文摘

本文提出了狮子优化认知声学网络(LOCAN)减少分组延迟和数据包传输中丢包在水声传感器网络(UWASN)。封包延迟和数据包丢失在UWASN因为水柱的变化,如多普勒效应和几何扩散(GS)。多普勒效应形式由于传感器节点的运动和海洋表面盐度和温度等变化。几何扩散(GS)由于沉积物发生漂移波方面和频繁的节点的位置和深度的变化。水柱改变声音传播的振幅变化,导致信道和多径干扰,影响数据包传输。现有UWASN算法只关注温度和盐度的变化。在LOCAN,通道选择通过狮子优化算法解决了水的问题列变化,提高电池寿命,网络寿命和吞吐量。提出的算法显示一个更好的结果在效率方面,相比现有UWASN算法。

1。介绍

在UWASN,声信号传播通过水柱变化,直接反映路径表面和底部。声源信号与不同水体的变化。水列变化是空间和时间。空间是多普勒效应和温度变化。时间变化(电视)GS、盐度、和其他多路径路径表面相互作用或海底表面。多普勒效应形成的水面变化和运动传感器节点。多普勒效应影响声波信号声音散焦和弯曲强度的信号,并创建一个非相干声学节点之间的通信。水柱变化引起听觉信号的传播时间导致多路径干扰。多路径干扰影响UWASN包传输。GS导致声学信号衰减由于节点的位置变化和沉积漂移。 The change in the distance of the nodes can be due to water column variations such as solitons, eddies, internal waves, and internal tides. The sedimentation drift waves which carry sand particles reduce the magnitude of acoustic signal, affect the direction of signals, and change the nodes’ location.

在UWASN,高能源消耗和数据包交付为网络中的节点是富有挑战性的任务。声学网络中源节点决定转发继电器设置基于当地货代的信息。模糊基于逻辑的中继选择方案用于中继节点的决心。转发中继节点集确定后检查相邻的通道链接节点。通道连接,数据率,基于源节点和节点的深度,邻居节点中添加继电器集,否则丢弃。从继电器集、模糊基于逻辑继电器选择用于选择最佳的继电器。模糊逻辑算法执行基于两个输入,即数据包交付概率(PDP)和能源消费比例(ECR)。

在节能合作机会路由协议,实际的包传输发生在源节点广播数据包到邻近的继电器设置和节点设置一个定时器在包传输,避免碰撞。这个流程将继续,直到数据包到达地表下沉。在上面的过程中,如果第一个最佳中继节点未能广播数据包,数据包转发的第二最佳中继节点集。如果数据包成功传播到下一跳的目的地,其他节点删除定时器和包。继电器设置性能是评价通过平均包交货率、平均端到端延迟,平均能源消耗、平均网络延迟(1]。

UWASN的能源管理起着至关重要的作用,因为nonavailability的替代能源,如太阳能和燃料电池。能源管理是通过承担协议计算的相对位置距离水槽和促进节点。此外,在水下传感器网络节能路由通过ECARP(现有的渠道了解路由协议)算法(2],声纳浮标沉节点表面上。ECARP算法执行在三维欧氏空间转发的数据包根据计算节点的距离和数据率,通过水槽节点和中继节点。此外,端到端延迟的延迟是通过一个基于集群的启发式方法。端到端延迟起着至关重要的作用在延迟敏感的水下通信。乐观的路由通过一个指标实现(3],Fi代表了成功接收的数据包节点。算法由数据包转发优先级方法降低端到端延迟和能量消耗增加。

水声网络的问题是空间和时间的变化,传播延迟,水柱变异。传播延迟和空间和电视由于洋流、盐度、温度和影响可靠的数据传输。在水下通信传播延迟是因为海水盐度的约3.5%,由氯化钠,Cl,所以₄²、镁、钙、Br和k .海水中的盐导致频谱稀缺和延迟的问题。频谱和潜在的问题需要一个有效的算法来克服传输延迟、数据包交付和UWASN能量损失。然而,水柱等几何变化和多普勒效应导致传播信号的振幅变化。振幅变化增加了数据传输中丢包。此外,传播延迟由于多普勒效应产生信道和多径传播。上述问题消耗更多的电池供电,导致高比特率误差。路径损耗发生由于散射、折射和色散的声学信号由于沉降漂移和多普勒扩散。此外,GS发生由于波领域的扩张,增加传播的距离。此外,多路径衰落发生由于基于波前传感器节点位置变化和沉积漂移。

