CN112822747A - 一种无线传感网中基于遗传算法和蚁群算法的路由选择策略 - Google Patents
一种无线传感网中基于遗传算法和蚁群算法的路由选择策略 Download PDFInfo
- Publication number
- CN112822747A CN112822747A CN202110229501.7A CN202110229501A CN112822747A CN 112822747 A CN112822747 A CN 112822747A CN 202110229501 A CN202110229501 A CN 202110229501A CN 112822747 A CN112822747 A CN 112822747A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- energy consumption
- network
- 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.)
- Granted
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
- 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
-
- 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]
-
- 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
- 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
- H04L45/46—Cluster building
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- 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
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,包括:设定网络的基本参数,确定能耗模型,结合高斯分布产生遗传算法的初始解;当达到设定的轮数时,计算每个染色体的适应性函数值,使用精英法保留个体,并选择两个染色体作为父本,交叉互换,生成新的子代,进行基因位突变;确定簇头节点,更新全局信息素,当达到蚁群算法的循环次数时,每一个簇头节点使用蚁群算法需找到基站的路径;更新路由表,计算候选节点,使用轮盘赌方法选择下一跳的节点,直到蚂蚁到达基站,完成簇内传输和簇头到基站的传输,得到能耗最小的传输路径。能够增强了在随机网络内的适应性,延长网络寿命,降低节点传输到基站的能耗。
Description
技术领域
本发明涉及一种无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,属于无线传感网络领域。
背景技术
无线传感网作为一种革命式的技术在近几年的发展中取得了长足进步。它是由可以感知和检测外部环境的传感器构成[1]。传感器通过无线的方式通信,可以和互联网进行有线或无线的连接。节点通过无线通信方式形成的一个多跳自组织网络,并与外界连接。无线传感器网络已经在诸多领域有很广泛的应用,例如监控环境,灾害预警系统,医疗,防御系统和目标跟踪[2]。在这种应用背景下,传感器在网络环境中测量和感知外界的数据并通过多跳的形式传输给位置比较远的基站[3]。由于传感器节点在网络中随机分布且放置后不可移动,使得网络的整体能耗受限。因此,节能便成为了无线传感网中的热点问题之一。Wendi Rabiner Heinzelman,等人在2000年提出了leach分簇算法(Low Energy AdaptiveClustering Hierarchy),该算法基本思想是:以循环的方式随机选择簇头节点,将整个网络的能量负载平均分配到每个传感器节点中,从而达到降低网络能源消耗、提高网络整体生存时间的目的[4]。仿真表明,与一般的平面多跳路由协议和静态分层算法相比,LEACH分簇协议可以将网络生命周期延长15%。
由于LEACH假定所有节点能够与基站直接通信,并且每个节点都具备支持不同MAC协议的计算能力,因此该协议不适合在大规模的无线传感器网络中应用。而且节点直接与基站通信会浪费大量的能量。Leach算法中的簇头选举依赖于随机数的生成,有可能出现被选的簇头节点集中在网络某一区域的现象,这样就会使得一些节点的周围没有任何簇头节点。除此之外算法没有说明簇头节点的数目怎么分布才能及于整个网络。由此可见,在无线传感网中,节点的分簇和路由问题是非常重要的。
分簇是将网络内的某些节点以簇为单位划分。分簇结束后,成员节点将收集到的信息传递给簇头。簇头收集后进行数据融合和处理。簇头会发送数据到基站,以直接发送数据到基站或者以多跳的形式传输数据。到目前为止,很多分簇和路由的算法相继被提出,旨在降低网络的能耗和延长网络的寿命。遗传算法[6-8],粒子群算法[9-11]和蜂群算法[12-14]是在簇头选举中较为常见的算法[15]。在无线传感网中,传输路径的选择和簇头选举极为关键。好的路由算法和分簇算法可以降低在路径寻优过程中消耗的能量和时间[16]。除此之外,还可以减少环路的产生,延长网络寿命[17-18]。蚁群算法和遗传算法是基于种群进化的启发式算法,非常易于实现,很容易和其他算法结合,在路径的规划等方面有很广泛的应用。在近几年的路由算法研究中,引起了国内外研究学者越来越多的关注。
在无线传感网中,分簇和路由都是平衡网络能耗和节能的重要操作。在过去的几年,为了在网络中既能平衡网络的能耗,又能考虑节点本身自身有限的计算能力和剩余能量,有许多改进的分簇和路由算法先后被提出并用于无线传感网的路由及传输策略当中。
Moorthi等人结合了leach和粒子群算法,用改进后的leach选择簇头,粒子群算法寻找路径[19]。但是簇头的数量固定,无法适应网络随机放置节点的方式。D.Venkatesh等人考虑了节点之间的距离,但是簇头的数量固定,没有考虑节点的剩余能量[22]。Sang H.Kang等人改进了leach算法[24]。结合了剩余能量等因素,但是簇头的数量固定且运用了大量的积分运算,增加了计算时间,簇头之间的传输也消耗了不必要的能量。Ahmed等人设计了Node rank algorithm,计算每个节点并排序,排序较高的节点当作是簇头[25]。此算法减少了leach算法种随机选取簇头的不确定性。但是簇头的数量固定,没有考虑节点距离基站的距离等信息。P.Sivakumar等人分析了几种基于leach的改进算法,并分析了这些算法的几个重要性能指标[26]。Qian Liao等人结合节点的剩余能量和节点之间的距离改进了leach算法,提出了节点归属的函数[28]。但是簇头的选举随机,没有考虑网络内节点之间的位置关系。
