一生优化算法限制数据传输延迟和啤酒花为移动Sink-Based无线传感器网络

文摘

提高移动sink-based无线传感器网络的生命周期,考虑到数据传输延迟和啤酒花是有限的在实际系统中,一生优化算法限制数据传输延迟和啤酒花(LOA_DH)移动sink-based提出了无线传感器网络。在LOA_DH,一些约束进行了分析,提出了一种优化模型。最大容量路径路由算法用来计算沟通的能源消耗。改进遗传算法修改个人满足所有约束用于解决优化模型。水槽节点的最优解的逗留网格中心和逗留时间,最大化网络的生命周期。仿真结果表明,在三个节点分布场景,LOA_DH可以找到水槽节点的移动解决方案涵盖所有传感器节点。与MCP_RAND相比,MCP_GMRE EASR,解决方案可以提高网络的生命周期,减少平均数量的节点丢弃数据和节点的平均能量消耗。

1。介绍

无线传感器网络(网络)通常由传感器节点和节点。传感器节点分布在空间和独立用于协同监控物理和环境条件,如温度、声音、振动、压力、和运动。水槽节点用于收集、处理和发送数据的传感器节点。网络被应用到日常生活的许多方面,如建筑结构健康监测、远程医疗诊断、精确农业、家庭自动化、智能电网、智能交通。简而言之,网络有很大的应用价值和市场价值。

在网络,传感器节点是由电池供电,不能更新或指控在大多数应用程序(1]。因此,为了实现更长的网络寿命,传感器节点必须调整自己的认知,以节能方式处理,沟通,和其他活动,充分利用电池能量(2]。但在静态网络,传感器节点的位置是固定的,和敌手默认通信方式是多对一的沟通模式。无论如何调整算法,总是会有以下问题:传感器节点靠近水槽节点转发数据的其他传感器节点,快速消耗能量,过早地失败。这个问题经常被视为无线通信的热点问题或水槽节点的漏洞问题3]。为了解决这个问题,介绍了汇聚节点的运动。水槽节点可以平衡的运动能量消耗在传感器节点和连接分离的区域网络。

优化算法研究的网络寿命mWSNs(移动sink-based无线传感器网络),取得了一些成绩。一些学者认为单跳或多次反射数据收集、选择现有的数据收集算法,并专注于发现水槽节点的运动路径优化网络的生命周期。例如,[4)提出了碾压混凝土(范围约束聚类算法)。根据传感器节点之间的距离,几个圈覆盖所有传感器节点。每个圆的半径不超过最大通信距离和圆是集群的中心的中心。协和解算器是用来计算最短路径遍历所有中心的集群,和汇聚节点的运动路径。文献[5]提出ODT(最优deadline-based轨迹算法)。考虑deadline-based和以事件为中心的应用程序,决策树,建立了混合整数规划模型,MOSEK优化方案是用于解决模型获得节能运动路径。文献[6]提出EASR(节能意识下沉定位算法)。EASR选择最大容量路径算法(MCP)路由算法来收集数据。当两个搬迁条件得到满足,水槽节点开始查找下一个逗留位置与最大重量和移动。文献[7]提出WRP(加权对接规划算法)。根据啤酒花的RP(会合点)和子节点的数量,WRP计算所有传感器节点的权重,选择一些传感器节点与大重量RP点,并使用TSP算法获得水槽节点的最短路径遍历所有会合点。

一些学者认为水槽节点的运动路径,专注于研究网络生命周期优化算法在通信协议层,如数据链路层、网络层、跨层。例如,[8)提出了一个数学推导方法,可以获得最佳的数据吞吐量和最大网络一生当水槽节点移动到一些石头剪刀。文献[9)提出了一个优化模型,认为网络生命周期优化问题收集数据在几个关键的位置,不考虑移动汇聚节点的数据收集。通过拉格朗日分解算法,优化模型可分为2子,可解决分别获得最优解。

