本站小編為你精心準(zhǔn)備了無(wú)線傳感器網(wǎng)絡(luò)拓?fù)淇刂铺接憛⒖挤段模高@些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

無(wú)線傳感器網(wǎng)絡(luò)（WSN）是集信息采集、傳輸以及處理于一體的智能信息管理系統(tǒng)，應(yīng)用前景廣闊，是目前比較活躍的一個(gè)領(lǐng)域。WSN是一種由大量微傳感器節(jié)點(diǎn)組成的自組織網(wǎng)絡(luò)，其向?qū)W者們提供了大量的研究課題，拓?fù)淇刂剖亲罨締?wèn)題之一。拓?fù)淇刂凭褪且芯咳绾涡纬梢粋€(gè)良好的網(wǎng)絡(luò)拓?fù)?/a>結(jié)構(gòu)，為數(shù)據(jù)融合、路由協(xié)議以及目標(biāo)定位等其他技術(shù)提供支撐。WSN節(jié)點(diǎn)通常大規(guī)模部署并且具有隨機(jī)性、自組織性，網(wǎng)絡(luò)組織方式通常多種多樣，節(jié)點(diǎn)能量非常有限，因此，在設(shè)計(jì)無(wú)線傳感器網(wǎng)絡(luò)時(shí)，要提高路由協(xié)議和MAC協(xié)議的效率，延長(zhǎng)網(wǎng)絡(luò)生存周期，一定要有一個(gè)良好的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。目前主流的拓?fù)?a href="http://www.gaoruijun.cn/txcb/wltplw/683965.html" target="_blank">控制算法可分為：節(jié)點(diǎn)功率控制型和層次型拓?fù)淇刂菩汀９β士刂凭褪峭ㄟ^(guò)變化節(jié)點(diǎn)的發(fā)射功率來(lái)調(diào)整節(jié)點(diǎn)無(wú)線信號(hào)的覆蓋區(qū)域大小，在此基礎(chǔ)上調(diào)節(jié)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，最終目的是提高整個(gè)網(wǎng)絡(luò)的連通性。層次型拓?fù)淇刂浦饕捎玫氖欠执貦C(jī)制，將整個(gè)網(wǎng)絡(luò)劃分成若干區(qū)域形成多個(gè)簇，選出骨干節(jié)點(diǎn)構(gòu)成骨干網(wǎng)進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)，而普通節(jié)點(diǎn)可擇機(jī)關(guān)閉不必要的模塊，以避免不必要的能量消耗。

2典型的拓?fù)淇刂扑惴?/p>

2.1節(jié)點(diǎn)功率拓?fù)淇刂扑惴↙MA和LMN算法是基于節(jié)點(diǎn)度的算法，通過(guò)不斷的改變節(jié)點(diǎn)的發(fā)射功率來(lái)使得其度數(shù)處在一個(gè)合適的范圍，根據(jù)已經(jīng)采集到的局部信息來(lái)調(diào)整鄰居節(jié)點(diǎn)之間的連通性，最終使整個(gè)網(wǎng)絡(luò)具有連通性。兩種算法的相同點(diǎn)是分步驟、周期性地調(diào)整節(jié)點(diǎn)的發(fā)射功率，不同點(diǎn)是它們有著不同的節(jié)點(diǎn)度數(shù)計(jì)算方法。這兩種算法利用較少的局部信息就可確定節(jié)點(diǎn)功率的調(diào)節(jié)方式，而且對(duì)時(shí)鐘同步、傳感器節(jié)點(diǎn)要求均不高，但是在節(jié)點(diǎn)鄰居節(jié)點(diǎn)判斷上存在不足，所形成的網(wǎng)狀拓?fù)浣Y(jié)構(gòu)不僅增大了網(wǎng)絡(luò)復(fù)雜度，而且使網(wǎng)絡(luò)開銷增大了。

DRNG和DLMST算法是基于鄰近圖的拓?fù)淇刂扑惴ǎ泄?jié)點(diǎn)調(diào)整發(fā)射功率至最大化形成一個(gè)拓?fù)浣Y(jié)構(gòu)圖，再根據(jù)設(shè)定的鄰居判別規(guī)則得出該圖的鄰近圖，每個(gè)節(jié)點(diǎn)根據(jù)鄰居中最遠(yuǎn)節(jié)點(diǎn)的距離來(lái)設(shè)定發(fā)射功率。這兩種算法均以節(jié)點(diǎn)發(fā)射功率不一致為背景，基于鄰近圖RNG、最小生成樹LMST理論，用距離最遠(yuǎn)的鄰居節(jié)點(diǎn)所需的發(fā)射功率為標(biāo)準(zhǔn)，有效解決了發(fā)射功率不一致的問(wèn)題，并通過(guò)增加刪除操作來(lái)保證網(wǎng)絡(luò)拓?fù)涞碾p向連通。但是這兩個(gè)算法需要精確的定位信息。

