楊明麗 路 翀

1(新疆交通職業(yè)技術(shù)學(xué)院運輸管理學(xué)院 新疆 烏魯木齊 831401) 2(新疆財經(jīng)大學(xué)信息管理學(xué)院 新疆 烏魯木齊 830012)

0 引 言

隨著軟計算的發(fā)展，無線傳感器網(wǎng)絡(luò)(WSN)在災(zāi)害預(yù)警系統(tǒng)、醫(yī)療保健、環(huán)境監(jiān)測、安全以及監(jiān)視、入侵檢測、防御偵察等關(guān)鍵領(lǐng)域具有廣闊的應(yīng)用前景[1-2]。傳感器節(jié)點包含數(shù)據(jù)聚合單元、傳感單元、通信組件、能量單元。每個傳感器節(jié)點可以配置全球定位系統(tǒng)以在給定目標(biāo)區(qū)域或區(qū)域內(nèi)前進(jìn)。傳感器網(wǎng)絡(luò)用于從環(huán)境中收集數(shù)據(jù)并構(gòu)建有關(guān)監(jiān)控對象的推論。這些傳感器節(jié)點通常由于功率和帶寬限制而具有有限的通信能力。由于WSN的傳感器節(jié)點電源一般是由電量有限的電池提供，如何高效率利用傳感器能量、提高網(wǎng)絡(luò)生命周期是路由算法研究的重點工作之一[3-4]。因此，研究無線傳感器網(wǎng)絡(luò)的能量消耗以及如何提升其使用生命周期具有很好的現(xiàn)實意義和實用價值。

國內(nèi)外許多專家及學(xué)者圍繞無線傳感器的能量消耗以及如何提升其使用生命周期的問題展開了深入的研究。文獻(xiàn)[5]基于均衡節(jié)點通信負(fù)載選擇簇頭，并且簇頭與基站的通信使用多跳方式，以彌補單跳通信中存在能耗過大的問題。但該通信方式造成離基站近的簇頭會高頻率地傳送離基站遠(yuǎn)的簇頭信息，加劇節(jié)點死亡。文獻(xiàn)[6]中利用非均勻分簇的方式動態(tài)調(diào)整簇半徑，以縮減離基站近的簇通信半徑，實現(xiàn)網(wǎng)絡(luò)負(fù)載均衡。文獻(xiàn)[7-8]基于節(jié)點的剩余能量調(diào)節(jié)下一跳的選取方位，但該方法容易出現(xiàn)局部最優(yōu)，而無法實現(xiàn)網(wǎng)絡(luò)總體低能耗的目標(biāo)。文獻(xiàn)[9]利用模糊理論與蟻群算法融合的方式構(gòu)建網(wǎng)絡(luò)路由，該算法提高了網(wǎng)絡(luò)節(jié)點的存活率，但兩個算法的權(quán)重分配具有主觀性，因此結(jié)果的準(zhǔn)確性需要進(jìn)一步驗證。因此，以上算法仍有一定的創(chuàng)新和改進(jìn)空間[10]。

本文提出的模糊神經(jīng)網(wǎng)絡(luò)結(jié)合粒子群算法(FNNPSO)的WSN路由優(yōu)化算法，利用模糊邏輯推理明確簇頭的選擇，以加強簇內(nèi)架構(gòu)的穩(wěn)定性，并且簇間選擇合適的中繼節(jié)點，可增強簇間路由的健壯性與可靠性。其主要創(chuàng)新點為：

(1) 現(xiàn)有的大多數(shù)算法易陷入局部最優(yōu)，無法實現(xiàn)網(wǎng)絡(luò)整體低能耗，而本文算法運用模糊神經(jīng)網(wǎng)絡(luò)推理選擇簇頭，由熵權(quán)法確定簇頭節(jié)點指標(biāo)的權(quán)重，并且采用神經(jīng)網(wǎng)絡(luò)推理的評估標(biāo)準(zhǔn)獲得簇頭的轉(zhuǎn)發(fā)概率，從而選取最優(yōu)的中繼節(jié)點，逐層完成信息傳輸，提高了網(wǎng)絡(luò)生命周期和整體網(wǎng)絡(luò)性能。

