没有合适的资源?快使用搜索试试~ 我知道了~
WSN中基于改进灰狼优化的分簇路由协议.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 10 浏览量
2022-12-01
09:12:27
上传
评论
收藏 867KB DOCX 举报
温馨提示
试读
11页
WSN中基于改进灰狼优化的分簇路由协议.docx
资源推荐
资源详情
资源评论
1. 引言
无线传感器网络中,将传感器节点聚类分簇并建立高效的簇间路由能够有效降低网络
能耗,从而最大化网络生存期.因此高能效的分簇路由协议对无线传感器网络至关重要.
经典的无线传感器网络分簇算法 LEACH 通过在所有网络节点中周期性轮换簇首角
色,将网络能耗均衡给每一个节点,从而延长网络生存期.但该协议在所有节点中等概率选
择簇首,没有考虑节点的地理位置和剩余能量,导致簇首节点分布不合理,成簇不均匀,
且不能保证簇首节点剩余能量充足,影响了网络性能.文献[1]以延长网络生存期为目的,提
出一种基于改进灰狼优化的分簇路由协议.该算法有效地延长了网络生存期、提高了网络吞
吐量,但簇首与基站直接通信加速了簇首节点的能量消耗,缩短了网络生存期.文献[2]提出
一种基于灰狼优化器的集中式分簇路由算法,有效地延长了网络生存期,但在中继选择阶
段,并非所有的簇首都能找到满足条件的下一跳,这就导致部分簇首必须与基站直接通
信,这部分簇首会因远距离通信而产生大量的能量耗损,从而缩短网络生存期.文献[3]提出
的 GAFCMCR 是一种基于遗传算法和 FCM 聚类的均匀分簇路由协议,但该协议没有考虑
任何簇间路由,簇首会因远距离通信而产生大量能耗,导致网络节点能耗不均衡,从而降
低网络性能.
针对上述协议存在的问题,文本提出一种基于改进灰狼优化的分簇路由协议.通过自组
织映射网络聚类算法形成网络分簇,最小化簇内通信距离;采用改进的灰狼优化迭代计算
选择最优簇首,保证簇首分布均匀且剩余能量充足;基于能量和位置为簇首节点选择合理
的下一跳,降低簇间通信能耗;簇内通信采用轮询控制机制,避免时隙浪费.
2. 系统模型
2.1 网络模型
本文假设无线传感器网络具有以下性质:
(1) 传感器节点随机分布在正方形的网络区域内,所有节点同构且具备全网唯一的 ID
号;
(2) 所有传感器节点都能对数据进行去冗余处理,可以根据接收到的信号强度估算出
到信号发送端的距离,并能够根据通信距离调整发射功率;
(3) 节点和基站的位置固定,基站的计算能力和能量不受限.
2.2 能耗模型
本文使用和文献[4]相同的一阶无线电模型.根据通信距离与阈值距离 d
0
的关系分别采
用自由空间模型和多路径衰减模型.节点经过距离 d 发送 m bit 数据所消耗的能量为.
ETx(m,d)={mEdec+mεfsd2,mEdec+mεmpd4,d<d0d≥d0ETx(m,d)={mEdec+mεfsd2,d<d0mEdec+mεmpd4,d≥d0
(1)
式中,E
elec
为节点发送或接收每 bit 数据所需要的能量,ε
fs
为自由空间模型的功放因
子,ε
mp
为多路径衰减模型的功放因子.
节点接收 m bit 数据消耗的能量为:
ERx(m,d)=mEelecERx(m,d)=mEelec
(2)
簇首融合 m bit 数据所消耗的能量为:
EMx(m)=mEDAEMx(m)=mEDA
(3)
式中,E
DA
为簇首节点融合 1 bit 数据所消耗的能量.
3. 经典灰狼优化算法
灰狼优化是一种受自然界中灰狼群体捕食行为启发而提出的新型元启发式优化算法,
该算法将狼群划分为 α、β、ω、γ 四个等级,灰狼的等级在狩猎过程中发挥着关键性作用
[5]
.
