CN103596235A

CN103596235A - 一种无线传感器网络路由蚁群算法的优化方法

Info

Publication number: CN103596235A
Application number: CN201310022248.3A
Authority: CN
Inventors: 丁建宁; 雷毅; 程广贵; 张利; 凌智勇; 张忠强
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2013-01-22
Filing date: 2013-01-22
Publication date: 2014-02-19

Abstract

本发明公开了一种无线传感器网络路由蚁群算法的优化方法，通过利用该蚁群优化算法求解无线传感器网络路由，在对基本蚁群算法的不足进行改进和优化的基础上，对概率选择公式中的参数进行了改进，并引进与算法相关的信息素定期广播机制，将该蚁群算法在无线传感器网络专用操作系统TinyOS中的实现，该算法使得无线传感器网络路由不但能够在选择最短路径的同时平衡网络能耗，延长整个网络的生命周期，还能够较好地适应网络结构的动态变化。

Description

一种无线传感器网络路由蚁群算法的优化方法

技术领域

本发明涉及无线传感技术和无线传感网络路由，提出了一种无线传感器网络路由蚁群算法的优化方法。

背景技术

无线传感器网络是以大量低成本节点通过无线通信方式组网，并通过节点间的协作来实时监测、感知和采集网络分布区域内各种环境或监测对象信息的一个网络系统。单个传感器节点的低能量和不可靠性是无线传感器网络的固有特点，对网络协议的设计具有较大影响。路由协议是无线传感器网络的关键技术之一，它负责将数据从源节点通过网络转发到目的节点，其功能主要是寻找源节点和目的节点的优化路径以及将数据沿着优化路径正确转发。目前，无线传感器网络中典型的路由协议包括泛洪路由（Flooding）、Gossiping路由协议，以数据为中心的路由协议如SPIN、Directed Diffusion、Roumer、TTDD、支持查询的近似路由算法等。这些网络协议多是在传统无线Ad Hoc网络协议的基础上采用最短路径算法与传感器网络的不同应用相结合而实现，均不太适用于拓扑结构动态变化且节点能量受限的无线传感器网络。

节能路由是指在源节点和目的节点之间找到一条节能的多跳路径，这就需要在普通路由协议的基础上引入与能量消耗有关的指标，最终降低电能消耗。与传统路由算法相比较，基于蚁群算法的路由具有良好的自适应性、较强的鲁棒性、支持多路径路由、具有局部或全局的优化能力以及易于和其它的路由算法相结合等优点。

但是基本蚁群算法仍有不足之处：在大规模部署的无线传感器网络中，经常会发生节点失效、新节点的加入或者节点的移动，这些都将会造成网络拓扑结构的动态变化。基本蚁群算法虽然具有较强的全局搜索能力，但搜索时间较长，不适应实际中无线网络拓扑结构的频繁变化。此外，基本蚁群算法易陷入局部最优解，其表现为路由表停滞，因而当网络拓扑结构发生变化时人工蚂蚁就不能很快地发现新出现的更好路径。

TinyOS 操作系统是一个主要应用于无线传感器网络的嵌入式操作系统，其采用的组件化编程、事件驱动机制、轻量级线程技术及两层调度方式和基于事件驱动模式的主动消息通信方式，满足了无线传感器网络的特殊要求，使其在节点资源有限的情况下具有更强的网络处理和资源收集能力。在TinyOS中实现的网络分发协议（Dissemination）如：Drip和DIP、CTP汇聚协议和应用于数据聚集的LEPS多跳路由协议等均具有较好效果。在TinyOS中实现基于蚁群算法的路由协议将结合操作系统本身的特点，最终为应用层的程序设计提供有力支持。

发明内容

发明要解决的技术问题

针对现有无线网络路由的不足和基本蚁群算法的不足，本发明的目的是提供一种无线传感器网络路由蚁群算法的优化方法。在基本蚁群路由算法（Basic Ant Colony Routing Algorithm，BACRA）中，路由蚂蚁在从源节点到目标节点的路径上遗留信息素，通过路径上的信息素形成的正反馈机制进行迭代搜索，蚂蚁最终可以发现最短路径。为了尽可能地延长整个无线网络的生命周期，人工蚂蚁通过信息素遗痕和能量启发信息的指引来构造解，以寻找最小成本的路径。

