一种基于K-means++聚类算法的智能集群分簇方法技术

本发明专利技术涉及一种基于K

【技术实现步骤摘要】
一种基于K
‑
means++聚类算法的智能集群分簇方法


[0001]本专利技术涉及分簇方法
，具体的说是一种基于K
‑
means++聚类算法的智能集群分簇方法。

技术介绍

[0002]在战场物联网背景下，弹药的发展正朝着信息化、智能化、网络化的方向发展，其中最具代表性的就是巡飞弹自组网，巡飞弹作为一种能在目标区域上方进行“巡弋飞行”、“待机”执行多种作战任务的新概念弹药。它是先进的无人机技术和导弹技术相结合的产物，能够快速抵达目标区域，并执行侦察监视、目标定位、空中封锁、精确打击、毁伤效果评估等任务，是一种特征鲜明、可满足未来信息化作战需求的智能弹药。巡飞弹通过组网，可以形成弹药集群，这种弹药集群又被称之为网络化弹药，在实际作战过程中网络化弹药能够涌现出倍增效应，同时又具有较强的系统抗毁伤性和控制的自主性，因此具备极其优越的作战能力。
[0003]分簇是由任务、通信、计算、资源多方驱动的一种网络结构划分方法，旨在平衡各节点的计算压力，合理分配网络资源，资源更优的节点担任更多的计算任务，以此提升网络的稳定性。在弹药自组网中，分簇对于有效管理网络拓扑至关重要。

技术实现思路

[0004]本专利技术为有效解决智能平台节点的分簇问题，提供一种基于K
‑
means++聚类算法的智能集群分簇方法。
[0005]为解决以上技术问题，本专利技术采用以下技术方案：
[0006]一种基于K
‑
means++聚类算法的智能集群分簇方法，包括以下步骤；
[0007]步骤1、确定初始分簇数量k
*
，其中，B1和B2分别是簇内和簇间通信的带宽，N是无人机的数量；
[0008]步骤2、智能平台节点被建模为点集S＝{s1,s2,...s
i
...,s
N
}，从点集中随机选择k
*
个初始分簇中心；
[0009]步骤3、将每个节点分到距离最近的分簇中心对应的簇中；
[0010]步骤4、计算每个簇中的节点被选为下一次迭代后的本簇分簇中心概率，在每个分簇中选择概率最高节点作为下一次迭代的分簇中心，节点s
i
被选择为下一次迭代的分簇中心的概率D(s
i
)为节点s
i
与当前分簇中心的欧几里德距离；判断分簇中心位置是否不再变化，若是，转到下一步，否则返回步骤3；
[0011]步骤5、得到最终分簇结果并选择簇头。
[0012]进一步的，步骤5中选择簇头的方法包括以下步骤：
[0013]步骤5.1、计算每个最终分簇中各个节点的W值，节点i对应的步骤5.1、计算每个最终分簇中各个节点的W值，节点i对应的其中为节点i附近的节点数量，(x
i
,y
i
,z
i
)是节点i的三维坐标，(x
j
,y
j
,z
j
)是节点i的邻居节点j的坐标；
[0014]步骤5.2、选择每个簇中W值最大的节点作为簇头。
[0015]本专利技术采用以上技术方案后，与现有技术相比，具有以下优点：
[0016]本专利技术的均匀分簇可以防止存在节点独立或节点数量较少的分簇，从而优化了分簇结构。分簇数小于初始最优值k
*
，随着节点数量的增加，这可能会给CH带来较多的负载。但是，从IWLC方案中可以观察到，分簇数量的增长趋势更加稳定，可以更好地应对节点数量的增加，提高分簇网络的可扩展性。
[0017]下面结合附图和实施例对本专利技术进行详细说明。
附图说明
[0018]图1是点对点模式下网络拓扑结构图；
[0019]图2是分簇模式下网络拓扑结构图；
[0020]图3随着节点数量的变化，关于分簇数量的比较图。
具体实施方式
[0021]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0022]一.IWLC算法
[0023]1.分簇的形成
[0024]初始分簇数量确定如下：在分簇过程中，为了降低分簇开销并有效利用带宽，在初始分簇中心选择时，需要优化确定分簇的主要数量。每个普通节点(CM)的吞吐量为
[0025][0026]此外，每个簇头(CH)的吞吐量为
[0027][0028]其中N是无人机的数量，k是分簇的数量。Θ()为渐近紧约束。B1和B2分别是簇内和簇间通信的带宽，假定网络流量是均匀分布的。由于簇间和簇内通信的吞吐量平衡，一个CH的T
CH
用于进出其他群组的流量的比例为(k
‑
1)/k，该部分应小于或等于该CH的T
CH
。
[0029][0030]当达到最大吞吐量，即当不等式(3)成立时，分簇的主要数量k
*
应为：
[0031][0032]如果N足够大，则簇的数量近似为：
[0033][0034]基于初始值k
*
,进一步发展了K
‑
means++聚类算法，将N个智能平台划分为分簇。K
‑
means++聚类算法可以降低分簇结果的误差和计算复杂性。智能平台节点被建模为点集S＝{s1,s2,...s
i
...,s
N
}。算法的过程如下所述：
[0035]初始分簇中心选择如下：按照均匀分布从集合S中随机选择初始分簇中心c1。最小距离，即点s
i
和当前选择的分簇中心之间的欧几里德距离的最小值被表示为D(s
i
)。然后，我们通过使用以下等式计算S中的点s
i
被选择为下一个分簇中心的概率：
[0036][0037]选择概率最高的点作为下一个中心c1。重复上述过程，直到选择了k
*
个中心，其可以表示为集合这k
*
个中心将用作K
‑
means++聚类的原始聚类中心。
[0038]聚类的形成过程如下。有了原来的聚类中心，通过寻找最接近的聚类中心，可以将集合S划分为k
*
个聚类。S中的一个点s
i
到聚类中心的最小距离可以表示为
[0039][0040]如果则该点s
i
应被聚类到第n个分簇中。然后，分簇中心用以下公式更新。
[0041][0042]其中C表示分簇中心的集合，N
n
是第n个分簇中点的数量。
[0043]公式(7)和(8)将重复多次，直到C收敛。在这个过程中，实际的分簇数目k可能少于初始分簇数目k
*
。原因是自适应聚类方法合并了相互靠近的簇，以减少孤立的或节点数量少的分簇。
[0044]2.簇头的选择
[0045]本专利技术开发了一种基于节点间平均距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
means++聚类算法的智能集群分簇方法，其特征在于，包括以下步骤；步骤1、确定初始分簇数量k
*
，其中，B1和B2分别是簇内和簇间通信的带宽，N是无人机的数量；步骤2、智能平台节点被建模为点集S＝{s1,s2,...s
i
...,s
N
}，从点集中随机选择k
*
个初始分簇中心；步骤3、将每个节点分到距离最近的分簇中心对应的簇中；步骤4、计算每个簇中的节点被选为下一次迭代后的本簇分簇中心概率，在每个分簇中选择概率最高节点作为下一次迭代的分簇中心，节点s
i
被选择为下一次迭代的分簇中心的概率D(s
i
)为节点s
i
...

【专利技术属性】
技术研发人员：吴昊，魏平，孙世岩，石章松，吴中红，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：