面向無線傳感器網(wǎng)絡(luò)的自適應(yīng)模糊神經(jīng)拓?fù)淇刂扑惴?/h1>
2018-03-27 08:02:41胡黃水沈瑋娜王宏志張邦成
吉林大學(xué)學(xué)報(bào)(理學(xué)版) 2018年2期
胡黃水, 沈瑋娜, 王宏志, 張邦成
(1. 長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院, 長春 130012； 2. 長春工業(yè)大學(xué) 機(jī)電工程學(xué)院, 長春 130012)
無線傳感器網(wǎng)絡(luò)(WSN)因其具有自組織、 部署方便、 隱蔽性強(qiáng)等優(yōu)勢而廣泛應(yīng)用于環(huán)境監(jiān)測、 醫(yī)療保健、 國家安全以及太空探索等領(lǐng)域[1]. 網(wǎng)絡(luò)節(jié)點(diǎn)硬件資源、 能量有限及延長網(wǎng)絡(luò)生命周期是無線傳感器網(wǎng)絡(luò)需首要解決的問題. 而拓?fù)淇刂仆ㄟ^節(jié)點(diǎn)調(diào)度、 鏈路選擇、 通信范圍調(diào)節(jié)、 功率控制等方法, 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu), 降低網(wǎng)絡(luò)能量消耗, 延長網(wǎng)絡(luò)生命周期.
目前, 關(guān)于拓?fù)淇刂频难芯恳延泻芏嘟Y(jié)果： 文獻(xiàn)[2]從網(wǎng)絡(luò)連通和覆蓋角度對(duì)拓?fù)淇刂品椒ㄟM(jìn)行了分類, 并介紹了主流方法, 指出了其控制思想和特點(diǎn); Tsiropoulou等[3]提出了一種傳輸功率自優(yōu)化的拓?fù)淇刂扑惴? 在保證網(wǎng)絡(luò)連通度及高服務(wù)質(zhì)量的情況下, 通過優(yōu)化每個(gè)節(jié)點(diǎn)的傳輸功率降低網(wǎng)絡(luò)能耗, 該算法雖然綜合考慮網(wǎng)絡(luò)連通性及服務(wù)質(zhì)量, 但算法復(fù)雜, 增加了節(jié)點(diǎn)能耗; Woo[4]提出了兩個(gè)集中式算法, 在保證網(wǎng)絡(luò)連通性的同時(shí)減小每個(gè)節(jié)點(diǎn)的最大發(fā)送功率, 從而延長網(wǎng)絡(luò)生命周期； Narayanaswamy等[5]和Kawadia等[6]使用最小傳輸功率保證網(wǎng)絡(luò)連通性, 減小網(wǎng)絡(luò)能耗, 但均未考慮算法調(diào)節(jié)的自適應(yīng)能力. 隨著模糊理論在無線傳感器網(wǎng)絡(luò)優(yōu)化決策、 降低資源消耗方面展現(xiàn)的優(yōu)越性能[7], 其也用于拓?fù)淇刂? 文獻(xiàn)[8]提出了基于模糊控制的拓?fù)淇刂?FCTP)算法, 該算法將實(shí)際節(jié)點(diǎn)度與期望節(jié)點(diǎn)度之間的誤差, 當(dāng)前和前一個(gè)周期傳輸功率差值之間的比率作為模糊控制的兩個(gè)輸入項(xiàng), 將下一步的無線傳輸功率水平作為輸出項(xiàng), 通過調(diào)整節(jié)點(diǎn)發(fā)射功率控制網(wǎng)絡(luò)拓?fù)洌?文獻(xiàn)[9]針對(duì)WSN點(diǎn)對(duì)點(diǎn)通信方式, 將模糊邏輯應(yīng)用于控制系統(tǒng)中, 根據(jù)鏈路質(zhì)量控制發(fā)射功率. 目前的方法均通過構(gòu)建隸屬度函數(shù)和if-then規(guī)則設(shè)計(jì)模糊邏輯控制器, 其對(duì)復(fù)雜且動(dòng)態(tài)的實(shí)際無線傳感器很難獲得期望的性能. 本文提出一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)淇刂扑惴?adaptive fuzzy neural topology control algorithm, AFNTC), 采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法替代繁雜的模糊控制器參數(shù)調(diào)整過程, 通過調(diào)節(jié)每個(gè)節(jié)點(diǎn)的通信范圍, 控制節(jié)點(diǎn)發(fā)射功率, 使節(jié)點(diǎn)在網(wǎng)絡(luò)中的實(shí)際能耗達(dá)到期望值, 降低網(wǎng)絡(luò)能耗的同時(shí)提高網(wǎng)絡(luò)動(dòng)態(tài)性能.
1 網(wǎng)絡(luò)模型
圖1 網(wǎng)絡(luò)模型Fig.1 Model of network
在典型的無線傳感器網(wǎng)絡(luò)應(yīng)用中, 數(shù)據(jù)包通過各節(jié)點(diǎn)傳輸至匯聚節(jié)點(diǎn). 假設(shè)有一圓形網(wǎng)絡(luò), 均勻部署傳感器節(jié)點(diǎn), 圓心處為Sink節(jié)點(diǎn). 為簡化網(wǎng)絡(luò)模型并方便分析, 將圓形網(wǎng)絡(luò)分割成多個(gè)扇形子網(wǎng)絡(luò), 如圖1所示. 在該模型中, 整個(gè)網(wǎng)絡(luò)區(qū)域被劃分成幾個(gè)寬度相同但面積不同的環(huán), 第i環(huán)被分成(2i-1)個(gè)面積相同的網(wǎng)格, 所有節(jié)點(diǎn)向網(wǎng)絡(luò)中唯一的匯聚節(jié)點(diǎn)傳輸數(shù)據(jù), 則可定義扇形網(wǎng)絡(luò)為φ(α,R,N,K), 其中：α為網(wǎng)絡(luò)圓心角；R為半徑； 整個(gè)扇形網(wǎng)絡(luò)被分成N個(gè)網(wǎng)格和K個(gè)環(huán). 由圖1可見, 網(wǎng)絡(luò)包含4個(gè)環(huán)和16個(gè)小區(qū)域, 扇形網(wǎng)絡(luò)圓心角為π/6, 則其可表示為φ(π/6,R,16,4). 節(jié)點(diǎn)采集到信息后通過多跳方式將數(shù)據(jù)傳輸給匯聚節(jié)點(diǎn), 即第1環(huán)內(nèi)的Sink節(jié)點(diǎn).
2 模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)
為保證網(wǎng)絡(luò)的穩(wěn)定性及自適應(yīng)能力, 本文設(shè)計(jì)一個(gè)基于模糊神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng), 該系統(tǒng)結(jié)構(gòu)如圖2所示. 模糊控制以模糊理論為主要計(jì)算工具[10], 可實(shí)現(xiàn)復(fù)雜的非線性映射, 人工神經(jīng)網(wǎng)絡(luò)能通過已知的數(shù)據(jù)進(jìn)行學(xué)習(xí)和歸納, 二者的結(jié)合使控制系統(tǒng)既具有模糊邏輯推理能力, 同時(shí)也可通過系統(tǒng)自適應(yīng)地不斷改進(jìn)和調(diào)整, 達(dá)到更好的控制效果[11].
