专利名称：无线传感器网络中基于蚁群算法的定向扩散方法
技术领域：
本发明属于无线传感器网络中的定向扩散模型，特别是一种无线传 感器网络中基于蚁群算法的定向扩散方法。
背景技术：
路由协议负责将数据分组从源节点通过网络转发到目的节点，它主要包括两个方面的功能寻找源节点和目的节点的优化路径，将数据分 组沿着优化路径正确转发。在无线传感器网络中，节点能量有限且一般 没有能量补充，因此路由协议必须高效利用能量，同时传感器网络节点 数目往往很大，节点只能获取局部拓朴结构信息，路由协议要能在局部 网络信息的基础上选择合适的路径。传统的路由协议通常以地址作为节点的标识和路由的依据，而无线 传感器网络中大量节点随机部署，所关注的是监测区域内的感知数据， 而不是具体哪个节点获取的信息，不依赖于全网惟一的标识。传感器网 络通常包含多个传感器节点到少数汇聚节点的数据流，按照对感知数据 的需求、数据通信模式和流向等，以数据为中心形成消息的转发路径。 因此，无线传感器网络最主要的特征就是以数据为中心的计算，其路由 协议主要负责在汇聚节点与传感器节点间进行可靠的数据传输。定向扩散(Directed Diffusion, DD)是一种基于查询的i 各由才几制。 该协议在路由生成和维护过程中，源节点周期性的洪泛探测分组会对正 常的数据转发产生相当大的影响，造成网络性能的突然降低。传统的定向扩散是一种以数据为中心且基于查询的路由机制，其最大特点就是引入了网络梯度概念，并将局部算法(localized algorithm,属于lt据融 合技术范畴)相结合应用于无线传感器网络的路由通信机制。网络梯度的 思想本身就源于生物学中的蚂蚁种群模型，一^l殳定义为属性值和方向。 属性值可以依据数据速率、功率或者地理信息确定，方向由接收节点指 向发送兴趣的邻居节点，引导数据扩散。定向扩散路由机制分为兴趣的 洪泛，双向梯度的建立，探测分组的洪泛路径的选择与加强，数据的发 送五个阶—度组成。如图1所示。兴趣的洪泛(图la ):兴趣的洪泛由sink节点发起，sink节点维护 一个活动任务表项，该表项内存储着所有由该sink节点发起的还处于生 存期内的兴趣，而《壬务^t描述为interests并以洪泛的形式扩散到网络 中的每个节点。双向梯度的建立(图lb):网络中的每个节点都维护一个兴趣表，其 中的每一个表项都是一个惟一的兴趣，所谓"惟一"是指兴趣的类型不同、事件传输率不同或者覆盖区域相离。同时，每个兴趣表项拥有一个 梯度列表。节点每收到来自不同邻居的interests时，会建立一个从该 点到对应邻居的梯度。因此， 一个节点的所有邻居和该节点上的梯度一 一对应。扩散完成后，在源节点source和sink之间就会建立多条由梯 度建立的路径。探测分组的洪泛(图lc):在网络运作的整个周期内，源节点周期性 地向所有可能的路径发送探测数据分组，以实现路由生成和路由更新。 路径的选择与加强(图Id): sink节点根据收到的同一个探测分组不同副本的时延或携带的附加信息确定一条最优路径，并以单播方式发 送加强信息告知源节点。数据的发送(图le):传输路径选定后，后续数据的发送通过此选定 路径进行传输。蚁群算法(Ant Colony Algorithm,简称ACA)又称蚂蚁算法，是由意 大利学者Dorigo等人受到人们对自然界中真实蚁群集体行为的研究成果 的启发而首先提出来的。蚁群算法已经成功地用于解决TSP、 JSP等许多 组合优化问题。但是，到目前为止还很少有人将蚁群算法应用于无线传 感器网络的路由算法中。蚁群算法的基本原理可大致描述如下蚂蚁属 于群居昆虫，个体行为极其简单，群体行为却相当复杂。相互协作的一 群蚂蚁很容易找到从蚁巢到食物源的最优路径，而单个蚂蚁则不能。人 们通过大量研究发现，蚂蚁之所以可以做到这一点，是因为蚂蚁个体之 间是通过在其所经过的路径上留下一种挥发性分泌物(pheromone)可称 之为信息素的物质来进行信息传递的。蚂蚁可以嗅到这种信息素，而且 可以根据信息素的浓度来指导自己对前进方向的选择。同时，该信息素 会随着时间的推移逐渐挥发，于是路径的长短及路径上通过的蚂蚁的多 少就对残余信息素的浓度产生影响。