一种带有分层协作机制的物联网拓扑优化方法技术

本发明专利技术公开一种带有分层协作机制的物联网拓扑优化方法，包括：步骤1，确定监测区域的大小及传感器节点的总数目，并随机部署传感器节点进行自组织连接；步骤2，构建初始网络拓扑，删除冗余边来得到简化后的网络拓扑；步骤3，确定超级节点的位置；步骤4，对简化后的网络拓扑进行染色体编码；步骤5，根据能量效率、鲁棒性和负载均衡性构建适应度函数；步骤6，初始化种群的结构；步骤7，对种群中的个体进行选择、交叉和变异操作；步骤8，合并父代和新产生的子代，并划分为不同的Pareto层级；步骤9，选出精英个体；步骤10，相邻种群间进行分层协作操作；步骤11，重复步骤7、8、9和10，到达迭代上限后选择适应度值最大的个体作为最优解。限后选择适应度值最大的个体作为最优解。限后选择适应度值最大的个体作为最优解。

【技术实现步骤摘要】
一种带有分层协作机制的物联网拓扑优化方法


[0001]本专利技术涉及物联网、目标优化领域，特别是涉及一种带有分层协作机制的物联网拓扑优化方法。

技术介绍

[0002]物联网是一个集成了机械控制、无线电感知、数据收集和共享技术的复杂系统。在5G技术的加持下，物联网已经被广泛应用于各个领域。超密集组网技术已被提出在特定的物联网场景下增加峰值流量。传感设备的密集部署提高了网络的功率和频谱效率，但增加了传感器节点上的能量消耗。此外，多汇聚节点上不均衡的通信负载也增大了网络中不同区域间的能耗差异，降低了网络的服务质量。频繁的网络攻击增加了传感器节点的失效几率，导致网络连通性下降，选择一个合适的网络布局对于整个系统的高效运行至关重要。网络拓扑描述了网络中不同传感器节点之间进行连接和通信的关系。合适的网络拓扑结构是整个网络系统稳定运行的关键，并直接决定物联网感知层自组织网络是否安全可靠。但是传统的拓扑结构直接应用到传感器节点规模庞大的物联网中，则无法满足用户对整个网络系统稳定性、能耗和时延的需求。此外，在单汇聚节点的物联网中，靠近汇聚节点的一些传感器节点由于严重的数据负载而成为性能提升的瓶颈。原因是这些传感器节点在收集其感知范围内数据的同时，也要转发远距离传感器节点的数据。这样的传感器节点被称为超级节点，数据路由的多跳转发机制使得区域内的超级节点比其他传感器节点要处理更多的数据，消耗更多的能量。为了均衡网络中的能量消耗，降低能量空洞问题的产生，基于多汇聚节点的网络拓扑结构已引起科研人员极大的关注。通过均衡多个汇聚节点上的数据负载，可以进一步降低超级节点上的能耗，延长物联网的生命周期。
[0003]此外，随着5G技术的发展，物联网上单一性能指标的提升已不能满足用户对网络服务质量的需求，通过多个性能指标对网络拓扑进行联合优化将成为拓扑研究的必然趋势。网络的能量效率和鲁棒性是影响物联网服务质量的重要因素，而在多汇聚网络结构中，多个汇聚节点上的负载均衡性也关系着物联网系统的稳定性。因此，为了更进一步的提升物联网的综合性能，需要对这三个性能指标进行联合优化。传统的多目标优化算法NSGA
‑
II，即带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。它可以快速找到符合要求的解集，但由于该算法是根据遗传进化的思想进行设计的，它存在单种群进化易陷入早熟收敛的情况。