(2) 現(xiàn)有的大多數(shù)算法中，節(jié)點選取的約束條件較少且WSN的能量損耗較大，而本文算法考慮中繼節(jié)點的數(shù)量、網(wǎng)關(guān)到基站之間的距離和網(wǎng)絡(luò)的中繼負(fù)載因子，設(shè)計了新型適應(yīng)度函數(shù)，降低了網(wǎng)絡(luò)的能量消耗，提高了簇內(nèi)結(jié)構(gòu)的穩(wěn)定性。

(3) 現(xiàn)有的大多數(shù)算法中，提高了網(wǎng)絡(luò)節(jié)點的存活率，但權(quán)重分配的主觀性導(dǎo)致評價結(jié)果說服力不強，而本文算法利用模糊邏輯推理明確簇頭的選擇，且利用優(yōu)化后的粒子群算法選取簇間中繼節(jié)點，以增強簇間路由的健壯性與可靠性。

實驗結(jié)果表明，提出的優(yōu)化算法相比其他幾種較新的算法，有效降低了網(wǎng)絡(luò)的能量消耗，提高了網(wǎng)絡(luò)生命周期，提升了網(wǎng)絡(luò)性能。

1 算法介紹

1.1 模糊神經(jīng)網(wǎng)絡(luò)模型設(shè)計

1.1.1簇頭選取

(1) 明確模糊變量。模糊變量包括節(jié)點的相對剩余能量、向心率、成功發(fā)送率和成為簇頭的概率值。其中節(jié)點相對剩余能量Err是當(dāng)前能量與簇內(nèi)其他節(jié)點(節(jié)點總數(shù)為n)剩余能量均值的比值，該值越大，則成為簇頭的可能性越大[11]。Err的計算如下：

(1)

節(jié)點向心率(Near Heart Rate，NHR)是簇頭—基站的距離與簇頭—簇內(nèi)節(jié)點的距離之和的倒數(shù)，距離越小，NHR越大，因此該值可作為平衡能量損耗的標(biāo)準(zhǔn)。NHR的計算如下：

(2)

式中：dij是簇頭與簇內(nèi)節(jié)點之間的距離；dtoBS(i)是簇頭與基站之間的距離。

節(jié)點成功發(fā)送率為數(shù)據(jù)成功傳送至目的地的比率，計算如下：

(3)

式中：Dr是目的節(jié)點收到的信息；Tr是節(jié)點已發(fā)送信息的總量；σ是下一跳節(jié)點是否存在相鄰節(jié)點的因子。

此外，節(jié)點成為簇頭的概率利用模糊變量概率值獲取。

(2) 構(gòu)建模糊規(guī)則庫。利用上述四個模糊變量構(gòu)建規(guī)則庫如表1所示。其節(jié)點相對剩余能量越少，向心率越小，成功發(fā)送率越小，節(jié)點成為簇頭的概率就越低，反之則概率值越高[12]。

表1 模糊規(guī)則

(3) 解模糊化。根據(jù)模糊規(guī)則獲得的是模糊量，但不可直接使用，因此需要一個解模糊化的過程[13]。經(jīng)典的解模糊化方法有最大隸屬度法、重心法、加權(quán)平均法等。由于加權(quán)平均法的運算量小且易于使用，因此本文方法的解模糊化過程采用此方法。

1.1.2熵權(quán)自適應(yīng)分簇

高質(zhì)量的路由中繼節(jié)點能夠很大程度地提高鏈路的性能。在進(jìn)行該中繼節(jié)點選取的過程中，首先利用熵權(quán)法明確簇頭權(quán)重，然后結(jié)合綜合評估法明確中繼節(jié)點。

(2) 明確中繼節(jié)點。利用模糊綜合評估法選擇中繼節(jié)點的流程如下。

步驟1各傳輸層的簇頭指標(biāo)向量計算如下：

CHlm(ErrNHRSSR)T，其中：l=1，2，…，L；m=1，2，…，M。

步驟2根據(jù)簇頭指標(biāo)向量及其權(quán)重，第l層中簇頭的綜合評估數(shù)值理論推導(dǎo)為：

CVCH-lm=ωn×CHlm

(4)

式中：l=1，2，…，L；m=1，2，…，M。

步驟3各層簇頭的轉(zhuǎn)發(fā)概率為：

(5)

