CN110225478B - 一种无线传感器网络簇间数据传输方法 - Google Patents

一种无线传感器网络簇间数据传输方法 Download PDF

Info

Publication number
CN110225478B
CN110225478B CN201910422099.7A CN201910422099A CN110225478B CN 110225478 B CN110225478 B CN 110225478B CN 201910422099 A CN201910422099 A CN 201910422099A CN 110225478 B CN110225478 B CN 110225478B
Authority
CN
China
Prior art keywords
pheromone
cluster head
node
nodes
path
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
Application number
CN201910422099.7A
Other languages
English (en)
Other versions
CN110225478A (zh
Inventor
张晶
喻小惠
傅铁威
黄云明
唐恩熙
刘炳颉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Xiaorun Technology Service Co ltd
Kunming University of Science and Technology
Original Assignee
Yunnan Xiaorun Technology Service Co ltd
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Xiaorun Technology Service Co ltd, Kunming University of Science and Technology filed Critical Yunnan Xiaorun Technology Service Co ltd
Priority to CN201910422099.7A priority Critical patent/CN110225478B/zh
Publication of CN110225478A publication Critical patent/CN110225478A/zh
Application granted granted Critical
Publication of CN110225478B publication Critical patent/CN110225478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/38—TPC being performed in particular situations
    • H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明涉及一种无线传感器网络簇间数据传输方法，属实时嵌入式领域。蚁群算法具有分布式，正反馈等特点，适合解决于组合优化问题。首先初始化蚁群，然后考虑可能会影响网络生存周期的因素，进而制定适应度函数，并结合原有经典蚁群算法制定新的状态转移概率计算公式。对每个簇头计算状态转移概率值，判断下一跳的簇头，并在单次迭代过程中更新局部信息素，然后依据此方法找到完整的遍历路径。然后对每条路径进行信息素更新，将路径中最小剩余能量和最大剩余能量的比值与能耗均衡因子最差，并把此差值融入更新规则，控制信息素的增减。此发明建立簇头和蚁群节点之间的对应关系，充分做到节能与能耗均衡，有效延长来网络的生命周期。

