基于蚂蚁的无线传感器网络路由算法能效性能改进

摘要

无线传感器网络（WSN）中的事件收集的主要问题是每个节点的受限通信范围。由于受限制的通信范围和高网络密度，WSN中的事件转发非常具有挑战性，并且需要多轴数据转发。目前，基于节能的蚁群路由（EEABR）算法，基于蚁群优化（ACO）成群化，是最先进的能量感知路由协议之一。在本文中，我们提出了三次改进了EEABR算法，以进一步提高其能效。原始EEABR的改进基于以下内容：（1）一个新的方案，以智能地初始化路由表，优先级为同时可以是目标，（2）在节点的情况下的路由表的智能更新链路故障，（3）降低蚂蚁充血控制的洪水能力。能效改进特别适用于动态路由环境。使用RMASE仿真环境的实验结果表明，该方法分别在原始EEABR上分别在汇编和目标跟踪方案中增加了高达9％和64％的能量效率，而不会产生显着增加复杂性。该方法还比较，发现还优于其他基于群的路由协议，例如传感器驱动和成本感知蚂蚁路由（SC）和展望镜。

1.介绍

传感器网络是一种基础设施，由传感、计算和通信元素组成，使用户或管理员能够对特定环境中的事件和现象进行测量、观察和反应[1，2］．无线传感器网络(WSNs)是一组体积小巧、价格相对低廉的计算节点的集合，它们测量本地环境条件或其他参数，并将这些信息转发到中心点进行适当处理。每个节点都配备了嵌入式处理器、传感器设备、存储设备和无线电收发器。传感器节点通常在电池供电能量、处理能力、通信带宽和存储方面具有有限的资源。WSN节点可以感知环境，与相邻节点通信，在很多情况下对采集到的数据进行基本计算。无线传感器网络应用程序包括商业应用程序，如医疗保健、目标跟踪、监控、智能家庭、监视和入侵检测。传感器网络的许多应用处理节点的静态特性，在大多数情况下，节点感知它们的环境，然后通过跳到跳(多跳)路由将测量值发送到中央基站，因此导致sink(基站)周围的能量迅速耗尽。问题是，接收器周围的传感器节点往往比远处的节点消耗能量更快。这主要是因为它们除了转发自己的流量外，还代表远离汇聚节点的其他传感器节点转发流量。因此，离接收器较近的传感器节点往往比离接收器较远的传感器节点消耗更多的能量。 Due to the high depletion in energy, the sensor nodes closer to the sink will drain their energy resources faster than other nodes which will result in their death. Hence, the lifetime of sensor network can be improved upon if the energy spent in traffic relaying to the sink is reduced.

近年来，已经开发并调查了用于WSN的几种竞争有效的路由算法[3.，4］．最近在无线传感器网络路由的趋势是通过考虑更详细的网络特性来加强现有的方法。早期的工作只是试图适应网络拓扑结构，如寻找最短路径。然而，影响WSN环境的因素远不止拓扑结构的改变。其他因素可能包括交通拥堵、延迟、链路质量、相对节点移动性，以及最重要的最小能量路径。基于群体智能的路由，利用真实生物物种的行为通过信息素沉积寻找食物，同时处理需要寻找路径的目标，已被提出，以应对上述一些挑战。这种受生物学启发的方法被提出，通过寻找最大吞吐量的路径来适应这些现象的综合效应。

社会昆虫社区从WSN视角存在许多所需的性质，如[4，5］．这些社区由简单，自主和合作的生物组成，这些生物是对其生存的相互依存。尽管缺乏集中规划或任何明显的组织结构，但社会昆虫社区能够有效地协调自己以实现全球目标。完成这些任务的行为是从个人所关注的更简单的行为或规则中引发。行为的协调也是适应性的，灵活的和坚固的，并且能够解决现实世界问题。没有个体对任何操作至关重要，并且可以从任何挫折中容易地恢复任务进度。由这种简单的单独行为产生的解决方案的复杂性表明整个完全大于部分的总和[6- - - - - -10］．上述特性在传感器网络环境中是可取的。这样的系统可能由共同工作以传递消息的简单节点组成，同时对其环境的变化具有弹性。传感器网络的环境可能包括任何东西，从它自己的拓扑结构到物理层对整个网络的通信链接和流量模式的影响。生物网络和工程网络的一个显著区别是，前者有一种进化动机促使合作，而工程网络可能需要其他解决方案来迫使节点合作[11，12］．群居昆虫的自我组织能力依赖于四个原则:正反馈、负反馈、随机性和多重交互。第五个原则，污名效应，是前四个原则的产物[7］．一般来说，这种自我组织被称为群体智能。在这一领域的群体智能研究一直专注于[中采用的蚂蚁殖民地的工作原则。13，14]，粘液模具[15]和蜂蜜蜜蜂[16］．考虑到上述约束条件和昆虫的社会行为，提出了一种基于群体智能的能量感知路由算法。在本文中，我们提出了几个改进的EEABR [17以提高能源效率。这些改进是基于以下几点:一种智能初始化路由表的新方案，赋予同时可能是目的地的相邻节点优先级，在节点或链路故障的情况下，智能更新路由表降低蚂蚁充血控制的洪水能力。根据群智能的一些最先进的路由协议进行了修改的EEABR的比较。

本文的其余部分组织如下。部分2概述相关工作。部分3.描述了WSN中的静态，动态和移动性宿模型。部分4呈现了社会昆虫类比的简要描述。在部分5，我们描述我们提出的算法。部分6评估所提议的算法和其他路由协议的性能。部分7最后对论文进行了总结，并对今后的工作提出了建议。