式中：PCH-lm是第m(m=1,2,…,M)個簇頭在同一傳輸層簇頭中的轉(zhuǎn)發(fā)概率。

(3) 路由優(yōu)化的神經(jīng)網(wǎng)絡(luò)分類。假定路由的輸入層中存在2n個一樣的神經(jīng)元，并結(jié)合其屬性獲得神經(jīng)元的狀態(tài)usi(k)表達(dá)：

usi(k)=netsi(k)

(6)

式中：net表示神經(jīng)元網(wǎng)絡(luò)。

而針對n組不正常網(wǎng)絡(luò)數(shù)據(jù)中呈現(xiàn)弱相關(guān)特征，利用模糊神經(jīng)網(wǎng)絡(luò)分類對其進(jìn)行自適應(yīng)訓(xùn)練。訓(xùn)練式表述為：

(7)

式中：rs表示卷積層；ys表示輸出層。

經(jīng)過神經(jīng)網(wǎng)絡(luò)分類算法，得到的神經(jīng)元輸出為：

(8)

在上述分析運算的基礎(chǔ)上，結(jié)合神經(jīng)元輸出的測量偏差作相應(yīng)的自適應(yīng)修正，以此獲得不正常網(wǎng)絡(luò)數(shù)據(jù)挖掘的輸出偏差e。其偏差表述如下：

(9)

式中：φa表示神經(jīng)元a的測量偏差；φad表示神經(jīng)元ad的測量偏差。

1.2 利用FNNPSO的WSN路由優(yōu)化算法

在基于集群的WSN中，傳感器節(jié)點被分成若干組，稱為集群。每個集群都有一個簇頭(Cluster Heads，CH)，其從附近的傳感器節(jié)點收集數(shù)據(jù)并處理該數(shù)據(jù)，然后直接或通過其他CH發(fā)送到基站。在基于集群的WSN中，與其他傳感器節(jié)點相比，CHs具有更多的工作負(fù)載。因此需要更好的方式以高效地利用其電池電量。網(wǎng)關(guān)可以根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)備的可用性將數(shù)據(jù)發(fā)送到另一個網(wǎng)關(guān)或直接發(fā)送到基站。網(wǎng)關(guān)的數(shù)據(jù)處理能力與其功率成正比[14]。如果任何網(wǎng)關(guān)由于缺乏能量而出現(xiàn)故障，則會影響網(wǎng)絡(luò)中的相關(guān)設(shè)備。如果任何中間節(jié)點發(fā)生故障，則使用此中間節(jié)點的節(jié)點必須搜索其他備用節(jié)點以發(fā)送數(shù)據(jù)，并對新識別的備用節(jié)點造成更多負(fù)載。使用網(wǎng)關(guān)之間的高效路由可以緩解這個問題。

PSO的靈感來源于自然界中的魚類群體和鳥類群體活動。這些鳥類為了搜索食物或住所，經(jīng)常一起活動，卻沒有任何碰撞。群組中的每個成員通過調(diào)整其速度和位置來跟蹤組信息，由于共享群組信息，在群組中搜索食物和住所的每個鳥或成員個體減少[15]。

FNNPSO由預(yù)定義數(shù)量的粒子(Sn)組成，每個粒子為特定的問題實例提供解決方案。每個粒子將通過適應(yīng)度函數(shù)進(jìn)行評估。所有顆粒具有相同的尺寸。每個粒子Pi在超空間的第d維中具有位置(Pi,d)和速度(Veli,d)。因此，在任何時間點，粒子Pi都表示為：

Pi={Pi,1,Pi,2,Pi,3,…,Pi,d}

(10)

為了達(dá)到全局最佳位置，每個粒子Pi都遵循自己的最佳(Lbesti)和全局最佳(Gbest)來迭代地更新其位置和速度。使用式(10)和式(11)執(zhí)行遞歸位置(Pi,d)和速度(Veli,d)更新。

Veli,d(t+1)=w×Veli,d(t)+a1×r1×

(Lbesti,d-Pi,d(t))+a2×

r2×Gbestd-Pi,d(t)

(11)

Pi,d(t+1)=Pi,d(t)+Veli,d(t)

(12)

