CN114554505B - 一种无线传感器网络节点分簇方法及*** - Google Patents
一种无线传感器网络节点分簇方法及*** Download PDFInfo
- Publication number
- CN114554505B CN114554505B CN202210020523.7A CN202210020523A CN114554505B CN 114554505 B CN114554505 B CN 114554505B CN 202210020523 A CN202210020523 A CN 202210020523A CN 114554505 B CN114554505 B CN 114554505B
- Authority
- CN
- China
- Prior art keywords
- nodes
- cluster head
- representing
- head nodes
- clusters
- 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 38
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 26
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 8
- 241000283080 Proboscidea <mammal> Species 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 229940060587 alpha e Drugs 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000004083 survival effect Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 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
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- 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
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种无线传感器网络节点分簇方法及***,计算目标区域内分簇的个数;基于所述分簇的个数,确定适应度函数;在目标区域内设置一象群,使象群按照基于莱维飞行的优化方法得到的位置轨迹在目标区域内进行搜索;将搜索到的点带入适应度函数,以确定全局最优解,当达到迭代次数或全局最优解收敛时,输出此时的全局最优解,否则迭代执行搜索步骤。本发明将基于莱维飞行的象群优化算法融入簇头节点的选举过程,对无线传感器网络的节点进行分簇,从而达到节省节点耗电量,延长节点存活时间和网络生存周期的目的。
Description
技术领域
本发明属于无线传感器网络技术领域,具体涉及一种无线传感器网络节点分簇方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
无线传感器网络(Wireless Sensor Networks,WSN)作为物联网的一员,可以感知信息。通过通信技术的运用,能够满足不同用户的需求。WSN改善了人们的生活,推动了社会的发展。WSN是一种自组织网络,它的传感器节点能量有限、计算能力有限、成本低廉、可以随机布设。
WSN目前被广泛应用于生产生活的方方面面。然而,在网络的实际布设时,为提高数据采集的准确性,需要在监测区域内布设大量的传感器节点,微型化和低成本成为了传感器节点最重要的要求,因此传感器节点采用电池供电。而且由于布设环境恶劣,使得电池能源难以及时进行补充,再者传感器节点自身存储容量和运算能力存在固有限制,更需要WSN合理的分配网络资源,以保证网络能够持续稳定的正常工作。
随着科技的发展,各国学者尝试通过对传感器节点分簇的方式来均衡网络能耗,分别从是否预先划分区域、分簇是否均匀、是否结合其他算法等多个方面来实现网络的分簇。研究表明,网络节点分簇是目前实现WSN节能和延寿最有效的方法。
现有分簇方法的缺点:
(1)没有说明簇头节点在整个网络中的布设情况。因此,很可能出现被选出的簇头节点集中于某一区域的情况,这样就会使得一些普通节点的周围没有任何簇头节点,从而导致网络能耗分布不均匀。
(2)部分算法容易陷入局部最优、不易收敛的情况。
发明内容
本发明为了解决上述问题,提出了一种无线传感器网络节点分簇方法及***,本发明将基于莱维飞行的象群优化算法融入簇头节点的选举过程,对无线传感器网络的节点进行分簇,从而达到节省节点耗电量,延长节点存活时间和网络生存周期的目的。
根据一些实施例,本发明采用如下技术方案:
一种无线传感器网络节点分簇方法,包括以下步骤:
计算目标区域内分簇的个数;
基于所述分簇的个数,确定适应度函数;
在目标区域内设置一象群,使象群按照基于莱维飞行的优化方法得到的位置轨迹在目标区域内进行搜索;
将搜索到的点带入适应度函数,以确定全局最优解,当达到迭代次数或全局最优解收敛时,输出此时的全局最优解,否则迭代执行搜索步骤。
作为可选择的实施方式,计算目标区域内分簇的个数的具体过程包括:
在a×a的矩形区域内,随机分布着N个传感器节点,其中汇聚节点坐标已知,分簇的个数k为:
其中,N是正方形区域中的传感器节点总数,a是a×a的矩形区域的边长,d是该区域中所有节点到汇聚节点的距离的期望,ε1、ε2、ε3为常数。
作为可选择的实施方式,基于所述分簇的个数,确定适应度函数的具体过程包括:
fitness(x,y)=α·f1+β·f2+γ·f3+δ·f4
其中,α+β+γ+δ=1;
f1表示k个簇头节点到汇聚节点的距离之和的倒数,f1越大,表示k个簇头节点到汇聚节点的距离越短,网络的通信成本越低。
f2表示k个簇头节点所覆盖的普通节点的数量之和,f2越大,表示k个簇头节点所覆盖的普通节点的数量越多,网络的性能越好。
