CN114599068A - 一种基于植物群落行为的无线传感器网络路由算法 - Google Patents

一种基于植物群落行为的无线传感器网络路由算法 Download PDF

Info

Publication number
CN114599068A
CN114599068A CN202210140728.9A CN202210140728A CN114599068A CN 114599068 A CN114599068 A CN 114599068A CN 202210140728 A CN202210140728 A CN 202210140728A CN 114599068 A CN114599068 A CN 114599068A
Authority
CN
China
Prior art keywords
plant
substep
community
route
wireless sensor
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
CN202210140728.9A
Other languages
English (en)
Other versions
CN114599068B (zh
Inventor
蔡政英
江珊
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210140728.9A priority Critical patent/CN114599068B/zh
Publication of CN114599068A publication Critical patent/CN114599068A/zh
Application granted granted Critical
Publication of CN114599068B publication Critical patent/CN114599068B/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
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • 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
    • 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)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (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)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于植物群落行为的无线传感器网络路由算法，通过模拟植物群落的播种、生长、开花、结果的行为来优化无线传感器网络路由，包括以下步骤：步骤1，植物群落对无线传感器网络路由进行初始化；步骤2，植物群落在无线传感器网络中进行播种操作并计算植物植株的路由评价目标函数；步骤3，植物群落在无线传感器网络中进行生长操作并对路由进行随机搜索；步骤4，植物群落在无线传感器网络中进行开花操作并随机选择邻居植株的路由进行组合；步骤5，植物群落在无线传感器网络中进行结果操作并互相交换多个路由信息；步骤6，植物群落输出无线传感器网络最优路由并结束算法。本算法计算资源要求低、算法效率高、能量消耗低、拓展性好。

Description

一种基于植物群落行为的无线传感器网络路由算法
技术领域
本发明属于计算机网络和人工智能领域，具体涉及一种基于植物群落行为的无线传感器网络路由算法。
背景技术
无线传感器网络的节点之间以无线方式进行通信，采用自组织方式进行数据远程传输。无线传感器网络路由算法用于将源节点的数据包逐跳传输到目的节点，包括两个主要任务，即规划源节点和目的节点之间的最优单跳或多跳路径，并在该优化路径的网络节点上依次转发数据。任一无线传感器网络节点均具备恢复链路连接、位置定位、拓扑发现和路由决策能力，既可以感知环境、采集数据，也可以转发、中继数据。无线传感器网络中的路由算法应当是分布式的，路由策略包括单跳路由、多跳路由和全路径路由。
无线传感器网络路由算法能够发现是从源节点到目的节点之间的最优路径，数据包沿着该路由准确、高效、快速地到达目的节点。路由算法的策略和工作方法对无线传感器网络的性能具有极其显著的影响。通常将无线传感器网络路由算法分为几大类：拓扑结构路由、地理位置、层次路由、机会路由、数据中心路由和QoS感知路由。
基于拓扑结构的路由算法需要每个节点维护一张路由信息表，节点路由决策快，在网络稳定时可确保数据包的服务质量稳定可靠。但需要定期更新路由表以适应无线传感器网络拓扑的动态变化，从而产生更多的路由开销。
基于地理位置的路由算法无需节点存储全局路由信息，存储和处理开销较低，易于实现，可扩展性好。每个网络节点维护一张包含邻居节点位置信息的信息表，并定期更新该表，路由决策时主要通过共享网络节点的位置信息，可有效快速响应动态变化的网络拓扑。但使用地理信息进行数据转发对网络能源效率会产生负面影响。
层次路由又称为簇路由，即将若干传感节点划分为簇。每个簇根据特定的规则选择一个节点作为簇头，由簇头负责数据聚合、路由决策和数据转发等功能。簇内其他节点负责环境感知和数据采集任务。层次路由算法扩展性好，能效较高，包括LEACH和TEEN等算法。
机会路由是从邻居节点中选择一组节点，并按照特定规则从中选择一个节点进行发送数据，如发送成功则继续下一跳，如不成功则选择组内的另一个节点发送，直到数据成功传输或达到最大发送次数。机会路由提高了数据传输的可靠性，包括ExOR、EEOR、EDOR等算法。
数据中心路由算法依据属性命名来聚合数据，可消除数据冗余，降低能耗，包括泛洪路由、Gossiping路由、RUMO路由、定向传播路由和SPIN路由等。
QoS感知路由对无线传感网络设置QoS量化指标需求，包括端到端网络延迟，数据包优先级等。QoS感知路由可以获得更佳的传输质量，满足特定领域的路由QoS需求，包括SPEED感知路由算法等。
传统的无线传感器网络路由算法，具有以下缺点：
1、计算资源要求高。复杂的路由算法需要维持复杂的路由表，路由表的维护和更新需要较多的计算资源。而无线传感器网络节点由于计算能力和存储容量的限制，难以承担复杂的路由计算，全网路由信息表也难以保存。
2、算法效率低。无线传感器网络路由算法在设计、运行、优化过程中所要考虑的因素比较多，包括节点能源限制、发射能量、局部拓扑信息、动态变化、可扩展性、复杂度、路由更新策略。设计不好的话，很容易影响算法的效率。
3、能量消耗大。复杂的路由算法往往需要消耗更多的能量，而无线传感器网络的能量受限，传感器节点多由电池提供能量，通常没有外部能源补充。因此，无线传感器网络路由算法需要考虑能量效率。
4、拓扑复杂。无线传感器网络拓扑会随着节点的动态加入、退出、失效而变化。无线传感器网络往往节点数量多，且网络节点通信范围有限，网络节点通常只保留局部拓扑信息。常规的路由算法并不适用于无线传感器网络，特别是大规模的无线传感器网络。
发明内容
针对现有技术中存在的上述问题，本发明提出了一种基于植物群落行为的无线传感器网络路由算法，设计合理，解决了现有技术的不足，不维护复杂的路由表，使用概率式启发算法，在提高算法效率的同时，降低了能量消耗和计算资源要求。
一种基于植物群落行为的无线传感器网络路由算法，它包括以下步骤：
步骤1，由植物群落对无线传感器网络路由进行初始化；采集无线传感器网络的路由参数作为植物群落算法的输入数据，用户根据路由计算任务要求初始化植物群落参数，并选择路由评价目标函数对植物群落算法的输出进行评估；
步骤2，由植物群落在无线传感器网络中进行播种操作并计算植物植株的路由评价目标函数；植物群落随机产生一组植物群落个体并分别编码成无线传感器网络路由的若干个可行解，每个可行解使用一系列二进制位串表示选择或未选择与二进制位对应的传感器节点；
步骤3，由植物群落在无线传感器网络中进行生长操作并对路由进行随机搜索；植物群落个体分别随机搜索新的传感器节点，并重新编码成无线传感器网络路由的若干个可行解，即修改植物群落个体的一部分二进制位；
步骤4，由植物群落在无线传感器网络中进行开花操作并随机选择邻居植株的路由进行组合；计算植物植株个体的路由评价目标函数，按路由评价目标函数对植物植株个体进行排序，并选择路由评价目标函数较优的植物植株个体；
步骤5，由植物群落在无线传感器网络中进行结果操作并互相交换多个路由信息；植物植株个体互相学习和交换传感器节点信息，并重新编码成无线传感器网络路由的若干个可行解，即互相交换植物群落个体的一部分二进制位；
步骤6，由植物群落输出无线传感器网络最优路由并结束算法；植物群落算法通过步骤2至步骤6的迭代计算，选择路由评价函数最优的植物植株个体作为无线传感器网络的最优路由。
在步骤1中，包括以下子步骤：
子步骤1-1，初始化无线传感器网络路由参数和评价目标函数，包括无线传感器网络的节点数量，节点类型，节点的能量，节点发射功率，节点发射距离；清空无线传感器网络的路由信息和路由评价目标函数；
子步骤1-2，初始化植物群落参数，包括植物群落中植株种群的大小，植物植株个体的数值类型和数值大小，植物植株的路由评价目标函数，植物群落的生长变异概率，开花概率，结果概率；
植物群落种群大小，即植物群落中植物植株个体的数量；植株个体的数值类型，包括数值的整型，浮点型，布尔型，有符号数或无符号数，数据结构类型；植株个体的数值大小，即数值的表示范围，正数或负数；植物植株的路由评价目标函数，用于对无线传感器网络的路由绩效进行评估，包括无线传感器网络的传播距离，工作能耗，能源效率，带宽，数据传输率，丢包率，误码率，QoS，客户满意度，客户体验质量，可靠性；植物群落的生长变异概率，指植物植株在生长操作过程中数值有一定概率发生突变；植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作；植物群落的结果概率，指植物植株在结果过程中数值有一定概率互相学习进行结果操作；
子步骤1-3，清空数据集合，包括清空植物植株个体的路由节点集合，植物植株播种集合，植物群落开花集合，植物群落结果邻居对集合，具有最高排序优先级的植物植株；
植物植株播种集合，表示进行播种操作的植物植株个体集合；植物群落开花集合，表示进行开花操作的植物植株个体集合；植物群落结果邻居对集合，表示进行结果操作的多个植物植株个体配对的集合；具有最高排序优先级的植物植株，表示对应的植物植株个体具有最高的路由评价目标函数值；
子步骤1-4，初始化植物群落算法起始条件和终止条件，包括计算开始时间，计算结束时间或迭代计算次数限制，结束误差判断阈值；
在步骤2中，包括以下子步骤：
子步骤2-1，随机生成植物群落中植株个体的初始值；按植物群落种群大小，随机生成一个植物植株播种集合，播种集合元素的个数即为植物群落种群大小，集合中每个元素即为植物植株个体；植物群落中植株个体的数值表示植物植株个体的路由节点集合，即为一种无线传感器网络路由，表示无线传感器网络中若干网络节点的拓扑连接方式，包括源节点和目的节点；
子步骤2-2，计算植物群落中植物植株个体的路由评价目标函数；
子步骤2-3，不断循环，直至植物群落中所有植物植株的路由评价目标函数计算完成；
子步骤2-4，对植物群落中所有植物植株的路由评价目标函数进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
子步骤2-5，选出具有最高排序优先级的植物植株，并根据其数值更新整个无线传感器网络路由信息；
在步骤3中，包括以下子步骤：
子步骤3-1，单个植物植株个体按植物群落生长变异概率在无线传感器网络中随机搜索一个网络节点；
子步骤3-2，单个植物植株个体搜索能够连通该网络节点的新路由，并将该网络节点和新路由上的所有网络节点添加到该植物植株个体的路由节点集合中；
子步骤3-3，不断循环子步骤3-1和子步骤3-2，直至植物群落中所有植株完成一次随机搜索，每个植物植株均添加新路由和对应网络节点到各自的植物植株个体的路由节点集合中；
子步骤3-4，计算单个植物植株个体的路由评价目标函数；
子步骤3-5，不断循环子步骤3-4，直至植物群落中所有植株个体的路由评价目标函数计算完成；
在步骤4中，包括以下步骤：
子步骤4-1，对植物群落中所有植物植株个体的路由评价目标函数按数值高低进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
子步骤4-2，按照开花概率选择单个植物植株个体；优选地，较高的排序优先级具有较高的开花概率，更容易被选择；反之，较低的排序优先级具有较低的开花概率，更不容易被选择；
子步骤4-3，所有被选择的单个植物植株个体添加进植物群落开花集合，开花集合中的每一个植物植株均可以进入步骤5，进行植物群落结果计算；反之，未选择到开花集合的植物植株被放弃，不进行步骤5，不进行植物群落结果计算；
在步骤5中，包括以下步骤：
子步骤5-1，植物群落开花集合中的单个植物植株个体随机选择一个邻居植物植株个体，按照植物群落结果概率学习邻居植物植株个体的一部分路由，这两个植物植株个体组成邻居对，以成对方式添加进植物群落结果邻居对集合中；
子步骤5-2，不断循环子步骤5-1，直至植物群落开花集合中的所有植物植株个体均被选入植物群落结果邻居对集合中，即植物群落开花集合中每一个植物植株个体均出现在植物群落结果邻居对集合的邻居对中；
子步骤5-3，植物群落结果邻居对集合中每一对植物植株个体按照植物群落结果概率互相交换一部分路由信息；优选地，植物群落开花集合中的单个植物植株个体允许多次被邻居植物植株个体选中，允许同时出现在多个邻居对中；
子步骤5-4，植物群落结果邻居对集合中每个邻居对中的植物植株个体，根据互相交换的一部分路由信息调整路由网络节点，重新构建新路由，并将新路由中的网络节点添加进单个植物植株个体中；
子步骤5-5，计算植物群落结果邻居对集合中每个植物植株个体的路由评价目标函数值；
子步骤5-6，依次不断循环子步骤5-1，5-2，5-3，5-4，5-5，直至植物群落结果邻居对集合中的全部植物植株个体的路由评价目标函数计算完成；
在步骤6中，包括以下步骤：
子步骤6-1，对植物群落结果邻居对集合中全部植物植株个体的路由评价目标函数进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
子步骤6-2，选出具有最高排序优先级的植物植株个体的路由评价目标函数；
子步骤6-3，比较子步骤6-2所得出的具有最高优先级的植物植株个体的路由评价目标函数，与子步骤2-5计算出播种操作步骤中具有最高优先级的植物植株个体的路由评价目标函数，两者进行数值大小的比较，并选出具有最高优先级的植物植株个体，及对应的路由评价目标函数；
子步骤6-4，判断迭代计算次数是否符合预定的迭代计算次数限制，如果符合，则结束计算，将子步骤6-3中得到的最高优先级的植物植株个体的路由评价目标函数输出，并输出对应植物植株个体的数值，作为无线传感器网络的最优路由；反之，如果不符合预定的迭代计算次数限制，则进行子步骤6-5；
子步骤6-5，如果子步骤6-2所得出的路由评价目标函数值更高，且高于结束误差判断阈值，则按植物群落种群数量的一半来选择子步骤6-1中排序优先级最高的那些植物植株个体，添加进子步骤2-1中植物植株播种集合；进一步地，按植物群落种群数量的一半来选择子步骤2-4中排序优先级最高的那些植物植株个体，也添加进子步骤2-1中植物植株播种集合；两部分植物植株个体重新组成新的植物群落种群，重新进行播种操作，返回子步骤2-4，重新开始下一次计算，并记录迭代计算次数；反之，如果子步骤6-2所得出的路由评价目标函数值更低，或与子步骤2-5中排序优先级最高的路由评价目标函数值的差值不高于结束误差判断阈值，则不再进行播种操作，结束计算，将子步骤6-3中得到的最高优先级的植物植株的路由评价目标函数输出，并输出对应植物植株个体的数值，作为无线传感器网络的最优路由。
与现有技术相比，本发明具有如下技术效果：
1、计算资源要求低。本算法中无线传感器网络节点不需要很高的计算能力和存储容量的限制，不需要承担复杂的路由计算，也不需要保存全网路由信息表。本算法在设计、运行、优化过程中，不需要依赖全局路由表的建立、维护、更新、查找的操作，而是通过植物群落中多个植物植株个体的概率搜索，可部署在不同的传感器网络节点上进行分布式计算。
2、算法效率高。本算法没有使用复杂的循环嵌套，而是通过植物群落的播种、生长操作、开花操作、结果操作，依次完成计算任务，大大降低了算法的时间复杂性和空间复杂性。本路由算法在设计、运行、优化过程中允许用户根据使用场景自行设计评价目标函数，综合考虑所需的因素和指标，包括节点能源限制、发射能量、局部拓扑信息、动态变化、可扩展性、复杂度、路由更新策略，从而进一步提高算法的效率和不同场景下的适用性。
3、能量消耗低。本算法不需要维护复杂的路由表，不需要复杂的路由表建立、维护、更新、查找的操作，而是使用概率式的启发搜索方法，通过植物群落的植物植株个体的概率搜索，分布式搜索最优路由。本算法可在无线传感器节点上进行计算，运算量低，能量发射范围要求低，大大提高了能量效率。
4、拓展性好。本算法可在分布式无线传感器节点上完成计算任务，邻居节点共同完成更复杂的路由计算任务，允许无线传感器网络拓扑随着节点的动态加入、退出、失效而变化。无线传感器网络的节点数量越多，整体计算能力就越强大，而网络节点只需保留局部拓扑信息，更适合大规模的无线传感器网络路由优化。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的工作方法流程图。
具体实施方式
如图1所示，一种基于植物群落行为的无线传感器网络路由算法，通过模拟植物群落的播种、生长、开花、结果的行为来优化无线传感器网络路由。
所述植物群落，用于模拟无线传感器网络路由优化问题的解空间；
所述植物植株个体，用于模拟无线传感器网络路由优化问题的某一个可行解；
所述植物群落种群大小，即植物群落中植物植株个体的数量，用于模拟无线传感器网络路由优化问题的可行解的数量；
所述植物植株的路由评价目标函数，用于模拟对无线传感器网络的路由绩效进行评估，用户可以根据使用需要和不同的应用场景选择不同的路由绩效函数作为路由评价目标函数，包括无线传感器网络的传播距离，工作能耗，能源效率，带宽，数据传输率，丢包率，误码率，QoS，客户满意度，客户体验质量，可靠性；优选地，不同的路由评价目标函数排序优先级有所不同,对于传播距离，工作能耗，丢包率，误码率，越低则越优；对于能源效率，带宽，传输率，QoS，客户满意度，客户体验质量，可靠性，越高则越优；
所述植物群落，包括播种操作，生长操作，开花操作，和结果操作；通过四个操作的不断循环和不断迭代，寻找无线传感器网络路由问题的最优解。
所述植物群落的播种操作，用于模拟自然界植物群落的种子播种过程，播种既具有随机性，同时也局限于某一植物植株附近；播种操作用于产生每一步计算所需的初始可行解数值；
所述植物群落的生长操作，用于模拟自然界植物群落中多个植物植株个体生长过程，植物植株的种子播种虽然是随机的，但只有在有水源附近的种子才可以生长，在植物植株长期的生长过程中，有可能受环境的影响而发生变异，成为新的植物植株个体；生长操作用于产生可行解的变异解，用于单个可行解变化并扩大搜索范围，模拟植物群落的变异功能；所述植物群落的生长变异概率，模拟植物植株在生长操作过程中数值有一定概率发生突变，即可行解以一定的生长变异概率发生小范围变化；较大的生长变异概率便于扩大搜索空间，但也容易降低收敛速度；较小的变异概率容易过早收敛于局部最优解，但也容易提高收敛速度；
所述植物群落的开花操作，用于模拟自然界植物群落中多个植物植株个体的开花过程，植物植株个体并非所有的分枝都可以开花，只有生长旺盛且营养丰富的分枝才可以开花；开花操作用于产生可行解的较优的解，用于保留较优解的数值；所述植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作，从而进行结果操作，即较优的解以一定开花概率被保留下来，模拟植物群落的个体自我学习功能；较小的开花概率保留更少的较优解，便于扩大搜索空间，但也容易降低收敛速度；较大的开花概率容易保留更多的较优解，易过早收敛于局部最优解，但也容易提高收敛速度；
所述植物群落的结果操作，用于模拟自然界植物群落中多个植物植株通过花粉交换遗传物质，进行结果操作的过程；结果用于不同的可行解交换数据，产生新的可行解；所述植物群落的结果概率，指不同植物植株个体在结果过程中其数值有一定概率互相学习进行结果操作，模拟植物群落的社会学习功能；较小的结果概率使较优解保留的部分更少，便于扩大搜索空间，但也容易降低收敛速度；较大的结果概率使较优解保留的部分更多，易过早收敛于局部最优解，但也容易提高收敛速度；
所述无线传感器网络，包括若干基站节点和大量传感器节点组成，每个传感器网络节点都有唯一的ID标识；基站节点的结构、功能、能量与传感器节点不同，能量假设为无限制且位置固定；每个传感器节点的结构、功能、能量可能相同，也可能不同，位置可以固定，也可以移动，且位置可测得；所述无线传感器网络路由，指由源节点到目的节点所走过的路径集合，包括从源节点到目的节点所经过的所有节点，含基站节点和传感器节点。
一种基于植物群落行为的无线传感器网络路由算法，它包括以下步骤：
所述步骤1，植物群落对无线传感器网络路由进行初始化；采集无线传感器网络的路由参数作为植物群落算法的输入数据，用户根据路由计算任务要求初始化植物群落参数，并选择路由评价目标函数对植物群落算法的输出进行评估；包括以下子步骤：
子步骤1-1，初始化无线传感器网络路由参数和评价目标函数，包括无线传感器网络的节点数量，节点类型，节点的能量，节点发射功率，节点发射距离；清空无线传感器网络的路由信息和路由评价目标函数；
假设无线传感器网络覆盖区域的面积为S，节点的总数目为M，基站作为簇头的产生比例为N，假设基站的坐标和节点的初始能量已知，若要生成大小相等不重叠的簇，则簇的面积为S/N,在每一次计算中，簇生成后就不再变动。
优选地，在某矩形区域随机分布100个节点模拟无线传感器网络节点；基站作为簇头节点数目小于100个，位置固定；其余节点为传感器节点，位置允许变动。
子步骤1-2，初始化植物群落参数，包括植物群落中植株种群的大小，植物植株个体的数值类型和数值大小，植物植株的路由评价目标函数，植物群落的生长变异概率，开花概率，结果概率；
所述植物群落种群大小，即植物群落中植物植株个体的数量；所述植株个体的数值类型，包括数值的整型，浮点型，布尔型，有符号数或无符号数，数据结构类型；所述植株个体的数值大小，即数值的表示范围，正数或负数；所述植物植株的路由评价目标函数，用于对无线传感器网络的路由绩效进行评估，包括无线传感器网络的传播距离，工作能耗，能源效率，带宽，数据传输率，丢包率，误码率，QoS，客户满意度，客户体验质量，可靠性；所述植物群落的生长变异概率，指植物植株在生长操作过程中数值有一定概率发生突变；所述植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作；所述植物群落的结果概率，指植物植株在结果过程中数值有一定概率互相学习进行结果操作；
优选地，植物群落种群大小为Population_size，为大于0的正整数；
优选地，无线传感器网络使用最短总路径为目标函数选择最优路由，则定义路由评价目标函数为
Figure BDA0003506266350000081
其中，n为传感器节点个数，pathi,j为节点i,j间路径的长度；
进一步地，无线传感器网络在工作过程中可能会出现能量消耗不均衡，植物群落在选择簇头时需要考虑节点的剩余能量。优选地，植物群落使用初始化能量与当前节点i的剩余能量的比值来判断能量消耗的情况
Figure BDA0003506266350000082
其中Ere(i)为节点i的剩余能量；EO为节点i的初始能量。Ere(i)越大，ECi就越小，无线传感器网络节点i当选簇头的概率就越高，当两个或多个节点当选簇头的概率相同时，植物群落优先则选择距离基站最近的节点当簇头；
优选地，设置植物群落的概率参数，包括生长变异概率probability1，开花概率probability2，结果概率probability3，且有0<生长变异概率probability1<结果概率probability3<开花概率probability2<1；
子步骤1-3，清空数据集合，包括清空植物植株个体的路由节点集合，植物植株播种集合，植物群落开花集合，植物群落结果邻居对集合，具有最高排序优先级的植物植株；
所述植物植株播种集合，表示进行播种操作的植物植株个体集合；所述植物群落开花集合，表示进行开花操作的植物植株个体集合；所述植物群落结果邻居对集合，表示进行结果操作的多个植物植株个体配对的集合；所述具有最高排序优先级的植物植株，表示对应的植物植株个体具有最高的路由评价目标函数值；
优选地，植株个体的路由节点集合采用十进制编码方式，每一个集合元素表示经过的传感器节点；例如，当植物植株个体θ1经过的传感器节点数目为9时，有植物植株个体编码为θ1＝[3 10 6 9 2 5 8 7 1],表示植物植株θ1的路由节点集合从源节点3开始，经过10,6,9…最后到目的节点1,即完成从源节点到目的节点的路由遍历；
植物植株播种集合A＝{}，植物群落开花集合B＝{}，植物群落结果邻居对集合C＝{}，具有最高排序优先级的植物植株D＝{}；
优选地，通过式子θij＝Lj,min+ri,j(Hj,min-Lj,min)对植株的路由集合进行初始化，其中，植物植株个体i与j互为邻居，θi,j是植物植株个体的路由集合；Lj,min为二进制编码的无线传感器网络路由的可行解下界；Hj,min为二进制编码的无线传感器网络路由的可行解上界；ri,j是一个随机数，取值范围是[0,1]。
子步骤1-4，初始化植物群落算法起始条件和终止条件，包括计算开始时间，计算结束时间或迭代计算次数限制，结束误差判断阈值；
优选地，设置最大迭代计算次数Tmax＝200，迭代起始时间t＝0，最大迭代结束时间不大于10min或迭代计算次数不大于200次；结束误差判断阈值可用户根据计算任务和计算要求设定，如按相对值计算，通常不小于0.01％；如按绝对值计算，通常不小于0.01％*路由评价目标函数最大值。
所述步骤2，植物群落在无线传感器网络中进行播种操作并计算植物植株的路由评价目标函数；植物群落随机产生一组植物群落个体并分别编码成无线传感器网络路由的若干个可行解，每个可行解使用一系列二进制位串表示选择或未选择与二进制位对应的传感器节点；包括以下子步骤：
子步骤2-1，随机生成植物群落中植株个体的初始值；按植物群落种群大小，随机生成一个植物植株播种集合，播种集合元素的个数即为植物群落种群大小，集合中每个元素即为植物植株个体；植物群落中植株个体的数值表示植物植株个体的路由节点集合，即为一种无线传感器网络路由，表示无线传感器网络中若干网络节点的拓扑连接方式，包括源节点和目的节点；
植物群落第一次计算置迭代计算次数iteration＝1；植物群落每完成一次计算，迭代计算次数加1；若iteration≤Tmax，转下一步骤，否则结束计算；
优选地，播种集合为A＝{θi|i＝1,2,3,…,Population_size}
设第一个植株个体p1的路由θ1，初始化对应的θ1路由长度和评价目标函数f(θ1)；依此类推，其余植物植株个体的路由θi，初始化对应的θi路由长度和路由评价目标函数f(θi)，其中，i＝1,2,3,…,Population_size；
对于植物种群大小Population_size，依次更新植物群落中所有植物植株个体的路由θΣ＝{θ1,θ2,…,θPopulation_size}；
更新植物群落中所有植物植株个体的路由评价目标函数f(θi)，其中，i＝1,2,3,…,Population_size；
子步骤2-2，计算植物群落中植物植株个体的路由评价目标函数；
计算个体的路由评价目标函数f作为适应度值；
当植物群落一次迭代计算完成以后，植物群落将重新按照无线传感器网络节点的剩余能量和距离因素选择簇头，并且重新生成簇头链构建新的路由，并记录和计算路由节点数据和相关参数，进一步地，计算路由评价目标函数f；
子步骤2-3，不断循环，直至植物群落中所有植物植株的路由评价目标函数计算完成；
子步骤2-4，对植物群落中所有植物植株的路由评价目标函数进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
优选地，计算排序函数rank{f(θi)}，其中，i＝1,2,3,…,Population_size；
优选地，无线传感器网络使用最短总路径为目标函数选择最优路由，则定义路由评价目标函数为
Figure BDA0003506266350000101
其中，n为传感器节点个数，pathi,j为节点i,j间路径的长度；则排序函数对于越短的总路径，排序优先级越高；即评价目标函数的计算数值越小，排序优先级越高；
子步骤2-5，选出具有最高排序优先级的植物植株，并根据其数值更新整个无线传感器网络路由信息；
优选地，计算最优解Optimal＝min{rank{f(θi)}|i＝1,2,3,…,Population_size}，求出所有路由中路由评价目标函数f值最小的植株个体路由集合；
最高排序优先级的植物植株D＝{θi)|i＝1,2,3,…,Population_size}
所述步骤3，植物群落在无线传感器网络中生长操作并对路由进行随机搜索；植物群落个体分别随机搜索新的传感器节点，并重新编码成无线传感器网络路由的若干个可行解，即修改植物群落个体的一部分二进制位；包括以下子步骤：
子步骤3-1，单个植物植株个体按植物群落生长变异概率在无线传感器网络中随机搜索一个网络节点；
优选地，节点k被选入植物植株i的路由集合,即k∈θi，且0<probability1<1；
子步骤3-2，单个植物植株个体搜索能够连通该网络节点的新路由，并将该网络节点和新路由上的所有网络节点添加到该植物植株个体的路由节点集合中；
子步骤3-3，不断循环子步骤3-1和子步骤3-2，直至植物群落中所有植株完成一次随机搜索，每个植物植株均添加新路由和对应网络节点到各自的植物植株个体的路由节点集合中；
子步骤3-4，计算单个植物植株个体的路由评价目标函数；
优选地，计算植物植株个体i的路由评价目标函数f(θi)，其中，i＝1,2,3,…,Population_size；
子步骤3-5，不断循环子步骤3-4，直至植物群落中所有植株个体的路由评价目标函数计算完成；
优选地,计算植物群落中所有植物植株个体的路由评价目标函数f(θi)，其中，i＝1,2,3,…,Population_size；
所述步骤4，植物群落在无线传感器网络中进行开花操作并随机选择邻居植株的路由进行组合；计算植物植株个体的路由评价目标函数，按路由评价目标函数对植物植株个体进行排序，并选择路由评价目标函数较优的植物植株个体；包括以下步骤：
子步骤4-1，对植物群落中所有植物植株个体的路由评价目标函数按数值高低进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
优选地，计算排序函数rank{f(θi)}，其中，i＝1,2,3,…,Population_size；
子步骤4-2，按照开花概率选择单个植物植株个体；优选地，较高的排序优先级具有较高的开花概率，更容易被选择；反之，较低的排序优先级具有较低的开花概率，更不容易被选择；
优选地，开花集合为B＝{θi|i＝1,2,3,…,Population_size}，且0<probability2<1；
子步骤4-3，所有被选择的单个植物植株个体添加进植物群落开花集合，开花集合中的每一个植物植株均可以进入步骤5，进行植物群落结果计算；反之，未选择到开花集合的植物植株被放弃，不进行步骤5，不进行植物群落结果计算；
所述步骤5，植物群落在无线传感器网络中进行结果操作并互相交换多个路由信息；个体互相学习和交换传感器节点信息，并重新编码成无线传感器网络路由的若干个可行解，即互相交换植物群落个体的一部分二进制位；包括以下步骤：
子步骤5-1，植物群落开花集合中的单个植物植株个体随机选择一个邻居植物植株个体，按照植物群落结果概率学习邻居植物植株个体的一部分路由，这两个植物植株个体组成邻居对，以成对方式添加进植物群落结果邻居对集合中；
优选地,对于结果集合为C和邻居对{θi,θj}，有{θi,θj}∈C；且0<probability3<1；
子步骤5-2，不断循环子步骤5-1，直至植物群落开花集合中的所有植物植株个体均被选入植物群落结果邻居对集合中，即植物群落开花集合中每一个植物植株个体均出现在植物群落结果邻居对集合的邻居对中；
子步骤5-3，植物群落结果邻居对集合中每一对植物植株个体按照植物群落结果概率互相交换一部分路由信息；优选地，植物群落开花集合中的单个植物植株个体允许多次被邻居植物植株个体选中，允许同时出现在多个邻居对中；
优选地，结果集合为C＝{{θi,θj}|i,j＝1,2,3,…,Population_size}，且0<probability3<1；
子步骤5-4，植物群落结果邻居对集合中每个邻居对中的植物植株个体，根据互相交换的一部分路由信息调整路由网络节点，重新构建新路由，并将新路由中的网络节点添加进单个植物植株个体中；
子步骤5-5，计算植物群落结果邻居对集合中每个植物植株个体的路由评价目标函数值；
优选地,计算植物植株个体i的路由评价目标函数f(θi)，其中，i＝1,2,3,…,Population_size；
子步骤5-6，依次不断循环子步骤5-1，5-2，5-3，5-4，5-5，直至植物群落结果邻居对集合中的全部植物植株个体的路由评价目标函数计算完成；
优选地,计算植物群落中所有植物植株个体的路由评价目标函数f(θi)，其中，i＝1,2,3,…,Population_size；
所述步骤6，植物群落输出无线传感器网络最优路由并结束算法；植物群落算法通过步骤2至步骤6的迭代计算，选择路由评价函数最优的植物植株个体作为无线传感器网络的最优路由；包括以下步骤：
子步骤6-1，对植物群落结果邻居对集合中全部植物植株个体的路由评价目标函数进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
优选地，求解排序函数rank{f(θi)}，其中，i＝1,2,3,…,Population_size；
优选地，无线传感器网络使用最短总路径为目标函数选择最优路由，则定义路由评价目标函数为
Figure BDA0003506266350000121
其中，n为传感器节点个数，pathi,j为节点i,j间路径的长度；则排序函数对于越短的总路径，排序优先级越高；即评价目标函数的计算数值越小，排序优先级越高；
子步骤6-2，选出具有最高排序优先级的植物植株个体的路由评价目标函数；
优选地，计算最优解Optimal’＝min{rank{f(θi)}|i＝1,2,3,…,Population_size}，求出所有路由中路由评价目标函数f值最小的植株个体路由集合；
最高排序优先级的植物植株D＝{θi)|i＝1,2,3,…,Population_size}；
子步骤6-3，比较子步骤6-2所得出的具有最高优先级的植物植株个体的路由评价目标函数，与子步骤2-5计算出播种操作步骤中具有最高优先级的植物植株个体的路由评价目标函数，两者进行数值大小的比较，并选出具有最高优先级的植物植株个体，及对应的路由评价目标函数；
优选地,计算排序函数rank{Optimal,Optimal’}；
优选地，最优解的路由评价目标函数为f(θi)＝min{rank{Optimal,Optimal’}}；
子步骤6-4，判断迭代计算次数是否符合预定的迭代计算次数限制，如果符合，则结束计算，将子步骤6-3中得到的最高优先级的植物植株个体的路由评价目标函数输出，并输出对应植物植株个体的数值，作为无线传感器网络的最优路由；反之，如果不符合预定的迭代计算次数限制，则进行子步骤6-5；
子步骤6-5，如果子步骤6-2所得出的路由评价目标函数值更高，且高于结束误差判断阈值，则按植物群落种群数量的一半来选择子步骤6-1中排序优先级最高的那些植物植株个体，添加进子步骤2-1中植物植株播种集合；进一步地，按植物群落种群数量的一半来选择子步骤2-4中排序优先级最高的那些植物植株个体，也添加进子步骤2-1中植物植株播种集合；两部分植物植株个体重新组成新的植物群落种群，重新进行播种操作，返回子步骤2-4，重新开始下一次计算，并记录迭代计算次数；
优选地，下一次计算的播种集合为A＝{θi∈D|i＝1,2,3,…,Population_size}，iteration＝iteration+1；
反之，如果子步骤6-2所得出的路由评价目标函数值更低，或与子步骤2-5中排序优先级最高的路由评价目标函数值的差值不高于结束误差判断阈值，则不再进行播种操作，结束计算，将子步骤6-3中得到的最高优先级的植物植株的路由评价目标函数输出，并输出对应植物植株个体的数值，作为无线传感器网络的最优路由。
优选地，最优解的路由评价目标函数为f(θi)＝min{rank{Optimal,Optimal’}}，对应的路由作为无线传感器网络的最优路由。

