基于混合元启发式优化的无线传感器网络能量有效分簇树路由协议

埃及信息学杂志19（2018）145全文基于混合元启发式优化的无线传感器网络Supreet Kaura，Rajiv Mahajanba印度旁遮普省旁遮普技术大学计算机科学与工程系b印度旁遮普邦黄金研究所集团阿提奇莱因福奥文章历史记录：2017年8月1日收到2017年12月11日修订2018年1月5日接受在线提供2018年保留字：无线传感器网络蚁群优化节能粒子群优化A B S T R A C T能量效率是无线传感器网络的首要问题。传感器网络是由电池供电的，因此在一段时间后会失效。因此，为了提高传感器设备的寿命，以能量有效的方式改善数据耗散变得更具挑战性的问题。传感器网络的分簇和树型数据聚合可以提高无线传感器网络的生存时间。提出了一种基于蚁群和粒子群混合优化的能量有效分簇树路由协议。首先，在剩余能量的基础上形成簇，然后，基于混合ACOPSO的数据聚合将采取行动，以进一步改善簇间的数据聚合。广泛的分析表明，提出的协议大大提高了网络的生命周期比其他技术。©2018制作和主办由Elsevier B.V.代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍随着无线传感器网络的出现，人们可以很容易地对难以接近的它是一个强大的工具，可以在许多应用中收集数据，如军事监视，战场，林业，海洋学，温度，压力，湿度等。[1]的文件。无线传感器网络包含许多传感器节点，这些节点连接在一起并连接到基站。无线传感器网络包括通过传感器节点感知数据、处理数据和将数据传输到基站。传感器节点的充电和重新安装在困难的环境中是不因此，节能是无线传感器网络面临的一大最近，研究人员通过将节点组织成簇并提高WSNs的寿命来解决这个问题[2]。此外，路由协议在簇无线传感器网络中实现，以指导簇头（CH）的选择，并发现最佳路由，以节省节点的能量[3]。一个典型的基于簇的无线传感器网络如图所示。1.一、*通讯作者。电子邮件地址：oberoisupreet9@gmail.com（新加坡）Kaur）。开罗大学计算机和信息系负责同行审查。Nayak和Anurag Devulapalli[4]利用基于模糊逻辑的聚类技术进一步降低能耗率。在该方法中，通过模糊推理机（Mamdani规则）优化聚类的大小。选择合适的CH节点，可以降低网络能耗，提高网络寿命.Gong等人[5]设计了一个路由协议ETARP（即，能量有效的信 任 感 知 路 由 协 议 （ Energy Efficient Trust-Aware RoutingProtocol for Wireless Sensor Net），以降低无线传感器网络中节点间通信的能量消耗，提高通信的传感器节点间的路由选择是基于效用理论。Shi等人[6]通过引入动态分层路由协议解决了无线传感器网络中路由维护等移动sink问题结合动态锚点选择和动态分层Voronoi作用域，最小化路由更新的分布频率和范围.Leu等人[7]利用具有孤立节点的区域能量感知聚类权重的计算考虑到每个传感器的剩余能量和区域平均能量的每个传感器在所有的集群。Shen等人[8]使用位置感知路由协议（LARP）解决了水下WSNs中消息传输的延迟问题。在该方法中，传感器节点的位置知识被用来促进消息的传输。Bouyer等人[9]在LEACH算法中使用模糊C均值（FCM）算法来创建最佳CH数，以降低能量并延长网络寿命。Cai等人[10]提出了Bee-Sensor-C路由协议，https://doi.org/10.1016/j.eij.2018.01.0021110-8665/©2018制作和主办由Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com146S. 考尔河，巴西-地Mahajan/ Egyptian Informatics Journal 19（2018）145⁄Fig. 1. 无线传感器网络典型分簇环境。BeeSensor（即蜜蜂启发的路由协议），其可以动态地形成集群并以并行方式传输数据。Shankar等人。[11]使用混合粒子群优化（PSO）和和声搜索算法（HSA）来有效地利用最小能量选择CHZahedi等人。