圖2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)Fig.2 Framework of adaptive fuzzy neural network control system
控制系統(tǒng)通過控制節(jié)點(diǎn)通信范圍, 即控制節(jié)點(diǎn)發(fā)射功率, 達(dá)到節(jié)點(diǎn)能耗可控的目的. 由圖2可見, 其中一個(gè)輸入?yún)⒘繛楣?jié)點(diǎn)期望能耗E(u)ref=e. 節(jié)點(diǎn)能耗通常和節(jié)點(diǎn)需傳輸?shù)臄?shù)據(jù)包大小有關(guān)： 當(dāng)數(shù)據(jù)包較大時(shí), 節(jié)點(diǎn)發(fā)送數(shù)據(jù)時(shí)的能耗大, 近距離多跳傳輸能有效降低網(wǎng)絡(luò)能耗； 當(dāng)數(shù)據(jù)包較小時(shí), 節(jié)點(diǎn)發(fā)送數(shù)據(jù)時(shí)的能耗小, 遠(yuǎn)距離傳輸能更有效地降低網(wǎng)絡(luò)能耗[12]. 因此, 選取數(shù)據(jù)包大小Li作為另一個(gè)輸入?yún)⒘?
在無線傳感器網(wǎng)絡(luò)中, 通常節(jié)點(diǎn)硬件如CC2420等都具有調(diào)節(jié)發(fā)射功率的能力, 節(jié)點(diǎn)發(fā)射功率越大, 通信距離越長； 節(jié)點(diǎn)發(fā)射功率越小, 通信距離越短. 考慮到節(jié)點(diǎn)可通過調(diào)整通信范圍控制發(fā)射功率的特性, 因此輸出參量選為節(jié)點(diǎn)的通信范圍CR, 進(jìn)而控制節(jié)點(diǎn)能耗.
在圖2中, 控制系統(tǒng)根據(jù)節(jié)點(diǎn)實(shí)際能耗與期望能耗之間的差值εE, 調(diào)整θ的大小,θ值通過積分器積分后與初始數(shù)據(jù)包大小Li0求差值, 確定需要傳輸?shù)臄?shù)據(jù)包大小Li. 向模糊神經(jīng)網(wǎng)絡(luò)控制器輸入?yún)⒘縀(u)ref和Li, 模糊神經(jīng)網(wǎng)絡(luò)控制器輸出本次節(jié)點(diǎn)的通信范圍CR, 將該通信范圍代入節(jié)點(diǎn)實(shí)際應(yīng)用中, 則可知節(jié)點(diǎn)實(shí)際能耗E, 控制系統(tǒng)一輪調(diào)整完畢. 在有限的輪數(shù)內(nèi), 系統(tǒng)通過反饋、 循環(huán)的方式不斷調(diào)整節(jié)點(diǎn)的通信距離, 控制節(jié)點(diǎn)傳輸功率, 從而使節(jié)點(diǎn)實(shí)際能耗接近期望值, 延長網(wǎng)絡(luò)生命周期.
2.1 訓(xùn)練集的獲取
文獻(xiàn)[12]給出了節(jié)點(diǎn)能耗表達(dá)式：
將式(1)作為本文節(jié)點(diǎn)能耗的表達(dá)式. 其中：Lmax表示節(jié)點(diǎn)能傳輸?shù)淖畲髷?shù)據(jù)包長度, 假設(shè)網(wǎng)絡(luò)中所有節(jié)點(diǎn)的數(shù)據(jù)傳輸速率為固定值, 節(jié)點(diǎn)發(fā)送和接收數(shù)據(jù)的耗時(shí)與數(shù)據(jù)包大小成正比, 則Li/Lmax表示節(jié)點(diǎn)傳輸大小為Li的數(shù)據(jù)包所用的時(shí)間；si表示第i個(gè)傳感器節(jié)點(diǎn)；t(si)表示在網(wǎng)絡(luò)中節(jié)點(diǎn)si能將數(shù)據(jù)傳輸至Sink節(jié)點(diǎn)的路徑集；Ee表示節(jié)點(diǎn)發(fā)送接收電路上的能耗；Er表示功率放大器能耗；Eid表示節(jié)點(diǎn)空閑狀態(tài)時(shí)的能耗；d表示兩節(jié)點(diǎn)之間的距離. 式(1)右半部分表示節(jié)點(diǎn)處于不同狀態(tài)時(shí)的能量消耗與在該狀態(tài)下持續(xù)時(shí)間的乘積, 其中, 第一部分表示節(jié)點(diǎn)u將數(shù)據(jù)傳輸至節(jié)點(diǎn)集v的過程中, 節(jié)點(diǎn)u處于發(fā)送狀態(tài)的能耗； 第二部分表示節(jié)點(diǎn)u接收節(jié)點(diǎn)集v′傳送來數(shù)據(jù)包時(shí)消耗的能量； 第三部分為節(jié)點(diǎn)u處于空閑狀態(tài)時(shí)的能耗. 由于節(jié)點(diǎn)處于睡眠狀態(tài)時(shí)能耗很小, 因此式(1)中不考慮節(jié)點(diǎn)處于睡眠狀態(tài)時(shí)的能耗.
圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框圖Fig.3 Framework of fuzzy neural network
在實(shí)際網(wǎng)絡(luò)中,Lmax,Ee,Er,Eid均為已知量, 因此, 式(1)即為系統(tǒng)輸入E(u)ref,Li和輸出CR之間的關(guān)系式, 即E(u)ref=f(Li,CR). 其中:Li∈{l1,l2,…,lk};CR∈{d1,d2,…,dk}. 控制系統(tǒng)中模糊神經(jīng)網(wǎng)絡(luò)控制器可使用MATLAB中自適應(yīng)神經(jīng)模糊系統(tǒng)工具ANFIS搭建. 模糊控制部分, ANFIS自動(dòng)選取T-S型模糊控制器, 隸屬度函數(shù)與控制規(guī)則均可根據(jù)輸入/輸出數(shù)據(jù)和所提出的條件, 在經(jīng)過人工神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集的多次訓(xùn)練后, 自動(dòng)由ANFIS推算獲得[13]. 利用輸入/輸出關(guān)系式E(u)ref=f(Li,CR)可得到大量的訓(xùn)練集T(T為一個(gè)k×3矩陣), 記為(E,L,CR).
2.2 模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)
模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)框圖如圖3所示.
1) 輸入層： 網(wǎng)絡(luò)設(shè)有兩個(gè)輸入E(u)ref和Li.
2) 輸入變量隸屬度函數(shù)層： 根據(jù)采集到的節(jié)點(diǎn)期望能耗、 數(shù)據(jù)包大小及通信范圍構(gòu)造訓(xùn)練數(shù)據(jù)對(duì)(E,L,CR)用于模型的訓(xùn)練. 其中E,L,CR分別表示節(jié)點(diǎn)期望能耗、 數(shù)據(jù)包大小和節(jié)點(diǎn)通信范圍. 對(duì)于第j(j=1,2,…,n)對(duì)訓(xùn)練數(shù)據(jù)對(duì)(Ej,Lj,CRj), 數(shù)據(jù)訓(xùn)練前先采用高斯函數(shù)進(jìn)行輸入變量的模糊化, 得到各變量隸屬度函數(shù)為
(2)
3) 規(guī)則層： 進(jìn)行模糊運(yùn)算, 輸出各神經(jīng)元輸入取積后的歸一化值, 即各條規(guī)則的激勵(lì)強(qiáng)度歸一化, 各節(jié)點(diǎn)輸出為
(3)
4) 自適應(yīng)運(yùn)算層： 該層結(jié)合4條控制規(guī)則完成自適應(yīng)運(yùn)算, 計(jì)算出每條規(guī)則的輸出, 節(jié)點(diǎn)輸出結(jié)果為
(4)
其中pi,qi,ri(i=1,2,3,4)是該節(jié)點(diǎn)的結(jié)論參數(shù).
