CN110312278B - 基于模糊c均值聚类算法的圆环模型路由方法 - Google Patents
基于模糊c均值聚类算法的圆环模型路由方法 Download PDFInfo
- Publication number
- CN110312278B CN110312278B CN201910322328.8A CN201910322328A CN110312278B CN 110312278 B CN110312278 B CN 110312278B CN 201910322328 A CN201910322328 A CN 201910322328A CN 110312278 B CN110312278 B CN 110312278B
- Authority
- CN
- China
- Prior art keywords
- nodes
- cluster
- fuzzy
- model
- node
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- H04W40/248—Connectivity information update
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公布了一种基于模糊C均值聚类算法的圆环模型路由方法。主要解决移动自组织网络中的链路稳定性问题。本发明提出一种以半径划分的圆环模型模糊C均值聚类算法(FCMCRR)。在选簇阶段,我们使用Vikor多标准决策来选择最佳初始聚类中心,避免算法陷入局部最优的情况。在分簇阶段,我们使用模糊C均值聚类算法,根据目标函数方法来寻找最优分类。我们考虑的目标函数表示各类数据节点到相应聚类中心的加权距离平方和,通过距离来区分节点的组别,从而计算并修改其模糊划分矩阵和聚类中心。本发明提出的基于圆环模型的路由策略,可以保证中继节点可以有效地增强路由性能,增强链路稳定性。
Description
技术领域
本发明属于无线传感器网络技术领域,特别涉及圆环模型下基于模糊C均值和Vikor多标准决策的分簇路由方法。
背景技术
近年来,具有感知能力强、计算速度快和通信性能好的传感器节点自组织构成的无线传感器网络越来越吸引人们的目光。随着应用领域的扩大,移动场景受到研究人员的关注,移动自组织网络在监测和收集环境数据方面的重要性有所增加。移动场景考虑战场环境、野生动物监测以及危险环境探测等,在这些场景中,所有节点都是移动的,包括基站。移动自组织网络由可在网络内移动的移动传感器节点和基站组成,传感器节点都具有移动性,网络在不同的时刻会有不同的拓扑结构,具体表现依据其移动模型。移动性可以通过节点自身或者节点附着物来实现。若节点自身具有移动模块,则可以通过移动设备控制节点受控运动,若节点无移动模块,则可以通过无人机、机器人等具有移动性的对象携带,共同运动。
移动自组织网络具有移动性,节点的移动性受移动模型的影响,不同的移动模型具有不同的移动特征。无线传感器网络中的节点由于易携带性,一般尺寸都很小,所以节点的能量、存储空间和计算能力都十分有限。若现实网络中遇到意外状况,导致网络中节点因突发事件或能量耗尽而经历死亡,会对网络的拓扑结构造成一定的影响。在目标场景中为了提高网络的可靠性、减少区域的盲区,会部署大量的传感器节点来覆盖目标区域。在移动自组织网络中,节点一般采取分布式的算法,通过多跳自组织的形式构建路由。
移动自组织网络具有分布式、自组织、多跳路由、移动性的特点。国内外对自组织网络的研究都较早,但是都是最近才开始对移动自组织网络进行研究。移动网络面临的问题主要是能耗问题和通信问题。节点携带的能量有限,对节点能量的有效利用非常重要。移动性导致节点位置的变化,破坏了网络拓扑结构,需要维护网络的路由结构,更加对网络的性能提出了挑战。因此对于移动模型的研究以及移动性支持的自组织网络的分簇路由协议的研究显得非常重要,且具有实际意义。
发明内容
本发明实例提供圆环模型下基于模糊C均值和Vikor多标准决策的分簇路由方法。该方法通过建立圆环模型分簇路由算法,使环内某些成员节点作为数据传输的中继,来提高簇头间链路的稳定性,从而有效提高网络的可靠性。移动自组织网络中,对于簇成员节点而言,节点只需要将感知收集到的数据传输给簇头节点,而簇头节点需要收集其成员节点的数据,发现并建立路由,将融合的数据交付给基站。对于群体移动模型而言,分组移动的模式可能会使群组之间的距离频繁变化,当群组之间无法通过簇头建立通信时,选取合适的成员节点充当中继,建立群组与群组的连接,从而提高网络的可靠性。
