一种基于Mesh的拓扑优化智能水表优化方法及优化系统与流程

一种基于mesh的拓扑优化智能水表优化方法及优化系统
技术领域
1.本发明涉及物联网水表技术领域，特别涉及一种基于mesh的拓扑优化智能水表优化方法及优化系统。


背景技术：

2.物联网(iot)是指通过互联网连接和通信的各种物理设备、传感器、软件和网络基础设施，以实现数据交换和远程控制的网络。在物联网领域中，水表拓扑技术是一种用于组织和管理水表设备之间连接关系的技术。
3.水表拓扑技术涉及将水表设备连接到一个网络中，使其能够与其他设备和系统进行通信和数据交换。它可以包括多种连接方式，如有线连接(如以太网)、wi-fi、蓝牙、无线传感器网络等。通过水表拓扑技术，水表可以实时地将水量读数、使用情况和其他相关数据传输到中央管理系统或云平台，实现远程监控和管理。
4.水表拓扑技术的意义在于提供了对水资源的更加高效和智能的管理：
5.(1)远程监控和管理：水表拓扑技术使水表设备能够实时传输数据，允许水务公司或相关部门远程监控和管理水表，而无需实地访问每个水表。这可以节省时间和人力资源，并提高管理效率。
6.(2)水资源优化：通过水表拓扑技术，可以收集和分析大量的水表数据，包括用水量、用水模式等。这些数据可以帮助水务公司或用户了解用水情况，发现异常或浪费，从而采取相应的措施进行优化和节约。
7.(3)漏水检测和快速响应：水表拓扑技术可以通过实时监测用水量和用水模式来检测潜在的漏水问题。一旦检测到异常，系统可以立即发出警报，使水务公司或用户能够迅速采取措施修复漏水，减少损失。
8.(4)账单准确性和自动化：水表拓扑技术可以消除传统人工读表的过程，通过自动采集数据并将其传输到中央系统，实现自动化计费。这提高了账单的准确性，并节省了人工录入数据的时间和努力。
9.总的来说，水表拓扑技术在物联网领域中具有重要意义，它使水资源管理更加智能化、高效化和可持续化，有助于提高用水效率、减少浪费，并改善对水资源的监控和管理能力。
10.但是，经过发明人长期工作与研究发现，传统技术中存在如下的技术问题亟需解决：
11.(1)静态拓扑结构：传统物联网拓扑技术通常采用静态的拓扑结构，节点间的连接关系在部署阶段确定，并且很少进行动态调整。这种静态拓扑结构无法适应节点变化、环境变化或网络负载变化的情况，导致通信效率和网络性能受限。
12.(2)缺乏优化：传统的物联网拓扑技术缺乏针对节点间通信路径的优化算法。节点之间的通信路径往往是基于固定的路由协议，不考虑节点特征和动态变化的因素。这导致了通信路径的冗余和不必要的能耗，影响了网络的效率和能耗。
13.(3)通信成本高：传统技术在大规模物联网应用中通常采用集中式通信方式，即所有节点都与中心节点直接通信。这种方式会导致网络中心节点的负载过重，通信成本较高，并且容易造成网络拥塞和单点故障。
14.(4)节点能耗不均衡：传统技术中的节点通常具有相同的通信负载，无法根据节点的剩余能量和通信距离进行动态调整。这会导致一些节点能耗过快，而其他节点能耗较低，降低了网络的稳定性和可靠性。
15.(5)网络扩展性受限：传统的物联网拓扑技术在网络扩展方面存在一定的限制。由于节点连接关系固定，当需要增加新的节点时，必须重新规划和部署整个网络，增加了管理和维护的复杂性。
16.为此，提出一种基于mesh的拓扑优化智能水表优化方法及优化系统。


技术实现要素：

17.有鉴于此，本发明实施例希望提供一种基于mesh的拓扑优化智能水表优化方法及优化系统，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择；
18.本发明实施例的技术方案是这样实现的：
19.第一方面
20.一种基于mesh的拓扑优化智能水表优化方法，包括：
21.step1:数据预处理计算物联网水表系统中各节点的特征；例如位置坐标、通信距离、信号强度、节点剩余能量；将这些特征作为输入数据，用于k-means聚类和最短路径计算；
22.step2:k-means聚类选择合适的k值，即聚类的数量；使用k-means算法对节点进行聚类；算法流程如下：
23.2.1、随机选择k个节点作为初始聚类中心；
24.2.2、对于剩余的每个节点，计算其与各个聚类中心的距离，将节点划分到距离最近的聚类中心所在的簇；
25.2.3、更新每个簇的聚类中心，使其成为簇内所有节点特征的平均值；
26.重复2.2和2.3，直到聚类中心的变化小于给定阈值或达到最大迭代次数。
27.step2:k-means聚类：
28.设x为所有节点特征数据集，c为聚类中心集合；k-means算法的迭代过程中需要计算节点到聚类中心的距离，并更新聚类中心；
29.距离计算公式(欧几里得距离)：
30.d(x,c)＝sqrt(∑(x_i-c_i)^2)(对于所有i)
31.聚类中心更新公式：c_j＝(∑x_k)/n(对于属于簇j的所有节点x_k)。
32.step3:局部拓扑优化在每个聚类内部，基于图论的最短路径算法进行拓扑优化；采用dijkstra算法结合动态权重调整策略；
33.在每个聚类内部，使用基于图论的最短路径算法(dijkstra算法)进行拓扑优化；设g(v,e)为图，w(u,v)为边(u,v)的权重；
34.dijkstra算法的更新公式：
35.v.d＝min(v.d,u.d+w(u,v))(对于与节点u相邻的所有节点v)。
36.step4:全局拓扑优化在全局范围内，将每个聚类视为一个超级节点，并为各个超级节点之间分配权重；然后，使用最短路径算法计算超级节点之间的最优通信路径；在全局范围内，使用最短路径算法计算超级节点之间的最优通信路径，算法等同于step3。
37.step5:数据传输与优化在数据传输过程中，根据局部和全局的最短路径信息动态调整数据包的转发路径；这有助于降低通信成本和能耗，提高网络稳定性。
38.step6:动态调整与优化监控网络状态和节点状态，如节点失效、通信质量变化等；当检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
39.在上述的实施方式中，该基于mesh的拓扑优化智能水表优化方法的实施方式包括以下步骤：
