第15章-物联网通信技术(曾宪武)LXX2014.7.ppt

第15章　WSN的拓扑控制 15.1 功率控制15.1.1 基于节点度的算法　　“度”是图论中的一个概念， 是指图中的某个顶点与其相连接的边的个数。 WSN可以抽象为一个图， WSN中的节点是所抽象的图的一个顶点。 因此， 一个节点的度数是指所有距离该节点一跳的邻居节点的数目。 　　基于节点度的算法的核心思想是给定节点度的上限和下限需求， 动态调整节点的发射功率， 使得节点的度数落在上限和下限之间。 基于节点度的算法利用局部信息来调整相邻节点间的连通性， 从而保证整个网络的连通性， 同时保证节点间的链路具有一定的冗余性和可扩展性。 　　1. 本地平均算法　　本地平均算法的步骤如下： 　　 1 开始时所有节点均具有相同的发射功率TransPower0， 每个节点定期广播一个包含自己ID的LifeMsg。　　 2 如果节点接收到LifeMsg消息， 则发送一个LifeAckMsg应答消息。 该消息中包含应答的LifeMsg消息中的节点ID。 3 每个节点在下一次发送LifeMsg时， 首先检查已经收到的LifeAckMsg消息， 利用这些消息统计出自己的邻居数NodeResp。 　　 4） 如果NodeResp小于邻居数下限NodeMinThresh， 那么节点在这次发射时将增大发射功率， 但发射功率不能超过初始发射功率的Bmax倍， 其发射功率为 　　TransPower min［Bmax， Ainc× ModeMinThresh－　　NodeResp ］ ×TransPower0 15.1.1 同样， 如果NodeResp大于邻居节点的上限NodeMaxThresh， 则需要减小发射功率为　　TransPower min［Bmin, Adec× 1- ModeMaxThresh－NodeResp ］ ×TransPower0 15.1.2 　　在上两式中， Bmax、 Bmin、 Adec、 Ainc为四个可调参数,　它们会影响功率调节的精度和范围。 　　2. 本地邻居平均算法　　本地邻居平均算法 LMN 与本地平均算法 LMA 类似， 唯一的区别是在邻居数NodeResp 的计算方法上。 在LMN算法中， 每个节点发送LifeAckMsg消息时， 将自己的邻居数放入消息， 发送LifeMsg消息的节点在收集完所有的LifeAckMsg消息后， 将所有邻居的邻居数求平均值后作为自己的邻居数。 　　这两种算法通过计算机仿真后， 其结果为： 两种算法的收敛性和网络的连通性是可以保证的， 它们通过少量的局部信息达到了一定程度的优化效果。 这两种算法对无线传感器节点的要求不高， 不需要严格的时钟同步。 15.1.2 基于邻近图的算法　　1. 邻近图　　图可用G V, E 来表示。 式中， V表示图中顶点的集合， E表示图中边的集合。 E中的元素边可表示为l u, v ， 其中u, v∈V。 　　由图G V, E 导出的邻近图G‘ V, E’ 是指， 对于任意一个顶点v∈V， 给定其邻居判别条件q， E中满足q的边l∈E。 典型的邻近图模型有RNG Relative Neighbor Graph 、 GG Gabriel　Graph 、 YG Yao Graph 以及MST Minimum Spanning Tree 等。 　　基于邻近图的功率控制算法如下： 　　所有节点都采用最大功率发射时形成的拓扑图为G， 按照一定的规则q求出该图的邻近图G′， G′中的每个节点以自己所邻接的最远通信节点来确定发射功率。 　　这是一种解决功率分配问题的近似解法。 考虑到WSN中两个节点形成的边是有向的， 为了避免形成单向边， 一般在运用邻近图的算法形成网络拓扑之后， 还需要对节点之间的边给予增删， 以使最后得到的网络拓扑是双向连通的。 　　2. DRNG和DLSS算法　　DRNG Directed Relative Neighbor Graph 和DLSS Directed Local Spanning Subgraph 算法是基于邻近图的两种算法。 它们最早是针对节点发射功率不一致问题而采用的解决方法。 这两种算法是以经典邻近图RNG、 LMST等理论为基础， 全面考虑网络的连通性和双向连通性而提出的。 以下先介绍一些基本定义。 　　（1）有向边： 边 u, v 和边 v, u 是不同的， 它们的方向不同。 　　（2） 节点间的距离及通信半径： 用d u, v 表示节点u、 v之间的距离， 用ru表示u的通信半径。 　　（3）可达邻居集合及可达邻居子图： 可达邻居集合NRu表示节点u以最大通信半径可以到达的节点的集合。 由节