• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      無(wú)線傳感器網(wǎng)絡(luò)改進(jìn)引力搜索算法的設(shè)計(jì)與實(shí)現(xiàn)

      2019-07-09 07:11:42萬(wàn)振凱賈思禹
      關(guān)鍵詞:搜索算法引力適應(yīng)度

      萬(wàn)振凱,賈思禹

      (1.天津工業(yè)大學(xué) 信息化中心,天津 300387;2.天津工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,天津 300387)

      無(wú)線傳感器網(wǎng)絡(luò)是一種由大量靜止或移動(dòng)的傳感器以自組織或多跳方式構(gòu)成的無(wú)線網(wǎng)絡(luò),用以協(xié)作地感知、采集、處理和傳輸網(wǎng)絡(luò)覆蓋地區(qū)內(nèi)被感知對(duì)象的信息,并最終把這些信息發(fā)送給網(wǎng)絡(luò)的所有者。傳感器節(jié)點(diǎn)在與其鄰居節(jié)點(diǎn)通信的過(guò)程中會(huì)不斷消耗自身資源,通過(guò)提升通信效率,降低傳感器節(jié)點(diǎn)在通信過(guò)程中的能量損耗等方式可以有效延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的生命周期。為了將數(shù)據(jù)高效傳輸?shù)侥康牡?,無(wú)線傳感器網(wǎng)絡(luò)所面臨的最大挑戰(zhàn)是如何降低傳感器節(jié)點(diǎn)在傳輸過(guò)程中的能量損耗以及如何提升無(wú)線傳感器網(wǎng)絡(luò)的生命周期。

      近年來(lái),對(duì)于無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議算法的研究一直是無(wú)線傳感器網(wǎng)絡(luò)研究的重點(diǎn),對(duì)于無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議算法的研究產(chǎn)生了大量成果。文獻(xiàn)[1]提出了一種基于優(yōu)化算法的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議,文中提出的分簇路由協(xié)議(evolutionary based clustered routing protocol,ERP)將凝聚度(cohesion)和分離誤差(separation error)作為適應(yīng)度函數(shù)的目標(biāo)來(lái)計(jì)算適應(yīng)度值,該協(xié)議有效提升了網(wǎng)絡(luò)生命周期,并降低了網(wǎng)絡(luò)節(jié)點(diǎn)在傳輸過(guò)程中的能量損耗,但協(xié)議中算法的穩(wěn)定性較低。文獻(xiàn)[2]提出了一種基于和聲搜索(harmony search,HS)算法的分簇路由協(xié)議,該協(xié)議在實(shí)時(shí)條件下實(shí)現(xiàn)了無(wú)線傳感器網(wǎng)絡(luò)的路由,具有良好的網(wǎng)絡(luò)實(shí)用性,但是當(dāng)協(xié)議算法對(duì)無(wú)線傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)進(jìn)行再分簇操作時(shí),算法的性能出現(xiàn)了明顯的下降。文獻(xiàn)[3]提出了一種基于人工蜂群(artificial bee colony,ABC)算法的分簇路由協(xié)議,該協(xié)議有效提升了網(wǎng)絡(luò)生命周期,但忽略了信道噪聲及其它物理因素對(duì)協(xié)議本身產(chǎn)生的影響。文獻(xiàn)[4]基于粒子群優(yōu)化(particle swarm optimization,PSO)算法,提出了一種在無(wú)線傳感器網(wǎng)絡(luò)中選擇簇頭節(jié)點(diǎn)的新方法,這種方法有效降低了定位簇頭節(jié)點(diǎn)的代價(jià),并提升了分組傳輸速率,但是這種方法不能應(yīng)用于異構(gòu)無(wú)線傳感器網(wǎng)絡(luò)中。文獻(xiàn)[5]提出了一種多粒子群免疫協(xié)同算法(multi-particle swarm immune cooperative algorithm,MPSICA),該算法提供了一種智能路由恢復(fù)策略,對(duì)基于簇頭節(jié)點(diǎn)的路由使用多粒子群算法,可以有效修復(fù)網(wǎng)絡(luò)中簇內(nèi)普通節(jié)點(diǎn)間,以及簇間超級(jí)結(jié)點(diǎn)間的斷接路徑。仿真結(jié)果表明,基于MPSICA的網(wǎng)絡(luò)協(xié)議可以保證高可靠通信,而MPSICA的主要缺陷在于算法通過(guò)睡眠機(jī)制調(diào)控網(wǎng)絡(luò)的能量損耗,這個(gè)調(diào)控過(guò)程需要過(guò)多的參數(shù)值。