40.首先，进行数据预处理，计算物联网水表系统中各节点的特征，包括位置坐标、通信距离、信号强度和节点剩余能量等。将这些特征作为输入数据，用于k-means聚类和最短路径计算。使用k-means聚类算法对节点进行聚类，选择合适的k值(聚类的数量)。在每个聚类内部，基于图论的最短路径算法进行局部拓扑优化。在全局范围内，将每个聚类视为一个超级节点，并为各个超级节点之间分配权重，然后使用最短路径算法计算超级节点之间的最优通信路径。在数据传输过程中，根据局部和全局的最短路径信息动态调整数据包的转发路径，以降低通信成本和能耗，提高网络稳定性。监控网络状态和节点状态，如节点失效、通信质量变化等，并在检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
41.第二方面
42.一种基于mesh的拓扑优化智能水表优化系统，优化系统采用如上述的优化方法进行运行，包括至少一个基站端和至少三个基层端；
43.基层端与物联网水表交互连接并无线收发用水信息；每个基层端之间相互交互通讯连接，构成拓扑结构；
44.每个基层端交互连接于用于承担数据汇总的基站端。
45.基层端包括mcu模块，及与之交互连接的用于收发物联网水表用水信息的计量模块(如水表计量传感器)、用于定位物联网水表信息物理方位的定位模块(如gps定位器)、用于存储节点数据、拓扑结构和配置信息的存储模块(如flash等非易失性存储器)和用于无线通讯的第一无线通讯模块(如lora、zigbee或nb-iot)。
46.所述第一无线通讯模块连接有用于检测监测节点状态(如剩余能量)和环境参数(如信号强度、通信距离等)的检测模块(如信号传感器)。所述基层端包括中央cpu处理模块和与之交互连接的用于提供与其他外部设备的连接接口，如显示器、键盘、鼠标等方便现场操作和维护人员进行设备配置、监控和故障排查的接口模块、用于将中央cpu处理模块连接到互联网的无线网络接口(以太网、wi-fi、蜂窝网络等)、用于存储汇总的数据、拓扑结构和配置信息的中央cpu处理模块和用于与周围多个基层端的第一通讯模块进行无线通信的第二通讯模块。
47.在上述实施方式中，该基于mesh的拓扑优化智能水表优化系统的实施方式包括以下组成部分：
48.基站端：至少一个基站端，用于承担数据汇总和管理任务。
49.基层端：至少三个基层端，与物联网水表交互连接并无线收发用水信息。每个基层
端之间相互交互通讯连接，构成拓扑结构。
50.基层端的组成部分：每个基层端包括mcu模块、用于收发物联网水表用水信息的计量模块(如水表计量传感器)、用于定位物联网水表信息物理方位的定位模块(如gps定位器)、用于存储节点数据、拓扑结构和配置信息的存储模块(如flash等非易失性存储器)以及用于无线通讯的第一无线通讯模块(如lora、zigbee或nb-iot)。
51.通讯模块和检测模块：第一无线通讯模块连接有用于检测监测节点状态(如剩余能量)和环境参数(如信号强度、通信距离等)的检测模块(如信号传感器)。
52.中央cpu处理模块和接口模块：基层端还包括中央cpu处理模块和与之交互连接的接口模块，用于提供与其他外部设备的连接接口，如显示器、键盘、鼠标等，方便现场操作和维护人员进行设备配置、监控和故障排查。
53.网络接口和第二通讯模块：基层端还包括用于将中央cpu处理模块连接到互联网的无线网络接口(如以太网、wi-fi、蜂窝网络等)以及用于与周围多个基层端的第一通讯模块进行无线通信的第二通讯模块。
54.与现有技术相比，本发明的有益效果是：
55.一、强大的拓扑优化能力：本发明通过k-means聚类和最短路径算法等优化算法，实现了局部和全局范围内的拓扑优化。它可以根据节点特征和环境变化动态调整网络拓扑，优化通信路径，提高网络通信效率和稳定性。
56.二、高效的通信与能耗优化：通过动态调整数据包的转发路径和能耗均衡策略，本发明可以降低通信成本和能耗。节点间的通信路径经过优化，减少了通信路径的冗余和延迟，提高了通信效率。同时，通过合理分配节点的能耗，延长了网络的工作寿命。
57.三、灵活性与可扩展性：基于mesh的拓扑结构和优化算法，本发明具备灵活性和可扩展性。节点的动态加入和离开不需要重新规划和部署整个网络，而是通过重新执行聚类和最短路径计算，实现了网络的动态拓扑优化和调整。这使得系统具备良好的灵活性和可扩展性。
58.四、提高网络稳定性和可靠性：通过动态调整拓扑结构和通信路径，本发明能够适应节点变化和网络环境的变化，提高了网络的稳定性和可靠性。它可以监测节点状态和环境参数，并根据实时数据进行动态调整，以保持网络的稳定运行。
59.五、资源利用效率提升：优化的拓扑结构和通信路径使得网络资源得到更有效的利用。通过聚类和最短路径计算，减少了通信开销和能耗，提高了网络资源的利用效率。这有助于降低运营成本，提高整个系统的性能和可持续发展能力。
附图说明
60.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
61.图1为本发明的方法流程示意图；
62.图2为本发明的系统示意图；
63.图3为本发明的基层端组成部分示意图；
64.图4为本发明的拓扑结构示意图；
65.图5为本发明的step1～6的驱动程序(c++)图(上半部分)；
66.图6为本发明的step1～6的驱动程序(c++)图(下半部分)。
具体实施方式
67.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
68.需要注意的是，术语“第一”、“第二”、“对称”、“阵列”等仅用于区分描述与位置描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“对称”等特征的可以明示或者隐含地包括一个或者更多个该特征；同样，对于未以“两个”、“三只”等文字形式对某些特征进行数量限制时，应注意到该特征同样属于明示或者隐含地包括一个或者更多个特征数量；
69.在现有技术中，传统物联网拓扑技术存在以下缺点：静态拓扑结构无法适应节点和环境变化，缺乏优化算法导致通信路径冗余和能耗增加，集中式通信方式造成高通信成本和单点故障，节点能耗不均衡降低网络稳定性，网络扩展性受限需要重新规划和部署；为此，请参阅图1-4，本具体实施方式将提供相关技术方案以解决上述技术问题：一种基于mesh的拓扑优化智能水表优化方法及优化系统，包括：
70.step1:数据预处理计算物联网水表系统中各节点的特征；例如位置坐标、通信距离、信号强度、节点剩余能量；将这些特征作为输入数据，用于k-means聚类和最短路径计算；
71.在本方案中，step1是基于mesh的拓扑优化智能水表优化方法中的第一步，即数据预处理计算物联网水表系统中各节点的特征。这一步的原理主要涉及数据收集和特征计算两个方面。
