无线传感器网络中基于广义蚁群算法的自适应数据融合与动态路由

© 2014 Z. Ye和H.穆罕默德由爱思唯尔公司出版信息工程研究院负责评选和同行评议可在www.sciencedirect.com上在线获取ScienceDirectIERI Procedia 10（2014）2 - 102014未来信息工程基于广义蚁群算法Zhengmao Yea，Habib Mohamadiana美国路易斯安那州巴吞鲁日南方大学工程学院，邮编70813 *摘要无线传感器网络（WSNs）使用电池供电的传感器节点进行感知，因此能量效率是延长寿命的关键。性能取决于能耗、延迟和可靠性之间的权衡。数据融合是消除冗余、降低传输成本、节省能量的基本方法。提出了基于动态分簇的路由算法，通过自适应算法实现良好的性能。将广义蚁群算法应用于提高能量受限传感器节点的可靠寿命。每个传感器节点被建模为一个人工蚂蚁和动态路由被建模为蚂蚁觅食。当从源到汇的能量有效的信道被确保时，蚂蚁信息素被释放。路由发现、数据聚集和信息丢失被建模为信息素的扩散、积累和蒸发过程。每个传感器节点估计剩余能量，并动态计算概率，以选择一个最佳的信道，以延长无线传感器网络的寿命。© 2014由Elsevier B.V.发布 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。信息工程研究院负责评选和同行评议关键词：无线传感器网络;蚁群算法;数据融合;自适应规则;分簇动态路由。1. 介绍与传统网络不同的是，无线传感器网络的结构包括许多小型或微小的电池供电的自治设备，作为传感器节点。每个节点依赖于无线信道来与其他节点发送和接收数据。* 通讯作者。联系电话：+01-225-771-4073;传真：+01-225-771-0016。电子邮件地址：zhengmao_ye@subr.edu2212-6678 © 2014由Elsevier B. V.发布 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。信息工程研究所负责的选择和同行评审Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）23自适应协议是必要的，因为无线传感器网络的网络密度不同，从稀疏到密集的部署。计算、传感和通信技术的结合使紧凑设计成为可能。在密集部署的情况下，洪泛广播会导致信息冗余。它引起了自适应路由方案的应用[1]。无线传感器网络面临着典型的挑战，如干扰，安全性，可扩展性和可扩展性。关于无线蜂窝网络的示例，尽管语音和数据传输速度正在逐渐增加，但是能量消耗的最优分布仍然是一个严峻的挑战。基于信干噪比（SINR）平衡的功率控制策略是实现蜂窝网络能量最小化和功率控制最优化的必要手段。传感器节点的能量主要由传输能量和开销能量组成，而传输能量会随着距离和频率而衰减和衰落，这在单径和多径传播中也有所不同[2]。传输能量消耗的优化设计，以最大限度地提高网络的寿命与每一个单层。进行简化以解耦层并最大化网络寿命。该方法扩展到跨层优化的时分多址无线传感器网络的任意程度的准确性和效率。数值例子说明了跨层设计的好处[3]。能源效率对于延长网络寿命至关重要。通过传感器模式切换可以减少冗余传感器的能量消耗，但频繁的切换会对可靠性产生负面影响。蚁群优化算法用于求解传感器的最大可靠工作周期。在模式改变之前，限制传感器的最小工作周期。该算法提高了无线传感器网络的调度可靠性[4]。无线传感器网络数据聚合是一种重要的数据采集技术，它可以提高能量效率，减少数据冗余，减少消息传输中的拥塞路由流量。蚁群聚合也提出了探索搜索空间，以优化最佳数据聚合的设置提供了一种内在的方式。该算法在相同的跳数延迟下产生更长的最大生存期和更好的可扩展性[5]。将人工蚁群算法应用于无线传感器网络的分布式传感器唤醒控制中，以实现对目标的监视和跟踪。将目标信息的传递、失效和融合建模为信息素的扩散、丢失和积累。其优点包括不需要集群领导者，对错误警报的鲁棒性，以及不需要实际节点位置[6]。用于数据聚合的ACO包括初始化、传输和操作的3个阶段。在传输过程中，每个传感器节点估计邻居节点的剩余能量和信息素量，以动态地选择下一跳。在传输之后，信息素根据全局和局部优点进行调整以蒸发或沉积。该算法在能量受限的无线传感器网络中表现出较高的效率优势。它也有利于网络寿命，计算复杂度和一跳传输的成功率[7]。密集网络中的传感器节点会产生冗余信息，因此需要进行数据聚合以节省能量。异构传感器不可能聚合不同应用的数据包，因此静态路由协议被动态路由协议所取代，因为静态路由造成的空间隔离不利于数据聚合。