      針對(duì)上述提出協(xié)議內(nèi)算法的不足之處,為使無(wú)線傳感器網(wǎng)絡(luò)生命周期得到最大限度的延長(zhǎng),本文設(shè)計(jì)并實(shí)現(xiàn)了一種改進(jìn)引力搜索算法(IMPGSA),該算法可應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)協(xié)議中。改進(jìn)算法首先將分?jǐn)?shù)階微積分集成到傳統(tǒng)引力搜索算法對(duì)其進(jìn)行優(yōu)化,使用優(yōu)化后的引力搜索算法更新簇頭節(jié)點(diǎn)的位置,隨后使用多目標(biāo)適應(yīng)度函數(shù)對(duì)簇頭節(jié)點(diǎn)更新后的位置進(jìn)行評(píng)估,這些目標(biāo)包括距離、延遲、鏈路生命周期和能量。評(píng)估的目的是為了確保無(wú)線傳感器網(wǎng)絡(luò)中的簇頭節(jié)點(diǎn)都處于當(dāng)前迭代中的最優(yōu)位置,從而確保了網(wǎng)絡(luò)節(jié)點(diǎn)的生命周期得到延長(zhǎng),進(jìn)而確保了無(wú)線傳感器網(wǎng)絡(luò)自身的生命周期得到延長(zhǎng)。

      1 無(wú)線傳感器網(wǎng)絡(luò)基本模型

      圖1為無(wú)線傳感器網(wǎng)絡(luò)模型示意圖。

      圖1 無(wú)線傳感器網(wǎng)絡(luò)模型示意圖Fig.1 A model for the w ireless sensor networks

      圖1所示的無(wú)線傳感器網(wǎng)絡(luò)中包含1個(gè)匯聚節(jié)點(diǎn)(基站)DB,h個(gè)簇頭節(jié)點(diǎn)HC,以及大量普通節(jié)點(diǎn)。每一個(gè)普通節(jié)點(diǎn)都有唯一標(biāo)識(shí),這些節(jié)點(diǎn)在網(wǎng)絡(luò)中被分組,從而形成簇,普通節(jié)點(diǎn)可以通過(guò)簇頭機(jī)制[6-7]向簇頭節(jié)點(diǎn)HC發(fā)送數(shù)據(jù),每個(gè)簇頭節(jié)點(diǎn)HC中都記錄了該簇中的普通節(jié)點(diǎn)個(gè)數(shù),圖1所示的網(wǎng)絡(luò)模型被劃分為h個(gè)簇。匯聚節(jié)點(diǎn)DB用于接收網(wǎng)絡(luò)中所有簇頭節(jié)點(diǎn)HC發(fā)送來(lái)的數(shù)據(jù)。綜上所述,簇頭節(jié)點(diǎn)HC從所有普通節(jié)點(diǎn)接收數(shù)據(jù),然后將這些數(shù)據(jù)發(fā)送到匯聚節(jié)點(diǎn)DB。

      圖1中節(jié)點(diǎn)間的實(shí)線連接表示無(wú)線網(wǎng)絡(luò)覆蓋范圍內(nèi)的直接通信。每個(gè)節(jié)點(diǎn)都有其最大通信范圍[8],這個(gè)范圍均勻分布在參數(shù)UT和VT定義的范圍內(nèi),在無(wú)線傳感器網(wǎng)絡(luò)中,匯聚節(jié)點(diǎn)的最優(yōu)位置被定義為{0.5UT,0.5VT},而網(wǎng)絡(luò)中的其它節(jié)點(diǎn)的位置使用參數(shù)UI、VI進(jìn)行定義。

      在無(wú)線傳感器網(wǎng)絡(luò)中,每個(gè)節(jié)點(diǎn)擁有初始能量G0,但節(jié)點(diǎn)通常以電池供電,具有能量不可再生性。本文所提出的節(jié)點(diǎn)能量模型可描述為,任意普通節(jié)點(diǎn)發(fā)送到簇頭節(jié)點(diǎn)的數(shù)據(jù)包,在節(jié)點(diǎn)間數(shù)據(jù)包發(fā)送的過(guò)程中,每個(gè)數(shù)據(jù)包的能量損失遵循可用空間與多路徑衰減模型[9],存在于每個(gè)傳感器節(jié)點(diǎn)中的硬件發(fā)送器與接收器也同樣會(huì)導(dǎo)致能量損失,硬件發(fā)送器產(chǎn)生的能量損失可以由其內(nèi)部的無(wú)線發(fā)射電路以及功率放大器所消耗的能量計(jì)算得到,而硬件接收器只需要計(jì)算其內(nèi)部的無(wú)線接收電路所消耗的能量即可計(jì)算出其產(chǎn)生的能量損失。當(dāng)一個(gè)普通節(jié)點(diǎn)發(fā)送一個(gè)大小為Ks的數(shù)據(jù)包時(shí),普通節(jié)點(diǎn)的能量損耗可表示如下:

      式中:Gfs和Gpa表示可用空間與多路徑衰減模型所產(chǎn)生的能量損失;Gele為由傳感器節(jié)點(diǎn)內(nèi)部電路所產(chǎn)生的能量損失。

      產(chǎn)生的原因可能是多方面的,例如調(diào)制過(guò)程、數(shù)字編碼過(guò)程、放大器自身等等。因此內(nèi)部電路能量損失可表示為

      式中:Gtxr代表硬件發(fā)射器所產(chǎn)生的能量損失;GDA代表數(shù)據(jù)收集時(shí)所產(chǎn)生的能量損失;Gpa定義了硬件發(fā)射器的多路徑放大系數(shù)表示普通節(jié)點(diǎn)與簇頭節(jié)點(diǎn)之間的距離。

      初始時(shí),每個(gè)簇頭節(jié)點(diǎn)會(huì)接收到其簇內(nèi)普通節(jié)點(diǎn)發(fā)送來(lái)的數(shù)據(jù)包,此時(shí)的能量值將會(huì)被更新,隨后簇頭節(jié)點(diǎn)將數(shù)據(jù)包發(fā)送到匯聚節(jié)點(diǎn)。當(dāng)簇頭節(jié)點(diǎn)從任意傳感器節(jié)點(diǎn)接收到Ks字節(jié)數(shù)據(jù)的數(shù)據(jù)包時(shí),簇頭節(jié)點(diǎn)的能量損耗可表示為

      當(dāng)普通節(jié)點(diǎn)發(fā)送一個(gè)大小為Ks的數(shù)據(jù)包到簇頭節(jié)點(diǎn)后,每個(gè)傳感器節(jié)點(diǎn)的能量值都會(huì)在發(fā)送或接收每Ks字節(jié)的數(shù)據(jù)后被更新。因此,普通節(jié)點(diǎn)的能量值被更新為Gb+1(DxN),隨后,簇頭節(jié)點(diǎn)接收到Ks字節(jié)的數(shù)據(jù),其能量值被更新為Gb+1(DxC),其中

      這個(gè)節(jié)點(diǎn)間數(shù)據(jù)傳輸?shù)倪^(guò)程會(huì)一直持續(xù)到每個(gè)節(jié)點(diǎn)都變成死節(jié)點(diǎn)為止。當(dāng)一個(gè)節(jié)點(diǎn)的能量值小于0時(shí),一般認(rèn)為該節(jié)點(diǎn)是一個(gè)死節(jié)點(diǎn)。