2.相关工作

在通信网络中利用群模型来建立路径的想法并不新鲜。在[14]，采用蚁群算法，通过AntNet体系结构计算节点间的最优路径。较小的代理，即虚拟蚂蚁，从一个节点迁移到另一个节点，以分布式的方式构建路由规则。

在SC(传感器驱动和成本感知的蚂蚁路由)中[18[假设蚂蚁有传感器，使得它们可以闻到路由过程开始时有食物的气味，以便增加感测蚂蚁最初的最佳方向。除了感测能力之外，每个节点还存储概率分布和每个邻居目的地成本的估计。当存在可能导致最佳方向时可能导致错误的障碍时，路由遭受误导。在他们的扩展工作中，FF（淹没前进）蚂蚁路由[18]认为，即使蚂蚁装备了传感器，也会因障碍物或移动目的地而误入歧途。该协议基于蚁群从源节点向汇聚节点的泛洪。在蚂蚁一开始不知道目的地或代价无法估计的情况下，协议简单地使用传感器网络的广播方法将包路由到目的地。概率更新的方式与基本蚂蚁路由相同，尽管FF在较短的部分遍历时减少了泛洪蚂蚁。然而，作者只研究了初始信息素分布的建立，该分布在系统启动时较好，但在系统密度较高时较差。

如[中提出的WSN（EEABR）的节能基于蚂蚁路由路由17]是基于蚂蚁的无线传感器网络路由的改进版本，它不仅考虑节点的距离，还考虑蚂蚁所经过的路径的能量级别。作者在他们的工作中指出，在基本蚂蚁算法中，前向蚂蚁不被发送到特定的目标节点，这意味着传感器节点之间必须进行通信，每个节点的路由表必须包含邻域内所有传感器节点的标识以及相应的信息素路径。他们的工作在节能方面取得了很大的成就，但在机动和动态场景中遇到了困难，因为产生了大量的控制流量，消耗了大量的能量，可靠性较低。

Beesensor [16是一种基于蜜蜂觅食原理的算法，具有按需发现路线的功能。该算法适用于三种类型的代理:打包者、侦察者和觅食者。打包器在源节点为数据包找到适当的搜寻器。侦察兵负责利用广播原理发现通往新目的地的路径。采集者是besensor的主要工作人员，它们遵循点对点的传输模式，将数据包传送到汇聚节点。当源节点检测到一个事件且没有到汇聚节点的路由时，它启动一个转发侦察，将事件放入侦察的有效负载中，并广播给它的所有邻居。当源节点半径内的中间节点接收到转发侦察时，它更新它的侦察缓存，增加跳数并重新广播它。该方法基于侦察器和源路由的交互，在侦察器返回时建立小转发表。对其进行了分析，并与RMASE模拟器中的几种路由协议进行了比较。由于它是一种基于需求的协议，因此在安全应用程序或需要定期更新信息的应用程序中，它会受到影响。 The routing process is reactive, the time used to search for the sink in a dynamic scenario of the routing process is high, and as such the algorithm is only good for static applications. For more explanation of the algorithms discussed above, interested readers are referred to [5］．

除了所有相关协议的缺点之外，几乎所有的算法都倾向于牺牲网络性能来获得节点能耗的提高，反之亦然。

3.无线传感器网络中的静态、动态和移动接收器

介绍典型WSN的主要应用场景。在传感器网络中，每个传感器以固定的数据速率产生数据包。若传感器节点既不与水槽共同也不直接连接它，然后在节点上生成数据包必须通过多个跳转到到达水槽。在静态接收器场景中，水槽节点始终处于固定位置。发往它的所有流量必须通过更接近它的节点，这将使它们能够更快地消耗它们的能源资源。如图所示1，节点3（n3）和节点4（n4）是接收器的最接近的和传输范围。除了传输自己的信息外，它们还将属于其他节点的信息传输，这将使它们能够比其他节点快速消耗它们的能量。当时，当他们的能量会筋疲力尽时，它的位置将会有洞，如此;由于其他节点不在接收器的传输范围内，因此信息将不再进入沉没，因此使网络无用。由于能量孔或/和热点的问题，然后要求处理水槽的移动性。即使在节点3和节点4不再有效时，移动接收器也能够从其他节点收集来自其他节点的信息。由于其移动性，它也将有助于平衡网络能量，因为较近它的节点将继续变化，如图所示1 (b)和1 (c)．还应该观察到，随着水槽移动，由于可以用与杆交叉的通信链路可以看到的通信范围，它必须被打破的一些链接。为此，水槽移动性不仅会改善网络生命周期，而且有助于收集节点3和节点4不再有效时可能丢失的其他有用信息。涉及汇位移动性的典型路由协议将执行以下操作：(一)通知整个网络在sink移动过程中的拓扑变化，(b)当由于沉没的移动性而导致与接收器的链接打破时，通知节点。

这将我们引向解决现实世界问题的社会昆虫方式，本节将对此进行回顾4．

WSN中的目标跟踪是估计移动目标的位置，轨迹，速度和/或加速的过程。它通常需要准确的估计和预测目标状态。在WSN中的典型目标跟踪（动态方案）应用程序中，目标事件是移动的。因此，源极节点或宿节点必须在每个时间间隔内更改其位置以应对目标事件的动态性质。数字2展示了一个典型WSN中的目标跟踪场景。

