專(zhuān)利名稱(chēng)：基于二進(jìn)制粒子群算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度方法
技術(shù)領(lǐng)域：
:本發(fā)明涉及無(wú)線(xiàn)傳感器網(wǎng)絡(luò)和計(jì)算智能兩大領(lǐng)域，具體涉及一種基于二進(jìn)制粒子群算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度方法。
背景技術(shù)：
:無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(wireless sensor networks, WSN)是一項(xiàng)新興的技術(shù)并且已經(jīng)成為了當(dāng)今社會(huì)熱門(mén)而富有挑戰(zhàn)性的研究領(lǐng)域。在眾多應(yīng)用領(lǐng)域，例如戰(zhàn)場(chǎng)監(jiān)視，動(dòng)物棲息地監(jiān)測(cè)，環(huán)境觀(guān)察，家庭健康呵護(hù)等，需要對(duì)現(xiàn)場(chǎng)進(jìn)行全方位的監(jiān)控。但是在很多情況下，這些應(yīng)用的環(huán)境通常都不是非常友好，甚至是惡劣的，因此一般很難通過(guò)精確部署的方式在需要監(jiān)測(cè)的區(qū)域內(nèi)布置傳感器節(jié)點(diǎn)，并且很難在確定的位置部署傳感器。在這種情況下，一般的解決方法是通過(guò)在被監(jiān)測(cè)區(qū)域隨機(jī)投放大量的傳感器節(jié)點(diǎn)，通過(guò)冗余覆蓋的方式保證被監(jiān)控區(qū)域的完全覆蓋。然而，大量的傳感器節(jié)點(diǎn)可能會(huì)由于節(jié)點(diǎn)之間的通信干擾而導(dǎo)致節(jié)點(diǎn)壽命減少，因此研究如何有效地對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的傳感器節(jié)點(diǎn)進(jìn)行調(diào)度，節(jié)省網(wǎng)絡(luò)能耗，延長(zhǎng)網(wǎng)絡(luò)壽命，已經(jīng)成為了無(wú)線(xiàn)傳感器網(wǎng)絡(luò)領(lǐng)域一個(gè)重要的研究課題。在現(xiàn)有的很多研究中，已經(jīng)出現(xiàn)了將延長(zhǎng)網(wǎng)絡(luò)使用壽命節(jié)省能源的問(wèn)題轉(zhuǎn)化為最佳覆蓋問(wèn)題的技術(shù)。最佳覆蓋問(wèn)題解決技術(shù)的出發(fā)點(diǎn)在于:鑒于網(wǎng)絡(luò)中存在大量冗余的傳感器節(jié)點(diǎn)，通過(guò)關(guān)閉一部分多余的節(jié)點(diǎn)，在剩余被激活的節(jié)點(diǎn)滿(mǎn)足對(duì)監(jiān)視區(qū)域的完全覆蓋的前提下，可以節(jié)約能源，延長(zhǎng)網(wǎng)絡(luò)壽命。最佳覆蓋問(wèn)題的目標(biāo)在于找到一個(gè)滿(mǎn)足對(duì)監(jiān)控區(qū)域完全覆蓋的最少數(shù)量的節(jié)點(diǎn)子集。這樣，可以在滿(mǎn)足全范圍覆蓋需求的前提下關(guān)閉其他的多余的節(jié)點(diǎn)，不但可以節(jié)省由節(jié)點(diǎn)沖突或者鄰近交流而引發(fā)的能源消耗，而且由于能夠?qū)⒉糠止?jié)點(diǎn)處于休眠狀態(tài)，同樣可以節(jié)省能耗。雖然最佳覆蓋問(wèn)題可以在一定程度上節(jié)省網(wǎng)絡(luò)的能耗，延長(zhǎng)網(wǎng)絡(luò)壽命，但是如果能夠在最佳覆蓋問(wèn)題的解決 技術(shù)上更進(jìn)一步，將可以更加有效地延長(zhǎng)網(wǎng)絡(luò)的壽命。