文摘

近年来,无线传感器网络的部署变得重要的革命等领域的智能城市,环境监测、智能交通和智能行业。传感器节点的电池能量有限,由于他们的有效利用是必要和电池是不可替代的。有效的能源利用是解决的一个重要问题,许多研究人员最近在传感器网络。集群的一个基本的方法用于网络高效能源利用。应该有效的聚类方法的选择最优簇与高效的能源消耗。广泛的修改聚类方法会导致增加传感器节点的寿命是一个独特的方式对网络寿命的提高。随着技术被带到下一个水平,需要考虑多参数几乎在每一个应用程序集群,多种因素影响集群和这些因素在本质上是相互矛盾的。由于这些因素的相互矛盾的性质,很难协调其中对于优化集群。在这篇文章中,我们已经考虑多属性,这些属性之间的协调的最优簇头的选择。我们已经考虑多属性决策(MADM) CH方法的选择可以选择通过合适的这些属性之间的协调,并比较分析了在浸出,LEACH-C,电,注意,HEEC, DEECET算法。 The experimental results validate that using MADM approaches, the proposed APRO algorithm proves to be one of the better exhibits for choosing the available CHs.

1。介绍

无线传感器网络的关键一步是任何新技术或应用程序,因为它们可以感知和监控环境。它收集数据,感官数据,并作出决定系统为各种应用程序(1,2]。传感器节点的电池能量有限,替代是不可行的。,它仍然是一个挑战,由于网络一生耗尽,更多的能源消耗。在无线传感器网络中,聚类是一种有用的方法来增加网络的生命周期,并提高能源效率。在集群,如图1传感器节点被分为集群,从这些集群,CHs是基于一些参数的选择。CH的选择后,数据传输到基站从各自的簇头3]。早些时候提出的各种算法研究是已知的基本等聚类算法LEACH [4,5],LEACH-C [6),和注意7,8]。在LEACH,集群头选择基于概率方法,CHs是随机选择的,但后来,这种方法取得了进步。但有时,簇头的选择是基于概率方法由于能源消耗,导致管理费用增加。有各种类型的方法为簇头的选择一些作者已经距离CHs及其残余能量,和一些邻居节点的数量和剩余能量(9- - - - - -14]。但只决定于这些参数不能提供最佳CH的选择。因此,需要考虑多属性(15,16)集群。传感器节点是所有新兴领域的基本是物联网(17,18),数字图像处理,云计算,或人工智能。无处不在,需要传感器的传感数据,然后将数据发送到服务器。在当今时代,人们访问各种设施如智能家电、智能手表,智能电视、智能交通系统(19),和智能医疗系统(20.)所有这些新兴技术的帮助下,传感器发挥着重要的作用。考虑多属性,使他们之间的协调Multi-AttributeDecision-Making (MADM)方法21,22)将提高网络的网络生命周期。各种技术需要最优节点部署应用程序的性能和高效的能源消耗增加。

