CN102065444A - 基于蚁群搜索算法的异构无线传感器网络寿命优化技术 - Google Patents

Abstract

本发明公开了一种基于蚁群搜索算法的异构无线传感器网络寿命优化技术。该技术同时考虑无线传感器网络必须完全覆盖监测目标和保持网络连通性的两个约束，通过把网络中不同类型的设备划分为尽可能多的同时满足覆盖和连通约束的子集来优化异构无线传感器网络的寿命。该技术根据蚁群搜索算法上一代的搜索结果自适应地构建解构造图。每只蚂蚁在信息素和启发式信息的引导下基于解构造图构建一种设备划分策略。引入自适应的解构造图构建方法避免了由于预先设立过多子集而引起的优化困难，同时也为进一步的优化提供了指引。信息素记录了子集结构的历史信息，启发式信息反映了子集对某一设备的需求程度，这二者结合能指导蚂蚁高效地建立高质量的解。本技术还引入了一种基于冗余设备调度的局部搜索算法，进一步提高了该技术的优化效率。

Description

基于蚁群搜索算法的异构无线传感器网络寿命优化技术

技术领域：

本发明涉及无线传感器网络和智能计算两大领域，主要公开了一种基于蚁群搜索算法的异构无线传感器网络寿命优化技术。

背景技术：

随着微电子技术和通信技术的发展，实时监察已在战场监视，环境监督和交通管理等应用中成为现实。这些应用通常要求配备无线传感器网络，它们的服务质量与无线传感器网络的性能紧密相联。评价无线传感器网络的一个基本标准是网络的寿命，即网络能够满足应用需求的时间。由于目前的无线传感器网络大都是由一次性电池对设备进行供电，如何提高电池的利用效率从而延长网络的寿命是无线传感器网络设计和应用中最为重要和最具挑战性的问题之一。已有的延长无线传感器网络寿命的方法集中于解决设备的布置问题，数据的压缩问题，传输路由问题，网络拓扑的管理问题及设备的控制问题。在这些方法中，设备控制技术通过安排设备的工作/休眠时间能够有效地降低设备的能量消耗，达到延长无线传感器网络寿命的目的。例如，设备控制技术可将网络设备划分为若干个互斥子集，并使能够同时保证完全覆盖监测目标和保持网络连通的连通覆盖子集的数目最大。由于每个连通覆盖子集中的设备都足以形成一个新的无线传感器网络并承担目标监视和传递监测数据的任务，这种设备控制技术可以通过令连通覆盖子集轮换工作从而优化无线传感器的网络寿命。

由于必须同时考虑覆盖和连通约束，最大化互斥连通覆盖子集的数目是一个十分困难的问题。实际上，它的子问题：最大化满足覆盖约束的子集数目，已是一个非确定多项式时间难(NP难)问题。目前学界已提出不少方法解决这一子问题。在网络设备的通信半径大于或等于其感应半径的两倍的前提下，这些方法所找到的全覆盖子集能同时满足覆盖监测目标和形成连通网络的约束。但是在前提不成立的情况下，这些方法无法保证无线传感器网络的连通性，它们在实际应用中的鲁棒性因此受到了限制。目前仅有少数方法能够无需前提实现对连通覆盖子集数目的优化，但这些方法都集中于处理由同类设备构成的同构无线传感器网络。在由不同类型的设备构成的异构无线传感器网络中，此项研究尚属空白。与同构无线传感器网络相比，异构无线传感器网络能够提供更多类型的功能并形成更高级的网络拓扑结构，因此也更能适应各种复杂应用的要求。随着异构传感器网络在各领域中的应用越来越广泛，对具有强鲁棒性的异构传感器网络设备控制技术的需求越来越迫切。

目前常用的异构无线传感器网络模型通常包含两种类型的设备：具有感应功能和短距离无线通信功能的传感器及具有长距离无线通信功能和路由功能的数据结点。传感器感应其周围的环境并把感应结果传送到其通信距离内的数据结点。数据结点收集感应结果后，将经过处理的信息经由数据结点形成的网络传递到用户终端。为保证这一异构无线传感器网络的正常工作，网络中的设备需满足以下三个约束：(1)覆盖约束：传感器对监测目标(点或区域)形成全覆盖；(2)数据收集约束：为保证所有传感器的感应结果都被反映给用户终端，集合中每个传感器必须能将其感应结果传送到至少一个数据结点；(3)路由约束：数据结点能够形成连通网络，从而保证任何一个数据结点都能将通过单跳或多跳将信息传送给用户终端。本发明提出的基于蚁群搜索算法的寿命优化技术通过最大化异构无线传感器网络中满足以上三种约束的设备子集数目，达到在完全覆盖监测目标和保持网络连通性的前提下最大化网络寿命的目标。

