没有合适的资源?快使用搜索试试~ 我知道了~
无线传感器网络的非均匀聚类方法分类与比较
沙特国王大学学报无线传感器网络Sariga Arjunan,Pothula Sujatha印度Puducherry本地治里大学计算机科学系阿提奇莱因福奥文章历史记录:2016年9月14日收到2017年3月28日修订2017年3月29日接受2017年3月31日在线提供保留字:无线传感器网络数据聚合聚类热点问题不均匀聚类能效A B S T R A C T无线传感器网络因其广泛的应用而成为泛在生活的关键技术,并一直是一个活跃的研究领域。能量感知是无线传感器网络设计中的一个关键问题。聚类是最流行的节能技术,提供了各种优势,如能源效率,生命周期,可扩展性和更少的延迟,但它会导致热点问题。为了克服这一点,提出了不平等的聚类在不等簇中,簇大小与到基站(BS)的距离成比例地变化。缺乏最近的和详细的调查文件在不平等的聚类方法刺激我们进行这项研究。本文综述了各种非均匀聚类方法的目标、特点等,给出根据不同的簇特性、簇头特性和分簇过程对非均匀分簇方法进行了分类和比较©2017作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍信息技术(IT)和集成电路(IC)领域的快速发展导致了廉价且紧凑尺寸的传感器节点的发展无线传感器网络是物联网不可或缺的一部分;它使数十亿设备共享数据,以改善环境用户控制。无线传感器网络是由一组大量的传感器节点以adhoc方式排列,以观察和交互的物理世界。每个传感器节点由四个部分组成:传感器,微控制器,电源和收发器。感测单元中的传感器测量真实世界中的物理参数,例如温度、压力、湿度、振动、声信号、红外线、车辆运动等,(Estrin等人,1999年)。感测值由处理单元处理,并由通信单元通过单跳或经由中间节点转发到基站(BS)(Anastasi等人,2009年)。无线传感器网络广泛应用于军事监视、农业、灾害管理、医疗监控、工业自动化、库存控制等领域。*通讯作者。电子邮件地址:sarikaaut@gmail.com(S. 阿诸南),spothula@gmail.com(美国)Pothula)。沙特国王大学负责同行审查(Sohraby等人,2007年)。无线传感器网络通常部署在人工干预困难或不可能的区域。能量消耗、带宽和内存是无线传感器网络设计中的主要问题。由于传感器部署在恶劣环境中,因此更换或再充电电池非常困难或不可能(Akyildiz等人,2002年)。在WSN中,传输成本大于感测和处理成本(Raghavendra等人,因此,需要能量有效的数据传输策略来将数据从传感器节点转发到BS以延长网络寿命。聚类是最重要的节能技术。在这种技术中,传感器节点被组织成称为集群的组。集群中的常规节点被称为集群成员,并且在它们之中选择集群头(CH)(Heinzelman等人,2000年)。无线传感器网络中的分簇架构如图1所示。在分簇的无线传感器网络中,有两种类型的流量:簇内的数据传输称为簇内流量,簇间的数据传输称为簇间流量。集群成员感测真实世界参数并将感测到的值发送到其CH。CH接收并聚合数据以去除冗余数据并直接或经由中间CH将聚合数据发送到CH。集群成员不能直接向BS发送数据,它只发送到CH,CH将其转发到BS。分簇的优点是:通过提高带宽利用率来降低能耗,减少开销,增加连通性,稳定网络拓扑,减少延迟,有效的负载平衡和减少路由表的大小。BS附近的CHhttp://dx.doi.org/10.1016/j.jksuci.2017.03.0061319-1578/©2017作者。制作和主办:Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comS. Arjunan,S.Pothula/ Journal of King Saud University3050为了构造不等簇,每个节点需要确定自己的竞争半径Rc. Rc的公式(Yu等人, 2011b)在Eq. (一)RC=1-cdmax-dsi;DS=R0ð1Þdmax-d minC其中dmax和dmin是从网络中的节点到BS的最大和最小距离,d(si,DS)是从节点si到BS的距离,c是其值在[0,1]中的加权因子,并且RC是竞争半径的最大值。由于异构网络中的节点具有不同的能量水平,通过考虑节点与BS之间的距离和节点的剩余能量来计算竞争半径,该剩余能量在等式中示出(二)、RC1-a dmax-dsi;D S-b。