基于粒子群算法的WSN路由分簇算法的研究

发布时间：2017-07-29 11:23

  本文关键词：基于粒子群算法的WSN路由分簇算法的研究

  更多相关文章： 无线传感器网络 粒子群算法 分簇路由 局部优化 差分进化算法

【摘要】：无线传感器网络是由大量部署在监测区域的微型传感器节点组成的。现在无线传感器网络已经被广泛应用在灾难监控、环境监测、防御侦查和医疗健康等方面。因此无线传感器网络有着广阔的应用前景,然而由于其一般部署在无人看管的监测区,无法为传感器节点进行能量替换或者补充。因此利用有限的能量,延长网络寿命,是无线传感器网络路由分簇算法的研究重点。文中主要是以无线传感器网络为背景,以延长网络寿命和均衡网络负载为主要目的,通过对已有的路由和分簇协议进行分析和比较,结合粒子群算法最优化的优势,对无线传感器网络的路由和分簇算法进行了研究分析,主要内容包括:(1).研究了一种基于粒子群算法的负载均衡集中式非均匀分簇路由协议。该协议采用了簇间多跳路由和非均匀分簇相结合的方式。不同于别的路由协议,该协议采用了特殊节点作为簇头节点。基于粒子群算法,簇间多跳路由算法采用了一种有效的粒子编码方案和多目标函数,同时在选择下一跳中继节点时,考虑了簇头节点的能量消耗和传输时延,使得簇间路由算法在簇头节点能耗和传输时延方面获得了均衡。非均匀分簇也是基于粒子群算法,将粒子巧妙地编码为完整的分簇方案,在选择成簇方案时,同时考虑了传感器节点和簇头节点的能量消耗,均衡各节点的负载。仿真结果表明:该算法能够有效提高网络寿命,均衡网络能量消耗,减少网络传输时延。(2).在性能方面,(1)中提出的协议性能比已有算法有了很大的提高,然而,由于簇头节点功能的特殊性,提高簇头节点的寿命对网络寿命的提高有着决定性的意义,因此在簇间多跳路由阶段,考虑到粒子群算法易陷入局部最优的缺陷,差分进化算法又有着比较好的全局搜索能力,将粒子群算法与差分进化算法进行混合,从而可以更好的寻优。在分簇阶段,对于大规模的无线传感器网络,算法的收敛性是衡量算法性能的一个重要指标,因此为了提高分簇算法的收敛性,对粒子群算法进行了改进,在粒子自身最优和全局最优位置更新之前,加入了局部调整的阶段。仿真结果表明:在提高网络的寿命、网络负载均衡和减少网络的传输时延方面又有了提升,同时提高了分簇算法的收敛性。
【关键词】：无线传感器网络 粒子群算法 分簇路由 局部优化 差分进化算法
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN929.5;TP212.9
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 符号对照表11-12
• 缩略语对照表12-16
• 第一章 绪论16-22
• 1.1 课题背景16
• 1.2 无线传感器网络的主要挑战16-17
• 1.3 研究现状及意义17-20
• 1.3.1 无线传感器网络路由的研究现状17-19
• 1.3.2 基于粒子群算法的WSN路由的研究现状19
• 1.3.3 研究意义19-20
• 1.4 本文的主要研究内容及结构20-22
• 1.4.1 本文的主要研究内容20-21
• 1.4.2 论文结构21-22
• 第二章 无线传感器网络及路由算法22-32
• 2.1 传感器节点的结构22-23
• 2.2 无线传感器网络的体系结构23-25
• 2.2.1 无线传感器网络的网络结构23-24
• 2.2.2 无线传感器网络的协议体系24-25
• 2.3 无线传感器网络的路由算法25-32
• 2.3.1 平面路由协议25-28
• 2.3.2 层次路由协议28-32
• 第三章 基于粒子群算法的路由分簇协议32-54
• 3.1 引言32-33
• 3.2 粒子群算法33-36
• 3.2.1 粒子群算法的基本原理33-35
• 3.2.2 改进的粒子群算法35-36
• 3.3 无线传感器网络系统模型及其术语36-40
• 3.3.1 能量模型36-37
• 3.3.2 网络模型37-38
• 3.3.3 术语38-40
• 3.4 基于粒子群算法的路由分簇算法40-48
• 3.4.1 基于PSO的路由算法40-43
• 3.4.2 基于PSO的分簇算法43-48
• 3.5 算法仿真48-54
• 3.5.1 参数设置48-49
• 3.5.2 仿真及结果分析49-54
• 第四章 基于粒子群算法的改进路由分簇协议54-64
• 4.1 引言54
• 4.2 差分算法54-58
• 4.2.1 差分算法基本原理54-57
• 4.2.2 粒子群算法和差分算法的融合57-58
• 4.3 基于粒子群-差分进化算法的路由分簇算法58-60
• 4.3.1 基于粒子群-差分进化算法的路由算法58-59
• 4.3.2 分簇及算法的局部调整59-60
• 4.4 算法仿真60-64
• 4.4.1 参数设置60
• 4.4.2 仿真及结果分析60-64
• 第五章 总结与展望64-66
• 5.1 总结64
• 5.2 展望64-66
• 参考文献66-70
• 致谢70-72
• 作者简介72-73

【参考文献】

中国期刊全文数据库 前2条

1 谭德坤;王冠;;基于反向学习粒子群算法的无线传感器网络路由优化[J];计算机测量与控制;2013年10期

2 易云飞;陈国鸿;;一种基于收缩因子的改进粒子群算法[J];软件导刊;2009年09期

，

本文编号：588964