为了达到上述目的,本发明实例提供了圆环模型下基于模糊C均值和Vikor多标准决策的分簇路由方法。模糊C均值聚类算法(FCM)和Vikor多标准决策应用于节点聚类,圆环模型应用于建立路由机制,方法包括:
根据移动自组织网络进行模型建立,将网络模型、能耗模型及移动模型应用到移动自组织网络模型之中。
具体的,在移动自组织网络模型中,节点和基站都是移动的,基站在区域中处于不断移动状态,节点可在固定区域内移动检测附近的环境信息,不同时间节点被划分为不同集群,集群内的节点将收集到的信息以单跳方式传给簇头。簇头也是节点,某个区域内的节点形成一个簇,从簇中选则最好的节点作为簇头,进行信息收集。簇头之间建立路由,将收集到的信息通过路由传回移动基站。当簇头间建立的路由不能路由到基站或下一跳的簇头时,簇头会寻找非簇头节点,以此来建立连接,扩展路由。
在该模型中,节点发送数据和接收数据都需要能量。发送端能量消耗与数据大小、传输距离以及功率放大器的能耗有关,接收端能量消耗与接收数据和传输距离有关。如果发射机和接收机之间的距离小于阈值d0,则使用自由空间模型。如果不是,则采用多径衰落信道模型。
其中k是数据包大小,单位为bit,d是两节点之间的距离,和是每个节点单独运行发射机和接收机电路的能量耗散。εfs是自由空间信道模型的信号放大因子,εmp是多径衰落信道模型的信号放大因子。d0是区分两种模型的边界条件阈值为:
在移动模型中,我们使用随机游走移动模型来模拟这种的不稳定运动,节点随机选择行进的方向和速度,新的速度和方向在预定范围中选择。如果根据此模型移动的节点达到模拟边界,它将从模拟边界“弹回”,其角度由入射方向确定。然后节点继续沿着这条新路径行进。随机游走模型中随机方向和随机速度的选择如下:
v∈(vmin,vmax)
(4)
θ∈(0,2π)
(5)
假设基站的初始位置为(x0,y0),t时刻后的坐标为:
应用Vikor多标准决策选择聚类中心,聚类中心会保证不同类之间具有一定的分离度。
具体的,考虑到群体移动的特性,每次选取利益比率Qi最大的数据点作为一个初始聚类中心,且尽量使各类初始聚类中心之间的距离大于所设定的阈值,这样可以避免算法陷入局部最优的情况,使随机选择初始聚类中心变为有目的地选取。在群体移动模型中,群体数量为c,随后将n个数据点X={x1,x2,…,xn}分为c个模糊类,选择聚类中心的过程如下:
步骤一,计算任意两节点之间的距离,并生成距离矩阵D。
步骤二,计算网络中所有节点的节点度,然后选取节点度最大的节点作为第一个初始聚类中心。
步骤三,根据给定的阈值a,利用距离矩阵D计算与第一个初始聚类中心距离大于a的所有数据节点,然后根据Vikor多标准决策选择最佳聚类中心。本发明中的多标准包含:a.节点与聚类中心的距离;b.节点的节点密度;c.节点的剩余能量;d.节点速度。并设置准则Cj的权系数为:
ωj=[ω1j,ω2j,ω3j,ω4j](ωij≥0)
(7)
然后确定每一准则的理想值和负理想值:
再确定每个邻居的Sj和Rj的值:
最后计算利益比率Qi:
Qi=v(Si-S*)/d(S-,S*)+(1-v)(Ri-R*)/d(R-,R*)
(11)
在这些节点中选择利益比率Qi最大的数据节点作为第二个初始聚类中心。
步骤四,在剩下的数据节点中找到与之前已选取过的初始聚类中心距离大于a的数据节点,并在这些节点当中选择利益比率Qi最大的点作为其聚类中心。
步骤五,重复步骤4,直到找到c类为止。
应用模糊化方法计算节点的隶属度模糊划分矩阵。
具体的,模糊化的方法将输入参数转化为模糊化数据,通过其设置的隶属度函数和相关参数,数据变化后将其输出给模糊推理引擎。我们的输入参数包括剩余能量、节点密度、节点速度改变率和节点方向改变率。每个输入变量有3个隶属度函数,为每个输入选择的语言变量是:剩余能量={L,M,H},节点度={L,M,H},速度变化程度={S,M,H},方向变化程度={S,M,H}。
如果u是对象x的集合,则u的模糊集合A:
A={(x,μA(x))|x∈U}
(12)
其中,μA(x)称为模糊集合A的隶属函数,U称为论域或域。
输出变量通过四个输入变量经过模糊化、模糊逻辑推理以及去模糊化过程计算出来,我们将簇头节点的选择概率分为五个等级,其模糊子集表示为{L,ML,M,MH,H},从左到右分别代表概率低、概率中等偏低、概率中等、概率中等偏高、概率高。最终我们得到隶属度模糊划分矩阵U=[uij]。