2.2層次型拓?fù)淇刂扑惴↙EACH是最早的也是較典型的基于均勻分簇的拓?fù)淇刂扑惴ǎ厥淄ㄟ^(guò)分布式選舉隨機(jī)生成，剩余節(jié)點(diǎn)作為簇內(nèi)成員節(jié)點(diǎn)。在網(wǎng)絡(luò)運(yùn)行中，簇首節(jié)點(diǎn)融合簇內(nèi)所有節(jié)點(diǎn)的信息，以單跳方式發(fā)送至Sink節(jié)點(diǎn)。簇首節(jié)點(diǎn)和簇結(jié)構(gòu)均周期性更新。相對(duì)于傳統(tǒng)網(wǎng)絡(luò)，LEACH使用簇結(jié)構(gòu)，能有效提高節(jié)點(diǎn)能量利用率和網(wǎng)絡(luò)壽命。但簇首節(jié)點(diǎn)和Sink節(jié)點(diǎn)之間的單跳通信可能因長(zhǎng)距離數(shù)據(jù)傳輸而能耗過(guò)大；頻繁的簇重增加了額外的通信開銷；簇首節(jié)點(diǎn)的選擇未考慮節(jié)點(diǎn)地理位置、剩余能量等因素。

GAF是一種基于地理位置的分簇拓?fù)淇刂扑惴ǎ紫葘⒕W(wǎng)絡(luò)劃分為固定數(shù)目的虛擬分區(qū)，節(jié)點(diǎn)將自身地理位置信息與虛擬網(wǎng)格中某個(gè)點(diǎn)關(guān)聯(lián)映射起來(lái)并計(jì)算自身所屬的分區(qū)，每個(gè)區(qū)域內(nèi)選出一個(gè)節(jié)點(diǎn)在某一時(shí)間段內(nèi)處于活動(dòng)狀態(tài)來(lái)監(jiān)測(cè)所在區(qū)域內(nèi)的信息并報(bào)告數(shù)據(jù)給Sink節(jié)點(diǎn)。GAF使得形成的簇結(jié)構(gòu)更均勻，但是在選擇簇首時(shí)沒(méi)考慮節(jié)點(diǎn)的剩余能量，劃分單元格時(shí)，若節(jié)點(diǎn)間的一跳通信距離較小單元格會(huì)比較密集，而一跳通信距離較大分簇又比較稀疏，這樣的分簇反而會(huì)降低網(wǎng)絡(luò)的效率。EEUC是一種分布式的、非均勻分簇算法，首先以概率T（由算法預(yù)先設(shè)定）在網(wǎng)絡(luò)中選出一些節(jié)點(diǎn)作為候選簇首節(jié)點(diǎn)。簇首由候選簇首節(jié)點(diǎn)競(jìng)爭(zhēng)產(chǎn)生，其他節(jié)點(diǎn)在簇首選舉過(guò)程中處于休眠狀態(tài)，其中競(jìng)爭(zhēng)半徑由候選簇首到Sink節(jié)點(diǎn)的距離決定。EEUC將整個(gè)網(wǎng)絡(luò)分成規(guī)模各異的簇，簇的規(guī)模與離Sink節(jié)點(diǎn)的距離成反比，這樣有效降低了簇首通信代價(jià)，避免了“熱區(qū)”問(wèn)題，延長(zhǎng)了網(wǎng)絡(luò)周期。但EEUC單純的考慮距離而沒(méi)有考慮節(jié)點(diǎn)的剩余能量以及密度因素，而且沒(méi)有考慮簇首節(jié)點(diǎn)在簇內(nèi)的位置，可能造成網(wǎng)絡(luò)能耗不均衡過(guò)早死亡的現(xiàn)象。

3結(jié)語(yǔ)

本文介紹了WSN拓?fù)淇刂频姆诸惡蛶追N經(jīng)典的拓?fù)淇刂扑惴ǎ治隽怂惴ǖ膬?yōu)缺點(diǎn)。目前的大多數(shù)研究模型都比較理想化，沒(méi)有全面考慮實(shí)際應(yīng)用中存在的問(wèn)題，還有很多問(wèn)題亟需進(jìn)一步研究。未來(lái)拓?fù)淇刂蒲芯康陌l(fā)展趨勢(shì)應(yīng)為：結(jié)合多種機(jī)制且更接近實(shí)際情況，網(wǎng)絡(luò)的各種性能應(yīng)被綜合考慮進(jìn)來(lái)，拓?fù)淇刂频淖赃m應(yīng)性和魯棒性應(yīng)有所提高。

作者：李安瑩 房鑫平 孫福陽(yáng) 單位：沈陽(yáng)理工大學(xué)