一些学者研究了水槽节点的路径选择和网络生命周期优化算法在同一时间。例如,[10]提出GMRE(贪婪的最大残余能量算法),考虑到汇聚节点的初始位置等因素,数据收集路由和逗留时间建立混合整数线性规划模型。当剩余能量的传感器节点周围的邻居位置大于剩余能量传感器节点的当前位置,水池节点移动到邻居位置收集数据。参考文献(11,12)使用数据公式表示的约束,如水槽节点的运动能耗的节点不超过初始能量,和数量的接受和感知数据的发送数据量。然后建立了优化模型,最优解商业软件和割平面算法。文献[13]认为篱笆分布的传感器节点和监控区域分为9个分区。在每个分区中,能源消耗计算每个位置的曼哈顿路由、位置和最大的能源消耗是逗留水槽节点的位置。

在[4,5,7- - - - - -9,11- - - - - -13),算法需要收集和分析所有传感器节点的信息。在[6,10),算法只收集和分析邻居传感器节点的局部信息。因此,算法的计算时间4,5,7- - - - - -9,11- - - - - -13)比算法的计算时间长(6,10)在同等条件下,但算法(4,5,7- - - - - -9,11- - - - - -13)更适合于非均匀分布的传感器节点。此外,(4- - - - - -13)不考虑有限的数据传输延迟或跳同时,他们假设传感器节点的数据存储容量是无限的。考虑到实际的网络系统,有三种情况。首先,大型数据传输跳容易导致一些传感器节点的包丢失,甚至不能实现他们与汇聚节点通信;因此,数据传输跳不能大。其次,传感器节点的硬件成本是有限的,和它的数据存储容量也是有限的。第三,由于数据存储能力有限,长期数据传输延迟将导致大量的废弃的数据。与此同时,在某些应用程序中,如危险的环境监测和灾害监测、长数据传输延迟让感觉到数据价值。因此,数据传输延迟不应太长。根据有限的数据传输延迟、啤酒花、存储容量mWSNs并考虑一些学者的观点,生命周期优化算法限制数据传输延迟和啤酒花(LOA_DH) mWSNs提出。根据上述三种情况下,LOA_DH提取约束,如数据传输时间约束、节点覆盖约束,数据传输约束,能源约束、约束和网格选择和建立网络生命周期的优化模型。 When the model is further processed, MCP algorithm and improved genetic algorithm are used to solve the optimization model. The scheme of sojourn grid centers and sojourn times for sink node can be obtained to maximize network lifetime. Data of sensor nodes are collected by sink node along the calculated optimal movement path. LOA_DH can fully cover sensor nodes, improve network lifetime, reduce average amount of node discarded data and average energy consumption of nodes, and guide other optimization methods based on the optimal solution.

剩下的纸是组织如下。节2、约束建立和优化模型。模型的解决方案。节3,提出了算法实现和LOA_DH时间复杂度进行了分析。节4,并给出了仿真结果。节5,本文总结道。

2。算法原理

在LOA_DH,假设(1)单水槽节点被认为是;如果有一些水槽节点,监测区域分为相同数量的分区;然后一生多个水槽节点的优化问题转化为一些终身单水槽节点的优化问题;(2)监控区域可以划分为若干个网格;水槽节点可以呆在任何网格中心收集数据;(3)传感器节点和汇聚节点配备GPS或北斗卫星定位模块来得到自己的位置;(4)最大数据传输跳数不能无限,是一个常数;即传感器节点感知数据每间隔;如果他们都在k啤酒花水槽节点的通信范围,他们通过父节点将数据发送给汇聚节点;否则,他们处于睡眠状态,定期醒来感觉数据和存储数据;(5)在静止或移动汇聚节点收集数据;水槽节点的移动数据收集过程是由几个静态数据收集过程在逗留网格中心一段时间;(6)网络数据传输延迟定义为水槽节点的逗留时间和逗留网格中心当沿着路径移动一次;延迟不能无限;它是一个常数;这意味着,当水槽节点沿着路径移动一次,逗留时间的总和在逗留网格中心汇聚节点定义不应超过最大数据传输延迟;(7)传感器节点的存储容量是肯定的;当nontransmitted感知数据的总量超过最大存储容量,传感器节点丢弃去年感觉到古老的感知数据和存储数据;(8)所有节点的能量是有限的,一个统一的能源消费模式,但能源的水槽节点可以更换;(9)传感器节点是固定和同构,这意味着,所有的传感器节点有相同的性能。

