CN105430707A - 一种基于遗传算法的无线传感网多目标优化路由方法 - Google Patents

Abstract

一种基于遗传算法的无线传感网多目标优化路由方法，该方法利用基站的存储空间充裕、能量充足和计算能力强的优势，采用全局搜索无线多媒体传感器网络多路径多目标优化路由的策略，在基于前向邻居概念的网络模型和多目标优化函数的基础上，设计特定的编码方案及选择、交叉、变异算子。本发明结构简单，引入了遗传算法和Pareto多目优化方法，设计特定的编码方案及选择、交叉、变异算子，最终实现优化求解，在全局范围内搜索WMSNs多路径多目标优化路由，提高了方法稳定性，在多路径多目标优化上可行、有效。

Description

一种基于遗传算法的无线传感网多目标优化路由方法

技术领域

本发明涉及一种基于遗传算法的无线传感网多目标优化路由方法，属路由方法技术领域。

背景技术

基于遗传算法的无线传感网多目标优化路由方法建立在遗传算法和Pareto多目标优化方法的基础上，采用变长编码策略，在WMSNs中，满足source节点到sink节点之间数据转发经过的节点个数不确定的情况，并利用时延和可靠性的奖惩函数的概率选择、粗细粒度交叉和基因本身及基因间顺序变化实现染色体的更新操作，从而实现了目标的优化求解。但是相对WSNs而言，WMSNs数据传输量更大、能量消耗更快，且具有对网络时延、时延抖动、传输速率、能量均衡、可靠性等多QoS参数同时敏感的特点，因此传统的WSNs路由协议不能很好地满足多媒体数据流的传输要求。设计一种能够满足多媒体数据流传输的多目标较优路由算法，提高方法稳定性，是遗传算法的无线传感网多目标优化的路由算法的真正关键。

发明内容

本发明的目的是，针对传统的WSNs路由协议不能很好地满足多媒体数据流的传输要求的问题，本发明提出一种基于遗传算法的无线传感网多目标优化路由方法，将Pareto前沿技术与遗传算法相结合，在基于前向邻居概念的网络模型和多目标优化函数的基础上，在全局范围内搜索WMSNs多路径多目标优化路由，提高方法稳定性。

实现本发明的技术方案是，一种基于遗传算法的无线传感网多目标优化路由方法，所述方法利用基站的存储空间充裕、能量充足和计算能力强的优势，采用全局搜索无线多媒体传感器网络多路径多目标优化路由的策略，在基于前向邻居概念的网络模型和多目标优化函数的基础上，设计特定的编码方案及选择、交叉、变异算子。

所述方法包括以下步骤：

(1)随机生成网络拓扑，初始化参数；基站收集网络初始信息，得到网络的各个节点的前向邻居矩阵A、可靠性性矩阵Re、时延矩阵De、能量矩阵E、时延抖动矩阵Jit和带宽矩阵SNR。

(2)根据前向邻居矩阵A找源节点的代理源节点集NB和数目length_NB,初始化最优路径解集MM_Path＝Φ；初始化i＝1。

(3)如果i≤length_NB,则执行(4),否则执行(13)。

(4)置StartN＝NN(i)，生成父代种群father和子代种群child；置Counter＝1，初始化bestPath＝Φ；用节点ID号表示染色体中的基因，则一个染色体是由source节点到sink节点的路径上的节点ID号序列组成；每条染色体的第一个基因为source节点ID号，最后一个基因为sink节点ID号；每相邻的两个基因为WMSNs一条实际存在可相互通信的链路。

假设网络的节点个数为n，source节点ID号为k＝1，sink节点ID号m＝n，则对应的染色体可表示为一个有序序列:<1…i…j…n>,1＜i,j＜n且i≠j。

(5)如果Counter＜λ，则执行(6)，否则执行Stepll，λ为迭代次数。

(6)将种群father和child合群为farm，对farm的每个个体计算其适应度值，求Pareto最优解集，对最优解集i约束，得到本次迭代最优解集并保存在bestPath中。

