CN112333810B - 一种基于tmpa算法的分层无线传感器网络拓扑优化方法 - Google Patents
一种基于tmpa算法的分层无线传感器网络拓扑优化方法 Download PDFInfo
- Publication number
- CN112333810B CN112333810B CN202011221295.7A CN202011221295A CN112333810B CN 112333810 B CN112333810 B CN 112333810B CN 202011221295 A CN202011221295 A CN 202011221295A CN 112333810 B CN112333810 B CN 112333810B
- Authority
- CN
- China
- Prior art keywords
- nodes
- sensing layer
- fitness
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 101100029848 Arabidopsis thaliana PIP1-2 gene Proteins 0.000 title claims abstract description 22
- WVLBCYQITXONBZ-UHFFFAOYSA-N trimethyl phosphate Chemical compound COP(=O)(OC)OC WVLBCYQITXONBZ-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 244000062662 apex predator Species 0.000 claims abstract description 25
- 230000000739 chaotic effect Effects 0.000 claims abstract description 20
- 244000062645 predators Species 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 230000002776 aggregation Effects 0.000 claims description 17
- 238000004220 aggregation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 101100457838 Caenorhabditis elegans mod-1 gene Proteins 0.000 claims description 4
- 101150110972 ME1 gene Proteins 0.000 claims description 4
- 208000015756 familial Alzheimer disease Diseases 0.000 claims description 4
- 235000019162 flavin adenine dinucleotide Nutrition 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 12
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000004888 barrier function Effects 0.000 abstract 1
- 208000018634 fetal akinesia deformation sequence Diseases 0.000 abstract 1
- 208000012165 fetal akinesia deformation sequence syndrome Diseases 0.000 abstract 1
- 238000002421 fluorescence-activated droplet sorting Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000022852 Letis Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/242—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account path loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/36—TPC using constraints in the total amount of available transmission power with a discrete range or set of values, e.g. step size, ramping or offsets
- H04W52/367—Power values between minimum and maximum limits, e.g. dynamic range
