基于群智能优化技术的无线传感网分簇路由算法研究

发布时间：2017-04-20 21:34

  本文关键词：基于群智能优化技术的无线传感网分簇路由算法研究，，由笔耕文化传播整理发布。

【摘要】：作为一种新的信息获取和处理模式,无线传感器网络(WSN)已成为国内外关注的研究热点。由于传感器节点本身能量的限制,路由算法的好坏对WSN性能有着重要的影响。分簇机制和路由机制是分簇路由算法中的重要研究内容。前者负责对网络进行拓扑优化,即对簇头数量、簇头位置等要素进行合理的配置,后者解决以最佳的路径将收集到的数据传输给汇聚节点。良好的分簇机制和路由机制可以有效均衡网络的能量消耗,延长网络的生命周期。本文主要针对WSN分簇路由算法进行研究,主要研究工作如下:(1)在基本粒子群优化算法(BPSO)的基础上,改进了惯性权重和加速因子,给出了改进的粒子群算法(IBPSO)。该算法相对于BPSO算法主要做了两个方面的改进:在惯性权重中引入个体最优和全局最优因子,使得粒子能够根据收敛情况调整速度大小;针对BPSO算法在迭代后期种群的多样性急剧减少,容易收敛到局部最优解的缺点,改进了加速因子,使得加速因子不再是固定值,而是根据粒子自身记忆和群体经验在运动中所起到的作用做出动态调整,从而影响粒子速度的大小。测试函数结果表明,改进后的IBPSO算法的全局搜索能力和收敛速度都有一定的提升。(2)针对LEACH算法中簇头选择的随机性,从而使网络中节点能量消耗不均衡,引入IBPSO算法改进了分簇机制,提出了一种基于改进粒子群优化的WSN非均匀成簇算法(PSO-CRA)。首先根据优化目标建立了适应度函数,将节点的剩余能量、节点与汇聚节点的距离、节点间的距离等因素考虑进来,然后基于适应度函数利用IBPSO算法对簇头选择进行优化,从而得到最优簇组。仿真实验表明,此算法与LEACH算法相比,改善了簇头随机选择造成的节点能量消耗不均衡,延长了网络生命周期。(3)针对LEACH算法中簇头节点以单跳的方式直接与汇聚节点进行通信,从而使网络能耗不均衡,引入蚁群算法改进了路由机制,提出了一种基于改进蚁群优化的WSN多跳分簇路由算法(ACO-CRA)。利用蚁群的动态适应性和寻优能力,并将节点剩余能量和传输距离引入蚁群算法中,在簇头与汇聚节点之间寻找一条能量高效的最优路径进行通信。仿真结果表明,此算法与LEACH算法相比,在网络生命周期上有较大的提高。(4)在对分簇机制和路由机制研究的基础上,结合改进的粒子群算法和蚁群算法,给出了基于改进粒子群和蚁群优化的WSN分簇路由算法(PSOACO-CRA)。该算法在成簇阶段采用粒子群优化算法优化簇头选择,从而均衡消耗网络中的节点能量;在数据传输阶段采用改进蚁群优化算法优化传输路径,寻找簇头节点与汇聚节点传输数据的能量高效的最优路径。仿真结果表明,该算法相对于PSO-CRA、ACO-CRA性能有进一步的提高。
【关键词】：无线传感器网络 LEACH算法 能量高效 粒子群优化算法 蚁群优化算法 分簇机制 路由机制
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN929.5;TP212.9;TP18
