田 杰，王子豪，魏玉宏

(1.長(zhǎng)安大學(xué) 電控學(xué)院，西安 710018；2.武警工程大學(xué) 通信工程系，西安 710086)

?

基于平滑高斯半馬爾可夫模型的移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)生成樹(shù)算法

田 杰1,2，王子豪2，魏玉宏2

(1.長(zhǎng)安大學(xué) 電控學(xué)院，西安 710018；2.武警工程大學(xué) 通信工程系，西安 710086)

針對(duì)以往移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)研究只是單純地對(duì)移動(dòng)群體進(jìn)行分簇而沒(méi)有充分利用組群移動(dòng)的內(nèi)部穩(wěn)定性的問(wèn)題，結(jié)合組移動(dòng)模型中節(jié)點(diǎn)運(yùn)動(dòng)的規(guī)律和內(nèi)聚性原理，采用平滑高斯半馬爾可夫移動(dòng)模型刻畫組內(nèi)單個(gè)節(jié)點(diǎn)移動(dòng)特征，構(gòu)建了一種適合移動(dòng)網(wǎng)絡(luò)的穩(wěn)定生成樹(shù)算法(GM-base stable spanning tree algorithm， GSST)；實(shí)驗(yàn)證明，該算法從單個(gè)節(jié)點(diǎn)運(yùn)動(dòng)變化入手，在預(yù)測(cè)未來(lái)節(jié)點(diǎn)運(yùn)動(dòng)情況，選擇穩(wěn)定的鏈路構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)方面，提高了移動(dòng)網(wǎng)絡(luò)的穩(wěn)定性；同時(shí)，利用樹(shù)的分層特征，簡(jiǎn)化移動(dòng)網(wǎng)絡(luò)的組網(wǎng)過(guò)程，并實(shí)現(xiàn)網(wǎng)絡(luò)重組局部化；該算法有效延長(zhǎng)節(jié)點(diǎn)存活率，均衡數(shù)據(jù)傳輸量。

移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)；平滑高斯半馬爾可夫移動(dòng)模型；內(nèi)聚性

0 引言

隨著無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用的不斷擴(kuò)大，單純的靜止網(wǎng)絡(luò)已經(jīng)不能滿足現(xiàn)代化發(fā)展的需求，移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)以其獨(dú)特的移動(dòng)性和可控性的特點(diǎn)，受到越來(lái)越多的關(guān)注。移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)是一種特殊的無(wú)線傳感器網(wǎng)絡(luò)，節(jié)點(diǎn)的移動(dòng)性是其突出的特點(diǎn)。在某些特定的應(yīng)用環(huán)境(例如：癌細(xì)胞跟蹤監(jiān)測(cè)、野生動(dòng)物遷徙、單兵作戰(zhàn)系統(tǒng)等)中，傳感器是需要依附于某些移動(dòng)物體，具有移動(dòng)的盲目性。而且由這些傳感器組成的網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)隨時(shí)發(fā)生著不可預(yù)估的變化，如果不能合理調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，就會(huì)導(dǎo)致多次重復(fù)組網(wǎng)，消耗大量能量，嚴(yán)重影響整個(gè)網(wǎng)絡(luò)生存周期。

針對(duì)上述問(wèn)題，一些專家學(xué)者提出了應(yīng)用于不同場(chǎng)景的移動(dòng)模型,并且依據(jù)生物群運(yùn)動(dòng)的內(nèi)聚性[1]，提出了組移動(dòng)模型的概念。但是，目前的研究還未涉及組群內(nèi)部組網(wǎng)方式，忽略了組群內(nèi)部節(jié)點(diǎn)的連接關(guān)系，導(dǎo)致多次重復(fù)分組，網(wǎng)絡(luò)穩(wěn)定性下降。本文結(jié)合平滑高斯半馬爾可夫移動(dòng)模型[2]和組移動(dòng)模型[3]，將向同一目標(biāo)前進(jìn)的節(jié)點(diǎn)看作一個(gè)整體，只關(guān)心群體內(nèi)部之間的相對(duì)速度和距離，同時(shí)采用內(nèi)聚性原理，明確網(wǎng)絡(luò)發(fā)展趨勢(shì)，大大簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)網(wǎng)絡(luò)重組的局部化，保證網(wǎng)絡(luò)的持續(xù)穩(wěn)定性，有效延長(zhǎng)網(wǎng)絡(luò)生命周期。

