CN111970744A

CN111970744A - 一种基于改进ap和遗传算法的能量感知分簇路由协议

Info

Publication number: CN111970744A
Application number: CN202010874172.7A
Authority: CN
Inventors: 王宏志; 鲁晓帆; 胡黄水; 姚美琴; 刘清雪; 王婷
Original assignee: Jilin University of Architecture and Technology
Current assignee: Jilin University of Architecture and Technology
Priority date: 2020-08-26
Filing date: 2020-08-26
Publication date: 2020-11-20

Abstract

本发明涉及一种无线传感器网络分簇路由协议，特别是一种基于改进AP和遗传算法的能量感知分簇路由协议EAPGA，EAPGA首先根据剩余能量、节点间距离、节点到基站（BS）的距离和节点中心度来确定簇头（CH）。在选定的信道基础上，通过考虑CH之间能耗偏差来构建适应度函数，利用遗传算法对每个信道寻找最优路径。

Description

一种基于改进AP和遗传算法的能量感知分簇路由协议

技术领域

本发明涉及一种无线传感器网络分簇路由协议，特别是一种基于改进AP和遗传算法的能量感知分簇路由协议EAPGA，EAPGA首先根据剩余能量、节点间距离、节点到基站(BS)距离和节点中心度来确定簇头(CH)。在选定的信道基础上，通过考虑CH之间能耗偏差来构建适应度函数，利用遗传算法对每个信道进行寻优。

背景技术

无线传感器网络(WSN)作为物联网(IoT)不可或缺的一部分，近年来发展迅速,节能是延长无线传感器网络寿命的重要手段。根据众多研究，将节点分成不同的簇以最大限度地延长无线传感器网络的使用寿命被证明是节能和可扩展的。因此，在基于簇的协议中，所有传感器节点根据某些特定规则划分为不同的簇。网络中存在大量的特征信息，因此特别适合将成簇应用于无线传感器网络中。LEACH是最具代表性的分簇路由算法之一。其随机选择一个节点作为CH，但这可能使得一些剩余能量低或距离BS较远的节点被选为CH。LEACH-C是一种集中式协议，其中所有决策均由BS执行。LEACH-C的稳定阶段与LEACH协议相同。在稳定阶段，最初每个传感器节点都发送它的位置以及在每一轮中向BS发送剩余能量信息。BS根据接收的信息计算网络的平均剩余能量，当节点的剩余能量小于该平均剩余能量时，节点被禁止参与当前回合的CH选择过程。但该算法每个节点都需要配备GPS，会增加成本开销。因此有人提出利用智能算法，对K-means++算法进行改进，提出了一种无线传感网能量高效分簇协议KEECS。该协议在簇的建立阶段基于K-means++成簇算法进行分簇并在CH的选举过程中考虑了节点的剩余能量和CH的地理位置。但基于k-means算法选举CH时最优簇数不容易确定。因此引入AP算法计算初始聚类中心，然后采用K-medods算法对聚类结果进行进一步优化，不需要事先确定最优簇数。

发明内容

本发明所要解决的技术问题是针对目前分簇路由协议CH选择不合理、单跳路由性能不好问题，提出一种基于改进AP和遗传算法的分簇路由算法EAPGA，采用AP进行CH选举，AP算法不需要预先给定CH数目，选举初始成簇中心时是存在的节点而不是虚拟的节点，且可以自动确定CH及CH个数。AP算法选举CH时考虑了节点的剩余能量，节点中心度，节点间距，节点到BS的距离。遗传算法路由阶段采用了考虑CH能耗偏差的适应度函数。EAPGA算法选择了更合理的CH和最优路径，减少了节点的能量消耗，有效地延长了网络生命周期。

本发明一种基于改进AP和遗传算法的能量感知分簇路由协议由三部分构成，即系统模型、CH选举、寻找路径。系统模型为协议实现提供模型，具体包括网络模型和能量模型。CH选举基于AP算法，考虑了节点的剩余能量，节点中心度，节点间距和节点到BS的距离来选择能量高、距离成员节点近的节点担任CH。寻找路径是使用遗传算法来寻找全局最优的多跳路由路径。

所述的系统模型中的网络模型具有以下属性：所有节点都是同构的，能量有限，并且BS的能量是无限的；所有节点都可以感知其剩余能量和位置；从睡眠状态更改为工作状态时，节点消耗的能量相同。所述的系统模型中的能量模型采用自由空间模型，计算节点间发送和接收数据的能量消耗，以及簇头融合数据的能量消耗。

所述的CH选举基于AP算法，考虑节点的剩余能量，节点中心度，节点间距和节点到BS的距离来选择能量高、距离成员节点近的节点担任CH。

所述的寻找路径基于遗传算法，考量CH能耗偏差来构造适应度函数，并基于该函数来寻找最优的路径。

附图说明

图1为本发明的改进遗传算法有效染色体示意图

图2为本发明的避免无效染色体示意图

图3为本发明的参数设置

图4为本发明的网络剩余能量示意图

图5为本发明的网络存活节点数示意图

图6为本发明的网络生命周期示意图

图7为本发明的CH剩余能量偏差示意图

具体实施方式

本发明一种基于改进AP和遗传算法的能量感知分簇路由协议由三部分构成，即系统模型、CH选举和寻找路径。系统模型为协议实现提供模型，具体包括网络模型和能量模型。CH选举基于AP算法，考虑了节点的剩余能量，节点中心度，节点间距和节点到BS的距离来选择能量高、距离成员节点近的节点担任CH。寻找路径是使用遗传算法来寻找全局最优的多跳路由路径。

所述的系统模型中的网络模型具有以下属性：所有节点都是同构的，能量有限，并且BS的能量是无限的；所有节点都可以感知其剩余能量和位置；从睡眠状态更改为工作状态时，节点消耗的能量相同。所述的系统模型中的能量模型为在节点间距离为d的情况下，传感器节点发送L比特数据的能量消耗为：

E_Tx(L,d)＝E_elec*L+ε_amp*L (1)

其中d表示源节点和目标节点之间的通信距离。L表示数据包的长度。E_elec表示在两个传感器之间传输一位数据消耗的能量。ε_amp是放大器的能量消耗，可按公式(2)计算

其中ε_fs表示自由空间模型的能量消耗，ε_mp表示多径衰落模型的能量消耗。另外，d₀是放大器的阈值。d₀可用公式(3)计算

传感器接收L比特数据时消耗的能量为:

E_Rx(L)＝E_elec*L (4)

所述的CH选举基于AP算法，考虑节点的剩余能量，节点中心度，节点间距和节点到BS的距离来选择能量高、距离成员节点近的节点担任CH。具体步骤如下：

步骤1:计算WSNs中节点X＝{x₁,x₂,x₃...,x_n}之间的相似度矩阵s(i,k)，式(5)中E_now节点当前能量，是E_init节点初始能量，d_i,k是节点i和节点k之间的距离，d_i,bs是节点到BS的距离，s(i,k)初始化为0。

步骤2：更新WSN中节点X＝{x₁,x₂,x₃...,x_n}之间的吸引力矩阵r(i,k)，考虑了节点剩余能量和节点中心度。剩余能量越少，地理位置越偏僻的节点则成为CH的可能性越低。r(i,k)初始化为0。

NC_i(Node_Centerality)是节点中心度，节点距离邻居节点的平均最短距离越小，则节点中心度值越高，说明节点在该区域中越重要。其中N_i为节点i的邻居节点数量，S_area为计算的传感区域的面积。

步骤3：更新WSNs中节点X＝{x₁,x₂,x₃...,x_n}之间的归属度矩阵a(i,k)。a(i,k)初始化为0

步骤4：通过对节点的吸引度信息和归属度信息求和，确定节点选取的聚类中心。式(8)中，若i＝k，则节点i自身是CH；若i≠k，则节点k是节点i的CH。

k＝argmax_k{a(i,k)+r(i,k)} (8)

所述的寻找路径基于遗传算法，考量CH能量消耗来构造适应度函数，并基于该函数来寻找最优的路径。首先构造适应度函数，如式(9)

式中，E_CHS表示所有路由路径中的CH的能耗偏差，由下式给出：

其中h_i表示第i个CH，n_ch表示CH的个数，

表示h_i的能耗。由此可见，适应度函数的值越大，其个体质量越好，然后就越有可能传给下一代。

然后初始化种群，在EAPGA中，实数编码用于表示群体的染色体。染色体是指由CH的ID和BS的ID所表示的基因组成的个体。假如CH有n个，BS的ID就为n+1。每个基因g_i随机产生，但是要满足各自的约束条件

