文摘

高密度无线传感器网络(HDWSNs)通常是随机部署,每个节点和网络收集数据的复杂环境。因为传感器节点的能量是由电池供电,这基本上是不可能更换电池或充电的复杂环境。摘要QoS路由能耗模型设计,和一种改进的自适应精英蚁群优化(AEACO)提出了减少HDWSN路由能耗。该算法利用自适应算子和精英算子加快收敛速度。验证AEACO的效率,AEACO是与粒子群优化(PSO)和遗传算法(GA)。仿真结果表明,AEACO的收敛速度是早于粒子群算法和遗传算法。此外,使用AEACO HDWSNs是减少能源消耗的30.7%相比,PSO GA和22.5%。因此,整个HDWSNs AEACO可以成功地减少能耗。

1。介绍

如今,新兴高密度无线传感器网络(HDWSNs)技术吸引了大量学者研究新的QoS路由优化算法在这个领域。与无线通信技术的进一步发展和推广,HDWSNs已经使用在许多应用领域,如社区监控,智能家居,军事、交通管制、环境和检测(1]。HDWSNs结合计算技术和无线移动通信技术和传感器节点技术革新传统网络的架构和模式(2,3]。然而,由于感应环境的约束,在HDWSNs,很多节点只通过电池提供能量限制。因此,有效地减少节点的能量消耗,实现节能路由和数据传输有重要的研究和应用价值提高HDWSNs[的性能和稳定性4,5]。

multicondition限制QoS路由优化问题,目的是找到最佳路径从头到尾HDWSNs具体问题,而不是最短路径。和这条路应该满足多个QoS约束要求,比如延迟抖动,延迟,丢包率,和链接带宽。这些QoS路由条件作为QoS路由考量的标准(6]。由于能源的局限性,如何最大限度地减少路由能耗,延长传感器网络的寿命已经成为HDWSNs所面临的瓶颈问题。

一般来说,传感器的体积和质量非常小。有必要考虑特定的通信任务的完成,并确保内部能源利用率是增加7]。QoS路由优化算法是一种有效的方法来减少能源消耗在网络中(8]。

本文基于AEACO QoS路由优化建议最小化HDWSNs的能源消耗。为了评估AEACO的有效性,该模型的QoS路由是第一。为了提高算法的执行效率,路由适应度函数的设计。此外,自适应和精英机制引入蚁群优化。我们设计了一种新的自适应机制在信息素更新阶段提高全局搜索能力,避免陷入局部最优。新精英机制旨在保留最优蚂蚁和提高算法的优化能力。

在仿真,AEACO显示好找到最好的个人能力。提高算法的收敛速度。仿真结果表明,实现在HDWSNs AEACO更高的性能比粒子群优化(PSO)和遗传算法(GA)。结果还表明,自适应和精英策略提出了改进蚁群优化的全局搜索能力。

主要贡献如下:(1)首先,我们提出一种改进的自适应蚁群优化精英(AEACO),可有效减少路由HDWSNs能源消耗。若干次迭代后,能源消耗的路由优化AEACO降低22.5%和30.7%,分别比算法和遗传算法在相同的实验条件下。此外,当节点数量的增加,可以得出类似的结论通过比较实验结果与其他两种算法。因此,AEACO-based路由方法可以有效地提高能源的利用率(2)其次,AEACO相结合的自适应运营商和精英运营商更好的性能在缺席的情况下过早收敛。提高全局搜索能力。当传感器节点的数量是50和70年,分别AEACO收敛速度高于算法和遗传算法。与其他两种算法相比,健身后AEACO优化迭代后收敛于一个较小的值(3)最后,总能耗路由HDWSNs取决于发射和接受所有节点的能量消耗。根据算法的自适应机制,整体能源消耗会减少。与HDWSNs的传感器数量的增加,对数据传输的需求增加,以及AEACO路由优化能源消费的影响也相应增加

本文所示的延续。部分2本文论述了作者的相关工作。部分3介绍了QoS路由模型。节3,AEACO用于优化QoS路由算法的过程。部分5给出了仿真结果和比较。结论部分给出6。

