CN107613480A - 一种基于树状簇与移动元素的数据收集方法 - Google Patents
一种基于树状簇与移动元素的数据收集方法 Download PDFInfo
- Publication number
- CN107613480A CN107613480A CN201710871553.8A CN201710871553A CN107613480A CN 107613480 A CN107613480 A CN 107613480A CN 201710871553 A CN201710871553 A CN 201710871553A CN 107613480 A CN107613480 A CN 107613480A
- Authority
- CN
- China
- Prior art keywords
- mrow
- node
- msub
- sensor node
- subregion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013481 data capture Methods 0.000 title claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000740 bleeding effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000907524 Drosophila C virus Species 0.000 description 1
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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)
Abstract
本发明公开了一种基于树状簇与移动元素的数据收集方法。包括如下步骤：基于域心距离的网络区域划分，选取中心点和域心，从而将整个网络划分为多个区域；在每个区域中选择用于收集数据的小车出发点位置；在分区内选择数据汇聚节点SP并视为单棵树的根节点，基于距离根节点的最短跳数计算每个节点的父节点与子节点集合，构建每个汇聚点SP的数据收集树；同时构建关于能量消耗量的优化函数，计算每个节点的数据产生率和链路传输率；汇聚点SP将作为DCV巡游网络时的驻留收集点，且在固定周期后重新选择汇聚点SP，随之生成数据收集树。因此，本发明有效的减少了网络中数据传输能耗和DCV移动消耗，降低数据收集时延，缓解hotspot问题，延长网络生命期。
Description
技术领域
本发明涉及无线传感器网络领域，具体地涉及一种在无线传感器网络中基于一种基于树状簇与移动元素的数据收集方法。
背景技术
收集网络中产生的数据是进行目标监控，信息分析的重要手段之一。目前，数据收集方式主要分为两种形式，多跳通信和移动元素。然而，多跳数据传输虽然减少了数据收集延迟，但增大了向上传递数据时的通信能量消耗，造成hotspot问题。利用移动元素极大的减少了通信能耗，但是由于移动元素的速度有限，尤其当传感区域范围较大时，这会相应的增大数据收集延迟。
为了解决上述问题，数据收集的研究者们提出了一种新的方法，综合使用动态汇聚节点和移动元素收集数据，缓解hotspot问题，减轻数据收集延迟。例如Yuanyuan Yang等人的”A Framework of Joint Mobile Energy Replenishiment and Data Gathering inWireless Rechargeable Sensor Networks,IEEE Transactions on MobileComputing.13(12):2689-2705.2014.”。首先将所有传感器节点k跳之内最小能量值作为该节点的能量标记，并将其按照降序排列，随后，依次选择具有最大能量标记的传感器节点作为数据汇聚点SP。每个节点出边的权重为其能量的倒数，然后利用Dijkstra算法构建朝向SP的有向树。移动小车SenCar巡游网络两次作为一个周期，第一次用于数据收集，SenCar只需访问汇聚点SP，其它传感器节点将数据以多跳的形式传至SP。第二次巡游网络用于无线充电，SenCar对发送能量请求的传感器节点进行无线充电。虽然，该方法在选择汇聚点时考虑了传感器节点能量因素，缓解了hotspot问题，同时用回路限制约束了收集延迟问题。但当网络区域较大时，依旧使用一辆SenCar进行数据收集和无线充电，且无线充电时间较长不可忽略，这将会造成较大的数据收集时延。
Cong Wang等人的”A Mobile Data Gathering Framework for WirelessRechargeable Sensor Networks with Vehicle Movement Costs and CapacityConstrains,IEEE Transactions on Computers.65(8):2411-2427.2016.”。将传感区域视为方形，将其左下端坐标设为(0,0)。x轴，y轴分别为方形传感区域与原点相邻的两条边，然后在x轴平行放置I个圆，在y轴平行放置J个圆。其中任意两个相邻的圆心半径为r＝hdr，h为每个簇的最长传输跳数，dr为传感器节点传感范围大小。此时，每个圆的圆心即为数据汇聚点SP。移动小车SenCar周期性地巡游整个网络，在圆心处停留收集数据。虽然该方法在计算节点坐标和汇聚点位置较为方便，但是它忽略了在一个簇内，节点的能量和数量限制，这将会造成hotspot问题。