技术实现思路

[0004]本专利技术的目的是为了克服现有技术中的不足，提供一种带有分层协作机制的物联网拓扑优化方法，本专利技术结合多目标优化、物联网、信息熵与多种群进化等相关技术，通过度量多个汇聚节点上的负载均衡性和设计多种群间的分层协作机制，来保证进化过程不陷入早熟收敛，并综合提升物联网拓扑的能量效率和鲁棒性。在保证多个汇聚节点负载均衡的基础上提高了物联网拓扑的能量效率和鲁棒性。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种带有分层协作机制的物联网拓扑优化方法，包括以下步骤：
[0007](1)设置实验条件，确定传感器节点所监测区域的大小及传感器节点的总数目；将所有的传感器节点随机撒在监测区域进行自组织的连接；
[0008](2)提取传感器节点之间的连接关系构建初始的网络拓扑，并对初始的网络拓扑中的边进行分类，结合传感器节点的聚类系数和边介数进行冗余边的删除操作得到简化后的网络拓扑；
[0009](3)针对简化后的网络拓扑，计算传感器节点的聚类系数和紧密中心性以确定超级节点的位置，超级节点是指通信半径在100m至200m之间的传感器节点；
[0010](4)对简化后的网络拓扑进行基因编码，设置染色体的具体形式；
[0011](5)根据能量效率、鲁棒性和负载均衡性三个性能指标构建遗传进化过程中所需的适应度函数；
[0012](6)初始化种群的基本结构，一个简化后的网络拓扑设为一个个体，若干个个体构成一个种群；确定遗传操作的相关参数；
[0013](7)对种群中个体染色体进行选择、交叉和变异操作；
[0014](8)将参与遗传操作的父代个体和新产生的子代个体进行合并，并对合并后的个体进行分层排序，将个体划分为不同的Pareto层级；
[0015](9)根据Pareto层数和拥挤距离来选择出符合种群规模的精英个体；优先选择低Pareto层的个体；对于相同Pareto层的个体，优先选择拥挤距离较大的个体作为精英个体；
[0016](10)针对新一代个体，使用适应度函数选出不同Pareto层中最优和最差的个体，并在相邻种群间进行分层协作操作；
[0017](11)重复步骤(7)、(8)、(9)和(10)，判断是否到达迭代上限；若是，则停止进化过程，并从当代Pareto层数为1的集合中选择适应度函数值最大的个体作为最优解。
[0018]进一步的，步骤(2)中边被划分为三种类型：孤立边、三角形中的边、四条边以上的多边形中的边；第一种类型中，孤立边不被删除；第二种类型中，需要计算并比较三角形中三个顶点在删边前后的聚类系数变化，只有当聚类系数增大且该边的边介数小于设定的阈值时才被删除；第三种类型中，由于受影响传感器节点的聚类系数之和总是增大的，只需比较边介数与阈值的大小，若小于阈值，则删除该条边。
[0019]进一步的，步骤(3)中使用K表示简化后的网络拓扑中超级节点的数量，N为传感器节点的总数量；所有传感器节点根据聚类系数的值进行降序排列，依照顺序选择传感器节点i，并将与传感器节点i相邻的其他(N/k)
‑
1个传感器节点划分为一个簇；在簇内计算这N/k个传感器节点之间的紧密中心性，并选择最靠近簇中心即值最大的传感器节点作为超级节点。
[0020]进一步的，步骤(4)根据步骤(3)所确定的超级节点的位置，从简化后的网络拓扑中提取出超级节点和汇聚节点之间的连接关系，形成邻接矩阵；通过遍历染色体中呈双螺旋结构的两条基因链间的对应关系来进行拓扑结构与染色体之间的转换；
[0021]染色体双螺旋结构中的一条基因链记录超级节点的ID，每段基因以一个超级节点的ID开始，后续的空间填写邻居超级节点的ID；另一条基因链与前述基因链的结构相同，但是填写的内容从超级节点的ID换成了超级节点间的连接关系；记录连接关系的基因链的内
容在迭代进化中被改变；记录ID的基因链不进行修改，只作为邻接矩阵和染色体相互转换的参考。
[0022]进一步的，步骤(5)中：
[0023]Fit(x)＝ω1LB
′
+ω2E
′
+ω3R
′ꢀꢀ
(1)
