CN103559536A - 一种基于新概率转移函数的照明通信动态寻径蚁群算法 - Google Patents

Abstract

本发明涉及通信领域，尤其涉及一种基于新概率转移函数的照明通信动态寻径蚁群算法，该算法用于在网络拓扑图中，周期性地搜索网络中每一对节点之间可能存在的路径，并且收集每一条路径上各个路由目标的属性值，记录在信息素中。本发明的有益效果在于：1）采用新的状态转移概率函数，避免了蚂蚁算法在路径寻优时容易陷入局部最优路径陷阱的大缺陷；2）采用正态分布的信息权重因子来调节概率转移函数，减少蚂蚁算法状态转移规则随机性与盲目性；3）通过对全局信息素算法分段设置信息素强度；以及引入基于均匀分布信息量算子使得蚂蚁过于集中的路径上的信息素浓度增加的速度得以缓解；4）优化路灯控制的载波通信路由寻径时间。

Description

一种基于新概率转移函数的照明通信动态寻径蚁群算法

技术领域

本发明涉及通信领域，尤其涉及一种基于新概率转移函数的照明通信动态寻径蚁群算法。

背景技术

城市路灯控制系统采用电力线载波通信技术有其它控制技术所无法比拟的优点：电力是现代城市生活最基本的条件，因此在不需要铺设额外的通信线路条件下，直接利用已有的电力线资源进行数据或话音信号的传输，从而降低通信成本。此外，电力线载波通信设备可随处接入，灵活方便。目前电力线载波通信技术已经广泛地应用，电力线载波通信可以说是一个现成的、覆盖范围最广的通信信道，在花费最少的情况下就能组成智能网络。

一般情况下，低压民用输电线路负载大，加上使用终端电器设备频繁加入或者撤出等因素的影响，低压民用输电线路具有高衰减、高噪声、时变大的特点。高衰减就是线路上传输的信号随着频率的升高呈快速衰减的趋势，因此要求载波通信信号不能过高，否则难以实现长距离的数据传输。高噪声就是低压线路上传输的信号容易而且持久受到负载设备噪声的干扰，例如：城市道路路灯在工作时候会发出噪声，这种噪声会通过输电线路传播到远方，因此严重干扰了输电线路传输数据信号解码的正确性。一般情况下，噪声功率强度与频率成反比，在低频噪声中，输电网本身的电流高次谐波噪声以及开关电源所引起的窄带噪声、突发性噪声等能量相当大。这些噪声对低频信号冲击很大，但是对高频信号冲击相对来说，要小的多。因此载波信号频率不能过低。时变性就是由于低压电力线的干扰、信号衰减和终端节点经常的加入与撤出等因素，使信号在电力线上的传输距离具有一定的时变性，不能永远保持最优传输距离进行传输。在传输过程中，某些节点传输功能随时变化。同时由于通信距离的限制，某些节点将不能直接与中心节点（集中器）进行通信，为了建立整个通信网络，使得集中器可以与每一个节点通信，必须先建立集中器到部分相邻节点之间的通信路径，再将这些节点作为中继节点，扩展通信距离，将集中器与不能直接通信的节点建立通信路径，这样才可能将所有的节点连入低压电力线通信网络。

综上所述，低压民用输电线路这种电能传输的专用网络，当它作为一种通信信道传输数据时候，网络通信特性会变得非常复杂，因为电力线信道的时变性、频率选择性、噪声干扰强和信号衰减大等固有特点已经严重降低了电力线载波通信的可靠性。

为了提高低压输电线路数据传输的可靠性，有必要对这种输电网络路由特性进行深入研究，本专利根据低压输电线路的数据传输特性，提出了基于一种基于混合自适应蚁群低压输电线路载波通信动态路由寻径算法进行动态路由通信，为提高电力线通信可靠性和抗毁性提供了一种有效的解决方案。