1-Er最大值Rd最大-d最小EmaxFig. 1. 无线传感器网络分簇的体系结构比远离BS的CH消耗更多的能量并且更快地耗尽能量。由于来自其自己的集群成员的集群内流量、数据聚合以及来自用于将数据中继到BS的其他CH的集群间流量,更靠近BS的CH负载有繁重的流量。这导致网络连接中断,并且在更靠近BS的集群中产生覆盖问题。这个问题被称为热点问题。为了防止网络出现热点问题,可以利用不等分簇技术来实现CH之间的负载平衡(Soro and Heinzelman,2005 a)。无线传感器网络中的非均匀分簇架构如图2所示。不相等的分簇减小了更靠近BS的簇的大小,并且簇的大小随着BS和CH之间的距离增加而增加。簇大小与CH到BS的距离成正比。当到BS的距离增加时,集群大小也增加。BS附近的较小集群指示较少数量的集群成员和较少的内部集群。- 集群流量。因此,较小的集群消耗较少的能量用于集群内流量,并更多地集中在集群间流量上。类似地,远离BS的较大集群指示更多集群成员并且在集群内流量上花费更多能量。因此,它花费更少的能量用于簇间流量,因此不需要花费更多的能量用于簇间路由。不相等的聚类允许所有CH花费相同的能量,使得靠近BS的CH与远离BS的CH花费相同的能量因此,非均匀分簇通过有效地平衡负载来消除热点问题。其中d(si,DS)是从节点si到BS的距离,a是其值在[0,1]中的加权因子,Er是节点si的剩余能量,并且Rmax是竞争半径的最大值。对于集群内通信,集群成员直接向CH发送数据。集群间通信涉及来自集群成员的数据的聚合,然后将聚合的数据发送到下一跳节点。节点si从其邻居节点中选择部分节点构成候选转发节点集合,然后根据参数"E relay”从该集合中选择一个节点作为最终转发节点当簇头si选择sj作为它的下一跳时,计算能量消耗E中继的公式在等式2中给出。(三)、 因此S1将从候选转发节点集合中具有最小“E中继”的两个节点中选择具有最高剩余能量的节点E继电器1/4d2si;sjd2si;DS继电器3在过去的十年中,各种分簇和非均匀分簇技术提出了能量有效的无线传感器网络。虽然对聚类方法进行了一些全面的调查,但很少有对不平等聚类方法进行调查。综述了基于概率的不平等分簇协议,并从节点部署区域(正方形或圆形)、移动性、位置感知和数据聚合等方面对这些协议进行了比较(Kaur和Varsha.,2016年)。基于概率的不平等聚类协议的另一个审查。它比较了基于节点数量、能效、平衡集群、位置感知和异构水平的各种协议(Vennira Selvi和Manoharan,2013)。缺乏最近和详细的调查不平等的聚类协议激励我们进行这项工作。本文研究了非均匀聚类的目标、特征、分类,案情和缺点每个簇大小随着CH和BS之间的距离的增加而小型集群(靠近基站)中型集群更大规模的集群(远离BS)图二. 无线传感器网络中的非均匀分簇结构306S. Arjunan,S.Pothula/ Journal of King Saud University技术进行了详细的讨论和比较,并根据各种簇的属性,簇头(CH)的属性和分簇过程。本文的其余部分组织如下。第2节中解释了不等聚类的概述,包括目标和特征。不平等聚类算法的分类和解释在第3节。不同的分类算法进行了比较,并在第4节和第5节总结的文件。2. 不平等聚类在这一部分中,详细讨论了非均匀聚类的概述、目标和特征。2.1. 非等聚类目标非均匀聚类的目的与均匀聚类相同根据应用需求,将节点按不同的目标进行分簇. 节能和消除热点问题是非均匀聚类最常见的目标。下文对一些额外目标进行了解释2.1.1. 扩展性传感器节点根据实际应用的需要,部署的数量从几百个到几千个不等。路由技术的设计应该考虑与这些庞大数量的传感器节点的工作能力。当集群中的节点需要向另一个集群中的节点发送数据时,节点应该知道相关联的接收集群头(CH)的细节。分层架构通过将感测场划分为各个层并且每个层再次划分为多个簇(Kleinrock和Kamoun,1977)来提供大规模WSN中的可扩展性这提高了可扩展性并减小了路由表的大小。2.1.2. 容错在若干应用中,传感器被部署在恶劣环境中(例如,传感器从直升机上掉下),并且这些节点具有增加的物理损坏、节点故障的风险。容错节点在某些传感器数据丢失导致灾难的关键应用中非常重要。集群是一种有效的方式,使容错和安全的WSN(周等, 2008年)。