CN102196527B - 一种移动Sink无线传感器网络的路由恢复方法及其恢复协议 - Google Patents

Abstract

本发明公开了一种移动Sink无线传感器网络的路由恢复方法及其恢复协议，其特征在于：当移动Sink的位置发生改变而导致移动Sink无线传感器网络的路径断开时，它将收集当前信息以更新路由图，进行路径编码；采用免疫正交学习粒子群优化算法来选择最优替代路径，进行路由恢复；采用基于该算法的协议来维护该网络系统。该免疫正交学习粒子群优化算法具有全局搜索能力较强、求解精度较好、收敛速度快等特点。本发明提高了此类无线传感器网络的路由维护能力，利用最短的传输路径达到最大的传输成功率，提高网络吞吐量，延长网络生存时间。

Description

一种移动Sink无线传感器网络的路由恢复方法及其恢复协议

技术领域

本发明涉及一种移动Sink无线传感器网络的路由恢复方法及其恢复协议，特别是涉及无线传感器网络的路由方法改进，具体地说是一种采用基于群智能算法的局部路由恢复机制来寻找最优替代路径的移动Sink无线传感器网络的路由恢复方法及其恢复协议。

背景技术

3G手机、掌上电脑等手持设备的发展，使得针对移动Sink无线传感器网络(mobile sinkwireless sensor networks，mWSNs)的应用日益增多。相比静态的无线传感器网络(wireless sensornetworks，WSNs)，mWSNs在能量的高效使用、移动目标的跟踪、网络生存周期、网络连通性等方面有着明显的优势。在这些应用中，由于Sink节点时常会移动到新的位置而导致链路中断，其路由恢复问题逐渐成为一大难题，解决它对mWSNs的网络维护十分重要。经典的移动Sink算法包括DD，AODV和GRAB。TTDD通过节点位置构建网格，Sink通过指定网格内代理节点维持移动过程中的路由。但数据源较多时，为每个数据源构造网格的开销很大。当Sink移出当前网格时，仍需重建路由。SEAD在Sink移动过程中通过扩展当前路由维护路由路径，从而造成严重的端到端延时。且这种对mWSNs频繁的路由更新会导致电池耗能太大，而为维持路由所需的通信开销会降低协议最大化网络生命周期的能力。我们亟需一种协议能快速恢复mWSNs的网络路由，同时最大化延长网络生命周期，以便使基于移动Sink的无线传感器网络得到更充分的应用。

发明内容

本发明提出一种支持移动Sink的路由恢复方法，采用基于群智能算法的局部路由恢复机制来寻找最优替代路径，以减少网络通信开销，降低数据传输延迟和能耗。同时使用改进的免疫正交学习粒子群优化算法(immune orthogonal learning particle swarm optimizationalgorithm，IOLPSOA)对mWSNs的路由恢复机制进行优化，以迅速构建最优替代路径，提高mWSNs的数据传输成功率，延长网络生存时间。

其中，粒子群算法作为新型的智能算法，基本思想是模拟生物界鸟群觅食现象，通过模拟这些群体智能行为而对问题求解空间进行全局搜索，找到全局最优解。和其他智能算法相比，粒子群算法更加容易实现，运行效率更高，因此近年来得到广泛关注。但粒子群存在早熟收敛问题，在搜索后期易陷入局部最优，收敛速度下降，精度较低。因此本文采用IOLPSOA算法来改进粒子群算法：使用Zhan等人在正交学习粒子群算法中采用的正交学习策略指导粒子向更优方向飞行，并采用免疫思想增加粒子(抗体)的多样性，以便迅速跳出局部极值解，快速收敛于全局最优解。

本发明的一种移动Sink无线传感器网络的路由恢复方法，当移动Sink的位置发生改变而导致移动Sink无线传感器网络的数据传送路径断开时，使用免疫正交学习粒子群优化算法(IOLPSOA)来选择最优路径，进行路由恢复；依次包括以下步骤：

(1)更新路由图；当Sink移动到新的位置而导致链路断开时，Sink收集各节点的剩余能量、延时、距离等信息以更新Sink的邻居表和任务表，并根据以上这些信息更新路由图G′，从中提取出可能的路径集合P；

(2)对粒子群初始化；在一个D维空间中，初始化生成n个粒子，每一个粒子都有自己的位置和速度；

(3)对路径集合P进行编码；Sink从G′中计算得到可能的路径集合P，然后将每条链路序列p_j编码为搜索空间中的一个解，用单个粒子表示一条链路序列，以便在解空间和粒子表示之间建立合适的映射；

(4)计算每个粒子的适应度函数，通过免疫正交学习粒子群优化算法(IOLPSOA)从所有解中选出的最优解空间对应的路径p_b，所述的最优解空间是指对应路径p_b的适应度fit(p_b)最大；适应度函数如下：

$\mathrm{fit}\left(p_j\right)=\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{Rene}\left(v_j^k\right)}{{\mathrm{\ω}}_1\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(v_j^k\right)}{\underset{v\∈V}{\mathrm{\Σ}}\mathrm{ene}\left(v\right)}+{\mathrm{\ω}}_2{\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)}{\underset{n\∈V}{\mathrm{\Σ}}\mathrm{delay}\left(v\right)}}_2+{\mathrm{\ω}}_3\frac{\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)}{\underset{e\∈E}{\mathrm{\Σ}}\mathrm{dist}\left(e\right)}}$

其中，指网络中某个节点

的有效能量；

指两相邻节点间链路的路径长度；

指节点通信消耗的能量；

指节点

的传输延时；ω₁、ω₂和ω₃分别为相邻节点间的能量消耗、传输延时和距离的权值，其中ω₁+ω₂+ω₃＝1，ω₁、ω₂和ω₃都大于0；

(5)采用免疫正交学习粒子群优化算法(IOLPSOA)中的正交学习策略，根据粒子群中各粒子的个体最优位置P_id和全局最优位置P_n构建样本P_o，从而更新粒子位置和速度；

(6)判断是否满足该免疫正交学习粒子群优化算法(IOLPSOA)的终止条件；

所述的终止条件是指得到最大适应值或迭代次数高于80次；

若满足以上的终止条件，得出最优路径p_b；

(7)若不满足，采用免疫正交学习粒子群优化算法(IOLPSOA)中的免疫模型对粒子进行克隆、选择和替换操作，以便在保证收敛速度的同时又能维持抗体的多样性；它基于抗体-抗原适应度的比例选择，构造了记忆单元，以各粒子适应度的比例大小为依据，进行克隆及选择操作，再保留刺激度为所有粒子中前15～25％的粒子，抑制其余粒子；重复步骤(4)到(7)直到满足该算法的终止条件。可以选取前15％的粒子保留，或者取前25％的粒子保留，但是若取前15％，则选的粒子数量太少，不利于提高粒子的多样性；若取前25％，则选择的粒子数量太大，使算法计算量太大，耗能过多，所以优选前20％。

(8)移动Sink通过免疫正交学习粒子群优化算法(IOLPSOA)选择出最优路径p_b后，将最优路径上的节点信息发送给网络内相应的节点，以便快速建立从源节点到Sink的最新替代路径p_b，维持网络路由。

如上所述的一种移动Sink无线传感器网络的路由恢复方法，所述的ω₁在0.35到0.45之间，优选0.4；ω₂在0.1到0.3之间，优选0.2；ω₃在0.35到0.45之间，优选0.4，以达到提升能量消耗和距离参数对路径选择的重要性的目的。其中，若ω₁＝0.35、ω₂＝0.3、ω₃＝0.35时，则传输延时权值在适应度函数中占的比例太大，使被选择的路径太重视较低的传输延时而忽视能量消耗和距离，从而导致其非最优路径；若ω₁＝0.45、ω₂＝0.1、ω₃＝0.45时，则传输延时权值在适应度函数中占的比例太小，使被选择的路径中传输延时偏高而导致其非最优路径。

本发明还提供了一种移动Sink无线传感器网络的路由恢复协议，当Sink节点位置发生改变而导致网络链路断开时，Sink将广播相关信息，附近节点查看自己的ID，如果属于原先路径的节点集则返回自身信息；Sink通过汇集到的信息更新邻居表和任务表，并根据这些最新拓扑信息生成路径集，采用免疫正交学习粒子群优化算法(IOLPSOA)选择最优替代路径，然后将最优路径上的节点信息发送给网络内相应的节点，以便维持从源节点到Sink的路由。

有益效果

该路由恢复方法能在mWSNs的路由由于Sink的移动性而断开时，快速高效的修复链路，恢复路由，它提高了mWSNs的数据吞吐量，数据传输成功率，延长了网络生存时间。

附图说明

图1是基于IOLPSOA算法的mWSNs路由恢复方法流程图

图2是网络初始时的示意图及相关节点邻居表

图3是IOLPSOA算法流程图

图4是网络的路由恢复过程示意图

其中I是网络中的源节点II是网络中的中继节点III是中继节点的邻居表 IV是网络中的Sink节点

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

实施例1

本发明的路由恢复方法的步骤如图1所示，其具体步骤如下：

(1)图1中的路由图更新阶段。假设源节点集合到Sink有n条路径，第j条为p_j，j∈1，2，...，n。

为p_j上的第k个节点，

代表p_j上的第m条链路。

是p_j上的节点集合。网络中每个节点v都拥有存储相邻节点ID等信息(如剩余能量，能量消耗，延时等)的邻居表，和存储包含源节点ID，Sink节点ID、其所在路径上下游节点ID等信息的任务表。一旦v接收到某邻居v_nb的数据包，就会将其信息在邻居表中注册。表示节点

邻居表中的节点集合，同理

是

中各节点的邻居节点集合。N(v_S)表示Sink中存储的相邻节点的邻居表集合，由图2可知， $N_1\left(v_j^1\right)=\left\{\mathrm{31,32,34,36,38}\right\},N_1\left(v_j^2\right)=\left\{\mathrm{30,35,37,38}\right\},$ $N_2\left(v_j^2\right)=\{N_1\left(30\right),N_1\left(35\right),N_1\left(37\right),N_1\left(38\right)\},N_3\left(v_j^3\right)=\{N_2\left(30\right),N_2\left(35\right),N_2\left(37\right),N_2\left(38\right)\},$ N₂(38)＝{N₁(34)，N₁(35)，N₁(39)，N₁(41)，N₁(42)}。同时各个节点在接力数据时则通过任务表将数据传给其上游节点。影响p_j的因素包括：

指节点

的有效能量；指两相邻节点间链路的路径长度；

指节点

通信消耗的能量；

指节点

的传输延时。

当Sink发现某条链路断开时，它将广播包含任务表信息的数据包GN(get node)。接收到GN的节点首先查看自己是否属于原先的路径N(p_j)，是的话则发送数据GNR(get node response)，其中包含自己的邻居表和任务表；否则继续广播GN。通过这种方式，我们可以在仅更新N(p_j)中一部分节点而保留其余节点的情况下得到替代路径，从而使该路由恢复方法仅在局部范围内发挥作用，节省网络能量。Sink收集所有的GNR，提取出其中的邻居表和任务表，包括各节点的剩余能量、延时、距离等信息，并根据以上这些信息更新路由图G′，从中计算出可能的路径集合P。

(2)图1中的路径编码阶段，包含粒子群初始化和用粒子群对路径编码两部分。首先，在一个D维空间中，初始化生成n个粒子，每一个粒子都有自己的位置和速度，定义第i个粒子t时刻的位置是

速度是

代表粒子的个体极值点，p_g代表全局最优解。然后，采用路径编码，Sink节点根据获得的拓扑信息构建子图G′(

)，并从G′中计算可能的路径集合P。然后它先将不满足约束条件的节点组合成的路径剔除掉，再将剩余的每条链路序列p_j编码为搜索空间中的一个解，用粒子表示一条链路序列。路径约束方程为：

$\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)\≤D,\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)>L---\left(1\right)$

将不满足以上条件的链路视为不可达。其中，D表示延迟约束，要求源节点到Sink的链路的延迟和不大于该值；L表示距离约束，要求源节点到Sink的链路距离大于该值。

(3)图1中的路径选择阶段，包括目标函数设计，正交学习策略更新粒子群速度位置，免疫克隆选择等步骤，流程图如图4所示，步骤如下：

1)计算每一个粒子的适应度值。通过IOLPSOA算法从所有解中选出最优解空间(即其对应的适应度fit(p_b)最大)对应的路径p_b，适应度公式如下：

$\mathrm{fit}\left(p_j\right)=\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{Rene}\left(v_j^k\right)}{{\mathrm{\ω}}_1\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(v_j^k\right)}{\underset{v\∈V}{\mathrm{\Σ}}\mathrm{ene}\left(v\right)}+{\mathrm{\ω}}_2{\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)}{\underset{n\∈V}{\mathrm{\Σ}}\mathrm{delay}\left(v\right)}}_2+{\mathrm{\ω}}_3\frac{\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)}{\underset{e\∈E}{\mathrm{\Σ}}\mathrm{dist}\left(e\right)}}---\left(2\right)$

其中ω₁、ω₂、ω₃分别为路径上相邻节点间的能量消耗、延时和距离的权值，其中ω₁+ω₂+ω₃＝1，所述的ω₁在0.35到0.45之间，优选0.4；ω₂在0.1到0.3之间，优选0.2；ω₃在0.35到0.45之间，优选0.4；其中，若ω₁＝0.35、ω₂＝0.3、ω₃＝0.35时，则传输延时权值在适应度函数中占的比例太大，使被选择的路径太重视较低的传输延时而忽视能量消耗和距离，从而导致其非最优路径；若ω₁＝0.45、ω₂＝0.1、ω₃＝0.45时，则传输延时权值在适应度函数中占的比例太小，使被选择的路径中传输延时偏高而导致其非最优路径。这里选择ω₁＝0.4，ω₂＝0.2，ω₃＝0.4，以提升能量消耗和距离参数对路径选择的重要性。其中，适应度越大，表明解空间对应的该路径越适合作为最优替代路径。

2)采用IOLPSOA算法进行路径选择。首先采用正交学习策略构建样本P_o以更新粒子位置和速度。通过去除标准PSOA的等式(3)和(4)中的随机变量和w，将等式简化为(5)。

v_id(t+1)＝wv_id(t)+c₁Rand_i(p_id-x_id(t))+c₂Rand₂(p_nd-x_id(t))(3)

x_id(t+1)＝x_id(t)+v_id(t)                                  (4)

v_id＝(p_id-x_id)+(p_nd-x_id)                                 (5)

采用正交学习方法，P_i和P_n中的信息将融合成更优的指导性向量P_o。粒子速度公式变为：

v_id＝wv_id+cr_d(p_od-x_id)                                   (6)

其中c是加速因子，本发明选择c＝2.05。w是惯性因子，较大的w有利于群体在更大范围内进行搜索，而较小的w能够保证群体最终收敛到最优位置，因此本算法提出了一个线性差分递减策略：

$w\left(t\right)=w_{\mathrm{start}}-\frac{(w_{\mathrm{start}}-w_{\mathrm{end}})}{t_{\max }^2}\×t^2---\left(7\right)$

其中，w_start＝0.9，w_end＝0.4。各个粒子i的P_i和P_n将按照一定的方式构建P_o，具体步骤如图3所示：

$p_o=p_i\⊕p_n---\left(8\right)$

3)判断是否满足终止条件(得到最大适应值或迭代次数高于80次)，若不满足，再采用免疫思想进行粒子克隆、克隆选择和克隆抑制等操作。该免疫思想利用了免疫机制良好的多样性特征。它采用基于抗体-抗原亲和度(适应度)的比例选择，构造了记忆单元，通过新旧抗体的替代，在保证收敛速度的同时又能维持抗体的多样性。

该模型将每个粒子作为一个抗体。对每个需要克隆的粒子，克隆数目与其当前适应度成正比，克隆数N_c按如下式子计算：

N_c＝αN                             (9)

其中α是克隆因子，并与粒子适应度成正比，N是粒子数。变异规则根据经验设置，其公式表示为：

c_i＝x_i+βRand                       (10)

其中c_i是克隆后的个体，x_i是原始抗体，β是变异因子，Rand是随机变量，Rand∈[0，1]。在粒子替代规则中，我们计算原始粒子和选出的克隆变异粒子对抗原的刺激程度。对于任意粒子C_t和抗体Y_t，二者欧式距离为：

$d(i,j)=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(c_{\mathrm{it}}-y_{\mathrm{jt}})}^2}---\left(11\right)$

抗体粒子刺激度为

A(i，j)＝1/d(i，j)                    (12)

然后将各粒子的刺激度进行比较，刺激度值为所有粒子中前20％的粒子保留，否则抑制。通常保留刺激度为所有粒子中前15～25％的粒子，抑制其余粒子；可以选取前15％的粒子保留，或者取前25％的粒子保留，但是若取前15％，则选的粒子数量太少，不利于提高粒子的多样性；若取前25％，则选择的粒子数量太大，使算法计算量太大，耗能过多，所以优选前20％。

4)重复步骤1)到3)直到满足算法的终止条件。

(4)图1中的路由恢复阶段，由Sink通过IOLPSOA算法选择出最优路径p_b后，将与路径相关的节点序列信息通知给网络内相应的节点，以便快速建立从源节点到Sink的多跳路径p_b，恢复网络路由。

(5)图1中的路由恢复协议实现，实现模型的核心代码为Matlab语言编码。以图4为例来说明。首先，源节点n_s与Sink节点已建立了一条有效路径N(p_j)(图4的路径3-4-5...37-34-35-Sink)。协议具体实现步骤如下：

1)当Sink节点由于移动到新位置而与

(图4的节点35)断开连接时，Sink将广播包含任务表信息的数据包GN。

2)接收到GN的节点首先查看自己是否属于原先的路径N(p_j)上的节点，是的话则发送数据GNR，其中包含自己的邻居表和任务表；否则继续广播GN。

3)Sink收集所有的发送过数据包GNR的节点相关信息，并更新其邻居表集合N(v_S)。然后采用IOLPSOA算法来计算和构建替代路径p_b(图4中的路径3-4-5...37-41-42-sink)，同时更新任务表。

4)Sink广播包含当前信息的数据包GNR_ACK。一旦某个接收到该包的节点发现它自己的ID是属于任务表中p_b上的节点，则与同属p_b的上下游节点建立连接，并将GNR_ACK接力给邻居节点，直至n_s接收到该数据包。至此，从n_s到Sink的最新替代路径构建完成，协议结束。

Claims (3)

1.一种移动Sink无线传感器网络的路由恢复方法，其特征是：当移动Sink的位置发生改变而导致移动Sink无线传感器网络的数据传送路径断开时，使用免疫正交学习粒子群优化算法来选择最优路径，进行路由恢复；依次包括以下步骤：

（1）更新路由图；当Sink移动到新的位置而导致链路断开时，Sink收集各节点的剩余能量、延时和距离信息以更新Sink的邻居表和任务表，并根据以上这些信息更新路由图G'，从中提取出可能的路径集合P；

（2）对粒子群初始化；在一个D维空间中，初始化生成n个粒子，每一个粒子都有自己的位置和速度；

（3）对路径集合P进行编码；Sink从G'中计算得到可能的路径集合P，然后将每条链路序列p_j编码为搜索空间中的一个解，用单个粒子表示一条链路序列，以便在解空间和粒子表示之间建立合适的映射；

（4）计算每个粒子的适应度函数，通过免疫正交学习粒子群优化算法从所有解中选出的最优解空间对应的路径p_b，所述的最优解空间是指对应路径p_b的适应度fit(p_b)最大；适应度函数如下：

$\mathrm{fit}\left(p_j\right)=\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{Rene}\left(v_j^k\right)}{{\mathrm{\ω}}_1\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(v_j^k\right)}{\underset{v\∈V}{\mathrm{\Σ}}\mathrm{ene}\left(v\right)}+{\mathrm{\ω}}_2\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)}{{\underset{n\∈V}{\mathrm{\Σ}}\mathrm{delay}\left(v\right)}_2}+{\mathrm{\ω}}_3\frac{\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)}{\underset{e\∈E}{\mathrm{\Σ}}\mathrm{dist}\left(e\right)}}$

其中，指网络中某个节点

的有效能量；

指两相邻节点间链路的路径长度；

指节点通信消耗的能量；

指节点

的传输延时；ω₁、ω₂和ω₃分别为相邻节点间的能量消耗、传输延时和距离的权值，其中ω₁+ω₂+ω₃=1，ω₁、ω₂和ω₃都大于0；

（5）采用免疫正交学习粒子群优化算法中的正交学习策略，根据粒子群中各粒子的个体最优位置P_id和全局最优位置P_n构建样本P_o，从而更新粒子位置和速度；

（6）判断是否满足该免疫正交学习粒子群优化算法的终止条件；

所述的终止条件是指得到最大适应值或迭代次数高于80次；

若满足以上的终止条件，得出最优路径p_b；

（7）若不满足，采用免疫正交学习粒子群优化算法中的免疫模型对粒子进行克隆、选择和替换操作，以便在保证收敛速度的同时又能维持抗体的多样性；它基于抗体-抗原适应度的比例选择，构造了记忆单元，以各粒子适应度的比例大小为依据，进行克隆及选择操作，再保留刺激度为所有粒子中前15～25%的粒子，抑制其余粒子；重复步骤（4）到（7）直到满足该算法的终止条件；

（8）移动Sink通过免疫正交学习粒子群优化算法选择出最优路径p_b后，将最优路径上的节点信息发送给网络内相应的节点，以便快速建立从源节点到Sink的最新替代路径p_b，维持网络路由。

2.如权利要求1所述的一种移动Sink无线传感器网络的路由恢复方法，其特征在于，所述的ω₁在0.35到0.45之间；ω₂在0.1到0.3之间；ω₃在0.35到0.45之间，以达到提升能量消耗和距离参数对路径选择的重要性的目的；其中，若ω₁=0.35、ω₂=0.3、ω₃=0.35时，则传输延时权值在适应度函数中占的比例太大，使被选择的路径太重视较低的传输延时而忽视能量消耗和距离，从而导致其非最优路径；若ω₁=0.45、ω₂=0.1、ω₃=0.45时，则传输延时权值在适应度函数中占的比例太小，使被选择的路径中传输延时偏高而导致其非最优路径。

3.如权利要求2所述的一种移动Sink无线传感器网络的路由恢复方法，其特征在于，ω₁为0.4；ω₂为0.2；ω₃为0.4。

Images