使用模糊C均值聚类方法,根据初始聚类中心和目标函数来寻找最优分类,属于同一个群组的节点尽可能被分到同一个集群中。
具体的,FCM聚类过程是基于目标函数方法来寻找最优分类的,我们考虑的目标函数表示各类数据节点到相应聚类中心的加权距离平方和。FCM算法运用到移动自组织网络的分簇过程:
步骤(1):根据上一环节的初始聚类中心选择,计算初始化聚类中心V={v1,v2,…,vc},设置迭代次数r=0;
步骤(2):使用模糊化方法的到节点的的隶属度模糊划分矩阵U=[uij];
步骤(3):计算各个类的中心vj;
(13)
其中vj代表第j个聚类中心的位置,xi代表第i个节点的位置,uij是第i个节点属于第j个类的模糊隶属度,m是控制算法柔性的一个加权值。
步骤(4):重复步骤(2)和(3),直到满足以下不等式时算法终止,否则,r=r+1,转向步骤(2);
通过模糊C均值聚类算法得到簇中心后,选取综合因素最佳的节点作为簇头,其组内的节点根据其距离矩阵和其隶属度函数,选择加入最合适的簇,聚簇步骤完成。
基于集群构建圆环模型,将某个区域划分成多个同心圆,为路由机制提供网络拓扑基础。
具体的,网络中任意一个集群中的节点随机分布,做受控的群体运动。对于模糊C均值聚类算法来说,一般而言,所选择的簇头很大概率处于集群的中心,因此,可以直接以该集群的簇头为圆心,划分出半径不等的三个同心圆。
第一个圆,即第一环所处的圆内区域。圆的半径由该集群的节点分布所决定。即该集群的所有节点都处于第一个环之内。
其中,R1为第一环的半径,N为该集群的节点个数,di为该集群节点i到簇头的距离。
第二个圆,即第二环所处的圆内区域。圆的半径由节点的最大传输范围决定。即其他集群的节点若处于第二个圆所在的区域,是可以单跳和该集群的簇头通信的。
R2=Dtran
(16)
其中,R2为第二环的半径,Dtran为节点最大通信距离。
第三个圆,即第三环所处的圆内区域。圆的半径由第一环和第二环的半径决定。即若存在其他集群处于第三环面的节点,则可以通过选择多个中继的形式保持两集群之间的联通。若其他集群的节点处于第三环面之外的位置,且两集群之间无法通过其他集群进行通信,那么,这两个集群无法进行数据传输,说明两个集群出现了断路。
R3=R1+R2
(17)
其中,R1为第一环的半径,R2为第二环的半径,R3为第二环的半径。
根据圆环模型在簇头间建立路由,根据两个集群的距离情况,建立不同的路由机制。
在群体移动模型中,节点在移动的过程中,会出现以下几种情况。
情况一:两簇头之间的距离小于R2,即簇头之间可以直接通信,便可以建立簇头到簇头之间的路由,不需要借助于两集群之间的其他节点。
情况二:两集群中簇头无法直接通信,但是存在簇头c1所在集群的节点n1在簇头c2所在集群的第二环内,所以簇头c1与簇头c2的通信可以由n1充当中继来维护两集群之间的路由。同理,存在簇头c2所在集群的节点n2和n3在簇头c1所在集群的第二环内,所以簇头c1与簇头c2的通信可以由n1或n2充当中继来维护两集群之间的路由。则以n1作为中继节点的前提下,选择节点n2、节点n3或是簇头c2由代价函数决定。
其中,v为已选节点的速度,θ为已选节点的方向,(x,y)为已选节点的位置,vn为待选节点的速度,τ为待选节点的方向,(xn,yn)为待选节点的位置,α为预设的时刻长度,Dtran为节点间最大通信距离。
在两级群中选择代价函数C(n)最小的一条链路作为两个集群之间的路由。
情况三:两集群间簇头无法直接通信,且簇头c1所在集群的节点n1也无法与簇头c2直接通信。同理,簇头c2所在集群的节点n2也无法与簇头c1直接通信。但是节点n1与节点n2在节点最大通信范围内,因此可以建立从簇头c1经由节点n1,经由节点n2,再到簇头c2的路由。因此,两个集群可以通信。
情况四:两集群的节点都在对方集群的第三环之外,因此两集群无法建立通信链路。两集群如果想要通信,只能通过其他集群。
根据路由策略将数据路由到基站,保证数据的完整传输。
具体的,成员节点将数据传输给簇头,簇间通过路由将数据传输给移动基站。集群内部的路由采用传统的单跳方式传输,由成员节点将数据传输给簇头;而簇间则采用多跳的方式传输数据,将数据传输给移动基站。
基于圆环模型的路由网络周期性更新,重新计算网络模糊划分矩阵和聚类中心,确定聚类中心和其他成员节点,将中心节点加入中心集合。
