CN106102112B - 一种基于蚁群算法的移动Sink节点数据收集方法 - Google Patents
一种基于蚁群算法的移动Sink节点数据收集方法 Download PDFInfo
- Publication number
- CN106102112B CN106102112B CN201610341107.1A CN201610341107A CN106102112B CN 106102112 B CN106102112 B CN 106102112B CN 201610341107 A CN201610341107 A CN 201610341107A CN 106102112 B CN106102112 B CN 106102112B
- Authority
- CN
- China
- Prior art keywords
- node
- ant
- path
- data
- wsn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种基于蚁群算法的移动Sink节点数据收集方法,无线传感器网络利用LEACH协议对传感器节点进行分簇操作得到簇头节点,簇头节点收集簇内成员节点的数据,通过改进的蚁群算法,使用激素信息标记数据的重要程度,根据簇内各个成员节点的激素浓度和簇头节点间的欧氏距离作为能见度因子,计算邻接矩阵,遍历所有簇头节点,搜索Sink节点移动的最优路径,最后按照最优路径移动Sink节点。本发明提供了一种解决无线传感器网络数据采集中的漏斗效应和能量空洞问题的方法,能够保证在网络中及时发送重要信息,并有效降低数据时延。
Description
技术领域
本发明属无线传感器网络技术领域,涉及一种基于蚁群算法的移动Sink节点数据收集方法,特别是涉及一种采用Sink节点可控制的移动策略以及基于改进的蚁群算法的最优路径搜索的一种Sink节点数据收集方法。
背景技术
意大利学者Dorigo.M等人观察自然界中蚁群觅食行为,发现单个蚂蚁没有太多的智力,也不能掌握周围的地理环境和觅食路线,但是许多蚂蚁配合形成蚁群,通过蚁群协作的方式能够找到觅食点和巢穴之间的最短距离,最快获取食物。人们从蚁群合作找到最优路径觅食中得到启发,形成蚁群算法(Ant Colony Optimization,ACO)。
蚂蚁在合作选择最佳觅食路径过程中,会在路径中留下信息素,这种物质会随着时间的推移逐渐挥发。蚂蚁在觅食过程中,能够感知到信息素的痕迹以及信息素的浓度,并且以较大的概率选择信息素浓度较大的路径移动,因此蚂蚁移动的方向与信息素呈现正相关,路径上信息素浓度越大,蚂蚁选择该路径的概率也就越高。路径上信息素浓度越大,表示走这条路径的蚂蚁越多,更多的蚂蚁选择这条路径,就会导致该路径的信息素浓度越大,从而吸引更多的蚂蚁选择这条路径,从而形成正反馈,使得蚁群能够很快寻找到最优路径。
蚁群算法中,能见度因子只与距离有关,不能体现节点数据重要性和紧急程度。无线传感器网络中,通常每个传感器节点采集的数据重要程度和紧急程度都是不一致的,传统的ACO算法没有考虑数据的重要性差异,这样搜索得到的最优路径并不能保证优先发送重要数据,如果重要紧急数据不能及时传输到远程控制中心,可能会引起巨大的损失。本章加入激素信息,提出一种改进的蚁群算法(EACO),使用激素浓度表示传感器节点的数据重要性,数据重要性越高,传感器节点的激素浓度越高,反之激素浓度则处于较低水平。
无线传感器网络(Wireless Sensor Networks,WSN)是一个快速发展的技术平台,是一个在各个领域具有广阔前景的应用网络,它不依靠固定网络支持,以布置随机性高、自组织能力强、网络抗毁性强、苛刻环境适应性强等优势,能够在多种场合实现获取信息数据的实时性、准确性、全面性等需求。由于无线传感器网络自首次提出以来至今,已引起了世界范围内学术界、工业界以及国家政府部门的高度重视,被认为是对21世纪产生巨大影响力的技术之一。
WSN具有监测范围广、无需人工干预、自动长期采集数据等特点,因此可以在物联网应用中发挥重要作用。Sink节点作为WSN的汇聚节点,其功能是负责WSN与外网的连接,能够实现网关的功能,根据WSN的特性使得Sink节点在整个无线传感器网络中有着重要的作用。但是,传统的WSN网络的Sink节点处于固定位置或者按照规定路线移动,使得Sink节点可能陷入剩余能量少的区域导致较差的网络性能或者Sink节点移动路径和速度都是预先设定好的导致网络基本不可扩展,灵活性较差等实际存在的问题。专利《一种无线传感器网络中的数据采集方法》(发明人张淳、费树岷、周杏鹏)在普通节点构造的二级簇的基础上,对监测区域分区,然后为基站设计了一种合理调度多个数据采集器进行数据采集的方法。该方法构造二级簇以及分区需要消耗一定的能量,此外需要逐层发送请求命令到基站,然后基站调度移动数据采集器采集数据可能会造成一定的时延,不能保证数据的精确性。
