基于混合智能的WSN节能路由

无线传感器网络中用于节能路由的混合智能算法

摘要

无线传感器网络（WSN）中传感器节点的感知数据在空间和时间上均具有随机性。在能量受限的无线传感器网络中，随着传感器节点电池在每轮路由过程中不断消耗，将感知数据传输至基站的路由变得更加具有挑战性。数据包通过时分多址模式下的多跳无线通信方式传送到基站。本文采用软计算技术提出一种智能算法，通过提供节能路由来延长网络寿命。该方法是一种混合方法，其中采用带有部分映射交叉的遗传算法寻找最优路径，同时利用模糊逻辑确定链路代价。为了实现最优路由，计算了相邻节点之间的链路代价，该代价考虑了节点的剩余能量、距基站距离以及簇内节点密度。使用模糊逻辑机制计算所有相邻节点的链路代价，并将这些代价表示为链路成本矩阵，且每轮之后更新该矩阵。该算法基于分层路由概念，并采用K均值数值方法对传感器节点进行聚类。该方法已在MATLAB中成功实现，多种场景下的仿真结果表明，首个节点死亡前的轮数多于LEACH，从而相较于LEACH延长了网络寿命。

关键词 ：K-Mean，软计算，WSN，Routing

1 引言

无线传感器被认为是微小、经济型且低功耗的设备，大量部署在某一区域。节点集成了传感单元、收发器和执行器，具有有限的板载处理能力和无线通信能力。

本文档由 funstory.ai 的开源 PDF 翻译库 BabelDOC v0.5.10 (http://yadt.io) 翻译，本仓库正在积极的建设当中，欢迎 star 和关注。

[1]。每个节点都被视为一种廉价的计算机系统，能够进行连接、计算以及感知[2]。无线传感器网络通常用于实现身体参数监测、布置监控、环境监控、故障诊断、辅助程序应用，可检测温度、移动性、声音，并能感知地震[3]。

在目标区域部署传感器节点时，通常根据应用需求采用随机和确定性方法。成功部署后，传感器必须能够自行组成无线通信网络。由于部署的传感器节点存在严重的能量限制，该设想需要选择多种管理方法，以应对部署、覆盖、节能路由和网络安全等方面的挑战[4]。

传统路由方法在无线传感器网络上使用时存在诸多缺点，例如电池容量有限和无线链路的最小带宽，这给无线传感器网络的路由带来了挑战。

A. 无线传感器网络路由协议

传感器网络中的路由与现代通信以及无线自组织网络在多个方面有所不同。对于大量传感器节点的使用，无法建立一种通用接入系统。因此，基于IP的方法不能用于无线传感器网络的路由[5,7]。基站向所有部署的传感器发送请求，这种以数据为中心的方法非常适合无线传感器网络路由。针对能量受限传感器设计节能路由协议具有挑战性，因为传感器节点在感知、数据处理以及向基站传输数据的过程中都会消耗能量[6]。

路由技术通常根据部署结构分为三类：平面、基于位置和分层路由协议[5]。它们的共同目标是提高网络寿命，同时不损害感知数据。

在分层路由中，通常会为部分或所有节点分配不同的功能和角色。所有节点通常在网络中发挥着不同的作用。网络被划分为不同的簇，每个簇包含若干节点，并且会推选一个节点作为该簇的簇头。网络中的通信通常通过节点发送到簇头，然后由簇头将信息传输至基站。

由于簇头需要将所有簇内节点的数据传输到基站，其能量消耗会额外增加。因此，建议定期轮换簇内的不同节点担任簇头，以确保能量消耗的均衡。分层路由中由于数据聚合，簇内节点的数据通常在簇头处进行合并，从而减少了数据冗余。簇头选择在网络生命周期延长方面起着重要作用。

聚类是无线传感器网络路由中的关键参数。它是基于传感器节点的位置进行的。所有部署的节点的位置通常是已知的，因为它们被嵌入了GPS。K-均值[15]和模糊[13]是最广泛使用的无线传感器网络聚类算法。K-均值方法是一种数值型且非确定性的技术，用于将部署的节点划分为K个互不相交的簇，并确定每个簇的簇头。在模糊聚类技术中，一个节点可以同时属于多个簇，但其隶属函数的程度不同。这两种技术都有助于降低传感器网络的能量消耗，从而延长网络寿命。

问题网络建模尤其是传感器节点的能量有限以及其在战场等恶劣环境中的部署，给无线传感器网络的路由算法设计带来了挑战。在网络运行过程中，节点能量逐渐耗尽，当其达到阈值时，感知功能将出现故障，从而导致网络的复杂行为。

这种复杂行为和恶劣环境会导致节点能量以不平衡的方式被消耗，一些频繁参与的节点会比其他网络节点更早死亡。数学模型很难同时优化各个节点的能量消耗并平衡整个网络的能量消耗。

