CN113556728B - 基于复合信息素浓度场蚁群算法的Ad hoc网络路由 - Google Patents

基于复合信息素浓度场蚁群算法的Ad hoc网络路由 Download PDF

Info

Publication number
CN113556728B
CN113556728B CN202110631016.2A CN202110631016A CN113556728B CN 113556728 B CN113556728 B CN 113556728B CN 202110631016 A CN202110631016 A CN 202110631016A CN 113556728 B CN113556728 B CN 113556728B
Authority
CN
China
Prior art keywords
node
pheromone
path
concentration
pheromone concentration
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
CN202110631016.2A
Other languages
English (en)
Other versions
CN113556728A (zh
Inventor
李颜初
李书芳
丁青青
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing 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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110631016.2A priority Critical patent/CN113556728B/zh
Publication of CN113556728A publication Critical patent/CN113556728A/zh
Application granted granted Critical
Publication of CN113556728B publication Critical patent/CN113556728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Agricultural Chemicals And Associated Chemicals (AREA)

Abstract

一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由，该方法根据蚂蚁个数和传感器网络空间大小确定搜索区域大小，将每只蚂蚁置于相应的搜索区域中并设置初始获得光点概率，将第k只蚂蚁未经过的节点设置为节点集合，当节点集合不为空时，假设所述第k只蚂蚁下一步将从节点i移动到节点j，然后计算所述节点i和所述节点j之间的欧氏距离及其倒数并计算每只蚂蚁将要转移的位置、路径的信息素浓度以及根据路径的信息浓度更新路径信息浓度，满足预设条件后通过路径信息素浓度设定Ad hoc网络路由。上述方案可提高Ad hoc网络的收敛速度以及全局寻优能力，并可有效抵抗针对节点的网络攻击、数据拥塞等带来的节点失效，从而提高网络性能。