(7)对本代最优解集之外的个体解码、计算其适应度值，按照个体的适应度升序排列，根据排序号计算选择概率，计算轮盘赌选择区域，按轮盘赌选择方法选择个体；多路径多目标优化函数构造适应度函数为：

${\mathrm{fit}}_i=\frac{1+d_{\max }-{\mathrm{del}}_i}{1+d_{\max }-d_{\min }}+\frac{1+{\mathrm{rel}}_i-r_{\max }}{1+r_{\max }-r_{\min }}+\frac{1+e_{max}-e_i}{1+e_{\max }-e_{\min }}+\frac{1+{\mathrm{snr}}_i-s_{\min }}{1+s_{\max }-s_{\min }}+\frac{1+j_{\max }-{\mathrm{jit}}_i}{1+j_{\max }-j_{\min }}$

其中，del_i、rel_i、e_i、snr_i、jit_i分别表示种群中第i个个体的网络时延、可靠性、剩余能量、传输速率、时延抖动大小；d_max和d_min分别表示种群中第i个个体的网络时延的最大值和最小值；r_max和r_min分别表示种群中第i个个体的可靠性的最大值和最小值；e_max和e_min分别表示种群中第i个个体的剩余能量的最大值和最小值；s_max和s_min分别表示种群中第i个个体的传输速率的最大值和最小值；j_max和j_min分别表示种群中第i个个体的时延抖动大小的最大值和最小值；

根据个体是否满足时延约束和可靠性约束的情况，对其适应度值给以适当的奖惩，时延和可靠性的奖惩函数分别构造为:

${\mathrm{qd}}_i=\frac{{(-1)}^k({\mathrm{del}}_i-dc)}{{(-1)}^k+{\mathrm{del}}_i-dc},\{\begin{array}{c}{\mathrm{del}}_i-dc\&le;0,k=1;\\ {\mathrm{del}}_i-dc>0,k=2;\end{array}{\mathrm{qr}}_i=\frac{{(-1)}^k({\mathrm{rel}}_i-rc)}{{(-1)}^k+{\mathrm{rel}}_i-rc},\left\{\begin{array}{c}{\mathrm{rel}}_i-rc\&le;0,k=1;\\ {\mathrm{rel}}_i-rc>0,k=2;\end{array}\right.$

其中dc,rc分别为时延和可靠性的约束值，如果满足约束，则qd_i和qr_i值为正，个体的适应值得到奖励，否则qd_i和qr_i值为负，个体的适应值得到惩罚；

综上所述，可得个体适应度计算函数Fit(i):Fit(i)＝fit_i+qd_i+qr_i。

(8)将最优解集和根据轮盘赌选择出种群初始规模大小的个体作为新一代种群f，保存副本为父代father；采用按个体适应度轮盘赌方法和ParetoFront两种选择方法相结合的选择策略；首先对每一代父种群和子种群采用ParetoFront选择多目标最优解集，将其保存在最优解集中，并选择其为下一代种群的部分个体；通过使用ParetoFront在父代、子代种群(规模为2N)选择出来的最优解数小于初始化种群的规模N，通过设计选择概率函数和使用轮盘赌方法选择个体并补充到下一代中，以保证种群规模不变。