2。相关工作

在HDWSNs,寿命和性能有直接关系。适当和有效的路由算法可以降低传感器网络的能量消耗,这是优秀的含义扩展HDWSN寿命。因此,在[9],作者提出了一个multimobile轨迹基于覆盖率的调度方法,利用算法和遗传算法的优化调度。摘要(10)结合pegasi算法和汉密尔顿一起循环算法,设计的最佳途径,有效减少能源消耗。摘要(11)提出了一个增强高性能聚合算法,确定最佳的沟通距离,设置阈值,节点之间使用移动技术来减少能源消耗。摘要(12)提出了一种基于数据流的最大数据生成速率路由算法控制技术,大大降低了能源消耗时间同步。摘要(13)提出了一种新的基于PSO覆盖控制算法,通过将整个网络划分为多个网格增加覆盖率和减少能源消耗。

传感器网络优化能源消耗研究最近吸引了学者。摘要(14)提出了一个节能环保的对手模型在绿色产业环境中使用,可以提高电子物理系统的硬件和软件来减少能源消耗。摘要(15)使用蝙蝠算法选择最佳监测传感器节点和减少能源消耗的最佳路径。摘要(16)使用鲸鱼优化算法来解决RA问题,达到最好的RA,并且降低了通信总成本。摘要(17)使用线性自适应拥塞控制来提高贪婪路由和数据分布的情况。

HDWSNs近年来发展迅速,它可以解决物理问题的控制和传感。基于所使用的路由场景的性能,计算和处理能力是最小的考虑有限的电池供电(18]。由于这个原因,在文献[19),作者使用了遗传算法(GA)在多次反射QoS路由无线网络仿真实验,并分析了算法的性能方面的可伸缩性、能源消耗,HDWSN生命周期。它可以最大限度地节约能源的活动传感器,从而延长网络的使用寿命。

对于高质量的无线传感器网络QoS问题,模拟退火算法是第一个发现20.],SA的性能评估是通过路由能耗。无线传感器网络路由优化是有限的资源和计算能力。结果表明,计算复杂度增加的网络节点的数量在有限的计算能力。

文献[21]分析了无线传感器网络供电,在能源效率最大化问题是开发成一个非线性部分的问题,很难解决,从而导致了全球最好的凸性的缺失。延长网络的寿命,减少能量损失,提出了算法的路由策略。PSO方法,可以快速、直接执行路由和转发。通过这种方式,该算法搜索最优解的能量优化问题。结果表明提出的稳定和快速收敛算法。然而,该算法很容易受过早收敛。

在[22),一个SFLA传感器网络路由方案提出了减少网络的总能量消耗系统。SFLA应用于解决无线传感器网络与移动接收器的QoS路由问题。作者描述上述问题作为一个优化问题。解决np难问题,作者提出了一种改进的打乱frog-leap与延迟约束算法。算法采用混沌技术获得不同群青蛙和给出了自适应算子来加速算法。操作速度:作者还提出了一种新的任务调度算法,考虑了剩余能量平衡网络负载。最后,大量的仿真实验验证算法的效率。通过这种方式,可以选择最佳路线传递路径,以减少网络延迟和能量消耗。然而,SFLA的执行速度仍然缓慢,不能满足QoS路由的要求。

在[23),QoS路由算法决定了信息传输的能耗最低路径从起点到终点。因为缺乏足够的无线传感器网络节点能量,能量利用效率是一个重要的无线传感器网络数据传输的迹象。HDWSNs在当前场景的基本意义是减少网络中节点的能量消耗,提高数据传输的有效性和可用性,延长整个网络的使用寿命。在这方面,要求作者在HDWSNs找到数据传输的最佳路径。要解决这个问题,作者提出的节能路由算法HDWSNs基于蚁群优化(ACO)。改进的低能耗路由方法选择集群头通过考虑能量和节点之间的距离。为了减少节点之间的能量消耗,剩余能量作为一个因素来延长网络寿命和提高数据传输路由的效率。然而,由于算法的复杂度高,程序的效率并不理想。

