没有合适的资源?快使用搜索试试~ 我知道了~
改进的无线传感器网络多目标加权聚类算法及其在能量保存中的应用
埃及信息学杂志(2017)18,45开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com全长文章一种改进的无线传感器网络多目标加权Hicham Ouchitachena,*, Abdellatif Haira, Najlae IdrissibaAMSC,FST,Sultan Moulay Slimane大学,Beni Mellal,摩洛哥b摩洛哥贝尼梅拉尔苏丹穆莱·斯利马内大学技术和应用学院接收日期:2015年7月14日;修订日期:2016年5月11日;接受日期:2016年2016年8月12日在线发布摘要在无线传感器网络中,网络的性能往往受到能量约束的影响。通过设计合理的分簇算法,可以显著降低无线传感器网络本文提出了一种改进的多目标加权聚类算法,rithm(IMOWCA)提出了使用额外的约束条件来选择无线传感器网络中的簇头。IMOWCA的目的是在一些关键的情况下,每个传感器满足自己的任务,这取决于它的位置处理的无线传感器网络。除了完成其使命,传感器试图提高与其相邻节点的通信质量。该算法将网络划分为不同的簇,并根据剩余能量选择性能最好的传感器与基站(BS)通信。 IMOWCA使用四个关键参数:传感器i的特性,DDi:传感器i的度差,DCi:传感器DMi:传感器i的任务距离。为了均衡不同簇群的能量消耗,提出了一种基站遗传算法(BGA).仿真结果表明,所提出的算法是有利的,在收敛到适当的,关于无线传感器网络中的能量保存的最佳位置和系数©2016由Elsevier B.V.代表开罗大学计算机与信息学院制作和主办。 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/)。1. 介绍近年来,无线通信和传感器技术已经经历了巨大的发展。无线传感器网络-*通讯作者。开罗大学计算机和信息系负责同行审查。无线传感器网络(WSNs)已经成为一个有前途的研究领域,并已被用于各种各样的应用[1]。它们已被用于健康领域[2,3],环境领域[4-借助这项最新技术,可以通过使用多个微型传感器与周围环境进行交互。无线传感器网络使用传感器来合作地监测复杂的环境或物理条件。这种传感器通常配备有通信能力和数据处理,以便收集数据并将信息路由回基站(BS)[8]。无线传感器网络是资源受限网络的示例,其中处理资源、http://dx.doi.org/10.1016/j.eij.2016.06.0011110-8665© 2016由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。这是一个在CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。制作和主办:Elsevier关键词无线传感器网络;分簇;能源;特派团费用;遗传算法46H. Ouchitachen等人能量是有限的[9]。因此,这种能量约束是一个关键问题,需要解决,使无线传感器网络可以广泛使用。在无线传感器网络中,电源由具有有限能量预算的电池组成,这导致节点的寿命有限。此外,对电池充电可能是不可能的或不方便的,因为节点可能部署在恶劣或不切实际的环境中[10]。在过去的几年里,一些研究已经建立了尽可能延长节点的电池寿命。在[11]中给出了一项调查,该调查提供了无线传感器网络中节能解决方案的全面视图,同时考虑了应用程序值得注意的是,在无线传感器网络中,网络结构和节点之间的通信方式决定了能量消耗。在平面网络上,由于其可靠性和改进的能量节省,通常优选分层结构。集群是一种重要的层次结构。簇形成是无线传感器网络中早期提出的节能操作方法之一[12]。在聚类中,传感器节点根据一组规则被划分为不同的虚拟组[13]。一些节点被选为簇头(CH),其他节点被称为簇成员(CM)[14]。CH负责管理CM,并负责接收和处理来自CM的数据。它们也是具有直接与BS通信的能力的节点,而每个CM可以仅与其自己的CH进行通信(图1)。因此,CH比它们的CM消耗更多的能量,因为它们负责网络组织、数据收集和与BS的长距离数据传输[15]。对无线传感器网络中的节点进行聚类具有[16]中提出的不同目标和目的。在所有这些目标中,最重要和最常见的目标是节能。本文的主要贡献可以概括如下:在某些特定任务的关键情况下,无线传感器网络这种优化用于与电信相关的几个领域。例如,我们在[39]中提出的工作中发现了一个多目标动态车辆路径问题(M-DRP),并提出了一个时间种子的解决方案,使用粒子群优化(TS-PSO)的这个问题。