文摘
近年来,我们的生活变得更广泛和更快的适应物联网(物联网)。在物联网中,连接到互联网的设备分布在全球各领域提高生产力。网络扮演着一个重要的角色到水槽节点传输数据的收集物联网中所有其他节点。物联网需要节能,因为它是连接到资源受限的设备上。能源保存在物联网是一个困难的挑战来提高网络的生命周期。集群是一个关键的技术来延长网络的寿命。,簇头选择是一种有前途的物联网网络的技术来延长寿命。许多研究者提出了各种集群头(CH)选择技术在物联网。然而,不当的CH选择快速降解电池和创建一个网络energy-hole问题在网络。本文提出了一种新颖的鹬优化算法(SOA)中选择CH网络。 Later, the cluster is formed by using the Euclidean distance. The proposed SOA’s accomplishments are compared to fitness value-based improved grey wolf optimization (FIGWO), particle swarm optimization (PSO), artificial bee colony-SD (ABC-SD), and improved artificial bee colony (IABC). The proposed SOA extends the network lifespan by 3-18% and increases the throughput by 6-10%. Thus, the proposed SOA increases the network lifetime and throughput and decreases the energy consumption among the nodes in the network.
1。介绍
物联网(物联网)是一个新的研究领域,吸引了来自学术界和工业界的研究人员。物联网是一种新的网络模式,改变了传统的人类的生活方式,复杂的生活。凯文·艾什顿创造了这个词在1999年物联网(1- - - - - -3]。物联网是一个网络的东西都与互联网通过交换信息,相互沟通。智能家居物联网的应用程序、智能农业、智能电网、智能医疗、智能交通、智能城市等。4- - - - - -6]。
无线传感器网络(WSN)包含一个相互联系的传感器,可以交换信息的无线环境。最近的技术发展,小型传感器和致动器以最小的成本和功耗。每个传感器节点的模块是由传感、数据处理和数据传输7- - - - - -9]。WSN应用程序的个人健康监测、环境监测等,有些应用程序需要大量的节点。因此,保持大量的节点需要高效、可扩展的算法。WSN可能改变的动态网络结构由于其外部原因或系统设计师。因此,它可能会出现路由过程,延迟,本地化,等。因此,系统需要重新设计网络,提高网络的整体性能(10- - - - - -12]。
WSN概念可以使用的各种应用程序。网络的节点是由电池供电。能源消耗的无线通信传输距离成正比;因此,节点位于不同的地方用不同数量的能源(13,14]。因此,网络节点维持能量分布不均匀。路由是重要的参与者和水槽之间的数据交换WSN-based物联网。路由问题患上了整个网络的生命周期。所以,各种路由协议提出了改善网络性能。路由协议分类基于网络结构,节点的参与,和运作模式和集群协议(15,16]。
集群是一个最好的选择传输WSN-based物联网中的数据由于其节能能力。集群提供了减少冗余的数据聚合设备集群成员(CMs)之间的数据传输和网络中沉17,18]。在集群协议,集群头(CH)选择合适的CM中起着重要作用在各种其他CMs。许多研究者提出了各种CH选择策略寻找良好的网络中CH。然而,优化的最优策略是确定网络中CH。
优化算法是迭代的过程,可以反复执行,直到找到最佳解决方案。许多研究人员已经开发出多种优化算法近年来,包括蚁群优化(ACO) [19),粒子群优化(PSO) (20.)、遗传算法(GA) [21(拥有)[],灰太狼优化22樽海鞘,群算法(SSA) [23),磷虾群(KH)优化算法24),和蝙蝠算法(BA) (25]。然而,许多优化方法CH选择过程中需要相当大的收敛时间。因此,节点的电池消耗很快经过某些网络轮。为了解决这些问题,本文建议SOA,增加网络的生活。因此,提出了SOA扩展了网络的生命周期和吞吐量。
这项工作的主要贡献如下:(我)设计和开发的SOA-CHS选择最优的目的CH除了延长网络的生命和提高吞吐量(2)一个广泛的分析进行各种优化算法对该SOA-CHS算法来延长网络的寿命(3)仿真运行很多次为了评估SOA提出算法的性能,和水槽节点放置在网络的中心地区,以检查其整体性能(iv)有效地计算适应度函数,本文利用欧氏距离,最好的鹬是CH在给定的网络