1 移動(dòng)模型

現(xiàn)有的移動(dòng)模型可大致分為實(shí)體移動(dòng)模型和組移動(dòng)模型。其中，實(shí)體移動(dòng)模型主要針對(duì)單個(gè)移動(dòng)實(shí)體的運(yùn)動(dòng)規(guī)律(如加減速時(shí)速率和角度變化等)，應(yīng)用于隨機(jī)無(wú)組織移動(dòng)節(jié)點(diǎn)形成的網(wǎng)絡(luò)。常見(jiàn)的模型有:Random Walk移動(dòng)模型、Random Waypoint移動(dòng)模型、Random Direction移動(dòng)模型[4]。該3種模型中，節(jié)點(diǎn)的運(yùn)動(dòng)方式均為隨機(jī)的“布朗運(yùn)動(dòng)”，區(qū)別在于是否存在停止時(shí)間。因此，這些模型中的節(jié)點(diǎn)的速度存在突發(fā)性，不能很好地描述實(shí)際節(jié)點(diǎn)的運(yùn)動(dòng)。而平滑高斯半馬爾可夫移動(dòng)模型則認(rèn)為節(jié)點(diǎn)在加減速的過(guò)程中是平滑的，前一時(shí)刻的運(yùn)動(dòng)狀態(tài)會(huì)對(duì)下一時(shí)刻的運(yùn)動(dòng)狀態(tài)產(chǎn)生影響，沒(méi)有突發(fā)性的改變，這樣的過(guò)程符合牛頓定律，能有效反應(yīng)節(jié)點(diǎn)實(shí)際運(yùn)動(dòng)規(guī)律。

而組移動(dòng)模型主要針對(duì)存在內(nèi)部組織關(guān)系的組群移動(dòng)規(guī)律，以運(yùn)動(dòng)規(guī)律的相似度為分組原理，越相近網(wǎng)絡(luò)越穩(wěn)定[5]。徐華等人利用上述特點(diǎn)，提出了基于鏈路穩(wěn)定性的傳感器網(wǎng)絡(luò)分簇算法，用已存活時(shí)間來(lái)預(yù)估未來(lái)存活時(shí)間，將存活時(shí)間作為分簇的原則[6]。朱珺青等人則是以同一運(yùn)動(dòng)軌跡為劃分標(biāo)準(zhǔn)，以簇為單位進(jìn)行數(shù)據(jù)收集，而后用邊緣節(jié)點(diǎn)轉(zhuǎn)發(fā)[7]。

以上的分簇算法只將節(jié)點(diǎn)單純的分組，并沒(méi)有考慮組群內(nèi)部密切的組織關(guān)系。而本文將兩種模型融合在一起，從外部的整體特點(diǎn)入手，簡(jiǎn)化內(nèi)部節(jié)點(diǎn)運(yùn)動(dòng)規(guī)律，同時(shí)，以存在固定目標(biāo)為前提，具有明確的指向性，利用樹(shù)結(jié)構(gòu)的等級(jí)性能更好的突顯出組群內(nèi)部的運(yùn)動(dòng)相關(guān)性，大大降低了內(nèi)部節(jié)點(diǎn)之間運(yùn)動(dòng)的復(fù)雜性。

2 算法描述

2.1 網(wǎng)絡(luò)模型

由于存在固定的移動(dòng)目標(biāo)，利用內(nèi)聚性原理，移動(dòng)節(jié)點(diǎn)會(huì)以組群的形式向固定目標(biāo)前進(jìn)，即節(jié)點(diǎn)運(yùn)動(dòng)的方向明確并一致。因此，本文只研究節(jié)點(diǎn)沿以sink節(jié)點(diǎn)為起點(diǎn)，以移動(dòng)目標(biāo)為終點(diǎn)的方向上的速率(與后文提及的速度相同)。此時(shí)，對(duì)網(wǎng)絡(luò)做如下假設(shè)：

