文摘

移动sink-based数据收集无线传感器网络已经成为一个有吸引力的研究领域来减轻热点问题。它进一步增加的效率,系统吞吐量等,以及能源效率,同时减少延迟和数据包损失。近年来许多研究人员开发的移动水槽算法只有贡献获得有效的路径规划,和只有少数研究人员专注于解决网络环境的问题与障碍。这里,构造一个obstacle-aware路径移动水槽收集数据的传感器网络是一个具有挑战性的问题。在这种背景下,我们提出了网络的数据采集通过移动水槽使用支持向量机(DAOSVM)障碍。DAOSVM算法在两个阶段:访问点选择和道路建设。访问点选择使用生成树的方法,使用支持向量机和路径选择。提出DAOSVM估计的计算复杂度和使用现有的技术相比,它更低。DAOSVM也优于传统方法涉及多个不同场景下的性能指标。

1。介绍

无线传感器网络(网络)是有限的传感器节点集(SNs)随机部署在一个地区感兴趣的监控和收集数据1]。有几个传感器网络应用程序,这是空气质量监测、气候分析、工业、国防、智能城市等。2]。进步党传输数据使用多次反射通信基站(BS)或水槽使用继电器节点(RNs)的方法。这些节点是用低功率电池操作,取而代之是昂贵的和繁忙的任务3]。相反,能量可以通过使用可充电SNs[收获4]。但是,即使在这里,这是浪费的大量的社交网络中使用。由于使用大量的SNs,通过多次反射大量数据传输通信、BS消耗更多的能量和附近的RNs很快死去。在这种情况下,有一个概率的BS分开,导致能量洞或热点问题(5- - - - - -7]。

许多研究人员解决能量空洞问题通过引入移动水槽(MS)。女士是一个工具,访问网络中的每个SN和接收数据包从他们BS和报告数据。在这种情况下,SNs女士直接报告他们的数据,所以没有参与的RN,因此,能量消耗最小化。然而,访问每个SN不是正确的方法,因为它需要很长时间到达结束节点。值得注意的是,对延迟敏感领域,如医学、工业和国防需要的数据。此外,由于SN有限的缓冲区溢出,它会导致包丢失。即使他们采用最短路径旅行参观所有的SNs,它不会解决这个问题。因此,而不是访问网络中的每个节点,女士访问几个SNs称为会合点(RPs),和其他节点发送数据包到最近的RP。因此,确定最佳的rp和确定最佳路径,避免延迟和数据损失又具有挑战性的问题。然而,一些研究人员应对这些挑战的8- - - - - -10]。

大多数研究人员在文献中考虑RP作为一个节点或位置和旅行商问题(TSP)用于道路建设。在[11- - - - - -15),作者采用聚类算法来确定簇头(CHs)和他们认为CHs rp。值得注意的是,这些方法没有考虑该地区利益的障碍在实时环境中构建女士旅行路径。所以,有一个障碍的概率在实时环境中,通过考虑这些障碍并确定女士路径是一个更具挑战性的问题。除此之外,网络运营动态有限的人工干预,所以本算法是必要的。这个需求可以通过机器学习算法实现(1,16]。然而,子节点之间的数据传输和RP在多次反射传播非常高。引入虚拟rp (14将尽量减少直接传输数据的传输开销女士女士如果他们附近的道路。

这篇文章是出于这些观测,提出了数据采集与移动沉轮为使用支持向量机与障碍(DAOSVM)。DAOSVM最初决定最佳的rp组部署SNs使用最小生成树(MST)基于集群机制。一旦发现rp,障碍识别和使用支持向量机算法构造的路径(17在rp和BS。进一步降低数据包交往SNs和奢望,一组虚拟RPs (vrp),在单跳距离路径,女士可以被识别。进一步,我们比较DAOSVM算法与最近和相关出版作品如eACO-MSPD [18],CMS2TO [19,地球6],ETDC [20.)通过各种模拟和不同的性能指标。本文的主要贡献如下:(我)拟议中的DAOSVM确定最好的rp组从MST-based WSN的环境使用的集群机制(2)最短的女士之旅是由使用rp和水槽之间的支持向量机算法(3)我们还确定最佳vrp组之间的轨迹女士尽量减少不必要的数据包传输SNs和奢望(iv)最后,DAOSVM的优越性与最近发表的有关现有算法如eACO-MSPD [18],CMS2TO [19,地球6],ETDC [20.使用不同的质量标准)

