低能耗和低时延的无线传感器网络数据融合算法
加入技术交流群
如图1，簇头节点9首先启动运算并检测自身的剩余能量值S9，若S9ST，则置H9=0，并向其它节点广播信息，使其它节点进入休眠状态；若S9>ST，则置H9=1，而后簇头节点9把自己所在的位置告诉邻近的非簇头节点，由它们自己判断到簇头节点9的最小跳数和剩余能量，并把信息反馈给簇头节点9，由其选择那些非簇头节点可以加入其为簇头节点的簇内。图1中，节点1判断自己到簇头节点9的跳数为4跳，且距离其最近的非簇头节点4的剩余能量为S4，虽然节点4距簇头节点最小跳数为3跳小于节点1到簇头节点的跳数，但是由于S4小于ST，节点4仍不能作为节点1的父节点，而后继续判断距离簇头节点9较远但到簇头节点9的跳数仍为3跳的节点5的剩余能量，由于S5大于ST，所以节点1选择节点5作为父节点，同理，5的父节点为7，7的父节点点为8，8的父节点为簇头节点9，至此一个簇建立完毕。
2．3 时隙分配方案
节点在信息传输的过程中，可能存在空闲侦听、传输碰撞等现象，从而导致传感器网络在进行信道访问时存在较大的时延和能量消耗，因此设计了一种新的TDMA调度方案，并运用基于微粒群的Pareto(简称PAPSO)优化方法，使得无线传感器网络在完成规定的信息传输任务时每个节点的平均时隙和平均能耗最优。
2．3．1 优化目标
把初始节点传送的信息在经过单跳或多跳通信方式到簇头节点的过程，称为一个事件，信息每次跳转传输的过程称为一个子事件，一个子事件对应一个执行节点，并占用一个时隙，则无线传感器网络完成指定任务每个节点的平均时隙和平均能耗分别以f1和f2表达，如下所示。
和p_best的值，并把当前的粒子位置设置为p_best；用评价机制对粒子的p_best进行评价，找到g_best，而后计算出目标函数F中的每个目标值，用Pareto优化概念，找出作用于整个解空间的非支配解，从而初步形成一个Pareto解集。
2)进行迭代运算，用式(4)和式(5)产生下一代微粒群。
3)应用评价机制对X(j)和p_best(j)进行评价；如果f(X(j))>f(p_best(j))，则p_best(j)=X(j)；更新所有个体的最优位置和全局的最优位；应用支配的概念，找出非支配解集，进而找出Pareto解集。
4)满足迭代条件(有此以迭代代数作为条件)，输出最后一代的种群个体(即Pareto最优解集)；否则，执行步骤3)。
3 仿真及其分析
在一个二维环境中进行试验，169个节点被均匀的放置在600 m2的网格区域中。
仿真试验中，每个节点的信道容量为500kbs，并在可以形成链接的通信范围内，设定通信距离为15m。节点活动状态和睡眠状态的切换时间是470μs。以一个数据包的传输时间和可能的时钟偏移时间之和作为TDMA时隙的大小。发送和接收一个数据包所需的功率是81mW和180mW。
基于上述的网络模型，分别对LEACH、DEEC及新算法进行了仿真，重点比较和分析了3种路由算法运行过程中网络的生命周期。
评论