文摘
本地化是公认的在顶端的重要功能在众多无线传感器网络(WSN)的应用程序。提出节能集群和定位集中在遗传算法(ECGAL),剩余的能量,距离估计和覆盖连接开发形成了适应度函数。这个函数肯定是快速运行。提出ECGAL耗尽较小的能量和延伸无线网络存在。最后,进行模拟来评估算法的性能。实验结果表明,该算法近似未知节点位置和提供最小定位误差。
1。介绍
无线传感器网络的应用设备的精确定位和人类在有界的情况下描述一个高度机密的重要功能提供基本服务在后勤和行政纪律1]。基本实现各种本地化意味着力量监测、遥感和跟踪。然而,一些实例包括健康监测、栖息地监测、农业监测、环境监测、军事调查,入侵者识别、污染控制和空间处理地球和月球上。传感器网络被认为是在任何自然环境结构如海底和陆地。目前,禁止这类系统的持续分布由于凝胶状的错综复杂和维护成本(2]。为主,这是由于这一事实,在室内环境中,精确定位出现的未修饰的多路径衰落经常需要大量的静态传感节点被称为锚(也称为信标)与公认的位置(3)和复杂的信号处理算法的使用传播距离近似(4]。在一个更广泛的范围,积累更多的锚节点意味着更高的定位精度。然而,锚节点成本比普通节点和贵10倍(5]。总的来说,如果发现一个未知节点的位置,锚节点将可忽视地忽略。因此,减少的数量的锚节点,该节点的定位是影响6]。削减成本、减少锚节点和锚节点削减,较小的准确性。最近,用于WSN定位的方法是基于多维、多通道的优化问题是可以解决的,利用随机方法是基于人口(7]。部分2我们的研究评论几个metaheuristic WSN定位领域的算法。研究的结果表明,这些算法已经成功地和大大减少错误定位8]。
定位的两种独特的方式可以是分布式和集中式定位。在前,每个节点发现未知节点本身,而在后者,每个节点的信息传输到一个集中的组件进行进一步处理以获得关于职位的信息。此外,在第二个节点的聚类过程被认为是分为相互联系的网络,称为集群,每个集群都有许多激励传感器节点由一个集群中心(集群)节点协调员。集群中心在序列与其他集群中心工作都是临时基站。大多数的WSN节点分为几个州包括孤立的,正常的,集群中心和网关。最终,孤立节点维护一个安全的邻居表存储了邻居节点信息。选择集群的集群中心是非常必要的。集群在传感器网络在很大程度上要节能。在一个广泛的术语,分为range-free定位方法和基于范围方法(9]。基于范围定位利用连接一个身份不明的节点的距离和公认的节点(锚)尽管range-free方法仅仅利用节点的连接数据。另一方面,基于范围方法是细粒度的定位方法,而range-free方法是粗粒度(10]。基于范围的方法可以分为四个主要的类,即time-difference-of-arrival(辐射源脉冲),到场时间(TOA)的着陆角度(AOA)和接收信号强度(RSS)。另一方面,range-free定位方法包括质心算法、蒙特卡罗定位、近似三角形的测试点(APTT),最近的积分方法,assumption-based协调方法,DV-HOP,无定形的方法。
激励在敌对环境中传感器节点必须活着长时间,但它是模糊的或几乎不可能增加或改变他们的电池11),这需要发明新的节能替代现有传统无线网络的一些挑战包括中间访问控制、自组织、带宽分配、安全、和路由。一些因素需要考虑延长网络的生命周期是利用收益的权衡,如电力、延迟、和准确性,加上使用层次(分层)架构。一个本地化的未知节点的位置是很重要的,因为它有助于解决更大的传感器网络路由和数据聚合等问题。由于这个原因,有必要关注定位方法在传感器网络工作12]。定位发生一次当考虑静态节点,而不间断跟踪单元节点的定位。集群是获得主管的首选方法和访问网络整体性能(13]。集群节点集保存权力和减少纠纷在网络由于节点传输信息集群头通过减少距离。因此,命令通过传播的循环促进允许本地传输(14]。对面临的困难激励传感器节点定位,本文的目的是建立一个高节能的本地化技术依赖于低能量损耗和集群结构。该方法继续保持强劲增长势头在GA处理定位精度通过集群方式本地化。此外,ECGAL先后降低整个网络能耗。