在此场景中，sink负责通过Internet、卫星或其他无线技术将所需的信息从WSN转发到总部(即主控制器)。目标可以是人、移动的车辆、动物、坦克、敌人或任何需要跟踪的移动物体。目标可能会以一种意想不到的方式移动，这有时会导致目标丢失。定位目标在任意时刻的位置是无线传感器网络中目标跟踪的主要挑战之一。每个传感器节点都有一个传感器设备，用于感知或检测目标在感兴趣区域的存在。当目标超出节点的传输范围时，对目标的检测就会受到限制。因此，使用移动sink或节点可以减少目标的丢包负担，也可以减少网络节点的能量消耗，因为用于定位目标位置的控制流量减少了。由于传感器节点的电池供电能量有限且物理访问困难，节能目标跟踪是关键目标。此外，ROI中还部署了成百上千的传感器节点。而采用高效的路由算法和动态场景下的汇聚，可以很容易地跟踪目标的位置，传感器节点获取汇聚节点间信息所需的跳数也更少。

4.昆虫的社会性能力

蚂蚁寻找食物的过程在一定程度上是由寻找食物来源时所铺设的化学痕迹来组织的。在寻找食物的过程中，蚂蚁在返回巢穴的路上借助信息素进行交流。当发现食物时，蚂蚁会返回巢穴，留下一条路径吸引巢穴的同伴到食物来源那里。觅食路径和补充路径的差异主要是由于路径上存在不同数量的信息素。人们发现蚂蚁能适应环境，并总能找到最有效的路径找到食物来源。14］．蚂蚁路径行为的优化已被广泛应用于传感器网络的路由等应用中。考虑图2，从鸟巢到食物来源的路径，蚂蚁找到食物并有效地恢复，建立一个信息素追踪。当时当它们的路径中存在障碍物使得存在短于另一个部分时，蚂蚁可以选择具有相等概率的路径，因此两侧具有相同数量的蚂蚁。较短的路径将使蚂蚁能够快速收集食物，并在比较较长路径上的蚂蚁时更快地加强信息素路径，导致其他蚂蚁以更高的概率朝更强的路径移动。这个过程一直持续到时间，将观察到所有蚂蚁将使用最短的路径向食物来源。这个类比中的障碍可以是拥塞，地面的路径上的节点数量，延迟等。这个例子说明了自组织的四个原则[7］．

下面的小节解释了蚁群智能在觅食过程中是如何相互作用的。

4.1。正面反馈

正反馈代表了特定行为的一般规则。在蚂蚁觅食的过程中，蚂蚁对信息素梯度的吸引力使它倾向于增加大量信息素，这被称为正反馈。堆得越多，它可能拥有的信息素就越多，因此一只蚂蚁更倾向于向它移动，并有可能在路径上增加堆的数量。对食物来源的偏差越大，蚂蚁也越有可能选择那条路径，从而进一步增加路径上的信息素含量。

4．2.负面的反馈

通过信息素蒸发完成负反馈。这发生了这种情况，以避免蚂蚁（停滞）的过早融合。为了蚂蚁个体之间的良好通信，信息素必须在环境中蒸发。蒸发有助于削弱信息素并降低该路径上的信息素的浓度。具有较低信息素浓度的路径将具有更少的蚂蚁，因为它将吸引较少的蚂蚁朝向这种方向。虽然这似乎与将所有食物收集到巢穴的任务相反，但它很重要。负反馈完全有用于从系统的集体记忆中移除旧的或差的解决方案。

4．3．随机性

蚂蚁走向食物源的位置和路径完全取决于偶然。蚂蚁行为上的一点漂移可能对未来的事件有很大的影响。利用随机性，可以产生新的解决方案，或者在它们进化适应环境的过程中产生直流电解决方案。

4.4。多个交互

在蚂蚁的食物收集到他们的巢穴中，许多人合作并共同努力实现他们的目标是必要的;这根据传感器网络的相邻节点，其作为路由器到其他源节点。如果在巢中没有足够的蚂蚁，则在巢穴可以收集更多食物之前，信息素将衰减。此外，如果我们将其映射到传感器网络，如果宿节点的路径上没有许多节点，则在进入接收器的路上将丢弃更多的数据包。这也可能是节点的低传输距离的结果。但是，如果环境中存在更多蚂蚁，则会快速收集更多的食物以避免在最短的路径中避免完整的信息素衰减，否则蚂蚁将继续随意步行，而无需建立任何强大的解决方案，就最佳路径。

4.5。Stigmergy

这是群居昆虫个体之间的间接交流，通常是通过环境进行的。污名系统的复杂性是由于个体之间不是相互作用，而是在一个共同的环境中相互作用。它们通过改变环境来与环境互动。这些更改会影响进一步更改的方式。这就产生了一种积极的反馈效应，即信息不断地反馈信息(这与人们对彼此评论的回应方式导致对话走向不可预测的效果类似)。蚂蚁被导向信息素梯度高的路径;蚂蚁之间不需要直接交流，甚至不需要知道对方的存在。由于这个原因，蚂蚁被允许独立于其他个体行动，这大大简化了必要的规则。

5.改进的节能蚂蚁路由算法(IEEABR)

无线传感器网络协议是为了满足服务质量和提高网络生命周期等重要功能而设计的。因此，在设计无线传感器网络协议时，必须考虑底层算法的能量效率及其可靠性。这对于考虑的网络有有限的电源供应、有限的内存容量、低处理能力和有限的可用带宽是必要的。为此，我们对现有的基于蚂蚁的高效路由算法(EEABR)提出了一些重要的改进。

5.1。基于节能的蚂蚁路由算法（EEABR）

节能基于蚁群路由（EEABR）算法[17]是WSN基本基本路由的改进版本。作者的主要思想是减少与控制数据包（蚂蚁）相关的网络中的通信负载，并节省与通信一起花费的能量。该提案还包括更新节点上的信息素表的新功能。EEABR的基本算法可以非正式地描述如下。

每隔一定的时间，从每个网络节点，向前移动一个蚂蚁目标是找到一条通往目的地的道路。每个访问节点的标识符被保存到内存中并由蚂蚁携带。在哪里是具有路由表的任何网络节点，都将具有参赛作品，一个用于每个可能的目的地，以及是一个条目路由表（可能的目的地）。

在每个节点时，前向蚂蚁使用与蚁群算法元启发式算法相同的概率规则选择下一跳节点: 在哪里概率是与哪只蚂蚁选择从节点移动节点，为每个节点的路由表，存储连接时的信息素踪迹量(），是可见功能（节点的初始能级是和吗是节点的实际能量水平）， 和和是控制轨迹与能见度相对重要性的参数。选择概率是可见性(即具有更多能量的节点应该以高概率选择)和实际路径强度(即如果连接()有大量的流量，然后它是非常可取的使用该连接)。

当前向ANT到达目标节点时，将其转换为后向ANT，其任务现在更新其用于到达目的地的路径的Pheromone跟踪，并且存储在其存储器中。

前向后蚂蚁当蚂蚁开始返回时，目的地节点会计算蚂蚁在返回过程中落下的信息素路径: 在哪里为节点的初始能量，，分别为前进士兵向山上移动时所经过路径的最小能量和平均能量，表示前进士兵所访问的节点数。计算背后的想法它带来了最优的路径，因为它是路径能级的函数，也是路径长度的函数。例如，10个节点的路径可以与4个节点的路径具有相同的能量平均值。因此，将信息素轨迹作为能量和节点数的函数与其他蚁群算法中使用的节点数进行计算是很重要的。

每当一个节点接收来自邻近节点的后向蚂蚁，它按以下顺序更新其路由表： 在哪里为系数是反向蚂蚁移动的距离(访问的节点数)吗直到节点，这两个参数将迫使蚂蚁在到达源节点的过程中失去部分信息素强度。是一个系数）代表自上次以来信息素路的蒸发是更新。这种行为背后的想法是构建一个更好的信息素分布(靠近汇聚节点的节点将有更多的信息素水平)，并将迫使远程节点找到更好的路径。当汇聚节点能够移动时，这种行为非常重要，因为信息素的适应速度会快得多。

当向后蚂蚁到达创建它的节点时，它的任务完成，蚂蚁被淘汰。

通过多次迭代执行该算法，每个节点将能够知道哪些是最好的邻居(以表示的最优函数为2)将数据包发送到指定的目的地。

5.2。高效蚂蚁路由算法的改进

改进的EEABR算法将节点的可用功率和各路径的能量消耗作为路由选择的可靠性。它改进了内存利用率，利用蚁群系统的自组织、自适应和动态优化能力，从源节点到汇聚节点找到最优路径和多个候选路径。该算法避免了最优路径上节点能量的消耗，在保持网络连通性的同时延长了网络生命周期。这是必要的，因为对于任何WSN协议设计，重要的问题是底层算法的能量效率，因为所研究的网络有严格的功率要求。根据[19]并通过[17]，对于直接发送到汇聚节点的转发蚂蚁，路由表只需要保存汇聚节点方向上的邻居节点，大大减少了路由表的大小，从而减少了节点所需的内存。的内存每个蚂蚁的记录减少到只有两个记录，最后两个访问的节点。由于蚂蚁所遵循的路径不再存在于它们的记忆中，所以必须在每个节点上创建一个记忆，保存接收和发送的每只蚂蚁的记录。每条内存记录保存前一个节点、前一个节点、蚂蚁标识和一个超时值。每当在任何节点接收到一个前向蚂蚁时，它就会借助自己的标识符(ID)搜索任何可能的循环。对于没有找到记录的情况，检索必要的信息并重新启动计时器，从而将蚂蚁转发到下一个节点，否则，如果找到包含蚂蚁标识的记录，则消除蚂蚁。当接收到反向蚂蚁时，搜索源ID，以便知道将其发送到哪里。在本节中，我们对EEABR进行了一些改进，以提高无线传感器网络节点的能耗，进而提高性能。这些改进是基于一项新的计划初始化路由表，并优先于同时成为目的地的邻近节点，在节点或链路故障的情况下，智能更新路由表降低蚂蚁充血控制的洪水能力。

5.2.1。路由表的初始化

EEABR改进的基于蚂蚁路由不指定路由表的初始化方法。因此，我们提出了初始统一分布路由表中的概率。由于没有关于网络拓扑的先验知识的情况，因此每个路由表的建议初始化反映了对网络拓扑的先前（初始）知识，因为路由过程进行了进展。路由表的初始化是用均匀概率分布完成的 在哪里是从节点跳转的概率是多少节点（目的地）和是节点的相邻节点集．这样做是为了在路由过程进行时反映关于网络拓扑的先前(初始)知识。

在网络拓扑更新后的给定时间内，根据(5）;这是符合的[20.］．这节省了网络资源，因为可以只使用链接到达目的地。如果是目标节点对于一个表项同时也是一个邻居节点，也就是说，然后是路由表中的初始概率对于节点是由 同时，对于相邻节点中的其他相邻节点和那么他们在路由表中选择的概率是作为 在哪里相邻节点的集合是和蚂蚁或数据包进入的概率是多少，跳转到节点，当目的地是．然后，对于每个人来说节点中的条目路由表，它将是的值受条件：

例如，如果一个源节点有5个邻居，根据之前的路由更新知识，选择一个邻居节点作为目的地的概率为而且将根据概率选择其他邻居每一个。也就是说，选择源节点所有5个邻居的概率之和为．

当然，我们可以看到（5)和(6)满足(7)，(注:概率分布表仅由源节点维护)。但是对于一个源节点，其邻居为1，并且该邻居将成为目的地，根据(5)和(6），和．这也满足(7）。

5.2.2。减少网络控制数据包

EEABR没有指定任何方法来保持对在网络内移动的前向蚂蚁总数的控制，在某些情况下，这可能会导致拥塞。为了控制蚂蚁数量，将每个节点上发射的蚂蚁总数限制为网络节点数量的5倍(），因为这是在图中所示的网络中每个节点的平均链接数1．采用这种方法，结果得到了改进，这也符合[20.］．

5.2.3。控制报文自毁

在某些情况下，源节点发送的前向蚂蚁没有按照反向链接返回到源节点。在这种情况下，为了避免发生循环时出现无限循环，即当前向蚂蚁在网络中不断移动时，前向蚂蚁就会自我毁灭如果循环中的跳数高于已经累积的跳数的一半，则会发生。当一个落后的蚂蚁不能返回到它的源节点，因为它的返回行程被中断了，由于链路或节点故障，它是自毁的，因为存储在它的内存中的信息不再反映网络的真实状态。这种方法有助于减少路由表中信息的错误更新。

5.2.4。网络资源失败后的智能更新

原始EEABR不处理网络资源故障的情况。在链路故障的情况下，在节点的情况下，在路由表上进行自动更新失去了它的联系与它的邻居节点．假设一只蚂蚁在，概率，到达目的地通过节点，均匀地分布在其余的进入的邻居在路由表中在哪里在一个链接失败。因此，它是不可能从旅行来为到达．因此，链接后的新概率值故障被介绍为，并且概率将与其在失败之前的相对值成比例，而不是忘记它在失败的时刻所学到的东西，并且根据 在哪里

此方法反映了在故障之前的网络流量和拓扑的节点知识。通过这些改进，网络会聚得更快，并且实现了更好的结果。算法的逐步描述在算法算法中示出了算法  1．在算法中，我们将程序原型分解为不同的阶段，在第6到24行中，我们描述了初始化全局变量的过程。在其中，我们定义了大多数重要的变量和参数。第26 - 43行是一个决策过程，其中决定计算信息素、构建倒向蚂蚁、选择下一跳和消除倒向蚂蚁。从第44行到74行，我们描述了下一跳选择的选择，它在第29行的决策中。在这一步中，计算了选择的概率，并决定了在发生循环的情况下如何消除前向蚂蚁。然后，在第75 - 91行给出了源概率分布表的更新过程。从第92行开始是计算路径信息素的程序，它在第26行的第一个决策中。在此基础上，实现了信息素计算、信息素更新和下一跳选择的全部过程，并实现了更好的路由过程。

我们还在这工作中描述了在路由过程中网络中节点的信息表内容。以下是信息素表的描述。

5.2.5。信息素表

信息素表可保持前向蚂蚁收集的信息。每个节点都维护一个表，保持每个邻居路径上的信息素量。该节点具有不同的信息素气味，并且该表是矩阵的形式，其中沿着顶部列出的侧面列出的目的地节点和邻居节点。行对应于邻居的目的地和列。Pheromone表中的条目由参考在哪里邻居索引是and吗目标索引。利用信息素表中的值计算每个邻居的选择概率。当报文到达节点时来自以前的跃点，即源，源信息素衰变，信息素加入链接．从水槽节点回来的后向蚂蚁更有可能采取路径，因为它是到达目的地的最短路径，．节点的信息素表如图所示3.以节点A S F E为邻居，A B C D E F;和S是可能的目的地。值得注意的是，在路由选择过程中，所有邻居都是潜在的目的地。在节点，选择链接的总概率，，,或到目标节点等于Unity（1),也就是说,．然后可以观察到，由于连接ED更短，更多的信息素将出现在它上面，因此，蚂蚁更有可能选择那条路。

描述算法描述我们所提出的方法的伪代码以算法给出  1．

6.实验与仿真结果

我们使用路由建模应用程序仿真环境(RMASE) [21]，该框架是作为概率无线网络模拟器(Prowler)的应用而实现的[22在Matlab下编写并运行。

Prowler是一个事件驱动的模拟器，可以设置为以确定性或概率模式运行;它提供了一种快速和简单的方法来原型应用程序，并具有良好的可视化功能。Prowler包括一个无线电模型以及一个媒体访问控制(MAC)层模型。MAC层模拟伯克利粒子的CSMA协议，包括随机等待和后退。此外，它还支持类似TinyOS/NesC的基于事件的结构，从而方便算法在真实传感器节点上的实现。无线电传播模型确定了系统中所有发射机在空间的特定点上发射的信号的强度。基于这些信息，可以评估接收机的信号接收条件并检测碰撞。从发射机到接收机的信号强度由确定的传播函数和随机干扰决定。

我们使用三种候选算法评估了改进的能量高效的基于蚂蚁的路由(IEEABR):传感器驱动和成本感知的蚂蚁路由(SC)、besensor和高效的基于蚂蚁的路由(EEABR)算法，使用的度量如下(章节)所定义6.1）基于获得的实验结果。初步和早期版本的这项工作已经在[20.］．对两种不同类型的应用方案进行了对协议的评估。第一应用程序是典型的汇聚场景（静态网络），其中多个源节点与单个全局宿区通信。第二个应用程序是动态方案，它是WSN的目标跟踪应用。在这种情况下，移动目标附近的传感器节点生成一些任意事件序列。当目标移出该节点的范围时，它停止生成事件，另一个节点接管，在此，宿节点在受监视区域中随机移动，因此一些断路器由其他路径占用，使得其他路径占据可以通过其他备用路径传送到汇聚节点。在这两种情况下，事件的长度为512位，并且在每个源节点处以每秒的四个事件的速率生成。在我们的实验中，初始网络拓扑是一个9传感器节点（）具有小随机偏移的网格。我们稍后测试了由12,36,49,64和100个传感器节点组成的其他拓扑的应用。通过将节点随机放置在一个平方中来生成36个节点的网络．对于两种应用类型，每个节点的传输半径均设置为35m，初始能量均设置为5j。其他拓扑是通过缩放正方形来生成的，以便平均节点密度保持不变。每个实验都持续100秒。将记录的结果集对10个不同的仿真结果取平均，仿真参数表如表所示1．

6．1.绩效评价指标

从我们的仿真实验中获得的几个结果，我们使用以下性能指标以获得清晰度目的。

的成功率。定义为汇聚节点接收的事件总数与传感器网络中节点产生的事件总数的比值。我们以百分比报告（％）。

能源消耗。定义为实验期间网络中节点消耗的总能量，单位为焦耳(J)。

能源效率。它是目的地在目的地传递到网络传感器节点消耗的总能量的总分组比的衡量标准，即(Kbits / j)。

标准差。这为焦耳（j）中网络中的所有节点的能量水平之间的平均变化提供给出。

网络生命周期。它被定义为网络的总能量差异以及节点的平均使用能量的总和和它们的能量水平的标准偏差，．这种定义背后的基本动机是，算法应该尝试最大化节点的平均剩余能量水平，但具有小的标准偏差。我们以百分比报告（％）。

潜伏。它被定义为从源节点发送到目标节点（秒）的事件的时间延迟。也就是说，它是在源节点处生成事件时的时间的差异，并且当它最终在汇聚节点处传送时。

6.2。关于实验结果的探讨

6.2.1。IEEABR与SC、EEABR、besensor的比较

为了更好地理解这四种算法之间的差异，我们使用两种典型的WSN应用对两种算法进行了测试。在所有应用程序中，每个节点都尽可能地表示真实的WSN部署环境，这两种场景中的所有节点都是随机部署的。这是因为在真实的传感器网络中，由于环境的特点，节点的部署不能由操作员或人工控制。在收敛投射场景中，传感器节点随机部署，目标为监测某一静态事件，所有源和汇均固定，实验开始时随机选取圆心。在此场景中，事件的位置和汇聚节点的位置都是未知的，节点负责监控事件，并将感知到的相关信息发送给汇聚节点。实验结果如表所示2和数字4（a）- - - - - -4 (g)．在这种固定的传感器节点场景中，sink附近的节点作为源节点，同时作为其他源节点的路由器，更有可能耗尽其能量，因此，它们将被迫周期性地代表其他节点传输信息。在表3.和图5，我们使用目标跟踪方案显示我们的实验的模拟结果。在这种情况下，移动目标附近的传感器节点会产生一些任意事件序列;当目标移动到该节点的范围内时，它停止生成事件，另一个节点接管，在此，宿节点随机移动在监视区域中，因此某些断路器被其他路径占用，使其占用可以通过其他备用路径将事件传送到汇聚节点。

能源消耗。有限的可用能量是设计高效的无线传感器网络协议时需要注意的主要问题。数字4（a）显示静态网络场景中9个节点的协议的能量消耗，而图4（c）是从9,16,66,64和100节点的不同密度的不同密度的协议的能量消耗。SC在9个节点的较低网络中执行更好，其性能差异为3％，而当网络变大时，所提出的算法的性能更好地执行更好。当网络增长到49个节点时，IEEABR算法与SC之间的百分比差异为25％。EEABR和BEESENSOR分别消耗了31％和29.3％的网络能量，而不是所提出的算法。低密度网络中SC协议的较低能耗是由于假设网络中的每个节点配备有传感器，以在路由过程开始时感测宿节点的位置，在这种情况下，GPS。这在实现前，这达到了为每个节点购买额外附件的成本并不有利。还观察到，在密集的网络中，由于更多的节点，在IEEAbr中参与路由过程的更多节点和较少的蚂蚁洪水，SC协议的性能下降低于IEEABR。也如在图中的目标跟踪场景中观察到5（a）和5 (c)对于节点较少和密度变化的高密度网络，如图所示5（a）， SC协议比IEEABR算法多消耗72.65%的能量，在收敛cast场景下表现出了较高的性能。SC协议与IEEABR协议相比性能较差，这是由于网络是动态的，为了定位sink的位置，会有更多的控制数据包涌进网络。SC发现每当它改变位置时都很难重新计算水槽的位置。beessensor的性能最差，比IEEABR高出83%，但与IEEABR相比有很大的提高，相差10.6%。如图所示5 (c)，IEEABR算法与SC之间的百分比差异为49节点，是60％，这是一个显着的性能差异。该点的所提出的算法具有29.66％，并且在该点以100增加到100时，Beesvesor较低，而差异为88％，与IeeAbr算法相比为88％。因此，所提出的算法在低能量消耗方面优于所有协议。高改善是由于网络中的蚂蚁的洪水减少，并且正确初始化路由表，同时优先于邻居之间的接收器选择。

能源效率。数字4（b）显示静态场景中协议的能量效率，因为能量消耗是设计有效协议时要考虑的重要指标。IEEABR和EEABR是这种情况下能源效率的两个最佳协议。IEEABR更好的性能是由于其总能耗和高数据包传递比率低。如果损耗率很高或分组输送速率低于SC的情况下，则导致更多的路线发现过程，最终导致更高的能量消耗。另一个有趣的观察是展望传感器消耗远远超过SC协议的能量。然而，它们的能效图表明SC靠近Beesvesor，这显然是由于SC的缺点率差。在这种情况下，IEEABR和EEABR的能效棒彼此靠近。另一方面，在目标跟踪（动态）应用中，IEEABR比EEABR更好地执行。原因在于IEEABR能够在动态场景下快速收敛，并实现较高的包分发率。在静态场景中，路由发现的数量非常小。 Therefore, total energy consumption of both protocols is close to each other. However, when the number of route discoveries increases, the difference in the control overhead gets significant contributing negatively to the energy efficiency of EEABR in most of the nodes ran out of energy in Beesensor, which is the overshoot as seen in Figure4（c）．此外，如果我们将协议进行比较在目标跟踪应用程序中，数字5 (b)显示了协议的能源效率。可以明显看出，IEEABR不仅成功率高，能耗低，而且是所考虑的协议中能效最高的。在收敛浇铸情景下，IEEABR和EEABR的能源效率条非常接近。另一方面，在这个目标跟踪(动态)应用程序中，IEEABR的性能明显优于EEABR。原因在于IEEABR能够在动态场景下快速收敛，并实现较高的包分发率。在静态场景中，路由发现的数量非常少;因此，两个协议的总能耗非常接近。然而，随着路径发现数量的增加，控制开销的差异显著影响了EEABR的能源效率。在能源效率方面，IEEABR也优于所有路由协议。与Beesensor和SC相比，本文算法与上一代算法在目标跟踪场景中的差异百分比分别为64.22%、84.7%和93.2%，而SC算法实现成本最高。 Though all the protocols are energy aware protocols, the proposed algorithm still has a high success rate and the lowest end-to-end delay.

的成功率。任何协议的成功率是协议将成功传递到沉没在网络中的每个节点中生成的数据包中的沉没功能。两种应用中协议的成功率如图所示4 (e)和5 (d)，分别用于静态网络和动态网络。EEABR表现出了很高的性能，在观测期间，它将网络中产生的所有数据包的92.4%发送给了sink，没有太多的损失，而IEEABR算法的平均性能为96%，是所有协议中最好的。SC在实验中释放率最低。SC路由协议性能较差的原因是只根据距离进行路径选择，而不考虑路径的能量，可能会导致一些节点无法将交给它们的数据包进行转发。IEEABR的高包分发率表明，在传感器网络的两种应用中，通过多路径和链路故障管理进行信息分发具有鲁棒性。在收敛和目标跟踪两种情况下，EEABR协议的包分发率明显高于SC和beessensor协议，特别是在大型网络中。另一个重要的观察是SC的表现不佳。SC的表现不佳是由于洪水的蚂蚁不考虑能量的路径,和路径选择是基于距离,一些节点的路径可能无法交付给他们起转发数据包。

潜伏。数字4（d）显示评估下协议的端到端延迟。从图中所见但不是我们在这项工作中的优先级之外，所提出的算法具有最低端到端延迟（延迟），然后是SC。在整个观察期间，Beesvener性能最差，如图所示。Beesvesor的性能不佳是由于路由发现的反应方法，其中必须在任何时候都必须重新计算的路线存在要被发送到水槽的情况。由于IEEABR算法将网络中的蚂蚁洪水的数量限制为网络节点数量的5倍的分数，同时也为与接收器同时差异的邻居分配更大的概率，它比所有协议更好地执行。值得注意的是，Beesiscer在整个高能量节点和按需路线的觅食者，以及在每个节点上维护的小事件缓存，该节点存储在算法的侦察过程中检测到的事件，该算法有助于其高延迟。

标准差。节点的标准差给出了网络中所有节点能量水平之间的平均变化。算法应尽量使节点的平均剩余能量水平最大化，但标准偏差较小，以延长网络生存期。数据4 (f)和5 (e)在静态和动态场景中，给出对四种不同算法获得的结果的曲线。将观察到，两种情况下，Beesiscer具有最低的标准偏差，但与SC和EEABR协议相比，IEEABR的性能在这两种情况下都更好。Beesiscer获得的最低标准偏差是由于它被设计成作为反应协议操作，因为其所有节点的能量水平之间的这种平均变化显着降低。Beesissor帮助的低标准偏差，即使它倾向于在目标跟踪方案中消耗高能量，即使在目标跟踪方案中消耗高能量，这也会显着降低IEEABR的寿命。

寿命预测。数据4 (g)和5 (f)分别在收敛cast和目标跟踪应用中展示了算法的网络寿命预测。图中的结果4 (g)表明Beesvesor在静态场景中具有比IeeAbr更好的寿命，但在动态场景中的一生中脱颖而出。目标跟踪方案中的性能下降是预期的展象传感器，因为它由于其反应路径建立和该方案中拓扑的动态性质而产生明显更高的控制开销。由于高控制分组，协议消耗了大量能量，并且又会降低其寿命，即使它具有较低的标准偏差。但是，与两种情况中的SC协议相比，EEABR协议具有相对更好的网络生命周期。原因是因为EEABR通过具有更高平均能量的路径来路由数据包，并避免使用最短路径定期。此外，应该注意的是，SC协议通过最短路径（最小成本）来单播前进蚂蚁，其随后导致最短路径上的能量快速消耗，并且又导致SC协议的较低网络寿命。通常，IEEABR在目标跟踪方案中具有最高的寿命，并且其性能也与汇聚施用应用中的百叶血管传感器相当。

7.结论与未来工作

在本文中，我们比较了自然启发的最先进的能量感知路由协议在无线传感器网络中的性能，该网络利用蚂蚁和蜜蜂的行为来进行路由决策。我们提出的路由协议在能源效率方面已经显示和证明了良好的性能。其性能不仅体现在网络中节点的能耗低，而且具有低延迟、高吞吐量和成功率。该算法既能处理目标跟踪应用，也能处理QoS要求较高的应用。提出的算法在用于评估目的的所有指标中都表现得相当好，同时也显示出它与前身“EEABR”之间的合理差异。在收敛投射和目标跟踪场景下，EEABR算法的网络节点能耗分别比算法高31%和29.66%。SC算法假设所有的传感器节点都有传感器来获取sink的位置，与所提算法相比，SC算法表现不佳。由于besensor的按需路由，在收敛投射和目标跟踪场景中，besensor的能耗分别为29.3%和88%。收敛时间短，当网络拓扑发生变化时很难定位sink。与收敛cast场景的结果相比，事件移动性降低了算法的性能，这是可以理解和预期的，因为更多的节点成为数据包的来源，增加了网络中的数据包数量。 Once again the IEEABR protocol presents the best results when compared to the other protocols, but the results can easily be compared to scenarios where all the environment variables are static (converge-cast scenario). We are in the process of implementing the proposed algorithm on a real WSN hardware. We will improve on the algorithm based on the experience obtained from the real-time implementation and testing.

参考文献

1. K. Akkaya和M. Younis，“无线传感器网络路由协议的调查”，特设网络，卷。3，不。3，pp。325-349,2005。查看在：出版商的网站|谷歌学术
2. I. F. Akyildiz, W. Su, Y. Sankarasubramaniam，和E. Cayirci，《无线传感器网络:调查》，计算机网络第38卷第2期4，第393-422页，2002。查看在：出版商的网站|谷歌学术
3. K.Akkaya和M. Younis，“无线传感器网络的能量感知QoS路由协议”移动和无线网络上IEEE研讨会的程序，pp.710-715，2003。查看在：谷歌学术
4. “无线传感器网络中基于群体智能路由协议的研究”，《中国科学院大学学报(自然科学版)》。国际物理科学杂志，第5卷，第5期。14，pp。2118-2126，2010。查看在：谷歌学术
5. a . M. -Zungeru, L. M. Ang, K. P. Seng，“基于经典和群体智能的无线传感器网络路由协议:调查和比较，”网络与计算机应用，卷。35，不。5，pp。1508-1536,2012。查看在：出版商的网站|谷歌学术
6. 准格鲁，l - m。Ang，和K. P. Seng，“白蚁山:向移动sink路由以改善无线传感器网络的网络生命周期”，在第三届智能系统、建模与仿真国际会议论文集(ISMS’12)，页622-627,2012。查看在：谷歌学术
7. M. Roth和S. Wicker，《白蚁:污名化的临时网络》，在IEEE全球电信会议论文集(GLOBECOM '03)，pp.2937-2941，2003年12月。查看在：谷歌学术
8. B. Hölldobler和E. O.威尔逊，蚂蚁哈佛大学出版社，1990。
9. A. M. Zungeru，L.M. Ang和K. Seng，“白蚁山：基于性能优化的无线传感器网络的路由算法”，网络与计算机应用，卷。35，不。6，pp。1901-1917,2012。查看在：谷歌学术
10. 准格鲁，l - m。Ang和K.P. Seng，“利用白蚁的山地建筑行为的无线传感器网络环境建模和仿真的正式数学框架”模拟，2012年，特别问题：复杂自适应通信网络和环境的基于代理的建模与仿真（Cacoons）。查看在：出版商的网站|谷歌学术
11. L. Buttyan和j . p。Hubaux，“加强移动自组织广域网中的服务可用性”第一届ACM国际移动临时网络网络和计算研讨会，pp。87-96,2000。查看在：谷歌学术
12. A. B. Mackenzie和S. B.柳条，“通信的博弈论：动力，解释和电力控制的应用，”IEEE全球电信会议会议的诉讼程序（Globecom'01），pp。2001年11月821-826。查看在：谷歌学术
13. E. Bonabeau M. Dorigo和G. Theraulaz，群体智力：从自然到人工系统，牛津大学出版社，伦敦，英国，1999。
14. M. Dorigo和G. A. Di Caro，“蚁网:传播的分布式耻辱控制”网络”,人工智能研究杂志，卷。9，pp。317-365,1998。查看在：谷歌学术
15. K.LI，C. E.Torres，K. Thomas，L.F. Rossi和C. C. C. Shen，“粘液模具启发了无线传感器网络的路由协议”，“群体智慧，第5卷，第5期。3-4，第183-223页，2011。查看在：谷歌学术
16. M. Saleem，I. Ullah和M. Farooq，“Beesvenor：一种用于无线传感器网络的蜜蜂灵感，节能和可扩展的路由协议”信息科学， 2012, vol. 200, pp. 38-56。查看在：谷歌学术
17. T. C. Camilo，C.Carteto，J. S. Silva和F.Boavida，“无线传感器网络的节能蚂蚁路由算法”第五届蚁群优化与群智能国际研讨会论文集，第49-59页，比利时布鲁塞尔，2006。查看在：谷歌学术
18. 张勇，“基于蚁群算法的传感器网络路由优化”基于蚁群优化算法的蚁群智能研究，， M. Dorigo et al.，第3172卷，第289-313页，LNCS, 2004。查看在：谷歌学术
19. K. Kalpakis, K. Dasgupta，和P. Namjoshi，“无线传感器网络的最大寿命数据收集和聚合”IEEE国际网络会议论文集，卷。42，不。2003年6月6日。查看在：谷歌学术
20. A. M. Zungeru，L.M. Ang，S. R.S.Prabaharan，K. Seng，“视觉传感器的基于蚂蚁路由协议”计算机与信息科学信息工程与信息科学通信的载体（Icieis'11）， a.abd Manaf et al.， Ed.， pp. 250 - 264,2011。查看在：谷歌学术
21. 路由建模应用仿真环境(RMASE)， 2010，http://www2.parc.com/isl/groups/era/nest/rmase/．
22. 概率无线网络模拟器(Prowler)， 2010，http://www.isis.vanderbilt.edu/Projects/nest/prowler/．

版权

版权所有©2013 Adamu Murtala Zungeru等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。