Ali Norouzi使用遗传算法计算簇头[34]。在适应度函数设计中考虑了节点到基站的距离、簇头到基站的距离、簇头到基站距离的标准差、传输的能量和报文的数量。但是没有考虑节点的剩余能量和簇内的传输能耗和距离。在数据传输阶段没有考虑中继节点到基站的距离和传输到基站的能耗。Pratyay Kuila使用了遗传算法平衡网络能耗[35]。在适应性函数中考虑了节点负载的标准差。但是并没有提及簇的形成和簇头选择。ShahrzadDehghani使用遗传算法选择簇头[36]。在适应度函数中考虑了节点传输能量、节点到基站的距离,簇头数量和节点的数量等。但是没有考虑节点的剩余能量。在传输阶段节点通过单跳方式传输到基站,浪费了大量能量。Mohamed Elhoseny在适应度函数中考虑了节点的剩余能量,节点消耗的能量和邻居节点数量等[37]。以多种编码的方式计算适应度函数值。但是没有考虑到基站的距离和与邻居节点的位置关系。P.Srinivasa Ragavan等人使用遗传算法计算簇头,禁忌搜索(tabu serach)寻找路径[40]。在适应度函数中结合了发送的能耗和存活的节点数量。但是没有考虑节点的剩余能量。网络的寿命没有讨论,是一个不稳定的网络。Jinyu Ma提出了APTEEN[48]。此算法采用了双簇头的分簇模式。在信息素的改进策略中考虑了节点的剩余能量和到簇头的距离。但是算法没有考虑与候选节点之间的距离和到sink节点的距离。Fei Li提出一种新的WSN路由算法[49]。在这篇文章中,量子比特用来表示节点信息素,量子门旋转以更新搜索路径的信息素。本文重点研究了两个性能指标:收敛速度和网络寿命。但是此算法没有考虑与候选节点之间的距离和到sink节点的距离。JiajuanFang所提出的算法中,提出了一种新的随机扰动因子[50]。
在诸多文献中仍还存在着不足和缺点,有待完善。这里我们总结了相关文献的不足:
在分簇算法的相关文献中,计算簇头数量一直是有待解决的重要问题之一。很多文献提出的方案是假设节点均匀分布或者根据无线电传输模型中的参数计算簇头数量。但是在具体的网络环境中,节点的分布是随机分布。因此,在大部分的文献中簇头数量的定义是不准确的。这势必会造成分簇的不合理及能量的大量浪费。在遗传算法的相关文献中,适应性函数的设定存在很多计算簇内成员节点和簇头到基站的距离。但是分簇的目的是为了节能,以距离代替能耗不能完全求出全局最优解。在寻找路由的相关文献中,大部分算法考虑的因素少。很多算法没有考虑节点到sink节点的距离和节点与邻居节点的关系。算法容易产生环路导致增加路径的长度,以及信息素的更新不全面。
发明内容
本发明设计开发了一种无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,能够克服网络内节点随机分布而无法准确计算簇头数量的问题,增强了在随机网络内的适应性,延长网络寿命,降低节点传输到基站的能耗。
本发明提供的技术方案为:
一种无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,包括:
设定网络的基本参数,确定能耗模型,结合高斯分布产生遗传算法的初始解;
当达到设定的轮数时,计算每个染色体的适应性函数值,使用精英法保留个体,并选择两个染色体作为父本,交叉互换,生成新的子代,进行基因位突变;
确定簇头节点,更新全局信息素,当达到蚁群算法的循环次数时,每一个簇头节点使用蚁群算法需找到基站的路径;
更新路由表,计算候选节点,使用轮盘赌方法选择下一跳的节点,直到蚂蚁到达基站,完成簇内传输和簇头到基站的传输,得到能耗最小的传输路径。
优选的是,所述网络参数包括:网络规模、节点数量、节点分布、节点初始能量、节点通信半径、传输报文。
优选的是,所述确定能耗模型包括:对节点的计算能耗和通信的能耗,每一轮运行均需包括:搜索路径能耗和数据传输能耗,通过降低搜索路径能耗和传输数据过程中节点之间的通信能耗来建立能耗模型,在模型中,包括能耗发送模块和能耗接收模块,能耗发送模块通过发送器进行能耗发送,发送器的发送能耗是发送电路和功率放大电路的能耗之和,经验公式为:
ETx(k,d)=ETx-elec(k)+ETx-amp(k,d)=k*Eelec+k*εamp*dn
式中,Eelec为无线电电路发送一个字节的信息消耗,单位为nj/bit,εamp为功率放大系数,n为路径下降指数,d为节点i和j的欧氏距离,k为传输信息的数据包大小,ETx-elec(k)为发送电路的能耗,ETx-amp(k,d)为功率放大电路的能耗;
其中,参数εamp和n的取值受d和关键距离d0的影响,
式中,xi和yi是节点i的横坐标值和纵坐标值,xj和yj是节点j的横坐标值和纵坐标值;
当d<d0时,选用自由空间模型:ETx(k,d)=Eelec*k+εfs*k*d2;
式中,εfs=εamp为功率放大系数,n=2;
当d≥d0时,使用多路径衰减模型,ETx(k,d)=Eelec*k+εmp*k*d4;
εamp=εmp为功率放大系数,n=4;
接收信息使用的模型为:
ERx(k)=ERx-elec(k)=ETx-elec(k)=Eelec*k;
其中,Eelec=200nj/bit,εfs=10pj/bit/m2,εmp=0.0013pJ/bit/m4。
优选的是,所述适应性函数的公式为:
式中,C为网络内簇头的集合,E0为节点的初始能量,Ei为i节点的剩余能量,EIntracluster为簇内通信的能耗,Ei_CH为成员节点i传输数据到簇头的能耗,即成员节点传输数据到簇头,Etran为簇头传输数据到sink节点的传输能耗,Etran=round(disCHtoSink/R)*ER,round(disCHtoSink/R)为簇头到sink节点的路径条数向无穷大方向取整,R为通信半径,ER为传输一个通信半径的长度所消耗的能量。
优选的是,所述确定簇头节点,更新全局信息素过程还包括:
通过所述的蚁群算法寻找路径时,源节点产生前向蚂蚁搜索路径,到达终点后,终点产生后向蚂蚁沿原路径返回,更新信息素;寻找路径阶段,对下一跳节点的概率进行计算,所述下一跳节点的概率计算式为:
为了避免产生冗余的路径或环路,在选择下一跳节点时,结合距离因子,为了平衡网络能耗和延长网络寿命,在启发期望因素中,考虑节点的剩余能量,其中:
式中,disiToSink为节点i到sink节点的距离,disjToSink为候选节点j到sink节点的距离,E0为节点的初始能量,R为节点的通信半径,Q为常数;
当前向蚂蚁完成路径的搜索,到达sink节点时,sink节点会产生后向蚂蚁,互相蚂蚁会沿着路径返回,更新全局信息素,给下一轮的前向蚂蚁提供正反馈;全局信息素的更新式为:
τij(t+1)=(1-ρ)*τij(t)+ρ*Δτij(t);
式中,ρ为蒸发系数,在没有蚂蚁走过的路径上信息素会随着时间蒸发,1-ρ是信息素的剩余因子,Δτij为节点i到j之间链路上信息素的变化量,M为常数,length为路径的长度,Emean为路径黄总节点的平均剩余能量。
在全局信息素更新完毕后,路径短,剩余能量高的路径上信息素会增多;路径长,节点剩余能量较少的路径上信息减少。
优选的是,还包括:
所述网络的寿命计算公式为:
lifetime=w1*FND+w2*HND+w3*LND;
式中,FND为第一个节点死亡的轮数,HND为一半节点死亡的轮数,LND为全部节点死亡的轮数,w1、w2、w3为常量,设定w1=w2=0.5,w3=0。
