CN103095572A - 一种移动多Sink型无线传感器网络的路由维护方法 - Google Patents

Abstract

本发明公开了一种移动多Sink型无线传感器网络的路由维护方法，当网络中某个移动Sink节点位置改变或中继节点损坏而导致移动多Sink型无线传感器网络的通信路径断开时，该Sink节点将选择Agent节点来收集网络节点信息，进行路径编码；采用内分泌粒子群协同进化算法来搜索最优替代路径，进行路由恢复；采用基于该算法的路由维护方法来维护该网络系统。该内分泌粒子群协同进化算法能提供更快的全局收敛速度、更高的求解精度，以便快速寻找替代路由。本发明能提高移动多Sink型无线传感器网络的路由维护能力，降低网络传输时延和能耗，均衡网络负载，延长网络寿命。

Description

一种移动多Sink型无线传感器网络的路由维护方法

技术领域

本发明涉及一种移动多Sink型无线传感器网络，特别是涉及一种移动多Sink型无线传感器网络的路由维护方法。

背景技术

无线传感器网络（wireless sensor networks，WSNs）是由部署在监测区域内的大量微型、低成本传感器节点组成的自组织多跳网络系统。这种网络的易部署性、自适应性特点，使得它在环境监测、精细农业等领域有着广泛的应用前景。作为一种面向应用、以数据为中心的任务型网络，它通常采用多对一通信方式，传感器节点将收集的数据通过多跳方式主动上传到汇聚节点Sink。但是Sink节点附近的传感器节点由于频繁的数据传输容易过早耗尽能量，从而缩短全网的工作时间。随着WSNs的发展，支持移动Sink节点的WSNs架构受到了普遍关注。该网络中，Sink节点是具有可移动性的独立的数据查询和收集单元，引入移动Sink节点可以避免数据通信局部聚集，有效平衡传感器节点的能量消耗。

单个移动Sink节点由于覆盖范围的限制，不能很好的解决网络能量空洞问题，因此基于多个移动Sink节点的WSNs（Multiple Mobile Sink WSNs，MMS-WSNs）是一种更理想的短距离通信解决方案。该MMS-WSNs包含数量庞大的传感器节点和用来汇集数据的多个移动Sink。多个Sink节点构成了一个虚拟骨干网，该骨干网在各个Sink移动过程中能保持相互的连通性。当靠近某些Sink节点的节点能量降低时，这些Sink节点能移动到新的能量富裕的区域中。多个移动Sink节点虽然增加了网络路由维护的成本，但它能更好的提高能量利用率，填补能量空洞，增大了网络的通信容量，避免了额外的传输开销。

由于Sink节点的移动和中继节点的损坏会造成链路中断，如何解决其路由恢复问题对MMS-WSNs的网络维护变得十分重要。支持多移动Sink节点的典型算法包括SEAD,ALURP,TTDD等。智能Agent路由协议（IAR）是一种面向多移动Sink的高效路由方式，Sink节点会周期性检测其与当前中继节点的距离，随时建立新的传输路径，实验验证其降低了丢包率，但该协议未考虑中继节点失效问题。

中国专利（申请号为：201110142201.1，专利名称一种移动Sink无线传感器网络的路由恢复方法及其恢复协议）提出的基于IOLPSOA的移动Sink路由恢复协议被用来恢复由于Sink节点移动造成的断链，该协议在快速恢复路由的同时还可以有效降低通信控制开销，但是其只适合处理单个Sink节点移动的问题，且未提及中继节点失效时的路由恢复机制。同时由于MMS-WSNs的路由容错问题也是一种NP完全问题，以上这些启发式的确定性方法往往得到的是近似最优路由，易于陷入局部极值。本发明亟需一种方法能快速修复MMS-WSNs的网络路由，提高网络数据传输的鲁棒性，同时最大化网络寿命，以便使MMS-WSNs网络得到更广泛的应用。