1)sink節(jié)點(diǎn)位于網(wǎng)絡(luò)中心，其能量無(wú)窮大，能時(shí)時(shí)與基站保持聯(lián)系；

2)各個(gè)節(jié)點(diǎn)的最大通信半徑一致且均為Rc，各個(gè)節(jié)點(diǎn)能根據(jù)通信范圍自動(dòng)調(diào)節(jié)發(fā)射頻率；

3)單個(gè)節(jié)點(diǎn)的移動(dòng)規(guī)律符合平滑高斯半馬爾可夫移動(dòng)模型要求，節(jié)點(diǎn)速度vi∈U[vmin,vmax] (i∈[1,2,3,...,n])，vi表示節(jié)點(diǎn)i的速度，U[,]表示服從[,]均勻分布。

根據(jù)網(wǎng)絡(luò)模型可知，每個(gè)節(jié)點(diǎn)度符合平滑高斯半馬爾可夫移動(dòng)模型，該模型中節(jié)點(diǎn)在加速過(guò)程中可以調(diào)整加速時(shí)隙來(lái)控制加速度的范圍，即ai∈U[amin,amax]。但是GSST算法是適用于負(fù)載型移動(dòng)網(wǎng)絡(luò)組群，各個(gè)節(jié)點(diǎn)的運(yùn)動(dòng)具有較強(qiáng)的自主性，無(wú)法精確獲得加速時(shí)隙、因此引入隨機(jī)數(shù)θ，刻畫加速度的變化。

2.2 GSST算法

在網(wǎng)絡(luò)的初始階段，所有節(jié)點(diǎn)在監(jiān)測(cè)范圍內(nèi)隨機(jī)選擇初始地點(diǎn)di，并在U[vmin,vmax]和U[amin,amax]中隨意選擇初始速度vi和初始加速度ai(均已知)。為了能清晰地描述GSST算法，將具體算法分為初始形成、局部調(diào)整兩個(gè)階段。

2.2.1 初始形成階段

以sink節(jié)點(diǎn)選擇子根節(jié)點(diǎn)為例說(shuō)明。sink向周圍節(jié)點(diǎn)發(fā)送連接請(qǐng)求，收到信息的節(jié)點(diǎn)向sink節(jié)點(diǎn)發(fā)送自己的位置和運(yùn)動(dòng)信息，即M(di,vi,ai)。當(dāng)接收到鄰居節(jié)點(diǎn)的信息后，sink節(jié)點(diǎn)會(huì)逐一與自身的位置和運(yùn)動(dòng)信息進(jìn)行比較，并掃描結(jié)果。若相對(duì)速度和相對(duì)加速度均為0，則表示節(jié)點(diǎn)i與sink節(jié)點(diǎn)之間是相對(duì)靜止的，能夠構(gòu)建穩(wěn)定的鏈路，即節(jié)點(diǎn)i成為一級(jí)子根節(jié)點(diǎn)，是sink節(jié)點(diǎn)(根節(jié)點(diǎn))的孩子節(jié)點(diǎn)；若相對(duì)速度和相對(duì)加速度至少有一方不為0，則表示節(jié)點(diǎn)i與sink節(jié)點(diǎn)之間存在相對(duì)速度，經(jīng)過(guò)一段時(shí)間ts，節(jié)點(diǎn)i會(huì)脫離sink節(jié)點(diǎn)的通信范圍，即在ts內(nèi)認(rèn)為節(jié)點(diǎn)i能與sink節(jié)點(diǎn)建立穩(wěn)定通信。