我们还发表了论文[40],旨在使用非支配排序遗传算法(NSGA-II)在虚拟网络嵌入中最大化容错和最小化延迟。另一种基于多目标优化的方法在[39]中提出,这项工作涉及通过粒子群优化(GeoPSO)协议的Geocast。因此,基于网络结构和节点间通信方式在无线传感器网络能量消耗中的重要性,本文综合考虑了网络结构和通信方式这两个因素。更准确地说,主要目标是发展提出了一种分簇算法,通过联合最小化任务和通信成本来解决无线传感器网络中的能量约束。换句话说,该算法的目标是在保证有效满足传感器本文的结构如下:第2节涉及相关作品。第3节是保留首先回顾SGA算法的利益,在联合最小化的任务和通信成本,其次解释和IMOWCA算法的不同阶段给出更多的细节,本节的最后一部分发生的方式来实现最佳位置的基站使用我们的算法BGA,以平衡所消耗的能量在形成的集群。数值结果,可能的比较,各种分析和所提出的算法的性能提供在第4节,导致我们的工作的结论和前景。2. 文献综述为了解决无线传感器网络中的分簇问题和寻找合适的节点位置,人们已经做了很多工作。对于第一个挑战,在过去的十年中,已经提出了很多方法,以便为以下集群问题之一找到节能的解决方案:集群大小[17],集群成员之间的传输功率负载平衡[18,19]和CH选择[20,21]。图1无线传感器网络中的聚类一种改进的多目标加权聚类算法47我IJ我IJS我是C我IJ我此外,在[22]中已经提出了许多用于WSNs的聚类算法,通常旨在降低功耗。基于簇头(CH)选择、CH的剩余能量和用于簇形成的簇内距离的巧妙策略的另一种算法被呈现在表1中:[23]中的符号的总结。在2014年,关于WSN算法的最重要的调查之一已经在[16]中提出,其中作者描述了WSN中的一些重要聚类方法 。 在 [24] 中 讨 论 了 其 他 一 些 分 层 聚 类 协 议 , 包 括LEACH 、 HEED 、 TEEN 、 APTEEN 和 EECS 。 在[25]LEACH和它的最新进展进行了研究。在[26]中提出了一种基于神经网络的聚类方法,其重点是五种基于神经网络 的 算 法 : ART , ART1 , FUZZY ART , IVEBF 和EBCS。在[18]中,无线传感器网络中的传输负载分配被建模为博弈。本文主要研究了一种基于簇的、面向监控的传感器网络。在这种情况下,存在另一个挑战,即基于初始拓扑信息(诸如传感器节点与BS之间的距离)为BS找到良好的位置。然而,这样的方案不是资源感知的,并且可能不会导致BS的最佳放置。一般来说,sink放置问题是NP完全的[27],并且找到sink的最佳位置非常困难。近年来,有几篇论文报道了BS定位[28由于基站的最佳位置是本方法的重要因素之一,最近在这一研究领域所作的尝试提醒。在2015年,一些新的协议在[31,32]中提出。其他方法在[27,33然而,这些文件都没有考虑共同的任务和通信质量的成本,也被认为是网络不关键。我们的方法在这两个相互矛盾的目标方面是明显不同的:最小化任务成本和最大化通信质量,同时。因此,我们提出了一个包含多个节点的网络部署在二维空间。该网络侧重于提供良好的通信质量,所有节点都对有效地满足其任务感兴趣。在这些关键情况下的既定作品是罕见的。我们以前的论文[363. 材料和方法3.1. 网络模型我们假设一组n个传感器部署在感兴趣的地理区域,以监督给定的物理现象。无线传感器网络的拓扑结构由图G=(C,E)表示,其中C={1,2,. ,n}是n个sen的集合。sors和EC×C是各种传感器之间的无线链路集。Cvi是传感器i的邻居集。在表1中,我们给出了我们的模特3.2. 基于SAG算法在确定构成网络的不同集群之前,我们简要回顾一下我们方法的第一阶段的目标,即减少每个节点的任务和通信成本。为此,我们使用[38]中提出的SAG算法。SAG的目标是通过求解如下给出的优化问题来找到传感器的最佳位置:最小值fx;yxfdisx xcfdij1主题:xi;yi2Si8i;j2C×Cvi我们提出以下建议:fcdijXfcdijj2CviV/V = x 1; y 1; x 2; y 2;.. . ; x n; y nFx;yXfd14Fx;yXfd5我FVfx;y 6(1)变为minFV sFsV cFcV表1符号的总结符号CCviSiðððx;y我我x;ySS我我CCðx;y我我opopXBS;YBSX ;y我我opopdijd是CfJJdijfSÞ我一e0csRd是MaxCHCMSCHSCM意义组传感器传感器i每个传感器i可以自由移动的区域传感器i传感器的任务位置i传感器的通信位置i传感器的最佳位置i基站的最佳位置传感器i和j当前位置和特派团位置之间的距离传感器传感器之间的通信成本i et j传感器的任务成本i。