The present invention relates to a topology control method based on unsupervised learning for ultra-dense wireless sensor networks. Based on the framework of genetic algorithm, network nodes are clustered to find the optimal clustering network topology through continuous unsupervised learning. In the optimization process, the three factors of node energy, node distance and node density are important input data sets. The hierarchical analysis method is used to determine the weight of different factors to establish fitness function. The invention can effectively improve the energy consumption of nodes and ultimately improve the network life of wireless sensor networks.
【技术实现步骤摘要】
面向超密集无线传感器网基于无监督学习的拓扑控制方法
本专利技术涉及无线传感器网络
,特别是涉及一种面向超密集无线传感器网基于无监督学习的拓扑控制方法。
技术介绍
随着5G时代的到来,超密集的无线传感器网络作为未来网络的重要组成部分之一,网寿命的问题一直是超密集无线传感器网络研究的热点和重点。无线传感器网络是一种节点以动态、自动寻找最优路径的方式实现向基站传输采集新的网络,被广泛应用于军事、工业控制、农业生产等诸多领域。节点的有限的能量供应和处理能力特性使得传统路由算法无法直接应用于无线传感器网络。因此,建立具有良好网络性能的拓扑是实现源节点和基站之间高效传输的关键。传统的无线传感器网络路由算法基于最短路思想,会导致网络的一些节点因为能量耗尽而死亡,进而导致网络被分割成多个孤立的子网络,严重影响网络的连通性和稳定性。因此,对节点能量消耗的路由算法的研究具有重要的意义。现阶段对传感器网络中的研究还主要停留在理论研究与小规模应用示范阶段,还没有一个协议栈框架能很好的支持这两种特性。近年来,在无线传感器网络研究尤其是应用发展中形成了以Zigbee联盟为主,百家争鸣的局面。Zigbee以IEEE802.15.4(PHY,MAC)以为基础,通过增加Network,Security和Application三层协议形成一种低速网络规范,主要针对个人操作领域(POS,PersonalOperateScope),仅支持从十几米到百米以内的短距离通信,无法有效适应低速短距与中、高速率、中远距离节点共存的异构传感器网络应用需求。网络拓扑固定,缺乏对多应用领域的适应性和可定制 ...
【技术保护点】
1.一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,包括以下步骤:(1)初始化种群:把网络中的所有节点随机编码为染色体个体,“1”代表簇头节点,“0”代表簇成员,随机产生R个染色体个体,形成初始的种群;(2)建立适应度函数:根据网络节点的能量因素、距离因素和密度因素定义染色体个体的适应度函数,然后利用层次化分析方法决定不同因素的权重;(3)选择、杂交和变异:针对每个染色体,计算每个染色体的适应值,根据不同染色体个体的适应值选择进行杂交操作的父代染色体对;被选中进行杂交的染色体将进行随机杂交,子代个体将以预定义的杂交比例pc继承父代个体中的基因值;杂交后的染色体中的某些基因将会根据预定义的变异比例pm进行变异;(4)构建分簇网络拓扑:根据选择、杂交和变异的概率计算染色体的转移概率,然后进行优胜劣汰过程,使得适应值大的个体被保留下来,形成新的种群;检查是否满足进化代数要求,如果不满足将继续进行迭代;否则选择出新的染色体个体,构造对应的分簇网络拓扑。
【技术特征摘要】
1.一种面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,包括以下步骤:(1)初始化种群:把网络中的所有节点随机编码为染色体个体,“1”代表簇头节点,“0”代表簇成员,随机产生R个染色体个体,形成初始的种群;(2)建立适应度函数:根据网络节点的能量因素、距离因素和密度因素定义染色体个体的适应度函数,然后利用层次化分析方法决定不同因素的权重;(3)选择、杂交和变异:针对每个染色体,计算每个染色体的适应值,根据不同染色体个体的适应值选择进行杂交操作的父代染色体对;被选中进行杂交的染色体将进行随机杂交,子代个体将以预定义的杂交比例pc继承父代个体中的基因值;杂交后的染色体中的某些基因将会根据预定义的变异比例pm进行变异;(4)构建分簇网络拓扑:根据选择、杂交和变异的概率计算染色体的转移概率,然后进行优胜劣汰过程,使得适应值大的个体被保留下来,形成新的种群;检查是否满足进化代数要求,如果不满足将继续进行迭代;否则选择出新的染色体个体,构造对应的分簇网络拓扑。2.根据权利要求1所述的面向超密集无线传感器网基于无监督学习的拓扑控制方法,其特征在于,所述步骤(2)具体为:以簇头节点vc0的节点集合定义为Vc,簇头节点vc0的能量消耗为Ec0=Etx(l1,δ)+Erx((||Vc||-1)*(l2+l3))+Etx(||Vc||*(l2+l3),d(vc0,v0)),其中,l1、l2和l3分别是广播报文、报文头部和报文数据部分的长度,||·||是节点集合大小计算函数,d(·)为两个节点之间的距离,在距离d上传输l个字...
【专利技术属性】
技术研发人员:常玉超,唐洪莹,赵沁,王艳,丁吉芸,马忠建,程小六,李宝清,袁晓兵,
申请(专利权)人:中国科学院上海微系统与信息技术研究所,中国科学院大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。