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-15
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-12
• 1.3 本文的主要研究内容12-13
• 1.4 本文组织结构13-15
• 第二章 WSN路由算法15-27
• 2.1 WSN概述15-17
• 2.1.1 WSN体系结构15-17
• 2.1.2 WSN网络关键技术17
• 2.2 WSN路由算法的主要研究思路17-18
• 2.3 WSN路由算法研究进展18-20
• 2.4 现有分簇路由算法分析20-26
• 2.4.1 LEACH算法20-22
• 2.4.2 LEACH-C算法22-23
• 2.4.3 PEGASIS算法23-24
• 2.4.4 TEEN算法24-25
• 2.4.5 HEED算法25-26
• 2.5 本章小结26-27
• 第三章 基于改进粒子群优化的WSN非均匀成簇算法27-47
• 3.1 概述27-28
• 3.2 粒子群优化算法28-32
• 3.2.1 粒子群优化算法的数学模型28-30
• 3.2.2 带惯性权重粒子群优化算法30
• 3.2.3 粒子群优化算法流程30-32
• 3.3 粒子群优化算法的改进32-37
• 3.3.1 惯性权重32
• 3.3.2 加速因子32-33
• 3.3.3 仿真实验结果分析33-37
• 3.4 基于改进粒子群优化的WSN非均匀成簇算法37-42
• 3.4.1 PSO-CRA算法能量模型37-39
• 3.4.2 候选簇头产生39-40
• 3.4.3 粒子群优化最终簇头产生40-41
• 3.4.4 PSO-CRA算法的实现41-42
• 3.5 实验结果及分析42-46
• 3.5.1 评价参数42
• 3.5.2 仿真环境42-43
• 3.5.3 仿真结果分析43-46
• 3.6 本章总结46-47
• 第四章 基于改进蚁群优化的WSN分簇路由算法47-63
• 4.1 概述47
• 4.2 蚁群优化算法47-50
• 4.2.1 蚁群优化算法的数学模型48-49
• 4.2.2 蚁群优化算法流程49-50
• 4.3 基于改进蚁群优化的WSN分簇路由算法50-54
• 4.3.1 单跳分簇路由引起的负载不均衡50-51
• 4.3.2 蚁群算法应用于多跳路由机制的改进51-54
• 4.3.3 ACO-CRA算法的实现54
• 4.4 仿真结果及分析54-62
• 4.4.1 仿真环境54-55
• 4.4.2 仿真结果分析55-62
• 4.5 本章小结62-63
• 第五章 基于改进粒子群和蚁群优化的WSN分簇路由算法63-69
• 5.1 概述63
• 5.2 基于改进粒子群和蚁群优化的WSN分簇路由算法总体设计63-66
• 5.3 仿真结果及分析66-68
• 5.3.1 仿真环境66
• 5.3.2 仿真结果分析66-68
• 5.4 本章小结68-69
• 第六章 总结与展望69-71
• 6.1 总结69-70
• 6.2 展望70-71
• 参考文献71-74
• 附录1 攻读硕士学位期间撰写的论文74-75
• 致谢75

