基于智能优化算法的移动无线传感器网络可靠性研究

发布时间：2019-04-12 15:46

【摘要】：物联网是继计算机、互联网之后信息技术的第三次革命,受到世界各国政府、企业和学术界的高度重视。无线传感器网络作为物联网的"末梢神经",综合了信息感知、无线通信、分布式信息处理等技术,实现物理世界、计算世界和人类社会三元世界的互联互通。随着移动终端技术的发展与普及,移动无线传感器网络已经成为当前无线传感器网络技术演进的一个新趋势。可靠性是评价移动无线传感器网络性能的一个重要指标,决定了移动无线传感器网络的实际应用价值。本文以复杂工业应用环境为研究背景,着重从适用于大规模、信息较简单且时延容忍的移动无线传感器网络,开展移动无线传感器网络可靠性关键问题研究。通过引入智能学习方法和群智能仿生优化算法,解决工业应用环境下的移动无线传感器网络故障预测方法和拓扑结构可靠性评估方法、移动无线传感器网络的移动路径优化对数据收集效率和网络可靠性的影响、基于数据融合方法的数据可靠传输、多路径路由智能容错策略等可靠性问题,保证移动无线传感器网络在复杂工业应用环境下节能、高效、可靠地运行。本文的主要研究内容和创新点如下:(1)移动无线传感器网络故障预测及可靠性评估方法基础研究针对外界干扰造成节点失效、网络链路质量变差、数据传输失败等故障影响,为了及时、正确地给出修补方案来预防和消除故障,提出一种基于核函数的移动无线传感器网络故障预测算法。选用径向基函数作为核函数的故障预测模型,分别从节点硬件故障和网络故障两个方面进行故障预测。实验结果表明,提出的故障预测方法实现对MWSN节点硬件故障和网络故障较好地预测,提高MWSN运行的可靠性。同时针对MWSN可靠性难以准确、全面、系统地评估,建立网络功能值表示MWSN连通状态可靠性评估模型,运用基于时间演进的状态转移蒙特卡罗可靠性评估方法,应用于评估MWSN三种典型拓扑结构(网状网络、树状网络和带状网络)的网络可靠性。仿真结果表明,提出的方法可对网状、树状和带状拓扑结构的MWSN可靠性快速准确地评估,为MWSN可靠性全面、准确地评估提供了有效的手段。(2)移动无线传感器网络数据收集节能与可靠性研究传统的数据收集方法只考虑提高数据采集量或降低网络的能耗。通过查阅文献和研究,证明MWSN数据收集问题是一个NP—难问题。在MWSN数据收集过程中,综合考虑分簇簇头节点选取、普通节点到簇头节点传输路径以及移动Sink的路径优化,提出一种基于人工蜂群的移动Sink数据收集启发式算法。对Sink移动路径规划使用人工蜂群算法得到访问各个簇头节点的最短路径,普通节点通过多跳路由的方式将数据传送到就近的簇头节点暂时存储,之后再传送给移动Sink。与随机行走和基于蚁群算法的数据收集方法相比,仿真结果表明,提出的算法能有效地减少感知节点传送到Sink数据量、降低网络能耗、提高数据收集效率、能耗均衡性和网络可靠性、延长网络生存周期。(3)移动无线传感器网络数据传输可靠性研究针对感知节点采集到的原始数据存在高度冗余,冗余数据传输过程中会消耗过多的能量,缩短网络寿命,提出一种基于极限学习机的移动无线传感器网络数据融合算法。首先Sink根据簇头分簇后的信息构造极限学习机网络结构,并搜集样本数据库中与簇内节点信息相匹配的样本进行训练,得到相关的极限学习机网络参数。之后将网络各层的参数(权值、阈值)发送给对应的簇头节点。簇头节点利用训练好的网络模型进行数据的融合处理,最后将处理好的数据以最短路径发送给Sink。与LEACH算法、BP神经网络、RBF神经网络算法相比,仿真结果表明,提出的算法减少数据传输量和网络能耗,延长网络生存周期,提高数据融合效率和数据传输可靠性。(4)移动无线传感器网络多路径路由智能容错可靠性研究针对移动无线传感器网络中的路由容错问题,同时考虑路由优化过程中能量平衡机制,建立了相应的簇内路由智能容错模型,提出一种基于人工蜂群优化粒子群的移动无线传感器网络路由智能容错算法,快速寻找到一条时延短、可靠性高的替代传输路径。通过对多路径数据传输进行编码、人工蜂群训练优化、粒子群协同更新进化、最优粒子选择等操作进行问题求解,充分利用原先路径提供的信息快速恢复一条高效、可靠的路由传输路径,为网络优化提供更快的全局收敛性能和更精确解。与AODV-SMS算法和AODV-SMS(PSO)算法对比分析,仿真结果表明,提出的路由容错策略大大缩减了网络能耗和数据传输时延,提高网络鲁棒性和可靠性。通过引入智能优化算法,对移动无线传感器网络可靠性关键问题展开深入地研究,满足工业应用领域对其可靠性提出的严苛要求。本文的研究不仅完善移动无线传感器网络可靠性理论,为发展物联网和无线传感器网络技术、延伸互联网的应用范围提供有力的支撑,也为构建适用于复杂工业应用环境的可靠移动无线传感器网络提供有效途径。
[Abstract]:......
【学位授予单位】：东南大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP212.9;TN929.5

【相似文献】