JS 杂志上的传感器 1687 - 7268 1687 - 725 x Hindawi出版公司 10.1155 / 2015/438290 438290年 研究文章 轮为一种改进的蚁群路由算法 智 棕褐色 回族 张 曾 Qing-An 北京大学的土木工程 北京10044年 中国 bucea.edu.cn 2015年 1 6 2015年 2015年 12 12 2014年 04 03 2015年 1 6 2015年 2015年 版权©2015谭智和张慧。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

蚁群算法是一种经典的路由算法。,它被用于各种各样的应用程序,因为它是经济和自组织。然而,路由算法开始时将消耗大量的能源。摘要基于Dijkstra算法的思想,提出了改进的蚁群算法来平衡网络的能源消耗。与基本蚁群算法通过仿真和比较,很明显,改进算法可以有效地平衡能耗,延长了网络的生命周期。

 1。介绍

蚁群算法,通过m .民宿et al。 1, 2观察蚂蚁觅食的行为。它已相当流行各种各样的离散优化问题,如旅行推销员问题,二次分配问题,作业车间调度( 3]。由于自组织的特点,autooptimizing、动态拓扑、一个蚁群算法应用于Ad Hoc网络,无线传感器网络,等等。基于蚁群路由算法不断改进。Kassabalidis et al。 4]提出Ant-Net算法实现路由优化通过远期蚂蚁和返回蚂蚁(向前蚂蚁收集节点信息;返回蚂蚁使用这些信息更新路由表)。和ABC算法( 5](基于ant的控制算法)是基于概率模式的路径选择和更新。该算法只是一种蚂蚁从源节点和释放这些蚂蚁死后到达目标节点。节点的路由表将被更新,当蚂蚁到达目标节点。

在本文中,我们提出了改进蚁群算法获得最优路由路径的优化。我们尽量节省能耗和延长网络寿命的条件下,满足需要的路径。

 2。迪杰斯特拉算法 2.1。迪杰斯特拉算法

Edsger Dijkstra算法由荷兰计算机科学家Wybe Dijkstra算法解决问题的最短路径从源点到其他点的有向图。

每一个点更新信息从原始点的最短路径。它通常是定义如下。

假设<我nline-formula> V 和<我nline-formula> T 是两套,表示原始点和其他点。

在初始时刻,<我nline-formula> O 是子集的报道<我nline-formula> V 和<我nline-formula> t 1 , t 2 , … , t 米 子集和报道吗<我nline-formula> T 。

步骤1。的距离<我nline-formula> D ( t 我 ) 从原点是最短的距离吗<我nline-formula> O 除了其他点<我nline-formula> t 我 。计算<我nline-formula> D ( t 我 ) ,我们可以点<我nline-formula> x 这是最接近点对点吗<我nline-formula> O 在一组<我nline-formula> T 。

步骤2。停止,如果设置<我nline-formula> T 是零;否则返回步骤1,<我nline-formula> 年代 = 年代 ∪ { x } ,<我nline-formula> T = T - - - - - - { x } 。

 3所示。改进的蚁群路由算法

在蚁群算法模型中,无线传感器网络可以被描述为一个无向图。起初,初始信息素的缺乏会导致求解速度和高消耗低,这影响了蚁群算法的整体性能 6, 7]。为了解决这个问题,改进的蚁群算法基于Genetic-Ant蚁群算法( 8]。然而,这可能会导致增加了交叉和变异后的数据传输中断。在论文中,提出了关于Dijstra算法改进的蚁群算法分配节点的有向图。它可以增加算法的初始效率,确保稳定。

3.1。信息素初始优化

节点号<我nline-formula> 米 和通信半径<我nline-formula> R 确定。让<我nline-formula> V 我 = Φ ,<我nline-formula> 我 = 1、2 , … , 米 ,是一组记录前面的节点数量和<我nline-formula> P 我 = 0 节点系数。让<我nline-formula> d 我 j 节点之间的交通需求<我nline-formula> 我 和节点<我nline-formula> j 。

步骤1。终点与相邻节点通信。相邻节点<我nline-formula> P ( k = 1、2 。 。 。 , 米 ) 记录终止点的数量和更新节点系数。

如果<我nline-formula> d o 2 k 小于<我nline-formula> R ,<我nline-formula> P k 设置为1和吗<我nline-formula> O 2 投入一组吗<我nline-formula> V k 。

