遗传的群优化无线传感器网络的多次反射路线

文摘

近年来,无线传感器网络引起了相当多的研究的关注对于广泛的应用程序,但它们仍然存在巨大的网络通信挑战,涉及本质上使用大量的资源受限节点操作无人值守和暴露于潜在的地方失败。为了最大化网络寿命,本文遗传的群优化(GSO),一类混合进化技术开发为了利用最有效的方式的唯一性和特殊性两种经典优化方法;粒子群优化(PSO)和遗传算法(GA)。这个过程是实现优化无线网络的通信能量消耗通过选择最佳的多次反射路由方案,用一个合适的杂交不同的路由标准,确认自己是一个灵活和工程应用程序的有用工具。

1。介绍

电流传感器网络解决问题的会议还标准的准确性和交付数据从远程位置适当级别的空间和时间分辨率。

今天,传感器技术的发展,无线通信和数字电子技术不仅展开许多可能的应用,还介绍挑战性问题的协作处理信号在一个能源贫瘠的分布式传感器网络(1]。优势不仅明显减少的大小,而且在功能性能和可靠性的提高和单位成本的降低高容量的批处理。

无线传感器网络被用于各种各样的民事和军事目的。传感器网络由大量传感器节点通常部署在恶劣的环境中,这是设计来检测事件或自然现象和收集、过程,和传送感知数据感兴趣的用户。发展网络的低成本,低功耗,多功能传感器受到越来越多的关注在过去年2]。这些传感器体积小、能够合理,过程,和沟通数据,通常在一个无线电频率(RF)通道。因为传感器通常用来测量和监视一些参数会随地点和时间,大量的传感器通常需要为了获得这些参数在不同的位置和时间的样本。

的一些应用预见轮为需要的设备数量数以千计的节点的顺序。战略部署大量的廉价的传感器具有显著的优势,在更小的系统总成本:更高的空间分辨率,高鲁棒性对通过分布式操作失败,均匀覆盖,它突出,易于部署,减少能源消耗,和,因此,增加系统寿命。主要点是定位传感器接近潜在现象的来源,在获得数据可能最大的利益或影响。

大量的传感器节点和动态的操作环境(例如,有限的电池能量和敌对的物理环境)带来了独特的挑战在传感器网络和他们的应用程序的设计。此外,问题收集的关于如何查询和访问信息,存储在一个传感器网络仍然开放的问题。而且不同类型的传感器大小可能不同,计算和能源功能,函数执行,参数测量,和移动模式。

由于这些原因传感器网络建模和设计代表了一个非常复杂的和复杂的过程,和执行系统优化是基本的就业新技术对于现实生活中现实的改进。传感器网络的能源约束,尤其是当他们的大小增加,代表一个大域问题,需要考虑许多同时优化参数。因为这个原因我们决定调查的有效性进化算法优化网络寿命有限的电力供应框架,主要专注于传播策略(3]。

在过去的几十年了进化算法为优化开发不同类型的工程问题。所有这些算法是基于启发式搜索技术,可用于解决一般组合优化问题,仿照自然选择与进化的概念,或基于文化和社会行为的典型群体智慧。节2将提供更多的细节和例子,不同的算法在最近的文献和一些混合策略将回顾之前GSO算法本身。校长GSO算法类的属性描述分析其适当的机制和显示一些最近的增强我们的结果提出对这个特定的应用程序。

特别是,我们决定维持基本算法结构可靠性以来已经被证明在先前的研究和论文的焦点不允许我们执行一个完整的比较研究对其他启发式方法。例如,开车杂交参数本身开辟了不同标准决定人口配额进化的各种策略,和很多健身的例子多样性适应和Meta-Lamarckian学习可以在文献中找到(4- - - - - -7]。这里更多的测试已经完成,进一步证明该算法鲁棒性和一个新的接口了为了适应这种网络问题的混合算法。

节3指的,讨论了传感器网络优化问题也可以在文献中找到的例子。部分4描述了考虑网络模型和一些假设我们之前进行数值模拟。部分5说明了我们开发的过程进化优化方法应用于传感器网络模型。最后,数值实现和结果部分的无线传感器网络优化报告6。

2。遗传的蜂群优化算法和混合策略

静止算法是作为一个混合进化技术开发以最有效的方式结合在GA的性质和算法,克服过早收敛的问题。几个进化算法已经发展在过去几年不同的工程问题的优化。所有这些算法的启发式技术,可用于解决组合问题,仿照自然选择的概念,遵循古典达尔文的进化论,或基于文化和社会学习,接近拉马克的有机体可以传输特性获得在其一生。例如,遗传算法(GA)是一种最有效的开发直到现在进化算法(8]。模拟自然进化,适者生存,采用pseudobiological运营商如选择,交叉,变异,以及许多其他额外的运营商引入得到更快的收敛速度。另一方面,粒子群优化(PSO)是基于模型的社会合作独立的代理(粒子),它使用常识来刺激的移民群向全球最大或最小9]。一些比较遗传算法和PSO的表演10)强调这两种方法的可靠性和收敛速度,但仍然将它们区分开来。特别是遗传算法和算法都有明显的应用对于任何各自的技术特点:PSO似乎比遗传算法有更快的收敛速度在运行初期,但通常优于GA长期模拟当最后一个找到更好的解决方案。

