成國營　王　艷

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院　江蘇 無錫 214122)

?

基于生物免疫機(jī)制的無線傳感執(zhí)行網(wǎng)絡(luò)協(xié)同方法

成國營王艷

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院江蘇 無錫 214122)

摘要以無線傳感執(zhí)行網(wǎng)絡(luò)為對象，借鑒生物免疫機(jī)制，以能量高效、任務(wù)高效協(xié)作為目標(biāo)，首先建立無線傳感執(zhí)行網(wǎng)絡(luò)協(xié)同問題與生物免疫機(jī)制的類比模型，進(jìn)而分別針對傳感器—執(zhí)行器協(xié)同及執(zhí)行器—執(zhí)行器協(xié)同問題，提出基于生物免疫機(jī)制的傳感器—執(zhí)行器自適應(yīng)路由協(xié)同算法，及執(zhí)行器—執(zhí)行器任務(wù)協(xié)同算法，并給出算法執(zhí)行流程。最后，通過仿真驗證了方法的有效性與優(yōu)越性。仿真結(jié)果表明，采用所提出的協(xié)同方法, 不但優(yōu)化了WSAN信息傳遞路徑, 而且降低了網(wǎng)絡(luò)能耗, 同時改善了能量均衡指標(biāo)。

關(guān)鍵詞生物免疫協(xié)同自適應(yīng)能量均衡

0引言

無線傳感執(zhí)行網(wǎng)絡(luò)(WSAN)是最近提出的新型網(wǎng)絡(luò)模型。WSAN通過分布在各個區(qū)域內(nèi)的傳感器節(jié)點感知、監(jiān)測和采集事件信息,以多跳自組織的形式傳送到執(zhí)行器節(jié)點。執(zhí)行器節(jié)點根據(jù)接收到的信息作出相應(yīng)的決策，然后作出相應(yīng)的執(zhí)行操作,從而實現(xiàn)傳感器節(jié)點、環(huán)境、執(zhí)行器節(jié)點之間的實時動態(tài)的交互[1,2]。與無線傳感器網(wǎng)絡(luò)不同,執(zhí)行器節(jié)點的加入導(dǎo)致網(wǎng)絡(luò)中節(jié)點的屬性、通信、任務(wù)分配更為復(fù)雜[3]?？梢?，在傳感器間、執(zhí)行器間以及傳感器與執(zhí)行器之間達(dá)成可靠、實時、低功耗的協(xié)作機(jī)制是WSAN必須解決的關(guān)鍵問題之一。

文獻(xiàn)[15]提出一種基于無線傳感網(wǎng)的多機(jī)器人任務(wù)分配算法。通過神經(jīng)網(wǎng)絡(luò)算法,解決多機(jī)器人任務(wù)分配的隨機(jī)性約束模型問題,該算法復(fù)雜度高,而且會延長執(zhí)行器節(jié)點的響應(yīng)時間。文獻(xiàn)[16]提出了一種優(yōu)化算法,將全網(wǎng)絡(luò)任務(wù)在簇頭上的分配問題建模成0-1非線性優(yōu)化問題,以最大化所有簇頭的生命周期的權(quán)重之和為目標(biāo)函數(shù),但忽略了實時性。文獻(xiàn)[14]提出了一種啟發(fā)式實時任務(wù)分配算法EBDG,結(jié)合了通信和計算任務(wù)的映射和調(diào)度，但沒有考慮任務(wù)的執(zhí)行順序。文獻(xiàn)[13]為一種基于能量平衡的任務(wù)分配算法EBTA，但只適用于單跳簇單元。

基于此, 本文針對WSAN中傳感器—執(zhí)行器、執(zhí)行器—執(zhí)行器間的協(xié)作問題,在生物免疫系統(tǒng)協(xié)作機(jī)制的啟發(fā)下,以節(jié)能、網(wǎng)絡(luò)執(zhí)行效率為設(shè)計目標(biāo),提出一種生物免疫啟發(fā)的WSAN協(xié)同方法。