发明内容
本发明所要解决的技术问题是提供一种基于蚁群算法的移动Sink节点数据收集方法,特别是提供一种采用Sink节点可控制的移动策略以及基于改进的蚁群算法(EACO)的最优路径搜索的一种Sink节点数据收集方法。
本发明的基于蚁群算法的移动Sink节点数据收集方法,由WSN节点和Sink节点组成;WSN节点静止分布在规定区域内,WSN节点在通信半径内通过多跳方式将监测数据发送到Sink节点,Sink节点可以在规定区域内移动,所述基于蚁群算法的移动Sink节点数据收集方法,在一个无线传感器网络中包含了若干个WSN节点和一个Sink节点,其中WSN节点主要由电源、微控制器、传感器等组成,负责对数据的采集与发送,Sink节点是所有WSN节点通信的汇聚点,收集WSN节点发来的数据,Sink节点作为WSN的网关是无线传感器网络与外部网络的连接节点,本发明中通过改进的蚁群算法,使用激素信息标记数据的重要程度,根据簇内各个成员节点的激素浓度和簇头节点间的欧氏距离作为能见度因子,计算邻接矩阵,根据实时环境,利用蚁群算法中的蚂蚁寻路在簇头节点间留下信息素,根据信息素浓度寻找移动Sink节点的最优可控制路径,实现节约WSN能耗、优化网络性能的目的,是一种解决无线传感器网络数据采集中的漏斗效应和能量空洞问题的方法,包括以下步骤:
(1)对WSN节点进行分簇操作,得到簇头节点;
(2)簇头节点收集簇内成员节点的数据,簇内成员节点数据包含每个节点的激素浓度HL,以及每个簇头节点间的欧氏距离长度dij;
当传感器节点监测到目标发送明显变化时,这部分数据往往比较重要,是系统特别感兴趣的数据,需要及时发送出去,但是在Sink节点随机移动采集数据的情况中,每个簇头节点被访问的概率是一样的,而且簇头节点存储空间有限,因此不能保证重要数据能够及时成功发送出去。基于EACO的移动Sink节点数据收集策略中,移动Sink节点能够按最优路径移动,及时采集重要数据并发送到远程控制中心。使用激素浓度HL表示WSN节点的数据重要性,数据重要性越高,传感器节点的激素浓度越高,反之激素浓度则处于较低水平。簇头节点收集簇内节点的数据,如果簇内节点数据差异较大,说明该区域内监测目标变化较大,此时的数据的重要性较高,比较紧急,需要提高簇头节点的激素浓度;如果簇内节点的数据基本一致,说明该区域内监测目标变化幅度较小,簇头节点保持较低的激素水平。
(3)蚁群算法及参数初始化;
所述蚁群算法中,包含信息素浓度,蚂蚁搜寻路径过程将会在节点之间留下信息素,根据信息素浓度大小决定最优路径,若路径上信息素浓度越大,则蚂蚁选择该路径的概率也就越高,表示走这条路径的蚂蚁越多,从而吸引更多的蚂蚁选择这条路径,形成正反馈,使得蚁群能够很快找到Sink节点的最优移动路径;
所述蚁群算法具体为:
1)初始化
每条路径的信息素τij(t)初始化为一个常数值τ0;每只蚂蚁都会记录一个禁忌表,记录已经走过的节点,蚂蚁在各路径释放信息素初始值为0;节点激素浓度初始值HLinit为100mg/dL。
2)蚂蚁构造路径
假设某时刻蚂蚁在地点i,蚂蚁向地点j移动的概率为pij(t),其计算关系为:
式中,τij(t)为路径ij在t时刻的信息素浓度;α是信息素在概率计算中的权重,反映了残留信息素的重要程度;β是启发因子,反映了启发信息0在蚂蚁选择路径中的相对重要性,“允许k”是指蚂蚁没有走过的节点集合,该集合随着搜索进程动态调整;τik(t)含义为路径ik在t时刻的信息素浓度,k代表除节点i以外的节点;ηij是能见度因子,为i到j的路径能见度;ηik含义为反映i到k的路径能见度的能见度因子;τik(t)和ηik含义与τij(t)以及ηij相同,只是用k来代表不仅限于节点j(表示除节点i以外的所有节点)的节点,分母整体含义是指所有从节点i出发的路径上的信息素浓度与能见度因子乘积之和;
3)更新信息素
ηij是能见度因子,为i到j的路径能见度,具体为:
其中,dij是簇头节点i与簇头节点j之间的欧氏距离长度,α1和α2为权重系数;
HL为节点i的激素浓度,为:
其中,HLinit为WSN节点分泌激素的初始浓度值,α'表示激素浓度的衰减程度,β'是校正系数;
当所有蚂蚁都找到一条合法路径之后,进行信息素更新,更新计算关系为:
τij(t+1)=ρ·τij(t)+△τij(t,t+1);