因此，目前基于传感器网络中基于树状簇和移动元素普遍存在的问题是：
1)当传感区域较大时，由于移动元素即数据收集小车Data Collection Vehicle(DCV)的速度有限，需要DCV逐一移动至各个传感器节点收集数据，很大程度上增大了数据收集延迟和DCV的移动能耗。如何对网络中所有传感器节点进行合理划分，在每个分区内部署一辆DCV进行数据收集，对分析数据收集延迟和节点能耗紧密相关。。
2)移动元素的驻留点与移动回路长度之间的权衡，若所选数据汇聚点SP过少，使得大量的节点以多跳方式进行通信，增大通信能量消耗；若所选数据汇聚点SP过多，虽然减少了通信能耗，但是移动回路增大，增加数据收集延迟，加大移动消耗。
数据汇聚点SP的选择，避免其长期担任汇聚点或周围负载过重，必然造成hotspot问题。
发明内容
本发明旨在针对现有数据收集方法存在的问题和不足，提供一种基于树状簇与移动元素的数据收集方法。主要通过对网络进行合理分区，选择单个区域内合适的小车出发点位置。基于区域内传感器节点分布和能量，选择合适的汇聚点SP节点，并以此为根建立数据收集树，有效的减少了网络中数据传输能耗和DCV移动消耗，降低数据收集时延，缓解hotspot问题，延长网络生命期。
为了实现上述技术目的，本发明的技术方案是，
一种基于树状簇与移动元素的数据收集方法，按照以下步骤进行处理：
(1)基于域心距离的网络区域划分；
将分布有多个传感器节点的整个传感区域进行均匀分区，在初始情况下将整个传感区域内唯一的基站B作为网络中心点；选择距离中心点最远的传感器节点作为分区1的域心，对比其余传感器节点到网络中心点以及分区1域心的距离，将所有距离分区1域心较近的传感器节点分配至分区1以完成分区1的划分，然后计算分区1的区域中心点，通过比较剩余传感器节点到包括基站B在内的当前所有中心点距离之和，选择距离最大的传感器节点作为分区2的域心；分别计算传感器节点到当前所有中心点，以及分区2域心的距离，将除分区1之外的其他节点划分至距离较近的区域；重复选取中心点和域心的过程直到分区数量达到指定数目；基于传感器节点到所在区域内所有节点的距离以及最短路由计算出各个传感器节点的权值，选择具有最小权值的传感器节点作为该分区内数据收集小车即DCV的出发点；
(2)选择区域内汇聚点SinkPoint即SP并构建其数据收集树；
根据每个传感器节点k跳范围内的传感器节点密度以及平均能量来计算传感区域内每个节点的权重，然后逐次选择权重值最大的传感器节点作为汇聚点SP，并以汇聚点SP为根节点，计算k跳之内每个汇聚点SP的子传感器节点集合，以此类推，构建以汇聚点SP为根的k跳数据收集树；
(3)构建目标优化函数，进行数据收集；
构建关于区域内所有传感器节点能量消耗量的效用函数，在节点能量、数据流限制和链路容量的限制下，通过罚函数和拉格朗日乘子法计算每个节点的数据产生率和链路率；随后，根据TSP旅行商问题规划区域内连接所有汇聚点SP的最短路径，DCV从小车出发点位置出发沿着最短路径，依次到达各个汇聚点SP处，收集簇内传感器节点产生的数据，最终回到出发点位置，从而完成一个数据收集周期。
2.根据权利要求1所述的基于树状簇与移动元素的数据收集方法，其特征在于，在所述步骤1中，基于域心距离的网络区域划分包括以下步骤：
(1)网络分区，具体表示过程为：
步骤a，多个传感器节点均匀分布于一定传感区域，将基站B视为网络中心点；
步骤b，选择距离B最远的传感器节点c作为分区1的域心，在此基础上计算剩余传感器节点距离中心点B以及分区1域心的距离，距离域心更近的传感器节点将会分至分区1；
步骤c，通过以下公式计算得到分区内所有传感器节点的Ni与δi值：
其中Ni表示传感器节点i在小于传感距离dr范围内节点的数目，dij表示同一分区内剩余传感器节点到节点i的距离，χ是距离控制因子，当dij＞dr时，χ＝0，否则χ＝1；δi为节点i到比其Ni值更大的传感器节点的最小距离；选择区域内Ni与δi值都比较大的传感器节点作为分区的区域中心点；
步骤d，比较传感器节点到当前所有中心点距离之和，选择距离之和最大的传感器节点作为分区2的域心；
步骤e，分别计算传感器节点到当前所有中心点以及分区2域心的距离，将距离分区2域心较近的节点划分至分区2；
步骤f，使用步骤c中的方法计算分区2中心点；
步骤g，重复步骤d，步骤e，步骤f直到整个网络划分为预先设定的h部分；
(3)选择区域内DCV出发点位置：
其中Sk为区域内传感器节点k到其他所有节点的距离平方之和；N指分区后单个区域的传感器节点个数；μk表示该区域内的第k个节点；ni表示该区域内第i个节点；
其中Hk为传感器节点k到区域内所有节点的最短路由跳数之和；代表传感器节点i到节点k的最短路由；
Wk＝αS'k+βH'k (5)
其中Wk表示传感器节点k的权重，S'k表示在N个距离值中，将其进行升序排列后，传感器节点k的距离排序值；H'k表示传感器节点k的路由排序值，α与β分别表示距离和路由因素在计算传感器节点权重时所占比例，其中α+β＝1，0≤α，β≤1；通过计算每个传感器节点的权重值，选择具有最小权重的节点作为DCV出发点位置。
4.根据权利要求2所述的基于树状簇与移动元素的数据收集方法，其特征在于，在所述步骤2中，选择区域内汇聚点SP并构建其数据收集树包括以下步骤：
(1)选取网络中数据汇聚点，具体表示过程为：
步骤a，通过式(6)计算出传感器节点i在k跳范围内的节点密度ρi：
其中N表示该区域内传感器节点总数量，Nj_hop(i)表示传感器节点i在第j跳邻居节点的集合；