自组织的无线传感器网络通过重新分簇的过程来管理故障重新聚类过程不仅增加了资源负担,而且中断了当前操作。重新聚类、分配备份CH、代理CH或旋转CH结果以容错,具有适当负载平衡的优点(Heinzelman等人, 2002年)。2.1.3. 数据聚合/融合由于大量的传感器在物理环境中感测相同的数据,因此存在更大的数据冗余的机会。数据聚合是避免冗余数据传输的有效方法,也减少了传输的次数。该技术是一种信号处理方法,其将所有接收到的分组聚合成 输 出 分 组 。 该 技 术 放 大 了 公 共 数 据 并 抑 制 了 不 想 要 的 噪 声(Krishnamachari等人,2002年)。在无线传感器网络中,CH执行从其簇成员接收的所有数据的数据聚合,并转发通过单跳或多跳将聚合数据发送到BS(BS)。因此,变速器的数量和总负载网络也大大减少了。2.1.4. 负载平衡负载均衡对于延长网络生命周期起着重要的作用。负载平衡是一个关键问题,其中CH是从网络中的可用节点中选择的(Na和Vergados,2007)。为了避免热点问题的发生,在CH之间实现统一的负载分配是非常必要的.不平等的集群保证均匀的负载分布,其中所有的CH消耗大约相同的能量。因此,可以轻松实现更节能的网络。2.1.5. 稳定网络拓扑节点被组织成集群,CH是从每个集群中选择的; CH负责集群级别的任何拓扑更改。CH包含其簇成员的信息,如节点ID、位置和能量水平。在分层体系结构中管理网络拓扑结构优于平面体系结构。当一个节点死亡或移动到其他集群,这些变化立即注册和通知的CH到BS和重新聚类将进行有效地维护网络拓扑结构。2.1.6. 增加的寿命非均匀分簇的主要目的是尽可能延长网络的生存时间。由于传感器网络具有能量受限的特点,最大化网络生存时间对于实时应用来说是非常重要的.集群内通信可以通过选择节点作为具有更多邻居节点的CH来减少(Younis等人,2003年)。集群和路由过程也可以组合以最大化寿命(Hou等人, 2005年)。非均匀分簇通过在簇内成员间适当轮换CH来延长网络的生存时间,并适当利用休眠模式和簇维护技术来延长网络的生存时间。2.2. 聚类特征为了对不同的聚类方法进行分类,使用了各种聚类特征。在本节中,详细讨论了非均匀聚类的三个特征。● 群集属性● CH性质● 聚类过程属性2.2.1. 群集属性集群的规范被定义为集群属性,包括:集群数量、集群大小、集群内通信和集群间通信。2.2.1.1. 群集计数。 所形成的集群的数量是预定义的或基于应用需求是可变的。在某些情况下,集群的数量是部署的节点总数的5%。在许多应用中,当CH被随机选择时,簇的数量是可变的。2.2.1.2. 群集大小。簇大小可以分为相等簇和不相等簇。在相等的聚类中,聚类的大小在整个网络中是相同的。在不等分簇中,基于到BS的距离来确定簇大小。当到BS的距离较小时,簇的大小较小,并且簇的大小增加随着到BS的距离增加。2.2.1.3. 群集内通信。簇内基于聚类方法,通信可以是直接的或多跳的。对于大规模的无线传感器网络,簇内S. Arjunan,S.Pothula/ Journal of King Saud University3072.2.1.4. 集群间通信。集群间的在大规模的无线传感器网络中,多跳机制通常被用于能量有效的数据传输在一些小规模的无线传感器网络应用中,CH和BS之间的通信是单跳传输。2.2.2. CH性质CH执行以下操作:从集群成员收集数据,聚合数据并通过直接或多跳通信将数据转发到BS。2.2.2.1. 作用CH从其集群成员接收数据,对收集的传感器数据进行数据聚合,将聚合的数据中继到BS。2.2.3. 聚类过程聚类过程的特征如下所示。2.2.3.1. 聚类方法。集群有两种方法:集中式和分布式。在集中式方法中,像BS或超级节点这样的中央机构控制整个操作(簇形成、CH选择等)。而分布式方法由于没有中心控制,在大规模无线传感器网络中得到广泛应用。2.2.3.2. 节点分组的目标。本研究中已经讨论了节点分组的各种目标。例如,在一个实施例中,容错、负载均衡等2.2.3.3. 自然 集群过程可以是主动的、被动的或混合的。该节点连续地感测数据并将其转发给CH。在主动型中,CH连续地向BS发送数据在反应型中,每当感测值超过预定义阈值时,CH就发送数据。在混合情况下,CH以更长的规则时间间隔并且也在该值越过阈值时向BS发送数据2.2.3.4. CH选择。