為了增強(qiáng)網(wǎng)絡(luò)的穩(wěn)定性，選擇出鏈路連接時(shí)間較長(zhǎng)的節(jié)點(diǎn)作為子根節(jié)點(diǎn)(或葉子節(jié)點(diǎn))，sink節(jié)點(diǎn)需要預(yù)估與鄰居節(jié)點(diǎn)的鏈路生存時(shí)間，并將結(jié)果保存到相應(yīng)的鏈路生存表中，依次選擇適合的穩(wěn)定節(jié)點(diǎn)作為子根節(jié)點(diǎn)。在進(jìn)行具體分析之前，對(duì)一些常用符號(hào)加以說(shuō)明：

針對(duì)相對(duì)速度和相對(duì)加速度至少有一方不為0的情況，sink節(jié)點(diǎn)會(huì)預(yù)估在下一時(shí)刻內(nèi)節(jié)點(diǎn)i的速度和該鏈路生存時(shí)間，具體分3種情況對(duì)ts進(jìn)行分析：

1)Δai=0;Δvi≠0：此時(shí)，節(jié)點(diǎn)i是相對(duì)于sink節(jié)點(diǎn)以Δvi的速度脫離sink節(jié)點(diǎn)的通信范圍。由于δ表示節(jié)點(diǎn)運(yùn)動(dòng)的關(guān)聯(lián)性，越接近1說(shuō)明節(jié)點(diǎn)運(yùn)動(dòng)關(guān)聯(lián)性越強(qiáng)，越接近直線運(yùn)動(dòng)，因此，為了能更好地突出組群移動(dòng)的方向性，δ值趨向于1。具體計(jì)算如下：

(1)

(2)

2)Δai≠0;Δvi=0：此時(shí)，節(jié)點(diǎn)i是相對(duì)于sink節(jié)點(diǎn)以初速度為0，Δai為加速度脫離通信范圍。具體計(jì)算如下：

(3)

(4)

由于節(jié)點(diǎn)i速度vi≤vmax，sink節(jié)點(diǎn)需計(jì)算出在節(jié)點(diǎn)i在脫離通信范圍時(shí)，是否超出最大速度，而且為了簡(jiǎn)化計(jì)算，假設(shè)節(jié)點(diǎn)一旦達(dá)到最大速度，就會(huì)一直保持該速度，不受任何影響。如果沒(méi)有超出，則直接將得到的鏈路連接時(shí)間存儲(chǔ)起來(lái)，便于節(jié)點(diǎn)選擇；如果超出，則需要對(duì)ts進(jìn)行如下調(diào)整。

(5)

3)Δai≠0;Δvi≠0：此時(shí)，節(jié)點(diǎn)i是以Δvi為初速度，Δai為加速度脫離通信范圍。先利用公式(1)和公式(3)分別得出下一時(shí)刻的速度和加速度，而后用公式(5)求出ts。

(6)

與情況2一樣，需要討論節(jié)點(diǎn)i何時(shí)達(dá)到最大速度，并對(duì)鏈路生存時(shí)間進(jìn)行修正，修正公式如下：

(7)

sink節(jié)點(diǎn)依據(jù)ts的大小，選擇合適的節(jié)點(diǎn)作為子根節(jié)點(diǎn)，選擇節(jié)點(diǎn)的個(gè)數(shù)由現(xiàn)實(shí)情況確定，一般不低于兩個(gè)。而后，sink節(jié)點(diǎn)將選擇結(jié)果廣播，未被選上的節(jié)點(diǎn)等待進(jìn)入下一輪選擇。被選中的子根節(jié)點(diǎn)重復(fù)sink節(jié)點(diǎn)選擇過(guò)程，分別選出自己的子根節(jié)點(diǎn)，如果有節(jié)點(diǎn)除其根節(jié)點(diǎn)外，不存在其它鄰居節(jié)點(diǎn)，則該節(jié)點(diǎn)自動(dòng)成為葉子節(jié)點(diǎn)。這些節(jié)點(diǎn)自動(dòng)成為葉子節(jié)點(diǎn)，只負(fù)責(zé)數(shù)據(jù)采集和傳輸，不負(fù)責(zé)數(shù)據(jù)的融合。整個(gè)過(guò)程持續(xù)到將所有節(jié)點(diǎn)遍歷一次為止。

