文摘

聚类的无线传感器网络(网络)是主要问题,决定了网络的生命周期。为集群应该适当选择的参数形成集群根据应用程序的需要。一些著名的集群技术在传感器网络设计只有降低网络的整体能耗,提高网络的生命周期。这些算法实现增加寿命,但在重载单个传感器节点的成本。网络中的节点间的负载平衡也同样重要的是在实现增长。第一个节点死亡(曾经),一半的节点死亡(合格),和最后一个节点死亡(LND)的不同指标分析网络的生命周期。在本文中,一种新的聚类算法,基于遗传算法的节能集群层次结构(GAECH)算法,提出了增加曾经,每日早晚,LND小说适应度函数。GAECH形式平衡集群的适应度函数考虑集群的核心参数,再次增加稳定时期和网络的生命周期。实验结果也标明GAECH的更好的性能比其他算法在所有必要的方面。

1。介绍

微机电系统(MEMS)的迅速发展导致了发展的微型传感器节点(1]。无线传感器网络(WSN)是这些小的互连在大量传感器节点。传感器网络在环境监测中发挥着至关重要的作用,交通监测、防灾和国家边境监控(1]。单个传感器节点生成数据通过感知环境并将其发送到中央基站(BS)。每个节点是内置电池,这些电池是不能充电。交流活动进行在传感器节点将消耗更多的能量比它的传感和计算活动(2]。如果一个节点的电池能量耗尽,节点成为无用的,叫做死亡节点。

所有生成的传感器节点可以直接传输数据到b,但这将导致更多的能源消费,影响了网络的生命周期3]。降低网络的整体能耗,附近的节点或节点拥有相同的特征组合在一起形成集群。集群头(CH)将选出在集群节点管理活动。CHs的职责是收集数据从他们的成员节点,聚合所收集的数据,传送BS的聚合数据。但CH节点不会参与其他节点传感等活动。相比之下,成员节点(non-CH),通常CH节点必须花更多的精力,因为数据接收,聚合和传播BS (4]。等各种聚类算法基础上详细讨论了(5]。

就像在早些时候6,7)把更多注意力集中在有效的数据收集机制的基础上,而不是在聚类的过程。但是后来,集群机制发生在分布式的方式被证明是更适合传感器网络(8]。进一步改善,减少了通信距离聚类框架内获得的关注(9]。减少内部和intercluster通信在集群架构聚集注意力(10随着分布式聚类方法)。而不是形成动态集群、固定网格结构也使用,但这是另一种形式的集群架构(11]。

在大多数现有的聚类算法,网络的整体能耗降低,但付出的代价在传感器节点能耗不均。在某些情况下,当我们试图平衡节点之间的能量了,总体能耗可能会上升。各种计算智能技术应用于提高网络生命周期(12]。为了整体能源消耗之间的平衡和能量平衡的网络,一种新的聚类算法,基于遗传算法的节能集群层次结构(GAECH),本文提出了。尽管许多聚类算法使用遗传方法(13,14)提出,这些协议不能增加网络的稳定时期。期到第一个节点死亡(曾经)网络称为稳定时期。曾经是一个重要的参数来决定网络的可靠性。GAECH达到增加寿命和稳定性的基础上使用增强的适应度函数。

本文组织如下。部分2使一个简短的调查的一些聚类算法有其利弊。部分3描述了基本遗传算法中使用术语。部分4论述了提出GAECH算法以其健身参数。部分5处理各种聚类算法的仿真设置环境和部分6讨论了实验的结果。

2。相关工作

利奇(15)是先锋集群协议基础上。它形成集群在一个分布式的方式。设置和稳态是浸出的两个阶段。首先,在设置阶段,每个节点决定自己是CH。这个决定是受到各种因素的影响像次数当选的头,当前轮和允许网络中CHs的百分比。然后,节点之间的CH当选节点做广告。附近其他non-CH节点加入当选CH计算基于接收信号强度指示(RSSI)。紧随其后,TDMA调度为新成立的集群的创建各自的头。在稳态阶段,数据产生的成员节点转发到CHs的规定时间。概率的CHs导致选举的选举方式noneligible CHs的成本最后整个网络的生命周期。

