基于改进蚁群算法的高能效WSN协作传输策略

李燕龙，王俊义，符杰林，仇洪冰

(桂林电子科技大学 信息与通信学院，广西 桂林 541004)

基于改进蚁群算法的高能效WSN协作传输策略

李燕龙，王俊义，符杰林，仇洪冰

(桂林电子科技大学 信息与通信学院，广西 桂林 541004)

针对传统传感器网络分簇不均匀，数据传输能耗相对较高的问题，提出了I-CoopACO (Cooperative transmission scheme based improved Ant Colony Optimal algorithm)算法。该算法在协作LEACH(Low Energy Adaptive Clustering Hierarchy)的技术基础上，改进了成簇过程，使得分簇规模更加均匀；在稳定传输阶段，利用节点剩余能量和传输功耗构建启发因子，通过改进的蚁群算法搜索下一跳中继节点获得最优节点，使得传输功耗更低，能耗更均衡。仿真结果表明，在随机分布的感知网络中，I-CoopACO算法减少了传输能耗，均衡了网络负载，延长了网络工作寿命，比协作LEACH算法延长了64.93%的工作寿命。

无线传感器网络；能效优化；传输路由；虚拟MIMO；蚁群算法

传统无线传感器网络通过各类由电池供电的微型传感器协作地实时监测、感知和采集各种环境或监测对象的信息[1]，信息数据通过以无线多跳的传输方式传送到用户端。一旦布置到感知区域中，电池很难被替换，每一个节点传输的信息比特是有限的，因此，减少能量消耗就成为传感器网络的一个重要研究问题。在能量不可补充的传感器网络中，主要通过冲突避免、减少开销、增加休眠时间以及优化路由[2]等方法减少能量消耗，而优化路由是其中一个非常重要的方面。高能效的路由算法主要有单跳、多跳、协作MIMO单跳、多跳[3-4]，大多数是通过分簇收集数据，数据汇聚后通过不同传输方式发送给远方的基站。

目前，大多数路由算法例如LEACH[5]算法，为了降低能耗采取随机轮询选择簇头，分簇收集数据。但是随机选择的簇头，不能保证经过数据汇聚融合后传输给汇聚节点的过程能耗最低，也不能保证分布均匀，这样形成的网络拓扑不能达到最优分布，选择簇头时大多也没有考虑到节点的剩余能量。针对这些问题，本文优化了成簇算法，在每一轮成簇过程中，改进了簇头选择方式，调整了成簇规模，从而数据汇聚传输过程中能耗更低，网络能耗更加均匀。

在成簇之后，传统的传输方法最早采用单跳、多跳传输，这样的传输在距离较远时需要较高的发射功率，而多跳传输时，选择的中继节点往往不是传输能耗最低的，或者剩余能量最多的。在感知区域中，一般情况下节点密度较高，簇内很容易选择出协作节点构成虚拟MIMO(Multiple Input Multiple Output)系统[6]。在同等误码率要求下，协作MIMO技术利用空间复用和分集降低了发射功率，节省能耗。因此，本文在自适应分簇之后，使用协作MIMO技术传输数据，根据蚁群智能算法搜索中继节点，重新构建启发因子，优化路由，降低中继节点数据传输功耗，均衡负载，延长网络工作寿命。

1 传感器网络系统及能耗模型

无线传感器网络是具有大量感知节点随机均匀分布的网络，经过信息采集、融合、传输给基站。在本文中，假设一个具有如图1所示的网络模型，网络中感知节点都是传统节点，能量受限，节点一旦布置后，固定不能移动，且远离汇聚节点，节点可以自适应地改变发射功率和传输速率，全网时间同步，汇聚节点能量供应充足。

图1 协作多跳传输系统模型

在无线传感器网路中，为了简化分析，能量消耗可以分成两部分[7]，如式(1)所示，数据本地传输和远程传输消耗，每一部分能耗又分为两部分，数据传输能耗和电路能耗。在无线传感器网络能耗模型中，能量消耗公式采用一阶无线电模式，其中，簇内可以看做自由空间损耗模型，簇间为多径衰落损耗模型。

E=Elocal+Elong=Et_local+Ec_local+Et_long+Ec_long

(1)

Pt_local=εamp_localRbd2

(2)

Pt_long=εamp_longRbd4

(3)