2.2.2 局部調(diào)整階段

雖然在組群內(nèi)的節(jié)點(diǎn)相對(duì)距離較小，運(yùn)動(dòng)規(guī)律相似度高，但是仍會(huì)存在脫離根節(jié)點(diǎn)的情況。為了較小范圍地調(diào)整移動(dòng)網(wǎng)絡(luò)的結(jié)構(gòu)，所有根節(jié)點(diǎn)選出最不穩(wěn)定的葉子節(jié)點(diǎn)(即ts最小)，在其脫離時(shí)間的基礎(chǔ)上提前兩個(gè)通信時(shí)隙作為二次選擇葉子節(jié)點(diǎn)的時(shí)刻。此時(shí)，該根節(jié)點(diǎn)會(huì)重新進(jìn)入初始形成階段，重新選擇合適的子根節(jié)點(diǎn)。

因?yàn)槊總€(gè)分支上鏈路穩(wěn)定時(shí)間不同，所以，可以保證網(wǎng)絡(luò)重組的局部性。同時(shí)，整個(gè)網(wǎng)絡(luò)成樹(shù)狀結(jié)構(gòu)，保證數(shù)據(jù)傳輸路徑的獨(dú)立性，因此，網(wǎng)絡(luò)局部調(diào)整不會(huì)影響整個(gè)網(wǎng)絡(luò)的數(shù)據(jù)收集。

3 算法分析

3.1 可行性分析

為了說(shuō)明算法的可行性，只需保證節(jié)點(diǎn)空間分布均勻和平均速率穩(wěn)定。

由于平滑高斯半馬爾可夫移動(dòng)模型具有點(diǎn)空間分布均勻和平均速率時(shí)間平穩(wěn)的特征，并且本組群內(nèi)所有的節(jié)點(diǎn)都符合該移動(dòng)模型，所以，理論上節(jié)點(diǎn)空間分布均勻，且平均速率穩(wěn)定。實(shí)際中，移動(dòng)節(jié)點(diǎn)會(huì)向著某一固定目標(biāo)移動(dòng)，節(jié)點(diǎn)相對(duì)集中，能有利于選取合適的鄰居節(jié)點(diǎn)。同時(shí)，本算法是分層選取子根節(jié)點(diǎn)，屬于單向選擇，有效避免集中節(jié)點(diǎn)重復(fù)選擇的情況。

因此，無(wú)論從理論上還是實(shí)際中，該算法都具有可行性。

3.2 能耗分析

GSST算法適用于移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)，其節(jié)點(diǎn)能耗符合無(wú)線傳感器網(wǎng)絡(luò)的規(guī)律。參照文獻(xiàn)[8]，可知節(jié)點(diǎn)各個(gè)子單元以及數(shù)據(jù)收發(fā)單元下的4種工作方式的能耗(見(jiàn)圖1)。

圖1 無(wú)線傳感器網(wǎng)絡(luò)能耗示意圖

由圖1可知，節(jié)點(diǎn)能量主要是在數(shù)據(jù)傳輸過(guò)程中消耗的，數(shù)據(jù)處理過(guò)程耗能較小。而在網(wǎng)絡(luò)樹(shù)形成過(guò)程中，每個(gè)節(jié)點(diǎn)要進(jìn)行較為繁瑣的計(jì)算，但是其通信次數(shù)較少，因此，單個(gè)節(jié)點(diǎn)的能耗較小，從而整個(gè)網(wǎng)絡(luò)形成所需的能量小。同時(shí)，在GSST算法中，網(wǎng)絡(luò)初始完成(即樹(shù)成形)后，由節(jié)點(diǎn)移動(dòng)造成的網(wǎng)絡(luò)重組可以在局部完成，進(jìn)一步減少了整個(gè)網(wǎng)絡(luò)的能耗。

