文摘
近年来,随着人们对环境质量的需求增加了,它已成为不可避免的监控敏感参数如温度和氧含量。环境监测无线传感器网络(EMWSNs)已成为一个研究热点,因为他们的灵活性和监测精度高。提出了一种混沌精英小生境进化算法(CENEA)低功耗EMWSNs集群。验证CENEA的性能,本文进行了仿真实验。通过仿真实验,CENEA与重组青蛙跳算法(SFLA)相比,差分进化算法(DE)和遗传算法(GA)在相同的条件参数。结果表明,CENEA平衡节点能量和节点能源使用效率提高。CENEA的网络能耗SFLA相比减少了8.3%,比德低3.9%,比遗传算法降低了4.6%。此外,CENEA提高了精度和减少计算时间。
1。介绍
人类社会的发展离不开各种资源的支持,但在人类社会不断向前发展的过程中,由于工业化的不断深化,环境污染日益严重的问题。人类的生态环境已经不同程度的损坏。
无线传感器网络(网络)的缺点短网络生活和高环境影响。LEACH协议的网络,使用概率模型来确定集群,从而延长网络的生命在一个复杂的环境。在LEACH协议,网络中的节点分为多个集群。每个集群由一个集群节点和许多普通节点。普通节点收集数据,然后将数据传输给簇头的节点的集群。节点融合对接收的数据进行压缩和传输到基站(1]。
网络是一种广泛使用的节能机制造成的周期性计划减少能源浪费闲置监控。然而,协调传感器节点的睡眠/唤醒周期,工作周期计划需要更多的控制包实现特定应用程序的目标。在不同的网络机制,传感器节点的工作周期需要调整随着网络环境的变化,在操作过程中来达到预期的延迟和能源效率。发送节点和接收节点需要在同一时间醒来在传输过程中完成数据传输。如果同步机制用于节点之间的数据传输,以确保网络中节点之间的时钟保持不变,需要更多的控制包的过程中同步时钟。如果异步机制用于数据传输的节点,发送节点需要首先发送一个数据包通知的时间长度的接收节点,它需要在数据传输过程中醒来,然后需要重新发送数据包来完成数据传输(2]。
EMWSNs提供一个快速和方便的可选环境保护监控程序由于其方便灵活部署的优点。然而,由于节点的能量有限,发展和应用EMWSNs受阻。无线传感器节点通常部署在无人条件欠佳的地区。节点对网络的访问网络维护的难度将会增加。大多数节点的电池不会被取代,导致寿命有限的节点在现实中。集群在EMWSNs将网络中的节点划分为簇头节点和普通监控。集群头接触其他普通节点由它来获取数据,然后将数据发送到终端(3- - - - - -5]。如何使用合理的集群来节约用电的EMWSNs完成认知任务时吸引了越来越多研究者的注意。因此,这是非常迫切需要创建一个新的EMWSN聚类算法以最小化系统中的用电,提高数据传输效率,延长系统的生活时期。摘要CENEA提出可以极大地提高EMWSNs的性能。
在传统的聚类算法,选择与集群相关负责人将在建立阶段任意关于集群(6- - - - - -8]。点传输距离等影响因素不考虑,导致簇头的选择不当以及过度用电EMWSNs中的常见的节点。在集群的阶段,CENEA介绍节点传输距离等参数选择簇头节点EMWSNs用电降到最低。EMWSNs的迅速发展,网络中的聚类算法技术的研究也取得了优秀的成果。聚类算法研究的重点是优化簇头节点的选择和与集群相关的建立以及减少电力系统中使用的节点(9- - - - - -11]。一些学者提出了新的聚类和路由方案,提供优秀的思想对提高网络的生命周期12- - - - - -17]。与这些多年的研究和开发,群集智能优化模型已经被用于EMWSNs的集群技术。许多学者优化传统的聚类算法提高效率,降低复杂性,提高算法(18]。SFLA、德和GA目前研究的焦点聚类算法。使用优化算法可以快速发现最优的方式对数据传输和延长网络的生命。