在[24HDWSNs],在设计,HDWSNs的能源消耗已经成为一个严重的问题,由于有限的电池能量。因此,需要快速和健壮的算法来优化HDWSNs QoS路由。电池需要运行网络。为了延长网络的生命周期,需要优化能耗。能源消耗和QoS是两个重要的因素。HDWSNs基于低能消耗标准,能源消耗在于活动,如数据收集、数据转发和交换网关。因此,提高路由效率HDWSNs延长网络生命周期是一个重要的任务。在解决问题的过程中,作者改进了混合跃过算法和改进的跨跃的数量和人口规模是否适当。作者进行了大量的仿真对提出的路由算法根据各种性能参数。然而,该算法鲁棒性差、不能满足HDWSN的QoS路由算法的要求。

在这个研究中,AEACO的关键参数,算法、GA在表中列出1- - - - - -3。

3所示。系统模型

本节介绍了QoS路由优化模型与多个约束。HDWSNs的数学模型可以表示为传感器网络中的每个节点之间的路径集,这是由 。图论是用来代表源,目的地和多个中继节点和链接。包括源节点的节点集 ,终端节点 ,和无数的中间节点 。源节点节点、中间节点来 节点和终端节点 节点。因此,从开始节点路由到终端节点可以表示为 。

两个节点形成一个链接。通过这种方式,相邻两节点的序列号和 ,可以表示为哪一个 。在链接传输性能受到4参数的链路带宽、丢包率、时延抖动,延迟。每条路径的能耗可以表示为 ,抖动可以表示为 ,链路的带宽可以表示为 ,丢包率可以表示为 ,和延迟抖动可以表示为 。

3.1。无线电能量模型

在算法开始前,我们假设约束如抖动,延迟抖动,带宽、丢包率在QoS路由已经存在,和传感器节点随机分布在一个二维坐标。

在两个连接节点组成的一个链接和 ,能源消费构成的数据传输和数据接收能耗,能源消费总量可以表示为两个相邻节点之间的 在哪里能耗可以表示相邻节点之间的数据传输,然后呢可以表示数据接收相邻节点之间的能量消耗。

假设两个连接节点之间的距离和传输数据的比特可以表示 ,和数据传输消耗的能量可以表示为一个链接 在哪里电子能量参数。是发射机耗散能量。多路径衰落的功率放大参数确定的能量放大器。两个节点之间的距离 ,和部分的长度 。可以显示为接收能耗

我们可以假设一些参数约束下。例如,假设当两个传感器节点分开, 。我们可以设置 。根据方程(3), 可以获得。

3.2。路由功能

3.2.1之上。能源消费函数

假设的数据来 ,链接的能源消耗 可以通过公式计算(4)。

3.2.2。延迟函数

整个数据节点的延迟到节点可以通过公式计算(5): 在哪里 路由的总延迟时间, 的是一个路由来 ,和是一个链接路线 。链接的延迟可以表示为 。

3.2.3。带宽的函数

整个链路带宽的节点来可以表示为公式(6) 在哪里 瓶颈带宽的路由 ,和路由是一个链接吗 。带宽的路由可以表示成 。

3.2.4。延迟抖动功能

整个数据节点的延迟抖动来由公式可以表示(7)。

3.2.5。丢包率函数

整个数据节点的丢包率来由公式可以表示(8)。 在哪里 是整个数据包损失率的路由 , 路由是一个链接吗 ,和丢包率的链接吗 。

3.3。目标函数

在HDWSNs,许多限制的QoS路由模型可以由图模型。根据延误能量损失模型基于条件,QoS路由的目标是找到一种路线从开始节点到节点的能耗最低。

健身( )是一个参数的所有个人基于生物自然环境的适应程度。适应度函数是指所有基本单位之间是一一对应的实际问题和自己的健康。通常情况下,它是一个常数函数。在这篇文章中,用于表示HDWSNs QoS路由的能量消耗,和函数可以通过方程所示(9)。

