本發(fā)明涉及一種基于譜聚類算法的機會網絡群組移動方法。
背景技術：
：目前在機會網絡中，節(jié)點多數(shù)是由人所攜帶智能移動設備進行自由移動，相互之間利用短距離無線通信技術進行消息傳輸?shù)囊环N特殊自組織網絡。這種特殊網絡不僅具有移動自組織網絡的基本特征，另外還具有人的社會性，網絡拓撲結構各種不同變化與人的移動特征有關。在網絡研究中，網絡協(xié)議是否有效、數(shù)據(jù)的傳輸率是否高以及安全性等等我們關心的問題都與移動方式密切相關。群組移動考慮的是節(jié)點之間的移動影響，在現(xiàn)實生活中節(jié)點很多時候不是單個形式出現(xiàn)在移動區(qū)域。以往提出的群組移動方法包括參考點群組移動、隊列移動、游牧群體移動、指數(shù)相關移動等，有的方法對節(jié)點運動狀態(tài)描述很少，有的模型在機會網絡中運行，由于節(jié)點運動的很大不確定性而不能進行合理操作，或者形成的群體是靜止的，不能反映真實地圖群體行為特征等等缺點。對于群組移動方法，文獻《基于加權最小二乘預測模型的群組移動位置更新研究》(馬曉蕊.基于加權最小二乘預測模型的群組移動位置更新研究[d].西安電子科技大學,2008)運用遺忘因子在參數(shù)估計中對新舊數(shù)據(jù)分配不同的權值，提出基于加權最小二乘算法的定位方法。該方法假設群組移動節(jié)點是階段性勻速直線運動，且假設各群組中的節(jié)點數(shù)目恒定不變。這往往與實際應用不符。文獻《自組網的組移動位置服務》(國文成.移動自組網的組移動位置服務[d].國防科學技術大學,2009.)提出一種基于節(jié)點位置和速度相似度的組移動位置服務。當需要預知節(jié)點位置信息時，需依次確定目標節(jié)點所在的組及其組長，目標節(jié)點相對于本組組長的位置，再由組長通過自身位置和目標得到目標節(jié)點的確切位置，定位過程較復雜，受網絡拓撲結構變化影響大。本發(fā)明專利通過使用譜聚類算法與基于地圖的最短路徑節(jié)點移動方法相結合的方法，能夠在現(xiàn)實環(huán)境中，真實有效的描述節(jié)點運動的群體特征，聚類劃分時間快，并且能處理任意形狀的節(jié)點分布，效果良好。技術實現(xiàn)要素：針對現(xiàn)有技術中存在的不足，本發(fā)明提供一種基于譜聚類算法的機會網絡群組移動方法，采用譜聚類算法與傳統(tǒng)群組移動方法相結合的方式，能較好的根據(jù)節(jié)點的相關特征使節(jié)點完成群體聚類、群組移動行為，包括如下步驟：1)生成n個移動節(jié)點s＝{s1,s2,...sn}，仿真開始時，n個節(jié)點在地圖上做個體隨機運動；2)每個節(jié)點獲取自身空間位置，構造節(jié)點相似矩陣a，表示如下：其中d(si,sj)表示si和sj的空間距離，σ為尺度參數(shù)；3)通過步驟2)得到矩陣a，計算拉普拉斯矩陣lsym＝i-d-1/2ad-1/2，其中i為單位矩陣，d為對角矩陣，且其余值為0，設定聚類數(shù)目為k，計算lsym的特征值和特征向量，提取前k個最小特征值的特征向量構造矩陣x，歸一化處理得到矩陣y；4)根據(jù)步驟3計算得到的y的每一行代表一個節(jié)點，隨機選取k個聚類中心點，計算y的每個節(jié)點到k個聚類中心點的距離權重，若節(jié)點與某個聚類中心點距離權重值最短，則該節(jié)點與此聚類中心點劃為一個類，最后得到節(jié)點聚類劃分結果；5)節(jié)點根據(jù)劃分結果，前往相應聚類中心點進行聚集，并跟隨中心點進行群組移動。2、上述的一種基于譜聚類算法的機會網絡群組移動方法，所述步驟2)中，其特征是，d(si,sj)表示si和sj的空間距離，表示為：其中，節(jié)點si和sj的空間坐標分別為(xi1,xj1)和(xi2,xj2)。