步骤b，通过式(7)计算传感器节点i在k跳之内所有邻居节点的平均初始能量Eave(i)：
其中El表示节点l的能量；
步骤c，通过式(8)计算每个传感器节点的权重Wi：
其中α，β，γ分别表示传感器节点i在k跳范围内的节点密度，平均能量以及自身能量Ei在计算每个传感器节点权重过程中所占的比例，且α+β+γ＝1，0≤α,β,γ≤1，E0表示传感器节点i所在分区所有节点能量之和；
步骤d，对所有传感器节点权重从高到低进行排序，首先选择具有最大权重的传感器节点作为汇聚点SP，从权重队列中依次去除与该节点相连的k跳邻居节点，并重新对剩余传感器节点的权重按升序进行排列，然后选择新队列中权重值最大的传感器节点作为新的汇聚点SP，直到该分区内每个节点都有相应的簇
步骤e，根据旅行商问题，构建分区中所有汇聚点的最短巡游路径；
(3)构建数据收集树，具体表示过程为：
步骤a，以每个汇聚点SP为根节点，将其一跳范围内传感器节点视为每个SP的子节点并称之为一级节点，每个根节点的一级节点集合中不包括其他汇聚节点；
步骤b，重复以每个SP为根节点进行多次跳范围的节点收集，直到计算出SP的第k跳节点集合，即每个SP的k级节点，完成以每个SP为根的数据收集树构建。
5.根据权利要求3所述的基于树状簇与移动元素的数据收集方法，其特征在于，在所述步骤3中，构建目标优化函数，进行数据收集包括以下步骤：
步骤a，为表述单个传感器节点的数据产生量对整个网络性能的影响，构建如式(9)所示的关于网络内所有传感器节点能量消耗的优化函数，相对于节点i在汇聚点a处的数据产生率，该函数严格凸，递增且二次可微，优化函数如表达式(9)所示：
其中表示传感器节点i在汇聚点a处的数据产生率；约束条件为传感器节点能量，每个传感器节点的最小数据产生量，数据流量和链路容量；
步骤b，根据罚函数法在目标函数表达式(9)中加入二次项约束使其对于为严格凸函数，其中，ci是为每个节点选择的正数，是为每个选择的附加变量；
步骤c，使用拉格朗日乘子法构建加入二项式约束后表达式(9)的拉格朗日目标函数，将数据产生率和链路率相分离，拆分为两个子问题，即速率控制子问题和路由子问题，然后分别计算节点的数据率和链路率，并不断修改最优数据传输速率等参数，实现网络能耗最小化；
步骤d，在此基础上，根据旅行商问题规划区域内连接所有汇聚节点SP的最短路径，DCV从小车出发点位置出发沿着最短路径，依次到达各个汇聚节点SP处，收集簇内节点产生的数据，最终回到出发点位置，从而完成一个数据收集周期
本发明的有益效果，提出了一种利用树状簇和移动元素收集数据的有效方法。能够较好的对网络进行分区，并选择每个区域内合适的DCV出发点位置，避免DCVs的调度混乱，减少其移动能耗。随后，我们基于传感器节点k跳范围内所有节点的平均能量和k跳之内节点密度选择数据汇聚点SP，构建数据收集树，降低数据收集延迟和通信能耗。最后，我们利用优化函数能够准确获得节点的最佳数据产生率和链路传输率，实现网络效用最大化。
下面结合附图和实施例对本发明作进一步描述。
附图说明
图1为本发明的流程图。
图2为本发明中基于域心距离的网络区域划分流程图。
图3-6为本发明中基于域心距离的网络区域划分的分区效果图。
图7为单个分区内，数据汇聚点SP选择效果图。
图8为网络中一部分数据收集树示意图。
具体实施方式
本发明实施例提供了一种基于树状簇与移动元素的数据收集方法，参见图1，包括以下步骤：
(1)基于域心距离的网络区域划分，网络区域划分包含以下两步：
1)网络分区：
参见附图2，是本发明网络分区流程图。
参见附图3-6，是本发明中网络分区效果图，具体过程如下：
初始时，传感器节点均匀分布在整个传感区域内，传感区域可近似看为矩形，我们将基站B视为网络中心点。
●分区1划分(参见附图3)：
选择距离网络中心点B最远的传感器节点作为分区1的域心(域心1)，计算剩余节点到网络中心点B和域心1的距离，将距离域心1更近的节点划分至分区1(星形显示)，此时完成初始划分。在此分区的基础上计算分区1的区域中心点(中心点1)。区域中心点与两个因素相关，分别是：A.分区1内传感器节点i在小于传感距离dr范围内的节点数目Ni。B.节点i距离比其Ni值更大的传感器节点的最小距离δi。通过表达式(1)(2)可以分别求得Ni，δi，选择分区1内N与δ均较大的传感器节点作为中心点1。
●分区2划分(参见附图4)：
首先计算剩余传感器节点到中心点1以及网络中心点B的距离之和，选择距离之和最大的传感器节点作为分区2的域心(域心2)，然后计算剩余传感器节点到当前所有中心点，此时为中心点1和网络中心点B，以及域心2的距离，将距离域心2更近的点划分至分区2(十字显示)，此时完成二次划分。再次利用表达式(1)(2)得到分区2的中心点(中心点2)。
●分区3划分(参见附图5)：
首先计算剩余传感器节点到中心点1，中心点2以及网络中心点B的距离之和，选择距离之和最大的传感器节点作为分区3的域心(域心3)，然后计算剩余节点到中心点1，2，网络中心点B和域心3的距离，将距离域心3更近的点划分至分区3(圆圈显示)，此时完成三次划分。再次利用表达式(1)(2)得到分区3的中心点(中心点3)。
●分区4，5划分(参见附图6)：
首先计算剩余传感器节点到中心点1，中心点2，中心点3以及网络中心点B的距离之和，选择距离之和最大的传感器节点作为分区4的域心(域心4)，然后计算剩余节点到中心点1，2，3，网络中心点B和域心4的距离，将距离域心4更近的点划分至分区4(三角显示)，此时完成四次划分。网络中剩余传感器节点构成分区5(点状显示)，网络分区结束。