4 算法仿真

目前，針對(duì)組群移動(dòng)的無(wú)線傳感器網(wǎng)絡(luò)生成樹(shù)的研究較少，而且，本文主要是基于鏈路穩(wěn)定性的，因此，為了仿真數(shù)據(jù)更具說(shuō)服力，采用徐華提出的基于鏈路穩(wěn)定性的分簇算法(LSBC)。LSBC是利用鏈路已存活時(shí)間，預(yù)測(cè)該鏈路未來(lái)存活時(shí)間，每間隔時(shí)間T，會(huì)重新進(jìn)行分簇。

本文采用MATLAB仿真，取30個(gè)移動(dòng)節(jié)點(diǎn)隨機(jī)分布在1 000 m×800 m區(qū)域內(nèi)，固定目標(biāo)位于該區(qū)域右下角(900,50)，最大速度為0.2 m/s，最小速度0.1 m/s，最大加速度為0.05 m/s2，最小加速度為0.01 m/s2。每個(gè)節(jié)點(diǎn)的能量為1 J，時(shí)間間隔T為150 s，整體網(wǎng)絡(luò)運(yùn)行時(shí)間設(shè)為1 000 s。仿真結(jié)果圖如下：

圖2 單位時(shí)間傳輸數(shù)據(jù)包量比較圖

圖3 節(jié)點(diǎn)存活數(shù)目比較

根據(jù)圖2可得，在網(wǎng)絡(luò)運(yùn)行初期，LSBC算法需要節(jié)點(diǎn)間不斷地通信，以確認(rèn)節(jié)點(diǎn)目前運(yùn)動(dòng)變化，從而得到鏈路的期望存活時(shí)間，而GSST算法在網(wǎng)絡(luò)形成階段，節(jié)點(diǎn)間只需通信兩次，并且分層通信。所以，在初期，LSBC的數(shù)據(jù)量大于GSST。當(dāng)網(wǎng)絡(luò)運(yùn)行在100 s至700 s時(shí)，LSBC算法經(jīng)歷了四次分簇過(guò)程，除了傳輸正常的數(shù)據(jù)以外，還要附加分簇信息，因此，此階段其數(shù)據(jù)傳輸量仍高于GSST算法。換言之，在整個(gè)網(wǎng)絡(luò)運(yùn)行的前700 s內(nèi)，LSBC傳輸?shù)臄?shù)據(jù)量多于GSST，由于節(jié)點(diǎn)能量主要消耗在通信模塊上，傳輸?shù)臄?shù)據(jù)量越大耗能越多，所以，LSBC的能耗高于GSST。當(dāng)網(wǎng)絡(luò)運(yùn)行到最后300 s內(nèi)，LSBC能量消耗較大，導(dǎo)致多數(shù)節(jié)點(diǎn)死亡(見(jiàn)圖3)，所以，數(shù)據(jù)量低于能耗較小的GSST。

圖3是執(zhí)行兩個(gè)算法時(shí)節(jié)點(diǎn)存活數(shù)目的對(duì)比圖。由于GSST算法一旦生成樹(shù)后，只需局部調(diào)整子樹(shù)結(jié)構(gòu)，損耗網(wǎng)絡(luò)能量少，而且，在調(diào)整過(guò)程中，節(jié)點(diǎn)間通信次數(shù)和數(shù)據(jù)量均小于LSBC算法，能有效延長(zhǎng)節(jié)點(diǎn)生存時(shí)間，增加網(wǎng)絡(luò)的生命周期。

5 總結(jié)

GSST算法是一種結(jié)合節(jié)點(diǎn)移動(dòng)模型和組群移動(dòng)模型的新型生成樹(shù)算法，是全面綜合的考慮移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)特征，符合牛頓定律的自組網(wǎng)方式。該算法利用生物內(nèi)聚性原理，分層構(gòu)建子樹(shù)，突出組群內(nèi)部節(jié)點(diǎn)的連接關(guān)系，實(shí)現(xiàn)網(wǎng)絡(luò)重組的局部化。通過(guò)MATLAB仿真，該算法雖然造成一定的網(wǎng)絡(luò)時(shí)延，但是對(duì)整個(gè)網(wǎng)絡(luò)的數(shù)據(jù)采集影響不大，而且明顯網(wǎng)絡(luò)能耗，提高網(wǎng)絡(luò)生存周期。但是，本算法只適用于有固定目標(biāo)的情況，對(duì)于隨機(jī)選取目標(biāo)的移動(dòng)網(wǎng)絡(luò)不適用，需要進(jìn)一步研究擴(kuò)寬算法應(yīng)用范圍。

