次计算，再进行一次次筛选，将符合要求的个体留下，逐步接近全局最优解，遗传算法流程图参见附图4所示。
本公开的实施例子中利用遗传算法对分簇算法的改进，由于传统的LEACH分簇算法和DEEC分簇算法没有对不同网络进行适应性配置，簇头选举公式自始至终也不会因网络不同而产生适应性变化，相对死板。这里希望针对不同网络，通过改变簇头选举公式中的阈值使网络中的每一轮簇头数量和网络结构产生一些适应性的改变。
原有的DEEC法就是通过改变LEACH法中簇头选举公式中的阈值对网络的性能产生影响。由此得到启发，通过修改LEACH法的簇头选举公式中的阈值来提升网络性能。本公开考虑将LEACH法的簇头选举公式中阈值乘以一个0到2间的系数M，这个M,值用来控制对于不同网络结构中的簇头选举数量。如令M＝0.8，即网络中的簇头在当前条件下会减少；令M＝1.2则是网络中的簇头在当前条件下增多。从0到2中如何选取M值才会对网络产生好的影响，这就需要利用优化算法进行筛选。故此问题转化为一个求取全局最优解的问题，目的是挑出一个0到2间的权值，使得网络更加适应不同的节点资源和地理位置分配，网络的性能达到最佳。
这里，既可以通过优化算法对网络中的每一节点进行优化，也可以针对分簇算法的中的一些重要变量进行优化，两者均能达到减小能耗的目的，本公开选择后者，原因是WSN中无线传感器节点的数量非常庞大，若对整个网络中所有节点进行优化，那么遗传算法进行优化时总的分簇算法的时空复杂度都会非常高，现有的计算条件不允许。对于后者的优化，受DEEC分簇算法的启发，认为该算法对LEACH算法的簇头选择公式(1)中阈值T1(n)进行改动，将能耗、数据传输效率、簇头选择等因素结合考虑，得到了很好的效果。但LEACH分簇算法的簇头选择公式，对于不同的网络并不一定全部适合，因此，对T2(n)进行乘以一定大小的系数，使之更适合当前网络。这个系数通过遗传算法求取，将问题转化为一个求取全局最优解的数学问题。
实施例子三
该实施例子公开了算法仿真例子，首先介绍地图及传感器相关参数设置，需将模型构建在一定地理环境中，因此设置了一个200*200的地图模型。整个网络运行周期记为R，周期的最大值R＝5000,数据传输将在这5000个周期中进行仿真。设无线传感器的数量为N＝101，其中包括1个汇聚节点I和100个普通无线传感器节点i。考虑到现实中汇聚无线传感器网络中的汇聚节点往往位于网络的最中心的位置，将本模型汇聚节点设置在坐标为(100，100)的地图中心,其余的100个普通节点随机分布在整张地图。
接着，设置无线传感器节点的初始能量信息，每一个无限传感器i有不同的能量，能量设置方法如下，根据公式(4)：EA＝E0*(1+rand*a)，取E0的值为0.5；rand为0～1间的随机数；a为0.05，由此初始化实现传感器节点能量在0.5附近波动。最后，将除汇聚节点外的100个无线传感器节点i随机分布在地图上。传感器节点横、纵坐标分别为xi＝rand*200，yi＝rand*200，其中rand取0～1间的随机数。
损耗模型参数设置及模型相关评价指标，实验中，需对节点能量进行具体的数值计算，当前周期内所有节点的剩余能量总和EA计算公式如下：
EA＝∑(Ei-EL) (5)
当前节点i的剩余能量改为Et，无线传感器节点i的初始能量信息为Ei，EL为当前周期传输数据所消耗的能量，其中EL的计算公式如下：
当d<d0时，
EL＝L*(ETX+ERX)+L*Efs*d2 (6)
当d≥d0时，
EL＝L*(ETX+ERX)+L*Efs*d4 (7)
其中d为两数据传输节点间的距离，d0为距离阈值，计算公式如下：
公式6、7、8中参数L、ETX、ERX、Efs、Emp含义及在MATLAB中的设置如下：数据包的长度L＝4*103；发射单位报文损耗能量ETX＝50*10-9；接收单位报文损耗能量ERX＝50*10-9；自由空间能量Efs＝10*10-12；衰减空间能量Emp＝0.0013*10-13；由于EA统计当前周期内所有节点的剩余能量之和，对分簇算法来说，相同周期数内所有节点的EA值越大，算法性能越优良。本公开通过统计一定周期内汇聚节点接收到的数据包数量S的大小来衡量网络的数据传输效率。一定周期内汇聚节点收到的数据包越多，数据传输效率越高。同时还选取了负载均衡度来衡量分簇算法簇头分配的合理与否，它主要衡量的是不同簇头的簇内成员数间的差别，若簇内成员数差距过大，则分簇算法不合理。负载均衡度的具体计算公式如下：
其中，nc是簇头节点的数量，Xi是当前簇头节点的簇内成员个数，u是网络内所有簇头节点的平均簇头数。对于WSN来说，LBF越大网络性能越优良。