前人在研究中提出一些基于蚁群算法的低压电力线载波通信方法，可以有效延长电力线载波通信距离，但是不具有动态适应电力线环境变化能力，虽然已经有工作开发关于动态适应电力线环境路由算法，但算法的收敛速度慢，并且容易陷入局部优化极小值中。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于新概率转移函数的照明通信动态寻径蚁群算法，可以避免基于常规和基于遗传算法的蚁群算法缺陷，该算法用于在网络拓扑图中，周期性地搜索网络中每一对节点之间可能存在的路径，并且收集每一条路径上各个路由目标的属性值，记录在信息素中；改进了概率转移函数策略，大大地降低了蚂蚁寻径盲目性、随机性，同时又不失蚂蚁寻径的灵活性，以此策略为指导，同时控制算法中参数的变化，可以高概率地跳出局部最优，以便求得最优解。

本发明是通过以下技术方案达到上述目的：一种基于新概率转移函数的照明通信动态寻径蚁群算法，包括以下步骤：

1）算法初始化：初始化迭代次数Nc，设置蚁群中蚂蚁总数为M，投放蚂蚁k到源节点，开始蚂蚁行走循环，k＝k+1，初始化网络拓扑中各链路的相应信息素；

2）节点产生蚂蚁数据包信息，由源节点发送至目的节点：当节点周围存在该蚂蚁数据包的目的节点时，蚂蚁数据包将直接传输给目的节点，本次算法结束，蚂蚁数据包更新相关信息；否则进入步骤3）；

3）源节点周围没有目的节点，剔除周围的邻居节点中已经收到过该蚂蚁数据包的节点，并在节点上存储该蚂蚁数据包的相关信息，然后对剩下的邻居节点按照蚂蚁数据包的概率转移函数选择该蚂蚁数据包的下一跳节点，并且将蚂蚁数据包发送出去；

4）当某只蚂蚁成功地完成路由节点选择后，将该节点可直接通信的节点集合传递给下一节点，下一节点将上一节点可直接通信的节点加入禁忌表中，并进行按公式：

${\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}\left(t\right)=\mathrm{\λ}\×{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{old}}\left(t\right)-u_{\mathrm{ij}}$ (6)局部信息素调整，按公式：

全局信息素更新规则：τ_ij(t+1)＝(1-ρ)×τ_ij(t)+Δτ_ij(t)      （4）、

选择概率规则： $P_{\mathrm{ij}}^k\left(t\right)=\frac{f\left({\mathrm{\ξ}}_{\mathrm{ij}}\right){\left({\mathrm{\τ}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\β}}}{\mathrm{\Σf}\left({\mathrm{\ξ}}_{\mathrm{ij}}\right){\left({\mathrm{\τ}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\β}}}---\left(3\right),$

基于正态分布的信息权重： $f\left({\mathrm{\ξ}}_{\mathrm{ij}}\right)=\frac{1}{\sqrt{2\mathrm{\πb}}}\exp \left(\frac{{({\mathrm{\ξ}}_{\mathrm{ij}}-a)}^2}{{2b}^2}\right),---\left(2\right),$

概率转移规则：

（1）顺序更新，

上式中，ρ表示信息素挥发系数，Δτ_ij(t)为信道质量较优的路径的信息素增加值，ξ_ij是基于正态分布的信息权重因子，η_ij表示启发因子，α表示信息素因子权重，β表示启发因子权重，

b＝max{Δτ₁,Δτ₂,Δτ₃,.....,Δτ_k}，q₀为阀值，q为随机值，式中N_i为节点i的一跳邻居节点集合，为节点i到节点j这条有向边目的节点d的信息素值；设

这里S_ij是指

的最大概率，其中，启发值η_ij是在蚂蚁寻径的过程中路径上信息量对指导蚂蚁选择下一跳路径中的相对重要程度，可以说越大，蚂蚁选择以前走过的路径的可能性就越大，比较

和S_ij数值大小，选择数值大的节点方向作为路由通信路径；

5）蚂蚁找到目的节点后，判断k是否小于M,是则转到步骤3），否则转到步骤6），对所有蚂蚁重复步骤3），若每只蚂蚁都已经完成一个完整的路径，则对当前最优路径上的信息素进行全局更新；

