蚁群算法在WSN中的应用.docVIP

WSN中的蚁群路由算法 拟解决的问题： 优化路由寻址方式，寻找总体距离最短的路径来传递数据，借此大幅度的降低传输过程中的能量损耗和延时。利用蚁群算法的总体优化概念，采用随机性选择，通过模拟蚂蚁的信息素的挥发规则并行试探产生源节点到汇集节点的最优路径。在算法实现过程中，信息素综合考虑了能量、距离和延时三个因素。因为时间问题，仿真中只考虑了距离和能量限制，其中距离限制由传感器射频距离R来控制，能量限制主要考虑残余能量的分布。仿真结果表明新型算法的使用带来了良好的路由性能。 方案： 无线传感器网络（Wireless sensor network,WSN）是由部署在监控区域内大量的廉价微型传感器节点组成,通过无线通信方式形成的一个多跳的、自组织的网络系统。 具有大规模、自组织、动态性、可靠性、应用相关性、以数据为中心等特点,其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息,并发送给观察者。 传感器网络以应用为目标,在不同的应用场合其网络路由不是惟一的。 所以要根据不同的应用目的,选择最优的路由策略。 从无线传感器网络的特点来看,与蚂蚁算法的系统特征有非常的类似之处,故在蚂蚁算法的基础上,以网络生命周期、节能和减少延时方面达到一定平衡为目标,采用一种改进的动态自适应调整信息素的蚁群算法。路由算法的基本思想:采用了确定性选择和随机性选择相结合的选择策略,并在搜索过程中动态调整状态转移概率,并行试探来产生源节点( source) 到汇集节点( sink)的最优路径。在算法实现过程中,信息素更新综合考虑了能量、距离和延时三个因素。 仿真结果表明新型算法的使用带来了良好的路由性能,并在一定程度上节省了能量。 2.1、蚁群算法简介 蚁群算法又称蚂蚁算法。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，而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穴到食物源的最短路径，而单个蚂蚁则不能。人们通过大量的研究发现，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可称之为信息素的物质来进行信息传递。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掉，于是路径的长短及该路径上通过的蚂蚁的多少就对残余信息素的强度产生影响。反过来信息素的强弱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 蚁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或蚁穴的。 信息素主要有两个方面的作用：一是蚂蚁之间通过信息素相互通信，使得蚂蚁能够利用以前的搜索结果；二是信息素的挥发作用，这使得搜索初期的距离较长的旅行路线对蚂蚁的影响逐渐减小。当它们碰到一个还没有走过的路口时，就随机地挑选一条路径前行。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低。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流逝而消减。 蚁群算法是借助于各蚂蚁之间所形成的正反馈作用而实现优化问题求解的，其基本原理如图1 所示。图中节点A、E 分别表示蚂蚁穴和食物源。开始时，从A 放出若干只蚂蚁到E，这时它们会以相等的概率选A-B-E、A-C-E和A-D-E支路。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，蚂蚁判断前进的道路时选择信息素强度最大的道路。这样，如图一种，当选择A-D-E支路的蚂蚁按原路返回到A时，因为其余两条路径的长度较长，从A点出发的蚂蚁还没有返回到A点，这时，A-D-E上的信息素强度高于其余两条支路上的信息素强度，因此后续蚂蚁选择A-D-E支路的概率就变得最大。这样A-D-E支路上的信息素强度就会越来越大，而其余两条支路随着蚂蚁访问次数的减少，信息素就会变得越来越少，最终，所有的蚂蚁都选择了长度最短的A-D-E支路。 实现： 【描述代码实现方式】(宋体，5号字) 3.1 路径选择问题描述 WSN可以用图G=(V,E)来表示，其中V代表节点集合(包括传感器节点和sink节点)，E代表边的集合。在无线传感器网络中，如果两个节点是相邻的，则表明这两个点在彼此有效通信距离之内。假定相邻节点之间只存在一条链路，则传感器网络的拓扑结构可以看作是一个无向图。对于一个路由请求Q，路由算法如果能够找到一条最优路径，同时满足以下一个约束条件，则此路由请求Q就可接受。 在Q的路由的每条路径L上，相邻节点距离限制为，其中表示节点的通信半径，（本文设定通信半径R=35m）为两节点间的欧氏距离。 为