72.(1)数据收集：在物联网水表系统中，通过传感器和测量设备收集水表节点的相关数据，例如位置坐标、通信距离、信号强度和节点剩余能量等。这些数据可通过节点内部的传感器、通信模块和能源监测装置获取。通过无线通信，将数据传输给中央处理单元进行进一步处理。
73.(2)特征计算：对于收集到的数据，进行特征计算是为了提取节点的重要特征，并为后续的聚类和路径计算提供输入。具体的特征计算方法可以根据具体需求和系统设计进行选择，例如：
74.(3)位置坐标：通过节点的gps定位模块或其他定位技术获取节点的精确位置信息。这可以用于后续路径计算和节点聚类，以便确定节点之间的距离和相对位置。
75.(4)通信距离和信号强度：根据节点之间的通信情况，通过测量节点之间的通信距离和信号强度来评估节点之间的连接质量。这些信息可以用于路径计算和拓扑优化，以建立可靠的通信路径和优化网络连接。
76.(5)节点剩余能量：通过监测节点的能源消耗和能量存储情况，计算出节点的剩余能量。这是为了评估节点的能耗情况和工作状态，从而在后续的优化过程中考虑节点能量
平衡和能耗优化。
77.综上所述，step1的原理包括数据收集和特征计算两个方面。通过收集物联网水表系统中节点的相关数据，并计算节点的特征信息，为后续的聚类和路径计算提供基础数据，从而实现对系统中各节点特征的预处理。
78.step2:k-means聚类选择合适的k值，即聚类的数量；使用k-means算法对节点进行聚类；算法流程如下：
79.2.1、随机选择k个节点作为初始聚类中心；
80.2.2、对于剩余的每个节点，计算其与各个聚类中心的距离，将节点划分到距离最近的聚类中心所在的簇；
81.2.3、更新每个簇的聚类中心，使其成为簇内所有节点特征的平均值；
82.重复2.2和2.3，直到聚类中心的变化小于给定阈值或达到最大迭代次数。
83.step2:k-means聚类：
84.设x为所有节点特征数据集，c为聚类中心集合；k-means算法的迭代过程中需要计算节点到聚类中心的距离，并更新聚类中心；
85.距离计算公式(欧几里得距离)：
86.d(x,c)＝sqrt(∑(x_i-c_i)^2)(对于所有i)
87.聚类中心更新公式：c_j＝(∑x_k)/n(对于属于簇j的所有节点x_k)。
88.在本方案中，step2是基于mesh的拓扑优化智能水表优化方法中的第二步，即k-means聚类。这一步的原理主要涉及k-means算法的执行过程和聚类中心的更新。k-means算法是聚类算法，用于将数据点划分为不同的簇。在此步骤中，使用k-means算法对水表系统中的节点进行聚类，以便后续的拓扑优化和路径计算。
89.算法流程如下：
90.随机选择k个节点作为初始聚类中心。
91.对于剩余的每个节点，计算其与各个聚类中心的距离，将节点划分到距离最近的聚类中心所在的簇。
92.更新每个簇的聚类中心，使其成为簇内所有节点特征的平均值。
93.重复步骤2和3，直到聚类中心的变化小于给定阈值或达到最大迭代次数。
94.在执行k-means算法时，需要使用适当的距离计算公式和更新聚类中心的公式。
95.距离计算公式(欧几里得距离)用于衡量节点之间的距离，以确定节点属于哪个聚类簇：
96.d(x,c)＝sqrt(∑(x_i-c_i)^2)(对于所有i)
97.其中，x表示节点的特征向量，c表示聚类中心的特征向量。通过计算节点与各个聚类中心的距离，将节点划分到距离最近的聚类中心所在的簇。
98.聚类中心更新公式用于更新每个簇的聚类中心，以使其成为簇内所有节点特征的平均值：
99.c_j＝(∑x_k)/n(对于属于簇j的所有节点x_k)
100.其中，c_j表示第j个聚类中心的特征向量，σx_k表示属于簇j的所有节点特征向量的和，n表示属于簇j的节点数量。通过计算每个簇的平均特征值，更新聚类中心的位置。
101.通过执行k-means算法，可以将水表系统中的节点划分为不同的聚类簇，为后续的
局部拓扑优化和路径计算提供基础。这样，可以将相邻节点聚集在同一簇中，并更好地优化节点之间的通信路径和网络拓扑结构。
102.step3:局部拓扑优化在每个聚类内部，基于图论的最短路径算法进行拓扑优化；采用dijkstra算法结合动态权重调整策略；
103.在每个聚类内部，使用基于图论的最短路径算法(dijkstra算法)进行拓扑优化；设g(v,e)为图，w(u,v)为边(u,v)的权重；
104.dijkstra算法的更新公式：
105.v.d＝min(v.d,u.d+w(u,v))(对于与节点u相邻的所有节点v)。
106.step3是基于mesh的拓扑优化智能水表优化方法中的第三步，即局部拓扑优化。这一步的原理主要涉及基于图论的最短路径算法和动态权重调整策略。在每个聚类内部，使用基于图论的最短路径算法(例如dijkstra算法)进行拓扑优化，以获得节点之间的最优通信路径。这样可以进一步优化节点之间的通信效率和网络性能。
107.最短路径算法的原理如下：
108.(1)定义图g(v,e)：将每个聚类内的基层端节点看作图中的节点，将节点之间的连接关系看作边。节点之间的距离或权重可以根据实际需求选择，例如通信距离或信号强度。
109.(2)初始化：设置起始节点，将起始节点的距离设置为0，其他节点的距离设置为无穷大。
110.(3)选择最短路径：从起始节点开始，计算到其他节点的最短路径。在每次迭代中，选择距离最小且尚未被访问的节点作为当前节点。
111.(4)更新距离：对于当前节点的相邻节点，计算从起始节点到这些相邻节点的距离。如果经过当前节点到达相邻节点的路径比已知的最短路径更短，则更新相邻节点的距离。
112.(5)重复步骤3和4，直到所有节点都被访问，或者找到目标节点的最短路径。
113.在局部拓扑优化中，还可以采用动态权重调整策略。根据实时监测的节点状态和环境参数(如信号强度、通信距离等)，可以调整节点间的权重。例如，当节点的信号强度较弱或通信距离较远时，可以增加该节点与其他节点之间的权重，使路径计算更倾向于选择其他更可靠的节点进行通信。通过动态调整权重，可以适应网络环境的变化，并进一步优化通信路径。综上所述，step3的原理涉及基于图论的最短路径算法和动态权重调整策略。通过执行最短路径算法，可以获得节点之间的最优通信路径，并结合动态权重调整策略，进一步优化通信效率和网络性能。