总之,总结了本文的主要贡献如下:(1)。我们利用遗传算法(GA)与节能的聚类方法在传感器网络解决定位问题。(2)的性能提出ECGAL(节能集群在遗传算法定位)进行了分析并与DV-HOP vector-hop(距离),CENTA(质心算法),EDV-HOP(进化距离vector-hop)和CGAL在遗传算法定位(集群)。(3)结果表明,我们建议的方法优于现有的定位算法对能源效率、局部距离误差,并覆盖连接。
本文的其余部分的结构如下。部分2阐述了几个与定位相关的先前的研究努力。节3的简要描述,利用遗传算法(GA),而部分4分析传感器节点定位设置和集群形成一个无线传感器网络定位的场景。部分5详细介绍了适应度函数的提议,包括能源效率的定义,距离估计,覆盖连接。部分6礼物ECGAL的绩效评估。最后,提出了研究总结和派生的结论部分7。
2。相关的工作
最近,有几个领域的算法优化用于责备WSN节点定位的缺点[15]。其中的一些现有的相关研究在本节简要讨论。
作者在16)提出了一种有效的混合仿生优化网络定位方法是适用于工业。在他们的研究,他们提出了粒子群优化算法(PSO)和蜻蜓(DA)收入轻微的计算精度和广泛的。另一方面,Kanoosh等人提出了一个节点定位设计是依赖于当前仿生算法称为樽海鞘蜂群算法(SSA)。他们的结果来衡量相似的性能优化算法,具体来说,粒子群优化(PSO),萤火虫算法(FA),灰太狼优化器(拥有),和蝴蝶优化算法(BOA)独特的无线传感器网络定位(17]。基于当前定位和监控设置,传感器节点的定位和传感器网络目标落后于技术的应用已经检查准确性的角度完美,延长WSN自然生活的协调理论,粒子滤波,range-free理论,不同的计算方法。张等人合并一个激励传感器触发算法和动态聚类过程进一步延长并行粒子滤波算法和目标监测系统(18]。作者采用了两个对象跟踪策略中使用网络主要基于集群算法已被组合在一起来执行许多功能的算法。Musafer等人受益于使用集群算法计算和检测节点在集群的集群中心报道一个事件(集群)节点根据查询,搜集的信息传递给基站(19]。
众多device-free定位方法在无线系统启动。Alippi等人提出了一种基于无线电层析成像——(RTI)定位技术成像接收到的信号强度(RSS)减少带来的廉价的目标和标准的硬件20.,21]。许等人采用device-free无线定位网络中传感器节点利用RSS差异为了找到解决问题(22,23]。王等人解释说,当一个目标是发现在传感器网络部署区域,目标会模仿的存在,散播,参与网络无线电信号(24]。定位的结果确定与几个使用RSS值(3)。张和黄执行遗传算法用于收集生态问题在WSN成功本地化的传感器节点(25]。然而,所有的坐标网格网络提供随机扰动的接收信号的质量。此外,遗传算法可以极大地获取位置信息和最小化可能错误的RSSI估计假定每一个坐标。萨基等人表现出遗传算法的实现实际上本地化WSN节点通过三坐标或多个锚(26]。
王等人的研究。27)围绕range-free定位作为一个廉价的选择相比,基于范围的方法。但是定位基于range-free经历更大的定位错误与基于范围算法。此外,Sivakumar等人提供了一个扩展的DV-HOP著名range-free方法依赖hop-proximity计算(28]。为主,增强DV-HOP算法是根据遗传算法完成的。歌等人提供的优越的精度性能仿真结果证明提出的定位算法在定位与其他定位算法的性能在29日]。Kumar讨论传感器的定位运动提供连接,促进安全、和能源消耗30.]。这需要一个简单的,动态的,适应性强的定位方法。王等人提出了一个移动传感器定位算法是独立的,有能力应对模棱两可,连接故障,网络中节点的灵活性31日]。尽管如此,计算智能(CI)拥有的品质与这样的算法。Sharma等人表明,CI方法可以在设置的不明确性和模糊性(32,33]。CI的方法,是可以改变的。这些方法可以在复合行为逻辑的情况。
