CN111049743B - 一种联合优化的水声多跳协作通信网络路由选择方法 - Google Patents

一种联合优化的水声多跳协作通信网络路由选择方法 Download PDF

Info

Publication number
CN111049743B
CN111049743B CN201911278336.3A CN201911278336A CN111049743B CN 111049743 B CN111049743 B CN 111049743B CN 201911278336 A CN201911278336 A CN 201911278336A CN 111049743 B CN111049743 B CN 111049743B
Authority
CN
China
Prior art keywords
node
energy consumption
artificial fish
path
routing
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
CN201911278336.3A
Other languages
English (en)
Other versions
CN111049743A (zh
Inventor
陈友淦
朱建英
陶毅
朱培斌
涂星滨
张小康
许肖梅
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.)
Xiamen University
Shenzhen Research Institute of Xiamen University
Original Assignee
Xiamen University
Shenzhen Research Institute of Xiamen University
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 Xiamen University, Shenzhen Research Institute of Xiamen University filed Critical Xiamen University
Priority to CN201911278336.3A priority Critical patent/CN111049743B/zh
Publication of CN111049743A publication Critical patent/CN111049743A/zh
Application granted granted Critical
Publication of CN111049743B publication Critical patent/CN111049743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/14—Routing performance; Theoretical aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/24—Multipath
    • H04L45/245—Link aggregation, e.g. trunking
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种联合优化的水声多跳协作通信网络路由选择方法，涉及水声网络。利用人工鱼群算法随机性和蚁群算法的正反馈机制寻找全局最优解的优越性，以人工鱼群算法为主体，确定路由顺序节点中的部分节点，融入蚁群算法选出的另一部分节点，构成新的路由顺序表，基于水声通信能量消耗模型，结合协作通信技术，将节点的能量消耗作为代价函数寻找全局最优路径，使信息传输的系统能量消耗降到最低。该最优路径可降低系统整体能量消耗，延长水声多跳通信网络的生命周期，提高了水声多跳协作通信效率。克服了单独使用人工鱼群算法求解全局解精度较低、单独使用蚁群算法容易陷入局部最优的缺陷。

