本發(fā)明涉及一種自組織網(wǎng)絡(luò)分簇方法，具體地說是一種?？諒V域自組織網(wǎng)絡(luò)分簇方法。
背景技術(shù)：
：?？諒V域自組織網(wǎng)絡(luò)中各節(jié)點的運動速度快慢不一，使得不同區(qū)域的網(wǎng)絡(luò)拓撲結(jié)構(gòu)變化很大，拓撲變化將引起路由重構(gòu)、信道資源重新分配，大大降低了通信鏈路的可靠性。而分簇可以將路由重構(gòu)、資源重新分配盡可能限制在簇內(nèi)，避免了拓撲局部變化對整個網(wǎng)絡(luò)造成影響，并降低了路由重構(gòu)和資源重新分配的開銷。由于?？諒V域自組織網(wǎng)絡(luò)的特殊應(yīng)用背景，要求簇內(nèi)節(jié)點具有一定的集群性，即要求簇內(nèi)節(jié)點地理位置接近，并且要求簇結(jié)構(gòu)能夠根據(jù)需求實時調(diào)整。而傳統(tǒng)的分簇方法大都采用節(jié)點以一定的概率通過競爭的方式產(chǎn)生簇頭，其余普通節(jié)點根據(jù)一定的規(guī)則(如信號接收強度)加入的方式形成簇。大都缺乏結(jié)合應(yīng)用需求如按地理位置、負載均衡等因素進行分簇，并且分簇結(jié)果不能調(diào)整。因此，亟待需要設(shè)計簇內(nèi)節(jié)點具有集群性、簇結(jié)構(gòu)能夠?qū)崟r調(diào)整的分簇方法。技術(shù)實現(xiàn)要素：本發(fā)明的目的就是提供一種?？諒V域自組織網(wǎng)絡(luò)分簇方法，用于超視距范圍分布的N個節(jié)點的?？諒V域自組織網(wǎng)絡(luò)，該分簇方法基于節(jié)點位置信息，能將地理位置集群的節(jié)點劃入一個簇中，并能根據(jù)要求實時調(diào)整簇結(jié)構(gòu)，從而滿足海空廣域自組織網(wǎng)絡(luò)的需求，以解決傳統(tǒng)分簇方法缺乏結(jié)合應(yīng)用需求進行分簇，且分簇結(jié)果不能調(diào)整的問題。本發(fā)明的目的是這樣實現(xiàn)的：一種?？諒V域自組織網(wǎng)絡(luò)分簇方法，所述網(wǎng)絡(luò)包括若干個超視距范圍分布的節(jié)點，包括如下步驟：步驟(1)：為每個節(jié)點設(shè)置唯一的標識符ID，所有節(jié)點通過衛(wèi)星定位系統(tǒng)獲取自身的位置信息；所述衛(wèi)星定位系統(tǒng)為GPS或北斗衛(wèi)星導(dǎo)航系統(tǒng)；步驟(2)：每個節(jié)點通過鄰居發(fā)現(xiàn)過程獲取網(wǎng)絡(luò)內(nèi)其他節(jié)點的位置信息及鄰接關(guān)系；步驟(3)：基于模式識別最近鄰分類理論建立偽最近鄰分類模型；步驟(4)：利用偽最近鄰分類模型對節(jié)點進行分類；步驟(5)：設(shè)定每個簇的節(jié)點數(shù)目的上限U和下限L，若一個簇的節(jié)點數(shù)小于L，則尋找其鄰居簇進行合并，且要求合并后的簇滿足節(jié)點數(shù)小于等于U的要求，若合并后的簇的節(jié)點數(shù)大于U，則將該合并后的簇返回步驟(4)進行再分類；若一個簇的節(jié)點數(shù)大于U，則將該簇返回步驟(4)進行再分類；經(jīng)過該步驟，實現(xiàn)將網(wǎng)絡(luò)節(jié)點分為若干類，每類節(jié)點構(gòu)成網(wǎng)絡(luò)的一個簇；步驟(6)：選擇簇頭節(jié)點和網(wǎng)關(guān