CN103228023A - 基于粒子群蚁群优化的无线传感器网络分簇路由方法 - Google Patents

Abstract

基于粒子群蚁群优化的无线传感器网络分簇路由方法，属于无线传感器网络技术领域。其特征是动态决定动物养殖环境检测系统的最优簇数量，认真分析影响能耗的因素构造适应值函数，运用粒子群优化算法优化分簇，然后在簇头节点中运行蚁群算法来优化簇间路由，从而均衡网络中传感器节点的能量消耗，延长网络的生存时间，选择通信延迟小的路径，均衡网络的流量，提高了动物养殖环境检测无线传感器网络的利用率。

Description

基于粒子群蚁群优化的无线传感器网络分簇路由方法

技术领域

本发明属于无线传感器网络技术领域，具体涉及基于粒子群蚁群优化的无线传感器网络分簇路由方法。本专利设计的方法通过优化分簇路由，来降低无线传感器网络的能量消耗，延长网络生命周期的目的。

背景技术

无线传感器网络通常由成百上千个节点布置在感知区域，在工业控制、军事、环境监测等领域存在众多应用，尤其在动物养殖环境检测领域有重要应用价值。这些节点体积微小，采用能量有限的电池供电且不可补充能量，因此能量的高效利用十分关键。对于无线传感器网络来说，网络拓扑对网络的性能影响很大，优良的拓扑结构能提高MAC协议和路由协议的效率，为数据融合与目标定位等提供基础，有利于延长整个网络的生存时间；路由协议可减小通信延迟，均衡网络流量，提高网络的利用率。

在无线传感器网络中，无线传感器节点的无线通信模块在空闲时也需消耗较多的能量，且大部分时间处于空闲状态，故关闭无线通信模块，可大幅降低能耗开销。我们考虑选择某些节点作为簇头节点打开通信模块，轮流打开非簇头节点的通信模块，由簇头节点组建一个连通网络负责数据的采集、汇聚、路由与转发，这样既保证了覆盖范围内的数据通信，也大大节省了能量。在这种拓扑管理方式下，网络中的节点可划分为簇头节点和成员节点。簇头节点对簇内的成员节点进行管理，协调簇内节点的通信，负责数据的融合与转发，能量消耗较大，故分簇算法通常周期性的选择簇头节点来均衡网络中传感器节点的能耗，达到延长网络生存时间，避免过早出现“空洞”的目的。同时我们可寻找源节点和目的节点间通信延迟小的路径，均衡网络的流量，提高整个网络的利用率，提供更高的服务质量。

层次型拓扑结构具有很多优点，簇头节点负责数据采集，减少了数据通信量；分簇结构有利于分布式算法的大规模部署，提高了系统的可扩展性；成员长时间关闭通信模块，明显延长了网络的生存时间。而好的路由协议可保证数据沿着优化的路径正确转发，减小通信时延，提高网络利用率，均衡整个网络的能耗。

Wendi B.Heinzelman等人提出了LEACH(Low Energy Adaptive Clustering Hierarchy)，LEACH周期性执行，节点轮流当选簇头，使得传感器节点能耗相对均衡，可延长了网络的生命周期。但LEACH中的节点仅按照一定的概率当选簇头，未考虑节点的剩余能量、节点的邻居节点分布等因素，簇头的选择随机性大，簇头的分布不均匀，从而未能很好的均衡整个网络的能耗。

Siva D.Muruganathan等人提出了BCDCP(Base-station Controlled Dynamic Clustering Protocol)协议，该协议包含2个阶段，成簇阶段和簇间路由。该方法即考虑了成簇时的簇头选择，又考虑了成簇后的簇间路由，但是该方法成簇时仅考虑剩余能量，未考虑其他因素；以及簇间路由类似最小生成树的方法，未同时考虑距离和剩余能量的影响，导致能耗相对较高。