反过来信息素的浓度又指导着其它 蚂蚁的行动方向。因此，某一路径上走过的蚂蚁越多，则后来者选择该 路径的概率就越大。这就构成了蚂蚊群体行为表现出的一种信息正反馈 现象。蚂蚁个体之间就是通过这种信息交流快速找到食物源的。如图2所示，图中A点表示蚁巢，E点是表示食物源，HC为一个障 碍物，距离作如下布li殳AB=DE=1， BH=HD=2, BC=CD=1。由于此障碍物的存在，蚁群只能从A经由H或者C到达食物源E,返回也是如此。在t-O 时刻有20只蚂蚁从蚁巢出发外面寻找食物(假设蚂蚁在单位时间行走单 位长度距离)，每只蚂蚁在所经过的路径上要释放一定数量的信息素，这 些信息素以 一定的速率挥发，蚂蚁判断前进的路径时就是选择信息素浓 度高的路径。在t=l时到达B点，因为此时3各径BH和BC上均没有留下 信息素，所以蚊群按照等概率随机选择路径，假设此时10只选择BH， 10 只选择BC。在t=4时，从BC走的10只蚂蚁到达食物源E点，并开始返 回。在t=5时，返回的10只蚂蚁到达D点，且从BH走的10只蚂蚁也同 时到达了D点，此时DC和DH上的信息素是相等的，故蚂蚁仍按照等概 率选择路径，假设5只从DC走，5只从DH走。在t=8时，从DC返回的 5只蚂蚁返回蚁巢，并重新出发。在t-9时，又来到A点，此时从DH路 径返回的蚂蚁还未到达，所以BC的信息素浓度高于BH，所以将有更多的 蚁群选4奪BC路径走。如此循环，路径BCD上的信息素就会越积越多，最 终便形成了 BCD这条最优路径。由以上蚁群算法模型可以看出，信息素在整个算法中起着至关重要 的作用，蚂蚁之间就是通过信息素实现相互通信，使得它们能够利用之 前的搜索结果，且由于信息素能够随着时间的推移挥发，这使得搜索初 期的距离较长的3各径对蚂蚁的影响会逐渐减小。当蚂蚁最初碰到一个从 来没有走过的路径时，就会随机地选择一条路径前进，与此同时释放出 与路径长度有关的信息素。路径越长，释放的信息素浓度越高。当后来 的蚂蚁再次碰到这个路口的时候，选择信息素浓度较高路径概率就会相 对较大，这样就形成了一个正反馈。最优路径上的信息素浓度越来越大，而其它路径上信息素浓度却会随着时间的推移而消减。发明内容本发明的目的是提供一种将定向扩散中的梯度建立在蚁群的信息素 与网络节点的剩余能量基础上，在寻找优化;洛径的同时，使网络节点能 量得到均衡消耗的无线传感器网络中基于蚁群算法的定向扩散方法。为了实现上述目的，本发明所釆用的方法是步骤一带有兴趣消息的蚂议从sink节点出发以洪泛方式广播全网； 步骤二洪泛过程中，蚂蚁在所经过的路径上释放一定信息素，同时到达各节点时收集各节点的剩余能量信息；步骤三根据信息素和剩余能量信息，利用下述梯度值公式在经过的路径上建立双向梯度；<formula>formula see original document page 7</formula>其中r与s为节点，c/(w)为节点r与s之间的距离，z々)表示r节 点还没有访问过的邻居节点的集合，为处于节点r的蚂蚁&选择下一 节点s进行访问的概率，及表示传感器节点的通信半径；步骤四探测分组从source节点从所有可能路径洪泛全网，以实现 ^各由生成和^各由的更豸斤；步骤五探测分组到达sink节点，根据梯度值选择最优传输路径；步骤六选定传输路径，发送后续数据。本发明将蚁群的信息素和节点的剩余能量考虑到梯度的建立过程 中，这样不仅屏除了定向扩散中的洪泛扩散方式，将路径的选择限定到部分节点上，而且还考虑到节点的剩余能量因素，将网络能耗分散到整 个网络，避免局部节点一直作为主干路径进行数据转发，这样就均衡了网络的能量消耗。通过仿真实验得出，IACA-DD比较ACA-DD和DD，在节 点的平均能耗以及节点的生存周期等性能上均有极大提高，尤其随着网 络的规4莫的扩大，改进^t型IACA-DD将有更大的应用空间。
图1为现有定向扩散过程图。 其中(a)兴趣的洪泛、(b)双向梯度的建立、(c)探测分组的洪泛、 (d)路径的选择与加强、(e)数据的发送。 图2为蚁群算法模型图。 图3为本发明定向扩散流程图。
具体实施方式