其中ρ是信息素维持因子,1-ρ是信息素挥发因子;△τij(t,t+1)是所有蚂蚁在路径ij上释放的信息素总合,计算关系如下:
其中m是蚂蚁的数量,是t到t+1时间内,蚂蚁k在路径ij上释放的信息素;
(4)遍历所有簇头节点,目的是为蚁群算法的实施构造可行路径,即构造蚁群算法中蚂蚁可通过的且留下信息素的路径;
(5)若蚁群算法一次迭代还未完成,则继续遍历;若蚁群算法一次迭代已经完成,则更新WSN节点与Sink节点间的信息素,得到一条当前的最优路径;蚁群迭代次数,代表了对最优路径的搜索次数,若未达到迭代次数或迭代次数较少,则最优路径的解还未收敛,将得不到最优移动路径;若达到迭代次数或迭代次数超过一定值,最优路径的解已经收敛,则蚁群算法得出的结果是Sink节点的移动最优路径。Sink节点依据最优路径移动,将实现节约WSN能耗、优化网络性能的目的,解决无线传感器网络数据采集中的漏斗效应和能量空洞问题。
(6)若未完成当前的蚁群迭代次数,则继续利用蚁群构造路径;若已经完成蚁群迭代次数,即移动Sink节点最优路径确认;WSN网络能够正常采集数据,是Sink节点在WSN节点分布区域内按照最佳路径移动的成果表现,代表WSN网络处于正常工作状态,并完成一次数据收集之后继续开始下一次流程;若WSN网络不能够正常采集数据,其原因在于Sink节点移动路径上存在已经失效的WSN节点,那么数据采集将因为失效WSN节点而停止,因而无法完成对簇内每个成员节点的激素浓度HL以及每个簇头节点间的欧氏距离dij的数据收集,网络处于失效状态,需要对失效WSN节点进行修复处理。
(7)若WSN能够正常采集数据,那么网络工作正常,继续重复步骤(1)~(5);若WSN不能正常采集数据,则网络失效。
如上所述的一种基于蚁群算法的移动Sink节点数据收集方法,利用LEACH协议对WSN节点进行分簇操作,得到簇头节点。
如上所述的一种基于蚁群算法的移动Sink节点数据收集方法,
常数值τ0为1mg/dL;
权重系数α1和α2,0<α1<1,0<α2<1,根据实际应用场景来对节点间欧氏距离dij和数据重要性参数激素浓度HL进行分配,使得α1+α2=1;例如,在农业环境中的应用,以大面积种植为背景的农业无线传感器网络,各个WSN节点之间的距离较远,为保证及时采集各个WSN节点数据,权重系数α1必须增大占据主导地位,而激素浓度HL的权重系数α2需要保持一个较低水平,设置α1=0.9,α2=0.1;在企业环境中的应用,以公司运营为背景的无线传感器网络应用,WSN节点分布相对紧凑,这时需要保证在某些重要部门的WSN节点的数据被及时采集,那么如财务、监控等数据需要被优先采集,那么可以设置α1=0.2,α2=0.8,保证激素浓度HL的权重系数α2是增大趋势且占据主导地位,而α2则需要处于一个低水平状态。在一般应用环境中,WSN节点距离没有较大差距,各数据重要性也同等,那么应该使α1=α2=0.5;
激素浓度的衰减程度α',0<α'<1,校正系数β'取值为50;
信息素在概率计算中的权重α取值为2;启发因子β取值为3.5;信息素维持因子ρ取值为0.5。
如上所述的一种基于蚁群算法的移动Sink节点数据收集方法,步骤(5)中,蚁群算法一次迭代,是指完成计算根据步骤(3)所述的一次蚁群算法构造路径、更新信息素的过程。
如上所述的一种基于蚁群算法的移动Sink节点数据收集方法,蚁群算法迭代次数,代表了对最优路径的搜索次数,若未达到迭代次数或迭代次数较少,则最优路径的解还未收敛,将得不到最优移动路径;若达到迭代次数或迭代次数超过一定值,最优路径的解已经收敛,则蚁群算法得出的结果是Sink节点的移动最优路径。Sink节点依据最优路径移动,将实现节约WSN能耗、优化网络性能的目的,解决无线传感器网络数据采集中的漏斗效应和能量空洞问题。
如上所述的一种基于蚁群算法的移动Sink节点数据收集方法,步骤(7)中,WSN网络能够正常采集数据,表现为Sink节点在WSN节点分布区域内按照最佳路径移动且能够从路径所覆盖的所有WSN节点收集到数据,代表WSN网络处于正常工作状态;若Sink节点无法收集任意一个在路径上的WSN节点的数据,那么网络中存在无法正常传送数据的WSN节点,原因为WSN节点电源耗尽等,那么该WSN节点将无法使蚁群算法完成路径遍历,因而网络处于失效状态。
本发明的基于蚁群算法的移动Sink节点数据收集方法,根据簇头节点的激素浓度和簇头节点间的欧氏距离作为能见度因子,使用激素信息标记数据的重要程度来改进蚁群算法,并通过改进的蚁群算法遍历WSN所有节点,从而搜索Sink节点在WSN网络中移动的最优路径,实现能够有效延长网络生命周期的Sink节点数据收集方法。
有益效果
