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

本发明专利技术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，以遗传算法的框架为基础，对网络节点进行分簇，通过不断地无监督学习寻找最优的分簇网络拓扑。在优化过程中，网络的节点能量、节点距离和节点密度三个因素是重要的输入数据集，利用层次化分析方法决定不同因素权重建立适应度函数。本发明专利技术能够有效地改善节点能量消耗，并最终提高无线传感器网的网络寿命。

Topology control method for ultra dense wireless sensor networks based on unsupervised learning

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性，灵活性较差。所以Zigbee这一体系架构暂时还不能很好的使用在具有异构性与移动性的传感器网络中。所以，深入分析无线传感器网络的，特别是超密集的无线传感器网络，设计支持这两种特性的传感器网络协议是将传感器网络推向大规模应用之前必须进行的一项基础研究工作。分簇拓扑控制是网络层次拓扑控制中一种重要方法。基于分簇的网络结构在拓扑管理、能量效率、数据融合与节点协同处理方面与平面网络结构相比均具有明显的优势。通过一定的机制来选择某些节点作为骨干节点簇头节点，由簇头节点形成一个处理并转发数据的骨干网，并将大规模网络划分为多个小尺度的簇群，降低拓扑管理的难度。
技术实现思路
本专利技术所要解决的技术问题是提供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，能够有效地改善节点能量消耗，提高网络寿命。本专利技术解决其技术问题所采用的技术方案是：提供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，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。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个字节的信息，节点发送和接收消耗的能量为：Erx(l)＝lEelec，其中，其中，Eelec是信息传输中电路能量消耗，εfs和εmp分别是自由空间信道模型和多径衰落信道模型的传输放大参数，d0是门限传输距离；关于距离特性和密度特性的定义分别为Gc(δ)∞||Vc||；建立一致性矩阵如下：矩阵AΣ的最大特征值及其对应的特征向量分别为λ(AΣ)和W(AΣ)＝[w1w2w3]；则对于染色体Xr的适应度函数定义为f([ErDrGr])＝w1*Er+w2*(1/Dr)+w3*(1/Gr)。所述步骤(3)中的选择、杂交和变异的过程具体为：假设第m代种群为则由Xm构成的染色体对空间为：的联合概率分布为在和相似的R×R个染色体对的概率值中选择R个最大的染色体对作为父代染色体对集合被选中的染色体对集合中任意染色体对经过杂交后产生染色体对经过杂交运算后产生染色体个体的概率为：其中，假设染色体中第n个基因实现突变操作，染色体个体变异为的概率为：其中，是染色体个体和的汉明距离。所述步骤(4)构建分簇网络拓扑具体为：种群Xm中的染色体经过选择、杂交和变异三个操作后产生的转移概率表示为：所有像的染色体构成种群种群Xm和进行合并构成临时种群概率较大的R个值对应的染色体构成第m+1种群经过M代进化后，根据分簇网络拓扑结构的适应值函数求得最佳网络分簇模型为对应的网络分簇模型表示为：有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术综合考虑了邻居节点的能量、距离和密度，将网络节点建模为染色体，通过不断的无监督学习的方式寻找最优的染色体，继而建立对应分簇网络拓扑，实现传感器节点将依次向基站传输感知数据。本专利技术有效地改善了网络中的节点能量消耗，增大了网络寿命。附图说明图1是本专利技术的流程图；图2是染色体个体的模型图；图3是分簇网络拓扑架构图；图4是网络中随着节点数目增加完成簇头节点“选举”的时间分布图；图5是1000个节点的簇成员节点加入对应簇群的时间分布图；图6随机布设1000个节点对应网络生命周期分布图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式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，如图1所示，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。其中，网络节点编码为染色体个体的模型如图2所示。(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。具体如下：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、报文头本文档来自技高网...

【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