发明内容

本发明的目的就是为了解决上述问题，提供一种移动多Sink型无线传感器网络的路由维护方法，当移动Sink节点的位置改变或中继节点损坏而导致MMS-WSNs的数据传输链路断开时，采用基于内分泌粒子群协同进化算法(Endocrine Co-evolution Particle SwarmOptimization Algorithm，ECPSOA)的路由维护方法来搜索最优替代路径，进行路由恢复，以提高MMS-WSNs的数据传输成功率，降低数据传输延迟和能耗，延长网络寿命。

为了实现上述目的，本发明采用如下技术方案：

一种移动多Sink型无线传感器网络的路由维护方法，包含Agent节点选择及信息收集，路径编码及粒子群初始化，内分泌粒子群协同进化算法执行和路由恢复阶段；具体步骤如下：

步骤一：MMS-WSNs路由建模；

步骤二：Agent节点选择及信息收集；Sink节点位置改变或某个中继节点损坏而导致通信链路断开时，该Sink节点收集该Sink节点的邻居节点的剩余能量、时延、距离等信息，并由此选择最合适的Agent节点，作为其它源节点与Sink节点的通信链路的中继节点；由原先的Agent节点向源节点汇报该断路信息，并由源节点将网络内节点当前信息汇聚到新Agent节点，由新Agent节点收集网络内节点的信息，并从中提取出适合构建从源节点到Agent节点路径的有效中继节点集合N_node；

步骤三：路径编码及粒子群初始化；在一个D维空间中，初始化生成M个粒子，用划分因子k将这些粒子的D维向量分成k个独立群体，用S_i表示第i个群体，其中每个粒子都有自己的位置和速度；Agent节点将网络中每个节点编码为搜索空间中的一个解，用单个粒子表示一个节点，以便在解空间和粒子表示之间建立合适的映射；

步骤四：执行内分泌粒子群协同进化算法，包含适应度函数计算，内分泌激素选择和终止条件判断等3个部分；

步骤五：路由恢复，移动Sink节点通过内分泌粒子群协同进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该Sink节点的最新替代路径p_b，维持网络路由；

步骤六：路由维护协议实现。

所述步骤四的适应度函数计算中，通过内分泌粒子群协同进化算法计算每个粒子的适应度函数，从所有解中选出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：

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

$s.t\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(v_j^k\right)+\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(e_j^k\right)\≤\mathrm{Ene},\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)>L,\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)+\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(e_j^k\right)\≤D$

其中，v指网络中的任意一个节点，e指网络中的任意两个节点间的链路，N(v)和N(e)分别指v和e的集合，p_j指网络中的第j个源节点I到Sink节点III的路径，

指路径p_j上的第k个节点，

指路径p_j上的第k和k+1个节点之间的链路，

指节点

的剩余能量，

和

分别指链路

和节点

的能耗，

和

分别指链路

和节点

的数据传输时延，

指链路的长度。ω₁、ω₂、ω₃分别为能耗、长度和时延对应的权值，ω₁+ω₂+ω₃＝1，ω₁、ω₂和ω₃均大于0。在路径约束方程中，Ene表示能耗约束，要求源节点到Sink节点的能耗之和不大于该值；L表示距离约束，要求源节点到Sink节点的链路长度大于该值；D表示延迟约束，要求源节点到Sink节点的链路的数据传输时延之和不大于该值。

所述步骤四的内分泌激素选择，将生物体激素分泌机制中的促激素SH和释放激素RH的监督控制作用原理与粒子群思想结合，利用当前解集中的个体对其最邻近一类群体的监督控制，来对粒子群采用内分泌原理进行分类，从而引入当前粒子的类全局最优位置，实现对粒子群位置和速度的更新。类全局最优位置的选取使得每个粒子飞向其历史最优方向，搜索域全局最好位置的选取使得每个粒子飞向搜索域中拥挤距离大的优质解。

所述步骤四的终止条件判断，判断是否满足该内分泌粒子群协同进化算法的终止条件；所述终止条件是指得到最大适应值或迭代次数高于100次；若满足以上的终止条件，得出最优路径p_b。

