克隆混乱的低能集群并行进化算法高密度无线传感器网络

文摘

因为传感器能量约束功能,低能量聚类在高密度无线传感器网络已经成为一个具有挑战性的问题(HDWSNs)。通常情况下,传感器节点往往是微型设备以及约束聚类能力。有通信能耗低、低能耗设计集群方案应合理。在这个工作,一个新的克隆混乱的平行进化算法(CCPEA)提出,和低能量聚类模型建立HDWSNs降低通信能耗。通过引入CCPEA低能集群,一个目标函数是用于评估通信能耗。对于这个问题,我们定义一个克隆算子HDWSNs最小化通信能耗,使用混沌算子随机生成初始种群扩大搜索范围,避免局部优化,并找到并行算子来加快收敛速度。在这项实验中,CCPEA的影响相比,启发式方法的粒子群优化(PSO)和模拟退火(SA) HDWSNs与不同数量的传感器。仿真实验证明了CCPEA方法达到降低通信能耗和更快的收敛速度比PSO和SA。

1。介绍

近年来,由于科技创新和进步,微传感器设备的体积达到大小的一粒沙子。体积的减少使得大规模无线传感器网络的功能更加完善,成本也大大降低(1,2]。此外,随着无线通信技术的发展和分布式无线传感器网络技术,高密度无线传感器网络(HDWSNs)和大量的节点,人口分布,逐渐成为一个热门研究课题。HDWSNs通常是由大量的微传感器节点随机分布在监测区域没有任何基础设施的支持和自组织成簇3,4]。高密度无线传感器网络通常是指网络中大量的无线传感器节点被安排在一个小的地理区域实现密集目标的看法。目前,这种网络主要采用树状和星状结构,很少安排聚合节点;传感器节点可以达到基站直接或通过一些啤酒花。由于高密度传感器部署效率高,环境适应性强,他们深刻地影响许多领域,如国防、军事、智能家居、农业工程、环境监测、和许多其他领域(5,6]。

HDWSNs广泛用于远程大气监测、地震,辐射,和医疗数据收集信息质量由于其突出的优势,网络健壮性,网络成本和网络适应性(7,8]。HDWSNs一般自组织网络,但与传统移动ad hoc网络不同的设计目标。后者通过优化路由和资源管理策略的带宽利用率最大化在一个高度移动环境,同时为用户提供特定的服务质量保证9]。大多数节点HDWSNs是静态的,只有少数特殊节点可以移动。网络拓扑的改变通常源于的节点能量耗尽或其他外部原因造成的死亡的节点(10,11]。

在HDWSNs,传感器节点通常是随机下降了无人机目标区域(12]。尽管部署简单、部署的随机性不能保证传感器节点的距离分布的合理性。此外,传感器节点之间的通信距离也有限,导致浪费能耗为传感器节点通信(13,14]。因此,如何选择簇头节点集群的大规模高密度传感器网络,可以减少传感器能耗,同时确保检测任务的完成和提高传感器网络的生命周期,是一个至关重要的问题在高密度传感器网络的研究(15,16]。由于其大小限制,小型无线传感器约束聚类能力(17]。考虑到传感器的供电能力是有限的,低能的集群中扮演着至关重要的角色降低通信能耗,而大多数研究低功耗聚类对应于低功耗聚类算法(18,19]。

在[20.),重组后的青蛙跳算法(SFLA)技术提出了搜索通信能耗无线传感器网络(网络)。SFLA可以降低通信能耗比遗传算法(GA)。SFLA技术简单、快速,但处于过早收敛。基于量子遗传算法的一个简单的低能量聚类技术(相),同时评估通信能量消耗来获得较低的通信能量消耗也一直试图在21]。表示方法提出了好的结果在低能量和通信能耗。实现是灵活的,但存在计算复杂度高的问题。低能量聚类模型提出在22)和粒子群优化(PSO)用于解决问题。该算法已被证明与少量的传感器表现良好。然而,PSO方法不能快速解决问题而导致高计算成本。

基于并行计算和混沌理论的概念和原则,提出了新的CCPEA在本文中。与传统进化算法(EAs)相比,这一技术达到一个更好的平衡和更好的结果。一般来说,CCPEA的标志是一个简单的启发式与良好的平衡机制,可以灵活扩展和适应全球和当地的情报能力,吸引了广泛的研究关注。

在这项研究中,最小功率低功耗网络的聚类问题是制定作为一个组合优化问题,考虑到能量的约束和监控区域,这是一个np难问题。然而,它是不可能执行详细的实时搜索HDWSNs [23,24]。因此,创建了许多启发式算法减少了网络通信能耗和提高网络性能25- - - - - -31日]。

在这篇文章中,聚类问题转化为一个由CCPEA进化问题然后解决。首先,我们设计一个新的目标函数公式匹配低功率消耗。此外,两个新运营商,克隆和混乱的运营商,是构建在HDWSNs降低通信能耗。CCPEA使用强大的并行运算符组合的优势克隆选择和混乱一代解决低能量聚类问题。我们也建立一个克隆选择,以避免当地的最适条件。