5) 輸出層： 網(wǎng)絡(luò)訓(xùn)練總輸出表示根據(jù)輸入的節(jié)點(diǎn)期望能耗與數(shù)據(jù)包大小預(yù)測的節(jié)點(diǎn)通信范圍值, 其結(jié)果為自適應(yīng)運(yùn)算層中4個(gè)節(jié)點(diǎn)的輸出總和:
CR=C1+C2+C3+C4.
(5)
將式(2)～(4)代入式(5)中, 計(jì)算網(wǎng)絡(luò)輸出值CR為
2.3 學(xué)習(xí)過程分析
模糊神經(jīng)網(wǎng)絡(luò)控制器學(xué)習(xí)要達(dá)到的目的是根據(jù)實(shí)際采集的訓(xùn)練集輸入、 輸出量確定被控參數(shù)和控制規(guī)則. 系統(tǒng)學(xué)習(xí)的誤差函數(shù)為
(7)
其中：k表示學(xué)習(xí)次數(shù)；α表示網(wǎng)絡(luò)學(xué)習(xí)率. 網(wǎng)絡(luò)通過不斷學(xué)習(xí)達(dá)到預(yù)期的控制效果.
2.4 θ和Li0值的確定
在自適應(yīng)模糊神經(jīng)控制系統(tǒng)中, 若節(jié)點(diǎn)實(shí)際能耗E不等于期望能耗E(u)ref, 則系統(tǒng)需通過調(diào)整節(jié)點(diǎn)數(shù)據(jù)包大小使二者相等. 定義節(jié)點(diǎn)能耗差值εE, 表示節(jié)點(diǎn)實(shí)際能耗與期望能耗之差, 計(jì)算公式為：
εE=E-e.
(11)
如圖2所示, 控制系統(tǒng)通過積分器動(dòng)態(tài)調(diào)節(jié)Li的大小,Li的值與θ和Li0的大小有關(guān). 當(dāng)能耗差值εE>0, 即節(jié)點(diǎn)實(shí)際能耗E大于期望能耗值e時(shí), 設(shè)θ=θ0/2,CR加快減小, 從而使εE→0. 本文中設(shè)θ=0.02,Li0=0.8.
3 拓?fù)淇刂扑惴?/h2>
基于本文設(shè)計(jì)的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng), 提出與其相應(yīng)的AFNTC拓?fù)淇刂扑惴? 針對(duì)任意節(jié)點(diǎn)u的AFNTC拓?fù)淇刂扑惴▊未a如下, 其中evalfis為MATLAB中模糊推理系統(tǒng)的函數(shù), 在已知輸入量的情況下可求出輸出量的值. AFNTC拓?fù)淇刂扑惴ㄝ斎霝闊o線傳感器網(wǎng)絡(luò)φ(α,R,N,K), 算法輸出為拓?fù)浯罱ㄍ瓿珊蟮淖泳W(wǎng)絡(luò)G(V,E), 其中:V為拓?fù)渚W(wǎng)中的節(jié)點(diǎn)集;E為連接這些節(jié)點(diǎn)的鏈路集.
輸入：φ(α,R,N,K);
輸出：G(V,E);
需要的已知量： 訓(xùn)練集T=(E,L,CR)； 節(jié)點(diǎn)最大通信距離rmax； 節(jié)點(diǎn)期望能耗E(u)ref=e； 初始數(shù)據(jù)包大小Li0； 初始θ值θ0； 循環(huán)輪數(shù)rounds=15；
算法如下：
1) 通過MATLAB中ANFIS工具訓(xùn)練T, 獲得模糊神經(jīng)網(wǎng)絡(luò)控制器；
2)CRu?rmax；
3)Li?Li0；
4) while rounds>0 do
5) 計(jì)算節(jié)點(diǎn)以通信范圍CRu傳輸數(shù)據(jù)包大小為Li時(shí)的實(shí)際能耗E；
6) 計(jì)算εE=E-e；
7) ifεE>0 then
9) else
10)θ=θ0；
11) end if
13)CRu?evalfis(E(u)ref,Li)；
14) rounds?rounds-1；
15) end while
16) 將節(jié)點(diǎn)u以CRu為通信范圍所確定的下一跳節(jié)點(diǎn)加入拓?fù)渥泳W(wǎng)絡(luò)的節(jié)點(diǎn)集V;
17) 將連接節(jié)點(diǎn)集V中所有節(jié)點(diǎn)的鏈路加入鏈路集E;
18) end.
圖4為使用AFNTC算法的拓?fù)淇刂乒ぷ鬟^程. 假設(shè)網(wǎng)絡(luò)選取φ(π/6,R,9,3),s(1)和s(2)為兩個(gè)源節(jié)點(diǎn), 如圖4(A)所示. 待發(fā)送數(shù)據(jù)節(jié)點(diǎn)根據(jù)預(yù)設(shè)的節(jié)點(diǎn)期望能耗E(u)ref和數(shù)據(jù)包大小Li, 通過AFNTC算法計(jì)算后確定通信范圍CRu, 使得節(jié)點(diǎn)實(shí)際能耗達(dá)到期望值e, 將數(shù)據(jù)傳輸至距離為CRu的下一跳節(jié)點(diǎn), 該下一跳節(jié)點(diǎn)即為拓?fù)渥泳W(wǎng)絡(luò)節(jié)點(diǎn)集V中的節(jié)點(diǎn), 然后以此方法通過多跳傳輸?shù)姆绞綄?shù)據(jù)發(fā)送至第1環(huán)內(nèi)的Sink節(jié)點(diǎn), 連接這些子網(wǎng)絡(luò)節(jié)點(diǎn)集中所有節(jié)點(diǎn)的鏈路即為鏈路集E. 圖4(B)中實(shí)線表示節(jié)點(diǎn)經(jīng)過AFNTC算法調(diào)整后, 通信范圍CRu所能通信的下一跳節(jié)點(diǎn)路徑, 虛線則表示未被選中的路徑.
圖4 AFNTC算法工作過程Fig.4 Working process of AFNTC algorithm
4 仿真分析
為了驗(yàn)證本文算法的性能, 使用MATLAB仿真工具, 對(duì)AFNTC算法、 文獻(xiàn)[9]中的FCTP算法和文獻(xiàn)[14]中的局部平均算法LMA進(jìn)行比較分析. 定義扇形網(wǎng)絡(luò)φ(α,R,N,K), 其中α=π/2,R=700 m,N=4 900,α=70. 節(jié)點(diǎn)最大數(shù)據(jù)包長度Lmax=5 000 B, 發(fā)送/接收電路上的能耗Ee=50 nJ/bit, 功率放大器能耗Er=0.01 nJ/(bit·m-2), 節(jié)點(diǎn)空閑狀態(tài)時(shí)的能耗Eid=50 nJ/bit, 網(wǎng)絡(luò)中源節(jié)點(diǎn)數(shù)量為80, 節(jié)點(diǎn)隨機(jī)分布在網(wǎng)絡(luò)中.