[0024][0025][0026]公式中Fit表示个体x的适应度值，参数ω1、ω2和ω3分别为负载均衡性LB、能量效率E和鲁棒性R三个性能指标所占的权重系数，LB
′
、E
′
和R
′
是三个指标进行归一化后的结果，而LB
max
、E<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带有分层协作机制的物联网拓扑优化方法，其特征在于，包括以下步骤：(1)设置实验条件，确定传感器节点所监测区域的大小及传感器节点的总数目；将所有的传感器节点随机撒在监测区域进行自组织的连接；(2)提取传感器节点之间的连接关系构建初始的网络拓扑，并对初始的网络拓扑中的边进行分类，结合传感器节点的聚类系数和边介数进行冗余边的删除操作得到简化后的网络拓扑；(3)针对简化后的网络拓扑，计算传感器节点的聚类系数和紧密中心性以确定超级节点的位置，超级节点是指通信半径在100m至200m之间的传感器节点；(4)对简化后的网络拓扑进行基因编码，设置染色体的具体形式；(5)根据能量效率、鲁棒性和负载均衡性三个性能指标构建遗传进化过程中所需的适应度函数；(6)初始化种群的基本结构，一个简化后的网络拓扑设为一个个体，若干个个体构成一个种群；确定遗传操作的相关参数；(7)对种群中个体染色体进行选择、交叉和变异操作；(8)将参与遗传操作的父代个体和新产生的子代个体进行合并，并对合并后的个体进行分层排序，将个体划分为不同的Pareto层级；(9)根据Pareto层数和拥挤距离来选择出符合种群规模的精英个体；优先选择低Pareto层的个体；对于相同Pareto层的个体，优先选择拥挤距离较大的个体作为精英个体；(10)针对新一代个体，使用适应度函数选出不同Pareto层中最优和最差的个体，并在相邻种群间进行分层协作操作；(11)重复步骤(7)、(8)、(9)和(10)，判断是否到达迭代上限；若是，则停止进化过程，并从当代Pareto层数为1的集合中选择适应度函数值最大的个体作为最优解。2.根据权利要求1所述一种带有分层协作机制的物联网拓扑优化方法，其特征在于，步骤(2)中初始的网络拓扑中的边被划分为三种类型：孤立边、三角形中的边、四条边以上的多边形中的边；第一种类型中，孤立边不被删除；第二种类型中，需要计算并比较三角形中三个顶点在删边前后的聚类系数变化，只有当聚类系数增大且该边的边介数小于设定的阈值时才被删除；第三种类型中，由于受影响传感器节点的聚类系数之和总是增大的，只需比较边介数与阈值的大小，若小于阈值，则删除该条边。3.根据权利要求1所述一种带有分层协作机制的物联网拓扑优化方法，其特征在于，步骤(3)中使用K表示简化后的网络拓扑中超级节点的数量，N为传感器节点的总数量；所有传感器节点根据聚类系数的值进行降序排列，依照顺序选择传感器节点i，并将与传感器节点i相邻的其他(N/k)
‑
1个传感器节点划分为一个簇；在簇内计算这N/k个传感器节点之间的紧密中心性，并选择最靠近簇中心即值最大的传感器节点作为超级节点。4.根据权利要求1所述一种带有分层协作机制的物联网拓扑优化方法，其特征在于，步骤(4)根据步骤(3)所确定的超级节点的位置，从简化后的网络拓扑中提取出超级节点和汇聚节点之间的连接关系，形成邻接矩阵；通过遍历染色体中呈双螺旋结构的两条基因链间的对应关系来进行拓扑结构与染色体之间的转换；染色体双螺旋结构中的一条基因链记录超级节点的ID，每段基因以一个超级节点的ID开始，后续的空间填写邻居超级节点的ID；另一条基因链与前述基因链的结构相同，但是填
写的内容从超级节点的ID换成了超级节点间的连接关系；记录连接关系的基因链的内容在迭代进化中被改变；记录ID的基因链不进行修改，只作为邻接矩阵和染色体相互转换的参考。5.根据权利要求1所述一种带有分层协作机制的物联网拓扑优化方法，其特征在于，步骤(5)中：Fit(x)＝ω1LB
′
+ω2E
′
+ω3R
′ꢀꢀꢀꢀ
(1)(1)公式中Fit表示个体x的适应...

【专利技术属性】
技术研发人员：邱铁，张松伟，穆朝絮，周晓波，陈宁，
申请(专利权)人：天津大学，
类型：发明
国别省市：