(1)保证重要信息的及时发送。Sink节点根据WSN内部节点间激素浓度的变化,使用激素浓度表示传感器节点的数据重要性,数据重要性越高,传感器节点的激素浓度越高,反之激素浓度则处于较低水平,这样利用蚁群算法动态调整每次移动路径,路径依据数据的重要程度逐一到WSN所有节点,实现重要紧急数据及时传输到远程控制中心的目的。
(2)优化WSN网络性能。WSN节点间激素信息浓度指引了WSN网络中能量分布和各节点能耗的外在反映,控制Sink节点不陷入能量较少的区域,控制Sink节点不会因为固定在激素浓度高的区域而形成热点问题,从而平衡了无线传感器网络负载,节约了无线传感器网络能耗,优化了网络性能,避免了无线传感器网络数据采集中的漏斗效应和能量空洞问题。
附图说明
图1是本发明的流程图;
图2是本发明的移动Sink节点最优路径数据收集过程示意图;
图3是本发明的改进的蚁群算法搜索最优路径示意图;
图4是本发明的实验Sink节点移动的最优路径图;
图5是本发明的实验Sink节点移动的最短距离和平均距离图线。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
采用Matlab对基于EACO的移动Sink节点数据收集策略进行仿真,操作步骤如图1所示,目标区域设定为100m*100m,节点数为100,节点存储空间有限,只能存储10组数据,节点位置随机生成。目标实验为移动Sink节点按照EACO搜索得到的最优路径移动收集数据,对比实验为移动Sink节点随机移动收集数据,移动Sink节点数据收集流程见图2。
(1)利用LEACH协议对WSN节点进行分簇操作,得到簇头节点;
(2)收集簇内成员节点的数据,簇内成员节点数据包含每个节点的激素浓度HL,以及每个簇头节点间的欧氏距离长度dij;
当传感器节点监测到目标发送明显变化时,这部分数据往往比较重要,是系统特别感兴趣的数据,需要及时发送出去,但是在Sink节点随机移动采集数据的情况中,每个簇头节点被访问的概率是一样的,而且簇头节点存储空间有限,因此不能保证重要数据能够及时成功发送出去。基于EACO的移动Sink节点数据收集策略中,移动Sink节点能够按最优路径移动,及时采集重要数据并发送到远程控制中心。
加入激素信息,使用激素浓度HL表示WSN节点的数据重要性,数据重要性越高,传感器节点的激素浓度越高,反之激素浓度则处于较低水平。簇头节点收集簇内节点的数据,如果簇内节点数据差异较大,说明该区域内监测目标变化较大,此时的数据的重要性较高,比较紧急,需要提高簇头节点的激素浓度;如果簇内节点的数据基本一致,说明该区域内监测目标变化幅度较小,簇头节点保持较低的激素水平。
(3)蚁群算法参数初始化,遍历所有簇头节点构造路径,蚁群算法流程图如图3所示;
每条路径的信息素初始化为一个常数值τ0,每只蚂蚁都会记录一个禁忌表,记录已经走过的节点,蚂蚁在各路径释放信息素初始值为0。若路径上信息素浓度越大,则蚂蚁选择该路径的概率也就越高,表示走这条路径的蚂蚁越多,从而吸引更多的蚂蚁选择这条路径,形成正反馈,使得蚁群能够很快找到Sink节点的最优移动路径。
实验中,定义数据重要程度从0到1分为10个等级,0表示不重要,1表示最重要,做10次实验,计算其平均值,得到表1的数据。ACO算法采集数据只考虑簇头节点的距离,而没有考虑簇头节点数据的重要性,因此不会考虑数据的重要性,每个簇头节点被访问的概率相等。EACO算法根据簇头节点中数据的重要程度和簇头间距确定访问路径,因此Sink节点可以及时采集重要的数据。实验结果充分说明基于EACO的移动Sink节点数据收集策略能够保证重要数据及时发送出去。
(4)如图3中的第一次条件判断,若蚁群算法一次迭代还未完成,则继续遍历;若蚁群算法一次迭代已经完成,则更新WSN节点与Sink节点间的信息素,得到一条当前的最优路径:
每个蚂蚁按照概率p确定移动路径,即下一步的目标节点。假设某时刻蚂蚁在地点i,蚂蚁向地点j移动的概率为pij(t),其计算关系为:
上式中,τij(t)为路径ij在t时刻的信息素浓度;α是信息素在概率计算中的权重,反映了残留信息素的重要程度;β是启发因子,反映了启发信息在蚂蚁选择路径中的相对重要性,“允许k”是指蚂蚁没有走过的节点集合,该集合随着搜索进程动态调整;
ηij是能见度因子,通常是ηij=1/dij,dij是节点i与节点j之间的欧氏距离长度,改进后能见度因子ηij能够反映节点i到j的路径能见度,而且还包含了节点i的激素浓度HL,具体关系式为:
其中,α1和α2为权重系数。
其中,HLinit为WSN节点分泌激素的初始浓度值,α'表示激素浓度的衰减程度,β'是校正系数;
