自適應(yīng)模糊無(wú)線傳感器網(wǎng)絡(luò)路由選擇

沈瑋娜， 胡黃水， 王宏志， 王 瑩

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

?

自適應(yīng)模糊無(wú)線傳感器網(wǎng)絡(luò)路由選擇

沈瑋娜， 胡黃水*， 王宏志， 王 瑩

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

將下一跳節(jié)點(diǎn)的剩余能量、本節(jié)點(diǎn)與發(fā)送節(jié)點(diǎn)的通信距離以及到SINK節(jié)點(diǎn)的通信距離之和作為模糊理論綜合評(píng)判法的參數(shù)，通過模糊控制計(jì)算出下一跳節(jié)點(diǎn)的可選度。可選度最高的節(jié)點(diǎn)即為下一跳節(jié)點(diǎn)。建立了網(wǎng)絡(luò)自適應(yīng)路由，通過多跳的方式傳輸數(shù)據(jù)。仿真實(shí)驗(yàn)表明，RAFT算法可以更好地均衡網(wǎng)絡(luò)各節(jié)點(diǎn)的負(fù)載，明顯降低網(wǎng)絡(luò)能耗并提高節(jié)點(diǎn)生命周期。

無(wú)線傳感器網(wǎng)絡(luò)； 路由算法； 模糊控制

0 引 言

隨著無(wú)線電子技術(shù)的發(fā)展，無(wú)線傳感器網(wǎng)絡(luò)(Wireless Sensor Network, WSN)的應(yīng)用越來(lái)越廣泛，包括環(huán)境監(jiān)測(cè)、軍事偵查、醫(yī)療監(jiān)護(hù)、倉(cāng)儲(chǔ)管理等[1-2]。無(wú)線傳感器網(wǎng)絡(luò)包含大量體積小但能量有限的節(jié)點(diǎn)，由于節(jié)點(diǎn)經(jīng)常分布在偏遠(yuǎn)或惡劣的環(huán)境中，這些節(jié)點(diǎn)很可能因?yàn)槟芰亢谋M而影響整個(gè)網(wǎng)絡(luò)的性能。因此，節(jié)約節(jié)點(diǎn)的能量消耗對(duì)網(wǎng)絡(luò)壽命的延長(zhǎng)和網(wǎng)絡(luò)性能的保持至關(guān)重要。

選擇合適的網(wǎng)絡(luò)通信路由是降低網(wǎng)絡(luò)能耗的有效方法之一。近年來(lái),許多國(guó)內(nèi)外學(xué)者對(duì)這方面的問題進(jìn)行了大量研究,并取得了豐富的成果。文獻(xiàn)[3]中的LEACH算法是最早提出的分簇式路由協(xié)議；文獻(xiàn)[4]提出了一個(gè)基于模糊推薦的自動(dòng)組網(wǎng)信任路由模型；文獻(xiàn)[5]使用模糊邏輯方法，以鄰居節(jié)點(diǎn)數(shù)目和節(jié)點(diǎn)剩余能量為重要因素進(jìn)行路由協(xié)議中的簇頭選擇。

在對(duì)無(wú)線傳感器網(wǎng)絡(luò)已有研究成果的基礎(chǔ)上，文中提出基于模糊控制理論的無(wú)線傳感器網(wǎng)絡(luò)路由選擇算法(Routing Algorithm for WSN based on Fuzzy Theory, RAFT)對(duì)網(wǎng)絡(luò)進(jìn)行路由控制。在傳輸建立階段，網(wǎng)絡(luò)按照匯聚節(jié)點(diǎn)的位置劃分成不同的方形子域，當(dāng)有數(shù)據(jù)需要傳輸時(shí)，子域內(nèi)的節(jié)點(diǎn)廣播其狀態(tài)信息，利用模糊理論綜合評(píng)判法選出最優(yōu)的下一跳節(jié)點(diǎn)，從而找到一條最優(yōu)的路徑，達(dá)到均衡網(wǎng)絡(luò)能耗、延長(zhǎng)網(wǎng)絡(luò)壽命的效果。

