基于模糊逻辑的自适应占空比算法在能量收集传感器执行器网络中的应用

沙特国王大学学报基于模糊逻辑的自适应占空比在能量收集传感器执行器网络Sai KrishnaMothku，Rashmi Ranjan Rout计算机科学与工程，国家理工学院Warangal，506004，印度阿提奇莱因福奥文章历史记录：2018年6月29日收到2018年9月12日修订2018年9月27日接受在线发售2018年保留字：无线传感器和执行器网络能量收集节点工作周期模糊逻辑A B S T R A C T在能量收集传感器执行器网络中，节点从可收集的来源（例如太阳能、风能和振动）对其电池充电。网络的可持续性，直到下一个充电时间是收获传感器网络中最重要的挑战之一。本文提出了一种基于模糊的自适应占空比算法，以实现网络的可持续性收获传感器-执行器网络。在这项工作中，当前的剩余能量，预测的收获能量（未来的时隙）和预测的剩余能量参数被认为是模糊输入变量来估计传感器节点的占空比。在这项工作中，收集模型已被采用来预测收集能量。此外，剩余能量已估计为未来时隙使用预测的收获能量，能量消耗模型和当前的剩余能量。仿真结果表明，所提出的机制的有效性，考虑网络的可持续性指标，如网络连接的轮数，第一个节点死亡的轮数，死节点的最大数量和在演员节点接收到的数据包的©2018作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍由 于 传 感 器 节 点 的 电 池 容 量 有 限 ， 无 线 传 感 器 执 行 器 网 络（WSAN）在有限的时间内保持运行（Akyildiz和Kasimoglu，2004年）。WSAN的长操作寿命对于诸如监测森林火灾、核电站、对象跟踪和军事监视的应用是必需的（Akyildiz和Kasimoglu，2004; Rout和Ghosh，2013;Imon等人，2015; Rout等人，2016; Guo等人，2014年;Elshrkawey例如，2018年）。能量收集技术在WSAN中提供了持久的寿命。节点从充电车辆或从自然资源（诸如太阳光、热、风和振动）对电池进行再充电（Guo等人，2014; Wang等人，2016; Tan和Tang，2017; Ye和Liang，2017; Wu和Liu，2013）。节点能够从阳光中收集能量。收集的能量的量随时间的天气条件动态变化*通讯作者。电子邮件地址：saikrishna@student.nitw.ac.in（S.K. Mothku），rashrr@nitw.ac.在（R.R. Rout）。沙特国王大学负责同行审查（Tan和Tang，2017）。剩余能量可以随着使用和时间而减少这导致节点从网络临时断开。暂时断开连接的节点可以在下一个能量可用时隙加入网络因此，节点应该维持（存活）到能量源的下一个可用周期，以提高网络的寿命 节点通过使用节能技术（如工作循环、负载平衡和数据聚合）维持到下一次充电（Imon等人， 2015年）。现有的模型（如Guo等人，2014; Wang等人，2016）是基于移动充电器的无线充电。无线充电技术可能不适用于移动充电器无法移动以补充传感器节点能量的应用（如深林）。在这种类型的应用中，太阳能收集技术为网络提供了长期的使用寿命。此外，能量资源通常是动态的和不受控制的（Aoudia等人，2017年）。利用基于太阳能的收集技术实现网络可持续性是文献中尚未充分解决的具有挑战性的问题之一。占空比和负载均衡技术共同提高了网络的可持续性和吞吐量。占空比无线传感器网络分为两种类型：随机占空比和协调占空比（fan Hsin et al.，2006年）。在随机占空比无线传感器网络中，传感器节点的开关是随机的。在协调的工作循环中，https://doi.org/10.1016/j.jksuci.2018.09.0231319-1578/©2018作者。