无线传感器网络中信道的选择方法有三种:概率方法、基于属性的方法和预设类型。在概率方法中,CH是随机选择的,没有任何事先考虑。在基于属性的方法中,使用各种度量来选择CH,如剩余能量、节点度、节点中心度、期望剩余能量、到BS的距离等。在预设类型中,在将传感器放置在感测场中之前预先确定CH。3. 分类不等聚类算法通常,无线传感器网络由数百到数千个传感器节点组成。非均匀聚类是一种有效的组织均匀分布的大量节点的方法消除热点问题。在本节中,对已发表的不等聚类算法进行了广泛的文献综述讨论了这些算法分为概率聚类算法、确定聚类算法和预置聚类算法三种,其体系结构如图所示。3.第三章。3.1. 概率聚类算法概率分簇算法的一个主要目标是最大化网络生存时间。在这种方法中,算法随机选择CH。这被发现是简单的,接近最优的开销,更快的收敛和能源效率的聚类方法。对于能量有效的分簇协议,时间复杂度和消息复杂度应该是低的。可能的方法分为随机方法和混合方法。随机方法是简单的,它随机选择CH和形成,并实现接近最优的开销。混合方法用于通过将随机方法与一些参数(如剩余能量或到BS的距离)相结合来适当地平衡簇。混合方法是基于迭代或基于竞争的,这增加了复杂性在信息和时间方面。在下一节中,将讨论随机方法。3.1.1. 随机方法3.1.1.1. 概率驱动的无线传感器网络不等分簇机制(PRODUCE).PRODUCE(Kim等人, 2008)是一个随机的不平等聚类算法,消除了热点问题。在节点密度较高的无线传感器网络中,该算法最大限度地延长了网络的生存时间和覆盖时间覆盖时间是第一个CH耗尽电池导致覆盖问题的时间,而寿命表示网络中所有节点死亡的时间。它使用本地化的概率来构造大小不等的簇,并使用随机几何来进行簇间路由。不平等的集群组织的集群较小的大小接近BS和较大的大小远离BS。这使得靠近BS的CH可以更专注于簇间数据中继,而远离BS的CH可以更专注于簇内通信,从而消除了热点问题。这种概率驱动的非均匀分簇方案平衡了能量消耗结果,最大化了网络的生存时间和覆盖时间,特别是在节点密度高的网络中。与EEUC相比,它在网络生命周期方面提供了更好的结果。3.1.1.2. 能量驱动的不平等聚类(EDUC)。EDUC是一种分布式算法,它减少了能量消耗,避免了异构WSN中的热点问题(Yu等人,2011年a)。该算法有效地管理了簇内节点的能量消耗,降低了能量消耗。它涉及到一个不平等的聚类算法和能量驱动的CH旋转方法。EDUC分为两个阶段:集群构建和数据收集阶段。集群构建阶段包括CH竞争阶段和集群形成阶段。每个节点在整个网络生命周期中仅充当CH一次。CH为其簇成员准备TDMA调度,以避免业务内冲突。CH是随机选择的,并且对于CH旋转精确地计算能级。CH将数据直接转发到BS。这种单跳通信的假设在许多实时应用中是不可能的。这种方法对于多跳网络是不适用的,因为能量阈值需要非常精确。与LEACH和HEED相比,EDUC可以延长网络的生命周期。3.1.1.3.基于位置的非均匀聚类算法(LUCA)。 防止热点问题的另一种基于概率的分布式方案是LUCA(Lee等人,2011),其中簇大小与到BS的距离成比例地变化。为了消除热点问题,LUCA在BS附近形成较小的簇,而在远离BS的地方形成较大的簇。在初始化阶段,每个节点都有一个具有某个随机值的回退定时器。当节点在时间间隔内接收到任何CH通告消息时,它加入到集群。当没有接收到CH通告消息时,它选择自己作为CH,并作为CH转发给它的邻居。由于LUCA基于来自BS的位置来组织不相等的簇,因此它使用GPS来确定其位置。在LUCA中,节点是位置感知的,这使得它不适合许多实时应用,并增加了能量开销。3.1.2. 非均匀聚类算法3.1.2.1. 能源效率不平等集群(EEUC)。EEUC是一种广泛用于周期性数据收集应用的混合方法,308S. Arjunan,S.Pothula/ Journal of King Saud University非均匀聚类算法预设随机PRODUCEEDUCLUCA混合UCR不平等LEACHECEB-UCP不平等HEEDCOCAMRPUCPEBECSEADUC ACTEBCAGEUCSUCMREPUCCUCA进出口EADUCUCS重量模糊FUCPEAUCFIFUCFBUCDUCF启发式化合物EBUCGAEEPIPSOSMEBUCFAMACROWnCRO- UCRAUMBICEDDUCAUCCGRA确定性概率图三. 