无线传感器网络中基于最小连通支配集和二分启发的优化能量传输方法

沙特国王大学学报基于最小连通支配集和二分启发的无线传感器网络R. Raj Priyadarshini，N.Sivakumar印度本地治里工程学院计算机科学与工程系阿提奇莱因福奥文章历史记录：2018年4月13日收到2018年7月17日修订2018年8月16日接受在线发售2018年8月19日保留字：最小连通控制集二部图簇头虚拟支配者A B S T R A C T在无线传感器网络中，最重要的问题之一是在快速数据传输的同时，在保证准确性的前提下，尽量减少能量消耗。在信息广播期间，消息通信将以优化的方式发送，以提高网络中的能量效率。通过在分簇无线传感器网络中应用各种技术和方法，增加了网络的生命周期，并使网络的延迟最小化。为实现负载均衡，考虑簇内传感器节点，对Adelson-Velskii and Landis（AVL）树旋转分簇算法进行了仿真采用改进的K-means聚类算法将单个大区域网络划分为多个簇。通过构造最小连通支配算法，降低了计算复杂度多跳信息集（MCDS-MI）和二分图（BG）技术。簇头（CH）的分类机制，以找到传感器节点的最大覆盖集计数此外，预期设计的制定是通过在无线传感器网络中的可扩展数据传输过程中的仿真建立的通过测量不同的性能评估指标，即虚拟支配者，规模缩减，网络寿命和剩余能量，研究了假设调查和实验模拟。实验结果表明，提出的MSDS-MI系统最大可减少网络规模50%，最大可延长网络寿命60%，最大可节省剩余能耗47.76%。实验结果表明，该方法比连通支配集（CDS）、伪支配集（PDS）、动态簇头遗传算法（DCH-GA）和分布式自愈方法（DSHA）更有效。©2018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. 介绍无线传感器网络是当今世界上最有前途的技术无线传感器网络监测它们所处的环境以收集信息，并且还能够检测监测区域的温度、压力、湿度、声音、强度、振动和运动等的变化。无线传感器网络在环境监测系统、人居环境监测系统、建筑/桥梁运行监测系统、自然灾害监测系统、军事招标、交通监控系统、智能家居等领域有着广泛的应用*通讯作者。电子邮件地址：mbrpriyadarshini@pec.edu（R. Raj Priyadarshini）。沙特国王大学负责同行审查监控系统、库存管理系统、工业机器人系统、生物医学应用和健康监控系统（Wendy等人，2012年）。无线传感器网络可以作为静态传感器节点或动态传感器节点，甚至两者的混合。以下是当今现实世界中使用的各种类型的WSNs● 地面无线传感器网络● 地下无线传感器网络● 水下无线传感器网络● 多媒体无线传感器网络● 移动无线传感器网络● 云无线传感器网络在一个地理区域内，多个传感器节点分布在网络上。每个传感器节点包含一个全向天线，它旋转360°角并向数据传输范围内的所有传感器节点所有这些传感器被分组为集群，以节省更多的能量，并提高网络的生命周期。在每个簇中，一个传感器节点将充当Clus-terHead（CH），其余传感器节点充当成员节点。https://doi.org/10.1016/j.jksuci.2018.08.0091319-1578/©2018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.comR. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报1133在某些情况下，传感器节点保持非常低的信号强度，因此不会向其他节点发送任何数据。无线传感器网络中的每个传感器节点通过多跳路由协议直接向基站（BS）发送信息。无线传感器节点由四个主要部件组成，即1）监测环境的感测单元2）处理信息的处理单元3）在无线通信中发送和接收信息的收发器单元和4）电源单元（Wang等人， 2006年）。自然，传感器节点是能量受限的，因为它们依赖于电池作为能量来源。由于能量的限制，无线传感器网络的寿命也是有限的。由于使用无线传感器网络的应用的性质因此，为了最小化每个传感器节点的能量消耗，延长网络的生命周期，提出了几种方法和协议。在WSN中识别出几个洞问题，即能量洞、覆盖洞、路由洞、汇洞和干扰洞（Lii等人， 2010年）。能量洞问题在传感器网络数据从源到目的传输过程中有很大的影响在数据传输过程中，由于噪声失真、空气介质中产生的声音以及自然灾害等原因，可能会造成能量的损失。