[12]提出了CH分布不均匀，不平衡聚类以及它们对无线传感器网络有限应用的范围的问题。他们使用模糊c均值聚类算法来创建平衡聚类，并使用Mamdani模糊推理系统来选择合适的CH。在萤火虫算法的基础上，采用群智能算法对模糊规则进行优化。Sabet和Naji[13]实现了多级路由感知聚类（MLRC）技术，以节省分散式聚类协议中的能量。该协议的主要优点是同时生成簇和路由树，减少了不必要的路由控制包的生成。Naranjo等人。[14]提出了延长稳定选举协议（P-SEP），用于在支持雾的WSN 中的异构节点之间选举CH ，以增加网络的寿命Xenakis等人[15]利用模拟退火技术，通过最大化网络覆盖和无线传感器网络的生命周期作为目标函数来控制Nayak和Vathasavai[16]在WSNs中使用2型模糊逻辑来决定 CH 效率。 Ouchi- tachen 等人。 [17] 实现了IMOWCA（改进的多目标加权聚类算法）用于CH的选择。剩余能量用于选择性能最佳的节点以用于与BS的进一步通信利用基站遗传Elshrkawey等人[18]解决了LEACH协议的问题，如CH的选择不当，形成不平衡的簇，以及更新数据的连续传输采用门限值选择信道，传感器节点在规定的时间内发送更新数据，采用改进的TDMA调度打破稳态阶段。Rani等人[19]使用E-CBCCP协议在CH和中继节点缓存数据，以避免相同数据包的通信控制包用于通知所有传感器节点数据包是相同的，并且不传输数据包。Laouid等人[20]设计了一种基于跳数和每个传感器节点的剩余能量来选择最佳路由的方法，以最大化网络的寿命。Ez-zazi等人[21]利用考虑信道状态和节点间距离的自适应编码方案来仔细检查能量效率和可靠性之间Huang等人[22] 使用公共交通工具作为移动接收器来收集数据。为了平衡能量消耗，使用能量感知路由和能量感知不等分簇算法。在本文中，我们提出了一个混合的元启发式优化的能量有效的协议。因为，GSTEB协议路由树是在树中心路由执行，以传输知识的底部部分制造。以防万一，如果父节点死亡，拓扑必须再次修复，这为了克服由于节点在根到汇的失望而导致的系统中的符号延迟和知识减少的问题，可以利用基于簇的聚集过程在大系统中，知识到sink的组织良好的标志要求根据有多少次旅行获得最大路由，因此，知识可以在簇头聚集，需要传输到底层站。分簇策略可以最小化知识冗余，减少知识传输中的拥塞路由流量遵循以簇头为中心的聚类树路由，需要获得源和宿之间的最短路由，但最小路由问题本质上是NP-困难的[22]。贡献：以下是我们在这篇研究论文中的主要贡献：i. 首先，我们评估了一些著名的无线传感器网络现有的能量有效的协议的性能ii. 基于比较分析，我们发现，有效的簇间数据聚合使用元启发式技术可以进一步提高网络的生命周期iii. 我们已经设计并实现了一个著名的混合ACO-PSO基于聚类GSTEB协议，以进一步提高结果iv. 也进行了广泛的分析，以评估所提出的技术的有效性。论文的其余部分组织如下：在第2节中，描述了无线传感器网络的网络能量模型。第3节，描述了提出的技术与适当的数学公式。实验设置和结果见第4节。第5节讨论了结论性意见。2. 网络能量模型在这项研究工作中，我们随机部署的无线传感器网络与“N”传感器节点在M N网络领域。所有节点甚至包括汇点本质上都是静止的。每个节点都有自己的唯一标识号。每个节点监视给定的环境并与sink通信数据。每当进行通信时，给定节点必须基于与sink的距离（D）花费一些能量。所有的通信链路本质上都是对称的。2.1. 能量模型当节点发送或接收感知信息时，它必须基于两个信道传播模型来消耗一些能量S. 考尔河，巴西-地 Mahajan/ Egyptian Informatics Journal 19（2018）145147一ð ÞXs←sDs;8i;j2L9ijijIJ.r：模d。p1双头E平均值我J我JN对于每个节点i4n在加入P之前，蒸发作用必须是每-对于单跳或直接传输的目的，称为自由空间（D2功率损耗），而对于经由多跳的分组传输，称为多径衰落信道（D4功率损耗）因此，能源成本-消耗模型可以在数学上定义如下：（LEnumericalelectrodeLefresD2;D D< 0;5. 