Claims (8)

1.一种基于植物群落行为的无线传感器网络路由算法，其特征在于，它包括以下步骤：
步骤1，由植物群落对无线传感器网络路由进行初始化；采集无线传感器网络的路由参数作为植物群落算法的输入数据，用户根据路由计算任务要求初始化植物群落参数，并选择路由评价目标函数对植物群落算法的输出进行评估；
步骤2，由植物群落在无线传感器网络中进行播种操作并计算植物植株的路由评价目标函数；植物群落随机产生一组植物群落个体并分别编码成无线传感器网络路由的若干个可行解，每个可行解使用一系列二进制位串表示选择或未选择与二进制位对应的传感器节点；
步骤3，由植物群落在无线传感器网络中进行生长操作并对路由进行随机搜索；植物群落个体分别随机搜索新的传感器节点，并重新编码成无线传感器网络路由的若干个可行解，即修改植物群落个体的一部分二进制位；
步骤4，由植物群落在无线传感器网络中进行开花操作并随机选择邻居植株的路由进行组合；计算植物植株个体的路由评价目标函数，按路由评价目标函数对植物植株个体进行排序，并选择路由评价目标函数较优的植物植株个体；
步骤5，由植物群落在无线传感器网络中进行结果操作并互相交换多个路由信息；植物植株个体互相学习和交换传感器节点信息，并重新编码成无线传感器网络路由的若干个可行解，即互相交换植物群落个体的一部分二进制位；
步骤6，由植物群落输出无线传感器网络最优路由并结束算法；植物群落算法通过步骤2至步骤6的迭代计算，选择路由评价函数最优的植物植株个体作为无线传感器网络的最优路由。
2.根据权利要求1所述的算法，其特征在于，在步骤1中，包括以下子步骤：
子步骤1-1，初始化无线传感器网络路由参数和评价目标函数，包括无线传感器网络的节点数量，节点类型，节点的能量，节点发射功率，节点发射距离；清空无线传感器网络的路由信息和路由评价目标函数；
子步骤1-2，初始化植物群落参数，包括植物群落中植株种群的大小，植物植株个体的数值类型和数值大小，植物植株的路由评价目标函数，植物群落的生长变异概率，开花概率，结果概率；
子步骤1-3，清空数据集合，包括清空植物植株个体的路由节点集合，植物植株播种集合，植物群落开花集合，植物群落结果邻居对集合，具有最高排序优先级的植物植株；
子步骤1-4，初始化植物群落算法起始条件和终止条件，包括计算开始时间，计算结束时间或迭代计算次数限制，结束误差判断阈值。
3.根据权利要求2所述的算法，其特征在于，所述植物群落种群大小，即植物群落中植物植株个体的数量；植株个体的数值类型，包括数值的整型，浮点型，布尔型，有符号数或无符号数，数据结构类型；植株个体的数值大小，即数值的表示范围，正数或负数；植物植株的路由评价目标函数，用于对无线传感器网络的路由绩效进行评估，包括无线传感器网络的传播距离，工作能耗，能源效率，带宽，数据传输率，丢包率，误码率，QoS，客户满意度，客户体验质量，可靠性；植物群落的生长变异概率，指植物植株在生长操作过程中数值有一定概率发生突变；植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作；植物群落的结果概率，指植物植株在结果过程中数值有一定概率互相学习进行结果操作；
植物植株播种集合，表示进行播种操作的植物植株个体集合；植物群落开花集合，表示进行开花操作的植物植株个体集合；植物群落结果邻居对集合，表示进行结果操作的多个植物植株个体配对的集合；具有最高排序优先级的植物植株，表示对应的植物植株个体具有最高的路由评价目标函数值。
4.根据权利要求1所述的算法，其特征在于，在步骤2中，包括以下子步骤：
子步骤2-1，随机生成植物群落中植株个体的初始值；按植物群落种群大小，随机生成一个植物植株播种集合，播种集合元素的个数即为植物群落种群大小，集合中每个元素即为植物植株个体；植物群落中植株个体的数值表示植物植株个体的路由节点集合，即为一种无线传感器网络路由，表示无线传感器网络中若干网络节点的拓扑连接方式，包括源节点和目的节点；
子步骤2-2，计算植物群落中植物植株个体的路由评价目标函数；
子步骤2-3，不断循环，直至植物群落中所有植物植株的路由评价目标函数计算完成；
子步骤2-4，对植物群落中所有植物植株的路由评价目标函数进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
子步骤2-5，选出具有最高排序优先级的植物植株，并根据其数值更新整个无线传感器网络路由信息。
5.根据权利要求1所述的算法，其特征在于，在步骤3中，包括以下子步骤：
子步骤3-1，单个植物植株个体按植物群落生长变异概率在无线传感器网络中随机搜索一个网络节点；
子步骤3-2，单个植物植株个体搜索能够连通该网络节点的新路由，并将该网络节点和新路由上的所有网络节点添加到该植物植株个体的路由节点集合中；
子步骤3-3，不断循环子步骤3-1和子步骤3-2，直至植物群落中所有植株完成一次随机搜索，每个植物植株均添加新路由和对应网络节点到各自的植物植株个体的路由节点集合中；
子步骤3-4，计算单个植物植株个体的路由评价目标函数；
子步骤3-5，不断循环子步骤3-4，直至植物群落中所有植株个体的路由评价目标函数计算完成。
6.根据权利要求1所述的算法，在步骤4中，包括以下步骤：
子步骤4-1，对植物群落中所有植物植株个体的路由评价目标函数按数值高低进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
子步骤4-2，按照开花概率选择单个植物植株个体；优选地，较高的排序优先级具有较高的开花概率，更容易被选择；反之，较低的排序优先级具有较低的开花概率，更不容易被选择；
子步骤4-3，所有被选择的单个植物植株个体添加进植物群落开花集合，开花集合中的每一个植物植株均可以进入步骤5，进行植物群落结果计算；反之，未选择到开花集合的植物植株被放弃，不进行步骤5，不进行植物群落结果计算。
7.根据权利要求1所述的算法，其特征在于，在步骤5中，包括以下步骤：
子步骤5-1，植物群落开花集合中的单个植物植株个体随机选择一个邻居植物植株个体，按照植物群落结果概率学习邻居植物植株个体的一部分路由，这两个植物植株个体组成邻居对，以成对方式添加进植物群落结果邻居对集合中；
子步骤5-2，不断循环子步骤5-1，直至植物群落开花集合中的所有植物植株个体均被选入植物群落结果邻居对集合中，即植物群落开花集合中每一个植物植株个体均出现在植物群落结果邻居对集合的邻居对中；
子步骤5-3，植物群落结果邻居对集合中每一对植物植株个体按照植物群落结果概率互相交换一部分路由信息；优选地，植物群落开花集合中的单个植物植株个体允许多次被邻居植物植株个体选中，允许同时出现在多个邻居对中；
子步骤5-4，植物群落结果邻居对集合中每个邻居对中的植物植株个体，根据互相交换的一部分路由信息调整路由网络节点，重新构建新路由，并将新路由中的网络节点添加进单个植物植株个体中；
子步骤5-5，计算植物群落结果邻居对集合中每个植物植株个体的路由评价目标函数值；
子步骤5-6，依次不断循环子步骤5-1，子步骤5-2，子步骤5-3，子步骤5-4，子步骤5-5，直至植物群落结果邻居对集合中的全部植物植株个体的路由评价目标函数计算完成。
8.根据权利要求1至7其中之一所述的算法，其特征在于，在步骤6中，包括以下步骤：
子步骤6-1，对植物群落结果邻居对集合中全部植物植株个体的路由评价目标函数进行排序；优选地，路由评价目标函数计算数值较高的，具有较高的排序优先级；反之，路由评价目标函数计算数值较低的，具有较低的排序优先级；
子步骤6-2，选出具有最高排序优先级的植物植株个体的路由评价目标函数；
子步骤6-3，比较子步骤6-2所得出的具有最高优先级的植物植株个体的路由评价目标函数，与子步骤2-5计算出播种操作步骤中具有最高优先级的植物植株个体的路由评价目标函数，两者进行数值大小的比较，并选出具有最高优先级的植物植株个体，及对应的路由评价目标函数；
子步骤6-4，判断迭代计算次数是否符合预定的迭代计算次数限制，如果符合，则结束计算，将子步骤6-3中得到的最高优先级的植物植株个体的路由评价目标函数输出，并输出对应植物植株个体的数值，作为无线传感器网络的最优路由；反之，如果不符合预定的迭代计算次数限制，则进行子步骤6-5；
子步骤6-5，如果子步骤6-2所得出的路由评价目标函数值更高，且高于结束误差判断阈值，则按植物群落种群数量的一半来选择子步骤6-1中排序优先级最高的那些植物植株个体，添加进子步骤2-1中植物植株播种集合；进一步地，按植物群落种群数量的一半来选择子步骤2-4中排序优先级最高的那些植物植株个体，也添加进子步骤2-1中植物植株播种集合；两部分植物植株个体重新组成新的植物群落种群，重新进行播种操作，返回子步骤2-4，重新开始下一次计算，并记录迭代计算次数；反之，如果子步骤6-2所得出的路由评价目标函数值更低，或与子步骤2-5中排序优先级最高的路由评价目标函数值的差值不高于结束误差判断阈值，则不再进行播种操作，结束计算，将子步骤6-3中得到的最高优先级的植物植株的路由评价目标函数输出，并输出对应植物植株个体的数值，作为无线传感器网络的最优路由。
CN202210140728.9A 2022-02-16 2022-02-16 一种基于植物群落行为的无线传感器网络路由算法 Active CN114599068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210140728.9A CN114599068B (zh) 2022-02-16 2022-02-16 一种基于植物群落行为的无线传感器网络路由算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210140728.9A CN114599068B (zh) 2022-02-16 2022-02-16 一种基于植物群落行为的无线传感器网络路由算法

Publications (2)

Publication Number Publication Date
CN114599068A true CN114599068A (zh) 2022-06-07
CN114599068B CN114599068B (zh) 2024-05-03

Family

ID=81805787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210140728.9A Active CN114599068B (zh) 2022-02-16 2022-02-16 一种基于植物群落行为的无线传感器网络路由算法

Country Status (1)

Country Link
CN (1) CN114599068B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090103188A (ko) * 2008-03-27 2009-10-01 성균관대학교산학협력단 다개체 유전자 알고리즘을 이용한 라우팅 경로 검색 방법및 그에 따른 센서 네트워크
CN102843743A (zh) * 2012-07-18 2012-12-26 南京邮电大学 基于菌群觅食优化算法的无线传感网层次化路由方法
CN105760813A (zh) * 2016-01-19 2016-07-13 北京航空航天大学 一种基于植物枝根演化行为的无人机目标检测方法
CN109548112A (zh) * 2019-01-14 2019-03-29 三峡大学 一种基于多维度路径质量因子的无线传感网分布式路由方法
CN110944342A (zh) * 2019-10-24 2020-03-31 江西理工大学 无线传感器网络部署优化方法、装置、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090103188A (ko) * 2008-03-27 2009-10-01 성균관대학교산학협력단 다개체 유전자 알고리즘을 이용한 라우팅 경로 검색 방법및 그에 따른 센서 네트워크
CN102843743A (zh) * 2012-07-18 2012-12-26 南京邮电大学 基于菌群觅食优化算法的无线传感网层次化路由方法
CN105760813A (zh) * 2016-01-19 2016-07-13 北京航空航天大学 一种基于植物枝根演化行为的无人机目标检测方法
CN109548112A (zh) * 2019-01-14 2019-03-29 三峡大学 一种基于多维度路径质量因子的无线传感网分布式路由方法
CN110944342A (zh) * 2019-10-24 2020-03-31 江西理工大学 无线传感器网络部署优化方法、装置、系统及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHENGYING CAI: "A Node Selecting Approach for Traffic Network Based on Artificial Slime Mold", 《IEEE ACCESS》, 6 January 2020 (2020-01-06) *
丁雪枫;马良;丁雪松;: "基于模拟植物生长算法的构造通讯网络Steiner最优树方法", 上海理工大学学报, no. 01, 15 February 2010 (2010-02-15) *
郭辉辉;: "优化的蚁群算法在无线传感器网络中的应用", 科技信息, no. 33, 25 November 2011 (2011-11-25) *

Also Published As

Publication number Publication date
CN114599068B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN110602757B (zh) 基于自适应遗传算法的无线传感器网络分簇路由方法
Yen et al. A genetic algorithm for energy-efficient based multicast routing on MANETs
CN105430707A (zh) 一种基于遗传算法的无线传感网多目标优化路由方法
CN108075975B (zh) 一种物联网环境中的路由传输路径的确定方法及确定系统
CN112469100A (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
CN106304243A (zh) 一种基于势博弈的无线传感器网络拓扑控制方法
CN107846719B (zh) 一种基于改进鲸鱼群算法的无线传感器网络路由方法
CN107094112A (zh) 基于果蝇优化算法的带宽约束组播路由优化方法
CN111526555B (zh) 基于遗传算法的多跳路由路径选择方法
CN113709841A (zh) 一种基于布谷鸟算法和K-means算法的WSN路由协议方法
Karthikeyan et al. Improved genetic algorithm using different genetic operator combinations (GOCs) for multicast routing in ad hoc networks
CN102300269B (zh) 基于遗传算法的无线认知网络端到端服务质量确保方法
Abdel-Kader An improved discrete PSO with GA operators for efficient QoS-multicast routing
Sangeetha et al. Genetic optimization of hybrid clustering algorithm in mobile wireless sensor networks
Zangeneh et al. An energy-based clustering method for WSNs using artificial bee colony and genetic algorithm
CN112822747A (zh) 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
CN114599068B (zh) 一种基于植物群落行为的无线传感器网络路由算法
CN103619047B (zh) 一种多并发流无线网状网中的机会路由方法
Venkatasubramanian Optimal Cluster head selection-based Hybrid Moth Search Algorithm with Tree Seed algorithm for multipath routing in WSN
Bhatnagar et al. Sparrow-based Differential Evolutionary Search Algorithm for Mobility Aware Energy Efficient Clustering in MANET Network
CN113162638A (zh) 一种基于非合作博弈的sdwsn拓扑控制算法
CN114599084B (zh) 一种基于植物群落行为的无线传感器网络目标定位算法
Khelifa et al. Enhancing Energy Efficiency in Mobile Ad hoc Networks using Genetic Algorithms
Abuzanouneh Hybrid multi-objectives genetic algorithms and immigrants scheme for dynamic routing problems in mobile networks
Alsharafat et al. A New Crossover Methods and Fitness Scaling for Reducing Energy Consumption of 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