Description

一种无线传感器网络簇间数据传输方法
技术领域
本发明涉及一种无线传感器网络簇间数据传输方法，属于实时嵌入式技术领域。
背景技术
信息物理融合系统近年来被广泛应用于现实生活中，其通过遍布在需感知环境地传感器集合组成的无线传感器网络来感知获取数据，并通过某种路由方式传输给观察者。其目的是协作地感知、采集、处理和传输网络覆盖的地理区域内被感知对象的信息，由于大部分需要感知的环境都较为恶劣，并且传感器是由嵌入在其中的微型电池提供，一旦电池能量耗尽，就导致节点失效。若要精确定位并替换新的传感器节点，就是一件非常困难的事情。
发明内容
本发明涉及一种无线传感器网络簇间数据传输方法，采用节能的分簇多跳机制，然后通过优化的蚁群算法改变簇间数据传输方式，使得更节点能耗均衡，以达到延长网络生命周期的目的，用来解决数据在簇头间传输时如何选择下一转发簇头。
本发明采用的技术方案是：一种无线传感器网络簇间数据传输方法，包括如下步骤：
Step1、设置初始参数，比如在计算路径选择概率的时候的残留信息相对重要程度α，期望值的相对重要程度β，信息素挥发因子ρ，信息素增加强度系数Q，最大迭代次数N、蚂蚁数量m，然后初始化蚁群，每只蚂蚁代表一个可行解。
Step2、随机地将A只蚂蚁放到B个传感器节点，蚂蚁根据传感器节点之间的距离以及节点度构造初始路径。
Step3、根据簇头之间的距离、簇头剩余能量及每个簇头节点的节点度，进而计算出适应度函数，并且根据适应度函数设置相对应的适应度函数因子。
Step4、根据期望信息、信息素含量以及Step3中计算得到适应度函数构造状态转移概率公式
Figure GDA0003101160820000011
蚂蚁根据计算出的值选择下一簇头。
Step5、单次迭代过程结束之后，也依据适应度函数中的三个评判指标(节点度、节点之间的距离、节点剩余能量)对该路径上的信息素进行局部更新。
Step6、重复step4和step5两个过程，以蚂蚁是否到达基站来判断一次完整的数据传输过程是否结束，若是，则需要对本次所有蚂蚁的遍历路径进行全局信息素更新。
Step7、蚂蚁重复step3至step6，然后判断是否达到设定的最大迭代次数，若达到，则满足终止条件，则根据信息素的积累量选出最优路径，若没达到迭代次数，则蚂蚁继续构造路径进行下一次循环。
所述的Step3中簇头节点的节点度是指与该节点直接相连的节点数量。
所述的step3中适应度函数构造，step5中局部信息素更新以及step6中全局信息素更新这三个步骤中传感器节点的位置信息和剩余能量都通过基站实时获取。
所述step1的具体步骤如下：
设定算法基本参数N和m，N为节点个数，m为蚂蚁数量，并为状态转移和信息素更新时所要使用到的参数赋值。
所述step3的具体步骤如下：
各个簇头都可能担任簇间数据传输的任务，但临近基站的簇头传输的频率更高，所以能量消耗的更快。如果不对节点的剩余能量，距离，节点度进行综合考虑，很有可能会导致转发任务大的节点因能量耗尽而快速失效。
为了使得蚂蚁在对下一簇头的选择考量多个控制因子，从而实现负载均衡，延长网络生命周期的目的，需要制定适应度函数。其评价标准包括下一簇头的剩余能量，两簇头之间的距离以及簇头节点度。则适应度函数如下：
Figure GDA0003101160820000021
其中，ψij(t)为簇头i针对于下一跳候选簇头j所计算的适应度函数，rank[Ere(j)]表示蚂蚁所在簇头i的所有邻接节点集合中簇头j的剩余能量所排的序号，kj表示簇头j的节点度，dij表示簇头i和簇头j之间的距离。
所述step4的具体步骤如下：
由经典蚁群算法中给出的信息素函数τij(t)和启发函数ηij(t)共同组成新的状态转移概率：
Figure GDA0003101160820000031
其中，
Figure GDA0003101160820000032