具体的,由于节点的移动行,当前选择的簇中心和其成员节点并非一直是最优选择,因此需要周期性地更新路由机制。经过一个周期数据传输后,重新计算网络模糊划分矩阵,计算聚类中心,将中心节点加入中心集合,然后确定聚类中心和其他成员节点,最后选择最低链路代价并建立路由。
在移动自组织网络中,为了解决网络的数据包传输率问题,本发明将随机分布的节点按照一定的规则聚类,让普通节点先将数据传递给簇头,簇头汇总数据再传递给移动基站。在将数据传递给移动基站时,采用多跳传输的机制,考虑到集群之间因为移动性而导致的距离变化,选取其他节点充当中继加入路由,提高路由的稳定性。本发明提出的算法分为两个部分,即聚类阶段和路由阶段,聚类阶段包含簇头选择和成员节点选择簇头,路由阶段即簇头通过圆环模型建立对应的路由,最终,成员节点将数据传递给簇头,簇头汇聚信息按照路由机制传递给移动基站。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实例提供的圆环模型下基于模糊C均值和Vikor多标准决策的分簇路由方法的流程示意图;
图2为本发明实例提供的应用Vikor多标准决策选择聚类中心的流程图;
图3为本发明实例提供的应用模糊C均值聚类算法聚类的流程图;
图4为本发明实例提供的基于圆环模型建立路由机制的流程图。
具体实施方式
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,所描述的实施例仅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。
依据附图,对本发明的技术方案具体说明。
所述的圆环模型下基于模糊C均值和Vikor多标准决策的分簇路由方法,包括以下步骤:
S101,根据移动自组织进行模型建立,将网络模型、能耗模型及移动模型应用到移动自组织网络模型之中。
网络模型定义了数据的传输过程,集群内的节点将收集到的信息传输给簇头,簇头间建立路由将收集到的信息传输到基站,还可以成员节点作为中继路由,以此来建立连接。能耗模型描述了数据传输过程中的能量消耗,如果发射机和接收机之间的距离小于阈值d0,则使用自由空间模型。如果不是,则采用多径衰落信道模型。移动模型描述了节点的不稳定运动,设置模拟边界。
S102,应用Vikor多标准决策选择聚类中心,聚类中心会保证不同类之间具有一定的分离度。
需要说明的是,随机产生的聚类中心对网络的性能有影响,不当的初始聚类中心在群体移动模型中可能会使聚类结果陷入局部最优的现象。因此我们改进了聚类中心的选择方式,考虑到群体移动的性质,每次选取利益比率Qi最大的数据点作为一个初始聚类中心,且尽量使各类初始聚类中心之间的距离大于所设定的阈值,这样可以避免算法陷入局部最优的情况,使随机选择初始聚类中心变为有目的地选取。具体见图2。
S103,应用模糊化方法计算节点的隶属度模糊划分矩阵,将剩余能量、节点密度、节点速度改变率和节点方向改变率进行模糊化处理,基于模糊推理规则通过模糊推理引擎来计算隶属度模糊划分矩阵U=[uij]。
S104,使用模糊C均值聚类方法,根据初始聚类中心和目标函数来寻找最优分类,属于同一个群组的节点尽可能被分到同一个集群中。
具体的,FCM聚类过程是基于目标函数方法来寻找最优分类的,根据上一环节的初始聚类中心的选择和隶属模糊划分矩阵U=[uij],计算各个类的中心vj,组内节点根据其距离矩阵和其隶属函数,选择加入最合适的簇,最终的分类结果是属于同一个群组的节点尽可能的被分入同一类中。具体见图3。
S105,基于集群构建圆环模型,将某个区域划分成多个同心圆,为路由机制提供网络拓扑基础。
具体的,以簇头作为圆心,划分出半径不等的三个同心圆。第一个圆,圆的半径由该集群的节点分布所决定,该集群所有节点都处于第一个环之内;第二个圆,圆的半径由节点最大传输距离决定,若其他集群的节点处于第二个圆所在的区域,可以通过单跳和该集群的簇头通信。第三个圆,圆的半径由第一个圆和第二个圆的半径决定,若其他集群处于第三环面,则通过多个中继仍可通信,若其他集群处于第三环面之外,两个集群无法通信。
S106,根据圆环模型在簇头间建立路由,根据两个集群的距离情况,建立不同的路由机制。在圆环模型下,我们可以选择其他节点充当中继角色。具体见图4。
S107,基于圆环模型的路由网络周期性更新,重新计算网络模糊划分矩阵和聚类中心,确定聚类中心和其他成员节点,依据圆环模型的路由机制选择最低链路代价并建立路由,保障数据的稳定传输。