1WSAN網(wǎng)絡(luò)模型

WSAN節(jié)點間協(xié)同的目的在于設(shè)計一種智能協(xié)作機(jī)制,使得多個簡單的傳感、執(zhí)行節(jié)點可以相互間協(xié)調(diào)共同完成復(fù)雜的任務(wù)[4]。

WSAN正常工作的先決條件是有效協(xié)作,包括傳感器與傳感器、傳感器與執(zhí)行器、執(zhí)行器與執(zhí)行器之間的協(xié)作。協(xié)作所面臨的問題：(1) 如何選擇發(fā)送節(jié)點和信息傳輸路徑，以確保該事件信息的感知快速而可靠地傳遞到目標(biāo)執(zhí)行器;(2) 如何選擇執(zhí)行器來執(zhí)行任務(wù),確保按時完成任務(wù)[5]。WSAN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1　WSAN的網(wǎng)絡(luò)結(jié)構(gòu)圖

1.1生物免疫系統(tǒng)協(xié)作機(jī)理

生物免疫系統(tǒng)是一個極其復(fù)雜的自適應(yīng)調(diào)節(jié)系統(tǒng)。通過免疫細(xì)胞產(chǎn)生相應(yīng)的抗體，用于識別和抵抗外部入侵的抗原，并保護(hù)人體免受入侵，同時對此類型的抗原進(jìn)行記憶，當(dāng)有類似的抗原再次入侵時，快速啟動“二次免疫反應(yīng)”[6]。這種自適應(yīng)免疫系統(tǒng)具有很強的記憶和學(xué)習(xí)功能，協(xié)作免疫機(jī)理中B細(xì)胞產(chǎn)生大量的抗原刺激后的抗體，其濃度由B細(xì)胞和抗原之間親和度的大小決定，所受刺激越強，親和度越高，抗體濃度就越高。其中一部分B細(xì)胞，以記憶細(xì)胞的形式將被長期保存下來[7]，以便在下次遇到同樣的抗原時迅速進(jìn)行二次免疫。

1.2生物免疫系統(tǒng)與WSAN協(xié)同之間的關(guān)系

從1.1節(jié)免疫系統(tǒng)作用機(jī)理可以看出，病毒入侵時，機(jī)體中的B細(xì)胞受到病原體刺激會產(chǎn)生一定濃度的抗體，其濃度由病原體與抗體的親和度、抗體與相似抗體間的親和度共同決定，當(dāng)兩者綜合作用親和度之和超過某一閾值時，抗體被激活，消滅抗原。類推到免疫系統(tǒng)中可以發(fā)現(xiàn)，傳感節(jié)點到執(zhí)行節(jié)點的路由選擇由相鄰節(jié)點間的剩余能量和間距決定的，當(dāng)剩余能量和間距的綜合指標(biāo)值滿足一定閾值時，傳感節(jié)點被選中傳遞事件信息；而在執(zhí)行器與執(zhí)行器的協(xié)同中，利用消耗能量與剩余能量之比建立目標(biāo)函數(shù)，運用生物免疫算法來選擇最佳的任務(wù)執(zhí)行方案。因此，生物免疫機(jī)制與WSAN協(xié)作機(jī)制之間可建立如表1所示的映射關(guān)系。

表1　生物免疫系統(tǒng)與WSAN協(xié)作機(jī)制之間的關(guān)系

2無線傳感執(zhí)行網(wǎng)絡(luò)的協(xié)同方法

2.1傳感節(jié)點與執(zhí)行節(jié)點間的路由協(xié)同

生物免疫系統(tǒng)中免疫響應(yīng)就是通過抗原對抗體的刺激作用，產(chǎn)生大量的多樣性抗體，從中選擇最匹配去消滅抗原。于此類似，在一定約束條件下，確定從傳感器到執(zhí)行器的路由時，也需選擇一條最佳路由?？梢姡瑑烧叩淖罱K目的是一致的。本文在以執(zhí)行器節(jié)點為簇頭的分簇網(wǎng)絡(luò)結(jié)構(gòu)環(huán)境下，研究了WSAN網(wǎng)絡(luò)中傳感器節(jié)點傳遞信息的概率問題，主要取決于該傳感器節(jié)點與上一跳節(jié)點的間距以及剩余能量的綜合指標(biāo)。

