首页 / 专利库 / 电脑编程 / 算法 / 改进遗传禁忌搜索的深井巷道WSN分簇路由方法及装置

改进遗传禁忌搜索的深井巷道WSN分簇路由方法及装置

阅读:0发布:2020-11-10

专利汇可以提供改进遗传禁忌搜索的深井巷道WSN分簇路由方法及装置专利检索,专利查询,专利分析的服务。并且本 申请 公开了一种基于改进遗传禁忌搜索的无线 传感器 网络分簇路由方法、装置、设备及可读存储介质,该方案为避免 无线传感器网络 中的某些 节点 过早地先于其他一些节点因能耗过多而失效,周期性地选择节点来充当簇头节点,并利用遗传 算法 和禁忌搜索算法对目标簇头节点与基站之间的传输路径进行寻优搜索,其中 遗传算法 迭代 保证全局收敛,禁忌搜索算法迭代保证多样性及局部收敛,二者结合以兼具较好的全局与局部搜索能 力 ,在寻优过程中兼顾网络中各节点 能量 损耗的均衡性,以保证网络存活周期。最终控制目标簇头节点按照最优传输路径进行路由,实现了减少网络节点的能量损耗,并提升整个网络存活周期的目的。,下面是改进遗传禁忌搜索的深井巷道WSN分簇路由方法及装置专利的具体信息内容。

1.一种基于改进遗传禁忌搜索的WSN分簇路由方法,其特征在于,包括:
周期性地选举无线传感器网络的簇头节点
利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;其中,遗传算法的适应度函数用于根据传输路径中相邻的簇头节点之间的通信距离、簇头节点与基站之间的距离、各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;其中,所述禁忌搜索算法的适应度函数用于根据传输路径中各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
控制所述目标簇头节点按照所述第二传输路径进行路由。
2.如权利要求1所述的方法,其特征在于,所述选举无线传感器网络的簇头节点,包括:
对于无线传感器网络中的各个节点,生成预设随机范围内的随机数,并根据选举阈值公式计算得到该节点的选举阈值;
若所述随机数小于所述选举阈值,则将该节点选举为簇头节点;
其中,对于在最近的预设选举轮数内曾被选中的节点,所述选举阈值公式计算得出的选举阈值小于等于所述预设随机范围的最小值;对于在最近的预设选举轮数内未被选中的节点,所述选举阈值公式用于根据该节点的剩余能量以及该节点与基站之间的距离计算得出所述选举阈值。
3.如权利要求2所述的方法,其特征在于,在所述根据选举阈值公式计算得到该节点的选举阈值之前,还包括:
获取所述无线传感器网络中簇头节点数量与节点总数量的比例,将所述比例的倒数作为预设选举轮数。
4.如权利要求2所述的方法,其特征在于,所述周期性地选举无线传感器网络的簇头节点,包括:
周期性地选举无线传感器网络的簇头节点,并根据通信距离将未选中的节点划分至相应的簇头节点,以作为该簇头节点的成员节点;
所述控制所述目标簇头节点按照所述第二传输路径进行路由,包括:
控制所述目标簇头节点及其成员节点按照所述第二传输路径进行路由。
5.如权利要求1所述的方法,其特征在于,在所述利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优之前,还包括:
对所述无线传感器网络的各个簇头节点进行实数编码。
6.如权利要求5所述的方法,其特征在于,所述利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,包括:
随机生成染色体种群;
根据所述遗传算法的适应度函数,计算所述染色体种群中各个染色体的适应度值;
选择所述适应度值最大的目标染色体;
对所述目标染色体进行交叉操作和变异操作,以更新所述染色体种群,直至达到第一迭代次数阈值时,输出所述目标染色体和更新后的染色体种群。
7.如权利要求6所述的方法,其特征在于,所述利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,包括:
对所述染色体种群中的各个染色体进行禁忌搜索操作,得到邻域;
根据所述禁忌搜索算法的适应度函数,计算所述邻域中染色体的适应度值;
判断所述邻域中染色体的适应度值是否大于所述禁忌表中染色体的适应度值的最大值;
若是,则将所述禁忌表中的染色体的禁忌长度减1,删除所述禁忌表中禁忌长度为0的染色体,并将所述邻域中染色体加入所述禁忌表,直至达到第二迭代次数阈值时,输出所述禁忌表中适应度值最大的染色体。
8.一种基于改进遗传禁忌搜索的WSN分簇路由装置,其特征在于,包括:
簇头选举模:用于周期性地选举无线传感器网络的簇头节点;
第一寻优模块:用于利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;其中,遗传算法的适应度函数用于根据传输路径中相邻的簇头节点之间的通信距离、簇头节点与基站之间的距离、各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