式中：Elocal是簇内数据传输能耗；Elong是簇间数据传输能耗；Et_local和Ec_local分别表示本地数据传输及电路能耗；Et_long和Ec_long分别表示远程数据传输及电路能耗。式(2)表示本地数据传输的发射功率，εamp_local是本地自由空间模型获得一定信噪比时的发射功率，功率乘以发射时间就是能耗。为了保证簇头和协作节点可靠接收数据，d是到簇头和协作节点中最大的距离。式(3)是远程发射数据时每比特数据消耗的能量，εamp_long为簇间远程多径衰落模型获得一定信噪比时的发射功率。

Et_long,h+Ect×Mth

(4)

2 基于改进蚁群算法高能效协作传输策略的描述

2.1 I-CoopACO算法描述

LEACH算法采用单跳传输数据，当距离较远时，能耗较高。因此，一些算法采用单跳和多跳结合的方式传输数据，在这些算法中，中继节点选择和中继对转发数据的压缩融合与多跳的跳数及距离有很大的关系[8]，满足一定条件下，节省能耗。在传感器网络中，为了全方位收集环境信息，节点密度一般情况下较高，比较容易选择出协作节点构成虚拟MIMO，利用协作MIMO技术的优势，当传输距离较远时，簇间多跳和协作MIMO结合[9]可以大幅度降低数据传输能耗，提高数据传输效率。本文提出的基于改进蚁群算法的高能效WSN协作传输策略中，基站首先通过GPS或者其他定位措施对感知区域中的节点做定位，然后发送位置信息告知每一个感知节点。感知节点收到基站发送的其他节点位置信息后，对每一个节点来说，要完成本地传输和远程传输以将数据传输到基站。具体算法分为成簇阶段和稳定传输阶段。

1)成簇阶段

随机轮询选择簇头，每一轮网络产生统一的改进阈值，每个节点随机选择0～1之间的值，然后与阈值相比，如果小于阈值，则为簇首，否则，不是簇首节点。其他节点根据接收到的簇首广播信号强度加入簇，并调整簇分布，而后完成分簇。最后，簇首节点广播利用TDMA机制分配的数据发送时间片，避免簇内数据传输发生碰撞，其他成员节点计算剩余能量和传输功耗的比值，选择值较大的作为远程传输的协作节点。

2)稳定传输阶段

在数据稳定传输阶段，感知节点将收集到的数据发送给簇头，簇头将接收到的数据和自己感知到的数据进行压缩融合，利用改进蚁群算法搜索中继节点，然后更新路由表。本地传输中，感知节点将感知信息通过广播方式以距离簇头和协作节点中最远的距离进行广播，使得协作域节点都收到相同数据，然后通过并行的独立信道发送数据。

2.2 I-CoopACO算法模型的优化

1)成簇过程改进

2)多跳路由优化

蚁群算法[11-13]是一个启发式解决复杂优化问题的算法。蚂蚁留下化学物质信息素，这些信息素可以被其他蚂蚁感知到，同时影响着其他蚂蚁的行为，当每一个蚂蚁释放信息素后，在最常经过的路径上，信息素的浓度就会增长得最快，浓度越来越大，最终，这条路径被其他蚂蚁选择的概率就会越来越大。这个寻找最优路径的过程可以表示为

(5)

τij(t+Δt)=(1-ρ)τij(t)+Δτij

(6)

(7)

(8)

(9)

3 算法仿真及性能评估

为了验证本文提出算法和模型的有效性，在计算机上进行仿真，与其他经典算法进行比较。假设感知节点一次性布置在感知区域中，区域边长为M=100 m的正方形，节点数n=200， 基站位置为(50,-120)，数据采集速率为1 Mbit/s，数据长度l=2 000 bit，控制包长度为100 bit，初始能量Eo=1 J， 压缩每比特数据能耗为Eda=5 nJ/bit，数据压缩比为0.1，电路发射和接收每比特数据能耗为Ect=Ecr=50 nJ/bit，每比特单跳传输数据获得一定接收信噪比的能耗为εamp_long_single=0.02 pJ/bit/m4。蚁群算法中，蚂蚁数为50，α=1.5,β=0,ρ=0.3,Q=1。如果不再说明，本文其他仿真中条件不变，网络的工作寿命用第一个节点死亡轮数来表示。