对于一些EMWSNs,研究者们更担心的是单轮后EMWSNs用电集群。希望传感器单位时间内的能量消耗是降低成本最小。假设EMWSNs是由一个巨大的数量的传感节点,少量的簇头节点,和一个网关节点。网关节点通常有强烈的信号收发功能和一个固定的位置。如何选择少量的簇头节点从一个巨大的数量的EMWSN节点以减少电力使用数据收集的整个网络在实际应用中是一个重要的问题。
El Alami et al。19)提出了一种改进的路由协议,它可以大大提高了网络中移动节点的性能,改善网络的生活和能源效率,减少数据包在很大程度上损失。李等人。20.)提出了一种改进的聚类协议,一个优秀的移动传感器网络的性能。即使在节点的运动,丢包率可以控制在一个较低水平。El Alami et al。21)提出了一种新的层次聚类算法节省网络能量通过改变节点的睡眠和工作时间。它有一个性能优良的同构和异构网络。李等人。22提出了一种改进的聚类协议。这个协议可以有效地提高网络的生命周期,在大规模网络有良好的性能。
刘等人。23)提出了一个模型,基于DE簇头选择和路径规划。提高算法的每个部分的性能通过减少计算量和统一的系统能耗。在[24),神经网络算法应用于WSN数据融合的过程,和该算法显著提高了数据处理效率。Fattoum et al。25)使用遗传算法来建立一个簇头之间的路由机制,从而减少能源消耗之间的集群。
然而,德、遗传算法和神经网络算法不能动态调整交叉和变异概率根据个人和群体的健身和往往陷入早熟收敛,导致更高的能源消耗最终聚类方案。
伊斯兰教等。26]提出的想法主簇头和簇头以下。下面集群头选择集群中的分享主要簇头节点的能量消耗,避免主簇头节点通过死亡,因为过度的能源消耗。华美et al。27)提出了一个基于SFLA簇头选举机制,它允许集群头后连任前一轮簇头满足某些条件,减少能源消耗引起的每一轮的簇头的选择。
然而,这两个算法的操作太复杂,和簇头的变化没有考虑复杂环境的实际情况,所以算法的可靠性差。
王等人。28)提出了一种多次反射路由协议,它允许遥远的节点选择一个节点接近本身进行数据转发,减少直接与终端通信的距离。在[29日),节点分为集群后,他们在每个集群分组再次根据距离和数据节点之间的相似度,再选择一个代表节点每组交付到簇头节点的信息。
然而,一旦内心的力量传感器节点是累,外层用大量的传感器节点剩余能量将无法正常工作,因为太长传输距离,因为它不能被传递。需要很长时间建立一个集群中,有一个长时间的推迟,消耗大量的节点能量。同时,多个检测步骤之前传输的数据包将会增加数据传输的延迟,所以它不适合EMWSNs需要伟大的现场表演。
马吉德et al。30.)结合能量和节点位置引入代价函数,并使用遗传算法进行簇头选举。这样高的节点能量和更好的位置选为簇头,使每个节点的任务更合理。Ghahramani和Laakdashti31日)提出了一个基于德在WSN路由协议减少用电以及扩展系统生活周期。
然而,成本函数的质量将决定效率,和成本函数的功能将可怜的在一个复杂的环境。每次算法需要发送一个数据包,源节点将发现和建立一个集群。因此,它需要一定的时间来建立相应的集群和集群一定时间后将被删除。大量的节点能量将在集群建立的过程。
簇头选择问题的计算时间的增加呈指数增长簇头节点。为了减少网络使用率,我们CENEA。制定一个目标函数最大化降低网络能耗率下多个约束。本文也给先进运营商采用精英运营商和每次迭代混沌映射运营商的进化过程。CENEA结合精英进化和混沌映射的优点。CENEA蜂群算法的一种,具有很强的全局搜索能力。表示CENEA的优势,实验是进行簇头选择问题与SFLA和性能比较,德,GA。仿真模拟揭示的优越性能提出了CENEA减少网络能耗率和快速收敛性。
本文的主要贡献如下。(1)本文提出一种新的聚类算法。EMWSNs CENEA可以减少能量消耗,提高网络性能。CENEA有更少的时间复杂性和可以完成EMWSN集群头和集群的选择覆盖在很短的时间内(2)本文设计了一种新的聚类模型EMWSNs。该模型采用实数编码传感器位置信息的编码方案。在EMWSNs,传感器是随机放置在环境监测领域来模拟复杂的情况在现实中,所以它更接近于环境监测的情况在现实中(3)本文验证了性能优良的CENEA EMWSNs通过仿真实验。CENEA能提高EMWSNs的可行性,提出一种新的聚类方案EMWSNs的发展
本文的结构如下。部分2介绍了聚类模型EMWSNs和簇头的选择机制。部分3使用CENEA优化聚类算法。部分4给出了仿真实验的结果,探讨CENEA的性能。然后,部分5总结道。
2。EMWSN聚类模型
簇头节点的分布EMWSNs决定了网络通信的能源消耗。本节将介绍网络聚类模型。网络分布区域研究是一个广场,和一定数量的传感器节点是漫无目的地在广场地区的分散。典型的网络结构如下。
如图1,EMWSNs通常采用集群结构。传感节点分为多个集群在监控范围内,集群,每个集群头(32]。在上行传输阶段,传感节点随机分布在监控范围内完整的遥感监测目标和收集感知结果的集群。簇头节点从集群中的传感节点收集相关信息和上传信息到网关节点内直接或多次反射的方式(33]。网关节点通过每一个簇头和总结了信息传送给用户进行进一步的分析和处理。在下行传输阶段,用户发布监测任务的下行通过网关节点和均匀分配监测目标和网络中的各种资源。网关节点监控任务分发到集群中的传感节点通过簇头节点,完成下行分布过程的监测任务。
的用电EMWSNs主要通过提供数据,获取数据,传输路径。节点接收和发送消费和消费能源消费从放大器的一部分。这部分能耗密切相关的传输范围。如果正在提供的参数 ,发送放大器使用自由空间的能量。当大于 ,传输放大器采用多路径衰减的能量消耗模型。当数据的需要发送和发送到目标的距离 ,发送者的能源消耗
在方程(1),是路径,数据传输的距离通过传输信号,电力消耗和对应于不同的能量传输模型,对应于自由空间的能量传输模型,和对应于多路径衰减的能量传输模型,发送方采用确定哪些能源传输模型,如图所示
的能量消耗的数据传输路径是由
在方程(3), 代表着权力通过节点传递信息摄取。代表着权力采取通过节点获取信息。用电主要由两部分组成,信号能量消耗和传输放大器电路能耗 。的大小 所示
接收机是不同的从发送方,接收机的能源消耗与距离无关。因此,所需要的能量接收的数据可以获得的
3所示。在EMWSNs CENEA减少网络的能耗
在这项工作中,我们的CENEA遵循传统的随机方法的框架。两个小说程序生产,即混沌映射和精英计划。在簇头选择EMWSNs问题,精英技术可以用来找到可行的解决方案接近理想的解决方案。这些程序是有效的策略,易于理解和实现,广泛利用的优化簇头节点分布。这部小说的过程EMWSNs CENEA有资格创建一个可行的解决方案在可接受的计算时间。
比传统优化算法如微积分技术以及详尽的技术,CENEA可以有效地处理一些复杂的问题,无法通过传统的方法来解决。标准的技术来解决优化问题是设计一个目标函数,目标函数可以合理建模,结合各种约束条件,然后将优化问题转换为寻找最大值。CENEA模拟自然生物进化模型,使用实数编码得到初始种群、交叉变异操作,基于贪婪准则和组迭代实现搜索和优化的功能。实数编码更普遍比二进制编码解决问题的类型。贪婪的选择标准将保留最好的解决方案个体在当前的搜索空间,不会停止,直到达到预设的迭代次数。要解决的问题,设计了适应度函数,然后适应度函数作为评价是客观的。保留精英个体更好的健身价值引导最终解决方法的迭代过程更好的方向。这个过程使CENEA有更好的动态跟踪。CENEA的许多优点让它不必要的使用问题的特征信息在某种程度上,有效地解决复杂环境中的优化问题。
CENEA主要用于解决连续变量全局优化问题。它是一个智能进化算法与动态跟踪和随机搜索。CENEA旨在表示好的染色体通过这个进化过程。CENEA利用各种简单的程序来模拟进化。主要步骤如下:(步骤1)在初始化阶段,初始种群产生的混沌映射算子和普遍满足的条件,它可以覆盖整个搜索空间(步骤2)在突变阶段,一定数量的个体被选中的人口产生突变的个体(步骤3)在转换阶段,目标个体和变异个体混合交叉概率准则获得单独的测试(步骤4)在个人评价阶段,结果评估函数值的后代(步骤5)在选择阶段,确定新的迭代使用贪心法优越,拯救精英个体(步骤6)在迭代的最后阶段,法官停止标准;如果达到终止条件,然后停止程序
CENEA如图的流程图2。
3.1。人口CENEA的初始化操作
CENEA的第一步是建立一个合适的染色体表示。利用一个CENEA EMWSNS匹配簇头节点分布,需要产生一个有效的编码方案和结果的功能,这将使该算法选择最合适的解决方案。CENEA的代码是一个字符串的长度和精度有限,通常是表示喜欢 在数学上。人口的数量,被称为染色体,被称为染色体上基因的数量,然后呢被称为基因在染色体上。表示的簇头节点th集群的染色体。在CENEA,每个解决方案被称为染色体。每个染色体代表一个可行解簇头选择簇头节点分布的问题。在一代,可以表达整个人口
3.2。CENEA的混沌映射操作
混沌映射操作符用于生成初始种群组合的长度 。染色体的长度是一样的在EMWSMs簇头节点的数量,这意味着每个值最终优化的个人地图每个簇头节点的选择。
混沌运动是一种常见的非线性随机现象。外面看起来很复杂和混乱。但在现实中,它包含了精湛的法律,具有良好的随机性、遍历性和规律性。混沌运动的随机性和遍历性可以遍历所有的状态在一定范围内不重复。正是这些混乱的特点提供了一个广泛的优化计算和各种优化算法的新主意。高度敏感的初始条件,有界性、随机性和遍历性是四个最混乱的独特特征。本文中使用的混乱的地图是正弦的地图。混沌映射迭代
在方程(7),是迭代的数量。当值是2.3值是0.7,它可以表示为
混乱的价值的价值范围跳出的特殊限制的正弦函数范围[1],和它的值范围(0,1)。
3.3。健身CENEA计算
EMWSM的集群方案优化的用电单独循环传播,主要考虑的是如何降低功耗的单轮通过集群通信。在同一时期,欧几里得的长度通过普通传感器节点被认为是相应的簇头节点。分配一个常见节点最近的簇头节点帮助传感器节点与簇头节点通信时消耗更少的能量。因此,普通节点分配给相应的簇头节点;的平均长度从传感器节点到簇头节点
在方程(9),代表了普通常见的节点分布在EMWSNs,总数代表通过传感器节点对应的簇头节点。
平均距离越小,越好聚类方案。CENEA的适应度函数可以表示为
在方程(10),是比例系数。不失一般性,设置的值为1。
3.4。变异操作CENEA
保持簇头的数量恒定和引入随机性,变异操作使用一个特定的变异概率代替一个随机的个体与其他nonduplicate节点。新选中的传感器节点作为簇头节点。一个人,一个随机数根据混沌映射生成。然后,在执行操作
在方程(11),代表新生成的簇头节点,不重叠与现有的簇头节点的个体。
3.5。交叉操作CENEA
首先,执行一个逻辑和操作在两个人中间 。其次,执行逻辑异或操作在两个个体获得另一个个人中间 。最后,簇头节点的位置在中间通过异或操作分配给新的交叉个体的交叉概率 。新鲜的人获得交叉后可以表示为
交叉概率有一个优秀的影响可搜索性和收敛效率的公式。摘要相对价值取决于父母和个人健身的好处的平均健康利益集团是用于调整。下一代交叉概率更新策略所示
在方程(13),交叉概率的吗th个人在下一代。目前的健身价值的象征th个人和代表平均健身价值。当当前的个人健身的好处比平均健身的好处,下一代个体的交叉概率保持不变。否则,交叉概率与一定的系数会改变,直到下一代染色体的健身好处是更好。和高和较小的交叉概率的局限性。当当前个人的健身价值高于平均健身价值,其组成系数变化的影响下一代的个体的交叉概率。