圖5 節(jié)點(diǎn)能耗與節(jié)點(diǎn)數(shù)量的關(guān)系Fig.5 Relationship between energy consumption of nodes and number of nodes
首先在不同期望能耗情況下, 對(duì)節(jié)點(diǎn)數(shù)量與用AFNTC計(jì)算出的節(jié)點(diǎn)實(shí)際能耗的關(guān)系進(jìn)行分析, 結(jié)果如圖5所示. 由圖5可見, 當(dāng)節(jié)點(diǎn)期望能耗為0.5 mJ時(shí), 節(jié)點(diǎn)實(shí)際能耗在期望值附近波動(dòng), 基本接近期望值； 當(dāng)節(jié)點(diǎn)期望能耗預(yù)設(shè)值越小時(shí), 實(shí)際能耗略高于期望值的情況越明顯, 這是因?yàn)槠谕芎脑叫? 算法調(diào)整的難度越大, 在有限的算法循環(huán)輪數(shù)內(nèi), AFNTC算法盡量將節(jié)點(diǎn)實(shí)際能耗靠近期望能耗值. 此外, 隨著節(jié)點(diǎn)數(shù)量的增加, 節(jié)點(diǎn)實(shí)際能耗越趨近于期望能耗, 原因是在算法調(diào)整節(jié)點(diǎn)通信范圍時(shí), 節(jié)點(diǎn)越密集, 節(jié)點(diǎn)通信范圍CR所覆蓋的節(jié)點(diǎn)區(qū)域越精確, 越有利于算法調(diào)整節(jié)點(diǎn)的實(shí)際能耗.
網(wǎng)絡(luò)收斂時(shí)間能反應(yīng)網(wǎng)絡(luò)在增減節(jié)點(diǎn)、 重新部署及受到干擾時(shí)快速重組拓?fù)涞哪芰? 本文對(duì)AFNTC,FCTP和LMA算法之間傳輸功率和收斂時(shí)間關(guān)系進(jìn)行比較, 結(jié)果如圖6所示. 由圖6可見, LMA算法收斂時(shí)間隨傳輸功率的增大而不斷變長, 這是因?yàn)長MA算法調(diào)節(jié)時(shí)非常依賴于周圍鄰居節(jié)點(diǎn), FCTP算法的收斂時(shí)間與AFNTC算法接近, 收斂速度均優(yōu)于LMA算法. 對(duì)3種算法在不同傳輸功率時(shí)節(jié)點(diǎn)平均總能耗進(jìn)行分析對(duì)比, 結(jié)果如圖7所示. 由圖7可見: AFNTC算法中, 節(jié)點(diǎn)期望能耗E(u)ref=e=0.4 mJ; 在傳輸功率為-14 dBm前, AFNTC算法的節(jié)點(diǎn)平均能耗略高于FCTP和LMA算法能耗; 但在節(jié)點(diǎn)期望能耗附近, 隨著傳輸功率的增大, FCTP和LMA算法的能耗明顯大于AFNTC算法. 由于AFNTC算法自適應(yīng)控制的特點(diǎn), 雖然設(shè)置的節(jié)點(diǎn)發(fā)射功率并非理想功率, 但控制系統(tǒng)的反饋循環(huán)機(jī)制有效控制節(jié)點(diǎn)的實(shí)際能耗. 節(jié)點(diǎn)平均實(shí)際能耗越低, 網(wǎng)絡(luò)生命周期則越長.
圖6 不同傳輸功率時(shí)的收斂時(shí)間Fig.6 Convergence time for different transmission power
圖7 傳輸功率與節(jié)點(diǎn)平均能耗的關(guān)系Fig.7 Relationship between transmission power and average energy consumption of nodes
綜上所述, 本文從控制節(jié)點(diǎn)通信范圍的角度出發(fā), 提出了一種面向無線傳感器網(wǎng)絡(luò)的自適應(yīng)模糊神經(jīng)拓?fù)淇刂扑惴?---AFNTC, 其在人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練集的基礎(chǔ)上建立模糊控制系統(tǒng), 避免了傳統(tǒng)方法的復(fù)雜參數(shù)調(diào)節(jié)過程, 并通過反饋、 循環(huán)機(jī)制調(diào)整節(jié)點(diǎn)通信范圍, 以獲得期望的節(jié)點(diǎn)能量消耗. 從收斂時(shí)間和平均能耗方面對(duì)算法進(jìn)行了仿真分析, 結(jié)果表明, 該算法能有效控制節(jié)點(diǎn)能耗, 延長網(wǎng)絡(luò)生命周期.
[1] Borges L M, Velez F J, Lebres A S. Survey on the Characterization and Classification of Wireless Sensor Network Applications [J]. IEEE Communications Surveys & Tutorials, 2014, 16(4): 1860-1890.
[2] LI Ning, Hou J C. Localized Fault-Tolerant Topology Control in Wireless Ad Hoc Networks [J]. IEEE Transactions on Parallel & Distributed Systems, 2006, 17(4): 307-320.
[3] Tsiropoulou E E, Katsinis G K, Papavassiliou S. Distributed Uplink Power Control in Multiservice Wireless Networks via a Game Theoretic Approach with Convex Pricing [J]. IEEE Transactions on Parallel & Distributed Systems, 2012, 23(1): 61-68.
[4] Woo A. Taming the Underlying Challenges of Reliable Multihop Routing in Sensor Networks [C]//International Conference on Embedded Networked Sensor Systems. New York: ACM, 2003: 14-27.
[5] Narayanaswamy S, Kawadia V, Sreenivas R S, et al. Power Control in Ad-Hoc Networks: Theory, Architecture, Algorithm and Implementation of the COMPOW Protocol [C]//Proceedings of European Wireless Conference. Florence, Italy: [s.n.]， 2002: 156-162.
[6] Kawadia V, Kumar P R. Power Control and Clustering in Ad Hoc Networks [C]//Twenty-Second Annual Joint Conference of the IEEE Computer and Communications. Piscataway, NJ: IEEE, 2003: 459-469.
[7] Mirjana M, Valdimir V, Vladimir M. Fuzzy Logic and Wireless Sensor Networks-A Survey [J]. Journal of Intelligent & Fuzzy Systems, 2014, 27(2): 877-890.
[8] ZHANG Jianhui, CHEN Jiming, SUN Youxian. Transmission Power Adjustment of Wireless Sensor Networks Using Fuzzy Control Algorithm [J]. Wireless Communications & Mobile Computing, 2009, 9(6): 805-818.
[9] JIANG Ting, WU Pengjie, SHEN Bin, et al. A Novel Fuzzy Algorithm for Power Control of Wireless Sensor Nodes [C]//International Conference on Communications and Information Technologies. Piscataway, NJ: IEEE, 2009: 64-68.
[10] 張小娟. 自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真 [J]. 電子設(shè)計(jì)工程, 2012, 20(5): 11-13. (ZHANG Xiaojuan. Adaptive Neuro Fuzzy Inference System (ANFIS) and Its Simulation [J]. Electronic Design Engineering, 2012, 20(5): 11-13.)
[11] 南敬昌, 周丹, 高明明, 等. 基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的功放預(yù)失真新方法 [J]. 計(jì)算機(jī)工程與應(yīng)用, 2016, 52(7): 96-100. (NAN Jingchang, ZHOU Dan, GAO Mingming, et al. A New Method of Power Amplifier Predistortion Based on Adaptive Fuzzy Neural Networks [J]. Computer Engineering and Applications, 2016, 52(7): 96-100.)
[12] Nickray M, Afzali-Kusha A, J?ntti R. Simultaneous Power Control and Power Management Algorithm with Sector-Shaped Topology for Wireless Sensor Networks [J]. EURASIP Journal on Wireless Communications and Networking, 2015, 2015(1): 1-16.
[13] Pillai G N, Pushpak J, Nisha M. Extreme Learning ANFIS for Control Applications [C]//2014 IEEE Symposium on Computational Intelligence in Control and Automation (CICA). Piscataway, NJ: IEEE, 2014: 1-8.
[14] Kubisch M, Karl H, Wolisz A, et al. Distributed Algorithms for Transmission Power Control in Wireless Sensor Networks [C]//Wireless Communications and Networking. Piscataway, NJ: IEEE, 2003: 558-563.