路径损耗指数向BS传输一个数据单元所需的能量传感器的传输半径簇头管理的最大传感器数量分组成员分组我我 j2Cvi48H. Ouchitachen等人YðÞV2主题nSI1/13.3. 描述我们的算法IMOWCA下面给出了SAG算法的伪代码算法1. SGA算法数据:x; y;yMMcC我我我我opop x; y= 0, i2C种群P的遗传多样性;使用函数F计算P;当不收敛时做P0:=P中亲本的选择;P0:=在P0上应用交叉算子;P0:=对P0应用mutatio n运算符;P:=将P的旧父代替换为它们在P0中的后代;使用函数F评估P;端结果:Bronxi ;yi 2012年12月,图 2显示了SGA的流程图。SGA通过生成初始种群P(V的多个值(等式1))开始。(3)确定和评价初始种群中所有个体(xi;yi然后根据适者生存的原则随机选择个体进行繁殖。之后,应用以下两个遗传算子生成孩子(或后代):交叉和变异。这些孩子被移动到一个新的人口P0,并取代在全部或部分由前几代人的孩子的新的个体种群从一代到下一代接管,直到达到停止标准。我们注意到,在执行几次模拟之后,我们选择值e=0.0001作为相对于评估步骤的停止标准在计算每个传感器i的最佳位置之后,使用SAG,本节介绍了给定方法的主要阶段。实际上,为了解决能量约束并优化关键任务传感器网络中的资源,我们基于以下参数开发了IMOWCA算法:● ECi:传感器i的能量特性。DDi:传感器i的度差,其是传感器i的度(传感器内的传感器的数量)其传输半径R)和簇中预定义的理想节点数Max。● DCi:传感器i与其邻居之间的距离之和● DMi:传感器i的任务距离。为了确定不同的聚类,IMOWCA算法遵循以下步骤:● 步骤1:如下计算ECiECi¼Ti×A=Ei 1其中,Ti是传输速率,Ei是传感器i的初始能量,A是放大常数(A/41000)。● 步骤2:确定每个传感器i的邻居集合Cv_i_n,其中Cv_i_n由下式定义:图2SGA流程图。图3IMOWCA流程图。●一种改进的多目标加权聚类算法492 222345678991011121314 1516 17 18 19 19 19 19 19 19我2Σ2¼j2Cx-xy-y6R我我J我J我我我我2019-04- 25 00:00 2019- 04- 0100:00 2019-01:00:0.2.2.,h.Σ.Σi1Σ● 阈值数Max设置为6,这意味着ð2Þ簇头可以方便地管理6个传感器。vðiÞi j i j● 四个权重w1、w2、w3和w4分别被设置为–di¼Cardiac CviCardiac● 步骤3:通过以下公式计算每个传感器i的度数差:DDi^jdi-Maxj。步骤4:计算传感器i和它的邻居之间的距离的和DC i。那就是:DC¼Xh. xop-xo p100。yop-yop2i1=2j2Cvi值为0.4、0.2、0.2和0.2。我们的算法如下:步骤1:使用公式(1)计算每个传感器i的能量特性。步骤2:每个传感器i的邻居集Cvi和它的度如表3中所示获得。步骤3:使用公式(2)导出每个传感器i的度差DDi。步骤4:通过下式计算不同的距离DCi:公式(3). 比如说,● 步骤5:计算参数DMi,其表示传感器的最佳位置xop;yop之间的我我ixs;ys:sor和的位置的传感器的特派团阿吉岛12 2 2DM1/4小时。xop-xm2。yop-ym2i1=2。[2019- 04 - 2901:01:00] 2019 - 04- 2901:00:00] 2019 - 04 -29 01:00:00● 步骤6:计算组合重量CW如下所示21221ΣCWi½w1× DDi²w2× DCi²w3× DMi²w4× ECi其中w1、w2和w3是不同的权重,w1w2w3w4¼1● 步骤7:选择具有最小组合的传感器加权CWi作为簇头。步骤8:从原始传感器节点集合中消除所选择的簇头及其邻居。步骤5:对于每个传感器i,通过公式(4)计算距离DMi。比如说,11999年12月20日,美国纽约州纽约市,纽约步骤9:对剩余的传感器执行步骤1 -8,直到每个传感器都被分配到一个集群。在连续执行这些步骤之后,形成不同的簇,并且所有传感器节点被重新分组到具有相应CH的簇中。图 3给出了IMOWCA算法的流程图。3.3.1.解释性的例子本小节提供了IMOWCA算法如何通过考虑由表2所示的初始因子表征的12个传感器来运行的说明。