式中：w是慣性權(quán)重；a1和a2是加速常數(shù)，它們是非負(fù)實數(shù)；r1和r2是均勻分布的[0,1]范圍內(nèi)的兩個隨機數(shù)。重復(fù)此更新過程，直到找到全局最佳或達(dá)到最大迭代次數(shù)。整個算法的過程如圖1所示。

圖1 FNNPSO算法流程

1.2.1粒子初始化

每個粒子編碼為網(wǎng)絡(luò)(包含從每個網(wǎng)關(guān)(gi)到基站Bs的路徑)。每個粒子Pi的尺寸為D(CH或網(wǎng)關(guān)的數(shù)量)。用范圍(0,1]中均勻分布的隨機生成的數(shù)字初始化每個網(wǎng)關(guān)(Pi,d|||1≤i≤Sn,1≤d≤D)。第d個網(wǎng)關(guān)的值(即Pi,d指定一個新節(jié)點(比方說gk)到gd作為Bs的直接鄰居。也就是說，gd將數(shù)據(jù)發(fā)送給gk，gk將數(shù)據(jù)發(fā)送給Bs。圖2為具有12個網(wǎng)關(guān)和一個基站的WSN拓?fù)洹?/p>

圖2 具有12個網(wǎng)關(guān)和一個基站的WSN拓?fù)?/p>

1.2.2位置和速度更新

在每次迭代中，使用式(11)和式(12)更新每個粒子的位置和速度。在更新粒子的速度和位置時，由于代數(shù)加法和減法，可能會獲得新的位置。新位置值可以小于或等于0，或者大于1。但是粒子位置必須在(0,1)的范圍內(nèi)。為了得到正確的范圍值，必須在提出的算法中進(jìn)行以下更改：

(1) 如果更新的位置值小于或等于零，則使用新生成的隨機數(shù)修改該值，該隨機數(shù)的值趨于零。

(2) 如果更新的位置值高于1，則將值修改為1。

在獲得修改的位置之后，使用適應(yīng)度函數(shù)來評估粒子Pi。每個粒子最佳適應(yīng)值Lbesti本身都會被修改，只有當(dāng)它的當(dāng)前適應(yīng)值優(yōu)于Lbesti適應(yīng)值時。在滿足終止條件(迭代次數(shù))之前，以迭代方式更新速度和位置值。在終止基于PSO的路由算法之后，最終解決方案由Gbest表示。

1.2.3適應(yīng)度函數(shù)

為了評估所產(chǎn)生的粒子網(wǎng)絡(luò)的良好性，提出一種新的適應(yīng)度函數(shù)。擬議的適應(yīng)度函數(shù)在式(13)中給出。從式(13)中可以清楚地看出，所提出的適應(yīng)度函數(shù)是通過考慮三個目標(biāo)而構(gòu)成的。第一個目標(biāo)是最小化到基站的網(wǎng)關(guān)之間的最大距離。第二個目標(biāo)是最小化網(wǎng)關(guān)(網(wǎng)關(guān)到基站之間)用于數(shù)據(jù)傳輸?shù)闹欣^節(jié)點的數(shù)量。第三個目標(biāo)是最小化網(wǎng)絡(luò)的中繼負(fù)載因子。

F=α×objective1+β×objective2+γ×objective3

objective1:minimisze{distance(gi,RelayNodes(gi))},1≤i≤N

objective2:minimisze{RelayNodeCount(gi)},1≤i≤N

objective3:minimisze{RelayLoadFactor}

(13)

式中：α、β和γ分別表示三個目標(biāo)的權(quán)重，且α+β+γ=1，0<α,β,γ≤1；RelayLoadFactor=所有中繼節(jié)點的總和RelayLoad值，其RelayLoad值高于AvgRelayLoad值。即:

RelayLoad(gi)≥AvgRelayLoad}

(14)

式中：RelayLoad(gi)=直接或間接通過gi發(fā)送數(shù)據(jù)的網(wǎng)關(guān)數(shù)。

如果網(wǎng)關(guān)gi不作為中繼節(jié)點參與，則RelayLoad(gi)為零。AvgRelayLoad的計算如式(15)所示。

(15)