是簇头j成为簇头i的下一跳节点的转移概率，τij(t)是信息素函数，α为信息素函数因子，ηij(t)是启发函数，β为启发函数因子，ψij(t)为适应度函数，λ为适应度函数因子。分母中的s表示有可能成为节点i下一跳节点的节点集合，τis(t)指簇头i和簇头s之间的信息素函数，ηis(t)指簇头i和簇头s之间的启发函数，ψis(t)指簇头i和簇头s之间的适应度函数。每只蚂蚁在在选择下一簇头的时候均要计算
Figure GDA0003101160820000033
求得值越大者成为下一跳的几率越高，并在计算完成之后完成状态转移的过程。
所述step5的具体步骤如下：
单次遍历更新函数中
Figure GDA0003101160820000034
采用的公式如下：
Figure GDA0003101160820000035
其中，
Figure GDA0003101160820000036
是路径k的信息素局部更新函数，Q*是信息素局部增强系数，其结果为常数，λ为适应度函数因子，传感器i，j之间线路的信息素变化同样需要将两传感器之间的间隔dij，传感器j的度kj，以及它的能量余值Ere(j)融入局部信息素的更新规则之中。
两节点之间的距离近，减少数据传输和通信的距离，起到节能的作用，度大的节点与之相连的节点也多，能够缩短算法的收敛时间。
所述step6的具体步骤如下：
所述的全局信息素更新方法为获取一条完整路径中所涉及的全部节点的剩余能量信息，计算出最小剩余能量与最大剩余能量的比值。将该比值再与设置的能耗均衡因子做差，以此来决定该条路径上信息素的增减。
考虑到路径上信息素含量对蚂蚁的正反馈作用可能会导致算法收敛于局部最优解，所以对于信息素的更新规则充分考虑到网络负载均衡这个指标从而进行更改。在原有的计算方法中加入负载均衡函数：
Figure GDA0003101160820000041
其中，εe为路径e上各节点剩余能量的均衡程度的计算函数，δ是剩余能量权衡因子，值的范围为0到1之间，Ere-min(e)表示完整路径e中所有节点中的最小剩余能量值，Ere-max(e)表示该完整路径中所有节点中的最大剩余能量值，通过人为动态设置δ的值来控制εe值的正负，融入到信息素更新方法：
Figure GDA0003101160820000042
其中，τij-all(t+1)为簇头i和j之间的完整路径在t+1时刻中信息素的更新规则，ρ为信息素挥发因子，τij-all(t)为该路径在t时刻的信息素含量，Δτij为新一轮增加的信息素含量，
Figure GDA0003101160820000043
为蚂蚁k在本次迭代中经过节点i和节点j留下的信息素含量，m为蚂蚁的数量，将式(4)加入式(5)的计算中可以决定一条路径上信息素含量增加还是减少，若某条路径中的节点剩余能量相差较大，则下次选择的几率就很低，所以有效保护来低能量节点，避免部分节点快速失效。
所述step7的详细内容如下：
蚂蚁在设置的最大迭代次数范围内一直重复step3至step6，此时整个无线传感器网络各簇头之间的链接链路基本都有遗留的信息素，只是具体含量参差不齐。此时则选择一条信息素含量最多的路径为最优路径，进行簇头之间的数据传输。
本发明的有益效果是：考虑到无线传感器网络中各传感器节点的能量的有限性，且主要的能量消耗在传输数据和接受数据两个方面。为了延长网络的生命周期，找到一种算法来减少节点的能量消耗以及使节点能耗均衡是十分具有积极意义的。由于分簇多跳路由两种机制经过验证可以有效节能，所以将改进蚁群算法加入簇间数据传输，将剩余能量，距离，节点度三个控制因子来共同起到决策作用。通过这种启发式算法先找到一条适合传输的路径，然后再进行数据的传输。经过实验证明，该方法确实具有很好地延长了WSN的工作时间，增加了其监测和数据传输的周期。
附图说明
图1为本发明的流程图；
图2为本发明的全部实验参数；
图3为网络中存活节点个数与轮数的关系；
图4为当前轮数中最小剩余能量与平均剩余能量比值。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步说明。
实施例1：如图1-4所示，一种无线传感器网络簇间数据传输方法，步骤如下：