本發(fā)明的基本出發(fā)點(diǎn)在于:通過(guò)對(duì)最佳覆蓋問(wèn)題的解決，找到能夠?qū)ΡO(jiān)視區(qū)域完全覆蓋的最少節(jié)點(diǎn)數(shù)量的子集；通過(guò)不斷解決最佳覆蓋問(wèn)題，可以找到盡可能多的可以滿(mǎn)足對(duì)監(jiān)視區(qū)域完全覆蓋的多個(gè)子集；這些子集形成了無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的多個(gè)層次，這些不同的節(jié)點(diǎn)層進(jìn)行輪流的調(diào)度，將可以直觀(guān)而有效地延長(zhǎng)網(wǎng)絡(luò)的壽命。因此，本發(fā)明解決的問(wèn)題是無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)分層調(diào)度問(wèn)題。為了解決無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的最優(yōu)分層調(diào)度，本發(fā)明采用了一種二進(jìn)制的粒子群算法。二進(jìn)制粒子群算法屬于計(jì)算智能領(lǐng)域的一種具有全局搜索能力的優(yōu)化算法。雖然粒子群算法由于其概念簡(jiǎn)單、流程簡(jiǎn)潔而被廣泛應(yīng)用于多個(gè)領(lǐng)域的優(yōu)化問(wèn)題中，但是這種優(yōu)化算法存在一個(gè)缺陷就是容易落入具備最優(yōu)。因此，在本發(fā)明中，在采用二進(jìn)制粒子群算法對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行分層調(diào)度優(yōu)化的時(shí)候，將結(jié)合問(wèn)題的特點(diǎn)設(shè)計(jì)一個(gè)基于反轉(zhuǎn)策略的變異算子，用于增強(qiáng)算法的多樣性，避免算法容易落入局部最優(yōu)的缺陷。在本發(fā)明中，針對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中存在的大量的冗余傳感器節(jié)點(diǎn)，循環(huán)使用二進(jìn)制粒子群算法，在每次循環(huán)中尋找網(wǎng)絡(luò)中的最優(yōu)傳感器節(jié)點(diǎn)子集(滿(mǎn)足對(duì)監(jiān)視區(qū)域完全覆蓋的最少數(shù)量的傳感器節(jié)點(diǎn)子集)。該方法將二進(jìn)制粒子群算法的粒子編碼為長(zhǎng)度等于傳感器節(jié)點(diǎn)數(shù)量的0/1 二進(jìn)制串，I表示選擇該節(jié)點(diǎn)進(jìn)入子集,O表示不選擇；通過(guò)二進(jìn)制粒子群算法的更新公式和一種反轉(zhuǎn)策略的變異方法，實(shí)現(xiàn)在滿(mǎn)足網(wǎng)絡(luò)完全覆蓋前提下的節(jié)點(diǎn)子集傳感器數(shù)量的最小化。通過(guò)不斷調(diào)用“最優(yōu)節(jié)點(diǎn)子集傳感器數(shù)量最小化的方法”，將網(wǎng)絡(luò)中的節(jié)點(diǎn)劃分為盡可能多的不相交子集，進(jìn)而解決了網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度的優(yōu)化問(wèn)題。本發(fā)明設(shè)計(jì)的變異操作能夠增強(qiáng)算法多樣性，避免算法容易落入局部最優(yōu)的缺陷。結(jié)合變異操作，本發(fā)明使用的二進(jìn)制粒子群算法能夠高效地對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行最大化的分層優(yōu)化調(diào)度，對(duì)延長(zhǎng)網(wǎng)絡(luò)壽命有重要的作用
發(fā)明內(nèi)容