发明内容：

为了克服现有方法鲁棒性差和无法应用于异构无线传感器网络的问题，本发明基于蚁群搜索算法提出了一种零前提的，能同时保证完全覆盖监测目标和保持网络连通性的，并能同时适用于点覆盖和区域覆盖的异构无线传感器网络的寿命优化技术。

本发明解决其技术问题所采用的技术方案是：

(1)将自适应的解构造图构建方法引入到蚁群搜索算法中。在本发明提出的蚁群搜索算法中，解构造图的每个顶点v_ij表示将设备j划分到集合S_i中，i＝1，2，...，N_t，j∈SE∪SI，其中N_t表示算法第t代中子集的总数，SE和SI分别表示传感器集合和数据结点集合。自适应的解构造图构建方法将N_t设为1+C^bs，C^bs表示历史最优解中连通覆盖子集的数目。这样，随着算法找到含有更多连通覆盖子集的解，子集的总数也随之增加，驱动算法进一步优化设备的划分策略从而形成更多同时满足覆盖与连通约束的子集。这种自适应的解构造图构建方法能够防止预先设立过多的子集，有效地避免了由于子集数目太多，设备被过度分散而造成的优化困难。另一方面，这种自适应构建方法使算法总是集中于寻找比历史最优解多一个连通覆盖子集的更好解，从而引导算法循序渐近地搜索更多的连通覆盖子集，提高了算法的优化效率。

(2)设计了一套解构造规则使蚁群搜索算法中的蚂蚁能够基于搜索的历史信息和领域知识高效地从解构造图中构造出问题的一个合法解。这一规则规定每只蚂蚁必须从解构造图中的每一列中选择一个且仅一个结点，表示网络中的每个设备被划分到一个且仅一个子集。因此，一只蚂蚁的访问路径实际代表了无线传感器网络中的所有设备的一个划分策略，即问题的一个合法解。

蚁群搜索算法利用信息素和启发式信息共同引导蚂蚁的解构造行为。本发明提出利用信息素记录两个设备隶属同一子集的历史信息。在已得到的解中，两个设备J和K被划分到同一子集且该子集是连通覆盖集的情况越多，两个设备间的信息素的浓度越大。因此通过计算未分配设备与某一子集中已存在设备的信息素的平均浓度，可以基于已进行搜索的经验评估将该设备划分到这一子集的倾向。另一方面，本发明利用未分配设备对集合违反约束情况的改善程度作为启发式信息。例如，将一个未分配的传感器J划分到集合S_i的启发式信息η_i(J)取决于J进入S_i后S_i的覆盖率的提高程度，J∈SE，i＝1，2，...，N_t。而将一个未分配的数据结点K划分到集合S_i的启发式信息η_i(K)取决于K进入S_i后S_i满足数据收集约束的程度提高了多少，K∈SI，i＝1，2，...，N_t。这种启发式信息能够根据各个子集对某一未分配设备的需求程度来对该设备进行划分。

(3)提出了一种基于冗余设备调度的局部搜索方法。一个子集内的冗余设备可以被移出该子集而不影响该子集对约束的满足程度。例如，移除某一子集的冗余传感器，该子集对监测目标的覆盖率不会降低；移除某一子集的冗余数据结点，该子集仍能够保证收集所属传感器的所有感应结果并保持网络的连通性。本发明提出的局部搜索方法针对冗余传感器和冗余数据结点的特点分别设计了调度模块。一个模块对所有集合中的冗余传感器进行调度，以求形成更多完全覆盖监测目标的子集。另一个模块对连通覆盖集中的冗余数据结点进行调度，以求形成更多满足数据收集约束和路由约束的子集。结合这一局部搜索方法有助于进一步提高网络寿命的优化效率。

本发明的有益效果是：引入自适应地解构造图的构建方法，根据当前的搜索结果循序渐进地寻找更多满足覆盖和连通约束的设备子集。一方面避免了由于预先设立过多子集而造成的优化困难，另一方面也为进一步搜索提供了指引，提高了优化效率。同时提出一种新的局部搜索方法，通过调度各个子集中的冗余设备进一步形成更多满足覆盖与连通约束的设备子集。实际测试表明，本发明提出的技术能够可靠高效地优化具有不同特征的异构无线传感器网络的寿命。