Step1、设置初始参数，比如在计算路径选择概率的时候的残留信息相对重要程度α，期望值的相对重要程度β，信息素挥发因子ρ，信息素增加强度系数Q，最大迭代次数N、蚂蚁数量m，然后初始化蚁群，每只蚂蚁代表一个可行解。
Step2、随机地将A只蚂蚁放到B个传感器节点，蚂蚁根据传感器节点之间的距离以及节点度构造初始路径。
Step3、根据簇头之间的距离、簇头剩余能量及每个簇头节点的节点度，进而计算出适应度函数，并且根据适应度函数设置相对应的适应度函数因子。
Step4、根据期望信息、信息素含量以及Step3中计算得到适应度函数构造状态转移概率公式
Figure GDA0003101160820000051
蚂蚁根据计算出的值选择下一簇头。
Step5、单次迭代过程结束之后，也依据适应度函数中的三个评判指标(节点度、节点之间的距离、节点剩余能量)对该路径上的信息素进行局部更新。
Step6、重复step4和step5两个过程，以蚂蚁是否到达基站来判断一次完整的数据传输过程是否结束，若是，则需要对本次所有蚂蚁的遍历路径进行全局信息素更新。
Step7、蚂蚁重复step3至step6，然后判断是否达到设定的最大迭代次数，若达到，则满足终止条件，则根据信息素的积累量选出最优路径，若没达到迭代次数，则蚂蚁继续构造路径进行下一次循环。
进一步地，所述的Step3中簇头节点的节点度是指与该节点直接相连的节点数量。
进一步地，所述的step3中适应度函数构造，step5中局部信息素更新以及step6中全局信息素更新这三个步骤中传感器节点的位置信息和剩余能量都通过基站实时获取。
进一步地，所述step1的具体步骤如下：
设定算法基本参数N和m，N为节点个数，m为蚂蚁数量，并为状态转移和信息素更新时所要使用到的参数赋值。
进一步地，所述step3的具体步骤如下：
各个簇头都可能担任簇间数据传输的任务，但临近基站的簇头传输的频率更高，所以能量消耗的更快。如果不对节点的剩余能量，距离，节点度进行综合考虑，很有可能会导致转发任务大的节点因能量耗尽而快速失效。
为了使得蚂蚁在对下一簇头的选择考量多个控制因子，从而实现负载均衡，延长网络生命周期的目的，需要制定适应度函数。其评价标准包括下一簇头的剩余能量，两簇头之间的距离以及簇头节点度。则适应度函数如下：
Figure GDA0003101160820000061
其中，ψij(t)为簇头i针对于下一跳候选簇头j所计算的适应度函数，rank[Ere(j)]表示蚂蚁所在簇头i的所有邻接节点集合中簇头j的剩余能量所排的序号，kj表示簇头j的节点度，dij表示簇头i和簇头j之间的距离。
进一步地，所述step4的具体步骤如下：
由经典蚁群算法中给出的信息素函数τij(t)和启发函数ηij(t)共同组成新的状态转移概率：
Figure GDA0003101160820000062
其中，
Figure GDA0003101160820000063
是簇头j成为簇头i的下一跳节点的转移概率，τij(t)是信息素函数，α为信息素函数因子，ηij(t)是启发函数，β为启发函数因子，ψij(t)为适应度函数，λ为适应度函数因子。分母中的s表示有可能成为节点i下一跳节点的节点集合，τis(t)指簇头i和簇头s之间的信息素函数，ηis(t)指簇头i和簇头s之间的启发函数，ψis(t)指簇头i和簇头s之间的适应度函数。每只蚂蚁在在选择下一簇头的时候均要计算
Figure GDA0003101160820000071
求得值越大者成为下一跳的几率越高，并在计算完成之后完成状态转移的过程。
进一步地，所述step5的具体步骤如下：
单次遍历更新函数中
Figure GDA0003101160820000072
采用的公式如下：
Figure GDA0003101160820000073
其中，
Figure GDA0003101160820000074
是路径k的信息素局部更新函数，Q*是信息素局部增强系数，其结果为常数，λ为适应度函数因子，传感器i，j之间线路的信息素变化同样需要将两传感器之间的间隔dij，传感器j的度kj，以及它的能量余值Ere(j)融入局部信息素的更新规则之中。
