CN106658603A - 一种负载均衡的无线传感器网络路由节能方法 - Google Patents

Abstract

本发明公开了一种负载均衡的无线传感器网络路由节能方法，步骤1、在有限的区域随机定义无线传感器节点；步骤2、列出选择簇头的适应值函数；步骤3、利用改进子群算法选择簇头；步骤4、簇头向其他节点进行广播，表明自己的身份；步骤5、列出选择中继节点的适应值函数；步骤6、利用改进的粒子群算法选择中继节点；步骤7、普通节点向簇头发送自己检测到环境的信息；步骤8、簇头将数据进行融合，然后将融合后的数据发送给中继节点；步骤9、中继节点将数据发送给基站，通信结束。与现有技术相比，本发明的负载均衡的无线传感器网络路由节能方法降低了传统无线传感器网络中簇头的高能耗，均衡全网的能量消耗，延长了整个网络的生存周期。

Description

一种负载均衡的无线传感器网络路由节能方法

技术领域

本发明涉及无线传感器网络领域，尤其涉及一种负载均衡无线传感器网络路由节能方法。

背景技术

无线传感器网络是由大量的静止或移动的传感器以自组织方式构成的无线网络，以协作地感知和采集网络覆盖地理区域内被感知对象的信息，并最终把这些信息发送给网络的所有者。由于无线传感器网络规模庞大且工作在人比较少的区域里，更换电池非常困难并且昂贵，所以设计无线传感器网络路由协议的首要目标是实现能量的高效利用，延长网络的生存周期。

无线传感器网络路由协议一般分为平面路由协议和层次路由协议。因为层次路由协议具有很好的可扩展性和自适应性，成为了国内外专家研究的热点。在现有的层次路由协议中，通常将网络中节点分为不同的簇，每个簇中有一个簇头节点和多个成员节点，成员节点负责监测周围环境的信息，将获取的数据传送给所在簇的簇头节点。簇头节点负责对簇内成员节点进行管理，将收集到的数据进行数据融合然后将其发送给基站。例如Heinzelman等人在簇概念的基础上提出了一种低功耗自适应层次路由协议LEACH协议，它打破了前期成簇算法中固定簇头的思想，算法过程存在周期性循环；Lindsey等人提出的PEGASIS协议协议借鉴了LEACH协议动态选择簇头的思想，但是全网中只建立一个簇，采用单一的链式结构进行路由；Ossama等人提出的HEED协议，以完全分布式方式成簇，在一定的迭代次数内进行簇头的选择，通过最小化控制报文开销节省能量的消耗，均衡节点能量的开销；Jisoo等人提出一种链状的路由协议来减少能量消耗，利用一种回馈机制最大化均衡能量的分布，从而延长网络的生存周期。但是这样簇头节点既要融合簇内节点发送来的数据又要将数据传送到基站，“任务”繁重，能量消耗远远大于其他节点，造成了网络能量消耗不均衡，影响网络的性能。

发明内容

基于上述现有技术存在的缺陷，本发明提出了一种负载均衡的无线传感器网络路由节能方法，利用中继节点来均衡簇头的能耗，在选择簇头和中继节点的时候都考虑到了节点的剩余能量信息和位置信息，并利用改进的粒子群算法来进行寻优选择。

本发明的一种负载均衡的无线传感器网络路由节能方法，该方法包括以下步骤：

步骤1、在有限的区域随机定义无线传感器节点，并且定义基站的位置；

步骤2、列出选择簇头的适应值函数，表示为：

其中，F_CH为选择簇头的适应值函数，由分别代表剩余能量信息和位置信息的两部分信息组成；α∈[0,1]表示权重，是适应度函数中和的比例系数；表示簇头节点与非簇头节点的平均剩余能量之比，主要用于评价节点的剩余能量，其值越大，节点选为簇头的概率越大，参数的计算公式表示为：

式中，表示簇头的平均剩余能量，表示非簇头节点的平均剩余能量，|CH|和|non-CH|分别表示簇头节点和非簇头节点的数量，CH和non-CH分别表示簇头节点集合和非簇头节点集合，node_i、node_j分别表示各个簇头节点和非簇头节点，表示非簇头节点i的剩余能量,表示簇头节点j的剩余能量；表示非簇头节点和基站的平均距离与簇头节点和基站的平均距离的比值，，其计算公式表示为