6）判断算法是否陷入局部最优，若算法陷入局部最优则执行步骤7），否则，算法继续运行；

7）比较选择使用最小花费并且满足路由约束的蚂蚁；

8）重复步骤3）至步骤7），直至满足条件。

作为优选，所述步骤3）具体包括以下步骤：

（31）判断节点所在的子系统，跳转到所在子系统的中心节点；

（32）搜索禁忌表许可，各蚂蚁根据状态转移公式或者先验知识进行下一节点选择：找到下一跳节点后，判断下一跳所在的子系统，并找出该子系统的中心节点，比较从当前节点经下一跳节点到其中心节点的花费，花费较小的路径为蚂蚁从当前子系统到下一子系统的选择路径。

作为优选，当同一条路径上通过的蚂蚁数目大于M/3时，则引入基于均匀分布的信息量算子u_ij：

$u_{\mathrm{ij}}=\frac{Q}{b-c},---\left(5\right)$

其中，Q为信息素强度，b＝max{Δτ₁,Δτ₂,...,Δτ_k},c＝min{Δτ₁,Δτ₂,...,Δτ_k},此时，该路径上新的信息浓度为：

${\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}\left(t\right)=\mathrm{\λ}\×{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{old}}\left(t\right)-u_{\mathrm{ij}},---\left(6\right)$

作为优选，信息素强度Q采用下面的公式自适应调整：

其中,Nc为迭代的次数,

是函数。

作为优选，信息素挥发系数ρ的取值范围为ρ∈[0,1]。

本发明的有益效果在于：

1）本专利创新之处就是对采用新的状态转移概率函数，克服蚂蚁算法寻径的随机性，避免了蚂蚁算法在路径寻优时容易陷入局部最优路径陷阱的大缺陷，具体地，对每一个节点之后的可能下节点集所有按照每路信息素在各路信息素总和的占比大小确定最佳下一个路径，同时为了确保蚂蚁规则的保持一定寻径灵活性，将最大占比与原来蚂蚁算法中最大概率比较，从而先择出蚂蚁要走的到下一个节点路径；

2）本专利对采用正态分布的信息权重因子来调节概率转移函数，有利于减少蚂蚁算法状态转移规则随机性与盲目性；

3）通过对全局信息素算法分段设置信息素强度；以及对局部信息素算法改引入引入基于均匀分布信息量算子使得蚂蚁过于集中的路径上的信息素浓度增加的速度得以缓解，避免陷入局部极值；

4）经过状态转移概率函数修改后，最佳路径长度比按照原来蚂蚁转移规则，仅仅做全局以及局部改进蚂蚁算法以及按照常规蚂蚁算法所得出最佳路径长度明显减少，从而优化路灯控制的载波通信路由寻径时间。

附图说明

图1是本发明算法的步骤步骤流程图；

图2是某一小区路灯一路灯集中器控制节点分布平面示意图；

图3是算法改进前后最佳路径结果比较图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例1：将蚁群算法应用于输电线路网络中，源节点为集中控制器，目的节点为某一路灯控制节点，把源节点和目的节点分别当作“蚁穴”和“食物”，数据包视为蚂蚁，在经过的路径上留下的信息素用路由表代替，表中的信息素浓度以概率值的形式表示。由路由节点维持一个路由表，蚂蚁根据信息素多少选择路径具有本质上的一致性。蚂蚁以一定的周期更新信息素表。通过信息素表即节点转移概率表来选择下一步所要走的路径，经过多次迭代后，找到满足约束条件信息素最高的路由就是所求的解。信息素的蚂蚁算法中信息素放置在任意两个节点之间的边上，但是蚂蚁算法本身在寻路径方面过于随机性，从而影响了全局最佳路径的选择，为降低蚂蚁算法的随机性，本发明提出了一种基于新概率转移函数的照明通信动态寻径蚁群算法，如图1所示，包括以下步骤：