进行模拟表示比较CCPEA通过另外两个算法。从仿真结果中,我们可以得到以下结论:(1)首先,CCPEA可以解决低能通信能耗低于PSO聚类问题和模拟退火(SA)技术。例如,当传感器节点的数量是100,集群头部比例是10%,能耗降低CCPEA比PSO和SA低8.46%和18.55%,分别。(2)其次,CCPEA结合克隆算子和混乱的算子的优点,避免算法的过早收敛问题和SA。仿真结果表明,当集群头部比例是10%,传感器节点的数量是300年和400年,CCPEA的收敛速度明显高于PSO和SA。(3)最后,整个传感器网络的能量损失取决于能量损失之和的传感器节点发送数据和接收数据。随着节点数的增加,CCPEA仍然可以实现通信能耗低于PSO和SA技术而采取相同的计算复杂度。

2。相关工作

HDWSNs广泛应用由于容易部署和很强的环境适应能力。文献[32)安装大量的汽车上的无线传感器节点和建造一个独特新颖的车辆自组织网络。车载网络可以分析节点感知到的数据获得司机的驾驶行为,最后给相应的保险水平。在[33),作者提出了一种大规模高密度无线传感器网络监测温度在东京市中心。系统共有200个传感器节点安排在8个监控区域,节点密度为每平方公里约1800。

在许多工业应用中,它是一个重要的问题来优化能源利用智能算法(34- - - - - -37]。HDWSNs,一个有效的低能量聚类方案可以实现降低能源消耗,减少能源成本,延长网络寿命。对于异构网络,文献[38)提出了一个全新的分布式低能量节点保护一个完全时间驱动聚类算法(LEPTC)项目,以确保更均匀的节点能量消耗,从而降低能耗并延长网络寿命。在该算法中,初始化执行根据的能量水平。

在[39),作者提出了一个节能覆盖地区的分布式聚类算法。该算法考虑了冗余的覆盖率和节点的剩余能量,使簇头的分布更加合理。事实证明,该算法可以达到降低网络能耗和更高的覆盖质量。

在[40),作者提出了一种基于集群路由算法在基于遗传算法的无线传感器网络。该算法快速整理集群网络中不均匀分布的节点并选择新的集群头实现能源消耗的平衡,从而实现更长的网络生活。

在[41),一个方法基于节能的遗传算法,提高了网络的整体性能基于虚拟网格动态路线调整(VGDRA)。与其他方法相比,这种动态方法更好的负载平衡和优化,从而创造更多的机会,用更少的循环实现更好的结果。

在文献[42蝙蝠),作者提出了一种多目标算法来找到最好的网络集群形成和提出了一种路由模型。最优节点作为簇头和通信距离是由蝙蝠响度参数优化了网络的能耗。

根据网络的特点,研究[43)提出了一个基于蚁群优化的网络路由算法。结果表明,增强计划方面具有良好的性能功耗和全局优化能力。

摘要针对传统k - means聚类算法的过早收敛的缺陷,文章(44)提出了一种改进的GA混合k - means聚类算法的基础上,可防止算法陷入局部最优,通过引入一种自适应的功能。

这项研究在45)提出了一个混合的方法称为KGA,旨在结合遗传算法和k - means算法搜索最优数量的集群,从而优化了网络的通信能量。

在[46),低能量聚类问题的方法低能网络聚类问题最小化能耗研究基于PSO的通信。在他们的文章中,他们降低通信能耗不考虑能量限制。然而,它也遭受过度计算时间的要求。

在[47基于SA)、集群设计技术已经代表为了最大化网络寿命很长的网络寿命。他们的设计是一个类似的概念。SA的方法是简单和快速但患有过早收敛。

在[48集群的集群设计策略,设计了网络来最大化网络寿命探索基于量子进化算法(实现)。相结合的方法使用一个建议的解决方案和获得更长的网络寿命迭代。相结合表现良好的开端,但患有过早收敛性和收敛速度较低只有经过一系列的迭代。

3所示。系统模型

在本节中,提出了一种低能量聚类模型对传感器节点的约束力量和HDWSNs通信能耗。典型的网络结构图HDWSNs本文研究如图1:

如图1HDWSNs,集群结构意味着一个簇头节点将选择从一个类似的区域在监控范围内,和一个节点在簇头节点集群形成。每个传感节点感知目标然后上传遥感结果主集群节点在集群节点在完成传感任务。簇头节点收集感知结果上传的传感节点集群中然后直接上传结果在多个啤酒花网关节点。执行的监控任务传感节点,网关节点发布任务簇头节点;之后,簇头节点分配任务到传感节点集群中。

本文主要研究如何最小化HDWSNs的功耗优化的能源消耗通过合理的集群节点之间的通信。传感器节点之间的通信距离有限,通信能耗的传感器网络发送和接收数据时造成严重浪费能源(17,49,50]。因此,它是非常重要的开发一个合理、高效低能耗的聚类方案。根据文献[低能聚类模型51),能量的公式被发送节点传输位接收节点的数据可以得到以下公式:

在公式(1),代表节点发送时的能源消耗比特数据接收节点和两个节点之间的距离 。其中,代表了电子能量参数,代表了功率放大参数,和的值 ,通常在2和4之间,通常是根据通信环境的质量决定的。更好的交流环境,小的价值 。同时,通信接收节点接收所需的能量比特数据如下所示:

在公式(2),表示通信接收节点接收所需的能量部分能量。在本文的模型中,假设比特是1米, , , 。

4所示。在HDWSNs CCPEA-Based低能聚类问题

EA是最受欢迎的metaheuristic算法之一,它试图模仿自然选择的过程(19]。也是一种开发方法,模拟自然界中自然选择的过程,这是一个优化算法搜索一个输入区域同时最小化结果函数在给定的约束(23,52,53]。的主要思想是得到鼓舞类比自然机制的基因重组和突变。存在多个备选方案以实现启发式操作符。EA是研究合适的metaheuristic,通常用来解决复杂优化问题(54]。

灵感来自传统的东亚峰会,本节描述设计的低功耗的CCPEA聚类问题。在本文中,一个新颖的克隆方法研究了在HDWSNs最小化通信能耗。此外,两个小说过程、混乱和并行程序,形成。一方面,我们表明,一个混乱的过程根据二进制地区与EA可以自然地集成,以便完全搜索可行的解决方案。另一方面,并行运算符,它是更有效的操作符的不同长度的染色体相比,传统的EA。在CCPEA,克隆,混乱和并行程序有助于提高人口的多样性CCPEA,避免过早收敛。

因此,描绘CCPEA程序重复一次粒度HDWSNs固定的要求。CCPEA采用各种简单的程序以模拟进化。所以,建议CCPEA-based聚类问题可以概括如下:(我)初始化CCPEA的染色体(2)选择优越的染色体作为父母给的遗传过程(3)生成一个新颖的人口由交叉和变异(iv)然后,他们的结果函数值与函数求值的结果(v)更新人口通过切换差染色体

循环重复,直到满足停止条件。的全面描述CCPEA利用探索几乎最好的聚类问题是定义在下面。

4.1。染色体的代表

设计CCPEA的第一步是找到一个合适的染色体表示计划。CCPEA的效率取决于使用的编码技术。在CCPEA,提出的解决方案是一个染色体。低能的聚类问题,组中的每个染色体可能意味着一个随机选择的集合聚类问题。本文的讨论范围,变量应该由一个二进制代码表示低能聚类问题的聚类问题。布尔编码表示是正确的和强大的,因为它是最接近聚类问题,字符串长度是传感器的数量。染色体是由一串二进制符号。通过这样做,每个染色体从布尔值的字符串转换成实数获得通信能耗与团队中的每一位成员都有关。每个染色体都是由部分组成的。CCPEA易于使用,因为只有两个选择利用一点:0或1。

如果染色体的代码是“0100110101”,基因在染色体的数量是10,每个基因代表一个传感器节点;也就是说,传感器网络中传感器节点的质量是10。换句话说,染色体长度是象征HDWSNs传感器的数量。当基因的位置是1,这意味着在这个位置传感器是一个簇头节点,和0是一个感知节点。例如,如果第二个数字的染色体是1,第二个传感器节点是簇头节点。

4.2。初始种群

的CCPEA需要初始化一组可能的解决方案在CCPEA过程的开始。CCPEA解决优化问题通过操纵一组染色体。CCPEA解决优化问题根据一组固定的数字,称为组大小,解决方案。一般来说,在一个非常小的人口,只有一小部分的利用面积探索,从而增加过早收敛到当地极端的风险。它使一组染色体进化了一代又一代的读者。在CCPEA,随机创建一组。在寻找满足约束,CCPEA适用一个随机数生成器。随机生成初始群体作为一个整体解决方案的聚类问题。在本文中,初始种群的大小设置为 ,还有在初始种群的基因;也就是说,有HDWSNs中的传感器节点和簇头的数量是固定的 。人口编码可以被描述为

在公式(3),是表示为个人,是否传感器的个人表达的一个簇头节点的值 。如果 ,这意味着传感器节点是簇头节点;否则,它是一个传感节点。公式(4)是限制在每个簇头节点的数量,和固定的值 。例如,当传感器在某个人的数量是100, 。如果选择集群头部比例为10%,是10。

4.3。健康评估

在给定的上下文中,我们计算每个染色体的结果函数值根据通信能耗。本文的目的是最小化通信能耗。通过这种方式,健身的价值较低,染色体的质量更好。CCPEA解决随机优化问题,每个染色体适应度函数评价。限制的适应度函数混合满意处理集群设计问题。CCPEA的个体,其健身价值计算基于适应度函数。在本文中,染色体的健身价值计算(5)。在CCPEA,我们计算每个染色体的通信能耗的健身价值。因此,在健身价值方面,我们的目标是找到一个解决方案

4.4。选择

CCPEA采用轮盘赌选择策略选择父母。选拔程序采用最好的保存方法和轮盘赌法。在轮盘赌,个人有更多更好的结果函数值被选择的可能性。因此,它是可能的选择相同的染色体在不同时期。根据这个选择概率,一对父母选择的解决方案从目前的人口。然后算法取代低质量的解决方案通过最近开发高质量的解决方案来获得一个更好的当前组。幸存下来的染色体,然后利用产生下一次迭代。通过这种方式,更常见的染色体幸存下来的人群更有可能被继承。取代个体是随机选择的,但其结果函数值必须高于社会平均水平。