是h_i的候选下一跳CH的集合。

集合是由位于h_i的通信范内且其下一跳离BS更近的CH构成。因此可以避免无效染色体的产生，减小迭代次数。如图1，假设从具有100个节点的网络中选择了10个CH，其ID分别为5、20、33、45、49、52、73、76、81、97。从染色体上可以看出，CH₉₇的路由路径为97→5→76→33→101(BS)。如图2，传统遗传算法产生无效染色体，CH₄₉基因不在CH₅号基因的通信范围内；CH₇₃号虽然在CH₈₁号的通信范围内，但是CH₇₃离BS的距离要大于CH₈₁离BS的距离，使得链路产生回路20→73→81→73。

接着产生下一代种群，计算初始种群中每个染色体的适应度函数值，并按降序排列。适应度函数值越大，个体越接近最优解。选择操作采用精英选择法，选择最优个体直接遗传给下一代群体。对于其他染色体，每个染色体都决定其适应度函数值是否大于随机生成的有效个体的适应度函数值。如果大于，则选择其进行交叉操作，否则，选择随机的进行交叉操作，以加速收敛，并确保种群的多样性。

单点交叉用于选定的个体产生新的后代。计算每个子对象的适应度函数值，与父对象进行比较。如果其值大于其父代的值，则选择该值进行变异操作。或者，使用随机生成的个体来确定其适应度函数值是否大于父对象的适应度函数值。如果是，则选择随机个体进行变异操作，否则选择父个体。这样，收敛速度进一步加快。

把这些新的个体和精英的个体结合起来，将产生下一代的种群。

最后寻找最佳路由路径，在满足下列终止条件之一的情况下，EAPGA找到最佳路由路径。一个是预先设定的迭代次数，另一个是适应度函数值的偏差度，具体表示如下。

其中Fitness_i表示个体i的适应度函数值，Fitness_max表示最大适应度函数值，ε是一个小正数，等于10^-3。从总体中选择适应度函数值最大的个体，给出每个信道的最优路由路径。

为了验证该发明的性能，通过MATLAB将EAPGA和LEACH，LEACH-C、APSA进行了对比仿真。网络规模为100m×100m的无线传感器网络，节点总数为100。BS位于该区域的中心。其它仿真参数如图3所示。

首先对网络剩余能量进行了测试，结果如图4所示。可见，EAPGA算法中节点的总剩余能量分别高于LEACH、LEACH-C和APSA。因为EAPGA考虑了节点之间的位置关系来完成成簇，可以有效降低节点和CH传输的能量消耗，并将节点的剩余能量作为成簇标准。避免了选择剩余能量低，孤僻的节点作为CH，并减少了节点的数据传输能量消耗。

然后对网络存活节点数进行了测试，结果如图5所示。EAPGA算法的存活节点数在每一轮都高于LEACH、LEACH-C和APSA。是因为EAPGA采用基于改进的AP算法寻找CH且考虑了CH能耗的适应度函数遗传算法，找到了能够平衡簇间能量消耗的最优路由路径，有效地平衡CH节点之间的能量消耗，降低节点死亡速度，避免远离BS的节点早期大面积死亡的问题。

接下来对网络生命周期进行了测试，结果如图6所示。可见，EAPGA第一个节点的死亡时间比其它协议晚。当死亡节点数达到50％时，与LEACH、LEACH-C和APSA协议相比，EAPGA的网络生存期显著延长。LEACH，LEACH-C和EAPGA协议最后一个节点死亡轮数分别是1511,1689,2014,和2561轮，是因为EAPGA算法基于AP算法选举CH时考虑了节点的剩余能量，节点中心度，节点间距，节点到BS的距离四个因素，选择了最合适的节点当选CH，路由阶段采用了考虑能耗的适应度函数遗传算法，显著延长了网络的生存期。

最后对CH剩余能量偏差进行了测试，结果如图7所示。从图中可以看出分簇路由协议的成员节点能量消耗相似，都是将自己的数据发送给对应的CH，CH经过单跳或者多跳的形式发送给BS。所以网络的主要能量消耗集中在CH。为了均衡网络的能量消耗，CH的能量消耗均衡最为重要。表明的是CH经过一轮能量消耗后，其剩余能量的偏差程度。由于LEACH和LEACH-C的数据都是CH直接传送到BS，导致了CH的能量消耗过大。离BS远的CH能量消耗大，离BS近的消耗小，导致CH之间的能量消耗偏差大。而EAPGA采用遗传算法来构建多跳的方式，使数据达到BS。遗传算法的适应度函数是由CH的能量消耗偏差构成，为每个CH寻找一条最合适的路由路径，同时每条路由路径的能量消耗相差最小，从而达到均衡地消耗CH的能量，并延长网络的生命周期。

Claims

1.一种基于改进AP和遗传算法的能量感知分簇路由协议EAPGA，其特征在于：包括系统模型、CH选举和寻找路径；系统模型为协议实现提供模型，具体包括网络模型和能量模型，CH选举是基于AP算法，EAPGA算法考虑了节点的剩余能量，节点中心度，节点间距和节点到BS的距离来选择能量高、距离成员节点近的节点担任CH，寻找路径是使用CH的能耗偏差构造适应度函数的遗传算法来寻找全局最优的多跳路由路径；所述的CH选举是由以下步骤形成：

步骤1:计算WSNs中节点X＝{x₁,x₂,x₃...,x_n}之间的相似度矩阵s(i,k)，式(5)中E_now节点当前能量，是E_init节点初始能量，d_i,k是节点i和节点k之间的距离，d_i,bs是节点到BS的距离，s(i,k)初始化为0；

步骤2：更新WSN中节点X＝{x₁,x₂,x₃...,x_n}之间的吸引力矩阵r(i,k)，考虑了节点剩余能量和节点中心度，剩余能量越少，地理位置越偏僻的节点则成为CH的可能性越低，r(i,k)初始化为0；

NC_i(Node_Centerality)是节点中心度，节点距离邻居节点的平均最短距离越小，则节点中心度值越高，说明节点在该区域中越重要，其中N_i为节点i的邻居节点数量，S_area为计算的传感区域的面积；

步骤3：更新WSNs中节点X＝{x₁,x₂,x₃...,x_n}之间的归属度矩阵a(i,k)，a(i,k)初始化为0

步骤4：通过对节点的吸引度信息和归属度信息求和，确定节点选取的聚类中心，下式中，若i＝k，则节点i自身是CH；若i≠k，则节点k是节点i的CH，k＝argmax_k{a(i,k)+r(i,k)}；

所述的寻找路径是首先构造适应度函数，如下式

其中h_i表示第i个CH，n_ch表示CH的个数，

表示h_i的能耗；由此可见，适应度函数的值越大，其个体质量越好，然后就越有可能传给下一代；首先初始化种群，假设无线传感器网络中有n个节点，则BS的ID为n+1；染色体由实数编码，其中的每个基因为CH的ID和BS的ID；每个基因g_i随机产生，但是每个基因有各自的约束条件

其中

是CH的候选下一跳集合；

集合是位于h_i的通信范内且其下一跳离BS更近的CH构成因此可以避免无效染色体的产生，减小迭代次数；

接着产生下一代种群，计算初始种群中每个染色体的适应度函数值，并按降序排列；适应度函数值越大，个体越接近最优解；选择操作采用精英选择法，选择最优个体直接遗传给下一代群体；对于其他染色体，每个染色体都决定其适应度函数值是否大于随机生成的有效个体的适应度函数值；如果大于，则选择其进行交叉操作，否则，选择随机的进行交叉操作，以加速收敛，并确保种群的多样性；

单点交叉用于选定的个体产生新的后代，计算每个子对象的适应度函数值，与父对象进行比较，如果其值大于其父代的值，则选择该值进行变异操作，或者，使用随机生成的个体来确定其适应度函数值是否大于父对象的适应度函数值，如果是，则选择随机个体进行变异操作，否则选择父个体，这样，收敛速度进一步加快；把这些新的个体和精英的个体结合起来，将产生下一代的种群；

最后寻找最佳路由路径，在满足下列终止条件之一的情况下，EAPGA找到最佳路由路径，一个是预先设定的迭代次数，另一个是适应度函数值的偏差度，具体表示如下：

其中Fitness_i表示个体i的适应度函数值，Fitness_max表示最大适应度函数值，ε是一个小正数，等于10^-3，从总体中选择适应度函数值最大的个体，给出每个信道的最优路由路径。