发明内容

本发明提出了基于粒子群蚁群优化的无线传感器网络分簇路由方法，在动物养殖环境监测应用中，无线传感器采用电池供电且能量不可补充，需尽量延长传感器的生存时间，采集更多的动物养殖监测数据，同时减少通信时延，提高网络利用率。此方法通过粒子群蚁群优化进行分簇路由，解决了无线传感器网络簇头分布不均，能耗不均衡从而带来的网络生存时间短，以及通信延迟大，网络利用率低等问题，从而有效的利用能量，提高网络的扩展性和稳定性，均衡网络的能耗，延长网络的生存周期。

为实现上述目的，本发明提供的技术方案，基于粒子群蚁群优化的无线传感器网络分簇路由方法，包括优化分簇与簇间路由两个阶段，具体步骤如下：

1)优化分簇：首先根据动物养殖环境检测网络的状况，动态决定最优簇的数目K；然后考虑影响能量消耗的因素如节点的剩余能量、邻居节点分布与数量等，经过认真分析与多次实验总结，构造适应值函数f，运用粒子群优化算法选择最优解，该粒子包含簇头信息；最后基站将最优簇头信息广播至整个无线传感器网络，各节点收到基站的广播信息后，成为簇头的节点通过CSMA码广播自身信息，非簇头节点收到该广播信息后，根据接收信号的强弱向簇头发送加入请求；簇头收到加请求后，分配一个TDMA时隙给该节点，该节点在该TDMA时隙内传输数据；簇头节点收集簇内采集的数据并进行融合汇聚。其中最优簇的数目K采用公式(1)，适应值函数采用公式(2)。

2)簇间路由：在簇头节点中运行蚁群优化算法，计算节点间的期望程度，更新残留信息素，然后蚂蚁根据状态转移概率选择下一步，随着蚁群算法的迭代，最终得到优化路由；簇头节点融合汇聚后的数据沿着该优化路由路径传输至基站。其中状态转移概率采用公式(7)，节点间的期望程度采用公式(8)，采用公式(9)和公式(10)更新残留信息素。

本发明的优点：

1)根据当前动物养殖环境检测网络的状况，动态决定最优簇的数量；随着网络的运行，最优簇的数量是动态改变的，我们始终保持最优簇的数量，减少能量消耗，提高了动物养殖环境检测系统的性能。

2)在分簇优化中引入粒子群优化算法，充分考虑影响能耗的因素，构造适应值函数。本发明考虑影响能耗的各种因素，如节点剩余能量、邻居节点信息等。最优适应值粒子对应的簇头集即为当前簇头的最优选择，该选择充分考虑了节点的剩余能量、邻居节点的位置与数量等因素，优化了簇内能耗，同时簇头节点剩余能量也得到优化。

3)动态调整粒子群优化算法参数；结合分簇优化问题，对粒子群算法中的参数进行动态调整；同时对适应值函数分量的权重进行动态调整，比如在初始阶段，由于节点能量较多，优先优化簇内能耗，随着网络的运行，节点剩余能量越来越少，此时剩余能量占的比重相对增加。

4)采用蚁群算法优化簇间路由；充分考虑影响路由效率与能量消耗的因素，运用蚁群算法优化路由选择，数据沿着优化的路径转发，减小通信时延，提高动物养殖环境检测网络的利用率。