本文的其余部分组织如下。节2研究了最近发表的相关文章。节3,我们一起讨论拟议中的工作问题制定和网络模型。节4,我们分析现有和拟议的模拟试验工作。节5,我们的结论。

2。相关工作

几个作品在文学引入路径寻找策略为移动网络下沉而收集的数据。本节总结了最有前途的作品以其优势和局限性。

2.1。道路网络建设规律

在本节一个典型网络认为网络没有任何障碍而构建的路径。从文献[21),我们发现一些工作总结如下。

林等。22)用于确定一个静态路径之间的VPs在网络和执行数据融合的女士使用基于蚁群优化(ACO),路径构造算法用于事件驱动轮(8]。在这种方法中,算法用于RP选择与寻路。进一步,作者扩展这项工作通过添加虚拟rp算法的一种改进的概率度量(18]。这些方法不仅提供一个最优路径,还提高效率的能源、生命周期、吞吐量、延迟等等。Mehto et al。23)之间使用PSO方法构造一个有效的路径rp在事件驱动方法。Mehto等人使用一只松鼠搜索算法将网络划分成集群和集群。

在一个基于网格的传感器部署和统一的数据率,网络被认为是在24使用移动水槽)数据收集。这项工作被认为是density-based在模拟网络,提供一个有效的路径以及最好的网络性能。在[25),使用多个海量存储系统(MSs)中获取的数据在WSN中统一的数据是由所有的传感器节点。网络分区网络中根据多次反射的方式RPs。提出了一种MS-based数据收集在26)的延迟最小化被认为是主要目标。在这方面,敏感数据进行动态路由,而女士获得延迟不敏感的数据。此外,他们扩展这项工作在27减轻热点问题。然而,这种方法会导致更长的路径和较高的计算复杂度。另一个对延迟敏感方法使用女士提出了(28)降低延迟和能量利用率使用生成树方法。

古普塔和萨哈29日)提出了一个人工蜂群(ABC)的方法路径网络建设和数据收集的数据率是均匀分布的。确定一组最优的rp (30.使用算法可以提供更长的生命与高效能源利用传感器节点的网络数据是均匀分布的。一种自适应数据速率控制是在执行数据收集使用维护的女士在31日]。这种方法需要计算和低效率均衡的能量和网络。但是,这种方法没有考虑一个obstacle-aware网络。MS-based数据收集的方法使用模糊逻辑与女士为集群网络来识别道路建设的rp和策略有效的数据收集。使用几何技术,介绍了一个有效的路径移动水槽(32]。

从上面的文献,可以得出的结论是,以上工作视为obstacle-aware路径所需的女士从传感器节点获取数据或石头剪刀。很少有作品在文学认为obstacle-aware路径找到以下小节中讨论的方法。

2.2。道路网络建设的障碍

在本节中,我们讨论的方法用于构造移动水槽路径在网络的环境障碍。

人工智能(AI)和路径方法用于(12)构建路径在WSN环境障碍和使用移动水槽收集数据。最初,算法可用于创建集群和AI-enabled方法旨在构建路径移动下沉了网络来获取数据。在[9女士),作者提出了一个有效的算法对道路建设和缓冲区管理使用网络的q学习方法。在这种方法中,q学习算法有效地安排女士网络中丢包率降到最低。这种方法没有采用蚁群选择策略对提高数据收集过程。在[13],PSO-based机制用于选择CHs轮也有用在[女士在构建路径6女士),作者提出了一个旅游计划轮为有限的缓冲区和不均匀的约束。

谢和锅33轮]引入了基于集群的网格分区操作障碍和路径女士决定在这个工作中,启发式方法是用于决定一个有效的路径移动元素得到数据包的SNs其旅行期间同时避开障碍物。Obstacle-aware连接管理介绍了(34)使用德劳内triangulation-based移动元素的方法。这种方法有效地管理传感器节点之间的连接来帮助他们的数据有效地路由到基站。在[35),公园等人发明了一种迭代聚类机制优化的路线而女士获得SNs的数据包。这种方法是有效的和聪明而获得和提高数据采集效率。这种方法有效地工作,明智地改善数据收集过程。obstacle-aware路径女士介绍了使用基于集群的方法(36网络)。在[37),杨等人提出一个动态路径女士使用虚拟网络中潜在的领域。