本文的其余部分分为以下部分:部分2概述了相关工作在CH选择算法使用优化算法。部分3描述了CH选择,提出基于SOA的算法。部分4阐述了结果和讨论。部分5总结了纸和提到了未来的工作。
2。相关工作
王等人。26提出一种改进的人工蜂群(IABC)算法来选择CH在物联网。在CH选择IABC算法考虑的参数,即CH能源、CH密度,和CH的位置。集群使用模糊c均值算法构造。使用IABC CH选择算法。此外,轮询控制机制是用来保持忙碌的为星团内通信或闲置状态。IABC算法PSO相比,ABC-SD LACH-C, FIGWO算法的有效性。因此,网络的寿命增加了5 - 8%,分别。然而,CH远离水槽;它会消耗更多的能量比其他节点在通信。
Alazab et al。27)提出了一个健身平均骑手优化算法(FA-ROA)物联网的CH选择。这项工作的主要目标是减少延迟和延长网络的生命。适应度函数是计算利用延迟等因素,能源,和距离。提出FA-ROA提供了两套解决方案。第一组获得通过旁路骑手的平均值值和跟随者骑手值。第二组是基于乘客试图超越的品质和攻击。FA-ROA正在评估ROA相比,SAWOA, WOA, MFO, GFO以确定其有效性。因此,网络的生命周期被延长。然而,它会消耗更多的能量通过考虑因素,即温度、加载和数据流量。同时,需要更多的时间在CH收敛的选择。 FA-ROA has improved the overall mean performance of alive nodes to 22.13% compared with existing optimization methods.
问题等。28)采用了萤火虫群优化(GWSO)方法确定事物的CH在互联网。它提供了适应性CH选择使用GWSO算法。许多现有的算法形式固定节点的集群网络。就是无效的,当有大量的死亡节点在网络中。在提出的聚类方法中,节点是不固定的,它改变了集群中的节点是动态的。因此,它增加了网络的寿命8 - 12%,分别。一些节点死亡后一个特定由于集群运行的动态特性。
Sankar et al。29日)提出了一个高效的基于集群路由协议在物联网。它需要CHs的选择以及集群的形成。旗鱼算法被用来选择CH。集群生成使用欧氏距离。SOA的有效性评估EPSOCT相比,HCCHE, IABCOCT。拟议中的SOA提供了性能优越的网络寿命和吞吐量。与其他算法相比,它有困难时试图增加轮在网络,它也花费的时间大大超过其他算法收敛时CH选择过程。拟议的SOA方法,从而提高网络寿命5 - 10%,减少延迟了10 - 20%。
小张和小王30.)提出了一个节能意识bioinspired算法在物联网来延长网络的寿命。本文提出了PSO-WZ,采用粒子群优化(PSO)算法。使用PSO-WZ CH被选中。之后,该部门的规则是用来形成集群网络中CH。使用MATLAB进行仿真。的有效性提出PSO-WZ滤和PSO-C相比。拟议中的PSO-WZ优于LEACH和PSO-C通过网络寿命和吞吐量。因此,网络的生命周期已经提高了5 - 10%。然而,这种类型的算法适用于特定的应用程序在传感器网络和物联网。
Khot和奈克(31日)提出了CH选择WSN particle-water波优化。本文提出了粒子水波优化(PWWO)算法,它结合了PSO和水波优化(WWO)算法。选择了CH使用PSO算法。健身价值计算使用的参数,即能源、信任、一致性因素,延迟,和可维护性的因素。CH选择后,建立了路径CH和水槽之间使用PWWO算法。PWWO算法的效果比较DICMLA P-SMO。拟议中的PWWO提供性能优越的能源平衡指数,网络覆盖,活着的节点,和忽略时能源值为0.9246,99.9%,144,0.666 J。因此,网络的寿命延长。然而,健康测量计算CH选择花更多的时间。
Shyjith et al。32)提出了一个动态CH选择基础上,以提高网络的生命周期。动态CH的选择是一个关键的角色在WSN改善网络性能。本文提出rider-cat群优化(RCSO)选择正确的CH的基础上。RSCO已经设置、传输和测量阶段。CH当选使用RSCO算法。阈值和CH选择网络参数的基础上完成的,也就是说,距离,延迟和能量。数据传输阶段确保CH和水槽之间交换数据。最后,在测量阶段,网络中每个节点的剩余能量是定期更新。拟议中的RCSO算法相比,类似的算法。该算法提高了整体网络性能如吞吐量、活着的节点,提供能量和最大价值74.715%,18日和0.0351 J。 During the CH selection process in the network, it takes some time for the network to converge.