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明提供一种基于TMPA算法的分层无线传感器网络拓扑优化方法，包括获取布置范围，设定障碍物及信号衰减值；设置计算变量并初始化参数；计算第k次迭代时连接率为1情况下每个感知层节点的最低发射功率及适应度；将适应度最优的群体设为顶级捕食者并进行Tent混沌扰动策略后进行比较，取适应度最优解的群体；复制顶级捕食者构建捕食者矩阵；优化汇聚层节点位置，再次Tent混沌扰动策略进行适应度值比较，取适应度最优解的群体；执行MPA算法的FADs效应，直至迭代结束；输出最优汇聚层节点位置坐标和所有感知层节点的发射功率。实施本发明，给出最优的汇聚层节点位置分布和所有感知层节点发射功率能耗最小，实现节能和能耗平衡延长网络寿命的目的。
Description
技术领域
本发明涉及无线局域网技术领域，尤其涉及一种基于TMPA算法的分层无线传感器网络拓扑优化方法。
背景技术
无线传感器(Wireless Sensor Networks,WSNs)因其广泛的应用而得到学术界和工业界的关注。其中，分层的无线传感网络由于具有可扩展性、高效通信和容错等优点而被广泛应用于大型无线传感器网络中。在层次结构中，整个网络一般包括感知层和汇聚层，汇聚层主要用于接收多个感知层采集的相关数据，汇聚这些数据并与其他汇聚层节点以多跳的方式进行通信。感知层节点往往是一个能量受限***。因此，节能并尽可能地延长其工作时间，对于整个网络的性能和生存时间起着至关重要的作用。
已有工作表明，无线传感器节点的主要能耗在于数据的发送与接收。因此，在设计分层的无线传感网络时，需要考虑的最重要方面是能耗与节点调度，因为它定义了一个无线传感器节点的生命周期，进而定义了整个无线传感器网络的生命周期。
如图1所示，分层无线传感器网络包括感知层和汇聚层；其中，感知层节点(Sensing Node,SN)负责信息的收集，汇聚层节点(Convergence Node,CN)负责将多个感知层节点收集的信息进行聚合，并在不同的汇聚层节点之间通过多跳方式进行信息通讯。其中，
为感知层节点集合，ns为感知层节点的数量,SNi＝{xi,yi,zi}为第i个感知层节点的位置；
为汇聚层节点集合，nc为汇聚层节点的数量，CNj＝{xj,yj,zj}为第j个汇聚层节点的位置信息。
但是，现有的分层无线传感器网络存在缺点及不足，主要在于因所用的模型都为均匀模型，且每个节点具有相同的覆盖半径，导致非均匀环境下的部署存在偏差，导致无线信号在传播过程中不仅存在路径损耗，而且也会在穿透障碍物时遭受到损耗。
因此，亟需一种分层无线传感器网络拓扑优化方法，能在保证覆盖范围的前提下，给出最优的汇聚层节点位置分布和所有感知层节点发射功率能耗最小，从而达到节能和能耗平衡延长网络寿命的目的。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于TMPA算法的分层无线传感器网络拓扑优化方法，能在保证覆盖范围的前提下，给出最优的汇聚层节点位置分布和所有感知层节点发射功率能耗最小，从而达到节能和能耗平衡延长网络寿命的目的。
为了解决上述技术问题，本发明实施例提供了一种基于TMPA算法的分层无线传感器网络拓扑优化方法，所述方法包括以下步骤：
步骤S1、获取无线传感器网络的布置区域，并设定所述布置区域内的障碍物及其衰减值；其中，感知层节点和汇聚层节点随机分布在所述布置区域内；
步骤S2、将汇聚层节点的位置坐标(x,y,z)以及感知层节点的发射功率p均设置为计算变量，并设置算法相关参数；其中，所述设置算法相关参数的步骤具体为定义汇聚层节点的位置坐标(x,y,z)为种群中的一个群体且x，y，z分别对应群体中的一个个体，令种群的数量为n，以及定义算法寻优的最大迭代次数为Mmax；第j个猎物群体的定义为{Xj k，Yj k，Zj k}，
为汇聚层节点的坐标向量；
步骤S3、初始化猎物矩阵，由如下公式计算：
其中，Lx，Ly，Lz分别为所述布置区域的长，宽和高；
步骤S4、在第k次迭代时，根据当前感知层节点和汇聚层节点的位置，通过公式(2)计算在连接率为1的情况下每个感知层节点的最低发射功率Pk，并令
为Pk向量所有元素的均值，随机生成一个和Pk相同维度的向量
且进一步取向量
和向量P对应位置中较大的数据组成向量Pmin代入适应度函数公式(3)中进行计算：
其中，pi,k表示第k次迭代时第i个感知层节点的发射功率，且pi,k＝β+αo,i＝1,2,K,ns；
其中，η为不满足约束条件下的惩罚因子，且不满足
中三个约束的任何一个时，惩罚因子η是一个充分大的正整数，反之为0；约束条件C1约束了当前感知层节点和汇聚层节点实现全连接；C2约束了所有感知层节点的发射功率要达到能量均衡；C3约束了所有感知层节点的发射功率范围；
其中，pi为第i个感知层节点的发射功率；
其中，LΩ为网络的连接率，且LΩ＝1时感知层实现了全连接；
为第i个感知层节点到第j个汇聚层节点的距离；γ为路径损耗指数，表示路径损耗随距离的增长率；dα为参考距离；α为参考距离dα下的接收功率；βo为障碍物引起的信号衰减值；
