游志勇，蘇彥莽，王羿帆，高小婷

（1.河北工業(yè)大學(xué)電子信息工程學(xué)院，天津 300401；2.河北工業(yè)大學(xué)天津市電子材料與器件重點(diǎn)實(shí)驗(yàn)室，天津 300401）

0 引 言

無線傳感器網(wǎng)絡(luò)（Wireless Sensor Network，WSN）是由長期部署在監(jiān)測區(qū)域內(nèi)的無線傳感器節(jié)點(diǎn)互相通信形成的多跳自組織系統(tǒng)[1]。無線傳感網(wǎng)絡(luò)技術(shù)已廣泛應(yīng)用于工業(yè)控制、智能家居、軍事安全、空間探測、精準(zhǔn)農(nóng)業(yè)、環(huán)境監(jiān)測等諸多領(lǐng)域。由于傳感器網(wǎng)絡(luò)節(jié)點(diǎn)主要依靠電池供電，頻繁更換電池勢必造成人力、物力的大量消耗，所以必須要高效率地使用能源，延長傳感器網(wǎng)絡(luò)的工作周期。傳統(tǒng)的數(shù)據(jù)監(jiān)測系統(tǒng)在信息采集和處理方面存在著一些缺陷[2]。傳感器節(jié)點(diǎn)的通信距離和處理能力有限，單節(jié)點(diǎn)只能提供部分信息，因而，傳感器節(jié)點(diǎn)在監(jiān)測范圍采取互相交叉重疊的方式部署，以獲得對(duì)象完整信息，但這會(huì)導(dǎo)致節(jié)點(diǎn)間數(shù)據(jù)冗余嚴(yán)重[3]。無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)能有效去除數(shù)據(jù)冗余性，減少通信開銷從而降低能耗，延長網(wǎng)絡(luò)壽命[4]。

為有效去除數(shù)據(jù)冗余性，信息采集能耗大，延長網(wǎng)絡(luò)壽命等問題，專家學(xué)者提出大量的數(shù)據(jù)融合算法對(duì)數(shù)據(jù)進(jìn)行網(wǎng)內(nèi)處理，提高網(wǎng)絡(luò)收集數(shù)據(jù)整體效率。文獻(xiàn)[5]提出一種數(shù)據(jù)分批估計(jì)自適應(yīng)加權(quán)融合算法，在一定程度上提高了數(shù)據(jù)的精確性，但并沒有加快數(shù)據(jù)融合進(jìn)程，網(wǎng)絡(luò)壽命沒有得到明顯的改善。文獻(xiàn)[6]提出在WSN中基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法，加快了BP神經(jīng)網(wǎng)絡(luò)的收斂速度，降低了數(shù)據(jù)冗余度，但網(wǎng)絡(luò)結(jié)構(gòu)選擇不一，通常由經(jīng)驗(yàn)選定。文獻(xiàn)[7]提出基于蟻群算法的BP神經(jīng)網(wǎng)絡(luò)ACO-BP 方法，有效地降低了網(wǎng)絡(luò)時(shí)延，無線信道頻譜資源得到充分的利用，但ACO 存在初始信息素不足，尋優(yōu)時(shí)間長，易陷入局部最優(yōu)狀態(tài)的缺點(diǎn)。本文基于前人提出的算法基礎(chǔ)上，為解決WSN 中數(shù)據(jù)冗余度高，減輕網(wǎng)絡(luò)的傳輸擁塞，降低數(shù)據(jù)傳輸延遲，提出一種智能化的數(shù)據(jù)融合算法——GA-ACO-BP（BP Neural Network Multisensor Data Fusion Algorithm Optimized by Genetic Algorithm and Ant Colony Optimization）。GA-ACO-BP算法利用遺傳算法搜索最優(yōu)解來初始化蟻群算法信息素分布，遺傳算法隨機(jī)生成的種群加快了蟻群算法收斂速度，避免陷入局部最優(yōu)。優(yōu)化后的蟻群算法更新BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值，優(yōu)化目標(biāo)函數(shù)收斂速度，提高數(shù)據(jù)精確度，采用GA-ACO-BP 算法對(duì)傳感器采集的數(shù)據(jù)進(jìn)行融合，可以減少網(wǎng)絡(luò)的通信量，節(jié)省能耗。