在LEACH算法中，每一轮分簇数目不同，能耗情况不同，当簇头概率为10%时，能耗最低。但是，实际中，每轮选择出来的簇头个数并不一定是最优值，而是一个变化的值。LEACH的阈值选择簇头算法导致每轮簇头个数在数学期望上下波动变化，当波动变化大时将造成系统性能骤降，生存期大幅缩短。因此，对簇规模的改善十分重要。如图2所示为改进成簇算法后的簇分布图，大圆圈表示簇头，离它较近的小圆圈表示协作节点，相同点型表示同一个簇，可以看出，在当前轮中，分成了11个簇，每一个簇头距离其他簇都在最优间隔R以外，簇的分布比较均匀。

图2 改进成簇算法后的簇分布

在100 m×100 m的感知范围内，原始蚁群算法的路径优化结果如图3所示。如图3a所示，其寻找的最优路径是基于遍询所有节点，且其总距离最短，图3b中也说明了这点。迭代5次左右，算法找到了最短距离路径，收敛速度快，获得了遍寻所有节点最短距离的局部最优解。但是也可以看到，其平均距离还是没有收敛，最短距离不一定是全局的最短距离。

图3 原始蚁群算法最优路径

改进蚁群算法的路径优化结果如图4所示。如图4a所示，其寻找的最优路径是基于将每个候选簇头节点的剩余能量和传输功耗引入到信息素更新方法后得到的最优路径。在图4b中可以看到，获得了最小的传输功耗。迭代7次左右，找到了最小传输功耗的路径，收敛速度快。在引入节点剩余能量和传输功耗影响后，获得了最小传输能耗的局部最优路径解，降低了节点的传输功耗，同时均衡了网络所有节点的剩余能量，避免出现死亡空洞。

图4 改进蚁群算法最优路径

如图5所示，比较了网络采用LEACH、CoopLEACH、I-CoopLEACH、CoopACO和 I-CoopACO传输算法的工作轮数。从图中可以看出，CoopLEACH的工作寿命是LEACH的10倍左右，这是因为协作技术能够在远距离传输时获得多径增益，平均能耗较低，CoopLEACH的平均能耗为0.058 8 J。I-CoopLEACH与CoopLEACH相比，工作寿命延长了500多轮，这是由于I-CoopLEACH算法中，改进的成簇算法减少了汇聚数据时的传输功耗，均衡了负载。在CoopACO算法中，使用未改进的蚁群算法搜索簇间多跳路径，减少了能量消耗，延长了工作寿命。在优化信息素更新方式的I-CoopACO算法中，第一个节点死亡轮数大大延缓，1 966轮之后，第1个节点才开始死亡，而CoopLEACH算法到1 192轮就开始死亡，I-CoopLEACH算法到1 563轮开始死亡，CoopACO到1 750轮开始死亡，可以看出I-CoopACO算法的成簇机制使分簇更加均匀，簇的数目也更优，搜索的中继节点转发数据时消耗能量更少，更加均衡，选择了更小能耗的路径传输数据，每一轮网络平均消耗能量为0.045 8 J，表明I-CoopACO算法的数据传输策略使得每一轮的网络耗能更少，更加均衡，节点死亡速度更小，与CoopLEACH相比，延长了64.93%的网络工作寿命。

图5 不同算法的网络工作寿命比较

4 结论

本文对已有的数据传输策略进行了分析改进，提出了一种基于改进蚁群算法高能效协作传输策略I-CoopACO算法，这个算法优化了成簇过程和簇分布，利用协作MIMO技术发送数据，在选择下一跳节点时，以节点剩余能量和传输功耗构建启发因子，选择出更优的中继节点，保证了数据传输过程能耗最低，使得网络能量消耗更加均衡，延长了网络工作寿命。但是可以看到本文提出的算法，由于需要根据已知位置信息搜索出能耗最低的路由，导致较高的硬件代价，降低算法复杂度以获得较低的硬件代价是未来研究的重点。

[1] FENG Daquan，JIANG Chenzi，LIM Gubong，et al. A survey of energy-efficient wireless communications[J]. IEEE Communications Surveys & Tutorials，2013，15(1)：167-178.

[2] HARMS T，SEDIGH S，BASTIANINI F. Structural health monitoring of bridges using wireless sensor networks[J]. IEEE Instrumentation and Measurement Magazine，2010，13(6)：14-18.