许多努力的提高提出了传统方法通过修改结构的人口或一个人扮演的角色,尤其是对气体(如分布式遗传算法、细胞遗传算法和共生GA),通过修改传统程序的基本操作。其他几个额外的运营商提出了天然气为了获得更快的收敛速度。混合遗传algorithm-local搜索(GA-LS)方法,例如,结合当地改善程序与传统气体,提高气体的性能在搜索和解决设计问题,比简单的气体不仅找到更好的解决方法,但也更有效地搜索。这种混合GA-LSs也被称为拉马克的学习气体,Baldwinian学习气体(11,迷因算法(MAs),使用不同型号的进化将学习遗传算法。鲍德温效应允许个人健身(表现型)确定基于学习(即。,当地的应用改进);像自然进化,改善的结果不会改变个人的遗传结构(基因型)。拉马克学说的发展,另一方面,改变个人的遗传结构,为了反映学习的结果。

许多尝试利用不同的算法的品质已经完成某种特定的集成两个主要策略(12,13),但静止的目标是达成一个更强的合作技术强调其混合性质的遗传算法和算法集成和维护整个运行。在过去的几年里,我们已经反复证明了这样一个更新技术可以改善传统机制增加个人的分数通过自然选择和知识共享的有效组合。这个关键的特性使其适用于广泛的应用程序。

特别是,在14,15),我们提出了一些比较静止的表演和经典方法,强调第一个的可靠性和收敛速度和应用不同的案例研究。在这些之前的实验,例如,在大型新兴市场优化问题,该算法被证明是一个快速和强大的技术,优于经典的程序。

2.1。遗传的群优化机制

静止的基本概念已经提出了(14,他们显然是总结在图1:每个迭代的人口是随机分为两部分由GA处理和算法技术,分别。产生的新个体的健康评估和重组在更新的人口又分成两部分在未来未来运行的遗传或粒子群迭代运算符。

人口更新的概念可以很容易地理解思考,一些人被新生成的通过GA,虽然上一次迭代的剩下的都是相同的,但算法的解空间。在图1可以更好地理解GSO算法的关键步骤,通过一个直观的流程图。

静止的驱动参数算法杂化系数();它表达了人口的比例在每个迭代中处理GA:所以,意味着过程是一个纯PSO(整个人口据PSO运营商处理),意味着纯粹的GA(整个人口根据GA优化运营商),意味着相应的人口比例是由遗传算法,而其余算法技术。

在[14]GSO一直测试问题不同的维度:而对于少量的未知数GSO性能类似于遗传算法和PSO的(),如果问题的规模增加(),静止行为改善优于遗传算法和迭代算法。此外,最好的在初步研究发现价值不依赖于问题的维数,据报道也在16]。此外,获得最好的值(0.2)意味着,对于一个大型的问题,基本PSO可以大力提高通过添加一小部分人口的遗传算子。在进一步的研究中一个方便的价值被发现几个健身功能,但我们扩展的类GSO算法通过考虑几个变化规则,在那里,当前迭代和作为迭代的总数;这样做是为了探索不同的杂交策略GSO算法和与他人比较新的方法已经出现在文学:成套杂交规则被认为是到目前为止已经报道在14]。

2.2。最近开发的增强

特别是,在15我们介绍新规则不同值在运行,有效地结合GA的性质和算法,为了有一个更一般的过程。事实上,对于工程优化问题,最好的混合遗传算法和PSO运营商不能总是显而易见的。特别是,有一个固定的情况下是正确的选择,和其他人一个变量在哪里在运行更好。这意味着杂交的“量”也起了很大作用在影响这个过程的表现,但正确的值很难知道先天的。因此,我们选择让这个过程调整价值本身在迭代过程中,根据一组预定义的规则。

在动力方法,参数更新迭代期间按照下列规则: 在哪里,(与),(阻尼),,是完全的迭代次数;在这里是最好的健身价值获得后吗迭代和。

这种方法在某种程度上类似于[所提出4)的自适应策略Meta-Lamarckian学习。在这种情况下,一个轮盘赌的程序已经使用,当地表现最佳策略的回报来增加他们的概率被选中。在动力方法在这里提出了,相反,价值只是摆动它的极端值之间为了改变时收敛速度接近停滞。

同样值得注意的是,提出了几个有趣的和有效的策略在文学迷因的自适应算法(5- - - - - -7]。然而,在目前的情况下,我们选择开发一个全新的自适应的实现。事实上GSO不能定义为一个迷因自GA算法,算法都是全球战略运行期间完全可以互换。此外,在论文引用自适应过程,用于选择本地策略在几种考虑方法,主要是基于人口多样性的评价,本文旨在self-adapt价值增加收敛的速度。

