CN103781146A - 基于蚁群算法的无线传感器网络最优路由路径构建方法 - Google Patents

Abstract

本发明涉及一种基于蚁群算法的无线传感器网络最优路由路径构建方法，其特征在于，包括：步骤1，随机选举簇头；步骤2，计算各簇头之间的距离、及各簇头与Sink节点之间的距离；步骤3，建立禁忌表和蚂蚁预测能量表，其中，所述蚂蚁预测能量表用于记录各个簇头的当前剩余能量；步骤4，确定下一跳节点，并更新所述蚂蚁预测能量表；步骤5，重复所述步骤4，直到蚂蚁遍历所有节点，并更新信息素；步骤6，多次循环执行步骤3至步骤5，从而得到一树枝状路径，所述树枝状路径即为所述最优路由路径。本发明的方法记录无线传感器网络中所有传感器节点的距离，以及实时簇头剩余能量，使蚁群寻找到全局最优路径，从而提高了网络的性能和生命周期。

Description

基于蚁群算法的无线传感器网络最优路由路径构建方法

技术领域

本发明涉及无线传感器网络领域，特别是涉及一种基于蚁群算法的无线传感器网络最优路由路径构建方法。

背景技术

无线传感器网络的能量有限，因此能量问题是无线传感器网络（WSNs）应用中的核心问题。一个高效的低功耗的路由协议能有效减少网络的能量消耗，延长WSNs的生命周期，因此路由算法成为国内外WSNs的研究热点。

WSNs的路由协议可以分为平面路由和层次路由，层次路由算法是WSN中运用比较广泛的路由算法。LEACH算法是最早提出了的一个比较成熟的分簇路由算法，也是最具有代表性的分层路由算法。

许多分簇路由协议例如SEP、PEGASIS、LEACH-C(LEACH-centralized)和LEACH-F(LEACH-fixed)等协议都是在LEACH的基础上发展起来的。但其存在一定的不足，LEACH协议随机轮流的选择簇首，并且簇首与基站直接通信，导致簇首分布不均匀，单跳通信造成巨大能耗。

发明内容

本发明的目的是提供一种可提高网络的性能和生命周期的基于蚁群算法的无线传感器网络最优路由路径构建方法。

为解决上述技术问题，作为本发明的一个方面，提供了一种基于蚁群算法的无线传感器网络最优路由路径构建方法，其特征在于，包括：步骤1，随机选举簇头；步骤2，计算各簇头之间的距离、及各簇头与Sink节点之间的距离；步骤3，建立禁忌表和蚂蚁预测能量表，其中，所述蚂蚁预测能量表用于记录各个簇头的当前剩余能量；步骤4，确定下一跳节点，并更新所述蚂蚁预测能量表；步骤5，重复所述步骤4，直到蚂蚁遍历所有节点，并更新信息素；步骤6，多次循环执行步骤3至步骤5，从而得到一树枝状路径，所述树枝状路径即为所述最优路由路径。

进一步地，所述步骤1中，簇头的选择为按一定概率使每个簇头节点在预定的轮数中当选次数相当。

进一步地，所述步骤1包括：为每个簇头节点产生一个随机数，如果该随机数小于阈值，则该簇头节点当选簇头。

进一步地，所述阈值的计算公式如下：

其中，

T(n)为阈值，n为G集合内节点；

p是网络中簇头数在总节点所占的百分比；

r是当前的选举轮数；

mod为取模运算；

G是最近1/p轮不是簇头的节点集合。

进一步地，所述步骤4包括：在搜索表范围内，根据蚂蚁转移概率随机选择下一跳节点，并更新所述蚂蚁预测能量表；判断随机选择的所述下一跳节点是否在禁忌表中；如果随机选择的所述下一跳节点不在禁忌表中，则将其加入禁忌表，将将其作为下一跳节点；如果随机选择的所述下一跳节点在禁忌表中，则从不在禁忌表中的节点中，任意选择一节点作为下一跳节点，并将其加入禁忌表。

进一步地，在搜索表范围内，所述蚂蚁转移概率根据下式确定：

$P^k(i,j)=\left\{\begin{array}{cc}\frac{{{\mathrm{Tau}}_{\mathrm{ij}}}^{\mathrm{\α}}\·{{\mathrm{Eta}}_{\mathrm{ij}}}^{\mathrm{\β}}\·{E_j}^{\mathrm{\γ}}}{\underset{j\∈\mathrm{allowe}{d}_k}{\mathrm{\Σ}}{{\mathrm{Tau}}_{\mathrm{ij}}}^{\mathrm{\α}}\·{{\mathrm{Eta}}_{\mathrm{ij}}}^{\mathrm{\β}}\·{E_j}^{\mathrm{\γ}}}& j\∈{\mathrm{allowed}}_k\\ 0,& j\∉{\mathrm{allowed}}_k\end{array}\right.$