為了更好的解決方案，需要最小化適應(yīng)度函數(shù)，即較低的適應(yīng)度值表示最佳網(wǎng)絡(luò)。

圖3為隨機粒子的表示圖，中繼節(jié)點為{g2,g5,g6,g8,g9,g11,g12}。{g2,g5,g6,g8,g9,g11,g12}的RelayLoad值分別為{2,31,4,3,9,11}。

圖3 隨機粒子的表示圖

然后AvgRelayLoad=「33」/7=4且RelayLoadFactor=4+9+11=24。

請注意，在實現(xiàn)上述目標(biāo)中的任何一個時，可能會放松對其他目標(biāo)的控制。應(yīng)該將所有三個目標(biāo)都包括在單個適應(yīng)度函數(shù)中并使其最小。為了克服目標(biāo)之間的貿(mào)易問題，使用加權(quán)和方法通過考慮所有目標(biāo)來制定提出的適應(yīng)度函數(shù)。

2 實 驗

2.1 實驗準(zhǔn)備及相關(guān)參數(shù)

基于MATLAB仿真平臺，將本文算法與文獻(xiàn)[6]、文獻(xiàn)[8]中算法進(jìn)行對比分析。其中參數(shù)設(shè)置：節(jié)點區(qū)域設(shè)為320 m×320 m，節(jié)點總數(shù)N=400，節(jié)點能量的初始值Einit=0.5 J，多路徑衰減和自由空間信道模型的能量消耗分別為εmp=0.001 5 pJ/(bit·m4)和εfs=10 pJ/(bit·m2)，數(shù)據(jù)包長度L=4 000 bit，距離最大值d0=87 m，電路能量損耗Eelee=50 nJ/bit。

本文算法中，任一節(jié)點成為簇頭的概率值取決于節(jié)點的相對剩余能量、向心率和成功發(fā)送率。如果三個因素中的任意一個數(shù)值較低，即使其他兩個數(shù)值都較高，節(jié)點成為簇頭的可能性都較小；此外，當(dāng)節(jié)點相對剩余能量越多、向心率越大、成功發(fā)送率越大時，其成為簇頭的可能性就越高。

使用MATLAB 2016a工具和C++語言實現(xiàn)本文方法。所有實驗都是在兩個不同的WSN場景下進(jìn)行的，即WSN1和WSN2。WSN1和WSN2由50到70個網(wǎng)關(guān)和100到400個傳感器節(jié)點組成。WSN1和WSN2僅在網(wǎng)絡(luò)結(jié)構(gòu)(拓?fù)?和基站放置中有所區(qū)別。WSN1和WSN2的基站位置分別為(150,200)和(300,200)。表2顯示了WSN1和WSN2的常見模擬參數(shù)。為了進(jìn)行比較，實現(xiàn)了文獻(xiàn)[6]算法和文獻(xiàn)[8]算法。為了驗證本文方法的性能，將其與文獻(xiàn)[6]和文獻(xiàn)[8]所提算法在網(wǎng)絡(luò)能量消耗、網(wǎng)絡(luò)生命周期、總跳數(shù)和平均中繼負(fù)載方面進(jìn)行比較。

表2 實驗?zāi)M參數(shù)

2.2 實驗結(jié)果及對比

2.2.1網(wǎng)絡(luò)能量消耗

本文算法與文獻(xiàn)[6]、文獻(xiàn)[8]中方法在網(wǎng)絡(luò)能量損耗方面的性能對比結(jié)果如圖4所示。

圖4 三種算法網(wǎng)絡(luò)能耗對比

可以看出，各個算法在初始階段的節(jié)點相對剩余能量較多，而能量損耗的差值不大，不過該值會隨著網(wǎng)絡(luò)運行輪數(shù)的上升而增加?？傮w上，文獻(xiàn)[6]和文獻(xiàn)[8]中算法的能耗量均高于本文算法，并且曲線的上升幅度也比本文算法快，由此可說明本文算法可降低網(wǎng)絡(luò)的能量損耗。

2.2.2網(wǎng)絡(luò)生命周期

本文算法與文獻(xiàn)[6]、文獻(xiàn)[8]中方法在網(wǎng)絡(luò)生命周期方面的性能對比結(jié)果如圖5所示。

圖5 三種算法網(wǎng)絡(luò)生命周期對比

可以看出，相較于文獻(xiàn)[6]和文獻(xiàn)[8]，本文算法中所有節(jié)點死亡時間有了一定的延長。由于算法利用模糊邏輯推理算法深層次地評價節(jié)點的性能，根據(jù)熵權(quán)法全面剖析各個因素后獲得中繼節(jié)點，如此可進(jìn)一步平衡網(wǎng)絡(luò)負(fù)載，進(jìn)而增加節(jié)點的存活時間。