在注意16)协议,传感器节点的剩余能量是最重要的参数CHs的随机选择。邻居节点度或平均距离是用来总结CH当有两个传感器节点之间的联系。注意提供更好的性能比LEACH CH选举期间由于其能量水平考虑。

GCA [17),遗传聚类算法,通过两个参数达到增加寿命。第一个参数是总传输距离在一个集群中。计算总传输通过添加个别成员节点的距离CH。第二个参数是网络中CHs的总数。因为CH节点花费更多的能量比其他成员节点,减少CHs的数量将大大提高网络的生命周期。方程(1甘氨胆酸的)显示了适应度函数。”“在(1)重量值的设置是基于应用程序要求: EAERP [18)是另一个集中的进化计算算法基础上。EAERP的适应度函数是指(2)。在集群的形成阶段,人口普查的初步评估与给定的适应度函数,直到终止条件。在协会的阶段,最好的表型是用于选择CH节点和集群形式。适应度函数包括两个星团内和intercluster通信能量: 在哪里代表了传播能量从一个节点到另一个,是接收能量,是聚合能量。””表示个人的解决方案,和“数控”是集群的数量。在所有现有的基于遗传聚类,它们之间有一个共同的目的。他们实现整体网络,提高网络的生命周期。网络的稳定时期是不考虑。这背后的主要原因如下:能耗不均(我)CH的名称是不正确的节点之间的旋转。(2)一些集群网络中容纳更多的节点数量,导致节点能耗不均在CH但总体能源消耗可能会减少。(3)CH节点不恰当地分布在网络。在该算法GAECH,适应度函数的设计以这样一种方式,上述因素被认为是在一个集群的形成和选举CH。

3所示。遗传算法的概述

遗传算法(GA)是一种metaheuristic优化技术,产生许多工程领域的丰硕成果。它是结构化的随机搜索技术,主要是基于以下三个遗传算子选择,交叉,和突变(19,20.]。让我们看一看遗传算法。

染色体。最初的问题的可能的解决方案被称为染色体。所有染色体都应该有相同的长度和其中的元素被称为基因或等位基因。

适应度函数。适应度函数是用来评估染色体健身价值和更高价值的染色体比其他人会产生更多的后代。在这里,在这篇文章中,健身价值是各种参数在给定的比例的总和。

选择。这是基本遗传算子值较高的繁殖染色体给下一代。各种选择技术,像轮盘赌,稳态,精英主义。根据应用程序的要求,可以使用任何一个选择技术。

交叉。交叉选择两个父染色体,使它们彼此交换遗传信息的一部分,产生下一代染色体: 。

突变。后交叉,变异算子应用于染色体。它可以防止过早收敛的GA方法。它是用来搜索解决方案从一个全新的地方,而不是寻找当前更好的: 。与选择和交叉算子相比,突变是使用更少的可能性,因为它可能彻底改变一个特定的健身价值的解决方案(19]。先进的遗传算子没有参与该算法,因为它可能会增加算法的复杂性。基本的遗传算子选择、交叉,突变只是用于GAECH。

4所示。GAECH算法

在GAECH,适应度函数是增强相比以前的算法。适应度函数的参数包括旨在形成更加平衡集群和降低总体能耗。与早期的算法不同,适应度函数是由四个组件;他们是(我)针对单一数据收集,能源消费总量(2)标准差在集群之间的能源消耗,(3)CH分散,(iv)CHs能源消耗。

4.1。能源消费总量为单一的数据收集

所有现有的算法的总体目的是减少网络中能源消耗。所以它被直接计算染色体的适应度函数。能源消费总量是星团内的总和和intercluster能源消耗。星团内的能量是 intercluster能量 能源消费总量 代表了能源消费th节点对应的CH节点,是接收能量花在CH,由于能源消耗数据聚合在CH (3)。是传输能量th CH BS如(4)。””和“”分别代表集群成员和簇头(3)和(4)。方程(5)说明了总能量每一轮沟通。

