CN100583900C - 基于智能代理的无线传感器网络数据聚合路径规划方法 - Google Patents

Abstract

基于智能代理的无线传感器网络数据聚合路径优划方法是一种用于在无线传感器网络环境中，采用智能代理的协作信息处理技术，实现网内数据聚合路径优化的技术方案。采用进化遗传算法与神经网络算法的结合来优化路由的选择，具体如下：主代理初始路由生成、分派执行代理；执行代理决策路由；系统报告；主代理收集并更新系统信息；主代理重新计算一个优化的路由；执行代理完成数据与状态信息的收集：该方法提供了一种利用智能软件实体间协同信息处理，来解决无线传感器网络聚合路径选择问题的方法，是一种启发策略性方法，通过使用本发明提出的方法可以在一定程度上控制聚合节点的能耗，提高网络的整体性能。

Description

基于智能代理的无线传感器网络数据聚合路径规划方法

技术领域

本发明是一种用于在无线传感器网络环境中，采用智能代理的协作信息处理技术，实现网内数据聚合路径优化的技术方案。本技术属于网络信息分布式计算应用领域。

背景技术

低功耗无线电通信技术、嵌入式计算技术、微型传感器技术及集成电路技术的飞速发展和日益成熟，使得大量的、低成本的微型传感器通过无线链路自组织成无线传感器网络成为现实。无线传感器网络具有自组织性、自适应性与容错性高等特点，在军事、工农业、生物医疗、环境监测等许多重要领域具有十分广泛的应用前景。由于传感器节点数量大且随机分布，相邻的传感器对同一事件进行监测所获得的数据具有相似性，而传感器节点在能量、存储空间与计算能力上有限，因此冗余数据的传送在一定程度将消耗过多的能量，缩短整个网络的生存期。为避免上述问题，传感器网络在收集数据过程中需要使用数据聚合技术，即将来自多传感器节点的数据进行综合处理，得出更为准确完整的信息。

智能代理，是分布式计算技术和人工智能技术相结合的产物。本质上是一个程序实体，拥有一定的智能和判断能力。它可以在自己的控制下，按照一定的规程在网络节点间迁移，寻找并处理合适的资源，代表用户完成特定的任务。其中移动代理在一个执行环境中被创建后，能够携带自身状态和代码在网络中迁移到另一个环境中恢复执行。

在无线传感器网络数据处理中引入智能代理技术，利用技术规范将数据保留在本地节点上，而将综合处理过程(代码)转移到数据节点上，以降低网络的工作负荷，解决网络延迟，提高稳定性和容错能力。智能代理可以减少无线传感器网络感知数据冗余，降低无线传感器网络的数据流量，节约无线传感器网络能量，有效延长整个网络系统的生存期。

发明内容

技术问题：本发明的目的是提供一种利用智能软件实体间协同信息处理，来解决无线传感器网络聚合路径选择问题的基于智能代理的无线传感器网络数据聚合路径优化方法，与目前已研究出来的数据聚合相关方法不同，本方法是一种启发策略性方法，通过使用本发明提出的方法可以在一定程度上控制聚合节点的能耗，提高网络的整体性能。

技术方案：本发明的方法是一种启发策略性的方法，通过引入几种特殊功能的代理并利用进化计算方法而提出，其目标是通过代理对传感器数据聚合节点的优化选择、聚合任务的分解以及通过代理之间的通信协作来实现无线传感器网络聚合操作所需能量的最小化。

下面给出三特殊移动代理的定义：

主代理(Master Agent，MA)：内置监测/分析算法，驻留在传感器网络数据汇聚节点(Sink)，用于收集驻留在节点上信息代理发布的消息，优化数据聚合任务的分派以及创建和分发任务执行代理。

执行代理(Perform Agent，PA)：由MA创建分发至目标节点，调度数据聚合任务的执行，并协同目标节点上的信息代理完成数据的聚合转发。

信息代理(Information Agent，IA)：驻留在传感器节点上，负责观察节点的操作，并为执行代理提供关于该节点位置、与相邻节点距离，剩余能量等信息。

一、体系结构

结合无线传感器网络数据的分布式特点以及数据聚合任务的分派方式，基于智能代理的网络数据聚合体系结构主要包括两部分：智能代理实体与智能代理服务环境，如图1所示。

(1)智能代理服务环境，是系统的核心部分，提供一个位置透明、便于控制、安全可靠的数据聚合执行环境。其主要负责智能代理的创建、运行、挂起、终止，传送和接收等的工作。该服务环境依据预置的初始任务执行方案，确定智能代理的迁移与协作的策略以及传输通信机制。