本发明假设节点按照群体移动模型随机分布,节点都具有移动性,节点是同构的。基站在区域中处于不断移动的状态。在现场部署传感器节点之后,节点可在固定的区域内移动检测附近的环境信息,不同时间内节点被划分为不同集群,集群内的节点将收集到的信息以单跳方式传给簇头。当簇头间建立的路由不能路由到基站或下一跳的簇头时,簇头会寻找非簇头节点,以此来建立连接,扩展路由。本发明考虑群体移动场景下,如何保证数据的有效传输。考虑实际情况,做如下假设:
(1)节点具有相等的初始能量和计算能力,其地位对等;
(2)节点在区域内是随机部署的,符合群体移动模型初始化特征;
(3)网络中所有节点都是移动的,包括基站和其他节点;
(4)节点知道自己的属性(例如剩余能量、速度和方向等);
(5)节点根据接收到的信号强度调整发射功率且节点之间通信链路是对称的。
Claims (8)
1.基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,包括以下步骤:
第一步,根据移动自组织网络进行模型建立,将网络模型、能耗模型及移动模型应用到移动自组织网络模型之中;
第二步,应用Vikor多标准决策选择聚类中心,聚类中心会保证不同类之间具有一定的分离度;在群体移动模型中,事先确定群体c的数量,将数据点X={x1,x2,…,xn}分为c个模糊类;然后利用然后利用Vikor多标准决策计算节点的利益比率Qi,根据利益比率Qi寻找聚类中心V={v1,v2,…,vc};
第三步,应用模糊化方法计算节点的隶属度模糊划分矩阵,将剩余能量、节点密度、节点速度改变率和节点方向改变率进行模糊化处理,输出的是节点成为簇头的概率,组成节点的隶属度模糊划分矩阵U=[uij];
第四步,使用模糊C均值聚类方法,根据聚类中心和目标函数来寻找最优分类;目标函数表示各类数据节点到相应聚类中心的加权距离平方和;根据聚类中心V和节点的隶属度模糊划分矩阵U=[uij],计算各个类的中心vj;
其中vj代表第j个聚类中心的位置,xi代表第i个节点的位置,uij是第i个节点属于第j个类的模糊隶属度,m是控制算法柔性的一个加权值;
通过模糊C均值聚类算法得到簇中心后,选取综合因素最佳的节点作为簇头,其组内的节点根据其距离矩阵和其隶属度函数,选择加入最合适的簇;
第五步,基于集群构建圆环模型,将某个区域划分成三个同心圆,为路由机制提供网络拓扑基础;网络中任意一个集群中的节点随机分布,做受控的群体运动;三个同心圆的半径由集群的节点分布和节点的最大传输距离Dtran决定;
第六步,根据圆环模型在簇头间建立路由,根据两个集群的距离情况,建立不同的路由机制;当两个集群距离无法通过簇头直接通信但能够通过中继节点进行通信时,节点的选择是根据代价函数C(n)决定的;
其中,v为已选节点的速度,θ为已选节点的方向,(x,y)为已选节点的位置,vn为待选节点的速度,τ为待选节点的方向,(xn,yn)为待选节点的位置,α为预设的时刻长度,Dtran为节点间最大通信距离;
在两个集群中选择代价函数C(n)最小的一条链路作为两个集群之间的路由;此时,数据节点通过单跳的方式将收集到的数据传递给簇头,簇头之间通过多跳的方式将数据路由到基站;
第七步,基于圆环模型的路由网络周期性更新,重新计算隶属度模糊划分矩阵U=[uij]和聚类中心V={v1,v2,…,vc},确定聚类中心和其他成员节点,依据圆环模型的路由机制选择最低链路代价并建立路由,保障数据的稳定传输。
2.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,所述的移动自组织网络模型建立;具体是,网络模型定义了节点和基站的移动状态,规定了节点传输数据的方式,确定了路由机制;
能耗模型定义了边界条件阈值d0;
εfs是自由空间信道模型的信号放大因子,εmp是多径衰落信道模型的信号放大因子;
如果发射机和接收机之间的距离小于阈值d0,则使用自由空间模型;如果不是,则采用多径衰落信道模型;
移动模型描述了节点的不稳定运动,节点随机选择行进的方向和速度,新的速度和方向在预定范围中选择;随机游走模型中随机方向和随机速度的选择如下;
v∈(vmin,vmax) (4)
θ∈(0,2π) (5) 。