仿真实验及分析，本次实验通过Matlab 2017b仿真平台完成，通过仿真我们希望能够得出网络生命周期的对比图和网络数据传输速率的对比图。利用Matlab中的矩阵运算，生成多个传感器变量，每一行代表不同的传感器，每一列代表传感器不同的性能数据，包括了每一个传感器的地理位置坐标，每一个传感器的剩余能量，每一个传感器在网络中是否为簇头节点。通过Matlab将这些数据综合到一个矩阵之中，方便了数据的归类和处理。此外利用Matlab中plot()等作图函数，完成对网络的剩余能量对比图和数据传输对比图的绘制，直观的展示出各个分簇算法的性能差异。
在一实施例子中，公开了基于改进分簇算法的数据收集策略实现：由于WSN的网络形式繁多，LEACH算法的簇头选举公式中阈值T1(n)不一定适合所有场景下网络的分簇，本公开受DEEC法启发，考虑网络本身的差异性，通过对T2(n)加权一个M值使其适合于新的网络。虽然DEEC分簇算法已对LEACH算法有了一定改进，但DEEC分簇算法仍未对不同的网络环境进行适应，故本公开是在DEEC分簇算法上进行改进，对DEEC分簇算法的阈值计算公式(2)中T2(n)进行加权M优化。
本公开的重点在于如何使用遗传算法优化LEACH算法。首先，本公开选取汇聚节点接收到全部数据包的数量作为适应度计算函数。将遗传代数设置为100代，染色体长度为10，每一代取DEEC算法进行10个周期的运算，通过得到的数据计算出汇聚节点在一个周期内接收到的数据包数量S。S作为适应度计算函数的函数值。在每一代中挑选适应度计算函数值最大的个体进行遗传，生成下一代的种群。直到100代遗传代数运行完毕，最终得出的M值便是最适合当前网络的T2(n)的加权值。将得出来的M值加权至T2(n)，完成对分簇算法的优化，并进行5000周期的仿真，得出仿真结果。
由于适应度计算函数的选取是针对数据传输效率进行的，因此判断优化效果的指标也应为数据传输效率。同时，本公开还从其他层面探讨了改进分簇的性能，包括，剩余能量变化的分析来反映算法执行过程中能量消耗的情况；算法的负载均衡度来反映算法执行过程中的簇头分配情况。基于LEACH算法的具体程序如下：
实施例子四
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比例详细说明本公开的技术方案。
三种分簇算法在仿真运行过程中的剩余能量变化的对比，具体仿真结果如图5所示：图中横坐标表示运行周期数，纵坐标表示网络中所有节点剩余能量之和。分析可知LEACH分簇算法的能量消耗是三者中最慢的，曲线斜率最小且几乎保持不变，能量在第2000周期左右被完全消耗。而DEEC分簇算法，其能量消耗过程在0至1000周期时比LEACH分簇算法快，曲线比LEACH分簇算法陡峭，且斜率几乎保持不变。1000周期到2300周期曲线斜率开始减缓，能量完全被消耗的时间点在2300周期左右。改进LEACH分簇算法，其能量消耗过程几乎和DEEC分簇算法所得结果保持一致。
LEACH算法的簇头选举策略完全依照概率进行，故节点在整个算法模拟过程中被选为簇头的概率几乎不受其它因素影响,致使能量消耗随机进行，算法运行前期可能会将某一节点重复多次选举为簇头节点，导致该节点能量消耗过快提前死亡，网络中能量分布不均衡。算法运行后期被选为簇头的节点可能被选在周围分布能量被耗尽的节点中，导致该节点无法完全发挥簇头节点的作用，能量消耗自然偏低。
DEEC分簇算法和改进LEACH分簇算法则是基于节点剩余能量的考虑，某种程度上削弱了网络中的节点被重复选举为簇头节点的可能性。使得网络中的簇头选举过程尽量优先考虑剩余能量多的簇头，使得网络的数据传输平稳进行，能量消耗更为合理。三种分簇算法在仿真运行过程中的数据传输量变化的对比，具体仿真结果如图6所示：图中横坐标表示运行周期数，纵坐标表示汇聚节点收到数据包的总个数。对LEACH算法，其在5000周期内传输的数据量最少，约为1*104个，数据传输在2000周期左右停止；对DEEC分簇算法，其在5000周期内传输的数据量约为2.2*104个，高于LEACH分簇算法，低于本公开改进LEACH分簇算法，数据传输在2300周期左右停止；对改进LEACH分簇算法，其在5000周期内传输的数据量约为2.4*104个，为三者中最高，数据传输在2300周期左右停止，上述三种算法数据传输停止点均与图5中能量被完全消耗的时间点相符
LEACH分簇算法未考虑能量方面因素，使得网络簇头选举完全依据概率进行，不能将网络的能量合理分配，数据传输效率低下。DEEC分簇算法能较好的依照网络的剩余能量分布，合理安排网络的剩余能量，提高网络运行过程中数据传输效率。本公开提到的改进LEACH分簇算法，不仅融合了DEEC分簇算法的对剩余能量方面的考虑，并且将一些潜在的因素加之考量，使算法达到更加适应当前网络的效果。三种算法的负载均衡度LBF对比如表1所示：
表1 LEACH算法、DEEC算法和改进LEACH算法的负载均衡度对比