最近的技术,都是在线和传感器节点是革命性技术的核心部分。在一个充满敌意的环境,相信激励节点必须活着长时间但知道他们的电池是不可替代的可行的改变(23]。这个传感器节点的必要性还活着很长一段时间在网络导致新的替代方法节能技术的出现轮为解决传统网络寿命等问题,连接,准确性,延迟,距离基站,权力,和高效的能源消耗;与此同时,这些在本质上是相互矛盾的。因此,这些相互冲突的因素需要考虑的方法,和适当的协调需要做出有效的簇头选择任何聚类方法的主要部分。网络所面临的各种问题和开放的挑战如路由、数据、拓扑中,保险,和安全,和各种聚类方法得到研究人员为解决这些问题(24]。聚类的方法已被用于一个高效的能源数据的过程。一些集群头(CHs)在浸出等正常节点的选择(25和注意26)和地方挑选的高级节点有时被称为网关等(27- - - - - -29日,选择CH负责将数据发送回基站本身数据聚合后,过滤,或压缩。当单个传感器节点向基站发送数据,没有有效地使用能源。因此,使用聚类方法,高效的能源利用是可行的,因此,网络的生命周期将会增强。集群头算法用于选择簇头向基站传输数据的一种有效的方式。一些CH算法LEACH, LEACH-C,谨慎,电,许多LEACH算法的变体。CH选择,主要目标是选择簇头,但对于最优簇头选择,需要考虑许多因素,如能耗、连通性、覆盖率,负载平衡,距离基站,和邻居的距离,但在早期作品,他们只关注一个或两个属性,但随着时间的推移,许多算法提出了更新。但在今天的场景中,我们必须考虑多属性,使协调它们之间寻找最优簇头是必要的。因此,这些可以应用于许多IoT-based应用程序,满足当前需求的用户。最优簇头选择(30.]导致高效能源利用;因此,现在,研究人员关注这一点,作为数据收集最近每个技术都需要传感器,传感和监控。许多矛盾的属性发挥至关重要的作用,高效的能源消耗数据收集,但这些属性没有发现直到现在。但有必要让这些矛盾的属性之间的协调将提高网络的效率。因此,Multi-AttributeDecision-Making (MADM)是用于生产之间的协调冲突的属性和选择最佳的选择。

MADM(多属性决策)31日)是一种应用于解决问题的方法,在选择最好的选择可以从给定的选择。MADM指定如何处理信息的多个属性给给定的替代品之间的排名。本文中协调多个属性已经完成寻找最优解决方案。传感器节点被部署几乎在各个领域的应用,但是看到今天的用户需求,我们需要关注的多个属性导致缺乏有效的能源。我们认为multiconflicting属性的传感器节点簇头的选择。结果验证,使之间的协调冲突的属性是更好的方式来选择集群。在本文中,我们提出了MADM-based簇头选择方法,网络寿命增强和传感器节点之间的负载平衡。我们提出的原则目标工作如下:(我)探索multi-attribute-based簇头选择合作与冲突的属性。提高网络寿命和高效的能源消耗评价曾经,冠心病,LND(2)结合在冲突的属性,然后决定CHs的选择,提高了网络的生命周期和高效的能源消耗。传感器节点之间的负载也与最优平衡传感器节点的负载平衡(3)评估网络的性能使用多准则决策方法

本文的其余部分安排如下:相关工作已经讨论相关工作。能量模型考虑仿真和参数用于实验讨论了假设和系统模型。该算法的细节和方法讨论了在进化过程中使用MADM CHs的选择方法。多属性从这个研究论文与他们讨论了详细描述属性考虑该工作。在数据集生成,使用MATLAB生成数据已经进行了讨论。仿真结果和实验与仿真结果讨论了案例研究,并且分析结果与案例研究讨论。结论对未来范围一直在讨论的结论和未来的范围。

2。相关工作

找到一个节能的WSN数据收集过程是一个巨大的挑战。数据收集需要优化的直接数据收集将会增加通信导致更少的网络生命周期。虽然面临着这样的问题,一些集群解决方案已经由研究人员(32,33]。聚类方法可以定义在CH选择方法等几个方面(随机、确定性),聚类的目的(保险、能源和效率),聚类方法(分布式、集中式),或网络进行通信的架构(多次反射、单跳)。我们也可以将聚类方法划分为启发式和metaheuristic方法。在本文中,我们所做的单跳通信的无线网络。

利奇(4)是一个经典的聚类算法,使用概率统计方法进行数据收集基于随机数的选择节点。许多LEACH算法变异已经开发为不同的目的,但有一个重要的目标就是节能。LEACH算法的主要目标是高效的能源消耗通过选择集群头像rotation-based使用一个随机数。在浸出有几轮,每一轮分为两个阶段:准备阶段和稳定阶段。LEACH协议中使用的概念是,它执行更少的传感器节点和基站之间的通信,提高了网络的生命周期。LEACH-C [13)是一种变体的LEACH协议所有的决定是否CH选择、分布,或集群的形成是由基站。LEACH-DCHS [34)用于延长网络生命周期。浸出的另一个协议是SLEACH [35)从外部源的能量收获到传感器节点和太阳能的概念可以应用于分配或集中集群。SLEACH [36,37是添加的第一个协议,通过使用自旋协议安全的概念。本协议使用轻量级网络加密技术,因为这是一个具有挑战性的任务由于资源有限的传感器节点。ME-LEACH [38- - - - - -40]意味着更多的节能LEACH扩展LEACH协议通过减少传感器节点和基站之间的距离。EP-LEACH [41,42)提高了一生的LEACH算法利用EH-WSN传感器节点有一个可充电电池,被指控从环境本身。

