WSNS改进的蚁群路由算法

抽象的

蚁群算法是一种经典路由算法。它用于各种应用，因为它是经济和自我组织的。但是，路由算法将在开始时降低大量的能量。本文基于Dijkstra算法的思想，提出了改进的蚁群算法来平衡网络的能耗。通过仿真和与基本蚁群算法的比较，显然改进的算法可以有效地平衡能量消耗并延长WSN的寿命。

1.介绍

M. Dorigo等人出现的蚁群算法。[1那2]观察蚂蚁觅食的行为。它对各种离散优化问题非常受欢迎，例如旅行推销员问题，二次分配问题和作业商店调度[3.]。由于自组织的特点，自动优化和动态拓扑，蚂蚁殖民地算法应用于ad hoc网络，无线传感器网络等。基于蚁群的路由算法连续提高。kassabalidis等。[4.]建议的蚂蚁算法通过前向蚂蚁来实现路由优化并返回蚂蚁（前进蚂蚁收集节点信息;返回蚂蚁使用此信息更新路由表）。和ABC算法[5.]（基于蚂蚁的控制算法）基于模式选择的概率和更新路径。该算法只有一种从源节点释放的蚂蚁，这些蚂蚁在死亡之后到达目的地节点。当ant到达目标节点时，将更新节点的路由表。

在论文中，我们提出了改进的蚁群算法通过路由优化来获取最佳路径。我们尝试在路径满足需求的条件下挽救能量消耗并延长网络生活。

2. dijkstra算法

2.1。dijkstra算法

Dijkstra算法由荷兰计算机科学家Edsger Wybe Dijkstra提出，解决了关于从原始点到定向图中的其他点的最短路径的问题。

每个点从原始点更新最短路径信息。它通常定义如下。

认为和是代表原始点和其他点的两套。

在最初的时刻，是子集和覆盖范围和是子集和覆盖范围。

Step  1.距离是从原始点的最短距离到其他观点外。计算，我们可以得到点这是最接近的点在集合中。

Step  2.如果设置停止一片空白;否则返回步骤1，在哪里那。

3.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无向图。在开始时，缺乏初始信息素导致溶解的速度和高消耗量低，这影响了蚁群算法的整体性能[6.那7.]。为了解决问题，基于遗传 - 蚁群算法的改进蚁群算法[8.] 被表达。但是，在交叉和突变后可能导致数据传输中断的增加。本文已经提出了关于Dijstra算法的改进的蚁群算法，将节点分配到定向图中的改进的蚁群算法。它可以提高算法的初始效率，并确保稳定性。

3.1。信息素初始优化

节点号和通信半径确定。让那，是记录上一个节点号的集合节点系数。让是节点之间的交通需求和节点。

Step  1。终点与相邻节点通信。邻近节点记录终端点和更新节点系数的数量。

如果小于， 这被设置为一个和放入套装。

Step  2.得到这个号码可以直接与起点通信的节点。初始价值是零，值加一个小于。

第3步。节点与相邻节点进行通信。什么时候要么，节点更新并记录节点的数量直到开始点获取其相邻节点的数量。

通过操作，节点从节点到终点获取有关路由的信息。路线没有回到拖拉。

3.2。路径选择

用蚁群的搜索食品过程模拟，基本蚁群算法的模型如下。

认为是一个和是子集和覆盖范围而且，在最初的时刻，他们被选中;蚂蚁将随机放在- 假设每个子集的初始信息。蚂蚁的概率从子集转移到子集是 [9.] 其中，是迭代号码，是id（）对于蚂蚁，和是迭代号码;允许是从蚂蚁中选择的下一个子集;是来自子集的信息素强度到子集;是蚂蚁的启发程度从子集转移到子集。这两个参数和在蚂蚁运动过程中积累信息和灵感信息，反映了蚂蚁选择下一个子集的相对重要性。

为了平衡节点的能量消耗，改进的蚁群算法基于基于基础蚁群路由算法进入了能量因子，以找到更短的能量路径。然后，从节点的提高概率节点定义如下： 使用相对因素表示方法的标准化，其中是等于节点的残留能量的相对能量因素除以初始节点能量并乘以1.2。参数在蚂蚁运动过程中积累信息和启发信息，它反映了蚂蚁的相对能耗来选择下一个子集。

3.3。信息素更新

子集is determined, and ant will stop when elements that selected subset contained target node;这将标记周期的结束。在所有蚂蚁完成循环之后，根据以下等式调整子集的信息素： 其中，是信息素的衰减系数;通常避免在子集上无限积累信息;是子集的数量和在这个循环中选择;信息素强度是合格的;它影响了一定程度的算法的收敛速度。

4.仿真结果

仿真示例的计算与基本蚁群路由算法的比较表明，改进的蚁群路由算法是有效的。如图所示1，我们模拟一个固定网络，其中48个传感器节点部署在目标区域方形区域。我们还初始化每个传感器的电池能量为1 j和传感半径每个节点为30米。蚁群算法参数的默认值设置为那那那那， 和。

比较两个算法的生命周期，我们假设通过接收和发送信息来消耗的能量为0.1J。如图所示2，实线表示改进的蚁群路由算法和虚线代表基本蚁群路由算法。算法的总能量在开始时是相同的。随着时间的推移，改进的蚁群路由算法具有较长的运行时间。经过多次测试，如图所示3.，改进的蚁群路由算法具有更长的生命周期，这是节省资源的好方法。

另一方面，表1显示与两个算法的平均路由路径的比较。改进的蚁群算法的平均路由路径减少到大约三分之一的基本蚁群群体。改进措施使路由减少。同时，改进的算法也降低了能量消耗。我们可以看到改进的蚁群路由算法具有更优化的路由路径，以保证消息流畅。

5。结论

无线传感器网络具有区别特性，如弱节点计算能力和能量有限节点，因此我们应该在无线传感器网络路由算法设计中进行效率和节省源。蚁群算法是一种新的启发式搜索算法，在路线优化中具有许多优点，但由于信息素缺乏，浪费了一些时间和能量。因此，本文提出了改进的蚁群路由算法，它受到Dijkstra算法的启发，将无线传感器网络的Dijkstra算法改变为指导的图和能量平衡消耗思想，以改善蚁群算法。

与基本蚁群路由算法相比，改进的蚁群路由算法是一种低能量算法，具有高性能。

利益冲突

提交人声明没有关于本文的出版物的利益冲突。

承认

这项工作得到北京教育科技发展计划（KM201110016015）的支持。

参考

1. M. Gunes和O. Spaniol，“移动多跳ad-hoc网络的路由算法”下一代网络技术研讨会的诉讼程序，第pp。20-27,2002。查看在：谷歌学术
2. Z. Modi，S. Jardosh和P. Ranjan，“无线传感器网络的优化谣言路由算法”第五届无线通信和传感器网络会议的诉讼程序（WCSN '09），pp。2009年12月1日至6日。查看在：出版商网站|谷歌学术
3. J. Kahn，R. Katz和K. Pers，“下个世纪挑战：移动网络”智能尘埃“，”第5届年度ACM / IEEE移动计算和网络国际会议的诉讼程序（Mobicom'99），PP。271-278，ACM Press，1999。查看在：出版商网站|谷歌学术
4. I. Kassabalidis，M. A. el-Sharkawi，R. J. Marks，P.Aswarshahi和A. A. Gray，“通信网络中的路线群体”，“全球电信，卷。6，不。6，PP。3613-3617，2001。查看在：谷歌学术
5. B. McBride，C.Scoglio和S. DAS，“用于低成本覆盖网络路由的分布式生物注射蚁群算法”国际人工智能国际会议的诉讼程序（ICAI'06），卷。2，PP。2006年6月518-521。查看在：谷歌学术
6. S. Begum，N.Tara和S.Sultana，“基于改进的蚁群算法的无线传感器网络中的节能目标覆盖”，国际临时，传感器和无处不在的计算，卷。1，不。4，pp。29-36,2010。查看在：出版商网站|谷歌学术
7. F. Zhu和H. Wang，“一种基于组播树相似性的多播状态可伸缩性问题的修改ACO算法”第13届高级通信技术国际会议议程（换期），第772-976页，韩国972-976，2011年2月。查看在：谷歌学术
8. K. Nishant，P. Sharma，V.Krishna，C.Gupta，K。辛格，以及R. Rastogi，“使用蚁群优化的云中的节点负载平衡”第14届计算机建模和模拟会议的诉讼程序（UKSIM '12），pp。2012年3月3日至8日。查看在：出版商网站|谷歌学术
9. P.Purkayastha和J. S. Baras，“蚂蚁路由算法的收敛结果通过随机近似和优化，”第46届IEEE决策与控制会议的诉讼程序（CDC'07），PP。2007年12月340-345。查看在：出版商网站|谷歌学术

版权

版权所有©2015 Tan Zhi和Zhang Hui。这是分布下的开放式访问文章创意公共归因许可证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。