引入属性感知的数据聚合以提高效率。受物理学中的势函数和蚁群信息素的启发，提出了使相同属性的数据包在空间上收敛的动态路由算法。它还可以在网络规模方面进行扩展，并适用于移动跟踪移动[8]。一种新的基于聚类的数据收集方案与直接汇访问应用于评估性能的能耗，延迟和鲁棒性。簇头利用分簇和数据关联的共同作用，采用低开销和简单的媒体访问控制。由于数据是定期收集的，其中数据包的到达不是一个连续的随机过程，该框架是基于瞬态分析，而不是稳态分析。广泛的模拟与各种协议参数表明，这是相当准确的参数范围很广。尽管在能耗和延迟之间进行了权衡，但通过适当的集群设计，两者都可以大大减少[9]。在这项工作中，自适应计划，使用广义蚁群优化算法将被应用到基于分簇的无线传感器网络的动态路由4Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）22. 基于自适应分簇的无线传感器网络动态路由随着微机电系统（MEMS）技术的快速发展，密集的传感器网络可以广泛部署数百或数千个微型传感器，因此合适的路由对于延长低成本、低功耗和超紧凑传感器节点和微型传感器节点的寿命是必要的。分层路由协议的目的是划分成簇的无线传感器网络，人工智能已被应用于动态路由，通过广义蚁群优化。服务质量（QoS）度量也应该被定义来选举簇头，其标准涵盖剩余能量和连接性（距离，到sink的跳数）。簇的总数随着时间的推移而发生微小的变化，这取决于所定义的阈值，并且簇头的变化将尽可能不频繁地进行调度。源节点是可以向网络提供所需信息的节点。最初，每个源节点可以声称是覆盖具有所有N跳计数的相邻传感器节点的簇的簇头。所有传感器节点将被分组到集群中。在群集内部，具有最高QoS度量的覆盖节点被投票为群集头。假设所有传感器节点具有相等的初始能量。从下一轮开始，每个未访问的源节点仍然可以声称是覆盖所有N跳数相邻传感器节点的簇的簇头。当簇头节点的能量耗尽时，无法与sink通信的节点成为死节点。因此，重新选举将被调度，具有最高数量的QoS度量的源节点被投票作为新的簇头。有可能簇头已被生成、替换或完全耗尽。随着时间的推移，应该记录死节点的数量，这实际上代表了传感器网络的可靠性和预期寿命。如果源在一段时间内没有收到响应，它会在尝试再次发送路由请求之前以指数方式回退。随着网络拓扑结构的逐渐变化，集群结构也会发生轻微的变化。在簇头的N跳数通信范围内的所有传感器节点都属于该簇。对于在至少两个簇头的通信范围内的任何传感器节点，它也被称为网关节点。在数据聚合时，簇头收集簇信息，并通过网关将摘要发送给相邻的簇头。每个簇头将簇内每个传感器节点的信息保存在一个拓扑表中。该表为网关访问提供了相邻簇列表、距离列表和跳数列表，以到达相邻簇、其他簇和汇聚节点簇。通过数据传输，传感器节点将信息传输到簇头节点，使簇头可以聚合所有信息。网关逐步向相邻簇头发送信息，直到到达目的簇头。最终所有数据将被发送到sink节点。数据聚合是延长无线传感器网络寿命的关键。当无线传感器网络的规模增加时，额外的数据流涉及，所以那些靠近汇聚节点的传感器节点本质上比其他较少访问或未访问的节点消耗能量更快。由于靠近sink的传感器节点会比远离sink的传感器节点更快地消耗能量，这些传感器节点会变成死节点，因此必须进行簇的重建，其中靠近sink的节点将被撤销。为了提高路由的能量效率，QoS度量是根据相邻传感器节点之间的距离、到汇聚节点的平均跳数和传感器节点的剩余能量来定义的。分层路由包含主动和被动路由协议，覆盖最初的主动路由和随后的被动泛洪覆盖的节点，而不是整个网络中的数据包传播。在主动路由协议中，所有传感器节点不断更新现有的表，以维护并发的无线传感器网络的信息。一旦网络拓扑发生变化，有关簇和簇头的更新信息将在整个网络中传播。当任何连接断开时，消息被发回以生成本地恢复机制。当下一跳不可到达时，传感器节点将寻找其他替代的邻近节点，以帮助到达即将到来的跳。如果找到了解决方案，数据包将被Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）25通过新选择的信道发送。动态路由协议包括路由发现和路由维护两个主要阶段。当簇头向sink节点发送数据包时，必须识别现有路由的可用性，以使数据包能够以直接的方式发送，否则它将通过发送包含簇头、sink节点和标识索引信息的路由请求包，通过定向洪泛发起路由发现。路由请求包包含从簇头到目的地的跳数序列。当目的地接收到路由请求分组时，正反馈信息作为路由响应被发送回去。如果发生异常传输情况，传感器节点将相应地生成路由错误包，从而移除相应的跳并应用替代路由。