注意另一个流行的启发式算法是基于单跳传输不依赖于传感器网络的密度。注意算法考虑残余能量和邻近的节点的数量选择集群。这种残余能量的传感器节点被认为是主属性选择簇头,和平均最小的功率是传感器节点之间的平局决胜。注意DWECH命名的增强算法43相同)的主要参数的选择簇头,但它也负责重叠和不平衡的大小在选择集群。注意有一个良好的簇头分布在网络上,但缺点是没有覆盖网络中的所有节点。注意和DWECH消耗大量的能源开销的费用。絮状物(44,45)是另一个启发式算法,负责传感器节点不重叠,也创造了一个几乎相同大小的集群,每个有一个跳距离各自集群。节能集群方案(电)46)也是另一种启发式算法,减少了能量的消耗不平衡也通过考虑这三个属性和考虑各自的重量传感器节点的成本因素。EEHC(节能异构集群方案)47提供选举概率权重直接相关的传感器节点的剩余能量,而BEENISH [48](平衡节能网络综合超级异构)协议也是一个聚类算法,分配一个四能级的传感器节点,并使用这个能级选择集群。增强开发分布式节能集群异构网络(EDDEEC) [49)分类节点正常节点和高级节点,然后改变集群成为正面的概率。

一些metaheuristic算法提出了无线传感器网络的研究人员。其中,遗传算法是其中一个最重要的算法用于传感器网络的聚类方法,减少了通信距离的目标50]。在[51),作者提出一种遗传算法fuzzy-optimized重新集群方案失败,克服网络寿命固定路由路径问题,传感器网络的节能革命。仿真结果验证该算法的网络寿命延长3.64倍的保护能源效率。在[52],作者提出了一种遗传算法的动态聚类方法在物联网应用中,仿真结果验证,它克服了动态集群的问题中继节点的数据传输的吞吐量和标准偏差。在[53),作者提出了EEWC(节能加权聚类)基于遗传算法,以及该算法修改LEACH的稳态阶段,被认为是三个属性的优化表明,该算法比ERP, 9月,IHCR。他们中的一些人也使用MADM-based方法通过考虑簇头选择2或3属性。在[54),作者提出一个增强AHP-TOPSIS-based聚类算法对高质量流媒体视频直播飞翔在特设网络。该算法模拟OMNET + +。无人机的能源消耗,它表明,视频质量和簇头的数量需要得到改善时,使用两个模型,即随机路标和狗仔队。在[55),同时采用OPNET软件TOPSIS多准则决策算法已经被,和该算法证明适用于集群和集群选择正面。节点之间的数据传输也被用于传输网络的文件与提高效率和可持续的路由路径。在[56),作者提出了基于PROMETHEE法有序聚类和模糊均值聚的聚类方法。作者最后提出OFCM(命令模糊c-mean集群)为解决人类发展索引的问题,和比较分析也验证OFCM方法的效率。