1.1。贡献

(我)时空水柱的问题多普勒等变化,GS,沉降漂移发生在UWASN通过提出解决狮子优化认知声学网络(LOCAN)。LOCAN换频道基于水柱和带宽的变化(2)多普勒和GS避免距离矩阵的拓扑框架在狮子优化和减少由于信道延迟(3)不同温度和盐度的数据传输优化基于通道选择、带宽和仿真结果验证UWASN试验台

本文的其余部分组织如下。部分2介绍了优化算法,并解释了现有的系统和声学网络。部分3提出了猫的方法优化和狮子认知声学网络优化算法。这些算法在AquaSim模拟仿真工具,结果部分所示4。试验台的硬件实现在多普勒和GS环境部分所示5。最后,结论部分6。

2。相关工作

2.1。优化算法在UWASN

在传感器网络,高效的路由从源到目标节点的执行通过AODV等不同的算法,动态安全域,能源利用联合路由和机会主义路由。然而,WSN路由优化算法提高电池寿命,提高路由效率高吞吐量。蚁群优化算法(4)是适用于WSN路由网络中通过改进的位置信息和搜索方向。蚂蚁的路径选择算法是根据概率规则,由影响因子信息素和启发式信息。蚂蚁优化算法增加了节点的电池寿命,降低能源消耗目标节点的搜索方向和传输数据。此外,Biogeography-Based优化(偏硼酸钡)算法(5)增加网络的覆盖范围在静态和移动传感器节点。算法的基础上增加了覆盖范围移民和移民率计算和动态部署的传感器节点通过健身价值观和解决问题最好的覆盖范围。此外,萤火虫群优化算法(6)增加节点的覆盖率和能源效率通过改变强度基于节点的距离。此外,和声搜索算法(7在集群节点增加传感器节点和网络生命周期的能源效率通过优化簇头之间的距离和星团内的节点。改进的优化算法发现应用程序在UWASN范围和range-free定位节点的位置。顺序贪婪优化算法执行节点位置UWASN通过使用迭代和决策变量在水下传感器网络。此外,一阶Karush-Kuhn-Tucker(马)算法的分析不同属性的贪婪算法的节点定位(8]。UWASN的挑战是影响信号的多普勒扩展路径和渠道需要一个估计参数。信道估计有助于增加幅度为每个单独的路径和减少时间延迟。该算法应该确定目的节点的最佳路径水下传感器网络,避免多路径,减少延迟,提高数据包传输。此外,优化算法解决了最优部署等各种挑战,节点定位和聚类和数据聚合。表1展示了各种算法在UWASN优点和缺点。

2.2。推断从文献调查

现有的传感器网络和UWASN执行优化算法改进的电池寿命,网络寿命,吞吐量和减少延迟和丢包。然而,UWASN的挑战性的问题是空间和时间变化,多普勒和GS,盐度。提出了优化算法应考虑上述问题。猫(COCAN)和狮子优化算法(LOCAN)是一种多维的方法方法和每个维度变化的速度与健身价值识别与迭代解决了上述问题。

3所示。方法

3.1。猫优化算法在水下认知声学网络(COCAN)

猫的猫花大部分的时间在休息,对附近的环境和移动对象仍然谨慎。谨慎的性质和警觉性高导致的最小时间追逐猎物,保存身体的能量。猫自然是应用于UWASN通道选择根据目的地和周围的环境,即。猫,水柱和节约能源的优化算法。猫优化算法分为两种模式,如寻找和跟踪。

在寻找模式,猫决定缓慢而谨慎的移动。它知道运动的环境。寻求模式是通过寻找内存池(SMP)等参数,寻求一系列选择维度(阶跃恢复二极管),项维度改变(CDC),和近程考虑(SPC)。SMP是副本的数量每只猫的寻找过程。阶跃恢复二极管的最大区别是新旧价值观的维度选择突变。疾病预防控制中心显示的尺寸突变。SPC的布尔变量代表当前位置是猫作为运动的候选人地位。