作为显示在图1、空心圆圈代表传感器节点。黄色正方形代表不呆在网格中心汇聚节点。红场是逗留网格中心呆在水槽节点。水槽节点周期性沿着移动路径计算LOA_DH并保持在逗留网格中心收集数据与不同的逗留时间,直到一个传感器节点能量耗尽。但LOA_DH仍然需要解决以下两个问题。首先,需要数学公式表示的约束,如数据传输时间约束、节点覆盖约束,数据传输约束,能源约束,网格选择约束。优化模型是必需的。其次,每个人需要满足所有约束。遗传算法需要改进;并得到最优解。

2.1。约束条件分析

mWSNs,考虑数据传输延迟、数据传输啤酒花、存储容量、节点能量,和水槽节点的移动速度是有限的,数据传输延迟约束、节点覆盖约束,数据传输约束、能源约束,和网格选择约束,分别提取出来。约束如下。

2.1.1。数据传输延迟的约束

数据传输延迟不应太长;因此,寄居的和次水槽节点沿着路径移动一次不应超过定义的最大数据传输延迟。 在哪里代表在逗留网格中心水槽节点的逗留时间p;表示定义最大数据传输延迟。移动汇聚节点的数据收集过程包括静态数据收集过程当水槽节点呆在几个逗留网格中心一段时间;因此,在网格中心水槽节点的逗留时间不应小于相邻网格之间的运动水槽节点的中心。 在哪里代表网格中心的距离下逗留的邻居网格中心。

2.1.2。节点覆盖约束

当水槽节点保持在网格中心,它收集数据的传感器节点传输啤酒花水槽节点不超过定义的阈值。坏的水槽节点的运动路径可能导致一些传感器节点与汇聚节点通信。这些节点被称为孤立节点。因此,有必要分析节点覆盖约束和消除孤立节点。

代表了传感器节点的位置坐标。代表逗留当前水槽节点的位置坐标。代表了距离传感器节点逗留的位置的水槽节点。代表了距离传感器节点邻居传感器节点。的计算公式和如下: 在哪里代表了所有邻居传感器节点单跳通信范围内的传感器节点。

当水槽节点保持在网格中心p数据传输,每个传感器节点和汇聚节点之间的跳 在哪里从传感器节点代表最小传输啤酒花水槽节点。代表最大通信距离的传感器节点, 判断公式(6)法官是否传感器节点是在啤酒花水槽节点的通信范围。 在哪里代表的最大数据传输跳水槽节点。代表国家的象征。如果、传感器节点是在啤酒花水槽节点的通信范围。否则,传感器节点不在范围内。

在数据收集过程中,所有需要传感器节点与汇聚节点通信,将数据发送给汇聚节点。没有单独的节点;因此,节点覆盖约束

2.1.3。数据传输约束

在一个实际系统的网络,传感器节点保持传感数据的时候。如果一个传感器节点汇聚节点的数据收集范围,感觉到数据应该放入内存。当需要存储的数据超过最大存储容量,取代了古老的最新数据数据。因此,当水槽节点保持在网格中心传感器节点的数据传输约束 在哪里代表最大的传输数据量的传感器节点当水槽节点保持网格中心。代表感应的传感器节点。代表其余的存储数据量的传感器节点之前在网格中心汇聚节点开始收集数据。

当水槽节点在网格中心收集的数据,剩下的数量存储数据的传感器节点是 在哪里代表最大的传感器节点的存储容量。

2.1.4。节点能量约束

水槽节点周期性收集数据以及所选路径,直到一个传感器节点的能量耗尽,节点和能源消耗不应超过初始能量。因此节点能量约束 在哪里代表了网络的生命周期,代表的传感器节点初始能量,代表了传感器节点的能量消耗在单位时间当在网格中心汇聚节点收集数据。采用相关数据路由算法。

2.1.5节讨论。网格选择约束

汇聚节点收集数据完成后初始位置,它发现和移动到下一个邻居网格中心收集数据。水槽节点搜索、移动和保持,直到数据传输延迟约束并不满意。因此,矢量水槽节点穿过的网格中心,在那里代表网格中心的数量,穿过水槽节点。数据采集时的位置完成后,水槽节点转身和收集数据的反方向运动的路径。因此,这个公式来判断两个相邻网格中心如下: 在哪里是一个象征,代表是否网格中心和是邻居中心。如果、网格中心和是邻居中心。因此,网格选择约束可以表示如下:

2.2。建立优化模型

水槽节点的移动数据收集过程可以分为几个静态数据收集过程逗留网格中心的逗留时间。因此,基于LOA_DH约束和假设的分析,优化问题的网络寿命有限的数据传输延迟和啤酒花可以转化为图的网络模型2。代表传感器节点。根据传感器节点的能量消耗,一生的传感器节点是

网络生命周期

根据网络结构如图2优化模型的网络寿命有限的数据传输延迟和啤酒花

2.3。优化模型的解决方案

遗传算法是模拟生物进化过程的搜索算法基于人口。它能找到最大数量的不相交的完全覆盖,从而有效地搜索解决方案和减少计算时间14]。因此,选择遗传算法解决优化模型(15)。但传统遗传算法不适合解决,需要进一步改善。然后改进遗传算法用于解决优化模型(15)。改进的遗传算法中,一个人由网格中心和逗留时间,这意味着个人

代表个体的数量,代表的迭代次数,代表交叉网格中心位置的概率,代表交叉概率的逗留时间,代表个人变异概率,代表了基因突变的概率。选为适应度函数,实现步骤如下。

步骤1(迭代数,当前个人参数初始化,如)。 个人与传感器节点初始化的全覆盖。具体实施方法如下。首先,网格中心是随机选择初始位置,和一个邻居网格中心也随机选择下一个寄居的位置。当选择网格中心的数量超过阈值或所有邻居网格中心选为逗留的地方,选择结束和运动路径。接下来,是否符合约束的运动路径(7)的模型(15)进行了分析。如果运动路径约束(不匹配7)的模型(15),孤立的节点存在。网格中心覆盖最孤立的节点是发现和添加一些没有网格中心的运动路径按照约束(12)和增加应该的最短路径长度。当运动路径的长度大于阈值,等于阈值的第一部分路径选择和判断是否覆盖所有传感器节点。最后,如果路径不匹配约束(7)的模型(15),该算法放弃的道路,开始搜索一个新的路径。否则,根据选定的运动路径,获得一个单独的向量,逗留时间的总和在随机生成的网格中心逗留不超过最大数据传输延迟。重复上面的操作,个人获得和每个人完全覆盖所有传感器节点。

步骤2 ()。根据个人,MCP数据路由算法(6]是用来计算目标函数(14)和获得所有人的健康。这意味着,水池节点保持在网格中心时间并使用MCP收集数据的传感器节点通信范围。当水槽节点移动到下一个网格中心,每个传感器节点使用公式(9)来更新自己的剩余数量的存储数据。重复上述操作,直到水槽节点完成一轮沿着网格中心的个人数据收集,公式(14)是用来计算网络的生命周期。显然,计算方法符合公式(10)。

步骤3(选择)。选择最优个体从当前人口(最大健身)作为一个个体的下一代。

步骤4(交叉)。根据基于健身比例选择策略,选择一个人从当前人口和交叉与当前最优个体形成一个新的个体。也就是说,最小基因长度两个人计算,和。然后下面的重复操作次获得一个新的个人:0和1之间的一个随机数生成;当随机数小于交叉参数、网格中心的位置th基因在当前最优个体被选中;否则,网格的中心位置th基因在另一个人选择;花药0到1之间的随机数生成;当随机数小于交叉参数,逗留时间th基因在当前最优个体被选中;否则,逗留时间th基因在另一个人选择;。

第五步(突变)。生成一个随机数在0和1之间。如果随机数比突变概率大个人,去一步。否则,长度和个人价值根据步骤计算。以下操作重复次获得突变个体:0和1之间的一个随机数生成;当随机数小于变异概率的基因,一个新的基因生成来代替th基因的个体;。