两节点之间的距离近，减少数据传输和通信的距离，起到节能的作用，度大的节点与之相连的节点也多，能够缩短算法的收敛时间。
进一步地，所述step6的具体步骤如下：
所述的全局信息素更新方法为获取一条完整路径中所涉及的全部节点的剩余能量信息，计算出最小剩余能量与最大剩余能量的比值。将该比值再与设置的能耗均衡因子做差，以此来决定该条路径上信息素的增减。
考虑到路径上信息素含量对蚂蚁的正反馈作用可能会导致算法收敛于局部最优解，所以对于信息素的更新规则充分考虑到网络负载均衡这个指标从而进行更改。在原有的计算方法中加入负载均衡函数：
Figure GDA0003101160820000075
其中，εe为路径e上各节点剩余能量的均衡程度的计算函数，δ是剩余能量权衡因子，值的范围为0到1之间，Ere-min(e)表示完整路径e中所有节点中的最小剩余能量值，Ere-max(e)表示该完整路径中所有节点中的最大剩余能量值，通过人为动态设置δ的值来控制εe值的正负，融入到信息素更新方法：
Figure GDA0003101160820000081
其中，τij-all(t+1)为簇头i和j之间的完整路径在t+1时刻中信息素的更新规则，ρ为信息素挥发因子，τij-all(t)为该路径在t时刻的信息素含量，Δτij为新一轮增加的信息素含量，
Figure GDA0003101160820000082
为蚂蚁k在本次迭代中经过节点i和节点j留下的信息素含量，m为蚂蚁的数量，将式(4)加入式(5)的计算中可以决定一条路径上信息素含量增加还是减少，若某条路径中的节点剩余能量相差较大，则下次选择的几率就很低，所以有效保护来低能量节点，避免部分节点快速失效。
进一步地，所述step7的具体步骤如下：
蚂蚁在设置的最大迭代次数范围内一直重复step3至step6，此时整个无线传感器网络各簇头之间的链接链路基本都有遗留的信息素，只是具体含量参差不齐。此时则选择一条信息素含量最多的路径为最优路径，进行簇头之间的数据传输。
本文发明通过MATLAB平台的仿真，100传感器节点被随机的遍布在200*200的环境中，BS位于中心位置。通过分析将改进后的蚁群融入簇间数据传输，对WSN的能量消耗和在同一时间下各节点的剩余能量状况，进而验证本文方案相较于经典LEACH和HEED算法在节能和能耗均衡两个方面的优势。各实验参数的设置如图2所示。
从图2看出，三种方案在同样的环境布置下，网络中节点的生存数量与轮数之间的关系。LEACH方案和HEED方案中所有节点能源耗尽分别是在实验进行到1700轮和2300轮时。而当实验进行到2800轮，本文算法中的所有传感器才全部因能量耗尽而不能工作。并且本文算法的下降速度在整个实验过程中明显低于其余两种算法。由于本文中采用分簇传输和多跳路由两种机制，并将剩余能量，连接距离，节点度共同作为蚁群算法中路径转移概率值计算的限制条件，能计算出一条最优路径，由此实现本文方案在节点节能方面的效果，使得网络整体工作时间得到延长。
由图3可以看出,经典LEACH算法当进行到1200轮时，第一个节点失效，且最小剩余能量与平均剩余能量的比值一直随着实验的进行在减少，由此看出各节点的能量差值逐渐增大。HEED算法在1400轮时，首次出现节点失效，并且与LEACH算法比较，最小剩余能量与平均剩余能量的比值变化速度减慢，说明确实减少了选择能量较少传感器的概率。本文方案ACO-WSN当进行到1800轮时，才出现节点失效的情况，并且在整各下降过程中，曲线变化呈现出较为平缓的下降趋势。在前500轮中，由于各传感器的初始能量一样，固然趋向于选择度大的节点。在后1300轮中，这些节点的剩余能量值已经较大程度低于平均值，所以利用本文方案后，这些节点的剩余能量下降趋势变缓。由此看出，增加簇头和成簇的控制因子并且将优化后的蚁群算法加入到簇间数据传输的路径选择中，可以有效地做到各传感器能耗趋于平均水平，增加WSN持续工作时间。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作各种变化。