114.step4:全局拓扑优化在全局范围内，将每个聚类视为一个超级节点，并为各个超级节点之间分配权重；然后，使用最短路径算法计算超级节点之间的最优通信路径；在全局范围内，使用最短路径算法计算超级节点之间的最优通信路径，算法等同于step3。
115.step4是基于mesh的拓扑优化智能水表优化方法中的第四步，即全局拓扑优化。这一步的原理主要涉及将每个聚类视为一个超级节点，并为各个超级节点之间分配权重，然后使用最短路径算法计算超级节点之间的最优通信路径。在全局范围内，将每个聚类内的基层端节点视为一个超级节点，以减少计算复杂性并提高网络性能。为了确定超级节点之间的通信路径，需要为它们分配适当的权重。
116.以下是步骤4的原理：
117.(1)将聚类内的基层端节点视为一个超级节点：将每个聚类内的基层端节点合并为一个超级节点，以简化网络结构并减少计算复杂性。这样，每个聚类都有一个对应的超级节点。
118.(2)分配权重：为每对超级节点之间的通信路径分配适当的权重。权重可以根据实际需求和优化目标进行分配，例如基于距离、信号强度或其他性能指标。权重的分配可以考虑到节点特征和网络环境，以建立最优的通信路径。
119.(3)最短路径算法计算：使用最短路径算法(如dijkstra算法)计算超级节点之间的最优通信路径。在此计算过程中，超级节点被视为图中的节点，根据分配的权重来确定最短路径。
120.(4)通过执行全局拓扑优化，可以获得超级节点之间的最优通信路径。这样可以优化整个网络的通信效率和性能，确保数据的高效传输和可靠交换。
121.综上所述，step4的原理涉及将聚类视为超级节点、权重分配和最短路径算法计算。通过将聚类合并为超级节点，并为超级节点之间的通信路径分配权重，使用最短路径算法计算最优路径，实现了全局范围内的拓扑优化和通信路径的优化。
122.step5:数据传输与优化在数据传输过程中，根据局部和全局的最短路径信息动态调整数据包的转发路径；这有助于降低通信成本和能耗，提高网络稳定性。
123.step5是基于mesh的拓扑优化智能水表优化方法中的第五步，涉及数据传输与优化。该步骤的原理主要是根据局部和全局的最短路径信息动态调整数据包的转发路径，以降低通信成本和能耗，提高网络稳定性。
124.以下是step5的原理：
125.(1)数据传输路径调整：根据局部和全局的最短路径信息，对数据包的转发路径进行动态调整。通过在节点之间选择最优路径来传输数据包，可以减少冗余的中转节点和不必要的通信开销。
126.(2)路径优化目标：在数据传输过程中，路径优化的目标是降低通信成本和能耗，并提高网络的稳定性。通过选择最短路径和优化通信路径，可以减少能耗和通信开销，提高数据传输的效率和可靠性。
127.(3)实时监测与调整：为了实现动态路径调整，需要实时监测网络状态和节点状态。监测网络环境的变化，例如节点失效、通信质量变化等，并根据这些变化进行路径调整和优化。
128.(4)数据包转发策略：根据实时监测的信息和路径优化目标，选择合适的转发路径来传输数据包。可以考虑节点能量消耗、信号强度、通信距离等因素，避免将数据包转发到能耗过快或通信质量较差的节点上。
129.(5)通过动态调整数据包的转发路径，根据局部和全局的最短路径信息进行优化，step5实现了对数据传输过程的优化。这有助于降低通信成本和能耗，提高网络稳定性和数据传输的效率。
130.总结而言，step5的原理是基于局部和全局最短路径信息，通过动态调整数据包的转发路径来降低通信成本和能耗，提高网络稳定性。这使得数据传输更加高效、可靠，并能够适应网络环境的变化。
131.step6:动态调整与优化监控网络状态和节点状态，如节点失效、通信质量变化等；
当检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
132.step6是基于mesh的拓扑优化智能水表优化方法中的第六步，涉及动态调整与优化。该步骤的原理主要是监控网络状态和节点状态，如节点失效、通信质量变化等，并在检测到网络环境发生变化时重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
133.以下是step6的原理：
134.(1)监控网络状态：定期或实时监控物联网水表系统的网络状态，包括节点的运行状态、通信质量、能耗状况等。这可以通过网络管理系统或专门的监控设备实现。
135.(2)监控节点状态：监测节点的状态变化，例如节点失效、能耗剧烈变化等。通过节点内置的监测模块(如能量监测装置)或传感器，获取节点的实时状态信息。
136.(3)网络环境变化检测：根据网络状态和节点状态的监测结果，检测到网络环境发生变化，例如节点失效、通信质量下降、能耗不均衡等。这可以通过与预设的阈值进行比较或基于历史数据的分析来实现。
137.(4)重新执行步骤1-5：一旦检测到网络环境发生变化，需要重新执行步骤1-5，以实现动态拓扑优化和聚类调整。重新计算节点的特征、执行聚类算法、更新通信路径等，以适应新的网络环境和节点状态。
138.(5)通过不断监控网络和节点状态，并在检测到变化时重新执行优化步骤，step6实现了动态调整与优化。这有助于及时应对节点故障、通信质量变化等情况，保持网络的稳定性和性能，并提高整个系统的鲁棒性和可靠性。
139.总结而言，step6的原理是通过监控网络和节点状态，检测到环境变化时重新执行优化步骤，以实现动态拓扑优化和聚类调整。这确保了系统能够适应变化的网络环境，并保持高效的通信和优化的拓扑结构。
140.在上述的实施方式中，该基于mesh的拓扑优化智能水表优化方法的实施方式包括以下步骤：
141.首先，进行数据预处理，计算物联网水表系统中各节点的特征，包括位置坐标、通信距离、信号强度和节点剩余能量等。将这些特征作为输入数据，用于k-means聚类和最短路径计算。使用k-means聚类算法对节点进行聚类，选择合适的k值(聚类的数量)。在每个聚类内部，基于图论的最短路径算法进行局部拓扑优化。在全局范围内，将每个聚类视为一个超级节点，并为各个超级节点之间分配权重，然后使用最短路径算法计算超级节点之间的最优通信路径。在数据传输过程中，根据局部和全局的最短路径信息动态调整数据包的转发路径，以降低通信成本和能耗，提高网络稳定性。监控网络状态和节点状态，如节点失效、通信质量变化等，并在检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