式中，表示非簇头节点和基站的平均距离，表示簇头节点和基站的平均距离的比值，d(node_i,BS)表示非簇头节点i与基站的距离，d(node_j,BS)表示簇头节点j与基站的距离；

步骤3、利用改进子群算法选择簇头，具体处理包括：

步骤4、通过步骤3选择出簇头后，簇头向其他节点进行广播，表明自己的身份；

步骤5、列出选择中继节点的适应值函数，具体为：

表示中继节点的平均能量与普通节点的平均剩余能量的比例，计算公式表示为：

其中，为中继节点的平均剩余能量，为普通节点的平均剩余能量，|RL|与|CO|分别表示中继节点和普通节点的数，CO和RL分别表示中继节点集合和普通节点集合，node_z、node_k分别表示中继节点和普通节点，表示普通节点z的剩余能量，表示中继节点k的剩余能量；让尽量大，可以选出能量较高的的节点作为中继节点；

同时，被定义为：

其中，为普通节点与簇头和基站的平均距离之和，为中继节点与与簇头和基站的平均距离之和，最大化意味着减少簇头节点和中继节点间的传输消耗；

步骤6、利用改进的粒子群算法选择中继节点；

步骤7、普通节点向簇头发送自己检测到环境的信息，公式如下：

其中，E_TX(k,d)为传输k比特数据，传输距离为d时消耗的能量；d₀为由具体的网络模型决定的预定的阈值；E_mp和E_fs是功率放大器消耗的单位数据放大功率，取决于两种能耗模型的参数；E_elec为传输或者接收每比特数据电路耗费的能量；

簇头接收k比特数据所消耗的能量为：

E_rx(k)＝k·E_elec

步骤8、簇头将数据进行融合，数据融合也会消耗一定的能量，融合单位比特数据的能耗用E_DA表示。如果节点的数量为n，则融合k比特数据所消耗的能量为：

E(k,n)＝n×k×E_DA

然后将融合后的数据发送给中继节点；

步骤9、中继节点将数据发送给基站，通信结束。

与现有技术相比，本发明的负载均衡的无线传感器网络路由节能方法降低了传统无线传感器网络中簇头的高能耗，均衡全网的能量消耗，延长了整个网络的生存周期。

附图说明

图1为本发明的负载均衡的无线传感器网络路由节能方法与基于粒子群的路由算法的比较图，其中，本发明的生存时间得到了一定程度上的延长；

图2为本发明的负载均衡的无线传感器网络路由节能方法与现有技术的初始节点死亡对比结果示意图；

图3为本发明的负载均衡的无线传感器网络路由节能方法与现有技术的剩余节点死亡对比结果示意图；

图4为本发明整体流程示意图。

具体实施方式

本发明从无线传感器网络的特点以及分簇路由算法出发，研究能量受限的无线传感器网络分簇路由算法。具体流程描述如下：

步骤1、在有限的区域随机定义无线传感器节点，每个节点的初始能量都相同，并且定义基站的位置；

步骤2、列出选择簇头的适应值函数，具体为：

其中F_CH为选择簇头的适应值函数，由分别代表剩余能量信息和位置信息的两部分信息组成；α∈[0,1]表示权重，是适应度函数中和的比例系数；表示簇头节点与非簇头节点的平均剩余能量之比，主要用于评价节点的剩余能量，其值越大，节点选为簇头的概率越大，参数的计算公式表示为：

式中，表示簇头的平均剩余能量，表示非簇头节点的平均剩余能量，|CH|和|non-CH|分别表示簇头节点和非簇头节点的数量，CH和non-CH分别表示簇头节点集合和非簇头节点集合，node_i、node_j分别表示各个簇头节点和非簇头节点，表示非簇头节点i的剩余能量,表示簇头节点j的剩余能量。表示非簇头节点和基站的平均距离与簇头节点和基站的平均距离的比值，，其计算公式表示为

式中，表示非簇头节点和基站的平均距离，表示簇头节点和基站的平均距离的比值，d(node_i,BS)表示非簇头节点i与基站的距离。d(node_j,BS)表示簇头节点j与基站的距离)；

