基于PSO算法和移动Agent的WSN路径优化研究

张珊靓，赵浩婕

（安阳工学院，河南 安阳 455000）

0 引 言

无线传感器网络[1]（wireless sensor network，WSN）即由大量的传感器节点通过多跳自组织的方式构成的网络，传感器节点散布于网络中，传感器的功能是感知数据和传输数据。目前已有工作证明传感器传输数据耗能比感知数据耗能要大几个数量级[2]。

传统的数据传输方法通常基于C/S模型，在C/S模型中，传感器节点被视作C即客户端，而Sink节点被视作S即服务器。传感器节点在感知数据后，将数据传输给Sink节点进行融合处理。这种方式的缺陷在于所有传感器都需要将数据发送给Sink节点，导致节点能耗大，同时Sink节点需要接收所有数据并进行融合也导致其能耗大；所以，C/S的数据传输方法会导致网络能耗大，缩短了网络生命周期。

为了解决C/S模式数据传输方法的缺陷，移动Agent[3]被引入用于传输节点采集数据。文献[4]提出一种基于遗传算法的自适应数据融合算法，使用移动代理到各节点进行数据收集，是否进行数据融合则需比较节点进行数据融合后的能量消耗是否比直接发送数据小来确定。文献[5]提出了使用蚁群算法来对移动Agent访问路径进行优化的方法，在选取路径时兼顾节点能量消耗以及剩余能量。文献[6]提出移动代理问题是一个优化问题，并使用混沌搜索的全局空间能力和模拟退火算法的快速寻优能力来进行路由优化。

上述方法均采用启发式方法和移动Agent来实现对无线传感器的传统数据传输机制进行改进和优化，但由于上述启发式算法均需知道网络的全局信息，且依赖于网络规模的大小；所以，本文提出了一种先确定可访问集，再使用PSO算法[7-8]的路径优化方法，具有收敛速度快、全局寻优能力强等优点。

1 移动Agent概述及网络模型

1.1 移动Agent概述

移动Agent由Sink节点（或者其他处理节点）发出，携带着处理代码，可以自主地从网络中的一个传感器节点迁移到另一个，并进行节点访问，获取节点采集数据，使用处理代码处理数据，进行数据融合，并将融合后的数据发送给Sink节点。

移动Agent的引入解决了节点需要将采集到的数据发送给Sink节点所耗费的大量能量，结合了分布式计算和人工智能的优势，能够有效地均衡节点能耗，减少网络流量。

1.2 基于移动Agent的网络模型

无线传感器网络的模型通常包含Sink节点、传感器节点、互联网以及远程监控终端。网络中的传感器节点将采集的数据发送给Sink节点，Sink节点再通过互联网将数据发送给远程控制终端。

基于移动Agent的网络模型在此基础上增加了移动Agent，移动Agent由Sink节点发出，在网络中的传感器节点之间进行迁移，采集并融合传感器节点收集到的数据，最终将处理结果发送给Sink节点，其网络模型如图1所示。

图1 基于移动Agent的网络模型

2 基于移动Agent的路径优化研究

2.1 基于移动Agent和PSO的优化原理

基于移动Agent的路径优化方法主要可以从以下3个方面来考虑：

（1）为了减少Agent融合数据量，提高融合效率，首先需要确定移动Agent可访问节点集合，将一些冗余节点和失效节点从可访问节点集合中删除；

（2）对由第1步得出的可访问节点集合任意指定一条移动Agent的遍历路径；

（3）从第2步中确定的初始路径出发，使用粒子群算法寻优，计算适应度函数，直到寻找到最优路径为止。

2.2 移动Agent可访问节点集合

首先定义传感器节点的数据包结构，数据包包含节点ID和数据内容两个部分。Sink节点的数据包结构为一个链表和一个可访问节点集合：链表中每个元素为一个传感器节点数据包结构，即传感器节点ID和数据内容；可访问节点集合为节点ID列表，其初始值为空。

可访问节点获取算法步骤如下：

步骤1：初始化，对所有传感器节点分配全网唯一的节点ID；

步骤2：Sink节点在全网广播数据采集请求；

步骤3：收到数据采集请求的节点将采集数据发送给Sink节点；

步骤4：Sink节点收到节点数据采集信息后，向发送节点发送一个默认的确认包，并比较该数据是否已经在链表的数据包中出现过，如果出现过，则进入步骤5；否则，将其加入到可访问节点集合中去；