142.具体的，该方法的原理是基于数据预处理、聚类分析和图论算法的组合应用。首先，通过数据预处理计算各节点的特征，这些特征将用于聚类和路径计算。然后，使用k-means聚类算法将节点划分为不同的簇，形成局部聚类。在每个聚类内部，利用图论中的最短路径算法(如dijkstra算法)对节点之间的通信路径进行优化。此外，在全局范围内，将每个聚类看作一个超级节点，并为超级节点之间分配权重，再利用最短路径算法计算超级节点之间的最优通信路径。通过动态调整数据包的转发路径，根据局部和全局的最短路径信息，可以实现网络通信的优化。
143.可以理解的是，在本具体实施方式中，该方法的功能性主要体现在以下几个方面：
144.(1)拓扑优化：通过k-means聚类和图论算法的应用，实现了局部和全局范围内的拓扑优化。局部拓扑优化通过最短路径算法在每个聚类内部优化节点之间的通信路径，提高了局部通信的效率。全局拓扑优化将每个聚类视为超级节点，并通过最短路径算法计算超级节点之数据传输优化：根据局部和全局的最短路径信息，动态调整数据包的转发路径。这样可以降低通信成本和能耗，并提高数据传输的效率和可靠性。
145.(2)动态适应性：监控网络状态和节点状态，如节点失效、通信质量变化等。当检测到网络环境发生变化时，重新执行拓扑优化和聚类调整，以适应新的网络条件，保持系统的鲁棒性和稳定性。
146.(3)资源优化：通过聚类和最短路径计算，可以更好地利用网络资源。聚类将节点分组，减少了通信开销，而最短路径算法优化了通信路径，减少了能耗和延迟。这样可以提高网络的资源利用效率，延长节点的工作寿命。
147.(4)可扩展性：该方法基于mesh的拓扑结构，支持节点的动态加入和离开。当有新节点加入或节点离开时，可以通过重新执行聚类和最短路径计算，实现对网络拓扑的动态调整和优化，从而具备良好的可扩展性。
148.综上所述，该基于mesh的拓扑优化智能水表优化方法通过数据预处理、聚类分析和图论算法的组合应用，实现了对物联网水表系统的优化。它通过拓扑优化、数据传输优化和动态适应性等功能，提高了网络通信效率和稳定性，降低了通信成本和能耗，并实现了资源的优化利用。同时，该方法具备良好的可扩展性，能够适应网络环境的变化，并保持系统的鲁棒性。
149.进一步的：
150.收集节点特征数据的方法：
151.位置坐标：设备安装时可以记录其位置坐标(经度和纬度)，或者使用内置的gps模块获取。
152.通信距离：通过实际测量或根据信号强度和传播模型估算。
153.信号强度：通常由无线通信模块(如lora、zigbee等)提供，可以通过接口或api获取。
154.节点剩余能量：通过监测设备的电池状态或使用能量监测模块来获取。
155.step4中计算超级节点之间的最优通信路径：
156.首先，将每个聚类视为一个超级节点，用聚类中心表示。为各个超级节点之间分配权重，权重可以是根据通信距离、信号强度等因素计算得出的。
157.然后，使用最短路径算法(如dijkstra算法、floyd-warshall算法等)计算超级节点之间的最短路径。
158.最后，根据计算得到的最短路径信息，确定各个超级节点之间的最优通信路径。
159.step5中选择合适的路径：
160.在实际应用场景和需求中，选择合适的路径需要考虑多种因素，例如通信成本、能耗、传输延迟等。
161.根据step3和step4的最短路径信息，可以为每个数据包制定优先级和转发策略。例如，优先选择能耗较低的路径、避免高拥塞的链路等。
162.可以结合实时网络状态和节点状态动态调整数据包的转发路径，以适应网络环境的变化。
163.step6中监控网络状态和节点状态：
164.节点失效：可以通过定期发送心跳包检测节点的在线状态。如果在规定时间内未收到某个节点的心跳包，则判断该节点失效。
165.通信质量变化：可以通过实时收集信号强度、丢包率、传输延迟等指标来评估通信质量。当检测到通信质量发生变化时，触发拓扑优化和聚类调整。
166.可以使用分布式或集中式的网络监控策略，结合物联网水表系统的具体需求来实现网络状态和节点状态的监控。
167.总结的：
168.step1:数据预处理：收集物联网水表系统中各个节点的特征数据，如位置坐标、通信距离、信号强度、节点剩余能量等。这些特征数据作为输入，有助于后续的聚类和拓扑优化过程。
169.step2:k-means聚类：k-means聚类是一种无监督学习方法，通过将节点划分为k个簇，使得簇内节点之间的相似度较高，簇间相似度较低。在物联网水表系统中，将具有相似特征的节点聚集在一起有助于降低通信成本和能耗。
170.step3:局部拓扑优化：在每个聚类内部，使用基于图论的最短路径算法进行拓扑优化。该优化过程可以在局部范围内降低通信成本和能耗，提高数据传输效率。
171.step4:全局拓扑优化：在全局范围内，将每个聚类视为一个超级节点，并计算超级节点之间的最优通信路径。这样可以在整个网络范围内优化通信拓扑，进一步降低通信成本和能耗。
172.step5:数据传输与优化：在数据传输过程中，根据局部和全局的最短路径信息动态调整数据包的转发路径。这有助于在实际应用中根据网络环境和节点状态的变化实现通信成本和能耗的优化。
173.step6:动态调整与优化：通过监控网络状态和节点状态(如节点失效、通信质量变化等)，实时感知物联网水表系统的运行状况。当检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
174.在上述优化方法的基础上，本具体实施方式进一步提供一种基于mesh的拓扑优化智能水表优化系统，优化系统采用如上述的优化方法进行运行，包括至少一个基站端和至少三个基层端；
175.基层端与物联网水表交互连接并无线收发用水信息；每个基层端之间相互交互通讯连接，构成拓扑结构；
176.每个基层端交互连接于用于承担数据汇总的基站端。
177.基层端包括mcu模块，及与之交互连接的用于收发物联网水表用水信息的计量模块(如水表计量传感器)、用于定位物联网水表信息物理方位的定位模块(如gps定位器)、用于存储节点数据、拓扑结构和配置信息的存储模块(如flash等非易失性存储器)和用于无线通讯的第一无线通讯模块(如lora、zigbee或nb-iot)。
178.所述第一无线通讯模块连接有用于检测监测节点状态(如剩余能量)和环境参数(如信号强度、通信距离等)的检测模块(如信号传感器)。所述基层端包括中央cpu处理模块