Description

基于复合信息素浓度场蚁群算法的Ad hoc网络路由
技术领域
本申请涉及网络安全领域，尤其涉及一种基于复合信息素浓度场蚁群算法的Adhoc网络路由。
背景技术
Ad hoc网络是一种分布式传感网络，采用多跳无线通信技术，每个节点都是潜在的路由节点，同时节点受到资源限制。通信时，各节点将采集到的数据利用多跳接力的方式发至汇聚节点，这必将导致内层节点承担的数据发送任务较重，能量消耗过快最终导致网络有效覆盖面积降低。因此，Ad hoc网络路由的选择要结合节点的能量信息，使得网络中节点的能量消耗能够得到全局均衡，延长网络正常工作的时间。
当前网络的安全性已经成为制约Ad hoc网络发展的瓶颈，Ad hoc网络的节点组网特点和其能耗的限制，导致Ad hoc网络的安全威胁多不同于传统计算机网络。Ad hoc网络的一类主要安全攻击是通过恶意消耗节点能量，是一部分一部分节点较早的失去工作能力，从而使得网路不能有效的完成数据收集任务。针对Ad hoc网络的攻击方式有：虚假路由信息、选择性转发、污水池攻击、女巫攻击和虫洞攻击等。
蚁群算法属于一类模拟自然界生物系统形为或过程的最优化群体智能算法，最早由意大利学者Marco Dorigo于1991年在其博士论文中提出，算法本身具备分布式计算、自组织性和反馈性等特点，与Ad hoc网络的自组织网络特点非常相似。将蚁群算法应用于Adhoc网络上，可以在很大程度的提高Ad hoc网络性能，但该算法仍存在问题：一是由于缺乏信息素，算法初期搜索过程进行缓慢，影响全局的收敛速度；二是在大规模Ad hoc网络中，蚁群算法在寻找路径时易陷入局部最优解，使算法过早收敛。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于复合信息素浓度场蚁群算法的Adhoc网络路由，能够提高Ad hoc网络的收敛速度以及全局寻优能力，并可有效抵抗针对节点的网络攻击，增强网络的安全性。
本申请的第二个目的在于提出一种计算机设备。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由，本发明的解决问题的主要思想如下：
1)考虑到蚁群算法本质为寻找最短路径的算法，因此基于蚁群算法来进行路由数据传输路径的规划。
2)由于传统蚁群算法存在易陷入局部最优和收敛速度慢等问题，本发明提出复合信息素浓度场的概念。通过建立信息素扩散机制和反信息素收敛机制，使得每个节点能过够对一定范围内的相邻节点产生影响，更好的避免了算法陷入局部最优，稳定提升了最优解的质量。
本申请第一方面实施例包括以下步骤：
步骤S10，设定初始信息素，所述初始信息素包括蚂蚁个数、传感器网络空间大小和最大迭代次数，根据所述的蚂蚁个数和传感器网络空间大小确定搜索区域大小，将每只蚂蚁置于相应的搜索区域中并设置初始获得光点概率，将第k只蚂蚁未经过的节点设置为节点集合，k为正整数；
步骤S20，校验经所述步骤S10获得的节点集合是否为空，
若所述节点集合不为空，则执行步骤S30，
若所述节点集合为空，则执行步骤S90；
步骤S30，假设所述第k只蚂蚁下一步将从节点i移动到节点j，然后计算所述节点i和所述节点j之间的欧氏距离及其倒数，并计算每只蚂蚁将要转移的位置；
步骤S40，通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度和从所述节点i到所述节点l上的路径(i,l)的信息素浓度；再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的信息素浓度和所述节点j扩散到所述节点l的信息素浓度，进而计算路径(j,l)的信息素浓度；
步骤S50，通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的光点强度和从所述节点i到所述节点l上的路径(i,l)的光点强度，再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的光点强度和所述节点j扩散到所述节点l的光点强度。然后计算路径(j,l)的光点强度；
根据节点i、节点j和节点l上的光点强度确定所述的节点i、节点j和节点l上的反信息素浓度，并通过所述的节点i、节点j和节点l的反信息素浓度分别计算路径(i,j)、路径(i,l)和路径(j,l)的反信息素浓度；
步骤S60，根据所述步骤S40获取的所述路径(i,j)的信息素浓度、所述路径(i,l)的信息素浓度和所述路径(j,l)的信息素浓度更新所述每只蚂蚁的路径信息素浓度；
根据获取的所述路径(i,j)、路径(i,l)和路径(j,l)的反信息素浓度更新所述每只蚂蚁的路径反信息素浓度；
步骤S70，执行所述步骤S50后，校验所述每只蚂蚁是否完成了完整的所述搜索区域的路径搜索，
若所述每只蚂蚁未完成完整的所述搜索区域的路径搜索，则执行所述步骤S20，
若所述每只蚂蚁完成了完整的所述搜索区域的路径搜索，则执行所述步骤S80；
步骤S80，检验所述每只蚂蚁是否达到指定的所述最大迭代次数，
若未达到指定的所述最大迭代次数，则计算所述第k只蚂蚁获得光点的概率，并执行所述步骤S20，
若达到了指定的所述最大迭代次数，则执行所述步骤S90；
步骤S90，输出所述每只蚂蚁的路径信息素浓度和路径反信息素浓度，并通过所述的路径信息素浓度和路径反信息素浓度设定Ad hoc网络路由。
可选地，在本申请的一个实施例中，所述通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度和从所述节点i到所述节点l上的路径(i,l)的信息素浓度；其中，
所述路径(i,j)的信息素浓度由所述第k只蚂蚁在所述节点i和所述节点j上遗留的信息素浓度的算术平均和计算信息素浓度增量，累加m只蚂蚁的信息素浓度增量；
所述路径(i,l)的信息素浓度由所述第k只蚂蚁在所述节点i和所述节点l上遗留的信息素浓度的算术平均和计算信息素浓度增量，累加m只蚂蚁的信息素浓度增量；
所述通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的光点强度和从所述节点i到所述节点l上的路径(i,l)的光点强度；其中，
所述路径(i,j)的光点强度由所述第k只蚂蚁在所述节点i和所述节点j上遗留的光点强度的算术平均和计算光点强度增量，累加m只蚂蚁的光点强度增量；
所述路径(i,l)的光点强度由所述第k只蚂蚁在所述节点i和所述节点l上遗留的光点强度的算术平均和计算光点强度增量，累加m只蚂蚁的光点强度增量。
可选地，在本申请的一个实施例中，基于信息素扩散场获取所述第k只蚂蚁的转移概率，通过下述公式计算所述第k只蚂蚁的转移概率：