f3表示k个簇头节点的剩余能量的加权之和,f3越大,表示k个簇头节点的剩余能量之和越大,网络生命周期越长。
f4表示k个簇头节点之间的距离的期望,f4越大,表示k个簇头节点越分散,越不容易扎堆。
作为可选择的实施方式,象群按照基于莱维飞行的优化方法得到的位置轨迹的具体过程包括:
大象的位置更新为:
表示xi第t代大象i的位置,/>表示象群族长的位置,α∈[0,1],代表象群族长对每个个体的影响比例因子,γ∈[0,1],用于提高种群多样性的随机数,levy(λ)为随机搜索路径。
作为进一步的限定,所述象群族长的位置更新为:
其中,表示氏族的中心位置,β∈[0,1],控制氏族中心的影响比例因子。
作为进一步的限定,所述氏族的中心位置为:
其中,n为大象的个数。
作为可选择的实施方式,将搜索到的点带入适应度函数的具体过程为通过适应度函数计算每一轮每头象位置的适应度。
一种无线传感器网络节点分簇***,包括:
分簇个数计算模块,被配置为计算目标区域内分簇的个数;
适应度函数设置模块,被配置为基于所述分簇的个数,确定适应度函数;
迭代搜索模块,被配置为在目标区域内设置一象群,使象群按照基于莱维飞行的优化方法得到的位置轨迹在目标区域内进行搜索;
分簇结果确定模块,被配置为将搜索到的点带入适应度函数,以确定全局最优解,当达到迭代次数或全局最优解收敛时,输出此时的全局最优解,否则迭代执行搜索步骤。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明的输出结果说明了簇头节点的数目以及分布状况,不会出现簇头节点集中在网络某一区域的现象,这样就避免了一些节点周围没有任何簇头节点,从而导致网络能耗分布不均匀的情况;
本发明有效的改善了部分算法容易陷入局部最优,导致不易收敛的情况;可以更好的节省节点耗电量,延长节点存活时间和网络生存周期。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本实施例的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
一种无线传感器网络节点分簇方法,如图1所示,包括:
第一步,在a×a的矩形区域内,随机分布着N个传感器节点,其中汇聚节点坐标已知。利用矩形区域分簇个数的计算公式,可以计算出分簇的个数k。
其中,
N是正方形区域中的传感器节点总数;
a是a×a的矩形区域的边长;
d是该区域中所有节点到汇聚节点的距离的期望;
在本实施例中,ε1=10pJ/bit;
ε2=0.0013pJ/bit;
ε3=50nJ/bit;
第二步,设计适应度函数。
fitness(x,y)=α·f1+β·f2+γ·f3+δ·f4
其中:
其中,α+β+γ+δ=1;
f1表示k个簇头节点到汇聚节点的距离之和的倒数,f1越大,表示k个簇头节点到汇聚节点的距离越短,网络的通信成本越低。
f2表示k个簇头节点所覆盖的普通节点的数量之和,f2越大,表示k个簇头节点所覆盖的普通节点的数量越多,网络的性能越好。
f3表示k个簇头节点的剩余能量的加权之和,f3越大,表示k个簇头节点的剩余能量之和越大,网络生命周期越长。
f4表示k个簇头节点之间的距离的期望,f4越大,表示k个簇头节点越分散,越不容易扎堆。
第三步,在a×a的矩形区域内设置一个种群个数为n的象群,给每头象赋予随机的初始位置。该象群将按照基于莱维飞行的象群优化算法公式所描述的位置轨迹对该区域进行搜索。
其中,氏族中每头象的位置更新公式:
所述公式(1)中表示xi第t代大象i的位置,/>表示象群族长的位置,α∈[0,1],代表象群族长对每个个体的影响比例因子,γ∈[0,1],是用来提高种群多样性的随机数。
所述公式(1)中levy(λ)为随机搜索路径,并且满足:
levy(λ)~μ=t-λ 1<λ≤3 (2)
莱维飞行的本质是一种随机步长,由于莱维分布比较复杂,目前常用Mantegna算法模拟,Mantegna算法数学表示如下:
步长s计算式为:
其中:μ、v为正态分布,定义:
其中:
σv=1 (7)
其中,在本实施例中,β通常取值常数为1.5。
象群族长的位置更新公式:
所述公式(8)中表示氏族的中心位置,β∈[0,1],控制氏族中心的影响比例因子。
所述氏族的中心位置公式:
第四步,通过适应度函数fitness(x,y)计算每头象的适应度。
第五步,根据基于莱维飞行的象群优化算法中的公式(1)、公式(8)、公式(9),更新新一轮每头象的位置。
第六步,通过适应度函数fitness(x,y)计算新一轮每头象的适应度。
第七步,进行停止条件判断。若达到迭代次数,或者结果已经收敛,则输出结果。否则,返回第五步。
本发明通过虚拟的象群,象群中的每头象按照上述描述的轨迹对axa的矩形区域进行搜索,n头象每轮都会有一个位置,将每轮的位置坐标带入适应度函数,然后将这n个适应度进行比较。算法结束后,适应度函数取值最大的点的位置坐标就代表了簇头节点坐标。算法的本质就是让一些个体(n头象)按照一定的规律或者轨迹对一个连续区间进行快速搜索,最终得到满足要求的一些离散点。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种无线传感器网络节点分簇方法,其特征是,包括以下步骤:
计算目标区域内分簇的个数;
基于所述分簇的个数,确定适应度函数;
在目标区域内设置一象群,使象群按照基于莱维飞行的优化方法得到的位置轨迹在目标区域内进行搜索;
将搜索到的点带入适应度函数,以确定全局最优解,当达到迭代次数或全局最优解收敛时,输出此时的全局最优解,否则迭代执行搜索步骤;
所述计算目标区域内分簇的个数的具体过程包括:
在a×a的矩形区域内,随机分布着N个传感器节点,其中汇聚节点坐标已知,分簇的个数k为:
其中,N是正方形区域中的传感器节点总数,a是a×a的矩形区域的边长,d是该区域中所有节点到汇聚节点的距离的期望,ε1、ε2、ε3为常数;
所述基于所述分簇的个数,确定适应度函数的具体过程包括:
fitness(x,y)=α·f1+β·f2+γ·f3+δ·f4
其中,α+β+γ+δ=1;