2.1.1通信節(jié)點的選擇

定義1假設(shè)傳感節(jié)點的通信半徑為R，節(jié)點i與相鄰節(jié)點j之間的距離為d(i,j)，則距離約束因子α為：

(1)

定義2設(shè)節(jié)點i的相鄰節(jié)點j在傳遞信息時所消耗的能量和初始能量分別為EC和E，則剩余能量約束因子β為：

(2)

定義P為傳感器節(jié)點被激活通信的概率,計算公式如下所示：

(3)

其中:Zα·β為下一跳節(jié)點j的剩余能量和間距的綜合指標(biāo),N為節(jié)點激活閾值,K為學(xué)習(xí)因子，Z為定常系數(shù)。

當(dāng)傳感器節(jié)點j的剩余能量和間距綜合指標(biāo)Zα·β>N時,節(jié)點j被選為通信節(jié)點的概率較大?？梢钥闯?，只要α和β其中一項值為零，不論另一項的值有多高，被選中的概率都將為零，也就不能被選為下一跳節(jié)點，從而可以有效篩除那些距離近但剩余能量低的鄰居節(jié)點。在選擇通信節(jié)點過程中引入學(xué)習(xí)因子K, 用以記住或是遺忘事件，相當(dāng)于免疫系統(tǒng)中的記憶細(xì)胞對抗原的“二次響應(yīng)”。當(dāng)綜合指標(biāo)Zα·β>N時, 記住該事件, 變更節(jié)點j的學(xué)習(xí)因子為：

K=K-θ

(4)

增大節(jié)點j被選為通信節(jié)點的概率：

當(dāng)Zα·β

K=K+θ

(5)

減小節(jié)點j被選為通信節(jié)點的概率。

2.1.2協(xié)同節(jié)點數(shù)量的確定

上一節(jié)中討論了協(xié)同節(jié)點的選擇方法，P值大的節(jié)點被選中的可能性較大。但為了減少能耗，選中的傳感器節(jié)點不是每個都需要參加通信，確定傳感器節(jié)點數(shù)量就成了協(xié)同的一個關(guān)鍵問題。本文基于免疫系統(tǒng)中抗體濃度的自適應(yīng)調(diào)節(jié)機(jī)制提出了通信節(jié)點數(shù)量的自適應(yīng)調(diào)節(jié)方法。步驟如下：

步驟1在執(zhí)行器節(jié)點設(shè)置一個閾值N用于判定節(jié)點是否被激活，其初始值盡可能小，使得網(wǎng)絡(luò)中傳感器節(jié)點盡可能都成為激活節(jié)點。

步驟2在執(zhí)行器節(jié)點利用接收到的事件信息，計算出事件信息傳遞到執(zhí)行器節(jié)點的誤差，計算公式如下[8]：

(6)

步驟3將出始閾值增加ΔN，并將新的閾值廣播給網(wǎng)絡(luò)中每個節(jié)點，觀察D(X)的變化。若D(X)仍在約束范圍內(nèi)，則減少傳感器節(jié)點的數(shù)量，說明以當(dāng)前的抗體就能免疫抗原，繼續(xù)增加閾值。

步驟4隨著初始閾值N的繼續(xù)增加，滿足約束條件的傳感節(jié)點的數(shù)量逐漸減少。當(dāng)達(dá)到步驟2中最大約束值時，停止增加初始閾值N，并將最后的N廣播給所有節(jié)點。

步驟5將N與節(jié)點親和度(Zα·β)進(jìn)行比較，按照式(3)計算的概率來選擇通信節(jié)點。

2.2執(zhí)行器節(jié)點與執(zhí)行器節(jié)點間的任務(wù)協(xié)同

由表1的對應(yīng)關(guān)系可知，B細(xì)胞受病原體刺激產(chǎn)生抗體來消滅抗原。同樣執(zhí)行器接收到簇內(nèi)傳感器傳遞的事件信息[9]，也必須尋找最佳的任務(wù)分派方案來執(zhí)行任務(wù)?；诖吮疚奶岢隽艘环N利用生物免疫算法的任務(wù)分派方案。