从以上的研究中,很明显,大多数现有的算法考虑了移动水槽路径不考虑障碍。尽管在一些作品中,障碍被认为是,他们没有将蚁群选择过程中减少不必要的数据包传输之间的SNs和奢望。此外,女士也可以优化和动态构造的旅行距离。所有这些挑战是解决提出DAOSVM机制。

3所示。提出工作

在本节中,我们提出问题公式化,算法提出,插图,和复杂性分析。节3.1,我们还讨论了网络模型和参数,影响了网络。部分3.2描述了详细的数据收集过程包含了网络使用障碍的女士/障碍。最后,DAOSVM分析的复杂性,它也与现有的方法相比。本文总结在表中使用的符号1。

3.1。问题公式化

传感器网络被认为是一个无向连通图 ,在哪里 。在这里,被视为的废话和剩下的SNs。所有这些 SNs是随机部署在固定位置后(没有移动部署)和具有独特的属性。的 是距离邻接矩阵,包括 。欧氏距离和传输两个SNs之间的范围和被视为 和 ,分别。我们认为两个SNs之间的距离和作为 ,如果他们不在 。rp表示使用的集合 ,RP在哪里应该获得数据包从SNs和蚁群。的被视为vrp的集合,与将数据直接传送给女士或最近的RP。从当初女士获得数据或vrp和提交它 。女士开始从环游网络而穿越再次,达到 。这就是所谓的参观。的时间完成一个旅游表示为 。女士在旅行的路程表示为 。的速度是恒定的女士在数据收集过程中,它是表示 。女士通信范围表示 ,和最小距离女士必须小于 。在WSN环境的障碍 。所有的SNs网络统一缓冲区可用性,它可以存储最多位的缓冲区。缓冲区占用与指示 ,在哪里 。

的被认为是SNs的初始能量,它是一样的吗最初,主要在感应现象,利用数据传输和处理。能量模型DAOSVM遵循空间能量模型,根据(14]。所需的能量放大 ,需要能量来处理数据 ,和电路的需求能量接收。节点的能量消耗(EC) ,而转移位的节点是在

的节点消耗能量方程所示(2),而接收位从节点 。

欧共体的一个节点在数据传输 和获得的数据 在旅游计算使用

在哪里是节点对数据处理的能量变化。使用RP组数表示 ,和它是决定使用方程(4基于(),它是派生38]。

在哪里轮的面积平方米,之间的距离是RP的废话 。

传感器网络的生命周期( )时代时间直到第一SN完全消耗能源,我们考虑指标的分钟8]。它是测量类似

在哪里女士是一个旅游的时间和吗表示完成旅行的#女士因此,DAOSVM的目的是总结,因为它延长了延迟,减少了数据采集通过避免障碍。最后,问题的陈述是选择最佳的RP组,例如, ,这最大化obstacle-aware数据收集使用MS。

3.2。Obstacle-Aware道路的决心

拟议中的DAOSVM算法包括三个阶段。在第一阶段,该算法适用于MST-based集群机制(MST-CM)。从MST-CM,最好决定了rp组进行进一步的数据收集过程。在第二阶段,路径是由女士避免障碍的帮助与支持向量机算法。在最后阶段,该算法找到一组vrp的帮助下之间的rp和SNs可以最小化。为更好的理解该女士道路建设,我们在本节提供了预赛的支持向量机。该工作的概述图所示1。

3.2.1之上。预赛的支持向量机

SVM是一个监督ML算法,可以解决回归或分类问题有更好的准确性(1]。拟议中的DAOSVM使用利润最大化机制的帮助下支持向量机来解决这个问题通过构造最优超平面。

让我们考虑数据集 ,在哪里是矢量数据集和相关的标签吗和 。这个样例分离超平面 。在情况下,训练样本线性可分的,和和必须满足所示

通过使用这些参数,两类样本由两个超平面等 和 并确保它们之间不存在其他数据。 代表了目标函数为最小化所示的参数方程(7)Equaton的约束条件下(6)。

获得的利润最大化可以通过使用拉格朗日乘数法,如下所示:

受到方程(9), 。

训练数据集与(非零)的超平面或并被视为支持向量(SV),因为这些数据只能帮助计算参数。从这个,歧视构造函数所示

在哪里代表了SV的指标。内核的支持向量机用于分类点不是线性可分的。可以使用各种内核多项式和rbf。但在这里,我们使用一个多项式的内核。

3.2.2。RP选择策略

在这个阶段,图被认为是一个输入,并确定最好的RP组 。我们使用基于MST的集群机制(MST-CM)来确定最好的组数,也就是说,较低的计算复杂度。最初的SNs和基站部署如图2(一个)。这个图由交换位置信息在社交网络中,如果距离小于SNs之间,它们与优势。的结构见图2 (b)。

MST-CM拘谨的算法适用于构造MST的传感器网络图 。结果MST的基础上如图2 (c)(没有区别不同颜色的边缘)。MST-CM识别最长的边缘使用方程(11)通过移除它暂时,直到最长计算下一个节点次了。

这个分区的结果最好的最近邻集有限的成本。然而,除去最扩展节点总是不会导致最好的聚类策略。永久删除的节点之前,我们使用变异系数(x)每个节点决定效率时一段删除节点形成集群。x是用来测量一致性,即。,it can measure how the edge weight (distance between the two nodes) is uniform from one another. The CoV for MST-CM is the ratio of standard deviation (SD) and mean of the edge weights from the ,所示

在哪里是边SD和算术平均值的边缘吗 。的计算使用方程(13),计算见方程(14)。

在哪里边缘SN的重量吗和是

从方程(12),可以看出,减少浸意味着可以获得更高的效率。之前删除任何节点永久的 ,我们测试x和。这个操作的结果 集群的 。我们使用一个阈值x和消除不一致的边缘从MST ( )生成集群。集群设置删除后最长的优势取决于浸见图2 (d)。从每个集群 ,我们发现RP使用方程(15),这被认为是38]。

在哪里选择节点的概率是RP,SN的初始能量,计算见方程(4)。在每一轮中,SN生成一个随机阈值在0和1之间,而用来识别rp。在第一轮的数据收集、能量不受影响,但从第二轮开始,当初的选择考虑能量。这个过程如图2 (e)。

拟议中的DAOSVM也涉及到重新选择石头剪刀在每一轮使用方程(15)和能量模型。RP SNs中重新选择也平衡能量。值得注意的是,附近的SNs rp面临同样的能量洞传达任务的问题,因为,如果没有重新选择。

3.2.3。女士道路的决心

女士路径构建阶段是一个关键的和具有挑战性的阶段,因为它决定数据收集过程的效率,这是当的障碍被认为是更复杂的。这一阶段是rp组后执行是决定。该算法扩展两个阶段:(I)决定参观秩序,(2)避免路径中的障碍。

在第一阶段,访问的顺序rp女士的决定。有几种算法在文献中可以选择最优和最短路径移动水槽使用TSP, ACO,等等,但这些需要复杂的计算。这里,我们计划提出一个轻量级的路径选择算法来填补的最短路径的必要性使用计算几何方法(14]。这一阶段的作为输入并生成路径作为输出。我们假设所有的有坐标和在一个平面上 。起初,我们确定最大和最小的坐标并承担一个虚拟这些坐标之间的界线。飞机是分成两个部分,如下面的线,线以上。然后,所有的的按升序/降序排列以下行根据坐标和下降/上升(上图)相反的顺序的根据坐标。然后,将两个的rp的访问顺序。该算法检测二期的路径通过避免障碍。

在第二阶段中,支持向量机算法应用于构建路径可以避免环境的障碍。一步一步路径确定算法通过图解释3。在开始算法之前,标签的正面和负面的障碍。注意红点表示负面的障碍,从图和绿色圆圈表示积极的障碍3。这里,实际障碍突出,三角形表示数。图3(一个)是主要的例子是为了说明道路建设两个数之间通过考虑两个障碍的网络环境。