第二寻优模块:用于以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;其中,所述禁忌搜索算法的适应度函数用于根据传输路径中各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
路由模块:用于控制所述目标簇头节点按照所述第二传输路径进行路由。
9.一种基于改进遗传禁忌搜索的WSN分簇路由设备,其特征在于,包括:
存储器:用于存储计算机程序
处理器:用于执行所述计算机程序,以实现如权利要求1-7任意一项所述的一种基于改进遗传禁忌搜索的WSN分簇路由方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-7任意一项所述的一种基于改进遗传禁忌搜索的WSN分簇路由方法的步骤。

说明书全文

改进遗传禁忌搜索的深井巷道WSN分簇路由方法及装置

技术领域

[0001] 本申请涉及无线监测数据传输技术领域,特别涉及一种基于改进遗传禁忌搜索的WSN(Wireless Sensor Networks,无线传感器网络)分簇路由方法、装置、设备及可读存储介质。

背景技术

[0002] 地压灾害是非矿山开采过程中的主要灾害之一,如果控制预防不当,将有可能造成大的安全事故的发生,因此建立完善的安全监控系统十分必要。当前地压灾害矿山监测主要采用人工或者有线监测,需耗费大量的人与物力成本,且不易扩展。
[0003] 无线传感器网络是一种自组织网络,能实时监控对象,且具有强抗毁性,灵活易于扩展,可以监测部署在复杂恶劣甚至是危险环境中的优点。无线传感器网络可对目标所监测到的信息进行收集、处理、传输,其数据传输路径的良好性能决定着各类应用系统能否成功部署的关键,解决大规模无线传感器网络中最优路由问题已成为当前研究的热点。由于节点能量有限且随机部署,信号远距离发送会消耗较大能量,因此降低传输路由能耗是无线传感器网络的关键技术之一。
[0004] LEACH算法通过随机推举簇头以降低路由能耗,但对节点的通信功率要求较高,不太适用于较大系统网络。相关学者采取多跳通信方式改进LEACH算法,由簇头将其簇内节点数据传输给基站,然而与基站相距较远的簇头则需借助邻居簇头来进行信息转发,促使基站附近的簇头传输过多信息,能耗过多,导致热区现象发生,簇头节点会过早死亡;还有学者提到遗传算法的无线传感器网络路由协议,但是在个体优化适应度函数确定时均没有考虑染色体节点的能量损耗问题等因素,易出现局部最优解的早熟现象;还有学者提到禁忌搜索算法的无线传感器网络路由协议,在路由选择时也没有考虑到节点的能量消耗问题,易导致网络生命周期较短。
[0005] 可见,如何提供一种能耗均衡的无线传感器网络的路由方案,减少节点能量损耗,延长热区节点寿命,提升网络存活周期,是亟待本领域技术人员解决的问题。发明内容
[0006] 本申请的目的是提供一种基于改进遗传禁忌搜索的WSN分簇路由方法、装置、设备及可读存储介质,用以解决当前的无线传感器网络的路由方案无法均衡各个节点的能量损耗,导致网络存活周期较短的问题。其具体方案如下:
[0007] 第一方面,本申请提供了一种基于改进遗传禁忌搜索的WSN分簇路由方法,包括:
[0008] 周期性地选举无线传感器网络的簇头节点;
[0009] 利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;其中,遗传算法的适应度函数用于根据传输路径中相邻的簇头节点之间的通信距离、簇头节点与基站之间的距离、各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
[0010] 以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;其中,所述禁忌搜索算法的适应度函数用于根据传输路径中各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
[0011] 控制所述目标簇头节点按照所述第二传输路径进行路由。
[0012] 优选的,所述选举无线传感器网络的簇头节点,包括:
[0013] 对于无线传感器网络中的各个节点,生成预设随机范围内的随机数,并根据选举阈值公式计算得到该节点的选举阈值;
[0014] 若所述随机数小于所述选举阈值,则将该节点选举为簇头节点;
[0015] 其中,对于在最近的预设选举轮数内曾被选中的节点,所述选举阈值公式计算得出的选举阈值小于等于所述预设随机范围的最小值;对于在最近的预设选举轮数内未被选中的节点,所述选举阈值公式用于根据该节点的剩余能量以及该节点与基站之间的距离计算得出所述选举阈值。
[0016] 优选的,在所述根据选举阈值公式计算得到该节点的选举阈值之前,还包括:
[0017] 获取所述无线传感器网络中簇头节点数量与节点总数量的比例,将所述比例的倒数作为预设选举轮数。
[0018] 优选的,所述周期性地选举无线传感器网络的簇头节点,包括:
[0019] 周期性地选举无线传感器网络的簇头节点,并根据通信距离将未选中的节点划分至相应的簇头节点,以作为该簇头节点的成员节点;
[0020] 所述控制所述目标簇头节点按照所述第二传输路径进行路由,包括:
[0021] 控制所述目标簇头节点及其成员节点按照所述第二传输路径进行路由。
[0022] 优选的,在所述利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优之前,还包括:
[0023] 对所述无线传感器网络的各个簇头节点进行实数编码。
[0024] 优选的,所述利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,包括:
[0025] 随机生成染色体种群;
[0026] 根据所述遗传算法的适应度函数,计算所述染色体种群中各个染色体的适应度值;
[0027] 选择所述适应度值最大的目标染色体;
[0028] 对所述目标染色体进行交叉操作和变异操作,以更新所述染色体种群,直至达到第一迭代次数阈值时,输出所述目标染色体和更新后的染色体种群。
[0029] 优选的,所述利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,包括:
[0030] 对所述染色体种群中的各个染色体进行禁忌搜索操作,得到邻域;
[0031] 根据所述禁忌搜索算法的适应度函数,计算所述邻域中染色体的适应度值;
[0032] 判断所述邻域中染色体的适应度值是否大于所述禁忌表中染色体的适应度值的最大值;
[0033] 若是,则将所述禁忌表中的染色体的禁忌长度减1,删除所述禁忌表中禁忌长度为0的染色体,并将所述邻域中染色体加入所述禁忌表,直至达到第二迭代次数阈值时,输出所述禁忌表中适应度值最大的染色体。
[0034] 第二方面,本申请提供了一种基于改进遗传禁忌搜索的WSN分簇路由装置,包括:
[0035] 簇头选举模:用于周期性地选举无线传感器网络的簇头节点;
[0036] 第一寻优模块:用于利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;其中,遗传算法的适应度函数用于根据传输路径中相邻的簇头节点之间的通信距离、簇头节点与基站之间的距离、各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
[0037] 第二寻优模块:用于以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;其中,所述禁忌搜索算法的适应度函数用于根据传输路径中各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
[0038] 路由模块:用于控制所述目标簇头节点按照所述第二传输路径进行路由。
[0039] 第三方面,本申请提供了一种基于改进遗传禁忌搜索的WSN分簇路由设备,包括:
[0040] 存储器:用于存储计算机程序
[0041] 处理器:用于执行所述计算机程序,以实现如上所述的一种基于改进遗传禁忌搜索的WSN分簇路由方法的步骤。
[0042] 第四方面,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种基于改进遗传禁忌搜索的WSN分簇路由方法的步骤。
[0043] 本申请所提供的一种基于改进遗传禁忌搜索的WSN分簇路由方法,包括:周期性地选举无线传感器网络的簇头节点;利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;以第一传输路径经过交叉变异得到的染色体种群为初始值,并将第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;控制目标簇头节点按照第二传输路径进行路由。
[0044] 可见,为避免无线传感器网络中的某些节点过早地先于其他一些节点因能耗过多而失效,该方法周期性地选择节点来充当簇头节点,并利用遗传算法和禁忌搜索算法对目标簇头节点与基站之间的传输路径进行寻优搜索,其中遗传算法迭代保证全局收敛,禁忌搜索算法迭代保证多样性及局部收敛,二者结合以兼具较好的全局与局部搜索能力,在寻优过程中兼顾网络中各节点能量损耗的均衡性,以保证网络存活周期。最终控制目标簇头节点按照最优传输路径进行路由,实现了减少网络节点的能量损耗,并提升整个网络存活周期的目的。
[0045] 此外,本申请还提供了一种基于改进遗传禁忌搜索的WSN分簇路由装置、设备及可读存储介质,其技术效果与上述方法的技术效果相对应,这里不再赘述。附图说明