3. 无线传感器网络能量耗散模型无线传感器网络的通信发生在源节点和汇聚节点之间。每个源节点生成数据包以到达中间传感器节点，并最终通过路由到达宿传感器节点。数据包通过活动的传感器节点传输，而其他传感器节点在通信时保持空闲。在到达目的地的途中，一些数据包可能合并成一个数据包。能量模型必须涵盖传感器节点的传输路径损耗能量、感知能量、接收能量和计算能量耗散。在简化模型中，衰落和衰减被忽略。还假设分组丢失对用于发送或接收分组的实际能量耗散没有影响。路由决策是在不同的传输功率水平上相对于最少能量路由拓扑做出的。例如，从源节点到汇聚节点的直接链路表示最简单的连接。当应用多跳传输时，必须引入一组中间节点，导致源节点和汇聚节点之间的跳数增加以及额外的路径能量耗散。由于网络寿命取决于所有节点中第一个电池耗尽的时间长度，因此由于过度的路径能量耗散，寿命缩短。假设能量耗散由无线通信而不是计算主导。用于发送和接收大小为s的分组的能量消耗被表示为（1）。ECO（d，s）=（ETR_ELE +EAMP +ERE_ELE）×s =（ETR_ELE + E AMP ×dELE +ERE_ELE）×s（1）其中ECO（d，s）是用于发送和接收大小为s [Bit]的数据分组的总能量消耗; ETR_ELE [J/Bit]是考虑模拟和数字信号处理两者的发射机电子设备的开销能量（例如，锁相、调制、数字编码和滤波）;EAMP[J/Bit]是在功率放大器中消耗的传输能量，其是距离的函数;ERE_ELE[J/Bit]是考虑数字和模拟信号处理的接收器电子设备的开销能量（例如，数字解码、解调）; d [m]为两个传感器节点之间信号传输的欧几里德距离; λ [J/Bit*mλ]为传输放大系数;λ为路径损耗指数。对于单路径传播的功率损耗对于多径传播的功率损耗，应用多径衰落信道模型，其中λ等于4。现在定义EIN和ERS（d，s）作为传感器节点的初始能量和剩余能量，则剩余能量由（2）确定。ERS（d，s）= EIN-ECO（d，s）=EIN-（ETR_ELE + E ×dE +ERE_ELE）×s（2）传感器节点剩余能量随时间单调递减。当任意一条路径被过度应用时，在异常的能量消耗下，相关的剩余能量急剧下降，路径切换应该被触发。动态路由使用自适应聚合实现。4. 基于广义蚁群算法的自适应聚类动态路由蚁群算法模拟蚂蚁觅食的自然行为。移动中的蚂蚁试图定位在食物资源和巢穴之间人工蚂蚁的集体智慧6Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）2i，j i，j i，j i，ji被建模为一个实际的组合优化问题。个体蚂蚁通过储存信息素和蚂蚁与环境之间的相互作用与其他蚂蚁共享信息。在这种情况下，蚂蚁群体作为合作代理，以执行必要的任务，如选择最短的路径到达食物来源。信息素也会随着时间的推移而挥发，当蚂蚁再次合作选择信息素含量高的路径时，新的可能性就会出现。基于信息素路径和启发式信息，多个路由偏好以一定的概率可用，整个蚁群将被建模为移动智能体的社会。人工蚂蚁合作并记录现有选项的位置和质量等信息。最好的线索信息是通过沟通和比较。覆盖启发式信息的目的是通过蚂蚁之间的集体交互来激励蚂蚁到达候选搜索区域。更新后的学习规则由信息素的累积量决定，作为一种迭代反馈机制。这种学习过程也代表了蚂蚁在群体和食物来源之间随机寻找食物的自然现象。一些蚂蚁访问过的食物来源的信息素踪迹更有可能被其他即将到来的蚂蚁跟随。另一方面，如果其他蚂蚁也成功地找到食物，信息素的数量就会增加。觅食行为的更新规律有利于信息素含量高、距离短的路径。蚂蚁上下班的距离越远，信息素挥发的时间就越长。由于信息素蒸发，可以避免过度积累，从而达到全局收敛而不是局部优化。增强和蒸发过程对信息素浓度有很大影响，而勘探和开采过程应设置约束条件。通过正反馈，最优路径信息最终被所有蚂蚁接受。蚁群聚集是一个信息交换系统，蚂蚁通过信息素的沉积相互交换信息，以达到最短的路径到达源。通过比较N跳数距离邻域内所有传感器节点的剩余能量E_RS来选举初始簇头。所有源传感器节点都是候选者，其中具有最高剩余能量的那些被投票为N跳数距离邻域内的簇的簇头。在随后的更新程序中，集群总数可能会略有变化。然而，应避免频繁更换组组长。然后根据信息素的数量和可见性函数，通过计算路由表中的概率来应用两个更新规则。信息素是路由表中确定概率的主要成分。蚁群算法的第一步是相邻簇之间的路径选择。当单个蚂蚁从簇头i走到簇头j时，单个蚂蚁的选择规则中的概率被定义为（3）。