其中，σp为感知层节点发射功率的标准差，且
ε为给定的标准差阈值；
步骤S5、根据所求适应度函数的值，将适应度最优的群体设为顶级捕食者Ttop，并利用公式(4)对顶级捕食者Ttop进行Tent混沌一维扰动策略，且待将Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据后，分别计算替换前后个体的适应度，进一步取适应度最优解的群体；
XI i,j＝Xmin j+Rt·(Xmax j-Xmin j) (4)；
其中，XI i,j为顶级捕食者中随机取一维数据，对所取位置进行一维混沌遍历的最终解；Xmin j和Xmax j分别为第j维解空间的下界和上界；Rt为Tent序列中第t个元素，且
Num表示Tent序列中的元素总数；mod1表示取除数小数点后的数值；
步骤S6、将顶级捕食者Ttop复制n次，构建捕食者矩阵；
步骤S7、利用预设的MPA算法，实现汇聚层节点位置的优化；
步骤S8、根据优化后的汇聚层节点的位置及其对应的感知层节点的位置，再次求解出适应度最优的群体设为顶级捕食者Ttop，并利用公式(4)对顶级捕食者Ttop进行Tent混沌一维扰动策略，且待将Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据后，分别计算替换前后个体的适应度，进一步取适应度最优解的群体；
步骤S9、执行MPA算法的FADs效应，且k＝k+1；若k≤Mmax，则返回步骤S4；否则，迭代结束；
步骤S10、输出最优的汇聚层节点位置坐标和所有感知层节点的发射功率。
实施本发明实施例，具有如下有益效果：
本发明将Tent混沌序列引入MPA算法中，利用混沌序列的特性有效提高MPA算法的最优解位置局部搜索能力，在保证连接率为100％的前提下，通过联合优化所有汇聚层节点的部署位置和所有感知层节点的发射功率，使得所有感知层节点的发射功率总和最小，并使得所有感知节点之间发射功率的标准差尽可能小，从而达到节能和能耗平衡延长网络寿命的目的。
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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为现有技术中的分层无线传感器网络拓扑图；
图2为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法的流程图；
图3为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法中采用TMPA算法与传统采用MPA算法的收敛曲线对比图；
图4为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法中采用TMPA算法优化网络数据连接图；
图5为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法中采用TMPA算法部署分层无线传感器网络和传统采用均匀算法部署分层无线传感器网络的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种基于TMPA算法的分层无线传感器网络拓扑优化方法，所述方法包括以下步骤：
步骤S1、获取无线传感器网络的布置区域，并设定所述布置区域内的障碍物及其衰减值；其中，感知层节点和汇聚层节点随机分布在所述布置区域内；
步骤S2、将汇聚层节点的位置坐标(x,y,z)以及感知层节点的发射功率p均设置为计算变量，并设置算法相关参数；其中，所述设置算法相关参数的步骤具体为定义汇聚层节点的位置坐标(x,y,z)为种群中的一个群体且x，y，z分别对应群体中的一个个体，令种群的数量为n，以及定义算法寻优的最大迭代次数为Mmax；第j个猎物群体的定义为{Xj k，Yj k，Zj k}，
为汇聚层节点的坐标向量；
步骤S3、初始化猎物矩阵，由如下公式计算：
其中，Lx，Ly，Lz分别为所述布置区域的长，宽和高；
步骤S4、在第k次迭代时，根据当前感知层节点和汇聚层节点的位置，通过公式(2)计算在连接率为1的情况下每个感知层节点的最低发射功率Pk，并令
为Pk向量所有元素的均值，随机生成一个和Pk相同维度的向量
且进一步取向量
和向量P对应位置中较大的数据组成向量Pmin代入适应度函数公式(3)中进行计算：
其中，pi,k表示第k次迭代时第i个感知层节点的发射功率，且pi,k＝β+αo,i＝1,2,K,ns；
其中，η为不满足约束条件下的惩罚因子，且不满足
中三个约束的任何一个时，惩罚因子η是一个充分大的正整数，反之为0；约束条件C1约束了当前感知层节点和汇聚层节点实现全连接；C2约束了所有感知层节点的发射功率要达到能量均衡；C3约束了所有感知层节点的发射功率范围；
其中，pi为第i个感知层节点的发射功率；
其中，LΩ为网络的连接率，且LΩ＝1时感知层实现了全连接；
为第i个感知层节点到第j个汇聚层节点的距离；γ为路径损耗指数，表示路径损耗随距离的增长率；dα为参考距离；α为参考距离dα下的接收功率；βo为障碍物引起的信号衰减值；
其中，σp为感知层节点发射功率的标准差，且
ε为给定的标准差阈值；