3.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,应用Vikor多标准决策选择聚类中心,聚类中心会保证不同类之间具有一定的分离度;考虑到群体移动的性质,每次选取利益比率Qi的数据点作为一个聚类中心,且尽量使各聚类中心之间的距离大于所设定的阈值,避免算法陷入局部最优的情况,使随机选择聚类中心变为有目的地选取。
4.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,使用模糊C均值聚类方法,应用模糊化方法计算节点的隶属度模糊划分矩阵;模糊逻辑算法模仿人脑的不确定性判断,通过一些模糊规则,将多个影响因子融合起来。
5.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,使用模糊C均值聚类方法,根据聚类中心和目标函数来寻找最优分类;通过隶属度模糊划分矩阵U=[uij]和聚类中心,区分节点的组别,从而计算并修改其隶属度模糊划分矩阵和聚类中心,寻找最优分类;保证不同的类之间具有一定的分离度,属于同一个群组的节点被分入同一类中。
6.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,基于集群构建圆环模型,将某个区域划分成多个同心圆,为路由机制提供网络拓扑基础;
第一个圆,圆的半径由该集群的节点分布所决定;
其中,R1为第一环的半径,N为该集群的节点个数,di为该集群节点i到簇头的距离;
第二个圆,圆的半径由节点的最大传输范围决定,其他集群的节点若处于第二个圆所在的区域,能够直接与该集群的簇头通信的;
R2=Dtran (7)
其中,R2为第二环的半径,Dtran为节点最大通信距离;
第三个圆,圆的半径由第一环和第二环的半径决定;
R3=R1+R2 (8)
其中,R1为第一环的半径,R2为第二环的半径,R3为第三环的半径。
7.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,根据圆环模型在簇头间建立路由,根据两个集群的距离情况,建立不同的路由机制;当两个群体无法通过簇头直接通信时,计算节点链路的稳定性函数,簇头能够选择簇头所在集群的其他节点作为中继节点,也能够选择能到达的其他集群的非簇头节点作为中继;最后选择代价函数C(n)最小的链路作为路由;成员节点采集数据后通过单跳的方式将数据传输到簇头,簇头通过路由机制把数据传输到基站。
8.根据权利要求1所述的基于模糊C均值聚类算法的圆环模型路由方法,其特征在于,基于圆环模型的路由网络周期性更新;由于节点的随机移动,在不同的时刻,最优节点分类是不同的;周期性更新隶属度模糊划分矩阵U=[uij]和聚类中心V={v1,v2,…,vc},选择该周期内的最优分类,再通过圆环模型建立路由机制,稳定传输数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322328.8A CN110312278B (zh) | 2019-04-22 | 2019-04-22 | 基于模糊c均值聚类算法的圆环模型路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322328.8A CN110312278B (zh) | 2019-04-22 | 2019-04-22 | 基于模糊c均值聚类算法的圆环模型路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110312278A CN110312278A (zh) | 2019-10-08 |
CN110312278B true CN110312278B (zh) | 2020-08-04 |
Family
ID=68074486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322328.8A Active CN110312278B (zh) | 2019-04-22 | 2019-04-22 | 基于模糊c均值聚类算法的圆环模型路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110312278B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110677864B (zh) * | 2019-10-12 | 2023-02-28 | 长春工业大学 | 基于无线传感器网络的能量约束模糊c-均值聚类方法 |