附图说明：

图1满足覆盖约束、数据收集接受约束及路由约束的连通覆盖设备子集示意图(r_s表示传感器的最大感应距离，r_t和R_t分别表示传感器和数据结点的最大无线通信距离，r_t＜R_t)

图2基于蚁群搜索算法的异构无线传感器网络寿命优化技术的整体流程图

图3本发明提出的蚁群搜索算法的解构造图

具体实施方式：

下面结合附图对本发明的方法作进一步的描述。

图1给出了一个同时满足覆盖约束、数据收集约束以及路由约束的连通覆盖设备子集的例子。本发明提出的寿命优化技术就是通过从异构无线传感器网络中找到尽可能多的连通覆盖子集，从而在保证完全覆盖监测目标和保持网络连通性的前提下优化网络的寿命。

图3给出了本发明提出的优化技术的整体流程图。下面按该流程图分步说明本发明的具体实施办法。

1、初始化

初始化阶段设置各个控制参数，同时估计异构传感器网络中连通覆盖子集数目的上限并利用这个上限定义信息素的初始值τ₀。

2、蚂蚁构造解

每只蚂蚁a在解构造图上搜索并构造出一个解S^(a)，这个解对应于设备到现有子集的一个划分策略，a＝1，2，...，m，m为蚂蚁总数。设异构无线传感器网络中含有5个传感器(|SE|＝5)和3个数据结点(|SI|＝3)，图3给出了在子集总数为5时(N_t＝5)的解构造图。蚂蚁从解构造图的每一列中选取一个且仅一个结点，表示网络中的每个设备被划分到一个且仅一个子集。蚂蚁的访问路径代表了问题的一个合法解。例如，图3中蚂蚁的路径对应于一个包含5个子集的划分策略S＝{S₁，S₂，...，S₅}，其中子集S₁包含传感器SE₁和SE₅，子集S₂包含传感器SE₃和数据结点SI₂，子集S₃包含传感器SE₄和数据结点SI₁，子集S₄包含传感器SE₂和数据结点SI₃，子集S₅为空，不包含任何设备。

信息素和启发式信息共同指导蚂蚁的解构造行为。本发明提出利用信息素记录两个设备隶属同一子集的历史信息。两个设备J和K被划分到同一子集且该子集是连通覆盖集的情况在已进行的搜索中出现的次数越多，两个设备间的信息素ρ(J，K)的浓度越大，J≠K，J，K∈SE∪SI。因此可以通过计算未分配设备J与某一集合S_i中已存在设备的信息素的平均浓度T_i(J)估计将J划分到S_i的倾向，J∈SE∪SI，i＝1，2，...，N_t。

另一方面，本发明利用未分配设备对现存子集违反约束情况的改善程度作为启发式信息。例如，将一个未分配的传感器划分到子集S_i的启发式信息取决于将其划分到S_i后S_i的覆盖率κ_i的提高程度。而将一个未分配的数据结点划分到集合S_i的启发式信息取决于将其划分到S_i后S_i满足数据收集约束的程度χ_i提高了多少。以κ′_i和χ′_i分别表示未分配设备J进入S_i后的覆盖率与数据收集约束的满足程度，J∈SE∪SI，i＝1，2，...，N_t，那么启发式信息可表示为：

结合信息素与启发式信息，将未分配设备J划分到子集S_i的概率p_i(J)可计算如下：

$p_i\left(J\right)=\frac{T_i\left(J\right){\left[{\mathrm{\η}}_i\left(J\right)\right]}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{k=1}^{N_t}{T}_k\left(J\right){\left[{\mathrm{\η}}_k\left(J\right)\right]}^{\mathrm{\β}}}---\left(3\right)$

其中，β＞0是一个事先设定的控制启发式信息的参数。蚂蚁将设备J划分到子集S_i当且仅当

其中q₀∈(0，1)是一个事先设定的参数，q∈[0，1]是服从均匀分布的随机数，I则是基于公式(3)所定义的概率分布使用轮盘赌算法得到的子集的索引。

当设备J无法提高任何一个子集的覆盖率或数据收集约束的满足程度时，η_i(J)对i＝1，2，...，N_t的值均为0。在这种特殊情况下，设备J到任意一个子集S_i的概率p_i(J)都为0，公式(4)中的构建法则无法适用。因此，我们增加了一条附加规则：