步骤S5、根据所求适应度函数的值，将适应度最优的群体设为顶级捕食者Ttop，并利用公式(4)对顶级捕食者Ttop进行Tent混沌一维扰动策略，且待将Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据后，分别计算替换前后个体的适应度，进一步取适应度最优解的群体；
XI i,j＝Xmin j+Rt·(Xmax j-Xmin j) (4)；
其中，XI i,j为顶级捕食者中随机取一维数据，对所取位置进行一维混沌遍历的最终解；Xmin j和Xmax j分别为第j维解空间的下界和上界；Rt为Tent序列中第t个元素，且
Num表示Tent序列中的元素总数；mod1表示取除数小数点后的数值；
步骤S6、将顶级捕食者Ttop复制n次，构建捕食者矩阵；
步骤S7、利用预设的MPA算法，实现汇聚层节点位置的优化；
步骤S8、根据优化后的汇聚层节点的位置及其对应的感知层节点的位置，再次求解出适应度最优的群体设为顶级捕食者Ttop，并利用公式(4)对顶级捕食者Ttop进行Tent混沌一维扰动策略，且待将Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据后，分别计算替换前后个体的适应度，进一步取适应度最优解的群体；
步骤S9、执行MPA算法的FADs效应，且k＝k+1；若k≤Mmax，则返回步骤S4；否则，迭代结束；
步骤S10、输出最优的汇聚层节点位置坐标和所有感知层节点的发射功率。
具体过程为，发明人发现，无线信号在传播过程中，不仅存在路径损耗，而且也会在穿透障碍物时遭受到损耗，该无线信号的传播由公式
来表示。其中，
为第i个感知层节点到第j个汇聚层节点的距离；γ为路径损耗指数，表示路径损耗随距离的增长率；dα为参考距离；α为参考距离dα下的接收功率；βo为障碍物引起的信号衰减值，不同的障碍物所引起的衰减值有所不同。
此时，发明人一方面引入布尔表达式l(SNi,CNj)，i∈[1,ns]，j∈[1,nc]来判断感知层节点SNi是否与汇聚层节点CNj之间存在有效的链路，即感知层节点SNi是否有效覆盖汇聚层节点CNj。
同时，为了能够完整的收集数据，需要确保任一个感知节点都能够与一个汇聚节点之间存在着有效的链路。为此定义整个网络的连接率LΩ。显然，当所有感知层节点都能够与汇聚层节点之间存在着有效的链路时，即LΩ＝1，感知层实现全连接。
另一方面，引入感知层节点发射功率的标准差σp来衡量感知层节点之间的能耗均衡性。
最终，发明人引入MPA算法来优化分层无线传感器网络，并基于上述引入的相关内容对MPA算法进行改进。其中，每个捕食者群体对应一种汇聚层节点CN位置部署方式。
上述分层无线传感器网络优化问题可以概括为：在保证连接率为100％的前提下，通过联合优化所有汇聚层节点的部署位置和所有感知层节点的发射功率，使得所有感知层节点的发射功率总和最小，并使得所有感知节点之间发射功率的标准差尽可能小，从而达到节能和能耗平衡延长网络寿命的目的。其中，上述优化问题的可定义为
来表示，可以约束当前感知层节点和汇聚层节点全连接情况，约束所有感知层节点的发射功率要达到能量均衡，以及约束所有感知层节点的发射功率范围。其中，pi为第i个感知层节点的发射功率；
ε为给定的标准差阈值。
同时，为了增加MPA算法的搜索能力，将Tent混沌序列引入MPA算法中，利用混沌序列的特性有效提高MPA算法的最优解位置局部搜索能力。混沌运动是非重复的，因此比随机搜索具有更高的搜索速度，因混沌具有伪随机性、遍历性和对初值敏感的特性，并通过严格的数学推理证明了Tent映射的遍历均匀性和收敛速度均优于Logistic映射，因此选择Tent混沌映射。
为了避免Tent混沌序列中小周期和不稳定周期点现象的发生影响算法的性能，采用的改进表达式为
并通过贝努利移位变换后表示为
其中，Num表示Tent序列中的元素总数，mod1表示取除数小数点后的数值。
在顶级捕食者中随机取一维数据，对所取位置进行一维混沌遍历搜索。通过一维混沌遍历搜索可以找到更好的解，同时保持最优解的最优维信息。因此，将此过程称为Tent混沌一维扰动策略，其表达式为XI i,j＝Xmin j+Rt·(Xmax j-Xmin j)；XI i,j为顶级捕食者中随机取一维数据，对所取位置进行一维混沌遍历的最终解；Xmin j和Xmax j分别为第j维解空间的下界和上界。因此，可以通过Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据，分别计算替换前后个体的适应度，用来保留适应度最优的群体。
本发明实施例中的一种基于TMPA算法的分层无线传感器网络拓扑优化方法，具体实现如下：
在步骤S1中，首先将无线传感器布置范围(如100m×100m×10m的立方体)进行网络离散化处理(如，立方体域被离散化为100个网格，网格中心被视为覆盖目标点)，其中，感知层节点和汇聚层节点随机分布在布置区域内。
然后，在目标区域引入了三种不同类型的障碍物(如承重墙、砖墙和金属门)，不同的障碍物对应不同的信号衰减值。
在步骤S2中，首先，将汇聚层节点的位置坐标(x,y,z)以及感知层节点的发射功率p均设置为计算变量。