1 網(wǎng)絡(luò)模型

LEACH（Low Energy Adaptive Clustering Hierarchy）是MIT 的Heinzelman 等人為WSN 提出的一種低功耗自適應(yīng)聚類路由協(xié)議。LEACH 協(xié)議的特點(diǎn)是分級(jí)和數(shù)據(jù)融合，節(jié)點(diǎn)自組織成簇，選出若干個(gè)簇頭，簇內(nèi)成員通過CSMA MAC 協(xié)議將采集的數(shù)據(jù)發(fā)送至簇頭，由簇頭將信息發(fā)送至Sink 節(jié)點(diǎn)，在下一次循環(huán)中重新選擇簇首進(jìn)行數(shù)據(jù)傳輸，本輪數(shù)據(jù)通信階段選定的簇頭不會(huì)在下輪簇頭的選取中再次被選中，簇頭主要完成簇內(nèi)成員數(shù)據(jù)融合并與匯聚節(jié)點(diǎn)進(jìn)行通信，因此，簇頭的能量消耗非常大，為均衡地消耗網(wǎng)絡(luò)節(jié)點(diǎn)能量，各節(jié)點(diǎn)等概率地選為簇頭。采用LEACH 算法的WSN部分網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 部分網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Partial network structure

2 算法基礎(chǔ)

2.1 遺傳算法

遺傳算法（Genetic Algorithms，GA）是受到進(jìn)化理論啟示所發(fā)展的可計(jì)算模型之一，是一種借鑒生物界的進(jìn)化規(guī)律發(fā)展而來的“生存+檢測”的迭代過程的全局搜索算法。其基本原理是把問題的解表示成染色體，通過選擇、交叉、變異等操作產(chǎn)生下一代的染色體，并逐步淘汰適應(yīng)度函數(shù)值低的染色體，增加適應(yīng)度函數(shù)高的染色體，經(jīng)過n次迭代后，最終生成適應(yīng)度函數(shù)值很高的染色體。遺傳算法的三個(gè)基本操作如下：

1）選擇算子。選擇的目的是把適應(yīng)度高的個(gè)體，直接遺傳或配對(duì)交叉使之有機(jī)會(huì)成為父代種群，使用選擇算子對(duì)群體中的個(gè)體進(jìn)行優(yōu)劣淘汰操作。

2）交叉算子。交叉算子是遺傳算法的關(guān)鍵步驟，將種群中各個(gè)個(gè)體隨機(jī)配對(duì)，每一個(gè)體以交叉概率（Crossover Rate）來交換它們之間的部分染色體，體現(xiàn)了信息交換的思想。

3）變異算子。在群體中隨機(jī)選擇一個(gè)個(gè)體，以較小的概率對(duì)其基因座上的基因值進(jìn)行改變，模擬生物進(jìn)化的偶然事件。

2.2 蟻群優(yōu)化算法

蟻群優(yōu)化（Ant Colony Optimization，ACO）算法是通過模擬蟻群的協(xié)作覓食過程的計(jì)算算法，是一種基于種群尋優(yōu)的啟發(fā)式搜索算法[8]。其基本原理為：用螞蟻覓食路徑表征待優(yōu)化問題的可行解，所有螞蟻行走的路徑構(gòu)成優(yōu)化問題的解空間，較短路徑上螞蟻釋放的信息素量較多，螞蟻優(yōu)先選擇信息素濃度大的路徑作為最優(yōu)路徑，并釋放信息素，最終選擇這條路徑的螞蟻數(shù)量越來越多，在正反饋?zhàn)饔玫臋C(jī)制下集中到最佳路徑上，此時(shí)對(duì)應(yīng)的便是待優(yōu)化問題的最優(yōu)解。設(shè)存在n座城市，m只螞蟻，dij（i,j=1，2，…，n）為城市i，j的間距，τij(t)為t時(shí)刻在城市i，j路線上的信息素濃度，k為螞蟻根據(jù)信息素濃度選擇的路徑，pk ij(t)表示t時(shí)刻螞蟻k在i城市走向j城市的概率，公式如下：

