Applying Swarm Intelligence Algorithms in Wireless Sensor Networks Energy Optimization

论文摘要

无线传感器网络（WSNs）是目前新兴技术之一。这是因为其在环境监测,结构监测,医疗保健和灾害管理方面的潜在应用。目前,研究人员所面临的突出挑战之一就是无线传感器网络的寿命。近年来,无线传感器网络得到了世界范围内的广泛关注,首先从微电子机械系统技术（MEMS）得到了关注。微电子机械系统技术促进了小型传感器的发展,而这些传感器很小,并且它们的处理资源和计算资源都是有限的。传感器网络是一种无线自组织网络,在这个网络中,各个传感器独自地收集、处理物理环境中的数据,并且同外部基站进行数据交流。无线传感器网络由大量传感器节点组成,这些节点通过无线的方式相互通信它们的电量供应有限,由一个或者多个传感器、一个处理器、内存、电池、一个收音机和执行器组成。目前,许多可行的应用已经被提出来,例如：工业传感器网络、火山监控网络、生态监控网络等等。在无线传感器网络中,集群是通过在簇头进行数据汇总以进行能源管理的技术之一。通过集群方式降低了通信开销,减少传感器节点之间的接口,从而降低能源消耗。因为其网络可扩展性,节能特性和网络拓扑稳定的特点而广泛使用于无线传感器网络中。无线传感器的聚类技术是一种通过在类头中进行数据聚合而对能力进行高效管理的技术,聚类减少了通信的管理,即减少了能量的消耗。无线传感器网络之所以采用这种技术是因为网络的可扩展性、节能的属性和网络拓扑结构的稳定性。在这种技术中,传感器节点被聚类成了若干个不相交的集合,各个集合通过一个类头进行管理,这个类头也属于这个集合。集合中的成员把它们收集到的数据发送给它们的类头,而这些类头又把数据传给外部基站,这种技术对节省网络的能量很有帮助,因此应该努力地提高聚类网络的处理能力,而优化方法就是一种能延长网络使用寿命的技术。群智能算法是一种基于分散的自组织系统群聚行为的一种人工智能算法,由Gerardo Beni和Jing Wang于1989年提出。很久以前人们就发现了许多有趣的昆虫或动物行为,例如蚂蚁觅食、鸟群觅食等等,这些行为被称作群体行为。群智能系统一般由一些简单的agent组成,这些agents遵循很少的一些规则,开且系统没有控制中心。有名的群智能算法包括蚁群算法,鸟群算法等。无线传感器网络的聚类经常被公式化为一个优化问题,所以这篇文章提出了一种新的粒子群智能算法（IMOL）,用于延长聚类无线传感器网络的使用寿命。IMOL是MOL的改进,而MOL是由PSO算法简化而来。在IMOL中,cosine法则被用来控制权重,它逐步地非线性地减小权重。通过对权重的控制,算法的全家搜索能力得到了提高。IMOL使得网络的聚类距离达到最小而且使得类头的分布得到了理想的优化。从实验结果可以看出,在种群大小和迭代次数都相同的情况下,IMOL比PSO收敛更快并且能搜索到更优的全局最优解。不仅如此,比起PSO、K-means、LEACH和LEACH-C这些算法,IMOL更能延长传感器网络的使用寿命并且传递给外部基站更多的数据。结果也证明,比起K-means算法,IMOL和PSO使得无线传感器网络的聚类更加理想。综上所述,使用IMOL的以聚类为基础的协议有更高的效率而且能够网络的使用寿命更长。

论文目录

• DEDICATION
• ABSTRACT
• 摘要
• TABLE OF CONTENTS
• LIST OF FIGURES
• LIST OF TABLES
• CHAPTER 1:INTRODUCTION
• 1.1 Wireless Sensor Networks（WSNs）
• 1.2 Clustering Techniques Overview
• 1.3 Introduction to Swarm Intelligence
• 1.4 Contribution to This Thesis
• 1.5 Outline of This Thesis
• CHAPTER 2:SWARM INTELLIGENCE ALGORITHMS
• 2.1 What is Swarm Intelligence?
• 2.2 Particle Swarrm Optimization（PSO）Algorithm
• 2.3 Ant Colony Optimization（ACO）Algorithm
• 2.4 Other Swarm Intelligence Algorithms
• 2.4.1. River Formation Dynamics
• 2.4.2. Stochastic diffusion search
• 2.4.3. Intelligent Water Drops
• 2.4.4. Charged System Search
• CHAPTER 3:WIRELESS ENERGY OPTIMIZATION RELATED WORK
• 3.1 Deep Inside WSNs
• 3.2 Clustering Algorithms Criteria
• 3.3 Why to Cluster WSNs?
• 3.3.1. Wireless Network Clustering Definition
• 3.3.2. Challenges for Clustering Algorithms
• 3.3.3. Existing Clustering Algorithms
• 3.3.3.1. K-means Clustering Algorithm
• 3.3.3.2. Low-Energy Adaptive Clustering Hierarchy
• 3.4 Energy Utilization in WSNs Background
• CHAPTER 4:THE PROPOSED APPROACH "IMPROVED MANY OPTIMIZINGLIAISONS ALGORITHM"
• 4.1 PSO Simplification
• 4.2 Cluster Formation Protocol for WSNs
• 4.3 Improved Many Optimizing Liaisons "The Proposed Algorithm"
• CHAPTER 5:SIMULATION ANALYSIS
• 5.1 Comparison of IMOL and PSO Algorithms
• 5.1.1. Case 1:Vmax=100000
• 5.1.2. Case 2:Vmax=100
• 5.1.3. Case 3:Vmax=4.6
• 5.2 Comparison with Other Cluster-Based Algorithms
• CHAPTER 6:CONCULSIONS AND FUTURE WORK
• REFERENCES
• ACKNOWLEDGEMENTS
• APPENDIX A:PUBLISHED PAPER