为了确保通信能量消耗较低的个体被选中的概率比较大,个人的概率 ,也就是说,个体被选中的可能性,是健康的程度成反比,如图所示

4.5。交叉

选择的机会,选择染色体直接转移到交叉。交叉是要找到一个更好的解决方案来应对当前的解决方案。交叉操作进行生产后代的特征从父母。交叉是重组的启发式程序两个家长解决方案为两个新的解决方案。

根据文献[55),遗传算法交叉的概念,假设两个人和cross-operated,首先是通过逻辑与操作。是比较相应的布尔代数两个人的位置。如果相应的布尔代数的位置是相同的,它保持不变,如果它是不同的,它变成了0,如图2。

其次,对两个人执行逻辑与操作 。 布尔代数的位置变化中相应的位置和为0,1如图的区别3。

最后,均匀分配' 1 '的位置在相应的位置获得两个新个体产生的交叉。如图4,' 1 '的数量是均匀分配给 ,位置是随机的。因此,这两个新个体可以获得的 和 。

4.6。突变

每个染色体都有给定突变的可能性;CEAEA,这个概率是0.05定义的。突变计划的主要目标是保持多样性。考虑到簇头的数量在一个个体是常数,变异操作随机变化的“1”在“0”的个人变异概率和随机选择的一个位置的值为“0”,改变“1、”,如图5。

4.7。克隆

克隆算法是一个优化算法受生物免疫系统的克隆原理。克隆算法结合了生物免疫系统的自适应能力和问题的先验知识,因此该算法具有良好的鲁棒性在信息搜索过程和指导搜索过程收敛全局最优解的方向。CCPEA算法增加了人口规模通过克隆算子,有效增加人口的多样性,有助于找到全局最优解。

4.8。混乱的

在CCPEA,当EA初始化种群,它有一个更大的对后代的迭代优化的影响。因此,利用混沌序列的逻辑映射来提高进化种群可以丰富初始种群的多样性,加快优化速度。因为混沌映射产生混沌可行域的独立变量,它在短初始时间是可以预测的,但它在很长一段时间是随机的。因此,混沌映射具有积极影响东亚峰会的收敛速度。

4.9。平行

在CCPEA,共享区域是由主线程来保存打开的最优个体的每个线程。子线程运行他们的气体,同步最优个体每几百代人共享区域,并从其他线程引入最优个体。

4.10。计算复杂度分析

在本部分中,我们分析的计算复杂度提出CCPEA。在低能量聚类问题,传感器节点之间的距离直接影响传感器之间的能量消耗,所以有必要计算每个传感器节点之间的距离和能量消耗。在本文的系统模型,有传感器节点,因此能耗计算的计算复杂度 。CCPEA,有个人在一个人口,每个包含传感器节点。如果迭代次数 ,计算的复杂性 。

5。仿真和讨论

我们建议仿真结果对于低功耗集群与CCPEA HDWSNs, PSO和SA在这一节中。模拟进行验证的低能集群性能提出CCPEA方法。我们测试方案的性能与英特尔酷睿i7 PC - 8550 U, 2.00 GHz, 8 GB RAM, Win10操作系统,其适用性和MATLAB软件来表示集群设计问题。评估CCPEA和其他启发式的表现,一个结果功能,如部分所述4,利用实验结果。然后,我们开发传感器节点,每个传感器节点的坐标是随机指定的正方形内。四个低功耗聚类问题例不同数量的传感器进行测试。CCPEA的性能、PSO和SA。

CCPEA,参数的选择是基于经验值基于现有研究的范围,并调整参数根据经验值的范围。由于参数的敏感性,轻微的参数数据的变化将影响算法的性能。因此,必须进行许多实验和参数必须多次调整,直到算法更好的性能。目前,接近现实的仿真模型是用来验证实验结果的合理性,将在不久的将来在实际系统中实现。

在我们的模拟,对比CCPEA, PSO和SA报道使用100代和40个人。在CCPEA,使用建议,我们选择0.05 0.8变异概率和交叉的可能性。参数值的算法都是基于参数研究,学习因子选择C1 = C2 = 2,和粒子的最大速度是固定的6。在SA、初始温度和退火温度系数是200和0.85,分别。的具体描述参数如表所示1。

在这项工作基本概念如下:节点通过无线通信连接,能源消费由接收节点消耗的能量的总和时,发送节点发送和接收能量。在这项实验中,为了考虑的影响不同的传感器节点和簇头的数量比实验结果,大量的仿真实验进行不同数量的传感器节点和不同集群头比率,和下面的类似情况。本文主要着重于通信能耗的比较三种算法的方案当簇头的比例是10%,传感器节点的数量是100,200,300,和400年,分别。当簇头的比例是5%,10%,15%,和20%,三种算法的能耗是当传感器节点200年相比,400年,600年,800年,1000年和1200年,分别如表所示1。