1 系統(tǒng)模型

1.1 參數(shù)確定

無(wú)線傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)間的通信距離、下一跳節(jié)點(diǎn)的剩余能量和下一跳節(jié)點(diǎn)到SINK節(jié)點(diǎn)的通信距離都會(huì)影響節(jié)點(diǎn)的能耗。模糊控制是以人的控制經(jīng)驗(yàn)作為控制的知識(shí)模型，它不依賴于被控對(duì)象的數(shù)學(xué)模型，這對(duì)一些復(fù)雜可變或者結(jié)構(gòu)不穩(wěn)定、難以用數(shù)學(xué)模型描述的系統(tǒng)而言是非常合適的[6]。由于在無(wú)線傳感器網(wǎng)絡(luò)傳輸過程中，下一跳節(jié)點(diǎn)的確定難以用準(zhǔn)確的數(shù)學(xué)模型表示，因此，文中引入下一跳節(jié)點(diǎn)的剩余能量、該節(jié)點(diǎn)與發(fā)送節(jié)點(diǎn)的通信距離與到SINK節(jié)點(diǎn)的通信距離之和作為模糊理論綜合評(píng)判法的參數(shù)，具體原因如下：

1)剩余能量。網(wǎng)絡(luò)節(jié)點(diǎn)的剩余能量值直接決定節(jié)點(diǎn)能否在網(wǎng)絡(luò)中正常工作，無(wú)論是采集還是傳輸數(shù)據(jù)，節(jié)點(diǎn)都需要消耗能量。節(jié)點(diǎn)剩余能量的多少直接決定該節(jié)點(diǎn)在網(wǎng)絡(luò)中工作時(shí)間的長(zhǎng)短。

2)下一跳節(jié)點(diǎn)與發(fā)送節(jié)點(diǎn)的通信距離與到SINK節(jié)點(diǎn)的通信距離之和。從無(wú)線傳感器網(wǎng)絡(luò)能量消耗模型[7]可知，節(jié)點(diǎn)發(fā)送數(shù)據(jù)的能耗與節(jié)點(diǎn)間的通信距離成反比，即通信距離越短,能耗越低。下一跳節(jié)點(diǎn)與SINK節(jié)點(diǎn)之間距離越近，則數(shù)據(jù)傳播路徑越短，網(wǎng)絡(luò)能耗就越低。因此，綜合考慮這兩點(diǎn)因素，當(dāng)下一跳節(jié)點(diǎn)與發(fā)送節(jié)點(diǎn)的通信距離與到SINK節(jié)點(diǎn)的通信距離之和越小，則對(duì)減小整個(gè)網(wǎng)絡(luò)的能耗越有利。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)假設(shè)

初始狀態(tài)下，無(wú)線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)均勻分布，在分析基于模糊理論的無(wú)線傳感器網(wǎng)絡(luò)路由選擇算法(RAFT)之前，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)有以下假設(shè)：

1)節(jié)點(diǎn)隨機(jī)散布在方形監(jiān)測(cè)區(qū)域內(nèi)，所有節(jié)點(diǎn)初始能量相同；

2)節(jié)點(diǎn)具有移動(dòng)性且具有一定的感知、計(jì)算和通信能力；

3)節(jié)點(diǎn)支持全向通信，每個(gè)節(jié)點(diǎn)具有唯一的ID號(hào)，如Ia…Ic；

4)節(jié)點(diǎn)可感知自身剩余能量和位置。

1.3 節(jié)點(diǎn)能耗模型

網(wǎng)絡(luò)中節(jié)點(diǎn)的能耗模型采用一階無(wú)線電模型[8]，該模型中Eelec代表發(fā)送節(jié)點(diǎn)發(fā)送每比特或接收節(jié)點(diǎn)接收每比特信息所消耗的能量;Eamp為發(fā)送節(jié)點(diǎn)發(fā)送信息時(shí)單位距離的能耗放大倍數(shù)。

傳感器節(jié)點(diǎn)將kbit數(shù)據(jù)發(fā)送到距離為d的地方的能耗為:

2 RAFT算法設(shè)計(jì)

RAFT算法的基本思想是當(dāng)節(jié)點(diǎn)要將感測(cè)到的數(shù)據(jù)傳送至SINK節(jié)點(diǎn)時(shí)，監(jiān)測(cè)域中的節(jié)點(diǎn)廣播其ID、位置信息及剩余能量。域內(nèi)所有節(jié)點(diǎn)都會(huì)收到這些信息,信息匯總至節(jié)點(diǎn)表，然后使用模糊控制的方法尋找最優(yōu)的下一跳節(jié)點(diǎn)。節(jié)點(diǎn)見表1。

表1 節(jié)點(diǎn)表

模糊控制是以控制人員的經(jīng)驗(yàn)為基礎(chǔ)的智能控制。為減小計(jì)算量和計(jì)算時(shí)延，輸入變量設(shè)為節(jié)點(diǎn)剩余能量歸一化模糊變量RE_i,該節(jié)點(diǎn)與發(fā)送節(jié)點(diǎn)通信距離及到SINK節(jié)點(diǎn)距離之和歸一化模糊變量Dsum這兩項(xiàng)。文中采用文獻(xiàn)[9]中經(jīng)典的Mamdani模糊邏輯系統(tǒng)模型，其具體結(jié)構(gòu)如圖1所示。

圖1 模糊邏輯系統(tǒng)結(jié)構(gòu)

2.1 輸入變量與輸出變量

模糊控制的輸出變量為節(jié)點(diǎn)可選度bj。

2.2 模糊化

模糊化階段就是把輸入變量的精確值轉(zhuǎn)換成模糊的語(yǔ)言變量值，各變量模糊子集分配如下：

1)剩余能量：設(shè)描述剩余能量RE_i的語(yǔ)言值模糊子集為{低、中、高}，依次為低=low,中=middle,高=high。

2)節(jié)點(diǎn)與發(fā)送節(jié)點(diǎn)通信距離及到SINK節(jié)點(diǎn)距離之和Dsum的語(yǔ)言值模糊子集為{近、中、遠(yuǎn)}，依次為近=close，中=middle,遠(yuǎn)=far。

3)節(jié)點(diǎn)可選度bj的語(yǔ)言模糊子集為{小、中、大}，依次為小=little,中=middle,大=large。

模糊控制中的隸屬度函數(shù)在誤差較大的區(qū)域應(yīng)采用低分辨率的模糊集合，在誤差較小的區(qū)域選擇高分辨率的模糊集合，而隸屬度函數(shù)曲線形狀較尖時(shí)分辨率高、控制靈敏度好，在曲線形狀較平緩時(shí)系統(tǒng)穩(wěn)定性佳、控制特性平緩。因此，文中的模糊集middle采用三角形隸屬函數(shù)，low、high、close、far、little、large采用梯形隸屬函數(shù)。輸入變量和輸出變量的隸屬度函數(shù)如圖2所示。

(a) RE_i隸屬度函數(shù)

(b) Dsum隸屬度函數(shù)

(c) bj隸屬度函數(shù)

2.3 模糊規(guī)則的定義

輸入變量模糊化之后，系統(tǒng)中的推理引擎則會(huì)根據(jù)規(guī)則庫(kù)中的控制規(guī)則推理出輸出集。剩余能量對(duì)能否成為下一跳節(jié)點(diǎn)起主要作用，即剩余能量越高，成為下一跳節(jié)點(diǎn)的可能性越大。距離之和起次要作用，即在剩余能量相同的情況下，距離之和越小的節(jié)點(diǎn)會(huì)加大成為下一跳節(jié)點(diǎn)的概率。文中使用“IF-THEN”的模糊規(guī)則形式[10]，具體規(guī)則見表2。