步骤2。得到的数字<我nline-formula> 年代 与起始点的节点可以直接沟通。的初始值<我nline-formula> 年代 是零,值+ 1什么时候<我nline-formula> d o 1 k 小于<我nline-formula> R 。

步骤3。节点<我nline-formula> j 与相邻的节点<我nline-formula> k 。当<我nline-formula> P j < P k 或<我nline-formula> P k = 0 ,节点<我nline-formula> k 更新<我nline-formula> p 和记录节点的数量<我nline-formula> j 直到开始点数量的相邻节点<我nline-formula> j = 1、2 。 。 。 , 米 。

通过操作,节点获取信息路线从节点到终点。的路线没有返航。

 3.2。路径选择

模拟蚁群搜索食物的过程,基本蚁群算法的模型如下。

假设<我nline-formula> 年代 是一组,<我nline-formula> 年代 1 , 年代 2 , … , 年代 米 子集和报道吗<我nline-formula> 年代 在初始时刻,他们选择;蚂蚁将是随机的<我nline-formula> 米 子集,假设每个子集的初始信息<我nline-formula> τ 我 j 0 = C 。蚂蚁的概率<我nline-formula> k 转移的子集<我nline-formula> 我 对子集<我nline-formula> j 是( 9] (1) p 我 j k = τ 我 j t α η 我 j β ∑ t ∈ 允许 d t τ 我 t α η 我 t β , j ∈ 允许 d t 0 , 否则 。 其中,<我nline-formula> t 是迭代数,<我nline-formula> k 是ID (<我nline-formula> k = 1、2 , … , 米 蚂蚁),<我nline-formula> t 迭代次数;允许<我nline-formula> t 是下一个子集选择从蚂蚁<我nline-formula> k ;<我nline-formula> τ 我 j t 子集的信息素强度吗<我nline-formula> 我 对子集<我nline-formula> j ;<我nline-formula> η 我 j 激励程度的蚂蚁吗<我nline-formula> k 从子集<我nline-formula> 我 的子集<我nline-formula> j 。这两个参数<我nline-formula> α 和<我nline-formula> β 积累的信息和启发信息的过程中蚂蚁的运动,反映出的相对重要性蚂蚁选择下一个子集。

为了平衡节点的能耗,改进的蚁群算法进入能源因素基于基本蚁群路由算法找到短和高能源路径。然后,改进的概率从节点<我nline-formula> 我 到节点<我nline-formula> j 定义如下: (2) p 我 j k = τ 我 j t α η 我 j β ξ 我 j χ ∑ t ∈ 允许 d t τ 我 t α η 我 t β ξ 我 t χ , j ∈ 允许 d t 0 , 否则 。 使用相对因素代表了规范化的方法,<我nline-formula> ξ 是相对能量因子等于剩余能量的节点<我nline-formula> j 除以初始节点能量和乘以1.2。的参数<我nline-formula> χ 积累的信息和启发信息的过程中蚂蚁的运动,它反映了相对能耗的蚂蚁选择下一个子集。

 3.3。信息素更新

子集<我nline-formula> p 决定,蚂蚁会停止当元素选择子集包含目标节点;这将标志着结束循环。毕竟蚂蚁完成一个循环,子集的信息素调整根据以下方程: (3) τ 我 j t + 1 = 1 - - - - - - ρ · τ 我 j t + ∑ k = 1 米 Δ τ 我 j k , Δ τ 我 j k = 问 l k , 如果 j ∈ 解决方案 的 蚂蚁 k 0 , 否则 。 其中,<我nline-formula> 1 - - - - - - ρ 信息素的衰减系数;通常<我nline-formula> ρ ∈ ( 0 1 ] 为了避免无限积累的信息子集;<我nline-formula> l k 子集的数量和吗<我nline-formula> k 选择在这个周期;<我nline-formula> 问 信息素强度;它在一定程度上影响了算法的收敛速度。

 4所示。仿真结果

计算仿真例子和与基本蚁群路由算法表明,改进的蚁群路由算法是有效的。如图 1,我们模拟一个固定网络与48个传感器节点部署在目标区域<我nline-formula> 80年 米 × 80年 米 正方形。我们还初始化,每个传感器的电池能量是1 J和传感半径<我nline-formula> R 每个节点是30米。蚁群算法参数的默认值设置为<我nline-formula> α = 1 ,<我nline-formula> β = 2 ,<我nline-formula> χ = 2 ,<我nline-formula> ρ = 0.7 ,<我nline-formula> 问 = One hundred. ,<我nline-formula> τ int = 0 。