Description

一种联合优化的水声多跳协作通信网络路由选择方法
技术领域
本发明涉及水声网络领域，尤其是涉及一种联合优化的水声多跳协作通信网络路由选择方法。
背景技术
海洋占地球表面的2/3左右，在维持人类生命方面发挥着重要作用，是全球发展要素的重要来源。海洋监测和水下探测并非易事，水下传感器网络对解决这一难题具有巨大潜力。水声通信网络较早具有代表性的是美国的Seaweb网络(Rice,J,et al.Evolution ofSeaweb Underwater Acoustic Networking[C].in the Proceedings of MTS/IEEEOceans,2000,3:2007-2017)，水声通信及网络可灵活地应用于不同的速率载荷、覆盖距离、水体深度、网络结构等情景，在实际海洋观测中，实现水下不同空间位置多个观测设备的信息交互(朱敏,武岩波.水声通信及组网的现状和展望[J].海洋技术学报,2015,34(03):75-79)。近年来，水声通信及组网技术已成为海洋领域的研究热点。
水声信道具有带宽窄、水声信号衰减严重、传输时延长、通信链路不对称且时变快、水下节点能量供给受限等特点，这些特点可能导致链路的短时中断。为促进网络内部的通信，可使用路由协议来实现节点之间的路由传输。水下网络中按不同需求选择一条最优路径将数据包从源节点发送到目的节点是非常重要的问题，因而要求水声通信网络具有对路由表进行优化的能力。
借鉴陆上无线电信号处理技术，Cecilia等人将协作通信技术引入水声通信网络，构成水声协作通信网络，通过协作获得分集效益，进一步提高了水声通信网络的性能(Carbonelli C,Mitra U.Cooperative Multihop Communication for UnderwaterAcoustic Networks[C].in the Proceedings of the 1st ACM International Workshopon Underwater Networks,2006:97-100)。研究表明，多跳网络通过中继节点的协作，可有效提高带宽利用率，降低水声通信系统的误码率，提高水声通信系统的容量，扩大覆盖范围；与直接进行远距离传输相比，通过短距离多跳实现远距离传输，可降低水声通信网络系统整体的能量消耗(Tang Y,Chen Y,etal.Coordinated anti-collision transmissionwith parity grouping for multi-hop underwater acoustic cooperative networks[C].in the Proceedings of IEEE ICSPCC,2017:1-5)。
水下传感器节点的发射功率、传输距离、处理数据所用的功率都受到严格的限制，并且由于水下环境恶劣多变，水声多跳协作通信网络的水下网络拓扑结构可能是动态变化的，在进行路由选择时，在源节点S和目的节点D之间的每一个节点都既可能成为中继节点R为其转发信息，也可能成为协作节点C在需要时参与协作转发。水声多跳协作通信网络中，每一跳的节点选取，在既有中继节点又存在协作节点的情况下，如何迅速合理地选择出最优路径，即在考虑协作节点C存在的情况下找出最优的中继节点R，是当前研究的重点也是难点。
基本蚁群优化算法(ACOA)是一种智能启发式算法，具有良好的鲁棒性和分布式计算能力，易于与其他算法结合；但它的缺点是可能收敛于局部解，而不是全局解。人工鱼群算法(AFSA)是一种能快速收敛于全局解集，但求解全局解精度较低的智能算法。针对水声多跳通信网络，Huafeng Wu等人利用AFSA和ACOA基于互补优势的理念，提出了一种具有AFSA和ACOA优点的ACOA-AFSA融合路由算法，融合算法具有上述优点，可以在理论上降低现有路由协议的传输时延、能耗，提高路由协议的鲁棒性。(Wu H,Chen X,Shi C,et al.AnACOA-AFSA fusion routing algorithm for underwater wireless sensor network[J].International Journal of Distributed Sensor Networks,2012,8(5):920505)。但是，上述方法是在不存在协作节点情况下，进行水声通信网络路由算法设计的。
发明内容
本发明的目的在于提高水声通信网络效率，提供克服单独使用人工鱼群算法求解全局解精度较低、单独使用蚁群算法容易陷入局部最优等缺陷，可迅速寻找到水声多跳协作通信网络中能量消耗最小的全局最优路由路径，延长水声多跳协作通信网络的生命周期的一种联合人工鱼群和蚁群算法的水声多跳协作通信网络路由优化方法。
本发明包括以下步骤：