由爱思唯尔公司出版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.com1490S.K. Mothku，R.R.Rout/ Journal of King Saud University在无线传感器网络中，传感器节点通过交换信息相互协调，以遵循开和关（即活动和睡眠）调度。协调的占空比WSN在节点之间的同步和网络连通性方面对于通信是潜在有效的（fan Hsin等人，2006年）。在我们的工作中，提出了一种基于模糊的自适应占空比算法，以实现基于树的能量收集传感器-执行器网络的可持续性此外，已经提出了预测模型来估计未来时间间隔的能量消耗（即，剩余能量）节点通过考虑剩余能量、预测的收获能量（对于未来时隙）和预测的剩余能量（对于未来时隙），使用模糊逻辑系统来估计此外，节点已经基于节点的预测占空比值做出切换决定以在这项工作中被认为是协调的占空比为了实现有效的通信，活动和睡眠时间表被转发到子节点。主要贡献如下：基于模糊的自适应占空比算法的设计，以实现能量收集传感器执行器网络的可持续性。利用模糊逻辑预测占空比，考虑当前剩余能量，未来的收获能量和剩余能量。仿真结果表明，所提出的机制，以提供更好的网络的可持续性和成功的数据接收的功效。其余的工作安排如下。第二节介绍了现有的工作，我们的工作和问题的制定动机的文献综述。在第3.1节中，介绍了一个网络模型。在第3.2节中，计算了未来时间段的能耗。在第3.3节中，已针对所提出的网络模型导出网络的能量消耗。此外，一个基于模糊的自适应占空比算法已提出在第3.4节。第3.5节介绍了模糊逻辑系统程序。第四节讨论了所提出的机制的绩效评估，最后，第五节总结了本文。2. 相关工作在这一部分中，现有的工作，能量分析模型，能量补充机制和模糊逻辑系统的无线传感器网络（WSN）进行了讨论。在Bhardwaj et al. （2001），推导了无线传感器网络生存时间的上界。 Rout等人（2016）分析了基于树的传感器网络的能耗。Lee和Lee（2010）已经推导出了基于簇的传感器网络的网络生命周期。在Rout和Ghosh（2013）中，通过考虑WSN中的占空比和网络编码来分析寿命上限Mothku和Rout（2017）分析了基于树的传感器网络的能耗，同时考虑了实时网络流量。在Lee和Cheng（2012）中，Lee et al.估计了无线传感器网络簇头选择的期望剩余能量然而，在我们的工作中，我们通过考虑能量消耗模型和预测收获模型来此外，一个能量消耗模型已被设计为建议的占空比为基础的传感器-执行器网络。Tan和Tang（2017）提出了一个马尔可夫模型来跟踪能量收集过程，并讨论了可充电节点的性能方面。联合无线能量补充-Guo等人（2014）已经提出了用于可充电传感器网络的移动和移动数据收集框架。 Rout等人（2016）提出了一种基于马尔可夫决策过程的切换算法，以实现可充电传感器网络中的可持续数据收集。Shu等人（2017）提出了一种联合能量补充和调度机制，以最大化可充电传感器网络的生命周期。Imon等人（2015）提出了一种用于树型WSN负载均衡的随机切换算法。在Kang等人（2017）中，已经为占空比WSN提出了一种分布式延迟有效的数据聚合调度机制。Yoo等人（2012）提出了动态占空比优化方 案 ， 以 减 少 睡 眠 延 迟 并 实 现 能 量 收 集 WSN 的 平 衡 能 耗 。 在Neamatollahi等人（2017）中，提出了一种基于模糊的聚类任务调度机制，以减轻WSN中的重新聚类开销。在Arjunan和Sujatha（2017）中，提出了一种基于模糊的机制，用于WSN中的簇头选择和簇间路由。在Lee和Cheng（2012）中，已经提出了一种基于模糊的聚类算法，该算法使用基于聚类的传感器网络的能量预测。然而，在我们的工作中，我们提出了一个自适应的占空比机制，使用模糊逻辑系统，以实现可持续性的能量收集传感器演员网络。2.1. 动机和问题表述在能量收集传感器网络中，节点从环境源（诸如太阳光、热、风和振动）收集能量。