节点分布。

比较两种算法的生命周期,我们假设能源消耗0.1 J接收和发送信息。作为显示在图 2实线表示,改进蚁群路由算法和虚线代表基本蚁群路由算法。算法的总能量是相同的。随着时间的继续,改进的蚁群路由算法具有更长的运行时间。后很多时间测试,如图 3改进的蚁群路由算法具有更长的生命周期,这是一个节约资源的好方法。

比较能源消费的持续时间在两个算法。

生命周期在两个算法的比较。

另一方面,表 1显示了比较两种算法的平均路由路径。改进蚁群算法的平均路由路径减少了约三分之一的基本蚁群算法。改进措施使路由减少。同时,改进算法也减少了能源消耗。我们可以看到改进的蚁群路由算法具有更优的路由路径,保证流畅的消息。

平均路由距离比较。

算法 改进的蚁群路由算法 基本蚁群路由算法
1 114.354 304.503
2 114.518 269.581
3 114.700 267.072
4 114.261 319.672
5 114.559 339.222
6 113.953 266.705
7 113.710 301.923
5。结论

无线传感器网络具有显著特征,如弱节点的计算能力和精力有限的节点,所以我们应该让它效率和节约能源的设计无线传感器网络路由算法。蚁群算法是一种新的启发式搜索算法,它有很多优势在路线优化但浪费不少时间和精力,由于信息素缺乏症。因此,本文提出了改进的蚁群路由算法,这是灵感来自迪杰斯特拉算法改变了无线传感器网络无向图,有向图和能量平衡消费思想改进蚁群算法。

与基本蚁群路由算法相比,改进的蚁群路由算法是一种算法较低的能量,具有较高的性能。

 利益冲突

作者宣称没有利益冲突有关的出版。

 承认

这项工作是由北京市教育科学技术发展计划(KM201110016015)。

 枪 M。 Spaniol O。 为移动种ad hoc网络路由算法 学报在下一代网络技术国际研讨会 2002年 20. 27 莫迪 Z。 Jardosh 年代。 野生动物 P。 谣言对无线传感器网络路由算法进行了优化 学报》第五届国际会议上无线通信和传感器网络(WCSN ' 09) 2009年12月 1 6 10.1109 / wcsn.2009.5434803 2 - s2.0 - 77952384172 卡恩 J。 卡茨 R。 高压球阀 K。 下个世纪挑战:移动网络“智能尘埃” 学报》第五届ACM和IEEE移动计算和网络国际会议(99年MobiCom”) 1999年 ACM的新闻 271年 278年 10.1145/313451.313558 Kassabalidis 我。 El-Sharkawi m·A。 标志着 r . J。 Arabshahi P。 灰色的 答:一个。 群体智能通信网络的路由 全球电信 2001年 6 6 3613年 3617年 麦克布莱德 B。 岩 C。 达斯 年代。 分布式biobjective蚁群算法对低成本覆盖网络路由 2 《人工智能国际会议(ICAI 06年) 2006年6月 518年 521年 2 - s2.0 - 84866133247 女王 年代。 塔拉 N。 Sultana 年代。 节能目标覆盖在无线传感器网络中基于改进蚁群算法 国际期刊的特别、传感器和无处不在的计算 2010年 1 4 29日 36 10.5121 / ijasuc.2010.1403 朱 F。 王 H。 修改后的ACO算法基于多播树的多播状态可伸缩性问题相似 学报13先进通信技术国际会议(ICACT 11) 2011年2月 首尔,韩国 972年 976年 2 - s2.0 - 79955679179 作者Nishant K。 沙玛 P。 克利须那神 V。 古普塔 C。 辛格 k P。 Rastogi R。 云中的节点负载平衡使用蚁群优化 学报》第14届国际会议上计算机建模和仿真(UKSim 12) 2012年3月 3 8 10.1109 / uksim.2012.11 2 - s2.0 - 84863104051 Purkayastha P。 巴拉 j·S。 蚂蚁通过随机路由算法近似收敛结果和优化 学报》第46届IEEE会议决定和控制(CDC ' 07) 2007年12月 340年 345年 10.1109 / cdc.2007.4434982 2 - s2.0 - 52949122333