步骤6。个人校正方法是用来制造个人满足约束(1),(2),(7)和(12)尽可能。如果个人不满足约束(1),(2),(7)和(12),个人放弃了。具体方法是,如图3。(1)当个人违反约束(12),复制网格中心搜索和删除,TSP算法用来计算路径向量遍历所有网格中心的个人。如果两个相邻元素之间的距离在当前路径矢量大于距离之间的两个相邻网格中心,几个区间网格中心是必要的。网格中心,让水槽节点之间的最短路径选择和添加两个相邻元素,和最初的逗留时间每个选定的网格中心添加到获得一个新的个体。例如,根据网格划分图1,如图3(一个)、基因删除重复的网格中心和个人与TSP算法重新安排。如图3 (b),不是邻居网格的中心;然后两个基因被发现,添加到个人。(2)当新的个人违反约束(7),孤立节点和网格搜索中心添加增加运动距离是最短的。如果运动路径的距离大于阈值时,路径的第一部分等于阈值选择和判断是否覆盖所有传感器节点。如果孤立节点的退出,个人将被放弃,去一步;如果不是这样,最初的逗留时间每一个新的网格中心补充道。例如,根据网格划分图1,如果个人包括运动路径7-12-13-14-9-8网格21有孤立节点,然后发现网格17消除孤立节点,添加和网格18满足约束(12)。新的运动路径是7-12-17-18-13-14-9-8。如果运动路径的长度超过阈值(如6),第一部分7-12-17-18-13-14的路径选择。如果第一部分涵盖所有传感器节点,逗留时间添加和其他新的个人,个人放弃了去一步。(3)当一个新基因违反约束的逗留时间(2),逗留时间修改;如果和逗留时间的新的个人违反约束(1),所有逗留时间适应;。

步骤7。如果小于,回到步骤。如果小于,回到步骤。否则,最优网格中心逗留和逗留时间的水槽节点最大网络的生命周期。解决方案流程完成。

3所示。算法实现

作为显示在图4当网络开始,LOA_DH使用下面的步骤来搜索路径和收集数据。

步骤1。水槽节点广播信息查询方案。等待一段时间后,它接收所有传感器节点的位置信息,并增加了传感器节点的信息表。

步骤2。水槽节点初始化所有参数和随机生成个人的满足约束(1),(2),(7)和(12)。

步骤3 ()。水槽节点使用MCP路由算法来计算中的传感器节点的能量消耗啤酒花沟通每个逗留网格中心的运动路径和计算节点生命周期和网络的生命周期。

步骤4。水槽节点执行选择、交叉和变异操作。个人的最优选择健身交叉,形成一个新的个体,它可能发生变异。

第5步。水槽节点修改新的个人满足约束(1),(2),(7)和(12),。如果小于请转到步骤。否则,如果小于请转到步骤。

步骤6。水槽节点广播路由信息包装和移动和收集数据根据所选择的运动路径和逗留时间。

步骤7。传感器节点监测包路由信息。根据不同的水槽节点的路由信息的包和邻居传感器节点,传感器节点选择数据传输状态或睡眠状态。如果传感器节点在数据通信范围的水槽节点,它选择父节点将数据发送给汇聚节点。否则,传感器节点处于睡眠状态。他们定期醒来,感觉数据和存储数据。

LOA_DH的时间复杂度进行了分析。时间复杂度的LOA_DH是一样的改进遗传算法的时间复杂度。改进的遗传算法主要包括两个部分,如计算个人健康和一代的新个体。第一部分是计算所有传感器节点的能耗和存储容量利用MCP数据路由算法在每个逗留的地方;也就是说,时间复杂度,在那里代表个人和基因的平均数量代表了传感器节点的数量。第二部分是生成新个体满足约束(1),(2),(7)和(12)。根据步骤截面2.3,时间是第二部分的复杂性。远低于;因此,LOA_DH的时间复杂度。由于使用改进的遗传算法解决优化模型,时间复杂度LOA_DH并不低,更受到传感器节点的数量。

4所示。模拟实现和分析

4.1。仿真参数

在实际网络,传感器节点的能耗数据处理和计算和控制包通信等信息查询包,包路由信息,和传输数据查询包相对较小;因此只有能源消耗的数据传感和通信被认为是在模拟过程。能源消耗模型,采用在当前学术领域用于所有节点。 在哪里代表了节点数据传输的能耗,代表节点的能耗数据接收,代表的是传感器节点的数据量需要发送到邻居传感器节点,代表通信电路的能耗参数,代表能源消耗参数的信号放大。与此同时,水槽的运动时间节点相邻网格中心之间。为了方便表示,被定义为一个单元的数据传输延迟。然后最大数据传输延迟是恒定的,这也意味着水槽节点的运动轨迹是由不超过网格中心。