在前人工作的基础上，考虑了两个问题，即瓶颈支配集问题（BDS问题）和瓶颈独立支配集问题（BIDS问题）。利用加权区间图上的动态规划策略对上述两个问题进行了修正，时间复杂度降低到O（n）（Chung-Kung Yen，2002）。本文的主要工作是利用二分图（BG）方法构造传感器网络中的最小连通支配集多跳信息（MCDS-MI）在任何时候，传感器节点可能会失败，由于一些无条件的情况下发生在非制导介质。为了避免这些问题，构造Steiner树（ST），形成虚拟支配者（VD）。因此，虚拟支配者自动充当传感器网络的虚拟骨干。从上述构造方法中，在数据传输期间实现能量消耗而不损失准确性。然而，连通支配集（CDS）维护路由信息，并且需要更多的存储空间来占用支配集信息。然而，在分簇传感器网络中，所有的传感器节点都利用能量，CDS的大小逐渐增加。贪婪近似算法用于将CDS的大小减小为3（Mohanty例如， 2016年）。提出了一种新的簇头选择方法，最小连通支配集的二部图方法。在这种情况下，它适合于降低计算复杂度的集群无线传感器网络。簇头的选择是为了更好地节省能量效率、能量消耗、传感器节点在每个周期内的能量负载均衡，通过构造Steiner树来创建支配者虚拟支配者，避免连通支配集中的瓶颈问题从而延长了无线传感器网络的寿命。本文的主要贡献在于：（1）在异构分簇无线传感器网络中，提出了MCDS-MI和BG算法来选择最优簇头为了实现网络的负载均衡，计算了无线传感器网络中每个传感器节点的剩余能量。剩余能量最高的传感器节点被选为最佳簇头支配者。因此，该算法提供了更多的能量，节省了更多的功率，降低了计算的复杂度。(2)为了提高系统的容错性和传输可靠性，构造了改进的steiner树。斯坦纳树将创建一个虚拟支配者（斯坦纳点），它将作为整个网络的骨干。通过构造上述方法，在数据传输期间使数据延迟最小化，这保证了传输的可靠性。因此，该消息通信被成功地以高速率传递到最终用户，这保证了精确性、能量效率和可靠性。本文的其余部分组织如下。第二讨论了簇头选择的相关工作。第三部分详细讨论了所设计的系统模型第四详细介绍了本文所做的工作和算法。第5给出了该算法的仿真和性能评估结果.最后在第6中给出结论。2. 相关作品在过去的几年中，许多工作已经提出了提高集群无线传感器网络的生命周期和能量效率在数据传输。许多算法被用于构建CDS。基于网络收集的信息，CDS构造问题可以分为集中式算法、分布式算法和局部化算法。控制集是一个简单的无向图。简单无向图的顶点不是控制集。如果无向图中的一个或多个顶点相邻连接在一起，那么它被称为控制集（Cozzens和Kelleher，1990）。 Lii等人（2010）提出了一种不同簇半径的能量消耗的理论逻辑方法，并在分簇网络中执行了轮换任务机制，避免了非均匀分簇网络中的能量空洞问题。Indukuri和Penumathsa（2011）提出了两种不同的移动Ad hoc网络（MANET）分簇算法，如分布式生成树（ST）和支配集（DS）方法。这两个算法对于减少决策树的规模，从而减少控制集形成的开销是非常有帮助的。只有当一个顶点被所有其他具有更高ID的顶点覆盖时，它才会被修剪。在广义剪枝规则方法中，具有高优先级的节点有很高的概率成为簇头。两个或两个以上的顶点具有相同的ID将产生更多的无限簇头。Mimaroglu和Yagci（2012）开发了一种统一的方法，用于将多个聚类组合成基于团的最终聚类。团发现算法适用于大而密集的图，并在短时间内产生结果。Lai等人（2012）提出了当CH在BS周围时，CH消耗更多的功率和能量。为了最小化能量节省，诸如LEACH（低能量自适应聚类层次）、BCDCP（基站控制的动态聚类协议）和MR-LEACH（低能量多跳路由）的聚类机制被提出。能量自适应聚类层次）。J.et al. （2012 ） 在分布式分簇方法中提 出 了 智 能 簇 头 选 择（SCHS）算法，该算法减少了簇内通信距离，延长了同构无线传感器网络的生存时间。在他们的工作中，对比分析了SCHS的节点死亡率和节点的能耗率都低于LEACH。Ballarini等人（2013）提出了一种动态cNodes置换方案，从每个微观簇中偶尔提名的普通节点中选择簇头，他们还研究了两种基本的选举策略方法，即静态选举和动态选举。除此之外，他们还提出了两种互补的方法，如统计模型检查和混合自动机随机逻辑（HASL ）。