2)选择区域内DCV出发点位置：
Wk＝αS'k+βH'k (5)
表达式(3)定义了分区内传感器节点k到其他所有节点的距离平方之和；nr指分区后单个区域的传感器节点个数；表达式(4)中Hk描述了传感器节点k到区域内所有节点的最短路由跳数之和；表达式(5)中Wk表示节点k的权重，S'k表示在nr个距离值中，将其进行升序排列后，节点k的距离排序值；同理，H'k表示节点k的路由排序值。通过每个传感器节点的权重值，选择具有最小权重的节点作为DCV出发点位置。
(2)选择分区内汇聚点SP并构建其数据收集树。该过程包含以下步骤：
1)选取网络中数据汇聚点，具体表示过程为(见附图7，表明在单个区域内，数据汇聚点选择效果图，带有标号的点表示数据汇聚点SP)：
步骤a，通过表达式(6)计算传感器节点i在k跳范围内的节点密度，N表示该分区内节点的总数量，Nj_hop(i)表示节点i在第j跳邻居节点的集合；
步骤b，通过表达式(7)计算传感器节点i在所在分区k跳之内所有节点的平均初始能量Eave(i)，其中El表示节点l的能量；
步骤c，通过表达式(8)计算每个传感器节点的权重，α，β，γ分别表示传感器节点i在k跳范围内的节点密度，平均能量以及自身能量Ei在计算每个传感器节点权重过程中所占的比例，且α+β+γ＝1，0≤α,β,γ≤1，E0表示传感器节点i所在分区所有节点能量之和；
步骤d，将传感器节点权重{W1,W2...WN}按升序进行排列，逐次选择具有最大权重的传感器节点作为汇聚点SP1，依次去除与该节点相连的k跳邻居节点，然后重新排列剩余节点权重，选择新队列中具有最大权重的传感器节点为新的汇聚点SP2，重复这一汇聚点选择过程直到分区内每个节点都有所属簇类；
步骤e，构建分区内所有汇聚点SP的TSP路径(附图7中黑线)。；
2)构建数据收集树，具体表示过程为(见附图8)：
步骤a，以每个汇聚点SP为根节点，将其一跳范围内节点视为每个SP的子节点，我们称之为一级节点，每个根节点的一级节点集合中不包括其他汇聚节点；
步骤b，重复此过程，直到计算出汇聚点SP的第k跳节点集合，即每个SP的k级节点；
步骤c，此时，以每个汇聚点SP为根的数据收集树构建完成，且每个SP均没有父节点只有子节点，k级节点只有父节点不存在子节点，每棵树之间存在有交叉，但不影响节点之间数据的传输；
(3)构建目标函数，进行数据收集；包括以下步骤：
τaΦ(f,r)≤Ei (11)
其中，
表达式(9)表明传感器节点i的数据产生率对整个网络能量消耗影响。表示传感器节点i在汇聚点a处的数据产生率。明显地，效用函数和传感器节点的数据产生率密切相关。表达式(10)-(13)为式(9)的约束条件。分别为传感器节点的数据流约束，能量约束，每条链路的容量约束以及单个节点的最少数据产生量；表示当DCV停留在汇聚点a处时，链路(i,j)的链路率；τa表示DCV在汇聚点a处的停留时长；Cb表示节点的剩余能量；πij表示链路(i,j)容量约束；Ci,a和Pi,a表示传感器节点i在汇聚点a处的子节点和父节点集合；Mi表示在一次数据收集过程中，单个节点的最少数据产生量；
根据罚函数法在式(9)中加入二次项约束，使其对于为严格凸函数。为求取最优数据产生率和链路传输率等参数，并最终获取网络能耗最小值，使用拉格朗日乘子法构建式(9)拉格朗日目标函数，将数据产生率和链路率相分离，分别计算节点的数据率和链路率，不断修改最优数据传输速率等参数，实现网络能耗最小化。在此基础上，根据TSP旅行商问题规划区域内所有汇聚节点SP的最短路径(见附图7)，DCV从小车出发点位置出发沿着最短路径，依次到达各个汇聚节点SP处，收集簇内每个传感器节点产生的数据，最终回到出发点位置，从而完成一个数据收集周期，保证传感器网络高效运行。
以上所述描述了本发明的基本原理和技术方案，并非限定本发明的保护范围。本行业的技术人员应当了解，可以对本方案进行修改或等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于树状簇与移动元素的数据收集方法，其特征在于，按照以下步骤进行处理：
(1)基于域心距离的网络区域划分；
将分布有多个传感器节点的整个传感区域进行均匀分区，在初始情况下将整个传感区域内唯一的基站B作为网络中心点；选择距离中心点最远的传感器节点作为分区1的域心，对比其余传感器节点到网络中心点以及分区1域心的距离，将所有距离分区1域心较近的传感器节点分配至分区1以完成分区1的划分，然后计算分区1的区域中心点，通过比较剩余传感器节点到包括基站B在内的当前所有中心点距离之和，选择距离最大的传感器节点作为分区2的域心；分别计算传感器节点到当前所有中心点，以及分区2域心的距离，将除分区1之外的其他节点划分至距离较近的区域；重复选取中心点和域心的过程直到分区数量达到指定数目；基于传感器节点到所在区域内所有节点的距离以及最短路由计算出各个传感器节点的权值，选择具有最小权值的传感器节点作为该分区内数据收集小车即DCV的出发点；
(2)选择区域内汇聚点SinkPoint即SP并构建其数据收集树；
根据每个传感器节点k跳范围内的传感器节点密度以及平均能量来计算传感区域内每个节点的权重，然后逐次选择权重值最大的传感器节点作为汇聚点SP，并以汇聚点SP为根节点，计算k跳之内每个汇聚点SP的子传感器节点集合，以此类推，构建以汇聚点SP为根的k跳数据收集树；
(3)构建目标优化函数，进行数据收集；