下面的一组蚂蚁现在可以学习以前访问成功的蚂蚁留下的信息素存款反馈，并将很快被引导沿着最快的路径前进。6. 当蚂蚁从CHi走到CHj，其中i选择原则（所谓的信息素）为一个简单的电子邮件地址埃内斯托·埃内斯托LempatD4DP D0;ð1Þant计算如下：这里，L是数据包的大小efres表示自由空间能量Psi;jgi; j一Bð5Þ损失 EMPAT是多径能量损耗。D0是阈值距离，控件说明是否使用efres 或EmPat。D0计算为i; jRsi;jÞ ðgi; jÞ如下所示：se这里，si; j表示从CHi到CHj的信息素沉积量。gi; j是等于的轨迹可见性函数。D0¼fres恩姆巴ð2Þ与CHi和CHj之间的能量距离的倒数有关。a是调节信息素i; j的量的参数。b是调整启发式可见性的参数2.2. 簇头（CH）形成在本节中，将讨论基于级别的聚类。CH使用能量感知阈值功能形成。它指出，具有更多能量的节点将有更多的概率成为CH。每个节点生成一个随机值，并尝试成为CH。如果随机值小于评估的阈值（T（i）），那么它将成为CH。T（i）的数学计算如下：函数gi; j.7. 如果两个CH之间存在链路，则更新Pi; j其他Pij ¼0：端8. 如下评估簇头i和簇头j之间的Euclidean DistanceΔDISΔT iPoptωEir对于所有节点，如果Ei=0DIS<$qCH·xd-CHð6Þoptð3Þ这里，r表示无线传感器网络生命周期中的当前轮，Ei r是给定节点i的当前能量。Eavg表示平均剩余能量，其评估如下：PEirrévée这里，xd和yd表示给定CH的x和y坐标。9. P值将由所有成功到达BS的蚂蚁更新：10. 信息素的蒸发在边缘上，使用以下公式计算CHi和CHjsij←1-qsij7这里，N表示节点的总数。3. 提出的技术在本节中，我们提出了一种基于ACOPSO-GSTEB的路由技术，以开发可用CH和sink之间的最短路径。ACOPSO算法是一种著名的元启发式算法，它能够在给定的节点集之间找到以sink为目的地的最优路径。3.1. 基于蚁群算法的路径选择本节描述基于ACO的路径选择技术。在该技术中，基于最小成本的生成树（最短路径）在CH和宿之间形成。1. 将CH初始化为蚂蚁，将汇初始化为目的地。2. 虚拟蚂蚁的行动依赖于CH距离上信息素的数量。3. 蚁群算法的第一步是相邻簇之间的路径收集，从簇到汇模拟了一些合成蚂蚁。4. 前面的蚂蚁随机选择后面的CH形成了蒸发有助于找到最短路径，并提供没有其他路径将被评估为最短的。这种信息素的蒸发具有强度q。11. CHs不是由人工蚂蚁选择的;量 P指数下降。12. 在每次迭代期间，（t）= {1，2，3，4. . n}，当所有的蚂蚁到达到水槽，然后的值的Sij计算如下：sijq·sijDsij在这里，Ds ij表示被沉积的信息素的量。13. 如果ant k已经通过CH之间的某个边，则它将留下P，通过使用以下公式，P与ant k已经从起始CH到BS通过的所有边MKIJK1这里，Ds ijk是在所访问的边缘上的P ant k沉积物的量。它由以下表达式计算最初从长度矩阵中获取数据，并且成功实现汇点的蚂蚁正在将它们所访问的边缘处的信息素沉积物更新一个量（CL），其中M是DsK¼1=CK0==其中CK是所有边的总长度ð10Þ蚂蚁和D的价格不变，即根据新鲜度问题调整到最佳值。14. 现在，选择具有最佳P值的路径，并将其指定为初始解，1- p（optE平均值¼B148S. 考尔河，巴西-地Mahajan/ Egyptian Informatics Journal 19（2018）145×ð Þ ðÞ15. 最后，粒子群优化算法（PSO）将采取行动，以最大限度地减少路径成本。PSO的程序在下面的章节中描述。3.2. 基于粒子群算法的路径选择如果新fv>旧fv旧fv新fv;其他旧粒子被转发到下一次迭代结束ð14Þ粒子群算法用蚁群算法的解的输出对自身进行优化，称为粒子群算法。每个粒子保持其所有坐标的存储记录，这些坐标与通过跟随当前最佳粒子获得最优解有关。计算并存储每个粒子的目标函数。当前最优粒子的适应度值称为pBest。