不平等聚类算法的分类。WSN(Li等人,2005年)。为了避免热点问题,网络被划分成各种大小不等的簇,多跳路由参与转发数据到BS。越靠近基站的簇越小,减少了簇内业务的能量消耗,为簇间多跳路由节省了更多的能量。簇大小与到BS的距离成正比。EEUC是一种分布式方法,其中CH通过局部竞争选出,并且最终CH基于传感器节点的剩余能量来选择。 在多跳数据传输中,CH使用两个度量来选择中继节点:剩余能量和中继CH到BS的距离。与LEACH和HEED相比,EEUC显著降低了能耗,延长了网络生命周期,比UCS更实用。3.1.2.2. 能量有效的分布式不平等聚类协议(EEDUC)。 EEDUC(Yu等人,2011b)是一种分布式方法,可用于定期数据收集应用程序。EEDUC克服了EEUC的缺点。在EEDUC中,每个节点根据等待时间广播hello消息。基于剩余能量和节点度在每个节点处计算权重(等待时间)度量;具有最大权重的节点被选择为CH。EEDUC避免了热点问题,并且比EEUC更好地平衡了24%的能耗。EEDUC成功地最大化了网络生命周期。然而,CH选择相邻CH作为中继节点,而不考虑剩余能量和到BS的距离。3.1.2.3. 基于不平等集群的路由(UCR)。UCR(Chen等人,2009)将网络划分为大小不等的集群,以避免热点问题。UCR协议包含两个部分:用于分簇过程的能量有效的非均匀分簇算法(EEUC)和用于多跳路由过程的簇间贪婪的地理和能量感知路由协议。基站向所有传感器广播信标信号,以基于接收到的信号强度计算其与每个节点的距离。这有助于选择合适的功率来向BS传输数据和建立不等簇。每个试探CH都有一个竞争范围,它被用来构建大小不等的簇。在选择CH之后,CH向网络广播广告消息。节点以簇成员的身份加入到接收信号强度较高的CH中,并构造了传感器节点的Voronoi区域。对于多跳簇间路由,根据中继路径的剩余能量与能量成本的比值来选择中继节点。它实现了HEED的最大寿命,但由于真实环境中的噪声,它容易出错,鲁棒性较差3.1.2.4. 不均匀沥滤。LEACH是最早提出的一种基于概率选择CH的分簇算法。针对LEACH协议在实际应用中的困难,提出了一种改进的LEACH协议,该协议具有更实用的建立改进的LEACH(Ren等人,2010)基于自适应按需加权(AOW)构建聚类,AOW是剩余能量与总能量和竞争范围之间的权衡。集群大小不等,CH直接转发S. Arjunan,S.Pothula/ Journal of King Saud University309没有任何中间节点。簇头的选择采用轮询法,并预先确定了循环时隙.在稳态阶段,簇成员使用TDMA调度向CH发送数据,CH使用CSMA调度向BS发送接收到的和聚合的数据。在一定时间段之后,发生重新聚类。与LEACH相比,改进的LEACH结果更稳定的网络拓扑和最大的生命周期。该协议避免了热点问题,非常适合于节点密度较高的大规模无线传感器网络3.1.2.5. 节能集群(EC)。EC是一种简单的、可扩展的和能量感知的聚类算法,其基于到宿的跳距离来计算所需的聚类大小(Wei等人,2011年)。该算法实现了网络生命周期的近似均衡,降低了网络能耗。在EC中,随机选择暂定CH,并根据其剩余能量选择最终CH。提出了一种能量有效的多跳数据收集协议,以确定能量消耗量和EC的性能分布式簇间路由算法执行均匀的能量分配,并产生最小的开销,由于路由发现过程。EC不依赖于能源效率数据收集协议。EC表现良好,比UCR和HEED实现了更多的能量均衡3.1.2.6. 能量均衡的无线传感器网络不平等分簇协议(EB- UCP)。EB-UCP是为了在WSN中的所有节点之间实现最大生命周期和统一的负载平衡而提出的(Yang,2009)。为了消除热点问题,使用概率方法组织聚类。BS附近的集群在尺寸上更小,以用于更多的集群间路由和更少的集群内路由。感测场被划分为各个层,并且每个层被分配相对于到BS的距离的不同概率。越靠近基站的节点越有可能占用越小的簇面积,越多的CH占用的簇成员越少。这将导致更少的能量耗散的簇内流量和节省能源的簇间路由。基于节点的剩余能量来选择暂定CH以均衡能量消耗。多跳数据传输依赖于非均匀分簇算法和能量均衡分层算法。 CH基于剩余能量选择中继节点。当两个节点具有相等的剩余能量时,CH从这些节点中随机选择中继节点。与LEACH和EEUC相比,EB-UCP实现了最长的使用寿命。3.1.2.7. 