基于改进蚁群算法的智慧农业无线传感器网络路由优化研究

刘彤彤　王磊

摘要：为了提高智慧农业无线传感器网络路由的生存时间，节点能量消耗相对均衡，采用改进蚁群算法。首先建立无线传感器网络模型和约束条件；接着通过消耗能量预测节点传输能力，剩余能量、过载区域以及覆盖冗余度构成适应度函数；然后改进蚁群算法，包括基于最佳路径的目标函数值信息素分配策略，二点交叉算子对信息素分配策略对应的任意2个网络节点序列进行优化；最后给出无线传感器网络路由优化流程。试验仿真显示本研究算法使无线传感器网络路由的节点间剩余能量差异性最小，网络生存时间较长，不同节点数接收数据包平均剩余能量较多。

关键词：无线传感器网络；最佳路径；改进蚁群；剩余能量

中图分类号： TP212.9；S126文献标志码： A

文章编号：1002-1302（2017）15-0199-03

无线传感器网络被广泛应用在农业生产、监测、科研等智能领域，例如温室大棚环境监测、土壤水分监测等可根据农作物生长需要进行实时智能决策，并自动开启或者关闭指定的环境调节设备，但是无线传感器网络节点受到硬件资源和传输节点能量的限制，数据处理和传输能力较弱，如何有效利用能量，延长无线传感器网络寿命并保证网络功能成为智慧农业无线传感器研究的重要方向[1]。

目前关于智慧农业无线传感器网络路由能量利用效率和能量均衡优化研究方法有：蚁群算法（Ant Colony，AC），具有较强的全局寻优能力[2]，但是需要收发双向蚂蚁大量、反复地更新信息素，若对链路稳定性进行考虑，那么最优路径中有可能包含不稳定链路，因此路由生存时间受到影响，导致需要更大的网络开销；粒子群算法（Particle Swarm Optimization，PSO），通过睡眠调度机制优化网络覆盖性能[3]，但是没有考虑覆盖率、能量利用效率、节点生存率的均衡性；动态分簇算法（Dynamic Clustering，DC），让簇内节点把数据发送至簇头[4]，然后簇头对汇总的数据进行融合，再以多跳方式发送给汇聚节点，这种算法能够节省能量，但是存在网络延迟等问题；定向扩散算法（Directed Diffusion，DD），能够减小数据冗余[5]，但是路由开销增加，效率低。

为了提高智慧农业无线传感器网络路由优化性能，本研究采用改进蚁群算法（Improved Ant Colony，IAC）。首先建立无线传感器网络能耗模型和剩余能量约束条件；通过消耗能量预测节点传输能力，剩余能量、过载区域以及覆盖冗余度构成适应度函数；改进蚁群算法包括基于最佳路径的目标函数值信息素分配策略，二点交叉算子对信息素分配策略对应的任意2个网络节点序列进行优化；试验仿真显示本研究算法使无线传感器网络路由的节点间剩余能量差异性最小，网络生存时间较长，不同节点数接收数据包平均剩余能量较多。

1系统模型

1.1网络模型

无线传感器网络路由可抽象成带权有向图G（V，E），V={v1，v2，…，vn}为网络中感知节点的集合[6-7]，E={e12，e23，…，eij}为相邻节点之间通信链路的集合，其权值为路径开销，用W{vi，vj}表示。假设相邻2个节点之间最多仅有一条可通信链路，如节点i、j∈V连通，且i、j之间不存在其他节点，则称i、j边为链路且（i、j）∈E。節点序列p（i1，i2，…，im-1，im）是一条长度为m的路径，其中：il∈V，1≤l≤m，且，（il-1，il）∈E，2≤l≤m。

式中：Q为信息素浓度的常数；L为本次循环中所走路径的长度；Lworst为最长路径，如果第k只蚂蚁没有经过边（r′，s），则Δτkt（r′，s）的值为零。该策略在每一周期结束时，仅对最佳路径包含的路段增加信息素，更新后每条边的信息素限制在所经过的最长路径信息素浓度和最短信息素浓度之间，避免某些边上的信息素过大，使信息素能够正确指导蚂蚁在下一次迭代的搜索方向，从而避免了大量无效搜索，提高了数据处理效率。

2.2.2局部优化

为了避免蚁群优化算法过早地陷入局部最优，在每次迭代中，当所有蚂蚁完成解的构造之后[14]，使用随机函数rand（）生成（0，1]之间的随机数，其个数与蚂蚁数量一样，若该随机数落在交叉概率[0.75，0.85]的取值范围内，便应用遗传算法中的二点交叉算子对信息素分配策略对应的任意2个网络节点序列进行优化。在2个网络节点序列编码串中随机设置2个交叉点；再交换2个网络节点序列在所设定的2个交叉点之间的部分编码串，若交换后的目标函数较小，则用交换后的解替换之前的解。

2.3算法描述

（1）参数初始化，设无线传感器网络节点数、蚂蚁个数、初始化各个节点的参数及各条边的信息，同时给出约束限制值；（2）计算每个蚂蚁到终点后与初始目标点的距离，通过计算最优化目标函数的值，删掉能量较小的传感器节点，记录并选择当前迭代次数中的最优解，给予最短路径较大的信息素增强，对各路径上的信息素浓度进行更新；（3）使用二点交叉算子对处理节点序列进行优化；（4）重新评价各个蚂蚁的适应度值，进行局部优化；（5）满足适应度函数结束条件f（Xtk）≤f（Xt-1k）或达到最大迭代次数，进行步骤（6），否则进行步骤（2）；（6）输出无线传感器网络路由优化结果。