和与之交互连接的用于提供与其他外部设备的连接接口，如显示器、键盘、鼠标等方便现场操作和维护人员进行设备配置、监控和故障排查的接口模块、用于将中央cpu处理模块连接到互联网的无线网络接口(以太网、wi-fi、蜂窝网络等)、用于存储汇总的数据、拓扑结构和配置信息的中央cpu处理模块和用于与周围多个基层端的第一通讯模块进行无线通信的第二通讯模块。
179.在上述实施方式中，该基于mesh的拓扑优化智能水表优化系统的实施方式包括以下组成部分：
180.基站端：至少一个基站端，用于承担数据汇总和管理任务。
181.基层端：至少三个基层端，与物联网水表交互连接并无线收发用水信息。每个基层端之间相互交互通讯连接，构成拓扑结构。
182.基层端的组成部分：每个基层端包括mcu模块、用于收发物联网水表用水信息的计量模块(如水表计量传感器)、用于定位物联网水表信息物理方位的定位模块(如gps定位器)、用于存储节点数据、拓扑结构和配置信息的存储模块(如flash等非易失性存储器)以及用于无线通讯的第一无线通讯模块(如lora、zigbee或nb-iot)。
183.通讯模块和检测模块：第一无线通讯模块连接有用于检测监测节点状态(如剩余能量)和环境参数(如信号强度、通信距离等)的检测模块(如信号传感器)。
184.中央cpu处理模块和接口模块：基层端还包括中央cpu处理模块和与之交互连接的接口模块，用于提供与其他外部设备的连接接口，如显示器、键盘、鼠标等，方便现场操作和维护人员进行设备配置、监控和故障排查。
185.网络接口和第二通讯模块：基层端还包括用于将中央cpu处理模块连接到互联网的无线网络接口(如以太网、wi-fi、蜂窝网络等)以及用于与周围多个基层端的第一通讯模块进行无线通信的第二通讯模块。
186.具体的，该系统的原理是基于mesh拓扑结构和分布式数据处理。基层端通过无线通讯与物联网水表进行交互，并收发用水信息。基层端之间通过拓扑结构相互连接，形成mesh网络。每个基层端具备计量模块、定位模块、存储模块和第一无线通讯模块。第一无线通讯模块连接有检测模块，用于监测节点状态和环境参数。中央cpu处理模块负责数据处理、拓扑优化和通信管理。接口模块提供与外部设备的连接接口，方便现场操作和维护人员进行设备配置、监控和故障排查。无线网络接口将中央cpu处理模块连接到互联网，实现与外部系统的数据交互。第二通讯模块负责与周围的基层端进行无线通信。在系统运行过程中，基层端收集物联网水表的用水信息，并通过第一无线通讯模块将数据传输给中央cpu处理模块。中央cpu处理模块根据收集到的数据进行拓扑优化，利用上述优化方法进行局部和全局拓扑优化计算，从而优化通信路径。同时，中央cpu处理模块根据节点状态和环境参数的监测结果，动态调整数据包的转发路径，以适应网络环境的变化。中央cpu处理模块还负责存储汇总的数据、拓扑结构和配置信息，并与基层端之间通过第二通讯模块进行无线通信。这样，中央cpu处理模块可以与周围的基层端交换信息，实现整个系统的数据汇总和管理。
187.在本方案中，本装置整体的所有电器元件依靠()内所安装的蓄电池进行供能；具体的，装置整体的电器元件与蓄电池输出端口处通过继电器、变压器和按钮面板等装置进行常规电性连接，以满足本装置的所有电器元件的供能需求。
188.可以理解的是，在本具体实施方式中，该基于mesh的拓扑优化智能水表优化系统具备以下功能：
189.(1)数据收集与处理：基层端通过计量模块收集物联网水表的用水信息，并通过无线通讯将数据传输给中央cpu处理模块。中央cpu处理模块负责对收集到的数据进行处理和分析，实现数据的汇总、拓扑优化和通信路径计算。
190.(2)拓扑优化：系统采用上述优化方法进行局部和全局拓扑优化计算，优化通信路径，提高网络通信效率和稳定性。
191.(3)状态监测与动态调整：通过检测模块监测节点状态和环境参数，中央cpu处理模块能够实时监测网络状态和节点状态，例如剩余能量、信号强度和通信距离等。在检测到网络环境变化时，系统可以动态调整数据包的转发路径，以适应新的网络条件。
192.(4)数据汇总与管理：中央cpu处理模块负责存储汇总的数据、拓扑结构和配置信息，实现对整个系统的数据汇总和管理。同时，通过与周围基层端的无线通信，实现系统内各节点之间的信息交换和协调。
193.(5)灵活性与扩展性：系统设计灵活，支持多个基层端与基站端的连接，适应不同规模的水表网络。基层端具备中央cpu处理模块和接口模块，可方便进行设备配置、监控和故障排查。系统还具备良好的扩展性，允许根据需要增加更多的基层端，进一步扩展网络覆盖范围和能力。
194.综上所述，基于mesh的拓扑优化智能水表优化系统采用上述优化方法进行运行。通过基站端和基层端的组合，构建了一个具有优化拓扑结构的mesh网络，实现了物联网水表的智能优化管理。基层端包括多个功能模块，如计量模块、定位模块、存储模块和通讯模块，以实现数据的收集、定位、存储和无线通信。中央cpu处理模块负责数据处理、拓扑优化和通信管理，通过与基层端的无线通信实现数据汇总和管理。该系统具备拓扑优化、动态调整、数据汇总与管理等功能，提高了网络通信效率、稳定性和资源利用效率，同时具备灵活性和扩展性，适应不同规模和需求的物联网水表应用场景。
195.总结性的，针对传统技术中的相关问题，本具体实施方式基于上述所提供的一种基于mesh的拓扑优化智能水表优化方法及优化系统，采用了如下的技术手段或特征实现了解决：
196.(1)动态拓扑结构：该技术采用基于mesh的拓扑结构，其中基层端相互连接构成网状网络。这种网状结构具有动态性，可以根据节点变化和网络环境变化进行动态调整和优化。当节点加入或离开时，可以通过重新执行聚类和最短路径计算进行动态拓扑优化和调整，以适应节点变化和环境变化。
197.(2)优化算法：该技术引入了k-means聚类和最短路径算法等优化算法。k-means聚类算法将节点划分为不同的簇，实现局部拓扑优化。最短路径算法用于在局部和全局范围内优化节点间的通信路径。通过计算节点间的最短路径，优化通信路径，减少冗余和能耗，提高通信效率和网络性能。
198.(3)分布式通信方式：该技术采用分布式通信方式，基层端之间相互连接并交互通信。这样可以避免传统集中式通信方式的单点故障和高通信成本问题。基层端之间的通信通过mesh网络中的最短路径进行，减少了通信路径的冗余和延迟，提高了通信效率和网络稳定性。
199.(4)能耗均衡：通过动态调整数据包的转发路径，根据节点状态和环境参数的监测结果，该技术可以实现节点能耗的均衡。根据节点剩余能量和通信距离等特征，调整数据包的传输路径，避免部分节点能耗过快，提高了网络的稳定性和可靠性。