4.2。标准差在集群之间的能源消耗

在大多数现有的算法,总体能源减少,但即使是集群中能源消耗并没有达到。整体能源减少可能影响一个或多个单独集群与更高的能源成本。它会导致某些网络中节点的过早死亡,它减少了网络的整体稳定性。标准差(SD)是一个度量衡量偏差之间的能源消耗现有的集群网络中。较小的SD值(7)代表最稳定的网络。方程(6)说明了计算值:

4.3。CH分散

CHs是可取的,因为它可以减少之间的距离intercluster干扰。CH的适当的分布也保证了良好的连通性和共享网络中的传输负载: 任何对CH之间的最小距离是在(8),它代表了多少CH节点分散在网络领域。””是所有CH集群在当前节点的集合设置。

4.4。CH能源消耗

与non-CH节点相比,CH节点将花费更多的能量为他们的活动。此外,他们必须处于唤醒状态总是接收的数据成员。同时,他们必须聚合数据并将其发送到b节点: 方程(9)代表总能量消耗的总和所有CH节点在当前集群设置和(10)代表个人的能源消耗CH节点。

GAECH由的适应度函数 常系数””、“”、“”和“每个参数的单个重量值。重量值可能不同的在不同条件下,基于应用程序的要求。

GAECH工作分为两个阶段,簇形成阶段和数据收集阶段。

集群的形成阶段。和其他网络聚类算法在集群形成阶段,GAECH算法运行在所有的集中式BS网络中节点的位置信息。随机初始种群的遗传算子应用到终止条件。最后,最适合的人群中染色体代表了新的集群架构。染色体中的值“1”代表CH指定节点和“0”是集群成员指定的节点。这些新选中的CH和CM节点将直接威胁的废话。

数据收集阶段。在数据收集阶段,CH节点将生成TDMA调度为其成员。成员节点必须报告它的数据对应的CH只有在规定时间段。在其他时间段,可能进入睡眠状态,但CH节点将始终处于唤醒状态从其成员为了获得数据。节点将接收到的数据成员聚集在CH和发送到b在每个通信。

算法1说明了GAECH算法。精英主义的遗传算子将在上一代染色体复制最适合没有任何变化。单点交叉意味着只会随机选择一个点在父染色体,染色体分为两个子字符串。这些子父染色体的结合形成了新的染色体。

5。实验装置

所有现有的算法LEACH, GCA和EAERP算法GAECH在MATLAB中实现。20个不同的网络拓扑中的所有算法进行测试,以确保适当的结果。由于b的位置是有相当大的对能源消费的影响,测试算法在三个不同的场景。三个不同的场景不同的BS的位置。在场景1,BS位于中间的网络场景2在一个角落的网络BS,场景3BS以外的网络。数据1,2,3分别显示了三种情况。

蓝色的点数据1,2,3代表了传感器节点和红点代表了BS。传输能量和接收能量方程是一样的(15] 和表示发射和接受的能量。””表示传输的比特数;”“是电子能量节点活动。””是指在自由空间和“能量耗散在多路径传播”是能量耗散。””表示两个节点之间的距离和“”是距离阈值来确定是否自由空间传播模型或多路径传播。上述表中提到的参数值1。

在10个不同的网络拓扑的实验分析,发现CH的百分比介于5和10给网络中的最优节能。CHs的百分比小于5时,它会导致过多的能源消耗的CH由于更多数量的集群成员。在另一起案件中,当CHs的数量大于10,形成集群活动,如CH选举广播,要求成员和批准CH本身,导致更高的能源消耗之间的节点。在图4,焦耳的整体能源消耗在网络显示不同数量的CHs。在GAECH,生成初始随机人口5到10 CHs。簇头节点由“1”和成员节点是由“0”和死的传感器节点是由一些“−1。”

选择技术用于GCA、EAERP GAECH是精英主义。交叉率是和变异率。最初随机选择人口20染色体遗传算法运行20代。自代的数量是固定的,GAECH的收敛速度是相同的所有运行。重量”甘氨胆酸”用于设置为0.5和GAECH“的重量值“= 0.5,“= 0.30,”= 0.1,“”= 0.1。这些重量值已被选定,因为他们比其他组合给出更好的结果。的高价值”“可能降低整体能源减少网络但很快导致第一个节点死亡(曾经)。每个系数值代表的重要性级别组件在适应度函数。