[0046] 为了更清楚的说明本申请实施例现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0047] 图1为本申请所提供的无线传感器网络传输架构模型示意图;
[0048] 图2为本申请所提供的一种基于改进遗传禁忌搜索的WSN分簇路由方法实施例一的实现流程图
[0049] 图3为本申请所提供的一种基于改进遗传禁忌搜索的WSN分簇路由方法实施例二的实现流程图;
[0050] 图4为本申请所提供的染色体传输路径模型示意图;
[0051] 图5为本申请所提供的单点交叉过程示意图;
[0052] 图6为本申请所提供的基本位变异过程示意图;
[0053] 图7为本申请所提供的一种基于改进遗传禁忌搜索的WSN分簇路由方法实施例二的细化实现流程图;
[0054] 图8为本申请所提供的网络存活轮数与存活节点个数的关系示意图;
[0055] 图9为本申请所提供的网络总能耗与网络存活轮数的关系示意图;
[0056] 图10为本申请所提供的网络剩余能量标准差对比图;
[0057] 图11为本申请所提供的一种基于改进遗传禁忌搜索的WSN分簇路由装置实施例的功能框图
[0058] 图12为本申请所提供的一种基于改进遗传禁忌搜索的WSN分簇路由设备实施例的结构示意图。

具体实施方式

[0059] 为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
[0060] 本申请的核心是提供一种基于改进遗传禁忌搜索的WSN分簇路由方法、装置、设备及可读存储介质,通过周期性选举簇头节点,并利用遗传算法(Genetic algorithm,GA)和禁忌搜索算法(Tabu search algorithm,TS)对目标簇头节点与基站之间的传输路径进行寻优,减少了网络节点的能量损耗,提升了整个网络存活周期。
[0061] 在介绍本申请方案的实施过程之前,首先,对本申请方案中无线传感器网络的架构模型进行说明。无线传感器网络节点采用人工随机部署,如图1所示,节点采取非均匀分布模型,网络模型中成员节点的数据通过其簇头节点传输到基站,传输的最优路径通过本申请方案寻得。无线传感器网络的基本特性如下:
[0062] 1)每个节点具有唯一的ID(Identification Number),随机分布在待监测区域,并且部署后不再移动;
[0063] 2)节点的初始能量有限且相同,基站位置固定且有线供电,能量不受限;
[0064] 3)所有节点具有相似的能力且同构;
[0065] 4)每个节点在采集到数据后均会对数据进行融合和处理,以减少传输的数据量;
[0066] 5)每个节点都可以获取其相邻节点的信息。
[0067] 无线传感器网络的通信能量损耗模型采用一阶无线能量模型,节点传输k个单位数据到距离d的位置能耗Etx如下式所示:
[0068]
[0069] 其中,Eelec为传输单位数据的能量损耗;εfs为自由空间模型下的衰减系数;εamp为多路径模型下的衰减系数;d为发射节点到接收节点的距离;d0为通信距离阈值,[0070] 节点接收数据所损耗的能量Erx如下式所示。
[0071] Erx=kEelec
[0072] 下面对本申请提供的一种基于改进遗传禁忌搜索的WSN分簇路由方法实施例一进行介绍,参见图2,实施例一包括:
[0073] S201、周期性地选举无线传感器网络的簇头节点;
[0074] S202、利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;
[0075] S203、以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;
[0076] S204、控制所述目标簇头节点按照所述第二传输路径进行路由。
[0077] 为避免让无线传感器网络中的某些节点(本实施例所提及的节点是指无线传感器网络中的无线传感器)过早地先于其他一些节点因能耗过多而失效,本实施例周期性地选择节点来充当簇头节点。可以理解的是,当新的簇头节点形成,其他的非簇头节点将寻找最近的簇头节点,并加入其所形成的簇,从而成为该簇头节点的成员节点。成员节点所采集的数据直接发送给相应的簇头节点,由簇头节点进行数据融合后再发送给基站。
[0078] 无线传感器网络中,采取单跳和多跳的方式传递信息,其中成员节点到其簇头节点为单跳传输,簇头节点向基站传递信息期间要经过其他簇头节点的转发,因此为多跳模式。本实施例主要利用遗传算法与禁忌搜索算法来对目标簇头节点与基站之间的传输路径进行寻优,其中目标簇头节点可以为前述选举得到的簇头节点中的任意一个簇头节点。
[0079] 考虑到遗传算法的全局搜索能力较禁忌搜索强,局部搜索能力则恰好相反,本实施例利用遗传算法与禁忌搜索算法相结合以兼具较好的全局与局部搜索能力,因此,本实施例的传输路径寻优过程包括两个迭代过程:遗传算法迭代保证全局收敛,禁忌搜索算法迭代保证多样性及局部收敛。