200.(5)灵活性和可扩展性：基于mesh的拓扑结构和优化算法，该技术具备灵活性和可扩展性。当需要增加新的节点时，可以通过重新执行聚类和最短路径计算，动态调整和优化网络拓扑结构，而无需重新规划和部署整个网络。这提高了系统的灵活性和可扩展性，降低了管理和维护的复杂性。
201.在本技术一些具体实施方式中，请结合参阅图5～6：图中所示的为本具体实施方式上述所提供的一种基于mesh的拓扑优化智能水表优化方法在实际应用时的控制程序，其原理为：
202.使用k-means聚类将节点划分为不同簇；
203.对每个簇进行局部拓扑优化；
204.计算超级节点间的最短路径以进行全局拓扑优化；
205.在数据传输过程中根据局部和全局拓扑优化结果调整路径；
206.动态监控网络状态和节点状态，根据需要进行拓扑优化和聚类调整。
207.这个程序使用了结构体(struct)表示节点。以下是每个关键函数的原理概述：
208.(1)euclidean_distance：计算两个节点间的欧几里得距离。这是物联网水表中节点之间距离的简化表示。
209.(2)k_means_clustering：实现k-means聚类算法。根据节点之间的距离，将节点划分为k个簇。
210.(3)dijkstra：实现dijkstra算法。计算给定距离矩阵中某个源节点到其他所有节点的最短路径。
211.(3)local_topology_optimization：实现局部拓扑优化。使用dijkstra算法在每个簇内部进行拓扑优化。
212.(4)global_topology_optimization：实现全局拓扑优化。计算超级节点之间的最短路径，以便在数据传输过程中进行路径调整。
213.(5)data_transmission_and_optimization：实现数据传输与优化。根据局部和全局拓扑优化结果，在数据传输过程中动态调整数据包的转发路径。
214.(6)dynamic_adjustment_and_optimization：实现动态调整与优化。监控网络状态和节点状态，如节点失效、通信质量变化等。当检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
215.总结性的：在本方案中，通过k-means聚类算法将基层端节点划分为不同的簇，并在每个簇内部建立相互连接的节点。这种聚类和节点互连的方式体现了mesh网络的特性，其中每个节点都可以直接与其他节点进行通信。在局部和全局范围内，使用基于图论的最短路径算法计算节点之间的最优通信路径。这种算法考虑节点之间的距离、信号强度等因素，以建立最短路径，从而实现mesh网络中节点之间的快速、可靠的通信。在全局范围内，将每个聚类内的基层端节点合并为一个超级节点。这种超级节点的建立使得网络拓扑更加简化，并减少了计算和通信的复杂性，体现了mesh网络中节点的组织结构。通过实时监测网络和节点状态，以及检测到环境变化时的重新执行优化步骤，实现了动态调整与优化。这使得
mesh网络能够适应变化的网络环境和节点状态，保持网络的稳定性和性能。
216.以上所述具体实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述具体实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
217.实施例一
218.为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
219.在本实施例中，均基于上述具体实施方式所提供的一种基于mesh的拓扑优化智能水表优化方法及优化系统结构、原理作为实施方式，并展示一个应用的场景，在该场景中采用了如上述具体实施方式所提供一种基于mesh的拓扑优化智能水表优化方法及优化系统的结构、原理进行应用性推导说明及展示，其中：
220.设一个物联网水表系统，其中有10个节点分布在一个二维平面上。将采用step1～6的方法进行拓扑优化。以下是相关参数和拓扑的示例图：
221.节点坐标：
222.1:(2,2)2:(4,1)3:(6,4)4:(9,3)5:(10,7)6:(13,1)7:(14,5)8:(16,9)9:(18,4)10:(19,7)距离矩阵(基于欧几里得距离，简化为整数)：
223.024791112141617
224.20257910121415
225.4203578101213
226.75302457910
227.9752023578
228.11974201356
229.121085310245
230.1412107532023
231.1614129754201
232.17151310865310
233.(请结合参阅图4)；
234.step1:数据预处理：节点位置已给出，可以直接使用距离矩阵作为输入。
235.step2:k-means聚类：设定k＝3，使用k-means聚类算法将节点分为3个簇。经过聚类，得到以下簇划分：
236.簇1:1,2,3
237.簇2:4,5,6
238.簇3:7,8,9,10
239.step3:局部拓扑优化：在每个簇内部，使用dijkstra算法进行拓扑优化。得到局部最短路径如下：
240.簇1:1-2-3
241.簇2:4-5-6
242.簇3:7-8-9-10
243.step4:全局拓扑优化：将每个簇的聚类中心视为一个超级节点。超级节点之间的权重可以基于通信距离、信号强度等因素计算得出。dijkstra算法计算超级节点之间的最短路径。得到全局最短路径如下：
244.簇2(超级节点5)到簇1(超级节点2):5-3
[0245]-2簇2(超级节点5)到簇3(超级节点8):5-6-7-8
[0246]
step5:数据传输与优化根据局部和全局的最短路径信息，在数据传输过程中动态调整数据包的转发路径。例如，如果节点1需要将数据发送到节点10，则数据传输路径为：1-2-3-5-6-7-8-9-10。
[0247]
step6:动态调整与优化通过监控网络状态和节点状态(如节点失效、通信质量变化等)，实时感知物联网水表系统的运行状况。当检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。
[0248]
以上所述实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
[0249]
实施例二
[0250]