数据6(一)- - - - - -6 (d)显示由CCPEA通信能耗的比较优化,算法,和SA当传感器节点的数量是100,200年、300年和400年,当簇头的比例是10%。对于每个技术,我们只选择最优解在每个迭代中从目前的人口。必须指出的实验CCPEA优于PSO和SA)方法,可以得到图6。在图6(一),与其他技术相比,100代之后,CCPEA通信能耗降低到68.25 J。然而,PSO和SA达到理想的结果,和通信能耗收购PSO和SA 74.56 J和83.79,分别。CCPEA降低通信能耗比PSO和SA 8.46%和18.55%。

在数据6 (b)- - - - - -6 (d)、200、300、和400传感器节点用于获得类似的结果。在图66 (b)CCPEA通信能耗,PSO和股价达到112.52 J, 125.78 J,分别和147.72 J。和与PSO相比,SA CCPEA在前50代取得更快的收敛速度,取得了降低能源消耗在以后的50代。在图6 (c)使用CCPEA方法,通信能耗降至162.27 J, PSO和股价跌至184.68 J和219.44,分别。在图6 (d)CCPEA通信能耗,PSO和股价是183.36 J, 207.82 J,分别和257.69 J。CCPEA的通信能量消耗减少11.77%和28.84%低于PSO和SA。在40代之前,CCPEA的收敛速度明显快于其他两种算法。

如图6最初,通信能耗的价值随几代人的成长。可以看出CCPEA发现高质量的实验速度远远超过PSO和SA。另一方面,PSO和SA表示相当慢收敛,因此证明CCPEA的优越的可靠性。CCPEA克隆算子的优点相结合,加速了收敛速度,具有更好的可靠性,解决了传统智能算法的收敛速度慢的缺陷。在CCPEA,克隆算子用于复制最好5个人人口和继承他们下一代的人口以确保下一代的人口比以前的人口。因此,实现更好的融合可以实现。很明显,CCPEA聚集到更好的解决方案,防止过早收敛。在所有100代,CCPEA的通信能量消耗低于PSO和SA和混沌算子用于生成一个随机的初始种群,扩大搜索范围的人口,这有助于找到更好的解决方案,实现降低能源消耗,有效避免算法停滞不前。可以看出,解决方案发现CCPEA提出性能稳定,这表示算法的鲁棒性。仿真结果提出建议CCPEA方法提供了降低通信能耗超过当前PSO和SA)方法。

数据7(一)和7 (b)显示CCPEA通信能耗变化的比较,算法,和SA与不同数量的传感器节点在簇头的比例是5%,10%,15%,和20%,分别。图7(一)说明了通信能耗的许多不同的传感器节点,簇头节点的比例是5%。具体值表中可以看到2。

如表所示2,当传感器的数量是1200,最优通信能耗CCPEA 361.54 J,而通信算法获得的能源消耗和SA 389.77 J和518.82,显示CCPEA更健壮的比PSO和SA最小化通信能耗。在数据可以获得相同的结果7 (b)- - - - - -7 (d)。

图7 (b)说明了通信能耗的许多不同的传感器节点,簇头节点的比例是10%。从图可以看出7 (b)当传感器节点的数量是1200,CCPEA的能源消耗成本是428.42 J, PSO的能源消耗成本和SA 534.56 J和872.69,分别。CCPEA的能源消耗成本远低于PSO和SA。

图7 (c)说明了通信能耗的许多不同的传感器节点,簇头节点的比例是15%。当传感器节点的数量是1200,CCPEA的能源消耗成本是509.53 J, PSO的能源消耗成本和SA 788.24 J和1277.36,分别。CCPEA 35.36%和60.11%的能源成本低于PSO和SA,分别。

图7 (d)说明了通信能耗的许多不同的传感器节点,簇头节点的比例是20%。当传感器节点的数量是1200,CCPEA的能源消耗成本是663.72 J, PSO的能源消耗成本和SA 1058.47 J和1726.68,分别。CCPEA 37.29%和61.56%的能源成本低于PSO和SA,分别。

当传感器节点的数量是固定的在1000年,在图8(一个)- - - - - -8 (b)的通信能量消耗三个集群算法在不同的比率比较。在图8(一个)的通信能量CCPEA 318.60 J集群头比率是5%,而PSO的低能的集群解决方案和SA 331.01 J和423.67,分别。在图8 (b),当集群头比率是10%,通信的能量CCPEA 381.67 J和PSO和SA 482.49和715.77 J。图8 (c)代表了三种算法的通信能量消耗当集群头部比例是15%。的通信能量CCPEA 421.46 J, PSO和SA 623.13 J和1108.34,分别。在图8 (d)的通信能量CCPEA 318.60 J和PSO和SA 331.01 J和423.67,分别。在数据8(一个)- - - - - -8 (d),我们也可以清楚地得出结论,CCPEA比算法更健壮和稳定,SA。模拟表示建议CCPEA策略优于传统算法和SA技术与通信能耗小。

6。结论

这项工作提出了一种新颖的克隆混乱的并行进化算法(CCPEA),它使用合并克隆算子和混沌算子。在本文中,我们首先描述目标函数最小化的新配方的通信能量消耗,以适应较低的能量。通过引入CCPEA低能聚类,结果函数评估通信能耗的目的是使HDWSNs通信能量消耗最小化。进行综合分析和实验评估CCPEA相比的性能改进方法根据PSO和SA。实验结果表明,在不同的集群头比率和不同的传感器节点,CCPEA的通信能量消耗低于PSO和SA。克隆算子,混沌算子,平行运营商CCPEA扩大范围的优化和降低通信能耗的同时避免算法的早熟收敛和进化停滞。