下面结合附图对本发明作进一步的详细描述。在传统的定向扩散协议中，源节点需要周期性地进行探测分组的洪 泛扩散，当然，这种方式简单易于实现，而且具有较强的鲁棒性，但是 其缺点也是非常明显的，它的路由开销过大，资源盲目使用情况严重， 这样会对网络正常的数据转发产生相当大的影响，尤其是在传感器节点 密度较大的情况下，会造成整个网络的拥塞。本发明提出了一种基于蚁群算法的优化定向扩散方法(Improved Ant Colony Algorithm—Directed Diffusion,简称、IACA-DD)。该方法的出发点在于传统的定向扩散中，当中间节点收到#:测分组时，以洪泛方式扩散到所有的邻居节点，随着扩散逐跳传播，网络中探测分组的数量也呈指数增长，这样尤其在节点密度较大时，网络负载会太重，网络性能 也会下降。因此，合理进行传输路径的选择是相当必要的。以下将分别 论述基于蚁群算法的一般定向扩散模型和基于蚁群算法的改进定向扩散模型。本发明基于无线传感器网络的拓朴结构进行初始化，所有的路径初始化时都被赋予一定的信息素。方法开始时，蚁群从sink节点出发，并 且以洪泛扩散方式在网络中进行扩散以开始寻找路径到达食物源。在搜 索过程中，蚂蚁会倾向于沿着信息素浓度较高的路径访问下一个节点， 且蚂蚁在经过的路径上会留下相应的信息素，这些信息素会以"梯度，， 的形式建立在相应的路径上。当所有蚂蚁完成了搜索后，由于路径上留 下的信息素会有一部分挥发出去，故此时全局信息素会更新，路径上会 根据更新后的信息素浓度来建立相应的梯度值。此时，蚁群就会根据信 息素的更新水平来选择进行纟笨测分组扩散的路径。设定无线传感器网络有"个节点，模型中共有m只蚂蚁，任意两邻居 节点r与s之间的距离为命,小,(v)表示两节点间信息素的浓度。假设某 时刻一只蚂蚁正处于节点r ，它对选择下一邻居节点s进行访问的概率 尸々,。由以下式①确定其中，ztW表示节点r还没有访问过的邻居节点的集合； /z(r,"=l/d(w)，表示路径的可见度；，表示信息素浓度的重要程度，*表 示可见度的相对重要程度， 一般情况下，0<，<5, 0<*<5。信息素浓度的全局更新公式为②式其中，r表示信息素浓度挥发后的剩余浓度，,(wu表示支路0^)上原有的信息素浓度，D^(w)表示第A个蚂蚊访问过支路(r力后释放的信息素浓度，其值由式③决定(g/A;若蚂蚁B方问过(r,力 f0;若蚂蚁A:没有访问过O,;0其中，Q为一个常数，表示蚂蚁完成一次完整的路径搜索后释放的信 息素的总量，；表示路径的总长度。从上面的方法可以看出，如果将以上蚁群算法应用于定向扩散协议 中，最终会导致所有的蚂蚁都通过信息素浓度最高的路径到达目的地， 所以如果某路径是到达不同目的地共同最优路径时，在该路径上出现蚂 蚁数量将是巨大的。这种现象在无线传感器网络中显然是不合理的，这 样会导致最优路径上的节点能量很快消耗待尽，致使部分节点失效，最 终导致整个网络的生存周期的缩短。为了解决以上问题，必须对以上模 型做出相应改进，使梯度的建立与节点的剩余能量相关，从而将最优路 径的建立过程分散在不同的路径上，使网络的能量消耗达到均衡。传统的定向扩散中，梯度值的选择策略有很多种，比如时延、路径 长度等等。IACA-DD算法中将用对下一邻居节点的访问概率爪w)的一个 增函数来描述梯度值的大小，从而指导蚁群对前进路径的选择。方法中， 访问概率除了由路径上的信息素浓度决定外，还将蚂蚁将要访问的节点 的剩余能量作为影响其大小的一个重要参数。那么，此时梯度值就由路 径信息素浓度和节点剩余能量共同决定，蚁群对于路径的选择也会随着的节点剩余能量的变化而发生变化。无线传感器网络中，"个节点的剩余能量分别标记为￡1，￡2，￡3，...，￡ ，信 息素分别为",",,3，...，, 。处于节点r的蚂蚁A:选择下一节点s进行访问的概率/Uw)用式④决定<formula>formula see original document page 11</formula> ④其中， 力(,,"=i/"o%s),表示-各4圣的可见度；4w表示^殳有i方问过的节，存、 的集合；，为信息素浓度的重要程度，6为可见度的相对重要程度， 一般 情况下，0<，<5， 0<6<5; ^是第/t只蚂蚁信息素浓度与下一个访问节点剩余能量的运算因子，值由式⑤决定