以上数值均为5000周期的负载均衡度的平均值，是每一轮的负载均衡度求和再除以总轮数5000得出来的。可以看出，LEACH分簇算法的负载均衡度最高，效果最好。DEEC分簇算法的负载均衡度远不如LEACH分簇算法，但仍高于本公开提到的改进LEACH分簇算法。分析其原因，LEACH分簇算法簇头选举是一个随机过程，每个传感器节点被分为簇头节点的概率相当，每个周期内簇头节点簇内成员的数量相当，故其负载均衡度高。而DEEC分簇算法，在运行过程中优先选择剩余能量多的传感器节点作为簇头。簇头选择具有一定的定向性，随机性减少，导致边缘的传感器节点担任簇头的时候周围的节点可能已经死亡，簇内成员减少，致使和非边缘的传感器节点担任簇头时的簇内成员个数有着较大差异。
随着WSN的日益发展，WSN中的传感器节点不断增多，传感器的异构现象更加频繁，势必不会存在一种适应全部网络的分簇算法。在这种情况下，我们试图寻找一种能够对各种分簇算法进行优化的方法，使在多种情形下，分簇算法能够更好的适用于当前网络。本公开受到基于LEACH分簇算法的改进算法——DEEC分簇算法的启发，形成一种全新的对于LEACH分簇算法的改进思路，选择用遗传算法作为对LEACH分簇算法进行改进的优化算法，设计并仿真实现了WSN网络模型，对模型中参数进行了严谨的设置以及数学推导。在此模型上对三种分簇算法的网络性能进行了仿真验证并对仿真结果进行了系统分析。证明了改进LEACH分簇在部分性能上确实可以大幅度的优于传统的分簇算法，即本公开提出改进LEACH分簇算法是有效的。
实施例子五
本说明书实施方式提供WSN中基于改进分簇算法的数据收集系统，通过以下技术方案实现：
包括一区域中布置有若干无线传感器构成的无线传感器网络，包括1个汇聚节点及N个普通节点；
所述无线传感器网络将LEACH法的簇头选举公式中阈值乘以系数M，该M值用来控制对于不同网络结构中的簇头选举数量，实现从普通节点选举簇头节点；
选定簇头节点后，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员，完成分簇过程；
所述无线传感器网络利用分簇的簇头节点协助汇聚节点收集网络中的数据，再将数据统一传输给汇聚节点处理。
在具体实施例子中，汇聚节点将数据传输至上位机、远程服务器、控制中心或控制终端等可接收该数据的电子终端。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.WSN中基于改进分簇算法的数据收集方法，其特征是，包括：
针对一区域中布置有若干无线传感器构成的无线传感器网络，将LEACH法的簇头选举公式中阈值乘以系数G，该G值用来控制对于不同网络结构中的簇头选举数量，实现从普通节点选举簇头节点；
选定簇头节点后，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员，完成分簇过程；
利用分簇的无线传感器网络实现数据的收集。
2.如权利要求1所述的WSN中基于改进分簇算法的数据收集方法，其特征是，无线传感器网络所构建的数据模型为：
在一个具有一定大小和形状的区域，记为A，整个网络运行周期记为R；
然后，在区域A中按一定的方式放置无线传感器，无线传感器的数量记为N+1，其中包括1个汇聚节点；N个普通节点；可以被选举为簇头节点的普通传感器记为c；
设置无线传感器节点的初始能量信息；
将除汇聚节点外的其余的N个普通无线传感器节点随机分布在整张地图上。
3.如权利要求1所述的WSN中基于改进分簇算法的数据收集方法，其特征是，利用遗传算法选取G值，使得无线传感器网络适应不同的节点资源和地理位置分配。
4.如权利要求1所述的WSN中基于改进分簇算法的数据收集方法，其特征是，无线传感器网络中，当前周期内所有节点的剩余能量总和为所有节点当前周期的剩余能量与当前周期传输数据所消耗的能量之差的求和。
5.如权利要求1所述的WSN中基于改进分簇算法的数据收集方法，其特征是，无线传感器网络中，当前周期传输数据所消耗的能量与两数据传输节点间的距离相关。
6.如权利要求1所述的WSN中基于改进分簇算法的数据收集方法，其特征是，利用一定周期内汇聚节点接收到的数据包数量S的大小来衡量网络的数据传输效率；
选取负载均衡度来衡量分簇算法簇头分配的合理与否，它主要衡量的是不同簇头的簇内成员数间的差别。
7.如权利要求3所述的WSN中基于改进分簇算法的数据收集方法，其特征是，利用遗传算法选取G值的过程为：
选取汇聚节点接收到全部数据包的数量作为适应度计算函数：
将遗传代数、染色体长度分别进行参数设置，每一代取DEEC算法进行若干个周期的运算，通过得到的数据计算出汇聚节点在一个周期内接收到的数据包数量S，S作为适应度计算函数的函数值；
在每一代中挑选适应度计算函数值最大的个体进行遗传，生成下一代的种群，直到设定代遗传代数运行完毕，最终得出的G值便是最适合当前网络的T2(n)的加权值，将得出来的G值加权至T2(n)，完成对分簇算法的优化。