为了解决能量消耗不均衡的问题，可以采用最优路由，通过在不同轮次中将流量分布到网络的所有节点上来实现。这些最优路径基于链路代价，其参数包括剩余能量和传输能量。

蚁群优化、遗传算法、模糊逻辑和神经网络等计算智能算法为解决此类不可预测的复杂行为提供了方案，其优化结果将延长无线传感器网络寿命。

B. 无线传感器网络路由的软计算

无线传感器网络中能量的有效利用可能成为影响网络整体性能及其生命周期的瓶颈。优化数据路由会显著影响节点的能量消耗，并延长节点耗尽能量的时间[8, 9]。部署智能且先进的软计算技术，如模糊逻辑（FL）、神经网络（NN）和进化算法（EA），已被应用于寻找节能路径[10]。

2 路由开销度量

在多跳无线传感器网络路由中，每个传感器节点都负责数据感知和路由。为了找到能量高效的路由，节点能量和基站的位置是关键参数[11, 12]。在每一轮路由过程中，传感器节点的残余能量会在感知和将数据包传输到基站的过程中被消耗。为了找到能量高效的路由，已采用基于模糊路由代价的方法（图1）。

模糊算法基于模糊逻辑系统处理不确定性和模糊性的强大能力。模糊逻辑以无模型著称，其隶属函数不依赖于统计分布。本文应用模糊逻辑系统，依据某些准则来优化路由过程。主要目标是设计一种利用模糊逻辑系统延长传感器网络寿命的算法。模糊系统计算两个传感器节点之间的链路代价，该代价取决于剩余能量、簇权重和簇头到基站的距离。每一轮路由结束后，参与感知和路由的节点能量被消耗，随后重新计算链路代价[13]（表1）。

1. 剩余能量（E）[13]

基站使用K-均值方法对部署的传感器节点进行聚类。节点在感知后将数据包发送至各自的簇头，簇头接收数据，然后通过多跳通信模式将其转发至基站。在簇模式中，能量消耗发生在节点的感知数据，簇头在接收来自节点的数据时消耗能量，以及从簇头到基站传输数据所消耗的能量由公式1给出。每次路由轮次后计算每个节点的剩余能量，并由公式2给出。

$$
Ec = \sum_{J=1}^{M} E + M \cdot R + Epz \quad (1)
$$

$$
ERES(r - 1) = ERES(r - 1) - Ec(r - 1) \quad (2)
$$

其中，$ r $ 是路由中的轮次值，$ ERES $ 是剩余能量。

2. 簇密度（CD）[13]

簇密度是簇头到各节点距离的总和，对于具有 $ m $ 个成员节点的簇，其簇密度（CD）为

$$
CD = \sum_{i=1}^{m} dip
$$

其中 $ dip $ 为从i节点到簇节点p的距离之和。

3. 距离（D）

位于位置p的簇头到位于位置z的基站的距离定义为

$$
D = dpz
$$

对于较大的网络，应尽量缩短该距离[14]；否则，大多数节点的能量将被浪费。然而，对于节点数量较少且位置较近的小型网络，直接传输到基站可能是一个可接受的选择[17]。如果剩余能量充足，且簇头（CH）与基站之间的距离近，簇头与节点之间的距离高（密度小），则路由开销低。

此处，残余能量、簇头（CH）与基站之间的距离以及密度为输入，路由开销为输出，近、好为模糊系统的语言变量。该模糊系统采用Mamdani蕴含和三角隶属函数，其规则库包含27条规则。

所提出的路由开销度量包含三个参数：节点能量、基站距离以及簇头和节点。对于任意两个部署的节点之间的路由，其路由开销通过模糊系统进行计算。所有n个节点之间所有可能路由的开销存储在N*N路由矩阵中。每一轮路由结束后，模糊系统会为该矩阵计算新的数值，从而使路由矩阵的开销发生变化。

No	距离(D)	密度(CD)	能量(E)	输出
1	Med	High	非常低	非常长
2	Med	High	Low	long
3	Med	High	Med	med
4	Med	High	High	小
5	Med	High	非常高	非常小
6	Far	Low	非常低	非常长
7	Far	Low	Low	非常长
8	Far	Low	Med	long
9	Far	Low	High	med
10	Far	Low	非常高	med
11	Near	小	非常低	非常长
12	Near	小	Low	非常长
13	Near	小	Med	med
14	Near	小	High	med
## 3 基于软计算的路由方法

网络中每个节点的能量都用于感知和将数据传输到基站。每次路由后，网络的每轮路由成本度量都会动态变化[18, 19]。本文的目的是找出一种能量高效的路由策略，以延长网络寿命[10]。软计算方法非常适合在网络的路由节点之间实现能量高效的路径选择[16]。

a. 部分映射交叉遗传算法路由

遗传算法的软计算方法[13]的优化特性用于在各个节点之间选择节能路径。传感器的节点类似于染色体的基因，并用数值表示，多个染色体构成遗传算法的种群，最优染色体生成下一代种群。下一代的种群变换取决于生存适应度。其性能依赖于编码方案以及遗传算子的选择，特别是选择、交叉和变异算子。