)節(jié)點在每個簇中選擇與網(wǎng)絡(luò)幾何中心距離最短的節(jié)點作為簇頭節(jié)點，若滿足條件的簇頭節(jié)點多于一個，則將其中ID較小的節(jié)點作為簇頭節(jié)點；計算每個簇中每個節(jié)點與相鄰簇中所有節(jié)點之間的鏈路長度，將該兩個簇之間的最短鏈路對應(yīng)的節(jié)點作為網(wǎng)關(guān)節(jié)點，若滿足條件的網(wǎng)關(guān)節(jié)點多于一個，則以其中ID較小的節(jié)點作為網(wǎng)關(guān)節(jié)點。所述的?？諒V域自組織網(wǎng)絡(luò)分簇方法，步驟(2)中所述的鄰居發(fā)現(xiàn)過程，其主要包括如下步驟：步驟(2a)：為每個節(jié)點設(shè)置一個鄰居節(jié)點列表NList，用以存儲鄰居節(jié)點的標識符ID和位置信息，列表初始為空；步驟(2b)：節(jié)點隨機選擇一個時間發(fā)送Hello消息，消息中附帶其標識符ID、位置信息和列表NList信息，消息發(fā)送完畢，節(jié)點立即進入接收狀態(tài)；步驟(2c)：若節(jié)點在Δt內(nèi)收到其它節(jié)點的Hello消息，則將發(fā)送該Hello消息的節(jié)點的標識符ID添加到NList中并轉(zhuǎn)入步驟(2b)；若節(jié)點在Δt內(nèi)沒有收到其它節(jié)點發(fā)送的Hello消息，則直接轉(zhuǎn)入步驟(2b)。所述的?？諒V域自組織網(wǎng)絡(luò)分簇方法，步驟(3)中偽最近鄰分類模型的建立主要包括如下步驟：步驟(3a)：以節(jié)點分布區(qū)域的幾何中心O為原點，在其分布區(qū)域的二維平面內(nèi)建立直角坐標系；任意給定α，其中α∈[0,π)，以α為傾斜角作一條穿過原點的直線l’，同時過原點作直線l’的垂線l；步驟(3b)：以直線l’為邊界，將網(wǎng)絡(luò)節(jié)點分為兩類，具體分類過程包括如下步驟：步驟(3b1)：從直線l上選取屬于兩個不同象限的任意兩點v和v’，假設(shè)xi是網(wǎng)絡(luò)的任意一個節(jié)點，規(guī)定由原點O指向v的向量設(shè)為R，由原點O指向v’的向量設(shè)為R'，由原點O指向xi的向量設(shè)為G，并規(guī)定向量G和R的夾角為θ，向量G和R'的夾角為θ'；步驟(3b2)：選擇偽訓(xùn)練樣本集將v和v’的位置坐標分別作為類ω1和類ω2的訓(xùn)練樣本集；步驟(3b3)：確定決策規(guī)則由于偽訓(xùn)練樣本集的偽訓(xùn)練樣本都位于同一條直線上，故節(jié)點xi與每個偽訓(xùn)練樣本集的任意一個偽訓(xùn)練樣本的夾角都是相同的，故可設(shè)定ωi類的判別函數(shù)為：其中，若則決策x∈ωj………………式(Ⅴ)。所述的海空廣域自組織網(wǎng)絡(luò)分簇方法，步驟(4)中利用偽最近鄰分類模型對節(jié)點進行分類，其主要包括如下步驟：步驟(4a)：設(shè)置以下參量：①角度α與β，α,β∈[0,π)，其中α表示邊界與x軸之間的夾角，β表示邊界所在直線每次轉(zhuǎn)過的角度，而邊界是指在直角坐標系中傾斜角為α、穿過原點O的直線l’；②依據(jù)網(wǎng)絡(luò)規(guī)模要求設(shè)定一個常數(shù)X，X表示不同簇的簇成員節(jié)點數(shù)目之差的上限；步驟(4b)：偽訓(xùn)練樣本集的選取以直角坐標系中傾斜角為α，穿過原點O的直線l’為邊界，將邊界的垂線l上若