其中rand(1，N_t)表示一个在[1，N_t]中的随机整数。

3、对解进行评估

蚂蚁a在第t代构造的一个解可表示为

其中

表示由U_i个传感器和V_i个数据结点组成的一个子集，i＝1，2，...，N_t，N_t为解中子集的个数。本发明针对三个约束分别定义了不同的评价标准：

(1)覆盖约束标准：

${\mathrm{\κ}}_i=\frac{\left|U_{{\mathrm{SE}}_j\∈S_i}{F}_j\right|}{\left|F\right|}---\left(6\right)$

其中

表示被传感器

覆盖的区域。

(2)数据收集约束标准：

${\mathrm{\χ}}_i=\frac{H_i}{U_i}---\left(7\right)$

其中H_i是子集

中能将感应结果发送到至少一个

中的数据结点的传感器数目。

(3)路由约束标准：

${\mathrm{\λ}}_i=\frac{B_i}{V_i}---\left(8\right)$

其中B_i是

中最大连通块G_i所含的数据结点数目。本发明将以上三个标准综合起来作为评价函数，即：

$\mathrm{\Φ}\left(S^{\left(a\right)}\right)={\mathrm{\ω}}_1{\mathrm{\Σ}}_{i=1}^{N_t}({\mathrm{\κ}}_i+{\mathrm{\χ}}_i+{\mathrm{\λ}}_i)/3+{\mathrm{\ω}}_2{C}^{\left(a\right)}---\left(9\right)$

其中，常数ω₁，ω₂＞0是两个预先设定的权值，C^(a)则是解S^(a)中的连通覆盖子集的个数。为保证评价函数值随C^(a)的增加而增长，必须满足：

$\frac{{\mathrm{\ω}}_2}{{\mathrm{\ω}}_1}\≥\hat{C}---\left(10\right)$

4、局部信息素更新

当蚂蚁a完成构造解S^(a)后，局部信息素更新将每一个子集

中的任意两个设备J和K之间的信息素按照公式(11)进行更新：

τ(J，K)＝(1-ρ)·τ(J，K)+ρ·τ₀    (11)

其中，ρ∈(0，1)是信息素局部更新规则中的蒸发率。局部信息素更新可以降低已被划分到同一子集的两个设备间的信息素浓度，从而为后续优化提供更多选择其它设备组合的机会。

5、局部搜索

本发明提出了一种基于冗余设备调度的局部搜索方法，其伪代码如下所示。该局部搜索方法只在历史最优解

上执行。它包含两个模块：一个模块(伪代码第2行至第24行)对所有集合中的冗余传感器进行调度，从而使更多集合满足完全覆盖监测目标的约束；另一个模块(伪代码第25行至第35行)对连通覆盖集中的冗余数据结点进行调度，从而使更多集合满足数据收集约束和路由约束。

6、全局信息素更新

全局信息素更新加强历史最优解S^bs中属于同一个连通覆盖子集的两个设备之间的信息素。其规则为：

其中，ξ∈(0，1)是全局信息素更新中的蒸发率，i＝1，2，...，N^bs，Δτ是信息素增量，由公式(13)计算可得。

$\mathrm{\Δ\τ}=\frac{\mathrm{\Φ}\left(S^{\mathrm{bs}}\right)}{{(1+\hat{C})}^2}---\left(13\right)$

执行完全局信息素更新后，蚁群优化算法完成一次迭代。此时如停止条件已被满足，比如达到预定义的最大迭代次数或者找到满足连通覆盖子集上限的解，则终止整个算法并得到最终解。否则，返回第2步根据新的信息素分布继续优化。

本发明公开的基于蚁群搜索算法的异构传感器网络寿命优化技术通过引入自适应的解构造图构建方法，巧妙地利用信息素和启发式信息将搜索经验与领域知识融合到优化过程中，并与基于冗余设备调度的局部搜索方法相结合，能够从具有不同规模和冗余程度的异构传感器网络中可靠高效地找到尽可能多的连通覆盖设备子集，从而达到在满足完全覆盖监测目标和保持网络连通性的前提下优化异构传感器网络寿命的目标。

Claims (4)

1.一种基于蚁群搜索算法的异构无线传感器网络寿命优化技术，其特征是：基于自适应构建的解构造图，通过蚁群搜索算法的解构造行为循序渐进地将不同类型的设备划分为尽可能多的同时保证完全覆盖监测目标和保持网络连通性的子集，从而优化异构传感器网络的寿命，具体包括以下步骤和操作：