CN111626352A (zh) * | 2020-05-26 | 2020-09-04 | 多伦科技股份有限公司 | 基于模糊c均值的自适应能耗最优车辆聚类方法 |
CN111711975A (zh) * | 2020-06-04 | 2020-09-25 | 中国联合网络通信集团有限公司 | 数据传输方法、***、终端设备及计算机可读存储介质 |
CN112583723B (zh) * | 2020-12-15 | 2022-08-26 | 东方红卫星移动通信有限公司 | 一种基于fcm的大规模路由网络表达方法 |
CN113242587B (zh) * | 2021-01-04 | 2022-07-01 | 湖州师范学院 | 基于六边形质心的簇头选举和动态时隙分配的簇路由方法 |
CN113420067B (zh) * | 2021-06-22 | 2024-01-19 | 贝壳找房(北京)科技有限公司 | 目标地点的位置可信度评估方法和装置 |
CN113595903B (zh) * | 2021-07-12 | 2022-11-18 | 哈尔滨工程大学 | 基于fcm分簇拓扑的无线传感器网络节点休眠调度方法 |
CN114125986B (zh) * | 2021-11-30 | 2023-09-19 | 长春工业大学 | 一种基于最佳中继角的无线传感器网络分簇路由方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394321A (zh) * | 2008-09-25 | 2009-03-25 | 重庆邮电大学 | 基于“能量均衡”的集群无线传感器网络非均匀分簇方法 |
CN103874158A (zh) * | 2012-12-18 | 2014-06-18 | 江南大学 | 一种新型的聚类路由算法 |
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN108770029A (zh) * | 2018-05-02 | 2018-11-06 | 天津大学 | 基于聚类和模糊***的无线传感器网络分簇路由协议 |
-
2019
- 2019-04-22 CN CN201910322328.8A patent/CN110312278B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394321A (zh) * | 2008-09-25 | 2009-03-25 | 重庆邮电大学 | 基于“能量均衡”的集群无线传感器网络非均匀分簇方法 |
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN103874158A (zh) * | 2012-12-18 | 2014-06-18 | 江南大学 | 一种新型的聚类路由算法 |
CN108770029A (zh) * | 2018-05-02 | 2018-11-06 | 天津大学 | 基于聚类和模糊***的无线传感器网络分簇路由协议 |
Non-Patent Citations (1)
Title |
---|
《LEACH-FIS: An Improved LEACH Based on Fuzzy Inference System in MWSNs》;Zhou, Yongfan 等;《2018 IEEE/CIC International Conference on Communications in China (ICCC)》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110312278A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110312278B (zh) | 基于模糊c均值聚类算法的圆环模型路由方法 | |
US7848262B2 (en) | Neural network-based mobility management for healing mobile ad hoc radio networks | |