(2)智能代理实体，包括服务代理t和信使代理两类，是网络数据聚合任务的分派与执行者。服务代理驻留于智能代理服务环境，为信使代理提供资源和基础环境的访问支持与任务决策。服务代理按照移动代理控制协议(MACP，mobileagent control protocol)，发送代理程序，并根据网络数据状态信息控制其行为。信使代理在网络数据源之间移动，利用对资源的控制来满足远程数据源访问的目的。

二、方法流程

传感器网络各节点的感知数据具有分布式特点，由于节点在采集数据量、传输数据负载上的不同，所以各节点在数据聚合过程中的剩余能量与处理数据能力上存在动态差异。代理机制的引入，实现由主代理根据获知的感知节点与网络状态信息，生成执行代理，同时预制执行代理的迁移路径。移动代理通过与驻留于传感器节点的信息代理协同工作，依据一定的准则(能耗、聚合时延)，在工作空间选择一套最优(或次优)的数据聚合路径方案进行迁移。迁移过程中携带部分状态信息与聚合数据。数据聚合路径的规划问题可建模为一个有约束的优化问题。

主要工作流程如图2所示：

1)主代理初始化路由后，生成执行代理，并依据数据聚合任务，分派执行代理。

2)执行代理到达目标节点后，根据驻留该节点的信息代理提供的状态信息，以及主代理后发的路由策略信息，进行聚合任务的决策。

3)主代理根据由数据聚合事件生成的事件消息，更新系统信息。重新计算选择出路由后，分发执行代理，并将策略信息通知已发的执行代理。

4)执行代理协同完成数据聚合任务后，携带部分数据结果和状态代码返回汇聚节点。

数据聚合路径的选择基于遗传进化算法，即从一组随机产生的初始解，称为“种群(population)”开始搜索过程。种群的每个个体是问题一个解，称为“染色体(chromosome)”，染色体是一串符号。这些染色体在后续迭代中不断进化，称为遗传。在每一代形成中，根据适值(Fitness)大小选择部分后代，淘汰部分后代，从而保持种群大小是常数。适值高的染色体被选中概率高。这样经过若干代后，算法收敛于最好的染色体，成为问题最优解或次优解。

1.编码方法

当处于某监测区域的传感器节点i监测到目标，获得感知数据时，将自己的ID传送到汇聚节点。主代理获知ID后，更新内置向量表S。S中各元素表示区域中已部署传感器节点的感知数据情况，S_i(i＝1，…N)定义为：

节点的数据聚合代价是σ_i(i＝1，…N)，期望数据聚合代价是

设N_i ^t表示i节点经聚合后传输的数据量，N_i ^r表示节点聚合前收到的数据量，E_i ^a表示节点数据处理的能耗值，则数据聚合代价定义为聚合的数据量与消耗能量之比，如下公式：

${\mathrm{\σ}}_i=\frac{1-\frac{N_i^t}{N_i^r}}{E_i^a}---\left(2\right)$

从网络整体优化性能考虑，要求节点的综合数据聚合代价必须不大于

数据聚合路径规划主要考虑网络各节点能耗均衡性，所以定义cost_i表示第i个节点用于数据传输的能耗，且与该节点距离汇聚节点的距离d_i(通常用跳数hop表示)成正比，cost_i＝kd_i，其中k是常量因子。

节点的优化组合以消耗最少的能量为目标。优化问题可以描述为以下数据模型：

$E^{\∞}=\min \left(E\right)=\min \left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\cos t}_i{S}_i\right)---\left(3\right)$

约束条件： $\frac{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i{\mathrm{\σ}}_i^2}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_i}\≤\mathrm{\φ}---\left(4\right)$

神经元网络与遗传算法(HNN-GA)策略用于解决上述模型。神经元网络定义约束(4)归于一个二进制编码方式，表示为0或1。网络结构可以描述为一个图。顶点表示神经元，边定义为神经元之间的连接。每个神经元对应于向量表S中的某个元素S_i。当随机初始化每个神经元0和1后，神经元网络采用连续的操作模式，基因S_i(t)表示在t时刻神经元S_i的状态。修正准则如下：

染色体定义为：V_k＝(S_k1，S_k2，…S_kN)，其中k是染色体标号。

2.适应度函数

适应度函数定义为：

$\mathrm{Fit}\left(S_i\right)=\frac{1}{E_t}$ i＝1，…N           (6)