在轮盘赌选择法中各个个体的选择概率和其适应度值成比例；设群体大小为n，其中个体i的适应度为f(i)，则个体i被选择的概率如公式所示；

首先将种群中的个体按照个体的适应值升序排序，记录每个个体的排序号；

然后将个体的排序号作为其适应值，即Fit(i)＝i，i为个体排序号；按照公式将选择概率转换为轮盘赌随机选择区域。

(9)种群f根据交叉概率和变异概率分别进行单点交叉和变异生成新一代种群，保存副本记为child。

(9.1)根据个体和种群的适应度设计交叉概率，交叉概率用下式表示：

$P_c=\left\{\begin{array}{c}{p}_{c1},0.5({\mathrm{fit}}_i+{\mathrm{fit}}_j)\&le;{\mathrm{fit}}_{over}\\ p_{c1}-\frac{(p_{c1}-p_{c2})\left(0.5\right({\mathrm{fit}}_i+{\mathrm{fit}}_j)-{\mathrm{fit}}_{over})}{{\mathrm{fit}}_{\max }-{\mathrm{fit}}_{over}},others\end{array}\right.;$

其中，p_c1和p_c2为常数且0＜p_c2＜p_c1＜1，fit_i和fit_j分别为随机选中的进行交叉的两个个体的适应度值，fit_over为当前种群的平均适应度值，fit_max为当前种群的最大个体适应度值；

(9.2)生成新的链路，具体过程如下:a)随机产生一个变异基因位i作为变异点，除了i位之外，其它的基因位保持不变(i≠1且i≠n)；b)第i位基因变异为v_i-1的前向邻居节点和v_i+1的后向邻居节点的交集中的某一节点，即第i位基因变异的范围为C＝F_i-1∩B_i+1；如果C＝φ，则第i位基因不发生变异，否则按照变异概率P_m在集合C中随机选择某一元素进行替换。变异概率P_m表示为：

$P_m=\{\begin{array}{c}{p}_{m1},{\mathrm{fit}}_i\&le;{\mathrm{fit}}_{over}\\ p_{m1}-\frac{(p_{m1}-p_{m2})({\mathrm{fit}}_i-{\mathrm{fit}}_{over})}{{\mathrm{fit}}_{\max }-{\mathrm{fit}}_{over}},others\end{array};$

其中，p_m1和p_m2为常数，且0＜p_m2＜p_m1＜1，fit_i、fit_over和fit_max表示的意义同(9.1)。

(10)设Counter'＝Counter+1，执行(5)。

(11)从bestPath中Pareto排序选择一条路径作为以当前虚拟点为起点的最优路径，并将其保存在MM_Path中，同时将该路径上的所有节点标记为不可用；

(11.1)设source节点为v_i,置path＝<1>，置当前搜索节点v_i＝v₁；

(11.2)判断当前搜索节点v_i，是否为sink节点，若是则执行(11.5)，否则执行(11.3)；

(11.3)依据邻接矩阵A判断当前搜索节点v_i，的前向邻居节点集合F_i是否为空集，若是则执行回退操作，否则执行(11.4)；

(11.4)将F_i的成员按照其距sink节点的距离d_jn(其中令d_nn＝1)降序排列得为F_i按照d_jn降序排列的顺序号；对做如下变换:其中w为常数，v_j∈F_i；计算F_i的成员成为下一跳转发节点的选择概率:

其中D_i＝{d_jn|v_j∈F_I}，若v_j被选为下一跳节点，将v_j加入path中:path＝<1…j>；将v_j作为当前搜索节点v_i，执行(11.2)；

(11.5)输出path。

(12)令i＝i+1，执行(5)。

(13)输出MM_Path。

所述步骤(7)中，根据个体是否满足时延约束和可靠性约束的情况，构造时延和可靠性的奖惩函数，个体的适应值得到惩罚，Fit(i)用Fit(i)＝fit_i+qd_i+qr_i表示。

所述步骤(8)中，采用按个体适应度轮盘赌方法和ParetoFront两种选择方法相结合的选择策略，基于新一代种群f采用轮盘赌法决定父代father中的个体是否被选入精英群组中，即先计算出第i代群体中所有个体的适应值Fit(i)，求出第i代群体所有个体适应值综合Fit(i)＝fit_i+qd_i+qr_i，父代father中个体是否被选入精英群组的概率为选择概率最高的p个个体组成精英群组。