构建关于区域内所有传感器节点能量消耗量的效用函数，在节点能量、数据流限制和链路容量的限制下，通过罚函数和拉格朗日乘子法计算每个节点的数据产生率和链路率；随后，根据TSP旅行商问题规划区域内连接所有汇聚点SP的最短路径，DCV从小车出发点位置出发沿着最短路径，依次到达各个汇聚点SP处，收集簇内传感器节点产生的数据，最终回到出发点位置，从而完成一个数据收集周期。
2.根据权利要求1所述的基于树状簇与移动元素的数据收集方法，其特征在于，在所述步骤1中，基于域心距离的网络区域划分包括以下步骤：
(1)网络分区，具体表示过程为：
步骤a，多个传感器节点均匀分布于一定传感区域，将基站B视为网络中心点；
步骤b，选择距离B最远的传感器节点c作为分区1的域心，在此基础上计算剩余传感器节点距离中心点B以及分区1域心的距离，距离域心更近的传感器节点将会分至分区1；
步骤c，通过以下公式计算得到分区内所有传感器节点的Ni与δi值：
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mi>&chi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>j</mi>
<mo>:</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Ni表示传感器节点i在小于传感距离dr范围内节点的数目，dij表示同一分区内剩余传感器节点到节点i的距离，χ是距离控制因子，当dij＞dr时，χ＝0，否则χ＝1；δi为节点i到比其Ni值更大的传感器节点的最小距离；选择区域内Ni与δi值都比较大的传感器节点作为分区的区域中心点；
步骤d，比较传感器节点到当前所有中心点距离之和，选择距离之和最大的传感器节点作为分区2的域心；
步骤e，分别计算传感器节点到当前所有中心点以及分区2域心的距离，将距离分区2域心较近的节点划分至分区2；
步骤f，使用步骤c中的方法计算分区2中心点；
步骤g，重复步骤d，步骤e，步骤f直到整个网络划分为预先设定的h部分；
(2)选择区域内DCV出发点位置：
<mrow>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Sk为区域内传感器节点k到其他所有节点的距离平方之和；N指分区后单个区域的传感器节点个数；μk表示该区域内的第k个节点；ni表示该区域内第i个节点；
<mrow>
<msub>
<mi>H</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>r</mi>
</msub>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Hk为传感器节点k到区域内所有节点的最短路由跳数之和；hi k代表传感器节点i到节点k的最短路由；
Wk＝αS'k+βH'k(5)
其中Wk表示传感器节点k的权重，S'k表示在N个距离值中，将其进行升序排列后，传感器节点k的距离排序值；H'k表示传感器节点k的路由排序值，α与β分别表示距离和路由因素在计算传感器节点权重时所占比例，其中α+β＝1，0≤α，β≤1；通过计算每个传感器节点的权重值，选择具有最小权重的节点作为DCV出发点位置。
3.根据权利要求2所述的基于树状簇与移动元素的数据收集方法，其特征在于，在所述步骤2中，选择区域内汇聚点SP并构建其数据收集树包括以下步骤：
(1)选取网络中数据汇聚点，具体表示过程为：
步骤a，通过式(6)计算出传感器节点i在k跳范围内的节点密度ρi：
<mrow>
<msub>
<mi>&rho;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>&cup;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>N</mi>
<mrow>
<mi>j</mi>
<mo>_</mo>
<mi>h</mi>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中N表示该区域内传感器节点总数量，Nj_hop(i)表示传感器节点i在第j跳邻居节点的集合；
步骤b，通过式(7)计算传感器节点i在k跳之内所有邻居节点的平均初始能量Eave(i)：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>k</mi>
<mo>}</mo>
</mrow>
</msub>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>j</mi>
<mo>_</mo>
<mi>h</mi>
<mi>o</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mrow>
</msub>
<msub>
<mi>E</mi>
<mi>l</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>N</mi>
<mrow>
<mi>j</mi>
<mo>_</mo>
<mi>h</mi>
<mi>o</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中El表示节点l的能量；
步骤c，通过式(8)计算每个传感器节点的权重Wi：