步骤3、利用改进子群算法选择簇头，具体处理包括：

(3-1)、初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；

(3-2)、计算每个粒子的适应值函数；

(3-3)、将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；

(3-4)、更新当前粒子速度与当前位置，更新公式为：

其中，k为迭代次数；v_id是第i个粒子速度矢量的第d维值，通常被约束在区间[v_min,v_max]间，用以表示粒子的增长；表示的是第i个粒子在第d维的位置矢量；c₁，c₂为加速系数，用来控制粒子的移动速度；数r₁,r₂∈[0,1]是d维空间中产生的随机数；，大小为[0,1]；P_id为个体极值；P_gd为总体全局极值；W为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当W取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样可以使搜索向全局最优的方向靠近而避免陷入局部最优，。

(3-5)、为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：

式中，w_min和w_max分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iteration_max为设置的最大迭代次数；

(3-6)、让i＝i+1，返回到步骤2，直至i达到设定的最大迭代次数后停止选择算法，当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的簇头；

步骤4、通过步骤3选择出簇头后，簇头向其他节点进行广播，表明自己的身份；

步骤5、列出选择中继节点的适应值函数，具体为：

表示中继节点的平均能量与普通节点的平均剩余能量的比例，计算公式表示为：

其中，为中继节点的平均剩余能量。为普通节点的平均剩余能量，|RL|与|CO|分别表示中继节点和普通节点的数，CO和RL分别表示中继节点集合和普通节点集合，node_z、node_k分别表示各个簇头节点和非簇头节点，表示普通节点z的剩余能量，表示中继节点k的剩余能量；让尽量大，可以选出能量较高的的节点作为中继节点。

同时，被定义为：

其中，为普通节点与簇头和基站的平均距离之和，为中继节点与与簇头和基站的平均距离之和，最大化意味着减少簇头节点和中继节点间的传输消耗；

步骤6、同步骤3一样利用改进的粒子群算法选择中继节点，

(6-1)、初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；

(6-2)、计算每个粒子的适应值函数；

(6-3)、将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；

(6-4)、更新当前粒子速度与当前位置，更新公式为：

其中，k为迭代次数；v_id是第i个粒子速度矢量的第d维值，通常被约束在区间[v_min,v_max]间，用以表示粒子的增长；表示的是第i个粒子在第d维的位置矢量；c₁，c₂为加速系数，用来控制粒子的移动速度；数r₁,r₂∈[0,1]是d维空间中产生的随机数；，大小为[0,1]；P_id为个体极值；P_gd为总体全局极值；w为权重系数，其大小确定了粒子前一次迭代过程的速度对本次迭代过程中粒子速度信息的影响深度，当w取值变大时，粒子的全局搜索能力会变强，其局部搜索的能力会因此被削弱，这样可以使搜索向全局最优的方向靠近而避免陷入局部最优。

(6-5)、为了增加粒子的搜索能力，采用非线性更改权重的方法改变权重，公式为：

式中，w_min和w_max分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iteration_max为设置的最大迭代次数；

(6-6)、让i＝i+1，返回到步骤5，直至i达到设定的最大迭代次数后停止选择算法，此时当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的中继节点；

步骤7、普通节点向簇头发送自己检测到环境的信息，公式如下：

其中，E_TX(k,d)为传输k比特数据，传输距离为d时消耗的能量。d₀由具体的网络模型决定的预定的阈值d₀。在数据通信中，依照传输距离与阈值的大小关系，功率放大所采用能耗模型主要分为两种：d＜d₀时采用的是自由空间信道模型；d＞d₀时采用的多径衰减信道模型。E_mp和E_fs是功率放大器消耗的单位数据放大功率，取决于两种能耗模型的参数；

簇头接收k比特数据所消耗的能量为：

E_rx(k)＝k·E_elec

步骤8、簇头将数据进行融合，数据融合也会消耗一定的能量，融合单位比特数据的能耗用E_DA表示。如果节点的数量为n，则融合k比特数据所消耗的能量为：

E(k,n)＝n×k×E_DA

然后将融合后的数据发送给中继节点；

步骤9、中继节点将数据发送给基站，通信结束。

下面对本发明所提出的负载均衡的无线传感器网络路由节能算法进行验证，同时，通过仿真实验与已有的路由算法进行比较，证明本发明可以有效地选择出合适的节点作为簇头和中继节点，延长了网络的生存周期。

首先与基于基本粒子群的路由算法(PSO-based)相比较，结果如图1所示。

然后在不同的节点密度下，将本发明算法分别与现有的HEED算法、Hausdoff算法以及基于基本的粒子群的路由算法(PSO-based)比较初始节点死亡时间，比较结果如图2所示。