所述步骤四的适应度函数计算中的ω₁在0.35到0.45之间，优选0.4；ω₂在0.35到0.45之间，优选0.4；ω₃在0.1到0.3之间，优选0.2，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＝0.35、ω₃＝0.3时，则传输时延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时延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＝0.45、ω₃＝0.1时，则传输时延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时延偏高而导致其非最优路径。

所述的内分泌粒子群协同进化算法中，粒子群协同进化算法是一种新型的智能算法，通过模拟生物界鸟群觅食等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。但粒子群存在早熟收敛问题，在优化迭代后期，收敛速度下降，当收敛到一定精度时，无法继续优化，所以精度较低，不利于实现全局最优的搜索，易于陷入局部极值。因此本发明引入内分泌算法来改变粒子群更新公式，将生物体激素分泌机制中的促激素（SH）对释放激素（RH）的监督控制作用原理与粒子群思想结合，利用当前解集中的个体对其最邻近一类群体的监督控制，来对粒子群采用内分泌原理进行分类，从而引入当前粒子的类全局最优位置，实现对粒子群位置和速度的更新。类全局最优位置可以反映最邻近最优粒子对粒子的影响，起着维持群体分散性的作用，从而保持解集多样性，同时使算法能跳出局部极值而提高寻优能力。仿真比较后可知，该算法与中国专利（申请号为：201110142201.1）提出的IOLPSOA算法相比，有着更快的全局收敛速度和更高的解集多样性。

本发明的有益效果：该路由维护方法可以在MMS-WSNs（Multiple Mobile Sink WSNs，基于多个移动Sink的传感器网络）的数据传输路径由于Sink节点的移动或中继节点的损坏而断开时，快速高效的修复链路。该方法能提高MMS-WSNs的路由维护能力，降低网络传输时延和能耗，均衡网络负载，延长网络寿命。

附图说明

图1是基于ECPSOA算法的MMS-WSNs路由维护方法流程图；

图2是网络中某个Sink节点位置改变后的路由恢复过程示意图；

图3是网络中某个中继节点损坏后的路由恢复过程示意图；

图4是ECPSOA算法流程图；

其中，I是源节点、II是中继节点、III是Sink节点、IV是Agent节点、V是Sink节点的最优邻居节点、VI是损坏的中继节点。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

实施例1

本发明的路由维护方法的步骤如图1所示，其具体实施步骤如下：

步骤一：图1中的MMS-WSNs路由建模阶段。MMS-WSNs可以看作一个生成图G(N(v),N(e))，以所有网络节点为顶点，不包含闭环，其中N(v)＝{v¹,v²,...,vⁱ...}是网络节点集合，vⁱ表示网络中的第i个节点，N(e)＝{(vⁱ,v^j)|vⁱ∈N(v),v^j∈N(v)}是网络中第i个节点vⁱ和第j个节点v^j之间的链接集合。假设有m个移动Sink节点III v_sink和n个源节点I v_s，则n个源节点I v_s到m个Sink节点III v_sink有n条不相交路径，p_j(j∈1,2,...,n)是第j个源节点到Sink节点的路径，h_j是p_j上的总跳数，

代表p_j上的第m条相邻节点间的链接，每个源节点I通过一条路径p_j连接一个Sink节点III

(i∈1,2,...,m)。

是p_j上的节点集合。Agent节点IV v_agent被引入作为Sink节点III v_sink的邻居节点，并负责构建从源节点I v_s到Sink节点III v_sink的新路径。

步骤二：图1中的Agent节点IV选择及信息收集阶段。为了选择合适的Agent节点IV，网络中第i个Sink节点III

首先广播问询包Agent Request（AR）。接收到AR的中继节点II将回复应答包Agent Answer（AA）。应答包AA包含发送者的距离和剩余能量，因此