3.4。限制

找到最好的路线以最小的能源消耗是QoS路由模式的主要目标。数据传输从源节点开始在终端节点和结束 。这条路线的相邻节点之间的联系需要满足以下限制(10),(11),(12),(13))。 在哪里代表的最大延迟接受的路线,代表了最小链路带宽,代表最大丢包率,代表的最大延迟抖动。

4所示。AEACO-Based HDWSNs路由减少能源消耗

针对HDWSNs QoS路由问题,提出一种基于AEACO的优化算法。这个想法来自于蚂蚁生物(25,26]。在我们AEACO策略,一个重要的改进是增加自适应策略和精英策略的基础上,传统的蚁群优化。这些策略使AEACO路线,直接搜索最好的解决方案。

蚂蚁是一种社会性昆虫与社会生活的特点,严格的社会结构和分工。除了和谐劳动分工、高度复杂的“蚁群”系统也有一个蚂蚁之间的信息传播机制,使系统有序、高效地运作。根据研究,在自然界中蚂蚁能够自组织和选择最好的路线从蚁巢到食物源,可以根据周围环境自发地寻找新的不错的选择(27,28蚂蚁可以使用信息素相互作用的媒介。

原始蚁群优化智能算法在1992年被意大利民宿m,并成功地应用于解决TSP和QAP [29日,30.),然后逐渐由许多学者。目前,算法已经应用于各个领域,如着色问题,车辆调度问题,作业调度问题(31日,32]。

AEACO是一组智能近似优化技术。进化的过程可分为两个阶段:适应阶段和合作阶段。在初始阶段的搜索路线适应,信息素积累随着时间进化的增加,和次数越多的蚂蚁,路线是信息素含量越高,路线是更有可能选择其他蚂蚁。因此,选择这条路的蚂蚁数量正在增加。最后,所有的蚂蚁都专注于最好的路线积极的反馈。此时,相应的路线是路由问题的最优途径。

AEACO探讨几个地区和人口方面的参数初始化,健身计算、路径选择、操作优化、信息素变化和终止条件。

4.1。编码方案

AEACO解决路由问题的第一个任务是项目编码。AEACO的实现,编码将大大影响路由、健康评估和信息素的变化。有很多编码方法,包括实数和二进制数。为了提高搜索空间,实数编码。假设有蚂蚁和节点。每只蚂蚁后生成一个路线到达目的地。在QoS路由优化问题的限制,数据传输表示为的路线 。整个路线上的节点数可以表示为 ,满足公式(14)

人口可以描述公式(15),代表一个节点通过的 蚂蚁, 代表的路线 蚂蚁。

4.2。蚁群的初始化

蚁群是基于路由模型编码。它的目的是建立一个路由问题和AEACO之间的联系。所以,在刺激,蚂蚁是随机生成的初始蚁群。最初的蚁群蚂蚁可以被描述为 。的 蚂蚁可以表示为 。

4.3。健康评估

每只蚂蚁都有自己的健身价值和有一个路径选择的解决方案。因此,适应度函数将大大影响算法的性能。multicondition受限的QoS路由优化问题,延迟时,链路带宽、丢包率和延迟抖动条件得到满足,健身价值可以通过公式计算(9);因此,每一个蚂蚁的路由能耗的人口在数据传输的过程中。较小的能源消费,更好的路线。

因此,评估每个蚂蚁的路径的标准是能源消费的价值。减少能源消耗的路线,路线就越好。

4.4。选择路径

的蚂蚁的殖民地有以下特点:能源消费和信息素含量对蚂蚁会选择路线确定哪些节点。求和数量的信息素在相邻两个节点之间的联系。此外,蚂蚁的搜索规则如下:每只蚂蚁走需要完成一个从源到目的地,但它并不一定遍历所有节点,不能访问的节点遍历。每只蚂蚁将一定量的信息素在其路由在完成旅程。在算法的初始阶段,相邻点之间的路径的信息素含量是相同的。在这一刻, 蚂蚁选择下一个节点,信息素的数量和能量消耗值决定了蚂蚁会选择哪个节点。代表了蚂蚁的概率选择下一个节点的链接 来 。 和彼此相邻。