胡黃水, 沈瑋娜, 王宏志, 張邦成
(1. 長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院, 長春 130012； 2. 長春工業(yè)大學(xué) 機(jī)電工程學(xué)院, 長春 130012)
無線傳感器網(wǎng)絡(luò)(WSN)因其具有自組織、 部署方便、 隱蔽性強(qiáng)等優(yōu)勢而廣泛應(yīng)用于環(huán)境監(jiān)測、 醫(yī)療保健、 國家安全以及太空探索等領(lǐng)域[1]. 網(wǎng)絡(luò)節(jié)點(diǎn)硬件資源、 能量有限及延長網(wǎng)絡(luò)生命周期是無線傳感器網(wǎng)絡(luò)需首要解決的問題. 而拓?fù)淇刂仆ㄟ^節(jié)點(diǎn)調(diào)度、 鏈路選擇、 通信范圍調(diào)節(jié)、 功率控制等方法, 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu), 降低網(wǎng)絡(luò)能量消耗, 延長網(wǎng)絡(luò)生命周期.
目前, 關(guān)于拓?fù)淇刂频难芯恳延泻芏嘟Y(jié)果： 文獻(xiàn)[2]從網(wǎng)絡(luò)連通和覆蓋角度對(duì)拓?fù)淇刂品椒ㄟM(jìn)行了分類, 并介紹了主流方法, 指出了其控制思想和特點(diǎn); Tsiropoulou等[3]提出了一種傳輸功率自優(yōu)化的拓?fù)淇刂扑惴? 在保證網(wǎng)絡(luò)連通度及高服務(wù)質(zhì)量的情況下, 通過優(yōu)化每個(gè)節(jié)點(diǎn)的傳輸功率降低網(wǎng)絡(luò)能耗, 該算法雖然綜合考慮網(wǎng)絡(luò)連通性及服務(wù)質(zhì)量, 但算法復(fù)雜, 增加了節(jié)點(diǎn)能耗; Woo[4]提出了兩個(gè)集中式算法, 在保證網(wǎng)絡(luò)連通性的同時(shí)減小每個(gè)節(jié)點(diǎn)的最大發(fā)送功率, 從而延長網(wǎng)絡(luò)生命周期； Narayanaswamy等[5]和Kawadia等[6]使用最小傳輸功率保證網(wǎng)絡(luò)連通性, 減小網(wǎng)絡(luò)能耗, 但均未考慮算法調(diào)節(jié)的自適應(yīng)能力. 隨著模糊理論在無線傳感器網(wǎng)絡(luò)優(yōu)化決策、 降低資源消耗方面展現(xiàn)的優(yōu)越性能[7], 其也用于拓?fù)淇刂? 文獻(xiàn)[8]提出了基于模糊控制的拓?fù)淇刂?FCTP)算法, 該算法將實(shí)際節(jié)點(diǎn)度與期望節(jié)點(diǎn)度之間的誤差, 當(dāng)前和前一個(gè)周期傳輸功率差值之間的比率作為模糊控制的兩個(gè)輸入項(xiàng), 將下一步的無線傳輸功率水平作為輸出項(xiàng), 通過調(diào)整節(jié)點(diǎn)發(fā)射功率控制網(wǎng)絡(luò)拓?fù)洌?文獻(xiàn)[9]針對(duì)WSN點(diǎn)對(duì)點(diǎn)通信方式, 將模糊邏輯應(yīng)用于控制系統(tǒng)中, 根據(jù)鏈路質(zhì)量控制發(fā)射功率. 目前的方法均通過構(gòu)建隸屬度函數(shù)和if-then規(guī)則設(shè)計(jì)模糊邏輯控制器, 其對(duì)復(fù)雜且動(dòng)態(tài)的實(shí)際無線傳感器很難獲得期望的性能. 本文提出一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)淇刂扑惴?adaptive fuzzy neural topology control algorithm, AFNTC), 采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法替代繁雜的模糊控制器參數(shù)調(diào)整過程, 通過調(diào)節(jié)每個(gè)節(jié)點(diǎn)的通信范圍, 控制節(jié)點(diǎn)發(fā)射功率, 使節(jié)點(diǎn)在網(wǎng)絡(luò)中的實(shí)際能耗達(dá)到期望值, 降低網(wǎng)絡(luò)能耗的同時(shí)提高網(wǎng)絡(luò)動(dòng)態(tài)性能.
1 網(wǎng)絡(luò)模型
圖1 網(wǎng)絡(luò)模型Fig.1 Model of network
在典型的無線傳感器網(wǎng)絡(luò)應(yīng)用中, 數(shù)據(jù)包通過各節(jié)點(diǎn)傳輸至匯聚節(jié)點(diǎn). 假設(shè)有一圓形網(wǎng)絡(luò), 均勻部署傳感器節(jié)點(diǎn), 圓心處為Sink節(jié)點(diǎn). 為簡化網(wǎng)絡(luò)模型并方便分析, 將圓形網(wǎng)絡(luò)分割成多個(gè)扇形子網(wǎng)絡(luò), 如圖1所示. 在該模型中, 整個(gè)網(wǎng)絡(luò)區(qū)域被劃分成幾個(gè)寬度相同但面積不同的環(huán), 第i環(huán)被分成(2i-1)個(gè)面積相同的網(wǎng)格, 所有節(jié)點(diǎn)向網(wǎng)絡(luò)中唯一的匯聚節(jié)點(diǎn)傳輸數(shù)據(jù), 則可定義扇形網(wǎng)絡(luò)為φ(α,R,N,K), 其中：α為網(wǎng)絡(luò)圓心角；R為半徑； 整個(gè)扇形網(wǎng)絡(luò)被分成N個(gè)網(wǎng)格和K個(gè)環(huán). 由圖1可見, 網(wǎng)絡(luò)包含4個(gè)環(huán)和16個(gè)小區(qū)域, 扇形網(wǎng)絡(luò)圓心角為π/6, 則其可表示為φ(π/6,R,16,4). 節(jié)點(diǎn)采集到信息后通過多跳方式將數(shù)據(jù)傳輸給匯聚節(jié)點(diǎn), 即第1環(huán)內(nèi)的Sink節(jié)點(diǎn).
2 模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)
為保證網(wǎng)絡(luò)的穩(wěn)定性及自適應(yīng)能力, 本文設(shè)計(jì)一個(gè)基于模糊神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng), 該系統(tǒng)結(jié)構(gòu)如圖2所示. 模糊控制以模糊理論為主要計(jì)算工具[10], 可實(shí)現(xiàn)復(fù)雜的非線性映射, 人工神經(jīng)網(wǎng)絡(luò)能通過已知的數(shù)據(jù)進(jìn)行學(xué)習(xí)和歸納, 二者的結(jié)合使控制系統(tǒng)既具有模糊邏輯推理能力, 同時(shí)也可通過系統(tǒng)自適應(yīng)地不斷改進(jìn)和調(diào)整, 達(dá)到更好的控制效果[11].