2.2.1執(zhí)行器—執(zhí)行器任務(wù)協(xié)同模型

在以執(zhí)行器節(jié)點為簇頭的分簇網(wǎng)絡(luò)結(jié)構(gòu)中,當(dāng)事件發(fā)生后,傳感器節(jié)點向本簇執(zhí)行器節(jié)點發(fā)送信息。該執(zhí)行器節(jié)點根據(jù)事件信息執(zhí)行相應(yīng)的任務(wù),或協(xié)同其他執(zhí)行器節(jié)點,共同完成任務(wù)。針對任務(wù)需要多個執(zhí)行器節(jié)點執(zhí)行問題,協(xié)同算法將事件分解為多個子任務(wù),并從能量均衡和最大完成時間兩個性能指標(biāo)方面,將任務(wù)分配問題抽象成多目標(biāo)優(yōu)化問題,并運用歸一化處理方法將之轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。最終運行免疫算法得出最佳分配方案。

2.2.2執(zhí)行器—執(zhí)行器任務(wù)協(xié)同相關(guān)定義和假設(shè)

事件由多個子任務(wù)組成,這些子任務(wù)可由網(wǎng)絡(luò)中的多個執(zhí)行器協(xié)同完成,有利于減小事件多發(fā)地區(qū)的節(jié)點執(zhí)行壓力,降低能量消耗,保證執(zhí)行的實時性,使得網(wǎng)絡(luò)能耗趨于均衡,延長網(wǎng)絡(luò)生命周期。對結(jié)構(gòu)相同的執(zhí)行器有如下假設(shè)和定義：

假設(shè)1一事件有n個執(zhí)行步驟，在m個執(zhí)行節(jié)點上執(zhí)行，在此過程中每個步驟的執(zhí)行順序已知。

定義3執(zhí)行一個突發(fā)事件的步驟包括通信、處理數(shù)據(jù)、動作執(zhí)行等,其能耗和執(zhí)行時間可知,稱該步驟為一個任務(wù)執(zhí)行單元,簡稱任務(wù)子單元,記為ti，一個任務(wù)t=t1∪t2∪…∪t3。

2.2.3任務(wù)完成時間

設(shè)ti,j為任務(wù)i在執(zhí)行器節(jié)點j上的執(zhí)行時間，T(ji,k)為任務(wù)j的第i個子任務(wù)在執(zhí)行器節(jié)點k上的執(zhí)行完成時間。無線傳感執(zhí)行網(wǎng)絡(luò)中一個子任務(wù)的執(zhí)行時間有兩部分組成：數(shù)據(jù)處理時間tp，數(shù)據(jù)采集與執(zhí)行時間tc，得到：

ti,j=tc+tp

(7)

每個任務(wù)在各執(zhí)行器節(jié)點上的完成時間可表達(dá)如下:

T(j1,1)=tj1,1

(8)

T(ji,1)=T(ji-1,1)+tji,1xji,1i=2,3,…,n

(9)

T(j1,k)=T(j1,k-1)+tj1,kxj1,kk=2,3,…,m

(10)

其中xji,k=1表示執(zhí)行器節(jié)點k被選中執(zhí)行子任務(wù)ji，反之則表示沒被選中。式(9)表示1號執(zhí)行器節(jié)點執(zhí)行子任務(wù)ji的完成時間等于子任務(wù)ji的執(zhí)行時間加上執(zhí)行子任務(wù)ji-1的完成時間。由此推出：

T(ji,k)=max{T(ji-1,k),T(ji,k-1)}+tji,kxji,k

(11)

式(11)表示執(zhí)行器節(jié)點k執(zhí)行子任務(wù)ji的條件是子任務(wù)ji在上一個執(zhí)行器節(jié)點k-1的子任務(wù)已經(jīng)完成同時執(zhí)行器k也完成上一個子任務(wù)ji-1，則推出最大完成時間為：

Tmax=T(jn,m)

(12)