在仿真过程中,仿真参数表1用于模拟和计算网络的生命周期,平均节点能耗,平均数量的节点丢弃的数据,和节点覆盖率,网络的生命周期定义为最小值的时候所有的传感器节点工作第一传感器节点能量耗尽。节点平均能耗之间的比率被定义为平均值所有传感器节点的能量消耗和网络生命周期。平均数量的节点丢弃数据定义是丢弃的感知数据的平均值在最大数据传输延迟。节点覆盖率之间的比率被定义为数量的传感器节点由数据收集和所有传感器节点当水槽节点沿着选择的路径。

4.2。仿真结果和分析

参数表1被选中。80、100、120、140、160年、180年和200年被选为传感器节点的数量。10个随机分布的传感器节点生成拓扑,然后LOA_DH MCP_RAND, MCP_GMRE [10],EASR [6)用于计算网络的生命周期,平均节点能耗,平均数量的节点丢弃的数据,和节点覆盖率。这些值是平均算法的仿真结果。水槽节点的运动路径下100传感器节点作为一个例子来说明运动路径选择的特征分布在多个场景,如传感器节点随机均匀分布在整个地区(节点分布场景1),部分地区随机均匀分布的传感器节点(节点分布场景2),部分地区和泊松随机分布的传感器节点(节点分布场景3)。在这些场景中,数据路由算法LOA_DH, MCP_RAND, MCP_GMRE, EASR MCP的水槽节点采集数据的传感器节点啤酒花通信范围。MCP_RAND随机选择一个网格下逗留中心从邻居网格中心的位置。

4.2.1。准备在节点分布场景1算法比较

有100个传感器节点随机分布在监测区域。所有算法与仿真参数表执行1获得水槽节点的运动路径。水槽节点的运动路径分析表明,运动路径选择MCP_GMRE EASR总是聚集在一个分区,而不考虑所有的传感器节点。MCP_RAND水槽节点的运动路径选择是随机好的和坏的。水槽节点的运动路径选择LOA_DH具有更好的效果。作为显示在图5,明星代表逗留网格中心汇聚节点,圆圈代表传感器节点。当传感器节点随机分布和均匀的监测区域,根据传感器节点的分布,LOA_DH发现25网格中心组成的运动路径。运动路径主要是在矩形区域的四个顶点(200 200),(200 800),(800 200),(800 800)。运动路径避免进入边境地区和水槽节点的运动范围扩大,这让所有传感器节点有机会与汇聚节点通信,优化网络的生命周期。

作为显示在图6LOA_DH考虑传感器节点的位置分布,建立了网络的生命周期优化模型数据传输延迟和啤酒花,限制使用MCP路由算法来收集数据,提高了遗传算法解决优化模型(15)来获得最优解。解决方案减少和平衡节点能耗,延长网络的生命周期。MCP_GMRE水槽节点的运动路径和EASR很容易落入监测区域的边界,和运动路径的水槽节点MCP_RAND随机性的特点;因此,网络的一生LOA_DH比MCP_RAND更长,MCP_GMRE, EASR算法。

作为显示在图7LOA_DH,水池节点在监测区域找到一个最佳的运动路径。当水槽节点收集数据的运动路径,每个传感器节点都有机会出现,远离水槽节点。数据通信的能源消耗是降低部分传感器节点中心。因此,节点平均能耗LOA_DH低于MCP_RAND, MCP_GMRE, EASR算法。由于水槽节点的运动的随机性,MCP_RAND的平均节点能耗大的波动。

作为显示在图8,LOA_DH使得节点覆盖约束的运动路径选择的约束,要求水槽节点完全覆盖所有传感器节点在监测区域。另一方面,MCP_RAND、MCP_GMRE EASR只允许水槽节点在局部地区移动。因此,节点LOA_DH覆盖率是100%,高于MCP_RAND, MCP_GMRE, EASR算法。