[0080] 本实施例的目的在于寻找一条路径距离最短、能量损耗最少、节点生存周期最长的最优数据传输路径,在考虑能量消耗少的同时还要考虑到能量消耗的均衡性。如果仅从能量消耗少的度去求解,路径中就有可能会使用到一些能量剩余较少的节点作为中间节点,造成一些节点被过度使用而过早地死亡,当网络失效时,一部分节点的能量消耗完,但剩下的另一部分节点能量可能剩余较多而没有被充分地利用,造成能量消耗不均匀,降低了网络的寿命。所以,本实施例中遗传算法和禁忌搜索算法的适应度函数均将节点的剩余能量作为评价路径优劣的因素之一。
[0081] 具体的,本实施例中遗传算法的适应度函数用于根据传输路径中相邻的簇头节点之间的通信距离、簇头节点与基站之间的距离、各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;禁忌搜索算法的适应度函数用于根据传输路径中各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值。
[0082] 可以理解的是,当目标簇头节点的最优传输路径确定之后,由于目标簇头节点的成员节点已经确定,且已知成员节点的数据需要由其簇头节点传输至基站,因此,目标簇头节点的成员节点的最优传输路径也就确定了。
[0083] 作为一种优选的实施方式,本实施例中,上述选举无线传感器网络的簇头节点的过程具体包括:对于无线传感器网络中的各个节点,生成预设随机范围内的随机数,并根据选举阈值公式计算得到该节点的选举阈值;若所述随机数小于所述选举阈值,则将该节点选举为簇头节点。其中,对于在最近的预设选举轮数内曾被选中的节点,所述选举阈值公式计算得出的选举阈值小于等于所述预设随机范围的最小值;对于在最近的预设选举轮数内未被选中的节点,所述选举阈值公式用于根据该节点的剩余能量以及该节点与基站之间的距离计算得出所述选举阈值。
[0084] 本实施例中,利用遗传算法进行寻优的过程包括:随机生成染色体种群;根据所述遗传算法的适应度函数,计算所述染色体种群中各个染色体的适应度值;选择所述适应度值最大的目标染色体;对所述目标染色体进行交叉操作和变异操作,以更新所述染色体种群,直至达到第一迭代次数阈值时,输出所述目标染色体和更新后的染色体种群。
[0085] 本实施例中,利用禁忌搜索算法进行寻优的过程包括:以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表;对所述染色体种群中的各个染色体进行禁忌搜索操作,得到邻域;根据所述禁忌搜索算法的适应度函数,计算所述邻域中染色体的适应度值;判断所述邻域中染色体的适应度值是否大于所述禁忌表中染色体的适应度值的最大值;若是,则将所述禁忌表中的染色体的禁忌长度减1,删除所述禁忌表中禁忌长度为0的染色体,并将所述邻域中染色体加入所述禁忌表,直至达到第二迭代次数阈值时,输出所述禁忌表中适应度值最大的染色体。
[0086] 综上,针对当前的无线传感器网络节点能量消耗不均匀导致网络生命周期较短的问题,本实施例提供一种基于改进遗传禁忌搜索的WSN分簇路由方法,周期性地选择节点来充当簇头节点,并利用遗传算法和禁忌搜索算法对目标簇头节点与基站之间的传输路径进行寻优搜索,二者结合以兼具较好的全局与局部搜索能力,在寻优过程中兼顾网络中各节点能量损耗的均衡性,以保证网络存活周期。最终控制目标簇头节点按照最优传输路径进行路由,实现了减少网络节点的能量损耗,并提升整个网络存活周期的目的。
[0087] 下面开始详细介绍本申请提供的一种基于改进遗传禁忌搜索的WSN分簇路由方法实施例二,实施例二基于上述实施例一实现,并在实施例一的基础上进行了一定程度上的拓展。
[0088] 具体的,本实施例对簇头节点的选举规则进行了详细说明,并分别对遗传算法和禁忌搜索算法的寻优过程进行了详尽的描述。
[0089] 参见图3,实施例二具体包括:
[0090] S301、周期性地,对于无线传感器网络中的各个节点,生成预设随机范围内的随机数,并根据选举阈值公式计算得到该节点的选举阈值;若所述随机数小于所述选举阈值,则将该节点选举为簇头节点;
[0091] 具体的,本实施例针对各个节点,生成一个[0,1]之间的随机数,若该随机数小于选举阈值H(n),则选举该节点为簇头节点。特别的,本实施例在选举簇头节点时考虑每轮节点的能量损耗情况和节点到基站的距离以均衡网络能耗。其中,选举阈值H(n)的计算公式(即上述选举阈值公式)如下式所示:
[0092]
[0093] 其中,p为无线传感器网络中簇头节点数目与总节点数目的百分比,即节点当选簇头节点的概率;r为当前的选举轮数;G为最近1/p轮不是簇头节点的节点集。E0为节点的初始能量;Ei为节点的剩余能量;EtoBS为当前节点到基站的距离。
[0094] 因此,节点在每轮选举中当选簇头节点的概率如下式所示:
[0095]