但这些方法考虑两个或三个因素聚类并不能保证最优聚类;因此,我们需要考虑更多的冲突因素实现的最优聚类提高网络的生命周期。少数量的中间节点数据传输消耗更多的能源;因此,在[57),作者建议使用最优数量的中间节点传输的数据提高网络的生命周期。作者在58)回顾了可再生能源这将有助于网络传感器节点的电池充电。他们还讨论问题/挑战,提供未来研究工作的方向。在[59),作者提出了负载平衡自适应位置更新(LAPU)传感器节点间的路由技术平衡负载的选择路径。基本上在这种方法中,传感器节点选择的两个最好的下一跳数据传输基于队列长度和移动节点和传输数据选中节点的传感器节点之间的负载平衡。在[60],作者提出了一个两级分布式模糊基于逻辑的协议有效的数据聚合在多次反射无线传感器网络(TTDFP)提高网络生命周期相结合的路由的效率和聚类阶段两级模糊逻辑的调优参数。在[61年),提出了一个改进的克隆选择算法对提高能源效率的基于规则的模糊系统。这里,CLONALG已经修改了约束近似问题。在[62年],作者提出了混合灰狼优化(HGWO)解决制约了网络资源的问题。这些资源可以是任何形式,如带宽和能源消耗。

在[63年),作者提出了集群和高效能源利用簇头选择,将网络划分为网格。这簇头的选择是基于残余能量,距离基站,距离邻居。在[64年),作者提出了一个低能量聚类层次结构为移动传感器网络不仅提高网络寿命也减少丢包。在[65年),作者提出了一种新的路由技术,高效的最优消费和提高网络生存时间选择的集群。但这里,簇头选择只做基于剩余能量和距离基站。在[66年],fuzzy-based聚类算法提出了两种类型的传感器的使用,即免费传感器通信的基站和集群传感器将感觉到数据发送给CH和基站是基于四个参数。在[67年),一个扩展的能量预测与模糊逻辑提出了提高网络生命周期。

但是这些因素并不能保证网络的最优解,因为许多相互矛盾的因素影响能源消耗如如果它选择集群头(CHs)附近的基站基于更高的残余能量,但它是可能的,一些传感器节点具有较高的距离基站发送数据,消耗更多的能量,这将降低传感器网络的效率。我们已经看到问题的资源受限的网络带宽和能源消耗将大大影响一生。所以我们需要关注冲突属性来选择最优簇头之间的合作,加强正确的网络生存时间,有效地利用资源。因此,MADM为基于网络的应用程序是一个新兴的方法考虑一些重要的因素。本文侧重于合作许多相互矛盾的属性,然后决定最优簇头高效的能源消耗。

3所示。假设和系统模型

在本文中,我们假定一些预定的参数值,也做了一些假设对我们的模拟。在仿真中,我们采取了一个能量模型在数据收集过程中。考虑了参数值和假设为仿真目的在本节讨论如下:

3.1。假设

以下假设在我们的模拟:(我)传感器节点发送的数据集群基站(2)在这里,传感器节点是均匀的(3)这里,传感器节点的随机均匀分布假设(iv)一些网关被选为簇头和基站发送数据(v)网关大约比正常传感器节点能量高出六倍(vi)基站知道传感器节点的位置,网关,反之亦然(七)基站被认为是巨大的节点具有通信和计算能力的没有任何限制能源消耗(八)传感器节点在传输数据的潜在波动能量水平基于传感器节点之间的距离(第九)传感器节点是静态的

3.2。能量模型

在基础上,大多数的传感器节点感知的数据环境从他们各自的CHs附近和发送回数据,和CHs向基站发送这些数据上的操作数据。我们需要一个能量传输的数据模型,所以我们采取了经典的能量模型执行上述操作。无线电发射机消耗能量的电子放大器功率和只对操作无线电电子接收器。

在我们的实验中,我们已经考虑了空间通道和多路径模型。这些模型依赖于发射机和接收机之间的距离。这里,适当设置提供了防止能量损失和提供功率放大器的功率控制,即。,如果传输的距离小于的阈值距离无线路径将使用其他将使用多路径模型。这是一个能量模型;如果一些数据包发送在远处 ,然后所需能量的传输

接收消息的能源消耗在接收机端给出

在这里,电子的能量是基于一些因素,如过滤、信号传播,调制和数字编码。和放大器被称为能源或 ;这是基于接收机的距离和比特误码率。对于我们的实验分析,这些能量参数传输目的设置如下: , ,和 。数据聚合,能源消耗已成为5 pJ /位/信号。最优数量的集群(CHs)可以计算

