本发明专利技术公开了一种移动Sink无线传感器网络的路由恢复方法及其恢复协议，其特征在于：当移动Sink的位置发生改变而导致移动Sink无线传感器网络的路径断开时，它将收集当前信息以更新路由图，进行路径编码；采用免疫正交学习粒子群优化算法来选择最优替代路径，进行路由恢复；采用基于该算法的协议来维护该网络系统。该免疫正交学习粒子群优化算法具有全局搜索能力较强、求解精度较好、收敛速度快等特点。本发明专利技术提高了此类无线传感器网络的路由维护能力，利用最短的传输路径达到最大的传输成功率，提高网络吞吐量，延长网络生存时间。
【技术实现步骤摘要】
本专利技术涉及一种移动Sink无线传感器网络的路由恢复方法及其恢复协议，特别是涉及无线传感器网络的路由方法改进，具体地说是一种采用基于群智能算法的局部路由恢复机制来寻找最优替代路径的移动Sink无线传感器网络的路由恢复方法及其恢复协议。
技术介绍
3G手机、掌上电脑等手持设备的发展，使得针对移动Sink无线传感器网络 (mobile sink wireless sensor networks, mffSNs)的应用曰益±曾多。才目比静态的无线传感器网络(wireless sensor networks，WSNs)，mWSNs在能量的高效使用、移动目标的跟踪、 网络生存周期、网络连通性等方面有着明显的优势。在这些应用中，由于Sink节点时常会移动到新的位置而导致链路中断，其路由恢复问题逐渐成为一大难题，解决它对mWSNs的网络维护十分重要。经典的移动Sink算法包括DD，AODV和GRAB。TTDD通过节点位置构建网格，Sink通过指定网格内代理节点维持移动过程中的路由。但数据源较多时，为每个数据源构造网格的开销很大。当Sink移出当前网格时，仍需重建路由。SEAD在Sink移动过程中通过扩展当前路由维护路由路径，从而造成严重的端到端延时。且这种对mWSNs频繁的路由更新会导致电池耗能太大，而为维持路由所需的通信开销会降低协议最大化网络生命周期的能力。我们亟需一种协议能快速恢复mWSNs的网络路由，同时最大化延长网络生命周期，以便使基于移动Sink的无线传感器网络得到更充分的应用。
技术实现思路
本专利技术提出一种支持移动Sink的路由恢复方法，采用基于群智能算法的局部路由恢复机制来寻找最优替代路径，以减少网络通信开销，降低数据传输延迟和能耗。同时使用改进的免疫正交学习粒子群优化算法(immune orthogonal learning particle swarm optimization algorithm, I0LPS0A)对mWSNs的路由恢复机制进行优化，以迅速构建最优替代路径，提高mWSNs的数据传输成功率，延长网络生存时间。其中，粒子群算法作为新型的智能算法，基本思想是模拟生物界鸟群觅食现象，通过模拟这些群体智能行为而对问题求解空间进行全局搜索，找到全局最优解。和其他智能算法相比，粒子群算法更加容易实现，运行效率更高，因此近年来得到广泛关注。但粒子群存在早熟收敛问题，在搜索后期易陷入局部最优，收敛速度下降，精度较低。因此本文采用 I0LPS0A算法来改进粒子群算法使用aian等人在正交学习粒子群算法中采用的正交学习策略指导粒子向更优方向飞行，并采用免疫思想增加粒子(抗体)的多样性，以便迅速跳出局部极值解，快速收敛于全局最优解。本专利技术的一种移动Sink无线传感器网络的路由恢复方法，当移动Sink的位置发生改变而导致移动Sink无线传感器网络的数据传送路径断开时，使用免疫正交学习粒子群优化算法(I0LPS0A)来选择最优路径，进行路由恢复；依次包括以下步骤(1)更新路由图；当Sink移动到新的位置而导致链路断开时，Sink收集各节点的剩余能量、延时、距离等信息以更新Sink的邻居表和任务表，并根据以上这些信息更新路由图G'，从中提取出可能的路径集合P;(2)对粒子群初始化；在一个D维空间中，初始化生成η个粒子，每一个粒子都有自己的位置和速度；(3)对路径集合P进行编码；Sink从G'中计算得到可能的路径集合P，然后将每条链路序列编码为搜索空间中的一个解，用单个粒子表示一条链路序列，以便在解空间和粒子表示之间建立合适的映射；(4)计算每个粒子的适应度函数，通过免疫正交学习粒子群优化算法(I0LPS0A) 从所有解中选出的最优解空间对应的路径Pb，所述的最优解空间是指对应路径Pb的适应度 fit (pb)最大；适应度函数如下本文档来自技高网...