p =（）（）/（）（）]（三）其中，fbi，j表示从簇头i到簇头j的踪迹上的信息素的量; fbi，j是等于两个簇头i和j之间的能量距离的倒数的踪迹可见性函数;fbi是用于调整信息素的量fbi，j的影响的参数; fbi是用于调整启发式可见性函数fbi，j的影响的参数。所选的路径预计将有很大的知名度。启发式可见性和能量距离度量被定义为（4），其中几何欧几里德距离、发射机电子设备的开销能量和功率放大器中耗散的传输能量的因素都被考虑。E DIS（i，j）=（E TR_ELE + E AMP）×s =（E TR_ELE+ E A M P × s）||国际新闻报||（4）其中EDIS（i，j）表示簇头i和簇头j之间的能量距离度量，||。|| 2表示欧几里德距离，ETR_ELE和EAMP分别表示发射机电子设备的开销能量和传输能量; Emax是用于放大的系数，s是封装尺寸。如果新生成的随机数是可接受的或不可接受的，则将保留应用于二进制决策。(3)如果生成的随机数小于阈值，则不适用。在这种情况下，当簇头j最近未被访问时，pi，j被分配为1，这有利于转移概率最大化;否则，Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）27当簇头j被访问时被分配为零。在信息素更新步骤中，将应用局部更新和全局更新规则，其中局部更新仅应用于任何单个人工蚂蚁，但全局更新应用于整个群体中的蚂蚁成功旅行时。局部更新独立于群体内的交互，而全局更新包含群体内的交互信息。局部信息素更新规则被定义为（5）。i，j（t+1）=（1< $i）其中，k是信息素蒸发的速率（0 × 1）; ki，j是簇头i和簇头j之间的路径上的信息素量，其等于簇头i和簇头j之间的通信在当前回合的总能量耗散; ki，j是正在沉积的信息素量; ki，j = ki，j当蚂蚁在簇头i和簇头j之间的路径上行进时。信息素的蒸发是必要的，以避免过度积累。对于那些没有被人工蚂蚁选择的簇头，信息素的量呈指数下降，这符合一个事实，即如果任何传感器节点没有收到一个答复在一定的时间内，传感器节点必须按指数后退之前，另一个路由请求将再次发送。为了防止搜索过程停滞，规定了约束最小量的信息素，它代表了传感器节点的剩余能量的最小必要量。信息素含量同时受蒸发和沉积两个过程的影响。全局信息素更新规则被定义为（6）。i，j（t+1）=（1 <$其中，Ei是信息素蒸发的速率;Ei，j是信息素的量; ERS和EIN分别是初始能量和剩余能量。将局部更新和全局更新同时应用于蚁群优化问题，以达到探索和利用的平衡。在这种情况下，可以通过基于自适应聚类的动态路由来达到全局优化。5. 基于蚁群算法由于无线传感器网络在网络密度上有很大的不同，稀疏和密集部署的情况都应该考虑在内。在一平方英里的区域内，随机放置100个和256个传感器节点以代表两种不同的情况。发射器电子设备ETR_ELE的开销能量被选择为50 nJ/Bit。接收器电子设备ERE_ELE的开销能量被选择为50 nJ/Bit。透射放大系数λ选择为100 J//Bit*m2。阈值选择为0.5。路径损耗指数λ = 2，信息素蒸发速率= 0.25。初始传感器节点能量EIN被选择为1J。数据包大小为1024位。对于密集传感器部署情况，记录初始回合以及10、100和1000回合的仿真结果以用于数据分析。对于稀疏传感器部署情况，记录初始回合以及10、100和500回合的仿真结果以用于数据分析。在仿真中，源节点、覆盖节点、簇头、汇聚节点和死节点的符号如图1所示。密集和稀疏无线传感器网络动态路由中传感器节点的寿命曲线如图2所示。密集部署情况下的迭代路由过程如图1和图2所示。3-4稀疏部署情况下的迭代路由过程如图1A和1B所示。五比六Fig. 1.基于蚁群算法的8Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）2300250200150100500无线传感器网络动态路由与优化01002003004005006007008009001000迭代次数1009080706050403020100无线传感器网络动态路由与优化050100150200250300350400450500迭代次数图二.动态路由下传感器节点寿命曲线（a）密集型;（b）稀疏型1600140012001000800600400200基于动态路由器的WSN路由与优化（节点数= 256迭代次数= 1）1600140012001000800600400200基于动态路由器的WSN路由选择与优化（节点数= 256，迭代次数= 10）00200400600800 1000 12001400米160000200400600 8001000米12001400 1600图三.