1）算法初始化：初始化迭代次数Nc，设置蚁群中蚂蚁总数为M，投放蚂蚁k到源节点，开始蚂蚁行走循环，k＝k+1，初始化网络拓扑中各链路的相应信息素；

2）节点产生蚂蚁数据包信息，由源节点发送至目的节点：当节点周围存在该蚂蚁数据包的目的节点时，蚂蚁数据包将直接传输给目的节点，本次算法结束，蚂蚁数据包更新相关信息；否则进入步骤3）；

3）源节点周围没有目的节点，剔除周围的邻居节点中已经收到过该蚂蚁数据包的节点，并在节点上存储该蚂蚁数据包的相关信息，然后对剩下的邻居节点按照蚂蚁数据包的概率转移函数选择该蚂蚁数据包的下一跳节点，并且将蚂蚁数据包发送出去，具体包括以下步骤：

（31）判断节点所在的子系统，跳转到所在子系统的中心节点；

（32）搜索禁忌表许可，各蚂蚁根据状态转移公式或者先验知识进行下一节点选择：找到下一跳节点后，判断下一跳所在的子系统，并找出该子系统的中心节点，比较从当前节点经下一跳节点到其中心节点的花费，花费较小的路径为蚂蚁从当前子系统到下一子系统的选择路径；

4）当某只蚂蚁成功地完成路由节点选择后，将该节点可直接通信的节点集合传递给下一节点，下一节点将上一节点可直接通信的节点加入禁忌表中，并进行按公式：

${\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}\left(t\right)=\mathrm{\λ}\×{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{old}}\left(t\right)-u_{\mathrm{ij}}$ (6)局部信息素调整，按公式：

全局信息素更新规则：τ_ij(t+1)＝(1-ρ)×τ_ij(t)+Δτ_ij(t)       （4）、

选择概率规则： $P_{\mathrm{ij}}^k\left(t\right)=\frac{f\left({\mathrm{\ξ}}_{\mathrm{ij}}\right){\left({\mathrm{\τ}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\β}}}{\mathrm{\Σf}\left({\mathrm{\ξ}}_{\mathrm{ij}}\right){\left({\mathrm{\τ}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\β}}}---\left(3\right),$

基于正态分布的信息权重： $f\left({\mathrm{\ξ}}_{\mathrm{ij}}\right)=\frac{1}{\sqrt{2\mathrm{\πb}}}\exp \left(\frac{{({\mathrm{\ξ}}_{\mathrm{ij}}-a)}^2}{{2b}^2}\right),---\left(2\right),$

概率转移规则：

（1）顺序更新，

上式中，ρ表示信息素挥发系数，Δτ_ij(t)为信道质量较优的路径的信息素增加值，ξ_ij是基于正态分布的信息权重因子，η_ij表示启发因子，α表示信息素因子权重，β表示启发因子权重，

b＝max{Δτ₁,Δτ₂,Δτ₃,.....,Δτ_k}，q₀为阀值，q为随机值，

式中N_i为节点i的一跳邻居节点集合，

为节点i到节点j这条有向边目的节点d的信息素值；设这里S_ij是指的最大概率，其中，启发值η_ij是在蚂蚁寻径的过程中路径上信息量对指导蚂蚁选择下一跳路径中的相对重要程度，可以说越大，蚂蚁选择以前走过的路径的可能性就越大，比较

和S_ij数值大小，选择数值大的节点方向作为路由通信路径；

5）蚂蚁找到目的节点后，判断k是否小于M,是则转到步骤3），否则转到步骤6），对所有蚂蚁重复步骤3），若每只蚂蚁都已经完成一个完整的路径，则对当前最优路径上的信息素进行全局更新；

6）判断算法是否陷入局部最优，若算法陷入局部最优则执行步骤7），否则，算法继续运行；

7）比较选择使用最小花费并且满足路由约束的蚂蚁；

8）重复步骤3）至步骤7），直至满足条件。

当q≤q₀时，本路径算法对现有的蚂蚁算法的状态转移概率因子做了极大地改进，克服蚂蚁算法寻径的随机性，避免了蚂蚁算法在路径寻优时容易陷入局部最优路径陷阱的大缺陷，具体地，对每一个节点之后的可能下节点集所有按照每路信息素在各路信息素总和的占比大小确定最佳下一个路径，同时为了确保蚂蚁规则的保持一定寻径灵活性，将最大占比与原来蚂蚁算法中最大概率比较，从而先择出蚂蚁要走的到下一个节点路径。具体算法如下：按照下面公式对信息素进行周期性的更新，公式如下：