1)选定源节点S，目的节点D，设中继节点和协作节点共有Nodenumber个；将备选路由节点编号并计算任意两节点，节点i和节点j之间的距离；设di,j表示任意两相邻节点的通信距离；r1表示节点i和节点j之间是否需要协作节点C参与的距离阈值下限，即di,j小于r1时节点j无需协作节点C即可成功解码来自节点i的信息；r2表示节点i和节点j之间的距离阈值上限，即di,j大于r2时节点j无论协作节点C是否存在均无法成功解码来自节点i的信息；而当di,j大于r1且小于r2时，若节点j无法准确解码出来自节点i的信息，则需要节点C的协作，利用来自协作节点C和节点i的信息进行解码；
2)初始化参数，先对人工鱼群算法的参数进行初始化、蚁群算法的参数进行初始化，再初始化水声多跳协作通信网络的最低跳数，确定最低跳数为Hopnumber；
3)选择最小跳数Hopnumber来确定人工鱼状态路由顺序的节点数；
4)任选一条待判定的人工鱼状态，根据节点间的距离计算出该人工鱼状态信息所确定路由顺序的系统总能耗，并对该条人工鱼状态进行判定，判定是否依次进行追尾、聚群、觅食三种行为，进而更新该人工鱼状态所确定的最优路由顺序，及相应的系统总能耗；
5)重复步骤4)，直至完成所有人工鱼状态的最新路由顺序及相应的系统总能耗，并进行对比，选出待判定人工鱼状态中系统总能耗最低的一条，作为人工鱼群算法的输出解集；
6)将人工鱼群算法的输出解集初始化为蚁群算法的禁忌表，以增大每个路由方案的随机性，防止陷入局部最优；禁忌表用于记录蚂蚁所走的路径，路径所走过的节点记为1，未走节点记为0；
7)根据蚁群算法，引入蚁群算法的正反馈机制，设共有M只蚂蚁，k为蚂蚁编号(k＝1,2,...,M)，蚂蚁k按照最大转移概率p在剩余的Nodenumber-Hopnumber个节点中，选取新一个路由节点，并添加到禁忌表A中，更新禁忌表A；
8)信息素更新：按照步骤7)中更新过的禁忌表A，更新蚂蚁经过的路径上的信息素浓度；
9)重复步骤7)～8)直至k＝M；
10)若需要协作节点参与，则系统总能耗为各中继节点及其对应的协作节点所需的能耗之和；
11)记录当前方案的路由顺序表和对应的系统总能耗值energy，返回步骤3)，增加1个路由顺序节点数，即Hopnumber＝Hopnumber+1，重复步骤3)～10)，直到路由顺序节点数达到最大值，对比每次重复步骤3)～10)所得方案的系统总能耗值energy，选择系统总能耗值最低者作为系统最优能耗值energy，其对应的路由顺序表即为本次迭代的最优路由顺序表；
12)重复迭代步骤3)～11)至设定的最大迭代次数，输出最低能耗值对应的路由顺序表即为最优的路由方案。
在步骤2)中，所述人工鱼群算法初始化的具体方法可为：定义人工鱼状态表示人工鱼群算法所选的路由顺序，进行人工鱼初始化操作，确定待判定人工鱼状态的条数Fishnumber、感知距离Visual、试探次数Trynumber、拥挤度因子δ、人工鱼移动步长Step；
所述蚁群算法初始化的参数包括：信息素挥发因子ρ、信息素增加强度系数Q、启发式因子η、表征启发式因子重要程度β、表征信息素重要程度α；
所述水声通信网络最低跳数初始化的具体方法可为：依据源节点S和目的节点D之间的通信距离、两个节点之间能可靠通信的最大距离，确定最小跳数Hopnumber；最小跳数Hopnumber＝源节点S和目的节点D之间的通信距离/两个节点之间能可靠通信的最大距离。
在步骤7)中，所述转移概率定义如下：
Figure BDA0002316018210000041
式中，k表示第k只蚂蚁，τij为路径(i,j)上的信息素浓度，τij越大，表示这条路径越优。ηij为选择路径(i,j)的启发信息，蚂蚁在路口面临选择时，除了根据各条路径的信息素浓度，还需要一定的随机因素作用，才能不断发现新的更优的路径，而不会导致局部最优解；α，β分别表征信息素浓度和启发信息所占的比重；A是蚂蚁k的禁忌表，蚂蚁k每经过一个节点，就将该节点添加到禁忌表中，即A中都是蚂蚁k已经经过的节点，在路口选择下一个节点时，要将已经走过的节点排除在外；引入蚁群算法的正反馈机制，在剩余的Nodenumber-Hopnumber个节点中，选取一个新的路由节点添加到禁忌表，更新禁忌表，有利于更精确地找到最优解。
在步骤8)中，所述信息素更新的具体方法可为：根据步骤7)中更新的禁忌表所确定的最新路由顺序重新计算系统总能耗；
对其经过路径上的信息素按下式进行局部更新：
Figure BDA0002316018210000042
Figure BDA0002316018210000043
式中，Z为一常数，其值越大，信息素增加的就越快；Lk是蚂蚁k走过的总路径长度，ρ是挥发因子，路径上的原有的信息素会逐渐消散，避免了信息素不断累积，覆盖随机启发信息的情况出现，因此1-ρ是信息素残留因子，新的信息素浓度等于残留的加上新增的，每只蚂蚁在搜索结束后对其经过的路径(i,j)上的信息素浓度做出的贡献是总量Z除以走过的总路径长；
为了将蚂蚁的搜索路径集中在最优解的附近，从而改进算法的性能，全局更新时只对最优路径上的信息素进行调整，更新规则如下：
Figure BDA0002316018210000051
Figure BDA0002316018210000052