算法1猫通道选择的优化算法的伪代码的执行。最初是分布式算法,节点随机速度和近程考虑价值基于水体变化。此外,健身价值代表了源和目的节点之间的距离以及当前数据包传输的信道选择。健身价值计算,直到满足终止条件根据水体的变化。类似的健身价值计算网络中所有节点的最佳通道选择基于水柱变化。此外,猫选择寻求模式只有在程控频道是一个或其他跟踪模式。

在跟踪模式下,猫追逐的目标节点速度 , 代表了源节点和水柱的尺寸变化。当通道被选中整个维度水列变化,每一个新通道的源节点所示计算算法1。

COCAN算法的工作流图所示1。下一个算法是狮子优化算法,消除了猫的问题优化算法如水柱的维度变化估计和模式等,分析通道选择,更大程度上消耗的时间。

3.2。狮子优化认知声学网络(LOCAN)

狮子狮子优化算法的特点激发强烈的两性异形等社会行为,外表,和生活方式,也就是说。组、狩猎和生活方式的切换。狮子优化算法包括某些猫特征如高水平的合作和对抗。狮子居住的居民和游牧民族等两种类型。居民生活在团体,叫做骄傲。游牧民族是那些偶尔走动,成对或奇异。狮子的生活方式的另一个重要特性是开关lifestyle-the居民可能成为流浪者或可能成为居民。

狮子的猎物狩猎团体的积极功能。狮子狩猎与其他成员组的骄傲而猫在单一的猎物。协调狮子群狩猎的猎物做成功的可能性很高。上面的狮子激励优化算法的特征。

在狮子优化算法,随机生成的初始人口形成一组解决方案叫做狮子。

从最初的人口,代表了游牧狮子和狮子人口的其余部分被认为是居民。居民狮子随机划分为子组被称为自豪。在每一个骄傲,代表成员和被认为是女性,其余为男性。在游牧民族,性别比率是亦然。

狮子优化算法在无线认知无线电网络中实现“二次或认知用户”被归类为居民和游牧民族。居民SUs被分配根据通道要求和带宽,和游牧SUs包括年龄的渠道选择。网络中节点的数量分配 为 在哪里网络中的节点总数是类似于狮子的优化。主用户节点分配渠道,而辅助节点是狩猎的通道。在认知网络,节点通道被表示为 在SUs二级用户(节点)。二级节点选择渠道根据狮子的健身为数据传输优化算法根据水体的变化。主用户信道可用性不断变化根据主用户的使用根据波前和水柱变化。主用户信道变化如下: 在通道代表了未来的可用性自由可靠的主要通道和通道在上面的方程显示当前频道网络的可用性。此外,π代表改进的百分比在苏的健身根据cochannel分析,散度的信号,和水柱变异参数。二级用户部署在左翼或右翼的中心通道可在主用户网络。SUs的搜索渠道不断根据变化的水柱和新渠道SUs在左翼和右翼 而苏_{非营利组织}代表的新职位通道选择二级用户基于水体参数,苏_手机一族当前频道二级用户的位置和通道代表当前位置可用的主要通道。新通道的位置二次用户在计算中心

兰德(苏_手机一族、通道在方程()函数4)生成一个随机数当前频道位置之间的二级用户(超自然_手机一族)和当前位置可用的主要通道(通道)的健康数据传输基于当前参数的水柱。

认知网络中的LOCAN过程有五个步骤,即:,r和om channel selection of the SUs according to the current acoustic signal time spreading and physical forcing, check channel availability, calculate the fitness of the identified channel according to water column variation, select the channel with the optimal fitness value, and reiterate the channel selection process with improved fitness. In equation (5),代表的数量SUs对频道的搜索维度的水柱变化和位置矩阵与当前位置如下,以避免cochannel干扰。

无线传感器节点的最佳通道位置矩阵方程(5)并分析通过适应度函数和相应的值达到最小的最优解或最大值取决于通道选择SUs根据水体的变化。在适应度函数

当前节点的距离目的地根据多普勒效应和沉降变化漂移所示算法生成相应的健身价值2。相应的健身价值矩阵

SUs搜索主用户频道在螺旋运动根据当前节点距离和散度的信号中指定

代表更新频道主节点的位置使用螺旋运动识别SUs的通道,是一个常数定义运动的形状。用于苏的定义,当的价值是1,那么接下来的苏,导致的选择可靠的渠道,否则苏选择一个可靠的位置远离你的邻居。这个更新的通道位置用于优化运动。的距离是由