在这项工作中，拒绝服务（DoS）攻击检测使用广义随机Petri网（GSPN）。Yu等人（2013）简要解释了基于不同应用的连通支配集（CDS）相关 算 法 ， 即 扩 展 连 通 支 配 集 （ ECDS ） 、 扩 展 弱 连 通 支 配 集（EWCDS）、强连通支配集（SCDS）、强连通支配和吸收集1134R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报（SCDAS）和方向连通支配集（DCDS）。各种网络模型的CDS相关问题是（Yu等人，2013年）：（a）找到本地构建算法，因为它只依赖于无线网络中的本地邻域信息。b）在三维空间中找到CDS是重要的。（c）网络拓扑中的（d）移动模型中的CDS构造算法在网络拓扑发生变化时不能保持先前连接的CDS。Azad和Sharma（2013）提出了模糊多属性决策（FMADM）方法，用于选择簇头。该技术基于期望属性的程度来定量地比较和排名位置。采用模糊逼近理想解的方法，提高了网络的能量效率，延长了网络的生命周期。在同构环境下，模糊TOPSIS方法的性能分析比分布式层次凝聚聚类（DHAC）协议更能有效地提高网络的生存时间。Fox和Everton（2014）开发了一种混合层次分析法（AHP）&TOPSIS和平均加权秩结构的新方法来识别Noordin暗网络中的关键节点。SenthilKumaran和Ilango（2015）提出了一种混合离线和在线签密技术，通过增加数据包交付率和减少通信开销。该认证安全机制使用来自发送方和接收方的公共矩阵密钥最后，通过汉明重量进行验证。 Jia等人（2016）提出了动态簇头选择方法，以在簇通信中提供覆盖和平衡的能量消耗。Sun等人（2016）介绍了一种基于网络编码的占空比（NCCM-DC）WSN中的多路径协议的创新思想。主要研究了两种方法：（a）休眠机制;（b）协同状态转换算法。这些机制的应用自动减少了能量空洞问题，节省了更多的能量，提高了分簇无线传感器网络的传输可靠性。Gajjar等人（2016年）提出了基于模糊和蚁群优化的无线传感器网络组合MAC，路由，不平等聚类跨层协议（FAMACROW）。采用非均匀分簇机制解决热点问题，并采用蚁群优化算法（ACO）实现CH到MS的多跳路由，实现能量高效可靠的数据传输。用不同的方法进行比较研究，即（a）基于不平等路由器的路由[UCR]（b）不平等分层聚类方法[ULCA]（c）使用模糊逻辑的能量感知不平等聚类[EAUCF]（d）改进的模糊不平等聚类[IFUC]。Mohanty 等 人 （ 2016 ） 提 出 了 使 用 2 跳 信 息 的 连 接 伪 支 配 集（CPDS2HI）算法，该算法减少了CDS大小。通过优化CDS，得到了O（D）的最佳时间复杂度和O（nD）的消息复杂度（D为网络直径，N为网络规模，D为所有节点的最大度）。Khan等人（2017）提出了一种基于模糊TOPSIS方法的簇头选择路由算法，具有可预测的八边形轨迹的sink移动性。仿真结果表明，频繁选择簇头机制每轮减少了25%，并与传统的模糊和LEACH协议进行Mohamed（2018）提出了一种新的基于遗传算法（GA）的簇头选择机制，该方法适用于单跳和多跳簇网络模型。Xiaohui等人（2017）引入了基于遗传算法的自组织网络聚类（GASONeC）方法，以提高网络寿命，网络寿命扩大到43.44%。现有工作的缺点是不能适应异构网络结构。 Elhoseny等人（2017）提出了基于遗传算法（GA）使用适应度函数的K覆盖模型。在K-覆盖模型中出现的主要问题是时间和能量消耗。Elhoseny等人（2016年）提出了用于动态集群WSN中安全数据通信的椭圆曲线加密（ECC）算法该算法为每个传感器生成二进制序列，并与节点ID、到其簇头的距离和轮索引相关联，以形成排他性的176位加密密钥。从他们的工作中可以看出，网络寿命增加，能耗降低。Elhoseny等人（2015）提出了基于遗传算法（GA）的技术，该技术优化了异构WSN节点聚类。Elsayed等人（2017）提出了节点和簇头级别的分布式自愈方法。在节点级，可以诊断发送方和接收方节点的故障。在簇头级，发送传感器节点和故障节点可以发现并恢复。Guiloufi等人（2013）提出了移动性-能量-度-到基站的距离（MED-BS）分簇算法，以减少能量消耗并平衡能量容量。