[发明专利]一种面向普适计算感知数据流的协同进化聚类方法

权利要求书

1.一种面向普适计算的传感器网络流数据聚类方法，其特征在于采用进化协同与通信消息机制的结合来控制优化数据的聚类，具体如下：

步骤1).处于某监测区域的传感器节点监测到目标，获得感知数据，进行流数据的离散化，

步骤2).汇聚节点周期性发布兴趣消息，生成以汇聚节点为根节点的数据聚合路径生成树，

步骤3).若传感器节点为数据源节点，则将数据样本类取值以响应消息形式沿聚合路径生成树传输至汇聚节点，否则等待，

步骤4).汇聚节点依据采集的数据类，组织选择机制，随机产生初始种群，聚类策略发布至数据源节点，

步骤5).数据源节点依据属性实现聚类，计算个体适应度，并判断是否满足终止条件，若满足，输出最佳个体其代表的最优聚类属性至汇聚节点，转步骤7)，否则转向步骤6)，

步骤6).依据适应度选择再生个体，适应度高的个体被选中概率高，适应度低的个体可能淘汰，由迁移、交换产生新一代种群，返回步骤5)，

步骤7).汇聚节点根据选定的种群排列结果，对应与感知节点的ID，这些节点作为数据聚类节点，并将聚类中心ID及数据类以消息形式发布到聚类节点，

步骤8).聚类节点收到来自汇聚节点聚类消息后，采用属性聚类算法2.1和遗传算子进化算法2.2进行聚类任务的决策，包括协同控制驻留聚类节点的数据聚合时隙，聚类数据，

步骤9).聚类节点协同完成数据聚类任务后，携带部分数据结果和状态信息通过消息返回汇聚节点，

步骤10).聚类节点收集数据聚类过程中，依据来自传感器网络目标节点的事件消息，更新系统信息，若满足给定的聚类结束的阈值条件，则结束，否则，转步骤4)。

2.根据权利要求1所述的面向普适计算的传感器网络流数据聚类方法，其特征在于所述的属性聚类算法2.1为：

步骤211：计算出取值个数最多的两个属性A_m1，A_m2，令i←1，

步骤212：对i部分中每条数据，若Class＝j且A_m1，A_m2为第k种取值组合，则将其与Example_i，j，k中的样本进行合并，

步骤213：若i<m，则令i←i+1，转步骤212，否则令j←1，k←1，转步骤214，

步骤214：对Example_i，j，k，i＝1，2，…m，m个集合的样本进行两两合并，直到合并成一个集合为止，

步骤215：若k<|A_m1|×|A_m2|，令k←k+1，转步骤214，否则若j<|Class|，令j←j+1，k←1，转步骤214，否则停止；

其中：|A_i|为A_i可取值的个数，A_m1，A_m2为取值个数最多的两个属性。将数据分成m份，属性A_m1，A_m2共有|A_m1|×|A_m2|种取值组合，Example_i，j，k表示第i部分数据中Class＝j且A_m1，A_m2为第k种取值组合的样本集合。

3.根据权利要求1所述的面向普适计算的传感器网络流数据聚类方法，其特征在于所述的遗传算子进化算法2.2为：

设T表示进化代数，M是预先给定的参数，org是当前正在计算适应度的组织，且org∉ORGT,]]>为属性A在第t代的重要度，Count表示该样本中数据出现的次数；Count表示该类数据的个数；Class表示org的样本类别；All表示所有数据的个数；

适应度函数定义为：

Fit(org)=0,org∈ORGT-1,org∈ORGAΣi=1|org|Count(Memberi)Πj=1|Uorg|SAj,org∈ORGT]]>

其中Member_i为org的第i个成员，A_j为U_org中的第j个属性；

步骤221：根据算法2.1属性聚类算法对流数据样本进行预处理，

步骤222：将每个样本e以平凡组织的形式加入到种群中，令t←0，i←1，

步骤223：如果i>|Class|，转步骤228，

步骤224：如果中的组织数大于1，转步骤225；否则，转步骤227，

步骤225：先从中随机选出两个父代组织org_p1和org_p2，然后随机选择一个组织进化算子作用在org_p1和org_p2上产生子代组织org_c1和org_c2，计算org_c1和org_c2的适应度，

步骤226：将组织选择机制作用在org_p1，org_p2和org_c1，org_c2上，并将org_p1，org_p2从中删除，转步骤224，

步骤227：将中剩余的组织移入令i←i+1，转步骤223，

步骤228：如果终止条件满足，则停止，否则令t←t+1，i←1，转步骤223。