图2显示了狮子优化算法的流程图(LOCAN)。健身价值矩阵提供可靠的通道位置矩阵根据当前节点的邻居节点位置和水柱。完整的算法过程中解释2。

算法2用于生成一个优化通道选择。讨论了算法的实现和结果部分4。

在仿真中,所有的节点都部署在同一点,然后支付他们想要的目标区域的位置 。节点之间的距离为120米。水下通信的节点分配的属性如水柱变化和排列形式的一个矩阵根据当前位置的节点由于多普勒效应和GS自然沉降漂移。他们有一个轻微的运动3英寸/秒在水下环境中部署。水下通信25 kHz频率下工作。模拟的参数用于配置如表所示2。

图3显示了狮子优化认知无线电频道管理机制。在图3,居民猜测,即,SU3 SU4和SU1俗,代表苏苏游牧居民的地位。根据带宽和数据大小是固定的。更大的带宽和数据大小要求,苏苏居民状态分配和游牧状态分配给较小的带宽和数据大小的要求。在苏的居民身份,PU的通道与一个特定的乐队是固定的。苏的游牧状态仍在搜索苏离开乐队的居民。

4所示。性能指标LOCAN COCAN

LOCAN和分析COCAN PDR的性能和基于水柱的端到端延迟变异。包交货率的比值是一个成功的数据包数量交付给表面浮标源节点产生的数据包的数量。此外,端到端延迟定义为一个数据包传输所花费的时间在网络上从源到目的地。端到端延迟, ,可以给 在哪里传输延迟,传播延迟,处理延迟,是排队延迟,是链接的数量( )。

吞吐量是指在一段时间内成功地传送的数据量,在一个特定的通信链路。

能源消耗发生在不同的地方,如包传输数据包接收和处理每个节点在网络操作。网络中传输发生在源和目的节点之间的数据包丢失在水声网络。丢包率是数据包的数量发送的数据包数量。归一化开销被定义为每个数据包传输路由数据包的总数。

抖动的定义是数据包的延迟变化到来由于时间的数据包从源到水槽节点。总的抖动( )结合了随机抖动( )和确定性抖动( )和计算 ,的价值基于链接的数量要求。误比特率(BER)是一些错误的数量除以总时间间隔期间传输的比特数。

猫的性能优化算法在水下认知声学网络通道选择与临时按需距离矢量路由协议AODV和机会主义路由协议(或)实现水声环境使用AquaSim NS2模拟器。包交货率COCAN类似于机会主义路由算法,随着节点数量的增加。AODV的PDR低于COCAN由于寻找模式的专属财产,谨慎附近的节点,并交付包只有在适当的承认。LOCAN大于PDR的AODV和COCAN如图4。此外,狮子的生活方式的转换角色,即。,the channel selection based on the current water column variation of LOCAN, allocates a reliable channel thereby increasing the packets delivered to the sink without any cochannel interference.

COCAN,时间节点的识别跟踪的通道是减少由于产权模式。不断在跟踪模式下,节点目标的可靠通信信道随机节点的距离,根据多普勒效应各不相同。此外,当确定可靠的通道,端到端延迟COCAN显示节点的延迟时间较少。随着节点的增加,延迟时间减少;减少小于AODV和或如图5。图5由于多普勒效应显示了端到端延迟。游牧的球形搜索节点的信道选择根据LOCAN水柱减少时间延迟低于COCAN, AODV,或。此外,图6显示节点的吞吐量在狮子和猫在沉降漂移优化网络的性能。AODV的吞吐量,或者和COCAN是相同的,而少AODV显示了吞吐量与数据包大小的增加由于节点拓扑的变化和相应的通知,而LOCAN大于AODV的吞吐量和或大的数据包大小。图7显示了每个节点的能量消耗在沉降漂移和多普勒效应的不同算法如LOCAN COCAN, AODV,或。或算法消耗更大的能量由于不可用准确的过去的拓扑信息。AODV消耗更多的能量由于前驱节点需要维护。COCAN消耗更少的能量,因为按照现在的水柱模式切换的财产状况。在模式切换房地产、能源保存在节点跟踪模式识别通道和需要休息在寻找模式。COCAN,寻找模式的节点消耗的能量很小。LOCAN的每个包的能源消耗是1(焦耳)低于1.5 (J) COCAN, AODV,或。