(1)初始化：设置优化技术涉及的各个控制参数，估计异构传感器网络中连通覆盖子集数目的上限

并利用这个上限定义信息素的初始值τ₀；

(2)解构造：首先，根据当前的搜索结果自适应地构建解构造图，解构造图的每个顶点v_ij表示将设备j分配到子集S_i中，i＝1，2，...，N_t，j∈SE∪SI，其中N_t表示算法第t代的子集总数，SE和SI分别表示传感器集合和数据结点集合；N_t设置为1+C^bs，C^bs表示历史最优解中连通覆盖子集的数目，随着算法找到含有更多连通覆盖子集的解，解构造图的子集总数也随之增加，驱动算法寻找更多同时满足覆盖与连通约束的子集；基于上述自适应构建的解构造图，蚂蚁遵循一套专门设计的解构造规则高效地构造问题的一个合法解，这套规则规定每只蚂蚁必须从解构造图的每一列中选择一个且仅一个顶点，即无线传感器网络的每个设备被划分到一个且仅一个子集；同时，这套规则利用信息素记录两个设备隶属同一子集的历史信息，两个设备被分配到同一子集且该子集是连通覆盖集的情况越多，两个设备间的信息素浓度越大，通过计算未分配设备与某一集合中已存在设备的信息素的平均浓度，可以估计将该设备划分到这一子集的倾向；另一方面，这套规则将未分配设备对集合违反约束情况的改善程度作为启发式信息，从而使设备倾向于被划分到对其需求最大的子集；

(3)评价解：综合考虑解的各个子集对覆盖约束、数据收集约束和路由约束的满足程度，采用以下评价函数对解的质量进行评估：

$\mathrm{\Φ}\left(S\right)={\mathrm{\ω}}_1{\mathrm{\Σ}}_{i=1}^N({\mathrm{\κ}}_i+{\mathrm{\χ}}_i+{\mathrm{\λ}}_i)/3+{\mathrm{\ω}}_{2}C$

其中，常数ω₁＞0，ω₂＞0是两个预先设定的权值，κ_i，χ_i和λ_i分别表示解S的第i个子集S_i对三个约束的满足程度的量化标准，i＝1，2，...，N，N是子集总数，C则是连通覆盖子集的个数；

(4)局部信息素更新：在每只蚂蚁构建完一个解后，局部信息素更新将解中存在于同一子集的任意两个设备J、K间的信息素更新为：

τ(J，K)＝(1-ρ)·τ(J，K)+ρ·τ₀

其中，ρ∈(0，1)是信息素局部更新规则中的蒸发率；局部信息素更新可以降低曾被划分到同一子集的两个设备间的信息素浓度，为后续的优化过程提供更多选择其它设备组合的机会；

(5)局部搜索：当所有蚂蚁完成解构造后，在历史最优解上执行基于冗余设备调度的局部搜索，从而进一步提高解的质量，形成更多连通覆盖子集；

(6)全局信息素更新：为了保留连通覆盖子集的结构特征，全局信息素更新将历史最优解S^bs的连通覆盖集中任意两个设备J，K间的信息素增强为：

τ(J，K)＝(1-ξ)·τ(J，K)+ξ·Δτ

其中，ξ∈(0，1)是全局信息素更新中的蒸发率，Δ提根据S^bs的评价函数值计算的信息素增量，这样将可以吸引更多蚂蚁至全局最优解的周围进行搜索；

蚁群搜索算法执行完全局信息素更新后完成一次迭代，此时如停止条件已被满足，则终止整个算法并得到最终解，否则返回第2步继续优化。

2.根据权利要求1所述的基于蚁群搜索算法的异构传感器网络寿命优化技术，其特征是：引入了自适应的解构造图构建方法，随着解质量的提高，解构造图中的子集总数也随之增加，驱动设备的划分策略进一步优化，从而形成更多的连通覆盖子集。

3.根据权利要求1所述的基于蚁群搜索算法的异构传感器网络寿命优化技术，其特征是：利用了信息素记录设备子集结构的历史信息，利用启发式信息反映子集对某一设备需求程度，结合两者共同引导解构造行为，从而加速了优化过程。

4.根据权得要求1所述的基于蚁群搜索算法的异构传感器网络寿命优化技术，其特征是：结合了基于冗余设备调度的局部搜索，针对冗余传感器和冗余数据结点的不同特点分别设计了调度模块，以求能通过调度子集中的冗余设备形成更多连通覆盖子集。

Images