:本發(fā)明將二進(jìn)制粒子群算法用于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)分層調(diào)度中，具體的內(nèi)容步驟介紹如下:(I)對(duì)于給定的網(wǎng)絡(luò)Netw，設(shè)置其最大層數(shù)K = 0，然后檢查網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)集S是否能夠?qū)W(wǎng)絡(luò)區(qū)域100%覆蓋。如果能，則進(jìn)行以下的步驟；如果不能，則輸出最大可分層數(shù)K = O，終止程序。(2)使用二進(jìn)制粒子群算法從網(wǎng)絡(luò)Netw的傳感器節(jié)點(diǎn)集S中找出一組能夠?qū)W(wǎng)絡(luò)區(qū)域進(jìn)行100%覆蓋的最優(yōu)節(jié)點(diǎn)子集S*，具體的流程如下:步驟I)隨機(jī)生成N個(gè)粒子形成粒子群算法的種群，每個(gè)粒子i的位置和速度編碼分別表示為Xi = [Xn，Xi2 ...，xiD]和Vi = [vn, vi2,..., viD];其中D為編碼長(zhǎng)度,與網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)目相同；位置Xi中每一維的值為I表示該節(jié)點(diǎn)被選擇到子集中，為O則表示不被選擇；速度表示位置的變化情況。在初始化的過(guò)程中，本發(fā)明要求必須保證種群中至少有一個(gè)粒子能夠滿(mǎn)足對(duì)整個(gè)網(wǎng)絡(luò)的100%覆蓋，否則需要重新產(chǎn)生種群。由于產(chǎn)生種群之前已經(jīng)檢查網(wǎng)絡(luò)能夠被所有傳感器節(jié)點(diǎn)進(jìn)行100%的覆蓋，因此可以保證這種方法的成功。生成滿(mǎn)足要求的種群之后，評(píng)估所有粒子的適應(yīng)值(適應(yīng)值為粒子所代表的解中被選擇的傳感器節(jié)點(diǎn)的數(shù)量，該值越小說(shuō)明解的質(zhì)量越高)，同時(shí)令每個(gè)粒子i的歷史最優(yōu)位置？1 = [Pil，Pi2，...，PiJ為當(dāng)前位置Xi，并設(shè)置整個(gè)種群的全局最優(yōu)位置G = [gl, g2，...，gD]為所有歷史最優(yōu)位置中最好的那個(gè)。注意在評(píng)估粒子適應(yīng)度函數(shù)值的時(shí)候，對(duì)于滿(mǎn)足網(wǎng)絡(luò)100%覆蓋的粒子，通過(guò)計(jì)算其選擇到節(jié)點(diǎn)子集S*中的傳感器節(jié)點(diǎn)數(shù)量為適應(yīng)度函數(shù)值，否則設(shè)置其適應(yīng)度函數(shù)值為整個(gè)網(wǎng)絡(luò)所有節(jié)點(diǎn)集合S中的節(jié)點(diǎn)數(shù)量。 步驟2)對(duì)每個(gè)粒子i，借助其歷史最優(yōu)位置Pi和種群的全局最優(yōu)位置G對(duì)速度Vi進(jìn)行更新。對(duì)于Vi的每一維vid(l彡d彡D),相應(yīng)的更新公式為:vid = VitfHc1Xr1X (Pid-Xi
d)+C2Xr2X (gd-xid);其中C1和C2均為2.0, T1和r2為區(qū)間[O, I]之間的隨機(jī)數(shù)。步驟3)使用如下策略更新粒子i的位置Xi進(jìn)行更新:對(duì)每一維xid，首先計(jì)算P = Sigmoid(Vld) = I /(I + e~v'd)，然后生成區(qū)間
之間的隨機(jī)數(shù)r，如果r彡P(guān)，則設(shè)Xid =I，否則設(shè)xid = O。步驟4)使用變異策略對(duì)粒子i更新后的位置Xi進(jìn)行變異:隨機(jī)選擇粒子的某一維，然后將該維的值進(jìn)行反轉(zhuǎn)，即O變?yōu)?，I變?yōu)镺。