【技术保护点】
１．一种移动Ｓｉｎｋ无线传感器网络的路由恢复方法，其特征是：当移动Ｓｉｎｋ的位置发生改变而导致移动Ｓｉｎｋ无线传感器网络的数据传送路径断开时，使用免疫正交学习粒子群优化算法来选择最优路径，进行路由恢复；依次包括以下步骤：（１）更新路由图；当Ｓｉｎｋ移动到新的位置而导致链路断开时，Ｓｉｎｋ收集各节点的剩余能量、延时、距离等信息以更新Ｓｉｎｋ的邻居表和任务表，并根据以上这些信息更新路由图Ｇ′，从中提取出可能的路径集合Ｐ；（２）对粒子群初始化；在一个Ｄ维空间中，初始化生成ｎ个粒子，每一个粒子都有自己的位置和速度；（３）对路径集合Ｐ进行编码；Ｓｉｎｋ从Ｇ′中计算得到可能的路径集合Ｐ，然后将每条链路序列ｐｊ编码为搜索空间中的一个解，用单个粒子表示一条链路序列，以便在解空间和粒子表示之间建立合适的映射；（４）计算每个粒子的适应度函数，通过免疫正交学习粒子群优化算法从所有解中选出的最优解空间对应的路径ｐｂ，所述的最优解空间是指对应路径ｐｂ的适应度ｆｉｔ（ｐｂ）最大；适应度函数如下：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｉ）ｆｉｔ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｐ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＆Ｅｌｅｍｅｎｔ；（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｐ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｉ）Ｒｅｎｅ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）＆ｏｍｅｇａ；（／ｍｉ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＆Ｅｌｅｍｅｎｔ；（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｐ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｉ）ｅｎｅ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｏ）＆Ｅｌｅｍｅｎｔ；（／ｍｏ）?（ｍｉ）Ｖ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｉ）ｅｎｅ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）＋（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）＆ｏｍｅｇａ；（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂ）?（ｍｓｕｂ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ）＆Ｅｌｅｍｅｎｔ；（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｐ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｉ）ｄｅｌａｙ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂｓｕｐ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｉ）ｋ（／ｍｉ）?（／ｍｓｕｂｓｕｐ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（ｍｏ）＆Ｅｌｅｍｅｎｔ；（／ｍｏ）?（ｍｉ）Ｖ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｕｎｄｅｒ）?（ｍｉ）ｄｅｌａｙ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂ）?（ｍｏ）＋（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）＆ｏｍｅｇａ；（／ｍｉ）?（ｍｎ）３（／ｍｎ）?（／ｍｓｕｂ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）...
【技术特征摘要】
1.一种移动Sink无线传感器网络的路由恢复方法，其特征是当移动Sink的位置发生改变而导致移动Sink无线传感器网络的数据传送路径断开时，使用免疫正交学习粒子群优化算法来选择最优路径，进行路由恢复；依次包括以下步骤(1)更新路由图；当Sink移动到新的位置而导致链路断开时，Sink收集各节点的剩余能量、延时、距离等信息以更新Sink的邻居表和任务表，并根据以上这些信息更新路由图 G'，从中提取出可能的路径集合P;(2)对粒子群初始化；在一个D维空间中，初始化生成η个粒子，每一个粒子都有自己的位置和速度；(3)对路径集合P进行编码；Sink从G'中计算得到可能的路径集合P，然后将每条链路序列P」编码为搜索空间中的一个解，用单个粒子表示一条链路序列，以便在解空间和粒子表示之间建立合适的映射；(4)计算每个粒子的适应度函数，通过免疫正交学习粒子群优化算法从所有解中选出的最优解空间对应的路径Pb，所述的最优解空间是指对应路径Pb的适应度fit (pb)最大；适应度函数如下Σ rOMo ) =__jW Yj ene(v^.) ^ delay^kj) ^ dist^kj)ο yt^p'+ ω yt^p'+ ω etj￡Pj1 ^ ene(v) 2 ^ delay{v) 3 ^ distje)veVneV2eeE其中，Re )指网络中某个节点<的有效能量；—《<)指两相邻节点间链路的路径长度；隱(^)指节点《通信消耗的能量；脂节点《的传输延时；ω” ω2和ω3分别为相邻节点间的能量消耗、传输延时和距离的权值，其中ω1+ω2+ω3= 1，ωι、ω2* ω 3都大于0;(5)采用免疫正交学习粒子群优化算法中的正交学习策略，根据粒子群中各粒子的个体最优位置Pid和全局最优位置Pn构建样本P0,从而更新粒子位置和速度；(6)判断是否满足该免疫正交学习粒子群优化算法的终止条件；所述的终止条件是指得到最大适应值或迭代次数高于80次；若满足以...
【专利技术属性】
技术研发人员：丁永生，胡一帆，郝矿荣，
申请(专利权)人：东华大学，
类型：发明
国别省市：31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。