基于扰动粒子群优化的SDWSN能耗均衡路由算法制造技术

本发明专利技术涉及基于扰动粒子群优化的SDWSN能耗均衡路由算法，属于无线传感器网络领域。该算法首先通过考虑节点的剩余能量、位置和能量均衡信息，利用改进的扰动粒子群优化算法选择簇头，并依据节点距基站距离、节点剩余能量和邻居节点个数将整个网络动态划分为大小不等的簇。其次，采用每周期一轮全局分簇和k轮局部簇头更新方式来节省分簇时的能量消耗。最后，在多跳路由建立时，传感器控制服务器采用集中式方式根据链路能耗、节点剩余能量和簇内节点数等因素构建最短路由树。本发明专利技术能有效节约能量和均衡网络能耗、延长网络的生命周期。

【技术实现步骤摘要】
基于扰动粒子群优化的SDWSN能耗均衡路由算法
本专利技术属于无线传感器网络中的路由协议领域，涉及基于扰动粒子群优化的SDWSN能耗均衡路由算法。
技术介绍
传统的无线传感器网络(WSN，wirelesssensornetworks)大多专用于单个感测任务的场景，这种特定于应用的WSN在网络部署后，其节点行为和由这些节点所提供的网络功能难以发生改变，导致网络资源利用率低、策略更改困难和网络难于管理等问题。软件定义网络(SDN，software-definednetwork)是一种新型的网络架构，它将传统的网络架构解耦成应用、控制、基础设施三层分离架构，从而带来网络应用可编程、集中式控制、网络设备开销少等好处。SDN在WSN中的应用产生了软件定义无线传感器网络(SDWSN，software-definedwirelesssensornetworks)，SDWSN由软件定义传感器节点组成，可根据实时感测请求按需加载不同的程序，动态地重新配置其功能和属性。SDWSN利用了SDN的优点，有机的整合了网内节点的分布式管理机制，实现全网统一的网络管理控制，从而提高WSN的能量利用效率，可有效解决上述问题。Luo等人第一次将SDN与WSN结合来解决无线传感器网络中的一些固有问题。Gante等人提出了一种基于基站的集中式控制平面的智能无线传感器网络，可实现简单的重配置，以解决传统传感器网络中的资源管理问题。但缺少具体的通信策略、造成基站的成本上升。Huang等人提出了一种SDWSN原型，以提高环境监控WSN的适应性和能量效率。在SDWSN中，能量高效的路由算法是研究的热点。LiM等人提出了用于软件定义传感器网络(SDSN)的联合路由和资源控制(JRRC)协议，考虑SDSN中路由协议在动态环境的自适应性重新排列路由并实时为新应用和网络服务分配资源以最大化系统吞吐量。Han和Ren提出了一种基于SDN的分簇路由协议，主节点作为整个网络的控制器可以对转发节点进行控制，当转发节点出现能量耗尽、故障等状况时，簇头可以随时调整转发策略，改变转发路径。在WSN中，LEACH是经典的分簇路由协议，根据一定的概率随机选取节点作为簇头节点，通过簇头的轮换来均衡网络能耗。然而簇头选择的随机性会导致能量过低的节点也可能被选为簇头。HEED依据节点的剩余能量来随机选取一部分候选簇头，然后根据簇内能量消耗代价竞争产生最终簇头使选出的簇头更均匀能量较高。但单跳通信方式导致其用在大规模监控区域时能耗过高。采用多跳方式的均匀分簇网络中，靠近基站的簇头会由于较多的参与数据转发而使其能量快速耗尽。EEUC采用非均匀分簇的方法使得靠近基站的簇拥有较少的成员节点，从而可以节省能量供簇间数据转发使用，均衡了簇头能耗。DEBUC利用节点剩余能量构造的计时广播机制代替EEUC中的竞争机制，节省了簇头竞争时所消耗的能量。但簇头选择采用概率和门限值会导致能量较小节点的无效竞争，且能够继续工作的簇头还需重新分簇造成能量浪费。IPSOCH利用中继节点分担簇头能耗，考虑节点剩余能量和距离信息利用改进的粒子群优化算法选择簇头和中继节点，有效的提高了能量使用效率。然而，在SDWSN的范例中，路由功能在逻辑上集中在控制器上。