其中，

$\mathrm{\&beta;}={\mathrm{\&beta;}}^{\&prime;}\&CenterDot;{(\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i/e_i)}^4,\mathrm{\&beta;}<B$

$E_j=e_j/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i$

其中：

i,j为簇头节点，且蚂蚁k在节点i处；

p^k(i,j)表示蚂蚁k由节点i转移到节点j的转移概率；

allowed_k表示蚂蚁k下一跳允许选择节点的集合；

α,β,γ为启发因子，分别反映蚂蚁在运动过程中各决定因素在蚂蚁选择路径中的相对重要性；

Tau表示节点i到节点j路径上的信息素浓度；

Eta表示节点j的可见度，即Eta=1/d，d为节点i到节点j的距离；

β′,B均为常数，n为簇头节点总个数；

e_i,e_j为蚂蚁k的预测能量表中的i、j节点能量。

进一步地，所述步骤5中，采用如下规则更新信息素τ：

${\mathrm{\&tau;}}_{\mathrm{ij}}[t+(n-1)]=(1-\mathrm{\&rho;})\&CenterDot;{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k[t,t+(n-1)]$

${\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k[t,t+(n-1)]=\left\{\begin{array}{cc}1/\mathrm{EC}\left(k\right)& \mathrm{ifantkthroughpath}(i,j)\mathrm{inthiscycle}\\ 0& \mathrm{else}\end{array}\right.$

$\mathrm{EC}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e(k,i)$

其中，

i,j为任意两个簇头节点；

ρ,(ρ＜1)表示信息素的挥发系数；

k表示蚂蚁k，且共有m只蚂蚁；

表示更新蚂蚁k所走过的路径上的信息素；

t+(n-1)表示蚂蚁经过(n-1)步完成一次循环，t,t+(n-1)则为(n-1)

步中的任意一步；

EC(k)为蚂蚁k在本次循环中所消耗的总能量。

本发明的方法记录无线传感器网络中所有传感器节点的距离，以及实时簇头剩余能量，运用合理的信息素更新规则，控制信息素、距离、能量在蚂蚁转移模型中的比重，使蚁群寻找到全局最优路径，从而提高了网络的性能和生命周期。

附图说明

图1示意性示出了搜索表范围的示意图。

具体实施方式

以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明的方法记录无线传感器网络中所有传感器节点的距离，以及实时簇头剩余能量，运用合理的信息素更新规则，控制信息素、距离、能量在蚂蚁转移模型中的比重，使蚁群寻找到全局最优路径，即整个网络路由，从而提高了网络的性能和生命周期。

本发明提供了一种基于蚁群算法的无线传感器网络最优路由路径构建方法，包括：

步骤1，随机选举簇头，例如，可通过LEACH簇头选举方式随机选举簇头。优选地，所述步骤1中，簇头的选择为按一定概率使每个簇头节点在预定的轮数中当选次数相当。

步骤2，计算各簇头之间的距离、及各簇头与Sink节点之间的距离。在无线传感器网络中，各传感器节点布置好后就不再变化，此时任意两簇头或任意一簇头与Sink节点间的距离固定，故可计算一次、并储存。将簇头与Sink节点间的距离储存下来，可以作为以后判定方法中的一个重要判断依据。

步骤3，建立禁忌表和蚂蚁预测能量表，其中，所述蚂蚁预测能量表用于记录各个簇头的当前剩余能量。其中，禁忌表记录蚂蚁走过的簇头，以达到蚂蚁遍历的要求；预测能量表记录各个簇头当前剩余能量，为蚂蚁实时选择路径方向提供一个重要判断依据。

例如，在一个实施例中，建立禁忌表和蚂蚁预测能量表是在蚂蚁开始选择路径前，记录所有簇头节点的当前剩余能量，在蚂蚁转移过程中对预测能量表进行更新，其作用是体现蚂蚁选择某一路径后对所有簇头节点总体性能的影响。例如：