其中，γ为增强系数，Δτ为增量。Δτ的计算规则如下：假如每次更新的信息素增量τ₀，计算得到n个路径的排序，从最劣到最优解依此赋值num[]＝1,2,..,n-1,n，则第i条路径上信息素更新的份数第i条路径上信息素更新所占的比例proportion[i]为

这样，第i条路径上更新的信息素增量

数n据i包在进行转发的时候，如果目的节点不在通信范围之内，则需要剔除邻居节点中已经获得该数据包的节点，然后对剩下的邻居节点按照概率转移函数确定下一跳节点。数据包的概率转移函数只由信息素确定，它的计算公式如下：

式中N_i为节点i的一跳邻居节点集合，

为节点i到节点j这条有向边目的节点d的信息素值。设

这里S_ij是指

的最大概率。其中，启发值η_ij是在蚂蚁寻径的过程中路径上信息量对指导蚂蚁选择下一跳路径中的相对重要程度，可以说越大，蚂蚁选择以前走过的路径的可能性就越大。比较

和S_ij数值大小，选择数值大的节点方向作为路由通信路径。

当q＞q₀时，引入的基于正态分布的信息权重因子ξ_ij，即

$f\left({\mathrm{\ξ}}_{\mathrm{ij}}\right)=\frac{1}{\sqrt{2\mathrm{\πb}}}\exp \left(\frac{{({\mathrm{\ξ}}_{\mathrm{ij}}-a)}^2}{{2b}^2}\right),---\left(2\right)$

其中，b＝max{Δτ₁,Δτ₂,Δτ₃,.....,Δτ_k}。将此信息权重因子应用于选择上式的概率算式中,则第k只蚂蚁从i到j的选择概率更新为

$P_{\mathrm{ij}}^k\left(t\right)=\frac{f\left({\mathrm{\ξ}}_{\mathrm{ij}}\right){\left({\mathrm{\τ}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\β}}}{\mathrm{\Σf}\left({\mathrm{\ξ}}_{\mathrm{ij}}\right){\left({\mathrm{\τ}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\α}}{\left({\mathrm{\η}}_{\mathrm{ij}}^{\left(k\right)}\left(t\right)\right)}^{\mathrm{\β}}},---\left(3\right)$

由上式可见,各路径上信息以及评价指标值乘以信息权重f(ξ_ij)后,则该路径信息素τ_ij以及评价指标值η_ij对第k只蚂蚁选择概率的影响程度随着f(ξ_ij)的增加而增加,从而加速选择过程。

全局信息素更新规则：τ_ij(t+1)＝(1-ρ)×τ_ij(t)+Δτ_ij(t)（4）中，

ρ表示信息素挥发系数。为了防止信息的无限积累，调节其大小可以调整迭代最优路径信息素的增长速度，ρ的取值范围为：ρ∈[0,1]。Δτ_ij(t)为信道质量较优的路径的信息素增加值。

表示第k只蚂蚁在本次留在路径(i,j)上的信息素。Q为信息素强度,采用下面的公式自适应调整，

其中,Nc为迭代的次数,是函数。

由于蚂蚁依选择概率容易选择信息素浓度较大的路径，当多只蚂蚁选择同一路径后，信息素浓度的增加使更多的蚂蚁集中到该路径，这样容易形成局部极值，为此，当同一条路径上通过的蚂蚁数目大于M/3只或者更多时（M为某蚁群中蚂蚁数量），则引入基于均匀分布的信息量算子u_ij

$u_{\mathrm{ij}}=\frac{Q}{b-c},---\left(5\right)$

信息素强Q，b＝max{Δτ₁,Δτ₂,...,Δτ_k},c＝min{Δτ₁,Δτ₂,...,Δτ_k},此时，该路径上新的信息浓度为

${\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}\left(t\right)=\mathrm{\λ}\×{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{old}}\left(t\right)-u_{\mathrm{ij}},---\left(6\right)$