当所有蚂蚁都找到一条合法路径之后,进行信息素更新,更新计算关系为:
τij(t+1)=ρ·τij(t)+△τij(t,t+1)
其中ρ是信息素维持因子,1-ρ是信息素挥发因子。△τij(t,t+1)是所有蚂蚁在路径ij上释放的信息素总合,计算关系如下:
其中m是蚂蚁的数量,是t到t+1时间内,蚂蚁k在路径ij上释放的信息素。
(5)如图3中的第二次条件判断,若未完成当前的蚁群迭代次数,则继续根据当前最优路径下每个节点间的激素浓度和每个簇头节点间距离,利用蚁群构造路径;若已经完成蚁群迭代次数,那么得到最终的最优路径,并根据最优路径移动Sink节点收集WSN节点的数据。
蚁群迭代次数代表了对最优路径的搜索次数,若未达到迭代次数或迭代次数较少,则最优路径的解还未收敛,将得不到最优移动路径;若达到迭代次数或迭代次数超过一定值,最优路径的解已经收敛,则蚁群算法得出的结果是Sink节点的移动最优路径。Sink节点依据最优路径移动,将实现节约WSN能耗、优化网络性能的目的,解决无线传感器网络数据采集中的漏斗效应和能量空洞问题。
(6)若WSN能够正常采集数据,那么网络工作正常,继续重复(1)~(5)步骤;若WSN不能正常采集数据,则网络失效。
WSN网络能够正常采集数据,是Sink节点在WSN节点分布区域内按照最佳路径移动的成果表现,代表WSN网络处于正常工作状态,并完成一次数据收集之后继续开始下一次流程;若WSN网络不能够正常采集数据,其原因在于Sink节点移动路径上存在已经失效的WSN节点,那么数据采集将因为失效WSN节点而停止,因而无法完成对簇内每个成员节点的激素浓度HL以及每个簇头节点间的欧氏距离dij的数据收集,网络处于失效状态,需要对失效WSN节点进行修复处理。
表1数据及时发送的概率
如果Sink节点移动不合理,可能使Sink节点的位置远离簇头节点,导致簇头节点时延增大,甚至导致重要数据丢失,因此合理选择Sink节点的移动路径非常重要。分析比较Sink节点随机移动和最优路径移动分别移动的距离,通过EACO得到Sink节点移动的最优路径,如图4所示。
Sink节点最优移动的距离和平均距离如图5所示。从图中可以看出最优路径移动的情况下,Sink节点移动的距离远远少于平均距离,因此,在相同条件下,最优路径移动能够及时收集数据,有效减少数据时延。
Claims (6)
1.基于蚁群算法的移动Sink节点数据收集方法,由WSN节点和Sink节点组成;WSN节点静止分布在规定区域内,WSN节点在通信半径内通过多跳方式将监测数据发送到Sink节点,Sink节点可以在规定区域内移动,其特征是:所述基于蚁群算法的移动Sink节点数据收集方法,通过改进的蚁群算法,使用激素信息标记数据的重要程度,根据簇内各个成员节点的激素浓度和簇头节点间的欧氏距离作为能见度因子,计算邻接矩阵,根据实时环境,利用蚁群算法中的蚂蚁寻路在簇头节点间留下信息素,根据信息素浓度寻找移动Sink节点的最优可控制路径,包括以下步骤:
(1)对WSN节点进行分簇操作,得到簇头节点;
(2)簇头节点收集簇内成员节点的数据,簇内成员节点数据包含每个节点的激素浓度HL,以及每个簇头节点间的欧氏距离长度dij;
(3)蚁群算法及参数初始化;
所述蚁群算法中,包含信息素浓度;蚂蚁搜寻路径过程将会在节点之间留下信息素,根据信息素浓度大小决定最优路径,若路径上信息素浓度越大,则蚂蚁选择该路径的概率也就越高,表示走这条路径的蚂蚁越多,从而吸引更多的蚂蚁选择这条路径,形成正反馈,使得蚁群能够很快找到Sink节点的最优移动路径;
所述蚁群算法具体为:
1)初始化;
每条路径的信息素τij(t)初始化为一个常数值τ0;
每只蚂蚁都会记录一个禁忌表,记录已经走过的节点,蚂蚁在各路径释放信息素初始值为0;节点激素浓度初始值HLinit为100mg/dL;
2)蚂蚁构造路径;
假设某时刻蚂蚁在地点i,蚂蚁向地点j移动的概率为pij(t),其计算关系为:
式中,τij(t)为路径ij在t时刻的信息素浓度;α是信息素在概率计算中的权重,反映了残留信息素的重要程度;β是启发因子,反映了启发信息0在蚂蚁选择路径中的相对重要性,“允许k”是指蚂蚁没有走过的节点集合,该集合随着搜索进程动态调整;τik(t)含义为路径ik在t时刻的信息素浓度,k代表除节点i以外的节点;ηij是能见度因子,为i到j的路径能见度;ηik含义为反映i到k的路径能见度的能见度因子;
3)更新信息素;
能见度因子ηij按下式计算:
其中,dij是簇头节点i与簇头节点j之间的欧氏距离长度,α1和α2为权重系数;
HL为节点i的激素浓度,为:
其中,HLinit为WSN节点分泌激素的初始浓度值,α'表示激素浓度的衰减程度,β'是校正系数;