3所示。GA算法的简要介绍
拟议的方法依赖于高效的聚类和强劲的全球搜索遗传算法以提高准确性和效率。随后,随后的小节介绍了GA。
3.1。遗传算法
遗传算法(GA)是来自生物行为优化领域的使用。遗传算法是一个现有metaheuristic由自然选择的进化算法的方法。假定人口规模是由说竞争对手(候选人)的可能的解决方案是由解码和编码染色体固定尺寸的二进制数字。给定的时间间隔内包含0和1位。的GA方法遵循一个特定的程序分配以及遗传算法运营商进入初始化、选择、交叉和变异。图1显示了一个示例染色体的结构。
3.1.1。初始化
首先,无数混乱的候选解决方案创建易于形成初步的人口。一般人群范围是受到自然逆境但典型由数百或更可行的解决方案。现在分散民众传统,产生叠加,完成不同的可行选项(搜索空间)。这个问题的搜索空间需要所有可能选项。就更难,选项可能会“播种”在搜索空间中提供高质量的解决方案。
3.1.2。选择
技术决策依赖于染色体的适应性能力来控制每个个体的交配过程。染色体包含结果的形状选择基因,按照一个特定的选择方法。这些染色体的更好的健身价值,被选中的概率越大。解决方案具有较高的健身更有机会复制。然而,排名后发生染色体健身价值最高的达到最合适的染色体。定义函数描述了近似的解决方案可以改变,提供最好的结果。基于可能性的价值选择、一个或多个个体繁殖产生的后代。选择的概率每个人是由 在哪里 ,的健身选择个体表示为 。染色体的选择表示一个是基于 随机数字。累积概率是定义在(2),它满足了染色体中随机选择 。
3.1.3。交叉
交叉算子对两个以前选择染色体交配产生后代,分享积极的父母双方的特点。交配选择包括两个任意分频点和沿的染色体。二进制数编码结果,周围都是一些点之间可以交换精心挑选的染色体互换。
(1)单点交叉。在单点交叉车型,两个家长可以产生一个割点和重新合并的第一个片段的原始父穿过第二个片段后来父母创建一个后代。第二个片段最初的父母然后融合之后的第一个片段父母创建另一个后代。在图2,一个随机点优先从两个父母。父母被划分在交叉点。最后,孩子们由交换尾巴。
(2)两点交叉。单点交叉和两点交叉共享许多相似免除削减点他们都创建的数量。两点交叉,创建了两个孩子,但在单点交叉,只有一个点。表示在图的观察3,有两个任意数字0和1之间的不同(染色体的长度)。基因发现两者之间任意选择数字交付从最初的父母子女和互补基因在第二家长忽视。然后空细胞的后代都是单独从第二父母充满了未使用的基因。
(3)N-Point交叉。在图4,从染色体随机交叉点选择样本,然后分散以及这些点。然后,专有部分连接,父母之间的交替。最后,有普遍性的1点(仍然有一些点偏好问题)。
3.1.4。突变
不成熟的赞成在接下来的算法避免了由于突变GA机制在GA人口带来未知的结果。任意二进制染色体的变化直接突变的过程。序列从选择、变异和交叉循环。全球最佳的完美,但是多个连续迭代之后平均个人紧密地意识到不断扩大的人口。
(1)位移突变。位移突变过程中任意选择两个基因和转置后的父母选择。图5说明了位移突变的实现。
(2)突变的转变。父染色体的选择后,两个不同的点是精心挑选1到随机定位区间跨度(染色体)和遗传因素在这两个点是走向左边的角落里,旋转。这一转变的一个插图变异呈现在图6。
3.1.5。终止
一代的过程是反复直到结束状态。具体来说,终止标准包括以下:目标函数的值达到一定的预定义值,迭代次数达到预设最大迭代,计算时间和成本的预算分配,目标函数值并不能提高内一定数量的迭代,以及各种混合终止标准以上的终止条件。
3.2。遗传算法的伪代码