2.4 解模糊化

在模糊邏輯系統(tǒng)中，由于模糊控制器的輸出量為模糊集，該模糊集需要經(jīng)過解模糊的過程變成具體的數(shù)值。因此，文中采用質(zhì)心法[11]解模糊，具體公式如下：

u=

例如，當(dāng)RE_i=0.1，Dsum=0.5時(shí)，該節(jié)點(diǎn)的可選度bj=0.169，推理過程如圖3所示。

表2 模糊規(guī)則表

圖3 模糊推理過程

3 仿真結(jié)果

將RAFT算法與LEACH比較，選取監(jiān)測(cè)區(qū)域中的一個(gè)子域，仿真參數(shù)見表3。

表3 仿真參數(shù)表

3.1 RAFT算法模型

RAFT算法的仿真結(jié)果如圖4所示。

圖4 RAFT算法模糊推理模型仿真結(jié)果

當(dāng)節(jié)點(diǎn)剩余能量RE_i接近于零時(shí)，不論Dsum多大，節(jié)點(diǎn)可選度bj都較小。當(dāng)剩余能量增大時(shí)，距離之和Dsum越小，則可選度越大。這說(shuō)明節(jié)點(diǎn)剩余能量是決定節(jié)點(diǎn)是否可選的最重要因素，與此同時(shí)，距離之和越小，可選度越大。

3.2 網(wǎng)絡(luò)能耗

進(jìn)行LEACH與RAFT算法網(wǎng)絡(luò)剩余能量的比較,如圖5所示。

圖5 網(wǎng)絡(luò)剩余能量對(duì)比

由圖5可知，經(jīng)歷相同的時(shí)間之后，使用RAFT算法的網(wǎng)絡(luò)剩余能量高于使用LEACH協(xié)議的網(wǎng)絡(luò)剩余能量。使用LEACH協(xié)議的網(wǎng)絡(luò)在經(jīng)歷了大約1 000 s后剩余能量趨近于零，而使用RAFT算法的網(wǎng)絡(luò)在1 600 s附近網(wǎng)絡(luò)能耗才消耗殆盡。

產(chǎn)生這種現(xiàn)象的原因是，LEACH協(xié)議中簇頭將該簇的信息整合后直接發(fā)送給匯聚節(jié)點(diǎn)，由于數(shù)據(jù)量大，且距離匯聚節(jié)點(diǎn)較遠(yuǎn)的簇發(fā)送數(shù)據(jù)的距離遠(yuǎn)，極易導(dǎo)致該簇頭能量耗盡。RAFT算法中，下一跳節(jié)點(diǎn)的選取依次取決于節(jié)點(diǎn)的剩余能量及兩節(jié)點(diǎn)之間的距離與該節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的距離之和，數(shù)據(jù)以多跳的方式傳送至匯聚節(jié)點(diǎn)，因此在避免低能耗節(jié)點(diǎn)能量過度消耗的同時(shí)盡可能減少傳輸距離。但RAFT算法需要節(jié)點(diǎn)廣播自身能量和位置信息，也會(huì)消耗少量能量。

3.3 網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)

進(jìn)行了LEACH協(xié)議與RAFT算法網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)的比較，LEACH協(xié)議在第203 s出現(xiàn)第一個(gè)死亡節(jié)點(diǎn)，而RAFT算法在第658 s出現(xiàn)，如圖6所示。

圖6 網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)對(duì)比

從圖6曲線的總體趨勢(shì)來(lái)看，RAFT算法中節(jié)點(diǎn)死亡的速度比LEACH協(xié)議的慢。

上述現(xiàn)象表明，由于RAFT算法中優(yōu)先考慮了節(jié)點(diǎn)剩余能量這一模糊變量，數(shù)據(jù)傳輸過程中盡量不選擇能量低的節(jié)點(diǎn)作為下一跳節(jié)點(diǎn)，有效均衡了網(wǎng)絡(luò)中的負(fù)載，從而延長(zhǎng)了網(wǎng)絡(luò)的生命周期。

4 結(jié) 語(yǔ)

RAFT算法的中心思想是綜合考慮節(jié)點(diǎn)剩余能量及兩節(jié)點(diǎn)之間的距離與該節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的距離之和這兩個(gè)模糊控制變量，采用模糊推理計(jì)算出該節(jié)點(diǎn)成為下一跳節(jié)點(diǎn)的概率值，合理選擇最優(yōu)的下一跳節(jié)點(diǎn)。通過與LEACH協(xié)議的仿真對(duì)比，RAFT算法能夠有效均衡網(wǎng)絡(luò)負(fù)載的同時(shí),減少網(wǎng)絡(luò)能耗和延長(zhǎng)網(wǎng)絡(luò)生存周期。

[1] Ren Fengyuan, Huang Haining, Lin Chuang. Wireless sensornetwork [J]. Journal of Software,2003,14(7):1282-1291.

