采用压缩感知与智能优化的大规模WSNs移动稀疏数据收集

发布时间：2021-01-16 09:09

　　针对大规模无线传感网数据处理网络流量大、任务时延高的缺陷,提出了一种基于自适应块压缩感知与离散弹性碰撞优化算法的移动节点数据收集方案。首先,通过分析网络分块与节点部署之间的关系,提出自适应块压缩感知数据采集策略,实现传感器节点基于自适应网络块压缩感知数据采集;设计移动节点数据采集路径规划策略和多移动节点协同计算机制,通过采用适应度值约束变换处理技术和并行离散弹性碰撞优化算法,达到均衡网络节点能耗和降低数据处理任务时延的目的。最后,仿真结果表明,该数据收集方案能够有效实现大规模传感网数据高效处理,而且降低了网络流量和网络任务时延,更好均衡了网络节点能耗。 

【文章来源】：西北工业大学学报. 2020,38(02)北大核心

【文章页数】：8 页

【部分图文】：

块通信与协同计算模型

公式中Etrans和Erecv分别表示节点发送和接收能耗。ETx-amp为信道传输能耗。Eelec为发送单个字节时的传感器节点能耗,通常取Eelec=50 nJ/bit,ε=100 pJ/(b·m-2)。图2给出了不同重构误差要求下测量节点数M和网络能耗对比结果,具体实验参数见表1。表1 实验参数设置 网络及场景参数 硬件参数 能耗/mW 网络模型 树状 通信频率 2.4 GHz 发射功率 61 区域大小 10 km×10km 射频芯片 CC2420 接收功率 45 节点数量 2 000个 物理层 IEEE 802.15.4 空闲功率 2.4×10-3 节点间隔 200 m MAC层 IEEE 802.15.4 休眠功率 1.4×10-3

不失一般性,假设只有1个移动节点数据需要进行负载均衡分配,为了分析ECO求解多移动节点协同计算问题的有效性,分别与Greedy-LB(贪婪负载均衡算法)、WRR(加权轮转法)和文献[14]提出的CPSO-LB 3种负载均衡算法进行对比分析,评价指标设定为数据协同计算时延,其具体含义为数据进行负载均衡分配时间,图3给出了3种负载均衡算法时延对比结果,图4给出了ECO算法与遗传算法(GA)[9]、量子粒子群优化算法(QPSO)[15]目标函数收敛曲线对比结果,图5给出了移动节点数U对数据协同计算时延的影响。图4 3种算法目标函数收敛曲线

【参考文献】：
期刊论文
[1]基于弹性碰撞优化算法的传感云资源调度[J]. 刘洲洲,李士宁,李彬,王皓,张倩昀,郑然.  浙江大学学报(工学版). 2018(08)
[2]无线传感网中基于时变多旅行商和遗传算法的多目标数据采集策略[J]. 俸皓,罗蕾,王勇,叶苗.  通信学报. 2017(03)
[3]无线传感器网络中基于稀疏投影的数据收集方案[J]. 李鹏,王建新.  中南大学学报(自然科学版). 2016(10)
[4]高维多峰函数的量子行为粒子群优化算法改进研究[J]. 田瑾.  控制与决策. 2016(11)
[5]WSN中基于压缩感知的高能效数据收集方案[J]. 李鹏,王建新,丁长松.  自动化学报. 2016(11)
[6]面向医疗大数据的云雾网络及其分布式计算方案[J]. 何秀丽,任智源,史晨华,丛犁.  西安交通大学学报. 2016(10)
[7]基于区域化压缩感知的无线传感器网络数据收集方法[J]. 杨浩,王喜玮.  计算机学报. 2017(08)
[8]压缩感知中基于变尺度法的贪婪重构算法的研究[J]. 刘盼盼,李雷,王浩宇.  通信学报. 2014(12)



本文编号：2980543