蟻群算法搜索過程采用分布式計(jì)算方式，多個(gè)個(gè)體同時(shí)進(jìn)行計(jì)算，加快了算法計(jì)算能力和效率，采用正反饋機(jī)制，搜索過程逐步收斂，最終逼近最優(yōu)解。將遺傳算法引入蟻群算法系統(tǒng)，每一代形成的解作為初始種群，反復(fù)迭代，得到p，α，β的最優(yōu)組合，加快蟻群算法的收斂速度。

2.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）是一個(gè)基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類型的學(xué)習(xí)方法（Learning Method）逼近目標(biāo)函數(shù)，從多種角度對(duì)生物神經(jīng)系統(tǒng)不同層次的抽象和模擬，包括工作信號(hào)正向傳遞子過程，誤差信號(hào)反向傳遞子過程。無線傳感網(wǎng)絡(luò)存在大量的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)相當(dāng)于神經(jīng)系統(tǒng)的神經(jīng)元。通過對(duì)大量數(shù)據(jù)進(jìn)行運(yùn)算和處理，得到能夠反映數(shù)據(jù)特征的結(jié)論性結(jié)果[9]。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2 所示，分為三個(gè)層次，分別是輸入層、隱含層、輸出層。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Topological structure of BP neural network

圖2 中，X1，X2，…，Xn是神經(jīng)網(wǎng)絡(luò)的輸入向量，ωij是輸入層到隱含層之間的權(quán)值，ωjk是隱含層到輸出層之間的權(quán)值，Y1，Y2，…，Yn為網(wǎng)絡(luò)實(shí)際輸出值。

BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)理論證明了它能實(shí)現(xiàn)任何復(fù)雜非線性映射功能，有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)能力。但它的權(quán)值通過局部改善逐步調(diào)整，存在局部極小化問題，且BP神經(jīng)網(wǎng)絡(luò)算法收斂速度慢，初始權(quán)值具有隨機(jī)性，需要長時(shí)間的學(xué)習(xí)訓(xùn)練。

3 算法實(shí)現(xiàn)

本文基于LEACH 協(xié)議構(gòu)建無線傳感網(wǎng)絡(luò)路由協(xié)議，根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型，簇內(nèi)形成的簇頭為人工神經(jīng)網(wǎng)絡(luò)輸出層，節(jié)點(diǎn)組成的簇為人工神經(jīng)網(wǎng)絡(luò)的輸入層，隱含層節(jié)點(diǎn)的個(gè)數(shù)根據(jù)經(jīng)驗(yàn)式（2）可得：

式中：h為隱含層節(jié)點(diǎn)個(gè)數(shù)；m為輸入層節(jié)點(diǎn)個(gè)數(shù)；n為輸出層節(jié)點(diǎn)個(gè)數(shù)；a為1～10 之間的調(diào)節(jié)常數(shù)。