最后在不同的节点密度下，将本发明算法分别与现有的HEED算法、Hausdoff算法以及基于基本的粒子群的路由算法比较最后一个节点死亡时间，比较结果如图3所示。

Claims (3)

1.一种负载均衡的无线传感器网络路由节能方法，其特征在于，该方法包括以下步骤：

步骤(1)、在有限的区域随机定义无线传感器节点，并且定义基站的位置；

步骤(2)、列出选择簇头的适应值函数，表示为：

$F_{CH}=\mathrm{\α}\×R_{energy}^{CH}+(1-\mathrm{\α})\×R_{location}^{CH}$

其中，F_CH为选择簇头的适应值函数，由分别代表剩余能量信息和位置信息的两部分信息组成；α∈[0,1]表示权重，是适应度函数中和的比例系数；表示簇头节点与非簇头节点的平均剩余能量之比，主要用于评价节点的剩余能量，其值越大，节点选为簇头的概率越大，参数的计算公式表示为：

$R_{energy}^{CH}=\frac{{\stackrel{\‾}{E}}_{CH}}{{\stackrel{\‾}{E}}_{non-CH}}=\frac{{\Σ}_{\∀{\mathrm{node}}_j\∈CH}{E}_{CH}^{res}\left(j\right)/\left|CH\right|}{{\Σ}_{\∀{\mathrm{node}}_i\∈non-CH}{E}_{non-CH}^{res}\left(i\right)/\left|non-CH\right|}$

式中，表示簇头的平均剩余能量，表示非簇头节点的平均剩余能量，|CH|和|non-CH|分别表示簇头节点和非簇头节点的数量，CH和non-CH分别表示簇头节点集合和非簇头节点集合，node_i、node_j分别表示各个簇头节点和非簇头节点，表示非簇头节点i的剩余能量,表示簇头节点j的剩余能量；表示非簇头节点和基站的平均距离与簇头节点和基站的平均距离的比值，，其计算公式表示为

$R_{location}^{CH}=\frac{{\stackrel{\‾}{D}}_{non-CH}}{{\stackrel{\‾}{D}}_{CH}}=\frac{{\Σ}_{\∀{\mathrm{node}}_i\∈non-CH}d({\mathrm{node}}_i,BS)/\left|non-CH\right|}{{\Σ}_{\∀{\mathrm{node}}_j\∈CH}d({\mathrm{node}}_j,BS)/\left|CH\right|}$

式中，表示非簇头节点和基站的平均距离，表示簇头节点和基站的平均距离的比值，d(node_i,BS)表示非簇头节点i与基站的距离，d(node_j,BS)表示簇头节点j与基站的距离；

步骤(3)、利用改进子群算法选择簇头，具体处理包括：

步骤(4)、通过步骤3选择出簇头后，簇头向其他节点进行广播，表明自己的身份；

步骤(5)、列出选择中继节点的适应值函数，具体为：

$F_{RL}=\mathrm{\β}\×R_{energy}^{RL}+(1-\mathrm{\β})\×R_{location}^{RL}$

表示中继节点的平均能量与普通节点的平均剩余能量的比例，计算公式表示为：

$R_{energy}^{RL}=\frac{{\stackrel{\‾}{E}}_{RL}}{{\stackrel{\‾}{E}}_{CO}}=\frac{{\Σ}_{\∀{\mathrm{node}}_z\∈RL}{E}_{RL}^{res}\left(z\right)/\left|RL\right|}{{\Σ}_{\∀{\mathrm{node}}_z\∈CO}{E}_{CO}^{res}\left(k\right)/\left|CO\right|}$

其中，为中继节点的平均剩余能量，为普通节点的平均剩余能量，|RL|与|CO|分别表示中继节点和普通节点的数，CO和RL分别表示中继节点集合和普通节点集合，node_z、node_k分别表示中继节点和普通节点，表示普通节点z的剩余能量，表示中继节点k的剩余能量；让尽量大，可以选出能量较高的的节点作为中继节点；