路径上的信息素量和能耗效益可以选择其他节点的概率计算,选择下一个路由节点。假设条件得到满足,蚂蚁可以选择路由节点。的机会的 一代蚂蚁访问节点从节点计算公式(16)。在公式(16)、轮盘赌方法可以路由节点的路由上,蚂蚁没有通过。

在公式(16),是迭代时间。信息素的内容吗 代联系 。 代表的能耗值的倒数 节点的 节点,也就是能源消费利益,由公式计算(18)。和代表信息素和能源消耗相应的加权值,从而影响信息素浓度和能源消耗。的值增加,蚂蚁选择节点的概率增加。的值增加,蚂蚁也会增加机会选择其他节点根据节点。

在公式(16),增加信息素浓度和能源效率,蚂蚁选择路由节点的概率增加。

代表的能耗值ant的路线,这是由相同的矩阵可以表示为 。 能源消耗是一个矩阵的健身,可以通过公式计算(17)和(18))。

4.5。信息素更新

寻找最好的路线,需要计算和信息素更新。当蚂蚁访问每个路由节点,他们留下的信息素 节点的 节点。的连续进化算法,信息素的含量就会挥发的过程中进化。后,在AEACO每只蚂蚁完成一个从原点走节点结束节点,路径上的信息素更新。信息内容的链接 在 圆是修改

在方程(19), 代表剩下的蚂蚁的信息素的内容链接 在 圆的。表示信息素的波动因素,用于减少累积的信息素的链接。根据公式(20.), 是指内容的信息素 蚂蚁剩余的链接 在 圆的。

蚁群信息素值更新计算AEACO由方程(21)。

在方程(21),代表一个常数和代表路径上的蚂蚁留下的信息素浓度单位完成搜索。是两个节点之间的能耗收入值。在这个模型中,当蚂蚁发现最优路线,蚂蚁释放的信息素。因此,整个蚁群使用信息素环境。

4.6。终止条件

AEACO的执行期间,在算法运行时停止条件语句,它会自动判断是否符合条件。如果它满足上限价值,它将结束算法和输出结果。

4.7。自适应算子

AEACO的过程中,该算法采用一种自适应算子,减少了迭代算法的速度进化过程。正反馈机制的主要功能是加快算法收敛,使算法具有良好的性能,但它很容易导致算法太过早。因此,在选择算子中,可以使用一种自适应方法。自适应算子的目的是灵活调整的概率选择其他路径搜索过程。通过多个循环迭代,蚁群的进化方向基本上可以确定,和路径上的信息素在蚂蚁可以动态地调整完成。

自适应策略是一种新的信息更新策略。当问题更加复杂,如果信息素挥发因子存在,然后蚂蚁选择路径上的信息素内容少或没有选择将被耗尽。因此,它将减少AEACO的全球搜索功能。然而,如果其他路径的信息素含量非常高,然后在这些路径信息的数量将会增加,所以再次找到这些高含量路径的机会增加。路径遍历由前代的蚂蚁可能会再次选择下一代的蚂蚁,这将导致局部最优搜索和减少全球搜索性能。因此,AEACO的全球搜索功能可以增加通过改变信息素挥发因子。自适应策略提出了一种自适应方法来改变信息素,和信息素更新公式(22)表示为

在公式(23),代表一个功能公式收敛因子成正比 。时间越 ,的价值就越大 ,和是一个常数。根据进化算法的自适应更新信息素,从而动态地调整每条路径上的信息量的强度,所以蚂蚁既不太集中,也不能太分散,从而避免过早和局部收敛,提高全局搜索能力。

