基于边界点拟合的无线传感网络干扰约束资源分配算法_徐啸涛.pdf

第 36 卷 第 2 期2023 年 2 月传 感 技 术 学 报CHINESE JOUNAL OF SENSOS AND ACTUATOSVol.36No.2Feb 2023项目来源:2021 年浙江机电职业技术学院科教融合孵化重大课题项目(A027121105)收稿日期:20220316修改日期:20220507Interference Constrained esource Allocation Algorithm for WirelessSensor Networks Based on Boundary Point Fitting*XU Xiaotao1*，ZHOU Kaiqi2(1Automation college，Zhejiang Institute of Mechanical Electrical Engineering，Hangzhou Zhejiang 310053，China;2Engineering Training Center，Nanjing University of Posts and Telecommunications，Nanjing Jiangsu 210023，China)Abstract:The interference constraints of wireless sensor networks will affect the network operation stability and communicationefficiency of the resource transmission process To this end，an interference-constrained resource allocation algorithm for wireless sensornetworks based on boundary point fitting is proposed The signal power of the sensor node is obtained by using the signal transmissioncharacteristics，and the difference between the actual position and the detected value of the node is analyzed The difference value isused to create a loss function，the compensation distance of the boundary point is calculated through the weighted least square method，and the position of the interference source is located The user channel capacity of the wireless sensor network is clarified，the bit valueof each unit of interference energy transmission in the user receiver is calculated，and the interference constraint model is constructed Atwo-dimensional discrete Henon mapping system is used to initialize the original individual matrix，and a parallel genetic algorithm isused to complete the adaptive migration of nodes to achieve global optimization of resource allocation The simulation results show thatthe average node degree of the proposed method for interference-constrained resource allocation is 215，the average resource allocationbit error rate is 02%，and the resource allocation time is 14s when the number of experiments is 500Key words:wireless sensor network;resource allocation;boundary point fitting;interference constraint;genetic algorithmEEACC:6140doi:103969/jissn10041699202302020基于边界点拟合的无线传感网络干扰约束资源分配算法*徐啸涛1*，周凯祺2(1浙江机电职业技术学院自动化学院，浙江 杭州 310053;2南京邮电大学工程训练中心，江苏 南京 210023)摘要:无线传感网络干扰约束会影响资源传输过程的网络运行稳定性与通信效率，为此提出一种基于边界点拟合的无线传感网络干扰约束资源分配算法。利用信号传输特征获得传感器节点信号功率，分析节点实际方位和检测值的差异。利用差异值创建损失函数，通过加权最小二乘法计算边界点补偿距离，定位干扰源位置。明确无线传感网络用户信道容量，计算用户接收机中各单位干扰能量传输的比特值，构建干扰约束模型。利用二维离散 Henon 映射系统初始化原始个体矩阵，使用并行遗传算法完成节点自适应迁移，实现资源分配全局优化。