非等层次能量有效分布式聚类(UHEED)。UHEED是一种分布式方法,其解决热点问题并在网络中保持相同量的剩余能量并最大化网络寿命(Ever等人,2012年)。它是HEED的改进版本(Younis和Fahmy,,2004)。HEED使用两个参数进行聚类:剩余能量和节点度。CH使用相同的竞争半径,并且不考虑到BS的距离。这就导致了热点问题。UHEED根据CH的距离构造各种大小的簇到BS,并且对于更接近BS的CH形成更小的簇。该方法还使用距离信息找到近似的聚类大小。通过引入竞争半径公式,在基站附近建立较小的簇。这导致由于集群内流量而导致的较小集群中的能量消耗减少,并且保留更多的能量以集中于更多的集群间流量。与LEACH、HEED和Unequal LEACH相比,该算法增加了网络寿命。3.1.2.8.构建最优聚类体系结构(COCA)。 COCA是一种可扩展的分布式不平等聚类方案,它研究了同构传感器网络中不平等聚类方法的逻辑困难(Li et al.,2013年)。COCA结构最优分簇结构、能量感知的CH旋转和路由,用于在整个网络中近似均衡能量消耗。COCA算法采用单位面积内的簇数随着到基站距离的减小而增加的策略。簇间多跳路由节省了能量,消除了热点问题。对于CH选择,所有节点与其邻居交换剩余能量信息。该协议由剩余能量最大的节点将其命名为CH,每个CH随机选择相邻簇中的CH作为路由候选,剩余能量最大的CH被选为最终路由CH,是一种简单有效的路由协议,其能耗比UCR协议低,生存时间比UCR协议长2 ~ 3倍。3.2. 确定性方法与概率方法相比,确定性方法使用标准度量来选择CH。常用的传统度量是局部获得的剩余能量、节点度、期望剩余能量、到BS的距离、节点中心性等。这些信息通常通过在其邻居之间交换消息来更新。这种方法被称为确定性方法,因为具有选举CH的簇更可控。本文又将其分为四类:基于权重的聚类算法、基于模糊的聚类算法、基于启发式的聚类算法和基于复合不等式的聚类算法。在基于权值的方法中,每个节点根据剩余能量、节点度、到基站的距离等指标计算权值,选出权值最小的节点作为簇头。 模糊逻辑是用来选择在不确定性的情况下,更多的CH。基于模糊输入参数选择簇头。输入参数可以是剩余能量、节点度、到BS的距离、节点中心度等,输出模糊参数是簇的大小和成为CH的概率。无线传感器网络中的聚类问题被认为是一个NP难问题进化算法适合于求解NP难问题的最优解。近年来,基于启发式的聚类算法在选择CH和簇大小的过程中提供了最优解。目前在无线传感器网络中使用的优化算法有遗传算法、蚁群算法、人工蜂群算法、粒子群算法、细菌叶片算法、差分进化算法、模拟退火算法等。每个算法在适应度函数中定义了不同的度量以实现更好的性能。启发式方法是集中式的,并且像BS这样的中央机构控制网络中的所有操作。在特殊情况下,一些方法使用代理节点以分布式方式工作。复合算法在聚类方法中使用了连通图、Sierpinski三角形等不同的度量。3.2.1. 基于权重的非均匀聚类算法3.2.1.1. 非均匀分簇多跳路由协议(MRPUC)。MRPUC(Gong等人,2008)是一种分布式方法,其目的在于针对热点问题使所有节点中的能量消耗相等,并利用中继将数据转发到BS以减少能量消耗。MRPUC选择剩余能量较大的CH作为簇成员,规则节点加入簇,其中CH包含最大剩余能量且到BS的距离较小。中继节点的选择基于最小的能量消耗来中继数据和具有更多剩余能量的CH。簇间路由树作为网络的骨干,并进行多跳路由,以有效地将数据从CH传输到BS。网络寿命增加了34.4%,当比较平等的聚类方案。310S. Arjunan,S.Pothula/ Journal of King Saud University3.2.1.2.分区能源平衡和高效聚类方案(PEBECS)。PEBECS(Wang和Yang,2009)缓解了热点问题,并在整个网络中均匀分布负载。它将感知域划分为相等的分区,并将分区中的节点分组为大小不等的簇。CH的选择是通过一个基于权重的启发式算法的基础上剩余能量,节点度和到BS的距离。提出了一种CH竞争半径算法来分配每个簇中的簇成员数。靠近BS的分区中的CH在尺寸上较小,以减少集群内业务并且节省用于集群间业务的能量。它有效地平衡了能量消耗,提高了可扩展性,并显着延长了网络的生命周期。3.2.1.3.能量感知分布式不平等聚类协议(EADUC)。