本发明在对基本蚁群算法的不足进行改进和优化的基础上，对概率选择公式中的参数进行了改进，并引进与算法相关的信息素定期广播机制，将该蚁群算法在无线传感器网络专用操作系统TinyOS中的实现，该无线路由不但能够在选择最短路径的同时平衡网络能耗，延长整个网络的生命周期，还能够较好地适应网络结构的动态变化。

技术方案

一种无线传感器网络路由蚁群算法的优化方法，步骤为：

（1）确定路由中人工前向蚂蚁节点i到下一节点j的选择概率公式，设计人工蚂蚁从节点i到节点j的控制信息素轨迹参数和能量启发值相对重要性参数；

（2）确定步骤（1）中前向蚂蚁在路径上的初次残留信息素，设计信息素挥发率的参数；

（3）在信息素挥发之后，确定路由包中的后蚂蚁释放信息素；

（4）对节点i到下一节点j的链路进行更新，确定更新后路径上的信息素，

（5）对路径上的信息素进行迭代搜索，各个节点获得其邻居节点到目标节点的路由情况信息，同时通过信息素定期广播机制将网络上的各个节点周期性地向其邻居节点广播路由表信息，最后进行数据传输。

其中人工前向蚂蚁从源节点i到下一节点j的选择概率公式为：

控制信息素轨迹参数α和能量启发值相对重要性参数β的公式设计为：

由节点i到节点j的能量启发值为：

前向蚂蚁在路径上初次残留信息素的公式为

其中参数

当信息素挥发步骤之后，路由包中的后向蚂蚁释放信息素的公式为：

链路（i,j）上的信息素进行更新，更新后路径上的信息素为：

上述所述方法，公式（1）中τ_ij ^d是由节点i到节点j的(i,j)边上信息素的浓度值，η_ij是能量相关的启发值。N_i为蚂蚁下一步可以选择的节点集合，即不包括节点i的前驱（移动到节点i之前最后访问的蚂蚁）的所有邻居节点。α和β是分别控制信息素轨迹和启发值相对重要性的参数，且α≥0，β≥0。E_j是节点j的能量水平，当节点剩余能量越多时被选中的概率越大。因此，算法在收敛于最优解的同时能够平衡节点的能量消耗，有利于实现整个网络的能量均衡，从而延长网络的生命周期。

基本蚁群算法易出现早熟、停滞和局部最优解的原因是利用了正反馈来强化最优解的机制。这种机制使得不同链路上不对等的信息素量差距越来越大，一方面较优解的信息素量不断强化使得蚂蚁大量聚集于少数路径；另一方面，当前不被选用或者因网络拓扑结构变化而新出现的链路能够被选中的概率越来越小。在节点选择的概率公式当中，α表示某一条路径的信息素量τ_ij ^d对蚂蚁选择该路径的影响程度，参数β则反映了此路径上的能量启发信息η_ij对蚂蚁选择该路径的重要程度。α值增大，蚂蚁选择以前走过路径的可能性就越大，则搜索的随机性减弱，算法过早收敛而陷于局部最优；α值减小，则蚂蚁搜索的随机性和多样性增强，但收敛速度会放缓，搜索时间变长。对于β值而言，β值增大，则易陷入能量较高路径中的局部最优解；而β值减小时，则因为随机性增强而浪费较多能量，最终会降低整个网络的生命周期。蚁群算法的全局寻优性能要求蚁群在搜索过程中有一定的随机性，而算法的快速收敛性能又要求其搜索要具有一定的确定性，因此，为了在两者之间获得一种平衡，提出随着搜索过程的进行参数值可变的α、β。公式（2）中n为最大迭代次数，a、b为可变因子，随着迭代次数的增加α和β的值最终趋近于α₀、β₀。系数a、b的大小决定曲线贴近于α₀、β₀的平缓程度。优化后的概率选择公式在算法开始时α、β的值较大，能够增加搜索的确定性，使信息素量差距不太大的较好路径很快被选中，加速算法初期的收敛速度；随着搜索的进行，搜索的随机性增强，能够平衡算法过早陷入局部最优的趋势，使算法的收敛趋于平缓。

