无线传感器网络中基于无标度特性的拓扑控制算法

针对无线传感器网络中的无标度特性中的抗毁和容错能力差问题进行了研究,提出了一种改进的无标度网络拓扑控制算法(BA Evolution Model,BAEM).通过分析幂率指数对网络容错和拓扑抗毁性的影响,得出在兼顾拓扑容错性的同时最大化网络抗毁性的最优网络拓扑.仿真实验结果表明:改进后的容错拓扑可以保持无标度网络模型对随机故障较强的鲁棒性,同时可以改善无标度网络对蓄意攻击的脆弱性,并延长了网络生命周期.     

支持QoS的无线传感器网络容错拓扑控制算法

针对附加QoS需求的无线传感器网络,给出一种满足生命期和干扰服务要求的无线传感器网络无标度容错拓扑控制算法（scale-free fault-tolerance topology supporting quality of service,简称QoS-SFT）.通过分析无标度拓扑的度分布属性与其生命期和干扰性能的关联关系,量化出生命期和干扰联合优化的无标度拓扑度分布表达式,进而以无标度拓扑的度分布表达式为设计目标,采用偏好依附规则实现QoS-SFT算法设计,形成能够满足生命期和干扰联合优化要求的容错拓扑.理论分析和仿真结果表明,QoS-SFT算法不仅能够保证无标度拓扑的强容错性,还有效提升了无标度拓扑的生命期和干扰性能.     

无线传感器网络故障诊断与容错控制研究进展

可靠性和可持续性是无线传感器网络(WSNs)研究的重要问题。从拓扑、能量、监测和安全等角度对WSNs故障诊断和容错控制方法进行详细的归纳和总结。对WSNs故障类型进行了划分,主要分为节点故障和网络故障,根据WSNs体系结构,介绍了节点自诊断、网络诊断和基站诊断3种故障诊断方法,阐述了相关的容错控制技术,包括冗余机制、多路由设计、动态拓扑控制、传输协议优化、数据融合和智能方法。对WSNs容错控制技术目前存在的问题与未来发展趋势进行了探讨。     

物联网无线传感器的网络分簇拓扑容错算法

无线传感网络是物联网的核心技术,其由部署在监测区域内大量的廉价微型传感器节点组成.节点除了感测特定的对象,还需要维持互相之间的网络连接.在传感器节点能量受限制情况下,良好的网络拓扑控制方法能够提升传感器网络的生存时间.因此合理地控制网络拓扑结构是当前无线传感器网络研究领域的热点和难点.提出了一种无线传感器网络分簇拓扑容错算法,利用主从簇头方式分摊簇头能量消耗,并采用候选簇头机制解决簇头失败.仿真实验证明该算法不仅具有较低的复杂度和较低的节点平均通信半径,而且具有较好的容错性能和较长的网络生命周期,可显著提高物联网的整体性能.     

无线传感器网络的容错问题与研究进展

在简要介绍无线传感器网络研究现状的基础上,本文重点展开了对无线传感器网络容错特征、需求与解决方法的论述;从整体的角度对无线传感器网络物理层、链路层、网络层、传输层、应用层等不同抽象级别的容错问题进行了归纳;同时,对各种容错技术的细节进行了深入的剖析,并综述了相关研究的当前进展;总结了各种容错技术的关键,为进一步研究提供了新思路。     

一种基于无标度局域世界演化网络模型的 无线传感器网络拓扑构建

无标度网络具有场景适应性强,且应对随机性打击效果较好等特点.为提高无线传感器网络的抗毁性能,从网络拓扑演化角度入手,构建具有无标度特性的网络拓扑.结合无线传感器网络中每个节点都有其通讯范围的特点,将无标度网络引入到无线传感器网络,且在择优演化过程中,各节点度不得超过设定值,构建基于无标度局域世界演化网络模型的无线传感器网络拓扑,并对模型进行仿真.从结果可明显看出,优化的模型中连边较短,即优化的模型平均最短路径降低,可有效减少数据收发过程中能量的消耗,延长网络生存周期,提高网络抗毁性.     