然后，设置算法相关参数，具体为定义汇聚层节点的位置坐标(x,y,z)为种群中的一个群体且x，y，z分别对应群体中的一个个体，令种群的数量为n，以及定义算法寻优的最大迭代次数为Mmax；
还将第j个猎物群体的定义为{Xj k，Yj k，Zj k}，
为汇聚层节点的坐标向量。
在步骤S3中，初始化猎物矩阵。
在步骤S4中，首先，在第k次迭代时，根据当前感知层节点和汇聚层节点的位置，通过公式(2)计算在连接率为1的情况下每个感知层节点的最低发射功率Pk。
然后，令
为Pk向量所有元素的均值，随机生成一个和Pk相同维度的向量
且进一步取向量
和向量P对应位置中较大的数据组成向量Pmin代入适应度函数公式(3)中进行计算。
在步骤S5中，首先，根据步骤S4所求的适应度函数值，求出适应度最优的群体作为顶级捕食者Ttop并进行Tent混沌一维扰动策略。然后，比较扰动前后群体的适应度，取适应度低的群体。
在步骤S6中，将顶级捕食者复制n次构建捕食者矩阵。
在步骤S7中，利用MPA算法的三个阶段实现汇聚层节点CN位置的优化。
在步骤S8中，首先，鉴于步骤S7中汇聚层节点CN位置的优化及对应感知层节点SN位置，再次根据步骤S4求出适应度最优的群体作为顶级捕食者Ttop并进行Tent混沌一维扰动策略。然后，比较扰动前后群体的适应度，取适应度低的群体。
在步骤S9中，执行MPA算法的FADs效应，k＝k+1。若k≤Mmax，则返回步骤S4。
在步骤S10中，迭代结束，输出最优的汇聚层节点位置坐标和所有感知层节点的发射功率。
如图3所示，为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法中采用TMPA算法与传统采用MPA算法的收敛曲线对比图；
如图4所示，为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法中采用TMPA算法优化网络数据连接图；
如图5所示，为本发明实施例提供的基于TMPA算法的分层无线传感器网络拓扑优化方法中采用TMPA算法部署分层无线传感器网络和传统采用均匀算法部署分层无线传感器网络的对比图。
实施本发明实施例，具有如下有益效果：
本发明将Tent混沌序列引入MPA算法中，利用混沌序列的特性有效提高MPA算法的最优解位置局部搜索能力，在保证连接率为100％的前提下，通过联合优化所有汇聚层节点的部署位置和所有感知层节点的发射功率，使得所有感知层节点的发射功率总和最小，并使得所有感知节点之间发射功率的标准差尽可能小，从而达到节能和能耗平衡延长网络寿命的目的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (1)
1.一种基于TMPA算法的分层无线传感器网络拓扑优化方法，其特征在于，所述方法包括以下步骤：
步骤S1、获取无线传感器网络的布置区域，并设定所述布置区域内的障碍物及其衰减值；其中，感知层节点和汇聚层节点随机分布在所述布置区域内；
步骤S2、将汇聚层节点的位置坐标(x，y，z)以及感知层节点的发射功率p均设置为计算变量，并设置算法相关参数；其中，所述设置算法相关参数的步骤具体为定义汇聚层节点的位置坐标(x，y，z)为种群中的一个群体且x，y，z分别对应群体中的一个个体，令种群的数量为n，以及定义算法寻优的最大迭代次数为Mmax；第j个猎物群体的定义为{Xj k，Yj k，Zj k}，
为汇聚层节点的坐标向量；
步骤S3、初始化猎物矩阵，由如下公式计算：
其中，Lx，Ly，Lz分别为所述布置区域的长，宽和高；
步骤S4、在第k次迭代时，根据当前感知层节点和汇聚层节点的位置，通过公式(2)计算在连接率为1的情况下每个感知层节点的最低发射功率Pk，并令
为Pk向量所有元素的均值，随机生成一个和Pk相同维度的向量
且进一步取向量
和向量P对应位置中较大的数据组成向量Pmin代入适应度函数公式(3)中进行计算：
其中，pi，k表示第k次迭代时第i个感知层节点的发射功率，且pi，k＝β+αo，i＝1，2，K，ns；
其中，η为不满足约束条件下的惩罚因子，且不满足
中三个约束的任何一个时，惩罚因子η是一个充分大的正整数，反之为0；约束条件C1约束了当前感知层节点和汇聚层节点实现全连接；C2约束了所有感知层节点的发射功率要达到能量均衡；C3约束了所有感知层节点的发射功率范围；
其中，pi为第i个感知层节点的发射功率；
其中，LΩ为网络的连接率，且LΩ＝1时感知层实现了全连接；
为第i个感知层节点到第j个汇聚层节点的距离；γ为路径损耗指数，表示路径损耗随距离的增长率；dα为参考距离；α为参考距离dα下的接收功率；βo为障碍物引起的信号衰减值；
其中，σp为感知层节点发射功率的标准差，且
ε为给定的标准差阈值；
步骤S5、根据所求适应度函数的值，将适应度最优的群体设为顶级捕食者Ttop，并利用公式(4)对顶级捕食者Ttop进行Tent混沌一维扰动策略，且待将Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据后，分别计算替换前后个体的适应度，进一步取适应度最优解的群体；
XI i，j＝Xmin j+Rt·(Xmax j-Xmin j) (4)；