当考虑所有生成的种群时，然后在生成的种群中选择最佳值，并且该特定的最佳值是称为gBest的最佳解本文以路径费用最小为目标函数。粒子群算法总是试图改变每个粒子的速度，使其接近pBest。速度由随机术语确定，其具有随机生成的朝向pBest的速度的数字PSO始终存储和维护三个全局变量的结果记录，如目标值或条件，gBest和termi- nation值。PSO的每个被评估的粒子包括以下内容-新闻资讯：(i) 一个可以代表全局解决方案的数据，称为gBest。(ii) velocity的值，它将指示要更改的数据量。(iii) p最佳价值。1. 首先，我们假设所有的CH都是具有二维的粒子，如粒子的位置和速度。2. 现在开始基于随机分布的解决方案。随机解的数量是基于种群的大小3. 现在将使用最小路径距离的适应度函数来估计适应度值两个节点之间的距离将使用欧几里得距离计算为：在这里，旧的fv是旧的已知最佳值，所以放屁和新的fv是新的健身值。7. 对于每次迭代，选择一个最佳解作为pBest。在当前迭代中具有最大适应值的粒子被选择为pBest解。8. 选择来自粒子的所有迭代的pBest解作为gBest解，其中在所有解中具有最大值。最后，具有gBest解的粒子被选为当前簇间数据聚合路径。4.实验设置和结果MATLAB仿真工具用于仿真目的。它与现有的技术，即评估所提出的技术的性能GSTEB在以下指标上，即：稳定期、网络寿命、剩余能量（平均剩余能量）和吞吐量。用于模拟的其他参数传感器已被任意分布在一个100 100的区域与基站在（50米，150米）。表1显示了用于比较分析的各种模拟参数。吞吐量表示成功传输到接收器的数据包的数量。图2表示所提出的技术与现有技术的比较。该图清楚地表明，所提出的技术的吞吐量显着提高。因此，与现有协议相比，发现所提出的技术的吞吐量是显著的。D¼qx1-x2y1-y2比现有的公知的节能协议更有效网络生命周期是网络中第一个和最后一个节点死亡 图 3代表比较这里，x1;y1是节点1的位置值，x1;y1是节点2的位置值。在确定每个解的聚合距离成本之后，这是适应度值。它只需要计算gBest，它是每个随机解的最小聚合距离。4. 从初始随机解集合中产生新粒子。从旧粒子形成新粒子是新粒子的生成：4.1. 新速度的估计：被取粒子的当前速度被认为是粒子位置改变的速率新速度计算如下：新的v¼xω旧的vx1lBestp-cBestpx2 w2 gBestp- cBestp建议的技术与可用的一个。该图清楚地表明，所提出的技术的网络寿命显着提高。与现有的协议相比，它被发现，所提出的技术的网络生命周期是相当多的比现有的知名协议。网络的剩余能量是网络中最后一个节点死亡的时间。图4表示所提出的技术与可用技术的比较。该图清楚地表明，所提出的技术的剩余能量显着提高。当与现有的协议相比，它被发现，所提出的技术的剩余能量是一致的，最大化比现有的众所周知的协议。表1无线传感器网络设置。ð12Þ参数值这里，x表示惯性权重。x1和x2是基本的粒子群优化参数。v代表速度，p决定位置。作用值。4.2.粒子的新位置的估计如下：新的p¼旧的p新的v13最后，新粒子（新v和新p）到达。面积（x，y）100，100基站（x，y）50、50或50、150节点（n）100概率（p）0.1初始能量0.1发射机_能量50ω 10-9接收器_能量50ω 10-9自由空间（放大器）10 ω10-13多路（放大器）0：0013 ω 10-135. 通过使用路径的距离估计新p6. 比较旧粒子和新粒子的适应度值，并选择最好的一个用于下一次迭代：有效数据聚合5ω 10-9最大使用寿命2500数据包大小4000S. 考尔河，巴西-地 Mahajan/ Egyptian Informatics Journal 19（2018）145149图二.吞吐量分析比较。图三. 比较网络的生命周期。见图4。 剩余能量的比较。为了评估所提出的技术的有效性，它与两个著名的基于元启发式的节能协议进行了比较这些元启发式技术是遗传算法和人工蜂群。为了比较所提出的技术与其他技术的剩余能量和吞吐量米已被考虑。随后的表描述了关于节点数量缩放的评估值。表2展示了在现有和提议的技术的已经观察到表2剩余能量评估。