<mrow>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&alpha;&rho;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&beta;</mi>
<mfrac>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>+</mo>
<mi>&gamma;</mi>
<mfrac>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中α，β，γ分别表示传感器节点i在k跳范围内的节点密度，平均能量以及自身能量Ei在计算每个传感器节点权重过程中所占的比例，且α+β+γ＝1，0≤α,β,γ≤1，E0表示传感器节点i所在分区所有节点能量之和；
步骤d，对所有传感器节点权重从高到低进行排序，首先选择具有最大权重的传感器节点作为汇聚点SP，从权重队列中依次去除与该节点相连的k跳邻居节点，并重新对剩余传感器节点的权重按升序进行排列，然后选择新队列中权重值最大的传感器节点作为新的汇聚点SP，直到该分区内每个节点都有相应的簇
步骤e，根据旅行商问题，构建分区中所有汇聚点的最短巡游路径；
(2)构建数据收集树，具体表示过程为：
步骤a，以每个汇聚点SP为根节点，将其一跳范围内传感器节点视为每个SP的子节点并称之为一级节点，每个根节点的一级节点集合中不包括其他汇聚节点；
步骤b，重复以每个SP为根节点进行多次跳范围的节点收集，直到计算出SP的第k跳节点集合，即每个SP的k级节点，完成以每个SP为根的数据收集树构建。
4.根据权利要求3所述的基于树状簇与移动元素的数据收集方法，其特征在于，在所述步骤3中，构建目标优化函数，进行数据收集包括以下步骤：
步骤a，为表述单个传感器节点的数据产生量对整个网络性能的影响，构建如式(9)所示的关于网络内所有传感器节点能量消耗的优化函数，相对于节点i在汇聚点a处的数据产生率，该函数严格凸，递增且二次可微，优化函数如表达式(9)所示：
<mrow>
<munder>
<mi>min</mi>
<mi>r</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>a</mi>
</munder>
<msubsup>
<mi>r</mi>
<mi>i</mi>
<mi>a</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ri a表示传感器节点i在汇聚点a处的数据产生率；约束条件为传感器节点能量，每个传感器节点的最小数据产生量，数据流量和链路容量；
步骤b，根据罚函数法在目标函数表达式(9)中加入二次项约束使其对于ri a为严格凸函数，其中，ci是为每个节点选择的正数，是为每个ri a选择的附加变量；
步骤c，使用拉格朗日乘子法构建加入二项式约束后表达式(9)的拉格朗日目标函数，将数据产生率和链路率相分离，拆分为两个子问题，即速率控制子问题和路由子问题，然后分别计算节点的数据率和链路率，并不断修改最优数据传输速率等参数，实现网络能耗最小化；
步骤d，在此基础上，根据旅行商问题规划区域内连接所有汇聚节点SP的最短路径，DCV从小车出发点位置出发沿着最短路径，依次到达各个汇聚节点SP处，收集簇内节点产生的数据，最终回到出发点位置，从而完成一个数据收集周期。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710871553.8A CN107613480B (zh) | 2017-09-24 | 2017-09-24 | 一种基于树状簇与移动元素的数据收集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710871553.8A CN107613480B (zh) | 2017-09-24 | 2017-09-24 | 一种基于树状簇与移动元素的数据收集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107613480A true CN107613480A (zh) | 2018-01-19 |
| CN107613480B CN107613480B (zh) | 2020-04-17 |
Family
ID=61057866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710871553.8A Expired - Fee Related CN107613480B (zh) | 2017-09-24 | 2017-09-24 | 一种基于树状簇与移动元素的数据收集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107613480B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109862612A (zh) * | 2019-03-27 | 2019-06-07 | 中南大学 | 基于双功能小车移动路径规划的数据收集和无线充电方法 |
| CN110084714A (zh) * | 2019-04-25 | 2019-08-02 | 太原理工大学 | 基于有向树的社交网络影响力最大化方法、装置及设备 |
| CN113438305A (zh) * | 2021-06-23 | 2021-09-24 | 鹤壁国立光电科技股份有限公司 | 一种泛在数据采集*** |