基于蚁群算法的密集型无线传感器网络动态路由1600140012001000800600400200基于动态路由器的WSN路由选择和优化（节点数= 256，迭代次数= 100）基于动态路由器的WSN路由选择和优化（节点数= 256迭代数= 1000）160014001200100080060040020000 200 400 600 800米100012001400160000 200 400 600 800米100012001400 1600图四、基于蚁群算法的密集型无线传感器网络动态路由16001400120010008006004002000基于动态路由器的WSN路由和优化（节点数= 100迭代数= 1）0 200 400 600 800 1000 1200 14001600米16001400120010008006004002000基于动态路由器的WSN路由和优化（节点数= 100迭代次数= 10）0 200 400 600 800 1000 1200 14001600米图五.稀疏WSNs动态路由通过ACO米米米活动传感器节点活动传感器节点米米米Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）29米1600基于动态路由器的WSN路由和优化（节点数= 100迭代数= 200）1600基于动态路由器的WSN路由和优化（节点数= 100迭代数= 500）1400 14001200 12001000 1000800 800600 600400 400200 20000 200 400 600 8001000米1200 1400160000 200 4006008001000米1200 1400 1600图六、稀疏WSNs动态路由通过ACO基于图如图1-6所示，在密集网络中比稀疏网络部署需要更多的簇和簇头。对于这两种情况，簇结构的变化更频繁，而簇头的结构更稳定。由于采用单个汇聚节点而不是多个汇聚节点，因此远距离传感器节点比邻近节点消耗更多的传输能量，其中一些节点很快变成死节点。这两条曲线表明，这些节点的总数随着时间的推移呈指数下降。所有的结果也表明，广义蚁群算法是很好的设计基于分簇的无线传感器网络的动态路由，使用自适应更新规则。6. 结论提出了一种自适应的无线传感器网络路由协议，用于数据聚合优化，以缓解网络拥塞，消除数据冗余，提高能源效率。蚁群优化路由为探索数据聚合和信道选择的最佳设置提供了一种必要的方法。通过自适应机制将经典的分簇层次协议扩展到低能耗的动态路由。广义蚁群算法通过一种新的动态路由协议，优化簇和簇头的选择，使能量开销在所有传感器节点之间均匀分配，从而获得更好的能量资源。对能耗和连通性进行了模拟。在有效路由和能量消耗之间取得平衡，可以提高无线传感器网络的临界能量效率。引用[1] Z. Ye和H. Mohamadian，“通过集成卡尔曼滤波和自适应估计的WSN拓扑控制设计”，2009 IEEE国际电气工程会议论文集计算机科学与自动控制，pp。41-45，2009年11月10-13日，墨西哥[2] Z. Ye和H. Mohamadian，“无线蜂窝网络路径损耗模型的比较研究和SINR平衡方面的最优功率控制”，信息系统技术规划杂志（JISTP），pp. 1-13，第6卷，第16期，ISSN 1945-5240，2013年[3] R.，Madan，S. Cui，S. Lall，A. Goldsmith，“能量受限的无线传感器网络中传输方案的建模和优化”，IEEE/ACM网络学报，pp.1359-1372年，第15卷，第6期，2007年[4] X. Hu和J. Zhang，米10Zhengmao Ye和Habib Mohamadian / IERI Procedia 10（2014）2[5] M. Xie和H. Shi，[6] Y. Liang，J. Cao，L.张河，巴西-地Wang和Q. Pan，[7] C. Lin，G. Wu，F. Xia，M.利湖，加-地Yao，[8] F. Ren，J. Zhang，Y. Wu，T.他，C. Chen和C. Lin，[9] M.洛特菲内扎德湾Liang，“Adaptive Monitor-Based Data Collection in Sensor Networks with DirectSink Access”，pp. 864-897，IEEE Transactions on Mobile Computing，Vol.7，No.7，2008年