6。仿真结果

100年各种网络配置,传感器节点随机部署在100×100米场区域。在这些配置,三个不同的场景基于BS的位置和相应的验证结果进行了较为详细的试验研究。一生所有的四个算法进行测试和评估。死节点的比例以及相应的通信轮显示在表中2,3,4。

6.1。场景1

在这个场景中,BS位于中间的网络,也就是说, 和坐标。考虑曾经指标,GAECH显示改善网络比EAERP一生6.92%,14.64%甘氨胆酸比,14.70%比浸出。每日早晚,GAECH比EAERP高出5.75%,比GCA高12.5%,比LEACH高出13.4%。比EAERP GAECH执行5%,12%甘氨胆酸比,13%比LEACH LND。图5显示死亡人数的分布节点与通信轮。表2显示沟通轮在每次的数量10%的死亡节点详细的见解。

6.2。场景2

自从BS位于角落的网络,对于一些CH通信距离减少但其他遥远的CHs可能会增加。曾经指标,GAECH比EAERP 9.52%, 13.44%甘氨胆酸比,12.18%比LEACH增加网络的生命周期。当每日早晚使用,GAECH比EAERP 6.67%, 10.64%甘氨胆酸比,10.12%比浸出。比EAERP GAECH显示,6.8%更高的性能,甘氨胆酸的性能高于10.56%,性能比LEACH LND高出10%。图6显示死亡人数的分布节点与通信轮。表3显示沟通轮在每次的数量10%的死亡节点详细的见解。

6.3。场景3

与其他两个场景相比,自BS坐落在网络之外,沟通轮的数量会相对较低。曾经,GAECH显示EAERP相比,网络寿命提高12.03%,甘氨胆酸20.70%,21.11%与LEACH相比。每日早晚,GAECH比EAERP 7.32%, 13.27%甘氨胆酸比,15.87%比浸出。GAECH执行EAERP高出7.78%,比GCA高13.11%,比LEACH LND指标高出15.50%。图7显示死亡人数的分布节点与通信轮。表4显示沟通轮在每次的数量10%的死亡节点详细的见解。

图8描述了稳定的时期,曾经发生在浸出,GCA, EAERP,和GAECH算法在所有三个场景,分别。由于稳定时期是决定网络的可靠性的一个重要指标,分别显示在图8。在最好的情况下,GAECH取得高285数字通信比浸在场景1轮,比GCA在场景2中,263发子弹,370枚炮弹比场景3中浸出。

图9显示为一个通信网络的平均能量。LEACH发现是消耗更多的能量比其他人由于随机和CH的可能的选举方式比其他算法。甘氨胆酸的其他基于遗传聚类算法和EAERP显示减少能源消耗比LEACH但集群之间的不平等的能源消费仍然是影响他们的表现。GAECH达到减少能源消耗比其他两个遗传算法通过适当的能量平衡负载在每个集群。

图10显示了CH节点的平均能量消耗。由于集群之间的不平衡负载,浸出,GCA和EAERP CHs有更高的能源消耗。GAECH正确平衡能耗CHs通过其小说中适应度函数和相对较少的平均能耗比其他算法相比在CH。

7所示。结论和未来的工作

传感器网络的生命周期的增加达到平衡的意义上使用该算法GAECH。实验结果表明,GAECH执行比其他同行像GCA, EAERP,在三种不同的网络场景中浸出。时提高性能是不同的BS位于远离网络,实际上是可能在大多数实时应用程序。最好的情况下,GAECH显示,21.11%增加寿命比其同行时,BS位于外部的网络。也发现GAECH被平衡能耗节约能源的集群。取决于应用程序的需求,不同的重量系数中提到GAECH可以改变的适应度函数来获得更好的结果。未来的研究方向将是在使用其他参数节点度和残余能量节点的适应度函数。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

作者感谢要大学管理其不断向研究动机。