GA过程简明地分析了在这一节中。首先,图7演示了GA流程图描述了循序渐进的方法提出的遗传算法。其次,显示了GA算法的伪代码1。
|
||||||||||||||||
4所示。设计对传感器网络的定位问题
4.1。本地化的描述
从接收到的信号强度(RSS)测量是相对廉价和简单的硬件来实现,被广泛应用于现实世界的本地化应用程序和也批准作为一个保存在测量在大多数研究项目。RSS在一个可靠的地方在本地化区域可以表示如下: 在哪里象征着名义传动功率 , 代表一个常数取决于系统,说明了路径损耗系数,是一个参考距离在远场天线,表示快衰落效应,表示随机衰减引起的阴影。分析了RSS是通过调整这是真正的收发两用机的距离。
锚节点的节点精确位置是可辨认的本地化过程之前。这些也可以称为节点。当一个代表锚节点的数量,一群所有的WSN节点表示为已知位置KN。因此,一个已知的节点位置用 。此外,计算未知节点位置的节点使用一个特定的定位算法。未识别的网络节点的组使用表示 :
考虑识别节点的数量。实时的要求,实际的位置定义为 原先是。让我们假设通信的半径范围 。鉴于两个激励传感器节点是由和 ,如果放置在广播的范围吗 , 直接被认为是邻居的 。只要所有的精力充沛的WSN节点具有非常相似的传播范围,相应的邻居吗 。
没有特定位置的节点定位的可能性是保守估计,因为其他未知节点也被位于在定位。估计位置,实际位置和参考位置如图8。的估计位置是由 。显然,本地化背后的基本原理是使 为 。已知的参考节点组成局部未知节点和传感器节点的过程中努力寻找一个激励传感器节点。参考节点的数组是象征 ,在哪里 。参考节点点定义一个精确的位置 。事实上,如果是锚定 ,然后 。然而,如果包含局部未知节点 ,目前 。
为代表的实际距离实际点的距离吗以及 。测量的距离通过一定的测量方法是基于错误的z,这错误是由随机使用的测量仪器。为了方便起见,后续研究通常使用随机值,而不是这个错误。我们假定, ,在哪里 是高斯函数的均值为0,方差的 。
覆盖的距离估计的位置和用(估计距离)。假设未知节点有邻居参考节点 ,在哪里 。我们可以推出以下方程 : 在哪里 是一个未知的维度来解决和 的位置是 。由于测量误差的存在距离z和估计的位置 是不可能知道的实际点(位置)广义上说。利用估计的位置 ,估计距离在这一点上表示为
因为不确定性的 ,也就是说,实际距离是不同的,和定位的目标是实现一个无限小的距离来 。最后,我们构造表示位置的问题作为 在哪里 ,使更好地理解相关的参考点接近吗 。就事实而言,覆盖的距离通信范围的一个激励传感器是一个中途循环由多路径衰落引起的,不对称的消息传递,噪音和冗余。
找到最小定位误差无法辨认的(未知的)位置点 ,估计和实际位置点的变化应该总是被认为是发现在下面的方程。
4.2。聚类模型
节点聚类过程中,最接近激励传感器被观察到在同一位置(集群),试图节约能源减少传输范围和最接近的点在激励传感器。图9显示的设置提出聚类方案。问题的关键是发现的具体位置取决于几个决定如何定位。找到更好的目标位置为特定激励传感器,传感器节点的距离计算使用(5)。我们的新方法组织良好的聚类分割整个传感器网络节点使用欧氏距离传感器节点连接成许多集群。然而,平等的集群大小必须保证在聚类的过程。考虑到一个集群,然而放置为了减少传感器节点(14),也就是说,位置点之间的欧氏距离和他们直接的中心点。因此,如果位置点与传感范围开始在部署区域中心点激励传感器组成的,那么它是覆盖。因此,一个位置点的距离和中央传感器节点在一个点应该小于或等于一个位置点之间的距离和任何激励传感器节点点 来 ,在数学上表示为 。
5。提出了ECGAL健身方法
在本节中,我们推导提出了节能的适应度函数使用遗传算法聚类和本地化。
5.1。能源效率