8.如权利要求1所述的WSN中基于改进分簇算法的数据收集方法，其特征是，
在选定簇头节点过程中，LEACH分簇算法中的每一轮循环的阈值T2(n)在DEEC算法中需乘以一个权重w＝Ei/Ea，其中，Ei是循环中当前节点的剩余能量，Ea是当前周期节点的平均剩余能量，p为当前周期内传感器节点被选取为簇头节点的概率，r为算法运行的周期数，G为最近的1/p算法运行周期中未当选簇头的传感器节点的集合。
9.WSN中基于改进分簇算法的数据收集系统，其特征是，包括一区域中布置有若干无线传感器构成的无线传感器网络，包括1个汇聚节点及N个普通节点；
所述无线传感器网络将LEACH法的簇头选举公式中阈值乘以系数G，该G值用来控制对于不同网络结构中的簇头选举数量，实现从普通节点选举簇头节点；
选定簇头节点后，簇头节点对其覆盖范围内的传感器节点进行广播，确定簇头节点的组内成员，完成分簇过程；
所述无线传感器网络利用分簇的簇头节点协助汇聚节点收集网络中的数据，再将数据统一传输给汇聚节点处理。
10.如权利要求9所述的WSN中基于改进分簇算法的数据收集系统，其特征是，所述汇聚节点将数据传输至上位机、远程服务器、控制中心或控制终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910294339.XA CN110049526A (zh) | 2019-04-12 | 2019-04-12 | Wsn中基于改进分簇算法的数据收集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910294339.XA CN110049526A (zh) | 2019-04-12 | 2019-04-12 | Wsn中基于改进分簇算法的数据收集方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110049526A true CN110049526A (zh) | 2019-07-23 |
Family
ID=67277063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910294339.XA Pending CN110049526A (zh) | 2019-04-12 | 2019-04-12 | Wsn中基于改进分簇算法的数据收集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110049526A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110536373A (zh) * | 2019-08-13 | 2019-12-03 | 江苏大学 | 一种基于copula理论的光学无线传感器网络成簇方法 |
| CN111093201A (zh) * | 2019-12-23 | 2020-05-01 | 内蒙古大学 | 一种无线传感器网络及其分簇方法 |
| CN111586789A (zh) * | 2020-05-19 | 2020-08-25 | 北京理工大学 | 一种数据的传输方法、装置、计算机设备及存储介质 |
| WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
| CN113099508A (zh) * | 2021-03-16 | 2021-07-09 | 西南民族大学 | 无线移动节点的随机集中式自组织分簇方法与系统 |
| CN117729518A (zh) * | 2023-11-21 | 2024-03-19 | 山东科技大学 | 一种基于改进塘鹅优化算法的无线传感器网络分簇方法 |
| CN118075814A (zh) * | 2024-04-19 | 2024-05-24 | 上海创蓝云智信息科技股份有限公司 | 基于主节点控制的网络消息传输方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102547904A (zh) * | 2012-02-28 | 2012-07-04 | 山东大学 | 一种基于leach协议的簇头选举改进算法 |
| CN103024849A (zh) * | 2012-09-27 | 2013-04-03 | 西安电子科技大学 | 基于leach的无线传感器网络分簇方法 |
| CN103338492A (zh) * | 2013-05-20 | 2013-10-02 | 山东大学 | 一种基于deec方法的异构无线传感器网络分簇方法 |