GA-ACO-BP 算法實(shí)現(xiàn)流程圖如圖3 所示。確定BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)、神經(jīng)網(wǎng)絡(luò)的連接權(quán)值、閾值，每只螞蟻從隱含層節(jié)點(diǎn)構(gòu)造解空間，如果螞蟻選擇了該節(jié)點(diǎn)，根據(jù)上一層的權(quán)值和閾值的集合中選取一個(gè)元素，否則，跳轉(zhuǎn)至下一節(jié)點(diǎn)。同時(shí)，根據(jù)規(guī)則更新信息素。在蟻群算法中加入遺傳算法的交叉算子和變異算子，對(duì)待交叉的個(gè)體適應(yīng)度值進(jìn)行重構(gòu)，變異過程采用高斯方法的正態(tài)隨機(jī)數(shù)替換基因序列，計(jì)算出適應(yīng)度值，查看是否達(dá)到目標(biāo)要求，若達(dá)到將最優(yōu)解傳輸至BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，否則當(dāng)前迭代次數(shù)加1，清空路徑記錄表，構(gòu)造解空間，直至算法滿足終止條件。BP神經(jīng)網(wǎng)絡(luò)對(duì)蟻群算法的尋優(yōu)結(jié)果進(jìn)一步訓(xùn)練，計(jì)算預(yù)測誤差，更新權(quán)值、閾值。

圖3 GA-ACO-BP 算法流程圖Fig.3 Flow chart of GA-ACO-BP algorithm

主要步驟為：

1）確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始化設(shè)置，包括輸入層-隱含層的權(quán)值ωij，隱含層閾值αj，隱含層-輸出層的權(quán)值ωjk，輸出層閾值βq，記所有參數(shù)為q1,q2,…,qn，形成一個(gè)隨機(jī)可取任一一個(gè)不為零的元素集合Ini，初始信息素πj(Ini)(t)=c, 1 ≤j≤n，螞蟻數(shù)量S，目標(biāo)函數(shù)誤差Eo等。

2）對(duì)蟻群中的S只螞蟻進(jìn)行搜索，按式（3）的概率公式隨機(jī)在集合中選擇一條路徑，當(dāng)全部的螞蟻都到達(dá)目標(biāo)源為止。螞蟻α(α=1,2,…,S)在Ini中選擇j元素的概率為：

適應(yīng)度函數(shù)與算法效果、評(píng)估個(gè)體適應(yīng)度關(guān)聯(lián)密切，結(jié)合實(shí)際目標(biāo)優(yōu)化參數(shù)確定適應(yīng)度函數(shù)：適應(yīng)度函數(shù)值非負(fù)、唯一值；函數(shù)復(fù)雜度低；合理、一致性。采用聚類算法效果評(píng)測的FMeasure函數(shù)定義F=FMeasure作為本算法的適應(yīng)度函數(shù)，F(xiàn)-FMeasure值越小目標(biāo)函數(shù)適應(yīng)度越低，故將F-FMeasure目標(biāo)函數(shù)轉(zhuǎn)變?yōu)樽畲蠡瘑栴}。

3）構(gòu)造解空間，更新信息素。從蟻群規(guī)模S中隨機(jī)挑選h數(shù)量個(gè)體，h=[r?S]，r為動(dòng)態(tài)變化選取率；選擇群體中信息素濃度最大的個(gè)體MAX(πj(Ini))為最優(yōu)解，螞蟻i下次行走路徑為i=(1-λ)πi(Ini)+λMAX(πj(Ini))，得出當(dāng)前迭代最優(yōu)解πj(Ini)best，在螞蟻i領(lǐng)域局部搜索，尋優(yōu)規(guī)則表達(dá)式如下：

式中：δ=0.1?rand()，若，公式（5）取“+”，否則為“-”，其中πj(Ini)best?0.01，h為動(dòng)態(tài)搜索步長，對(duì)應(yīng)的更新公式為：