[1] 徐 華, 涂亞慶, 肖 瑋.組移動(dòng)模型中一種基于種群特性的傳感器網(wǎng)絡(luò)分簇方法[J]. 傳感技術(shù)學(xué)報(bào), 2009, 22(4):543-547.[2] 張衡陽(yáng), 許 丹, 劉云輝, 等. 一種平滑高斯半馬爾可夫傳感器網(wǎng)絡(luò)移動(dòng)模型[J]. 軟件學(xué)報(bào), 2008, 19(7): 1707-1715.

[3] 王馨婧, 郭龍江, 段金晟. 組移動(dòng)模型中基于模型特點(diǎn)的數(shù)據(jù)收集分簇算法[J]. 智能計(jì)算機(jī)與應(yīng)用, 2011,1(8): 82-85.

[4] 趙靈鍇. 一種新的無(wú)線傳感器網(wǎng)絡(luò)移動(dòng)模型[J]. 學(xué)術(shù)探討, 2012(6): 28-29.

[5] 張生鳳, 徐志良, 吳曉蓓, 等. 移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)群組移動(dòng)的連通性保證[J]. 中國(guó)科技論文, 2013, 8(7): 599-606.

[6]徐 華, 涂亞慶, 郭 斌, 等. 組移動(dòng)模型中基于鏈路穩(wěn)定性的傳感器網(wǎng)絡(luò)分簇算法[J]. 計(jì)算機(jī)工程與科學(xué), 2010, 32(2): 35-37.

[7]朱珺青, 郭龍江, 任美睿, 等. 基于組移動(dòng)模型的移動(dòng)傳感網(wǎng)數(shù)據(jù)聚集算法的研究[J]. 計(jì)算機(jī)研究與發(fā)展, 2011(48): 231-235

[8] Han N, Lee D, Nam D. Energy efficient topology for wireless micro-sensor networks[A]. PE-WASUN '05 [C]. ACM, 2005: 25-33.

A Smooth Gauss-Semi-Markov Model Based Spanning Tree Algorithm for Mobile Wireless Sensor Networks

Tian Jie1,2, Wang Zihao2, Wei Yuhong2

(1.College of Electronic Control, University of Chang’an, Xi′an 710018, China;2.Department of Information Engineering, Engineering University of PAP, Xi′an 710086, China)

Aimed at the previous research on wireless sensor nodes in a mobile group， the mobile population were only clustered and didn’t make full use of internal stability, combined with the cohesion principle and the law of the nodes’ motion in a group mobility model, using a smooth Gauss-Semi-Markov model to describe a single node’s moving characteristics within a mobile group, construct a stable spanning tree algorithm for mobile networks (GM-base stable spanning tree algorithm, referred to as GSST). Experiments show that the algorithm, in the light of a single node movement variety, predicts the future movement, selects stable links to construct the network structure, and improves the mobile networks stability, At the same time, which use tree’s hierarchical feature, simplify the networking process, and realize the network reorganization localization, which can effectively prolong the nodes’ survival rate, balance the amount of data transmission.

mobile wireless sensor networks; smooth Gauss-semi-Markov mobility model; cohesion

2015-11-10；

2015-12-07。

中央高?；?2014G1321034)。

田 杰(1970-)，女，陜西西安人，副教授，碩士研究生導(dǎo)師，主要從事無(wú)線傳感器網(wǎng)絡(luò)、Ad hoc網(wǎng)絡(luò)方向的研究。

1671-4598(2016)06-0323-03

10.16526/j.cnki.11-4762/tp.2016.06.088

TP393

A