最初,我们构造一个虚拟路径之间的两个数(和 ),这是一个常规的直线。虚拟障碍物设置在rp在一定距离 rp和直线平行。这些虚拟障碍分为正面(右侧直线)和消极的直线(左),如图3 (b)。之后,我们确定的模式的障碍和识别的正面和负面的障碍根据障碍重心。如果障碍的重心是正确的,那么我们突出积极的障碍,如果重心是在左边还是在直线上,我们认为负面的障碍标志如图3 (c)。指导样品平行排列样本与一定的距离从线,如图3 (d)。这些线是根据负调整虚拟障碍物或点。根据障碍,另一侧移动,和那边附近一个障碍的引导样品也移动根据样本的距离障碍。

我们现在可以应用支持向量机对样本生成和分析支持向量机的学习过程的结果。通过应用学习过程,支持向量机导致支持向量集和权重可以决定每一个点的地区根据正面或负面的障碍。这个地区还构造了一个无碰撞分离线在一个二维区域,如图3 (e)。我们试图确定线分离的障碍通过迭代寻找下一个点之前方程(16)的结果值为零。

通过重复这个问题,我们得到女士的路径通过避免的障碍来 ,如图3 (f)。然而,这是一个可能的路径不是最优路径。我们也可以终止迭代时 ,超过的迭代的数量然后阈值(本例中可能发生如果路径和障碍之间的距离最小的两边)。我们重复相同的过程通过调整引导线(图3 (d))或翻转的正面或负面的障碍使另一个模式来构建几个可能的路径,如图3 (g)和选择最好的一个。重复这个过程,直到所有的数都是访问可以完成从b的旅游旅游通过rp BS。

3.2.4。蚁群选择

vrp的选择提出工作改进了数据采集过程之间的通信通过最小化SNs和rp如图4。在这部作品中,vrp是进步党 ,可直接与女士沟通时遍历的范围 。的vrp DAOSVM决定基于可用的时间轨迹上的女士在SNs的范围内。

最初,我们选择一条线/曲线 任意两个数之间 。的的形式吗 。我们假设 VRP和我们确定的距离与一个特定的点 这应小于 。点最短的距离从每个SN 计算中所示

从方程(17),我们可以推导出协调的通过双方的推导,也就是说, 为零。一旦我们得到 ,我们可以很容易地确定协调的 。同样,这个过程重复与每个SN rp之间所有可能的路径。下图给出了一个更好的理解与选择的过程。我们假设 和曲线的方程 ;然后,方程(18)内裤点最短路径 。

在这里,我们组 0和解决 ;最后,它返回 。我们替代的价值在 ,所以,我们得到 。所以,最近的点到 是 。如果之间的欧氏距离 小于或等于 ,然后是包括 。

3.3。复杂性分析

第一阶段是RP选择的复杂性包括MST建设,确定被删除的边缘和RP节点的选择。使用的MST算法的复杂性 ,在哪里边的数量是 ,和 表示节点的数量。的复杂性来确定要删除的边缘 。rp的复杂性来确定 。总而言之,最后RP组选择的时间复杂度 ,和在是 。后值代替,渐近RP组选择的复杂性 。的访问顺序需要计算时间。道路建设的时间复杂度,避免使用SVM的障碍 ,在哪里表明支持向量的个数,也就是, ,因此被视为复杂性 。复杂性决定vrp集 。整体评估所有阶段后计算复杂度 ,最后一个渐近DAOSVM算法的计算复杂度 。