式中：hmax與hmin為預(yù)設(shè)常量；Iter與Itermax分別為當(dāng)前迭代次數(shù)、最大迭代次數(shù)。

當(dāng)所有的螞蟻都遍歷完集合中的元素后，對(duì)路徑上的信息更新，選用Ant-Cycle 模型更新信息素，按式（7）進(jìn)行調(diào)整：

式中：ρ代表信息素?fù)]發(fā)系數(shù)表示第k只螞蟻在本次循環(huán)集合Ini里的j元素路徑上的信息量[10]。

4）對(duì)蟻群進(jìn)行交叉、變異算法操作。交叉算法中選擇通用性強(qiáng)的單點(diǎn)交叉（one-point crossover）算子，在序列中隨機(jī)選擇一個(gè)交叉點(diǎn)，以這個(gè)交叉點(diǎn)為界限，將兩個(gè)個(gè)體染色體結(jié)構(gòu)交叉互換，產(chǎn)生兩個(gè)新的序列。采用符合高斯算法的正態(tài)隨機(jī)數(shù)均值μ、方差σ的正態(tài)分布以較小概率改變基因座上的基因值進(jìn)行變異運(yùn)算，變異運(yùn)算主體包括兩個(gè)元素(x,σ)，x為蟻群下一路徑節(jié)點(diǎn)，生成新個(gè)體表達(dá)式為：

式中：N(0,Δσ′)的均值為0，方差為σ。

根據(jù)適應(yīng)度函數(shù)F-FMeasure計(jì)算個(gè)體適應(yīng)度，計(jì)算每只螞蟻搜索路徑值和時(shí)間，判斷是否滿足當(dāng)前最優(yōu)解，若是最優(yōu)解轉(zhuǎn)入步驟5），否則轉(zhuǎn)入步驟3）。

5）將蟻群算法的尋優(yōu)結(jié)果發(fā)送至BP神經(jīng)網(wǎng)絡(luò)，計(jì)算期望結(jié)果與預(yù)測結(jié)果的誤差e。

式中：Oq為期望值；Yq為預(yù)測值；q為神經(jīng)元數(shù)量。

6）根據(jù)步驟5）的結(jié)果，按式（11）～式（14）更新神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值：

式中：Hi為輸入層值；Hj為隱含層值；η為學(xué)習(xí)率參數(shù)。

7）若輸出結(jié)果的精度滿足要求，算法結(jié)束，輸出最優(yōu)解，否則轉(zhuǎn)入步驟5）。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 設(shè)置相關(guān)參數(shù)

為了評(píng)價(jià)本文GA-ACO-BP 算法性能，選用Matlab R2016a 軟件工具對(duì)本文算法仿真顯示，計(jì)算機(jī)硬件配置處理器Inter?CoreTMi5-7300HQ 2.5 GHz，運(yùn)行內(nèi)存8.00 GB，64 位操作系統(tǒng)。在目標(biāo)區(qū)域100 m×100 m 范圍內(nèi)隨機(jī)部署100 個(gè)節(jié)點(diǎn)，匯聚節(jié)點(diǎn)坐標(biāo)為（0，0），節(jié)點(diǎn)初始能量為0.5 J，具體參數(shù)定義見表1，GA-ACO-BP 算法的訓(xùn)練在匯聚節(jié)點(diǎn)完成，在網(wǎng)絡(luò)節(jié)點(diǎn)用GA-ACO-BP算法對(duì)數(shù)據(jù)融合處理。

表1 實(shí)驗(yàn)具體參數(shù)Table 1 Specific parameters for experiment

4.2 仿真實(shí)驗(yàn)與結(jié)果分析

本次仿真結(jié)果主要對(duì)LEACH，ACO-BP 和GA-ACOBP 三種算法進(jìn)行網(wǎng)絡(luò)性能對(duì)比，節(jié)點(diǎn)能耗對(duì)比結(jié)果如圖4 所示?？梢钥闯?，GA-ACO-BP 算法與LEACH 算法、ACO-BP 算法相比，網(wǎng)絡(luò)能量消耗下降最慢，原因在于ACO 的并行性和正反饋機(jī)制結(jié)合GA 的快速搜索、全局收斂性，快速找到數(shù)據(jù)融合移動(dòng)代理路由，節(jié)省能耗；而ACO-BP 算法未在GA 算法中優(yōu)化，尋優(yōu)時(shí)間較長，融合精度不高。

圖4 數(shù)據(jù)融合算法能耗對(duì)比Fig.4 Comparison of energy consumption of data fusion algorithms