f1表示k个簇头节点到汇聚节点的距离之和的倒数,f1越大,表示k个簇头节点到汇聚节点的距离越短,网络的通信成本越低;
f2表示k个簇头节点所覆盖的普通节点的数量之和,f2越大,表示k个簇头节点所覆盖的普通节点的数量越多,网络的性能越好;f3表示k个簇头节点的剩余能量的加权之和,f3越大,表示k个簇头节点的剩余能量之和越大,网络生命周期越长;
f4表示k个簇头节点之间的距离的期望,f4越大,表示k个簇头节点越分散,越不容易扎堆;
所述象群按照基于莱维飞行的优化方法得到的位置轨迹的具体过程包括:
大象的位置更新为:
表示xi第t代大象i的位置,/>表示象群族长的位置,α∈[0,1],代表象群族长对每个个体的影响比例因子,γ∈[0,1],用于提高种群多样性的随机数,levy(λ)为随机搜索路径;
所述象群族长的位置更新为:
其中,表示氏族的中心位置,β∈[0,1],控制氏族中心的影响比例因子;
所述氏族的中心位置为:
其中,n为大象的个数。
2.如权利要求1所述的一种无线传感器网络节点分簇方法,其特征是,将搜索到的点带入适应度函数的具体过程为通过适应度函数计算每一轮每头象位置的适应度。
3.一种无线传感器网络节点分簇***,其特征是,包括:
分簇个数计算模块,被配置为计算目标区域内分簇的个数;
适应度函数设置模块,被配置为基于所述分簇的个数,确定适应度函数;
迭代搜索模块,被配置为在目标区域内设置一象群,使象群按照基于莱维飞行的优化方法得到的位置轨迹在目标区域内进行搜索;
分簇结果确定模块,被配置为将搜索到的点带入适应度函数,以确定全局最优解,当达到迭代次数或全局最优解收敛时,输出此时的全局最优解,否则迭代执行搜索步骤;
所述计算目标区域内分簇的个数的具体过程包括:
在a×a的矩形区域内,随机分布着N个传感器节点,其中汇聚节点坐标已知,分簇的个数k为:
其中,N是正方形区域中的传感器节点总数,a是a×a的矩形区域的边长,d是该区域中所有节点到汇聚节点的距离的期望,ε1、ε2、ε3为常数;
所述基于所述分簇的个数,确定适应度函数的具体过程包括:
fitness(x,y)=α·f1+β·f2+γ·f3+δ·f4
其中,α+β+γ+δ=1;
f1表示k个簇头节点到汇聚节点的距离之和的倒数,f1越大,表示k个簇头节点到汇聚节点的距离越短,网络的通信成本越低;
f2表示k个簇头节点所覆盖的普通节点的数量之和,f2越大,表示k个簇头节点所覆盖的普通节点的数量越多,网络的性能越好;f3表示k个簇头节点的剩余能量的加权之和,f3越大,表示k个簇头节点的剩余能量之和越大,网络生命周期越长;
f4表示k个簇头节点之间的距离的期望,f4越大,表示k个簇头节点越分散,越不容易扎堆;
所述象群按照基于莱维飞行的优化方法得到的位置轨迹的具体过程包括:
大象的位置更新为:
表示xi第t代大象i的位置,/>表示象群族长的位置,α∈[0,1],代表象群族长对每个个体的影响比例因子,γ∈[0,1],用于提高种群多样性的随机数,levy(λ)为随机搜索路径;
所述象群族长的位置更新为:
其中,表示氏族的中心位置,β∈[0,1],控制氏族中心的影响比例因子;
所述氏族的中心位置为:
其中,n为大象的个数。
4.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-2中任一项所述的方法中的步骤。
5.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-2中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020523.7A CN114554505B (zh) | 2022-01-10 | 2022-01-10 | 一种无线传感器网络节点分簇方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020523.7A CN114554505B (zh) | 2022-01-10 | 2022-01-10 | 一种无线传感器网络节点分簇方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114554505A CN114554505A (zh) | 2022-05-27 |
CN114554505B true CN114554505B (zh) | 2024-03-29 |
Family
ID=81669966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210020523.7A Active CN114554505B (zh) | 2022-01-10 | 2022-01-10 | 一种无线传感器网络节点分簇方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114554505B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108112049A (zh) * | 2017-12-15 | 2018-06-01 | 华中科技大学 | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 |
CN111263325A (zh) * | 2020-01-17 | 2020-06-09 | 南华大学 | 动态分簇异构无线传感器网络的路由方法、装置及介质 |
CN111479279A (zh) * | 2020-05-15 | 2020-07-31 | 汪金玲 | 基于多元宇宙优化算法的无线网络覆盖优化方法 |
CN113709841A (zh) * | 2021-07-14 | 2021-11-26 | 西安邮电大学 | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5101523B2 (ja) * | 2006-01-11 | 2012-12-19 | フィッシャー−ローズマウント システムズ, インコーポレイテッド | 低電力無線メッシュネットワークにおけるフィールドデバイスの選択的起動 |