当所有蚂蚁都找到一条合法路径之后,进行信息素更新,更新计算关系为:
τij(t+1)=ρ·τij(t)+Δτij(t,t+1);
其中ρ是信息素维持因子;Δτij(t,t+1)是所有蚂蚁在路径ij上释放的信息素总合,计算关系如下:
其中m是蚂蚁的数量,是t到t+1时间内,蚂蚁k在路径ij上释放的信息素;
(4)遍历所有簇头节点,目的是为蚁群算法的实施构造可行路径,即构造蚁群算法中蚂蚁可通过的且留下信息素的路径;
(5)若蚁群算法一次迭代还未完成,则继续遍历;若蚁群算法一次迭代已经完成,则更新WSN节点与Sink节点间的信息素,得到一条当前的最优路径;
(6)若未完成当前的蚁群迭代次数,则继续利用蚁群构造路径;若已经完成蚁群迭代次数,即移动Sink节点最优路径确认;
(7)若WSN能够正常采集数据,那么网络工作正常,继续重复步骤(1)~(5);若WSN不能正常采集数据,则网络失效。
2.根据权利要求1所述的基于蚁群算法的移动Sink节点数据收集方法,其特征在于,利用LEACH协议对WSN节点进行分簇操作,得到簇头节点。
3.根据权利要求1所述的基于蚁群算法的移动Sink节点数据收集方法,其特征在于,
常数值τ0为1mg/dL;
权重系数α1和α2,0<α1<1,0<α2<1,根据实际应用场景来对节点间欧氏距离dij和数据重要性参数激素浓度HL进行分配,使得α1+α2=1;当各个WSN节点之间的距离较远时,权重系数α1必须增大占据主导地位,而激素浓度HL的权重系数α2需要保持一个较低水平,设置α1=0.9,α2=0.1;当WSN节点分布相对紧凑,设置α1=0.2,α2=0.8,保证激素浓度HL的权重系数α2是增大趋势且占据主导地位,而α1则需要处于一个低水平状态;当WSN节点距离没有较大差距,各数据重要性也同等,那么使α1=α2=0.5;
激素浓度的衰减程度α',0<α'<1,校正系数β'取值为50;
信息素在概率计算中的权重α取值为2;启发因子β取值为3.5;信息素维持因子ρ取值为0.5。
4.根据权利要求1所述的基于蚁群算法的移动Sink节点数据收集方法,其特征在于,步骤(5)中,蚁群算法一次迭代,是指完成计算步骤(3)的一次蚁群算法构造路径和更新信息素的过程。
5.根据权利要求1所述的基于蚁群算法的移动Sink节点数据收集方法,其特征在于,蚁群算法迭代次数,代表了对最优路径的搜索次数,若未达到迭代次数或迭代次数较少,则最优路径的解还未收敛,将得不到最优移动路径;若达到迭代次数或迭代次数超过一定值,最优路径的解已经收敛,则蚁群算法得出的结果是Sink节点的移动最优路径;Sink节点依据最优路径移动,将实现节约WSN能耗、优化网络性能的目的,解决无线传感器网络数据采集中的漏斗效应和能量空洞问题。
6.根据权利要求1所述的基于蚁群算法的移动Sink节点数据收集方法,其特征在于,步骤(7)中,WSN网络能够正常采集数据,表现为Sink节点在WSN节点分布区域内按照最佳路径移动且能够从路径所覆盖的所有WSN节点收集到数据,代表WSN网络处于正常工作状态;若Sink节点无法收集任意一个在路径上的WSN节点的数据,那么网络中存在无法正常传送数据的WSN节点,原因为WSN节点电源耗尽,那么该WSN节点将无法使蚁群算法完成路径遍历,因而网络处于失效状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610341107.1A CN106102112B (zh) | 2016-05-19 | 2016-05-19 | 一种基于蚁群算法的移动Sink节点数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610341107.1A CN106102112B (zh) | 2016-05-19 | 2016-05-19 | 一种基于蚁群算法的移动Sink节点数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106102112A CN106102112A (zh) | 2016-11-09 |
CN106102112B true CN106102112B (zh) | 2019-06-11 |
Family