LEACH 算法基于分布式分簇，簇頭的選擇不合理和數(shù)據(jù)融合效果不理想，直接影響到節(jié)點(diǎn)能耗，通過圖5 可以看出，在大約1 000 輪中節(jié)點(diǎn)開始出現(xiàn)死亡，而ACO-BP 算法利用神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)信息特征提取，融合了部分感知數(shù)據(jù)，在大約1 200 輪才出現(xiàn)節(jié)點(diǎn)死亡，與LEACH 算法相比網(wǎng)絡(luò)壽命約延長了20%；而GA-ACO-BP算法網(wǎng)絡(luò)性能最好，有效去除了冗余數(shù)據(jù)，節(jié)點(diǎn)能耗最低，在大約1 350 輪的時(shí)候節(jié)點(diǎn)出現(xiàn)死亡，與LEACH 算法相比網(wǎng)絡(luò)壽命約延長了35%，所以它的網(wǎng)絡(luò)生命周期最長。

圖5 節(jié)點(diǎn)生命周期對(duì)比Fig.5 Comparison of node life cycles of three algorithms

Sink 節(jié)點(diǎn)接收的數(shù)據(jù)量仿真結(jié)果如圖6 所示。隨著時(shí)間的推移，基于LEACH 路由算法存在數(shù)據(jù)冗余現(xiàn)象，簇頭節(jié)點(diǎn)過多的數(shù)據(jù)包造成網(wǎng)絡(luò)傳輸堵塞，數(shù)據(jù)包丟失嚴(yán)重。ACO-BP 算法在一定程度上優(yōu)化了網(wǎng)絡(luò)性能，但求解時(shí)間長，搜索能力受限，數(shù)據(jù)融合效果不理想；GA-ACO-BP 算法與ACO-BP 算法、LEACH 算法相比，在Sink 節(jié)點(diǎn)接收的數(shù)據(jù)量最多，這是由于GA-ACOBP 算法對(duì)網(wǎng)絡(luò)性能進(jìn)行了優(yōu)化，快速找到全局最優(yōu)解，改善了BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合效果，減少數(shù)據(jù)冗余，降低數(shù)據(jù)傳輸延遲，提高了無線信道利用率。

圖6 Sink 節(jié)點(diǎn)接收數(shù)據(jù)量Fig.6 Amount of data received by sink node

GA-ACO-BP算法與ACO-BP算法的收斂性對(duì)比如圖7所示。ACO-BP 算法迭代次數(shù)在33 時(shí)收斂，GA-ACO-BP算法迭代次數(shù)在21 時(shí)收斂，顯然GA-ACO-BP 算法有著更快的收斂速度，這是因?yàn)樵谙伻核惴ㄖ幸脒z傳算法的交叉算子和變異算子擴(kuò)大了蟻群算法搜索空間，避免陷入局部最優(yōu)，提高了蟻群算法的搜索能力和收斂速度。

5 結(jié) 語

本文從節(jié)省節(jié)點(diǎn)能耗，提高網(wǎng)絡(luò)收集數(shù)據(jù)的整體效率的目的出發(fā)，對(duì)WSN 中傳感器采集的信息進(jìn)行數(shù)據(jù)融合處理，減少了需要傳輸?shù)臄?shù)據(jù)量。遺傳算法搜索最優(yōu)解來初始化蟻群算法信息素分布，優(yōu)化后的蟻群算法更新BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值，快速求得目標(biāo)函數(shù)最優(yōu)解。通過對(duì)GA-ACO-BP 算法仿真測試，并與WSN 傳統(tǒng)的LEACH 算法和ACO-BP 算法進(jìn)行綜合對(duì)比，GA-ACO-BP 算法在收斂速度、降低節(jié)點(diǎn)功耗、Sink節(jié)點(diǎn)接收的數(shù)據(jù)量等性能指標(biāo)方面，都要優(yōu)于LEACH和ACO-BP 算法，具有一定的應(yīng)用價(jià)值。

圖7 算法迭代對(duì)比Fig.7 Iterative comparison of two algorithms