5)蚁群算法参数的动态调整；结合实际，经认真分析和实验总结，信息启发因子所占的比重越来越高，而期望启发因子所占的比重越来越低，便于算法执行效率的提高与快速收敛。

附图说明

图1为无线传感器网络模型图

图2为粒子群蚁群优化分簇路由流程图

图3为粒子群优化算法运行流程图

图4为蚁群优化算法运行流程图

图5为网络中存活节点数与运行时间关系图

图6为基站接收数据量与运行时间关系图

具体实施方式

我们结合动物养殖环境检测无线传感器网络模型，如图1所示，对本发明的具体实施做详细说明，如图2所示。

在100m×100m的动物养殖环境检测区域内，随机布置100个传感器节点，基站位于(50，175)m处，具体模型为：

(1)基站远离动物养殖环境感知区域；

(2)传感器节点随机分布且能量受限，不可补充

(3)每个养殖环境检测传感器知道自己的位置信息

(4)传感器节点具有功率控制功能，能根据距离发送功耗

(5)节点静止或者相对于基站来说运动极慢

1)优化分簇

本发明首先根据当前动物养殖环境检测网络的状态信息计算最优簇的数量，然后运用粒子群优化算法选择最优簇头，并汇聚所采集到的数据。具体过程如下：

(1)计算最优簇的数量

$K=\sqrt{\frac{N}{2\mathrm{\π}}}\sqrt{\frac{{\mathrm{\ϵ}}_{\mathrm{fs}}}{{\mathrm{\ϵ}}_{\mathrm{mp}}}}\frac{M}{d_{\mathrm{toBS}}^2}---\left(1\right)$

其中N为节点总数，M为感知区域面积，d_toBS为动物养殖环境检测区域与基站间的平均距离，ε_fs和ε_mp为无线通信自由空间和多径衰减信道模型能耗系数；

(2)构造适应值函数

f＝εf₁+(1-ε)f₂     (2)

$f_1=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}E\left(n_i\right)/\underset{k=1}{\overset{K}{\mathrm{\Σ}}}E\left({\mathrm{CH}}_{p,k}\right)---\left(3\right)$

$f_2=\underset{k=\mathrm{1,2},...,K}{\max }\underset{{\∀n}_i\∈C_{p,k}}{\mathrm{\Σ}}d(n_i,{\mathrm{CH}}_{p,k})/\left|C_{p,k}\right|---\left(4\right)$

0≤ε≤1

其中K为候选簇头个数，n_i为传感器节点i，E为剩余能量，CH_p，k为粒子p中包含的簇头CH_k，d为两者间的欧氏距离，|C_p，k|是粒子p中属于C_k簇的节点的数量，ε为权重且ε由0.9变化至0.2。

(3)运行粒子群优化算法，如图3所示，具体过程为：

步骤1：初始化m个粒子，每个粒子包含K个簇头信息，每个粒子的结构为：p＝{x₁，y₁；x₂，y₂；x₃，y₃...x_K，y_K}，即每个粒子为2K维；

其中x_l，y_l为粒子p中包括的第一个候选簇头信息，x_K，y_K为粒子p中包含的第K个候选簇头信息。

步骤2：计算每个粒子的适应值

对于每个节点n_i，计算该节点与所有候选簇头CH_p，k间的距离d(n_i，CH_p，k)

若 $d(n_i,{\mathrm{CH}}_{p,k})=\underset{\∀k=\mathrm{1,2},...,K}{\min }\left\{d(n_i,{\mathrm{CH}}_{p,k})\right\},$ 则将节点n_i加入到候选簇头CH_p，k中运用公式(2)计算每个粒子的适应值

步骤3：记录下粒子个体最优适应值与全局最优适应值

步骤4：运用公式(5)和(6)更新粒子的位置与速度

$v_{\mathrm{id}}^{k+1}={\mathrm{\ωv}}_{\mathrm{id}}^k+c_1\mathrm{\ξ}(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2\mathrm{\η}(p_{\mathrm{gd}}^k-x_{\mathrm{id}}^k)---\left(5\right)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^{k+1}---\left(6\right)$

其中x_id表示第i个粒子的d维分量的位置，v_id表示第i个粒子的d维分量的速度值，p_i为个体最优适应值对应的粒子，p_g为全局最优适应值对应的粒子，ω是惯性权重，c₁与c₂是学习因子，ξ和η是[0，1]区间内的伪随机数。我们取m＝20，x_max＝v_max＝100，ω为0.9～0.4，c₁为2.5～0.5，c₂为0.5～2.5。