图8说明了转播的节点的数目和包丢失由于多路径干扰在LOCAN砂颗粒相比非常少在COCAN重发,AODV,或。这是由于狮子狩猎组的特点,即。苏的游牧居民财产。LOCAN,节点等待一段时间传播由于距离估计,根据水体变化不同,从不试验一旦距离矩阵进行求值。然而,在COCAN重发的数量小于AODV和类似于或。此外,丢包率由于水柱变化如几何,多普勒,和沉降漂移LOCAN小于COCAN, AODV,或在图9。在COCAN,猫的天性谨慎的多普勒效应限制了包丢失,从而减少重传。图10显示网络中由于非相干信号造成的开销;LOCAN最低开销相比,或者和AODV。COCAN显示一个更好的结果比或和AODV由于谨慎的节点在水柱的性质变化。虽然谨慎,多普勒效应和沉降漂移,每个节点手表环境和渠道对适应性变化。

延迟的变化称为抖动如图11温度和盐度。抖动时由于数据包队列或延迟任何时候的网络。的抖动LOCAN小于COCAN作为可靠的信道分配由水下网络中的节点可以减少连续的数据包之间的延迟。COCAN小于AODV的抖动,或由于猫算法的近程属性,与特定通道修复和适应他们的网络。在近程属性,每个节点知道确切的特点和其邻居节点的位置对信道特点和分配。图12显示了比特误码率之间的关系和信号噪声比(信噪比)的LOCAN COCAN, AODV,或水通道多普勒和GS等变化。的速率发生错误的传输系统是降低LOCAN AODV和更高。COCAN算法,误码率低信噪比时高。模拟值列在下表中3能源消耗,端到端延迟和吞吐量与不同数量的节点,对AODV, COCAN, LOCAN。表4显示了仿真多普勒效应下的吞吐量和GS值。上面的算法,即COCAN LOCAN,实现了在测试床。

5。测试床一步多普勒和传播环境

在25 kHz频率算法的性能分析和测试在水下通信通过一辆坦克的能力50升的海水。算法的硬件设置,如LOCAN和COCAN实现如图13。硬件传感器节点之间的数据传输进行了海水。海水已经从孟加拉湾收集水浴。此外,数据传输在海水进行了LOCAN算法。

硬件设置由控制器、声波发射器、和声学接收器。MSP430单片机用于六通道形成通过不同频率输入555集成电路,以及六个通道,三个频道已经分配给传输和其他三个接收通道。

问调制器电路的单片机发送数据问调制,然后问调制信号是通过水听器发送给其他节点。LOCAN中的每个节点或COCAN单片机与问调制设置水听器传输声音信号和mems ADMP40声学传感器接收信号。

分析在不同深度数据传输已经完成。深度范围从6到7英寸,从10到12英寸LOCAN算法的性能测试在GS由于波方面。在测试床,多普勒效应与波的帮助制造商创建模型nowm - 3000泵人工创造内部波前的坦克。泵的最大流量3000升/小时。制造商浪潮波节点运动和创建多普勒效应。此外,海砂与海水混合罐的GS由于沉降创建漂移。基于上述场景中,数据传输的节点和计算响应时间和功耗。

节点定位槽的不同距离和深度维度 如表所示5。电力消耗和包交货率测量不同水体变化和列在下表中6。

表7显示数据的比较研究为狮子认知声学优化网络(LOCAN)和猫优化算法(COCAN)。

6。结论

在水下通信中,端到端延迟和丢包引起的海水(电视)的时空变化特征。损失的改善通过各种水下传感器网络算法。LOCAN的性能提高了效率和电池寿命的节点多普勒和几何扩散(GS)环境中通过适当的渠道选择基于水柱变异。

猫的性能优化算法(COCAN)认知水声网络优于现有的AODV算法。节能猫由于天性谨慎启发节点性能和高警觉性的节点。多维的方法与健身价值基于水体环境的输入参数使狮子的高效性能优化认知声学网络(LOCAN)比COCAN表现良好在认知网络。

LOCAN算法可以在各种环境中进行测试如球形、圆柱形、和macrocellular移动环境。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突有关的出版。