因此在所谓的自适应的方法,自适应的规则实现的,在某种程度上,从非常简单的和可靠的算法技术:事实上,如果我们考虑的价值在th迭代,然后我们可以打电话之间的变化和所以我们可以写

因此,问题就是要找到合适的速度更新适当的改变在运行。根据算法相似,我们可以定义一个个人最好值,在运行,因此获得了写作 在哪里选择分析健身得分的斜率增加,在迭代;也就是说,如果在迭代健身的增量高于之前的历史,。

什么是不同的,在这种情况下,事实是只有一个单一的代理monodimensional问题;因此,个人的最好成绩也是全球最好的,所以的定义(3)是比传统的简单更新速度的表达式。因此这个更新过程不能利用粒子之间的合作,从算法不同,所以我们选择,如果健身曲线的斜率和速度都等于零,添加一个随机的突变到值来帮助它去探索其他的可能性。

2.3。额外的性能分析

在[14]报导了几个初步的数值结果,测试GSO优化标准分析基准函数的能力。进一步调查上面提出的自适应方法的有效性,表1总结了一些额外的优化结果维分析测试函数定义如下: 在哪里代表问题的维度(即。参数的数量,优化)。这是众所周知的函数有一个最大值和几个当地的最大值。最大的位置和。

结果报道在表1代表的价值通过不同的杂交策略(包括遗传算法、算法比较)对不同维度的问题和不同数量的迭代:这些结果平均在100个独立的实验中,因此标准差也报道(在括号中)。从这些结果很明显,认为是静止的版本比遗传算法和PSO更快找到最大值:事实上,同样的问题维度和数量的评估函数,平均结果GSO技术总是高于GA算法,得到的和改善相关问题的维数增加时;此外,报告的标准偏差值显示,还考虑方法的可靠性比传统技术之一,从而确认开发程序的健壮性。整体研究结果和在引用文件显示,尽管静态GSO通常是最快的和最健壮的策略以优化多峰函数,一种自适应的方法是一个合适的特别是当适当的和可靠的解决方案值是未知的先天的为一个特定的问题。

3所示。无线传感器网络优化问题

如引入所述,传感器网络正在成为一个重要的研究领域在不同的技术领域,提供了一个丰富活跃的研究领域。这些复杂的系统使用技术本质上从传感、通信、和计算字段和同时结合无线通信和移动计算的许多设计问题。他们仍然存在明显的系统挑战自网络利用大量的操作本质上是资源受限的传感器节点和暴露于潜在的失败。传感器生产技术的进步使得建筑非常紧凑和自治传感器节点,每个包含一个或多个传感器设备、计算和通信能力,并且电力供应有限,希望轮为更好的覆盖范围,更高的分辨率,容错性和鲁棒性。网络传感器可以方便测量参数的传输和传播一些收藏家网站信息进一步处理决策的目的。网络的分布式特性deploy-and-leave未来愿景使它更具吸引力在军事和其他敏感的应用程序。执行处理源可以大大降低计算成本的网络和管理;因此,传感器网络组织应自主执行用最少的人类的干扰。

减少能源消耗肯定是关键要求在设计传感器网络协议和算法。由于传感器节点配备小和非常有限的电池,是至关重要的网络节能为了最大化网络生命周期。然而进一步要求一个设计良好的系统容错所代表的属性,当然网络可伸缩性、可靠性和生产成本尽可能低。即使现在模拟和数字技术能够研发出廉价的小型和低功耗的传感器节点,这些功能不能完全使传感器网络能源自治。可以单独每个传感器网络微型传感器感知环境,但协作实现复杂的信息收集和传播任务(17]。所有这些特性,集成在一个设备,有助于定义一个智能传感器。建立积极自治和执行本地过滤和感知数据的预处理,智能传感器能够沟通和分享其信息的所有其他节点构成的传感器网络。

一般来说,传感器网络应用程序需要的服务质量保证说明全球网络成本优化的必要性。许多不同的方法被用于WSN优化的研究领域。例如,在[18]的方法优化全球成本在传感器网络中,每个节点通过当地贪婪决策,研究这种方法的好处在减少空闲监听全球网络各个节点以减少能源成本。他们认为本质上是两个表示本地节点状态:路由树的后代数量和后代的数量和责任周期。在[19),后来在20.),提出了一种基于遗传算法的方法优化设计的特定于应用程序的网络连接和节能的局限性。我们开发一个适应度函数将网络性能的不同方面,包括传感器节点的状态(活动或非活动)和适当的选择簇头,但仍指的是单跳路由方案。

metaheuristic模型优化算法如算法(蚁群优化),基本上受蚂蚁在寻找路径的行为从蚁群寻找食物,被用于(21在数据采集和通信网络,假设无限能源的基站和比较其结果与浸出和pegasi算法(22,23后),再基于集群的方法。类似的方法可以在[24),但这一次应用蚁群优化的特设网络节点的位置不是固定的。在[25)全球多次反射异构传感器网络路由策略提出了通过一些启发式混合分层和集群架构。