干離散點的集合作為偽訓(xùn)練樣本集，偽訓(xùn)練樣本集所在直線l的函數(shù)表達式為：偽訓(xùn)練樣本集所在直線l的正方向上隨機選取偽訓(xùn)練樣本v作為ω1類的訓(xùn)練樣本集，負方向上隨機選取偽訓(xùn)練樣本v’作為ω2類的訓(xùn)練樣本集，直線l的正方向選取遵循以下規(guī)則：①α＝0時，將直線l位于y軸正半軸部分設(shè)定為正方向；②α∈(0,π/2)時，將直線l位于第二象限的部分設(shè)定為正方向；③α＝π/2時，將直線l位于x軸負半軸部分設(shè)定為正方向；④α∈(π/2,π)時，將直線l位于第三象限的部分設(shè)定為正方向；步驟(4c)：利用偽最近鄰分類模型對節(jié)點進行分類將步驟(4b)中得到的偽訓(xùn)練樣本集作為偽最近鄰分類模型的訓(xùn)練樣本集，從而將全網(wǎng)節(jié)點分為ω1和ω2兩類節(jié)點，步驟(4d)：若兩類節(jié)點同時滿足規(guī)則1和規(guī)則2，則轉(zhuǎn)入步驟(5)，否則，令α＝α+β并返回步驟(4b)；其中：規(guī)則1：||ω1|-|ω2||≤X，即兩類節(jié)點的節(jié)點數(shù)目之差不超過X；規(guī)則2：每類節(jié)點組成的子網(wǎng)能構(gòu)成連通的網(wǎng)絡(luò)。所述的海空廣域自組織網(wǎng)絡(luò)分簇方法，節(jié)點分布區(qū)域的幾何中心O的確定方法是：將節(jié)點的位置信息表示為緯度x和經(jīng)度y組成的虛擬坐標對(x，y)，通過獲取所有節(jié)點的位置信息求出網(wǎng)絡(luò)節(jié)點分布區(qū)域的幾何中心O的坐標(x0，y0)，其中，x0和y0的計算方式如下：其中，N為待分類節(jié)點的總數(shù)，xi、yi分別為第i個節(jié)點的緯度和經(jīng)度，i＝1,2,3，…，N。本發(fā)明涉及一種?？諒V域自組織網(wǎng)絡(luò)分簇方法，所述網(wǎng)絡(luò)包括若干個超視距范圍分布的節(jié)點，所有節(jié)點首先通過GPS或北斗獲取自身的位置信息，并通過鄰居發(fā)現(xiàn)獲取全網(wǎng)節(jié)點的位置等信息；其次基于模式識別中的最近鄰分類思想建立偽最近鄰分類模型；然后利用偽最近鄰分類對網(wǎng)絡(luò)節(jié)點進行分簇，能將地理位置接近的節(jié)點劃入一個簇中，簇之間交疊區(qū)域較??；并且當(dāng)分簇結(jié)果不滿足需要時可再次進行調(diào)整，通過獲取新的偽訓(xùn)練樣本集，從而得到新的分簇結(jié)果，最后設(shè)定簇合并及簇分裂機制，有效實現(xiàn)簇間負載的均衡。基于其特殊的應(yīng)用背景，?？諒V域自組織網(wǎng)絡(luò)通常要求簇內(nèi)節(jié)點具有一定的集群性及較好的簇結(jié)構(gòu)穩(wěn)定性，并且要求簇結(jié)構(gòu)能夠根據(jù)要求實時調(diào)整。本發(fā)明針對?？諒V域自組織網(wǎng)絡(luò)節(jié)點的移動性會影響網(wǎng)絡(luò)性能的問題，分簇可以將路由重構(gòu)、資源重新分配盡可能限制在簇內(nèi)，避免了拓撲局部變化對整個網(wǎng)絡(luò)造成影響，并降低了路由重構(gòu)和資源重新分配的開銷。從而本發(fā)明克服了一般分簇算法在輸入?yún)?shù)確定時，分簇結(jié)果是唯一的缺陷，能有效滿足海空廣域自組織網(wǎng)絡(luò)在某些特定的應(yīng)用(如協(xié)同作戰(zhàn))中簇內(nèi)節(jié)點具有一定集群性的要求；負載均衡性好。