ID=57230062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610341107.1A Active CN106102112B (zh) | 2016-05-19 | 2016-05-19 | 一种基于蚁群算法的移动Sink节点数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106102112B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106792968B (zh) * | 2016-12-23 | 2019-06-28 | 大连理工大学 | 基于双层模型体系的无线传感器网络的二次分簇算法 |
CN106899956A (zh) * | 2017-03-30 | 2017-06-27 | 西安邮电大学 | 一种基于nan组网方式的智能数据集中上传方案 |
CN107172681A (zh) * | 2017-05-15 | 2017-09-15 | 常州工学院 | 一种采用优化的最近邻算法的移动节点调度方法 |
CN107071718B (zh) * | 2017-06-15 | 2020-04-10 | 深圳市奥闻科技有限公司 | 一种高精度的农田环境监测系统 |
CN107659974B (zh) * | 2017-11-03 | 2021-08-13 | 广东工业大学 | 无线传感网路由方法、装置、设备及计算机可读存储介质 |
CN108337167B (zh) * | 2018-02-11 | 2020-07-31 | 福州大学 | 一种基于蚁群算法的视频多路并行传输分流方法及其系统 |
CN108684005B (zh) * | 2018-04-02 | 2021-02-09 | 河海大学常州校区 | 基于som的水下传感网中多auv高效数据收集方法 |
CN108914985A (zh) * | 2018-07-03 | 2018-11-30 | 深圳大图科创技术开发有限公司 | 建筑基坑沉降智能监测系统 |
CN108965417B (zh) * | 2018-07-04 | 2021-12-21 | 梧州市兴能农业科技有限公司 | 农田土壤污染无线监测系统 |
CN108818534A (zh) * | 2018-07-04 | 2018-11-16 | 广东猪兼强互联网科技有限公司 | 一种多功能健身辅助机器人 |
CN109151757A (zh) * | 2018-09-26 | 2019-01-04 | 东莞青柳新材料有限公司 | 一种农田土壤质量实时管控系统 |
CN109151758A (zh) * | 2018-09-27 | 2019-01-04 | 广州文搏科技有限公司 | 基于无线传感器网络的农田土壤健康智能监测系统 |
CN110225478B (zh) * | 2019-05-21 | 2021-09-24 | 昆明理工大学 | 一种无线传感器网络簇间数据传输方法 |
CN110519164B (zh) * | 2019-07-16 | 2022-02-22 | 咪咕文化科技有限公司 | 信号传输方法、系统及计算机可读存储介质 |
CN111311996A (zh) * | 2020-03-27 | 2020-06-19 | 湖南有色金属职业技术学院 | 基于大数据的线上教育信息化教学系统 |
CN115866445B (zh) * | 2022-11-16 | 2023-06-23 | 海通国际供应链(广州)有限公司 | 一种改进型nb-iot冷链物联网远程监控系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103781146A (zh) * | 2014-01-22 | 2014-05-07 | 南昌大学 | 基于蚁群算法的无线传感器网络最优路由路径构建方法 |
CN104702497A (zh) * | 2015-03-01 | 2015-06-10 | 江西科技学院 | 一种基于Sarsa算法和蚁群优化的路由控制算法 |
-
2016
- 2016-05-19 CN CN201610341107.1A patent/CN106102112B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103781146A (zh) * | 2014-01-22 | 2014-05-07 | 南昌大学 | 基于蚁群算法的无线传感器网络最优路由路径构建方法 |
CN104702497A (zh) * | 2015-03-01 | 2015-06-10 | 江西科技学院 | 一种基于Sarsa算法和蚁群优化的路由控制算法 |
Also Published As
Publication number | Publication date |