仿真结果表明，所提方法对干扰约束资源分配的平均节点度为 215，资源分配误码率平均值为 02%，在实验次数为 500 时资源分配耗时为 14 s。关键词:无线传感网络;资源分配;边界点拟合;干扰约束;遗传算法;中图分类号:TP393文献标识码:A文章编号:10041699(2023)02030905无线传感网络是由众多成本低廉、体型微小的传感器节点构成的多跳自组织网络1，具备规模大、部署迅速、容错性高等优势，在智慧城市、智慧交通等方面得到广泛应用。面对日益严峻的网络干扰问题，在有限的能量与频谱资源下2，怎样恰当分配网络资源，让各类资源之间互相交叉配合，减少网络干扰与能耗，是当前无线传感领域研究的热门话题。龙恳等3 将用户和子信道作为独立集合，通过迭代计算完成用户和子信道稳定匹配，采用注水算法处理资源分配问题。该方法虽能降低网络能耗，但通信时延较大。陈前斌等4 建立网络总吞吐量最大化的随机优化模型，把神经网络看作非线性近似函数，引入迁移学习方法，在少量样本状况下输出传感技术学报chinatransducersseueducn第 36 卷最优的资源分配模式。但此方法没有优化传感器与探测目标的间距，导致能耗较大，缩短了节点使用寿命。Lee 等5 提出基于机器学习加速分支定界算法的无线网络资源分配方法。以监督的方式学习良好的辅助剪枝策略，加快分支定界算法的分支过程。设计混合训练策略以进一步增强泛化能力，以实现对无线网络资源分配进行更好的动态控制。该方法可以实现无线网络资源高效分配，但信道均衡性较差。总结现有资源分配方法的不足，提出一种基于边界点拟合的无线传感网络干扰约束资源分配算法。划分节点属性，利用加权最小二乘法拟合边界节点，明确网络干扰源位置，创建干扰约束模型，使用混沌并行遗传算法完成网络资源的合理分配，并通过仿真分析证明方法的实用性。1边界点拟合下无线传感网络干扰源定位无线传感网络干扰源会不间断发射大功率干扰信号，扰乱网络正常运行，位置趋近干扰源的传感器节点会受到较大干扰，不能实现预期通信目标;距离干扰源稍远的节点受到的影响较小，节点能保持局部网络连接;没有受到干扰的节点通信功能正常。在此前提下，按照节点干扰水准，使用信噪比划分出以下几种节点类型:被干扰节点、边界节点、正常节点。传感器节点的广播特征导致定位干扰源的难度较高，依照信号传输特点，把传感器节点 a、b 接收到的信号功率6 依次记作:Ca=D10lgeJ1(1)Cb=D10lgeJ2(2)式中:D 表示与天线特征相关的常数，是路径耗损系数，e 为节点半径距离。将信号功率差表示为:CbCa=10lgg21+e2g22+e2(3)式中:g 代表节点移动的虚拟距离。网络干扰区域通常呈不规则形状，节点监测到外部干扰后，通过网络拓扑结构改变情况明确边界节点，这里使用加权最小二乘法拟合边界点，锁定干扰源，计算过程如下:将传感器某时段节点测量值和干扰范围之间的耦合关联表示成:A=I(X)+O(4)式中:I(X)为传感器角度测量方程，A 是传感器测量值构成的序列，O 是测量噪声序列。定位的核心问题是节点真实方位值和定位检测值之间某个差别最小的位置，构建损失函数，记作:K(X)=AI(X)T1 AI(X)=diag(212N，212N)(5)式中:是测量值的协方差矩阵，2i、2i依次为第 i个节点的位置角与俯仰角测量方差。第 i 次迭代后，边界点拟合残差为:Ai=AI(Xi1)(6)式中:Xi1是边界点第 i1 次迭代后位置矢量的估计值。运用加权最小二乘法求解边界点的补偿距离，输出最终的干扰源定位结果7，得到:Xi=Xi1+Xi(7)式中:Xi是干扰源位置估计值的增量。2网络干扰约束建模确定干扰源位置后，要尽可能降低干扰强度，提升网络资源分配可靠性，构建一种网络干扰约束模型。在无线传感通信上行链路中，第 i 个用户到无线网络的上限链路信道增益是 ds，i，第 j 个用户至第i 个用户的链路增益是 ds，j，i，2是通信链路高斯白噪声，Qt，i是用户 i 的发射功率，Gt是用户发射天线增益，Gr是无线传感接收天线的增益值。将无线传感网络用户 i 的信道容量定义为:i=log1+Qt，iGtGrds，inj=1iQjds，j，i+2(8)式中:Qj为用户 j 的发射功率。上行链路信号增益的概率密度函数是:fds，i(x)=exp(x)1F1(1，x)(9)式中:F1()代表合流超几何函数，、均为信号增益变量。为保障无线传感网络通信质量，传感发射机对用户接收机的干扰要低于对应的门限值8，并符合以下约束条件:n0+ni=1Qt，iGp，iMthp(10)式中:n0是干扰链路的高斯白噪声，Mthp是无线传感终端用户接收机位置的干扰门限，Gp，i代表用户 i 发射功率增益。进一步拓展为:Gp，i=GtGUdM，i(11)式中:GU是基站的接收天线增益，dM，i是传感用户 i013第 2 期徐啸涛，周凯祺:基于边界点拟合的无线传感网络干扰约束资源分配算法和基站之间的传输链路增益。Nakagami 衰落分布原则前提下，将发射功率增益的概率密度函数表示成:fdI(x)=mI(mI)exp()(12)式中:()是 Gamma 函数，mI是 Nakagami 衰落变量，表示功率均值。因用户发射功率有限，设定如式(13)的功率约束条件:0Qt，iQmaxt，i(13)式中:Qmaxt，i是用户 i 的发射功率最高值。干扰约束是无线传感网络全局性能的衡量指标，并将其看作用户接收机内各单位干扰能量传输的比特值，将干扰约束模型记作:f(Gt，i)=ni=1log1+Qt，iGs，inj=1iQjGs，j，i+2n0+ni=1Qt，iGp，i(14)式中:分子部分为系统吞吐量总数，分母部分为用户受到的干扰。3无线传感网络干扰约束资源分配实现通过以上过程，给网络资源分配提供了更优质的操作环境。为完成高质量通信分配问题，提出基于混沌并行遗传算法的无线传感网络干扰约束资源分配算法。运用混沌序列产生若干原始资源分配策略9，把原始资源分配策略的数据集看成混沌并行遗传算法的初始种群，并分割为多个子种群