仿真结果表明，与LEACH相比，LEACH结构稳定， Nasri等人（2017）提出了跨层优化方法，通过选择具有最高剩余能量的簇头来节省能量，增强连通性和通信的连续性。从现有算法的文献综述中，如LEACH、聚类LEACH（C-LEACH）、修改LEACH（M-LEACH）和远LEACH（F-LEACH），LEACH），优化LEACH（O-LEACH）算法消耗更少的能量，同时也增加了网络的生命周期。Dahane等人（2014年）提出了一种用于移动无线传感器网络的节能安全加权聚类算法（ES-WCA），该算法具有覆盖感知成本度量，通过减少稀疏覆盖区域中传感器的使用来扩展观察区域的覆盖时间和覆盖范围。Dahane等人（2015）提出了完全分散网络中的能量有效和安全加权聚类算法（ES-WCA），并构建了虚拟拓扑，最大限度地减少了重新关联阶段频繁选择的簇头。Lehsaini等人（2010）提出了一种高效的基于聚类的自组织算法（ECSA），其中每个传感器节点基于k密度确定权值，剩余能量用于在2跳邻居中选举簇头。Dahane等人（2015）提出了平衡和安全加权聚类算法（BS-WCA）来安全地选择簇头，并进行分析以检测恶意节点的不当行为。Soro和Heinzelman（2009）提出了在密集网络中有效选择最佳活动传感器节点、候选传感器节点和路由器的簇头选举技术。从上面的讨论可以清楚地看出，在频繁选择相同的簇头期间，簇头的重选消耗更多的能量由于传感器网络存储容量有限，在数据存储过程中会出现故障现有系统的可靠性较低据作者所知，在他们的工作中，研究人员没有考虑到上述缺点在我们的工作中考虑了上述缺点，并在所提出的系统中提高了所有因素的性能。3. 系统概述在我们提出的模型中，无线传感器网络被认为是大量的传感器节点随机部署在传感器区域。为了聚集来自传感器节点的正确信息并降低计算复杂度，将一大组传感器节点形成为簇在大区域网络中，单个集群可以R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报1135分为多个传感器网络集群在我们的工作中，数据包从通信传感器节点传输到簇头。当传感器网络规模较大时，传感器节点必须以随机方式部署，这将导致建立路由和数据通信的高能量。为了提高网络的生命周期，对于大型网络，必须采用分簇机制来节省能量。分簇机制是利用MCDS-MI和BG方法为一组传感器节点选择簇头，所有的通信都将只通过簇头与该簇中的相应传感器节点进行。通过采用这种机制，节省了能量，从而增加了传感器网络的生命周期，并支持数据的有效传输。图1示出了传感器节点被分组为簇的WSN的一般结构。在一个簇中的传感器节点中，一个节点将作为簇头，其余节点作为簇成员。网络可分为通信和感知距离相近的同构簇状无线传感器网络和通信和感知距离不同的异构在数据传输期间发生两种类型的集群通信过程，即a）集群内通信链路和b）集群间通信链路。在每个分簇网络中，传感器节点使用不同的发射功率电平将数据从源节点传输到簇头和簇头节点传输到基站。由于传感器节点之间的传输会导致簇内出现能量空洞问题。簇头分析来自各个簇成员的聚合信息此时，簇头将消耗更多的能量。因此，簇头必须更换的MCDS-MI和BG方法的帮助下，从而降低了功耗，有效地延长了传感器网络的生命周期。4. 拟议工作在这一节中，结合多跳信息的最小连通支配集算法和二分图算法来提高能量效率和网络寿命。在下面的部分中讨论了所提出的无线传感器网络算法的详细框架。首先构造了带多跳信息的初始最小连通支配集（MCDS-MI）和二部图，以寻找支配者的最小数目能量水平最高、覆盖度最大的传感器节点簇头（CH）是从一个特定的时刻的支配者的最小在每个周期中，最小数量的支配者ID值被改变，以便新的支配者可以充当CH。由于整个传感器节点都参与数据传输，因此节点之间的能量水平可能会有所不同在给定的网络中，一些不参与数据传输的节点因此，它消耗更多的能量和功率在传感器网络中的数据传输。当数据传输发生时，簇头控制器也可能由于环境变化而失败在分析了网络中存在的问题后，构造了Steiner树，用于在分簇无线传感器网络中创建虚拟支配者。Virtual dominator现在将充当群集头。此外，委员会认为，支配者使用多跳信息通过它们各自的簇头在簇的传感器节点内以及在其它簇之间交换消息最后，它以非常快的速度到达BS在WSN中，采用双分区方法，并且与文献相比，它降低了计算复杂度（Mohanty等人， 2016年）。该方法在较大规模的网络中取得了较好的效果。