作为显示在图9LOA_DH,所选择的运动路径允许所有传感器节点与汇聚节点通信机会,消除孤立节点。因此,每个传感器节点和汇聚节点之间的通信时间增强,而数据存储压力降低,和发送数据量提高。因此,LOA_DH平均节点丢弃的数据量最小,MCP_RAND EASR更高,MCP_GMRE是最高的。

总之,当传感器节点服从随机均匀分布在监测区域,根据传感器节点的位置和其他信息,LOA_DH找到一个最佳的运动路径,完全涵盖了传感器节点和逗留时间。LOA_DH提高网络的生命周期,减少平均节点丢弃的数据量和平均节点能耗。

4.2.2。算法比较节点分布场景2

假设没有传感器节点在矩形区域的四个顶点(0 500),(500 1000),(1000 500),(1000 1000)。100传感器节点服从随机均匀分布在其他领域。LOA_DH与仿真参数表执行1获得一个水槽节点的运动路径,避免了nonnode分布区域。作为显示在图10,水池节点依次访问传感器节点的覆盖范围,同时,避免选择网格中心nonnode分布区域逗留的地方。

作为显示在图11,LOA_DH可以获得最佳的运动路径汇聚节点和逗留时间的逗留网格中心。路径避免nonnode分布面积;因此,网络的一生LOA_DH高于MCP_RAND, MCP_GMRE, EASR算法。同时,所选的运动路径避免nonnode分布区域。传感器节点的集中分布降低通信能耗。因此,当传感器节点的数量是一样的,网络的生命周期的LOA_DH节点分布场景2比,在场景1长。在这两个场景、网络一辈子MCP_RAND MCP_GMRE, EASR几乎是相同的。仿真结果的平均节点能耗,节点覆盖率和LOA_DH的平均数量的节点丢弃数据节点分布场景2几乎是相同的在场景1。因此,相关内容不是反复阐述,可以引用部分4.2。1。

4.2.3。节点分布场景3中算法的比较

有100个传感器节点和四个点。这四个点(750 250),(750 500),(750 750),(500 750)。有25个传感器节点随机服从泊松分布在附近的每一个点。LOA_DH与仿真参数表执行1获得水槽节点的运动路径。如图12,水槽的运动路径节点集中在节点密集分布的区域,网格中心部分和逗留时间相对较长。

如图13、网络的一生LOA_DH比其他算法更长的时间,因为LOA_DH可以找到最佳的运动路径汇聚节点和逗留时间的逗留网格中心。LOA_DH节点通信能耗少,因为集中分布式传感器节点。因此,与相同数量的传感器节点,网络的一生LOA_DH节点分布场景3长于在场景1和2。仿真结果的平均节点能耗,节点覆盖率和LOA_DH的平均数量的节点丢弃数据节点分布场景3几乎像在现场一样1。因此,相关内容不是反复阐述,可以引用部分4.2。1。

总之,在这三个节点分布场景,根据位置和其他信息,LOA_DH可以获得最优的运动路径汇聚节点和逗留时间。MCP_RAND相比,MCP_GMRE EASR算法,LOA_DH完全涵盖了所有传感器节点,网络寿命最长和最不平均的节点丢弃的数据量和平均节点能耗。

5。结论

根据有限的数据传输延迟和啤酒花mWSNs,算法提出了假设,数据公式是用来表示约束和优化模型。接下来,MCP路由选择算法计算节点能耗水槽节点时呆在逗留网格中心。改进的遗传算法用于修改个人满足所有约束和迭代计算获得最优解。第三,提出了实现步骤LOA_DH。最后,仿真参数的算法。LOA_DH中表演,MCP_RAND、MCP_GMRE EASR比较和分析。

仿真结果表明,在监控区域,当传感器节点服从随机均匀分布在整个区域,随机均匀分布在部分地区,部分地区和随机泊松分布,根据节点的位置和其他信息,LOA_DH可以找到一个最优的水槽节点的运动路径和逗留时间。因此,提高网络的生命周期。传感器节点完全覆盖,平均节点能耗和平均节点丢弃的数据量减少。但使用改进的遗传算法,LOA_DH具有较高的时间复杂度。因此,下一阶段是要找到一个解决分布式算法的优化模型,可以减少算法的时间复杂度。