圖2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)Fig.2 Framework of adaptive fuzzy neural network control system
控制系統(tǒng)通過控制節(jié)點(diǎn)通信范圍, 即控制節(jié)點(diǎn)發(fā)射功率, 達(dá)到節(jié)點(diǎn)能耗可控的目的. 由圖2可見, 其中一個(gè)輸入?yún)⒘繛楣?jié)點(diǎn)期望能耗E(u)ref=e. 節(jié)點(diǎn)能耗通常和節(jié)點(diǎn)需傳輸?shù)臄?shù)據(jù)包大小有關(guān)： 當(dāng)數(shù)據(jù)包較大時(shí), 節(jié)點(diǎn)發(fā)送數(shù)據(jù)時(shí)的能耗大, 近距離多跳傳輸能有效降低網(wǎng)絡(luò)能耗； 當(dāng)數(shù)據(jù)包較小時(shí), 節(jié)點(diǎn)發(fā)送數(shù)據(jù)時(shí)的能耗小, 遠(yuǎn)距離傳輸能更有效地降低網(wǎng)絡(luò)能耗[12]. 因此, 選取數(shù)據(jù)包大小Li作為另一個(gè)輸入?yún)⒘?
在無線傳感器網(wǎng)絡(luò)中, 通常節(jié)點(diǎn)硬件如CC2420等都具有調(diào)節(jié)發(fā)射功率的能力, 節(jié)點(diǎn)發(fā)射功率越大, 通信距離越長； 節(jié)點(diǎn)發(fā)射功率越小, 通信距離越短. 考慮到節(jié)點(diǎn)可通過調(diào)整通信范圍控制發(fā)射功率的特性, 因此輸出參量選為節(jié)點(diǎn)的通信范圍CR, 進(jìn)而控制節(jié)點(diǎn)能耗.
在圖2中, 控制系統(tǒng)根據(jù)節(jié)點(diǎn)實(shí)際能耗與期望能耗之間的差值εE, 調(diào)整θ的大小,θ值通過積分器積分后與初始數(shù)據(jù)包大小Li0求差值, 確定需要傳輸?shù)臄?shù)據(jù)包大小Li. 向模糊神經(jīng)網(wǎng)絡(luò)控制器輸入?yún)⒘縀(u)ref和Li, 模糊神經(jīng)網(wǎng)絡(luò)控制器輸出本次節(jié)點(diǎn)的通信范圍CR, 將該通信范圍代入節(jié)點(diǎn)實(shí)際應(yīng)用中, 則可知節(jié)點(diǎn)實(shí)際能耗E, 控制系統(tǒng)一輪調(diào)整完畢. 在有限的輪數(shù)內(nèi), 系統(tǒng)通過反饋、 循環(huán)的方式不斷調(diào)整節(jié)點(diǎn)的通信距離, 控制節(jié)點(diǎn)傳輸功率, 從而使節(jié)點(diǎn)實(shí)際能耗接近期望值, 延長網(wǎng)絡(luò)生命周期.
2.1 訓(xùn)練集的獲取
文獻(xiàn)[12]給出了節(jié)點(diǎn)能耗表達(dá)式：
將式(1)作為本文節(jié)點(diǎn)能耗的表達(dá)式. 其中：Lmax表示節(jié)點(diǎn)能傳輸?shù)淖畲髷?shù)據(jù)包長度, 假設(shè)網(wǎng)絡(luò)中所有節(jié)點(diǎn)的數(shù)據(jù)傳輸速率為固定值, 節(jié)點(diǎn)發(fā)送和接收數(shù)據(jù)的耗時(shí)與數(shù)據(jù)包大小成正比, 則Li/Lmax表示節(jié)點(diǎn)傳輸大小為Li的數(shù)據(jù)包所用的時(shí)間；si表示第i個(gè)傳感器節(jié)點(diǎn)；t(si)表示在網(wǎng)絡(luò)中節(jié)點(diǎn)si能將數(shù)據(jù)傳輸至Sink節(jié)點(diǎn)的路徑集；Ee表示節(jié)點(diǎn)發(fā)送接收電路上的能耗；Er表示功率放大器能耗；Eid表示節(jié)點(diǎn)空閑狀態(tài)時(shí)的能耗；d表示兩節(jié)點(diǎn)之間的距離. 式(1)右半部分表示節(jié)點(diǎn)處于不同狀態(tài)時(shí)的能量消耗與在該狀態(tài)下持續(xù)時(shí)間的乘積, 其中, 第一部分表示節(jié)點(diǎn)u將數(shù)據(jù)傳輸至節(jié)點(diǎn)集v的過程中, 節(jié)點(diǎn)u處于發(fā)送狀態(tài)的能耗； 第二部分表示節(jié)點(diǎn)u接收節(jié)點(diǎn)集v′傳送來數(shù)據(jù)包時(shí)消耗的能量； 第三部分為節(jié)點(diǎn)u處于空閑狀態(tài)時(shí)的能耗. 由于節(jié)點(diǎn)處于睡眠狀態(tài)時(shí)能耗很小, 因此式(1)中不考慮節(jié)點(diǎn)處于睡眠狀態(tài)時(shí)的能耗.
圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框圖Fig.3 Framework of fuzzy neural network
在實(shí)際網(wǎng)絡(luò)中,Lmax,Ee,Er,Eid均為已知量, 因此, 式(1)即為系統(tǒng)輸入E(u)ref,Li和輸出CR之間的關(guān)系式, 即E(u)ref=f(Li,CR). 其中:Li∈{l1,l2,…,lk};CR∈{d1,d2,…,dk}. 控制系統(tǒng)中模糊神經(jīng)網(wǎng)絡(luò)控制器可使用MATLAB中自適應(yīng)神經(jīng)模糊系統(tǒng)工具ANFIS搭建. 模糊控制部分, ANFIS自動(dòng)選取T-S型模糊控制器, 隸屬度函數(shù)與控制規(guī)則均可根據(jù)輸入/輸出數(shù)據(jù)和所提出的條件, 在經(jīng)過人工神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集的多次訓(xùn)練后, 自動(dòng)由ANFIS推算獲得[13]. 利用輸入/輸出關(guān)系式E(u)ref=f(Li,CR)可得到大量的訓(xùn)練集T(T為一個(gè)k×3矩陣), 記為(E,L,CR).
2.2 模糊神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)
模糊神經(jīng)網(wǎng)絡(luò)控制器結(jié)構(gòu)框圖如圖3所示.
1) 輸入層： 網(wǎng)絡(luò)設(shè)有兩個(gè)輸入E(u)ref和Li.
2) 輸入變量隸屬度函數(shù)層： 根據(jù)采集到的節(jié)點(diǎn)期望能耗、 數(shù)據(jù)包大小及通信范圍構(gòu)造訓(xùn)練數(shù)據(jù)對(duì)(E,L,CR)用于模型的訓(xùn)練. 其中E,L,CR分別表示節(jié)點(diǎn)期望能耗、 數(shù)據(jù)包大小和節(jié)點(diǎn)通信范圍. 對(duì)于第j(j=1,2,…,n)對(duì)訓(xùn)練數(shù)據(jù)對(duì)(Ej,Lj,CRj), 數(shù)據(jù)訓(xùn)練前先采用高斯函數(shù)進(jìn)行輸入變量的模糊化, 得到各變量隸屬度函數(shù)為
(2)
3) 規(guī)則層： 進(jìn)行模糊運(yùn)算, 輸出各神經(jīng)元輸入取積后的歸一化值, 即各條規(guī)則的激勵(lì)強(qiáng)度歸一化, 各節(jié)點(diǎn)輸出為
(3)
4) 自適應(yīng)運(yùn)算層： 該層結(jié)合4條控制規(guī)則完成自適應(yīng)運(yùn)算, 計(jì)算出每條規(guī)則的輸出, 節(jié)點(diǎn)輸出結(jié)果為
(4)
其中pi,qi,ri(i=1,2,3,4)是該節(jié)點(diǎn)的結(jié)論參數(shù).