因此，能源的利用正在得到优化。所有的传感器节点在计算级别上是相同的，并且以相同的初始能量开始。如果数据发送是Fig. 1. 基本分簇无线传感器网络系统模型。1136R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报图二、无线传感器网络的单簇建立如果发现不成功，则可能是由于簇头的能量水平降低。如果是，则通过构造虚拟簇头来恢复数据传输。在传输过程中，参与节点是活动的，而非参与节点被发送到休眠状态。在成功完成数据传输之后，将计算传感器节点的剩余能量在下一阶段，如果发现传感器簇头的能量较低，则已经计算出传感器簇头的能量，基于MCDS-MI和BG方法，选择能量较高的传感器节点作为簇头。为了使分簇传感器网络均衡，提出了一种基于节点剩余能量和阈值的AVL-Tree簇头所提出的方法与先前的文献作品（Mohanty等人，2016年）。选择MCDS-MI和BG方法的主要原因是降低计算复杂度和时间复杂度。图图2显示了无线传感器网络的单簇设置和簇头支配者选择的计算过程的应用。让1，2，3，. N是存在于集群中的传感器节点的数量。采用MCDS-MI和BG方法选择簇首控制器。采用容错方法，通过图3.第三章。集群传感器网络中具有同时变化的集群间数据可达性链路R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报1137通过估计最短的最小距离，用最少的Steiner节点数构造Steiner树图3示出了从成员传感器节点到簇头支配者的簇间数据传输通信链路。集群设置也可以适用于无线传感器网络中的集群间和集群内通信异构分簇网络由A、B、C、D、E五组簇组成，由成员传感器节点、簇头节点和虚拟支配节点组成源传感器节点将来自聚合簇头的传感信息传送到BS。在每个簇中，采用MCDS-MI和BG技术，根据覆盖集度选择连接的簇首控制器为CH 5、CH 9和CH 1。经过一段时间后，簇头由于剩余能量较少而进入睡眠模式。在下一个周期中，不考虑先前选择的簇头，而是计算所有传感器节点的覆盖数目前的算法是基于当前剩余能量的AVL树旋转算法生成结构化网络，并计算逆中序遍历来选择支配节点。构造Steiner树选择有效度为0的虚拟支配者假设在多跳数据通信过程中，如果簇头发生故障，4.1. MCDS-MI与二分图方法基于簇传感器网络中数据通信链路的特点，设计了双分图方法该方法将大区域网络划分为多个簇，其中一个簇单元通过双分图（BG）方法划分为两个集合基于传感器网络中产生的数据通信链路，设计了如图1所示的二分图结构。四、该图示出了在数据通信期间将单个唯一集群划分为两个不同的顶点A和B当所有活动传感器节点之间发生BG通信链路时，以传感器节点生成的最大ID和最大覆盖数计算覆盖集度。因此，在不同的传输和传感范围的无线传感器网络的覆盖数的基础上选择簇头。二分图由两组传感器节点A和B组成，其中边/通信链路在集合A和集合B之间建立连接对于集合B中的每个传感器节点，至少有一条边将集合B 连接到集合A 中的传感器节点其主要目标是找到一个MCDS，其多跳信息值存储在集合A的输出簇子集C中，使得集合B中的每个传感器节点与C中的某个节点相邻。将单簇传感器网络分成两个不相交的集合A和B。它们是E（边）的顶点的副本。如果两个集合彼此相邻，则在集合A的顶点v和集合B的顶点u之间引入一条边。然后计算出集合A中所有传感器节点在二分图（BG）中的顶点覆盖数在第一周期中，从集合A中选择传感器节点v，使得v具有最高覆盖度，并存储在集合C的簇头输出表如果在覆盖集合编号中存在平局然后将其存储在簇头输出表中，并删除集合B中被节点v覆盖的所有顶点，并从集合A中删除v。当第一个周期结束时，自动开始第二个周期，并持续到传输结束。再一次，覆盖集合数为集合A中的所有剩余节点重新计算继续该过程，直到最终MCDS-MI大小减小到3为止，并且对于不同的数据传输再次重复相同的过程，并且形成新的MCDS-MI。最后，所提出的方法降低了计算复杂度在广域网。 选择簇头后，考虑所有传感器节点之间的簇通信链路（图1）。 5）。随后基于剩余能量执行AVL树旋转算法，例如左旋转，右旋转，见图4。 二部图的构造左-右旋转和右-左旋转，以确保进入负载均衡的结构树网络。最后，在结构化树形网络中，对剩余能量最高的簇首控制器进行逆中序遍历。为了避免重分簇过程，节省更多的剩余能量在无线传感器网络中，簇头使用负载平衡机制，使用AVL树旋转算法旋转活跃的簇传感器节点。