Claims (7)

1.一种无线传感器网络簇间数据传输方法，其特征在于：包括如下步骤：
Step1、设置初始参数，在计算路径选择概率的时候的残留信息相对重要程度α，期望值的相对重要程度β，信息素挥发因子ρ，信息素增加强度系数Q，最大迭代次数N、蚂蚁数量m，然后初始化蚁群，每只蚂蚁代表一个可行解；
Step2、随机地将A只蚂蚁放到B个传感器节点，蚂蚁根据传感器节点之间的距离以及节点度构造初始路径；
Step3、根据簇头之间的距离、簇头剩余能量及每个簇头节点的节点度，进而计算出适应度函数，并且根据适应度函数设置相对应的适应度函数因子；
Step4、根据期望信息、信息素含量以及Step3中计算得到适应度函数构造状态转移概率公式
Figure FDA0003101160810000011
蚂蚁根据计算出的值选择下一簇头；
Step5、单次迭代过程结束之后，依据适应度函数中的三个评判指标对该路径上的信息素进行局部更新，三个评判指标指的是节点度、节点之间的距离、节点剩余能量；
Step6、重复step4和step5两个过程，以蚂蚁是否到达基站来判断一次完整的数据传输过程是否结束，若是，则需要对本次所有蚂蚁的遍历路径进行全局信息素更新；
Step7、蚂蚁重复step3至step6，然后判断是否达到设定的最大迭代次数，若达到，则满足终止条件，则根据信息素的积累量选出最优路径，若没达到迭代次数，则蚂蚁继续构造路径进行下一次循环；
所述step3的具体步骤如下：
为了使得蚂蚁在对下一簇头的选择考量多个控制因子，从而实现负载均衡，延长网络生命周期的目的，需要制定适应度函数，其评价标准包括下一簇头的剩余能量，两簇头之间的距离以及簇头节点度，则适应度函数如下：
Figure FDA0003101160810000012
其中，ψij(t)为簇头i针对于下一跳候选簇头j所计算的适应度函数，rank[Ere(j)]表示蚂蚁所在簇头i的所有邻接节点集合中簇头j的剩余能量所排的序号，kj表示簇头j的节点度，dij表示簇头i和簇头j之间的距离。
2.根据权利要求1所述的一种无线传感器网络簇间数据传输方法，其特征在于：所述的Step3中的簇头节点的节点度是指与该节点直接相连的节点数量。
3.根据权利要求1所述的一种无线传感器网络簇间数据传输方法，其特征在于：所述的step3中适应度函数构造，step5中局部信息素更新以及step6中全局信息素更新这三个步骤中传感器节点的位置信息和剩余能量都通过基站实时获取。
4.根据权利要求1所述的一种无线传感器网络簇间数据传输方法，其特征在于：所述step1的具体步骤如下：
设定算法基本参数N和m，N为节点个数，m为蚂蚁数量，并为状态转移和信息素更新时所要使用到的参数赋值。
5.根据权利要求1所述的一种无线传感器网络簇间数据传输方法，其特征在于：所述step4的具体步骤如下：
由经典蚁群算法中给出的信息素函数τij(t)和启发函数ηij(t)共同组成新的状态转移概率：
Figure FDA0003101160810000021
其中，
Figure FDA0003101160810000022
是簇头j成为簇头i的下一跳节点的转移概率，τij(t)是信息素函数，α为信息素函数因子，ηij(t)是启发函数，β为启发函数因子，ψij(t)为适应度函数，λ为适应度函数因子，分母中的s表示有可能成为节点i下一跳节点的节点集合，τis(t)指簇头i和簇头s之间的信息素函数，ηis(t)指簇头i和簇头s之间的启发函数，ψis(t)指簇头i和簇头s之间的适应度函数，每只蚂蚁在在选择下一簇头的时候均要计算
Figure FDA0003101160810000023
求得值越大者成为下一跳的几率越高，并在计算完成之后完成状态转移的过程。
6.根据权利要求1所述的一种无线传感器网络簇间数据传输方法，其特征在于：所述step5的具体步骤如下：
单次遍历更新函数中
Figure FDA0003101160810000031
采用的公式如下：
Figure FDA0003101160810000032
其中，
Figure FDA0003101160810000033
是路径k的信息素局部更新函数，Q*是信息素局部增强系数，其结果为常数，λ为适应度函数因子，传感器i，j之间线路的信息素变化同样需要将两传感器之间的间隔dij，传感器j的度kj，以及它的能量余值Ere(j)融入局部信息素的更新规则之中；
两节点之间的距离近，减少数据传输和通信的距离，起到节能的作用，度大的节点与之相连的节点也多，能够缩短算法的收敛时间。
7.根据权利要求1所述的一种无线传感器网络簇间数据传输方法，其特征在于：所述step6的具体步骤如下：
由于路径上信息素含量对蚂蚁的正反馈作用可能会导致算法收敛于局部最优解，所以对于信息素的更新规则充分考虑到网络负载均衡这个指标从而进行更改，在原有的计算方法中加入负载均衡函数：
Figure FDA0003101160810000034
其中，εe为路径e上各节点剩余能量的均衡程度的计算函数，δ是剩余能量权衡因子，值的范围为0到1之间，Ere-min(e)表示完整路径e中所有节点中的最小剩余能量值，Ere-max(e)表示该完整路径中所有节点中的最大剩余能量值，通过人为动态设置δ的值来控制εe值的正负，融入到信息素更新方法：
Figure FDA0003101160810000035
其中，τij-all(t+1)为簇头i和j之间的完整路径在t+1时刻中信息素的更新规则，ρ为信息素挥发因子，τij-all(t)为该路径在t时刻的信息素含量，Δτij为新一轮增加的信息素含量，
Figure FDA0003101160810000036
为蚂蚁k在本次迭代中经过节点i和节点j留下的信息素含量，m为蚂蚁的数量，将式(4)加入式(5)的计算中可以决定一条路径上信息素含量增加还是减少，若某条路径中的节点剩余能量相差较大，则下次选择的几率就很低，所以有效保护来低能量节点，避免部分节点快速失效。
CN201910422099.7A 2019-05-21 2019-05-21 一种无线传感器网络簇间数据传输方法 Active CN110225478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910422099.7A CN110225478B (zh) 2019-05-21 2019-05-21 一种无线传感器网络簇间数据传输方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910422099.7A CN110225478B (zh) 2019-05-21 2019-05-21 一种无线传感器网络簇间数据传输方法