4所示。结果与讨论

在本节中,我们提供了该模型的理论和仿真结果。拟议中的DAOSVM和现有eACO-MSPD [18],CMS2TO [19,地球6],ETDC [20.)的方法是使用Python实现模拟器(v3.10.0)。数据包大小是30个字节,和数据通信速率为80 kbps 250 kbps (39]。我们认为网络的两个场景:(i)不同区域的大小和(2)不同SNs的数量。在第一个场景中摘要:# 1),我们认为 100最大的SNs随机部署,当作一个小网络几乎没有障碍。在第二个场景中摘要:# 2),我们增加的面积大小 来 ,和SNs的数量增加了1000。网络的部署和包代被认为是根据Sah et al。40],MQTT应用协议。在WSN # 2,我们增加了许多障碍。的所有的是平等的,即100 J。的电子商务和是42千瓦(0.042 J)和29 mW (0.029 J),分别。我们进行仿真不同的通信距离15米和50米之间。数据收集期间的旅行速度女士设置为1 Mbps。拟议中的DAOSVM与eACO-MSPD相比,CMS2TO,地球,和ETDC算法与能源消耗等各种性能指标(EC),公平指数(FI)、网络生命周期(NL)缓冲区利用率(BU),平均路径长度(APL)和包交货率(PDR)。

4.1。平均能量消耗

网络的原子能委员会计算的平均能量消散的SNs,直到一个特定的仿真时间吗实现方程所示(19)。越高将会降低 ,反之亦然。

我们检查的原子能委员会提议和现有算法的两个场景WSN # 1和# 2系统,如图5。在图5(一个)与100年的小型网络SNs平均EC审查通过改变仿真时间100毫秒到600毫秒之间。的DAOSVM的WSN eACO-MSPD # 1是改进现有方法,地球,ETDC, CMS2TO 1.5 9乔丹,-19 - 2.7 mJ, 3.4 -27年乔丹,-33和4.5 mJ,分别,而改变仿真时间。从图5 (b),我们注意到该DAOSVM改善了原子能委员会-24年2.3 mJ eACO-MSPD相比,5.1 -29年乔丹与地球相比,6.5 -32年乔丹比ETDC和8.4 -36年乔丹比CMS2TO算法。最好的原子能委员会达到DAOSVM由于石头剪刀的最佳选择和获得最佳路径。VRP选择过程也最大限度地减少能源消耗,避免数据包传输rp当女士在其范围内。

4.2。公平指数原子能委员会

实现最好的原子能委员会WSN并不意味着能量平衡的SNs网络中。确定瓶颈的平等的分享是代表了公平指数(FI)的欧盟,并表示 。任何SN EC的FI是介于0和1之间。的值接近1表示最好的FI,接近于零意味着较低的FI。EC的FI是计算中所示

EC表示的标准偏差在哪里 , ,和 。SD越高越轻,FI价值,反之亦然。欧共体的SD之旅计算使用

FI的提出和评估现有方法对WSN # 1和# 2系统图6。100年第一个场景与FI SNs比较通过改变仿真时间图所示6(一)。DAOSVM FI的WSN # 1 eACO-MSPD相比提高了0.8 -3%,1.6 - -5%与地球相比,ETDC 3.1 -6.5%, 4 - 9%相比CMS2TO算法。从图6 (b),我们注意到FI的改进现有方法eACO-MSPD,地球,ETDC, CMS2TO 1 - 4%, -7% - 2.5, 3.1 -8.5%和4.5 -10%,对WSN # 2的分别。改进的FI拟议的工作表明平衡能源在SNs网络。这改进也是通过考虑最好的VRP集。这组VRP有助于最小化之间的数据传递SNs和RP直接传输到女士(通信范围)。

4.3。网络生命周期

网络生命周期(NL)是一个重要的参数决定了网络的性能(41]。提出的问DAOSVM算法计算使用方程(5)。

我们测试DAOSVM、eACO-MSPD CMS2TO、地球和ETDC之间通过改变SNs 40 and100 WSN # 1和100年和1000年WSN # 2,如图7。执行各种模拟测试后,我们确认该工作优于较现有算法。图7(一)问的比较与eACO-MSPD DAOSVM CMS2TO,地球,ETDC。的的DAOSVM比eACO-MSPD长208 - 349分钟,231 - 497分钟与地球相比,320 - 564分钟ETDC相比,CMS2TO算法相比,396 - 571分钟。图7 (b)显示了的DAOSVM比eACO-MSPD增加了120 - 290分钟,比地球199 - 487分钟,比ETDC 287 - 522分钟,比CMS2TO算法和342 - 603分钟。