这种AVL树旋转算法对于非结构化网络向结构化网络转化是有用的。为了节省剩余能量和延长网络生存时间，针对给定的集群网络，设计了AVL树旋转算法，使整个网络成为结构负载均衡的网络。4.2. Steiner树构造Steiner树（ST）的构造是为了找到最小的树连接所有的传感器节点的顶点由于环境的变化，任何故障都可能发生在簇头控制器中。在故障发生时，设计Steiner树，找出Steiner点/Steiner节点，使传感器节点在传感器网络发生故障主要目标是确定一棵Steiner树，使Steiner节点数最少。Steiner节点将充当虚拟支配者（VD），并且在数据传输期间，它还充当网络的虚拟骨干或中间传感器节点根据支配者/传感器节点之间的连接关系，选择支配者/传感器节点作为Steiner节点，并计算传感器节点的最近邻距离在该过程的第一个循环中，为了从剩余节点中找到VD，更新后的有效度为零。最优Steiner树算法一直工作到在最坏的情况下，1138R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报图五、基于传感器剩余能量的AVL树旋转算法如果传感器节点的数目大于6个终端，则会导致得到非常坏的情况复杂度。它也可以适用于使用Floyd Warshall算法找到所有对最短路径在我们提出的工作中，传感器节点的终端数小于或等于3，并用于最佳情况的复杂性。因此，由于Steiner节点，数据传输非常快。因此，Steiner节点将以相同的速度同时切换到两个不同的路径。考虑簇首支配节点的节点A、B、C的顶点。由于能量洞问题，网络中出现了复杂性和传感器失效等问题.此时，传感器节点A、B和C的顶点进入睡眠模式或由于数据传输期间传感器节点的存储器耗尽而发生故障。Steiner树由A、B、C三个顶点展开成120°的等边三角形构成。最后通过构造Steiner树方法生成Steiner点，记为G.该斯坦纳点G将充当有效度为0的活动簇头支配者。斯坦纳点G执行秘密操作以传送穿过点G的安全信息，并在特定时间段成功地由目的地接收信息，如图6所示。当与现有的最小生成树（MST）（Sun等人，2016），Steiner树通过形成等边三角形产生最小最短路径。见图6。 Steiner树结构Steiner点中的每个角度都应大于或等于120°。Steiner节点使用最小最短路径算法节省了近25%的路径信息。为了得到高度改进的steiner树，steiner点将充当簇支配者。该算法MCDS-MI的构造类似于MIS算法，具有较低的基数和伪支配集（PDS）。在连通图G（V，E）中，V是网络中的传感器节点，E是通信链路。规模庞大R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报1139网络被划分成二分图以及两个具有边的分离顶点之间的通信链路/可达性链路，BG（G）=（V，MCDS-MI是通过一个简单的覆盖度算法构造的该算法还使用了1跳、2跳和多跳信息，步骤9：重复步骤4 5，直到连接到dominator簇头步骤10：假设下一周期的支配簇头与先前选择的支配簇头簇头传感器网络中的邻居。在我们的第一阶段构造了MCDS-MI方法，用于在簇网络中形成CDS，该MCDS将充当簇头支配者，从而将MCDS的大小减小为3。算法1给出了构造MCDS-MI图的贪婪算法启动该算法以产生主导者（D）和虚拟主导者（VD）。利用二分法选择支配者，并通过构造Steiner树生成虚拟支配者在第一个周期之后，传感器网络检查负载均衡方案。如果网络平衡良好，则重复相同的过程，如果网络不平衡，则基于算法2中给出的残余能量执行AVL树旋转在我们提出的工作中，通过应用MCDS-MI和BG方法，选择了簇头，并减小了CDS尺寸。在分簇的无线传感器网络中，通过旋转算法，增强了负载均衡的能量优化，降低了计算复杂度。第二阶段{它不符合群集支配者的条件}步骤11：如果检查先前选择的支配者簇头的邻接，则第12步：重复第4步、第5步、第6步、第13步：如果步骤14：计算CH← CH[循环i]步骤15：I = i +1{Each时间周期值增加1，并将新的支配者CH步骤16：重复步骤14和步骤15，直至形成MCDS第17步：VD← V{Find除了第一个节点中的支配者之外，其余节点中具有更新的有效度的VD为零循环}算法，构造Steiner树，数据传输速度在集群无线传感器网络上。