其中，τij(t)为t时刻路径(i,j)上的信息素浓度，ηij为路径(i,j)间欧氏距离的倒数，τik(t)为t时刻路径(i,k)上的信息素浓度，ηik为路径(i,k)间欧氏距离的倒数，Ak为第k只蚂蚁未经过的节点集合，α是调节路径(i,j)信息素浓度相对于能见度重要性的参数，β是调节路径(i,k)信息素浓度相对于能见度重要性的参数；
基于反信息素收敛场获取所述第k只蚂蚁的转移概率，通过下述公式计算所述第k只蚂蚁的转移概率：
其中，ξij(t)为t时刻路径(i,j)上的反信息素浓度，ηij为路径(i,j)间欧氏距离的倒数，Ak为第k只蚂蚁未经过的节点集合，ηik为路径(i,k)间欧氏距离的倒数，p是调节路径(i,j)信息素浓度相对于能见度重要性的参数，q是调节路径(i,k)信息素浓度相对于能见度重要性的参数；
根据所述基于信息素扩散场和反信息素收敛场获取的获取所述第k只蚂蚁从所述节点i到所述节点j的转移概率为：其中，ρ为权重。
可选地，在本申请的一个实施例中，在所述步骤S40中，通过光点强度模型获取所述的光点强度，所述光点强度模型包括球体模型、正圆锥体模型和概率密度曲线模型；其中，
当所述光点强度模型为球体模型时，若球体内任意一点C(x,y,z)的光点强度大于最小光点强度，其中，x,y和z均小于球体半径，则通过下述公式计算所述的光点强度：
若球体内任意一点C(x,y,z)的光点强度不大于最小光点强度，则MC＝0；
其中，MC为C点光点强度，MMAX为最大光点强度，Y为球体半径，OC是C点(x,y,z)至原点O(0,0,0)的欧氏距离，且
当所述光点强度模型为正圆锥体模型时，若正圆锥体内任意一点C(x,y,z)的光点强度大于最小光点强度，其中，y≥0，则通过下述公式计算点C的光点强度：
若光点强度不大于最小光点强度时，则MC＝0；
其中，MC为C点的光点强度，MMAX为正圆锥体内最大光点强度，R为正圆锥体的底面半径，H为正圆锥体的高，Y为所述述球体模型的球体半径，且H≤Y；
当所述光点强度模型为概率密度曲线模型时，通过下述公式计算所述的光点强度：
其中，MC为C点光点强度，MMAX为最大光点强度，Y为所述球体模型的球体半径，g为概率密度曲线任意点C(x,y,z)与原点O(0,0,0)之间的欧氏距离，且g≤Y。
可选地，在本申请的一个实施例中，通过点距的近似正态分布模型获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度；
所述近似正态分布模型通过将所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度转化为所述节点i到所述节点j上的信息素浓度计算算术平均和得到路径(i,j)上的信息素浓度增量，通过获取的所述信息素浓度增量得到k只蚂蚁的信息素浓度增量，所述k只蚂蚁的信息素浓度增量为路径(i,j)的信息素浓度。
可选地，在本申请的一个实施例中，通过点距的近似正态分布模型获取所述第k只蚂蚁从所述节点i到所述节点l上的路径(i,l)的信息素浓度；
所述近似正态分布模型通过将所述第k只蚂蚁从所述节点i到所述节点l上的路径(i,l)的信息素浓度转化为所述节点i到所述节点l上的信息素浓度计算算术平均和得到路径(i,l)上的信息素浓度增量，通过获取的所述信息素浓度增量得到k只蚂蚁的信息素浓度增量，所述k只蚂蚁的信息素浓度增量为路径(i,l)的信息素浓度。
可选地，在本申请的一个实施例中，在所述步骤S40中，所述信息素浓度通过信息素扩散模型获取，所述信息素扩散模型包括球体模型、正圆锥体模型和概率密度曲线模型；其中，
当所述信息素扩散模型为球体模型时，则通过下述公式计算所述的信息素浓度：
其中，DC为点C的信息素浓度，DMAX为最大信息素浓度，Y为球体半径，标量是C点至O点的欧氏距离；
当所述信息素扩散模型为正圆锥体模型时，正圆锥体中任意一点C(x,y,z)，其中，y≥0，与正圆锥体中原点O(0,0,0)构成的向量OC在正圆锥体底面的投影记作OCT(x,0,z)，则OC与OCT的夹角θ满足：
因为OC延长线与圆锥体侧面的交点T必在过OC且垂直于底面的截面上，当x2+z2≠0时，则通过下述公式计算点C的信息素浓度：
其中，DC为C的信息素浓度，DMAX为最大信息素浓度，R为正圆锥体的底面半径；
当所述信息素扩散模型为概率密度曲线模型时，通过下述公式计算所述的信息素浓度
其中，DC为C的信息素浓度，DMAX为最大信息素浓度，g为任意一点C与原点O之间的欧氏距离。
为达上述目的，本申请第二方面实施例提出了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请第一方面实施例所述的方法。
为达上述目的，本申请第三方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的方法。
由此可知，在本申请实施例中的复合信息素浓度场包括信息素浓度扩散场和反信息素浓度收敛场两部分，信息素浓度扩散场的概念为以前的研究人员提出并应用于平面场景中，在加入了反信息素浓度收敛场部分的设定后，统一了复合场算法的数学模型，并能够将其扩展至三维空间，除此之外，在本申请实施例的仿真中，如果分别单独使用信息素浓度扩散和反信息素浓度收敛原理，反信息素浓度收敛部分对算法的提升更大。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由的算法流程示意图；以及
图2为本申请实施例提供的另一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由的算法流程示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的燃料电池堆多片膜电极多参数同步检测方法和装置。
图1为本申请实施例所提供的一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由的流程示意图。
如图1所示，该基于复合信息素浓度场蚁群算法的Ad hoc网络路由包括以下步骤：
步骤S10，设定初始信息素，所述初始信息素包括蚂蚁个数、传感器网络空间大小和最大迭代次数，根据所述的蚂蚁个数和传感器网络空间大小确定搜索区域大小，将每只蚂蚁置于相应的搜索区域中并设置初始获得光点概率，将第k只蚂蚁未经过的节点设置为节点集合，k为正整数；
步骤S20，校验经所述步骤S10获得的节点集合是否为空，
若所述节点集合不为空，则执行步骤S30，
若所述节点集合为空，则执行步骤S90；
步骤S30，假设所述第k只蚂蚁下一步将从节点i移动到节点j，然后计算所述节点i和所述节点j之间的欧氏距离及其倒数，并计算每只蚂蚁将要转移的位置；
步骤S40，通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度和从所述节点i到所述节点l上的路径(i,l)的信息素浓度；再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的信息素浓度和所述节点j扩散到所述节点l的信息素浓度，进而计算路径(j,l)的信息素浓度；
步骤S50，通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的光点强度和从所述节点i到所述节点l上的路径(i,l)的光点强度，再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的光点强度和所述节点j扩散到所述节点l的光点强度。然后计算路径(j,l)的光点强度；
根据节点i、节点j和节点l上的光点强度确定所述的节点i、节点j和节点l上的反信息素浓度，并通过所述的节点i、节点j和节点l的反信息素浓度分别计算路径(i,j)、路径(i,l)和路径(j,l)的反信息素浓度；
步骤S60，根据所述步骤S40获取的所述路径(i,j)的信息素浓度、所述路径(i,l)的信息素浓度和所述路径(j,l)的信息素浓度更新所述每只蚂蚁的路径信息素浓度；
根据获取的所述路径(i,j)、路径(i,l)和路径(j,l)的反信息素浓度更新所述每只蚂蚁的路径反信息素浓度；
步骤S70，执行所述步骤S50后，校验所述每只蚂蚁是否完成了完整的所述搜索区域的路径搜索，
若所述每只蚂蚁未完成完整的所述搜索区域的路径搜索，则执行所述步骤S20，
若所述每只蚂蚁完成了完整的所述搜索区域的路径搜索，则执行所述步骤S80；
步骤S80，检验所述每只蚂蚁是否达到指定的所述最大迭代次数，
若未达到指定的所述最大迭代次数，则计算所述第k只蚂蚁获得光点的概率，并执行所述步骤S20，
若达到了指定的所述最大迭代次数，则执行所述步骤S90；
步骤S90，输出所述每只蚂蚁的路径信息素浓度和路径反信息素浓度，并通过所述的路径信息素浓度和路径反信息素浓度设定Ad hoc网络路由。
在本申请实施例中，信息素浓度越高则令蚂蚁趋近，而反信息浓度越高则令蚂蚁趋避，即每次每只蚂蚁在趋近信息素高浓度节点的同时趋避反信息素高浓度节点。其中，各节点上的反信息素浓度基于该节点上的光点强度收敛。其中，各节点上的反信息素浓度基于该节点上的光点强度收敛。此处定义蚂蚁k在t到t+n之间留下的信息素不仅反映在其行经的路径(i,j)上，也反映在其邻近的其他子解的信息素浓度上，且这种信息素扩散机制近似服从一个正态分布。同时设第k只蚂蚁有一定概率获得光点，并携带光点在沿途散布，空气中光点强度随着与光点强度散布原节点之间距离的增大而减小，近似服从一个正态分布。由此可知，引入信息素扩散场和反信息素收敛场的复合场模型，既保留了蚁群算法针对复杂组合问题求解的优势，又进一步加速了算法的进化效率，在保证的求解精确的前提下，稳定提高了寻找最优解成功率。
由此可知，在本申请实施例中的复合信息素浓度场包括信息素浓度扩散场和反信息素浓度收敛场两部分，信息素浓度扩散场的概念为以前的研究人员提出并应用于平面场景中，在加入了反信息素浓度收敛场部分的设定后，统一了复合场算法的数学模型，并能够将其扩展至三维空间，除此之外，在本申请实施例的仿真中，如果分别单独使用信息素浓度扩散和反信息素浓度收敛原理，反信息素浓度收敛部分对算法的提升更大。
在本申请实施例的步骤S20中，校验经所述步骤S10获得的节点集合是否为空，若所述节点集合不为空，则执行步骤S30，若所述节点集合为空，则执行步骤S90。算法每次开始迭代时令蚂蚁有几率获得光点，具体而言，第一次迭代时，每只蚂蚁有等几率获得光点，并在该次节点遍历中驱散各节点上的反信息素，令各节点上的反信息素浓度降低；从第二次迭代开始，蚂蚁按上一次迭代结果以一定规则概率获得光点效果，并影响其后的选路几率。
设每次循环结束时候第k只蚂蚁获得的总路径长度为sk∈[1,m]，则第k只蚂蚁获得光点的几率为：
相应地，在初次循环前，给定第k只蚂蚁获得光点几率为Po(sk)＝1/m。
若蚂蚁k获得了光点，则第k只蚂蚁在节点i上遗留的光点强度为
其中n为TSP任务中需要遍历的城市总数，MMAX是一正常数，表示最大光电强度。
在本申请实施例的步骤S30中，假设所述第k只蚂蚁下一步将从节点i移动到节点j，然后计算所述节点i和所述节点j之间的欧氏距离及其倒数，并计算每只蚂蚁将要转移的位置。加入对信息素扩散场和反信息素收敛场的权重调整，这样可以针对不同任务需求可以获得不同的路由表现。第k只蚂蚁从所述节点i到所述节点j的转移概率通过下述方法计算：
本申请实施例先基于信息素扩散场获取所述第k只蚂蚁的转移概率，通过下述公式计算所述第k只蚂蚁的转移概率：
其中，τij(t)为t时刻路径(i,j)上的信息素浓度，ηij为路径(i,j)间欧氏距离的倒数，τik(t)为t时刻路径(i,k)上的信息素浓度，ηik为路径(i,k)间欧氏距离的倒数，Ak为第k只蚂蚁未经过的节点集合，α是调节路径(i,j)信息素浓度相对于能见度重要性的参数，β是调节路径(i,k)信息素浓度相对于能见度重要性的参数；
本申请实施例再基于反信息素收敛场获取所述第k只蚂蚁的转移概率，通过下述公式计算所述第k只蚂蚁的转移概率：
其中，ξij(t)为t时刻路径(i,j)上的反信息素浓度，ηij为路径(i,j)间欧氏距离的倒数，Ak为第k只蚂蚁未经过的节点集合，ηiku为路径(i,k)间欧氏距离的倒数，p是调节路径(i,j)信息素浓度相对于能见度重要性的参数，q是调节路径(i,k)信息素浓度相对于能见度重要性的参数；
最后本申请实施例根据所述基于信息素扩散场和反信息素收敛场获取的获取所述第k只蚂蚁从所述节点i到所述节点j的转移概率为：其中，ρ为权重，本申请实施例中的权重通过信息素浓度场和反信息素浓度场的计算获得。
在上述实施例中，当ρ＝1时，算法运算量大大降低，在保证一定求解精度的基础上获得了较快求解速度；当ρ→0，且ρ≠1时，算法运算量提高，求解速度降低，但在求解精度和避免局部最优解上则有更好表现。
在本申请实施例的步骤S40中，通过步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度和从所述节点i到所述节点l上的路径(i,l)的信息素浓度；再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的信息素浓度和所述节点j扩散到所述节点l的信息素浓度，进而计算路径(j,l)的信息素浓度。在本申请实施例中具体的计算方式如下：
假定城市i、j是第k只蚂蚁走过的两个城市，其中i和j节点的信息素浓度均为DMAX，且分别向周围扩散信息素，i和j节点分别是扩散原点。对于其他任意城市f来说，如果它在城市i的影响半径内，则可求出城市i向城市f扩散的信息素浓度如果它在城市i的影响半径内，则可求出城市i向城市f扩散的信息素浓度/>城市f上的信息素浓度应当为可覆盖该城市的所有信息素浓度场在该节点信息素浓度的总和，即：
此外，设定第k只蚂蚁在t到t+n之间在路径(i,j)上单位长度里保留的信息素浓度为城市i与城市j上信息素浓度的算数平均值，即：
针对上述计算方式，本申请实施例提出三种信息素扩散模型，这三种信息素扩散模型分别为球体模型、正圆锥体模型，和概率密度曲线模型。
当所述信息素扩散模型为球体模型时，在简化的信息素扩散模型中，信息素浓度场的扩散情况近似一扩散半径为R的球体，原点O(0,0,0)为信息素浓度最大点，信息素浓度为DMAX，球壳上任意点的信息素浓度DR＝0，则通过下述公式计算球内任意一点C(x,y,z)上的信息素浓度近似为：
其中，DC为点C的信息素浓度，DMAX为最大信息素浓度，Y为球体半径，标量是C点至O点的欧氏距离；
在球体模型中，信息素浓度随距离中心点O点的增大而等比降低，直到OC≥R时，DC减至0。
当所述信息素扩散模型为正圆锥体模型时，在简化的信息素扩散模型中，信息素浓度场的扩散情况近似一高为H，底面半径为R的正圆锥体。原点O(0,0,0)为信息素浓度最大点，其信息素浓度为DMAX。正圆锥体中任意一点C(x,y,z)，其中，y≥0，距原点O(0,0,0)的欧氏距离易知。
向量OC(x,0,z)(y≥0)在正圆锥体底面的投影记作OCT(x,0,z)，则OC与OCT的夹角θ满足：
因为OC延长线与圆锥体侧面的交点T必在过OC且垂直于底面的截面上，当x2+z2≠0时，则通过下述公式计算点C的信息素浓度：
其中，DC为C的信息素浓度，DMAX为最大信息素浓度，R为正圆锥体的底面半径；
当所述信息素扩散模型为概率密度曲线模型时，假设在O-XYZ坐标系中，信息素浓度场以O点位原点，设任意位置C与O点之间的欧氏距离为g，C点的信息素浓度为DC，即连续型随机标量g的概率密度为：
其中μ，σ(σ>0)为常数，取g≥0。
令μ＝0，即：
当x＝0时DC取最大值：
则：
其中，DC为C的信息素浓度，DMAX为最大信息素浓度，g为任意一点C与原点O之间的欧氏距离。
改变正实数σ可改变f(g)的曲线形状：σ越小则f(g)的曲线越“高瘦”，σ越大则f(g)的曲线越“矮胖”。也就是说，DMAX越大则σ越小且信息素的传播范围小，DMAX越小则σ越大且信息素的传播范围大。
基于上述分析，采用上述形式将信息素从原点向远处扩散，则可将这个扩散形态理解为一个有中心点而无限半径的球体。
在本申请实施例的步骤S50中，提出反信息素收敛模型及其使用原则如下：
a)蚁群在寻找子解的环境全场弥漫某种反信息素，基础浓度为VMAX；
b)蚂蚁完成每次循环后，基于收敛结果的排序情况，有几率获得光点M。排名越靠前的蚂蚁获得光点的几率越高，但不会为1；排名越靠后的蚂蚁获得光点的几率越低，但不会降至0。携带光点M的蚂蚁在半径为Y的范围中扩散并驱赶反信息素，光点强度随时间衰减；定义光点强度低于某个很小的正常数w的区域，反信息素浓度为常数u[0,VMAX]；
c)光点强度衰减至0时，反信息素以某种速度卷土重来再次聚集，直到浓度变为VMAX；
d)蚂蚁在倾向于选择有较大浓度的信息素的路径之外，同时倾向于选择反信息素浓度较低地区。
进一步而言，在本申请实施例的步骤S50中，提出三种光点强度扩散模型，这三种光点强度扩散模型分别为球体模型、正圆锥体模型和概率密度曲线模型。
当所述光点强度模型为球体模型时，如果原点O(0,0,0)光点强度为MMAX，距离O点距离为Y的任意点上光点强度MY＝0，若球体内任意一点C(x,y,z)的光点强度大于最小光点强度，其中，x,y和z均小于球体半径，则通过下述公式计算所述的光点强度：
若球体内任意一点C(x,y,z)的光点强度不大于最小光点强度，则MC＝0；
其中，MC为C点光点强度，MMAX为最大光点强度，Y为球体半径，OC是C点(x,y,z)至原点O(0,0,0)的欧氏距离，且
当所述光点强度模型为正圆锥体模型时，光点覆盖近似一高为H≤Y，底面半径为R≤Y的正圆锥体，底面原点O(0,0,0)的光点强度为MMAX，当正圆锥体内任意一点C(x,y,z)的光点强度大于最小光点强度时，其中，y≥0，则通过下述公式计算点C的光点强度：
若光点强度不大于最小光点强度时，则MC＝0；
其中，MC为C点的光点强度，MMAX为正圆锥体内最大光点强度，R为正圆锥体的底面半径，H为正圆锥体的高，Y为所述述球体模型的球体半径，且H≤Y；
当所述光点强度模型为概率密度曲线模型时，假设在O-XYZ坐标系中，点O(0,0,0)的光点强度为MMAX，设任意点C(x,y,z)与O点之间的欧氏距离为g≤Y，通过下述公式计算所述点C的光点强度：
其中，MC为C点光点强度，MMAX为最大光点强度，Y为所述球体模型的球体半径，g为概率密度曲线任意点C(x,y,z)与原点O(0,0,0)之间的欧氏距离，且g≤Y。
进一步而言，在本申请实施例的步骤S50中，当计算反信息素浓度时，当节点i上的光点强度Mi(t)<w时，可聚集、且有最大值的反信息素浓度满足：
Vi(t+1)＝δ·Vi(t)+u,u∈[0,+∞)
其中δ表示在时间t和t+1之间，反信息素的增长速度。u∈[0,+∞)。令δ∈[1,∞]，其值越大则反信息素在光点强度Vi(t)＝0时增长速度越快。即反信息素浓度与光点强度之间的关系为：
记t＝0时，Vi(0)＝VMAX，其中，VMAX是一个正常数。
令ξij(t)表示t时刻在路径(i,j)上反信息素浓度：
ξij(0)＝VMAx
考虑有Δφij(t)表示t时刻在路径(i,j)上所有蚂蚁携带的光点强度总和：
其中由下式得到：
其中与/>分别为t时刻第k只蚂蚁引起的叠加在城市i和城市j的光点强度总和。例如如果t时刻蚂蚁k经过路径(a,b)，节点i同时被浓度中心为节点a、b的两个光点强度场覆盖，则：
此外，光点遵循会扩散、会挥发、有最大值的原则，光点强度遵循下式：
Mi(t+1)＝ε·Mi(t)+ΔMi
其中ΔMi(t)表示t时刻在节点i上所有蚂蚁携带的光点强度总和。ε表示在时间t和t+1之间，光点强度的挥发系数，令ε∈[0,1]。
本发明中的路由节点通过预定位置获取当前地理位置，并有唯一标识。节点拥有周围节点列表及相关信息，且基于复合信息素浓度场的蚁群算法求得最优路径解，即节点间数据收发路径。
图2为本申请实施例提供的另一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由的算法流程示意图，为了使本领域技术人员更好的理解本发明，现结合图2对本申请做进一步解释说明，详情如下：
步骤1，设定初始信息素：设定蚂蚁个数为m，其中，蚂蚁的个数越多越易收敛；传感器网络空间大小为Mc，其中，传感器网络空间大小的设定可以限定整套路由系统的空间范围(即x,y,z坐标)；汇聚节点为i，其中，汇聚节点为蚁群出发起始点，也就是遍历节点后的行进终点；初始化信息素τij，初始化信息素后，各节点上信息素浓度归零；反信息浓度ξij；最大迭代次数IMAX；信息素启发因子α，信息素能见度参数β，其中，信息素启发因子和信息素能见度参数为调节信息素浓度相对于能见度重要性的参数；反信息启发因子p，信息素挥发参数q，其中，反信息素启发因子和信息素挥发参数为调节反信息素浓度相对于可见度的重要性的参数；信息素最大值Q；场的影响范围R；信息素浓度场和反信息素浓度场，其中，信息素浓度场和反信息素浓度场的计算权重为调节信息素浓度场的计算结果和反信息浓度场的计算结果对最终择路几率的影响程度，也就是说，通过信息素浓度场和反信息素浓度场计算权重ρ；反信息素最大浓度VMAX；最大光点强度MMAX；光点消散系数ε；反信息素增长速度d；反信息素最小值u；光点生效的最小强度w。
步骤2，校验Ak是否为空。如Ak为空，转向步骤11)；如Ak不为空，转向步骤3)。
步骤3，假设蚂蚁k下一步将从节点i移动到节点j，计算i和节点j之间欧氏距离及其倒数ηij，计算每只蚂蚁将要转移的位置。
步骤4，由蚂蚁k在i节点和j节点上遗留的信息素浓度的算术平均和计算信息素浓度增量累加m只蚂蚁的信息素浓度增量，即路径(i,j)上的信息素浓度；同理计算路径(i,l)的信息素浓度。由基于点距的高斯分布公式分别计算节点i扩散到节点l的信息素浓度和节点j扩散到节点l的信息素浓度，然后计算路径(j,l)的信息素浓度。
步骤5，由蚂蚁k在i节点和j节点上遗留的光点强度的算术平均和计算光点强度增量累加m只蚂蚁的光点强度增量，即路径(i,j)上的光点强度；同理计算路径(i,l)的光点强度。由基于点距的高斯分布公式分别计算节点i扩散到节点l的光点强度和节点j扩散到节点l的光点强度。然后计算路径(j,l)的光点强度。
步骤6，由节点i、节点j和节点l的光点强度确定节点i、节点j和节点l的反信息素浓度，分别计算两节点上反信息素浓度的算术平均和即路径(i,j)、路径(i,l)、路径(j,l)的反信息素浓度。
步骤7，校验是否每只蚂蚁都完成2)到6)步，如果完成转到步骤8)，如果未完成转到步骤2)。
步骤8，更新各路径信息素和反信息素浓度。
步骤9，校验是否每只蚂蚁都完成了完整的路径搜索，如果是转到步骤10)，如果否转到步骤2)。
步骤10，校验是否达到指定的最大进化代数，如果是转向步骤11)，如果否则计算蚂蚁k获得光点的概率，并转向步骤2)。
步骤11，输出进化结果，并以最优解为路由路径进行数据收发。
基于上述分析可知，本申请实施例在蚁群算法中引入信息素浓度和反信息素浓度，将其应用于Ad hoc网络后，有效提高了Ad hoc网络的收敛速度以及全局寻优能力，并可有效抵抗针对节点的网络攻击。除此之外，针对现有路由算法的收敛速度慢、容易陷入局部最优解的缺陷，本申请实施例提出的复合信息素浓度场蚁群算法利用信息素浓度扩散和反信息素浓度收敛原理，提高了求解多样性，增强了算法收敛的迭代效率；在路由寻址的应用中能够有效稳定地找到最优数据收发路径，能够应对网络攻击、数据拥塞等带来的节点失效，从而提高网络性能，对于Ad hoc网络路由的构建具有实际意义。
为了实现上述实施例，本发明还提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述实施例所述的方法。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，所述计算机程序被处理器执行时实现上述实施例所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于复合信息素浓度场蚁群算法的Ad hoc网络路由方法，其特征在于，包括以下步骤：
步骤S10，设定初始信息素，所述初始信息素包括蚂蚁个数、传感器网络空间大小和最大迭代次数，根据所述的蚂蚁个数和传感器网络空间大小确定搜索区域大小，将每只蚂蚁置于相应的搜索区域中并设置初始获得光点概率，将第k只蚂蚁未经过的节点设置为节点集合，k为正整数；
步骤S20，校验经所述步骤S10获得的节点集合是否为空，
若所述节点集合不为空，则执行步骤S30，
若所述节点集合为空，则执行步骤S90；
步骤S30，假设所述第k只蚂蚁下一步将从节点i移动到节点j，然后计算所述节点i和所述节点j之间的欧氏距离及其倒数，并计算每只蚂蚁将要转移的位置；
步骤S40，通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度和从所述节点i到节点l上的路径(i,l)的信息素浓度；再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的信息素浓度和所述节点j扩散到所述节点l的信息素浓度，进而计算路径(j,l)的信息素浓度；
步骤S50，通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的光点强度和从所述节点i到所述节点l上的路径(i,l)的光点强度，再由基于点距的高斯分布公式分别计算所述节点i扩散到所述节点l的光点强度和所述节点j扩散到所述节点l的光点强度，然后计算路径(j,l)的光点强度；
根据节点i、节点j和节点l上的光点强度确定所述的节点i、节点j和节点l上的反信息素浓度，并通过所述的节点i、节点j和节点l的反信息素浓度分别计算路径(i,j)、路径(i,l)和路径(j,l)的反信息素浓度；
步骤S60，根据所述步骤S40获取的所述路径(i,j)的信息素浓度、所述路径(i,l)的信息素浓度和所述路径(j,l)的信息素浓度更新所述每只蚂蚁的路径信息素浓度；
根据获取的所述路径(i,j)、路径(i,l)和路径(j,l)的反信息素浓度更新所述每只蚂蚁的路径反信息素浓度；
步骤S70，执行所述步骤S50后，校验所述每只蚂蚁是否完成了完整的所述搜索区域的路径搜索，
若所述每只蚂蚁未完成完整的所述搜索区域的路径搜索，则执行所述步骤S20，
若所述每只蚂蚁完成了完整的所述搜索区域的路径搜索，则执行步骤S80；
步骤S80，检验所述每只蚂蚁是否达到指定的所述最大迭代次数，
若未达到指定的所述最大迭代次数，则计算所述第k只蚂蚁获得光点的概率，并执行所述步骤S20，
若达到了指定的所述最大迭代次数，则执行所述步骤S90；
步骤S90，输出所述每只蚂蚁的路径信息素浓度和路径反信息素浓度，并通过所述的路径信息素浓度和路径反信息素浓度设定Ad hoc网络路由。
2.如权利要求1所述的Ad hoc网络路由方法，其特征在于，所述通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度和从所述节点i到所述节点l上的路径(i,l)的信息素浓度；其中，
所述路径(i,j)的信息素浓度由所述第k只蚂蚁在所述节点i和所述节点j上遗留的信息素浓度的算术平均和计算信息素浓度增量，累加m只蚂蚁的信息素浓度增量；
所述路径(i,l)的信息素浓度由所述第k只蚂蚁在所述节点i和所述节点l上遗留的信息素浓度的算术平均和计算信息素浓度增量，累加m只蚂蚁的信息素浓度增量；
所述通过所述步骤S30获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的光点强度和从所述节点i到所述节点l上的路径(i,l)的光点强度；其中，
所述路径(i,j)的光点强度由所述第k只蚂蚁在所述节点i和所述节点j上遗留的光点强度的算术平均和计算光点强度增量，累加m只蚂蚁的光点强度增量；
所述路径(i,l)的光点强度由所述第k只蚂蚁在所述节点i和所述节点l上遗留的光点强度的算术平均和计算光点强度增量，累加m只蚂蚁的光点强度增量。
3.如权利要求2所述的Ad hoc网络路由方法，其特征在于，
基于信息素扩散场获取所述第k只蚂蚁的转移概率，通过下述公式计算所述第k只蚂蚁的转移概率：
其中，τij(t)为t时刻路径(i,j)上的信息素浓度，ηij为路径(i,j)间欧氏距离的倒数，τik(t)为t时刻路径(i,k)上的信息素浓度，ηik为路径(i,k)间欧氏距离的倒数，Ak为第k只蚂蚁未经过的节点集合，α是调节路径(i,j)信息素浓度相对于能见度重要性的参数，β是调节路径(i,k)信息素浓度相对于能见度重要性的参数；
基于反信息素收敛场获取所述第k只蚂蚁的转移概率，通过下述公式计算所述第k只蚂蚁的转移概率：
其中，ξij(t)为t时刻路径(i,j)上的反信息素浓度，ηij为路径(i,j)间欧氏距离的倒数，Ak为第k只蚂蚁未经过的节点集合，ηik为路径(i,k)间欧氏距离的倒数，p是调节路径(i,j)信息素浓度相对于能见度重要性的参数，q是调节路径(i,k)信息素浓度相对于能见度重要性的参数；
根据所述基于信息素扩散场和反信息素收敛场获取的获取所述第k只蚂蚁从所述节点i到所述节点j的转移概率为：其中，ρ为权重。
4.如权利要求2所述的Ad hoc网络路由方法，其特征在于，在所述步骤S40中，通过光点强度模型获取所述的光点强度，所述光点强度模型包括球体模型、正圆锥体模型和概率密度曲线模型；其中，
当所述光点强度模型为球体模型时，若球体内任意一点C(x,y,z)的光点强度大于最小光点强度，其中，x,y和z均小于球体半径，则通过下述公式计算所述的光点强度：
若球体内任意一点C(x,y,z)的光点强度不大于最小光点强度，则MC＝0；
其中，MC为C点光点强度，MMAX为最大光点强度，Y为球体半径，OC是C点(z,y,z)至原点O(0,0,0)的欧氏距离，且
当所述光点强度模型为正圆锥体模型时，若正圆锥体内任意一点C(x,y,z)的光点强度大于最小光点强度，其中，y≥0，则通过下述公式计算点C的光点强度：
若光点强度不大于最小光点强度时，则MC＝0；
其中，MC为C点的光点强度，MMAX为正圆锥体内最大光点强度，R为正圆锥体的底面半径，H为正圆锥体的高，Y为所述球体模型的球体半径，且H≤Y；
当所述光点强度模型为概率密度曲线模型时，通过下述公式计算所述的光点强度：
其中，MC为C点光点强度，MMAX为最大光点强度，Y为所述球体模型的球体半径，g为概率密度曲线任意点C(x,y,z)与原点O(0,0,0)之间的欧氏距离，且g≤Y。
5.如权利要求2所述的Ad hoc网络路由方法，其特征在于，在所述步骤S40中，
若节点i上的光点强度小于最小光点强度时，可聚集、且有最大值的反信息素浓度满足下述公式：
Vi(t+1)＝δ·Vi(t)+u,u∈[0,+∞)
此时，反信息素浓度与光点强度之间的关系为：
其中，Vi(t)为t时刻点i上的反信息素浓度，u为反信息素浓度最小值，Mi(t)为t时刻点i上的反信息素浓度，w为光点生效的最小强度，δ为在时间t和t+1之间反信息素的增长速度。
6.如权利要求1所述的Ad hoc网络路由方法，其特征在于，通过点距的近似正态分布模型获取所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度；
所述近似正态分布模型通过将所述第k只蚂蚁从所述节点i到所述节点j上的路径(i,j)的信息素浓度转化为所述节点i到所述节点j上的信息素浓度计算算术平均和得到路径(i,j)上的信息素浓度增量，通过获取的所述信息素浓度增量得到k只蚂蚁的信息素浓度增量，所述k只蚂蚁的信息素浓度增量为路径(i,j)的信息素浓度。
7.如权利要求6所述的Ad hoc网络路由方法，其特征在于，通过点距的近似正态分布模型获取所述第k只蚂蚁从所述节点i到所述节点l上的路径(i,l)的信息素浓度；
所述近似正态分布模型通过将所述第k只蚂蚁从所述节点i到所述节点l上的路径(i,l)的信息素浓度转化为所述节点i到所述节点l上的信息素浓度计算算术平均和得到路径(i,l)上的信息素浓度增量，通过获取的所述信息素浓度增量得到k只蚂蚁的信息素浓度增量，所述k只蚂蚁的信息素浓度增量为路径(i,l)的信息素浓度。
8.如权利要求1所述的Ad hoc网络路由方法，其特征在于，在所述步骤S40中，所述信息素浓度通过信息素扩散模型获取，所述信息素扩散模型包括球体模型、正圆锥体模型和概率密度曲线模型；其中，
当所述信息素扩散模型为球体模型时，则通过下述公式计算所述的信息素浓度：
其中，DC为点C的信息素浓度，DMAX为最大信息素浓度，Y为球体半径，标量是C点至O点的欧氏距离；
当所述信息素扩散模型为正圆锥体模型时，正圆锥体中任意一点C(x,y,z)，其中，y≥0，与正圆锥体中原点O(0,0,0)构成的向量OC在正圆锥体底面的投影记作OCT(x,0,z)，则OC与OCT的夹角θ满足：
因为OC延长线与圆锥体侧面的交点T必在过OC且垂直于底面的截面上，当x2+z2≠0时，则通过下述公式计算点C的信息素浓度：
其中，DV为C的信息素浓度，DMAX为最大信息素浓度，R为正圆锥体的底面半径；
当所述信息素扩散模型为概率密度曲线模型时，通过下述公式计算所述的信息素浓度
其中，DC为C的信息素浓度，DMAX为最大信息素浓度，g为任意一点C与原点O之间的欧氏距离。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-8中任一所述的方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202110631016.2A 2021-06-07 2021-06-07 基于复合信息素浓度场蚁群算法的Ad hoc网络路由 Active CN113556728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110631016.2A CN113556728B (zh) 2021-06-07 2021-06-07 基于复合信息素浓度场蚁群算法的Ad hoc网络路由

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631016.2A CN113556728B (zh) 2021-06-07 2021-06-07 基于复合信息素浓度场蚁群算法的Ad hoc网络路由

Publications (2)

Publication Number Publication Date
CN113556728A CN113556728A (zh) 2021-10-26
CN113556728B true CN113556728B (zh) 2023-09-22

Family

ID=78130317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631016.2A Active CN113556728B (zh) 2021-06-07 2021-06-07 基于复合信息素浓度场蚁群算法的Ad hoc网络路由

Country Status (1)

Country Link
CN (1) CN113556728B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101207323A (zh) * 2007-12-20 2008-06-25 中山大学 基于蚁群算法的功率电子电路优化方法
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
KR20110071544A (ko) * 2009-12-21 2011-06-29 강원대학교산학협력단 개미 알고리즘을 이용한 무선 센서 네트워크에서의 클러스터링 최적 설계 방법
CN103559536A (zh) * 2013-11-12 2014-02-05 杭州银江智慧城市技术集团有限公司 一种基于新概率转移函数的照明通信动态寻径蚁群算法
CN104617985A (zh) * 2014-12-31 2015-05-13 北京邮电大学 基于蚁群算法的电力通信网线路优化方法及装置
WO2016095692A1 (zh) * 2014-12-15 2016-06-23 江南大学 一种改进蚁群优化传感器网络簇头方法
CN109214498A (zh) * 2018-07-10 2019-01-15 昆明理工大学 基于搜索集中度和动态信息素更新的蚁群算法优化方法
CN109474973A (zh) * 2018-12-03 2019-03-15 上海金卓网络科技有限公司 基于蚁群算法的自组网路径确定方法、装置、设备及介质
CN109919345A (zh) * 2017-12-12 2019-06-21 北京京东尚科信息技术有限公司 拣货路径规划方法与装置
CN112601217A (zh) * 2020-10-28 2021-04-02 北京工业大学 一种基于蚁群优化和代理重加密的数据安全传输方法
CN112731657A (zh) * 2021-02-22 2021-04-30 淄博丰雁电子元件有限公司 一种设计to非球面透镜的蚁群方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8296712B2 (en) * 2010-09-30 2012-10-23 Synopsys, Inc. Method and apparatus for improving the interconnection and multiplexing cost of circuit design from high level synthesis using ant colony optimization

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101207323A (zh) * 2007-12-20 2008-06-25 中山大学 基于蚁群算法的功率电子电路优化方法
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
KR20110071544A (ko) * 2009-12-21 2011-06-29 강원대학교산학협력단 개미 알고리즘을 이용한 무선 센서 네트워크에서의 클러스터링 최적 설계 방법
CN103559536A (zh) * 2013-11-12 2014-02-05 杭州银江智慧城市技术集团有限公司 一种基于新概率转移函数的照明通信动态寻径蚁群算法
WO2016095692A1 (zh) * 2014-12-15 2016-06-23 江南大学 一种改进蚁群优化传感器网络簇头方法
CN104617985A (zh) * 2014-12-31 2015-05-13 北京邮电大学 基于蚁群算法的电力通信网线路优化方法及装置
CN109919345A (zh) * 2017-12-12 2019-06-21 北京京东尚科信息技术有限公司 拣货路径规划方法与装置
CN109214498A (zh) * 2018-07-10 2019-01-15 昆明理工大学 基于搜索集中度和动态信息素更新的蚁群算法优化方法
CN109474973A (zh) * 2018-12-03 2019-03-15 上海金卓网络科技有限公司 基于蚁群算法的自组网路径确定方法、装置、设备及介质
CN112601217A (zh) * 2020-10-28 2021-04-02 北京工业大学 一种基于蚁群优化和代理重加密的数据安全传输方法
CN112731657A (zh) * 2021-02-22 2021-04-30 淄博丰雁电子元件有限公司 一种设计to非球面透镜的蚁群方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Yanchu Li.Research on Reliability of Ad hoc Network Communication in UAVs Formations.2019 IEEE 6th International Symposium on Electromagnetic Compatibility (ISEMC).2020,全文. *
刘永强 ; 常青 ; 熊华钢 ; .改进蚁群算法求解时变网络中最短路径问题.北京航空航天大学学报.2009,(第10期),全文. *
李建军 ; 高振军 ; 侯风华 ; .基于高程―四叉树模型和改进蚁群算法的路径规划.信息工程大学学报.2014,(第06期),全文. *
王水花 ; 张煜东 ; 吉根林 ; .群智能算法的理论及应用综述.南京师范大学学报(工程技术版).2014,(第04期),全文. *
肖艳秋 ; 焦建强 ; 乔东平 ; 杜江恒 ; 周坤 ; .蚁群算法的基本原理及应用综述.轻工科技.2018,(第03期),全文. *

Also Published As

Publication number Publication date
CN113556728A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
Fernandez-Marquez et al. Description and composition of bio-inspired design patterns: a complete overview
Zhang et al. An improved ant colony algorithm for path planning in one scenic area with many spots
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
Wang et al. An elite hybrid metaheuristic optimization algorithm for maximizing wireless sensor networks lifetime with a sink node
Khedr et al. Successors of PEGASIS protocol: A comprehensive survey
CN109839110A (zh) 一种基于快速随机搜索树的多目标点路径规划方法
CN108036790A (zh) 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统
CN109299778B (zh) 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法
CN110375761A (zh) 基于增强蚁群优化算法的无人驾驶车辆路径规划方法
CN112947591A (zh) 基于改进蚁群算法的路径规划方法、装置、介质及无人机
US7415313B2 (en) Spatial coordination system
CN109186619A (zh) 一种基于实时路况的智能导航算法
Mnasri et al. A hybrid ant-genetic algorithm to solve a real deployment problem: a case study with experimental validation
Aadil et al. Intelligent clustering in vehicular ad hoc networks
Kooshari et al. An optimization method in wireless sensor network routing and IoT with water strider algorithm and ant colony optimization algorithm
CN109862532A (zh) 轨道交通状态监测多传感器节点布局优化方法及系统
CN117556979B (zh) 基于群体智能搜索的无人机平台与载荷一体化设计方法
CN112612275A (zh) 一种数据库机房复杂路径规划系统及其规划方法
CN113556728B (zh) 基于复合信息素浓度场蚁群算法的Ad hoc网络路由
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN114599069A (zh) 一种基于能量自收集的水下无线传感器网络路由方法
CN113110431A (zh) 无人靶车野外试验路径实时规划方法
CN117459946A (zh) 基于改进沙猫群优化算法的三维表面wsn覆盖方法
CN115619953A (zh) 一种面向崎岖地形的移动机器人地形建图方法及系统
Stewart et al. A Voronoi diagram based population model for social species of wildlife

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