| CN103607746A (zh) * | 2013-12-02 | 2014-02-26 | 中国联合网络通信集团有限公司 | 一种无线传感节点实现路由的方法 |
| CN104411000A (zh) * | 2014-12-15 | 2015-03-11 | 南昌航空大学 | 一种无线传感器网络中分层路由协议簇头选择方法 |
| EP2991393A1 (en) * | 2004-12-22 | 2016-03-02 | Wirepas Oy | Node device for a wireless sensor network |
| CN106102075A (zh) * | 2016-08-25 | 2016-11-09 | 广东工业大学 | 无线传感网络中基于等级区域划分的分簇方法及系统 |
| CN109413710A (zh) * | 2018-11-26 | 2019-03-01 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
-
2019
- 2019-04-12 CN CN201910294339.XA patent/CN110049526A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2991393A1 (en) * | 2004-12-22 | 2016-03-02 | Wirepas Oy | Node device for a wireless sensor network |
| CN102547904A (zh) * | 2012-02-28 | 2012-07-04 | 山东大学 | 一种基于leach协议的簇头选举改进算法 |
| CN103024849A (zh) * | 2012-09-27 | 2013-04-03 | 西安电子科技大学 | 基于leach的无线传感器网络分簇方法 |
| CN103338492A (zh) * | 2013-05-20 | 2013-10-02 | 山东大学 | 一种基于deec方法的异构无线传感器网络分簇方法 |
| CN103607746A (zh) * | 2013-12-02 | 2014-02-26 | 中国联合网络通信集团有限公司 | 一种无线传感节点实现路由的方法 |
| CN104411000A (zh) * | 2014-12-15 | 2015-03-11 | 南昌航空大学 | 一种无线传感器网络中分层路由协议簇头选择方法 |
| CN106102075A (zh) * | 2016-08-25 | 2016-11-09 | 广东工业大学 | 无线传感网络中基于等级区域划分的分簇方法及系统 |
| CN109413710A (zh) * | 2018-11-26 | 2019-03-01 | 珠海格力电器股份有限公司 | 基于遗传算法优化的无线传感器网络的分簇方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110536373A (zh) * | 2019-08-13 | 2019-12-03 | 江苏大学 | 一种基于copula理论的光学无线传感器网络成簇方法 |
| CN110536373B (zh) * | 2019-08-13 | 2022-10-28 | 江苏大学 | 一种基于copula理论的光学无线传感器网络成簇方法 |
| WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
| CN111093201A (zh) * | 2019-12-23 | 2020-05-01 | 内蒙古大学 | 一种无线传感器网络及其分簇方法 |
| CN111586789A (zh) * | 2020-05-19 | 2020-08-25 | 北京理工大学 | 一种数据的传输方法、装置、计算机设备及存储介质 |
| CN113099508A (zh) * | 2021-03-16 | 2021-07-09 | 西南民族大学 | 无线移动节点的随机集中式自组织分簇方法与系统 |
| CN117729518A (zh) * | 2023-11-21 | 2024-03-19 | 山东科技大学 | 一种基于改进塘鹅优化算法的无线传感器网络分簇方法 |
| CN118075814A (zh) * | 2024-04-19 | 2024-05-24 | 上海创蓝云智信息科技股份有限公司 | 基于主节点控制的网络消息传输方法 |
| CN118075814B (zh) * | 2024-04-19 | 2024-07-09 | 上海创蓝云智信息科技股份有限公司 | 基于主节点控制的网络消息传输方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110049526A (zh) | Wsn中基于改进分簇算法的数据收集方法及系统 | |