在这个阶段，它唤醒了MCDS-MI中的所有支配者和虚拟支配者。本文的目标是用MCDS算法求Steiner树.为了更快的通信和数据传输，最好找到一个Steiner节点，而不是使用最小生成树算法。在传感器网络中，通过G连接所有顶点的最小树是传感器网络中的信息传输树算法1.利用多跳信息的最小连通支配集能量优化的转发头选择所需输入：连接图G（V，E）CH表示簇头传感器VD代表虚拟支配者循环i表示第i轮选择的支配者A表示传感器节点输出：MCDS-MI图形G（V，E）步骤1：MCDS-MI<$u，CH<$u，VD<$u，I< $1步骤2：当图G中存在传感器节点时，degree d > 0 do第三步：循环i←u步骤4：对于所有节点（Ae V），步骤5：如果A满足以下条件之一，计算所有传感器节点的覆盖集度，然后选择最高覆盖值以及节点的最高ID每个传感器节点具有相同的覆盖度。从而选择具有最高覆盖集度以及最高节点ID的传感器节点。然后步骤6：将A存储到循环i{A在第i个周期中被选为支配者}第7步：如果第8步：结束步骤18：返回MCDS-MI← CH[VD算法2.负载平衡的能量优化的二部图构造所需的输入：二部图BG（G）=（V，传感器装置SD传感器设备剩余能量簇头阈值能量输出：降低计算复杂度，消耗更多传感器网络步骤1：对于（I = 2 to V），{For下一次迭代检查网络是否平衡}步骤2：如果（平衡传感器网络），则步骤3：计算算法14.其他步骤5：执行AVL树旋转步骤6：为了平衡自身，AVL树可以基于等式（1）中的残余能量估计来执行以下四种旋转：（一）左旋转右旋转左右旋转左右旋转第7步：如果步骤8：返回具有剩余能量的平衡传感器网络步骤9：计算右-根-左规则第10步：根据第9步规则选择支配者第11步：重复算法1和21140R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报.Σ图 7代表了拟定的MCDS-MI和BG工作方法的流程图。利用负载均衡能量的概念，对簇头控制器的选择进行了说明。频繁选择簇头重选消耗更多能量（Dahane等，2015;Soro和Heinzelman，2009）。这个缺点在所提出的方法中是过分的为了避免频繁的簇头选择，固定的最小CDS。选择最小最短路径确定斯坦纳点，实现快速数据传输。4.3. 能耗模型其中，P是在从支配者/簇头到BS的传输过程期间传感器设备的传输和接收功率，T是执行传感器节点的数据传输过程所花费的时间假设传感器节点有能力根据接收节点的距离“d”调整其发射功率。在自由空间传播能量模型（Soro和Heinzelman，2009）中，发送和接收“k”比特分组所需的能量（2）和（3），传感器设备在执行通信时所消耗的能量可以是能量。n德克萨斯州。naconstωdpl2给出了数据发送和接收过程中的具体处理过程由等式（1）、能量消耗功率消耗时间消耗1小时nknaconst3式中，ntx--见图7。显示MCDS-MI和BG技术概述的流程图。R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报1141我×我我X我我4.4. 整体能耗令Eoec表示簇WSN中传感器设备“i”消耗的能量。当第i个传感器节点遇到故障时，簇头的选择变得困难，从而降低了网络的生存时间。因此，MCDS-MI算法与BG方法一起使用，在传感器网络中选择簇头消耗更多的能量。从簇头到BS的数据传输的时间段在不同的周期改变。在每个循环中，选择不同的控制器，这些控制器又消耗更多的电能。在一段时间之后，传感器设备由于有限的能量电源而耗尽。为了提高能源供应，采用AVL树簇头旋转算法确定簇内的支配者。因此，支配者很容易到达BS。所有传感器节点的总能耗在给定的网络中，由Eq.（四）、5.1. 仿真环境和性能指标各 种 网 络 模 拟 参 数 如 表 1 所 示 。 模 拟 参 数 取 自 参 考 文 献（SenthilKumaran和Ilango，2015; Jia等人， 2016; Mohanty等人，2016; Khan 等 人 ， 2017; Elhoseny 等 人 ， 2017 ） 和 （ 索 罗 和Heinzelman，2009）。在我们的模型中使用的拓扑模拟是随机拓扑与随机移动模型放置在模拟区域。分析了由传感器节点和基站组成的无线传感器网络。