基于人工免疫―蚁群混合算法WSN路径优化研究.docVIP

基于人工免疫―蚁群混合算法WSN路径优化研究 　　摘要：人工免疫算法（AIA）是借鉴人体免疫机制提出的一种智能算法，它具有快速随机的全局搜索能力，但不能有效利用系统的正反馈信息，往往会做大量的冗余迭代，降低了求解效率；而蚁群算法具有分布式并行全局搜索能力，但由于初期信息素匮乏，求解速度低。基于这两种智能算法的优劣势，提出的AIAC算法充分利用了AIA的快速性和全局收敛性产生初始解，再利用蚁群算法提高求解效率，在Matlab上取得了较好的仿真效果。 　　关键词：算法（AIA）；蚁群算法（ACA）；免疫因子；AIAC 　　中图分类号：TP312文献标识码：A文章编号：1672-7800（2013）001-0049-02 　　0引言 　　无线传感器网络（WirelessSensorNetworks，简称WSN）不同于传统的网络，它是由许多传感器节点自组网络形成的，并广泛地应用在军事、环境、家居等各个领域。每个传感器节点都具有低成本、低功耗、多功能、体积小等优点。但同时也具有能量有限和节点不可再生等先天性缺点。这些节点通常被安放在无人监控或者人力难以到达的环境中，完成信息采集，数据传送等重要工作。因此，在设计无线传感网络节点路径时，需要有效地优化节点间路劲，尽量减少由于路径过长造成的能量损耗。 　　1人工免疫算法 　　1996年12月，在日本首次举行的基于免疫性系统的国际专题讨论会上首次提出了“人工免疫系统”（AIS）的概念。随后，越来越多的学者投入到人工免疫系统的研究中。但由于人工免疫系统是对生物免疫系统的仿真，而生物免疫系统本身的复杂性，所以对人工免疫系统的描述并不多见。人工免疫算法（AIA）是基于人工免疫系统提出的一种仿生智能算法，其仿生原型是生物体的免疫机制。算法具体步骤如下：①输入抗原：抗原即为人工免疫算法需要求解的问题；②产生初始抗体：按照一定的编码形式，由系统随机产生针对抗原的初始解；③计算亲和力：计算抗体与抗原的亲和力，亲和力表现了抗体对抗原的识别程度，亲和力越高，说明抗体对抗原的识别程度越好；④抗体的更新：将亲和力高的抗体加入种群；⑤抗体的促进和抑制：高亲和力的抗体受到促进，低亲和力的抗体受到抑制；⑥种群的更新：对亲和力高的抗体按照免疫算子进行变异产生新的抗体，并加入种群；⑦若满足终止条件则结束，否则转③。 　　在AIA求解问题时，需要确定抗体的编码、抗原的选择、亲和度表达式、排斥力表达式等问题。一般来说，抗体的编码用一串字符串编码，满足约束条件的最优解即认为是抗原，亲和度计算公式和排斥力计算公式需根据待解决的问题实际定义，亲和度公式是否合适直接影响了最优解求解速度和质量，排斥力公式是否合适直接影响了抗体的多样性，好的排斥力公式能有效地防止算法陷于局部最优解。AIA具有快速随机的全局搜索能力，但不能有效地利用系统的正反馈信息，往往会做大量的冗余迭代，降低了求解效率。 　　2蚁群算法 　　蚁群算法（ACO）是由意大利学者M.Dorigo，A.Colorni，V.Manizzo等在20世纪90年代初提出来的一类新的仿生智能算法。它是模拟蚂蚁在没有任何提示的情况下能找到通往食物的最短路径的行为产生的。蚂蚁会在走过的路径上释放一种叫做信息素的物质。当蚂蚁群体在食物和巢穴间还没有形成一条最短路径的时候，会遇到很多岔路口，当它们碰到一个还没有走过的路口的时候，就随机选择一条路径，并在经过该路径的同时，释放信息素。信息素是可以挥发的物质，路径越长该蚂蚁在该路径上残留信息素量越小。当后来的蚂蚁再次碰到这个路口的时候，就会以更高的概率依据每条路径上的信息素残留量选择残留量高的路径，这样便形成了一个正反馈机制，最终使蚁群找出最优路径。 　　蚁群算法的基本步骤： 　　①参数初始化；②循环次数Nc←Nc+1；③蚂蚁的禁忌表索引号k=1；④蚂蚁数目k←k+1，蚂蚁个体按照状态转移概率选择元素j并前进，j∈{C-tabuk}；⑤修改禁忌表指针，即选择好之后将蚂蚁移动到新的元素，并把该元素移动到该蚂蚁个体的禁忌表中；⑥若集合C中元素未遍历完，即km，则跳转到第4步，否则执行⑧；⑦更新每条路径上的信息量；⑧若满足结束条件，即如果循环次数Nc≥Ncmax，则循环结束并输出程序计算结果，否则清空禁忌表并调换到步骤②。 　　ACO具有分布式并行全局搜索能力，但由于初期信息素匮乏，求解速度低。 　　本文提出的算法融合了人工免疫算法和蚁群算法的优点，采用人工免疫算法产生初始种群，即初始最优解集，利用蚁群算法在初始解上产生信息素分布，提高求解效率。经比较，融合后的AIAC在寻优能力和求解效率上都优于人工免疫算法和蚁群算法。 　　3人工免疫算法和蚁群算法的融合算法 　　3.1AIAC算法实现中的若干问题 　　人工免疫-蚁群混合