      2 引力搜索算法基本原理

      2009年,引力搜索算法被首次提出[10],這種種群優(yōu)化算法基于牛頓第二定律與萬(wàn)有引力定律,該算法主要利用粒子間的萬(wàn)有引力定律對(duì)粒子的運(yùn)動(dòng)進(jìn)行優(yōu)化,從而搜索到最優(yōu)解。粒子間的引力與粒子的質(zhì)量成正比,與粒子的間距成反比。引力搜索算法首先初始化各參數(shù)及種群位置,然后計(jì)算適應(yīng)度值、計(jì)算粒子的慣性質(zhì)量以及每個(gè)粒子在每個(gè)方向上的引力、加速度,計(jì)算結(jié)束后更新每個(gè)粒子的位置、適應(yīng)度值和全局最優(yōu)解,若達(dá)到最優(yōu)解則輸出,否則進(jìn)入下一輪迭代。

      引力搜索算法的基本流程如圖2所示。

      圖2 引力搜索算法流程圖Fig.2 Flowchart of gravitational search algorithm

      3 改進(jìn)引力搜索算法

      引力搜索算法本身存在一定的缺陷,例如收斂速度較慢、計(jì)算量較大等[11],因此本文通過(guò)引入分?jǐn)?shù)階微積分理論對(duì)引力搜索算法進(jìn)行了優(yōu)化,改進(jìn)引力搜索算法的基本流程如圖3所示。

      圖3 改進(jìn)引力搜索算法流程圖Fig.3 Flowchart of improved gravitational search algorithm

      改進(jìn)算法首先對(duì)待處理的粒子進(jìn)行初始化,然后使用引力搜索算法計(jì)算粒子間的引力及加速度,計(jì)算結(jié)束后使用分?jǐn)?shù)階微積分方法為下輪迭代更新粒子的位置并使用多目標(biāo)適應(yīng)度函數(shù)來(lái)計(jì)算適應(yīng)度值[12],隨后改進(jìn)算法將持續(xù)更新每個(gè)粒子的位置直到所有簇頭節(jié)點(diǎn)的位置達(dá)到當(dāng)前最優(yōu)為止。

      3.1 初始化

      引力搜索算法首先在N個(gè)粒子中尋找簇頭節(jié)點(diǎn),每個(gè)粒子的位置被隨機(jī)初始化為

      3.2 計(jì)算引力和加速度

      在某一時(shí)間點(diǎn)e兩個(gè)粒子之間會(huì)產(chǎn)生引力,該時(shí)間點(diǎn)粒子j作用在粒子i上的引力可表示為:

      式中:maj表示粒子j的主動(dòng)引力質(zhì)量;mpi表示粒子i的被動(dòng)引力質(zhì)量;g(e)表示在時(shí)間點(diǎn)e時(shí)的引力常數(shù);σ是一個(gè)很小的常數(shù)表示第j個(gè)粒子在第r個(gè)簇中的位置表示第i個(gè)粒子在第r個(gè)簇中的位置;E(ije)表示粒子i和粒子j之間的歐氏距離,兩個(gè)粒子之間的歐式距離一般可表示為:

      在r方向上作用在粒子i上的引力之和是網(wǎng)絡(luò)中所有其它粒子作用在該粒子上引力的隨機(jī)加權(quán)和,這個(gè)合力一般可表示為:

      式中:randj是一個(gè)0到1之間的隨機(jī)數(shù)表示粒子j作用在粒子i上的引力。根據(jù)牛頓第二定律,粒子i在時(shí)間點(diǎn)e的加速度可表示為:

      式中:mii表示粒子i的慣性質(zhì)量。該粒子在下一時(shí)間點(diǎn)的速度應(yīng)為當(dāng)前時(shí)間點(diǎn)速度的一小部分與其加速度之和,因此下一時(shí)間點(diǎn)該粒子的速度可表示為:

      式中:randi是一個(gè)0到1之間的隨機(jī)數(shù)表示粒子i在時(shí)間點(diǎn)e時(shí)的速度則表示該粒子在該時(shí)間點(diǎn)的加速度。