EADUC是用于异构WSN的分布式多跳协议,以在整个网络中提供平衡的能量、均匀的负载分布和连续的覆盖(Yu等人,2011年b)。在EADUC中,计算相邻节点的平均剩余能量与节点自身的剩余能量之间的折衷。基于比率值,选择CH。利用剩余能量和到BS的距离,确定了不同的簇半径,并且在EADUC中不存在孤立点。在基站附近形成较小的簇,而在远离基站的CH处形成较大的簇,使得所有CH消耗等量的能量,自动避免了热点问题,极大地提高了生存时间。对于簇间路由,引入了一个新的参数阈值距离。当基站到信道的距离不超过门限值时,直接发送数据。当距离较远时,根据剩余能量来选择。EADUC具有较低的时间复杂度和消息复杂度。与LEAD、LEACH、HEED相比,它实现了最长的使用寿命。3.2.1.4. 安排簇大小和数据传输的无线传感器网络(ACT)。 ACT是一种分布式路由协议,其通过减小靠近BS的簇大小来消除热点问题,其中CH花费更多能量用于簇间多跳路由(Lai等人,2012年)。通过这种方法,每个CH花费大致相同的能量,并且BS旁边的CH不会很快耗尽能量。为了延长网络的生命周期,ACT将网络划分为多个层次.ACT算法通过计算ACT成功地显示了在整个网络中CH具有相同能量耗散3.2.1.5. 能量平衡不平等聚类方法的梯度路由(EBCAG)。EBCAG是一种分布式聚类方法,其平衡并减少所有CH的能量消耗,从而防止网络出现热点问题(Liu et al.,2012年)。在EBCAG中,每个传感器节点持有一个梯度值,该梯度值表示到BS的最小跳数。它给出了基于梯度值的最佳聚类半径。以概率T(预定义阈值)随机选择试验CH。选择剩余能量最大的暂定CH作为最终CH。基于CHs梯度值,构造了不等簇半径。CH从其簇成员收集数据,并根据CH的下降梯度将聚合数据转发到BS。EBCAG成功地实现了CH之间的能量均衡,与EDUC和HEED相比,显著提高了网络寿命。3.2.1.6. 增强的不平等聚类方案(EUCS)。现有的聚类方法选择具有最大剩余能量的CH,并周期性地旋转CH以实现均匀的负载分布,集群。结果,更多的能量被浪费在CH重选和从其集群成员收集数据上。为了在多跳WSN中重新分簇和消除热点问题的过程中保存能量,提出了EUCS(Messai,2013)。它将节点组织成大小不等的集群。在EUCS中,CH基于两个度量来选择,即,剩余能量和到BS的距离。当当前CH的能量水平超过阈值时,发生重选。这最小化了CH的频繁重选并消除了开销。对于群集间路由,引入了称为阈值距离的新参数。当当基站到CH的距离小于门限值时,基站直接发送数据。在距离较高的情况下,基于剩余能量选择中继节点。与HEED相比,EUCS提高了网络寿命。3.2.1.7. 不均匀多跳路由协议(UCMR)。UCMR是一种简单的协议,其中簇大小取决于到BS的距离(Jinwala等人,2008年)。在能量、效率方面,Dijk-straUCMR在每一轮中配置集群。部署区域被划分为不等的簇;靠近BS的簇的大小较小,并且随着到BS的距离增加,簇的大小增加UCMR算法利用簇内剩余能量、邻节点数和到基站的距离等参数来选择簇首。在第一轮中,使用节点中心性来选择CH,因为中心节点包含更多的邻居,从而减少了簇内流量,降低了热 点 问 题 的 机 会 。 下 一 轮 的 CH 由 上 一 轮 的 CH 决 定 。DijkstraUCMR提高了错误率和数据率。由于CH的更好定位UCMR的使用寿命比UCR提高 40%,比 LEACH提高75%。3.2.1.8. 基于能量和邻近度的非均匀聚类算法(EPUC)。EPUC通过空间分布簇来平衡所有CH的能量消耗(Bagci等人, 2010年)。在EPUC中,该区域被划分为围绕BS的轨道。位于相同轨迹的节点创建相同大小的簇在EPUC中,在BS附近形成小集群EPUC使用两个CH距离度量:到BS的距离和到集群内其相邻节点的距离。在信道选择过程中,具有最大剩余能量的子信道被选择为候选信道(CCH),并且应用距离度量规则从CCH中选择最终的信道。与UCR和EEDC相比,EPUC消除了热点问题,实现了最长的使用寿命3.2.1.9. 覆盖感知和不平等聚类算法(CUCA)。CUCA是第一个基于覆盖的分布式方案,它使用不平等的集群和单跳通信(Mazumdar和Om,2015)。CUCA的主要目标是在CH之间均匀分配负载,以防止网络热点问题。为了最大化生存时间,其感知范围完全被其邻居的感知范围覆盖的节点被给予比部分重叠的传感器节点更高的簇半径由节点到CH的距离计算,其中簇半径与到CH的距离成反比CUCA中的不均匀聚类消除了热点问题.