3试验仿真

本仿真试验中，网络覆盖范围为150 m×150 m的矩形平面区域，随机分布100个传感器节点，统一对节点进行编号，节点的初始能量为0.5 J，节点间的有效传输距离20 m，试验中选取的蚂蚁总数120只，α′=1，β′=4，ρ=0.45，Q=50，交叉概率为0.8，每个节点的起始能量为110 J，发送/接收1 bit数据的能耗为0.05 J/bit，最大迭代次数120。仿真试验对蚁群算法（AC）、粒子群算法（PSO）、动态分簇算法（DC）、定向扩散算法（DD）和本研究算法进行了比较。在试验环境参数均相同的前提下，每种算法各运行20次蒙特卡罗试验，取平均值为最终结果。endprint

3.1节能分析

无线传感器网络路由节点间剩余能量差异性越小越使各节点剩余能量均衡，有利于网络生存时间提升。图1所示为节点间剩余能量差异性比较。

从图1可以看出，本研究算法的各节点间能量差异最小，因为本研究算法仅对最佳路径包含的路段增加信息素，没有频繁地重建路径，比较快速地建立了较优路径，数据传输能量消耗少，因而剩余能量最多，这样簇内节点能量消耗及每轮剩余能量的差异都较小，提高了全网能耗均衡性。

3.2网络生存时间比较分析

网络生存时间仿真结果如图2所示。根据图2对比结果可知，本研究算法的网络生存时间远远大于AC算法、PSO算法、DC算法、DD算法，随着感知节点数从逐渐减少，无线传感器网络生存时间逐步降低，但是本研究算法降低速度慢于其他算法，能够有效延长整个无线传感器网络的生存时间。

3.3不同汇聚节点数接收数据包平均剩余能量分析

不同汇聚节点数接收数据包平均剩余能量分析结果如图3所示。

从图3可以看出，随着汇聚节点接收数据包增加，节点的平均剩余能量不断降低，本研究算法的归一化剩余能量值最大，能够提供更长的网络寿命和消耗更少的能量。

4总结

本研究采用改进蚁群算法包括基于最佳路径的目标函数值信息素分配策略，二点交叉算子对信息素分配策略对应的任意2个网络节点序列进行优化，试验仿真显示本研究算法使无线传感器网络路由的节点间剩余能量差异性最小，不同节点数接收数据包平均剩余能量较多，从而有效延长了整个无线传感器网络的生存时间，为智慧农业无线传感器网络路由优化提供了一种新思路。

参考文献：

[1]李树江，佟以鑫，王向东，等. 一种基于无线传感器网络安全的能量优化路由算法[J]. 大连理工大学学报，2016，56（2）：193-201.

[2]Tiwari P K，Vidyarthi D P. Improved auto control ant colony optimization using lazy ant approach for grid scheduling problem[J]. Future Generation Computer Systems，2016，60（6）：78-89.

[3]Azharuddin M，Jana P K. Particle swarm optimization for maximizing lifetime of wireless sensor networks[J]. Computers & Electrical Engineering，2016，51（4）：26-42.

[4]Gajjar S，Sarkar M，Dasgupta K. FAMACROW：Fuzzy and ant colony optimization based combined mac，routing，and unequal clustering cross-layer protocol for wireless sensor networks[J]. Applied Soft Computing，2016，43（6）：235-247.

[5]Peng S，Low C P. Energy neutral directed diffusion for energy harvesting wireless sensor networks[J]. Computer Communications，2015，63（1）：40-52.

[6]侯文哲，陈乐瑞，孔金生. 基于改進的混沌蚁群算法的网络路由优化研究[J]. 计算机仿真，2016，32（2）：307-310.

[7]朱永红，丁恩杰，胡延军. PSO优化的能耗均衡WSNs路由算法[J]. 仪器仪表学报，2015，36（1）：78-86.

[8]谭德坤，王冠. 基于反向学习粒子群算法的无线传感器网络路由优化[J]. 计算机测量与控制，2013，21（10）：2885-2887.

[9]贾斌，谷孝东. WSN中基于节点能力的路由选择方法[J]. 科技创新导报，2015（32）：137-138.

[10]王长清，黄静. 基于协同进化粒子群算法的无线传感器网络节能优化覆盖算法[J]. 河南师范大学学报（自然科学版），2016，41（1）：54-58.

[11]赵丽萍. 基于蚁群优化的无线传感器网络路由算法[J]. 传感器与微系统，2014，33（4）：112-114.

[12]郑慧君，陈俞强. 基于改进蚁群的路径导航算法[J]. 控制工程，2016，23（4）：608-612.

[13]倪壮，肖刚，敬忠良，等. 改进蚁群算法的飞机冲突解脱路径规划方法[J]. 传感器与微系统，2016，35（4）：130-133.

[14]王灵霞，赵宏. 面向云计算环境任务调度的改进蚁群算法[J]. 工业仪表与自动化装置，2016（2）：3-6，42.endprint