节点遗传算法人工蜂群提出1000.41 0.19 ±0.49 0.20 ±0.51 0.15 ±1500.280.230.27 0.19 ±0.31 0.28 ±2000.40 24小时0.42 0.14 ±0.43 0.16 ±2500.38 0.20 ±0.37± 0.130.41 0.19 ±3000.26 0.28 ±0.24 0.18 ±0.29 0.15 ±3500.32 0.21 ±0.33 0.22 ±0.34 0.19 ±4000.440.230.450.170.47 0.16 ±150S. 考尔河，巴西-地Mahajan/ Egyptian Informatics Journal 19（2018）145×表3放分析。节点数遗传算法人工蜂群建议数100 8. 15 ± 2. 4 9. 25 ± 2. 3 10. 45 ± 3. 8150 11.36 ± 2.9 10.46 ± 1.9 12.60 ± 2.4200 16.28 ± 2.8 17.62 ± 3.0 18.59 ± 2.6250 21.92 ± 3.1 22.75 ± 2.8 23.98 ± 2.9300 24.50 ± 3.4 23.33 ± 3.5 23.60 ± 3.4350 27.34 ± 3.8 28.24 ± 2.9 29.14 ± 2.3400 32.57 ± 2.9 33.60 ± 3.2 34.70 ± 2.7引用[1] 阿罗拉，库马尔·维沙尔，夏尔马·维沙尔，萨奇德瓦·莫妮卡. 综述了LEACH等无线传感器网络路由协议。Optik-Int J Light ElectronOpt 2016;127（16）：6590-600.[2] 放大图片创作者：Azharuddin Md，Kuila Pratyay，Jana Prasanta K.能量有效的无线传感器网络容错分簇和路由算法。计算机电子工程2015;41：177-90.[3] Luis Javier Garcia Villalba，Sandoval Orozco Ana Lucila，Triviño CabreraAlicia ， Barenco Abbas Claudia Jacy. 无 线 传 感 器 网 络 路 由 协 议 。 传 感 器 9（11）：2009; 8399[4] Nayak Padmalaya，Devulapalli Anurag. 一种基于模糊逻辑的聚类算法以延长网络寿命。 IEEE Sens J 2016;16（1）：137-44.[5] 龚璞，陈托马斯M，徐泉. ETARP：一种能量有效的无线传感器网络信任感知路由协议。 J Sens 2015;2015.所提出的技术显著提高了剩余能量与每种技术相比。由于传感器网络是随机部署的，因此，评估值有一些波动，这些波动已经在使用的帮助下显示出来。表3显示了在吞吐量分析方面现有技术和建议技术之间的比较。已经 观 察 到 ， 所 提 出 的 技 术 已 经 显 著 提 高 了 吞 吐 量 （ 即 ， 约2.7897%）。因此，与现有技术相比，所提出的技术提供了更有效的结果。5. 结论本文提出了一种混合协议，利用分簇，ACOPSO为基础的分簇协议的无线传感器网络。它将传感器网络分解成多个簇，每个簇中选择簇头。然后，基于树的数据聚合开始行动，并收集传感信息，直接从簇头，利用短距离通信。ACOPSO优化评估sink和簇头之间的最短路径压缩感知的使用减少了将在传感器网络中传输的数据包大小MATLAB仿真工具用于仿真目的。它评估了所提出的技术与现有技术的性能，即。GSTEB在以下指标上，即：稳定期、网络寿命、剩余能量（平均剩余能量）和吞吐量。用于模拟的其他参数从GSTEB中调整传感器在100 × 100的范围内任意分布大量的分析表明，该混合协议大大提高了网络的生命周期，节省能源，在更有效的方式比目前部署的传感器网络的其他协议。利益冲突本文件的发表不存在利益冲突[6] 石磊，姚铮，张宝先，李成，马健。一种有效的具有移动汇聚节点的无线传感器网络分布式路由协议。Int J CommunSyst 2015;28（11）：1789-804.[7] 梁济秀、江图鸿、余敏杰、苏冠武。延长孤立节点无线传感器网络生存时间的能量有效分簇方案。