信息量均衡算子u_ij可使蚂蚁过于集中的路径上的信息素浓度增加的速度得以减缓，从而避免蚁群陷入局部极值，增大了其它路径选择的可能性，使最短路径的搜索趋于全局化。使用本算法可以使得既能防止信息素浓度过于集中于某一条路径，又能保持较好路径上信息素的浓度，从而加快了寻优过程，又防止陷入局部极值的问题。

根据低压输电线路树状网络的特点，采用集中路由方式，而原来集中路由方式也像固定路由一样，在每一个节点上存储一张路由表。不同的是，固定路由选择算法中的节点路由表由人工制作，而在集中路由选择算法中的节点路由表定时根据网络状态计算、生成并分送各相应节点。但是集中式路由策略存在两个比较严重的缺点。一个缺点是离集中控制中心近的节点通信量的开支比较大，这是因为要周期性地从所有节点收集网络的状态信息的报告，同时还要将路由选择的命令从集中控制中心送到网络内的每一个节点。另一个更严重的缺点可靠性问题，万一附近的节点出故障，整个网络将失去通信，为了解决这个问题，采用混合式动态路由策略。根据国内外的文献有关参数的取值范围，表1是仿真试验参数设置表：

参数名称	参数值	参数的含义
			Nc_max	100	迭代次数
α	1.0	信息素因子权重
			β	4.0	启发因子权重
ρ	0.85	更新挥发系数
			M	10	每次迭代搜索的蚂蚁数
q0	0.2	路径搜索方式概率阀值
			Q	900	信息权重
Λ	0.9	信息素浓度系数
			τ0	10	信息素初值
SNR0	4	仿真中采用的基准信噪比

表1

路由维护是指当原有的路由变得无效时候或者为了寻找一条更加适合当前电力线载波状况的更优路由,需要对路由表进行更新的过程,当集中器按照路由表中的路由向目标节点发送命令,由于该路由中某一节点或者某段路径上的负载变大或者受到强干扰而使得通信失败,则集中器在确认该路径已经不适合当前信道的情况下,将重新选择路由或使用路由发现规则寻找到达节点的新路由。

为证明本发明的算法优势，仿真实验拟定某一个小区路灯的电力线上同时连着62个通信节点，如图2所示,相邻节点距离为10米,由于低压输电线路时变性，某时刻路灯节点通信距离是在一定范围内的随机数值。信道的衰减取[-18db～-40db]之间的随机数值,一方面如果载波接收信号小于原有信号的50%,则设为该路径不可靠,通信失败。另一方面，对直接通信节点如果集中器发送命令后超过30s没有收到目标节点的回复，则认为该节点通信失败，而对需经过一级中继的节点，集中等待10s没有收到目标节点回复，认为该节点通信失败。以此类推。测试通过在集中器对每个节点发送200次的命令，间隔时间为1分钟，统计每个节点的通行成功情况。

图3是算法改进前后最佳路径结果比较图，从图中可以看出，本发明避免了蚂蚁算法陷入局部最优路径的陷阱的大缺陷，同时局部以及全局信息素挥发因子、信息素强度等参数进行了改进与调整，从而使得蚂蚁自适应路由获得最佳路由路径，节省了电力线载波通信时间。同时，新算法与常规蚂蚁路由算法以及基于信息素改进蚂蚁算法在收敛性、鲁棒性进行了比较。比较结果表明：本算法不仅具有动态路由路径寻优功能，而且有效地克服了基本蚁群系统算法收敛速度慢，容易陷入局部极小值等问题，提高了整个低压输电路灯控制系统的时效性，随着输电线路系统目标节点规模增大，改进的效果越明显。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (5)