本发明所述的有益效果:本发明提处的基于遗传算法和蚁群算法的改进分簇和路由策略,该算法在假设初始阶段结合了高斯分布,更全面有效地适应用于随机分布的网络中,改进了遗传算法中的适应性函数,更准确的模拟了传输的能耗,在蚁群算法黄总,改进了下一跳节点的概率旋转和全局信息素更新,防止路径中出现环路。
本发明提出了一种基于遗传算法和蚁群算法的改进分簇策略(ICRS),能够减少簇头旋转和寻优过程中花费的时间和消耗的能量,降低传输数据的能量,从而延长网络寿命。
本发明解决了大部分解决方案中因为网络内节点随机分布而无法准确计算簇头数量的问题,增强了在随机网络内的适应性。其次针对簇头选举中的遗传算法和路径选择的蚁群算法进行了优化和改进,延长网络的寿命,增加了基站收集的数据量。
附图说明
图1为本发明所述的无线电传输模型示意图。
图2为本发明所述的基于遗传算法和蚁群算法的改进分簇策略(ICRS)算法的流程图。
图3为本发明所述的簇头数量分布图。
图4为本发明所的基因和ID图。
图5为本发明所述的crossover操作图。
图6为本发明所述的遗传算法引入变异时发生突变的示意图。
图7为本发明所述的节点之间的路径图。
图8为本发明所述的disToLine示意图。
图9为本发明所述的网络剩余能量图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1-9所示,本发明提供一种无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,该算法在假设初始解阶段结合了高斯分布,更全面有效地适用于随机分布的网络中。此外,改进了遗传算法中的适应性函数,更准确地模拟了传输的能耗;在蚁群算法中,改进了下一跳节点的概率选择和全局信息素更新,防止路径中出现环路,包括:
设定网络的基本参数,确定能耗模型,结合高斯分布产生遗传算法的初始解;
当达到设定的轮数时,计算每个染色体的适应性函数值,使用精英法保留个体,并选择两个染色体作为父本,交叉互换,生成新的子代,进行基因位突变;
确定簇头节点,更新全局信息素,当达到蚁群算法的循环次数时,每一个簇头节点使用蚁群算法需找到基站的路径;
更新路由表,计算候选节点,使用轮盘赌方法选择下一跳的节点,直到蚂蚁到达基站,完成簇内传输和簇头到基站的传输,得到能耗最小的传输路径。
无线传感网是一个由许多节点构成的自组织网络。传感器节点能够感知外部环境,在数据收集过程中节点能够进行简单的基础性计算,并且能和邻居节点通过无线传输模块在通信范围内通信。数据收集后经过网络内节点的多跳传输最终到达sink节点。网络模型参数如表1所示。
假设节点满足条件:
1)所有的节点在监控区域内随机分布。节点布置后,位置不能改变。
2)每个节点的性能是相同的,具备相同的计算能力,通信能力,每个节点的初始能量是一样的。
3)所有的节点的能量是受限的并且不能被更换,但是sink节点有能量供给。
4)每个节点装有GPS模块,可以定位自己的位置
5)节点之间的通信链路是对称的,节点能够根据接受信号的强度计算与发送节点的距离。每个节点在通信半径中可以与其他节点通信。
确定能耗模型包括:
在无线传感网中,节点的计算和通信都消耗能量。但是经过比较后,通信的能耗远大于节点计算消耗的能量。因此,降低网络能耗主要有两个方面,减少节点的计算难度和降低节点之间通信的能耗。在本文中,一轮运行分为两个过程:搜索路径和数据传输。在路径的搜索阶段,节点先计算选择下一跳,然后再与选定的下一跳节点通信,更新路由表。此过程中计算消耗的能量与节点通信的能耗相比可以忽略不记。在传输阶段中,节点的能耗包括接收数据和发送数据。因此,节能的主要方式是降低搜索路径能耗和传输数据过程中节点之间的通信能耗。为了更好地研究和分析通信能耗,我们采用简化的能耗模型,如图1所示。这是分析能耗的简化图,左侧是发送模块,右侧是接收模块。k是发送和接受数据的字节长度,d是发送和接收模块之间的距离。这个图表示的意思是,发送模块发送k个字节的数据到距离为d的接收模块中。
能耗发送模块通过发送器进行能耗发送,发送器的发送能耗是发送电路和功率放大电路的能耗之和,经验公式为:
ETx(k,d)=ETx-elec(k)+ETx-amp(k,d)=k*Eelec+k*εamp*dn
式中,Eelec为无线电电路发送一个字节的信息消耗,单位为nj/bit,εamp为功率放大系数,n为路径下降指数,d为节点i和j的欧氏距离,k为传输信息的数据包大小,ETx-elec(k)为发送电路的能耗,ETx-amp(k,d)为功率放大电路的能耗;
其中,参数εamp和n的取值受d和关键距离d0的影响,
式中,xi和yi是节点i的横坐标值和纵坐标值,xj和yj是节点j的横坐标值和纵坐标值;
当d<d0时,选用自由空间模型:ETx(k,d)=Eelec*k+εfs*k*d2;
式中,εfs=εamp为功率放大系数,n=2;
当d≥d0时,使用多路径衰减模型,ETx(k,d)=Eelec*k+εmp*k*d4;
εamp=εmp为功率放大系数,n=4;
接收信息使用的模型为:
ERx(k)=ERx-elec(k)=ETx-elec(k)=Eelec*k;
其中,Eelec=200nj/bit,εfs=10pj/bit/m2,εmp=0.0013pJ/bit/m4。
改进后的初始解、改进的遗传算法和蚁群算法包括:
结合高斯分布生成的初始解可以更好地适应网络内因节点随机分布而造成差异较大的拓扑结构。使用遗传算法可以从多个初始解中生成全局最优解。改进的蚁群算法可以找到一条能耗最小的传输路径。我们提出的ICRS算法流程图如图2所示。同时我们也简单介绍一轮算法的具体步骤:
Step 1:设定网络的基本参数,如长宽,节点数量等;
Step 2:结合高斯分布产生遗传算法的初始解;
Step 3:计算每个染色体的适应度函数值;
Step 4:使用精英选择法,保留表现较好的个体;
Step 5:在保留的优秀个体中任意选择两个染色体作为父本,交叉互换,生成新的子代;
Step 6:在新生成的子代中的某些基因位突变;
Step 7:如果没有达到设定的轮数,转到Step 3;
Step 8:确定完簇头节点后,簇头节点广播成簇信息,普通节点根据距离的大小确认自己所属的簇头节点;
Step 9:每一个簇头节点使用蚁群算法寻找到基站的路径;
Step 10:计算候选节点,使用轮盘赌方法选择下一跳的节点;
Step 11:更新路由表,直到蚂蚁到达基站。如果蚂蚁没到达目的地,转到Step 10;
Step 12:更新全局信息素。如果没达到蚁群算法的循环次数,转到Step9;
Step 13:完成簇内传输和簇头到基站的传输,并记录相关数据。转到Step 3;
改进的初始解包括:
由于在无线传感网中,节点随机布置后不可移动。因此网络内节点的分簇会很受拓扑结构的影响。在大部分文献中,作者计算簇头数量是根据能耗模型中的参数或人为规定理想的簇头数量。这些文献中设定的簇头数量是假设节点在网络内随机分布。如果定义簇头的数量是占节点总数的固定百分比,这种做法并没有考虑节点的随机分布。很多的节点在传输阶段会因此浪费很多能量。这些节点会先把数据传输给错误分布的簇头,再由簇头传输到基站,浪费大量能量。不合理的分簇可以加速簇头死亡。如果一个簇头的子节点很多,此簇头的负载会增加,在传输阶段会大量消耗能耗,减少网络寿命。因此,如何在非均匀分布的条件下计算出理想的簇头数量便成为了分簇的主要问题之一。
为了解决这个问题,在设计算法的初始解时我们引入了高斯分布。我们假设两种极端的情况:网络内的簇头数量是1和每两个节点组成一个簇,即簇头的数量是n/2(网络内节点的总数是n)。在这两种情况范围之中总会有一种分布能耗最小。如图3所示,我们假设此样本的总数是50,横坐标是簇头的个数,纵坐标是占总样本数的百分比。我们设定的高斯分布方差是20,对称中心是(1+n/2)/2。例如,20个簇头所占的百分比是62.6%,四舍五入乘以样本的总数就是31,即网络中存在20个簇头的染色体有31个;60个簇头所占的百分比是93.5%,计算出的数量是47,即网络中有60个簇头的染色体的数量是47个。相比于其他文献提出的固定簇头数量,我们结合高斯分布生成的初始解保证了簇头分布的多元化和全面性。由于节点在网络中随机分布,我们提出的初始解可以有效地适应节点的拓扑结构。
我们设计遗传算法的初始解时,考虑了网络内节点分布的随机性,没有像大部分文献中固定的簇头数量或者假设节点均匀分布。这保证了初始解的多样性和全面性。仿真证明,这种设置初始解的方式可以有效适应网络的结构,可以适应随机分布导致的拓扑变化。
一些节点由于网络内节点的随机分布,使得分簇后能耗增加。为了达到节能的目的,这些节点不需要加入到簇中,可以单独传输数据到sink节点。综上所述,这篇文章采用的是混合分簇结构,即为了达到节能和延长网络寿命的目的,在随机分布的网络模型中将有分簇潜力的节点分簇,一些不利于分簇的节点独自传输数据到sink节点。
改进的遗传算法包括:
遗传算法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,包括:
(1)编码
遗传算法大致计算过程:产生初始解,编码,计算适应性函数值,选择优秀个体,交叉互换,突变和解码。本文中产生的初始解已在上一节介绍完毕。编码问题是遗传算法的关键,变异算子和交叉算子都受到编码方法的影响,因此编码问题极大地影响了遗传计算的效率。常见的编码方法有:二进制编码、格雷码、浮点数编码、多参数级联编码、多参数交叉编码等。我们采用的是二进制编码。染色体的基因数等于网络中的节点数,节点的ID与基因的排序相对应。普通节点设置为0,簇头节点设置为1,死亡节点设置为-1。每条染色体表示一种节点的分布情况。如图4所示,节点ID为2、4、11的节点为簇头,节点ID是7的节点为死亡节点,其余节点为普通节点。
(2)适应性函数
适应性函数的设计是设计遗传算法的关键步骤之一。适应性函数的好坏决定了函数的收敛速度和是否陷入局部最优解。网络的一轮分为两个阶段:分簇阶段(set-upstage)和稳定传输阶段。为了达到节能的目的,在分簇阶段初期节点会在通信半径内广播自己的位置信息来确认邻居节点。然后计算簇头位置。分簇阶段完毕后,簇头会先与成员节点通信确认,然后生成TDMA时刻表。在传输阶段,簇头会先收集成员节点的信息,再传输到sink节点。我们不会采用簇头与簇头之间的传输,取而代之的是通过蚁群算法计算出由簇头节点到sink节点之间的多跳路由(下一节我们会讲述)。我们设计的算法最主要的目的是节能,因此我们设计的适应性函数会考虑节点的剩余能量和节点之间传输的能耗,即一轮运行的整体能耗,如下式所示:
式中,C为网络内簇头的集合,E0为节点的初始能量,Ei为i节点的剩余能量,EIntracluster为簇内通信的能耗,Ei_CH为成员节点i传输数据到簇头的能耗,即成员节点传输数据到簇头,Etran为簇头传输数据到sink节点的传输能耗,Etran=round(disCHtoSink/R)*ER,round(disCHtoSink/R)为簇头到sink节点的路径条数向无穷大方向取整,R为通信半径,ER为传输一个通信半径的长度所消耗的能量。
(3)选择、交叉互换和突变
选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。在计算完每条染色体的适应度函数值后,遗传算法会淘汰表现不太好的染色体,保留表现优秀的染色体。常见的选择策略有轮盘赌选择法、随机遍历抽样法、锦标赛选择法、精英选择法等。在本发明中,作为一种优选,采用的是精英选择策略,保留表现优秀的个体直接遗传给下一代。
交叉(crossover)是遗传算法中由遗传学中染色体交叉互换、生物杂交等现象发展来的一个算法过程。杂交操作就是将两个父本染色体上的基因进行重新组合分配,从而产生下一代个体的过程,通过杂交可能会将两个父本的优势基因组合在一起,产生适应度更高、更接近最优解的新个体。通常杂交算法和基因的编码方式有关,当前采用最多的是二进制编码方式,二进制编码的主要杂交算法有:单点杂交、多点杂交、均匀杂交和洗牌杂交等方式。本文采用的是单点杂交的方式。如图5所示,遗传算法在保留下来的优秀个体中随机选取两个不重复的染色体作为父本,然后随机产生一个位置。作为父本的染色体会互相交叉,生成一个新的子代个体。直到子代染色体的数量满足要求,交叉互换结束。
遗传算法引入变异的目的有两个:一是使遗传算法具有局部的随机搜索能力。当遗传算法通过交叉互换已接近最优解邻域时,利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。二是使遗传算法可维持群体多样性,以防止出现未成熟收敛现象。具体过程如图6所示。
改进的蚁群算法包括:
在网络的分簇阶段完成后,每个簇头会收集成员节点的信息并传输到sink节点。与在本发明中,作为一种优选,采用的是以多跳的形式传输数据。路由表的构成可能是:簇头,普通节点,普通节点,普通节点,sink节点。在路由的计算过程中我们主要考虑的是节点的剩余能量和平衡网络能,避免由于不必要的路径传输造成的能量浪费。
(1)路由的发现
蚁群算法寻找路径时,源节点产生前向蚂蚁搜索路径。到达终点后,终点产生后向蚂蚁沿源路径返回,更新信息素。在寻找路径阶段,最关键的是下一跳节点的概率计算。
下一跳节点的概率计算式为:
为了避免产生冗余的路径或环路,在选择下一跳节点时,结合距离因子,为了平衡网络能耗和延长网络寿命,在启发期望因素中,考虑节点的剩余能量,其中:
式中,disiToSink为节点i到sink节点的距离,disjToSink为候选节点j到sink节点的距离,E0为节点的初始能量,R为节点的通信半径,Q为常数;
ηij也会变小,则节点j被选择的概率变小;
所确定的候选节点的范围有可能不朝向sink节点。如图7所示,如何让节点的下一跳选择更高效,相比于路径1,路径2的长度更长,而且更偏离朝着sink节点的方向,因此我们加入了一个重要的距离因子。连接起点和终点如图8所示,为了纠正偏离的节点选择,候选节点将会计算到这个线段的距离,即disToLine。首先要确定两个节点的坐标,计算两个点所确定的直线方程,转化为Ax+By+C=0。其中x0和y0表示的是候选节点的横纵坐标
全局信息素更新
当前向蚂蚁完成路径的搜索,到达sink节点时,sink节点会产生“后向蚂蚁”,后向蚂蚁会沿着路径返回,更新全局信息素,目的是给下一轮的前向蚂蚁提供正反馈;在路径寻优过程中,正反馈很重要,高效的正反馈可以加速算法的收敛速度,缩短路径寻优的时间,对此结合路径的长度和剩余能量改进全局信息素的更新,得到全局信息素的更新式为:
τij(t+n)=(1-ρ)*τij(t)+ρ*Δτij(t);
式中,ρ为蒸发系数,在没有蚂蚁走过的路径上信息素会随着时间蒸发,1-ρ是信息素的剩余因子,Δτij为节点i到j之间链路上信息素的变化量,M为常数,length为路径的长度,Emean为路径黄总节点的平均剩余能量。
在全局信息素更新完毕后,路径短,剩余能量高的路径上信息素会增多;路径长,节点剩余能量较少的路径上信息减少。
簇头数量的讨论
在算法初期产生初始解时,我们提出的算法产生了很多种簇头分布的可能。这提高了算法在节点随机布置条件下适应网络结构的能力。分簇完成后,在网络中产生了某些簇头节点没有子节点的情况。相比于固定簇头数量,这种分簇方式更加灵活和节能。因为某些节点和周围邻居节点强行分簇后反而会消耗能量。比如某一个节点距离基站较近,并且和邻居节点的距离较远。分簇后这个节点要先传输数据到距离更远的簇头,再由簇头节点传输数据到基站,这种分簇的方式无疑会浪费大量的能耗。因此我们想的传输方式是与其加速减少网络的寿命,不如单独传输数据到基站。相比之下延长了网络的寿命。
总之,相比于其他分簇算法,我们提出的算法没有固定簇头的数量或者假定节点均匀分布计算簇头数量。由于节点随机分布的情况无法预知,我们在设定初始解时产生的很多的可能性解,再利用遗传算法进行迭代优化计算。计算后的簇头分为两种,一种有子节点,而另一种没有。没有子节点的簇头单独传输数据到基站,这种混合分簇的方式有效地节约网络的能量,延长了网络的寿命。
评价指标
簇头的数量
在无线传感网中,簇头的数量是非常重要的,也是衡量网络分簇后的结构一个重要指标。簇头的数量过少,则会加重分簇后簇头的负担。这使得在传输阶段中簇内传输的能耗很大,很有可能导致簇头节点的快速死亡,从而减少网络的寿命。簇头的数量过多,在簇内传输阶段可以减少能耗,但是在簇头传输到基站的过程中会增加网络内节点的传输能耗,也会加速减少网络的寿命。在提出的算法ICRS中,我们使用高斯分布计算簇头的数量。计算后适合成簇的节点成为簇头,不适合成簇的节点则单独传输数据到基站。因此我们也将会统计单独传输到基站的节点数量。
(2)存活的节点数量
网络内存活的节点数量是衡量网络寿命的重要指标之一,运行一定轮数后,网络内存活的节点数量越多,说明网络的寿命越长。在衡量网络寿命中,有很多中计算方式,其中包括计算第一个节点死亡的轮数(FND),一半节点死亡的轮数(HND)和全部节点死亡的轮数(LND),如下式所示:
lifetime=w1*FND+w2*HND+w3*LND
(2.1)第一个节点死亡时的轮数
网络中第一个节点死亡的轮数大小往往标志着算法分簇后的结构是否均匀消耗节点的能量。
(2.2)一半节点死亡时的轮数
在网络消耗一半的节点过程中,我们可以记录较多的数据。当然,一半节点死亡时的轮数也非常重要。在这个过程中可以判断算法所消耗能量的大致趋势。
(3)死亡的节点数量
节点的总数量等于存活的节点数量加死亡的节点数。死亡的节点数量可以从侧面衡量网络消耗能量的水平。消耗能量的速度过快则网络的寿命很短,从而作证算法在节能方面欠缺考量。
(4)基站收到的信息总量
成功传输到基站的数据包的数量称为吞吐量。这是用于提高QoS以确保网络可靠性的重要参数之一。同样在本文中,我们将记录在第一个节点死亡时基站接收到的信息总量和当一半节点死亡的时候基站接收到的信息量。这表明了网络中节点的传输能力。
(5)网络的剩余能量
随着数据传输的进行,网络的总能量,即所有节点的能量之和,由于节点在与其他节点或接收器进行通信时所消耗的能量而逐渐减少。此度量标准有助于揭示每个回合之后节点的总能量状态。当路由策略是一种有效的节能策略时,网络将保留其能量,从而获得网络寿命。
实施例
进行用于仿真的网络参数和算法中的相关系数设置,使用matlab2017a软件,处理器是AMD r5 2600,在windows10的运行环境下,进行网络参数设置,如表1所示
表1
网络规模 | 200m*200m |
节点数量 | 200 |
节点分布 | 随机分布 |
节点初始能量 | 0.5J |
节点通信半径 | 40m |
传输报文 | 3000bit |
其中,节点随机分布在网络中且不知完毕后不能移动,在网络中,没有高能量节点,所有节点的初始能量都是相同,在遗传算法中,我们采用经营选择策略,会淘汰一半的染色体,剩下的直接保留下来。染色体的基因数量是200,循环次数是30。基因的突变概率是0.008。在蚁群算法中,和β=2。节点的通信半径设置为40。
仿真结果分析
基于上面提出的几个参考维度分析ICRS算法的各个参数指标。ICRS算法的工作原理我们在前面已经讨论完毕,如图2所示,下面将详细说明ICRS算法和其他算法运行后的数据并进行分析。
(1)簇头的数量
我们记录了各个算法死亡的轮数,将会比较0至600轮的簇头数量,如表格2所示。
表2运行的轮数和簇头数量
此外,我们还记录了ICRS算法中单独传输到基站的簇头数量,分别为6、11、16、15。从表格中的数据我们可以看出,其他四个算法的簇头数量几乎固定不变且与ICRS算法的簇头数量相差较多。由于节点是在网络中随机分布,且一经固定后位置不可移动。如果网络内的节点不够密集,则网络中的节点分布不可以被视作是均匀分布。也就是说,计算簇头的数量不能使用均匀分布的思想。因此,ICRS算法在初始解生成过程中结合了高斯分布生成了足够多可能性的簇头分布情况,再结合遗传算法逐渐选择全局最优解。这使得每轮的簇头数量都不同且每轮的能耗较低。有些节点在分簇后的能耗增加是因为算法没有考虑由于节点随机分布导致的拓扑结构的变化,因此ICRS算法会计算出单独传输数据到sink节点的簇头。
与GATERP,NR-LEACH,L-LEACH,GAHN不同的是,ICRS计算出的簇头数量要更多且存在单独传输数据的簇头。这与网络内节点的随机分布有关,不同的节点分布和节点的剩余能量对应的簇头是不同的。ICRS保证了节能的同时也能够很好地适应网络的节点分布。
(2)存活的节点数量
如表3所示,我们记录了第一个节点死亡和一半节点死亡时存活的节点和轮数的关系。如表格3所示。
表3死亡节点与轮数
算法名称\轮数 | 第一个节点死亡 | 一半的节点死亡 |
GATERP | 56 | 2406 |
ICRS | 221 | 3407 |
NR-LEACH | 148 | 1154 |
L-LEACH | 112 | 786 |
GAHN | 69 | 1192 |
在现有技术中,存在将第一个节点死亡的轮数当作网络的寿命,是因为网络中一旦有一个节点死亡,则基站收集到的数据就缺少了整体的完整性。也存在将第一个节点死亡的轮数和一半节点死亡的轮数一起加权后计算出网络的寿命。在本发明中,作为一种优选,将采用第二种方式。GATERP,ICRS,NR-LEACH,L-LEACH,GAHN的网络寿命分别是1231,1814,651,449,630.5。
由此我们可以看出,与其他四个算法相比,ICRS可以极大地延长网络的寿命。在算法运行过程中,第一个节点死亡往往是sink节点周围的节点。因为越靠近sink节点,来自全网络的数据会向sink节点方向汇集,因此它们的传输负担会加重。所以第一个节点死亡的轮数标志着网络内向sink节点传输数据的能力大小。从表格3中我们可以看出,ICRS算法可以有效缓解sink节点周围的节点的传输负担,延长传输网络数据完整性的轮数。当网络内一半的节点死亡后,整个网络中的节点所传输的数据缺少了很多重要信息。因此我们只运行到网络死亡一半的节点。ICRS算法可以增加算法运行到死亡一半节点时的轮数。有效地保证网络内大多数数据的传输。
(3)死亡的节点数量
如表3所示,我们在运行中记录了节点的死亡数量和轮数的关系,死亡节点的数量反映了网络内能量消耗的快慢。这与上一节分析的存活节点数量相反。从表3中我们能可以看出,ICRS算法的死亡节点数量相比于其他四个算法较慢,死亡相同数量的节点,ICRS算法运行的轮数最长。这也反映了在每一轮传输中ICRS所需要的能耗最少,这得益于算法更好地适应网络中随机分布的节点位置,ICRS针对于当前的节点分布计算出消耗能量最少的簇头数量,从而延长网络的寿命。
(4)基站收到的信息总量
表4基站收到的信息总量
我们记录了sink节点在两种情况下接收到的报文数量:第一个节点死亡和一半的节点死亡。传输到基站的数据包的数量称为吞吐量。这个参数是衡量网络传输能力的一个重要参数。我们从表4中可以看出,在第一个节点死亡时,ICRS算法中sink节点接收到的报文数量要高于其他四个算法。这表明ICRS算法更能保证整个网络数据传输的完整性。当网络中一半的节点死亡时,ICRS算法传输到sink节点的报文数量高于其他算法。这表明ICRS算法可以在网络死亡之前传输更多的数据到sink节点。综上所述。我们提出的ICRS算法在传输报文的数量方面优于其他四个算法,保证能够全面地、多轮次地传输数据。
(5)网络剩余能量
我们记录了网络能耗从100J到70J与轮数的关系,如图9所示,GATERP,ICRS,NR-LEACH,L-LEACH,GAHN这五个算法从100J消耗到70J时的轮数分别是420,658,184,275,284。从图9中我们可以看出ICRS算法在能耗方面优于其他四个算法,可以使网络存活的时间更长。选择簇头过程中ICRS算法结合了节点的位置,计算出需要成簇的簇头节点和单独传输的节点,减少了不必要的成簇能耗和传输能耗,更好地延长了网络的寿命。
总结与分析
在前面中我们讨论了ICRS算法和其他四个算法在几个评价指标下的表现,记录并比较了相关的数据。仿真表明,我们提出的算法可以在诸多方面有效地延长网络的寿命,使网络能运行更多的轮数,给sink节点传输更多数据。这是因为我们提出的算法很好地适应网络中节点随机分布导致的位置变化,有效地减少了簇头数量的不确定性。与大部分的算法不同的是,我们在设计初始解的时结合了可以产生多种可能的高斯分布。进而在遗传算法中有足够多的初始解也就是更多的可能性适应网络中节点随机分布。ICRS算法会根据网路中节点的剩余能量动态调整簇头的个数和簇头的分布,使得网络寿命最大化。这种方式既可以适应网络内节点因随机布置引起的拓扑变化,又可以根据节点的剩余能量动态调整簇头位置,仿真证明是可行的。在蚁群算法中我们改进了寻找下一跳节点的概率计算,使得可以在网络中找到一条能耗较低的路径。最终,我们提出的算法在网络剩余能量,吞吐量,存活节点等方面优于其他算法。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,其特征在于,包括:
设定网络的基本参数,确定能耗模型,结合高斯分布产生遗传算法的初始解;
当达到设定的轮数时,计算每个染色体的适应性函数值,使用精英法保留个体,并选择两个染色体作为父本,交叉互换,生成新的子代,进行基因位突变;
确定簇头节点,更新全局信息素,当达到蚁群算法的循环次数时,每一个簇头节点使用蚁群算法需找到基站的路径;
更新路由表,计算候选节点,使用轮盘赌方法选择下一跳的节点,直到蚂蚁到达基站,完成簇内传输和簇头到基站的传输,得到能耗最小的传输路径。
2.根据权利要求1所述的无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,其特征在于,所述网络参数包括:网络规模、节点数量、节点分布、节点初始能量、节点通信半径、传输报文。
3.根据权利要求2所述的无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,其特征在于,所述确定能耗模型包括:对节点的计算能耗和通信的能耗,每一轮运行均需包括:搜索路径能耗和数据传输能耗,通过降低搜索路径能耗和传输数据过程中节点之间的通信能耗来建立能耗模型,在模型中,包括能耗发送模块和能耗接收模块,能耗发送模块通过发送器进行能耗发送,发送器的发送能耗是发送电路和功率放大电路的能耗之和,经验公式为:
ETx(k,d)=ETx-elec(k)+ETx-amp(k,d)=k*Eelec+k*εamp*dn;
式中,Eelec为无线电电路发送一个字节的信息消耗,单位为nj/bit,εamp为功率放大系数,n为路径下降指数,d为节点i和j的欧氏距离,k为传输信息的数据包大小,ETx-elec(k)为发送电路的能耗,ETx-amp(k,d)为功率放大电路的能耗;
其中,参数εamp和n的取值受d和关键距离d0的影响,
式中,xi和yi是节点i的横坐标值和纵坐标值,xj和yj是节点j的横坐标值和纵坐标值;
当d<d0时,选用自由空间模型:ETx(k,d)=Eelec*k+εfs*k*d2;
式中,εfs=εamp为功率放大系数,n=2;
当d≥d0时,使用多路径衰减模型,ETx(k,d)=Eelec*k+εmp*k*d4;
εamp=εmp为功率放大系数,n=4;
接收信息使用的模型为:
ERx(k)=ERx-elec(k)=ETx-elec(k)=Eelec*k;
其中,Eelec=200nj/bit,εfs=10pj/bit/m2,εmp=0.0013pJ/bit/m4。
5.根据权利要求4所述的无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,其特征在于,所述确定簇头节点,更新全局信息素过程还包括:
通过所述的蚁群算法寻找路径时,源节点产生前向蚂蚁搜索路径,到达终点后,终点产生后向蚂蚁沿原路径返回,更新信息素;寻找路径阶段,对下一跳节点的概率进行计算,所述下一跳节点的概率计算式为:
为了避免产生冗余的路径或环路,在选择下一跳节点时,结合距离因子,为了平衡网络能耗和延长网络寿命,在启发期望因素中,考虑节点的剩余能量,其中:
式中,disiToSink为节点i到sink节点的距离,disjToSink为候选节点j到sink节点的距离,E0为节点的初始能量,R为节点的通信半径,Q为常数;
当前向蚂蚁完成路径的搜索,到达sink节点时,sink节点会产生后向蚂蚁,互相蚂蚁会沿着路径返回,更新全局信息素,给下一轮的前向蚂蚁提供正反馈;全局信息素的更新式为:
τij(t+1)=(1-ρ)*τij(t)+ρ*Δτij(t);
式中,ρ为蒸发系数,在没有蚂蚁走过的路径上信息素会随着时间蒸发,1-ρ是信息素的剩余因子,Δτij为节点i到j之间链路上信息素的变化量,M为常数,length为路径的长度,Emean为路径中节点的平均剩余能量;
在全局信息素更新完毕后,路径短,剩余能量高的路径上信息素会增多;路径长,节点剩余能量较少的路径上信息减少。