Publications (2)

Publication Number Publication Date
CN110225478A CN110225478A (zh) 2019-09-10
CN110225478B true CN110225478B (zh) 2021-09-24

Family

ID=67821541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910422099.7A Active CN110225478B (zh) 2019-05-21 2019-05-21 一种无线传感器网络簇间数据传输方法

Country Status (1)

Country Link
CN (1) CN110225478B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110972229A (zh) * 2019-11-28 2020-04-07 佛山科学技术学院 一种桥梁环境下的无线传感器网络的路由方法及系统
CN111698705B (zh) * 2020-05-29 2021-12-21 华南理工大学 一种基于能量优化的无线传感器网络非均匀分簇路由方法
CN113438667B (zh) * 2021-06-11 2024-05-10 沈阳航空航天大学 基于IM-kmeans集群路由策略延长水下无线传感器网络寿命的方法
CN114500621B (zh) * 2022-01-24 2024-04-26 山东智达自控系统有限公司 一种基于物联网的智能配电控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158927A (zh) * 2011-05-20 2011-08-17 北京邮电大学 一种高能效的无线传感器网络非均匀分簇路由方法
CN104618982A (zh) * 2015-01-08 2015-05-13 重庆邮电大学 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法
KR101533087B1 (ko) * 2015-02-09 2015-07-03 성균관대학교산학협력단 개미 군집 최적화 기법 기반의 차량 애드혹 네트워크 라우팅 방법 및 이를 이용한 차량 애드혹 네트워크 장치
CN106102112A (zh) * 2016-05-19 2016-11-09 东华大学 一种基于蚁群算法的移动Sink节点数据收集方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158927A (zh) * 2011-05-20 2011-08-17 北京邮电大学 一种高能效的无线传感器网络非均匀分簇路由方法
CN104618982A (zh) * 2015-01-08 2015-05-13 重庆邮电大学 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法
KR101533087B1 (ko) * 2015-02-09 2015-07-03 성균관대학교산학협력단 개미 군집 최적화 기법 기반의 차량 애드혹 네트워크 라우팅 방법 및 이를 이용한 차량 애드혹 네트워크 장치
CN106102112A (zh) * 2016-05-19 2016-11-09 东华大学 一种基于蚁群算法的移动Sink节点数据收集方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
能耗均衡的无线传感器网络无标度容错拓扑模型;刘浩然，孙雅静，刘彬，韩丽，尹荣荣;《计算机学报》;20170831;第40卷(第8期);第1843-1855页 *
面向突发事件的应急资源调度模型的构建和求解;张杰，王志勇，许维胜，杨继君;《计算机工程与应用》;20110307(第31期);第220-223页 *

Also Published As

Publication number Publication date
CN110225478A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110225478B (zh) 一种无线传感器网络簇间数据传输方法
CN112469100B (zh) 基于可充电多基站式无线异构传感器网络的分层路由算法
CN109673034B (zh) 一种基于天牛须搜索的无线传感网络分簇路由方法
CN105430707A (zh) 一种基于遗传算法的无线传感网多目标优化路由方法
CN113709841B (zh) 一种基于布谷鸟算法和K-means算法的WSN路由协议方法
CN105898764B (zh) 多级能量异构的无线传感器网络部署方法
CN107277889A (zh) 一种基于k‑means的无线传感器网络分簇方法
CN110225569B (zh) 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法
CN103648139A (zh) 基于文化蚁群算法的无线传感器网络节点部署设计方法
CN111970742A (zh) 基于改进混沌遗传算法的wsn多跳leach路由协议
CN105517093A (zh) 一种无线传感器网络中基于网络均衡性的节能路由方法
Mohsenifard et al. Data aggregation tree structure in wireless sensor networks using cuckoo optimization algorithm
CN108566658B (zh) 一种无线传感器网络中能耗均衡的分簇算法
CN115843085A (zh) 一种基于改进模糊c均值聚类的wsn分簇路由方法
CN111065108B (zh) 一种基于能量和信任模型的低功耗自适应分簇路由方法
CN112822747B (zh) 一种基于遗传算法和蚁群算法的路由选择策略的方法
CN112203299B (zh) 一种基于改进ga的无线传感器网络分簇安全路由方法
CN111970744A (zh) 一种基于改进ap和遗传算法的能量感知分簇路由协议
CN112839367A (zh) 一种无线传感器网络leach优化算法
CN111970743A (zh) 基于混沌遗传算法的无线传感器网络负载均衡路由协议
CN115243212B (zh) 一种基于auv辅助和改进跨层聚类的海洋数据采集方法
CN108684066B (zh) 基于K-medoids的无线传感器网络分簇方法
CN113747535B (zh) 一种基于遗传算法的能量异构无线传感器路由系统
Yuvaraja et al. Lifetime enhancement of WSN using energy-balanced distributed clustering algorithm with honey bee optimization
CN113596951A (zh) 基于量子礁鲨机制的无线传感器网络分簇路由方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Jing

Inventor after: Yu Xiaohui

Inventor after: Fu Tiewei

Inventor after: Huang Yunming

Inventor after: Tang Enxi

Inventor after: Liu Bingjia

Inventor before: Yu Xiaohui

Inventor before: Fu Tiewei

Inventor before: Zhang Jing

Inventor before: Huang Yunming

Inventor before: Tang Enxi

Inventor before: Liu Bingjia

GR01 Patent grant
GR01 Patent grant