對多個傳感器節(jié)點100、200、300和400執(zhí)行實驗。對于WSN1和WSN2兩者，網(wǎng)絡(luò)的生命周期是根據(jù)輪數(shù)(網(wǎng)絡(luò)有多少輪數(shù))來計算的。對于50、60和70個網(wǎng)關(guān)，WSN1的實驗結(jié)果如圖6所示。類似地，圖7中展示了用于50、60和70個網(wǎng)關(guān)的WSN2結(jié)果。從結(jié)果可以看出，與現(xiàn)有技術(shù)相比，使用本文方法延長了WSN1和WSN2的生命周期。這是因為通過替代路由路徑重定向來平衡特定中繼節(jié)點上的負(fù)載。此過程有時可能會選擇較長的路由路徑作為替代方案。它增加了跳數(shù)，但整體負(fù)載分配是正確的。因此，它將增加網(wǎng)絡(luò)生命周期。

(a) 與50個網(wǎng)關(guān)的生命周期比較

(a) 與50個網(wǎng)關(guān)的生命周期比較

2.2.3總跳數(shù)

對多個網(wǎng)關(guān)50、60和70執(zhí)行實驗，對于WSN1和WSN2兩者，根據(jù)網(wǎng)關(guān)之間的通信計算跳數(shù)(每個網(wǎng)關(guān)到達(dá)基站需要多少跳數(shù))。對于50、60和70個網(wǎng)關(guān)，WSN1的實驗結(jié)果如圖8(a)所示。類似地，圖8(b)中示出了50、60和70個網(wǎng)關(guān)的WSN2結(jié)果。從結(jié)果可以看出，與現(xiàn)有文獻(xiàn)[9]算法和PSO相比，本文方法有時需要更多的跳數(shù)。這是因為如果任意中繼節(jié)點負(fù)載很重，那么本文方法選擇另一個可能更長的備選路由路徑。雖然本文方法有時會選擇更長的路由路徑，但這有助于延長網(wǎng)絡(luò)的使用生命周期。

(a) WSN1

2.2.4平均中繼負(fù)載

對多個網(wǎng)關(guān)50、60和70進(jìn)行實驗，對于WSN1和WSN2，網(wǎng)絡(luò)上的平均中繼負(fù)載被計算為網(wǎng)絡(luò)中所有中繼負(fù)載的平均值。對于50、60和70個網(wǎng)關(guān)，WSN1的這些實驗結(jié)果在圖9(a)中示出。類似地，圖9(b)中顯示了50、60和70個網(wǎng)關(guān)的WSN2結(jié)果?？梢钥闯?，與現(xiàn)有文獻(xiàn)[6]算法和文獻(xiàn)[8]算法相比，本文方法需要更少的平均繼電器負(fù)載。這是由于在提出的適應(yīng)度函數(shù)中考慮了中繼負(fù)載因子。

(a) WSN1

3 結(jié) 語

本文提出一種WSN中利用熵權(quán)自適應(yīng)分簇和改進(jìn)PSO的路由算法，通過MATLAB完成仿真實驗，相比其他幾種較新的算法，本文算法可以有效降低網(wǎng)絡(luò)能量消耗并且延長節(jié)點的死亡時間，進(jìn)而增加了網(wǎng)絡(luò)的生命周期。

未來主要有兩個研究方向：(1) 重視路由健壯性的問題，并以路由健壯性為優(yōu)化目標(biāo)，通過本文算法找出網(wǎng)絡(luò)生存期和路由健壯性的最佳適應(yīng)值；(2) 考慮網(wǎng)絡(luò)擁塞的情況，導(dǎo)致?lián)砣闹饕蚴窃诰€網(wǎng)絡(luò)流量的增加，并且會嚴(yán)重影響到網(wǎng)絡(luò)的性能，因此，考慮網(wǎng)絡(luò)的擁塞情況也是下一步的工作重點。