3.6。选择操作CENEA
目标的选择操作决定哪些个人和新生成的个体将生存下一代。使用贪婪原则来确定新生成的个体替换旧个人。所示的操作规则
在方程(14),代表的健身th个人的的一代。代表的健身th个人的的一代。
3.7。精英CENEA操作
一个全局变量被设置在CENEA存储迭代过程中最优个体。全局变量是精英个体。选择操作执行后,CENEA法官种群中最优个体的健康是否低于精英个体的健康。根据不同的结果进行相应的操作,和操作规则
在方程(15),代表了一种精英个体,和代表最好的个人的一代。代表精英个体的健康,代表了最好的个体人口的健康。如果精英的健康个体小于健身人群中最好的个体,个人保留精英;否则,最好的个体取代精英个体。使CENEA迭代过程总是积极更新人口,有必要保存精英个体人群中。拯救精英个体的操作一样
在方程(16),代表了th个人的一代人口。的价值是由混沌映射。
3.8。利基CENEA算法
细分算法在CENEA意味着,人口划分为若干个亚种群,每个分组人口独立完成进化。每隔几代,最好的个人将亚种群之间的交换。定位算法可以有效地提高配方的性能,防止落入局部最优的配方。
4所示。结果与讨论
验证CENEA优化聚类公式是否能有效地节省用电EMWSNs的簇头选择问题。实现仿真软件在本节中,和CENEA优化路由与SFLA相比,聚类算法GA,和德、优化算法进行比较和分析。在仿真实验中,本文CENEA相比,SFLA, GA,和德。本文在MATLAB进行仿真实验R2018b软件和Intel Core i7处理器平台。经过几次模拟实验中,参数的最佳值。EMWSNs实验的环境参数如表所示1。
仿真采用聚类方法基于CENEA, SFLA, GA和德。设置区域 。在CENEA,算法的迭代的数量是100,和人群中个体的数量是100。SFLA的比较,青蛙的总数是100,人口是20,在每个人口和青蛙的数量是5。最大的步长40米。在乔治亚州,人口数字是100。轮盘赌方法用于选择、交叉操作是一个单点交叉和变异概率是0.1。德的人口数字是100。交叉因子为0.3,换算系数是1。
集群头比设置为0.05。仿真结果如图3(一个)- - - - - -3 (d)分别代表情况下,传感器节点的数量是100,200,300,400。
(一)
(b)
(c)
(d)
图3显示了完整的网络通信能力摄入通过所有传感器节点在CENEA, SFLA, GA,当集群头部比例是5%,传感器节点的数量随算法的迭代的数量。从仿真结果可以观察到,SFLA算法的初始阶段有一定的下降迭代,但在迭代的数量达到一定数量时,它一再陷入进化停滞,最终获得集群方案有一个很大的网络通信能耗。GA和德有一个相对稳定的性能在操作,但未能在进化过程中动态调整算法参数,导致较慢的进化算法。最后的聚类方案的网络通信能耗高于CENEA的聚类方案。CENEA的集群方案使用的计算个人的健身了,个人的健身突变,和人口的平均健身作为输入,以避免算法陷入局部最优。混乱的地图是用来获取随机数在初始化期间和选择操作,保证了全球CENEA的效率。同时,由于采用细分方法,操作期间动态调整交叉和变异概率。CENEA的集群方案避免了进化停滞和固定造成的过早收敛算法参数。从图可以看出3条件下不同的传感器节点,EMWSN通信所需要的总用电CENEA SFLA相比减少4.1%到8.3%和1.3%到4.6%。德已经下降了2.9%到3.9%,这意味着能源效率较高时传输的数据量是一样的。
图4显示网络通信能耗的变化当400传感器节点在监测区域内不同区域的大小。集群头部比例是5%。数据4(一)- - - - - -4 (d)分别代表的面积大小 , , ,和 。
(一)
(b)
(c)
(d)