附圖說明圖1是本發(fā)明的實現(xiàn)總流程圖。圖2是本發(fā)明中鄰居發(fā)現(xiàn)流程圖。圖3是本發(fā)明中決策設(shè)定過程示意圖。圖4是本發(fā)明中節(jié)點分類流程圖。圖5是本法明網(wǎng)絡(luò)節(jié)點初始位置分布圖。圖6是網(wǎng)絡(luò)節(jié)點分簇結(jié)果。圖7是依據(jù)網(wǎng)絡(luò)節(jié)點分簇結(jié)果所選擇出的簇頭節(jié)點。圖8是依據(jù)網(wǎng)絡(luò)節(jié)點分簇結(jié)果所選擇出的網(wǎng)關(guān)節(jié)點。具體實施方式將300km*300km超視距范圍內(nèi)的20個節(jié)點作為一個網(wǎng)絡(luò)，按以下步驟(1)～(6)進行處理，圖1是本發(fā)明實現(xiàn)總流程圖。步驟(1)：為每個節(jié)點分配唯一的標識符(ID)，所有節(jié)點通過GPS或北斗衛(wèi)星定位系統(tǒng)獲取自身的位置信息，本例中所涉及的節(jié)點(初始位置)見表1及圖5。表1：節(jié)點ID、節(jié)點位置坐標信息節(jié)點編號(ID)坐標(單位:km)1(348.91,171.32)2(68.43,4.58)3(260.15,149.13)4(150.15,170.68)5(208.47,125.97)6(190.21,7.29)7(70.21,130.65)8(307.83,237.19)9(278.46,328.45)10(341.20,48.52)11(256.36,294.12)12(276.53,246.58)13(15.49,77.19)14(131.13,256.26)15(88.78,33.34)16(391.75,81.43)17(394.12,247.32)18(97.89,209.63)19(283.56,101.02)20(45.32,221.03)步驟(2)：每個節(jié)點通過定向鄰居發(fā)現(xiàn)過程獲取網(wǎng)絡(luò)內(nèi)其他節(jié)點的位置及鄰接信息，即獲取全網(wǎng)的拓撲結(jié)構(gòu)。參照圖2，按步驟(2a)～(2c)實現(xiàn)鄰居發(fā)現(xiàn)過程：步驟(2a)：為每個節(jié)點設(shè)置一個鄰居節(jié)點列表NList，用以存儲鄰居節(jié)點標識符(ID)和位置信息，列表初始為空；步驟(2b)：節(jié)點隨機選擇一個時間發(fā)送Hello消息，消息中附帶其標識符ID、位置信息和列表NList信息，消息發(fā)送完畢，節(jié)點立即進入接收狀態(tài)；步驟(2c)：若節(jié)點在Δt(一般為0.01ms)內(nèi)收到其它節(jié)點的Hello消息，則將該Hello消息發(fā)送節(jié)點的ID添加到NList中，并轉(zhuǎn)入步驟(2b)；若節(jié)點在Δt內(nèi)沒有收到其它節(jié)點的Hello消息，則轉(zhuǎn)入步驟(2b)，如此循環(huán)，節(jié)點即可獲取全網(wǎng)節(jié)點的位置及鄰接信息。步驟(3)：基于模式識別最近鄰分類理論建立偽最近鄰分類模型。