无线传感器网络中网络层故障容错技术研究进展

故障容错能提高无线传感器网络的稳定性和可靠性, 是无线传感器网络的一项关键技术。网络层容错及跨层协同优化设计是网络故障容错的重要研究内容, 主要对网络层容错技术研究进行了归纳和总结。网络层容错控制技术主要分为多路由传输、纠删编码/网络编码、数据重传机制、跨层协同优化与复合容错和仿生智能容错等, 并对网络层容错控制技术研究趋势作了探讨。     

基于复杂网络的无线传感器网络容错拓扑演化机制研究

许多研究工作已经表明,容错能力不仅存在于有冗余的系统中,而且同样也存在于无标度网络中。为此,借助复杂网络理论,提出一种新的无线传感器网络容错拓扑演化机制。仿真结果表明,由该机制演化的网络拓扑结构具有较好的抵制因节点能量耗尽及恶意攻击的鲁棒性。     

基于非度量多维标度的无线传感器网络节点定位算法

把统计学中的多维标度技术应用到无线传感器网络节点定位是一种新的思路.提出了NMDSRSSI(nonmetric multidimensional scaling and received signal strength indication)定位算法,它利用非度量多维标度技术直接根据无线信号强度值来进行节点的定位,省去了以往利用无线信号强度的定位算法中先把强度转换为距离再进行定位所带来的计算误差和计算量.无线信号强度受实际环境影响存在反射、多径传播等问题,理论和实验分析表明算法对此具有较好的适应性.仿真与真实传感器节点的实验结果显示算法取得了较好的定位效果.     

分布式无线传感器网络容错事件边界检测

事件监测是无线传感器网络的一种重要应用。针对该应用中软故障节点提供的错误数据会降低监测的准确性的问题,提出了一种分布式的容错事件边界检测算法。节点只需与邻节点交换一次传感数据,通过简单地计算识别故障;正常的事件节点利用统计比较的方法判断其是否处于事件边界,边界宽度可根据网络用户的要求调节。该算法执行时所需的通信量小,计算复杂度低,时延小,对大规模网络具有很好的可扩展性。仿真结果表明即使节点故障率很高,应用该算法仍可以获得很好的检测效果。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

A novel hybrid K-harmonic means and gravitational search algorithm approach for clustering

Clustering is used to group data objects into sets of disjoint classes called clusters so that objects within the same class are highly similar to each other and dissimilar from the objects in other classes. K-harmonic means (KHM) is one of the most popular clustering techniques, and has been applied widely and works well in many fields. But this method usually runs into local optima easily. A hybrid data clustering algorithm based on an improved version of Gravitational Search Algorithm and KHM, called IGSAKHM, is proposed in this research. With merits of both algorithms, IGSAKHM not only helps the KHM clustering to escape from local optima but also overcomes the slow convergence speed of the IGSA. The proposed method is compared with some existing algorithms on seven data sets, and the obtained results indicate that IGSAKHM is superior to KHM and PSOKHM in most cases.     

融合并行混沌萤火虫算法的K-调和均值聚类

针对K-调和均值算法易陷于局部最优的缺点,提出一种基于改进萤火虫算法(firefly algorithm, FA)的K-调和均值聚类算法。将基于FA的粗搜索与基于并行混沌优化FA的精细搜索相结合,其中精细搜索部分首先通过FA搜索到当前最优解及次优解,然后通过改进的logistic映射与并行混沌优化策略产生混沌序列在其附近直接搜索,以增强算法的寻优性能。最终,将这种改进的FA用于K-调和均值算法聚类中心的优化。实验结果表明:该算法不但对几种测试函数具有更高的搜索精度,而且对6种数据集的聚类结果均有一定的改善,有效地抑制了K-调和均值算法陷于局部最优的问题,提高了聚类准确性和稳定性。     

一种分布式能量有效的无线传感器网络分簇路由协议

提出了一种分布式能量有效的无线传感器网络分簇路由协议DEEC(Distributed Energy-efficient Clustering Algorithm)。该协议采用基于时间的簇首选择算法,广播时间取决于自身剩余能量和其邻居节点的剩余能量。在数据传输阶段,采用簇内单跳与簇间多跳相结合的方式,引入权值函数优化簇首中继节点的选择。仿真实验结果表明,与LEACH,PEGASIS协议相比,DEEC能够有效地节约单个节点能量、均衡网络能耗、延长网络生存周期。     

融合K-调和均值的混沌粒子群聚类算法

针对K-调和均值和混沌粒子群聚类算法的优缺点,提出了一种融合K-调和均值的混沌粒子群聚类算法。首先通过K-调和均值方法把粒子群分成若干个子群体,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。其次,算法中引入变尺度混沌变异,抑制了早熟收敛,提高了计算精度。实验证明,该算法可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。     