图4表明CENEA性能优势大于SFLA, GA,德在这两个小型和大型区域。在EMWSNs,环境监测的面积是不确定的。与SFLA相比,GA, DE CENEA EMWSNs时具有较强的适应性变化监测区域的大小。这是能够快速配置EMWSN集群头在不同环境条件下。CENEA优化速度更快。可以看出,当迭代的数量是20,网络能耗接近最优的结果。CENEA可以使用最少的时间得到最好的结果。的运行时间CENEA表所示2。
表2表明CENEA算法的运行时间远远短于SFLA小于DE和GA。最终结果的算法优化如图5。
图5表明CENEA最后的优化结果最优SFLA相比,遗传算法,不同面积大小条件下。同时,CENEA最短运行时间。这意味着CENEA可以得到最好的EMWSN集群解决方案负责人在最短的时间在一个复杂的环境。
图6显示,当集群头比率EMWSN CENEA的聚类方法不同,SFLA, GA,和德,分别SFLA的价值观,GA,德比的整体用电EMWSN沟通。传感器节点的数量是400,面积大小 。数据6(一)- - - - - -6 (d)分别代表了簇头的比例是5%,10%,15%,20%。
(一)
(b)
(c)
(d)
它可以看到从图6CENEA-based集群技术有效地减少了网络通信能耗SFLA相比,遗传算法,和德。当簇头的比例是5%,CENEA沟通减少能源的优势与其他算法相比是非常大的。当簇头的比例是10%,15%,和20%,传感器节点的数量就越大。与其他三个算法相比,减少网络通信能耗CENEA也是显而易见的。主要原因是SFLA、GA和德没有动态地调整参数在迭代过程中,导致缓慢的进化。在进化的过程中,CENEA可以通过模糊控制器动态地调整变异概率。使用精英运营商确保优化趋势,改善算法的进化速度。像传感器节点的数量提高,问题的复杂性呈指数增加,和CENEA仍然有很大的性能优于其他三种算法。
5。结论
本文提出EMWSNs CENEA集群方案,利用启发式算法来动态选择簇头的位置降低EMWSNs的用电。CENEA避免过早收敛动态更改算法参数的迭代过程,同时,具有更快的收敛速度。仿真结果显示,与其他三种方案相比,提出在EMWSNs CENEA集群计划可以有效地降低功率使用一个单一的网络通信。比较CENEA和SFLA、GA和德通过仿真验证,CENEA有效地减少网络能量消耗在一个小规模的环境( )和大规模的环境( )。的性能优势CENEA意味着它可以提出更优秀的簇头选择在环境监测计划。CENEA EMWSNs能满足实际需要。
虽然节能聚类算法提出了通过仿真证明了其优越的性能,它仍然有一些缺点由于研究能力和环境条件的限制。尽管CENEA的计算开销大大降低SFLA相比,德,GA。然而,CENEA仍然无法避免一定的计算开销,尤其是当面临大规模无线传感器网络或低档次的硬件上运行。摘要EMWSNs静态和随机分布的传感器节点在监测区域,但一些应用场景需要分布式移动传感器节点监测的数据。虽然是验证和实现在计算机模拟条件下,它没有考虑环境因素的影响在EMWSN节点之间的通信。CENEA EMWSNs与齐次的应用场景节点,节点随机分布在二维区域,不考虑实际的三维环境。在未来,它将分发研究传感器节点移动监测数据在某些应用场景。为了提高算法的实用性和适应性,下一步的研究可以将网络在三维场景和异构。在未来,噪声的影响,温度,障碍,和其他环境因素对EMWSN节点之间的数据传输将考虑,它将接近实际的监测站点。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本文由队创新人才计划(批准号2020 cb001),项目的青年和中年队的领先科技创新人才计划(批准号2018 cb006),中国博士后科学基金会(批准号220531),高水平人才研究资助项目(批准号RCZK2018C38)石河子大学和石河子大学的项目(批准号ZZZC201915B),和研究生教育创新计划的自治区。