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

作者宣称他们没有利益冲突在这个工作。

确认

本研究项目支持的青年和中年队的领先科技创新人才计划(2018号cb006),项目队金融科技计划(2020号cb001),第二批高层次人才研究资助项目2018年石河子大学(没有。RCZK2018C38),研究刑事案件(没有相似的推荐算法。ZZZC201915B)和自治区的研究生教育创新计划。

引用

1. w .江,p .广域网,y, w·苏和d .梁”定位算法基于大规模无线传感器网络的啤酒花,”《2014年国际会议上无线通信和传感器网络武汉,页217 - 221年,中国,2014年12月。视图:谷歌学术搜索
2. h·金和S.-W。汉”,一个高效的传感器对大规模无线传感器网络部署方案,“IEEE通信信,19卷,不。1,第101 - 98页,2015。视图:出版商的网站|谷歌学术搜索
3. j . c . Li Li m . Jafarizadeh g . Badawy和r .郑”LEMoNet:低能量数据中心监控、无线传感器网络设计”《2019年联合会网络会议(联合会网络),页1 - 9,华沙,波兰,2019年5月。视图:谷歌学术搜索
4. o . Banimelhem m . Naserllah, a . Abu-Hantash”一个有效覆盖在无线传感器网络中使用模糊基于逻辑控制移动节点的运动”学报2017年无线和光纤通信的进步(RTUWO)里加,页239 - 244年,拉脱维亚,2017年11月。视图:谷歌学术搜索
5. m . Elmonser h . Ben Chikha, r·阿迪”移动路由算法与动态聚类能源大高规模的无线传感器网络在“专业无线传感器系统,10卷,不。5,208 - 213年,2020页。视图:出版商的网站|谷歌学术搜索
6. l . d . Dongre和诉Gulhane最小化能量消耗在大规模无线传感器网络使用自适应工作循环算法,”国际会议的程序收敛技术- 2014印度浦那,页1 - 5,2014年4月。视图:谷歌学术搜索
7. j . s . Liu, l, c·陈,“洪水高密度无线传感器网络的竞争,”学报2016年第三次国际会议上计算测量控制和传感器网络(CMCSN)松江,页170 - 173年,日本,2016年5月。视图:谷歌学术搜索
8. 毛j·l . Wang, l .傅h·朱、郭n,“改善内部IEEE 802.15.4高密度无线传感器网络MAC协议,提供服务”学报2015年IEEE信息与自动化国际会议上丽江,页1704 - 1707年,中国,2015年8月。视图:谷歌学术搜索
9. 诉苦行僧,赵x和d . Pompili”节能模拟传感为大规模、高密度持久无线监控,”学报2017年第13届无线点播网络会议系统和服务(赢得)杰克逊,页61 - 68年,王寅,美国,2017年2月。视图:谷歌学术搜索
10. j .张和z太阳,”林立的货代路由(SFR):查询驱动路由算法的无线传感器网络节点密度高,”《2016年国际会议上对电脑的网络和信息系统(ICNISC)武汉,页114 - 119年,中国,2016年4月。视图:谷歌学术搜索
11. 诉Kopta、d .彭和c . c .劳动部“近似零如果FM-UWB接收机高密度无线传感器网络,”IEEE微波理论和技术,卷65,不。2、374 - 385年,2017页。视图:出版商的网站|谷歌学术搜索
12. m . Hefnawi”大规模多集群MIMO认知无线传感器网络的方法,”IEEE传感器杂志,16卷,不。11日,第4424 - 4418页,2016年。视图:出版商的网站|谷歌学术搜索
13. j .郭和h . Jafarkhani Movement-efficient传感器部署在有限的无线传感器网络通信范围,“IEEE无线通信,18卷,不。7,3469 - 3484年,2019页。视图:出版商的网站|谷歌学术搜索
14. a . r . de la康塞普西翁,r . Stefanelli, d . Trinchero”自适应无线传感器网络高清监控在可持续农业,”学报2014年IEEE局部无线传感器和传感器网络会议(WiSNet)纽波特海滩,页67 - 69年,CA,美国,2014年1月。视图:谷歌学术搜索
15. b .广域网和w·张,“线性随机的无线传感器网络的生命周期优化策略基于移动水槽,”Proceddings 2014年国际会议上的无线通信和传感器网络武汉,页258 - 261年,中国,2014年12月。视图:谷歌学术搜索
16. b . Li w . Wang问:阴,r·杨y,和c·王,“一个新的合作在无线传感器网络传输指标单位传输距离,能耗最小化”IEEE通信信,16卷,不。5,626 - 629年,2012页。视图:谷歌学术搜索
17. m . Abo-Zahhad m . Farrag a·阿里和o·阿明,“无线传感器网络的能耗模型,”学报》第五届国际会议上能源意识到计算机系统和应用程序,页1 - 4,开罗,埃及,2015年3月。视图:谷歌学术搜索
18. m . Benaddy b . e . Habil m . e . Ouali o . e . Meslouhi和s . Krit”一个mutlipath下无线传感器网络的路由算法可靠数据传输距离和能量消耗的限制,”学报2017年国际会议上工程与管理信息系统(ICEMIS),页1 - 4,拖拉,突尼斯,2017年5月。视图:谷歌学术搜索