收集的能量的量可能会随着天气条件或季节变化而变化。因此，所收集的能量的量可以小于节点在时隙中的能量消耗。这导致节点的临时断开。节点可以在下一个（太阳能）能量可用时段加入网络。临时断开连接的节点影响网络的服务质量。为了解决节点的临时断开，我们提出了一种基于模糊的自适应占空比机制，用于节点的可持续性，直到下一个充电周期。模糊逻辑系统（FLS）是用来估计未来时隙的节点的预期占空比。将当前剩余能量、预测收获能量（对于未来时隙）和期望剩余能量（对于未来时隙）作为模糊逻辑系统的输入参数，并且将期望占空比作为模糊逻辑系统的输出参数。FLS通过整合输入变量和模糊规则集生成最佳输出值（预期占空比）（Lee和Cheng，2012;Collotta等人，2017; Yousaf等人， 2017年）。在树型传感器网络中，负载均衡是提高网络生命周期的技术之一。Imon等人（2015）提出了一种随机切换算法，用于平衡传感器树中的负载（在数据转发方面），以便所有节点具有均匀的负载。在网络中，通过切换操作（将子节点从其父节点切换到其他潜在的父节点）来实现负载平衡（Imon等人，2015年）。然而，可充电传感器节点没有考虑在Imon等人。（2015年）。在可充电树型传感器网络中，由于每个节点收集的能量和消耗的能量不相等，因此每个节点具有不同的能量水平。因此，负载均衡技术可能无法实现可持续性。占空比是可充电传感器网络实现可持续性（通过节省能量）的合适机制。在我们的工作中，占空比估计使用模糊逻辑系统。基于期望的占空比值，节点将活动和睡眠调度转发到子节点，或者将其子节点切换到潜在的父节点以进行可靠的数据传递。●●●S.K. Mothku，R.R.Rout/ Journal of King Saud University1491ðÞð ÞðÞð Þ.Σ半]3. 使用模糊逻辑的自适应占空比机制在本节中，将介绍所提出的网络模型。提出了一个能量消耗模型和一个能量收获模型来估计节点在未来时隙中的剩余能量在此基础上，提出了一种基于模糊的自适应占空比机制，用于能量收集传感器网络.3.1. 网络模型研究了一种基于树结构的无线传感器和执行器网络表1注释摘要符号描述n网络中传感器节点的数量T传感器树Eit节点i在时间t的剩余能量节点i在时间t的期望剩余能量在时间t收集节点i的能量Ecit节点i在时间tCi节点viBr瓶颈区k瓶颈区域h传感器树（如图所示。 1），其中根节点是本地参与者，从传感器树中选择传感数据设Ti¼V;Ei为传感器传感器树树，其中V^fv 0;v 1;.. . 表示一组n个传感器节点子节点（C是节点v的子节点的总数）和trans-n。并且v 0是本地演员（即， 图 1显示了来自大ii的子树标度网络树），E表示传感器之间的一组通信这里，考虑协调占空比使能的传感器节点，并且节点从阳光中收获能量（Piorno等人， 2009年）。此外，节点切换到潜在的父节点（具有更多占空比的节点）。数据收集回合被定义为参与者从传感器树收集数据的持续时间（Imon等人， 2015年）。本文中使用的符号在表1中列出。3.2. 能量消耗和收获模型在 本 文 中 ， 通 过 采 用 Rout 和 Ghosh （ 2013 ） 、 Rout 等 人（2014）和Rout等人（2015）中提出的能量参数来估计能量消耗。（2016年）。 用于感测、接收和发送数据（在距离上）的能量消耗的参数分别是Es、Er和Et，并且由Es/a3、Er/a12、Et/a11、Et/a2d/nn给出，其中n/n：路径损耗指数，a11：发送器电子器件的每比特能量消耗，a2：发送运算放大器中的能量耗散，a12：接收器电子器件的每比特能量消耗，以及a3：用于感测比特的能量消耗（Rout等人， 2016年）。此外，我们还考虑了以事件为中心的应用程序，将总数据发送到其父节点，并由下式给出E cia3l tba1 2Cil tbcil tbl tb。