| Liu et al. | QTSAC: An energy-efficient MAC protocol for delay minimization in wireless sensor networks | |
| Bagci et al. | An energy aware fuzzy unequal clustering algorithm for wireless sensor networks | |
| CN104618997B (zh) | 一种基于非均匀网格的数据聚合方法 | |
| Yousefi et al. | An energy-efficient artificial bee colony-based clustering in the internet of things | |
| Kour et al. | Hybrid energy efficient distributed protocol for heterogeneous wireless sensor network | |
| CN106102075B (zh) | 无线传感网络中基于等级区域划分的分簇方法及系统 | |
| Li et al. | Battery-friendly relay selection scheme for prolonging the lifetimes of sensor nodes in the Internet of Things | |
| CN107820321B (zh) | 一种基于蜂窝网络的窄带物联网中大规模用户智能接入方法 | |
| Fu et al. | Modeling and optimizing the cascading robustness of multisink wireless sensor networks | |
| CN105246097A (zh) | 一种具有移动Sink节点的无线传感网生存时间优化方法 | |
| CN118250766B (zh) | 基于分簇优化的无线传感器网络节点休眠调度方法 | |
| CN110225569A (zh) | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 | |
| CN105813161A (zh) | 基于能量差异的微功率无线传感器网络分簇路由方法 | |
| Farahani | Energy Consumption Reduction in Wireless Sensor Network Based on Clustering | |
| Hussain et al. | Genetic algorithm for energy-efficient trees in wireless sensor networks | |
| CN112987789A (zh) | 一种改进Leach协议的无人机集群网络拓扑设计方法 | |
| Ramadhan et al. | Modified combined leach and pegasis routing protocol for energy efficiency in iot network | |
| Saidu et al. | An enhanced leach routing algorithm for energy conservation in a wireless sensor network | |
| CN114189877A (zh) | 一种面向5g基站的复合式能耗优化控制方法 | |
| CN111601354B (zh) | 面向高耸构筑物监测的簇首选举及自适应分簇方法及系统 | |
| CN113938978A (zh) | 一种基于强化学习的异构无线传感器寻路方法 | |
| CN108513332B (zh) | 一种分簇路由方法及系统 | |
| Rathee et al. | Developed distributed energy-efficient clustering (DDEEC) algorithm based on fuzzy logic approach for optimizing energy management in heterogeneous WSNs | |
| CN106851694B (zh) | 一种用于异构网络的动态最优网络选择方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190723 |