要求任務(wù)在最短的時間內(nèi)完成,必須減少任務(wù)最大完成時間Tmax，由此得到的其目標(biāo)函數(shù)為：

minf1=minTmax

(13)

2.2.4能量均衡指數(shù)

在任務(wù)分配的過程中,不僅需要考慮最大完成時間，同時也必須兼顧能耗均衡指標(biāo)，延長網(wǎng)絡(luò)壽命。設(shè)Et為單位時間內(nèi)執(zhí)行器執(zhí)行任務(wù)所需耗能，則執(zhí)行器節(jié)點k執(zhí)行任務(wù)所需的能耗為：

(14)

同時必須考慮到執(zhí)行器節(jié)點剩余能量的約束，每個執(zhí)行器節(jié)點的剩余能量一方面要完成所有子任務(wù)，同時還要將執(zhí)行結(jié)果傳給下一執(zhí)行器節(jié)點。根據(jù)文獻(xiàn)[10]提出的發(fā)射硬件能耗模型，發(fā)送到下一節(jié)點和接收能耗為：

Es=(λrω+μ)l

(15)

Er=μl

(16)

其中λrω為傳輸?shù)陌l(fā)射功率；μ發(fā)射電路能耗系數(shù)；ω為信道衰減倍數(shù)；r為執(zhí)行器節(jié)點通信距離；l為幀長。則一個執(zhí)行器節(jié)點k執(zhí)行所有子任務(wù)的總能耗為：

(17)

通過上述描述建立如下目標(biāo)函數(shù)：

(18)

式(18)為整個網(wǎng)絡(luò)的執(zhí)行器能量均衡目標(biāo)函數(shù)，比值越小表示剩余能量多的執(zhí)行器節(jié)點執(zhí)行任務(wù)越多。

2.2.5利用生物免疫算法選擇最佳執(zhí)行方案

在上述兩個性能指標(biāo)優(yōu)化問題中,不一定存在絕對的最優(yōu)解,但肯定存在有效解。將這兩個目標(biāo)優(yōu)化問題轉(zhuǎn)換為單目標(biāo)優(yōu)化問題,先分別求出問題中兩個目標(biāo)函數(shù)的最優(yōu)值。然后讓每個目標(biāo)盡量接近各自的最優(yōu)值,以獲得多目標(biāo)問題的最優(yōu)解。

設(shè)目標(biāo)函數(shù)為f=(f1,f2)，評價函數(shù)為u(f)，由此推出：

u(f)=‖f-f*‖

(19)

式(19)為目標(biāo)值f與理想值f*之間的歐式距離，其值越小表示問題的最優(yōu)解越好。運行步驟如下：

步驟2比較最優(yōu)解x1、x2是否相等，如果相等則得到最終最優(yōu)解，算法終止，否則繼續(xù)步驟3。

步驟3隨機(jī)產(chǎn)生權(quán)值η1、η2,求解多目標(biāo)優(yōu)化問題。

3仿真

對本文提出的基于生物免疫機(jī)制的協(xié)同方法研究，假設(shè)在50m×50m的監(jiān)測區(qū)域，隨機(jī)部署100個傳感器節(jié)點，在監(jiān)測邊緣區(qū)域放置10個執(zhí)行器節(jié)點，事件發(fā)生區(qū)域是在以中心位置(50，50)為圓心，半徑為5m的圓形區(qū)域[11]。仿真實驗參數(shù)如表2所示。

表2　仿真參數(shù)

續(xù)表2

如圖2所示，節(jié)點被激活成為通信節(jié)點的數(shù)量隨著激活閾值的增加而減少。由于節(jié)點與事件地點及其他節(jié)點的位置都是固定的，相應(yīng)的能耗和距離的綜合指標(biāo)也就一定，通過自適應(yīng)調(diào)節(jié)閾值把個體指標(biāo)更高的節(jié)點挑選出來。

圖2　激活閾值與通信節(jié)點數(shù)的關(guān)系

通過圖3可以看出，事件信息在執(zhí)行節(jié)點的誤差都會隨著通信節(jié)點數(shù)的增大而逐漸減少，之后會收斂于一個穩(wěn)定的值。此后誤差也不會受通信節(jié)點數(shù)量行影響。因此，最先收斂的點對應(yīng)的節(jié)點數(shù)即為最少通信節(jié)點數(shù)量。這樣在保證通信質(zhì)量的基礎(chǔ)上，降低了網(wǎng)絡(luò)能耗。

圖3　通信節(jié)點數(shù)量與誤差D(X)的關(guān)系

圖4為本文中提出的基于自適應(yīng)調(diào)節(jié)的通信機(jī)制與文獻(xiàn)[5]中提出的傳感器節(jié)點協(xié)作的分簇算法在節(jié)能效果上的對比。文獻(xiàn)[5]中方法在傳感器節(jié)點到執(zhí)行器節(jié)點之間形成數(shù)據(jù)聚合樹的過程中，激活的節(jié)點數(shù)量較多，節(jié)點能耗明顯增加，由圖4可以看出, 本文提出的協(xié)同方法在節(jié)能上效果更優(yōu)。

圖4　兩種方法的能耗效果對比

本文選取了文獻(xiàn)[12]中的實驗1、實驗2、實驗3三個測試算例進(jìn)行比較,對應(yīng)的任務(wù)數(shù)量分別是7、12、16；分成的子任務(wù)數(shù)量分別為25、32、58。

由圖5、圖6可知,將本文算法與算法EBTA[13]和EBDG[14]進(jìn)行比較。EBTA是一種基于能量平衡的任務(wù)分配算法，但只適用于單跳簇單元；EBDG是一種啟發(fā)式實時任務(wù)分配算法,結(jié)合了通信和計算任務(wù)的映射和調(diào)度，但沒有考慮任務(wù)的執(zhí)行順序。與之相比，通過本文的算法優(yōu)化處理,協(xié)調(diào)各執(zhí)行器節(jié)點執(zhí)行任務(wù)的順序,減少了各任務(wù)在執(zhí)行器節(jié)點上執(zhí)行的最大完成時間。圖6表明,本文算法考慮執(zhí)行器節(jié)點能量均衡指數(shù),使得剩余能量越多的執(zhí)行器節(jié)點執(zhí)行能耗更大的子任務(wù),網(wǎng)絡(luò)能耗更加均衡，生命周期延長。

圖5　三種算法最大完成時間對比

圖6　三種算法能量均衡指數(shù)對比

4結(jié)語

本文基于生物免疫系統(tǒng)協(xié)作機(jī)理對無線傳感執(zhí)行網(wǎng)絡(luò)的協(xié)作機(jī)制進(jìn)行了研究和探討。針對傳感器與執(zhí)行器的有效協(xié)調(diào),研究了一種以自適應(yīng)的方式調(diào)節(jié)通信節(jié)點數(shù)量的通信路由,并引入了學(xué)習(xí)因子；針對執(zhí)行器與執(zhí)行器的任務(wù)協(xié)同,在以能量均衡指數(shù)和最大完成時間為性能指標(biāo)的情況下，利用生物免疫算法得到最佳的任務(wù)分配方案。經(jīng)過仿真實驗也證實了其高效性。

參考文獻(xiàn)

[1] 陳延軍,潘泉,梁彥等.基于信息量的分布式協(xié)同自組織算法[J].控制理論與應(yīng)用,2011,28(10):1391-1398.

[2]XuM,LeungH.AJointFusion,Powerallocationanddelayoptimizationapproachforwirelesssensornetworks[J].SensorsJournal,IEEE,2011,11(3):737-744.

[3]CaiZ,RenX,HaoG,etal.Surveyonwirelesssensorandactornetwork[C]//IntelligentControlandAutomation(WCICA),2011 9thWorldCongresson.IEEE,2011:788-793.

[4] 李欣,李若瓊,董海鷹.基于仿生群體協(xié)同的集群智能控制研究[J].電氣自動化,2006,28(4):3-5.

[5] 張麗,劉有源,鄧瑩,等.無線傳感執(zhí)行網(wǎng)絡(luò)中協(xié)作機(jī)制的研究[J].交通信息與安全,2007,25(1):2-3.