上述所述方法，步骤2中对于前驱蚂蚁来说，引入信息素挥发机制来避免因路径上残留信息素过多而淹没能量启发信息，同时由这种挥发机制带来的负反馈还可以避免信息素的无限积累而造成之前较差路径被遗忘。其中ρ是信息素的挥发率，0﹤ρ≦1。信息素挥发率ρ的大小影响着蚁群算法的全局搜索能力及其收敛速度。ρ太大时以前搜索过的路径被再次选中的可能性过大，影响算法搜索的随机性；ρ太小时算法的收敛速度会降低，不适应无线网络拓扑结构的快速变化。另外作为蚂蚁留在路径上信息素的挥发比例的ρ和人工蚂蚁的数目M之间也有密切的联系，当蚂蚁数目较少时则需要较小的ρ值才能保证路径上有足够多的信息素残留，以保证算法的全局收敛。因此，令ρ为可变值。其中蚂蚁的数目通常为定值，在算法初始化时即已确定；ρ_min为迭代时ρ所取得的最小值，t为可调参数以保证ρ的值处于(0,1]之间。ρ的值在开始时较大，能够通过增大信息素浓度的影响来增强蚁群搜索解的能力，在网络变化开始时能够快速收敛；同样地，随着搜索的进行ρ的减小使得搜索中信息素正反馈的作用减弱，避免算法较快地陷入局部最优状态。

上述所述方法，步骤3中在信息素挥发步骤之后，路由包中的后向蚂蚁在刚经过的链路（i,j）上释放信息素，公式（6）中C_i ^d是从节点i到目标节点d的链路代价，采用最能标识路径长短的跳数HC_i ^d来表示，ω是一个权值，用于调整释放的信息素量大小。L是该蚂蚁建立的路径上所有边的集合。蚂蚁构建的路径越短，路径上的各条边就会获得更多的信息素，这条边就更有可能被蚂蚁或者数据包选择。

在经过多次迭代之后，各个节点就能够获得其邻居节点到目标节点的路由情况信息，数据的传输就是利用这些信息，根据公式（1）来选择到达目标节点的路径。

在上述步骤进行的同时，加入节点信息素定期广播机制，网络中的各个节点周期性地向其邻居节点广播路由表信息。网络拓扑结构变化时，由于新加入的节点没有残留信息素而被排除在搜索范围之外。在新形成的网络路径之中，新的最优路径出现在变化之前最优路径邻域内的可能性最大，即当前的最优路径附近易出现新的最优解。因此，网络中的各个节点周期性地向其邻居节点广播路由表信息，路由表是用来保存该节点通过其邻居节点到达目标节点的信息素值。新加入的节点将收到广播信息而更新自身的信息素值，即将算法的搜索范围连续地扩大到最优路径的邻域范围内，有利于在网络结构变化时使算法收敛于全局最优。

发明的有益效果

本发明的有益效果：为了适应无线传感器网络本身的特点，提出了一种无线传感器网络路由蚁群算法的优化方法，对基本蚁群算法中关键参数α，β，ρ等进行优化，并采用节点信息素定期广播机制来搜索最优路径邻域范围，路由协议在TinyOS中的实现采用分多组件实现的方式，便于对协议代码进行扩展，本法明能够有效地延长网络生命周期，具备数据传输的可靠性，并能较好地适应网络的动态变化。

附图说明

图1是在TinyOS中实现基于蚁群算法的路由，通信过程中AM层消息包的格式。

图2是本发明的成栅格分布的网络拓扑结构，用来对路由算法的网络性能进行仿真测试。

图3是基本蚁群算法在不同参数下的仿真实验结果。

图4是本发明的基本蚁群算法和优化后的路由算法性能比较。

图5是本发明节点Ｑ剩余能量的变化。

图6是目的节点中丢包数随时间的变化情况。

具体实施方式

下面结合附图及本发明实施例对本发明的方法作进一步详细地说明。

如图1所示，该蚁群算法路由协议在AM层消息包协议的基础上加入了路由层的协议字段，通过Packet接口可以获得消息包中真实数据的有效载荷区，即路由层协议实际上是建立在主动消息层的基础之上。