其中，XI i，j为顶级捕食者中随机取一维数据，对所取位置进行一维混沌遍历的最终解；Xmin j和Xmax j分别为第j维解空间的下界和上界；Rt为Tent序列中第t个元素，且
Num表示Tent序列中的元素总数；mod1表示取除数小数点后的数值；
步骤S6、将顶级捕食者Ttop复制n次，构建捕食者矩阵；
步骤S7、利用预设的MPA算法，实现汇聚层节点位置的优化；
步骤S8、根据优化后的汇聚层节点的位置及其对应的感知层节点的位置，再次求解出适应度最优的群体设为顶级捕食者Ttop，并利用公式(4)对顶级捕食者Ttop进行Tent混沌一维扰动策略，且待将Tent混沌序列扰动后的个体替换顶级捕食者Ttop中的相应位置的数据后，分别计算替换前后个体的适应度，进一步取适应度最优解的群体；
步骤S9、执行MPA算法的FADs效应，且k＝k+1；若k≤Mmax，则返回步骤S4；否则，迭代结束；
步骤S10、输出最优的汇聚层节点位置坐标和所有感知层节点的发射功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011221295.7A CN112333810B (zh) | 2020-11-03 | 2020-11-03 | 一种基于tmpa算法的分层无线传感器网络拓扑优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011221295.7A CN112333810B (zh) | 2020-11-03 | 2020-11-03 | 一种基于tmpa算法的分层无线传感器网络拓扑优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112333810A CN112333810A (zh) | 2021-02-05 |
| CN112333810B true CN112333810B (zh) | 2022-07-08 |
Family
ID=74315396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011221295.7A Active CN112333810B (zh) | 2020-11-03 | 2020-11-03 | 一种基于tmpa算法的分层无线传感器网络拓扑优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112333810B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116208969B (zh) * | 2023-03-09 | 2023-11-03 | 南京信息工程大学 | 基于改进海洋捕食者算法的无线传感器网络覆盖优化方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110139286A (zh) * | 2019-05-21 | 2019-08-16 | 西安邮电大学 | 面向三维环境的无线传感器网络覆盖增强方法及*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102087793B1 (ko) * | 2013-07-05 | 2020-04-14 | 한국전자통신연구원 | 다중 빔 안테나 시스템 및 이의 출력 전력 제어 방법 |
| CN110933681B (zh) * | 2019-11-13 | 2022-09-09 | 江西理工大学 | 一种鬣狗群捕食算法及其在节点部署优化中应用的方法 |
| CN111818534B (zh) * | 2020-06-05 | 2021-09-14 | 温州大学 | 一种分层异构无线传感器网络三维优化部署方法 |
-
2020
- 2020-11-03 CN CN202011221295.7A patent/CN112333810B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110139286A (zh) * | 2019-05-21 | 2019-08-16 | 西安邮电大学 | 面向三维环境的无线传感器网络覆盖增强方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112333810A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tyagi et al. | An intelligent and optimal resource allocation approach in sensor networks for smart agri-IoT | |
| Randhawa et al. | MLBC: Multi-objective load balancing clustering technique in wireless sensor networks | |