[3] ZHANG Yanbing，DAI Huaiyu. Energy-efficiency and transmission strategy selection in cooperative wireless sensor networks[J]. Journal of Communications and Networks，2007，9(4)：473-481.

[4] YI H，HUA Y. Energy planning for progressive estimation in multi-hop sensor networks[J]. IEEE Trans. Signal Processing，2009，57(10)：4052-4065.

[5] HEINZELMAN W B，CHANDRAKASAN A P，BALAKRISHNAN H. An application-specific protocol architecture for wireless micro-sensor networks[J]. IEEE Trans. Wireless Communications，2002，1(4)： 660-670.

[6] CUI SH G，GOLDSMITH A J，BAHAI A. Energy-efficiency of MIMO and cooperative MIMO techniques in sensor networks[J]. IEEE Journal on Selected Areas in Communications，2004，22(6)：1089-1098.

[7] YUN K H. Energy efficient cooperative LEACH protocol for wireless sensor networks[J].Journal of Communications and Networks，2010，12(4)：358-365.

[8] GAO Q，ZUO Y，ZHANG J，et al. Improving energy efficiency in a wireless sensor network by combining cooperative MIMO with data aggregation[J].IEEE Trans. Vehicular Technology，2010，59(8)：3956-3965.

[9] JAYAWEERA S K. Virtual MIMO-based cooperative communication for energy-constrained wireless sensor networks[J]. IEEE Trans. Wireless Communications，2006，5(5)：984-989.

[10] CHENG W Q， XU K R，LIU W，et al. An energy-efficient cooperative MIMO transmission scheme for wireless sensor networks[C]//Proc. International Conference on WiCOM 2006，Networking and Mobile Computing，Wireless Communications. [S.l.]：IEEE Press，2006：22-24.

[11] KWANG M S，SUN W H. Ant colony optimization for routing and load-balancing： survey and new directions，Systems，Man and Cybernetics[J].IEEE Trans. Part A：Systems and Humans，2003，33(5)：560-572.

[12] KIM Y M，LEE E J，PARK H S. Ant colony optimization based energy saving routing for energy-efficient networks[J]. IEEE Communications Letters，2011，15(7)：779-781.

[13] HU X M，ZHANG J. Ant routing optimization algorithm for extending the lifetime of wireless sensor networks[C]//Proc. 2010 IEEE International Conference on Systems Man and Cybernetics(SMC). [S.l.]：IEEE Press，2010：738-744.

李燕龙(1988— )，硕士，主研无线传感器网络;

王俊义(1977— )，博士，副教授，主要研究方向为网络性能分析与优化；

符杰林(1975— )，博士生，副教授，主要研究方向为无线通信、无线传感网络；

仇洪冰(1963— )，博士，博士生导师，教授，主要研究方向为超宽带通信、无线传感器网络。

责任编辑：许 盈

Based Improved Ant Colony Algorithm Energy-efficient WSN Cooperative Transmission Strategy

LI Yanlong, WANG Junyi, FU Jielin, QIU Hongbing

(SchoolofInformationandCommunication,GuilinUniversityofElectronicTechnology,GuangxiGuilin541004，China)

Focusing on the problem of clustering unevenly and energy consumption of data transmission is relatively high for traditional sensor networks, a I-CoopACO (Cooperative transmission scheme based improved Ant Colony Optimal algorithm) algorithm is proposed in this paper. Based on cooperative LEACH techniques, the algorithm improves the process of clustering and makes clustering scale more uniform. In stable transmission stage, it uses the residual energy and data transmission power to build inspiring factor and searches the next hop relay node with improved Ant colony algorithm to obtain the most optimal node. So it makes transmission power lower and energy consumption more balanced. Simulation results show that in the random distribution of sensor networks, I-CoopACO algorithm reduces the transmission energy consumption, balances network load, extends 64.93% working life compared with cooperative LEACH algorithm.

wireless sensor networks; energy-efficient; transmission route; virtual MIMO; ant colony algorithm

【本文献信息】李燕龙，王俊义，符杰林,等.基于改进蚁群算法的高能效WSN协作传输策略[J].电视技术,2015，39(11).

国家自然科学基金项目(61172054；61371107；61261017；61362006)；广西自然科学基金项目(2013GXNSFAA019334)

TN915

A

10.16280/j.videoe.2015.11.030

2014-10-12