CN104579425A - 一种电力线载波网络蚁群组网算法 - Google Patents

Abstract

本发明提出了一种电力线载波网络蚁群组网算法，基于改进后的蚁群算法，使用数据库存储已找到的路径，在未找到目标节点前降低已访问过的节点被访问的概率，并且使用了迪彻斯特算法找到迭代最优路径。本发明的有益效果如下：本发明基于改进后的蚁群算法，使用数据库存储已找到的路径，在未找到目标节点前降低已访问过的节点被访问的概率，并且使用了迪彻斯特算法找到迭代最优路径。实验证明该算法可以大幅度减少找到全局最优路径的时间，提高找到全局最优路径的概率；不仅可以适应变化的拓扑结构，而且可以大幅度缩短寻找全局最优路径的时间，提高找到全局最优路径的概率。

Description

一种电力线载波网络蚁群组网算法

技术领域

本发明涉及电力载波通信网络技术领域，特别是指一种电力线载波网络蚁群组网算法。

背景技术

电力线载波通信因其不需要额外铺设线路、且现有网络规模大、范围广而成为一种很有潜力的通信方式，尤其是在智能电网领域应用十分广泛。但是由于电力线信道的强噪声、高衰减和时变性，使得电力线载波网络的组网比较复杂。

在电力线载波组网中，如何快速找到最优的组网算法、并且能够适应变化的拓扑结构是一个困难的问题。

现在已有的组网算法主要有洪泛算法、分簇算法以及融合遗传算法的蚁群算法。其中洪泛算法和分簇算法难以适应变化的拓扑结构，而融合遗传算法的蚁群算法搜索时间过长、容易陷入局部最优路径。

因此，迫切需要一种新的更优的电力线载波网络组网算法。

发明内容

本发明提出一种电力线载波网络蚁群组网算法，解决了现有技术中电力线载波组网方法难以适应变化的拓扑结构的问题。

本发明的技术方案是这样实现的：

一种电力线载波网络蚁群组网算法，其方法步骤如下：

(1)初始化信息素，设定如下参数值：启发因子α、期望因子β、局部信息素挥发系数ξ、全局信息素挥发系数ρ、每次迭代中发出的搜索帧个数、迭代次数、初始信息素值τ₀、搜索时间上限N和区间[0,1]内的一个常数q₀；

(2)开始一次迭代过程，每一个搜索帧从集中器出发，根据一定策略选择下一个要访问的节点；

(3)在区间[0,1]内选择一个随机数q，当q＜q₀时，选择概率最大的节点；当q≥q₀时，用轮盘赌方法根据每个节点的概率选择下一个节点；

(4)当前搜索帧访问节点时间到达搜索时间上限N时，若还没有找到目标节点，则停止当前搜索帧，启动另一个新的搜索帧；当本次迭代中发出的搜索帧个数全部用完后，结束本次迭代过程；

(5)当一次迭代过程结束后，将所有搜索路径存入数据库，包含目标节点的路径为成功路径，记录所有成功路径中每个节点出现的次数，出现次数超过1的节点为公共节点，对每一条成功路径根据公式τ_ij＝(1-ξ)τ_ij+ξτ₀更新路径上的信息素；

(6)对每两个公共节点，在数据库中所有搜索路径中找到这两个公共节点之间的最短连接路径，存入公共节点最短连接路径表；

(7)将所有公共节点及其相互之间的最短连接路径画成一张连通图，利用迪科斯彻算法找到本次迭代的最优路径；

(8)根据公式τ_ij＝(1-ρ)τ_ij+ρΔτ_ij更新信息素，其中

(9)当本次迭代过程没有成功路径且之前也没有过成功路径时，本次迭代过程中每个节点每访问一次，该节点的访问次数加1；

(10)当本次迭代过程没有成功路径且之前有过成功路径和迭代最优路径时，根据公式τ_ij＝(1-ρ)τ_ij+ρΔτ_ij更新信息素，其中

(11)开始下一次迭代过程，直至达到规定的迭代次数，得到最优路径。

作为优选，所述步骤(2)中的一定策略具体是指：

当目标节点没被找到时，每个节点被选择的概率是 $p_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}/{(1+\mathrm{visit}\_\mathrm{table}\left(j\right))}^{\mathrm{\β}}}{\mathrm{\Σ}{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}/{(1+\mathrm{visit}\_\mathrm{table}\left(j\right))}^{\mathrm{\β}}}& j\∉\mathrm{allowed}\\ 0& j\∉\mathrm{allowed}\end{array}\right.;$

当目标节点已经被找到时，每个节点被选择的概率是 $p_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}}{\mathrm{\Σ}{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}}& j\∈\mathrm{allowed}\\ 0& j\∉\mathrm{allowed}\end{array}\right.;$ 式中，visit_table(j)指节点j被访问过的次数，allowed指所有在节点i处允许被访问的节点的集合。

作为优选，所述τ_ij是指从节点i到节点j的信息素。

作为优选，所述步骤(8)中K是一个常数，L_bs是迭代最优路径的跳数。

上述步骤中启发因子α表示信息素的重要程度；当目标节点没被找到时，每个节点被选择的概率是 $p_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}/{(1+\mathrm{visit}\_\mathrm{table}\left(j\right))}^{\mathrm{\β}}}{\mathrm{\Σ}{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}/{(1+\mathrm{visit}\_\mathrm{table}\left(j\right))}^{\mathrm{\β}}}& j\∉\mathrm{allowed}\\ 0& j\∉\mathrm{allowed}\end{array}\right.,$ 通过这个公式可以加快搜索帧找到目标节点的过程。

本发明所述算法基于改进后的蚁群算法，用来实现电力线网络中集中器和各节点之间的通信。

本发明的有益效果为：

本发明基于改进后的蚁群算法，使用数据库存储已找到的路径，在未找到目标节点前降低已访问过的节点被访问的概率，并且使用了迪彻斯特(Dijkstra)算法找到迭代最优路径。实验证明该算法可以大幅度减少找到全局最优路径的时间，提高找到全局最优路径的概率；不仅可以适应变化的拓扑结构，而且可以大幅度缩短寻找全局最优路径的时间，提高找到全局最优路径的概率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的数据库中路径得到的连通图；

图2为为一张典型的由60个节点组成的电力线网络拓扑结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

图1表示数据库中已经存入的路径，一共有5条。标有0的节点表示集中器，标有T的节点表示目标节点。图中标有相同数字的表示公共节点。从图中可以看出，节点1和节点2之间的最短连接路径在第2条和第5条路径中，即两者是可以直接连接的。节点1和节点3的最短连接在第2、3、4条路径中，两者可以通过一个中间节点连接。类似的，节点2和节点3、集中器和各个公共节点、目标节点和各个公共节点之间的最短连接方式也可以从数据库中找到并存入公共节点最短路径表中。然后把公共节点全部画出来并用代表最短连接方式的线把他们连接起来就可以得到一张连通图。

以60个节点的拓扑结构为例，如图2所示，每次迭代中发出的搜索帧的数量为10，迭代次数为50，启发因子，期望因子＝6，局部信息素挥发系数ξ、全局信息素挥发系数ρ、初始信息素为10、K＝5000、q0＝0.1。以目标节点60为例，1000次实验找到全局最优路径的平局值是6.663次，成功率是100％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (4)

1.一种电力线载波网络蚁群组网算法，其特征在于，其方法步骤如下：

(1)初始化信息素，设定如下参数值：启发因子α、期望因子β、局部信息素挥发系数ξ、全局信息素挥发系数ρ、每次迭代中发出的搜索帧个数、迭代次数、初始信息素值τ₀、搜索时间上限N和区间[0,1]内的一个常数q₀；

(2)开始一次迭代过程，每一个搜索帧从集中器出发，根据一定策略选择下一个要访问的节点；

(3)在区间[0,1]内选择一个随机数q，当q＜q₀时，选择概率最大的节点；当q≥q₀时，用轮盘赌方法根据每个节点的概率选择下一个节点；

(4)当前搜索帧访问节点时间到达搜索时间上限N时，若还没有找到目标节点，则停止当前搜索帧，启动另一个新的搜索帧；当本次迭代中发出的搜索帧个数全部用完后，结束本次迭代过程；

(5)当一次迭代过程结束后，将所有搜索路径存入数据库，包含目标节点的路径为成功路径，记录所有成功路径中每个节点出现的次数，出现次数超过1的节点为公共节点，对每一条成功路径根据公式τ_ij＝(1-ξ)τ_ij+ξτ₀更新路径上的信息素；

(6)对每两个公共节点，在数据库中所有搜索路径中找到这两个公共节点之间的最短连接路径，存入公共节点最短连接路径表；

(7)将所有公共节点及其相互之间的最短连接路径画成一张连通图，利用迪科斯彻算法找到本次迭代的最优路径；

(8)根据公式τ_ij＝(1-ρ)τ_ij+ρΔτ_ij更新信息素，其中

(9)当本次迭代过程没有成功路径且之前也没有过成功路径时，本次迭代过程中每个节点每访问一次，该节点的访问次数加1；

(10)当本次迭代过程没有成功路径且之前有过成功路径和迭代最优路径时，根据公式τ_ij＝(1-ρ)τ_ij+ρΔτ_ij更新信息素，其中

(11)开始下一次迭代过程，直至达到规定的迭代次数，得到最优路径。

2.根据权利要求1所述的一种电力线载波网络蚁群组网算法，其特征在于，所述步骤(2)中的一定策略具体是指：

当目标节点没被找到时，每个节点被选择的概率是 $p_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}/{(1+\mathrm{visit}\_\mathrm{table}\left(j\right))}^{\mathrm{\β}}}{\mathrm{\Σ}{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}/{(1+\mathrm{visit}\_\mathrm{table}\left(j\right))}^{\mathrm{\β}}}& j\∈\mathrm{allowed}\\ 0& j\∉\mathrm{allowed}\end{array}\right.;$

当目标节点已经被找到时，每个节点被选择的概率是 $p_{\mathrm{ij}}=\left\{\begin{array}{cc}\frac{{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}}{\mathrm{\Σ}{{\mathrm{\τ}}_{\mathrm{ij}}}^{\mathrm{\α}}}& j\∈\mathrm{allowed}\\ 0& j\∉\mathrm{allowed}\end{array}\right.;$ 式中，visit_table(j)指节点j被访问过的次数，allowed指所有在节点i处允许被访问的节点的集合。

3.根据权利要求1所述的一种电力线载波网络蚁群组网算法，其特征在于，所述τ_ij是指从节点i到节点j的信息素。

4.根据权利要求1所述的一种电力线载波网络蚁群组网算法，其特征在于，所述步骤(8)中K是一个常数，L_bs是迭代最优路径的跳数。