可以方便的从中找到Sink节点的最优邻居节点V，Sink节点的最优邻居节点V将被选为新的Agent节点IV网络链路断开时，分为以下两种情况：

（1）图2中，当Sink节点III在Agent节点IV

通信范围内移动时，能接收到Agent节点IV发来的数据包。但当Sink节点III移动到Agent节点IV

范围外时，它将从邻近节点中选择一个Sink节点的最优邻居节点V

来传输从Agent节点IV

到Sink节点III

的数据包。具体来说，当Sink节点III发现在规定的时间间隔T内没有收到Agent节点IV

的数据包，则认为自己移动到了Agent节点IV

范围外，继而向Sink节点的邻居节点广播询问包Closest Node Request（CNR）。Sink节点的邻居节点则回复响应包Closest NodeAnswer（CNA），其中包含该节点的位置坐标及剩余能量等信息。因此Sink节点III

依据这些信息可以很容易找出Sink节点的最优邻居节点V

Sink节点III

通过已选中的Sink节点的最优邻居节点V

向原先的Agent节点IV

发送数据包Alternative Path Setup（APS）来构建替代路径，Agent节点IV

将其沿着原先的路径发送给源节点I

若在Sink节点III

移动到Agent节点IV

范围外的时间间隔内继续有数据从原先路径发送过来，Agent节点IV

将存储这些数据，并在接收到APS时将存储的数据转发给Sink节点III以降低丢包率。然后Sink节点的最优邻居节点V

将作为Sink节点III

附近新的Agent节点IV。

然后，为构建高效替代路径，源节点I将向网络中其它节点广播数据包Relay NodeSelection（RNS）。接收到数据包RNS的中继节点II将附上自己的状态信息（如位置，剩余能量，时延等信息），并继续转发数据包RNS，直至转发至新的Agent节点IV为止。Agent节点IV收集这些信息，从中选择出部分节点构建从源节点I

到Sink节点III

的最优替代路径。

（2）图3中，如果某个损坏的中继节点VI

由于损坏或能量耗尽而造成路径失效时，Sink节点III

将发现虽然自己仍然在Agent节点IV

通信范围内（即能收到规定的间隔包）却收不到其它数据包，则认为路径由于失效节点而断开。Sink节点III

将该信息通知给Agent节点IV

损坏的中继节点VI

的下游节点将沿着原先路径将APS包接力传输给源节点I

源节点I

向网络中其它节点广播数据包RNS。接收到数据包RNS的中继节点II将附上自己的状态信息（如位置，剩余能量，时延等信息），并继续转发数据包RNS，直至网络内的节点信息汇聚到Agent节点IV

为止。

步骤三：图1中的路径编码及粒子群初始化阶段。Agent节点IV

收集网络内节点信息，从中提取有效节点集合N_node以便构建替代路径p_j（p_j指网络中的第j个源节点I到Sink节点III的路径）。每个节点代表一个粒子，则粒子数为M。N_node中部分节点通过任意排序可以形成一个粒子序列(m≤M)，表示路径p_j上的第i个节点，按照该顺序可以构建从源节点I

到Sink节点III

的路径p_j。然后采用ECPSOA来优化粒子序列并获得拥有最优适应度值fit(p_b)的最优路径p_b。其中最优路径p_b包含以下节点

其中

和

分别表示最优路径p_b上的源节点I、第m个中继节点和Sink节点III。

本发明采用归一化方法来计算p_j的适应度fit(p_j)，其公式如下：

$\mathrm{fit}\left(p_j\right)=\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{Rene}\left(v_j^k\right)/({\mathrm{\ω}}_1\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(v_j^k\right)+\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(e_j^k\right)}{\underset{v\∈N\left(v\right)}{\mathrm{\Σ}}\mathrm{ene}\left(v\right)+\underset{e\∈N\left(e\right)}{\mathrm{\Σ}}\mathrm{ene}\left(e\right)}+{\mathrm{\ω}}_2\frac{\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)}{\underset{e\∈N\left(e\right)}{\mathrm{\Σ}}\mathrm{dist}\left(e\right)}+{\mathrm{\ω}}_3\frac{\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)+\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(e_j^k\right)}{\underset{v\∈N\left(v\right)}{\mathrm{\Σ}}\mathrm{delay}\left(v\right)+\underset{e\∈N\left(e\right)}{\mathrm{\Σ}}\mathrm{delay}\left(e\right)})---\left(1\right)$