6.根据权利要求5所述的无线传感网中基于改进的遗传算法和蚁群算法的路由选择策略的研究,其特征在于,还包括:
所述网络的寿命计算公式为:
lifetime=w1*FND+w2*HND+w3*LND;
式中,FND为第一个节点死亡的轮数,HND为一半节点死亡的轮数,LND为全部节点死亡的轮数,w1、w2、w3为常量,设定w1=w2=0.5,w3=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229501.7A CN112822747B (zh) | 2021-03-02 | 2021-03-02 | 一种基于遗传算法和蚁群算法的路由选择策略的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229501.7A CN112822747B (zh) | 2021-03-02 | 2021-03-02 | 一种基于遗传算法和蚁群算法的路由选择策略的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112822747A true CN112822747A (zh) | 2021-05-18 |
CN112822747B CN112822747B (zh) | 2022-09-30 |
Family
ID=75862700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110229501.7A Active CN112822747B (zh) | 2021-03-02 | 2021-03-02 | 一种基于遗传算法和蚁群算法的路由选择策略的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112822747B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113950134A (zh) * | 2021-10-20 | 2022-01-18 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
CN114205772A (zh) * | 2021-12-07 | 2022-03-18 | 吉林大学 | 一种改进型无线传感器网络节能路由算法 |
CN118250766A (zh) * | 2024-05-27 | 2024-06-25 | 南京信息工程大学 | 基于分簇优化的无线传感器网络节点休眠调度方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
CN102238686A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
CN103260264A (zh) * | 2013-05-09 | 2013-08-21 | 哈尔滨工程大学 | 基于双融合节点蚁群优化的无线传感器网络数据融合方法 |
CN103354654A (zh) * | 2013-07-24 | 2013-10-16 | 桂林电子科技大学 | 基于蚁群算法的高能效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 |
CN104486811A (zh) * | 2014-12-09 | 2015-04-01 | 东北大学 | 基于蚁群算法的深空光网络路由方法 |
CN105517093A (zh) * | 2015-11-30 | 2016-04-20 | 浙江工业大学 | 一种无线传感器网络中基于网络均衡性的节能路由方法 |
CN108600103A (zh) * | 2018-04-18 | 2018-09-28 | 江苏物联网研究发展中心 | 面向多层级网络的多QoS路由约束的蚁群算法 |
CN108989133A (zh) * | 2018-08-27 | 2018-12-11 | 山东大学 | 基于蚁群算法的网络探测优化方法 |
CN109542103A (zh) * | 2018-12-25 | 2019-03-29 | 北京理工大学 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
CN110602757A (zh) * | 2019-09-18 | 2019-12-20 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
CN111314841A (zh) * | 2018-12-29 | 2020-06-19 | 南京龙渊微电子科技有限公司 | 一种基于压缩感知与改进遗传算法的wsn定位方法 |
CN111698706A (zh) * | 2020-06-10 | 2020-09-22 | 长春师范大学 | 基于混沌遗传的无线传感器网络改进leach路由方法 |
-
2021
- 2021-03-02 CN CN202110229501.7A patent/CN112822747B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007147166A2 (en) * | 2006-06-16 | 2007-12-21 | Quantum Leap Research, Inc. | Consilence of data-mining |
CN102238686A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种模型化量子遗传算法的无线传感器网络路由方法 |
CN103260264A (zh) * | 2013-05-09 | 2013-08-21 | 哈尔滨工程大学 | 基于双融合节点蚁群优化的无线传感器网络数据融合方法 |
CN103354654A (zh) * | 2013-07-24 | 2013-10-16 | 桂林电子科技大学 | 基于蚁群算法的高能效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 |
CN104486811A (zh) * | 2014-12-09 | 2015-04-01 | 东北大学 | 基于蚁群算法的深空光网络路由方法 |
CN105517093A (zh) * | 2015-11-30 | 2016-04-20 | 浙江工业大学 | 一种无线传感器网络中基于网络均衡性的节能路由方法 |
CN108600103A (zh) * | 2018-04-18 | 2018-09-28 | 江苏物联网研究发展中心 | 面向多层级网络的多QoS路由约束的蚁群算法 |
CN108989133A (zh) * | 2018-08-27 | 2018-12-11 | 山东大学 | 基于蚁群算法的网络探测优化方法 |
CN109542103A (zh) * | 2018-12-25 | 2019-03-29 | 北京理工大学 | 一种基于烟花粒子群算法的机器人焊接路径规划方法 |
CN111314841A (zh) * | 2018-12-29 | 2020-06-19 | 南京龙渊微电子科技有限公司 | 一种基于压缩感知与改进遗传算法的wsn定位方法 |
CN110602757A (zh) * | 2019-09-18 | 2019-12-20 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
CN111698706A (zh) * | 2020-06-10 | 2020-09-22 | 长春师范大学 | 基于混沌遗传的无线传感器网络改进leach路由方法 |
Non-Patent Citations (4)
Title |
---|
RAHUL KHANNA: "Self-Organization of Sensor Networks Using Genetic Algorithms", 《2006 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 * |
XINLU LI: "Energy-Efficient Load Balancing Ant Based Routing Algorithm for Wireless Sensor Networks", 《IEEE ACCESS》 * |
刘斌: "基于QoS保障的水下无线传感器网络拓扑控制及路由协议的研究", 《博士论文电子期刊》 * |
杨新锋等: "基于改进蚁群算法的WSN路径优化", 《计算机与现代化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113950134A (zh) * | 2021-10-20 | 2022-01-18 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
CN113950134B (zh) * | 2021-10-20 | 2023-07-25 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
CN114205772A (zh) * | 2021-12-07 | 2022-03-18 | 吉林大学 | 一种改进型无线传感器网络节能路由算法 |
CN118250766A (zh) * | 2024-05-27 | 2024-06-25 | 南京信息工程大学 | 基于分簇优化的无线传感器网络节点休眠调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112822747B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN108712767B (zh) | 一种无线传感器网络中能耗均衡的簇间多跳路由控制方法 | |
CN111698706B (zh) | 基于混沌遗传的无线传感器网络改进leach路由方法 | |
CN111526555B (zh) | 基于遗传算法的多跳路由路径选择方法 | |
Nabavi et al. | Optimal selection of the cluster head in wireless sensor networks by combining the multiobjective genetic algorithm and the gravitational search algorithm | |
CN108566658B (zh) | 一种无线传感器网络中能耗均衡的分簇算法 | |
CN111970742A (zh) | 基于改进混沌遗传算法的wsn多跳leach路由协议 | |
Kaedi et al. | Simultaneous optimization of cluster head selection and inter-cluster routing in wireless sensor networks using a 2-level genetic algorithm | |
CN113709841A (zh) | 一种基于布谷鸟算法和K-means算法的WSN路由协议方法 | |
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 | |
Xu et al. | Energy-efficient secure QoS routing algorithm based on Elite Niche Clone evolutionary computing for WSN | |
Rani et al. | A hybrid approach for the optimization of quality of service metrics of WSN | |
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 | |
Heidari et al. | Intelligent clustering in wireless sensor networks | |
Jaradat et al. | Genetic Algorithm Energy Optimization in 3D WSNs with Different Node Distributions. | |
Kaddi et al. | A differential evolution based clustering and routing protocol for WSN | |
CN113423130B (zh) | 一种基于改进遗传算法的环扇无线传感器网络分簇路由方法 | |
CN113747535B (zh) | 一种基于遗传算法的能量异构无线传感器路由系统 | |
Jaradat et al. | Comparison of Genetic Algorithm Crossover Operators on WSN Lifetime | |
Sonwalkar et al. | Improved ACO Oriented Efficient Cluster Head Selection Mechanism for Energy Aware Routing Scheme in WSN | |
Saad et al. | Efficient Bio-Inspired Routing Algorithm for IoT | |
Wang et al. | CHEABC-QCRP: A novel QoS-aware cluster routing protocol for industrial IoT | |
Kumari et al. | A genetic algorithm based leach protocol for cluster head selection to enhance the network lifetime of wireless sensor network | |
CN114205772A (zh) | 一种改进型无线传感器网络节能路由算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |