一种采用生存空间进化智能算法的无线传感器网络分簇路由方法
【技术领域】
[0001] 本发明涉及一种无线传感器网络分簇路由方法，尤其涉及一种采用生存空间进化 智能算法的无线传感器网络分簇路由方法。
【背景技术】
[0002] 生物启发计算（Bio-inspired computation)开辟了 一条智能计算 (Computational intelligence)新途径，其基本思想是根据生物系统的行为特征或工作方 式抽象出智能计算方法。在这一基本思想的指导下，一系列智能计算方法应运而生，包括人 工神经网络、进化计算、群智能技术、人工免疫系统等等。这些方法模仿生物的神经结构或 各种行为，无数的应用已经证明它们的有效性和可靠性。
[0003] 目前，生物启发计算发展到今天，主要从以下几个方面模仿了自然界生物系统的 有关特性。
[0004] (1)模仿生物的神经结构：人工神经网络（Artificial neural network)
[0005] 人工神经网络（ANN)是一个多输入、多输出的数学模型，来自了对生物神经系统 结构的模仿。ANN由多个神经元构成，而每个神经元带有一个对应的权值，这些权值可以动 态调整。正是这些可以动态调整的权值，构成了神经元的记忆能力。神经元的连接可以有 不同的结构，这反映了神经网络的不同类型。理论上已经证明，神经网络可以逼近任意类型 的多输入、多输出非线性函数。
[0006] (2)模仿生物的进化过程：进化计算（Evolutionary computation)
[0007] 进化计算（EC)起源于对生物进化的仿真，其基本方法有自然选择和基因遗传等。 最为著名的进化计算方法是遗传算法（GA)，其基本方法是：给定一个初始群体，计算它们 的适应度，通过选择算子提取适应度优良的个体，通过交叉算子按一定的概率交换个体的 基因产生新的个体，通过变异算子对部分个体进行变异。GA算法的特点是保持一定数量的 个体，通过迭代的方法不断搜索问题域空间，从而达到寻优的目的。除此之外，其它GA的变 种有进化编程（EP)、进化策略（ES)、基因编程（GP)等。
[0008] (3)模仿生物的群体行为：群智能（Swarm intelligence)
[0009] 群智能（SI)主要是受生物群体的社会生存方式和行为方式的启发，比如，鸟群、 鱼群、蚁群、蜂群等。这些群体以集中控制或自组织方式，以密切合作的方式在一定的空间 范围内寻找食物。最为著名的群智能算法有粒子群算法（PSO)，其工作原理是：有固定大小 的粒子数作为群体，群体行为模仿鸟群捕食的行为。在捕食的过程中，粒子的个体根据一定 的算法向当前局部和全局最优值移动一定的距离。算法以迭代的方式进行，从而逼近搜 索空间的全局最优解。其它与此类似的群智能算法有蚁群算法（ACO)、人工蜜蜂算法（ABC) 等。
[0010] (4)模仿生物的免疫系统：人工免疫系统（Artificial Immune System)
[0011] 人工免疫系统（AIS)是模仿生物免疫系统的工作机理而产生的动态免疫系统模 型。它模仿了生物免疫系统中的抗体与抗体、抗体与抗原之间的反应过程，并采用互补匹配 字符串的方式实现了这一过程。从信息处理的角度来看，免疫系统具备强大的识别、学习和 记忆的能力及分布式、自组织和多样性特性，这些显著的特性不断地吸引着研究人员从免 疫系统中抽取有用的隐喻机制，开发相应的AIS模型和算法用于信息处理和问题求解。
[0012] 以上总结了生物启发计算的四个方面的主要生物系统启发成果。从中可以看到， 到目前为止，生物启发计算主要局限于对生物系统行为与结构等特性的启发，它们有一个 共同的缺陷，那就是忽略了生物自身生存空间的生存条件。纵观自然界中的生命现象，生命 周期与适者生存法则是生命个体与群体必须遵守的两个永恒的定律。在这个两个法则的指 导下，大自然中的生命一代繁衍一代，生生不息，永无止境。然而，没有一定的生存条件，生 命无法存在。同时，不去寻找更优越的生存条件，生命也就失去了生机。除此之外，群体也 往往局限在一定的数量，这与自然界中真实生物的繁殖现象并不吻合。