[6]TimmisJ,EdmondsCA.Acommentonopt-aiNet:Animmunenetworkalgorithmforoptimization[J].GeneticandEvolutionaryComputation,2004,3102:308-317.

[7]AtakanB,AkanOB.ImmuneSystembaseddistributednodeandrateselectioninWirelessSensorNetworks[C]//Bio-inspiredModelsofNetwork,InformationandComputingSystems,2006:1-8.

[8] 陳擁軍,袁慎芳,吳鍵,等.基于免疫系統(tǒng)的無線傳感器網(wǎng)絡(luò)性能優(yōu)化[J].系統(tǒng)工程與電子技術(shù),2010(5):1065-1069.

[9] 易軍,李太福,石為人.無線傳感器/執(zhí)行器網(wǎng)絡(luò)SA協(xié)作分簇算法[J].華中科技大學(xué)學(xué)報:自然科學(xué)版,2011(12):89-93.

[10]RappaportT.Wirelesscommunicationprinciplesandpractice[M].2nded.London:PrenticeHallPTR,2002.

[11]ChenJM,ChengP,YangX,etal.Distributedcollaborativecontrolforindustrialautomationwithwirelesssensorandactuatornet-works[J].IEEETransactionsonIndustrialElectronics,2010,57(12):4219-4230.

[12]XiaW,WuZ.Aneffectivehybridoptimizationapproachformulti-objectiveflexiblejob-shopschedulingproblems[J].Computers&IndustrialEngineering,2005,48(2):409-425.

[13]YuY,PrasannaVK.Energy-BalancedTaskAllocationforCollaborativeProcessinginWirelessSensorNetworks[J].MobileNetworksandApplications,2005,10(1-2):115-131.

[14]ZengZ,LiuA,LiD,etal.AhighlyefficientDAGtaskschedulingalgorithmforWirelessSensorNetworks[C]//The9thInternationalConferenceforYoungComputerScientists.Hunan:IEEE,2008:570-575.

[15]XueHan.Bio-inspiredstochasticchance-constrainedmulti-robottaskallocationusingWSN[C]//IEEEIntJointConfonNeuralNetworks.HongKong:IEEEPress,2008:721-726.

[16]YounisM,AkkayaK,KunjithapathamA.Optimizationoftaskallocationinacluster-basedsensornetwork[C]//the8thIEEEIntSymposiumonComputersandCommunication.Netherlands:IEEEComputerPress,2003:329-334.

A COLLABORATIVE METHOD BASED ON BIOLOGICAL IMMUNE MECHANISM FORWIRELESSSENSORANDACTUATORNETWORK

Cheng GuoyingWang Yan

(Internet of Things,Jiangnan University,Wuxi 214122,Jiangsu,China)

AbstractTaking the wireless sensor and actuator networks as the object, the biological immune mechanism as the reference, and the energy efficiency and efficient task collaboration as the purpose, in this paper we first build the analogy model of the wireless sensor and actuator networks problem in contrast with biological immune mechanism, then further present the biological immune mechanism-based adaptive sensor-actuator routing collaboration algorithm for the collaborations of sensor-actuator and actuator-actuator problems respectively, as well as give the implementation process of the algorithm. Finally the effectiveness and advantage of the proposed method are validated through simulation. Simulation results show that to employ the collaboration method proposed can optimise the information transmission path in WSAN, and can reduce networks energy cost as well, besides, the energy equilibrium index is improved too.

KeywordsImmune systemCollaborationAdaptiveEnergy equilibrium

收稿日期：2014-12-03。國家高技術(shù)研究發(fā)展計劃項目(2014AA 041505)；江蘇省產(chǎn)學(xué)研前瞻性項目(BY2013015-15)。成國營，碩士生，主研領(lǐng)域：無線傳感執(zhí)行網(wǎng)絡(luò)的協(xié)同控制。王艷，副教授。

中圖分類號TP273

文獻(xiàn)標(biāo)識碼A

DOI:10.3969/j.issn.1000-386x.2016.06.030