基于协作型学习自动机的多信道TDMA调度算法研究

无线传感器网络是一个资源受限的网络系统,因此该系统中的数据汇聚存在通信冲突多、最小调度长度大的缺点。目前主要采用多信道技术优化网络性能,其中多信道时分多址(time division multiple access,TDMA)调度是一个关键问题。文章首先将多信道TDMA调度问题描述为图的顶点着色问题;然后提出一种基于协作型学习自动机的顶点着色算法,该算法利用学习自动机与周围环境进行信息交互以更新动作概率矢量,并合理利用顶点间的约束关系和各顶点的度提高自身和相邻顶点的学习效率,根据这种协作机制使得在有限次迭代之后获得最优的资源调度方案;最后通过大量的仿真实验证明了该算法所求解的网络资源调度方案相比于现有方法具有更小的网络冲突和最小调度长度。

基于K-Means的水下传感器网络AUV数据收集方法

水下传感器网络(underwater sensor networks,UWSNs)具有节点稀疏布置的特点,目前主要采用自主式水下航行器(autonomous underwater vehicle,AUV)收集网络中的数据,其中AUV如何移动从而高效地完成数据收集任务是一个关键问题。文章提出了一种基于K-Means的水下传感器网络AUV数据收集方法,首先利用K-Means聚类理论对水下传感器网络进行划分,并以节点通信范围为约束条件得到网络划分结果,即多个网络子集,又称"子团";然后针对网络的变化,节点自主调整子团的结构并确定数据收集点;最后依据多个数据收集点形成AUV的最优移动路径。大量的实验结果表明该方法可以有效地规划出AUV的移动路径,不仅可以完成全网数据收集任务,而且具有耗时短、能耗效率高的优点。