步驟5)對(duì)粒子i更新后的位置Xi進(jìn)行適應(yīng)值的評(píng)估。同樣地，如果新的位置Xi所表示的解能滿(mǎn)足網(wǎng)絡(luò)的100%覆蓋，則通過(guò)計(jì)算其選擇到節(jié)點(diǎn)子集S*中的傳感器節(jié)點(diǎn)數(shù)量為適應(yīng)度函數(shù)值，否則設(shè)置其適應(yīng)度函數(shù)值為整個(gè)網(wǎng)絡(luò)所有節(jié)點(diǎn)集合S中的節(jié)點(diǎn)數(shù)量。在評(píng)估適應(yīng)值之后，如果新的適應(yīng)度函數(shù)值比其歷史最優(yōu)位置Pi的適應(yīng)度函數(shù)值更好，則將Pi設(shè)置為Xi,同時(shí)判斷新的Pi是否比種群的全局最優(yōu)位置G更優(yōu)，如果是，則將G替換為Pi。步驟6)反復(fù)執(zhí)行以上步驟2)、3)、4)和5)直到滿(mǎn)足終止條件，則全局最優(yōu)位置G所代表的解中值為I的那些維所對(duì)應(yīng)的傳感器節(jié)點(diǎn)表示被選擇到最優(yōu)節(jié)點(diǎn)子集S*中。(3)將最優(yōu)節(jié)點(diǎn)子集S*中的傳感器節(jié)點(diǎn)標(biāo)記為網(wǎng)絡(luò)Netw的傳感器節(jié)點(diǎn)集S中的不可使用節(jié)點(diǎn)，剩下的傳感器節(jié)點(diǎn)組成一個(gè)新的節(jié)點(diǎn)集S = s\s*,并形成一個(gè)新的網(wǎng)絡(luò)Netw0同時(shí)，設(shè)置K = K+1;(4)檢查網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)集S是否能夠?qū)W(wǎng)絡(luò)區(qū)域100%覆蓋。如果能，則轉(zhuǎn)到步驟(2)繼續(xù)執(zhí)行；如果不能，則輸出最大可分層數(shù)K，終止程序。


:圖1基于二進(jìn)制粒子群算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度的流程2基于二進(jìn)制粒子群算法優(yōu)化無(wú)線(xiàn)傳感器網(wǎng)絡(luò)最優(yōu)節(jié)點(diǎn)子集的流程圖
具體實(shí)施方式
:以下結(jié)合附圖進(jìn)一步對(duì)發(fā)明的方法進(jìn)行描述。在圖1中，給出了基于二進(jìn)制粒子群算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度的頂層流程圖。假設(shè)有一個(gè)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)Netw，通過(guò)隨機(jī)撒播的方式在網(wǎng)絡(luò)區(qū)域內(nèi)部署了大量的傳感器節(jié)點(diǎn)，用節(jié)點(diǎn)集合S表示。使用本發(fā)明方法對(duì)該無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行分層調(diào)度之前，首先要判斷節(jié)點(diǎn)集合S是否能夠滿(mǎn)足對(duì)網(wǎng)絡(luò)Netw的100%覆蓋，如果不能，則不能對(duì)節(jié)點(diǎn)進(jìn)行分層調(diào)度。在這種情況下，直接輸出最大分層數(shù)K = O并結(jié)束程序。判斷節(jié)點(diǎn)集合S是否能夠滿(mǎn)足對(duì)網(wǎng)絡(luò)100%覆蓋的方法為柵格點(diǎn)覆蓋判斷法。首先對(duì)網(wǎng)絡(luò)進(jìn)行柵格的劃分，每個(gè)柵格g用其柵格中心的坐標(biāo)位置(xg，yg)表示。S中的每一個(gè)傳感器節(jié)點(diǎn)Si的坐標(biāo)位置為(Xi，yi)，覆蓋半徑為R。通過(guò)如下公式:
權(quán)利要求