式中，Q为一常数，其值越大，最优路径上的信息素浓度增加的就越快；Lbest是本轮迭代最优路径的总长度。
在步骤10)中，考虑协作节点参与与否的联合算法能耗计算公式为：
Yk,c＝[R,C,energy] (6)
其中，R为状态k下所需的中继节点组成的矩阵，C为状态k下的每一跳所需的协作节点组成的矩阵，若不存在协作节点则C为空矩阵，energy为该状态下的能量消耗值，energy具体表示为：
energy＝∑Lkij (7)
Figure BDA0002316018210000053
Figure BDA0002316018210000054
式中，Lkij表示所选一条路径中节点i和节点j之间的能耗，d1为节点i和节点j之间的距离，d2为协作节点C和节点j之间的距离，U(d1)和U(d2)表示d1和d2通信距离条件下对应的水声通信能耗模型；
本发明利用人工鱼群算法随机性和蚁群算法的正反馈机制寻找全局最优解的优越性，以人工鱼群算法为主体，确定路由顺序节点中的部分节点，融入蚁群算法选出的另一部分节点，构成新的路由顺序表，基于水声通信能量消耗模型，结合协作通信技术，将节点的能量消耗作为代价函数寻找全局最优路径，使信息传输的能量消耗降到最低。
与现有技术相比，本发明具有以下突出优点：
1)根据水声通信能量消耗模型，在水声多跳协作通信网络系统框架下，结合联合人工鱼群算法和蚁群算法，提出适用的代价函数，用以优化路由选择。
2)利用人工鱼群算法的随机性和蚁群算法的正反馈机制联合算法寻找全局最优解收敛快的优越性，可以克服单独使用人工鱼群算法求解全局解精度较低、单独使用蚁群算法容易陷入局部最优的缺陷，迅速寻找到水声多跳协作通信网络中能量消耗最小的全局最优路由路径，延长水声多跳协作通信网络的生命周期。
附图说明
图1为水下传感器节点网络拓扑图。图中网络节点序号分别为1～18，其中S为源节点，D为目的节点。
图2水声协作通信网络中节点覆盖区域模型图。
图3水声协作通信网络中协作节点选择示意图。
图4水声多跳协作通信网络路由选择中联合人工鱼群和蚁群算法流程框图。
图5有协作策略时，联合人工鱼群和蚁群算法的水声多跳协作通信网络的最优路径图。图中网络节点序号分别为1～18，其中S为源节点，D为目的节点，C为协作节点。
图6有协作策略时，联合人工鱼群和蚁群算法的水声多跳协作通信网络的代价函数(能量消耗)随搜索次数变化图。
图7无协作策略时，联合人工鱼群和蚁群算法的水声多跳通信网络的最优路径图。图中网络节点序号分别为1～18，其中S为源节点，D为目的节点。
图8无协作策略时，联合人工鱼群算法和蚁群算法的水声多跳通信网络的代价函数值(能量消耗)随搜索次数变化图。
具体实施方式
以下实施例将结合附图对本发明做详细描述。
本发明依据水声通信能量消耗模型，结合协作通信技术，在水声多跳协作通信网络中能迅速找到能量消耗最小的路径，包括以下步骤：
1)选定源节点S，目的节点D，设中继节点和协作节点共有Nodenumber个；将备选路由节点编号并计算任意两节点，节点i和节点j之间的距离；设di,j表示任意两相邻节点的通信距离；r1表示节点i和节点j之间是否需要协作节点C参与的距离阈值下限，即di,j小于r1时节点j无需协作节点C即可成功解码来自节点i的信息；r2表示节点i和节点j之间的距离阈值上限，即di,j大于r2时节点j无论协作节点C是否存在均无法成功解码来自节点i的信息；而当di,j大于r1且小于r2时，若节点j无法准确解码出来自节点i的信息，则需要节点C的协作，利用来自协作节点C和节点i的信息进行解码；
2)初始化参数：对人工鱼群算法和蚁群算法的参数、水声通信网络最低跳数进行初始化。人工鱼群算法初始化：定义人工鱼状态表示人工鱼群算法所选的路由顺序，进行人工鱼初始化操作，确定待判定人工鱼状态的条数Fishnumber、感知距离Visual、试探次数Trynumber、拥挤度因子δ、人工鱼移动步长Step；蚁群算法初始化：信息素挥发因子ρ、信息素增加强度系数Q、启发式因子η、表征启发式因子重要程度β、表征信息素重要程度α；水声通信网络最低跳数初始化：依据源节点S和目的节点D之间的通信距离、两个节点之间能可靠通信的最大距离，确定最小跳数Hopnumber；
最小跳数Hopnumber＝源节点S和目的节点D之间的通信距离/两个节点之间能可靠通信的最大距离；
3)选择最小跳数Hopnumber来确定人工鱼状态路由顺序的节点数；
4)任选一条待判定的人工鱼状态，根据节点间的距离计算出该人工鱼状态信息所确定路由顺序的系统总能耗，并对该条人工鱼状态进行判定，判定是否依次进行追尾、聚群、觅食三种行为，进而更新该人工鱼状态所确定的最优路由顺序，及相应的系统总能耗；
5)重复步骤4)，直至完成所有人工鱼状态的最新路由顺序及相应的系统总能耗，并进行对比，选出待判定人工鱼状态中系统总能耗最低的一条，作为人工鱼群算法的输出解集；
6)将人工鱼群算法输出的解集初始化为蚁群算法的禁忌表，禁忌表用于记录蚂蚁所走的路径，路径所走过的节点记为1，未走节点记为0；
7)根据蚁群算法，设共有M只蚂蚁，k为蚂蚁编号(k＝1,2,...,M)，蚂蚁k按照最大转移概率p在剩余的Nodenumber-Hopnumber个节点中，选取新一个路由节点，并添加到禁忌表A中，更新禁忌表A；
转移概率定义如下：
Figure BDA0002316018210000071
式中，k表示第k只蚂蚁，τij为路径(i,j)上的信息素浓度，τij越大，表示这条路径越优。ηij为选择路径(i,j)的启发信息，蚂蚁在路口面临选择时，除了根据各条路径的信息素浓度，还需要一定的随机因素作用，才能不断发现新的更优的路径，而不会导致局部最优解。α，β分别表征信息素浓度和启发信息所占的比重。A是蚂蚁k的禁忌表，蚂蚁k每经过一个节点，就将该节点添加到禁忌表中。即A中都是蚂蚁k已经经过的节点，在路口选择下一个节点时，要将已经走过的节点排除在外；引入蚁群算法的正反馈机制，在剩余的Nodenumber-Hopnumber个节点中，选取一个新的路由节点添加到禁忌表，更新禁忌表，有利于更精确地找到最优解。
8)信息素更新：按照步骤7)中更新过的禁忌表，更新蚂蚁经过的路径上的信息素浓度；根据步骤7)中更新的禁忌表所确定的最新路由顺序重新计算系统总能耗；
信息素更新如下：对其经过路径上的信息素按下式进行局部更新：
Figure BDA0002316018210000081
Figure BDA0002316018210000082
式中，Z为一常数，其值越大，信息素增加的就越快。Lk是蚂蚁k走过的总路径长度。ρ是挥发因子，路径上的原有的信息素会逐渐消散，避免了信息素不断累积，覆盖随机启发信息的情况出现。因此1-ρ是信息素残留因子。新的信息素浓度等于残留的加上新增的。每只蚂蚁在搜索结束后对其经过的路径(i,j)上的信息素浓度做出的贡献是总量Z除以走过的总路径长。
为了将蚂蚁的搜索路径集中在最优解的附近，从而改进算法的性能，全局更新时只对最优路径上的信息素进行调整，更新规则如下：
Figure BDA0002316018210000083
Figure BDA0002316018210000084
式中，Q为一常数，其值越大，最优路径上的信息素浓度增加的就越快。Lbest是本轮迭代最优路径的总长度。
U(dij)表示通信距离为dij条件下所对应的水声通信能耗模型，具体为：
Figure BDA0002316018210000085
Figure BDA0002316018210000086
其中，γ(f)是吸收系数，单位为dB/km。根据不同的传播条件，m的取值不同：m＝1适用于表面声道或深海声道，柱面波传播；m＝1.5适用于海底声吸收时的浅海声传播，柱面波传播；m＝2适用于开阔水域，球面波传播。f为频率，单位为kHz.f的选择根据最优工作频率与工作距离的经验公式：
Figure BDA0002316018210000087
9)重复步骤7)～步骤8)直至k＝M；
10)若需要协作节点参与，则系统总能耗为各中继节点及其对应的协作节点所需的能耗之和；考虑协作节点参与与否的联合算法能耗计算公式为：
Yk,c＝[R,C,energy] (18)
其中，R为状态k下所需的中继节点组成的矩阵，C为状态k下的每一跳所需的协作节点组成的矩阵，若不存在协作节点则C为空矩阵，energy为该状态下的能量消耗值，energy具体表示为：
energy＝∑Lkij (19)
Figure BDA0002316018210000091
Figure BDA0002316018210000092
式中，Lkij表示所选一条路径中节点i和节点j之间的能耗，d1为节点i和节点j之间的距离，d2为协作节点C和节点j之间的距离，U(d1)和U(d2)表示d1和d2通信距离条件下对应的水声通信能耗模型；
11)记录当前方案的路由顺序表和对应的系统总能耗值energy，返回步骤3)，增加1个路由顺序节点数，即Hopnumber＝Hopnumber+1，重复步骤3)～步骤10)，直到路由顺序节点数达到最大值，对比每次重复步骤3)～步骤10)所得方案的系统总能耗值energy，选择系统总能耗值最低者作为系统最优能耗值energy，其对应的路由顺序表即为本次迭代的最优路由顺序表；
12)重复迭代步骤3)～11)至设定的最大迭代次数，输出最低能耗值对应的路由顺序表即为最优的路由方案。
针对本发明所述方法，在水声多跳协作通信网络中，为克服单独使用人工鱼群算法求解全局解精度较低、单独使用蚁群算法容易陷入局部最优的缺陷的问题，提出一种联合人工鱼群和蚁群算法的水声多跳协作通信网络路由优化方法。具体方法如下：以人工鱼群算法为主体，利用人工鱼群算法随机生成人工鱼状态，用系统能耗模型计算人工鱼能耗，对人工鱼进行判定，依次判定是否进行追尾、聚群、觅食活动，确定路由顺序节点中的部分节点，将人工鱼群输出的解集初始化蚁群算法的禁忌表，蚂蚁按照最大转移概率转移选取一个新的节点，将蚁群算法选出的新节点融入人工鱼群算法确定的部分节点，构成新的路由顺序表，迅速寻找到水声多跳协作通信网络中能量消耗最小的路由路径，延长水声通信网络的生命周期。利用人工鱼群算法的随机性和蚁群算法的正反馈机制使融合算法成为有正反馈机制的随机搜索算法。随机性避免局部最优，正反馈机制可以精确查找，加快收敛速度。
下面对本发明所述方法的可行性进行计算机仿真验证。
随机布置了水下传感器节点网络拓扑模型，总共18个节点，源节点S和目的节点D如图1所示。各参数设置如下：最大迭代次数Max_gen＝32，Trynumber＝50，Visual＝3，δ＝0.9，Q＝1000，Z＝500，α＝2，β＝1，ρ＝0.3，初始化各路径上的信息素浓度τij＝1。假设水声通信在浅海区域进行，则设定m＝1.5，柱面波方式传播。同时设定距离阈值r1＝2.5km、r2＝4km，即下一节点距离满足在半径4km范围内的才有可能成功传输，距离大于2.5km且小于4km的需要协作节点C协作才能成功传输，距离小于2.5km的无需协作节点C即可成功传输；如图2所示，C为协作节点(包括C1,C2等)，R为中继节点(d1<r1时无需协作，r1<d1<r2时需要协作，d1>r2时即使有协作也无法成功解码)。如图3所示，当有节点1、节点2、节点3和节点4等多个节点作为候选协作节点时，选择能耗最低的节点作为协作节点。接下来对联合人工鱼群算法和蚁群算法用于水声多跳协作通信的路由选择进行仿真验证，联合优化算法的流程框图如图4所示。
以下是对于本发明所述方法仿真结果的分析：
1)有协作策略分析：
图5为本实施例中联合人工鱼群和蚁群算法的水声多跳协作通信网络的最优路由选择结果，仿真运行时间为652.0077秒，第一次迭代运行时间为19.7902秒其最优路径为：
S→5→10→13→16→D，5跳完成。
其中节点4为从源节点S到节点5的最优协作节点，节点9为从节点5到节点10的最优协作节点，节点12为从节点10到节点13的最优协作节点，节点15为从节点13到节点16的最优协作节点。由图6可见，从源节点S到节点5之间可作为协作节点的有节点2、节点3、节点4三个，算法通过计算三种方案各自的能量消耗代价函数Lkij可知，选择节点4做协作节点时的能量消耗低于选择节点2或者节点3的能量消耗，因此选择节点4作为最优协作节点。同理，在其他协作传输的过程中选出相应的最优协作节点。图6为本实施例中联合人工鱼群算法和蚁群算法的水声多跳协作通信网络的最优路由选择的代价函数值，即能量消耗随搜索次数增加而变化的曲线图。由图6可见，从开始搜索到结束，曲线几乎无抖动，这是由于蚁群算法的正反馈机制使算法收敛较快，联合人工鱼群算法可以很快找到全局最优解。此时的代价函数值(能量消耗)为最低值：energy＝3184408.7719。
2)无协作策略分析：
图7为本实施例中，当不考虑协作传输策略时，联合人工鱼群和蚁群算法的水声多跳通信网络的最优路由选择结果，仿真运行时间为27.1049秒，其最优路径为：
S→3→4→5→7→9→10→12→13→14→17→D，11跳完成。
由于没有协作节点的帮助，节点之间的可传输距离减小，因此将信息从S传输到D需要经历更多的跳数，当采取协作策略时仅需要5跳就能完成的传输任务，无协作策略需要11跳才能完成。由此可见，采取协作传输策略可以减少传输所需的跳数，进而降低系统整体的能量消耗。
更进一步地，由图8可见，当无协作策略时，开始搜索时收敛于局部最优解，迭代25次后跳出局部，最优解找到最优解，最终收敛达到的最小值energy＝5749546.3287，代价函数值(能量消耗)整体高于有协作策略时的能量消耗，是有协作策略时能量消耗的1.81倍左右。因此，可以发现，同样是联合人工鱼群和蚁群算法，水声多跳协作通信网络路由选择算法要优于无协作策略算法。
从MATLAB仿真运行时间可以看出，有协作策略总耗时较长，收敛速度快，在第一次迭代就找出迭代值最优值，第一次迭代耗时19.7902s；无协作策略在迭代25次以后收敛于最优值，耗时27.1049s；无协作策略时收敛速度略低于有协作策略算法的收敛速度(但收敛速度都较快，均在30s以内)。从两种方案最终寻找到的最优路径来看，有协作策略收敛的代价函数(能量消耗)最小值远低于无协作策略收敛的代价函数(能量消耗)。
可见，联合人工鱼群和蚁群算法的水声多跳协作通信网络路由选择算法，克服了单独使用人工鱼群算法求解全局解精度较低、单独使用蚁群算法容易陷入局部最优的缺陷的问题，同时扩大了每一跳选择的空间，提高了路由选择的成功性；同时，验证了结合水声通信能量消耗模型提出的水声多跳协作通信网络的代价函数，可以寻找到能量消耗最小的路径，且优于无协作策略算法。
本发明克服了人工鱼群算法求解全局解精度较低，蚁群算法可能收敛于局部解的问题，有效提高水声多跳协作通信效率，该方法利用人工鱼群算法随机性和蚁群算法的正反馈机制寻找全局最优解的优越性，以人工鱼群算法为主体，确定路由顺序节点中的部分节点，融入蚁群算法选出的另一部分节点，构成新的路由顺序表，基于水声通信能量消耗模型，结合协作通信技术，将节点的能量消耗作为代价函数寻找全局最优路径，使信息传输的系统能量消耗降到最低。该最优路径可降低系统整体能量消耗，延长水声多跳通信网络的生命周期。