步骤5：限制粒子的速度与位置，将更新后的粒子中的每个候选簇头映射到最近的节点上

步骤6：重复步骤2至步骤5直至最大迭代次数。

(4)最优适应值粒子对应的簇头节点集即为当前最优簇头集，基站将该信息广播至无线传感器网络，成为簇头的节点采用CSMA码广播自身信息，非簇头节点收到该广播信息后，根据接收信号的强弱向最强信号的簇头发送加入请求；簇头收到加入信息后，分配一个TDMA时隙给该节点，该节点在该TDMA时隙内传输数据。簇头节点收集所采集到的数据并进行汇聚融合。

2)簇间路由

本发明在簇头节点中运行蚁群优化算法，选择最优路由路径，把簇头节点采集汇聚后的养殖环境检测数据传送至基站。具体过程如下：

(1)构造状态转移概率

$p_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\right]}^{\mathrm{\β}}}{\underset{k\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\left[{\mathrm{\τ}}_{\mathrm{ik}}\left(t\right)\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ik}}\right]}^{\mathrm{\β}}},& j\∈{\mathrm{allowed}}_k\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(7\right)$

其中allowed_k＝{C-tabu_k}，表示在t时刻蚂蚁k下一步可选择的节点，tabu_k为禁忌表，记录蚂蚁k已走过的节点，α为信息启发因子，反映蚂蚁在运动过程中残留信息量的重要程度，β为期望启发因子，反映期望值的重要程度，信息启发因子α由2.5变化至4.8，期望启发因子β由4.5变化至2.6，η_ik表示由节点i转移到节点j的期望程度且

η_ik＝1/d_ij+λ[E(i)+E(j)]/2     (8)

(2)更新残留信息素

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij     (9)

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k\left(t\right)---\left(10\right)$

其中ρ为信息素的挥发系数，Δτ_ij为本次循环中路径(i，j)上信息素增量，初始值为0，

为第k只蚂蚁在本次循环中留在路径(i，j)上的信息量。

(3)运行蚁群优化算法，如图4所示，具体过程为：

步骤1：初始化参数。时间t＝0，循环次数N_c＝0，设置最大循环次数N_cmax，令τ_ij(t)＝常数，Δτ_ij(0)＝0

步骤2：将m只蚂蚁随机放在K个节点上

步骤3：循环次数N_c＝N_c+1

步骤4：设置蚂蚁禁忌表索引号k＝1

步骤5：k＝k+1

步骤6：根据状态转移概率公式(7)计算蚂蚁选择节点j的概率，j∈{C-tabu_k}

步骤7：选择具有最大状态转移概率的节点，将蚂蚁移动到该节点，并将该节点记入禁忌表中

步骤8：若没有访问完集合C中的所有节点，则跳转至步骤5；否则转至步骤9

步骤9：根据公式(9)和(10)更新每条路径上的信息量

步骤10：若达到最大循环次数，输出计算结果；否则清空禁忌表并跳转至第3步。

(4)簇头节点把采集汇聚融合后的养殖环境检测数据沿簇间优化路由路径传送至基站。

为验证本方法的正确性与有效性，我们在动物养殖环境检测应用中对该方法进行验证(我们选用肉牛养殖场进行验证)，动物养殖环境检测应用中有四类传感器节点，分别采集温度、湿度、CO₂浓度和氮气浓度，无线传感器采用电池供电且能量不可补充，需尽量延长传感器的生存时间与提高网络利用率。本发明方法与LEACH、BCDCP在网络寿命方面的比较如图5所示，从图中可看出本发明较LEACH、BCDCP能明显延长网络的生存时间，且首节点“死亡”时间明显延迟。这是由于本发明的方法优化了簇内能耗以及选择能量相对高的节点担任簇头，优化了分簇，网络的能量使用效率明显改善，同时采用蚁群算法优化簇问路由，均衡网络的流量，提高了整个网络的利用率与系统性能。