狼群的狩猎过程主要包括三个部分:追踪并接近猎物、包围猎物和攻击猎物.将灰狼优化应
用于基于分簇 WSN 的簇首选举问题中,灰狼位置对应网络节点的位置,猎物位置对应簇
首节点的位置.灰狼个体与猎物之间的距离根据下式进行计算:
D=|C⋅Xp(t)−X(t)|D=|C⋅Xp(t)−X(t)|
(4)
X(t+1)=Xp(t)−A⋅DX(t+1)=Xp(t)−A⋅D
(5)
式中,C 和 A 分别表示摆动因子和收敛因子,X
p
和 X 分别表示猎物位置和灰狼位置,
t 表示算法当前迭代的轮次.A 和 C 分别根据下式进行计算:
A=2⋅a⋅r1−aA=2⋅a⋅r1−a
(6)
C=2⋅r2C=2⋅r2
(7)
式中,r
1
和 r
2
均为[0, 1]之间的随机向量,a 为收敛因子,随着迭代次数的增加从 2 线
性减小到 0.
α、β、ω 狼共同决定灰狼种群中其它个体的位置,其数学模型描述如下:
⎧⎩⎨⎪⎪⎪⎪Dα=|C1⋅Xα−X|,X1=Xα−A1⋅DαDβ=|C2⋅Xβ−X|,X2=Xβ−A2⋅DβDδ^=|C3⋅Xδ−X|,X3=Xδ−A3⋅Dδ{Dα=|C1⋅Xα−X|,X1=Xα−A1⋅DαDβ=|C2⋅Xβ−X|,X2=Xβ−A2⋅DβDδ^=|C3⋅Xδ−X|,X3=Xδ−A3⋅Dδ
(8)
X(t+1)=X1+X2+X33X(t+1)=X1+X2+X33
(9)
4. 基于改进灰狼优化的分簇路由算法
本文提出一种基于改进灰狼优化的分簇路由算法,算法按轮运行,每轮分为簇的构建
和数据传输两个阶段.簇构建阶段,该协议首先采用 SOM 聚类算法将网络节点分簇,从而
最小化簇内通信距离,然后在每个簇内采用改进的灰狼优化算法选择最优簇首.稳定传输阶
段,簇首节点采用轮询调度收集簇内信息,避免时隙的浪费,从而提高网络吞吐量.簇首收
集本簇信息后,通过单跳或多跳的方式将数据发送给基站,有效地避免了远离基站的簇首
的过度能耗.
4.1 簇的构建
4.1.1 基于 SOM 的网络分簇
SOM 聚类算法是一种聚类和高维可视化的无监督学习算法,具有学习速度快、分类
准确等优点
[6]
.用 SOM 算法解决无线传感器网络的聚类问题,能够优化聚类效果,最小化
簇内通信距离,从而降低网络能耗.使用 SOM 算法对网络节点进行聚类的步骤描述如下:
step1:初始化网络.给网络连接权值 W
ij
赋予[0, 1]之间的随机值,确定学习速率,设置
初始邻域和总的学习次数.
step2:提供新的输入模式 X,X=(x
1
, x
2,
…, x
m
)
T
.
step3:根据式(10)计算模式 X 和各输出神经元之间的欧式距离,和 X 距离最小的神经
元 c 即为获胜神经元.
dj=∥X−Wij∥=∑i=1m(Xi(t)−Wij(t))2−−−−−−−−−−−−−−−−√dj=‖X−Wij‖=∑i=1m(Xi(t)−Wij(t))2
(10)
step4:调整获胜神经元的权值,权值向量的更新方式如式(11)所示.
Wij(t+1)=Wij(t)+α(t)hc,j(t)(Xi(t)−Wij(t))Wij(t+1)=Wij(t)+α(t)hc,j(t)(Xi(t)−Wij(t))
(11)
式中,0<α(t)<1 为学习速率,随着算法的迭代逐渐减小,h
c, j
(t)为获胜神经元周围的
领域函数.
step5:令 t=t+1,返回 step2 继续迭代,直到学习速率 α(t)<α
min
(t)或迭代次数 t=T,输
出聚类结果.
4.1.2 簇首选举
使用 SOM 聚类算法形成网络分簇后,在每个簇内使用改进的灰狼优化选择最优簇首.
本文综合考虑节点的位置因素和能量因素设计了高效的灰狼优化适应度函数,用于寻找最
优簇首的位置.
选择剩余能量充足的节点担任簇首能够均衡网络能耗、延长网络生存期.本文考虑节点
的剩余能量设计了簇首能量适应度函数,其数学描述为:
f1=Eres(i)/((∑j=1nEres(j))/n)f1=Eres(i)/((∑j=1nEres(j))/n)
(12)
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3552
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功