相关工作进行审查后,发现许多优化方法CH选择WSN-based物联网已经提出。可以看出以下限制如下:(i)需要更多的收敛时间。(2)需要时间计算适应度函数。为了解决这些局限性,本文提出了基于soa的CH选择,增加网络的寿命。
3所示。系统模型
3.1。网络模型
网络包含““节点随机部署在监测区域。所有节点是静态的,不能从一个地方移动到另一个部署后,也没有创建网络干预发生一次。网络中的每个节点都有一个惟一的ID,齐次与其他节点初始能量、处理和通信的能量。水槽位于网络的中心。CH节点是网络中的主要元素影响传感器节点之间的通信。CH选择算法运行在下沉。水槽选择最优CH在网络节点使用SOA。后来,欧几里得距离的基础上形成的集群。CH收集数据并将聚合数据转移到水槽。图1显示了SOA的网络模型。
3.2。能量模型
图2显示了SOA模型是紧随其后的是标准的WSN能源模式33]。SOA的通道模型根据距离”“发射机之间”“和接收方” 。”
的能量消耗”“比特之间的数据发射机”“和接收方” ,”,它在以下方程:
在哪里或的能源消耗是放大器单元。
阈值在计算以下方程: 在哪里是自由空间衰落放大器能源和是能量多路径衰落放大器。
接收方收到花的能量”“比特来 ,及其计算给出以下方程:
在哪里电路的成本是能源传输或接收一个比特的数据什么时候是传输的比特数。
4所示。建议使用鹬优化簇头选择算法
本文提出一种鹬优化算法(SOA)选择正确的CH在物联网34]。水槽位于网络的中心。水槽执行SOA选择最好的CH。后来,一个集群的基础上生成网络中节点之间的欧氏距离。
鹬海鸟,驻留在团体被称为殖民地。他们利用他们的智慧来定位和攻击猎物。它有两个阶段,即迁移和攻击阶段。
4.1。迁移阶段(探索)
这是一个季节性运动的鹬(S)从一个位置到另一个地方吃食物来获得能量。它遵循的属性,下面提到。(我)鹬旅行在一群迁移阶段。最初,整个鹬从不同位置以避免碰撞(2)在一组,整个鹬走向鹬的最佳的健身价值。最佳的健身价值是最小的在这种情况下,由于最小化属性(3)鹬更新他们的立场基于最好的鹬的位置
鹬需要满足三个条件在迁移阶段。
以下4.4.1。避碰
鹬或搜索代理没有碰撞生成一个新职位 ,并给出以下方程:
在哪里表示鹬的运动,显示当前位置的鹬表示当前迭代。
鹬的运动计算,给出以下方程:
在哪里表明鹬控制频率从2 0和减少表明不同的迭代值从0到最大迭代。
4.1.2。收敛鹬的最佳位置
为了收敛,鹬移动到当前位置的方向最佳鹬 ,及其计算给出以下方程:
在哪里表示随机变量是基于探索。
的计算,给出以下方程:
在哪里是一个随机数,持有一个值在0和1之间不等。
4.1.3。更新位置最好的鹬
最后,鹬更新当前位置最好的鹬的立场,并给出以下方程:
在哪里表明之间的差距鹬的立场和最好的鹬的位置。
4.2。攻击阶段(探索)
在攻击阶段,鹬创建三维平面螺旋行为,及其代表在以下方程:
在哪里表明螺旋的半径,是一个变量,其值介于0和2,和螺旋值常数,自然对数的基础。让和值设置为1。
更新后的鹬的位置计算,给出以下方程:
4.3。计算适应度函数
平均健身表示平均客观价值的鹬在每个迭代中。使用欧氏距离计算目标函数。SOA的选择最好的位置是基于客观价值持有在各自的迭代中各个节点之间的最小距离。整个CH选择过程中给出了算法1。
4.3.1。残余能量(r)
r指定总能量可以在网络35]。下列方程计算剩余的能量花费精力和初始能量。它在以下方程:
在哪里和当前可用的能源和初始能量的网络。
4.3.2。距离
传感器节点之间的距离( )和水槽节点计算使用欧氏距离[36]。它在以下方程:
当前位置的鹬适应度函数在计算以下方程:
4.4。集群的形成
网络包含““后形成各种集群的节点数量CH选择使用欧氏距离,并给出以下方程:
在哪里和两个节点在网络空间。
5。结果和讨论
提出了soa的性能评估FIGWO相比,PSO, ABC-SD, IABC。MATLAB 2019模拟器是闲散的模拟37]。我们已经考虑了节点的数量在100年,200年和300年来证明该算法的性能。节点随机分布在整个网络。仿真网络区域 。SOA的整体有效性提出是评估通过网络寿命、吞吐量和整体能源使用并与艺术作品的状态下相同的仿真。表1提供仿真设置和价值观。
5.1。网络生命周期
图3显示了网络的生命周期对网络传感器节点。在这个模拟中,我们采取了100年,200年和300年的节点。网络规模100,发现死在FIGWO的节点数量,PSO, ASC-SD, IABC, SOA是1000年,1100年,1250年,1300年和1400年,分别。200年一个网络节点,死亡人数在FIGWO节点,算法,ASC-SD, IABC, SOA是1100年,900年,1300年,1350年和1450年,分别。类似的,300年一个网络节点,节点死亡人数在FIGWO, PSO, ASC-SD, IABC, SOA是1150年,1200年,1350年,1375年和1500年,分别。如前所述,看到SOA增强了一生在所有情况下,当网络规模是100,200,和300个节点,分别。这是由于鹬优化算法的使用,这样可以减少所需的时间CH选择过程中收敛。
表2显示了网络的生命周期对网络传感器节点。注意到SOA增强了一生在所有情况下,当网络规模是100,200,和300个节点,分别。这是由于鹬优化算法的使用,这样可以减少所需的时间CH选择过程中收敛。
5.2。吞吐量
图4显示了吞吐量的网络传感器节点。网络规模100,FIGWO的吞吐量,PSO, ASC-SD, IABC, SOA是120000,100000,130000,140000,和150000包。200年的网络规模FIGWO的吞吐量,PSO, ASC-SD, IABC, SOA是210000,190000,230000,250000,和270000包。300年的网络规模FIGWO的吞吐量,PSO, ASC-SD, IABC, SOA是300000,280000,350000,370000,和400000包。如前所述,数据包的数量交付SOA参与者沉大的相比其他类似的算法,包括FIGWO PSO, ASC-SD, IABC。因为所提出的优化算法主要考虑它花费更少的时间达到收敛在CH旋转。此外,该算法提高了网络的生命周期。这是理由增加吞吐量超过所有其他算法。
表3显示了吞吐量的网络传感器节点。如前所述,数据包的数量交付SOA参与者沉大的相比其他类似的算法,包括FIGWO PSO, ASC-SD, IABC。因为所提出的优化算法主要考虑它花费更少的时间达到收敛在CH旋转。
5.3。能源消费总量
图5显示了整个能源使用与网络的大小成正比。节点的总数是100。1000网络,发现FIGWO总体能源消耗,PSO, ABC-SD, IABC,和SOA是1 J, 3 J, 7 J, 15 J,分别和18 J。提出了SOA消耗更少的能量比其他算法。这主要是由于考虑SOA的算法,缩短收敛时间。