相互竞争的利益

作者宣称没有利益冲突有关的出版这篇文章。

确认

这项工作是由中国国家自然科学基金支持下批准号下61501403,浙江省自然科学基金批准号LY15F030004,浙江省公益性技术应用研究计划资助下的中国没有。2016 c33038也没有。2015 c33028。

引用

1. c .朱l .蜀t . Hara l . Wang美国西和l·t·杨,”一个调查在移动传感器网络通信和数据管理问题,“无线通信和移动计算,14卷,不。1,19-36,2014页。视图:出版商的网站|谷歌学术搜索
2. j·a·汗·h·k·库雷希,a·伊克巴尔和c lacatus7岁大,“无线传感器网络中能源管理:一项调查,“电脑和电子工程第41卷。。1,第176 - 159页,2015。视图:出版商的网站|谷歌学术搜索
3. Waheed汗,A·h·阿卜杜拉·m·h·Anisi和j·伊克巴尔Bangash,“一个全面的研究数据收集方案在无线传感器网络使用移动下沉,“传感器,14卷,不。2、2510 - 2548年,2014页。视图:出版商的网站|谷歌学术搜索
4. a·k·库马尔k . m . Sivalingam, a . Kumar“减少延迟在移动无线传感器网络数据收集,”无线网络,19卷,不。3、285 - 299年,2013页。视图:出版商的网站|谷歌学术搜索
5. f . Tashtarian m . h . Yaghmaee穆贾达姆,k . Sohraby和s . Effati”ODT:最佳deadline-based轨迹移动下沉的WSN:决策树和动态规划方法,”计算机网络,卷77,不。2、128 - 143年,2015页。视图:出版商的网站|谷歌学术搜索
6. 张炳扬。王,j。施,B.-H。锅,T.-Y。吴”,网络寿命增强水槽搬迁及其分析方法在无线传感器网络中,“IEEE传感器杂志,14卷,不。6,1932 - 1943年,2014页。视图:出版商的网站|谷歌学术搜索
7. h . Salarian K.-W。下巴,f . Naghdy“节能mobile-sink路径选择策略对无线传感器网络来说,“IEEE车辆技术,卷63,不。5,2407 - 2419年,2014页。视图:出版商的网站|谷歌学术搜索
8. g . j . k . w . Liu Lu Wang,和l .黄”性能分析的无线传感器网络移动下沉,“IEEE车辆技术,卷61,不。6,2777 - 2788年,2012页。视图:出版商的网站|谷歌学术搜索
9. y Yun,夏y, b . Behdani, j . c . Smith”全新寿命最大化的分布式算法实现容忍延迟无线传感器网络与移动下沉,“IEEE移动计算,12卷,不。10日,1920 - 1930年,2013页。视图:出版商的网站|谷歌学术搜索
10. s . Basagni a . Carosi e . Melachrinoudis c . Petrioli和z . m . Wang”控制水槽流动性延长无线传感器网络寿命,”无线网络,14卷,不。6,831 - 858年,2008页。视图:出版商的网站|谷歌学术搜索
11. m . e . Keskin是i . k . Altinel n .阿拉斯和c . Ersoy”在无线传感器网络寿命最大化使用移动水槽和非零时间旅行,”电脑杂志,54卷,不。12日,第1999 - 1987页,2011年。视图:出版商的网站|谷歌学术搜索
12. b . Behdani j·科尔史密斯,y夏,“无线传感器网络寿命最大化问题的移动水槽:整数编程公式和算法,”国际教育协会事务(工业工程师学会),45卷,不。10日,1094 - 1113年,2013页。视图:出版商的网站|谷歌学术搜索
13. k·李,中州。金,周宏儒。金,汉族,“近视移动水槽迁移策略的无线传感器网络寿命最大化”无线网络,20卷,不。2、303 - 318年,2014页。视图:出版商的网站|谷歌学术搜索
14. X.-M。胡,j . Zhang y Yu et al .,“混合遗传算法使用向前编码方案无线传感器网络寿命最大化,”IEEE进化计算,14卷,不。5,766 - 781年,2010页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 Yourong陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。