步骤5：循环执行2～4直到某个预设的时间阀值为止，此时，如有部分节点始终没有反应，则这些节点被视为失效节点；

步骤6：Sink节点中的可访问节点集合即为移动Agent将要迁移并进行数据收集和融合的节点集合，算法结束。

2.3 初始访问路径

访问路径的优劣程度通过适应度来衡量，适应度函数为

式中：β、γ——调节系数；

f（pi）——迁移路径r中节点pi的融合耗能，表达式见式（2）；

t（pi）——节点pi的数据传输耗能，可以表示为式（3）。

式中：dMa——移动代理本身携带的数据；

Δd——移动代理迁移到传感器节点pi时的数据增量；

Eds——单位数据融合耗能。

式中：distpipj——移动Agent从传感器节点pi迁移到

传感器节点pj之间的距离。

初始访问路径的选择即从可访问节点集合中选取任意一条路径，并根据式（1）计算其适应度。

2.4 PS0优化移动Agent迁移路径

PS0优化移动Agent迁移路径算法步骤为：

步骤1：初始化，设定粒子个数为N，粒子的空间维数即为可访问节点集合中的节点个数M，粒子初始位置即为通过2.3所确定的初始路径，个体极值和全局极值均为当前粒子位置

输入：k=1≤kmax表示当前迭代次数；

输出：具有满足式（1）的有最大适应度的可访问节点序列。

步骤2：N个粒子从初始位置出发，进行迭代；

步骤3：第i个粒子的位置和速度可以表示为式（4）和式（5），并根据式（6）更新第 i个粒子的位置，根据式（7）更新第i个粒子的速度，式（7）中的和分别表示第k次迭代中的个体极值和N个粒子的全局极值；

步骤4：根据粒子的新位置信息结合式（1）计算新适应度，将计算所得的新适应度与粒子的个体极值即相比较，如果高于，则当前位置复制给；

步骤5：对于N个粒子，如果其所在位置对应的适应度高于全局极值，则更新为当前具有最优适应度的粒子位置；

步骤6：若迭代次数k已为最大值kmax，则转入步骤7，否则转入步骤3粒子开始继续寻优；

步骤7：算法结束，粒子所在位置即为M个可访问节点的访问序列。

3 仿真实验

仿真实验环境：无线传感器区域为200m×200m的正方形区域，节点随机散步在网络区域中，其数量约为300个，节点通信半径为40 m，汇聚节点位于正方形区域左上角，采用Matlab仿真工具，比较了文中算法和文献[4]中的遗传算法及文献[6]中的蚁群算法在网能耗差异，如图2所示。

从图2中可以看出，由于本文首先确定了可访问节点集合，并采用PSO优化方法对节点访问序列进行寻优，所以网络传输耗能小于采用遗传算法和蚁群算法得到的结果，证明文中方法的优越性。

图2 不同算法总能量消耗对比

4 结束语

在无线传感器网络中，由于节点能量有限，而节点传输能量需要耗费大量能量导致节点过早死亡。为了更好地均衡网络能耗耗费，本文提出了一种移动代理对各传感器节点数据进行处理和融合的方法，首先取得可访问节点集，然后通过PSO算法对可访问节点集中的节点访问序列进行寻优。实验表明本方法所需网络传输耗能较采用遗传算法和蚁群算法所需能耗小。

[1]王伟东，朱清新.无线传感器网络中一种层次分簇算法及协作性分析[J].软件学报，2006，17（5）：1157-1167.

[2]Kyildiz I F，Su W，Sankarasubramaniam Y，et al.Wireless sensor networks:a survey [J].Computer Networks，2002，38（4）：393－422.

[3]周四望，林亚平，聂雅琳，等.无线传感器网络中基于数据融合的移动代理曲线动态路由算法研究[J].计算机学报，2007，30（6）：894－904.

[4]王天荆，杨震，胡海峰.基于遗传算法的无线传感器网络自适应数据融合路由算法[J].电子与信息学报，2007，29（9）：2244-2247.

[5]郑巍，刘三阳，寇晓丽.动态传感器网络移动代理路由算法[J].控制与决策，2010，25（7）：1035-1039.

[6]周强，崔逊学，陈桂林.基于移动代理的大规模无线传感器网络路由优化算法[J].计算机应用，2011，31（7）：1924-1927.

[7]Eberhart R，Kennedy J.A new optimizer usingparticle sw arm theory[C]∥Proceedings of the Sixth International Symposium onMicroMachineandHumanScience，1995：39-43.

[8]Kennedy J，Eberhart R C，Shi Y.Swarm Intelligence[M].San Francisco：Morgan Kaufman Publishers，2001：287-288.