为使本发明的上述具体实施方式更加明显易懂，接下来将采用实施例的形式对本发明做详细的应用性的说明。本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的实施例的限制。
[0251]
在本实施例中，本实施例延续实施例一的参数及场景进行实施，并引入一个恶性变量：节点3突然失效。这可能是因为节点耗尽了能量、硬件故障或者其他原因导致的。接下来本实施例二将基于上述提供的技术，检测和处理这种情况：
[0252]
在step6:动态调整与优化中，会通过监控网络状态和节点状态来感知物联网水表系统的运行状况。当检测到节点3失效时，重新执行步骤1-5来实现动态拓扑优化和聚类调整。
[0253]
以下是重新进行的模拟场景推导：
[0254]
step1:数据预处理更新距离矩阵，将失效节点3的相关距离设为无穷大，表示不可达。
[0255]
step2:k-means聚类重新进行k-means聚类。设定k＝3，聚类结果可能会有所变化，例如：
[0256]
簇1:1,2
[0257]
簇2:4,5,6
[0258]
簇3:7,8,9,10
[0259]
step3:局部拓扑优化在每个簇内部，使用dijkstra算法进行拓扑优化。局部最短路径如下：
[0260]
簇1:1-2
[0261]
簇2:4-5-6
[0262]
簇3:7-8-9-10
[0263]
step4:全局拓扑优化重新计算超级节点之间的最短路径。得到全局最短路径如下：
[0264]
簇2(超级节点5)到簇1(超级节点2):5-4-1-2簇2(超级节点5)到簇3(超级节点8):5-6-7-8
[0265]
step5:数据传输与优化根据新的局部和全局最短路径信息，在数据传输过程中动态调整数据包的转发路径。例如，如果节点1需要将数据发送到节点10，则数据传输路径为：1-2-4-5-6-7-8-9-10。
[0266]
经过这次模拟，可以验证该技术的稳定性和优点。在面对节点失效等恶性变量时，该技术能够实时感知网络状况，通过动态拓扑优化和聚类调整，确保物联网水表系统的正常运行。这有助于提高系统的稳定性、降低通信成本和能耗，从而提高整体性能。
[0267]
以上所述实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于mesh的拓扑优化智能水表优化方法及优化系统，其特征在于，包括：step1:数据预处理计算物联网水表系统中各节点的特征；step2:k-means聚类选择合适的k值，；使用k-means算法对物联网水表系统的节点进行聚类；step3:局部拓扑优化在每个聚类内部，基于图论的最短路径进行拓扑优化；step4:全局拓扑优化在全局范围内，将每个聚类视为一个超级节点，并为各个超级节点之间分配权重；step5:数据传输与优化在数据传输过程中，根据局部和全局的最短路径信息动态调整数据包的转发路径。2.根据权利要求1所述的优化方法，其特征在于：在step2中：聚类流程如下：2.1、随机选择k个节点作为初始聚类中心；2.2、对于剩余的每个节点，计算其与各个聚类中心的距离，将节点划分到距离最近的聚类中心所在的簇；2.3、更新每个簇的聚类中心，使其成为簇内所有节点特征的平均值；重复2.2和2.3，直到聚类中心的变化小于给定阈值或达到最大迭代次数。3.根据权利要求2所述的优化方法，其特征在于：step2:k-means聚类：设x为所有节点特征数据集，c为聚类中心集合；k-means算法的迭代过程中需要计算节点到聚类中心的距离，并更新聚类中心；距离计算公式：d(x,c)＝sqrt(∑(x_i-c_i)^2)聚类中心更新公式：c_j＝(∑x_k)/n。4.根据权利要求2所述的优化方法，其特征在于：step3:局部拓扑优化：在每个聚类内部，使用基于图论的最短路径算法进行拓扑优化；设g(v,e)为图，w(u,v)为边(u,v)的权重；dijkstra算法的更新公式：v.d＝min(v.d,u.d+w(u,v))。5.根据权利要求4任意一项所述的优化方法，其特征在于：step4中，在全局范围内，使用最短路径算法计算超级节点之间的最优通信路径，算法等同于step3。6.根据权利要求1～5任意一项所述的优化方法，其特征在于：还包括：step6:调整监控网络状态和节点状态，当检测到网络环境发生变化时，重新执行步骤1-5，以实现动态拓扑优化和聚类调整。7.一种基于mesh的拓扑优化智能水表优化系统，其特征在于：优化系统采用如权利要求1～6任意一项的优化方法进行运行，包括至少一个基站端和至少三个基层端；基层端与物联网水表交互连接并无线收发用水信息；每个基层端之间相互交互通讯连接，构成拓扑结构；每个基层端交互连接于用于承担数据汇总的基站端。
8.根据权利要求7所述的优化系统，其特征在于：基层端包括mcu模块，及与之交互连接的用于收发物联网水表用水信息的计量模块、用于定位物联网水表信息物理方位的定位模块、用于存储节点数据、拓扑结构和配置信息的存储模块和用于无线通讯的第一无线通讯模块。9.根据权利要求8所述的优化系统，其特征在于：所述第一无线通讯模块连接有用于检测监测节点状态和环境参数的检测模块。10.根据权利要求9所述的优化方法，其特征在于：所述基层端包括中央cpu处理模块和与之交互连接的接口模块、用于将中央cpu处理模块连接到互联网的无线网络接口(以太网、wi-fi、蜂窝网络等)、用于存储汇总的数据、拓扑结构和配置信息的中央cpu处理模块和用于与周围多个基层端的第一通讯模块进行无线通信的第二通讯模块。

技术总结
本发明公开了一种基于Mesh的拓扑优化智能水表优化方法及优化系统，包括：STEP1:数据预处理计算物联网水表系统中各节点的特征；例如位置坐标、通信距离、信号强度；一、强大的拓扑优化能力：本发明通过K-means聚类和最短路径算法等优化算法，实现了局部和全局范围内的拓扑优化。它可以根据节点特征和环境变化动态调整网络拓扑，优化通信路径，提高网络通信效率和稳定性。二、高效的通信与能耗优化：通过动态调整数据包的转发路径和能耗均衡策略，本发明可以降低通信成本和能耗。节点间的通信路径经过优化，减少了通信路径的冗余和延迟，提高了通信效率。同时，通过合理分配节点的能耗，延长了网络的工作寿命。长了网络的工作寿命。长了网络的工作寿命。


技术研发人员：曹献炜 常兴智 王再望 党政军 谭忠 纳晓文 林福平
受保护的技术使用者：张青
技术研发日：2023.05.22
技术公布日：2023/10/6