$s.t\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(v_j^k\right)+\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{ene}\left(e_j^k\right)\≤\mathrm{Ene},\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{dist}\left(e_j^k\right)>L,\underset{v_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(v_j^k\right)+\underset{e_j^k\∈p_j}{\mathrm{\Σ}}\mathrm{delay}\left(e_j^k\right)\≤D$

其中，v指网络中的任意一个节点，e指网络中的任意两个节点间的链路，N(v)和N(e)分别指v和e的集合，

指路径p_j上的第k个节点，指路径p_j上的第k和k+1个节点之间的链路，

指节点

的剩余能量，和

分别指链路

和节点

的能耗，

和

分别指链路

和节点

上的数据传输时延，

指链路

的长度。

ω₁、ω₂、ω₃分别为三者对应的权值，ω₁+ω₂+ω₃＝1，所述的ω₁在0.35到0.45之间，优选0.4；ω₂在0.35到0.45之间，优选0.4；ω₃在0.1到0.3之间，优选0.2；

其中，若ω₁＝0.35、ω₂＝0.35、ω₃＝0.3时，则传输时延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时延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＝0.45、ω₃＝0.1时，则传输时延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时延偏高而导致其非最优路径。

这里选择ω₁＝0.4，ω₂＝0.4，ω₃＝0.2，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。

路径约束方程中，Ene表示能耗约束，要求源节点I到Sink节点III的节点能耗之和不大于该值；L表示距离约束，要求源节点I到Sink节点III的链路长度大于该值；D表示延迟约束，要求源节点I到Sink节点III的链路的时延之和不大于该值。这样便能获得拥有最优fit(p_b)的替代路径p_b。

步骤四：图1中的内分泌粒子群协同进化算法执行阶段，其流程图见图4，步骤如下：

步骤（4-1）粒子群初始化（路由恢复操作，路径编码，初始化子群参数）：在一个D维空间中，初始化生成M个粒子，以便进行路径编码，即对可以用于构成路径的节点集合N_node编码，每个节点对应一个粒子。然后用划分因子k将这些粒子的D维向量分成k个独立群体，用S_i表示第i个群体，其中每个粒子都有自己的位置和速度。第i个粒子t时刻的位置是X_i(t)＝(X_i1(t),X_i2(t),...X_id(t)...,X_iD(t))^T，速度是V_i(t)＝(V_i1(t),V_i2(t),...V_id(t)...,V_iD(t))^T，其中X_id(t)和V_id(t)表示t时刻第i个粒子第d维的位置和速度。由Dijkstra算法优化过的路径有M个路径节点，则初始粒子群可由一个[M×3D]的矩阵表示。其中矩阵的前D列为粒子的位置，中间D列为粒子速度，后D列为激素量。各个子群最优位置向量可以由向量函数b(L,i)来表示，见公式(2)。其中，X_m是第m个粒子的位置向量，L＝X_mS_i表示第i个子群S_i的第m个粒子的位置向量；p_m是第m个粒子搜索到的最优位置向量，L＝p_mS_i表示第i个子群S_i的第m个粒子搜索到的最优位置向量；p_g是所有粒子搜索到的最优位置向量，L＝p_gS_i表示第i个子群S_i搜索到的最优位置向量。然后跳至步骤（4-2）。

b(L，i)＝(p_gS₁，...，p_gS_i-1，L，p_gS_i+1，...，p_gS_k),(1≤i≤k，k是划分因子) (2)

步骤（4-2）粒子群更新（计算每个子群粒子的最优适应度值）：粒子群中各子群粒子的最优位置向量按下列公式更新：

$b(p_m{S}_i,i)=\left\{\begin{array}{c}b(X_m{S}_i,i),\mathrm{fit}\left(b(X_m{S}_i,i)\right)\&GreaterEqual;\mathrm{fit}\left(b(p_m{S}_i,i)\right)\\ b(p_m{S}_i,i),\mathrm{fit}\left(b(X_m{S}_i,i)\right)<\mathrm{fit}\left(b(p_m{S}_i,i)\right)\end{array}\right.---\left(3\right)$