[0096] 其中,N为网络中的总节点数;k为每轮中随机选择的簇头数目,每个节点在最近的轮中只能当选簇头节点一次;r表示网络运行轮数;Ci(t)为一个二值函数,用于保证在最近的 轮中节点只被当作簇头一次,如果节点i在最近的 轮中已经当过簇头,则Ci(t)为0,否则为1。
[0097] S302、根据通信距离将未选中的节点划分至相应的簇头节点,以作为该簇头节点的成员节点;
[0098] 具体的,当一个节点当选簇头节点后,会广播消息,创建TDMA(Time Division Multiply Access)时隙表,还会确定成员节点的CDMA(Code Division Multiply Access)编码方式,并将TDMA时隙和CDMA一同发给各个成员节点。
[0099] S303、对所述无线传感器网络的各个簇头节点进行实数编码;利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;
[0100] 遗传算法采用五维向量组表示,如下式所示:
[0101] GA=(Npop,Ngen,Ω,Fitness,fset)
[0102] 其中,Npop为种群规模;Ngen为迭代次数;Ω为需执行的遗传算子;Fitness为染色体的适应度函数;fset表示的再生选择规则。
[0103] 考虑到无线传感器网络的存储能力有限问题,本实施例对种群中个体基因,即通过分簇过程选举出的簇头节点,采用实数编码的方式,将一条染色体表示为从目标簇头节点至基站的一条多跳的传输路径,参见图4,图4中,圆圈表示簇头节点,三角形表示基站,圆圈及三角形内的编号表示对簇头节点或基站的实数编码,如图4所示,其中一条染色体的传输路径为l={l1,l2,l4,l0}。
[0104] 首先,建立初始化种群,随机生成一定数量的染色体来构成初始种群。
[0105] 然后确定遗传算法的适应度函数,在这个过程中,本实施例默认节点的能量消耗主要在发送和接受数据时,其余状态下的能量损耗特别少,可忽略不计。此外,本实施例在设计适应度函数时主要考虑了节点的通信距离、节点的剩余能量和损耗的能量。作为一种具体的实施方式,本实施例中遗传算法的适应度函数如下所示:
[0106]
[0107]
[0108]
[0109] 其中,d(i,i+1)表示传输路径中簇头节点i到下一簇头节点i+1的距离,ditoBS表示簇头节点i到基站的距离,Ei表示簇头节点i的剩余能量,Ec表示所有节点消耗的能量,k为每轮中随机选择的簇头数目,α、β为距离和能量的调节参数,Esend节点发送数据时能量消耗,Ereceive为节点接收数据时的能量消耗。对染色体而言,适应度函数的值越大,表明该条传输通路的生存周期越长,也更加可靠。
[0110] 遗传算法易搜索到全局最优解的基本条件是群体多样性。对于传输路由群体多样性尤为重要,其中提高群体多样性的为变异算子,维持群体多样性的为交叉算子,降低群体多样性为选择算子,群体多样性的计算方法如下式所示:
[0111]
[0112] 其中,m(p)∈[0,1],Npop为群体规模;群体所包含个体集合 bj={b1j,b2j,...,bLj},j=1,2,...,Npop;L为数据传输的所有路径,即随机生成的若干条染色体;当m(p)=1时,群体的多样性最大;当m(p)=0时,群体多样性消失,个体之间无差别。为避免得到局部解,一般m(p)≥0.75。
[0113] 个体选择过程如下:本实施例采用精英机制,通过适应度函数选取适应度值高的个体,进而提高了种群的适应能力,避免早熟,更容易得到最优解;对于其他个体通过计算各染色体的相对适应度大小再结合轮盘赌选择法,将选出的染色体进行复制得到新的种群。
[0114] 个体交叉过程如下:通过交叉算子可以保证群体的多样性,交叉操作是以一确定的交叉概率pc(pc∈[0,1])把两条染色体中的某一基因片段,即传感器节点进行交换从而产生新的染色体。具体可以采用单点交叉的方法,如图5所示,其中相互配对的个体组有[Npop/2]。
[0115] 个体变异过程如下:通过变异算子可提高算法的局部搜索能力,是以给定的变异概率pm,随机改变染色体上的一个基因片段,采用基本位变异算子,具体操作用新的传感器节点2代替随机选择的基因6,如图6所示。
[0116] 算法终止条件:具体的,可以在连续迭代T1次以后所得到染色体的适应度函数值没有明显提高时,则算法终止。
[0117] S304、以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;
[0118] 本实施例中禁忌搜索算法的寻优过程包括:
[0119] S41、将通过遗传算法的选择、交叉、变异操作之后生成的种群中的每一条数据传输路径作为禁忌搜索算法的初始值x0,进行禁忌搜索操作,设置禁忌搜索算法的基本参数;
[0120] S42、判断是否满足终止条件,其中终止条件为禁忌搜索算法的迭代次数,若满足,停止运算并返回最优解,如果不满足,则当前迭代次数t=t+1;
[0121] S43、在随机选择的一条路径上任选一个簇头,并用与其相邻的簇头(不在该路径上)与其交换位置,并将得到的染色体作为邻域,将遗传算法得到的最优路径存入禁忌表中;