首先对基本蚁群算法的参数进行优化，建立算法：

其中参数β、α的值设计为：

由节点i到节点j的能量启发值为：

（2）确定步骤（1）中前向蚂蚁在路径上的初次残留信息素，设计信息素挥发率的参数

其中参数

（3）在信息素挥发之后，确定路由包中的后蚂蚁释放信息素为：

（4）对节点i到下一节点j的链路进行更新，确定更新后路径上的信息素为：

该算法在TinyOS2.x中采用分多组件的方式实现：

a.相关准备工作

在具体的编程实现过程中，首先需要做的是规划路由层可能使用到的组件资源，以及其提供给上层应用的接口。首先创建AntRoutingC.nc文件。AntRoutingC组件封装了主要的功能模块AntRoutingP组件，并由其实现协议中的所有逻辑功能，还要有一个头文件AntRouting.h，负责声明相关的变量。

b.前向搜索

数据源节点在有数据发送请求时，采用定时器周期性的发送前向蚂蚁。创建forwardtask任务，负责将本地产生的前向蚂蚁发送出去或者将接受到的前向蚂蚁转发。为了抑制包重复现象和避免有限带宽的浪费，每一个前向蚂蚁都被赋予一个序号，这样当节点接收到前向蚂蚁时就可以查询是否接收到重复的路由包。

c.后向更新

目标节点产生的后向蚂蚁由backwardtask任务发送，沿着后向蚂蚁中记录的路径原路返回，接收到后向蚂蚁的节点继续提交backwardtask任务，直到到达数据源节点。

d.数据传输

创建senddatatask任务负责发送消息，先将待发送的消息投放到消息缓冲池MessagePool，然后将其指针等消息压入到一个先进先出的队列中等待，最后提交senddatatask任务，把队列中的消息发送出去。

方法中的节点信息素定期广播机制的操作方法为：节点定时器在一个确定的时间间隔内运行，并有三个配置参数：时间间隔最小值I_min，时间间隔最大值I_max，和常数k. 时间间隔最小值是以单位时间定义的，如毫秒，时间间隔最大值是时间间隔最小值的整数倍。k是一个大于0的整数。除此之外，还有三个辅助变量I、t和c。I是当前时间间隔值，t是当前时间间隔内的时刻值，c是计数器计数值。

1．首先，将值I设定为[I_min，I_max]中的某个值。

2．当在某个确定的时间间隔内开始运行时，将计数器c设置为0，同时将t设置为时间间隔[I/2,I]内的某个随机值。

3．当节点接收到的信息素传输信号是一致的，增加计数器c的值。

4．在时刻t，如果计数器的值c小于预先常数值k，则节点向外发送信息素信息。

5．当I时间间隔期满后，再一次设置时间间隔为I的两倍。如果加倍后的时间间隔I值超过了最大值I_max，则将I值设定为I_max。

6．当节点接收到的信息素信息是不一致的时候，同时I的值大于I_min，重置定时器值。将I设定为I_min，返回第2步开始新的时间间隔。如果节点接收到不一致的信息素信息时，I值和最小值相等，节点可以不发送信息素信息，可以响应其它外部事件。

整个过程中，节点发送信息素信息是在第4步。在节点侦测到并回应信息素信息不一致的信息时会有一个潜在的延迟过程，这样以保证不会有较多节点同时向外发送信息而造成广播拥塞，每一个节点设置不同的时间间隔I值，以逐渐将信息素信息扩展到优化路径的邻域内。

为节省广播带来的通信开销，在TinyOS2.x中使用Drip库来更新新加入节点中的信息素值：节点A周期性地向外广播其信息素信息φx，如果节点B中存在信息素值φy，则B节点不是拓扑变化的节点，若节点B中不存在信息素值，则将其更新为φx，定时周期的值可以设定，这样网络中节点信息素的值随着拓扑结构变化而具有连续性。