本发明方法与LEACH、BCDCP在发送数据量至基站方面的比较如图6所示，从图中可看出本发明较LEACH、BCDCP能发送更多的数据至基站。这是由于本方法始终保持最优簇的数量，且分簇均匀，簇的大小稳定，这在于我们采用经认真分析总结的适应值函数，参数也经过认真分析与实验总结而得，最后经过粒子群优化得到分簇，另我们通过蚁群算法优化了簇问路由，蚁群优化算法的参数也经过认真分析与实验总结，提供更高的服务质量，均衡了网络流量。LEACH簇头选择较随机，且簇头数量不稳定；BCDCP协议成簇时仅考虑剩余能量，未考虑其他因素，以及簇间路由类似最小生成树的方法，未同时考虑距离和剩余因素的影响，导致能耗相对较高。

本发明通过优化分簇路由，使簇头均匀分布在动物养殖环境检测网络中，均衡了网络的负载；分簇时充分考虑了影响能耗的因素，并运用粒子群优化算法进行优化，提高了能量的利用率；簇间路由充分利用蚁群优化的特性，均衡了网络流量，提高了动物养殖环境检测网络的利用率。簇头的选择与簇间路由均考虑节点的剩余能量，这样簇头节点有足够的能量执行收集、汇聚与路由任务，保证了数据的安全性。总之该发明方法简单，易于实施，动物养殖环境检测系统的性能得到明显提高，且具有良好的可扩展性与鲁棒性。

Claims (6)

1.基于粒子群蚁群优化的无线传感器网络分簇路由方法，其特征在于无线传感器采用电池供电且能量不可补充，需尽量延长无线传感器网络的生存时间与减小通信延迟，所述方法步骤如下： 

1)优化分簇：基站运行粒子群优化算法，根据适应值函数f计算每个粒子的适应值，进行粒子更新迭代，最终选出最优适应值粒子，该粒子包含簇头信息；基站将簇头信息广播至无线传感器网络，收到基站的广播信息后，簇头节点发布广播信息，非簇头节点根据接收到信号的强弱加入相应的簇；簇头节点汇聚收集到的信息。 

2)簇间路由：在簇头节点上运行蚁群算法，蚂蚁k根据状态转移概率

选择下一节点，蚁群算法运行结束后，选择最优路径为簇间路由路径；簇头节点将汇聚后的信息沿路由路径发送至基站。 

2.根据权利1所述的基于粒子群蚁群优化的无线传感器网络分簇路由方法，其特征在于：适应值函数为： 

f＝εf₁+(1-ε)f₂

0≤ε≤1 

其中K为候选簇头个数，n_i为传感器节点i，E为剩余能量，CH_p，k为粒子p中包含的簇头CH_k，d为两者间的欧氏距离，|C_p，k|是粒子p中属于C_k簇的节点的数量，ε为权重。 

3.根据权利2所述的基于粒子群蚁群优化的无线传感器网络分簇路由方法，其特征在于：适应值函数分量权重ε由0.9变化至0.2。 

4.根据权利1所述的基于粒子群蚁群优化的无线传感器网络分簇路由方法，其特征在于：状态转移概率为： 

其中allowed_k＝{C-tabu_k}，表示在t时刻蚂蚁k下一步可选择的节点，tabu_k为禁忌表，记录蚂蚁k已走过的节点；α为信息启发因子，反映蚂蚁在运动过程中残留信息量的重要程度；β为期望启发因子，反映期望值的重要程度；η_ik表示由节点i转移到节点j的期望程度。 

5.根据权利4所述的基于粒子群蚁群优化的无线传感器网络分簇路由方法，其特征在于：转移期望程度为： 

η_ik＝1/d_ij+λ[E(i)+E(j)]/2 。

6.根据权利4所述的基于粒子群蚁群优化的无线传感器网络分簇路由方法，其特征在于：信息启发因子由2.5变化至4.8，期望启发因子由4.5变化至2.6。 

Images