| Qu et al. | An energy-efficient dynamic clustering protocol for event monitoring in large-scale WSN | |
| Abbas et al. | Predictive Hybrid Routing with Multi Objective Optimization Model for Opportunistic Routing for VANET | |
| Daniel et al. | Energy aware clustering with multihop routing algorithm for wireless sensor networks | |
| Hajjej et al. | A new optimal deployment model of internet of things based on wireless sensor networks | |
| CN111818534A (zh) | 一种分层异构无线传感器网络三维优化部署方法 | |
| Keerthika et al. | Reinforcement-Learning based energy efficient optimized routing protocol for WSN | |
| CN112333810B (zh) | 一种基于tmpa算法的分层无线传感器网络拓扑优化方法 | |
| Lipare et al. | Fuzzy rule-based system for energy efficiency in wireless sensor networks | |
| CN117939569A (zh) | 基于MR-WSNs移动Sink节点的路径规划方法 | |
| Sett et al. | Effect of optimal cluster head placement in MANET through multi objective GA | |
| Zangeneh et al. | An energy-based clustering method for WSNs using artificial bee colony and genetic algorithm | |
| Abbas et al. | Fuzzy logic approach for cluster-head election in wireless sensor network | |
| Gangwar et al. | GTFR: A Game Theory-Based Fuzzy Routing Protocol for WSNs | |
| Saxena et al. | Performance Enhancement in WSN Through Fuzzy C-Means Based Hybrid Clustering (FCMHC) | |
| Alla et al. | Routing protocol based on bacterial foraging optimization and type-2 fuzzy logic for wireless sensor networks | |
| Cao et al. | Energy Management using Optimal Fuzzy Logic Control in Wireless Sensor Network. | |
| Wang | Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization | |
| CN113766539A (zh) | 一种分层无线传感器网络汇聚层节点优化部署方法 | |
| Bagga et al. | Flbcr: Fuzzy logic based clustering routing protocol | |
| Guleria et al. | Unequal Clustering-An Enhancement to Network Longevity in WSNs | |
| Sharma et al. | Cluster Head Election with Hexagonal Node Deployment Technique in Wireless Sensor Networks | |
| Hosseinirad | A Hierarchy Topology Design Using a Hybrid Evolutionary Algorithm in Wireless Sensor Networks | |
| Sedighimanesh et al. | Reducing energy consumption of the seech algorithm in wireless sensor networks using a mobile sink and honey bee colony algorithm |
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 |