基于BP神经网络和蚁群WSN分簇算法研究.docVIP

基于BP神经网络和蚁群的WSN分簇算法的研究-电气论文 基于BP神经网络和蚁群的WSN分簇算法的研究 王改云，胡锦艳 （桂林电子科技大学，广西桂林541004） 摘要：在研究经典低能量自适应分簇路由算法的基础上，提出基于BP神经网络和蚁群的无线传感器网络分簇路由算法。在分簇阶段将BP神经网络应用于每个分簇结构中，把采集的大量信息通过设计好的神经网络模型融合得到反映原始数据特征的少量数据信息。在数据传递阶段将蚁群算法应用到簇间路由机制中，寻找簇头到基站的最佳路径。将融合后的数据通过优化的路径传送到汇聚节点。仿真结果表明，该算法和LEACH算法相比，有效地均衡了网络的能量消耗，并延长了网络的生命周期。 关键词 ：无线传感器网络；蚁群算法；神经网络；数据汇聚 中图分类号：TN711?34；TP183 文献标识码：A 文章编号：1004?373X（2015）17?0045?04 0 引言 在无线传感器网络（Wireless Sensor Network，WSN）中，由于传感器网络上节点能量有限，且不能更换电池，因此如何合理高效地使用能源，尽可能多地延长网络的生命周期，成为传感器网络研究的核心问题之一[1]。在无线传感器网络中，研究的重点问题是通信模块的节能，而网络路由是实现网络高效通信的基础，所以把重点放在路由算法的研究上。 在设计路由协议时，考虑均匀使用节点能量和数据融合这两点[2]。在分簇层次结构中，簇首节点对其负责区域的数据进行融合，然后将有用的信息转发给汇聚节点。无线传感器网络在传感器节点感知处理数据方面相当于神经网络的神经元，二者有着类似的功能，再利用传感器节点的路由选择过程和蚁群算法蚂蚁的觅食寻优行为有着极大的相似性，而且蚁群算法具有自组织、自适应、并行搜索等特点，使用蚁群优化设计WSN。近几年来，研究人员开展了很多把神经网络算法和蚁群算法等应用到无线传感器网络的研究。文献[3]提出了将神经网络的层次结构应用到无线传感器网络的分簇结构中，构造一个基于神经网络的数据融合模型，很好地降低了网络的传输能耗，延长了网络生命周期。文献[4]提出基于蚁群和遗传算法相结合的路径优化方法，有效延长了网络的生命周期。文献[5]为大规模基于簇的无线传感器网络提供了一个有效的路由算法（ERC）。采用两层路由，在第一层用LEACH 算法选择簇首，第二层通过蚁群算法（ACO），找到一条最佳去汇聚节点的路径，只有簇头参与簇内路由。文献[6]先采用模糊理论的簇头选举算法，根据能量、通信范围、计算能力和邻居节点数等因素采用模糊综合评判法推选簇首；然后在分簇的基础上，采用蚁群算法建立最佳路由。文献[7]通过将节点能量水平和传输距离引入ACO的信息素增量公式，使ACO 较好地适应于WSN 的路由协议。但是，该算法没有考虑全网能量均衡使用的问题。 本文通过在经典路由算法LEACH的分簇阶段引入BP神经网络，在数据传输阶段引入蚁群算法，提出一种新的基于BP神经网络和蚁群的BPACA分簇算法，该算法有效地延长了网络的生命周期。 1 通信能量消耗模型 本文采用与LEACH算法相同的无线通信能量消耗模型[8]，网络中的所有节点都是同构的且能量有限，同时每个节点都有惟一标识（ID）。节点发送l b的数据能量消耗由发射损耗和功率放大损耗两部分组成，发送的能量消耗如下： 2 基于BP 神经网络和蚁群算法的路由算法 2.1 算法的基本思想 经典的路由算法通常分成三个阶段：簇首选举、簇形成和数据传输。节点分为簇首节点和簇成员节点两种。簇成员节点把数据传输给簇首，簇首负责数据的收集、处理和簇间传输。 本文对无线传感器网络路由LEACH算法进行分阶段改进，在簇首选举阶段采用BP神经网络算法对其进行优化处理，即在簇首节点和成员节点之间利用BP神经网络算法对采集到的原始数据进行融合，融合传感器节点传递给簇首的信息，再将信息传递给汇聚节点；在簇间传递阶段，采用与蚁群算法相结合的方法，由于蚁群算法和无线传感器网络节点的结构十分相似，有并行计算等优点，故使用蚁群算法在此阶段进行优化，整体达到延长网络周期的目的。本算法的流程如图1所示。 2.2 算法的实现过程 2.2.1 簇内路由阶段 簇内路由阶段包括簇首选举阶段和簇形成阶段。先对整个网络进行初始化，按照LEACH协议挑选簇首，簇首挑选稳定后，簇首节点把所有簇内节点的相关信息发送给汇聚节点。在此过程引入BPDF（BPNN Data Fu?sion）算法[9]，该算法是在簇首节点和簇成员节点之间使用BP神经网络对数据进行融