[0122] S44、计算邻域中染色体的适应度函数值,考虑到算法的运行时间和所占的存储空间,本实施例对禁忌搜索算法的适应度函数进行改进,如下式所示:
[0123]
[0124] 其中,ρ为调节因子,k为每轮中随机选择的簇头数目,Ei表示簇头节点i的剩余能量,Ec表示所有节点消耗的能量。
[0125] 按照适应度函数值进行排序,选择适应度函数值最高的染色体fmax,并判断fmax与的大小,若 转S42;若 则 并将其加入到禁忌表中,设其禁忌长度等于I,并将禁忌表中其余染色体的禁忌长度减1,把适应度函数值最高的染色体作为新的x0,将禁忌表中I为0的染色体从禁忌表中删除,并转S42。
[0126] S305、控制所述目标簇头节点及其成员节点按照所述第二传输路径进行路由。
[0127] 至此,完成了利用遗传算法和禁忌搜索算法的路径寻优过程,本实施例的细化流程图如图7所示,最终,可以控制目标簇头节点和/或其成员节点按照所述第二传输路径进行路由。
[0128] 本实施例提供一种基于改进遗传禁忌搜索的WSN分簇路由方法,针对节点能量消耗不均匀导致网络生命周期短的问题,在簇头选举、遗传算法和禁忌搜索算法适应度计算时均考虑了节点的剩余能量和距离两个关键指标参数,在簇头间传输信息时选取多跳方法,通过遗传算法和禁忌搜索算法搜索寻得一条能耗均衡、路径传输距离最短最佳路由。
[0129] 为了验证本申请的基于能量均衡的改进遗传禁忌搜索WSN分簇路由方法(An Improved Genetic Tabu Search WSN Clustering Routing Algorithm Based on Energy Balance,简称GTSR-EB)的实施效果,本申请通过MATLAB2016a仿真平台分别对LEACH算法、GA算法和本申请实施例进行仿真对比与分析。
[0130] 本申请实施例的消息复杂度为O(n)。理由如下:算法的控制信息主要产生于三个过程,即簇头选举、簇间路由的建立以及簇的生成,下面给出在这三个过程中节点发送消息的数量。
[0131] (1)簇头选举的消息开销
[0132] 网络中共有n个节点,在簇头选举阶段,若有nR个节点成为候选簇头而参与竞选,则共广播nR条节点ID、剩余能量等消息。竞选成功的广播一条消息,失败的则广播一条消息并宣布退出竞选,共广播nR条消息,所以在簇头选举阶段共需发送2nR条消息。
[0133] (2)簇间路由的消息开销
[0134] 簇头广播的簇间跳数生成消息的长度是相同的,理论上每个簇头转发该消息的时间花费是一样的,则跳数生成消息经过每一个簇头所花费的时间是相同的。因此,越晚到达的跳数生成消息,表示经过的跳数越大。只有第一个接收到的消息中的跳数是最小跳数,后续接收到的消息不再转发。因此,在簇间路由建立时,k个簇头共发送k条消息。
[0135] (3)簇的生成的消息开销
[0136] 在簇的生成阶段,簇头广播包含自身ID和中转数据量的信息,k个簇头共发送k条消息。传感器节点选择代价最小的簇头加入,发送加入消息通知该簇头,网络中n-k个传感器节点共发送n-k条加入消息。因此,在簇的生成过程中网络共发送n条消息。
[0137] 综上所述,在本申请实施例的三个阶段,网络中总的消息开销如下式所示:
[0138] 2nR+k+n=(2R+1)n+k
[0139] 因k<<n,所以本申请实施例的消息复杂度为O(n)。
[0140] 在仿真区域中随机产生100个无线传感器节点,仿真条件如表1所示。
[0141] 表1
[0142]参数 取值
仿真区域 200m×4m
基站位置 (100,2)
节点数 100
节点初始能量 2J
Eelec 50nJ/bit
EDA 5nJ/bit
εamp 0.0013pJ/(bit·m4)
数据包长度 4000bits
[0143] 在无线传感器网络中,通常用网络中节点的存活个数来反映网络的生存时间。在相同的条件下,图8所示,显示了3种算法的网络存活轮数与存活节点数的关系。在前18轮网络中节点存活数目基本没变化,18轮后,随着运行轮数的增加,网络中存活节点数显著减少,LEACH、GA、GTSR-EB分别在30轮、55轮、65轮时仅有4个节点存活,此时三种算法的网络均无法维持数据正常传输(即网络寿命终止),GTSR-EB的网络寿命分别是LEACH、GA算法的2.17倍、1.18倍。主要是LEACH簇头是直接与基站通信,能耗较大,GA在搜索最优路径时易陷入局部最优,很难得到最优解,而本申请实施例改进了簇头选举机制,通过禁忌搜索算法避免了遗传算法陷入局部最优,在遗传算法和禁忌搜索算法搜索路径时均考虑了节点的剩余能量、簇头间、簇头与基站间距离因素,建立了数据传输时采用单跳-多跳相结合的机制,使得网络节点能耗更加均衡。