5) 輸出層： 網(wǎng)絡(luò)訓(xùn)練總輸出表示根據(jù)輸入的節(jié)點(diǎn)期望能耗與數(shù)據(jù)包大小預(yù)測的節(jié)點(diǎn)通信范圍值, 其結(jié)果為自適應(yīng)運(yùn)算層中4個(gè)節(jié)點(diǎn)的輸出總和:
CR=C1+C2+C3+C4.
(5)
將式(2)～(4)代入式(5)中, 計(jì)算網(wǎng)絡(luò)輸出值CR為
2.3 學(xué)習(xí)過程分析
模糊神經(jīng)網(wǎng)絡(luò)控制器學(xué)習(xí)要達(dá)到的目的是根據(jù)實(shí)際采集的訓(xùn)練集輸入、 輸出量確定被控參數(shù)和控制規(guī)則. 系統(tǒng)學(xué)習(xí)的誤差函數(shù)為
(7)
其中：k表示學(xué)習(xí)次數(shù)；α表示網(wǎng)絡(luò)學(xué)習(xí)率. 網(wǎng)絡(luò)通過不斷學(xué)習(xí)達(dá)到預(yù)期的控制效果.
2.4 θ和Li0值的確定
在自適應(yīng)模糊神經(jīng)控制系統(tǒng)中, 若節(jié)點(diǎn)實(shí)際能耗E不等于期望能耗E(u)ref, 則系統(tǒng)需通過調(diào)整節(jié)點(diǎn)數(shù)據(jù)包大小使二者相等. 定義節(jié)點(diǎn)能耗差值εE, 表示節(jié)點(diǎn)實(shí)際能耗與期望能耗之差, 計(jì)算公式為：
εE=E-e.
(11)
如圖2所示, 控制系統(tǒng)通過積分器動(dòng)態(tài)調(diào)節(jié)Li的大小,Li的值與θ和Li0的大小有關(guān). 當(dāng)能耗差值εE>0, 即節(jié)點(diǎn)實(shí)際能耗E大于期望能耗值e時(shí), 設(shè)θ=θ0/2,CR加快減小, 從而使εE→0. 本文中設(shè)θ=0.02,Li0=0.8.
3 拓?fù)淇刂扑惴?/h2>
基于本文設(shè)計(jì)的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng), 提出與其相應(yīng)的AFNTC拓?fù)淇刂扑惴? 針對(duì)任意節(jié)點(diǎn)u的AFNTC拓?fù)淇刂扑惴▊未a如下, 其中evalfis為MATLAB中模糊推理系統(tǒng)的函數(shù), 在已知輸入量的情況下可求出輸出量的值. AFNTC拓?fù)淇刂扑惴ㄝ斎霝闊o線傳感器網(wǎng)絡(luò)φ(α,R,N,K), 算法輸出為拓?fù)浯罱ㄍ瓿珊蟮淖泳W(wǎng)絡(luò)G(V,E), 其中:V為拓?fù)渚W(wǎng)中的節(jié)點(diǎn)集;E為連接這些節(jié)點(diǎn)的鏈路集.
輸入：φ(α,R,N,K);
輸出：G(V,E);
需要的已知量： 訓(xùn)練集T=(E,L,CR)； 節(jié)點(diǎn)最大通信距離rmax； 節(jié)點(diǎn)期望能耗E(u)ref=e； 初始數(shù)據(jù)包大小Li0； 初始θ值θ0； 循環(huán)輪數(shù)rounds=15；
算法如下：
1) 通過MATLAB中ANFIS工具訓(xùn)練T, 獲得模糊神經(jīng)網(wǎng)絡(luò)控制器；
2)CRu?rmax；
3)Li?Li0；
4) while rounds>0 do
5) 計(jì)算節(jié)點(diǎn)以通信范圍CRu傳輸數(shù)據(jù)包大小為Li時(shí)的實(shí)際能耗E；
6) 計(jì)算εE=E-e；
7) ifεE>0 then
9) else
10)θ=θ0；
11) end if
13)CRu?evalfis(E(u)ref,Li)；
14) rounds?rounds-1；
15) end while
16) 將節(jié)點(diǎn)u以CRu為通信范圍所確定的下一跳節(jié)點(diǎn)加入拓?fù)渥泳W(wǎng)絡(luò)的節(jié)點(diǎn)集V;
17) 將連接節(jié)點(diǎn)集V中所有節(jié)點(diǎn)的鏈路加入鏈路集E;
18) end.
圖4為使用AFNTC算法的拓?fù)淇刂乒ぷ鬟^程. 假設(shè)網(wǎng)絡(luò)選取φ(π/6,R,9,3),s(1)和s(2)為兩個(gè)源節(jié)點(diǎn), 如圖4(A)所示. 待發(fā)送數(shù)據(jù)節(jié)點(diǎn)根據(jù)預(yù)設(shè)的節(jié)點(diǎn)期望能耗E(u)ref和數(shù)據(jù)包大小Li, 通過AFNTC算法計(jì)算后確定通信范圍CRu, 使得節(jié)點(diǎn)實(shí)際能耗達(dá)到期望值e, 將數(shù)據(jù)傳輸至距離為CRu的下一跳節(jié)點(diǎn), 該下一跳節(jié)點(diǎn)即為拓?fù)渥泳W(wǎng)絡(luò)節(jié)點(diǎn)集V中的節(jié)點(diǎn), 然后以此方法通過多跳傳輸?shù)姆绞綄?shù)據(jù)發(fā)送至第1環(huán)內(nèi)的Sink節(jié)點(diǎn), 連接這些子網(wǎng)絡(luò)節(jié)點(diǎn)集中所有節(jié)點(diǎn)的鏈路即為鏈路集E. 圖4(B)中實(shí)線表示節(jié)點(diǎn)經(jīng)過AFNTC算法調(diào)整后, 通信范圍CRu所能通信的下一跳節(jié)點(diǎn)路徑, 虛線則表示未被選中的路徑.
圖4 AFNTC算法工作過程Fig.4 Working process of AFNTC algorithm
4 仿真分析
為了驗(yàn)證本文算法的性能, 使用MATLAB仿真工具, 對(duì)AFNTC算法、 文獻(xiàn)[9]中的FCTP算法和文獻(xiàn)[14]中的局部平均算法LMA進(jìn)行比較分析. 定義扇形網(wǎng)絡(luò)φ(α,R,N,K), 其中α=π/2,R=700 m,N=4 900,α=70. 節(jié)點(diǎn)最大數(shù)據(jù)包長度Lmax=5 000 B, 發(fā)送/接收電路上的能耗Ee=50 nJ/bit, 功率放大器能耗Er=0.01 nJ/(bit·m-2), 節(jié)點(diǎn)空閑狀態(tài)時(shí)的能耗Eid=50 nJ/bit, 網(wǎng)絡(luò)中源節(jié)點(diǎn)數(shù)量為80, 節(jié)點(diǎn)隨機(jī)分布在網(wǎng)絡(luò)中.