a11a2d^n^1在我们的工作中，我们采用了一种称为天气条件移动平均模型的能量预测模型（Piorno等人，2009）来预测未来时间段的收获能量（使用太阳能传感器）。在我们的工作中，一天被分成r个时间段t0;t1;... ;tr.根据该模型（Piorno等人，2009年，前使用所述收获能量来计算所述指定收获能量在同一天的前一个时隙的值和同一时隙的过去几天的平均值，并由下式给出Hd;t1a：Hd;tGAPk： 1-a：MDd;t12其中，H_d; t_k表示在时间槽t处的天d的预测的收集能量; a是加权因子，M_D_d; t_k是在前D天的时间槽t_k处的收集能量的平均值，并且GAP k测量相对于前几天的当前天的太阳条件（Piorno等人， 2009年）。能量消耗（Eq. （1））、剩余能量Ei和收获能量（等式（1））。（2））被用于估计节点对于未来时隙的预期剩余能量Exi（参考行4，算法1）。工作 能量估计是通过考虑事件传感器节点在每个事件中生成l比特的感测数据。b是每单位时间发生的事件的平均速率（Rout例如， 2016年）。因此，用于及时感测的能量消耗时隙T由3LTB给出。节点v i的能量消耗（Eci）是用于感测、从其接收数据图1.一、基于占空比的树型传感器和执行器网络中的切换过程的说明算法1基于模糊的自适应占空比算法输入：基于树的传感器执行器网络（Ti）。输出量：可持续传感器树1：对于i/41到ndo2：Ecit1a3lt1ba12Cilt1bcilt1bl3：使用等式预测Hit1的值（二）、4：Exit1=EitHit 1-Ecit 15：Ed1/2i]=Fuzzy_Duty_Cycle（Ed 1/2i;Hi 1/2i;Ex1/2i）6：如果Ed1/2i，则<7：Switch_Children（i）8：其他9：将活动和睡眠时间表转发给孩子10：如果十一日：端3.3. 能耗模型在本节中，通过考虑占空比使能的节点来估计传感器树中的瓶颈区域的能量消耗在传感器树（如图5所示）中，根节点周围的节点（称为瓶颈区域）比树中的其他节点消耗更多的能量（Wang和Zhang，2009）。Br是瓶颈的半径0不切换到潜在的父母地方行动者活动和睡眠时间表1492S.K. Mothku，R.R.Rout/ Journal of King Saud Universityrb¼ð Þð ÞB不 Hð ÞM112不一区符号k是瓶颈区域中的最大跳数，h是传感器树的高度。传感器树的高度是树中从根节点到叶节点的最长路径（跳数）。树中的每个传感器节点最多有n个子节点。瓶颈区中的总能量消耗是由于（i）瓶颈区中的节点的感测操作（Esb）、（ii）将其自己的感测数据（由瓶颈区节点生成）中继到根节点（Erb）以及(iii)将数据（由瓶颈区域节点的外部生成）中继到根节点（Erob）。因此，瓶颈区的总能耗（Ebc）由下式给出：EbcEsbErbErob3瓶颈区节点用于感知操作的能量消耗（Esb）为pn<$k<$1a3l tb，其中pn<$k<$1是处于活动状态的瓶颈区节点的平均数量，概率p表示节点将处于活动状态的时间（在时隙t期间）的平均比例。用于依赖感测数据（由瓶颈区域节点生成）的能量消耗（E_rb）由下式给出：见图4。 模糊逻辑系统EZBr Z2pk x pltqrd dr400图五. 启用工作循环的传感器树中的瓶颈区域。图二.输入变量的隶属函数（剩余能量、预测收获能量、预期剩余能量）。见图6。 半径为B r的瓶颈区 在传感器树的根节点处。其中kx是距离根（参与者）节点x距离的瓶颈区域节点发送比特的能量消耗（Bhardwaj等人，2001年; Mothku和Rout，2017年; Rout和Ghosh，2014年），并由kxPa n^x-一个1n^-1dm12其中d m 是一跳的长度（Bhardwaj等人， 2001年）和D n^ffiffiffiffiffiaffi ffi1ffiffiffiffiffi，a¼a你好传感器树的密度为q<$n<$h <$1，预测收获能量模糊规则集模糊器模糊推理系统解模糊器期望剩余能量Hh -传感器树Br-瓶颈区半径Br传感器树的根节点B r-瓶颈区域半径预期工作周期剩余能量图三. 