[發明專利]一種基于強化學習的SDWSN最優路徑計算方法

在審

• 申請號: 202210107090.9
• 申請日: 2022-01-28
• 公開（公告）號: CN114501576A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 謝昊飛;吳禹霜;楊登鑫;范祥林;李星辰
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04W40/10
• 分類號: H04W40/10;H04W40/32;H04L45/00
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

1.一種基于強化學習的SDWSN最優路徑計算方法，其特征在于，該方法具體包括以下步驟：

S1：結合節點位置和時延信息，構建網絡節點能耗估算模型，并根據該模型估算所有節點的能耗速率；

S2：根據能耗和節點密度空間的相關性，采用動態半徑的簇頭選擇算法，計算出事件區域需要選取的簇頭節點數k；同時選取k個副簇頭節點作為簇頭節點的簇內數據轉發節點；

S3：采用基于強化學習的最優路徑選擇算法，計算傳輸的最優路徑。

2.根據權利要求1所述的SDWSN最優路徑計算方法，其特征在于，步驟S1中，構建網絡節點能耗估算模型，具體包括：網絡區域為半徑R的圓形區域，若干個傳感器節點隨機非均勻分布在圓形區域內，圓心O為代理節點，RSN完成與控制器之間的消息交互，RSN感知范圍半徑為r_O的事件區域；

半徑為R的圓形區域隨機發生網絡事件，一個周期內，單位面積發生事件概率為Φ，每個事件產生m個報文，且數據產生頻率為f；距離事件源c跳外數據被聚合，c跳內的數據未被聚合；節點傳輸半徑為r；在網絡中取一個圓環次半徑為r_x→0，圓環內節點j與節點O的距離為r_O，且r_O＝hr+d，h為跳數，d表示小于一跳的距離，該區域節點密度為v，由此得到該區域c跳內未聚合的數據包數P_unagg為：

P_unagg＝m*Φ*π*r_x[2*r_O+2*(r_O+r)+...+2*(r_O+c*r)+(c+1)*r]

c跳外被聚合的數據包總數P_agg為：

其中，為數據聚合的遺忘因子，a是數據聚合的相關系數，v是節點O到網絡邊緣的總跳數，Φ為單位面積發生事件概率；

區域S1內節點j傳輸的數據包總數P為：

節點傳輸一個數據包的能量為e_node，計算出節點j每個周期所傳輸數據的能量消耗E_node為：

E_node＝P*e_node

節點非通信能量消耗E_uncom為：

其中，e_t為節點等待每毫秒所消耗的能量，k是事件區域的簇頭總數，q為數據幀長度，v_k是數據的傳輸速度：

由以上得出每個節點一個周期的能耗E為：E＝E_node+E_uncom。

3.根據權利要求2所述的SDWSN最優路徑計算方法，其特征在于，步驟S2中，構建計算簇頭節點數k的表達式為：

其中，k_h是在HOT區域分配最少的簇頭數量，ρ_h是HOT區域的密度最小的區域的節點密度，P_h是HOT區域的密度最小的區域節點傳輸的數據包總數。