19. m . Abo-Zahhad m . Farrag, a .阿里”建模和最小化无线传感器网络的能源消耗”学报2015年IEEE国际会议上电子、电路和系统(欧洲)700年,页697 -开罗,埃及,2015年12月。视图:谷歌学术搜索
20. d . r . Edla a . Lipare r . Cheruku诉Kuppili,“网关使用改进的有效负载平衡打乱青蛙跳跃网络算法和新的适应度函数,“IEEE传感器杂志,17卷,不。20日,第6733 - 6724页,2017年。视图:谷歌学术搜索
21. m . Djamila和h·萨阿德QGAC:量子遗传算法based-clustering轮为”学报》2018年第14届国际无线通信和移动计算会议(IWCMC)利马索尔,页82 - 88年,塞浦路斯,2018年6月。视图:谷歌学术搜索
22. a·辛格,s . Rathkanthiwar和s Kakde”节能路由的基础使用粒子群优化和V-LEACH协议,”《2016年国际会议上沟通和信号处理(ICCSP)Melmaruvathur,页2078 - 2082年,印度,2016年4月。视图:谷歌学术搜索
23. 周邓k, x, x, w·李”anycast路由基于并行进化算法,”学报2015年IEEE国会进化计算(CEC)仙台,页1691 - 1695年,日本,2015年5月。视图:谷歌学术搜索
24. Cekmez和o . k . Sahingoz“平行大规模旅行商问题的解决方案通过使用集群和进化算法”学报2016年24日信号处理和通信应用会议(SIU)Zonguldak,页2165 - 2168年,土耳其,2016。视图:谷歌学术搜索
25. c . j . Wang Ju, y高,A . k . Sangaiah g·金,“基于PSO的节能覆盖控制算法对无线传感器网络来说,“电脑资料和连续卷,56号3、433 - 446年,2018页。视图:谷歌学术搜索
26. y . j . Wang高,x, f . Li和h·j·金,”一个增强pegasi算法与移动水槽对无线传感器网络的支持,“无线通信和移动计算卷,2018篇文章ID 9472075、9页,2018。视图:出版商的网站|谷歌学术搜索
27. j . Wang x j .顾w·刘,a . k . Sangaiah h·j·金,“基于授权汉密尔顿回路的数据收集算法与移动代理轮为,“以人为中心的计算和信息科学卷。9日,18页,2019年。视图:出版商的网站|谷歌学术搜索
28. y . j . Wang高,c .周r·西蒙中,l .王”最优覆盖多路径与多个移动水槽轮为调度方案,“电脑,材料和连续,卷62,不。2、695 - 711年,2020页。视图:出版商的网站|谷歌学术搜索
29. c .段j .冯h . Chang j .锅和l .段”研究传感器网络覆盖增强基于非合作游戏,”电脑,材料和连续,60卷,不。3、989 - 1002年,2019页。视图:出版商的网站|谷歌学术搜索
30. w . y . j . Wang高,w . Liu吴Se-Jung Lim,和美国Lim,“异步集群和移动数据采集模式基于定时器机制在无线传感器网络中,“电脑,材料和连续,卷。58岁的没有。3、711 - 725年,2019页。视图:出版商的网站|谷歌学术搜索
31. d .高张,f, x的粉丝,和j·张,“最大数据生成速率路由协议基于数据流控制技术可充电的无线传感器网络,”电脑,材料和连续卷,59号2、649 - 667年,2019页。视图:出版商的网站|谷歌学术搜索
32. l . Boquete j . m . Rodriguez-Ascariz r·巴里亚j .章j . m . Miguel-Jimenez和s·奥尔特加,“数据采集、分析和传播平台,把系统中,“传感器,10卷,不。6,5395 - 5408年,2010页。视图:出版商的网站|谷歌学术搜索
33. 小野n . Thepvilojanapong t、y托比”的细粒度部署传感器网络和城市温度,实证分析”传感器,10卷,不。3、2217 - 2241年,2010页。视图:出版商的网站|谷歌学术搜索
34. a . k . Sangaiah d . v . Medhane t·汉·m·s·侯赛因·g·默罕默德,”执行定位保密与机器学习范式通过移动边缘计算实时工业信息,“IEEE工业信息,15卷,不。7,4189 - 4196年,2019页。视图:出版商的网站|谷歌学术搜索
35. a . k . Sangaiah d . v . Medhane G.-B。扁,a . Ghoneim m . Alrashoud和m . s .侯赛因,“绿色能源利用对手cyberphysical安全模型在工业系统中,“IEEE工业信息,16卷,不。5,3322 - 3329年,2020页。视图:出版商的网站|谷歌学术搜索
36. a . k . Sangaiah m . Sadeghilalimi a . a . r . Hosseinabadi和w·张,“能源消费point-coverage通过蝙蝠算法,无线传感器网络”IEEE访问7卷,第180269 - 180258页,2019年。视图:出版商的网站|谷歌学术搜索