1.一种基于新概率转移函数的照明通信动态寻径蚁群算法，其特征在于包括以下步骤： 

1）算法初始化：初始化迭代次数Nc，设置蚁群中蚂蚁总数为M，投放蚂蚁k到源节点，开始蚂蚁行走循环，k＝k+1，初始化网络拓扑中各链路的相应信息素； 

2）节点产生蚂蚁数据包信息，由源节点发送至目的节点：当节点周围存在该蚂蚁数据包的目的节点时，蚂蚁数据包将直接传输给目的节点，本次算法结束，蚂蚁数据包更新相关信息；否则进入步骤3）； 

3）源节点周围没有目的节点，剔除周围的邻居节点中已经收到过该蚂蚁数据包的节点，并在节点上存储该蚂蚁数据包的相关信息，然后对剩下的邻居节点按照蚂蚁数据包的概率转移函数选择该蚂蚁数据包的下一跳节点，并且将蚂蚁数据包发送出去； 

4）当某只蚂蚁成功地完成路由节点选择后，将该节点可直接通信的节点集合传递给下一节点，下一节点将上一节点可直接通信的节点加入禁忌表中，并进行按公式： 

(6)局部信息素调整，按公式： 

全局信息素更新规则：τ_ij(t+1)＝(1-ρ)×τ_ij(t)+Δτ_ij(t)       （4）、 

选择概率规则：

基于正态分布的信息权重：

概率转移规则：

（1）顺序更新， 

上式中，ρ表示信息素挥发系数，Δτ_ij(t)为信道质量较优的路径的信息素增加值，ξ_ij是基于正态分布的信息权重因子，η_ij表示启发因子，α表示信息素因子权重，β表示启发因子权重，

b＝max{Δτ₁,Δτ₂,Δτ₃,.....,Δτ_k}，q₀为阀值，q为随机值， 

式中N_i为节点i的一跳邻居节点集合，

为节点i到节点j这条有向边目的节点d的信息素值。设

这里S_ij是指的最大概率，其中，启发值η_ij是在蚂蚁寻径的过程中路径上信息量对指导蚂蚁选择下一跳路径中的相对重要程度，可以说越大，蚂蚁选择以前走过的路径的可能性就越大，比较

和S_ij数值大小，选择数值大的节点方向作为路由通信路径； 

5）蚂蚁找到目的节点后，判断k是否小于M,是则转到步骤3），否则转到步骤6），对所有蚂蚁重复步骤3），若每只蚂蚁都已经完成一个完整的路径，则对当前最优路径上的信息素 进行全局更新； 

6）判断算法是否陷入局部最优，若算法陷入局部最优则执行步骤7），否则，算法继续运行； 

7）比较选择使用最小花费并且满足路由约束的蚂蚁； 

8）重复步骤3）至步骤7），直至满足条件。 

2.根据权利要求1所述的一种基于新概率转移函数的照明通信动态寻径蚁群算法，其特征在于，所述步骤3）具体包括以下步骤： 

（31）判断节点所在的子系统，跳转到所在子系统的中心节点； 

（32）搜索禁忌表许可，各蚂蚁根据状态转移公式或者先验知识进行下一节点选择：找到下一跳节点后，判断下一跳所在的子系统，并找出该子系统的中心节点，比较从当前节点经下一跳节点到其中心节点的花费，花费较小的路径为蚂蚁从当前子系统到下一子系统的选择路径。 

3.根据权利要求1所述的一种基于新概率转移函数的照明通信动态寻径蚁群算法，其特征在于，步骤4）中，当同一条路径上通过的蚂蚁数目大于M/3时，则引入基于均匀分布的信息量算子u_ij： 

其中，Q为信息素强度，b＝max{Δτ₁,Δτ₂,...,Δτ_k},c＝min{Δτ₁,Δτ₂,...,Δτ_k},此时，该路径上新的信息浓度为： 

。

4.根据权利要求3所述的一种基于新概率转移函数的照明通信动态寻径蚁群算法，其特征在于，信息素强度Q采用下面的公式自适应调整：

其中,Nc为迭代的次数,

是函数。 

5.根据权利要求4所述的一种基于新概率转移函数的照明通信动态寻径蚁群算法，其特征在于，信息素挥发系数ρ的取值范围为ρ∈[0,1]。 

Images