| CN113810852A (zh) * | 2021-09-13 | 2021-12-17 | 电子科技大学 | 一种应用于共享无线可充电网络的自适应充电调度方法 |
| CN114500359A (zh) * | 2022-04-15 | 2022-05-13 | 深圳市永达电子信息股份有限公司 | 集群动态组网方法和集群动态组网 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080129494A1 (en) * | 2006-12-05 | 2008-06-05 | Electronics And Telecommunications Research Institute | Method for sensor node roaming in wireless sensor network environment |
| CN104540173A (zh) * | 2015-01-04 | 2015-04-22 | 河海大学常州校区 | 一种基于树状簇结构的无线传感器网络移动数据收集方法 |
| CN104754683A (zh) * | 2015-04-02 | 2015-07-01 | 西北工业大学 | 基于多跳路由与移动元素的无线传感器网络数据收集方法 |
| CN105578388A (zh) * | 2015-12-17 | 2016-05-11 | 上海海事大学 | 一种海上搜救无线传感网络***及其鲁棒路由方法 |
| CN106101985A (zh) * | 2016-06-03 | 2016-11-09 | 江南大学 | 基于蜂群算法的无线传感执行网络数据汇集方法 |
| CN106131912A (zh) * | 2016-06-17 | 2016-11-16 | 河海大学常州校区 | 基于树状簇的无线传感器网络的移动Sink数据收集方法 |
| WO2017031623A1 (en) * | 2015-08-21 | 2017-03-02 | Nokia Technologies Oy | Apparatus, method and computer program product for medium access control in a wireless sensor network |
-
2017
- 2017-09-24 CN CN201710871553.8A patent/CN107613480B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080129494A1 (en) * | 2006-12-05 | 2008-06-05 | Electronics And Telecommunications Research Institute | Method for sensor node roaming in wireless sensor network environment |
| CN104540173A (zh) * | 2015-01-04 | 2015-04-22 | 河海大学常州校区 | 一种基于树状簇结构的无线传感器网络移动数据收集方法 |
| CN104754683A (zh) * | 2015-04-02 | 2015-07-01 | 西北工业大学 | 基于多跳路由与移动元素的无线传感器网络数据收集方法 |
| WO2017031623A1 (en) * | 2015-08-21 | 2017-03-02 | Nokia Technologies Oy | Apparatus, method and computer program product for medium access control in a wireless sensor network |
| CN105578388A (zh) * | 2015-12-17 | 2016-05-11 | 上海海事大学 | 一种海上搜救无线传感网络***及其鲁棒路由方法 |
| CN106101985A (zh) * | 2016-06-03 | 2016-11-09 | 江南大学 | 基于蜂群算法的无线传感执行网络数据汇集方法 |
| CN106131912A (zh) * | 2016-06-17 | 2016-11-16 | 河海大学常州校区 | 基于树状簇的无线传感器网络的移动Sink数据收集方法 |
Non-Patent Citations (1)
| Title |
|---|
| 文孟飞、彭军、张晓勇、刘伟荣: "无线传感器网络中基于同心圆树的路由选择算法", 《中南大学学报（自然科学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109862612A (zh) * | 2019-03-27 | 2019-06-07 | 中南大学 | 基于双功能小车移动路径规划的数据收集和无线充电方法 |
| CN109862612B (zh) * | 2019-03-27 | 2021-04-30 | 中南大学 | 基于双功能小车移动路径规划的数据收集和无线充电方法 |
| CN110084714A (zh) * | 2019-04-25 | 2019-08-02 | 太原理工大学 | 基于有向树的社交网络影响力最大化方法、装置及设备 |
| CN110084714B (zh) * | 2019-04-25 | 2021-05-07 | 太原理工大学 | 基于有向树的社交网络影响力最大化方法、装置及设备 |