      3.3 應(yīng)用分?jǐn)?shù)階微積分方法

      在引力搜索算法中,當(dāng)一個(gè)粒子的質(zhì)量較大時(shí),會(huì)導(dǎo)致其在搜索空間中的移動(dòng)速度降低,從而導(dǎo)致算法性能的下降。本文所提出的改進(jìn)算法將分?jǐn)?shù)階微積分方法應(yīng)用到引力搜索算法中來(lái)解決這一問(wèn)題。分?jǐn)?shù)階微積分主要利用分?jǐn)?shù)階導(dǎo)數(shù)來(lái)簡(jiǎn)化算法的實(shí)現(xiàn)并提供更好的粒子更新方式[13-15]。簡(jiǎn)而言之,分?jǐn)?shù)階微積分主要用于為下輪迭代更新粒子的位置。因此下一時(shí)間點(diǎn)該粒子的位置可表示為:

      式中:離散導(dǎo)數(shù)的階數(shù)α可以被推廣為0到1之間的任意一個(gè)實(shí)數(shù),因此式(17)又可以被改寫(xiě)為:

      3.4 適應(yīng)度函數(shù)評(píng)估位置

      在本文所提出的改進(jìn)算法中,引力質(zhì)量和慣性質(zhì)量是通過(guò)引力搜索算法計(jì)算得來(lái)的[16-17]。改進(jìn)算法在網(wǎng)絡(luò)中不斷進(jìn)行迭代以更新簇頭節(jié)點(diǎn)的最優(yōu)位置,在每輪迭代的過(guò)程中,將能量、距離、延遲和鏈路生命周期作為多種目標(biāo),使用適應(yīng)度函數(shù)來(lái)評(píng)估更新后的簇頭節(jié)點(diǎn)位置是否為當(dāng)前最優(yōu),從而將多種因素對(duì)網(wǎng)絡(luò)生命周期的影響盡可能減小,適應(yīng)度函數(shù)計(jì)算適應(yīng)度值的過(guò)程可表示為:

      式中:所有簇內(nèi)節(jié)點(diǎn)數(shù)目的最大值用于計(jì)算延遲,h表示普通節(jié)點(diǎn)的總數(shù)。

      式中:Lxn表示第x個(gè)普通節(jié)點(diǎn)和第n個(gè)簇頭節(jié)點(diǎn)之間的鏈路。該鏈路上兩個(gè)節(jié)點(diǎn)之間的鏈路生命周期可表示為:

      式中:Ps表示第x個(gè)節(jié)點(diǎn)的數(shù)據(jù)發(fā)送速率;Pr表示該節(jié)點(diǎn)的數(shù)據(jù)接收速率;R表示傳輸范圍;T表示一個(gè)常量值。

      3.5 輸出最優(yōu)解

      通過(guò)分?jǐn)?shù)階微積分理論更新粒子位置后,下一輪迭代中的粒子質(zhì)量也需要使用粒子的適應(yīng)度值進(jìn)行更新,粒子質(zhì)量可表示為:

      式中:fit(ie)表示粒子i在時(shí)間點(diǎn)e時(shí)的適應(yīng)度值;bes(e)和wo(re)分別表示在時(shí)間點(diǎn)e時(shí)的最佳適應(yīng)度值和最差適應(yīng)度值,當(dāng)作為極小化問(wèn)題計(jì)算時(shí),這2種適應(yīng)度值可表示為:

      當(dāng)作為極大化問(wèn)題計(jì)算時(shí),這2種適應(yīng)度值又可表示為:

      他慢騰騰地登上一個(gè)小丘,看了看周?chē)牡匦?。既沒(méi)有樹(shù)木,也沒(méi)有小樹(shù)叢,什么都沒(méi)有,只看到一望無(wú)際的灰色苔蘚,偶爾有點(diǎn)灰色的巖石,幾片灰色的小湖,幾條灰色的小溪,算是一點(diǎn)變化點(diǎn)綴。天空是灰色的。沒(méi)有太陽(yáng),也沒(méi)有太陽(yáng)的影子。他不知道哪兒是北方,他已經(jīng)忘掉了昨天晚上他是怎樣取道走到這里的。不過(guò)他并沒(méi)有迷失方向。