---|---|
CN106102112A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106102112B (zh) | 一种基于蚁群算法的移动Sink节点数据收集方法 | |
CN103501315B (zh) | 一种面向内容网络中基于相关内容聚集的缓存方法 | |
CN103327564B (zh) | 基于蚁群算法的无线传感器网络路由方法 | |
CN106251026A (zh) | 基于pdbscan算法的雷电临近趋势预报方法 | |
CN103228023A (zh) | 基于粒子群蚁群优化的无线传感器网络分簇路由方法 | |
CN107277830A (zh) | 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法 | |
CN103914734B (zh) | 基于改进型蚁群算法的微网容量优化布址方法 | |
CN104168620A (zh) | 无线多跳回传网络中的路由建立方法 | |
CN108564163A (zh) | 一种解决多目标多旅行商问题的改进蚁群算法 | |
CN103077125A (zh) | 一种高效利用存储空间的自适应自组织塔式缓存方法 | |
CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN108846244A (zh) | 建筑结构健康智能监测系统 | |
CN104219682B (zh) | 农田混合供电无线传感器网络的网络层次构建方法及系统 | |
CN106255131B (zh) | 基于无线充电的传感器网络锚点选择方法 | |
CN102595546A (zh) | 基于事件驱动的无线传感器执行器网络数据收集分簇方法 | |
CN109840625A (zh) | 一种快递员群路径导航的方法 | |
Yang et al. | Research intelligent fire evacuation system based on ant colony algorithm and MapX | |
Zhang et al. | Multi-objective route search for electric vehicles using ant colony optimization | |
Yang et al. | A path planning method for mobile sink in farmland wireless sensor network | |
Shen et al. | Application of improved ant colony algorithm in distribution network patrol route planning | |
CN104702497A (zh) | 一种基于Sarsa算法和蚁群优化的路由控制算法 | |
Kuang et al. | A framework for multi-event data collection using unmanned aerial vehicle aided internet of things in smart agriculture | |
CN105187310B (zh) | 一种路径优化方法与系统 | |
CN111405616A (zh) | 智能流量调配和路径更新的传感网路由改进方法 | |
Wang et al. | Optimal path selection for logistics transportation based on an improved ant colony algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211228 Address after: 200335 room 323, No. 10, Lane 658, Jinzhong Road, Changning District, Shanghai Patentee after: Shanghai Donghua University Science Park Enterprise Management Co.,Ltd. Address before: 201620 No. 2999 North Renmin Road, Shanghai, Songjiang District Patentee before: DONGHUA University |