记n个簇头节点的当前剩余能量为E₁，E₂，…，E_n，（其中，第n个簇头节点为Sink节点），表达式如下：

e(k,i)＝E_i;i＝1,2......,n-1             （1）

e(k,n)＝t·max(E_i);i＝1,2......,n-1         （2）

其中，（1）式表示第k只蚂蚁在建立路径前记录的第i个簇头节点的当前剩余能量；（2）式表示Sink节点的当前剩余能量E_n设为其他簇头节点当前剩余能量中最大值的t（其中，t≥1）倍，即Sink节点与其他簇头节点相比对蚂蚁有更强的吸引力。

步骤4，确定下一跳节点，并更新所述蚂蚁预测能量表。

步骤5，重复所述步骤4，直到蚂蚁遍历所有节点，并更新信息素。

步骤6，多次循环执行步骤3至步骤5，从而得到一树枝状路径，所述树枝状路径即为所述最优路由路径（即多跳路由协议）。在信息素的引导下，蚂蚁多次选择路径将会趋向于形成一个能耗较小的路径。

上述技术方案可以看出，由于本发明实施实例蚂蚁在建立路由路径时，实时考虑了当前簇头剩余能量，簇头和基站之间根据信息素、距离、能量在转移概率模型中比重的大小确立多跳通信路径，因此使得网络路由构建更合理，有效的减少了网络的能量消耗，进而延长了网络的生命周期。

此外，本发明在簇头选举（例如LEACH算法的）之后，记录下各个簇头之间的距离、簇头和Sink的距离，然后通过蚁群算法从网络整体实时考虑簇头节点的当前剩余能量及位置信息，使单只蚂蚁一次遍历所有节点，确定簇头和Sink节点间的树枝状多跳路径，使距离Sink节点近的簇头可以直接与之通信，而距离Sink节点远的簇头可以通过中转簇头与Sink通信，降低了簇头和Sink的通信因距离过远产生的过量的耗能。本发明方法能够有效的减小簇头的能耗，提高整个无线传感器网络的生命周期和稳定性。

优选地，所述步骤1包括：为每个簇头节点产生一个随机数，如果该随机数小于阈值，则该簇头节点当选簇头。优选地，所述阈值的计算公式如下：

其中，

T(n)为阈值，n为G集合内节点；

p是网络中簇头数在总节点所占的百分比；

r是当前的选举轮数；

mod为取模运算；

G是最近1/p轮不是簇头的节点集合。

优选地，所述步骤4包括：

步骤41，在搜索表范围内，根据蚂蚁转移概率随机选择下一跳节点，并更新所述蚂蚁预测能量表。搜索表限定了蚂蚁选择的范围，降低了算法的复杂度，下述的蚂蚁转移概率模型考虑到步骤3、步骤41中距离以及实时的簇头能量信息，使蚂蚁的转移方向更科学。

步骤42，判断随机选择的所述下一跳节点是否在禁忌表中；如果随机选择的所述下一跳节点不在禁忌表中，则将其加入禁忌表，将将其作为下一跳节点；如果随机选择的所述下一跳节点在禁忌表中，则从不在禁忌表中的节点中，任意选择一节点作为下一跳节点，并将其加入禁忌表。在本步骤中，对于蚂蚁随机选择的下一跳节点，分成两种情况处理，一种是到过，另一种是未到过。对这两种情况分别处理，可使蚂蚁不会重复某两个簇头间的路径。

图1是搜索表范围的示意图。请参考图1，在搜索表范围内的簇头节点为下一跳备选节点。

在图1中，圆弧C2是以Sink节点为圆心，簇头cluster到Sink节点距离R2为半径所作的圆弧，它确保蚂蚁始终向趋近Sink节点的方向前进。圆弧C1是以簇头节点cluster为圆心，R1为半径所作的圆弧，它将蚂蚁的搜索范围缩小到一定范围。当搜索表范围内没有下一跳备选节点时，蚂蚁在趋近Sink的方向，自行搜索距离最近的节点进行转移。