【相似文献】

中国期刊全文数据库 前10条

1 冯舜玺;;新书推荐:《算法分析导论》[J];计算机教育;2006年05期

2 张力,慕晓冬;计算机算法分析浅谈[J];武警工程学院学报;2002年04期

3 马安光;;飞弹问题的算法分析——2003年第10期题解[J];程序员;2003年12期

4 苏运霖;;《算法分析导论》评介[J];计算机教育;2006年07期

5 朱力强;;培养学生创新思维与能力的算法分析案例[J];计算机与信息技术;2007年11期

6 汪菊琴;;几种常见特殊方阵的算法分析与实现[J];无锡职业技术学院学报;2009年05期

7 李涵;;“算法分析与设计”课程教学改革和实践[J];中国电力教育;2010年16期

8 刘宁;管涛;;浅析案例教学法在算法分析与设计课程中的应用[J];科技风;2011年07期

9 胡峰;王国胤;;“算法分析与设计”教学模式探索[J];当代教育理论与实践;2011年12期

10 赵娟;;浅析启发式教学法在《算法分析与设计》课程中的应用[J];福建电脑;2012年06期

中国重要会议论文全文数据库 前10条

1 俞洋;田亚菲;;一种新的变步长LMS算法及其仿真[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年

2 周颢;刘振华;赵保华;;构造型的D~2FA生成算法[A];中国通信学会通信软件技术委员会2009年学术会议论文集[C];2009年

3 赖桃桃;冯少荣;张东站;;一种基于划分和密度的快速聚类算法[A];第二十五届中国数据库学术会议论文集（一）[C];2008年

4 刘远新;邓飞其;罗艳辉;舒添慧;;ERP柔性平台下物流运输配送系统算法分析[A];第二十六届中国控制会议论文集[C];2007年

5 王树西;白硕;姜吉发;;模式合一的“减首去尾”算法[A];第二届全国学生计算语言学研讨会论文集[C];2004年

6 王万青;张晓辉;;改进的A~*算法的高效实现[A];2009全国测绘科技信息交流会暨首届测绘博客征文颁奖论文集[C];2009年

7 孙焕良;邱菲;刘俊岭;朱叶丽;;IncSNN——一种基于密度的增量聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

8 韩建民;岑婷婷;于娟;;实现敏感属性l-多样性的l-MDAV算法[A];第二十七届中国控制会议论文集[C];2008年

9 张悦;尤枫;赵瑞莲;;利用蚁群算法实现基于程序结构的主变元分析[A];第五届中国测试学术会议论文集[C];2008年

10 王旭东;刘渝;邓振淼;;正弦波频率估计的修正Rife算法及其FPGA实现[A];全国第十届信号与信息处理、第四届DSP应用技术联合学术会议论文集[C];2006年

中国重要报纸全文数据库 前1条

1 科文;VIXD算法分析Web异常[N];中国计算机报;2008年

中国博士学位论文全文数据库 前10条

1 魏哲学;样本断点距离问题的算法与复杂性研究[D];山东大学;2015年

2 刘春明;基于增强学习和车辆动力学的高速公路自主驾驶研究[D];国防科学技术大学;2014年

3 张敏霞;生物地理学优化算法及其在应急交通规划中的应用研究[D];浙江工业大学;2015年

4 李红;流程挖掘算法研究[D];云南大学;2015年

5 刘新旺;多核学习算法研究[D];国防科学技术大学;2013年

6 于滨;城市公交系统模型与算法研究[D];大连理工大学;2006年

7 曾国强;改进的极值优化算法及其在组合优化问题中的应用研究[D];浙江大学;2011年

8 肖永豪;蜂群算法及在图像处理中的应用研究[D];华南理工大学;2011年

9 陈耿;面向中观审计的规则发现算法研究[D];东南大学;2005年

10 王维博;粒子群优化算法研究及其应用[D];西南交通大学;2012年

中国硕士学位论文全文数据库 前10条

1 黄厦;基于改进蚁群算法的柔性作业车间调度问题研究[D];昆明理工大学;2015年

2 李平;基于Hadoop的信息爬取与舆情检测算法研究[D];昆明理工大学;2015年

3 赵官宝;基于位表的关联规则挖掘算法研究[D];昆明理工大学;2015年

4 殷文华;移动容迟网络中基于社会感知的多播分发算法研究[D];内蒙古大学;2015年

5 徐翔燕;人工鱼群优化算法及其应用研究[D];西南交通大学;2015年

6 李德福;基于小世界模型的启发式寻路算法研究[D];华中师范大学;2015年

7 郑海彬;一种面向MAPREDUCE的DATASHUFFLE的优化方法[D];苏州大学;2015年

8 赵晓寒;轮换步长PSO算法及SMVSC参数优化[D];沈阳理工大学;2015年

9 安丰洋;基于无线网络的广播算法研究[D];曲阜师范大学;2015年

10 李智明;基于改进FastICA算法的混合语音盲分离[D];上海交通大学;2015年

  本文关键词：基于群智能优化技术的无线传感网分簇路由算法研究，由笔耕文化传播整理发布。

本文编号：319563