所述步骤(11)中，使用Pareto选择算法从BestPath中选择该代理源节点最优一条路径，并保存在最优路径集中，将该路径上除source节点和sink节点之外的节点标记为己使用，同时将该代理源节点标记为已搜索节点。

本发明的有益效果是，本发明结构简单，引入了遗传算法和Pareto多目优化方法，设计特定的编码方案及选择、交叉、变异算子，最终实现优化求解，在全局范围内搜索WMSNs多路径多目标优化路由，提高了方法稳定性。

附图说明

图1为本发明基于遗传算法的无线传感网多目标优化路由方法实例流程图；

图中，101表示初始化(网络规模、节点个数；设置未搜索代理源节点)；102表示生成父代F和子代C；103表示父代F和子代C合为farm适应度；104表示使用Pareto选择最优个体复制到下一代：交叉、变异；105表示是否超过迭代次数；106表示从BestPath中选择该代理源节点最优一条路径，并标记为已搜索节点；107表示未搜索代理源节点。

具体实施方式

参照图1，本发明所提出的方法包括以下计算步骤：

(1)首先执行步骤101，多媒体传感器节点和标量传感器节点均匀随机布设在(100×100)m²的区域中，网络节点总数800，在WMSNs中source节点和Sink节点各一个，初始化代数t＝0，种群大小n＝20，最大迭代次数10000即t∈[0,1000])，

(2)执行步骤102，置StartN＝NN(i)，生成父代种群father和子代种群child；置Counter＝1，初始化bestPath＝Φ。

(3)执行步骤103，对farm(规模为2N)中每个个体进行评价，计算个体适应度计算函数Fit(i):Fit(i)＝fit_i+qd_i+qr_i，Fit(i)表示第i个个体的适应度；

(4)执行步骤104，种群farm根据交叉概率和变异概率分别进行单点交叉和变异生成新一代种群child。

合适的交叉概率P_c可以提高遗传算法的收敛性。根据个体和种群的适应度设计交叉概率，如公式所示。

在上式中，p_c1和p_c2为常数且0＜p_c2＜p_c1＜1，fit_i和fit_j分别为随机选中的进行交叉的两个个体的适应度值，fit_over为当前种群的平均适应度值，fit_max为当前种群的最大个体适应度值。

基因的变异表现为基因本身的变化和基因间顺序的变化，变异概率P_m设计如下式：

$P_m=\{\begin{array}{c}{p}_{m1},{\mathrm{fit}}_i\&le;{\mathrm{fit}}_{over}\\ p_{m1}-\frac{(p_{m1}-p_{m2})({\mathrm{fit}}_i-{\mathrm{fit}}_{over})}{{\mathrm{fit}}_{\max }-{\mathrm{fit}}_{over}},others\end{array}.$

上式中，p_m1和p_m2为常数且0＜p_m2＜p_m1＜1，fit_i和fit_j分别为随机选中的进行交叉的两个个体的适应度值，fit_over为当前种群的平均适应度值，fit_max为当前种群的最大个体适应度值。

(5)执行步骤105，迭代次数判断：如果Counter＜λ(迭代次数)，则执行(11)，否则执行Step7。

(6)执行步骤106，从bestPath中Pareto排序选择一条路径作为以当前虚拟点为起点的最优路径，并将其保存在MM_Path中，同时将该路径上的所有节点标记为不可用。

(7)执行步骤107，停机条件判断：是否有未搜索节点，如果i≤length_NB,则执行(4),否则执行(13)，输出最优路径集，即多路径多目标优化路由。

应用实例：

多媒体传感器节点和标量传感器节点均匀随机布设在(100×100)m²的区域中；在v}sNS中source节点和S1r11C节点各一个，它们分别布设在监测区域的左下方，网络节点总数800，在WMSNs中source节点和Sink节点各一个，初始化代数t＝0，种群大小n＝20，最大迭代次数10000即t∈[0,1000])。