[0013] 在无线传感器网络路由协议中，LEACH是一个著名的分簇路由协议，其目的是用于 解决节点之间的能量不平衡问题，其基本手段是在每一轮中重新分簇，以便在各个节点之 间轮换族头。LEACH随机选择一部分节点作为族头节点，族头节点收集邻居信息从而构成 一个族。每一个节点收集所感知的信息，传送给族头节点。再由族头节点融合数据，并传送 给汇聚节点。LEACH考虑了数据融合以及不同节点之间的能量平衡。但是，它并未考虑不 同节点到汇聚节点的距离。其实，距离的不同也会导致能量的不平衡。为了解决这个问题， CPSOCH协议不仅考虑了不同节点的能量平衡，而且也考虑了不同节点到汇聚节点的距离。 但CPSOCH协议需要一个优化的过程。
【发明内容】
[0014] 本发明提出了一种采用生存空间进化智能算法的无线传感器网络分簇路由方法， 是一种新的生存空间进化（Living Space Evolution，简称LSE)智能算法的应用。针对以 往的生物启发计算方法中忽略了生物自身生存条件和固定群体数量等的不足，在本智能算 法LSE中提出了两个新的思想。一是生存空间进化：在生存条件信息的指引下，生命的后代 逐渐向富裕或优质的生存空间转移。二是多后代繁殖：为了与自然界中真实生命的繁殖现 象相吻合，在该方法中引入了一个生命在一代内可以繁殖多个后代。
[0015] 本发明的步骤是：
[0016] 第1步：初始化
[0017] {
[0018] 第1-1步：设置传感器网络的节点数；
[0019] 第1-2步：设置下列（1)、（2)、⑶式的能量参数：
[0020] 传输k位数据到d米的距离所需的能量消耗，ETx (k，d)，其大小为：
[0027] 其中，是发送电路与接受电路的能量消耗；E da是处理数据的能量消耗；ε fs和 ε 分别是自由空间模型和多路衰减模型的功率损耗。d。是传输距离阈值。
[0028] 第1-3步：根据下列（4)式设置适应度函数参数：
[0032] 其中，a JP α 2是权值系数，并且满足a fa 2= I ;q ;是网络中第i个节点的剩 余能量；qk是第k个族头节点的剩余能量；f i是能力的评估因子；I i是第i个节点到汇聚节 点的距离；Ik是第k个族头节点到汇聚节点的距离；f2是距离的评估因子。
[0033] 第1-4步：设置传输数据的最大数。
[0034] }
[0035] 第2步：根据LEACH提供的方法，选择族头、建立族群、创建调度表，然后传输数据。
[0036] 第3步：判断是否达到传输数据的最大值。若达到，则跳到第七步。
[0037] 第4步：通过LSE智能算法对族头选择进行优化
[0038] {
[0039] 第4-1步：给敏感区域的每一个节点编号；
[0040] 第4-2步：设置族头数；
[0041] 第4-3步：根据每一个节点的计算容量，设置最大迭代次数；
[0042] 第4-4步：判断是否达到最大迭代次数。如果达到，则跳到第5步；
[0043] 第4-5步：创建生命的生存空间，其方法如下：
[0044] 生命的生存空间={候选者1、候选者2、……，候选者KI每一个候选者可以取某 一个序列号1到N}。
[0045] 第4-6步：优化分立生存空间，其方法如下：
[0046] {
[0047] 1、用各维坐标轴的分立坐标值去代替连续的坐标值。
[0048] 2、适应值按照如下的（4)式进行计算：
[0052] 3、LSE的优化过程如下：
[0053] {
[0054] 第1步：初始化
[0055] 设置初始生命群中的生命个体数；
[0056] 设置初始生存空间范围；
[0057] 设置每一个生存生命个体能够繁殖的后代的个数；
[0058] 设置营养分布函数f();
[0059] 设