可见，设置此种搜索范围限制，可以大大减小因计算蚂蚁转移概率所用的时间，而且因搜索方向的确定，本发明的多跳路由算法可以快速收敛到最优路径。

优选地，在搜索表范围内，所述蚂蚁转移概率根据下式确定：

$P^k(i,j)=\left\{\begin{array}{cc}\frac{{{\mathrm{Tau}}_{\mathrm{ij}}}^{\mathrm{\&alpha;}}\&CenterDot;{{\mathrm{Eta}}_{\mathrm{ij}}}^{\mathrm{\&beta;}}\&CenterDot;{E_j}^{\mathrm{\&gamma;}}}{\underset{j\&Element;\mathrm{allowe}{d}_k}{\mathrm{\&Sigma;}}{{\mathrm{Tau}}_{\mathrm{ij}}}^{\mathrm{\&alpha;}}\&CenterDot;{{\mathrm{Eta}}_{\mathrm{ij}}}^{\mathrm{\&beta;}}\&CenterDot;{E_j}^{\mathrm{\&gamma;}}}& j\&Element;{\mathrm{allowed}}_k\\ 0,& j\&NotElement;{\mathrm{allowed}}_k\end{array}\right.$

其中，

$\mathrm{\&beta;}={\mathrm{\&beta;}}^{\&prime;}\&CenterDot;{(\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i/e_i)}^4,\mathrm{\&beta;}<B$

$E_j=e_j/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i$

其中：

i,j为簇头节点，且蚂蚁k在节点i处；p^k(i,j)表示蚂蚁k由节点i转移到节点j的转移概率；allowed_k表示蚂蚁k下一跳允许选择节点的集合；α,β,γ为启发因子，分别反映蚂蚁在运动过程中各决定因素在蚂蚁选择路径中的相对重要性；Tau表示节点i到节点j路径上的信息素浓度；Eta表示节点j的可见度，即Eta=1/d，d为节点i到节点j的距离；β′,B均为常数，n为簇头节点总个数；e_i,e_j为蚂蚁k的预测能量表中的i、j节点能量。

需要说明的是，β使e_i可决定Eta在转移中的重要性，e_i越小，β越大，Eta在计算转移概率占的比例越重；e_i越大，β越小，Eta在计算转移概率占的比例越小。即使能量水平低的节点趋向选择节省自身能量的路径，而能量高的节点以相对较高的能量消耗为代价来实现整体的最优。优选地，β的取值区间是（0，∞），为防止因计算精度产生误差所引起的错误，限制β的取值范围为（0，B）。e_j的加入，让能量高的节点承担更多的中继任务。

优选地，本发明采用Ant-cycle模型，在所有蚂蚁建立完整的路径后，对信息素更新。例如，在一个实施例中，所述步骤5中，采用如下规则更新信息素τ：

${\mathrm{\&tau;}}_{\mathrm{ij}}[t+(n-1)]=(1-\mathrm{\&rho;})\&CenterDot;{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k[t,t+(n-1)]$

${\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k[t,t+(n-1)]=\left\{\begin{array}{cc}1/\mathrm{EC}\left(k\right)& \mathrm{ifantkthroughpath}(i,j)\mathrm{inthiscycle}\\ 0& \mathrm{else}\end{array}\right.$

$\mathrm{EC}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e(k,i)$

其中，

i,j为任意两个簇头节点；

ρ,(ρ＜1)表示信息素的挥发系数；

k表示蚂蚁k，且共有m只蚂蚁；

表示更新蚂蚁k所走过的路径上的信息素；

t+(n-1)表示蚂蚁经过(n-1)步完成一次循环，t,t+(n-1)则为(n-1)

步中的任意一步；

EC(k)为蚂蚁k在本次循环中所消耗的总能量。

这样，在重复执行步骤3至步骤5的过程中，信息素不断更新，在蚂蚁转移概率中的比重也在不断变化，在好的路径上信息素的影响会随着走过蚂蚁数的增加而增大。多次重复后，蚂蚁将寻找到能耗相对较小，对整体网络性能提升生存时间较好的路径。此时低能量节点选择低能耗路径，高能量节点相对提高能耗作为代价，延长网络的生存时间。

本发明提出了一种无线传感器网络中基于智能蚁群算法的多跳路由方法，使单只蚂蚁完成对所有节点的遍历，在蚂蚁遍历过程中综合考虑簇头与基站距离，簇头实时剩余能量，降低低能量节点被选为簇头的概率，并通过合理的信息素更新规则，控制蚂蚁遍历路径，最后达到全局最优解，新的多跳路由算法，均衡了网络的能量消耗，很大程度上提高了网络的性能和生命周期。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于蚁群算法的无线传感器网络最优路由路径构建方法，其特征在于，包括：