4.4。平均路径长度

女士的平均路径长度(APL)计算总距离的比值的女士和旅游的数量完成,如图所示

OAPC执行RP重新选择,和路径重建可以根据网络状态的变化。不像eACO-MSPD CMS2TO、地球和ETDC,提出DAOSVM算法基于不同旅游距离障碍物的数量也带来了网络的动态变化。的计算在WSN # 1和# 2系统通过改变网络障碍的数量,如图8。在这两种场景中,路径长度增加,因为通过网络避免障碍。在这里,同时避免障碍,路径长度增加两个数之间的欧几里得距离相比略。然而,没有障碍总是小于或等于现有的CMS2TO eACO-MSPD,地球,ETDC算法在这两个场景。在WSN # 1,120米100 SNs没有障碍。在WSN # 2,值是320没有障碍。

4.5。缓冲区的利用率

所使用的缓冲区的数量在一个单位时间作为缓冲利用率(BU)。PDR成正比。缓冲区的容量也会影响RP选择,因为布鲁里溃疡的最佳节点可能提高数据收集过程和减少数据包丢失。缓冲能力也会影响rp的数量。增加缓冲区大小石头剪刀将减少。由于旅游的长度,女士也可能减少。布鲁里溃疡平均的工作,现有的计算工作时间描述了使用

在这两种场景中,如果 ,SN滴包。图9评估的BU DAOSVM、eACO-MSPD CMS2TO,地球,和关于两个场景ETDC WSN # 1和# 2 100年和1000年通过考虑SNs系统,分别。从图9(一个),我们观察到的BU提出DAOSVM eACO-MSPD相比增加了3 - 5%,7 - 9%相比地球,比ETDC 13 - 15%, 14 - 17%相比CMS2TO算法。图9 (b)表明,布鲁里溃疡DAOSVM算法比eACO-MSPD增加了2.5 - -3.5%,比地球8.5 - -12%,比ETDC 14.5 - -16%, 16 - 18%比CMS2TO算法。在DAOSVM BU的改进现有方法可以观察到由于高效调度的女士在数据收集过程中。由于布鲁里溃疡有效,丢包率也降低了该DAOSVM算法。

4.6。包交货率

这是#收到的数据包的总数的比率这是用 ,和#产生的数据包直接(通过最近的RP / MS)表示期间 。计算使用

在哪里 ,和的计算策略所示

在哪里表示从环境中收集到的数据包数量SN 。PDR越高表明有效的数据收集过程,反之亦然。它还显示了通过网络调度女士和效率达到缓冲区溢出。PDR的提议和现有算法比较图10。这个模拟考虑了SN数据生成类似于所有DAOSVM和现有算法。PDR的提议和现有方法记录在100毫秒,600毫秒之间的模拟运行通过改变50 ms差距场景WSN # 1和# 2系统。

所使用的缓冲区的数量在一个单位时间作为缓冲利用率(BU)。

从图10 (),我们注意到该DAOSVM增加比eACO-MSPD PDR的10 - 12%,比地球11 - 15%,比ETDC 12 - 17%, 12 - 19% CMS2TO算法在第一个场景中。同样,性能改进也观察到在WSN # 2,如图10 (b)。在这里,我们发现OAPC相比提高了PDR 8 - 10% eACO-MSPD, 9 - 12%与地球相比,10 - 14% ETDC相比,11 - 16%相比CMS2TO算法。

5。结论

建设的最优路径和选择最佳的旅行女士RP集网络数据收集中一个具有挑战性的任务。它是更具挑战性的障碍在网络上的旅行路线。本文采用支持向量机建立obstacle-aware移动水槽的道路。在这方面,我们还计算出最佳RP和vrp和重新选择,蚁群在哪里可以直接传输数据的节点选择RP组女士和选择使用最小生成树聚类机制。VRP的选择主要取决于之间的路径rp和SNs,之间的距离和路线应该该DAOSVM女士的通信范围内与eACO-MSPD相比,CMS2TO,地球和ETDC使用模拟运行与各种性能指标如原子能委员会,FI,网络寿命,但是,平均路径长度,包交货率。这些比较得出结论,提出工作优于现有算法。在未来的工作中,我们考虑速度控制和等待时间在VPs是调度移动下沉。

数据可用性

与本研究有关的所有数据嵌入。

的利益冲突

作者宣称没有利益冲突。