4.8。精英运营商

精英蚂蚁算子的基本算法是一种改进。它的设计理念是给最优路径每次循环后额外的信息素。蚂蚁,发现被称为精英蚂蚁的最佳途径。表示这个最优路线 。的额外增强路线通过信息素添加到每条边在吗 。信息素的更新公式可以表示为((24),(25)) 在哪里是一个参数,它定义了重量给路线 ,和显示链接上信息素的变化 根据蚂蚁完成最好的路径。显示了能源消费的利益价值。

4.9。AEACO步骤

如图1,整个视觉显示AEACO算法的执行过程。

在图1,我们可以看到总体流程图。首先是初始化参数,蚂蚁在源点的路线,和循环每只蚂蚁搜索。每只蚂蚁选择下一个节点在自己的搜索。整个人口周期结束后,下一个最重要的过程是信息素更新。我们提出一种自适应机制来确定当前路径上的信息素含量超过了最大值,以调整挥发系数来控制信息素更新。当整个人口更新,我们评估人口根据适应度函数和寻找精英蚂蚁能源消耗最少的路由。这条路径上信息素增量更新的精英蚂蚁。当达到预定的终止条件时,算法结束,最好的路线是输出。

通过上面的流程图的详细解释,我们给的具体算法伪代码具体AEACO所示算法1。

5。讨论仿真结果

在模拟部分,我们将测试算法性能的AEACO HDWSN路由优化和比较结果与遗传算法的仿真结果和PSO HDWSN路由优化。条件下,其他条件相同,HDWSNs不同数量的节点用于比较。软件和硬件环境统一配备英特尔(R)的核心(TM) i5 2.40 ghz CPU电脑和同一版本的Windows 10,和MATLAB编程语言。在此基础上,证明AEACO性能优越的优化QoS路由。

在仿真中,AEACO与PSO相比,遗传算法的性能。三个AEACO、算法和遗传算法输出结果经过100次迭代的循环,将人口规模设置为50个人。AEACO,设置信息素挥发因子为0.98,增益系数为2,能源消耗信息启发式因子为1,预期的启发式因子4,和信息素强度3。遗传算法的交叉概率为0.75,变异概率是0.06。在PSO,社会学习因子的值被定义为2,个人学习因子的值被定义为2,和上下限速的绝对值的定义是10。这些参数设置表中给出1- - - - - -3。

数据2(一个)- - - - - -2 (d)仿真结果显示AEACO、算法和遗传算法在四个不同的节点。它可以清楚地看到数据2(一个)- - - - - -2 (d)AEACO已经比算法性能优越,GA在四个不同的节点上。特别是当节点的数目是70,AEACO的表现更加明显。在第一个20迭代,AEACO改变了极大的能源消耗,和20代后收敛速度有显著增加。从20迭代100次迭代,能源消耗AEACO接近1.8986 J。这时,PSO和GA 3.1489 J和3.7012,分别使用自适应运营商和运营商改善AEACO精英的全局搜索能力和收敛速度。100年迭代,PSO的能耗低于GA算法,虽然AEACO算法的收敛速度更快,能耗最低。在数据2(一个)- - - - - -2 (c),当节点的数量是30、40、50,AEACO执行比算法和遗传算法在解决路由问题,能源消耗和PSO和GA算法的收敛速度慢和容易陷入局部最优解。一般来说,在同样的代数,AEACO有更快的收敛速度,更好的效果,和更好的性能比算法和遗传算法的路由优化。

AEACO的性能比较,算法,遗传算法与图的直方图3。在图3 (d),当节点的数目是70,当迭代100次,AEACO的能源消耗成本显著低于算法和遗传算法。这时,GA的能源消耗成本大于算法,而能源消耗AEACO相对最低的成本和性能是最好的。在数据3(一个)- - - - - -3 (c),当节点的数量是30、40、50,分别得出相同的结论可以得出如图3 (d)。的性能AEACO总是比算法和遗传算法。

在图460,20节点,节点,分别80个节点和100个节点设置。执行数据比较每10代。在数据4(一)- - - - - -4 (d),可以看出,在第十次迭代,AEACO比这更低的能耗算法和遗传算法,并在接下来的90次迭代迅速收敛和稳定。这时,PSO和GA的收敛速度慢,算法性能优于GA和AEACO性能是最好的。在数据4 (c)和4 (d),AEACO基本上是在第十代接近最优解,而算法和遗传算法分离的最佳解决方案,和不同的是伟大的。结果表明,EIACO比算法和遗传算法更有效,和它的性能总是优于PSO和GA。

针对不同数量的传感器的QoS路由问题,采用相同数量的迭代。表4分别列出了相关性的能源消耗和节点规模AEACO,算法和遗传算法。

表中的数据5显示改善能源消费比例的AEACO相比其他两种算法。当节点的数量是30,AEACO改善减少路由能耗高于4.76%和10.00%的算法和遗传算法。特别是当节点的数目是70,AEACO的改进减少路由能耗高于39.71%和48.70%的算法和遗传算法。从表可以看出4和5节点规模的增加,算法的优化程度提出了更明显,适合HDWSNs等密集的网络。数据表明,该方法可以有效减少路由能耗。

表中的数据6显示了计算三个算法的收敛时间的条件下,30岁,40岁,50岁和70个节点,分别。从数据可以看出,AEACO算法的收敛时间短于算法和遗传算法。特别是随着节点数量增加,AEACO算法的性能比这更明显的算法和遗传算法。因此,证明了该方法具有更好的性能。

基于上述数据分析结果,AEACO我们提出在减少能源消耗和算法收敛性能优越。这是由于相结合的战略适应性和精英设计我们设计控制算法中信息素的挥发流增强算法的全局搜索能力。添加额外的精英蚂蚁信息素增加算法的能力快速找到最好的。仿真结果表明,该方法可以有效减少路由能耗。

在这个研究中,高密度无线传感器网络的能耗优化方法在多个约束条件下,本文提出了一种优化方法对网络模型的约束下,延迟,抖动,带宽和丢包率,只考虑两个nonmovable情况下的空间坐标。我们没有考虑更复杂的情况,比如三维空间,可移动的传感器,和其他因素。在未来,它将进一步研究在环境干扰的综合效应,可移动部署条件,和其他影响因素,扩展到三维空间优化网络能耗。因此,这些问题是本文的内容,需要进一步的研究。

6。结论

为了优化路由选择,一种改进的自适应精英蚁群优化(AEACO),提出了相结合的优势传统蚁群优化和自适应策略和精英策略。AEACO进化的过程中,人口编码、初始化和人口计算健身,选择路径,并更新信息素。通过添加一个精英运营商额外的信息将被添加到路径个体蚂蚁与降低能源消耗加快算法收敛。AEACO添加自适应算子进化之后有一个更全面的全球搜索功能。我们比较了该算法和PSO和GA仿真。结果表明,该AEACO具有更快的收敛速度,可以更有效的发现和最低能耗数据传输路径。

数据可用性

在这项研究中提出的数据都可以在请求从相应的作者。由于隐私不公开的数据。

信息披露

资助者没有参与设计研究的收集、分析和解释数据的写的手稿,或决定发布结果。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

杰周和肖京进行概念化。杰周表现的方法。超群解释道李执行软件。杰周静肖和超群解释道,李的验证。肖京和李超群解释道形式分析做出了贡献。杰周的调查。杰周执行资源。超群解释道李进行数据管理。肖京和李超群解释道原创作品草案进行准备。杰周促成了writing-review和编辑。 Chaoqun Li performed the visualization. Jie Zhou and Jing Xiao performed the supervision. Jie Zhou contributed to the project administration. Jie Zhou performed the funding acquisition. All authors have read and agreed to the published version of the manuscript.

确认

本文由项目青年和中年队的领先科技创新人才计划,拨款2018号cb006,中国博士后科学基金会授予220531号,陆战队创新人才计划,拨款2020号cb001,资助项目高水平人才研究石河子大学,格兰特RCZK2018C38数量,和石河子大学的项目,格兰特ZZZC201915B数量。