1.一種帶變異操作的基于二進(jìn)制粒子群算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度方法，其特征是通過(guò)最小化每一層的傳感器節(jié)點(diǎn)數(shù)量以達(dá)到節(jié)點(diǎn)可分層數(shù)最大化的目的，同時(shí)通過(guò)在粒子群算法中引入變異操作以增強(qiáng)算法多樣性，避免算法容易落入局部最優(yōu)的缺陷，該方法主要包括以下步驟: (1)對(duì)于給定的網(wǎng)絡(luò)Netw，設(shè)置其最大層數(shù)K= O，然后檢查網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)集S是否能夠?qū)W(wǎng)絡(luò)區(qū)域100%覆蓋，如果能，則進(jìn)行以下的步驟；否則輸出最大可分層數(shù)K =O，終止程序； (2)使用二進(jìn)制粒子群算法從網(wǎng)絡(luò)Netw的傳感器節(jié)點(diǎn)集S中找出一組能夠?qū)W(wǎng)絡(luò)區(qū)域進(jìn)行100%覆蓋的最優(yōu)節(jié)點(diǎn)子集S*，具體的流程如下: a)隨機(jī)生成N個(gè)粒子形成粒 子群算法的種群，每個(gè)粒子i的位置和速度編碼分別表示為Xi = [xn, xi2,..., xiD]和Vi = [vn, vi2,..., viD];其中D為編碼長(zhǎng)度,與網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)目相同；位置Xi中每一維的值為I表示該節(jié)點(diǎn)被選擇到子集中，為O則表示不被選擇；速度表示位置的變化情況；評(píng)估所有粒子的適應(yīng)值，該適應(yīng)值為粒子所代表的解中被選擇的傳感器節(jié)點(diǎn)的數(shù)量，該值越小說(shuō)明解的質(zhì)量越高；同時(shí)令粒子i的歷史最優(yōu)位置Pi = [Pil,Pi2,...，PiJ為當(dāng)前位置Xi，整個(gè)種群的全局最優(yōu)位置G = [gl, g2，...，gD]為所有歷史最優(yōu)位置中最好的那個(gè)； b)對(duì)每個(gè)粒子i，借助其歷史最優(yōu)位置Pi和種群的全局最優(yōu)位置G對(duì)速度Vi進(jìn)行更新；對(duì)于Vi的每一維Vid,其中I彡d彡D,相應(yīng)的更新公式為:vid = Vjc1Xr1X (pid_xid) +C2Xr2X (gd-xid);其中C1和C2均為2.0, T1和r2為區(qū)間[O, I]之間的隨機(jī)數(shù)； c)使用如下策略更新粒子i的位置Xi進(jìn)行更新:對(duì)每一維xid，首先計(jì)算P = Sigmoid(Vid) = I /(I + e~v-d)，然后生成區(qū)間
之間的隨機(jī)數(shù)r，如果r彡p，則設(shè)Xid =I，否則設(shè)xid = O ; d)使用變異策略對(duì)粒子i更新后的位置Xi進(jìn)行變異，增強(qiáng)算法的多樣性； e)對(duì)粒子i更新變異后的位置Xi進(jìn)行適應(yīng)值的評(píng)估，如果新的適應(yīng)度函數(shù)值比其歷史最優(yōu)位置Pi的適應(yīng)度函數(shù)值更好，則將Pi設(shè)置為Xi,同時(shí)判斷新的Pi是否比種群的全局最優(yōu)位置G更優(yōu)，如果是，則將G替換為Pi ； f)反復(fù)執(zhí)行以上步驟b)、c)、d)和e)直到滿(mǎn)足終止條件，則全局最優(yōu)位置G所代表的解中值為I的那些維所對(duì)應(yīng)的傳感器節(jié)點(diǎn)表示被選擇到最優(yōu)節(jié)點(diǎn)子集S*中； (3)將最優(yōu)節(jié)點(diǎn)子集S*中的傳感器節(jié)點(diǎn)標(biāo)記為網(wǎng)絡(luò)Netw的傳感器節(jié)點(diǎn)集S中的不可使用節(jié)點(diǎn)，剩下的傳感器節(jié)點(diǎn)組成一個(gè)新的節(jié)點(diǎn)集S = S\S*,并形成一個(gè)新的網(wǎng)絡(luò)Netw ;設(shè)置 K = K+1 ; (4)檢查網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)集S是否能夠?qū)W(wǎng)絡(luò)區(qū)域100%覆蓋，如果能，則轉(zhuǎn)到步驟(2)繼續(xù)執(zhí)行；如果不能，則輸出最大可分層數(shù)K，終止程序。