首先計算節(jié)點分布區(qū)域的幾何中心O，然后按照步驟(3a)～(3c)建立為最近鄰分類模型：節(jié)點分布區(qū)域的幾何中心O的計算過程是：將節(jié)點的位置信息表示為由緯度x和經(jīng)度y組成的虛擬坐標對(x,y)，通過獲取所有節(jié)點的位置信息即可求出網(wǎng)絡(luò)節(jié)點分布區(qū)域的幾何中心O的坐標(x0,y0)，x0和y0按下式(Ⅵ)計算得到：式(Ⅵ)中，N為節(jié)點總數(shù)，本例中N＝20。步驟(3a)：以幾何中心O為原點，在節(jié)點分布區(qū)域的二維平面內(nèi)建立直角坐標系。步驟(3b)：任意給定弧度角α，其中α∈[0,π)，并以α為傾斜角作一條穿過原點的直線l’，同時過原點作直線l’的垂線l。本例中，α＝0。步驟(3c)：以直線l’為邊界，將網(wǎng)絡(luò)節(jié)點分為兩類，詳見步驟(3c1)～(3c3)：步驟(3c1)：如圖3，從直線l上選取屬于兩個不同象限的任意兩點v和v’，假設(shè)xi是網(wǎng)絡(luò)的任意一個節(jié)點，規(guī)定由原點O指向v的向量設(shè)為R，由O指向v’的向量設(shè)為R’，由O指向xi位置的向量設(shè)為G，并假設(shè)向量G和R的夾角為θ，向量G和R’的夾角為θ'；步驟(3c2)：選擇偽訓(xùn)練樣本集將v和v’的位置坐標分別作為類ω1和類ω2的偽訓(xùn)練樣本集(由于v和v’的位置信息不是網(wǎng)絡(luò)實際節(jié)點的位置信息，因此稱為偽訓(xùn)練樣本集)，則此時若將以l’為邊界將網(wǎng)絡(luò)分為兩個簇，則問題轉(zhuǎn)化為有2個類別ω1、ω2的偽最近鄰分類問題，且每類都有標明類別的偽樣本；步驟(3c3)：確定決策規(guī)則由于偽訓(xùn)練樣本集的偽訓(xùn)練樣本都位于同一條直線上，故xi(即相關(guān)的向量G)與每個偽訓(xùn)練樣本集的任意一個偽訓(xùn)練樣本(及相關(guān)的向量R和R’)的夾角都是相同的，故可設(shè)定ωi類的判別函數(shù)為：其中，若則決策x∈ωj………………式(Ⅴ)。步驟(4)：利用偽最近鄰分類模型對節(jié)點進行分類，參照圖4，本發(fā)明利用偽最近鄰分類模型對節(jié)點進行分類包括如下步驟(4a)～(4c)：步驟(4a)：利用偽最近鄰分類模型對節(jié)點進行分類，主要包括如下幾個步驟：步驟(4a1)：在對節(jié)點進行分類之前，首先設(shè)置以下參量：①角度α與β，α,β∈[0,π)(弧度制)，其中α含義與步驟(3)中α含義相同，表示邊界與x軸之間的夾角，β表示邊界所在直線每次轉(zhuǎn)過的角度，而邊界是指在直角坐標系中傾斜角為α、穿過原點O的直線l’；本例中，初始值α＝0，β＝π/36；②依據(jù)網(wǎng)絡(luò)規(guī)模要求設(shè)定一個常數(shù)X，表示不同簇的簇成員節(jié)點數(shù)目之差的上限，本例中常數(shù)X＝2。為實現(xiàn)簇間負載的均衡、提高網(wǎng)絡(luò)整體性能，要求各個簇的節(jié)點總數(shù)接近，當(dāng)各個簇節(jié)點數(shù)目相等時，網(wǎng)絡(luò)負載均衡性最好。因此，要求各個簇的節(jié)點總數(shù)接近。但為了提高分簇效率、節(jié)約分簇開銷，當(dāng)在確定的α處，若兩個簇的節(jié)點總數(shù)之差不超過算法設(shè)定的X，則認為分簇成功，X的值一般不超過2，即X取值一般為0、1或2。