上式中E_i是i节点的能耗值，为初始节点能量与剩余能量的差值。

3.选择遗传算子

①选择算子

选择算子是遗传算法的基本算子，其功能是对群体中的个体进行优胜劣汰操作，将优良个体在下一代新群体中繁殖。这里采用适应度比例选择方法(也叫轮盘法)，选择优良个体。

②交叉算子

两个相互配对的染色体交换部分基因，从而形成新的个体。这里采用单点交叉方式，即在个体染色体串中只随机设置一个交叉点，然后在该位置上相互交换两个配对个体的部分染色体基因。实际操作时，通过随机产生一个0～1之间的数，若该数小于交叉概率P_c，则对该相互配对的染色体在随机产生的交叉点上进行交叉。

③变异算子

变异个体的选择和变异位置的确定都采用随机的方法。通常变异概率P_m为10^-4～10^-1。在实际操作过程中，随机产生一个0～1之间的数，若该数小于P_m，则对染色体在随机确定的变异位置上进行变异操作。

4.选择

采用确定性的选择策略。也就是说，按照降序排列所有双亲和后代的个体，符合优化准则的最佳个体组成新一代种群。

本发明的基于智能代理的无线传感器网络数据聚合路径优划方法采用进化遗传算法与神经网络算法的结合来优化路由的选择，具体如下：

主代理初始路由生成、分派执行代理：

步骤1).处于某监测区域的传感器节点监测到目标，获得感知数据时，将自己的状态信息传送到汇聚节点，

步骤2).主代理根据获知的传感器网络节点感知状态信息后，更新内置向量表，实现染色体编码，随机产生初始种群，

步骤3).计算个体适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表最优路由选择，并结束计算，否则转向步骤4，

步骤4).依据适应度选择再生个体，适应度高的个体被选中概率高，适应度低的个体被淘汰，

步骤5).按照一定的选择、交叉和变异概率和方法，生成新的个体，

步骤6).由选择、交叉生成的新一代种群，返回步骤3，

步骤7).主代理根据选定的种群排列结果，对应与感知节点，这些节点作为数据聚合路径的主干节点，

步骤8).主代理生成执行代理，并分发到数据聚合主干节点；

执行代理决策路由：

步骤9).执行代理到达目标节点后，收集驻留改节点的信息代理提供的状态信息，包括节点本身的剩余能量、感知与转发的数据量、邻居节点状态，

步骤10).执行代理在后继过程中，收集主代理后发的路由策略信息，

步骤11).执行代理根据上述信息，进行聚合任务的决策，包括协同控制驻留聚合节点的数据聚合时隙，聚合数据以及代码的迁移，

步骤12).执行代理协同完成数据聚合任务后，携带部分数据结果和状态代码返回汇聚节点；

系统报告：

步骤13).执行代理的决策形成系统事件影响网络的拓扑架构，并以事件通知的形式通知主代理；

主代理收集并更新系统信息：

步骤14).主代理收集数据聚合过程中，来自于传感器网络节点与执行代理的事件消息，更新系统信息；主代理重新计算一个优化的路由：

步骤15).主代理按照上述初始路由相同的方法，重新计算选择优化路径后，分发执行代理，或将路由策略以消息形式通知已派发的执行代理；

执行代理完成数据与状态信息的收集：

步骤16).执行代理依据路由规划策略继续访问传感器网络的其余节点，

步骤17).执行代理携带部分数据和状态信息返回主代理。

有益效果：本发明方法提出了利用智能代理实现无线传感器网络数据聚合路径的选择新方法。智能代理实质上是一种网络计算，它能够自行选择运行地点和时机，根据具体情况中断自身的执行，移动到另一设备上恢复运行，并及时将有关结果返回。移动的目的在于使程序的执行尽可能靠近数据源，降低网络的通信开销，平衡负载，提高完成任务的时效性。可以说智能代理的本质是计算能力的传递，即将计算传入数据区，而不是像传统方式一样将数据传入计算区。智能代理技术具有：减少网络流量和网络连接次数与时间、异步处理、提供动态的可定置服务、动态组装行为、与分布结构无缝集成、优秀的移动计算能力、封装协议、良好的应变能力、良好的坚定性和容错性等特性和优点，这些特点使智能代理在无线传感器网络分布式数据聚合应用上具有了广泛的应用前景。同时，本发明将遗传算法融入代理最优路径规划中。遗传算法本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。通过进化遗传算法的优化控制，在一定程度上提高了聚合节点选择的合理性与全局性，可以有效的达到以最少的能耗实现网络数据聚合的目标。