<formula>formula see original document page 11</formula> 其中，餘，,)表示邻居节点r和s的距离，ze表示传感器节点的通信半 径，五w表示要访问的下一邻居节点的剩余能量；a E(v)表示可访问的下一邻居节点的剩余能量的总和；z刺表示蚂蚁^所在节点的所有将被访问的下一节点的集合。梯度值由访问概率/^,力的函数决定，由于信息素随着时间的推进会出现挥发情况，所以梯度值也会相应的减小。 一般来说，节点间路径越 长，信息素的浓度越高，即梯度值就会越大，所以梯度值是/u^)的增函 数，梯度值的更新大小由式⑥决定 <formula>formula see original document page 11</formula>其中，& W表示r节点还没有访问过的邻居节点的集合。本发明主要以无线传感器网络中节点能量均衡消耗作为出发点，利用经典的蚁群算法来优化定向扩散模型，带兴趣的蚂议从sink节点出发之后，除了会在经过的路径上释放一定的信息素，同时蚂蚁到达各节点 时会收集各节点的剩余能量信息，然后根据梯度值的更新公式建立双向 梯度，以此来选定最优传输路径。因此，区别于传统的定向扩散模型和 一般化的蚁群优化的定向扩散模型，改进的优化模型中避免了不考虑节 点剩余能量的选择传输路径和"热点"路径(即到达不同目的地时共同 的优化路径，该路径上拥有巨大数量的蚂蚁)。方法的主要思想在于同时 将蚂蚁的信息素和节点的剩余能量考虑到梯度值的更新当中，在选择优 化的传输路径同时，保护了剩余能量较低的节点，避免了因为局部节点 的过早失效而造成网络失去连通性的损失，从而延长了网络的生存周期。 本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
权利要求
1、一种无线传感器网络中基于蚁群算法的定向扩散方法，所采用的方法是步骤一带有兴趣消息的蚂蚁从sink节点出发以洪泛方式广播全网；步骤二洪泛过程中，蚂蚁在所经过的路径上释放一定信息素，同时到达各节点时收集各节点的剩余能量信息；步骤三根据信息素和剩余能量信息，利用下述梯度值公式在经过的路径上建立双向梯度；id="icf0001" file="S2008100476934C00011.gif" wi="70" he="16" top= "116" left = "69" img-content="drawing" img-format="tif" orientation="portrait" inline="no"/>其中r与s为节点，d(r，s)为节点r与s之间的距离，zk(r)表示r节点还没有访问过的邻居节点的集合，Pk(r，s)为处于节点r的蚂蚁k选择下一节点s进行访问的概率，R表示传感器节点的通信半径；步骤四探测分组从source节点从所有可能路径洪泛全网，以实现路由生成和路由的更新；步骤五探测分组到达sink节点，根据梯度值选择最优传输路径；步骤六选定传输路径，发送后续数据。
全文摘要
本发明涉及一种无线传感器网络中基于蚁群算法的定向扩散方法，所采用的方法是一、带有兴趣消息的蚂蚁从sink节点出发以洪泛方式广播全网；二、洪泛过程中，蚂蚁在所经过的路径上释放一定信息素，同时到达各节点时收集各节点的剩余能量信息；三、根据信息素和剩余能量信息，利用梯度值公式在经过的路径上建立双向梯度；四、探测分组从source节点从所有可能路径洪泛全网，以实现路由生成和路由的更新；五、探测分组到达sink节点，根据梯度值选择最优传输路径；六、选定传输路径，发送后续数据。本发明将蚁群的信息素和节点的剩余能量考虑到梯度的建立过程中，将路径的选择限定到部分节点上，将网络能耗分散到整个网络，均衡了网络的能量消耗。
文档编号G06N3/00GK101277264SQ20081004769
公开日2008年10月1日 申请日期2008年5月13日 优先权日2008年5月13日
发明者张小庆, 李腊元, 李训光, 蔡英华, 钟景秀 申请人:武汉理工大学