在WSN设计,应用进化技术关键问题必须考虑不同目标之间的权衡:(我)减少电力浪费无线设备,(2)提高网络生命周期,(3)实现容错在单个节点故障的情况下,(iv)允许网络可伸缩性和部署,(v)减少带宽需求,加强之间的协作节点(例如,数据融合)由于有限的无线信道的带宽必须之间共享的所有传感器网络。

在构建目标函数和执行优化之前,重要的是要理解能量损失的主要来源的操作无线传感器网络为了使优化过程本身更有效。基本上由两个主要的能源消费沟通或计算任务(26:通信主要包括收发器的使用虽然计算处理有关方面由于选择协议和数据压缩技术。一个合适的介质访问控制(MAC)协议应该能够平衡计算和通信开销,试图解决的典型问题造成能源浪费了网络(27),即:(我)碰撞(丢包和数据包重传),(2)无意中听到(接收数据包注定要另一个节点),(3)控制封包开销(MAC协议的开销:帧头、信号等),(iv)空闲听(积极倾听到一个空闲信道等待数据包到达)。

节点的无线收发机可以有下列四种不同的操作模式。(我)空闲模式:当一个节点发送和接收数据包。这种模式消耗力量,因为节点听无线介质不断为了检测包,它应该得到,这样的节点可以切换到接收模式。(2)传输模式:当一个节点传输一个数据包。(3)接收模式:当一个节点接收数据包。(iv)睡眠模式:睡眠模式功耗非常低。节点的收发器在睡眠模式时可以发送和接收数据包。

协议的目标发展环境和有限的电力资源优化收发器的使用对于一个给定的通信任务。因此,优化这样一个复杂的系统是一个主要问题尤其是在节约能源方面。如前所述,在这个方向上做一些尝试使用不同的进化技术,像cenetic算法(GA) [8)和粒子群优化(PSO) (9]。在这种背景下,进化计算的优点,一般来说,人工智能的功能是利用迭代进步寻找能源全球最佳,而不被困在当地的最适条件和可能面临非线性和不连续问题大量的变量。

当然更频繁地使用天然气路线优化组合问题的本质,他们通常仅限于单跳集群方法(20.]。算法和遗传算法可以在文献中找到适用于目标定位和传感器位置(28,29日),即使比其他算法PSO似乎不太常见。

我们选择一个多次反射路由策略的内在能力,避免隐藏终端,同时节约能源。多次反射无线网络本质上使用两个或两个以上的无线跳转达信息从源到目的地,这策略允许节能条件是一个合适的路径进行优化。后首次发现几个设计问题,在下一节中详细描述的特定基础设施的网络模型优化。

4所示。网络模型和假设

在本文中,我们研究了多次反射静态无线传感器网络的路由问题。我们网络区域定义为一个平面二维正方形,我们随机的地方节点。为了保证一个完整覆盖选择区域和媒介连接的网络,我们也把一些其他约束节点之间的最小和最大距离。部署后,节点的位置是相同的(不是解决流动性问题)和其中一个节点是任意选择的基站。我们假设整个网络通信基站允许范围内的所有节点广播数据包。这是可能的因为我们假设基站连接到电网作为在许多商业无线传感器系统(30.]。基站控制整个网络的节点的电池水平和他们的空间坐标。此外基站具有更高的计算能力和配备不同类型的收发器与一个更大的传输范围,允许它达到整个网络。

每个节点配备一个收发器和一个电池。对于这些模拟我们采用相同的无线电模型提出了(31日)与 随着能源消耗了发射机或接收机电路和运行 的能量耗散传输放大器。

因此,传输和接收通信的节点的能量成本一轮模拟时计算如下一些数据包传输距离: 我们认为由于通道传输,能量损失所代表的路径损耗指数在(7),方发送方和接收方之间的距离成正比(图2)。

我们假设所需的能量从节点传输一个比特的数据到节点传输一个比特是一样的来(对称传播渠道)。所有的节点都被认为是功能等效和有一个统一的传输范围定义为节点为中心的圆。如前所述,只有基站更大的传播范围,使它能够与网络中的每个节点直接传输数据包。每个节点配备GPS接收器,这样它可以建立自己的位置。我们也考虑到每个节点知道电池状态和位置的邻居。在设置阶段,基站的选择后,每个节点必须构造一个当地表记录的信号强度从它所有的邻居,这应该是一个对这些节点之间的距离直接相关。这个设置阶段必须执行一次的启动系统;因此,它可以被视为一个常数成本,不应影响算法的性能超出了设置阶段。

我们从每个节点模拟的数据传输到基站通过发送方的随机序列。在每一轮的模拟,一个发送者已经感觉到数据通信基站执行多次反射的沟通达到它。在每一轮的开始,基站网络的拓扑更新删除死节点和计算下一个最优路径。因为它没有权力约束,基站可以广播其搜索的结果对整个网络和网络时钟同步。节点接收信息发送所以他们知道他们将参加接下来的路线。基站可以很容易地更新网络的电池水平每一步因为碰撞和避免数据包重传和只有少数节点参与交流。因此,它是可能的直接计算到一个传输相关的能源浪费(发送方和接收方之间的距离成正比)每一轮后自动更新电池水平表。以这种方式组织网络通信所需的控制分组开销的任务是减少。

描述的模式节点可以假设,我们遵循上一段的模型,考虑到传输和接收模式比空闲状态消耗更多的能量,而睡眠模式并不意味着任何功耗。由于这个原因,所有节点不参与到下一个预定的多次反射路径切换到睡眠模式。他们转向空闲状态醒来后时间计算使用提供的信息基站的开头。当节点被孤立或电池水平接近于零,我们认为他们是死节点和消除他们从发送者的顺序和连续的评价最好的路径。仿真结束时死亡节点的比例是如此之高,以至于不能达到基站节点广播的幸存下来。我们没有考虑数据聚合时可以执行多次反射路径还可以做进一步的考虑的重要方面。

概要描述该算法如图3。可以很容易地看到,这个算法的关键思想是解决所有基站的计算成本(只涉及到传感器节点在通信和传感任务)和传感器节点切换到睡眠模式。的另一个主要的想法是使用的静止部分2执行基站之间的最优路径的选择和节点。在这项研究中,我们想要检查的真正功能算法发现最优路线没有探索整个范围的可能的途径(整个连接图,更详细地描述部分5)。

在文学上有不同的路由协议使用一个或多个标准评估路线的效率在能耗方面,链接质量(32)、消息开销、时间延迟交付包,和吞吐量。提出了五个不同的指标来确定最优路径(33)(即使只有两人在这里实现)。当前路由协议中使用的最常见的标准有两个不同的基本思想。由于无线电通信成本是一个函数的平方传输距离,最好是在几个较小的啤酒花发送信息,而不是使用一个单跳传输长沟通距离,但随着分析(31日),在某些情况下,多次反射路由(特别是MTE最小传输能量的路由协议)可以缩短无线网络生命周期,执行比单跳通信。这两种技术,无论如何,导致相反的死亡率为网络的节点的基本空间位置:事实上,在单跳通信中,节点远离基站死得早,在多次反射通信节点靠近基站电池消耗很快,使基站无法访问其他传感器节点(快速能源枯竭问题)。

为了证明静止的表演,我们采取了一些描述的指标(2选择最佳可能的路径。

(我)最大可用功率(地图)
最大总可用功率的路线是首选。总美联社计算求和的值沿着路线每个节点的电池。基于这种方法,路线可以选择在图吗4,但由于它包括节点和一个额外的节点,它不是权力有效,即使它有一个更高的总美联社。成为路线的最佳途径。在我们的算法中,我们计算网络的总功率求和的值除了基站电池的电池。评估的多次反射路径的性能,我们选择定义第一个标准由以下表达式: 在哪里节点的平均功率,参与具体的多次反射(总是不包括网关)。我们选择平均价值所以我们没有考虑路线的问题源于扩展其他可能的路线,因为我们想要研究的效率这个指标没有任何叠加与其他标准(例如,标准3)。和电池是最大和最小水平在所有的传感器在一个特定的圆。

(2)最小通信功率(MCP)
MCP的路线需要最低功率传输的通信数据包从发送方发送到基站。如图4、路由MCP的路线。我们考虑电力费用相关的数据传输和接收的标准包后固定数量的比特(7)和计算的总功耗取决于所选择的多次反射()。然后我们计算两个参考功耗,与多次反射有啤酒花和中间节点的最大数量,最大可能的距离和与多次反射的最短跳数和中间节点在最短的距离: 在图4 由之和给出前四最大值的沟通能力(例如,),而是由前两个之和最小值()。我们做了一个快速搜索找到这些值在连接矩阵和距离矩阵中每一轮更新。参考国家有相同的值时,我们考虑到。

(3)最小跳数(MHN)
最小数量的啤酒花的路线发送者和基站之间优先。路线在图4基于这个方案是最有效的途径。我们认为作为第三标准 最小的值()和最大()可能的啤酒花连接基站的发送者很容易发现在邻接矩阵()是选中的多次反射路径的跳数。

(iv)杂交
可以获得若干标准混合前三个标准被认为是在一个固定的百分比(例如33%),导致 在数值模拟中,我们采用了其他三个的组合,,测试我们的程序杂交能力提高传感器网络的生命周期。

5。进化优化实现多次反射传感器网络

节中提到的1,最优路径的选择是使用所谓的创始的执行群优化(GSO)算法。静止是为了发展起来的混合进化技术结合遗传算法的特点和算法,克服过早收敛的著名问题的程序。核心算法本身并不是全新的关于什么是描述在我们先前的工作,但是这个过程之间的交互和目标函数要求一个新颖的方法来实现原来的算法来实现这样一个复杂系统的要求。

事实上,这项工作的主要目的不是为了证明静止本身的表演既不与其他类似的方法进行直接比较,但显示新的路由度量的有效性产生杂交的多个标准。该方法请求的应用迭代搜索过程,优化技术。静止被选为在这种背景下,提出了混合指标的优化引擎,因为它已经被验证之前引用的论文也在3对传感器网络优化问题。

静止应用于传感器网络优化问题考虑,有必要代表一个有向图的网络模型顶点的集合代表了传感器节点和弧的集合代表有效的通信链路。每个传感器节点传感器网络的代表一个顶点在两个节点之间的通信链路所描述的是一个弧。路径是一个序列的节点,在那里,这样每个节点连接到序列中的下一个节点:获取这个条件,每个弧,,,必须在电弧集中。

静止一样,当处理进化算法的主要问题是生成一个合适的路线,以评估它的约束下能量限制和目标函数,即部分中定义的指标4。事实上,多次反射路线可以有不同的长度和几个节点没有直接联系,所以有相关的航线数量不能被追踪。因此本文解决的问题是生成唯一可行的路线长度的变量,从而避免循环和nonfeasible路径。幸运的是,邻接矩阵提出了几个重要的特性,可以适当考虑生成适当的解决这个任务。

如果表示节点之间的欧氏距离和和代表最大的传输范围内,节点之间的联系只存在如果。根据这个特性,邻接矩阵可以动态地更新通过更新传感器功率每次沟通后,为了消除连接相关死亡节点:如果无向图的邻接矩阵吗的网络,那么矩阵(即。,the matrix product of的副本)有一个有趣的性质:行条目和列给的路径长度从顶点到顶点(总是有限如果没有指导周期)。因此,这里的矩阵定义是 在特殊情况下,为了避免循环,各个层面的邻接矩阵的主对角线被迫都零条目,如图5已经表示,所有非零项与1。

因此生成可行的多次反射路线简单:如果节点的数量弧的最大数量,路线因此,知道(一步一步更新,正如上面提到的),它只是一个计算的问题。

在每个迭代的静止,因此,每一个解决方案是选择及其在合适的“基因”是解码路线按照下列染色体表示,在哪里(与)是实数编码染色体的值是每个基因代表一个连接弧在选定的路线,与这些简单的规则解释:从发送方,如果连接到目标节点,一个非零值存在于至少一个对应的条目(第一弧)。因此,一个节点选择那些连接到吗(通过观察),根据基因的值:例如,如果3可能节点可用于第一个弧,第一个将被选中第二,如果,第三如果;然后对节点重复这个过程现在,考虑到和。这个迭代过程结束节点在大多数步骤,感谢特性,因此使创建一致的可变长度的路线。循环可以很容易地通过后处理的节点序列生成的路线。

一旦确定了一个可行的路径,GSO评估它将健身得分。进化计算领域的一个适应度函数是一种特殊的目标函数,量化为一个特定的优化问题的最优解决方案。适应度函数帮助优化程序正确地选择最佳候选解决方案以寻找全局最优。这个结果在一个高效的搜索最好的可能的解决方案,避免更少的有前景的结果。适应度函数与相关算法的目标是:在我们的例子中最大化的目标是以下健身得分,定义为一个线性组合,,: 在多个组合可以考虑。在数值模拟中,我们采用值见表2。健身的分数值中定义的域。因此GSO技术是要找到最好的路线通过考虑上述几个的标准,而无需探索整个图的所有可行的连接。

6。数值结果

验证该技术的有效性和可靠性优化多次反射的无线传感器网络路由方案,样本的网络节点如图6已经生成。一些其他测试已经执行网络大量的节点,但我们决定报告的数值结果图形解释本质上是为了避免歧义。我们执行一系列独立的发送者使用相同的随机序列模拟为了评估和比较所选指标的表现在节约能源和增强网络的连通性。对于每个发送者的序列,GSO执行迭代寻找最可能的路径与采用相应的标准。有10个人认为人口的数量,优化初始化开始(即10个随机的生成解决方案。路线)和函数调用的总数是有限的1000 /每个静止运行。

在这部作品中,GA引擎中实现静止使用真正的编码基因和锦标赛选择5个人;统一的跨界发生的概率而随机突变速率。算法实现中,我们使用,,在速度更新方程描述的(15]。

对于每个发送者,一个最优路线被定义为一个静止的,和网络状态,因此更新每个节点的功率。最好的途径是选择GSO根据适应度函数实现部分中给出的的规则集4在[3]。图7描述了节点电池的损耗,例如,当第五度规()是采用和获得的值的意思是每个模拟使用相同的标准执行。的功率传感器更新每一轮的仿真和后,正如预期的那样,第一个节点耗尽他们的权力是一些位置靠近基站,特别是节点6,9日,17日,25岁。

数据8,9,10,11分别描述了无线网络的状态,剩余功率的比例而言,活着的节点,单个跳转链接,数量和比例的节点连接到基站。所有的报道结果平均值后10模拟在相同的初始条件。图8显示,可以节省更多的权力甚至超出了圆的,但后的表现和。我们可以看到在图9,最好的标准的变化随着轮数的增加,虽然开始时几乎所有的标准几乎后表现良好轮,保证更好的结果。经过近步骤,并成为最好的标准变化,但仅限于几轮,因为在过去的模拟的一部分和超越其他所有的节点。

特别值得看初以来第三准则的行为它最糟糕的表现而最终被第二个最好的标准。当采用获得最糟糕的表现但这可能是由于我们的选择不是评估扩展路径具有不同的得分(见部分4)。

其他数据描述网络的连通性和注意到在图描述了几乎同样行为9,突显出一个整体大的效率和对所有其他标准和显示不同的最佳指标在不同阶段的模拟。获得的结果表明该方法的有效性,基于应用程序的一个间接进化技术以应用最优路径搜索基于混合路由度量。事实上,使用混合标准得到最好的结果。此外,这些结果表明,未来的工作将不得不考虑变量的权重考虑目标函数,以探索优化WSN的扩展范围的可能性。

7所示。结论

先进的无线通信和数字电子不仅展开许多可能性还介绍具有挑战性的问题的协作处理在一个能源贫瘠的分布式传感器网络信号。轮适用于一些小说和现有的应用程序,如环境监测、医疗、基础设施管理、公共安全、安全、交通和军事战略。

持续进步的网络设计、优化的通信层不仅需要延长系统的寿命,而且尽可能地提高可靠性和可用性。很难达到一个最佳的解决方案,同时考虑不同的问题,如可靠的分布式传感器节点的数据,提取准确的数据报告和高效的电源管理,延长传感器网络的使用寿命。在本文中,我们提出一个进化技术优化传感器网络的生命周期能源在这样一个紧张的环境和adopte多次反射路由方案。

优化算法,这里专门安排优化能源消耗与可伸缩的网络节点,结合遗传算法的主要特点和算法优化过程中,为了充分利用这两个经典方法的特点。这项工作的主要目的不是为了证明静止的表演(引用文件中已经验证),而是把它应用到路由优化问题,以展示和强调的效果使用混合路由度量结果的融合多个标准。

开发的过程作为一个间接法整合进化能力最大化网络寿命和表现有效,快速,可靠。特别是,获得的行为反映了静止的能力优化的路线从几个节点到基站节能的角度下,为了保持网络的功能,避免过早死亡最请求的节点。报告结果还建议进一步改进该技术。

引用

1. 诉Raghunathan, c . Schurgers美国公园,m·b·斯利瓦斯塔瓦”节能意识无线微传感器网络”,IEEE信号处理杂志,19卷,不。2、40 - 50,2002页。视图:出版商的网站|谷歌学术搜索
2. i . f . Akyildiz w·苏y Sankarasubramaniam,大肠Cayirci,“无线传感器网络:一项调查,”计算机网络,38卷,不。4、393 - 422年,2002页。视图:出版商的网站|谷歌学术搜索
3. d·卡普托f . Grimaccia m . Mussetta, r . e . Zich”一个增强GSO无线传感器网络优化技术”《IEEE国会进化计算(CEC ' 08)香港,页4074 - 4079年,2008年6月。视图:出版商的网站|谷歌学术搜索
4. y s Ong和a·j·基恩,“媒母Meta-Lamarckian学习算法,”IEEE进化计算,8卷,不。2、99 - 110年,2004页。视图:出版商的网站|谷歌学术搜索
5. A . Caponio g . l . Cascella f .内里,n .萨尔瓦多·m·萨姆纳,“快速自适应迷因算法在线和离线控制永磁同步电动机驱动器的设计,“IEEE系统,人,控制论B部分,37卷,不。1,28-41,2007页。视图:出版商的网站|谷歌学术搜索
6. f .内里,j . Toivanen g . l . Cascella和y s . Ong”设计的自适应multimeme算法HIV耐多药治疗,”IEEE / ACM事务计算生物学和生物信息学,4卷,不。2、264 - 278年,2007页。视图:出版商的网站|谷歌学术搜索
7. 诉Tirronen f .内里,t . Karkkainen k . Majava t·罗西,“一个增强的迷因微分进化在滤波器设计缺陷检测纸生产,”进化计算,16卷,不。4、529 - 555年,2008页。视图:出版商的网站|谷歌学术搜索
8. d E戈德堡,遗传算法在搜索、优化和机器学习美国,addison - wesley,纽约,纽约,1989年。
9. j·肯尼迪,“粒子群:知识的社会适应,”《IEEE国际会议在97年进化计算(欧洲的)1997年4月,页303 - 308。视图:谷歌学术搜索
10. d . w . Boeringer d·h·维尔纳,“粒子群优化和遗传算法对相控阵合成、”IEEE天线和传播,52卷,不。3、771 - 779年,2004页。视图:出版商的网站|谷歌学术搜索
11. k·w·c·Ku和m . w . Mak”探索拉马克的的影响和Baldwinian学习递归神经网络、进化”《IEEE国际会议在97年进化计算(欧洲的)1997年4月,页617 - 621。视图:谷歌学术搜索
12. j·罗宾逊,s .辛顿和y Rahmat-Samii,“粒子群遗传算法,混合动力车:异形波纹喇叭天线的优化”《IEEE国际研讨会天线和传播,1卷,第317 - 314页,2002年6月。视图:谷歌学术搜索
13. c . f . Juang”混合遗传算法和粒子群优化的经常性的网络设计,“IEEE系统,人,控制论B,34卷,不。2、997 - 1006年,2004页。视图:出版商的网站|谷歌学术搜索
14. a . Gandelli f . Grimaccia m . Mussetta p . Pirinoli和r . e . Zich”之间的不同的杂交策略开发和验证GA算法,”《IEEE国会进化计算(CEC ' 07)新加坡,页2782 - 2787年,2007年9月。视图:出版商的网站|谷歌学术搜索
15. f . Grimaccia m . Mussetta, r . e . Zich”起源的群优化:自适应混合进化算法对电磁学,”IEEE天线和传播,55卷,不。3我,781 - 785年,2007页。视图:出版商的网站|谷歌学术搜索
16. a . Gandelli f . Grimaccia m . Mussetta p . Pirinoli和r . e . Zich”起源的群优化:天线设计的进化算法,”Automatika杂志卷,47号3 - 4、105 - 112年,2006页。视图:谷歌学术搜索
17. j·c·陈,r·e·哈德逊,k .姚明,”联合最大似然为近场源定位和未知传感器位置估计宽带信号,”先进的信号处理算法、体系结构和实现卷,4474学报学报2001年7月,页521 - 532。视图:出版商的网站|谷歌学术搜索
18. r . Jurdak p Baldi, c . v . Lopes“国营能源优化无线传感器网络,”程序的系统通信2005年8月,页356 - 363。视图:出版商的网站|谷歌学术搜索
19. k . p . Ferentinos t . a . Tsiligiridis, k . g . Arvanitis”能源优化的无线传感器网络环境测量,”《IEEE国际会议上计算智能测量系统和应用程序(CIMSA ' 05)2005年7月,页250 - 255。视图:出版商的网站|谷歌学术搜索
20. k·p·Ferentinos和t . a . Tsiligiridis“适应性优化设计使用遗传算法的无线传感器网络,”计算机网络,51卷,不。4、1031 - 1051年,2007页。视图:出版商的网站|谷歌学术搜索
21. n丁和p . x刘”,数据采集通信在无线传感器网络中使用蚁群优化”《IEEE机器人和仿生学国际会议上2004年8月,页822 - 827。视图:谷歌学术搜索
22. w·b·Heinzelman a . p .切卓卡山,h··“无线微传感器网络的特定于应用程序的协议架构,”IEEE无线通信,1卷,不。4、660 - 670年,2002页。视图:出版商的网站|谷歌学术搜索
23. 美国林赛和c . s . Raghavendra pegasi:功耗小聚集在传感器信息系统”IEEE航空学报》会议,3卷,第1130 - 1125页,2002年。视图:谷歌学术搜索
24. f . Ducatelle、g·d·卡罗和l . m . Gambardella“蚂蚁代理在移动ad hoc网络混合多路径路由”第二届年会在无线点播网络系统和服务2005年1月,页44-53,。视图:谷歌学术搜索
25. Slama, m . c . Ghedira b . Jouaber和h·阿菲菲”,基于集群的无线传感器网络优化能源约束下,”学报》第三届国际会议上智能传感器,传感器网络和信息处理2007年12月,页745 - 750。视图:出版商的网站|谷歌学术搜索
26. c·e·琼斯,k . m . Sivalingam p . Agrawal和j·c·陈,“节能网络协议对于无线网络的调查,“无线网络,7卷,不。4、343 - 358年,2001页。视图:出版商的网站|谷歌学术搜索
27. w .你们j . Heidemann d·埃斯特林,“无线传感器网络的节能MAC协议,”IEEE Infocom学报》上,页1567 - 1576,纽约,纽约,美国,2002年6月。视图:谷歌学术搜索
28. g . j .贾j . Chen, j . Li, y贾庆林,“基于NSGA-II改善无线传感器网络覆盖优化,”《IEEE国际会议集成技术(ICIT ' 07)2007年3月,页614 - 618。视图:出版商的网站|谷歌学术搜索
29. 赵c和p .陈”,粒子群优化的最优部署中继节点混合传感器网络,”《IEEE国会进化计算(CEC ' 07)2007年9月,页3316 - 3320。视图:出版商的网站|谷歌学术搜索
30. http://www.microstrain.com/wireless-sensors.aspx。
31. w·r·Heinzelman a切卓卡山,h··“节能无线微传感器网络的通信协议,”第33届夏威夷国际会议上进行系统科学,页3005 - 3014,毛伊岛,夏威夷,美国2000年1月。视图:谷歌学术搜索
32. r·杜布c·d·莱斯涂Wang和s . k . Tripathi”信号stability-based自适应路由(SSA)临时移动网络,“技术。众议员cs - tr - 3646, umiacs - tr - 96 - 34岁,1996年8月。视图:谷歌学术搜索
33. 辛格,m .哇,和c . s . Raghavendra“节能在移动ad hoc网络路由”学报第4届ACM和IEEE移动计算和网络国际会议德克萨斯州达拉斯,页181 - 190,美国1998年。视图:谷歌学术搜索

版权

版权©2010大卫。卡普托等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。