表4显示了整个能源使用与100个节点的网络大小成正比。提出了SOA消耗更少的能量比其他算法。这主要是由于考虑SOA的算法,缩短收敛时间。
图6显示了整个能源使用与网络的大小成正比。节点的总数是200。1000网络,可以看出FIGWO能源消费总量,PSO, ABC-SD, IABC, 3 J和SOA, 5 J, 25 J, 27 J,分别和29 J。应该强调,建议SOA消耗更少的能量比其他算法。这主要是由于使用SOA的算法,具有更快的收敛时间。
表5显示了整个能源使用与200个节点的网络大小成正比。应该强调,建议SOA消耗更少的能量比其他算法。这主要是由于使用SOA的算法,具有更快的收敛时间。
图7显示了整个能源使用与网络的大小成正比。节点的总数是300。1000网络,可以看出FIGWO能源消费总量,PSO, ABC-SD, IABC,和SOA是10 J, 12 J, 45 J, 50 J,分别和55 J。应该强调,建议SOA消耗更少的能量比其他算法。这主要是由于使用SOA的算法,具有更快的收敛时间。
表6显示了整个能源使用与300个节点的网络大小成正比。应该强调,建议SOA消耗更少的能量比其他算法。这主要是由于使用SOA的算法,具有更快的收敛时间。
5.4。网络稳定时间
图8表明网络稳定时间对网络的大小。它是观察图8拟议中的SOA算法稳定网络比FIGWO, PSO, ABC-SD, IABC。它主要是由于快速收敛,在网络节点消耗更少的能量。SOA还指出,该算法非常适合于密集的网络。
表7表明网络稳定时间对网络的大小。它是观察表7拟议中的SOA算法稳定网络比FIGWO, PSO, ABC-SD, IABC。300年网络规模、网络更稳定在第1200轮在SOA。它提供了更多的稳定性和消耗能量更慢比其他现有的算法。
6。分析和讨论
SOA仿真结果表明,该算法比FIGWO提供性能优越,PSO, ABC-SD, IABC。是在与不同大小的网络进行仿真。网络等范围的大小不同的100年,200年和300年。水槽位于(50米和50米)。水槽的放置位置在传感器网络和物联网网络中起着重要作用。水槽执行CH选择使用SOA。从模拟中,我们观察到的总网络生命周期在网络规模和吞吐量高的300年相比,100年和200年。也注意到,该SOA稳定网络的范围1200圆,大小为300的网络。因此,我们得出这样的结论:该SOA优于在密集网络比其他算法。
7所示。结论和未来的工作
节能至关重要的物联网,连接设备和有限的资源。聚类是最有效的方法,延长网络的寿命。由于不正确的CH选择网络中的节点,电池过早耗尽。为了克服这一问题,本文提出了一种新颖的鹬优化算法(SOA)认为距离和残余能量参数形成一个集群和选择合适的簇头节点,以提高网络的寿命。用不同大小的网络进行仿真,水槽是放在网络的中心区域。提出了SOA的成就与FIGWO相比,PSO, ABC-SD, IABC。提出了SOA扩展了网络寿命3 - 18%,增加6 - 10%的吞吐量。因此,网络的整体性能得到了改进。
在未来,实时网络节点将部署SOA评估的有效性与类似的优化算法。此外,我们还可以扩大它对多目标问题或动态问题。
数据可用性
用于这个工作是随机生成的数据集在MATLAB。
的利益冲突
作者宣称没有利益冲突。