步驟(4b)：選取偽訓(xùn)練樣本集偽訓(xùn)練樣本集所在直線l的函數(shù)表達式為：偽訓(xùn)練樣本集所在直線l的正方向上隨機選取偽訓(xùn)練樣本v作為ω1類的訓(xùn)練樣本，負方向上隨機選取v’偽訓(xùn)練樣本作為ω2類的訓(xùn)練樣本，其中，直線l的正方向選取遵循以下規(guī)則：①α＝0時，將直線l位于y軸正半軸部分設(shè)定為正方向；②α∈(0,π/2)時，將直線l位于第二象限的部分設(shè)定為正方向；③α＝π/2時，將直線l位于x軸負半軸部分設(shè)定為正方向；④α∈(π/2,π)時，將直線l位于第三象限的部分設(shè)定為正方向。初始樣本集為全體節(jié)點組成的集合。首先將初始樣本集分為兩類，該問題轉(zhuǎn)化為有2個類別ω1、ω2的模式識別問題。因此，在對樣本集進行分類之前，首先要確定每個類別的訓(xùn)練樣本集。步驟(4c)：利用偽最近鄰分類模型對節(jié)點進行分類將步驟(4b)中得到的偽訓(xùn)練樣本集作為偽最近鄰分類模型的訓(xùn)練樣本集，從而將全網(wǎng)節(jié)點分為ω1和ω2兩類，若兩類節(jié)點同時滿足規(guī)則1和規(guī)則2，則轉(zhuǎn)入步驟(5)，否則，令α＝α+β并返回步驟(4b)，其中規(guī)則1和規(guī)則2分別為：規(guī)則1：||ω1|-|ω2||≤X，即兩類節(jié)點的節(jié)點數(shù)目之差不超過X；規(guī)則2：每類節(jié)點組成的子網(wǎng)能構(gòu)成連通的網(wǎng)絡(luò)：所有的分簇都要求每個簇內(nèi)所有節(jié)點能構(gòu)成一個連通的子網(wǎng)，即子網(wǎng)內(nèi)任意一對節(jié)點之間都存在一條路徑，通俗講，即任意節(jié)點u發(fā)送的消息都能直接或經(jīng)過簇內(nèi)其余節(jié)點的轉(zhuǎn)發(fā)到達簇內(nèi)其余任意一個節(jié)點。這樣才能保證信息在子網(wǎng)內(nèi)能共享給每個節(jié)點。步驟(5)：設(shè)定每個簇的節(jié)點數(shù)目的上限U和下限L，若一個簇的節(jié)點數(shù)小于L，則尋找其鄰居簇進行合并，且要求合并后的簇滿足節(jié)點數(shù)小于等于U的要求，若合并后的簇的節(jié)點數(shù)大于U，則將該合并后的簇返回步驟(4)進行再分類；若一個簇的節(jié)點數(shù)大于U，則將該簇返回步驟(4)進行再分類；經(jīng)過以上步驟，將網(wǎng)絡(luò)節(jié)點分為若干類，每類節(jié)點一起構(gòu)成了網(wǎng)絡(luò)的一個簇，分類結(jié)果如圖6所示。步驟(6)：選擇簇頭節(jié)點和網(wǎng)關(guān)節(jié)點步驟(6a)：選擇簇頭節(jié)點計算簇中每個節(jié)點與網(wǎng)絡(luò)幾何中心的距離，以節(jié)點v為例，假設(shè)其位置坐標為(x，y)，與幾何中心的距離為d，d的計算公式為：每個簇中選擇與幾何中心O距離最近的節(jié)點作為簇頭，若最小距離相等則通過節(jié)點ID區(qū)分，將節(jié)點ID較小的節(jié)點作為簇頭節(jié)點，結(jié)果如圖7所示。步驟(6b)：選擇網(wǎng)關(guān)節(jié)點計算按照公式(Ⅰ)計算每個節(jié)點與相鄰簇中所有節(jié)點之間的鏈路長度，將相鄰簇之間的最短鏈路對應(yīng)的節(jié)點作為網(wǎng)關(guān)節(jié)點，若最短鏈路對應(yīng)節(jié)點數(shù)多于一個，則選擇節(jié)點ID較小的節(jié)點作為網(wǎng)關(guān)節(jié)點，結(jié)果如圖8所示。當(dāng)前第1頁1 2 3