IEEE Commun Lett2015;19（2）：259-62.[8] Shen Jian，Tan Hao-wen，Wang Jin，Wang Jin-Wei，Lee Su-Young.一种新的水下传感器网络路由协议，提供良好的传输可靠性。传感器2015;16（1）：171-8.[9] Bouyer Asgarali，Hatamlou Abdolreza，Masdari Mohammad.提出了一种基于LEACH协议和模糊C-均值算法的无线传感器网络节能新方法。Int J CommunNetworks Distrib Syst 2015;14（4）：400-12.[10] 蔡雪莲，段玉龙，何颖，杨进，李长乐。Bee-sensor-C：一种能量有效且可扩展的无线传感器网络多路径路由协议。Int J Distrib Sens Netw 2015;11（3）：976127.[11] 放大图片作者：ShankarT，Shanmugavel S，Rajesh A. 混合HSA和PSO算法在无线传感器网络中的能量有效簇头选择。Swarm EvolComput 2016;30：1-10.[12] Zahedi ZeynabMolay ， AkbariReza ， Shokouhifar Mohammad ， SafaeiFarshad，Jalali Ali.基于群体智能的分簇无线传感器网络模糊路由协议。 专家系统应用2016;55：313-28.[13] 萨贝特·玛丽亚姆，纳吉·哈米德雷扎.一种能量有效的无线传感器网络多层次路由感知分簇算法：自组织方法。Comput Electr Eng 2016;56：399-417.[14] Naranjo Paola G Vinueza ， Shojafar Mohammad ， Mostafaei Habib ，PooranianZahra，Baccarelli Enzo. P-SEP：一种能量受限异构光纤陀螺无线传感器网络的延长稳定选举路由算法。JSupercomput 2017;73（2）：733-55.[15] [10]谢纳基斯A，福卡拉斯F，斯塔穆利斯G，卡特萨文茨I.能量分布不均匀的无线传感器网络覆盖和生存期优化拓扑控制。Comput Electr Eng，2017年6月。[16] 纳亚克·帕德玛拉亚，瓦他萨瓦伊·巴瓦尼。基于第二类模糊逻辑的多跳无线传感器网络能量有效分簇算法。IEEE Sens J2017;17（14）：4492-9.[17] Ouchitachen Hicham，Hair Abdellatif，Idrissi Najlae.一种改进的无线传感器网络多目标加权分簇算法。Egypt Inform J2017;18（1）：45-54.[18] Elshrkawey Mohamed，Elsherif Samiha M.，瓦赫德·M埃尔赛义德一种降低无线传感器 网络 能耗 的增 强方 法。 J King Saud Univ- Comput Inform Sci ，Availableonline 7 April 2017，ISSN 1319-1578.[19] Rani Shalli，Ahmed Syed Hassan，Malhotra Jyoteesh，Talwar Rajneesh.基于能量有效链的水下无线传感器网络路由协议。J Network Comput Appl 92：2017年8月15日; 42-50，ISSN 1084- 8045。[20] LaouidAbdelkader ， DahmaniAbdelnasser ， BounceurAhcène ， EulerReinhardt，Lalem Farid，Tari Abdelkamel.无线传感器网络中均衡能耗的分布式多路径路由算法。Ad Hoc Netw2017;64：53-64.[21] Ez-zazi Imad，Arioua Mounir，Oualkadi Ahmed El，Lorenz Pascal.能量有效与可靠分簇式无线感测网路之适应性编码机制之效能研究。Ad Hoc Networks，64：2017年9月; 99-[22] 韩钊，吴杰，张杰，刘烈锋，田开云。无线传感器网络的一种通用pp. 一比二