为了评价遗传算法的无线传感网多目标优化的路由算法在不同的网络环境下的性能，共设计两组实验方案进行仿真实验分析。

第一组实验方案为：网络节点总数为800个和通信半径：r＝(10,13,16,19,22,25,28)的7种网络环境下运行遗传算法的无线传感网多目标优化的路由算法；

第二组实验方案为：在通信半径为19和节点个数为n＝(300，400，500，600，700，800，900)的7中网络环境中运行遗传算法的无线传感网多目标优化的路由算法。比较遗传算法的无线传感网多目标优化的路由算法，在优化能耗均衡方面的性能，在搜索到多条路径后各模拟发送数据包10000个。

本发明在传输延时、链路可靠性、传输速率、能耗均匀和延时抖动方面作比较，如表1和表2所示。

表1.方案一：通信半径不同情况下多目标优化的路由算法求解

半径大小	传输时延(s)	链路可靠性	传输速率	能耗均匀(方差)	延时抖动(s)
						10	121	0.55	300	5.8	-0.6
13	105	0.61	192	5.7	-0.8
						16	83	0.68	135	5.6	-0.9
19	78	0.68	80	5.5	-0.8
						22	61	0.72	75	5.4	-0.7
25	58	0.73	52	5.3	-0.9
						28	55	0.79	50	5.2	-0.6

表2.方案二：节点个数不同情况下多目标优化的路由算法求解

节点大小	传输时延(s)	链路可靠性	传输速率	能耗均匀(方差)	延时抖动(s)
						300	102	0.60	101	5.9	-0.4
400	98	0.61	103	5.8	-0.7
						500	97	0.63	105	5.5	-0.5
600	95	0.68	110	5.2	-0.4
						700	89	0.71	112	5	-0.5
800	88	0.75	114	4.9	-0.8
						900	87	0.78	120	4.7	-0.7

由表1和表2表明，本发明遗传算法的无线传感网多目标优化的路由算法在搜索时延、可靠性、时延抖动和能耗均衡等多QoS拥有较好的性能，对于计算能力强、存储空间大的基站是可行的，也是有效的。

Claims (4)

1.一种基于遗传算法的无线传感网多目标优化路由方法，其特征在于，包括以下步骤：

(1)随机生成网络拓扑，初始化参数；基站收集网络初始信息，得到网络的各个节点的前向邻居矩阵A、可靠性性矩阵Re、时延矩阵De、能量矩阵E、时延抖动矩阵Jit和带宽矩阵SNR；

(2)根据前向邻居矩阵A找源节点的代理源节点集NB和数目length_NB,初始化最优路径解集MM_Path＝Φ；初始化i＝1；

(3)如果i≤length_NB,则执行(4),否则执行(13)；

(4)置StartN＝NN(i)，生成父代种群father和子代种群child；置Counter＝1，初始化bestPath＝Φ；用节点ID号表示染色体中的基因，则一个染色体是由source节点到sink节点的路径上的节点ID号序列组成；每条染色体的第一个基因为source节点ID号，最后一个基因为sink节点ID号；每相邻的两个基因为WMSNs一条实际存在可相互通信的链路；

假设网络的节点个数为n，source节点ID号为k＝1，sink节点ID号m＝n，则对应的染色体可表示为一个有序序列:＜1…i…j…n＞,1＜i,j＜n且i≠j；

(5)如果Counter<λ，则执行(6)，否则执行Stepll，λ为迭代次数；

(6)将种群father和child合群为farm，对farm的每个个体计算其适应度值，求Pareto最优解集，对最优解集i约束，得到本次迭代最优解集并保存在bestPath中；

(7)对本代最优解集之外的个体解码、计算其适应度值，按照个体的适应度升序排列，根据排序号计算选择概率，计算轮盘赌选择区域，按轮盘赌选择方法选择个体；多路径多目标优化函数构造适应度函数为：