| CN113438305A (zh) * | 2021-06-23 | 2021-09-24 | 鹤壁国立光电科技股份有限公司 | 一种泛在数据采集*** |
| CN113438305B (zh) * | 2021-06-23 | 2022-10-18 | 鹤壁国立光电科技股份有限公司 | 一种泛在数据采集*** |
| CN113810852A (zh) * | 2021-09-13 | 2021-12-17 | 电子科技大学 | 一种应用于共享无线可充电网络的自适应充电调度方法 |
| CN113810852B (zh) * | 2021-09-13 | 2022-09-13 | 电子科技大学 | 一种应用于共享无线可充电网络的自适应充电调度方法 |
| CN114500359A (zh) * | 2022-04-15 | 2022-05-13 | 深圳市永达电子信息股份有限公司 | 集群动态组网方法和集群动态组网 |
| CN114500359B (zh) * | 2022-04-15 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 集群动态组网方法和集群动态*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107613480B (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107613480A (zh) | 一种基于树状簇与移动元素的数据收集方法 | |
| CN101119303B (zh) | 基于动态聚类的多目标规划无线传感网路由算法 | |
| Han et al. | A multicharger cooperative energy provision algorithm based on density clustering in the industrial Internet of Things | |
| CN104050242B (zh) | 基于最大信息系数的特征选择、分类方法及其装置 | |
| CN107862864A (zh) | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 | |
| CN103605885B (zh) | 一种基于交通路网信息的电动车辆剩余里程估算方法 | |
| CN109447410A (zh) | 一种考虑城市路网交通运行状态的充电站选址方法 | |
| CN108566663A (zh) | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 | |
| CN103345657A (zh) | 云计算环境下基于遗传和蚁群的任务调度方法 | |
| CN105246097B (zh) | 一种具有移动Sink节点的无线传感网生存时间优化方法 | |
| CN103686922A (zh) | 一种多Sink节点移动的无线传感网生存时间优化方法 | |
| CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
| CN105871724A (zh) | 电力通信网线路优化方法及*** | |
| Wei et al. | The path planning scheme for joint charging and data collection in WRSNs: A multi-objective optimization method | |
| CN109862612A (zh) | 基于双功能小车移动路径规划的数据收集和无线充电方法 | |
| CN103049829B (zh) | 城乡客运线网与枢纽场站一体化融合方法 | |
| CN109754168A (zh) | 充电站选址方法和装置 | |
| CN106845642A (zh) | 一种带约束云工作流调度的自适应多目标进化方法 | |
| CN106257504A (zh) | 一种基于均衡配流模型的brt乘客出行效益优化方法 | |
| CN107872354A (zh) | 一种针对分层流量复杂网络的路径优化方法 | |
| Boukerche et al. | A novel two-mode QoS-aware mobile charger scheduling method for achieving sustainable wireless sensor networks | |
| CN105979488A (zh) | 无线传感器网络中基于区域划分的协同充电算法 | |
| CN106373384A (zh) | 边远地区客运班车线路实时生成方法 | |
| CN107085755A (zh) | 一种光伏电站短期功率预测方法及*** | |
| Gudur et al. | Machine Learning based Routing approach and Resource Management in Vehicular Adhoc Networks |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200417 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |