1、第 卷 第 期 年 月传 感 技 术 学 报 .项目来源:国家自然科学基金项目();安徽省教育厅重点教学研究项目()收稿日期:修改日期:,(,):,:;:基于改进蚁群算法的非均匀分簇自适应路由协议陈 辉,王 旭(安徽理工大学计算机科学与工程学院,安徽 淮南)摘 要:针对无线传感器网络中出现的节点能耗不均和热区问题,提出一种基于改进蚁群算法的非均匀分簇自适应路由协议。首先,根据节点与基站的相对距离和通信范围内节点密度选举出候选簇头,然后在候选簇头竞争半径范围内进行正式簇头的选取。其次,在节点入簇过程中,考虑共同边缘节点以及非均匀分簇网络特性,通过具有动态权重系数的代价函数形成合理的分簇结构;最后
2、,通过在蚁群算法中使用改进的动态转移策略和局部与全局相结合的信息素更新规则,同时引入动态信息素挥发系数以提高路由算法的寻优能力,并避免陷入局部最优。仿真结果表明:所提算法能够有效地均衡网络能耗、缓解基站附近的热区问题,从而提高网络生命周期与吞吐量。关键词:无线传感器网络;非均匀分簇;蚁群算法;路由协议中图分类号:文献标识码:文章编号:()无线传感器网络(,)现已广泛应用于目标区域监测、工业控制等诸多领域,在物联网技术的发展与应用中发挥了至关重要的作用。中节点通常以电池供电且能量无法补充,所有节点均需将收集到的数据发送至基站,这导致了基站附近存在网络数据传输热区问题。因此,如何提高路由算法的节能
3、性与负载均衡性成为了 领域学者们研究的热点。目前,国内外学者在经典路由算法的基础上进行了大量研究工作,文献将经典的分簇路由协议 的全局单跳路由改进为根据节点间的通信距离来确定单跳或多跳路由的方式,但未考虑到 协议中簇头选举具有一定的随机性。文献基于欧式距离对网络节点实现 聚类,再通过蚁群路由选择最优路径来降低能量开销,但忽略了 算法对初始聚类中心的敏感性。文献提出使用混合模拟退火和粒子群两种优化算法来选择初始聚类中心,但此类算法仅仅在聚类中心的选取上进行了调整,未改进网络的分簇结构。文献基于模糊逻辑聚类方法实现非均匀分簇,第 期陈 辉,王 旭:基于改进蚁群算法的非均匀分簇自适应路由协议 达到负
4、载均衡和能耗最小化的目标,但未考虑网络分簇过程中节点位置对网络性能的影响。文献提出将分布式算法和集中式算法相结合来优化簇首选举,同时将网络区域划分为内部和外部区域,将节点分配到每个扇区来降低簇间通信能耗,但未考虑到节点成簇过程对网络分簇结构的影响。对此,文献在节点成簇阶段提出了成簇评估函数来考虑普通节点与簇头节点的距离,同时加入了簇头节点的剩余能量,提高了分簇结构的合理性,但此类文献并未对路由过程进行动态规划。文献较早把蚁群算法应用到路由动态规划中,通过改进的概率转移公式以及设定信息素阈值进行路径选择,但该算法会导致节点间存在多余的网络能量开销和延迟。文献使用人工蜂群算法来优化初始聚类中心后,
5、在路由阶段引入了基尼系数来衡量网络分簇的能量均衡性,从而降低路径之间的能耗差距,但该算法寻找最优路径的能力较弱。文献使用蝴蝶优化算法来选举初始聚类中心,在蚁群路由算法中,加入距离、剩余能量以及节点密度来改进概率选择公式,提高了算法对最优路径的寻找能力。文献通过考虑节点的平均剩余能量和蚂蚁经过的跳数来设计蚁群算法中的信息素增量,提高了寻找较优路径的速度,但该算法在路由过程易陷入局部最优。文献通过考虑数据的传输距离、方向以及节点剩余能量来改进蚁群算法中的启发函数,通过考虑路径上节点的平均剩余能量来改进信息素增量,但该算法存在收敛速度较慢的问题。综上所述,对 路由算法的相关研究能够在一定程度上降低网
6、络能耗且延长网络生命周期,但仍存在簇头选取质量较低、未充分考虑节点入簇过程对网络结构的影响,同时在使用蚁群算法改进路由的过程中仍存在易陷入局部最优和收敛速度较慢的问题。因此,为均衡网络能耗和改善 网络的生存周期,提出了基于改进蚁群算法的非均匀分簇自适应路由协议(,)。该路由协议考虑全局范围内候选簇头的分布位置与数量,再通过自适应加权的目标函数提高正式簇头节点的质量;在入簇过程中,重点考虑了共同边缘节点与权重关系设计了代价函数,改善分簇效果;在路由选择过程中,采用了动态转移策略进行路径搜索,设计结合局部更新与全局最优路径更新的两种信息素更新方式来避免算法陷入局部最优,同时引入动态信息素挥发系数来
7、解决算法收敛速度较慢的问题,从而达到降低网络能耗,缓解基站附近热区问题的目的。系统模型 网络模型假设网络以随机部署的方式将 个传感器节点置于 的目标区域内,对网络模型做出以下设定:网络由 个传感器节点和位于目标区域外围的基站构成,节点通过随机部署的方式形成监测网络,基站能量与计算能力充足;网络内节点同构,地位平等,均具有唯一的节点标识;节点能够根据 模型获得周围节点信息和与基站的距离;节点能够根据通信距离调整传输功率。能耗模型 中节点能量消耗主要用于节点间的数据发送与接收,本文采用的无线通信能量消耗模型与文献相同。传感器发送 比特信息到距离为 的节点所需要的能耗计算公式如下:(,)()传感器接
8、收 比特信息的能耗计算公式如下:()式中:为传感器节点传输单位 信息的能耗,、分别为自由空间、多径衰落能耗模型下的电路损耗系数,距离阈值 。算法描述 簇头选举簇头选举质量直接影响网络数据传输的有效性和网络的寿命。现有路由算法在簇头选举阶段,存在选举后的簇头位置分布不均以及簇头节点质量不高等问题。算法簇头选举分为两个阶段,首先基于 协议簇头选举方法,在阈值公式中加入了节点相对距离和相对密度,以选举出分布与数量更为合理的候选簇头;之后在候选簇头的基础上,结合节点的竞争半径并考虑簇内通信距离和节点能量等因素来竞争正式簇头,实现最优簇头的选举。候选簇头选举候选簇头数目根据文献确定,最优候选簇头数为:(
9、)式中:为节点个数,为区域边长,为基站到网络中节点的平均距离。候选簇头节点选举的目的是为了在全局范围内传 感 技 术 学 报第 卷确定簇头节点的分布范围,提高正式簇头分布位置的合理性。因此,在候选簇头节点的阈值公式中加入了节点相对距离和节点相对密度因素,阈值计算如下:()()()|()式中:为网络中候选簇头节点所占的比例,为候选簇头节点选举的轮数,当候选簇头数达到最优簇头数时,停止候选簇头竞选,为节点的相对距离,为节点的相对密度,、为权重系数,且,为未当选候选簇头节点的集合。其中节点相对距离 和相对密度 的计算如下:(,)()()式中:、分别表为网络内节点与基站距离的最大值、最小值,(,)为节
10、点 与基站的距离,为节点 通信范围内邻居节点的数量,为节点的数量。通过在选举候选簇头阈值公式加入节点相对距离和节点相对密度因素后,当节点距离基站较远或节点附近邻居节点数较少时,计算出的阈值会较低,使得选举出的候选簇头分布呈现距离基站较近位置数量较多,距离基站较远位置数量较少,且候选簇头位于节点较为密集处。节点竞争半径候选簇头节点选举完成后,为提高正式簇头的质量以及改善网络分簇结构,对当前候选簇头节点设置一个合理的竞争半径,在候选簇头竞争半径内进行正式簇头的竞选,并根据竞争半径形成非均匀分簇网络结构,竞争半径计算公式如下:(,)|()式中:、分别为目标区域内传感器节点与基站的最小、最大距离,(,
11、)表示节点 与基站之间的距离。为控制取值范围的参数,为节点最大竞争半径。簇头选举 为保证簇头的分布与数量的合理性,采用在候选簇头节点的竞争范围内所有节点根据计算目标函数值来确定正式簇头,目标函数综合考虑节点剩余能量、节点平均距离以及节点密度三个指标。其中节点 的能量因子()计算如下:()()()()式中:()为节点的 的剩余能量,为节点 竞争半径内的邻居节点数量。距离因子()的计算如下:()()式中:为节点 所在候选簇头竞争范围内节点数,为节点、间的距离。综合考虑以上两个指标以及节点相对密度,构造正式簇头节点选举的目标函数:()()()()随着网络运行阶段的改变,节点的剩余能量逐渐下降,而能量
12、因子又是整个网络运行周期的决定性因素。因此,随着网络的运行,能量对网络运行的影响逐渐增大,对应在簇头轮换过程中,能量在目标函数所占的权重也应逐渐加大。通过动态权重系数调整目标函数,来缓解网络运行中期能量利用率下降和网络中节点失效速度加快的问题。能量权重系数采用与文献相同方式进行更新:|()式中:为节点 的初始能量,为节点 的剩余能量,表示节点 的相对剩余能量。随着网络运行时间的增加,节点与簇内平均节点能量下降,逐渐增大。距离因子与节点密度因子的权重系数计算如下:()网络运行阶段,为避免频繁进行簇头轮换导致能量浪费,簇头节点通过式()判断是否需要进行簇头轮换:()()()式中:()为当前簇头节点
13、的目标函数值,()为对应簇内普通节点的最大目标函数值,(,),用来控制簇头节点轮换的频率。若式()成立,则需要进行簇头节点的轮换,由当前簇头节点指定节点 成为下一轮簇头节点,并将簇内成员信息发送至下一任簇头节点。节点成簇簇头节点确定后,现有路由算法的成簇方式主第 期陈 辉,王 旭:基于改进蚁群算法的非均匀分簇自适应路由协议 要是普通节点加入最近的簇头节点,目的是缩短簇内通信距离,从而降低簇内通信能耗。但该策略会导致基站周围簇头节点的数据转发任务过多的同时,需要维护较多数量簇内节点的数据收集任务,不利于均衡网络能耗。为形成合理的非均匀分簇结构,路由协议采用计算代价函数值的方式确定普通节点的簇头,
14、对代价函数中影响因子的权重根据网络运行阶段的不同进行适当调整来改善分簇结构,使得靠近基站的簇规模较小,从而为转发其他簇头的信息预留能量。同时,增大距离基站较远簇的规模也能够降低较远位置信息传输的次数,减少网络能耗。为形成合理的非均匀分簇网络结构,本文路由算法在成簇阶段综合考虑能量因素、普通节点与簇头和基站的距离。代价函数设定如下式:(,)()式中:为节点 与簇头节点 的距离,为簇头节点 的剩余能量,为簇头节点 的竞争半径。首先,普通节点在入簇过程中考虑与簇头节点的距离,避免加入距离过远的簇头节点而增加通信能耗,因此 越大,代价越大。其次,簇头节点的剩余能量较低会导致该簇头节点将数据传递到基站存
15、在一定风险,从而降低网络工作效率,因此 越小,代价越大。图 共同边缘节点示意图定义处于两簇头节点之间且与两簇头节点、的距离满足,则节点 为两簇头节点、的共同边缘节点。共同边缘节点处于相邻簇的边缘位置,此时计算代价函数会因为节点到下一跳节点的距离以及下一跳节点的剩余能量差异较小,入簇时的选择具有一定的随机性。因此,为使共同边缘节点优先加入簇头竞争半径更大的簇内,在代价函数中加入了簇头节点的竞争半径,竞争半径越小,代价越大。共同边缘节点示意图如图 所示。随着网络运行轮数的增加,网络内簇头节点平均能量下降,入簇阶段逐渐加大簇头节点能量的权重,距离因子与节点竞争半径权重取相同值。代价函数中的权重系数计
16、算如下式:|()()改进的蚁群路由算法针对现有的蚁群算法在路由过程中仍存在簇间能耗不均、容易陷入局部最优的问题,在路由阶段采用了一种改进的蚁群路由算法,主要包括转移策略的确定、局部信息素更新、全局信息素更新和信息素挥发系数调整四个步骤。动态转移策略基于蚁群算法的路由协议中多数采用既定的状态转移概率函数,导致蚁群算法在路径选择的过程中全局搜索能力较弱,并且在路由初始阶段,依赖各路径间的信息素与局部启发函数并不能够在短时间内寻找到最优路径。为此采用了动态转移策略,通过设定阈值系数 来确定选择下一跳节点的策略。在寻径蚂蚁寻找中继节点的过程中,当前所在簇头节点产生一个随机数,根据随机数与阈值系数的比较
17、确定下一跳节点的选择策略,公式如下:()()()()()()()()()|()式中:为动态转移策略,()为概率转移函数,()为 时刻节点,之间的路径所含信息素浓度,()为 时刻节点,之间路径的局部启发函数,集合 为第 只蚂蚁可选的下一跳节点,、分别为信息素和启发函数的权重。在路由阶段,如果未考虑路径上节点的相对剩余能量会导致当前最优路径上的节点能量快速耗尽,节点提前死亡。在路由过程中,需要同时考虑当前节点与下一跳节点的距离以及下一跳节点到基站的距离,来保证数据高效地向基站方向传输。为有效均衡路径选择过程中的能量与距离因素,设计了新的局部启发函数,公式如下:(,)()传 感 技 术 学 报第 卷
18、式中:表示节点初始能量,表示网络内节点的平均能量,为下一跳节点 的剩余能量,、(,)分别表示节点、之间的距离和下一跳节点 与基站的距离。信息素更新蚁群路由算法中,首先初始化网络中各路径间的信息素浓度,寻径蚂蚁从源节点出发根据概率转移函数寻找最优路径到达基站并记录经过节点的信息,到达基站后由回退蚂蚁沿该条路径返回源节点完成一轮信息素的更新。为提高网络中各节点之间信息素浓度的合理性,提出新的信息素更新规则,在避免陷入局部最优的基础上,加快收敛速度。局部信息素更新寻径蚂蚁 在节点 上选择下一跳节点 后,立即对该路径上的信息素浓度进行局部更新,可以为同一轮后面的寻径蚂蚁提供一定的参考,局部信息素的更新
19、公式为:()()()()式中:()表示 时刻节点,之间路径的信息素浓度,为信息素挥发系数,为初始信息素浓度。对于没有进行过全局信息素更新的路径,(),局部更新后信息素浓度不变。对于当选过全局最优路径的路径,(),根据式()计算后的信息素浓度降低。这种局部信息素更新方式能够增加蚂蚁探索未经过路径的机会,降低算法陷入局部最优的可能性。全局信息素更新每轮所有寻径蚂蚁到达基站后,基站对蚂蚁收集的信息进行分析处理,选择信息素浓度均值最高的路径作为全局最优路径。基站通过回退蚂蚁 对该轮全局最优路径按照式()进行信息素的更新:()()()()全局最优路径其他|()式中:为全局信息素增量,、分别为节点、的剩余
20、能量,为节点、之间的距离,为全局最优路径上的节点数。在全局信息素更新过程中,只对全局最优路径的信息素浓度进行更新,扩大最优路径与其他路径之间的信息素浓度差距,加快了全局最优路径的搜索速度。信息素挥发系数信息素挥发系数 反映路径上信息素的消失水平,()反映信息素的留存水平,且(,)。信息素挥发系数较大时,各路径上的信息素挥发速度过快,导致路径信息素浓度差异较大,虽然能够加快蚁群算法的收敛速度,但很难避免陷入局部最优。而信息素挥发系数较小时,信息素挥发较慢,会导致路径间信息素浓度差异较小,有利于寻找全局最优路径,但牺牲了算法的收敛速度。因此,面对蚁群算法完整的寻找最优路径的迭代过程,很难去确定一个
21、特定大小的值来保证算法具有较快的收敛速度,同时避免算法陷入局部最优。因此,本文引入了一种动态变化的信息素挥发系数,定义如下式:()()()式中:表示自适应信息素挥发系数,为当前迭代次数,为算法设定的最大迭代次数。迭代初期,为加速寻径蚂蚁的搜索速度,快速搜索到全局最优路径,需要一个较大的信息素挥发系数。在算法运行中期,为了避免算法陷入局部最优,应当在初期挥发系数值的基础上进行适当调小,增加算法局部搜索能力。当算法运行到最后的阶段时,需要加速算法的收敛,寻找到最优路径,此时需要较小的信息素挥发系数,提高路径信息素含量。在初始阶段设定信息素浓度为,信息素挥发系数随网络运行阶段的变化如图 所示。图 信
22、息素挥发系数变化曲线 算法流程 算法首先基于网络节点全局位置与分布来选举候选簇头节点,再通过加入能量因子、距离因子以及节点密度构成的目标函数来提高正式簇头节点的质量,并考虑共同边缘节点来改进节点入簇过程,之后在蚁群路由算法中引入动态转移策略,使用局部和全局信息素更新相结合的方式,加快全局最优路径的搜索。算法的具体流程如下:步骤:网络节点部署后,基站广播初始化信息。步骤:节点产生随机数,与根据式()计算的阈值()进行比较,若满足(),则该节点成为候选簇头;步骤:候选簇头与其竞争半径内范围节点根据式()计算目标函数值,值最大的节点当选正式簇头;第 期陈 辉,王 旭:基于改进蚁群算法的非均匀分簇自适
23、应路由协议 步骤:普通节点计算加入通信范围内所有簇头节点的代价函数值,选择代价最小的簇头加入成簇,形成非均匀分簇网络结构;步骤:簇头节点发送 个蚂蚁数据包作为寻径蚂蚁;步骤:寻径蚂蚁所在簇头节点首先产生一个随机数,与预先设定的阈值 进行比较,若,则根据式()选择下一跳节点,否则根据式()计算转移概率确定下一跳节点;步骤:寻径蚂蚁到达下一跳节点后更新已访问节点信息,并根据式()对路径上的信息素进行局部更新;步骤:判断 个寻径蚂蚁是否均到达基站,若没有,返回步骤 继续执行,否则执行步骤;步骤:个寻径蚂蚁均达到基站后,基站选择路径信息素浓度均值最高的作为全局最优路径,并发送一个回退蚂蚁数据包,沿最优
24、路径返回源节点并根据式()、式()完成全局信息素更新;步骤:迭代轮数,若,返回步骤 继续执行,否则结束循环。算法复杂度分析 时间复杂度 算法的时间复杂度取决于成簇阶段与簇间路由阶段的时间复杂度。成簇阶段可以通过发送的消息量来衡量算法的复杂度,网络节点总数为,初始阶段所有节点均需向周围发送信息来更新网络内邻居节点信息表,故此时共需要发送 条消息;候选簇头节点的选举是通过阈值公式来完成,候选簇头选举后在竞争半径范围内发送成为候选簇头的消息,此时共发送 条消息;随后候选簇头在自身竞争半径范围内广播目标函数值,若普通节点的目标函数值更大,则以广播的形式发送自身的目标函数值竞争正式簇头,此时最多发送 条
25、消息;正式簇头选举完成后,均需向周围节点广播竞选成功消息,此时共需发送 条消息;最后,剩余()个普通节点需要向对应簇头发送入簇消息。因此,成簇阶段算法的时间复杂度为()。基于改进蚁群算法的簇间路由阶段的时间复杂度与节点总数 以及蚂蚁数目相关,蚂蚁数目与最优簇头节点数 相同,算法执行各步骤时间复杂度依据算法过程中循环执行次数进行分析,如表 所示。表 路由传输阶段时间复杂度分析步骤步骤时间复杂度初始化参数()设置已访问节点集合()寻找可行解、局部更新()判断该轮是否结束()全局信息素更新()输出结果()表 中,从步骤 至步骤 需要迭代 次,综上可知,算法的时间复杂度为()。空间复杂度在算法实际运行
26、过程中,首先需要两个 阶二维矩阵来存储节点的邻居节点信息和记录节点间信息素浓度;在路径搜寻过程中,需要一个 阶一维数组来记录已访问节点信息,同时需要一个 阶一维数组来保存可行解;只蚂蚁完成一次搜索,构成可行解的子集,算法需要通过一个变量来评价可行解;最后需要设定一个 阶二维矩阵,记录最优路径上信息素增量来进行信息素更新。所以,改进蚁群算法的空间复杂度为()。仿真实验与分析 改进蚁群算法的效果验证为验证提出的改进蚁群算法的有效性,实验选定 个经典测试函数,包括两个单峰测试函数和两个多峰测试函数,将基本的蚁群算法()、加入动态转移策略的蚁群算法()、引入新的信息素更新规则的蚁群算法()、以及 算法