${\mathrm{fit}}_i=\frac{1+d_{\max }-{\mathrm{del}}_i}{1+d_{\max }-d_{\min }}+\frac{1+{\mathrm{rel}}_i-r_{\max }}{1+r_{\max }-r_{\min }}+\frac{1+e_{\max }-e_i}{1+e_{\max }-e_{\min }}+\frac{1+{\mathrm{snr}}_i-s_{\min }}{1+s_{\max }-s_{\min }}+\frac{1+j_{\max }-{\mathrm{jit}}_i}{1+j_{\max }-j_{\min }}$

其中，del_i、rel_i、e_i、snr_i、jit_i分别表示种群中第i个个体的网络时延、可靠性、剩余能量、传输速率、时延抖动大小；d_max和d_min分别表示种群中第i个个体的网络时延的最大值和最小值；r_max和r_min分别表示种群中第i个个体的可靠性的最大值和最小值；e_max和e_min分别表示种群中第i个个体的剩余能量的最大值和最小值；s_max和s_min分别表示种群中第i个个体的传输速率的最大值和最小值；j_max和j_min分别表示种群中第i个个体的时延抖动大小的最大值和最小值；

根据个体是否满足时延约束和可靠性约束的情况，对其适应度值给以适当的奖惩，时延和可靠性的奖惩函数分别构造为:

${\mathrm{qd}}_i=\frac{{(-1)}^k({\mathrm{del}}_i-dc)}{{(-1)}^k+{\mathrm{del}}_i-dc},\left\{\begin{array}{c}{\mathrm{del}}_i-dc\&le;0,k=1;\\ {\mathrm{del}}_i-dc>0,k=2;\end{array}\right.{\mathrm{qr}}_i=\frac{{(-1)}^k({\mathrm{rel}}_i-rc)}{{(-1)}^k+{\mathrm{rel}}_i-rc},\left\{\begin{array}{c}{\mathrm{rel}}_i-rc\&le;0,k=1;\\ {\mathrm{rel}}_i-rc>0,k=2;\end{array}\right.$

其中dc,rc分别为时延和可靠性的约束值，如果满足约束，则qd_i和qr_i值为正，个体的适应值得到奖励，否则qd_i和qr_i值为负，个体的适应值得到惩罚；

综上所述，可得个体适应度计算函数Fit(i):Fit(i)＝fit_i+qd_i+qr_i；

(8)将最优解集和根据轮盘赌选择出种群初始规模大小的个体作为新一代种群f，保存副本为父代father；采用按个体适应度轮盘赌方法和ParetoFront两种选择方法相结合的选择策略；首先对每一代父种群和子种群采用ParetoFront选择多目标最优解集，将其保存在最优解集中，并选择其为下一代种群的部分个体；通过使用ParetoFront在父代、规模为2N的子代种群选择出来的最优解数小于初始化种群的规模N，通过设计选择概率函数和使用轮盘赌方法选择个体并补充到下一代中，以保证种群规模不变；

在轮盘赌选择法中各个个体的选择概率和其适应度值成比例；设群体大小为n，其中个体i的适应度为f(i)，则个体i被选择的概率如公式所示；

首先将种群中的个体按照个体的适应值升序排序，记录每个个体的排序号；

然后将个体的排序号作为其适应值，即Fit(i)＝i，i为个体排序号；按照公式将选择概率转换为轮盘赌随机选择区域；

(9)种群f根据交叉概率和变异概率分别进行单点交叉和变异生成新一代种群，保存副本记为child；

(9.1)根据个体和种群的适应度设计交叉概率，用 $P_c=\left\{\begin{array}{c}{p}_{c1},0.5(fi{t}_i+fi{t}_j)\&le;fi{t}_{over}\\ p_{c1}-\frac{(p_{c1}-p_{c2})\left(0.5\right({\mathrm{fit}}_i+{\mathrm{fit}}_j)-{\mathrm{fit}}_{over})}{{\mathrm{fit}}_{max}-{\mathrm{fit}}_{over}},others\end{array}\right.$ 表示；