遗传算法伪代码

种群 [13]：初始种群是一组随机生成的个体。新种群通过两种方法生成：稳态遗传算法和代际遗传算法。稳态遗传算法每次进化中替换种群中的一个或两个成员，而代际遗传算法在每一代进化中替换全部成员。

适应度 [13]：在自然界中，个体的适应度是指其传递遗传物质的能力。这种能力包括使其能够生存并进一步繁殖的特性。在遗传算法中，适应度由定义问题的函数进行评估。个体染色体的命运取决于其适应度值。适应度值越高，生存的机会就越大。

选择 [13]：选择过程决定当前种群中哪些染色体会进行交配（交叉）以生成新染色体。这些新染色体将加入现有种群中。该混合种群将成为下一次选择的基础。具有更优性能的个体（染色体）适应度值更高的个体具有更大的被选择机会。我们采用了等级选择法。

交叉 [13]：类似于有性生殖过程，父代的遗传信息被传递给下一代子代。一个父代染色体的基因与另一个父代交换，从而产生下一代的基因。n个节点的排列为我们提供了路由，而具有最小成本的路由是最优解。传统交叉会产生包含重复和缺失节点的无效路径。采用部分映射交叉，可在从父代到下一代的过渡过程中仅生成有效路径。

变异 [13]：如果在交叉后子代生存没有显著改善，则在下一代中引入新的基因序列。此过程称为变异。但选择过程仅会保留那些适应度高于产生下一代的前一种群的变异染色体。该倒位突变在部分映射交叉之后应用。此变异过程随机识别染色体中的两个位置，然后交换位于这两个位置之间的子串中的基因。

4 性能评估

在所提出的节能路由方法中，将支持GPS的传感器节点部署在具有给定维度的地形区域中。应用K-均值聚类算法，生成10个互不相交的簇，并选择每个簇的簇头[20]。

种群：遗传算法的初始种群以染色体长度为十生成。该染色体的基因随机选择，使得每个簇中仅有一个成员被选中。该种群代表数据包的可行路径，且每次种群迭代都会选择新的簇头。

适应度：使用模糊系统生成的链路成本矩阵计算每个种群的适应度，并将这些种群按升序排列。两个适应度最高的种群将参与交叉。部分映射交叉和倒位突变作为遗传算子用于路由优化（表2）。

无 节点	无 簇	无 代(GA)	Area (mtr)	能量	基站区域	数量 轮次 节点覆盖之前 dead
50	10	50	100	0.25	X= 150,Y = 100	643
50	10	50	100	0.25	X= 150,Y = 100	630
50	10	50	100	0.25	X= 150,Y = 100	638
50	10	50	100	0.5	X= 150,Y = 100	1367
50	10	50	100	0.5	X= 150,Y = 100	1044
50	10	50	100	0.5	X= 150,Y = 100	1205
50	10	50	100	1	X= 150,Y = 100	1507
50	10	50	100	1	X= 150,Y = 100	1246
50	10	50	100	1	X= 150,Y = 100	1768

仿真参数：仿真运行了3次，每次节点的初始能量（0.25、0.5和1焦耳）不同。通过对m个节点进行K均值聚类，并通过遗传算法的种群代生成进行动态簇头选择，从而延长了网络寿命。在100代后计算出路由的最佳适应度值。

所提出的方法与LEACH在第一个节点死亡前的轮数上进行比较，结果如下表所示（表3和表4）：

序号	参数	数值
1	节点数量 (m)	100
2	网络规模 (A)	50 x 50 米
3	消息大小 (k)	2000
4	基站位置 (z)	150,50
5	簇头速率	10
6	无线电模型	全无线电
7	簇头传输	单跳

初始能量	0.1j
电子电路能耗	50 纳焦/比特
Efs	10 皮焦/比特/米^2
Dco	87 m
Eda	5 纳焦/比特/信号
数据包大小	4000 比特
计算能量	50 纳焦/比特
发送_近能量	数据包_大小*(电子 + Eda)+数据包_大小*自由空间能耗
发送_远能量	Packet_Size*(电子 + Eda)+ Packet_Size*Emp*dis^4
接收能量	(Packet_大小*(电子 +Eda)*0.05)
组合与压缩	(Packet_大小*(电子 +Eda)*0.05)*0.05

	0.25 焦耳	0.5 焦耳	1 J
我们的方法	522	1367	1768
LEACH	394	932	2608

5 结论

本文在设计无线传感器网络（WSN）的节能路由时，考虑了由于传感器在战场等恶劣环境中的部署以及传感器节点能量耗尽所导致的动态变化条件。提出了一种模糊逻辑与遗传算法相结合的软计算混合方法用于路由。其中，模糊系统用于计算各节点之间的链路代价，而遗传算法则将链路代价作为优化问题中的适应度，以寻找高效路由。在MATLAB中对不同场景进行了仿真，并与LEACH进行了比较，结果表明在首个节点死亡前的轮数方面有所改善。未来的工作将应用更多软计算方法，如蚁群优化、BB_BC，并考虑节点的移动性。