[2] Cui Li, Ju Hailing, Miao Yong, et al. Overview of wirelesssensor networks [J]. Journal of Computer Research and Development,2005,42(1):163-174.

[3] Wendi B Heinzelman， Anantha P Chandrakasan， Hari Balakrishnan. An application-specific protocol architecture for wireless micro sensor networks [J]. IEEE Transactions on Wireless Communications，2002，1(4):660-670.

[4] Yick J， Mukherjee B， Ghosal D． Wireless sensor networks survey [J]. Computer Networks，2008，52(12):2292-2330.

[5] 沈曉瑞.基于模糊邏輯的無(wú)線傳感器網(wǎng)絡(luò)分簇路由協(xié)議的研究[D]．太原：太原理工大學(xué)，2010.

[6] 彭祖贈(zèng)，孫韞玉.模糊數(shù)學(xué)及其應(yīng)用[M].武漢:武漢大學(xué)出版社,2007:1-3.

[7] 田勇,唐禎安,喻言.能量均衡的室內(nèi)無(wú)線傳感器網(wǎng)絡(luò)自適應(yīng)分簇路由算法[J].電子與信息學(xué)報(bào),2013,35(12):2992-2998.

[8] 蘇金樹,郭文忠,余朝龍,等.負(fù)載均衡感知的無(wú)線傳感器網(wǎng)絡(luò)容錯(cuò)分簇算法[J].計(jì)算機(jī)學(xué)報(bào),2014,37(2):445-456.

[9] Mendel J M. Fuzzy logic systems for engeneering: a tutorial [J]. Proc. of the IEEE,1995,83(3):345-377.

[10] Mamdani E H. Applications of fuzzy logic to approximate reasoning using linguistic systems [J]. IEEE Transaction on Systems, Man, and Cybernetics,1977,26(12):1182-1191.

[11] 羅媛媛.基于模糊邏輯的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議的研究[D]．武漢：武漢工程大學(xué),2011.

A routing algorithm for wireless sensor networks based on adaptive fuzzy control

SHEN Weina, HU Huangshui*, WANG Hongzhi, WANG Ying

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

The residual energy and sum of communication distance between the original node and the next hop node and between the original node and SINK node are taken as the parameters of comprehensive fuzzy evaluation to calculate the optional degree of next hop node. The node with the highest optional degree is the next hop node. Adaptive routing is built with multi hop manner for data transfer. Simulation shows that routing algorithm for WSN based on adaptive fuzzy theory is effective to balance the load of each node in the network, reduce power consumption and improve the node life cycle.

Wireless Sensor Network (WSN); routing algorithm; fuzzy control.

2017-02-20

吉林省發(fā)改委經(jīng)濟(jì)結(jié)構(gòu)戰(zhàn)略調(diào)整引導(dǎo)資金專項(xiàng)項(xiàng)目(2014Y125)； 吉林省教育廳“十二五”科學(xué)技術(shù)研究項(xiàng)目(吉教科合字[2015]第100號(hào))； 吉林省科技廳科技發(fā)展計(jì)劃項(xiàng)目(20140204037GX)

沈瑋娜(1993-)，女，漢族，江蘇無(wú)錫人，長(zhǎng)春工業(yè)大學(xué)碩士研究生，主要從事無(wú)線傳感器網(wǎng)絡(luò)方向研究,E-mail:SWN0715@163.com. *通訊作者：胡黃水(1974-)，男，漢族，湖南隆回人，長(zhǎng)春工業(yè)大學(xué)副教授，博士，主要從事無(wú)線傳感器網(wǎng)絡(luò)及軌道車輛動(dòng)力學(xué)方向研究,E-mail:huhs08@163.com.

10.15923/j.cnki.cn22-1382/t.2017.2.08

TP 393.1

A

1674-1374(2017)02-0144-06