传统的WSN路由协议采用分布式算法在节点上运行，分簇和路由选择过程需要进行大量的信息交换，增加了网络负担，消耗大量能量，而基于软件定义的WSN中的路由协议如NWPSO-based、SDUCR其簇头能量消耗不均衡，导致能量利用率低、网络生存时间短等问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供基于扰动粒子群优化的SDWSN能耗均衡路由算法，在已有的SDWSN架构下，通过考虑节点的剩余能量、位置和能量均衡信息选择簇头，并引入扰动改进了PSO的搜索性能，依据节点距基站距离、节点剩余能量和邻居节点个数将整个网络动态划分为大小不等的簇。同时，采用每周期一轮全局分簇和k轮局部簇头更新方式来节省频繁分簇时的能量消耗。在多跳路由建立时，传感器控制服务器采用集中式方式根据链路能耗，节点剩余能量和簇内节点数构建最短路由树。为达到上述目的，本专利技术提供如下技术方案：基于扰动粒子群优化的SDWSN能耗均衡路由算法，包括以下步骤：S1：传感器控制服务器根据扰动粒子群优化算法进行簇头选择和分簇；S2：簇头根据Dijkstra算法确定的最短路径进行数据传输；S3：传感器控制服务器计算传感器节点的剩余能量和传输距离等信息，每周期进行一轮全局分簇和k轮局部簇头更新；S4：簇头接收传感器控制服务器的指令，采用时分复用(TimeDivisionMultipleAccess,TDMA)方式，对簇内成员节点的数据进行聚合，并通过簇间多跳的方式将聚合后的数据发送给基站。进一步，所述步骤S1中的簇头选择由传感器控制服务器完成；传感器控制服务器选择具有更多剩余能量以及更好位置的节点作为簇头；设在全网范围内随机部署N个软件定义传感器节点，根据应用的需要被分为n个簇，簇头节点集合为CN(ClusterHeadNode)＝{CN1,CN2,…,CNj,…CNn}，普通传感器节点的集合为ON(OrdinaryNode)＝{ON1,ON2,…,ONi,…CNN-n}；采用一阶无线电通信能耗模型，向距离为d的目标节点发送一个k比特的数据包消耗的能量为：式中，Eelec表示收发1比特数据时电路的功耗系数，εfs、εmp为分别为自由空间和多径衰落的能耗常数；传感器节点接收k比特数据消耗的能量为：ERx＝Eeleck(2)数据聚合也会消耗一定的能量，用EDA表示聚合单位比特数据所消耗的能量；设传感器节点的通信半径为R，在tPSOEB路由算法中，节点Ni的邻居节点集合为：NNi(NeighborNode)＝{Nj|Nj是Ni的邻居节点，d(Ni,Nj)<R}，其中d(Ni,Nj)表示Ni与Nj的欧式距离；为选出最佳的簇头，定义适应度函数：f＝α1f1+α2f2+α3f3+α4f4(3)其中，为普通节点的平均剩余能量；为簇头的平均剩余能量；为簇头到传感器控制服务器的平均欧式距离；为普通节点到传感器控制服务器的平均距离；|CN|为簇头的个数；|ON|为普通节点的个数；为簇头到其邻居节点集平均距离的均值；为普通节点到其邻居节点集平均距离的均值；E(CNj)为簇头CNj的剩余能量；适应度函数的定义基于以下几个因素考虑，适应度函数越小，表明选出的簇头越好，其中f1表示选择剩余能量高的节点作为簇头；f2表示选择距离传感器控制服务器较近的节点担任簇头，距离控制服务器越近，传输数据消耗的能量越少；f3表示选择距离邻居节点较近的节点作为簇头，距离邻居节点越近，则簇内能量消耗越少；f4表示选择剩余能量均衡程度高的节点作为簇头，剩余能量越均衡，越容易避免网络空洞；参数α1，α2，α3，α4决定四个因素对适应度函数贡献的比值，且α1+α2+α3+α4＝1；步骤如下：S101：首先，对优化问题和算法参数初始化；创建一定数量的粒子，每个粒子代表问题的初始解即选出的一组簇头；设粒子数量为m，种群X＝{x1,x2,…,xm}，第i个粒子的位置矢量为xi＝{xi1,xi2,…,xin}，速度矢量vi＝{vi1,vi2,…,vin}，n代本文档来自技高网...