27、进行对比实验,测试函数如表 所示。表 标准测试函数函数名函数表达式维度搜索范围最小值(),()()(),()(),()|()(),传 感 技 术 学 报第 卷 为保证实验效果,在实验过程中对四组算法设定相同参数。不失一般性,设定算法中蚂蚁数量为,最大迭代次数为,每组算法运行 次,计算 次实验的平均值与标准差进行对比来分析算法的搜索精度与稳定性,具体数据如表 所示。由表 数据可知,本文提出的改进的蚁群算法 在测试函数上寻得的最优值的均值明显低于基本的蚁群算法,表明了 具有更好的寻优能力。同时,对比算法运行 次得到的最优解的标准差可以发现 算法的标准差更小,这表明了 算法运行的稳定性也比 算法更优
28、。对于 算法,即在基本蚁群算法的基础上增加了动态转移策略后,在测试函数上的表现与基本蚁群算法 相对接近,寻优能力与稳定性均低于 算法与 算法。在基本蚁群算法的基础上增加了改进的信息素更新规则的 算法,寻优能力与稳定性方面相对、均有一定提升但均低于本文提出的 算法。为更加清楚比较几种算法的收敛速度与寻优能力,种算法在不同标准测试函数的收敛曲线如图 所示。表 测试函数实验结果函数均值 标准差均值 标准差均值 标准差均值 标准差图 测试函数收敛曲线图 由图 可以明显看出 算法在四组函数上寻找到的最优值更加接近最优解,同时观察算法随迭代次数的变化,能够更早地收敛至较优解处。在函数、中,算法分别在迭代
29、次与 次时已经收敛至寻找到的最优解附近,而 算法在、中分别在迭代到 次与 次时收敛至较优解。算法与 算法收敛速度较为接近,而 算法在改进的信息素更新规则优化后相对基本蚁群算法 明显地提高了算法的寻优能力与收敛速度。在函数、中,种算法均会发生陷入局部最优解的情况,算法均在较短的时间内跳出局部最优,这也表明了第 期陈 辉,王 旭:基于改进蚁群算法的非均匀分簇自适应路由协议 不仅具有较快的收敛速度,同时具有更好寻找全局最优解的能力。综合表 与图,可以验证本文提出的改进的蚁群算法是有效的,算法的寻优性与收敛性均有一定的提升。仿真参数设置为验证 算法的性能,在 仿真平台上,设置了 个传感器节点随机分布在
30、 的目标区域中,基站位于目标区域正上方,坐标为(,)。采用节点生存时间、基站接收的数据包量、网络总能耗作为测试指标,与、以及 算法行对比分析。仿真实验具体参数如表 所示。表 仿真参数参数设定值参数设定值传感器节点数 个数据包大小 图 非均匀分簇 仿真结果分析 分簇效果图 为本文算法的网络非均匀分簇图,基站位于目标区域的正上方,带有星号的节点为簇头节点,其余为普通节点。从图 能够明显发现距离基站较远的簇规模相对较大,距离基站较近的簇规模较小且数量较多。非均匀分簇网络结构使得距离基站较近的簇头节点能够将更多的能量用于转发较远处簇头节点收集的信息,而远处的簇头节点可以将能量集中用于较多数量的成员节点
31、的信息收集,融合处理后转发至下一簇头节点,直到数据发送至基站。节点生存时间图 显示了五种路由协议在网络运行过程,存活节点数量的变化,本文提出的 算法中首个节点死亡的时间在第 轮之后,相比 算法提高了 轮,比 算法和 算法提高了接近 轮,但比 算法首个节点死亡时间早了 轮;算法从首个节点死亡到全部节点死亡的时间约为 轮,比 算法提高了 轮,比 算法与 算法提高了 轮左右,而比 算法分别提高了 轮。结果表明了 算法节点存活数量的下降速度明显低于其余 种算法,该算法采用二次选举的方式提高了簇头的质量,同时对网络分簇结构进行了优化,达到网络能耗均衡,降低能耗速度的目的,从而延长了网络生命周期。图 存活