染色体的能力能够承受所有条件帮助它降低了能源枯竭,最大化网络系统的寿命。和多路径衰落通道描述空间仍然认为距离连接接收机和发射机的总和。假设上面的阈值大于节点距离对吗 ,然后放大的能量消耗模型假定空间,但如果大于或等于什么 ,实现多路径衰减模型。因此,所需的能量通过收音机来传达 - - - - - -一些消息在一个距离在(9)。收音机也消耗能量接受 - - - - - -一些消息了(10)。取决于因素例如调制、滤波、数字编码,并结合信号的色散,但是放大系统的能量,或 ,依赖于接收结构每行驶距离和适当的错误。被定义为电子能量所需的电子电路和 。 和是自由空间的能量放大器和多路径,分别。我们表示残余能量一旦消息是通过沟通 - - - - - -位在远处从接收机(11)。是最近的节点的能量。然后, 是发送消息所需要的能量加上接收消息时的能量消耗。
5.2。距离估计
总距离覆盖始于一个能量节点指向另一个传感器点被认为是两个相邻传感器节点之间的距离。它是表示为 。然而,距离中央集群区位节点位置应该无关紧要的为了得到更接近我们的目标相比,从集群中心到另一个节点的距离。后者是由 和前来标示 。这应该是确保有序的,这样每个节点的能量浪费在一个大型网络是最小的。这提高了集群强度和减少传感器节点参与的缺乏。对所有节点分 ,在哪里所有节点的集合,我们计算距离的总和与所有周边点 。然而,这些充满活力的相邻点可以是一个节点的位置没有位置可激活使用一个已知的节点的位置。这个距离是在(14)。
5.3。保险连接
每一个传感器网络可以被认为是一个连通的无向图用 ,在哪里由顶点组成的 表示激励节点点在WSN连同的发现边缘设置 代表激励传感器节点之间的距离。这种方法考虑了加权值取决于能源效率,距离估计,覆盖在边缘连接。此外,网络中每条边表示为具有一个有限的实数 。让一个节点的传感范围用 。让 是连接变量与激励相关的传感器节点和 。然而,所覆盖的区域吗集群中心节点,是公认的能量的总和传感器节点,然后呢传感器网络领域。
需要计算的最终适应度函数最小化下面,它构成了先前的健身小目标: 在哪里 是与边缘的距离。我们定义 , , 的重量系数附加到适应度函数以量化其贡献的每一个其他的子功能,表达的 。
6。绩效评估
我们的方法的性能评估在这一节中。设备用于评估(R)的核心(TM)是英特尔i5 - 3317 u CPU PC 6144内存,使用MATLAB完成2014。与现有方法相比,如DV-HOP(距离vector-hop), CENTA(质心算法),EDV-HOP(进化距离vector-hop)和CGAL在遗传算法定位(集群)。网络场景被认为是200年自然与现实的激励传感器节点随机部署锚节点为25%,几个未知节点、参考节点。实验参数部署在这项工作进一步提出了表1和2。
图10提供了坚实的证据得出结论,新方法执行令人印象深刻的是与其他定位算法相比在错误的位置。几乎所有的应用方法在相同的配置强劲。ECGAL轻轻滴,因为额外的锚节点的网络,提供了更多的参考点为目标节点。然而,网络是提高当有足够的锚节点因为加入未知节点与锚节点的距离变小。在我们的模拟输出,CGAL、EDV-HOP CENTA显示更少的定位错误。
在图11,假设随着传播范围的扩展,连续模拟操作的秒数增加。同时,从传播范围稳步增加评估我们的方法的性能。定位节点的能力提高,可以实现当传输斜坡的半径减少定位误差。最后,当传输范围增加,ECGAL在定位精度方面取得更好的效果。
实验结果图12显示位置误差对不同计算节点的任务数。在这一切之上,随着能量的传感器节点数量的增加,慢慢减少定位误差的算法。在所有我们的定位方法,ECGAL展示了其定位误差少点。随着节点的数量达到200,更多的参考点是发现这有助于定位节点用更少的错误。然而,如有增加能量节点,也有松弛CENTA和DV-HOP一生的因素。