最后，对本发明方法实施模拟测试。如图2所示，仿真采用栅格式的拓扑结构，节点分布在正方形的网格交点上，节点数是一个整数的平方值。

左下角的节点0周期性地发送数据包到右上角的汇聚节点，根据无线传感器网络的特点，假设作为目标节点的汇聚节点具有充足的能量供应。由于TOSSIM仿真平台没有能耗模型，因此在测试的应用程序中设置表示能量值的变量，假设普通节点的初始能量为10^４个单位，每次发送或接收消息时则减去一个固定值5个单位。仿真过程就是不断监视各个节点的剩余能量值。源节点0周期性地产生一个数据包，随着仿真的进行，当仿真持续到某个节点的能量值低于一个较小值时就认为该节点能耗失效，并结束仿真，则称从开始到某个节点失效的这个时间间隔为网络的生命周期。

对于算法中关键参数的取值，采用先粗调再微调的方法逐步进行，先调整取值范围较大的α、β值以得到较为理想的解，再微调取值范围较小的信息素挥发因子ρ，之后再进行粗调以得到更好的α、β值，如此反复最终确定较为理想的参数取值。以基本蚁群算法为例，在64个节点的网络拓扑中：

如图3所示，得出基本蚁群算法在不同参数下的仿真实验结果，经仿真测试反复对比分析之后，当路由协议获得最佳性能时参数的取值为：基本蚁群算法中α=1.5，β=3.5,ρ=0.8，η =0.3；优化的蚁群路由算法（Optimized Ant Colony Routing Algorithm，OACRA）参数取值为α₀=1.2，β₀ =3，ρ_min=0.5，η=0.2，a=b=20，t=4。假设源节点在进行数据传输前最少完成了20次迭代，统计在节点数目变化的网络中蚁群算法路由协议的生命周期、平均时延和平均能耗。

图4是网络仿真性能评价指标的各项数据。可以看出，当节点数目相同时，OACRA的生命周期比较BACRA而言平均延长了约14%，端到端的平均传输时间和传输一个数据包的平均能耗较少了约12%，起到了明显的优化效果，说明优化的蚁群算法路由协议在缩短收敛时间和节约节点能耗方面有明显的进步，也反映出节点信息素的定期广播机制具有路由优化的能力；当网络节点数目不断增多时，网络的生命周期逐渐缩短，相比BACRA而言，OACRA的生命周期减小的幅度较小,且节点数目越大优势越为明显。平均时延和单位平均能耗随节点数目的增加而增加，但BACRA和OACRA的差距越来越大，即随着网络节点数目的增多优化的蚁群算法具有更好的适应能力，说明优化的蚁群算法更能适应网络拓扑结构的变化和规模较大的网络。这主要是因为概率选择公式中参数α、β、ρ能够在收敛速度和搜索范围之间取得平衡，适应了网络结构和规模的动态变化。

在节点数目固定为64的情况下观察网络中固定节点的剩余能量和丢包数随运行时间的变化情况，源节点在数据包中加入一个计数器编号，从而可以在目标节点中实现丢包率的统计。下面图中横坐标表示时间，均以100s 为1个刻度。图5表示网络中固定节点Ｑ的剩余能量变化，纵坐标以100个能量单位为一个刻度。可以发现优化的蚁群算法能够明显改善节点能量的消耗情况，节约节点能量。此外，仿真结束时，对整个网络中能量的分布情况进行分析发现，优化蚁群算法路由协议中距离源节点和目标节点较近的节点能量消耗较为均衡，相对较远的节点剩余能量较多，说明该协议在选择较短传输路径的同时能够平均全网能耗。图6表示目的节点丢包数的统计情况，丢包的主要原因是因为在算法的实现过程中为了抑制网络中重复的数据包，数据经过固定跳数后仍未到达目标节点时则丢弃该数据。经过计算蚁群路由的丢包率均在3%以内，说明该路由协议具有较好的传输可靠性。