圖5 節(jié)點(diǎn)能耗與節(jié)點(diǎn)數(shù)量的關(guān)系Fig.5 Relationship between energy consumption of nodes and number of nodes
首先在不同期望能耗情況下, 對(duì)節(jié)點(diǎn)數(shù)量與用AFNTC計(jì)算出的節(jié)點(diǎn)實(shí)際能耗的關(guān)系進(jìn)行分析, 結(jié)果如圖5所示. 由圖5可見, 當(dāng)節(jié)點(diǎn)期望能耗為0.5 mJ時(shí), 節(jié)點(diǎn)實(shí)際能耗在期望值附近波動(dòng), 基本接近期望值； 當(dāng)節(jié)點(diǎn)期望能耗預(yù)設(shè)值越小時(shí), 實(shí)際能耗略高于期望值的情況越明顯, 這是因?yàn)槠谕芎脑叫? 算法調(diào)整的難度越大, 在有限的算法循環(huán)輪數(shù)內(nèi), AFNTC算法盡量將節(jié)點(diǎn)實(shí)際能耗靠近期望能耗值. 此外, 隨著節(jié)點(diǎn)數(shù)量的增加, 節(jié)點(diǎn)實(shí)際能耗越趨近于期望能耗, 原因是在算法調(diào)整節(jié)點(diǎn)通信范圍時(shí), 節(jié)點(diǎn)越密集, 節(jié)點(diǎn)通信范圍CR所覆蓋的節(jié)點(diǎn)區(qū)域越精確, 越有利于算法調(diào)整節(jié)點(diǎn)的實(shí)際能耗.
網(wǎng)絡(luò)收斂時(shí)間能反應(yīng)網(wǎng)絡(luò)在增減節(jié)點(diǎn)、 重新部署及受到干擾時(shí)快速重組拓?fù)涞哪芰? 本文對(duì)AFNTC,FCTP和LMA算法之間傳輸功率和收斂時(shí)間關(guān)系進(jìn)行比較, 結(jié)果如圖6所示. 由圖6可見, LMA算法收斂時(shí)間隨傳輸功率的增大而不斷變長, 這是因?yàn)長MA算法調(diào)節(jié)時(shí)非常依賴于周圍鄰居節(jié)點(diǎn), FCTP算法的收斂時(shí)間與AFNTC算法接近, 收斂速度均優(yōu)于LMA算法. 對(duì)3種算法在不同傳輸功率時(shí)節(jié)點(diǎn)平均總能耗進(jìn)行分析對(duì)比, 結(jié)果如圖7所示. 由圖7可見: AFNTC算法中, 節(jié)點(diǎn)期望能耗E(u)ref=e=0.4 mJ; 在傳輸功率為-14 dBm前, AFNTC算法的節(jié)點(diǎn)平均能耗略高于FCTP和LMA算法能耗; 但在節(jié)點(diǎn)期望能耗附近, 隨著傳輸功率的增大, FCTP和LMA算法的能耗明顯大于AFNTC算法. 由于AFNTC算法自適應(yīng)控制的特點(diǎn), 雖然設(shè)置的節(jié)點(diǎn)發(fā)射功率并非理想功率, 但控制系統(tǒng)的反饋循環(huán)機(jī)制有效控制節(jié)點(diǎn)的實(shí)際能耗. 節(jié)點(diǎn)平均實(shí)際能耗越低, 網(wǎng)絡(luò)生命周期則越長.
圖6 不同傳輸功率時(shí)的收斂時(shí)間Fig.6 Convergence time for different transmission power
圖7 傳輸功率與節(jié)點(diǎn)平均能耗的關(guān)系Fig.7 Relationship between transmission power and average energy consumption of nodes
綜上所述, 本文從控制節(jié)點(diǎn)通信范圍的角度出發(fā), 提出了一種面向無線傳感器網(wǎng)絡(luò)的自適應(yīng)模糊神經(jīng)拓?fù)淇刂扑惴?---AFNTC, 其在人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練集的基礎(chǔ)上建立模糊控制系統(tǒng), 避免了傳統(tǒng)方法的復(fù)雜參數(shù)調(diào)節(jié)過程, 并通過反饋、 循環(huán)機(jī)制調(diào)整節(jié)點(diǎn)通信范圍, 以獲得期望的節(jié)點(diǎn)能量消耗. 從收斂時(shí)間和平均能耗方面對(duì)算法進(jìn)行了仿真分析, 結(jié)果表明, 該算法能有效控制節(jié)點(diǎn)能耗, 延長網(wǎng)絡(luò)生命周期.
[1] Borges L M, Velez F J, Lebres A S. Survey on the Characterization and Classification of Wireless Sensor Network Applications [J]. IEEE Communications Surveys & Tutorials, 2014, 16(4): 1860-1890.
[2] LI Ning, Hou J C. Localized Fault-Tolerant Topology Control in Wireless Ad Hoc Networks [J]. IEEE Transactions on Parallel & Distributed Systems, 2006, 17(4): 307-320.
[3] Tsiropoulou E E, Katsinis G K, Papavassiliou S. Distributed Uplink Power Control in Multiservice Wireless Networks via a Game Theoretic Approach with Convex Pricing [J]. IEEE Transactions on Parallel & Distributed Systems, 2012, 23(1): 61-68.
[4] Woo A. Taming the Underlying Challenges of Reliable Multihop Routing in Sensor Networks [C]//International Conference on Embedded Networked Sensor Systems. New York: ACM, 2003: 14-27.
[5] Narayanaswamy S, Kawadia V, Sreenivas R S, et al. Power Control in Ad-Hoc Networks: Theory, Architecture, Algorithm and Implementation of the COMPOW Protocol [C]//Proceedings of European Wireless Conference. Florence, Italy: [s.n.]， 2002: 156-162.
[6] Kawadia V, Kumar P R. Power Control and Clustering in Ad Hoc Networks [C]//Twenty-Second Annual Joint Conference of the IEEE Computer and Communications. Piscataway, NJ: IEEE, 2003: 459-469.
[7] Mirjana M, Valdimir V, Vladimir M. Fuzzy Logic and Wireless Sensor Networks-A Survey [J]. Journal of Intelligent & Fuzzy Systems, 2014, 27(2): 877-890.
[8] ZHANG Jianhui, CHEN Jiming, SUN Youxian. Transmission Power Adjustment of Wireless Sensor Networks Using Fuzzy Control Algorithm [J]. Wireless Communications & Mobile Computing, 2009, 9(6): 805-818.
[9] JIANG Ting, WU Pengjie, SHEN Bin, et al. A Novel Fuzzy Algorithm for Power Control of Wireless Sensor Nodes [C]//International Conference on Communications and Information Technologies. Piscataway, NJ: IEEE, 2009: 64-68.
[10] 張小娟. 自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真 [J]. 電子設(shè)計(jì)工程, 2012, 20(5): 11-13. (ZHANG Xiaojuan. Adaptive Neuro Fuzzy Inference System (ANFIS) and Its Simulation [J]. Electronic Design Engineering, 2012, 20(5): 11-13.)
[11] 南敬昌, 周丹, 高明明, 等. 基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的功放預(yù)失真新方法 [J]. 計(jì)算機(jī)工程與應(yīng)用, 2016, 52(7): 96-100. (NAN Jingchang, ZHOU Dan, GAO Mingming, et al. A New Method of Power Amplifier Predistortion Based on Adaptive Fuzzy Neural Networks [J]. Computer Engineering and Applications, 2016, 52(7): 96-100.)
[12] Nickray M, Afzali-Kusha A, J?ntti R. Simultaneous Power Control and Power Management Algorithm with Sector-Shaped Topology for Wireless Sensor Networks [J]. EURASIP Journal on Wireless Communications and Networking, 2015, 2015(1): 1-16.
[13] Pillai G N, Pushpak J, Nisha M. Extreme Learning ANFIS for Control Applications [C]//2014 IEEE Symposium on Computational Intelligence in Control and Automation (CICA). Piscataway, NJ: IEEE, 2014: 1-8.
[14] Kubisch M, Karl H, Wolisz A, et al. Distributed Algorithms for Transmission Power Control in Wireless Sensor Networks [C]//Wireless Communications and Networking. Piscataway, NJ: IEEE, 2003: 558-563.