步骤1，随机选举簇头；

步骤2，计算各簇头之间的距离、及各簇头与Sink节点之间的距离；

步骤3，建立禁忌表和蚂蚁预测能量表，其中，所述蚂蚁预测能量表用于记录各个簇头的当前剩余能量；

步骤4，确定下一跳节点，并更新所述蚂蚁预测能量表；

步骤5，重复所述步骤4，直到蚂蚁遍历所有节点，并更新信息素；

步骤6，多次循环执行步骤3至步骤5，从而得到一树枝状路径，所述树枝状路径即为所述最优路由路径。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，簇头的选择为按一定概率使每个簇头节点在预定的轮数中当选次数相当。

3.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

为每个簇头节点产生一个随机数，如果该随机数小于阈值，则该簇头节点当选簇头。

4.根据权利要求3所述的方法，其特征在于，所述阈值的计算公式如下：

其中，

T(n)为阈值，n为G集合内节点；

p是网络中簇头数在总节点所占的百分比；

r是当前的选举轮数；

mod为取模运算；

G是最近1/p轮不是簇头的节点集合。

5.根据权利要求1所述的方法，其特征在于，所述步骤4包括：

在搜索表范围内，根据蚂蚁转移概率随机选择下一跳节点，并更新所述蚂蚁预测能量表；

判断随机选择的所述下一跳节点是否在禁忌表中；

如果随机选择的所述下一跳节点不在禁忌表中，则将其加入禁忌表，将将其作为下一跳节点；

如果随机选择的所述下一跳节点在禁忌表中，则从不在禁忌表中的节点中，任意选择一节点作为下一跳节点，并将其加入禁忌表。

6.根据权利要求5所述的方法，其特征在于，在搜索表范围内，所述蚂蚁转移概率根据下式确定：

$P^k(i,j)=\left\{\begin{array}{cc}\frac{{{\mathrm{Tau}}_{\mathrm{ij}}}^{\mathrm{\&alpha;}}\&CenterDot;{{\mathrm{Eta}}_{\mathrm{ij}}}^{\mathrm{\&beta;}}\&CenterDot;{E_j}^{\mathrm{\&gamma;}}}{\underset{j\&Element;\mathrm{allowe}{d}_k}{\mathrm{\&Sigma;}}{{\mathrm{Tau}}_{\mathrm{ij}}}^{\mathrm{\&alpha;}}\&CenterDot;{{\mathrm{Eta}}_{\mathrm{ij}}}^{\mathrm{\&beta;}}\&CenterDot;{E_j}^{\mathrm{\&gamma;}}}& j\&Element;{\mathrm{allowed}}_k\\ 0,& j\&NotElement;{\mathrm{allowed}}_k\end{array}\right.$

其中，

$\mathrm{\&beta;}={\mathrm{\&beta;}}^{\&prime;}\&CenterDot;{(\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i/e_i)}^4,\mathrm{\&beta;}<B$

$E_j=e_j/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i$

其中：

i,j为簇头节点，且蚂蚁k在节点i处；

p^k(i,j)表示蚂蚁k由节点i转移到节点j的转移概率；

allowed_k表示蚂蚁k下一跳允许选择节点的集合；

α,β,γ为启发因子，分别反映蚂蚁在运动过程中各决定因素在蚂蚁选择路径中的相对重要性；

Tau表示节点i到节点j路径上的信息素浓度；

Eta表示节点j的可见度，即Eta=1/d，d为节点i到节点j的距离；

β′,B均为常数，n为簇头节点总个数；

e_i,e_j为蚂蚁k的预测能量表中的i、j节点能量。

7.根据权利要求1所述的方法，其特征在于，所述步骤5中，采用如下规则更新信息素τ：

${\mathrm{\&tau;}}_{\mathrm{ij}}[t+(n-1)]=(1-\mathrm{\&rho;})\&CenterDot;{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k[t,t+(n-1)]$

${\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k[t,t+(n-1)]=\left\{\begin{array}{cc}1/\mathrm{EC}\left(k\right)& \mathrm{ifantkthroughpath}(i,j)\mathrm{inthiscycle}\\ 0& \mathrm{else}\end{array}\right.$

$\mathrm{EC}\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e(k,i)$

其中，

i,j为任意两个簇头节点；

ρ,(ρ＜1)表示信息素的挥发系数；

k表示蚂蚁k，且共有m只蚂蚁；

表示更新蚂蚁k所走过的路径上的信息素；

t+(n-1)表示蚂蚁经过(n-1)步完成一次循环，t,t+(n-1)则为(n-1)

步中的任意一步；

EC(k)为蚂蚁k在本次循环中所消耗的总能量。

Images