其感测区域被其邻居完全覆盖的集群成员当重叠节点不存在时,基于部分重叠区域和剩余能量来选择CH因此,节点死亡的结果不会破坏部署区域的覆盖。此外,具有较少剩余能量且覆盖区域被其邻居完全覆盖的节点被移动到S. Arjunan,S.Pothula/ Journal of King Saud University311睡眠状态以节省能量。与CA和HEED算法相比,CUCR算法获得了最大的3.2.1.10. 改进的异构无线传感器网络的能量感知分布式不平等聚类(改进的EADUC)。改进的EADUC旨在延长EADUC的寿命,并避免多跳异构WSN中的热点问题(Gupta和Pandey,2016)。它广泛应用于连续数据采集应用。与EADUC不同的是,它在计算竞争半径时除了考虑节点的剩余能量和到基站的距离外,还考虑了节点的度。节点度是网络中能量平衡的一个重要指标.在改进的EADUC中,CH的选择是基于邻居节点的平均能量和节点自身的剩余能量的比值。竞争半径的计算基于三个度量:剩余能量,到BS的距离和节点度。改进的EADUC使用能量作为选择中继节点的中继度量,而EADUC使用到BS的距离作为中继度量。对于几轮,使用相同的集群设置,这消除了重新聚类开销并最小化了能量消耗。与EADUC和HUCL相比,改进的EADUC实现了最长的使用寿命。3.2.2. 基于模糊的非均匀聚类算法由于无线传感器网络环境中的不确定性,许多协议使用模糊逻辑进行有效的决策。与传统方法相比,模糊方法具有计算复杂度低、灵活性强、开发成本低、存储量少、设计时间短和容错能力强等优点。在无线传感器网络中,模糊逻辑被用来有效地选择CH。CH选择的模糊逻辑使用输入参数如剩余能量、到BS的距离、到邻居的距离、节点度、中心性、期望剩余能量,输出参数为CH选择概率和簇大小。提出了各种基于模糊的方法3.2.2.1. 能量感知模糊不等聚类算法(EAUCF)。EAUCF(Bagci和Yazici,2010)也是一种用于延长网络生命周期的分布式方法,如EEUC。在EAUCF中,随机选择暂定CH,并使用剩余能量来选择最终CH。EAUCF算法主要是通过确定CH的竞争半径来均匀分配负载,从而消除热点问题。EEUC使用剩余能量来确定竞争半径,而EAUCF使用模糊逻辑来计算基于剩余能量和到BS的距离的竞争半径。当试探CH剩余能量和到BS的距离高时,则竞争半径大,反之亦然。与LEACHCHEF和EEUC相比,它更稳定,并达到最长寿命。3.2.2.2. 改进的模糊非均匀聚类算法。IFUC(Mao等人,2012年)是一种分布式方法,减少了能源消耗。它避免了热点问题,也延长了网络的生命周期。模糊逻辑用于选择CH和确定聚类半径。模糊输入参数为剩余能量、到基站的距离和节点密度。输出参数是成为CH的概率和集群半径。在每个试探CH确定成为最终CH的机会和竞争半径后,它们通过交换消息来竞争最终CH。如果试探CH在其范围内找到其他CH并且机会更高,则选择它作为最终CH。蚁群优化(ACO)为集群间路由找到最短路径(Dorigo和Gambardella,1997)。ACO用于能量感知的簇间路由,以提供从CH到BS的最佳路径。在蚁群算法中,下一跳路由节点的选择是基于通信成本和沿路径的能量消耗程度。IFUC提供了比LEACH和EEUC更长的网络寿命3.2.2.3. 基于模糊的不平等聚类协议(FUCP)。FUCP是一种新颖的聚类算法,它结合了CH选择算法和中继流量分布式算法,以消除热点问题(Gajjar和Talati,2015)。模糊推理系统(FIS)用于选择CH在一个分布式的方式。Mamdani方法用于模糊化。 FUCP使用三个输入参数用于CH选择:剩余能量、节点的中心性和链路质量指示符(LQI)。在CH选择中使用LQI提高了无线传感器网络的可靠性。模糊输出参数是成为CH的概率。为了避免热点问题,FUCP通过分散因子和六边形到BS的距离来确定分层六边形中CH的数量节点分散因子定义同一六边形中每个节点到其相邻节点的平均距离高分散因子表示节点彼此分散,需要更多的CH来集中簇内通信。FUCP实现了40%以上的能源效率,30%的最大生命周期和57%以上
下载后可阅读完整内容,剩余1页未读,立即下载
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)