输出变量（占空比）的隶属函数。a2n^-111S.K. Mothku，R.R.Rout/ Journal of King Saud University1493Xð ðþ ÞX-溴化铵E7ðÞð ð ÞÞðð þÞÞð ðþ ÞÞð[1/2]8其中A是传感器树的面积。项（pqtrdhdr）是差分区域中的活动节点的数量（如图6所示）（Dabirmoghlobal等人， 2010年）。用于中继感测数据（gener-received data）的能量消耗（Erob）节点将被切换到潜在的父节点（参考算法3）。否则，节点将其活动和睡眠调度转发给子节点，使得子节点在活动时间段发送其数据（用于可靠的数据传递）（第6至10行）。位于瓶颈区域外侧）由下式给出：p<$n<$h<$1-n<$k<$1ltb算法2模糊占空比（Ei t;Hit1;Exit1）Erob¼1/1Ei5输出：预期占空比Edi1：清空列表lh值;membershipleveli其中，Ei是传感器节点的能量消耗（其是在瓶颈区域内）将第i比特从瓶颈区域外中继到根（参与者）节点，并且由下式给出2：查找成员资格值（lEit;lHit1，lExi t1）和使用三角形的语言水平隶属函数3：DR1/4 {一个规则集，具有所有可能的EPan^Br确定的语言水平（从第2行i1n^-1dm6因此，瓶颈区中的总能量消耗与占空比（即，P）由下式给出：ZBr Z2p00kxpltbqtrdhdr4：对于DR中的每个规则，5：如果IE i t ;lHi t1;lExi t1然后拟合此规则6：将一个条目添加到列表l中，7：值=MaxlEit;lHit1;lExit18：membershiplevel=输出成员级别规则pn<$h1n<$k1ltbþi¼1ið Þ3.3.1. 工作周期及其对可持续性占空比机制是无线传感器网络中的节能技术之一。大多数现有的工作都没有解决以升为单位的占空比值的估计，9：如果结束第十章：端十一日：Edi= Defuzzify（l）十二：returnEdi自然。在收获传感器网络中，节点不维持直到下一次充电时间，如果它没有足够的剩余能量。节点保存一定量的能量以维持到下一个可再充电时间。在能量收集传感器网络中，如何估计节点休眠时的能量，以实现可持续性和可靠的数据传输是一个具有挑战性的问题。在我们的工作中，占空比（对于未来的时隙）估计通过考虑当前的剩余能量，收获能量（对于未来的时隙）和预期的剩余能量（对于未来的时隙），以实现在收获传感器网络的可持续性。如果占空比值非常低，则节点长时间不执行其操作（因为节点长时间处于睡眠状态）。这导致不可靠的数据传输.因此，（这些节点的）子节点将被切换到其他潜在的父节点，以实现可靠的数据传输。此外，活动和睡眠调度（协调的占空比调度）提高了可靠的数据传送。所提出的基于模糊的自适应占空比机制将在下一节中介绍。3.4. 基于模糊的自适应占空比算法在本节中，提出了基于模糊的自适应占空比算法（算法1）的能量收集传感器执行器网络，以实现可持续性。在时隙t结束时，节点使用以下等式来估计下一时隙t的能量消耗并且使用等式（1）预测时隙t1/t1/ t2的所收集的能量的值（2）（第2至3行）。此外，节点算法3 Switch_Children（i）1：排队（儿童（一））2：while IsEmptyQueue==false do3：j= Dequeue（）4：Pp= Find_Potential_Parents（j）5：如果Pp ^/4，则6：排队（儿童（j））7：如果结束8：p<$2Pp，选择具有最大占空比值Edp<$的潜在父节点p<$。9：p<$是节点j的新父节点10：更新树11：结束时在算法3中，给出了切换过程。