图13给出了定位误差与集群的数量考虑不同的算法。集群技术提出了网络中提高能源效率。与集群数量的增加,定位误差降低了。ECGAL CGAL下降缓慢,因为当集群的数量很高,更少的节点会发现在他们的集群,这使得它更容易找到一个未知节点,从而大幅减少定位误差。然而,CENTA被执行几乎类似于EDV-HOP因为其特殊的聚类能力。网络的能量消耗水平提高了如果有一些合理数量的集群。DV-HOP,传播规模有足够的能量节点,这意味着更多的存在于每个集群节点。
图14描述了残余能量的迭代次数。节能意义在ECGAL CGAL相比,EDV-HOP CENTA, DV-HOP。所有的方法越来越多,直到80年下降迭代开始大幅下降。剩余能量的总量中发现ECGAL超过CGAL因为120次迭代后留下的能量大约是70 J。这可能由于集群的最佳选举中心和等距离的星团内和intercluster之间。在初始位置,表演CGAL和EVD-HOP是相同的。根据我们的图,能量剩余EDV-HOP和CENTA 160次迭代后55 J和50,分别。最后,残余能量的下降影响了网络的寿命,进而增加交换控制数据包的数量(开销)。
在图15时间处理算法迭代计算为200秒。产生的消息的数量信息发送到最后一点被描述为数据包的总成功率。最后,ECGAL性能更好的收敛速率是最好CGAL相比,EDV-HOP CENTA, DV-HOP。很明显,ECGAL证明了它的成功在运输大约90%到最终目的地的信息。增加数量的迭代,CGAL和EDV-HOP CENTA和DV-HOP相比显示出更好的执行。的性能输出CENTA和DV-HOP几乎相似。
图16显示网络的生命周期。CGAL和拟议的技术从根本上提高网络的生命EDV-HOP相比,CENTA, DV-HOP技术。现场节点评估通过增加迭代次数为200。网络的激励传感器节点的能量消耗经过几次迭代。当迭代的数量达到180,而CGAL 50个活跃节点,ECGAL 60活跃节点。同时,EDV-HOP CENTA只有大约40和25活跃节点,分别。的活跃节点图中表明,我们的方法与其他方法相比更长的寿命。的开发节能集群基于遗传算法的定位方法,ECGAL显示更好的输出比CGAL EDV-HOP CENTA和DV-HOP算法。
在图17,连接节点的影响进行了研究,通过分析对网络节点的覆盖率相关盯着从10到70年。在我们的实验中,200个激励传感器占领200到200年部署区域。与连接节点,ECGAL定位覆盖率,CGAL, EDV-HOP, CENTA, DV-HOP也增加。当阅读水平轴达到50个连接节点,网络覆盖仍然增加ECGAL和CGAL。当覆盖位置指示器积累70酒吧、节点到节点的强度关系仍然是高EDV-HOP, CENTA, DV-HOP。相邻激励传感器的认股权证具有成本效益和质量的密度已知和未知节点点之间的联系。一般来说,我们的改进定位方法优于现有的其他方法的准确性。
7所示。结论
拟议的终极ECGAL方法定位问题显示了重要的结果使用后,它证明了节能集群基于遗传算法定位接近节点需要识别和后保证最小位置误差与DV-HOP匹配时,CENTA EDV-HOP, CGAL。ECGAL由于其高效能源集群策略要好。事实上,我们改进的方法更好的本地化改造我们的解决方案快速检测无法辨认的传感器节点的位置。然而,节点与已知位置点是随机分散在WSN的一个精确的能量节点随机部署。出于这个原因,协助定位任何未知的锚节点传感器虽然反过来也是正确的,因此过度导致unlocalized多个节点相邻的已知点。总之,我们可以承认该ECGAL执行有效地与其他方法与研究时真正的位置点和最小错误的位置。
数据可用性
使用的数据来支持本研究的发现可以从以下链接访问:https://www.researchgate.net/publication/349836503_ECGAL。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了国家重点研发项目中国没有。2018 yfc0407101)和中央大学基础研究基金(没有。2019 b22314)。