      通過(guò)使用適應(yīng)度函數(shù),可以求得每個(gè)粒子的適應(yīng)度值。隨后,更新粒子位置的過(guò)程會(huì)一直持續(xù)到簇頭節(jié)點(diǎn)達(dá)到當(dāng)前最優(yōu)位置為止,算法1給出了改進(jìn)算法的偽代碼。

      算法1改進(jìn)多目標(biāo)引力搜索算法

      輸入:HC,Max C(最大迭代次數(shù))

      輸出:bes(e)(最優(yōu)簇頭節(jié)點(diǎn))

      1:Begin

      2:隨機(jī)初始化節(jié)點(diǎn)位置Pi

      3:P(ie-2)=P(ie)

      4:P(ie-1)=P(ie)

      6:選擇最優(yōu)粒子位置

      7:While(e<MaxC)

      8:For每一個(gè)粒子

      9:采用分?jǐn)?shù)階微積分理論生成解P(ie+1)

      10:為每個(gè)解計(jì)算適應(yīng)度值

      11:End For

      12:If任意一個(gè)節(jié)點(diǎn)不可達(dá)

      13:用一個(gè)解替換這個(gè)節(jié)點(diǎn)

      14:End If

      15:保存最優(yōu)粒子位置

      16:P(ie-2)=P(ie-1)

      17:P(ie-1)=P(ie)

      18:P(ie)=P(ie+1)

      19:e=e+1

      20:End W hile

      21:End

      3.6 計(jì)算能量損耗

      一旦確定了當(dāng)前最優(yōu)簇頭節(jié)點(diǎn)位置后,數(shù)據(jù)包將會(huì)由普通節(jié)點(diǎn)發(fā)送至簇頭節(jié)點(diǎn)。根據(jù)硬件發(fā)送器與接收器之間的距離,節(jié)點(diǎn)的能量損耗可以通過(guò)第1部分中所描述的網(wǎng)絡(luò)節(jié)點(diǎn)能量模型計(jì)算得出。因此,每個(gè)節(jié)點(diǎn)的能量值將會(huì)在收發(fā)大小為KS的數(shù)據(jù)包后進(jìn)行更新,數(shù)據(jù)包的收發(fā)將會(huì)持續(xù)到節(jié)點(diǎn)變成死節(jié)點(diǎn)為止。

      4 仿真分析

      在仿真分析環(huán)節(jié)中,仿真實(shí)驗(yàn)的硬件環(huán)境為:CPU:Intel Core i5 6400 2.7 GHz;內(nèi)存:4GB;操作系統(tǒng):Windows 10×64;軟件平臺(tái):MATLAB R2012;仿真實(shí)驗(yàn)參數(shù)如表1所示。

      表1 仿真實(shí)驗(yàn)參數(shù)Tab.1 P arameters of simulation

      為了分析改進(jìn)算法的性能,通過(guò)與3種現(xiàn)存算法(ABC[18,19,20]、GSA、MPSICA)進(jìn)行比較,并從存活節(jié)點(diǎn)數(shù)目和網(wǎng)絡(luò)能量?jī)煞矫鎸?duì)改進(jìn)算法的性能進(jìn)行了分析。

      仿真實(shí)驗(yàn)中所有節(jié)點(diǎn)的網(wǎng)絡(luò)能量均符合第1部分中定義的網(wǎng)絡(luò)節(jié)點(diǎn)能量模型,實(shí)驗(yàn)過(guò)程中的每一輪迭代表示算法對(duì)無(wú)線傳感器網(wǎng)絡(luò)中所有簇頭節(jié)點(diǎn)的一次位置及能量更新。對(duì)比實(shí)驗(yàn)采用4種算法(本文改進(jìn)算法和3種現(xiàn)存算法)對(duì)無(wú)線傳感器網(wǎng)絡(luò)迭代一定的輪數(shù)后,通過(guò)對(duì)網(wǎng)絡(luò)內(nèi)存活節(jié)點(diǎn)數(shù)目和網(wǎng)絡(luò)能量的比較分析說(shuō)明改進(jìn)算法相較于3種現(xiàn)存算法而言是如何高效延長(zhǎng)網(wǎng)絡(luò)生命周期的。