其中1≤m≤M，1≤i≤k。该算法中第i个子群S_i的最优位置向量b(p_gS_i,i)将选择子群中拥有最优适应度值fit(b(p_mS_i,i))的粒子位置向量。此阶段单独个体表现出的缺陷可通过其它群体的个体交互作用得到补偿，加快了算法的收敛速度。然后跳至步骤（4-3）。

步骤（4-3）内分泌选择（更新各子群SH和RH的类全局最优位置，各子群粒子的速度和位置，各子群以及总群粒子的最优历史位置）：针对每一个子群，根据内分泌思想初始化两个群体，分别称为促激素群（Stimulation Hormone，SH）S_t和释放激素群（releasing hormone，RH）P_t，两群的结构和规模相同。

首先，将促激素群S_t与粒子群种群P_t（释放激素种群）进行合并形成新群U_t(U_t＝S_t∪P_t)。然后，选中U_t中的优秀解作为SH候选种群CS_t，并对CS_t中所有解的拥挤距离按从大到小的顺序排序。前q个解作为下一代优秀种群S_t+1，q为常数。确定方法为：

a）如果CS_t中解的个数小于等于q，则选择CS_t作为S_t+1；

b）如果CS_t中解的个数大于q，则采用下式确定S_t+1。

S_t+1＝∪{X_i＝u_i,u_i∈CS_t+1,i＝1，2...q}                 （4）

然后，假设SH群的S_t数量大小为N(S)，根据N(S)在SH中选取拥挤距离最大的0.1×N(S)个个体组成一个解集，从中随机选取一个个体作为粒子当前全局最优位置p_g(t)。

由于SH对RH有监督作用，根据N(S)将RH也分为N(S)类。每个SH个体S_i控制一个类C(S_i)，如下式所示：

C(S_i)＝{c∈RH,dist(c,S_i)＝min(dist(c,S_j))}     (j＝1,2...N(S))       (5)

其中，dist(c,S_i)表示RH中的个体c与SH中的个体S_i的距离。这就为来自同一个特殊类C(S_i)的每一个释放激素植入了一个在其更新过程中的监督者。

由此可知，在每次迭代t时刻，粒子速度和位置更新公式为：

V_id(t+1)＝wV_id(t)+c₁×rand₁(p_id-X_id(t))+c₂×rand₂(p_gd-X_id(t))+c₃×rand₃(C_gd-X_id(t))      (6)

X_id(t+1)＝X_id(t)+V_id(t)                          (7)

其中X_id(t)表示t时刻第i个粒子第d维的位置，V_id(t)表示t时刻第i个粒子第d维的速度，p_id表示第i个粒子第d维的最优位置向量，p_gd表示所有粒子第d维的全局最优位置向量，C_gd表示C(S_i)对应的每个RH群个体第d维的类全局最优位置。c₁、c₂、c₃是学习因子，本发明选择c₁＝c₂＝2.05，c₃＝2。rand₁、rand₂和rand₃均匀分布在[0,1]内。惯性因子w在影响结果收敛性的参数中扮演着重要角色。较大的w有利于群体在更大范围内搜索，而较小的w能够保证群体最终收敛到最优位置，因此该算法采用了线性差分递减策略：

$w\left(t\right)=w_{\mathrm{start}}-\frac{(w_{\mathrm{start}}-w_{\mathrm{end}})}{t_{\max }^2}\&times;t^2---\left(8\right)$

其中，w_stant和w_end表示迭代初期和末期w的取值，w_start＝0.9，w_end＝0.4。w(t)表示t时刻w的取值。在此阶段，局部最好位置的选取使得每个粒子飞向其历史最优方向，搜索域全局最优位置的选取使得每个粒子飞向搜索域中拥挤距离大的优质解。然后跳至步骤（4-4）。