在这里,被称为簇头的距离(CHs)基站(BS), 是网络部署区域,是传感器节点的数量。

3.3。模型仿真参数和能量

模拟中使用的参数给出了能量耗散表1和2显示的参数用于重复模拟实验。

4所示。属性考虑拟议的工作

在这里,我们考虑多属性提出了工作,这些在本质上是相互冲突的,如图2。这些属性对簇头的选择有重要影响。摘要属性考虑下面图中。这些相互矛盾的属性;因此,适当的协调它们之间有必要进一步在其他应用程序中使用。

5。数据集生成

仿真的目的,我们使用MATLAB建模的基础上。在我们的模拟中,我们产生一个随机的人口20保留20另类人群之间的差异。更多的差异有助于我们更好地理解提出APRO算法。在我们的实验中产生的人口已经完成通过使用上述方程对于每一个给定的选择。表3显示属性的简短描述考虑在计划工作,而表4显示了建模的计算值属性的基础上利用CHs选择为每个替代:

6。进化方法的选择使用MADM CHs

许多方法可以应用于集群头(CHs)的最佳选择。在本节中,我们应用MADM-based方法如层次分析法和PROMETHEE法替代和选择最佳的集群排名头(CHs)。这里,每个方法及其各自的结果讨论。

6.1。AHP(层次分析法)方法对CH的选择

第1步:第一步是规范化的数据集( )通过使用下面的方程;我们可以表示的矩阵 ,和规范化数据表中给出5

有两种因素:一个是一个有利因素,另一是nonbeneficial因素。有益的因素,我们必须选择每个因素的最大价值计算归一化值列和 。

nonbeneficial,每个因素的最小值计算 ,在哪里 。

归一化矩阵的值在0和1之间。

步骤2:在这之后,将生成的相对重要性矩阵

步骤3:几何平均数(GM)的使用以下方程,计算了它在表表示6

步骤4:在这个步骤中,将计算加权矩阵 。表7表示属性的加权矩阵

也

第五步:检查的一致性:(我)计算矩阵它在桌子上8。 (2)计算矩阵它在桌子上9。 (3)计算 :

一致性指数(CI)如下: (iv)计算一致性比率:

在这里,随机指数。

第六步:计算的价值通过使用方法。在我们的实验中,我们使用了看到了CH方法选择表中给出的值10

第七步:在这个步骤中,我们终于把替代的价值更高 。和等级提出了表11

6.2。CH PROMETHEE法方法的选择

第一步:计算每个面额矩阵属性和选择 矩阵。 。对于每个属性,面额矩阵表中给出12- - - - - -34。在表35,我们已经提出了仿真中使用的属性的缩写

步骤2:现在,相应的每个属性的权重乘以每个面额矩阵,最后通过计算矩阵每个矩阵的总和。最后一个教派矩阵提出了表33 在哪里 。

步骤3:计算和通过添加行和列。这是在桌子上36

第四步:计算出净流使用以下方程如表所示37:

第五步:最后,等级替代的价值更高 ,表中给出了排名38

7所示。仿真结果

本节评估拟议的APRO算法与其他聚类算法在不同的情况下。在这方面,使用MATLAB仿真,我们比较了算法LEACH, LEACH-C,电,注意,HEEC, DEECET。我们已经完成了提出APRO算法在不同场景下使用三个指标曾经,冠心病,Network_Dead。在这里,网络死亡意味着当节点死亡的75%。共有五个场景表39- - - - - -43被认为是在仿真区域,数量的节点,传感器节点的初始能量,基站位置值被认为是不同的。在所有五个场景中,结果表明,该算法保留了传感器节点的能量和优于其他算法。在这里,我们已经五个场景通过改变模拟区域的值,节点的数量,和基站的位置,和在所有情况下,我们的算法(表44)执行比LEACH, LEACH-C,电,注意,HEEC, DEECET。方面的表现测量第一个节点死亡,集群头死了,最后一个节点死亡。我们测量网络生命周期的死亡节点,网络生命周期意味着网络维持多少时间。