2.基于權(quán)利要求1的步驟(2)-a)中所述的粒子群算法種群初始化方法，其特征在于必須保證種群中至少有一個(gè)粒子能夠滿(mǎn)足對(duì)整個(gè)網(wǎng)絡(luò)的100%覆蓋；具體的方法是在隨機(jī)產(chǎn)生種群之后進(jìn)行覆蓋率的判斷，如果沒(méi)有粒子能夠滿(mǎn)足對(duì)整個(gè)網(wǎng)絡(luò)的100%覆蓋，則需要重新產(chǎn)生種群；由于產(chǎn)生種群之前已經(jīng)檢查網(wǎng)絡(luò)能夠被所有傳感器節(jié)點(diǎn)進(jìn)行100%的覆蓋，因此可以保證這種方法的成功。
3.基于權(quán)利要求1的步驟(2)-a)和e)中所述的粒子適應(yīng)度函數(shù)值評(píng)估方法，其特征在于僅對(duì)滿(mǎn)足網(wǎng)絡(luò)100%覆蓋的粒子進(jìn)行有效的評(píng)估；具體的方法是對(duì)于滿(mǎn)足網(wǎng)絡(luò)100%覆蓋的粒子，通過(guò)計(jì)算其選擇到節(jié)點(diǎn)子集S*中的傳感器節(jié)點(diǎn)數(shù)量為適應(yīng)度函數(shù)值，否則設(shè)置其適應(yīng)度函數(shù)值為整個(gè)網(wǎng)絡(luò)所有節(jié)點(diǎn)集合S中的節(jié)點(diǎn)數(shù)量。
4.基于權(quán)利要求1的步驟(2)-d)中所述的粒子群算法變異方法，其特征在通過(guò)增加隨機(jī)擾動(dòng)的方式增強(qiáng)算法的多樣性；具體的方法是:隨機(jī)選擇粒子的某一維，然后將該維的值進(jìn)行反轉(zhuǎn)，即O變?yōu)镮, I變?yōu)镺。`
全文摘要
本發(fā)明使用二進(jìn)制粒子群算法對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行分層調(diào)度，屬于網(wǎng)絡(luò)技術(shù)和計(jì)算智能領(lǐng)域。首先設(shè)計(jì)了一種基于二進(jìn)制粒子群算法尋找無(wú)線(xiàn)傳感器網(wǎng)絡(luò)最優(yōu)節(jié)點(diǎn)子集的方法；該方法將粒子編碼為長(zhǎng)度等于傳感器節(jié)點(diǎn)數(shù)量的0/1二進(jìn)制串，1表示選擇該節(jié)點(diǎn)進(jìn)入子集，0表示不選擇；通過(guò)二進(jìn)制粒子群算法的更新公式和一種反轉(zhuǎn)策略的變異方法，實(shí)現(xiàn)在滿(mǎn)足網(wǎng)絡(luò)100％覆蓋前提下的節(jié)點(diǎn)子集傳感器數(shù)量的最小化。通過(guò)不斷調(diào)用“最優(yōu)節(jié)點(diǎn)子集傳感器數(shù)量最小化的方法”，將網(wǎng)絡(luò)中的節(jié)點(diǎn)劃分為盡可能多的不相交子集，解決了網(wǎng)絡(luò)節(jié)點(diǎn)分層調(diào)度的優(yōu)化問(wèn)題。本發(fā)明能夠高效地對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)進(jìn)行最大化的分層優(yōu)化調(diào)度，對(duì)延長(zhǎng)網(wǎng)絡(luò)壽命有重要的作用。
文檔編號(hào)H04W16/18GK103249055SQ201310171940
公開(kāi)日2013年8月14日 申請(qǐng)日期2013年4月25日 優(yōu)先權(quán)日2013年4月25日
發(fā)明者張軍, 詹志輝 申請(qǐng)人:中山大學(xué)