此外,算法操作所需的参数定义如下:步骤6:对于每个传感器i,使用公式(5)计算组合权重CW i。在步骤6之后,各个参数DDi、DMi、DCi、ECi和CW i的计算结果列于表4(见图4)。 3)。步骤7:选择具有组合权重CWi的最小值的传感器作为簇头。表4列出了CW1是组合权重的最小值。因此,传感器10被选择为第一簇头。图4显示了获得的结果。步骤8:从原始传感器节点集合中消除所选择的簇头(CH:传感器1)及其邻居(CM:传感器2、7和5)我我我●●●C我¼105表2传感器初始因素。表3Cvi对于每个传感器i,传感器i1MMX;Y(50,60)opop阿克斯 ;y(50(见第64段第3段)Ei7500我不是5传感器i1Cvi{2,5,7}Di32(80,60)(75,65)720062{1,3,5,7}43(120,60)(122,66)660063{2,4,6,9}44(170,60)(165(见第65.5段)840044{3,6,9}35(70,第80页)(65(见第85.5段)10,00055{1,2,7,8}46(140,90)(136(见第90.5段)760046{3,4,8,9,10}57(70,110)(69.8,115)960047{1,2,5,8,11,12}68(110,120)(107,126)900058{5,6,7,9,10,11,12}750H. Ouchitachen等人opopopop@x¼@xe0阿斯克斯岛- xþ ðyi-yÞ×rffiffiðffiffixffiffiffioffiffipffiffiffi-ffiffiffiffixffiffiffiÞffiffi2ffiffiffiþffiffiffiffiffiðffiyffiffiffioffiffipffiffiffi-ffiffiffiffiyffiffiffiÞffiffi2ffiΣffiffiffi0我我我@y¼e0a0我我BSBSi2Ai2A@g@“ X. qop2op 2a#X.rffi ffi ffi ffi ffi ffi ffi ffi ffi ffi ffi ffiffi ffi ffi ffi ffi ffi ffi ffi ffiffiffiffiffi ffi ffi ffi ffi ffi ffiffiffiffiffi ffi ffi ffiffiffiffiffiffiffiffiffiffiffiΣffi ffi ffi Σa-1@e0aþ ðyi-yÞ×@xi2A阿斯克斯岛- x我我a-2eaX类似地:@gXhia-2op阿维尼翁一世-xþ ðyi-yÞð11Þ不幸的是,没有封闭的公式解决方案来找到最佳坐标(xop,yop),因此我们实现了以下公式:BS BS图5示出了在移除第一簇头及其邻居之后获得的结果。对剩余的传感器重复步骤1到8,直到每个传感器被分配到一个集群。聚类的最终结果如图所示。第六章3.4. 通过将BS放置在最佳位置来这里的主要目标是确定相对于所形成的不同集群的最佳位置BS。为此,我们认为基站具有相对充足的能量。我们确定最小化网络中的有源传感器消耗的总能量的优化问题如下:mingx;yeXhxop-x2yop-y2ia=28i2A寻找基站最佳位置的算法[38]第30段。BGA算法的伪代码如下所示。算法2. BGA算法数据:X ;yopop我我,i2S、e、aCH0opop种群P的遗传多样性;使用函数F计算P;当不收敛时做P0:=P中亲本的选择;P0:=在P0上应用交叉算子;P0:=对P0应用变异算子;P:=将P的旧父代替换为它们在P0中的后代;使用函数F评估P;端结果:xbs;ybs其中A=SCH。理论上,该解是g的临界点之一;换句话说,当:为了确定最优解xop;yopn,BGA算法遵循与SGA相同的步骤(第3.2节)。4. 结果和讨论@g@g@x<$40和@y<$40± 9 mm我们有:本节显示了由SGA、BGA和IMOWAC三种算法给出的数值结果。成本函数和参数定义如下[38]:图4选择第一个簇头。我我我我22i2A你好,我222表4DC、DM DD an d CW eac的值h传感器i传感器iDCiDMIDDiECiCWI11054,330,13333323,1933333321557,071120,16666750,2546633331716,324620,18181854,9064709141337,43330,09523843,8060904851637,286320,152,3858961844,031110,10526357,3356457972695,00400,08333382,6178666782986,708210,11111192,3680155692536,403100,11764778,40916529101009,899520,12534,39485112207,071110,08333368,93799667121486,539130,12548,18673一种改进的多目标加权聚类算法51IJ图5第一次迭代后剩余的传感器节点。图8SGA给出的传感器最佳位置。图9IMOWCA给出的不同聚类图6使用IMOWCA聚类的最终结果图7各传感器的任务和通信图10不同集群的能耗。所考虑的网络如图7所示,它由12个节点组成,其中PM和PI分别表示c6各传感器的任务和通信位置i.● fijdij100exp10=12logg210dij;● fs=10-2d=-10;● C={1,2,. ,12}和e0<$15·10 - 3 mJ;● w1 1/40: 4,w21/40: 3,w31/40:3,Max= 6;使用SGA计算的传感器的最佳位置如图所示。 八、在平衡各传感器的任务和通信开销后Mmopop● 对于i2C,xi;yi和x i的值 ;y i 图中显示了表2.不同的集群,并明确确定这两个集SCH和SCM。稍后,基站被放置在其最佳位置,52H. Ouchitachen等人图11SAA和BGA的融合。相对于所形成的不同簇的位置。这种聚类的结果如图所示。第九章请注意,BS的最佳位置使用两种方法计算:模拟退火算法SAA[42]和BGA。计算了网络中有源传感器消耗的总能量. 图10示出了这两种情况下的能量。SAA和BGA之间的比较表明,在两种情况下消耗的能量是相同的。虽然BGA算法在转换方面非常有利这一事实在图中清楚地显示出来。 十一岁遗传算法的先进技术已经从基础研究阶段进入应用研究阶段,证明了BGA算法对SAA的性能。事实上,在收敛方面,SAA是负面影响的初始解决方案的选择,这是SAA的最重要的标准之一。因此,为了获得最终解,SAA只在初始解附近搜索。相反,在对染色体编码之后,BGA算法(算法2)可以从任何初始种群开始,然后执行全局搜索以达到最佳解。因此,BGA通过选择最佳个体来进化该种群。然后,由于羊角面包的操作,它也进化这些个体与可能的突变。随后指出了BGA算法的另一个特点。实际上,为了优化目标函数,BGA不施加任何规则性(连续性、可微性、凸性等)。关于这个功能。通过将IMOWCA算法与SAG算法进行比较,从图12中可以明显看出,MOWAC更有效。具体而言,很明显,网络中的总消耗能量(毫焦耳[mJ])显著降低。这意味着MOWAC节省了大量的能量,这是迄今为止无线传感器网络领域的研究人员面临的一方面,IMOWCA性能通过在待优化的函数中引入不同 度 量 DDi 、 DCi 和 DMi ( 对 于 每 个 传 感 器 i 事 实 上 ,IMOWCA算法大大受益于多目标优化的重要性。该技术允许IMOWCA考虑所研究的网络中的不同关键参数,即任务成本、通信成本以及传感器与BS之间的距离。另一方面,由于IMOWCA执行的聚类,仅选择在功率方面表现最好的传感器与BS通信,这在WSN中的能量消耗方面5. 结论在这项工作中,我们提出了一种改进的多目标加权分簇算法,以解决在关键的无线传感器网络中的能量问题,每个节点试图最小化的任务和通信成本的加权和在一个分布式的方式。该建议的方法是基于先进的遗传算法技术。所得到的结果表明,与其他技术相比,在这项工作中所提出的算法是有利的收敛到最优解。因此,由于BGA算法,迭代次数从1600明显减少到400(图11)。不同的模拟显示,网络中的总消耗能量显著降低了约45%(图12)。这意味着所提出的算法越来越多的能量最小化,这是无线传感器网络研究的巨大挑战因此,我们今后的工作必须同时处理这两个目标。第一个是新协议的提议图12IMOWCA与SGA的比较。一种改进的多目标加权聚类算法53关于节点移动性。第二个参与路由协议,将集群的概念引用[1] 卢俊,林奇杰罗姆P,刘明艳。无线传感器网络中基于分布式模 型 的 非 线 性 传 感 器 故 障 诊 断 。 Mech Syst Sig Process2016;66-67:470-84.[2] 治 愈 迪 玛 索 菲 亚 玛 丽 亚 , Panagiotou 克 里 斯 , TsitsipisDimitris,Antonopoulos克里斯,Gialelis约翰,Koubias斯塔夫罗斯.基于模糊逻辑的WSN分布式事件检测系统性能评估。AdHoc Netw2014;23:87-108.[3] 郭伟,杨刚,等。基于无线传感器网络的分布式结构健康监测的信息物理编码。IEEE Trans Parallel Distrib Syst2015;25(1):63-72.[4] DelamoManuel,Felici-CastellGogo,Pe'rez-SolanoJuanJ,FosterAndrew。为无线传感器网络设计一个开源的免维护环境监测应用程序。J Syst Softw2015;103:238-47.[5] Mesas-Carr ascosaFJ , Verdu'SantanoD , MeronPunoJE ,Sa'nchezdelaOrdenM,GarcBagr-FerrerA. 开源硬件用于监测精准农业中的环境参数。生物系统工程2015;137:73-83。[6] MuratDener,YunusOüzkoük,Bostan cogluCevat. 火灾探测无线传感器网络中的系统。Proc- Soc Behav Sci 2015;195(3):1846-50。[7] 王建春,林春春,谢海,等.基于无线传感器网络的家庭自动化混合声音事件验证。IEEE Trans Indust Inf 2014;10(1):802-12.[8] 迪斯蒂法诺-亚历山德罗,拉-科尔特-奥雷里奥,莱奥塔-马尔科,李-奥-彼得罗,斯卡-奥-玛丽亚丽莎。 它像我一样测量:基于竞争行为和聚类方法的WSNs中的IoT算法。AdHocNetw 2013;11(8):2637-47.[9] RochaAtslandsR,PirmezLuci,DelicatoFla'viaC,LemosE'rico,Santos Igor,Gomes Danielo G,et al.基于语义邻域关系的无线传感器网络聚类。Comput Netw 2012;56():1627-45.[10] Muruganantham Arunraja,Veluchamy Malathi,Erulappan Sak-thivel.无线传感器网络中基于多级数据缩减的能量节约。Microprocess Microsyst2015;39(6):348-57.[11] 放大图片作者:J.无线传感器网络的能量效率:自上而下的评估方法。Comput Netw2014;67:22-104.[12] 塔里克·阿尔斯凯夫萨帕塔·马内尔·格雷罗贝拉尔塔·鲍里斯无线传感器网络中能量效率的博弈论:最新趋势。J Netw CompAppl2015;54:33-61.[13] MalathiL,Gnanamurthy RK,Amarasekaran Krishnan. 无线传感器网络混合非均匀分簇的能量有效数据收集。 ComputElectr Eng 2015;48:358-70.[14] 周新,吴敏,徐军. BPEC:一种能量感知的无线传感器网络分布式分簇算法。J Comput Res Develop 2009;46():723-30.[15] 江珠,龙忠宏,斯里瓦斯塔瓦·维尼特。无线感测网路中使用定量与定性资料之混合分群技术 。 Ad Hoc Netw 2015;25(PartA):38-53.[16] Afsar Mehdi M,Mohammad -H,Tayarani -N.传感器网络中的分簇:文献综述。J Netw Comp Appl2014;46:198-226.[17] 杨毅,赖春,王丽,王晓。基于博弈论的无线传感器网络能量感知分簇算法。第12届控制、自动化与系统国际会议(ICCAS)岛(韩国); 2012年。[18] 林晓宏,郭玉坤,王宏,谢南.一种均衡异构无线传感器网络能量消耗的博弈论方法。Wirel Commun Mob Comput2015;15(1):170-91.[19] 李D,申H,李C.基于博弈论的分簇无线传感器网络资源分配策略。 在:Pro-第六届泛在信息管理和通信国际会议的首脑会议。吉隆坡(马来西亚):ACM; 2012年。p. 112.[20] 曾毅,陈志,乔春,徐良。 一种基于拍卖机制的MANET入侵检测簇头选举方案。 网络计算和信息安全国际会议(NCIS),卷。二、桂林(中国):IEEE; 2011年。p.433- 7[21] 谭丽,张松,齐军。基于成本分担博弈的节能无线传感器网络协作簇头选择。JComput Inf Syst 2012;8(9):3623-33.[22] 张鹏飞,肖高喜,谭惠萍。具有能量收集传感器的无线传感器网络 生存期最 大化的分 簇算法。 Comput Netw 2013;57(14,):2689[23] 作者:Jana Prasanta K.无线传感器网络能量感知路由算法。Comput Electr Eng2015;41:357-67.[24] Joshi A,Lakshmi Priya M.无线传感器网络分层路由协议综述。MES J Technol Manage2011:67-71.[25] Jindal P,Gupta V.无线传感器网络能量有效路由协议的研究及其进一步研究:综述。IntJ Comput Sci Commun Eng 2013;2(2):57-62.[26] 吴晓松,王晓松,王晓松.无线传感器网络中基于能量有效神经网络的分簇模型综述。在:在超大规模集成电路,嵌入式系统,纳米电子和电信系统(ICEVENT)的新兴趋势国际会议。印度泰米尔纳德邦p. 1比6[27] 李伟杰,李伟杰. 2004.用于传感器网络的功率感知基站定位。第23届IEEE计算机与通信学会(INFOCOM)年会论文集。香港[28] 张文龙,王文龙.无线传感器网络中增强性能的汇点重定位。Comput Netw2005;49:512-34.[29] 张文辉,李文辉,李文辉.在多跳无线传感器网络中部署多个sink 。 IEEE International Conference on Pervasive Services ,2007。p. 55比63[30] 埃尔索伊·奥伊曼大规模无线传感器网络中的多sink网络设计问 题 。 IEEE International Conference on Communications ,2004。p. 3663-7[31] 高德明,林海峰,刘晓峰。可充电无线传感器网络中k-任播通信路由协议。CompStand Interfaces 2016;43:12-20.[32] Mottaghi Saeid,Zaeli Mohammad Reza.结合汇聚节点和汇聚节点的LEACH分簇算法优化。 AEU- Int J Electron Commun2015;69(2):507-14.[33] 刘伟,陆克,王军,黄丽,吴道。具有移动中继的无线传感器网络吞吐量研究。IEEETrans Veh Technol 2012;61(4):1801-9.[34] [10]杨文,李文.一种基于无线电的方法,能够利用移动接收器进行节能的传感数据收集。IEEE TransParallel Distrib Syst2012;23(5):809-17.[35] 梁伟,罗建,徐晓.无线传感器网络中通过受控移动sink延长网络生存时间。在:全球电信会议(IEEE GLOBECOM);2010年。p. 1比6[36] Ouchitachen H,Hair A,Idrissi N.特定任务移动传感器网络中的联合任务和通信感知节点布局问题。在:代码,密码学和通信系统(WCCCS),IEEE Xplore; 2014。[37] Ouchitachen H,Hair A,Idrissi N.特定任务移动传感器网络中传感器的最优配置。TELKOMNIKA IndJ Electr Eng 2015;15(3):401-8.[38] Ouchitachen H,Hair A,Idrissi N.通过将传感器和基站放置在最佳位置来最小化特定任务移动传感器网络中的能耗:遗传算法54H. Ouchitachen等人approach.在:WINCOM'15,IEEE会议出版物; 2015年。p. 一比七[39] Kaiwartya Omprakash , Kumar Sushil , Lobiyal DK , TiwariPawan Kumar,Abdullah Abdul Hanan,Hassan Ahmed Nazar.多目标动态车辆路径问题及基于时间种子的粒子群算法。JSens 2014;2015:1-14.[40] BansalAngel , KaiwartyaOmprakash , SinghRavindraKumar,Parkash Shiv.最大限度地提高容错能力,虚拟网络嵌入使用NSGA-II。在:WCI'15进行的第三届国际研 讨 会 上 的 妇 女 在 计 算 和 信 息 学 。 New York ( NY ,USA):ACM; 2015.p. 124比30[42]肖毅勇,科纳克·阿卜杜拉。用模拟退火算法求解&具有分层目 标 和 加 权 拖 期 的 绿 色 车 辆 路 径 调 度 问 题 。 Appl SoftComputJ 2015;34(2015):372-88.
下载后可阅读完整内容,剩余1页未读,立即下载
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
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功