步骤（4-4）终止条件判断，如果满足：fit(p_i)达到最优适应度值，或者P_Gen减少到零，路径p_i成为最优路径p_b，该算法结束，否则回到步骤（4-2）。

步骤五：图1中的路由恢复阶段，由Agent节点IV

通过ECPSOA算法选择出最优路径p_b后，将与路径p_b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I到Sink节点III的多跳路径p_b，恢复网络路由。

步骤六：图1中的路由维护协议实现，实现模型的核心代码为Matlab语言编码。分别以图2和3为例来说明。首先，源节点I

(j∈1,2,...,4)与Sink节点III

(i∈1,2)已建立了多条有效路径N(p_j)(j∈1,2,...,4)。协议实现的简化步骤如下：

步骤（6-1）图2中，如果Sink节点III

发现它移动到Agent节点IV范围外时，广播CNR包来选择Sink节点的最优邻居节点V

否则跳至步骤（6-2）。然后通过Sink节点的最优邻居节点V

向Agent节点IV

发送APS包，随后Agent节点IV

将存储的数据包发送给Sink节点III

跳至步骤（6-3）。

步骤（6-2）图3中，如果原先路径中的某个损坏的中继节点VI

损坏失效时，Sink节点III

将通过Agent节点IV

获得该信息，损坏的中继节点VI

的下游节点向源节点I

发送APS包，以便开始建立新的路径。跳至步骤（6-3）。

步骤（6-3）源节点I

向网络上所有节点广播RNS包。每个中继节点II向包中添加自己的状态信息，并转发此包，直至此包传输给Agent节点IV

Agent节点IV收集各个节点发来的信息，提取出可用来构成路径的节点集合N_node，并采用ECPSOA算法从中选择从源节点I

到Sink节点III

的最优替代路径P_b。跳至步骤（6-4）。

步骤（6-4）Agent节点IV

生成替代路径包Optimal Alternative Path（OAP），其中包含了所选择的路径P_b上的各节点ID信息

然后Agent节点IV

将此包分别向上游节点方向发送给Sink节点III向下游节点方向经由原先路径发送给源节点I

一旦新路径上的所有节点收到此包并加入到该路径后，新的替代路径构建完成。随后Agent节点IV

沿着原先路径发送包Previous Path Clear（PPC），以删除原先路径。协议结束。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种移动多Sink型无线传感器网络的路由维护方法，其特征是，包含以下具体步骤：

步骤一：MMS-WSNs路由建模；

步骤二：Agent节点选择及信息收集；

步骤三：路径编码及粒子群初始化；

步骤四：执行内分泌粒子群协同进化算法，包含适应度函数计算，内分泌激素选择和终止条件判断3个部分；

所述适应度函数计算是通过内分泌粒子群协同进化算法计算每个粒子的适应度函数，从所有解中选出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；

所述内分泌激素选择是将生物体激素分泌机制中的促激素SH和释放激素RH的监督控制作用原理与粒子群思想结合，利用当前解集中的个体对其最邻近一类群体的监督控制，来对粒子群采用内分泌原理进行分类，从而引入当前粒子的类全局最优位置，实现对粒子群位置和速度的更新；类全局最优位置的选取使得每个粒子飞向其历史最优方向，搜索域全局最好位置的选取使得每个粒子飞向搜索域中拥挤距离大的优质解；

所述终止条件判断是判断是否满足该内分泌粒子群协同进化算法的终止条件；所述终止条件是指得到最大适应值或迭代次数高于100次；若满足以上的终止条件，得出最优路径p_b；

