基于随机图理论的无线传感器网络的建模abstract网络节点的能量.docVIP

基于随机图理论Abstract：网络节点的能量有效利用是无线传感器网络的一个重点研究问题，因此，在传感器网络的建模过程中尽量的减少能耗是必要的。在本文中，我们提出了一种新的WSN的模型---二维节点渗流模型G(V, E)表示大量的传感器节点通过自组织形式构成的传感器网络覆盖的区域，其中 V 代表一个传感器网络的所有传感器， E 代表节点间的信息连通性。 某些任务的监控区域是 G （V、 E） 的子网络，我们通过 Gi （Vi、 Ei） 表示它。 请参阅 Fig.1。 在本文中，我们提出了一种模型，这种模型使用渗流理论的阶段过渡来观测多少个现用节点可以保证 Gi 的连接，而其他节点是处于休眠状态以保存能源。 此外，我们还研究了如何使节点的剩余能量能够保持平均以延长真个网络的生存时间。 我们对这个模型分析并改进它，并对其仿真以验证本文提出的模型的性能。 本文的结构：第二部分—简单介绍有关的工作。第三部分，提出一种新的基于渗流理论的无线传感器网络模型。第四部分，对这种模型进行分析并改进。第五部分，仿真结果。第六部分，结论。 相关的工作 Geographical adaptive fidelity (GAF) algorithm GAF算法是以节点的地理位置为基础来选择一块区域的节点为一个簇。首先，传感器网络的监控区域被分割成虚拟的点方阵且一个簇的节点在同一个方阵。虚拟方阵的大小是由任意两个邻近方阵中的两个距离最远的节点之间的通信量决定，如图2. 假设r 2表示一个虚拟方阵，R表示传感器的无线通信最大距离，因此，我们得到，， 节点采用睡眠-唤醒机制，一个节点被唤醒后在它的方阵格子里与其他节点交换信息，同时在这个簇内开始选取一个新的簇头。簇头一直处于激活状态，簇内成员节点如果没有监测到信息就保持睡眠状态。 随机图 一个随机图是由节点和连通线组成的，任意两个节点都以相同的概率P来共享一条连通线。在文献18，Erdos and R′enyi研究显示，如果 E 比 大（其中N是节点的个数，E是连接线的数目），随机图形被连接的可能性往往为 1 。 这就是为什么我们在随机图形中用一个阶段转换，这意味着能突然的较大的改变其网络性能Pc。 换句话说，pc 的值是当随机图形连通度非常高时的一个阈值。 但是将随机图形映射到传感器网络是不切实际，因为我们认为，无线边缘连接和近节点和远节点要以不同的方式来处理，因为传感器具有有限通信半径。 相反，我们的情况更类似于一个站节点渗流的问题。 2.3 节点渗流 节点渗流是一种仅由邻居节点形成的边缘的随机图形。 在节点渗流中, 每个节点可以是以概率 p激活的节点，或具有概率1 ? p的已关闭的节点。 边缘存在仅当它连接两个相邻的激活的站点。 请参阅 Fig.3。 如果任何已激活的站点都连接起来了，那么所有站点都连接并成为一个簇。 当p 增加到 PC 时，渗流模型中的阶段过渡是从一个有限数量的簇到无限簇的突然改变。 从平面的一端到达到另一端的簇就是一个无限簇。 此处我们应当注意到所有这些结果基于无限网络的。 从p低于临界值(p pcs) 到 高于临界值状态 (p pcs) 的转变在有限的网络中变得不太突然。 无线传感器网络建模 几个假设 假设一：为了仿真方便，我们假设Gi的面积大小为10*10单元，即我们假设在Gi中有100个方点阵。点阵格子大小有GAF算法计算出来。 假设二：Gi里的传感器都是亦应的，这就意味着每一个传感器都有相同的通信半径和同样的初始能量。 假设三：我们使Gi没隔一段时间收集一次数据信息，Gi中的每一个节点都尽力收集更多的信息，如果此节点和sink节点有传送路径时，就把其数据传送给sink节点。 建模过程 网络初始化 传感器的排列之后, 所有节点从信号节点获取其坐标并从划分的信息确认它们属于那个方阵。 在网络初始化中，每个节点广播它的位置和ID信息给在其通信半径内的节点。 节点在同一个方阵格形成一个簇。 请参见 Fig.4。 簇头选取 网络初始化之后, 在簇中的每个节点创建一个随机数字，其值在0 和 1 之间。选择一个节点为随机簇头并让= 1。 所有其他节点在不活动时增加它们的值，在处于活动状态（包括感知状态、 接收状态和传输状态）时就不增大的值 。当一个节点的值到达1时，就需要开始一个选取一个有更多能量的节点为新的簇头。 丢失节点的值更改为 0，然后会随着上述的情况而增加。 网络结构 一个簇头节点N(i ，j)在方点阵中最多只能与四个簇头节点(N(i ? 1, j ), N(i + 1, j ), N(i, j ? 1), N(i, j + 1))相连，如图5。 当触发一个步骤时，所有簇头节点都以相同的概率P处于活动状态。簇成员