[0144] 图9所示,比较了相同条件下3种算法的网络总能耗随网络运行轮数的增加而上升的情况。GTSR-EB的每轮网络总能耗最少,LEACH算法在网络运行至35轮时网络总能量耗尽(约200J),此时GTSR-EB和GA算法的网络总能耗分别是162J、185J,GTSR-EB比GA、LEACH的能耗分别减少了12.4%和19.0%。遗传算法在运行至55轮时网络总能量基本耗尽,此时GTSR-EB的网络总能耗是183J,比遗传算法的能耗减少了8.5%。而GTSR-EB在网络运行至65轮时网络总能量才基本耗尽,可见本申请实施例对网络中节点的能量利用率更高。
[0145] 图10为三种算法的网络剩余能量标准差对比图,反映了三种算法的网络均衡性能。图中LEACH算法在20轮出现拐点(峰值=2.8)标差,主要是由于随着网络运行节点的通信能耗不均匀导致网络剩余能量标准差显著上升,影响网络寿命,但当网络中节点大量失效时,节点剩余能量标准差降低。GA算法和GTSR-EB的网络节点剩余能量标准差相对LEACH算法一直维持在比较低的范围(<0.3的标差),说明二者的网络均衡性能好。GTSR-EB的趋势更平缓且网络节点剩余能量标准差<0.13,较遗传算法有0.17的优势,网络能耗均衡性更好。
[0146] 综上,针对无线传感器网络中节点能量消耗不均匀导致网络生命周期较短的问题,在分析LEACH算法、遗传算法和禁忌搜索算法的基础上,本申请提供了一种能量均衡的改进遗传禁忌搜索WSN分簇路由方案。通过考虑节点剩余能量和节点到基站的距离进行分簇簇头选举的方式来减少数据发送量与寻优开销,利用优化遗传算法和禁忌搜索算法进行多路径搜索以选出一条能耗均衡、路径传输距离最短的最优路径。仿真实验表明:本申请实施例网络存活周期为LEACH算法的2.17倍、遗传算法的1.18倍,本申请实施例的网络能量利用率更高、生存周期更长。
[0147] 下面对本申请实施例提供的一种基于改进遗传禁忌搜索的WSN分簇路由装置进行介绍,下文描述的一种基于改进遗传禁忌搜索的WSN分簇路由装置与上文描述的一种基于改进遗传禁忌搜索的WSN分簇路由方法可相互对应参照。
[0148] 如图11所示,该装置包括:
[0149] 簇头选举模块1101:用于周期性地选举无线传感器网络的簇头节点;
[0150] 第一寻优模块1102:用于利用遗传算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第一传输路径;其中,遗传算法的适应度函数用于根据传输路径中相邻的簇头节点之间的通信距离、簇头节点与基站之间的距离、各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
[0151] 第二寻优模块1103:用于以所述第一传输路径经过交叉变异得到的染色体种群为初始值,并将所述第一传输路径存入禁忌表,利用禁忌搜索算法,对从目标簇头节点起经由非目标簇头节点传输至基站的传输路径进行寻优,得到第二传输路径;其中,所述禁忌搜索算法的适应度函数用于根据传输路径中各个簇头节点的剩余能量、各个簇头节点所消耗的能量确定该传输路径的适应度值;
[0152] 路由模块1104:用于控制所述目标簇头节点按照所述第二传输路径进行路由。
[0153] 本实施例的基于改进遗传禁忌搜索的WSN分簇路由装置用于实现前述的基于改进遗传禁忌搜索的WSN分簇路由方法,因此该装置中的具体实施方式可见前文中的基于改进遗传禁忌搜索的WSN分簇路由方法的实施例部分,例如,簇头选举模块1101、第一寻优模块1102、第二寻优模块1103、路由模块1104,分别用于实现上述基于改进遗传禁忌搜索的WSN分簇路由方法中步骤S201,S202,S203,S204。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
[0154] 另外,由于本实施例的基于改进遗传禁忌搜索的WSN分簇路由装置用于实现前述的基于改进遗传禁忌搜索的WSN分簇路由方法,因此其作用与上述方法的作用相对应,这里不再赘述。
[0155] 此外,本申请还提供了一种基于改进遗传禁忌搜索的WSN分簇路由设备,如图12所示,包括:
[0156] 存储器100:用于存储计算机程序;
[0157] 处理器200:用于执行所述计算机程序,以实现如上所述的一种基于改进遗传禁忌搜索的WSN分簇路由方法的步骤。
[0158] 最后,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种基于改进遗传禁忌搜索的WSN分簇路由方法的步骤。
[0159] 本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
[0160] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
[0161] 以上对本申请所提供的方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