传感器节点被随机部署在面积为1000 ~ 1000 m2的传感场中.所有传感器节点的初始能量处于相同的能量水平。模拟的流量范围是CBR和TCP/UDP用于传输。控制和数据分组等于1024字节。所有的传感器节点在每个传输周期内传递多个消息。传感器的传输范围为25dBm，等于0.316瓦特传感器的频谱感测范围被指定为5 dBm，其等于0.0032 W的幂能量控制-Eoec¼Ptx=i=sTtx=i=sEcbPsdTsdð4Þ传感器板消耗被指定为70 nJ/bit。当通讯-我我我我我我阳离子发生在传感器节点之间，仿真其中，Eoec在这里，传感器节点将工作在空闲模式/睡眠模式或传输模式。Ptx/i/sTtx/i/s间隔时间保持为0.01毫秒。5.1.1. 虚拟支配者我我在从传感器控制器传输数据期间的模式。如果支配者没有参与该过程，则它将保持恒定的空闲状态（i）和睡眠状态（s）。Ecb传感器装置的电子电路板Psd Tsd-4.5.传感器节点在分簇的无线传感器网络中，簇头支配者的选择分别采用MCDS-MI和Bi-Partite方法。一旦选择了最佳CH，能量效率和增强的网络寿命与负载平衡的传感器网络实现。传感器装置“i”的剩余能量由等式（1）给出。（五）、REi/IEi-CEi=TEi/TE5考虑到特定簇内传感器节点的剩余能量，簇头的选择可以用以下MCDS-MI和BG方法来描述。nREi×ITi ×ST61/1最小连通支配集是最常见的顶点候选集，它特别适用于任何不同类型网络中的信息为了提高数据传输的速度，无线传感器网络采用虚拟主/骨干网这里，虚拟域代表整个网络的框架，并且还频繁地交换路由信息，诸如交通状况、最近邻信息等。在后斯坦纳树构造中，我们分析了MCDS-MI中被忽略的虚拟域的指控网络大小从100到500变化，以确定被消除的虚拟支配者总数的比率及其对CDS大小减小的影响。在我们的工作中，虚拟支配者比率（VDR）被定义为被忽略的VD与总的VD在MCDS-MI中的比例。5.1.2. 尺寸缩小（SR）在后斯坦纳树构造中，所有的虚拟支配者被消除，但只有虚拟支配者作为连接器用于桥接MCDS-MI的两个不相交的组件。通过忽略支配者和虚拟支配者，MCDS-MI中的平均大小减小了CDS大小。5.1.3. 网络生命周期（NL）网络的寿命被定义为网络能够执行专用任务REi ITiSTiPThresResð7Þ（s）。其中，REi表示残余能量，并且ThresRes是残余能量。传感器设备的阈值。i表1NS-2.35模拟参数。所有中间能量值都存储在剩余能量传感器设备。所有传感器节点的总和值在等式中给出。（6）在Eq中比较（七）、总和值必须大于残差阈值。5. 绩效评价在NS（Network Simulator）-2.35网络仿真环境下对算法进行了仿真。利用二部图将无线传感器网络的仿真分析表现为连通支配集。NS-2.35被用来模拟所提出的协议，因为它是最广泛地用于无线环境。Sl.未分配模拟参数值1面积（m2）1000 × 10002传感器数量3传播模型自由空间4天线全向天线5流量范围CBR6节点放置随机放置7变速箱档位传感器25 dBm8传感器5d Bm的频谱感知范围9传感器板能耗70 nJ/bit10感知间隔0.01msec11模拟时间300秒12传输能量（n tx）70 nJ/bit13接收能量（nJ）70 nJ/bit14传输能量放大器（na）100 pJ/bit/m21142R. Raj Priyadarshini，N.Sivakumar/沙特国王大学学报×5.1.4. 剩余能量（RE）剩余能量是传感器节点在整个网络中每一轮所消耗的普通能量。5.2. 结果和讨论仿真结果验证了MCDS-MI和BG方法与现有方法的准确性和性能。在我们的研究方法中，传感器的部署面积为1000 - 1000平方米。将CDS构造算法的性能与提出的算法进行了比较。在CDS中，当网络规模增加时，传感器节点的数量会自动逐渐增加。这导致传感器网络中的CDS规模很大，并且CDS中使用了更多的能量。当与CDS和PDS进行比较时，在所提出的算法中，随着网络规模的增加，MCDS-MI的大小减小。由于MCDS- MI的大小为3，因此提高了无线传感器网络的能量效率.在传感器网络中，支配者和虚拟支配者充当CH。当所有最小连接支配者都失效时，容错虚拟支配者充当簇头.在ST结构中，大多数虚拟支配者被丢弃，直接连接到传感器节点，成为容错。计算了Steiner树中被忽略的VD与MCDS-MI中总