工業(yè)無(wú)線網(wǎng)絡(luò)分簇算法研究.pdf

1、無(wú)線通信技術(shù)、微電子技術(shù)、傳感器技術(shù)以及計(jì)算機(jī)技術(shù)的飛速發(fā)展與日益成熟,推動(dòng)了低成本、低功耗并能進(jìn)行短距離無(wú)線通信的無(wú)線傳感器網(wǎng)絡(luò)技術(shù)的發(fā)展。工業(yè)無(wú)線網(wǎng)絡(luò)技術(shù)是一種應(yīng)用于工業(yè)現(xiàn)場(chǎng)環(huán)境中的網(wǎng)絡(luò)測(cè)控技術(shù),它的出現(xiàn)正是源于無(wú)線傳感器網(wǎng)絡(luò)技術(shù)的飛速發(fā)展。
　　 平面型結(jié)構(gòu)和層次型結(jié)構(gòu)是工業(yè)無(wú)線網(wǎng)絡(luò)常用的兩種結(jié)構(gòu)組織方式。在平面型結(jié)構(gòu)的網(wǎng)絡(luò)中,所有的傳感器節(jié)點(diǎn)都具有平等的地位,因此也常稱(chēng)作對(duì)等結(jié)構(gòu)。而在層次結(jié)構(gòu)中,網(wǎng)絡(luò)包含兩種不同類(lèi)型的節(jié)

2、點(diǎn):普通節(jié)點(diǎn)和簇首節(jié)點(diǎn),簇首節(jié)點(diǎn)之間可以組成更高層次的網(wǎng)絡(luò)結(jié)構(gòu)。平面結(jié)構(gòu)的缺點(diǎn)是不能應(yīng)用在大規(guī)模的工業(yè)無(wú)線網(wǎng)絡(luò)結(jié)構(gòu)中,因?yàn)樵谶@種類(lèi)型的結(jié)構(gòu)中,每個(gè)節(jié)點(diǎn)必須保存并維護(hù)到達(dá)所有其他節(jié)點(diǎn)的路由信息。在大規(guī)模的網(wǎng)絡(luò)中,如果網(wǎng)絡(luò)中存在移動(dòng)的節(jié)點(diǎn),維護(hù)這些動(dòng)態(tài)變化的路由信息的控制開(kāi)銷(xiāo)將變得非常大。
　　 在工業(yè)無(wú)線網(wǎng)絡(luò)中,層次型的網(wǎng)絡(luò)結(jié)構(gòu)與平面型的網(wǎng)絡(luò)結(jié)構(gòu)相比,具有比較好的可擴(kuò)展性、伸縮性、以及靈活性,采用層次型的網(wǎng)絡(luò)結(jié)構(gòu)能夠大大的提高網(wǎng)絡(luò)

3、的整體性能。因此,工業(yè)無(wú)線技術(shù)的飛速發(fā)展以及工業(yè)無(wú)線網(wǎng)絡(luò)應(yīng)用環(huán)境的多樣化,使得網(wǎng)絡(luò)分簇算法的研究也逐漸成為工業(yè)無(wú)線網(wǎng)絡(luò)中的研究熱點(diǎn)。分簇算法的合理高效,能夠使得網(wǎng)絡(luò)的資源調(diào)度和管理、路由、信道接入控制以及功率控制等更容易實(shí)現(xiàn),并且良好的分簇結(jié)構(gòu)為數(shù)據(jù)包的融合提供了基礎(chǔ),有利于減少網(wǎng)絡(luò)中數(shù)據(jù)的通信量,節(jié)約整個(gè)網(wǎng)絡(luò)的能量消耗,從而延長(zhǎng)整個(gè)網(wǎng)絡(luò)的生命周期。
　　 本文主要研究WirelessHART網(wǎng)絡(luò)的分簇算法。首先,分析了傳統(tǒng)無(wú)線

4、傳感器網(wǎng)絡(luò)中典型的分簇算法,并對(duì)比了這些分簇算法的性能。其次,將K-means算法的思想引入到WirelessHART網(wǎng)絡(luò)的分簇操作中,將WirelessHART網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)當(dāng)作數(shù)據(jù)對(duì)象,采用K-means聚類(lèi)分析的方法將網(wǎng)絡(luò)中的所有節(jié)點(diǎn)根據(jù)我們?cè)O(shè)定的某種準(zhǔn)則進(jìn)行聚類(lèi)劃分,從而實(shí)現(xiàn)工業(yè)無(wú)線網(wǎng)絡(luò)的分簇。針對(duì)基于K-means的算法CAKM(ClusteringAlgorithmbasedonK-means)存在的一些固有缺點(diǎn):(1)

5、初始聚類(lèi)中心的選擇對(duì)算法的性能影響很大,對(duì)于初始聚類(lèi)中心的隨機(jī)選擇,通常會(huì)導(dǎo)致算法在同一數(shù)據(jù)集的情況下,產(chǎn)生不同的聚類(lèi)劃分,并且經(jīng)常得不到理想的聚類(lèi)劃分結(jié)果。(2)算法采用的是梯度法求解目標(biāo)函數(shù)的極值。容易使算法陷入局部極值點(diǎn),得不到問(wèn)題的最優(yōu)解。我們提出采用粒子群算法來(lái)優(yōu)化CAKM分簇算法,提出了K-means和粒子群算法混合的KMPSO(K-meansandParticleSwarmOptimization)分簇算法。
　　

6、 最后,為了驗(yàn)證本文提出的CAKM算法和KMPSO算法的性能,根據(jù)本文中的仿真參數(shù)設(shè)置網(wǎng)絡(luò)仿真環(huán)境,采用MATLAB仿真工具驗(yàn)證算法的性能。仿真結(jié)果顯示,對(duì)于FND(FirstNodeDied)、HND(HalfoftheNodesDied)及LND(LastNodeDied),CAKM算法比LEACH算法分別提高了12%、12.2%和20.9%;而KMPSO算法比LEACH算法分別提高了23.1%、26.5%和24.1%;KMPSO算

7、法比CAKM算法分別提高了9.9%、12.8%和2.7%。在網(wǎng)絡(luò)的生命周期內(nèi),網(wǎng)關(guān)接收到的總數(shù)據(jù)量CAKM算法比LEACH算法提高了11.3%,KMPSO算法比LEACH算法提高了24.8%,KMPSO算法比CAKM算法提高12.2%。相比LEACH算法,由于CAKM分簇算法以及KMPSO分簇算法在選擇簇首節(jié)點(diǎn)時(shí),同時(shí)考慮了網(wǎng)絡(luò)中節(jié)點(diǎn)的地理位置和當(dāng)前剩余能量,降低能量很低的節(jié)點(diǎn)當(dāng)選為簇首節(jié)點(diǎn)的機(jī)會(huì),從而更能均衡整個(gè)網(wǎng)絡(luò)的能量消耗,延長(zhǎng)了