【技术保护点】
1.基于扰动粒子群优化的软件定义无线传感器网络(Software‑defined Wireless Sensor Networks,SDWSN)能耗均衡路由算法，其特征在于：该算法包括以下步骤：S1：传感器控制服务器根据扰动粒子群优化算法进行簇头选择和分簇；S2：簇头根据Dijkstra算法确定的最短路径进行数据传输；S3：传感器控制服务器计算传感器节点的剩余能量和传输距离信息，每周期进行一轮全局分簇和k轮局部簇头更新；S4：簇头接收传感器控制服务器的指令，采用时分复用(Time Division Multiple Access,TDMA)方式，对簇内成员节点的数据进行聚合，并通过簇间多跳的方式将聚合后的数据发送给基站。

【技术特征摘要】
1.基于扰动粒子群优化的软件定义无线传感器网络(Software-definedWirelessSensorNetworks,SDWSN)能耗均衡路由算法，其特征在于：该算法包括以下步骤：S1：传感器控制服务器根据扰动粒子群优化算法进行簇头选择和分簇；S2：簇头根据Dijkstra算法确定的最短路径进行数据传输；S3：传感器控制服务器计算传感器节点的剩余能量和传输距离信息，每周期进行一轮全局分簇和k轮局部簇头更新；S4：簇头接收传感器控制服务器的指令，采用时分复用(TimeDivisionMultipleAccess,TDMA)方式，对簇内成员节点的数据进行聚合，并通过簇间多跳的方式将聚合后的数据发送给基站。2.根据权利要求1所述的基于扰动粒子群优化的SDWSN能耗均衡路由算法，其特征在于：所述步骤S1中的簇头选择由传感器控制服务器完成；传感器控制服务器选择具有更多剩余能量以及更好位置的节点作为簇头；具体的选择算法如下：通过考虑节点的剩余能量、距传感器控制服务器的距离、距邻居节点的距离以及节点剩余能量的均衡程度，定义适应度函数：f＝α1f1+α2f2+α3f3+α4f4(1)其中，为普通节点的平均剩余能量；为簇头的平均剩余能量；为簇头到传感器控制服务器的平均欧式距离；为普通节点到传感器控制服务器的平均距离；|CN|为簇头的个数；|ON|为普通节点的个数；为簇头到其邻居节点集平均距离的均值；为普通节点到其邻居节点集平均距离的均值；E(CNj)为簇头CNj的剩余能量；参数α1，α2，α3，α4决定各因素对适应度函数贡献的比值，且α1+α2+α3+α4＝1；步骤如下：S101：首先，对优化问题和算法参数初始化；创建一定数量的粒子，每个粒子代表问题的初始解即选出的一组簇头；设粒子数量为m，种群X＝{x1,x2,…,xm}，第i个粒子的位置矢量为xi＝{xi1,xi2,…,xin}，速度矢量vi＝{vi1,vi2,…,vin}，n代表问题的维数即簇头个数；由式(1)计算每个粒子的适应度，粒子对应的个体最优解pi＝{pi1,pi2,…,pin}，所有粒子找到的全局最优解pg＝{pg1,pg2,…,pgn}；S102：更新速度和位置矢量；标准粒子群算法的速度和位置更新公式分别为：其中vij是第i个粒子速度矢量的第j维值，为避免粒子飞出搜索空间，被约束在区间[-vmax,vmax]，i＝1,2,...,m，j＝1,2,...,n；t为当前迭代次数；c1,c2为加速因子，设置为2.0；r1,r2是服从U(0,1)均匀分布的随机数；ω为惯性权值，从0.9到0.4线性递减，其大小决定粒子前一次迭代的速度对本次迭代粒子速度的影响程度；对标准的粒子群算法进行改进，首先将全局最优粒子gbest用方差可调的正态随机分布进行扰动，得到新的全局最优粒子gbest’，待更新的粒子向扰动后的全局最优粒子学习，然后用进化停滞步数t0作为触发条件对个体最优值进行随机扰动，进一步增加迭代后期群体的多样性，使算法跳出局部最优解；极值扰动算子与改进的速度更新公式为：其中表示施加扰动后，第t次迭代全局最优粒子的第j维分量，新的全局最优粒子由正态随机分布产生，表示正态扰动的幅度半径σ1>σ2>σ3，T为最大迭代次数；S103：根据式(1)计算每个粒子的适应度，对粒子进行评价，更新个体最优值和全局最优值；返回到步骤S102：进行循环，利用式(9)和式(7)更新粒子的速度和位置，直到达到最大迭代次数，当前最优解即选为簇头。3.根据权利要求1所述的基于扰动粒子群优化的SDWSN能耗均衡路由算法，其特征在于：所述步骤S1中的分簇具体为：综合考虑簇头到传感器控制服务器的距离、簇头的剩余能量及其邻居节点的个数来计算簇半径，计算公式如下：其中β1，β2，β3是参数控制因子，β1+β2+β3＝1；d(CNj,CS)为簇头CNj到传感器控制服务器CS的距离；d(CS,MF)为传感器控制服务器距较近的监控区域边界的距离；dl为监控区域的长度；Em...

【专利技术属性】
技术研发人员：胡敏，汪腾飞，黄宏程，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50