拟议中的APRO方法是AHP和PROMETHEE法的混合方法,算法的时间复杂度和 ,分别和整体提出APRO混合算法复杂度 。

建议的方法是99%的置信区间,可以计算的

图3显示,在所有的情况下我们是否改变模拟区域,增加传感器节点的数量,或改变基站的位置,该APRO算法比其它算法性能更好。在图中,我们还展示了模拟区域与传感器节点在每个场景中,这样我们可以更好地理解场景。在我们提出APRO算法,应用多属性簇头选择表明,网络的生命周期和高效的能源消耗增加。也考虑到传感器节点的方方面面,节点之间的负载平衡,从而有效能耗有助于提高网络的生命周期。

7.1。统计分析

在这里,表45代表了统计学意义分析网络的性能。如果我们选择另一种基于最大残余,最大范围和最大连接,那么1^圣替代方法是最大覆盖率,3^{理查德·道金斯}最大的连接,和11所示^th最大残余能量。虽然排名最好的替代品已经被我们的算法,给出解决方案,这些方案是8^th,18^th,11^th(舞会排名)和8^th,10^th,14^th(AHP排序)。如果我们选择替代1^圣根据最大覆盖,那么它将表明,传感器节点基站附近,他们将消耗更少的能量,但不会保证基站距离CH是越来越CHs有更高的数据传输的残余能量。选择替代显示解决方案不是最优的,因为它消耗更多的能量为其他属性数据传输,降低了网络的生命周期并非最优。等级给这个替代PROMETHHE和AHP是8^th。

如果我们选择3^{理查德·道金斯}选择基于最大连接,那么它将确保CH在基站附近,但不能保证较高的残余能量。传感器节点以外的CH将远离基站。正常的传感器节点在一个更高的距离,他们需要更高的数据传输的残余能量。在这种情况下,网络寿命和剩余能量会降低。的排名算法是6^th和7^th,分别。如果我们选择8^th选择基于更高的最大残余能量,那么它将给传感器节点剩余能量较高。但传感器节点不均匀分布和传感器节点的负载也不平衡导致较低的网络生命周期。的排名我们提出这个替代APRO算法是11^th和14^th。其他属性值证明上面的结果不是最优;因此,我们可以说,有许多局限性,没有最优的解决方案。因此,我们必须考虑其他属性为CH选择数据传输。这样选择CHs应该有一个最大的一生与均匀分布的传感器节点和高效的能源消耗。该算法提供了最佳的CH选择所有属性有其最优值和仿真结果进行评估的曾经,冠心病,LND。

8。结论和未来的范围

提出APRO算法提供了一种负载平衡和提高网络寿命为簇头的选择考虑到21属性。所有的属性被认为是和它们之间同步数据收集过程。所选簇头(CHs)之间有一个平衡的负载传感器节点能耗最优的数据传输到基站。结果验证我们提出的算法验证的结果最优消费能源消耗进行数据传输。结果表明,考虑21属性发挥重要作用在高效的能源消耗,增加了网络的生命周期。至于能源消费被认为是最重要的因素在传感器网络中,因此传感器节点消耗更少的能量以及传感器节点之间的负载平衡。所以,我们的算法支持的数据传输和收集网络中时间较长。同时,我们已经采取了一些场景,我们已经改变了传感器节点的数量,部署区域,和基站的位置,我们可以看到,我们的算法与其他算法相比也表现很好。这表明我们的算法是可伸缩的小型或大型部署和应用领域。我们得出结论,我们的算法性能优于其他算法和我们的研究结果验证。

在未来自动重量,一个任务可以通过使用模糊逻辑方法的相对权重。自动重量分配可以提高网络的性能。进一步,我们可以搬到多次反射传输的数据。

数据可用性

后数据将提供合理的要求。

的利益冲突

作者之间不存在利益冲突。

作者的贡献

作者同意出版。

确认

第一作者感谢UGC-BHU-NET奖学金。相应的作者是感激埃克斯波特学院授予的贝拿勒斯印度教大学。