32、节点数量与时间关系图图 网络总能耗与时间关系图 网络总能耗图 为本文仿真环境下网络内节点总能耗与算法迭代轮数之间的关系。从图 可以看出,四种算法在运行了 轮后,能量消耗的差距逐渐加大,算法随着网络的运行,能量消耗越来越快,这是因为没有考虑簇间路由采用多跳的方式;而 算法与 算法的差距主要因为 对蚁群算法不仅优化了簇头选择的阈值公式,传 感 技 术 学 报第 卷同时改进信息素增量提高了蚁群算法的效率;算法初期能耗速度较慢,主要原因是该算法改进了聚类算法实现分簇,网络初期簇间差异性较小,能够以较低的成本完成数据的传输,但网络运行中后期能耗速度逐渐加快;算法不仅通过二次选举提高簇头节点的质量,同时在
33、蚁群算法中,采用动态转移策略和局部与全局相结合的信息素更新规则来提高算法寻找最优路径的能力,并通过引入动态信息素挥发系数来加快算法的收敛速度,能够有效降低网络能量消耗。网络吞吐量图 为网络运行时基站接收到的数据包数量与算法迭代轮数之间的关系。路由算法的网络总 吞 吐 量 分 别 是 算 法、算 法、算法、算法的 倍、倍、倍、倍,从图中可以看出四种路由协议网络吞吐量的差距随着网络运行阶段变化逐渐增加,这是因为 算法在簇首选举的目标函数与节点入簇的代价函数中加入了能量自适应权重系数,同时引入了动态信息素挥发系数来适应不同运行阶段的变化,使得网络运行中期簇间的信息传输效率更高,节点能量更加充足。图
34、网络吞吐量与时间关系图 结束语针对 中出现的能耗不均和热区问题,本文提出了一种基于改进蚁群算法的非均匀分簇自适应路由协议,该协议通过二次选举的方式来提高簇头节点的质量,为簇头节点进行簇内普通节点维护与进行数据的转发任务提供保障;在成簇阶段,通过代价函数来优化共同边缘节点的入簇选择,形成非均匀分簇,达到了缓解基站周围热区问题的目的;在路由阶段,通过动态转移策略和改进的局部启发函数,提高了算法对最优路径的搜寻能力,采用新的信息素更新规则,解决算法易陷入局部最优的问题,最后引入动态信息素挥发系数,能够加快算法的收敛速度。仿真结果表明 算法在网络中能够有效地提高网络能耗的均衡性,延长网络生命周期。参考
35、文献:,():,(),:,():,:,(),:喻小惠,张晶,陶涛,等 基于蚁群策略的无线传感器网络能耗均衡分簇算法 计算机工程与科学,():,:王宗山,赵一帆,李波,等 基于能量均衡高效 的分簇路由算法 计算机工程与设计,():,:,():,第 期陈 辉,王 旭:基于改进蚁群算法的非均匀分簇自适应路由协议 ,():,():胡中栋,易涛,王振东 基于最优分簇的能量异构无线传感器网络路由协议 传感技术学报,():刘宏,李好威基于蚁群优化的非均匀分簇路由算法 华中科技大学学报(自然科学版),():刘宏,关业欢,吕孟伟基于自适应权重的无线传感器网络分簇路由协议 小型微型计算机系统,():蒋占军,周涛,
36、杨永红 中基于改进蚁群的能量优化路由算法 计算机工程,():杭超,李刚,谢昱卓,李雯珺基于非均匀分簇和蚁群神经网络的 数据融合算法 传感技术学报,():张天瑞,吴宝库,周福强面向机器人全局路径规划的改进蚁群算法研究 计算机工程与应用,():方正 基于改进蚁群算法的 路由优化研究重庆邮电大学,李道全,魏艳婷,张玉霞,等基于改进蚁群算法的 能量均衡路由算法 计算机工程与应用,():孙爱晶,李世昌,张艺才基于 优化模糊 均值的 分簇路由算法 通信学报,():陈 辉(),男,博士,副教授,硕士生导师,主要研究方向为无线传感器网络,煤矿安全监控与通信等,;王 旭(),男,硕士研究生,主要研究方向为无线传感器网络。
©2010-2024 宁波自信网络信息技术有限公司 版权所有
客服电话:4008-655-100 投诉/维权电话:4009-655-100