步骤五：路由恢复；

步骤六：路由维护协议实现。

2.如权利要求1所述的一种移动多Sink型无线传感器网络的路由维护方法，其特征是，所述步骤四的适应度函数计算中，适应度函数如下：

$\mathrm{fit}\left(p_j\right)=\underset{v_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{Rene}\left(v_j^k\right)/({\mathrm{\&omega;}}_1\frac{\underset{v_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{ene}\left(v_j^k\right)+\underset{e_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{ene}\left(e_j^k\right)}{\underset{v\&Element;N\left(v\right)}{\mathrm{\&Sigma;}}\mathrm{ene}\left(v\right)+\underset{e\&Element;N\left(e\right)}{\mathrm{\&Sigma;}}\mathrm{ene}\left(e\right)}+{\mathrm{\&omega;}}_2\frac{\underset{e_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{dist}\left(e_j^k\right)}{\underset{e\&Element;N\left(e\right)}{\mathrm{\&Sigma;}}\mathrm{dist}\left(e\right)}+{\mathrm{\&omega;}}_3\frac{\underset{v_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{delay}\left(v_j^k\right)+\underset{e_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{delay}\left(e_j^k\right)}{\underset{v\&Element;N\left(v\right)}{\mathrm{\&Sigma;}}\mathrm{delay}\left(v\right)+\underset{e\&Element;N\left(e\right)}{\mathrm{\&Sigma;}}\mathrm{delay}\left(e\right)})$

$s.t\underset{v_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{ene}\left(v_j^k\right)+\underset{e_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{ene}\left(e_j^k\right)\&le;\mathrm{Ene},\underset{e_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{dist}\left(e_j^k\right)>L,\underset{v_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{delay}\left(v_j^k\right)+\underset{e_j^k\&Element;p_j}{\mathrm{\&Sigma;}}\mathrm{delay}\left(e_j^k\right)\&le;D$

其中，v指网络中的任意一个节点，e指网络中的任意两个节点间的链路，N(v)和N(e)分别指v和e的集合，p_j指网络中的第j个源节点到Sink节点的路径，

指路径p_j上的第k个节点，

指路径p_j上的第k和k+1个节点之间的链路，

指节点

的剩余能量，和

分别指链路

和节点

的能耗，

和

分别指链路

和节点

上数据传输时延，

指链路

的长度；ω₁、ω₂、ω₃分别为能耗、长度和时延对应的权值，ω₁+ω₂+ω₃＝1，ω₁、ω₂和ω₃均大于0；在路径约束方程中，Ene表示能耗约束，要求源节点到Sink节点的能耗之和不大于该值；L表示距离约束，要求源节点到Sink节点的链路长度大于该值；D表示延迟约束，要求源节点到Sink节点的链路的时延之和不大于该值。

3.如权利要求1所述的一种移动多Sink型无线传感器网络的路由维护方法，其特征是，所述步骤二中，Sink节点位置改变或某个中继节点损坏而导致通信链路断开时，该Sink节点收集该Sink节点的邻居节点的剩余能量、时延、距离信息，并由此选择最合适的Agent节点，作为其它源节点与Sink节点的通信链路的中继节点；由原先的Agent节点向源节点汇报该断路信息，并由源节点将网络内节点当前信息汇聚到新Agent节点，由新Agent节点收集网络内节点的信息，并从中提取出适合构建从源节点到Agent节点路径的有效中继节点集合N_node。

4.如权利要求1所述的一种移动多Sink型无线传感器网络的路由维护方法，其特征是，所述步骤三中，在一个D维空间中，初始化生成M个粒子，用划分因子k将这些粒子的D维向量分成k个独立群体，用S_i表示第i个群体，其中每个粒子都有自己的位置和速度；Agent节点将每个节点编码为搜索空间中的一个解，用单个粒子表示一个节点，以便在解空间和粒子表示之间建立合适的映射。

5.如权利要求1所述的一种移动多Sink型无线传感器网络的路由维护方法，其特征是，所述步骤五中，移动Sink节点通过内分泌粒子群协同进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该Sink节点的最新替代路径p_b，维持网络路由。

6.如权利要求1所述的一种移动多Sink型无线传感器网络的路由维护方法，其特征是，所述步骤四的适应度函数计算中的ω₁在0.35到0.45之间；ω₂在0.35到0.45之间；ω₃在0.1到0.3之间。

7.如权利要求1或6所述的一种移动多Sink型无线传感器网络的路由维护方法，其特征是，所述步骤四的适应度函数计算中的ω₁优选0.4；ω₂优选0.4；ω₃优选0.2。

Images