Lee et al. | An energy-aware and predictive fuzzy logic-based routing scheme in flying ad hoc networks (FANETs) | |
CN112954769B (zh) | 基于强化学习的水下无线传感器网络路由方法 | |
CN109451556B (zh) | 基于uav对无线传感网充电的方法 | |
Khan et al. | Intelligent cluster routing scheme for flying ad hoc networks | |
CN113163466B (zh) | 基于模糊决策树的自适应鱼群寻路包路由方法 | |
He et al. | A fuzzy logic reinforcement learning-based routing algorithm for flying ad hoc networks | |
CN106054875A (zh) | 一种分布式多机器人动态网络连通性控制方法 | |
Purkait et al. | Fuzzy logic based multi-criteria intelligent forward routing in VANET | |
Jianmin et al. | Ardeep: Adaptive and reliable routing protocol for mobile robotic networks with deep reinforcement learning | |
Park et al. | Analysis of dynamic cluster head selection for mission-oriented flying ad hoc network | |
CN111836327A (zh) | 一种水下传感器网络路由数据传输方法及水下传感器网络 | |
Aissa et al. | EMASS: a novel energy, safety and mobility aware-based clustering algorithm for FANETs | |
CN113163332A (zh) | 基于度量学习的路标图着色无人机节能续航数据收集方法 | |
Khan et al. | Route selection in 5G-based flying ad-hoc networks using reinforcement learning | |
CN114339936A (zh) | 基于q学习的飞行器自组织网络优化链路状态路由机制 | |
Semenov et al. | Routing in telecommunication networks using fuzzy logic | |
Sefati et al. | Cluster selection for load balancing in flying ad hoc networks using an optimal low-energy adaptive clustering hierarchy based on optimization approach | |
Khedr et al. | MWCRSF: Mobility-based weighted cluster routing scheme for FANETs | |
Radivojac et al. | Learning from class-imbalanced data in wireless sensor networks | |
CN114641049A (zh) | 一种基于模糊逻辑的无人机自组网分层路由方法 | |
Liang | A design methodology for wireless personal area networks with power efficiency | |
Bezzo et al. | A decentralized connectivity strategy for mobile router swarms | |
Mahalakshmi et al. | An adaptive routing in flying Ad-hoc networks using FMCC protocol |
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 |