CN111526555A - 基于遗传算法的多跳路由路径选择方法 - Google Patents

基于遗传算法的多跳路由路径选择方法 Download PDF

Info

Publication number
CN111526555A
CN111526555A CN202010447497.7A CN202010447497A CN111526555A CN 111526555 A CN111526555 A CN 111526555A CN 202010447497 A CN202010447497 A CN 202010447497A CN 111526555 A CN111526555 A CN 111526555A
Authority
CN
China
Prior art keywords
node
nodes
routing path
distance
genetic algorithm
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.)
Granted
Application number
CN202010447497.7A
Other languages
English (en)
Other versions
CN111526555B (zh
Inventor
张玲华
罗毅
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010447497.7A priority Critical patent/CN111526555B/zh
Publication of CN111526555A publication Critical patent/CN111526555A/zh
Application granted granted Critical
Publication of CN111526555B publication Critical patent/CN111526555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明揭示了一种基于遗传算法的多跳路由路径选择方法，包括如下步骤：S1、确定汇聚节点，分别计算每个节点到汇聚节点间的距离，按照距离的大小进行降序排列、生成一个距离列表；S2、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，进行基于遗传算法的最优路径找寻，对已生成路由路径的节点进行标记；S3、从距离列表中的第一个节点开始遍历，若该节点被标记为已生成路由路径则跳转判断下一节点，若该节点未被标记为已生成路由路径则返回至S2，直至距离列表中的所有节点均被标记被已生成路由路径。本发明以高效寻优的遗传算法结合无线传感器网络的特点，改善了无线传感器网络中节点路由路径选择的效率和能耗。

Description

基于遗传算法的多跳路由路径选择方法
技术领域
本发明为一种路由路径选择方法，具体涉及一种基于非定长编码遗传算法的多跳路由路径选择方法，属于无线传感器网络技术领域。
背景技术
近年来，物联网技术逐步成熟、技术更新迭代迅速，其应用场景也不断增加、逐步覆盖了人们生活的各个领域。对于这一现状，作为物联网技术的基础之一，无线传感器网络(Wireless Sensor Networks, WSN)的快速发展功不可没。
无线传感器网络是一种新型的分布式传感网络，它的末梢节点是可以感知和检查外部世界的传感器，相较于传统的无线网络，无线传感器网络通常都被部署在自然环境较为恶劣的场景中。由于这类网络中所使用的传感器一般体积很小，每个传感器上只能使用带电量很小的电池来进行供电，因而在这类网络中，每个节点的能量非常有限。因此，如何在现有设备的基础上，通过对无线传感器网络中路由算法的改进，最大限度地降低大量监测数据处理过程中的资源损耗，尽可能延长无线传感器网络的生命周期，也就成为了目前该领域内研究人员所共同关注的问题。
对于无线传感网络来说，能耗最大的部分就是节点间的信息传输，因此降低节点间通信的能耗是降低系统整体能耗、延长其生命周期的关键。在无线传感器网络中，论系统采用的是分簇路由协议还是非分簇路由协议，节点间以及簇间的路由传输方式都可以被划分为单跳传输和多跳传输两种。具体而言，单跳路由协议中的节点以单跳通信方式传输数据至基站，其结构比较简单，但节点数据传输距离较远。单由于无线信道的传播特性，远距离的数据传输会增加节点的能耗，因此单跳路由协议只适用于小规模网络中。在规模较大的网络中，一般采用多跳路由协议，即网络中所有节点共同完成数据的传输、协作性地将数据以多跳的方式转发至基站。
迄今为止，世界各国学者致力于研究多跳路由理论，也已斩获了众多理论研究成果，包括贪心增长二叉树理论、基于能距关系的路径选择、基于蚁群优化算法的路径选择等等。然而，技术人员发现，这些研究成果在实际应用时并不能完全达到理论层面的技术效果，而问题则主要集中在算法最终选择的路径能耗优化效果不佳以及算法自身运算效率较低这两个方面。
遗传算法（Genetic Algorithm，GA）是近年来应用较为广泛的一项相关技术，该算法根据大自然中生物体进化规律而设计提出，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法, 遗传算法通常能够较快地获得较好的优化结果，也正因如此，将遗传算法应用到多跳路由理论的研究中，势必会带来一种全新的技术解决方案。
针对上述研究现状，如何设计出一种结合了遗传算法的、可应用在大型无线传感器网络中的多跳路由路径选择方法，实现算法效率即路径能耗结果两个方面的性能优化，正是本发明所需要解决的问题。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于非定长编码遗传算法的多跳路由路径选择方法，具体如下。
一种基于遗传算法的多跳路由路径选择方法，包括如下步骤：
S1、在无线传感器网络中确定一个汇聚节点，分别计算无线传感器网络中每个节点到汇聚节点间的距离，按照距离的大小进行降序排列、生成一个距离列表；
S2、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，进行基于遗传算法的最优路径找寻，对已生成路由路径的节点进行标记；
S3、从距离列表中的第一个节点开始遍历，若该节点被标记为已生成路由路径则跳转判断下一节点，若该节点未被标记为已生成路由路径则返回至S2，直至距离列表中的所有节点均被标记被已生成路由路径、最终完成对无线传感器网络的低能耗路由路径选择。
优选地，S1具体包括如下步骤：在无线传感器网络中确定一个汇聚节点，对无线传感器网络中的所有节点依据ID号进行编号、将汇聚节点编为0号，随后分别计算无线传感器网络中每个节点到汇聚节点间的距离，按照距离的大小进行降序排列、生成一个距离列表。
优选地，S2具体包括如下步骤：
S21、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，采用非定长编码的方式初始化种群，根据先验知识，每个节点的下一跳节点从X个相邻节点中随机选出；
S22、对种群进行交叉处理，采用单点交叉，在两条染色体中，随机产生一个交叉位置，以概率
Figure 161882DEST_PATH_IMAGE001
进行交叉；
S23、对种群进行变异处理，在染色体中，以概率
Figure 323874DEST_PATH_IMAGE002
进行变异；
S24、种群根据设置的适应度函数选择适应度高及适应环境的能力更强的个体成为新的种群，判断迭代次数是否达到预设值，若达到则对已生成路由路径的节点进行标记，若未达到则返回至S22。
优选地，在S21中，根据先验知识，在最优路径序列中，每个节点的下一跳节点都是从距离该节点最近的X个相邻节点中随机选出；
当无线传感器网络中节点的总数量为0~100时，X=9；当无线传感器网络中节点的总数量为100~300时，X=15；当无线传感器网络中节点的总数量为300~1000时，X=20。
优选地，对于S22与S23操作过程中所生成的新的染色体，执行消除染色体回路的操作。
优选地，在S24中，适应度函数为目标函数的倒数，适应度函数的计算公式为
Figure 650950DEST_PATH_IMAGE003
，
其中，
Figure 122251DEST_PATH_IMAGE004
为目标函数，目标函数表示一条染色体中相邻节点间传输信息的能耗总和。
优选地，在目标函数中，两点间的传输能耗根据距离不同采用不同的规则；
当节点间距离
Figure DEST_PATH_IMAGE005
小于最小通信半径
Figure 472461DEST_PATH_IMAGE006
时，采用自由空间信道模型，节点能耗按
Figure 923296DEST_PATH_IMAGE005
平方增加；
当节点间距离
Figure 104879DEST_PATH_IMAGE005
大于最小通信半径
Figure 497814DEST_PATH_IMAGE006
时，采用多路径衰减信道模型，节点能耗按
Figure 584588DEST_PATH_IMAGE005
的四次方增加；
节点间距离为
Figure 150698DEST_PATH_IMAGE005
、另一节点传输
Figure 124470DEST_PATH_IMAGE007
比特信息时，发送节点的能耗计算公式为
Figure 750624DEST_PATH_IMAGE008
，
其中，
Figure 656236DEST_PATH_IMAGE009
为收或发送 1
Figure 698142DEST_PATH_IMAGE010
时所消耗的能量，
Figure 854317DEST_PATH_IMAGE011
和
Figure 838322DEST_PATH_IMAGE012
为恒定值的参数、根据传感器所用传输放大器的模型确定；
目标函数的计算公式为
Figure 447158DEST_PATH_IMAGE013
。
优选地，在S24操作过程中，若出现路由路径冲突的情况，则比较新的路由路径和之前标记的路由路径的能量消耗、选择二者中能量消耗更少的进行保留。
本发明的优点主要体现在以下几个方面：
本发明所提出的一种基于遗传算法的多跳路由路径选择方法，以高效寻优的遗传算法结合无线传感器网络的特点，改善了无线传感器网络中节点路由路径选择的效率和能耗。
同时，本发明的方法适配性强、方法兼容性能优异，无论对于分簇路由的簇头节点路径选择还是非分簇路由所有节点的路径选择，本方法均能适用且能够达到预期的使用效果。
此外，本发明还为多跳路由理论的相关研究和应用提供了可以一种全新的思路、为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸和深入研究，本发明的方案具有十分广阔的应用前景。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明所设计的基于遗传算法的多跳路由路径选择方法的流程示意图。
具体实施方式
本发明揭示了一种基于非定长编码遗传算法的多跳路由路径选择方法，具体如下。
如图1所示，一种基于遗传算法的多跳路由路径选择方法，包括如下步骤：
S1、在无线传感器网络中确定一个汇聚节点（Sink节点），对无线传感器网络中的所有节点依据ID号进行编号、将汇聚节点编为0号，随后分别计算无线传感器网络中每个节点到汇聚节点间的距离，按照距离的大小进行降序排列、生成一个距离列表。
S2、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，进行基于遗传算法的最优路径找寻，对已生成路由路径的节点进行标记。
进一步而言，S2具体包括如下步骤：
S21、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，采用非定长编码的方式初始化种群，根据先验知识，在最优路径序列中，每个节点的下一跳节点都是从距离该节点最近的X个相邻节点中随机选出；
当无线传感器网络中节点的总数量为0~100时，X=9；当无线传感器网络中节点的总数量为100~300时，X=15；当无线传感器网络中节点的总数量为300~1000时，X=20。
S22、对种群进行交叉处理，采用单点交叉，在两条染色体中，随机产生一个交叉位置，以概率
Figure 558333DEST_PATH_IMAGE001
进行交叉。
S23、对种群进行变异处理，在染色体中，以概率
Figure 569015DEST_PATH_IMAGE002
进行变异。
需要补充说明的是，对于S22与S23操作过程中所生成的新的染色体，需要执行消除染色体回路的相关操作。
S24、种群根据设置的适应度函数选择适应度高及适应环境的能力更强的个体成为新的种群，判断迭代次数是否达到预设值，若达到则对已生成路由路径的节点进行标记，若未达到则返回至S22。
此处适应度函数为目标函数的倒数，适应度函数的计算公式为
Figure 225386DEST_PATH_IMAGE003
，
其中，
Figure 259201DEST_PATH_IMAGE004
为目标函数，目标函数表示一条染色体中相邻节点间传输信息的能耗总和。
在目标函数中，两点间的传输能耗根据距离不同采用不同的规则；
当节点间距离
Figure 705226DEST_PATH_IMAGE005
小于最小通信半径
Figure 22944DEST_PATH_IMAGE006
时，采用自由空间信道模型，节点能耗按
Figure 161801DEST_PATH_IMAGE005
平方增加；
当节点间距离
Figure 682912DEST_PATH_IMAGE005
大于最小通信半径
Figure 621044DEST_PATH_IMAGE006
时，采用多路径衰减信道模型，节点能耗按
Figure 730951DEST_PATH_IMAGE005
的四次方增加；
节点间距离为
Figure 978393DEST_PATH_IMAGE005
、另一节点传输
Figure 737532DEST_PATH_IMAGE007
比特信息时，发送节点的能耗计算公式为
Figure 728622DEST_PATH_IMAGE008
，
其中，
Figure 693036DEST_PATH_IMAGE009
为收或发送 1
Figure 856252DEST_PATH_IMAGE010
时所消耗的能量，
Figure 86376DEST_PATH_IMAGE011
和
Figure 68108DEST_PATH_IMAGE012
为恒定值的参数、根据传感器所用传输放大器的模型确定；
目标函数的计算公式为
Figure 450810DEST_PATH_IMAGE013
。
此外，需要注意的是，在S24操作过程中，若出现路由路径冲突的情况，则比较新的路由路径和之前标记的路由路径的能量消耗、选择二者中能量消耗更少的进行保留。
以下便结合一具体实施例对本发明的上述方案进行进一步的细化描述。该实施例的实施需要历经如下步骤：
（1）在
Figure 40054DEST_PATH_IMAGE014
平方米的区域内随机分布100个传感器节点，汇聚节点位于区域中心位置。
（2）给这100个节点根据ID编为（1，2，3，...，100）号，同时将汇聚节点编为0号并计算这100个节点到Sink节点的距离，通过距离从大到小排序成一个列表。
列表中的每个节点在初始时，是否有路由路径都标记为否。
（3）从距离列表的中未有路由路径的节点中最大的开始，以他的编号作为起点、汇聚节点的0号作为终点，初始化种群，根据先验知识，当节点总数为100时，最优路径序列中的每个节点，与其相邻的节点都是从距离该节点最近的9个节点中随机选取出来的，生成40个染色体。随后开始进行遗传算法的操作。
（4）在两条染色体中，随机产生一个交叉位置，在此我们选择个体以
Figure 272321DEST_PATH_IMAGE015
进行交叉，然后进行消除回路的操作。
如我们选择出来两条比较优秀的个体父代A和父代B，编码方式为
父代A：
Figure 605213DEST_PATH_IMAGE016
、
父代B：
Figure 780105DEST_PATH_IMAGE017
，
假如在基因的某一位以概率
Figure 55097DEST_PATH_IMAGE015
进行交叉，则交叉后产生的新的个体为
子代A：
Figure 259814DEST_PATH_IMAGE018
、
子代B：
Figure 881550DEST_PATH_IMAGE019
，
在基因交叉的过程中产生的回路可以进行消除重复基因的操作，如
子代A：
Figure 675063DEST_PATH_IMAGE018
，
消除回路后变成
子代
Figure 871689DEST_PATH_IMAGE020
：
Figure 42995DEST_PATH_IMAGE021
。
（5）在路由路径中随机选择一个传感器节点作为变异节点，对该节点以变异概率
Figure 170220DEST_PATH_IMAGE022
进行变异操作。然后进行消除回路的操作。
假如现在有一条染色体C，它的基因编码为
染色体C：
Figure 631288DEST_PATH_IMAGE023
，
若第2个位置变异为5，则染色体变异后为
染色体
Figure 483969DEST_PATH_IMAGE024
：
Figure 663278DEST_PATH_IMAGE025
，
消除回路后变成
染色体
Figure 328614DEST_PATH_IMAGE026
：
Figure 394921DEST_PATH_IMAGE027
。
（6）接着计算适应度函数，适应度函数设为目标函数的倒数，适应度函数定义为
Figure 933350DEST_PATH_IMAGE003
，
其中
Figure 583643DEST_PATH_IMAGE004
为目标函数。
目标函数为一条染色体中相邻节点间传输信息的能耗总和，且两点间的传输能耗根据距离不同采用不同的规则。当节点距离小于最小通信半径
Figure 865720DEST_PATH_IMAGE006
时，采用自由空间信道模型，节点能耗按
Figure 989796DEST_PATH_IMAGE005
平方增加，当距离大于
Figure 682814DEST_PATH_IMAGE006
时，采用多路径衰减信道模型，节点能耗按
Figure 836715DEST_PATH_IMAGE005
的四次方增加，因此节点向距离为
Figure 401777DEST_PATH_IMAGE005
的令一节点传输
Figure 878895DEST_PATH_IMAGE007
比特信息时，发送节点的能耗计算公式为：
Figure 493547DEST_PATH_IMAGE028
，
其中，
Figure 619897DEST_PATH_IMAGE009
为收或发送1
Figure 243776DEST_PATH_IMAGE010
时所消耗的能量，
Figure 637717DEST_PATH_IMAGE011
和
Figure 377265DEST_PATH_IMAGE012
为恒定值的参数，根据传感器所用传输放大器的模型来确定。
Figure 240179DEST_PATH_IMAGE029
，
Figure 651438DEST_PATH_IMAGE030
，
Figure 604613DEST_PATH_IMAGE031
因此目标函数为：
Figure 826646DEST_PATH_IMAGE032
。
（7）根据适应度函数采用最优保存策略的方式进行选择。
（8）重复上述步骤（4）~（7）作为遗传算法的训练阶段，直到达到预设的遗传算法迭代次数50次。
（9）重复上述步骤（3）~（8）作为全部节点的路由路径选择阶段。在过程中可能会出现路由冲突现象，即后训练的结果的路径和之前训练的结果中包含的路径不同，如对于一开始13号节点来说得到了一条最优路径为13→4→10→5→6→3→0，在计算12号节点时，得到的一条最优路径为12→10→2→8→0。则对于10号节点来说后续的路径发生了冲突。此时判断两条路由路径的能耗，更新路径为消耗少的那条。通过路由纠正，可以进一步优化路由网络的整体能耗。
综上所述，本发明所提出的一种基于遗传算法的多跳路由路径选择方法，以高效寻优的遗传算法结合无线传感器网络的特点，改善了无线传感器网络中节点路由路径选择的效率和能耗。
同时，本发明的方法适配性强、方法兼容性能优异，无论对于分簇路由的簇头节点路径选择还是非分簇路由所有节点的路径选择，本方法均能适用且能够达到预期的使用效果。
此外，本发明还为多跳路由理论的相关研究和应用提供了可以一种全新的思路、为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸和深入研究，本发明的方案具有十分广阔的应用前景。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
最后，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于遗传算法的多跳路由路径选择方法，其特征在于，包括如下步骤：
S1、在无线传感器网络中确定一个汇聚节点，分别计算无线传感器网络中每个节点到汇聚节点间的距离，按照距离的大小进行降序排列、生成一个距离列表；
S2、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，进行基于遗传算法的最优路径找寻，对已生成路由路径的节点进行标记；
S3、从距离列表中的第一个节点开始遍历，若该节点被标记为已生成路由路径则跳转判断下一节点，若该节点未被标记为已生成路由路径则返回至S2，直至距离列表中的所有节点均被标记被已生成路由路径、最终完成对无线传感器网络的低能耗路由路径选择。
2.根据权利要求1所述的基于遗传算法的多跳路由路径选择方法，其特征在于，S1具体包括如下步骤：在无线传感器网络中确定一个汇聚节点，对无线传感器网络中的所有节点依据ID号进行编号、将汇聚节点编为0号，随后分别计算无线传感器网络中每个节点到汇聚节点间的距离，按照距离的大小进行降序排列、生成一个距离列表。
3.根据权利要求1所述的基于遗传算法的多跳路由路径选择方法，其特征在于，S2具体包括如下步骤：
S21、从距离列表中的第一个节点开始，以该节点作为起点、汇聚节点作为终点，采用非定长编码的方式初始化种群，根据先验知识，每个节点的下一跳节点从X个相邻节点中随机选出；
S22、对种群进行交叉处理，采用单点交叉，在两条染色体中，随机产生一个交叉位置，以概率Pc进行交叉；
S23、对种群进行变异处理，在染色体中，以概率Pm进行变异；
S24、种群根据设置的适应度函数选择适应度高及适应环境的能力更强的个体成为新的种群，判断迭代次数是否达到预设值，若达到则对已生成路由路径的节点进行标记，若未达到则返回至S22。
4.根据权利要求3所述的基于遗传算法的多跳路由路径选择方法，其特征在于：在S21中，根据先验知识，在最优路径序列中，每个节点的下一跳节点都是从距离该节点最近的X个相邻节点中随机选出；
当无线传感器网络中节点的总数量为0～100时，X＝9；当无线传感器网络中节点的总数量为100～300时，X＝15；当无线传感器网络中节点的总数量为300～1000时，X＝20。
5.根据权利要求3所述的基于遗传算法的多跳路由路径选择方法，其特征在于：对于S22与S23操作过程中所生成的新的染色体，执行消除染色体回路的操作。
6.根据权利要求3所述的基于遗传算法的多跳路由路径选择方法，其特征在于：在S24中，适应度函数为目标函数的倒数，适应度函数的计算公式为
Figure FDA0002506344250000021
其中，f(x)为目标函数，目标函数表示一条染色体中相邻节点间传输信息的能耗总和。
7.根据权利要求6所述的基于遗传算法的多跳路由路径选择方法，其特征在于：在目标函数中，两点间的传输能耗根据距离不同采用不同的规则；
当节点间距离d小于最小通信半径d0时，采用自由空间信道模型，节点能耗按d平方增加；
当节点间距离d大于最小通信半径d0时，采用多路径衰减信道模型，节点能耗按d的四次方增加；
节点间距离为d、另一节点传输L比特信息时，发送节点的能耗计算公式为
Figure FDA0002506344250000031
其中，Ee为收或发送1b时所消耗的能量，εfs和εmp为恒定值的参数、根据传感器所用传输放大器的模型确定；
目标函数的计算公式为f(x)＝∑iEsend(Li，di)。
8.根据权利要求3所述的基于遗传算法的多跳路由路径选择方法，其特征在于：在S24操作过程中，若出现路由路径冲突的情况，则比较新的路由路径和之前标记的路由路径的能量消耗、选择二者中能量消耗更少的进行保留。
CN202010447497.7A 2020-05-25 2020-05-25 基于遗传算法的多跳路由路径选择方法 Active CN111526555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010447497.7A CN111526555B (zh) 2020-05-25 2020-05-25 基于遗传算法的多跳路由路径选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010447497.7A CN111526555B (zh) 2020-05-25 2020-05-25 基于遗传算法的多跳路由路径选择方法

Publications (2)

Publication Number Publication Date
CN111526555A true CN111526555A (zh) 2020-08-11
CN111526555B CN111526555B (zh) 2022-07-26

Family

ID=71908252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010447497.7A Active CN111526555B (zh) 2020-05-25 2020-05-25 基于遗传算法的多跳路由路径选择方法

Country Status (1)

Country Link
CN (1) CN111526555B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114390628A (zh) * 2022-01-13 2022-04-22 上海应用技术大学 基于多跳网络结构的相对距离路由选择方法、装置和设备
CN117240772A (zh) * 2023-11-08 2023-12-15 苏州元脑智能科技有限公司 一种路由路径确定方法、装置、电子设备及存储介质
CN117915377A (zh) * 2024-03-19 2024-04-19 中铁四局集团有限公司 一种无线mesh网络的自组织方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103269507A (zh) * 2013-03-05 2013-08-28 江苏科技大学 双簇头无线传感器网络路由方法
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
CN106788729A (zh) * 2017-01-23 2017-05-31 西安电子科技大学 适用于无线光传感器网络的拓扑形成和路由方法
CN107846719A (zh) * 2017-12-15 2018-03-27 华中科技大学 一种基于改进鲸鱼群算法的无线传感器网络路由方法
CN108112049A (zh) * 2017-12-15 2018-06-01 华中科技大学 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
CN108712767A (zh) * 2018-03-02 2018-10-26 北京信息科技大学 一种无线传感器网络中能耗均衡的簇间多跳路由算法
CN108882330A (zh) * 2017-05-16 2018-11-23 北京信息科技大学 一种基于遗传算法的高能效路由算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103269507A (zh) * 2013-03-05 2013-08-28 江苏科技大学 双簇头无线传感器网络路由方法
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
CN106788729A (zh) * 2017-01-23 2017-05-31 西安电子科技大学 适用于无线光传感器网络的拓扑形成和路由方法
CN108882330A (zh) * 2017-05-16 2018-11-23 北京信息科技大学 一种基于遗传算法的高能效路由算法
CN107846719A (zh) * 2017-12-15 2018-03-27 华中科技大学 一种基于改进鲸鱼群算法的无线传感器网络路由方法
CN108112049A (zh) * 2017-12-15 2018-06-01 华中科技大学 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
CN108712767A (zh) * 2018-03-02 2018-10-26 北京信息科技大学 一种无线传感器网络中能耗均衡的簇间多跳路由算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周集良; 李彩霞; 曹奇英: "基于遗传算法的WSNs多路径路由优化", 《计算机应用》 *
桂超;汪波: "基于遗传算法的最短路径路由优化算法", 《微计算机信息》 *
罗毅: "基于改进EEUC协议的WSN能量优化方案研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114390628A (zh) * 2022-01-13 2022-04-22 上海应用技术大学 基于多跳网络结构的相对距离路由选择方法、装置和设备
CN117240772A (zh) * 2023-11-08 2023-12-15 苏州元脑智能科技有限公司 一种路由路径确定方法、装置、电子设备及存储介质
CN117240772B (zh) * 2023-11-08 2024-03-01 苏州元脑智能科技有限公司 一种路由路径确定方法、装置、电子设备及存储介质
CN117915377A (zh) * 2024-03-19 2024-04-19 中铁四局集团有限公司 一种无线mesh网络的自组织方法及系统

Also Published As

Publication number Publication date
CN111526555B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111526555B (zh) 基于遗传算法的多跳路由路径选择方法
Zhang et al. Novel dynamic source routing protocol (DSR) based on genetic algorithm‐bacterial foraging optimization (GA‐BFO)
Elhabyan et al. Two-tier particle swarm optimization protocol for clustering and routing in wireless sensor network
Lu et al. Genetic algorithm for energy-efficient QoS multicast routing
CN108737191B (zh) 面向超密集无线传感器网基于无监督学习的拓扑控制方法
Yen et al. A genetic algorithm for energy-efficient based multicast routing on MANETs
Karimi et al. Optimizing cluster-head selection in wireless sensor networks using genetic algorithm and harmony search algorithm
EkbataniFard et al. A multi-objective genetic algorithm based approach for energy efficient QoS-routing in two-tiered wireless sensor networks
Nandi et al. Genetic algorithm based optimization of clustering in ad hoc networks
CN111246416B (zh) 一种基于遗传算法的水下无线传感器网络拓扑控制方法
Zahmatkesh et al. A genetic algorithm-based approach for energy-efficient clustering of wireless sensor networks
Singh et al. Elitist genetic algorithm based energy efficient routing scheme for wireless sensor networks
Arivudainambi et al. Memetic algorithm for minimum energy broadcast problem in wireless ad hoc networks
Levendovszky et al. Quality-of-service routing protocol for wireless sensor networks
Satyanarayana et al. Implementation of enhanced energy aware clustering based Routing (EEACBR) algorithm to improve network lifetime in WSN’s
CN107295081B (zh) 一种联合路由优化的能量补充装置及其能量补充方法
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
CN111698706B (zh) 基于混沌遗传的无线传感器网络改进leach路由方法
CN116419290A (zh) 基于跨层设计联合深度q网络的水声通信能量优化方法
Singh et al. Lifetime maximization of wireless sensor networks using improved genetic algorithm based approach
Zhao et al. A hybrid ant colony optimization algorithm for optimal multiuser detection in DS-UWB system
Elhabyan et al. Evolutionary algorithms for cluster heads election in wireless sensor networks: Performance comparison
Khelifa et al. Enhancing Energy Efficiency in Mobile Ad hoc Networks using Genetic Algorithms
Jaradat et al. Comparison of Genetic Algorithm Crossover Operators on WSN Lifetime
Sharma et al. Influence of crossover and mutation on the behavior of Genetic algorithms in Mobile Ad-hoc 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