-
2022
- 2022-01-10 CN CN202210020523.7A patent/CN114554505B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108112049A (zh) * | 2017-12-15 | 2018-06-01 | 华中科技大学 | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 |
CN111263325A (zh) * | 2020-01-17 | 2020-06-09 | 南华大学 | 动态分簇异构无线传感器网络的路由方法、装置及介质 |
CN111479279A (zh) * | 2020-05-15 | 2020-07-31 | 汪金玲 | 基于多元宇宙优化算法的无线网络覆盖优化方法 |
CN113709841A (zh) * | 2021-07-14 | 2021-11-26 | 西安邮电大学 | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 |
Non-Patent Citations (1)
Title |
---|
基于改进粒子群聚类的无线传感器网络能量均衡分簇策略;李洪兵;余成波;闫俊辉;李彦林;;计算机应用研究;20110215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114554505A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | A hierarchical algorithm based on density peaks clustering and ant colony optimization for traveling salesman problem | |
CN108021451B (zh) | 一种雾计算环境下的自适应容器迁移方法 | |
KR20220112766A (ko) | 연합 혼합 모델들 | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及*** | |
CN106203494B (zh) | 一种基于内存计算的并行化聚类方法 | |
CN102448123A (zh) | 无线传感器网络中基于节点性能的任务分配算法 | |
GB2567147A (en) | Machine learning query handling system | |
CN115755954B (zh) | 巡检路径规划方法、***、计算机设备及存储介质 | |
Huang et al. | An improved LEACH routing algorithm for wireless sensor network | |
Arouj et al. | Towards energy-aware federated learning on battery-powered clients | |
Nguyen et al. | Load balancing for mitigating hotspot problem in wireless sensor network based on enhanced diversity pollen | |
CN113115249B (zh) | 簇头节点的确定方法、装置及*** | |
Awad et al. | A swarm intelligence-based approach for dynamic data replication in a cloud environment | |
Asghari et al. | Multi-objective edge server placement using the whale optimization algorithm and game theory | |
CN107992358A (zh) | 一种适用于核外图处理***的异步io执行方法及*** | |
CN114554505B (zh) | 一种无线传感器网络节点分簇方法及*** | |
Chen et al. | HNIO: A hybrid nature-inspired optimization algorithm for energy minimization in UAV-assisted mobile edge computing | |
CN114531665A (zh) | 一种基于莱维飞行的无线传感器网络节点分簇方法及*** | |
CN110503234B (zh) | 一种物流运输调度的方法、***及设备 | |
CN108614889B (zh) | 基于混合高斯模型的移动对象连续k近邻查询方法及*** | |
Li et al. | IPSOMC: An improved particle swarm optimization and membrane computing based algorithm for cloud computing | |
CN117011118A (zh) | 模型参数更新方法、装置、计算机设备以及存储介质 | |
Xu et al. | Parallel artificial bee colony algorithm for the traveling salesman problem | |
Wang et al. | Overcoming Environmental Challenges in CAVs through MEC-based Federated Learning | |
Tan et al. | A fast and stable forecasting model to forecast power load |
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 |