同时，被定义为：

$R_l^{RL}=\frac{{\stackrel{\‾}{L}}_{CO}}{{\stackrel{\‾}{L}}_{RL}}$

其中，为普通节点与簇头和基站的平均距离之和，为中继节点与与簇头和基站的平均距离之和，最大化意味着减少簇头节点和中继节点间的传输消耗；

步骤(6)、利用改进的粒子群算法选择中继节点；

步骤(7)、普通节点向簇头发送自己检测到环境的信息，公式如下：

$E_{TX}(k,d)=\left\{\begin{array}{ccc}k\&CenterDot;E_{elec}+k\&CenterDot;E_{mp}\&CenterDot;d^4,& if& (d\&GreaterEqual;d_0)\\ k\&CenterDot;E_{elec}+k\&CenterDot;E_{fs}\&CenterDot;d^2,& if& (d<d_0)\end{array}\right.$

$d_0=\sqrt{\frac{E_{fs}}{E_{mp}}}$

其中，E_TX(k,d)为传输k比特数据，传输距离为d时消耗的能量；d₀为由具体的网络模型决定的预定的阈值；E_mp和E_fs是功率放大器消耗的单位数据放大功率，取决于两种能耗模型的参数；E_elec为传输或者接收每比特数据电路耗费的能量；

簇头接收k比特数据所消耗的能量为：

E_rx(k)＝k·E_elec

步骤(8)、簇头将数据进行融合，数据融合也会消耗一定的能量，融合单位比特数据的能耗用E_DA表示；如果节点的数量为n，则融合k比特数据所消耗的能量为：

E(k,n)＝n×k×E_DA

然后将融合后的数据发送给中继节点；

步骤(9)、中继节点将数据发送给基站，通信结束。

2.如权利要求1所述的一种负载均衡的无线传感器网络路由节能方法，其特征在于，所述步骤(3)中的改进子群算法具体包括以下步骤：

1)初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；

2)计算每个粒子的适应值函数；

3)将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；

4)更新当前粒子速度与当前位置，更新公式为：

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)$

$x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1}$

其中，k为迭代次数；v_id是第i个粒子速度矢量的第d维值，通常被约束在区间[v_min,v_max]间，用以表示粒子的增长；表示的是第i个粒子在第d维的位置矢量；c₁，c₂为加速系数，用来控制粒子的移动速度；数r₁,r₂∈[0,1]是d维空间中产生的随机数；；P_id为个体极值；P_gd为总体全局极值；w为权重系数，使搜索向全局最优的方向靠近而避免陷入局部最优；

5)采用非线性更改权重的方法改变权重w，公式为：

$w=w_{max}-(w_{max}-w_{min})\&times;e^{-\frac{50}{{(k/{\mathrm{Iteration}}_{max})}^6}}$

式中，w_min和w_max分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iteration_max为设置的最大迭代次数；

6)让i＝i+1，返回到步骤(2)，直至i达到设定的最大迭代次数后停止选择算法，此时当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的簇头。

3.如权利要求1所述的一种负载均衡的无线传感器网络路由节能方法，其特征在于，所述步骤(3)中的改进子群算法具体包括以下步骤：

1)初始化粒子群，设置种群的大小N，搜索空间的维数M，最大迭代次数和加速系数，在整个搜索空间初始化N个粒子的初始位置和速度；

2)计算每个粒子的适应值函数；

3)将每个粒子的适应值与该个体极值对应的适应值进行比较，若此适应值较优，则更新粒子的个体极值，否则个体极值不变；将每个粒子的适应值与当前全局极值对应的适应值进行比较，若此适应值较优，则更新全局极值，否则，全局极值不变；

4)更新当前粒子速度与当前位置，更新公式为：

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)$

$x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1}$

其中，k为迭代次数；v_id是第i个粒子速度矢量的第d维值，通常被约束在区间[v_min,v_max]间，用以表示粒子的增长；表示的是第i个粒子在第d维的位置矢量；c₁、c₂为加速系数，用来控制粒子的移动速度；数r₁,r₂∈[0,1]是d维空间中产生的随机数；P_id为个体极值；P_gd为总体全局极值；w为权重系数，使搜索向全局最优的方向靠近而避免陷入局部最优()；

5)采用非线性更改权重的方法改变权重w，公式为：

$w=w_{\max }-(w_{max}-w_{\min })\&times;e^{-\frac{50}{{(k/{\mathrm{Iteration}}_{\max })}^6}}$

式中，w_min和w_max分别为初始惯性权重和最大迭代次数时的惯性权重，t为迭代次数，Iteration_max为设置的最大迭代次数；

6)让i＝i+1，返回到步骤(2)，直至i达到设定的最大迭代次数后停止选择算法，当前的适应值最大的作为最优解，满足当前适应值的节点的集合为所选择的中继节点。