节点的子节点（其具有比阈值更小的预期占空比值）将被插入到队列中（称为排队）（第1行）。此外，将为队列中的每个删除节点（称为Dequeue）找到潜在的父节点（第3行到第4行）。节点的潜在父节点是在该节点的通信范围内的一组节点（除了当前父节点之外）。具有最高预期占空比值的节点将从潜在父节点中选择作为新父节点。如果一个子节点确定用于时隙的ðtþ1Þ (line4).模糊逻辑系统（FLS）通过将剩余能量Et i、预测的收获能量Et i和预期的剩余能量Ex i（第5行）考虑为输入参数来自适应地确定预期的占空比Et i。FLS过程（算法2）的解释将在下一节中讨论。此外，节点基于所确定的预期占空比值来进行切换决策，以维持直到下一个可再充电时间。如果节点的预期占空比值小于阈值T_h_n（其随应用而变化），则3.5. 模糊逻辑系统在本节中，提出了一个模糊逻辑系统（FLS）和占空比估计为未来的时隙。算法2给出了模糊逻辑系统的处理过程。图4示出了具有三个输入参数的模糊逻辑系统，诸如当前剩余能量、预测的收集能量（对于未来时隙）和预测的剩余能量（对于未来时隙）以及（一个输出参数）预期占空比。FLS过程有四个步骤：（i）Ebc<$pn<$k1a3ltb1494S.K. Mothku，R.R.Rout/ Journal of King Saud Universityðþ Þðþ Þ.b. b/.bBb.b.Σð Þ ð Þbbmaxp maxB.b.Σ开始在时隙（t）结束时，节点估计未来剩余能量和预测的收获能量，时隙（t+1）模糊器，（ii）模糊规则集，（iii）模糊推理系统和（iv）Defuzzifier。模糊化器使用三角隶属函数将输入参数的清晰值转换为隶属值和语言水平（第2行，算法2）。输入变量和输出变量的隶属函数如图1和图2所示。分别为2和3。输入变量的语言变量被认为是低、中和高，输出变量（预期占空比）的语言变量被认为是非常低、低、中、高和非常高（如表3所示）。模糊规则集是由表2所示的三个输入变量生成的模糊决策规则的集合。模糊规则是基于以下原则生成的具有高当前剩余能量、高预测收获能量（对于未来时隙）、高预期剩余能量（对于未来时隙）的节点模糊推理系统通过使用模糊规则集和隶属度函数找到模糊输出。在算法2中，第3行到第9行解释了模糊推理过程。此外，解模糊器将模糊输出转换为清晰值（其指示节点的预期占空比）（第11行）。在我们的工作中，面积中心（COA）方法（在文献中也称为重心（Ross，2010; Kim等人， 2000）用于解模糊化过程（Lee和Cheng，2012）。所提出的基于模糊的自适应占空比算法的完整工作操作在如图7所示的流程图中给出。在时隙t结束时，节点估计未来的剩余能量和预测的时隙t1的收获能量。此外，节点使用模糊逻辑系统确定期望占空比（对于时隙t1）。当前剩余能量、收获能量（对于未来时隙）和期望剩余能量（对于未来时隙）被认为是模糊输入，占空比是模糊输出。如果占空比值小于阈值，则节点将其子节点切换到另一个潜在的父节点，否则，节点将活动和睡眠调度转发到其子节点以进行可靠的数据收集。表3模糊输入输出变量及其语言变量。输入/输出变量剩余能量低、中、高预测收获能量低、中、高预期剩余能量低、中、高占空比非常低，低，中，高，非常高表2模糊决策规则。投入产出见图7。 拟议机制运作概览。3.6. 基于模糊的自适应占空比算法分析在本节中，我们从时间复杂度和开销方面分析了所提出的机制。在算法3中，第1行取O Cmax其中，Cmax是一个子节点的最大数量。树中的节点。第2行上的循环运行O Cmax时间。3号线要花10分钟。第4行的Find_Potential_Parents（）函数取OPpmax其中Ppmax是最大邻居数，树中的节点5号线运行时间为2000年。6号线采用O Cmax时间8号线和9号线的运行时间为O1。第10行需要O n时间来更新树（n是树中的节点总数）。由于C6

下载后可阅读完整内容，剩余1页未读，立即下载