3、上述的一種基于譜聚類算法的機會網絡群組移動方法，所述步驟3)中，其特征是，所述特征值λ1,λ2,…,λn和非零特征列向量xi由方程(lsym-λii)xi＝0求解得到，提取k個最小特征值所對應的k個n維特征列向量x1,x2,…,xk，特征向量矩陣x表示為：x＝[x1,x2,…,xk]∈rn*k其中k為群組數(shù)目，n*k為矩陣x的大??；所述步驟3)中，對x的行向量做歸一化處理，得到y(tǒng)矩陣為：應用本發(fā)明的技術方案，具有以下有益效果：因為在機會網絡中節(jié)點的數(shù)據(jù)轉發(fā)成功率和網絡負載等性能都受到節(jié)點移動方式的影響，因此本發(fā)明提供一種基于譜聚類算法的機會網絡群組移動方法，能夠靈活有效的與傳統(tǒng)的網絡節(jié)點移動方法相結合，真實有效的完成了節(jié)點聚集和群組移動的行為，算法開銷時間復雜度不高，聚類劃分時間快，并且能處理任意形狀的節(jié)點分布，效果良好并且具備靈活的可擴展性，在特殊場合具有一定應用性。附圖說明圖1為本發(fā)明的群體節(jié)點聚集的流程圖；圖2為本發(fā)明仿真節(jié)點在1600秒時刻的個體移動示意圖；圖3為本發(fā)明仿真節(jié)點在2700秒時刻的群體移動示意圖。具體實施方式本次實施的實驗地為地圖仿真，場景范圍4500x3400(m^2)，所有節(jié)點攜帶藍牙設備進行數(shù)據(jù)傳輸，傳輸采用epidemic路由協(xié)議，仿真時間為5000s，節(jié)點數(shù)量為240個，節(jié)點通信范圍為10m，節(jié)點自身緩存5m，節(jié)點速度6.5m/s，并且設定聚類數(shù)目為6個，聚集開始時間為1600s，本發(fā)明技術方案的流程框圖如圖1所示。1)先生成240個移動節(jié)點s＝{s1,s2,...sn}在地圖上隨機分布，并按照自己的設定做個體隨機移動，如圖2所示；2)指定聚類開始后，獲取節(jié)點空間位置，計算節(jié)點歐式距離d(si,sj)，構造節(jié)點相似矩陣a，計算度矩陣d。該步驟在實施過程中，d(si,sj)表示si和sj的空間距離，用歐式距離表達式：其中，節(jié)點si和sj的空間坐標分別為(xi1,xj1)和(xi2,xj2)，距離單位為m。實施過程為減少數(shù)據(jù)誤差，提高精度，位置坐標分別除以1000，求解得到d(si,sj)如表1所示：表1節(jié)點空間距離d(si,sj)i000…239239j012…238239d(si,sj)01.8631.455…2.1060節(jié)點相似矩陣的表達式為：其中σ為尺度參數(shù)，取值σ＝0.48。實施過程中求的相似矩陣a如下：該步驟中，d為對角矩陣且其余值為0。實施過程中可求得度矩陣d如下：3)設定聚類數(shù)目k＝6，然后計算拉普拉斯矩陣lsym，其特征是，計算拉普拉斯矩陣lsym的表達式為：lsym＝i-d-1/2ad-1/2實施過程中，根據(jù)矩陣d和矩陣a，可求得拉普拉斯矩陣lsym如下：特征值λ1,λ2,…,λn和非零特征列向量xi由方程求解(lsym-λii)xi＝0，提取前k個最小特征值所對應的k個n維特征列向量x1,x2,…,xk如下：構造矩陣x＝[x1,x2,…,xk]∈rn*k，其中k為群組數(shù)目，n*k為矩陣x的大小。對x的行向量做歸一化處理，得到y(tǒng)矩陣，其中：實施過程中求的y矩陣如下：4)根據(jù)計算得到的y的每一行代表一個節(jié)點，隨機選取k個聚類中心點，計算y的每個節(jié)點到k個聚類中心點的距離權重，若該節(jié)點與聚類中心點的距離權重值最短，這將聚類中心點與該節(jié)點與劃為一類。若y的第i行數(shù)據(jù)歸入第j類，則表示原數(shù)據(jù)節(jié)點si也就劃分到第j類；得到節(jié)點聚類劃分結果，如表2所示。5)節(jié)點根據(jù)劃分結果，前往相應聚類中心點進行聚集，并跟隨中心點進行群組移動。如圖3所示，本次聚類時間只用了18分鐘，就聚集并開始群組移動，證實了本方法的有效性。表2節(jié)點聚類劃分結果當前第1頁12