融合改进差分进化思想的K-调和均值聚类

针对K-调和均值聚类算法易陷入局部最优的缺点,提出了一种基于改进差分进化的K-调和均值聚类算法。该算法通过引入基于Logistic变尺度混沌搜索和指数递增交叉概率算子的差分进化算法来增强全局寻优能力。实验结果表明,该算法能够较好地克服K-调和均值算法的缺点,在保证收敛速度的同时增强了算法的全局搜索能力。     

A novel differential evolution based clustering algorithm for wireless sensor networks

Clustering is an efficient topology control method which balances the traffic load of the sensor nodes and improves the overall scalability and the life time of the wireless sensor networks (WSNs). However, in a cluster based WSN, the cluster heads (CHs) consume more energy due to extra work load of receiving the sensed data, data aggregation and transmission of aggregated data to the base station. Moreover, improper formation of clusters can make some CHs overloaded with high number of sensor nodes. This overload may lead to quick death of the CHs and thus partitions the network and thereby degrade the overall performance of the WSN. It is worthwhile to note that the computational complexity of finding optimum cluster for a large scale WSN is very high by a brute force approach. In this paper, we propose a novel differential evolution (DE) based clustering algorithm for WSNs to prolong lifetime of the network by preventing faster death of the highly loaded CHs. We incorporate a local improvement phase to the traditional DE for faster convergence and better performance of our proposed algorithm. We perform extensive simulation of the proposed algorithm. The experimental results demonstrate the efficiency of the proposed algorithm.     

融合K-调和均值和模拟退火粒子群的混合聚类算法

针对K-调和均值和模拟退火粒子群聚类算法的优缺点,提出了1种融合K-调和均值和模拟退火粒子群的混合聚类算法。首先通过K-调和均值方法将粒子群分成若干个子群,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。同时引入模拟退火思想,抑制了早期收敛,提高了计算精度。本文使用Iris、Zoo、Wine和Image Segmentation,4个数据库,以F-measure为评价聚类效果的标准,对混合聚类算法进行了验证。研究发现,该混合聚类算法可以有效地避免陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。该算法目前已用于无锡一淡水养殖基地的水产健康养殖水质分析系统,运行效果良好。     

基于能量迭代的无线传感器网络非均匀分簇路由算法

能量空洞是影响无线传感器网络性能的关键问题之一,据此提出了一种基于能量迭代的非均匀分簇路由算法。该算法首先在簇头选举时通过减少迭代次数,降低能量消耗,同时综合考虑节点能耗速度、节点到汇聚节点的距离等因素,选出最优簇头;其次,考虑到节点到汇聚节点距离和节点密度对网络生命周期的影响,提出了非均匀分簇算法,实现网络能耗均衡的目的。仿真实验表明,当最大簇半径为50m ,选举因素所占权重为0.4 ,簇半径调节系数为0.7时,本算法达到最优,与LEACH-E和LEACH相比,网络生命周期分别延长125%和136%,同时有效避免了能量空洞现象的产生。     

MOFCA: Multi-objective fuzzy clustering algorithm for wireless sensor networks

This study introduces a new clustering approach which is not only energy-efficient but also distribution-independent for wireless sensor networks (WSNs). Clustering is used as a means of efficient data gathering technique in terms of energy consumption. In clustered networks, each node transmits acquired data to a cluster-head which the nodes belong to. After a cluster-head collects all the data from all member nodes, it transmits the data to the base station (sink) either in a compressed or uncompressed manner. This data transmission occurs via other cluster-heads in a multi-hop network environment. As a result of this situation, cluster-heads close to the sink tend to die earlier because of the heavy inter-cluster relay. This problem is named as the hotspots problem. To solve this problem, some unequal clustering approaches have already been introduced in the literature. Unequal clustering techniques generate clusters in smaller sizes when approaching the sink in order to decrease intra-cluster relay. In addition to the hotspots problem, the energy hole problem may also occur because of the changes in the node deployment locations. Although a number of previous studies have focused on energy-efficiency in clustering, to the best of our knowledge, none considers both problems in uniformly and non-uniformly distributed networks. Therefore, we propose a multi-objective solution for these problems. In this study, we introduce a multi-objective fuzzy clustering algorithm (MOFCA) that addresses both hotspots and energy hole problems in stationary and evolving networks. Performance analysis and evaluations are done with popular clustering algorithms and obtained experimental results show that MOFCA outperforms the existing algorithms in the same set up in terms of efficiency metrics, which are First Node Dies (FND), Half of the Nodes Alive (HNA), and Total Remaining Energy (TRE) used for estimating the lifetime of the WSNs and efficiency of protocols.