其中，p_c1和p_c2为常数且0＜p_c2＜p_c1＜1，fit_i和fit_j分别为随机选中的进行交叉的两个个体的适应度值，fit_over为当前种群的平均适应度值，fit_max为当前种群的最大个体适应度值；

(9.2)生成新的链路，具体过程如下:a)随机产生一个变异基因位i作为变异点，除了i位之外，其它的基因位保持不变(i≠1且i≠n)；b)第i位基因变异为v_i-1的前向邻居节点和v_i+1的后向邻居节点的交集中的某一节点，即第i位基因变异的范围为C＝F_i-1∩B_i+1；如果C＝φ，则第i位基因不发生变异，否则按照变异概率P_m在集合C中随机选择某一元素进行替换；变异概率P_m表示为：

$P_m=\{\begin{array}{c}{p}_{m1},fi{t}_i\&le;fi{t}_{over}\\ p_{m1}-\frac{(p_{m1}-p_{m2})({\mathrm{fit}}_i-{\mathrm{fit}}_{over})}{{\mathrm{fit}}_{max}-{\mathrm{fit}}_{over}}\end{array},others;$

其中，p_m1和p_m2为常数，且0＜p_m2＜p_m1＜1，fit_i、fit_over和fit_max表示的意义同(9.1)；

(10)设Counter'＝Counter+1，执行(5)；

(11)从bestPath中Pareto排序选择一条路径作为以当前虚拟点为起点的最优路径，并将其保存在MM_Path中，同时将该路径上的所有节点标记为不可用；

(11.1)设source节点为v_i,置path＝＜1＞，置当前搜索节点v_i＝v₁；

(11.2)判断当前搜索节点v_i，是否为sink节点，若是则执行(11.5)，否则执行(11.3)；

(11.3)依据邻接矩阵A判断当前搜索节点v_i，的前向邻居节点集合F_i是否为空集，若是则执行回退操作，否则执行(11.4)；

(11.4)将F_i的成员按照其距sink节点的距离d_jn(其中令d_nn＝1)降序排列得为F_i按照d_jn降序排列的顺序号；对做如下变换:其中w为常数，v_j∈F_i；计算F_i的成员成为下一跳转发节点的选择概率:

其中D_i＝{d_jn|v_j∈F_I}，若v_j被选为下一跳节点，将v_j加入path中:path＝＜1…j＞；将v_j作为当前搜索节点v_i，执行(11.2)；

(11.5)输出path；

(12)令i＝i+1，执行(5)；

(13)输出MM_Path。

2.根据权利要求1所述基于遗传算法的无线传感网多目标优化的路由方法，其特征在于，所述步骤(7)中，根据个体是否满足时延约束和可靠性约束的情况，构造时延和可靠性的奖惩函数，个体的适应值得到惩罚，Fit(i)用Fit(i)＝fit_i+qd_i+qr_i表示。

3.根据权利要求1或2所述基于遗传算法的无线传感网多目标优化的路由方法，其特征在于，所述步骤(8)中，采用按个体适应度轮盘赌方法和ParetoFront两种选择方法相结合的选择策略，基于新一代种群f采用轮盘赌法决定父代father中的个体是否被选入精英群组中，即先计算出第i代群体中所有个体的适应值Fit(i)，求出第i代群体所有个体适应值综合Fit(i)＝fit_i+qd_i+qr_i，父代father中个体是否被选入精英群组的概率为选择概率最高的p个个体组成精英群组。

4.根据权利要求1所述基于遗传算法的无线传感网多目标优化的路由方法，其特征在于，所述步骤(11)中，使用Pareto选择算法从BestPath中选择该代理源节点最优一条路径，并保存在最优路径集中，将该路径上除source节点和sink节点之外的节点标记为己使用，同时将该代理源节点标记为已搜索节点。