37. a . k . Sangaiah a . a . r . Hosseinabadi m . b . Shareh郑胜耀Rad, a . Zolfagharian和n . Chilamkurti”物联网资源分配和优化启发式算法的基础上,“传感器,20卷,2020年。视图:出版商的网站|谷歌学术搜索
38. d . Dasgupta d一步A . Banceanu f·尼诺和j . Simien“并行多目标进化优化框架”《IEEE国会进化计算,页1 - 8,巴塞罗那,西班牙,2010年7月。视图:谷歌学术搜索
39. Z.-G。太阳,Zi-W。郑,工程学系。陈,S.-J。徐,”一个有效作用多级能量异构无线传感器网络的聚类算法,”学报2010年的第二次国际会议上先进的计算机控制沈阳,页168 - 172年,中国,2010年3月。视图:出版商的网站|谷歌学术搜索
40. x易和x Yong-Qiang节能分布式基于覆盖聚类算法,”学报2010年第九次国际研讨会上分布式计算和应用业务,工程和科学,32 - 35页,香港,中国,2010年8月。视图:出版商的网站|谷歌学术搜索
41. 冯·g·r·周m . Chen, h·刘,他和美国,“遗传聚类路由算法,系统”学报2010年第六次国际会议上自然计算烟台,页4023 - 4026年,中国,2010年8月。视图:谷歌学术搜索
42. m . Dhami诉Garg和n s Randhawa”增强生命周期能源消耗减少的WSN使用基于遗传算法的方法,”学报2018年IEEE 9年信息技术、电子和移动通讯大会(IEMCON),页865 - 870,2018年11月,加拿大,温哥华。视图:谷歌学术搜索
43. 诉Rajasekar、k . Sathya和j . Premalatha”节能集群形成蝙蝠算法,基于无线传感器网络的多目标”学报2018年国际智能计算与通信智能世界会议(I2C2SW)侵蚀,页116 - 120年,印度,2018年12月。视图:谷歌学术搜索
44. h . Zhihui”WSN路由算法基于能源效率,研究”学报2015年第六次国际会议上智能系统设计和工程应用程序(ISDEA)贵阳,页696 - 699年,中国,2015年8月。视图:谷歌学术搜索
45. 马t . w .沈,“混合k - means聚类算法研究基于改进遗传算法,”《2017年国际会议上计算机技术,电子和通信(ICCTEC)大连,页502 - 507年,中国,2017年12月。视图:谷歌学术搜索
46. r . Chouhan和a . Purohit”文档聚类的方法使用算法和k - means算法”学报2018年的第二次国际会议上的系统和控制(ICISC)哥印拜陀,页1380 - 1384年,印度,2018年1月。视图:谷歌学术搜索
47. 盾和m .气”,一种新的聚类算法基于PSO与SA的跳跃机制”《2009年第三国际智能信息技术应用研讨会上南昌,页61 - 64年,中国,2009年11月。视图:谷歌学术搜索
48. c .蔡、c·康和m .蒋介石“量子激发基于进化算法的聚类方法所无线传感器网络,”学报2015年第七次国际会议上无处不在的和未来的网络札幌,页103 - 108年,日本,2015年7月。视图:谷歌学术搜索
49. 美国Bhushan、r . Pal和s . g . Antoshchuk”节能集群异构无线传感器网络的协议:一个混合方法使用遗传算法和k - means, "学报2018年IEEE第二数据流挖掘和处理国际会议(DSMP),页381 - 385,利沃夫,乌克兰,2018年8月。视图:谷歌学术搜索
50. c .江任y、y周和h .张“低能消耗不平衡集群为无线传感器网络路由协议,”学报》2016年第八届国际智能人机系统会议和控制论(IHMSC)杭州,页187 - 190年,中国,2016年8月。视图:谷歌学术搜索
51. y, j .周和m .徐”生物启发低能量聚类方法对大规模无线传感器网络,”学报2019年IEEE国际会议的智能应用系统工程(ICIASE)页,20 - 23日福州,中国,2019。视图:谷歌学术搜索
52. 戴秉国c和x Lei,“基于分解的一种新颖的进化算法和自适应权重调整合成天然气生产。,“在学报2015年11日计算情报与安全国际会议(CIS),页270 - 273,深圳,中国,2015年12月。视图:谷歌学术搜索
53. c·l·p·陈,张t, s . c . Tam“一种新的进化算法解决优化问题,”学报2014年IEEE国际会议系统,人,控制论(SMC)圣地亚哥,页557 - 561,美国2014年10月。视图:谷歌学术搜索
54. j .秀问:他,杨z和c .刘”研究多目标约束优化进化算法”学报》2016年第四届国际会议上云计算和智能系统(CCIS),第286 - 282页,北京,中国,2016年8月。视图:谷歌学术搜索
55. m . Elhoseny a . Tharwat a·法鲁克,a . e . Hassanien”K-coverage模型基于遗传算法延长WSN一生,”IEEE传感器信,1卷,不。4、文章ID 7500404, 1 - 4, 2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021瑞阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。