一种灰狼算法和SCA算法的无线传感器网络的通信方法

本发明属于无线传感器网络领域，特别是涉及一种灰狼算法和sca算法的无线传感器网络的通信方法。

背景技术：

1、无线传感器网络(wsn)由许多具有无线通信能力的低功耗传感器节点组成，已广泛应用于环境保护、工农业控制、城市管理、环境探测、防灾减灾等领域，因此对无线网络在工业领域起着至关重要的作用。

2、目前，无线传感器网络由于节点能量受限，网络能量利用效率较低，网络寿命短，是传统无线传感器网络面临的关键问题。leach(low-energy adaptive clusteringhierarchy)是无线传感器网络的一种经典分层聚类路由协议，能够有效减少和均衡网络能耗，但其簇头节点的随机选择机制以及聚类方法，使能量消耗分布仍不均衡。

技术实现思路

1、为了解决背景技术中存在的问题，本发明提供一种灰狼算法和sca算法的无线传感器网络的通信方法，充分利用gwo算法与sca算法优化leach的簇头选举过程，最大限度地改善网络能量分配，延长网络寿命，包括：

2、s1：根据无线传感器网络中传感器节点的剩余能量构建目标优化函数，所述目标优化函数用于评价无线传感网络中传感器节点的能量分布均衡情况；

3、s2：根据构建的目标优化函数利用gwo算法和sca算法对leach协议的分簇阶段进行优化，确认每个传感器节点成为簇头节点的最优阈值；

4、s3：根据每个簇头节点的最优阈值将无线传感网络中的节点划分为多个簇；

5、s4：每个簇中的传感器节点将采集的数据传输给其所属簇的簇头节点，簇头节点将获取的数据传输给汇聚节点；

6、s5：每间隔一段预设的时间，重复执行步骤s2-s5。

7、优选地，所述目标优化函数包括：

8、fitness＝min(remainingenergies)-λ×stddev(energyratios)

9、energyratios＝{energyratios1,energyratios2,…,energyratosk}

10、

11、

12、其中，fitness表示目标函数，min表示取最小值操作，λ表示权衡因子，stddev表示求标准差操作，remainingenergies表示所有传感器节点的剩余能量组成的集合；energyratiosi表示第i个传感器节点的剩余能量与初始能量的比值，表示第i个传感器节点从簇内节点接收的总数据量；表示第i个传感器节点向其所属簇的簇头节点发送的总数据量；表示第i个传感器节点接收一个单位数据的能量消耗；表示第i个传感器节点聚合一个单位数据的能量消耗；表示第i个传感器节点发送一个单位数据的能量消耗，pi表示第i个传感器节点成为簇头节点的阈值，rand(i)表示第i个传感器节点在0～1之间的随机数。

13、优选地，所述根据构建的目标优化函数利用gwo算法和sca算法对leach协议的分簇阶段进行优化包括：

14、s21：对无线传感网络中的每个传感器节点分别生成一个0～1之间的随机数；

15、s22：初始化灰狼种群、灰狼的搜索空间维度k、灰狼种群在搜索空间每个维度的搜索范围为[0,1]，灰狼的搜索空间维度k与无线传感器网络中传感器节点一一对应；确定当前迭代次数和最大迭代次数；

16、s23：利用tent混沌映射算法初始化灰狼种群的位置，灰狼在搜索空间每个维度的位置与传感器节点成为簇头节点的阈值一一对应；

17、s24：根据构建的目标优化函数计算所有灰狼个体的适应度值，更新灰狼种群的历史群体最优解；

18、s25：根据灰狼种群的历史群体最优解利用sca算法更新所有灰狼个体的位置；

19、s26：根据构建的目标函数计算所有灰狼个体的适应度值，并对适应度值进行降序排列，将适应度值排序前三的狼依次定为α狼，β狼和δ狼，其余定位ω狼；

20、s27：其余ω狼根据α狼，β狼和δ狼的位置进行位置更新，重复执行步骤s24～s27直至达到最大迭代次数位置，将α狼的位置作为无线传感器网络中无线传感器节点的最优阈值。

21、优选地，所述利用tent混沌映射算法初始化灰狼种群的位置包括：

22、

23、x0k＝rand()

24、其中，x(n+1)k表示第n+1个灰狼在第k个维度的位置，rand()表示0～1之间的随机数，δ表示混沌参数，n表示1到n之间的整数，l表示1到k之间的整数，n表示灰狼种群数量。

25、优选地，所述利用sca算法更新所有灰狼个体的位置包括：

26、xi′(t+1)＝xi(t)+sinα·|xbest-xi(t)|+cos a·(r1-r2)

27、

28、a＝2πb

29、其中，xi′(t+1)表示第i个传感器节点更新后的位置，xbest表示历史群体最优解；π表示圆周率；r1和r2表示在区间[0,1]内均匀分布的随机数；xi(t)表示第i个传感器节点更新前的位置。

30、优选地，所述其余ω狼根据α狼，β狼和δ狼的位置进行位置更新包括：

31、s271：ω狼根据种群中的α、β和γ狼的位置来进行更新，按照下式计算ω狼分别与α、β和γ狼的距离：

32、dα＝|c1*xα-x|

33、dβ＝|c2*xβ-x|

34、dγ＝|c3*xγ-x|

35、其中，xα、xβ和xγ分别表示α、β和γ狼的位置，x表示当前灰狼个体的位置；c1、c2和c3是位置系数向量，c1、c2和c3内的每个元素值均为0到2之间的随机数；dα、dβ和dγ分别表示α、β和γ狼与种群中其他ω狼的距离；

36、s272：分别由α、β和γ狼的信息反馈，按照下式更新灰狼的初步位置x1、x2和x3：

37、x1＝xα-a1*dα

38、x2＝xβ-a2*dβ

39、x3＝xγ-a3*dγ

40、s273：按下式取平均值更新灰狼的位置：

41、

42、其中，x(t+1)表示第t+1迭代时灰狼的位置。

43、优选地，在灰狼个体进行位置更新时，若灰狼个体xn在搜索空间维度第k个维度的位置xnk＜0，则将xnk重置为0，若xnk＞1，则将xnk重置为1。

44、优选地，所述a1、a2和a3的表达式如下：

45、ai＝2*e*r-e

46、

47、其中，r为与距离系数向量同维度的向量，其元素为0到1之间的随机数，e为收敛因子，其值随着迭代次数的增大逐渐从2线性减小到0。

48、优选地，判断距离系数向量ai的绝对值是否大于1，若距离系数向量ai的绝对值大于1，则算法处于搜索猎物模式；若距离系数向量ai的绝对值小于1，算法处于攻击猎物模式。

49、本发明至少具有以下有益效果

50、本发明以sca随机分形搜索算法为基础，具有全局搜索的能力，通过将其添加到gwo算法中，可以在搜索空间中更广泛地进行全局搜索，有助于发现全局最优解，sca的随机性和分形搜索特性增加了算法对初始条件的鲁棒性，这意味着混合算法对初始种群的选择相对不敏感，能够更好地适应不同问题的初始条件，sca算法引入的随机性有助于维持搜索中的多样性，防止算法过早陷入局部最优解，可以有效丰富搜索种群的多样性、扩大搜索个体游走的范围、避免算法困于局部极小点、提高算法全局求解性能，能够最大限度地改善网络能量分配，延长网络寿命。