Claims (6)

1.一种联合优化的水声多跳协作通信网络路由选择方法，其特征在于包括以下步骤：
1)选定源节点S，目的节点D，设中继节点和协作节点共有Nodenumber个；将备选路由节点编号并计算任意两节点，节点i和节点j之间的距离；设di,j表示任意两相邻节点的通信距离；r1表示节点i和节点j之间是否需要协作节点C参与的距离阈值下限，即di,j小于r1时节点j无需协作节点C即可成功解码来自节点i的信息；r2表示节点i和节点j之间的距离阈值上限，即di,j大于r2时节点j无论协作节点C是否存在均无法成功解码来自节点i的信息；而当di,j大于r1且小于r2时，若节点j无法准确解码出来自节点i的信息，则需要节点C的协作，利用来自协作节点C和节点i的信息进行解码；
2)初始化参数，先对人工鱼群算法的参数进行初始化、蚁群算法的参数进行初始化，再初始化水声多跳协作通信网络的最低跳数，确定最低跳数为Hopnumber；
3)选择最小跳数Hopnumber来确定人工鱼状态路由顺序的节点数；
4)任选一条待判定的人工鱼状态，根据节点间的距离计算出该人工鱼状态信息所确定路由顺序的系统总能耗，并对该条人工鱼状态进行判定，判定是否依次进行追尾、聚群、觅食三种行为，进而更新该人工鱼状态所确定的最优路由顺序，及相应的系统总能耗；
5)重复步骤4)，直至完成所有人工鱼状态的最新路由顺序及相应的系统总能耗，并进行对比，选出待判定人工鱼状态中系统总能耗最低的一条，作为人工鱼群算法的输出解集；
6)将人工鱼群算法的输出解集初始化为蚁群算法的禁忌表，以增大每个路由方案的随机性，防止陷入局部最优；禁忌表用于记录蚂蚁所走的路径，路径所走过的节点记为1，未走节点记为0；
7)根据蚁群算法，引入蚁群算法的正反馈机制，设共有M只蚂蚁，k为蚂蚁编号(k＝1,2,...,M)，蚂蚁k按照最大转移概率p在剩余的Nodenumber-Hopnumber个节点中，选取新一个路由节点，并添加到禁忌表A中，更新禁忌表A；
所述转移概率定义如下：
Figure FDA0002889653340000011
式中，k表示第k只蚂蚁，τij为路径(i,j)上的信息素浓度，τij越大，表示这条路径越优；ηij为选择路径(i,j)的启发信息，蚂蚁在路口面临选择时，除了根据各条路径的信息素浓度，还需要一定的随机因素作用，才能不断发现新的更优的路径，而不会导致局部最优解；α，β分别表征信息素浓度和启发信息所占的比重；A是蚂蚁k的禁忌表，蚂蚁k每经过一个节点，就将该节点添加到禁忌表中，即A中都是蚂蚁k已经经过的节点，在路口选择下一个节点时，要将已经走过的节点排除在外；
8)信息素更新：按照步骤7)中更新过的禁忌表A，更新蚂蚁经过的路径上的信息素浓度；
9)重复步骤7)～8)直至k＝M；
10)若需要协作节点参与，则系统总能耗为各中继节点及其对应的协作节点所需的能耗之和；
11)记录当前方案的路由顺序表和对应的系统总能耗值energy，返回步骤3)，增加1个路由顺序节点数，即Hopnumber＝Hopnumber+1，重复步骤3)～10)，直到路由顺序节点数达到最大值，对比每次重复步骤3)～10)所得方案的系统总能耗值energy，选择系统总能耗值最低者作为系统最优能耗值energy，其对应的路由顺序表即为本次迭代的最优路由顺序表；
12)重复迭代步骤3)～11)至设定的最大迭代次数，输出最低能耗值对应的路由顺序表即为最优的路由方案。
2.如权利要求1所述一种联合优化的水声多跳协作通信网络路由选择方法，其特征在于在步骤2)中，所述人工鱼群算法的参数进行初始化的具体方法为：定义人工鱼状态表示人工鱼群算法所选的路由顺序，进行人工鱼初始化操作，确定待判定人工鱼状态的条数Fishnumber、感知距离Visual、试探次数Trynumber、拥挤度因子δ、人工鱼移动步长Step。
3.如权利要求1所述一种联合优化的水声多跳协作通信网络路由选择方法，其特征在于在步骤2)中，所述蚁群算法的参数包括：信息素挥发因子ρ、信息素增加强度系数Q、启发式因子η、表征启发式因子重要程度β、表征信息素重要程度α。
4.如权利要求1所述一种联合优化的水声多跳协作通信网络路由选择方法，其特征在于在步骤2)中，所述初始化水声多跳协作通信网络的最低跳数的具体方法为：依据源节点S和目的节点D之间的通信距离、两个节点之间能可靠通信的最大距离，确定最小跳数Hopnumber；最小跳数
Figure FDA0002889653340000021
5.如权利要求1所述一种联合优化的水声多跳协作通信网络路由选择方法，其特征在于在步骤8)中，所述信息素更新的具体方法为：根据步骤7)中更新的禁忌表所确定的最新路由顺序重新计算系统总能耗；
对其经过路径上的信息素按下式进行局部更新：
Figure FDA0002889653340000031
Figure FDA0002889653340000032
式中，Z为一常数，其值越大，信息素增加的就越快；Lk是蚂蚁k走过的总路径长度，ρ是挥发因子，路径上的原有的信息素会逐渐消散，避免了信息素不断累积，覆盖随机启发信息的情况出现，因此1-ρ是信息素残留因子，新的信息素浓度等于残留的加上新增的，每只蚂蚁在搜索结束后对其经过的路径(i,j)上的信息素浓度做出的贡献是总量Z除以走过的总路径长；
为了将蚂蚁的搜索路径集中在最优解的附近，从而改进算法的性能，全局更新时只对最优路径上的信息素进行调整，更新规则如下：
Figure FDA0002889653340000033
Figure FDA0002889653340000034
式中，Q为一常数，其值越大，最优路径上的信息素浓度增加的就越快；Lbest是本轮迭代最优路径的总长度。
6.如权利要求1所述一种联合优化的水声多跳协作通信网络路由选择方法，其特征在于在步骤10)中，考虑协作节点参与与否的联合算法能耗计算公式为：
Yk,c＝[R,C,energy] (6)
其中，R为状态k下所需的中继节点组成的矩阵，C为状态k下的每一跳所需的协作节点组成的矩阵，若不存在协作节点则C为空矩阵，energy为该状态下的能量消耗值，energy具体表示为：
energy＝∑Lkij (7)
Figure FDA0002889653340000035
Figure FDA0002889653340000036
式中，Lkij表示所选一条路径中节点i和节点j之间的能耗，d1为节点i和节点j之间的距离，d2为协作节点C和节点j之间的距离，U(d1)和U(d2)表示d1和d2通信距离条件下对应的水声通信能耗模型。
CN201911278336.3A 2019-12-13 2019-12-13 一种联合优化的水声多跳协作通信网络路由选择方法 Active CN111049743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911278336.3A CN111049743B (zh) 2019-12-13 2019-12-13 一种联合优化的水声多跳协作通信网络路由选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911278336.3A CN111049743B (zh) 2019-12-13 2019-12-13 一种联合优化的水声多跳协作通信网络路由选择方法

Publications (2)

Publication Number Publication Date
CN111049743A CN111049743A (zh) 2020-04-21
CN111049743B true CN111049743B (zh) 2021-03-23

Family

ID=70236071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911278336.3A Active CN111049743B (zh) 2019-12-13 2019-12-13 一种联合优化的水声多跳协作通信网络路由选择方法

Country Status (1)

Country Link
CN (1) CN111049743B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112055373B (zh) * 2020-09-02 2022-03-15 西北工业大学 栅形时反多址下水声网络建模与最佳单跳距离确定方法
CN112235759B (zh) * 2020-09-15 2022-05-17 武汉工程大学 一种多机器人路由优化方法及装置
CN112469103B (zh) * 2020-11-26 2022-03-08 厦门大学 基于强化学习Sarsa算法的水声协作通信路由方法
CN112867089B (zh) * 2020-12-31 2022-04-05 厦门大学 基于信息重要度和q学习算法的水声网络路由选择方法
CN113783628B (zh) * 2021-09-13 2022-07-15 广东技术师范大学 一种基于峰值信息年龄的水声通信路由确定方法及系统
CN114039675B (zh) * 2021-11-24 2022-09-23 清华大学 水下曲线声道传输路由计算方法、装置及存储介质
CN115022228B (zh) * 2022-06-30 2023-05-23 华南理工大学 基于蚁群算法的声电协同网络的自适应路由系统及方法
CN118433819A (zh) * 2024-07-05 2024-08-02 中国电信股份有限公司 信息传输方法、装置、通信设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106162794A (zh) * 2016-09-20 2016-11-23 厦门大学 一种基于蚁群算法的水声多跳协作通信网络路由选择方法
CN108490770A (zh) * 2018-02-28 2018-09-04 哈尔滨工程大学 一种基于混合算法的船舶动力定位系统推力分配方法
CN109348518A (zh) * 2018-11-12 2019-02-15 厦门大学 水声协作通信网络中运用人工鱼群算法寻找路由的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106162794A (zh) * 2016-09-20 2016-11-23 厦门大学 一种基于蚁群算法的水声多跳协作通信网络路由选择方法
CN108490770A (zh) * 2018-02-28 2018-09-04 哈尔滨工程大学 一种基于混合算法的船舶动力定位系统推力分配方法
CN109348518A (zh) * 2018-11-12 2019-02-15 厦门大学 水声协作通信网络中运用人工鱼群算法寻找路由的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《An ACOA-AFSA fusion routing algorithm for underwater wireless sensor network》;Wu H, Chen X, Shi C, et al.;《International Journal of Distributed Sensor Networks》;20121231;全文 *
《基于改进蚁群算法的水下传感器网络路由策略》;陶强等;《微电子学与计算机》;20150505;第32卷(第5期);第1-3节 *

Also Published As

Publication number Publication date
CN111049743A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111049743B (zh) 一种联合优化的水声多跳协作通信网络路由选择方法
Rahman et al. EECOR: An energy-efficient cooperative opportunistic routing protocol for underwater acoustic sensor networks
Zhou et al. Anypath routing protocol design via Q-learning for underwater sensor networks
CN106162794B (zh) 一种基于蚁群算法的水声多跳协作通信网络路由选择方法
CN113438667B (zh) 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
Wang et al. Reinforcement learning-based opportunistic routing protocol using depth information for energy-efficient underwater wireless sensor networks
Rodoshi et al. Reinforcement learning-based routing protocol for underwater wireless sensor networks: a comparative survey
CN114430581B (zh) 基于蚁群策略的ac-olsr路由方法、设备及介质
Li et al. IATLR: Improved ACO and TOPSIS-based layering routing protocol for underwater acoustic networks
Ragavi et al. A Novel Hybridized Cluster‐Based Geographical Opportunistic Routing Protocol for Effective Data Routing in Underwater Wireless Sensor Networks
Ahmed et al. Routing Protocols for Underwater Wireless Sensor Network Based on Location: A Survey.
Panda et al. Obstacle and mobility aware optimal routing for manet
Treplan et al. Energy efficient reliable cooperative multipath routing in wireless sensor networks
Karmakonda et al. An Energy-Efficient Learning Automata and Cluster-Based Routing Algorithm for Wireless Sensor Networks
Aftab et al. A Deep Reinforcement-Learning-Based Relay Selection for Underwater Sensors Network
Bhaskarwar et al. Energy efficient cluster-based routing scheme using type-2 fuzzy logic in underwater wireless sensor networks
Shovon et al. Energy Efficient Routing Protocols for UWSN: A Survey
Che et al. ACARP: An Adaptive Channel-Aware Routing Protocol for Underwater Wireless Sensor Networks
Li et al. An Improved Opportunistic Routing Protocol for Underwater Wireless Sensor Networks
Shah et al. A Novel Routing Protocol Based on Congruent Gravity Value for Underwater Wireless Sensor Networks
CN116506844B (zh) 一种基于分层和源位置隐私的水声传感器网络路由协议方法
Javed et al. Multi-level dynamic optimization of intelligent LEACH with cost effective deep belief network
Day An Efficient Data Collection Protocol For Underwater Wireless Sensor Networks
CN113783628B (zh) 一种基于峰值信息年龄的水声通信路由确定方法及系统
Nassiri et al. EEARP-an efficient and energy aware routing protocol for underwater wireless sensor networks

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
GR01 Patent grant
GR01 Patent grant