附图说明

图1是智能代理组成结构示意图。图中包括：移动Agent服务环境、传感器网络数据源、服务Agent、信使Agent以及代理之间的通信控制协议。

图2是本发明方法的流程示意图。

具体实施方式

为了方便描述，我们假定有如下应用实例：

一、初始数据聚合路径生成

初始数据聚合路由规划流程如下：

1.处于某监测区域的传感器节点监测到目标，获得感知数据时，将自己的状态信息(节点ID、剩余能量、与聚合节点的跳数距离)传送到汇聚节点。

2.主代理根据获知的传感器网络节点感知状态信息(节点ID)后，更新内置向量表S。

3.主代理设定初始聚合代价计算已知数据感知节点的实际聚合代价值σ_i，数据传输能耗cost_i，其中K＝1。

4.主代理随机初始种群V_k，个体S_i数目为所有已知的感知数据节点数。每个个体表示为染色体基因编码。

5.计算个体适应度，并判断是否符合优化准则。若符合，则输出最佳个体及其代表的最优路径选择，并结束计算。否则转6。

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。

7.按照选择概率＝0.2，个体直接复制到下一代。

8.按照交叉概率＝0.75，采用单点交叉方法，生成新个体。

9.按照变异概率＝0.05，采用随机方法，生成新个体。

10.由选择、交叉和变异产生新一代种群，返回5。

二、生成和分派执行代理

1.主代理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合路径的主干节点。

2.主代理生成执行代理。并分发到数据聚合主干节点。

三、执行代理协同完成数据聚合

1.执行代理到达目标节点后，收集驻留改节点的信息代理提供的状态信息，包括节点本身的剩余能量、感知与转发的数据量、邻居节点状态等。

2.执行代理在后继过程中，收集主代理后发的路由策略信息。

3.执行代理根据上述信息，进行聚合任务的决策，包括协同控制驻留聚合节点的数据聚合时隙，聚合数据以及代码的迁移等。

执行代理协同完成数据聚合任务后，携带部分数据结果和状态代码返回汇聚节点。

四、主代理继续聚合路由的选择

1.主代理收集数据聚合过程中，来自与传感器网络(节点、执行代理)的事件消息，更新系统信息。

2.主代理按照上述初始路由相同的方法，重新计算选择优化路径后，分发执行代理，或将路由策略以消息形式通知已派发的执行代理。

Claims (1)

1.一种基于智能代理的无线传感器网络数据聚合路径规划方法，其特征在于采用进化遗传算法与神经网络算法的结合来优化路由的选择，具体如下：

主代理初始路由生成、分派执行代理：

步骤1).处于某监测区域的传感器网络节点监测到目标，获得感知数据时，将自己的状态信息传送到汇聚节点，

步骤2).驻留在汇聚节点的主代理根据获知的传感器网络节点的状态信息后，更新内置向量表，实现染色体编码，随机产生初始种群，

步骤3).计算个体适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表最优路由选择，并结束计算，进入步骤7，否则转向步骤4，

步骤4).依据适应度选择再生个体，适应度高的个体被选中概率高，适应度低的个体被淘汰，

步骤5).按照一定的选择、交叉和变异概率的方法，生成新的个体，

步骤6).由选择、交叉和变异生成的新一代种群，返回步骤3，

步骤7).主代理根据选定的种群排列结果，对应于感知节点，这些节点作为数据聚合路径的主干节点，

步骤8).主代理生成执行代理，并分发到数据聚合路径的主干节点；

执行代理决策路由：

步骤9).执行代理到达目标节点后，收集驻留该目标节点的信息代理提供的状态信息，包括节点本身的剩余能量、感知与转发的数据量、邻居节点状态，

步骤10).执行代理在后继过程中，收集主代理后发的路由策略信息，步骤11).执行代理根据上述信息，进行聚合任务的决策，

步骤12).执行代理协同完成数据聚合任务后，携带部分数据结果和状态代码返回汇聚节点；

系统报告：

步骤13).执行代理的决策形成系统事件影响网络的拓扑架构，并以事件通知的形式通知主代理；

主代理收集并更新系统信息：

步骤14).主代理收集数据聚合过程中，来自于传感器网络节点与执行代理的事件消息，更新系统信息；

主代理重新计算一个优化的路由：

步骤15).主代理按照上述初始路由相同的方法，重新计算选择优化路径后，分发执行代理，或将路由策略以消息形式通知已派发的执行代理；

执行代理完成数据与状态信息的收集：

步骤16).执行代理依据路由规划策略继续访问传感器网络的其余节点，

步骤17).执行代理携带部分数据和状态信息返回主代理。

Images