      4.1 影響網(wǎng)絡(luò)生命周期的因素

      一般情況下,無(wú)線傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)能量變?yōu)?時(shí),認(rèn)為該節(jié)點(diǎn)為死節(jié)點(diǎn),當(dāng)節(jié)點(diǎn)數(shù)量小于10%時(shí),認(rèn)為網(wǎng)絡(luò)不能繼續(xù)工作。

      節(jié)點(diǎn)的能量受通信節(jié)點(diǎn)間距離的影響,節(jié)點(diǎn)間的距離越大,能量損耗就越嚴(yán)重,網(wǎng)絡(luò)內(nèi)通信大多集中在普通節(jié)點(diǎn)與簇頭節(jié)點(diǎn)之間,因此,通過(guò)更新簇頭節(jié)點(diǎn)的位置,使其與自身普通節(jié)點(diǎn)之間的距離最優(yōu),便可降低能量損耗,從而延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的生命周期。

      更新簇頭節(jié)點(diǎn)位置操作產(chǎn)生的延遲也應(yīng)足夠小,該延遲與節(jié)點(diǎn)消耗的能量成正比,因此,降低更新簇頭節(jié)點(diǎn)位置操作的延遲,也可有效延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的生命周期。

      在每個(gè)簇中,鏈路普遍存在于普通節(jié)點(diǎn)與其對(duì)應(yīng)的簇頭節(jié)點(diǎn)之間,鏈路生命周期表示了每個(gè)簇的最大傳輸時(shí)長(zhǎng),鏈路生命周期越長(zhǎng),無(wú)線傳感器網(wǎng)絡(luò)的生命周期就越長(zhǎng)。

      基于對(duì)影響網(wǎng)絡(luò)生命周期因素的分析,本文在2 000輪迭代后通過(guò)將每種算法對(duì)應(yīng)的4個(gè)適應(yīng)度參數(shù)值(能量、距離、延遲和鏈路生命周期)進(jìn)行對(duì)比,對(duì)改進(jìn)算法的性能進(jìn)行了深入分析。

      4.2 改進(jìn)算法性能分析

      圖4為存活節(jié)點(diǎn)數(shù)目變化圖。

      圖4 存活節(jié)點(diǎn)數(shù)目變化圖Fig.4 Comparative performance based on number of alive nodes

      圖4(a)描述了仿真實(shí)驗(yàn)中存活節(jié)點(diǎn)數(shù)目隨改進(jìn)算法迭代輪數(shù)變化的關(guān)系圖,初始狀態(tài)下的100個(gè)普通節(jié)點(diǎn)在前1 259輪迭代中能保持全部存活,而在后741輪迭代中,網(wǎng)絡(luò)內(nèi)存活節(jié)點(diǎn)數(shù)目逐漸降低至0。圖4(b)描述了對(duì)比實(shí)驗(yàn)中存活節(jié)點(diǎn)數(shù)目隨4種算法迭代輪數(shù)變化的關(guān)系圖,對(duì)比實(shí)驗(yàn)將本文所提出的改進(jìn)算法與3種現(xiàn)存算法進(jìn)行比較,在第1 100輪迭代時(shí),ABC、GSA、MPSICA這3種算法中的存活節(jié)點(diǎn)數(shù)目分別為69、15、73,而本文所提出的改進(jìn)算法仍能保持100個(gè)節(jié)點(diǎn)全部存活。一般情況下,當(dāng)網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)目小于10%時(shí),認(rèn)為網(wǎng)絡(luò)不能繼續(xù)工作,對(duì)應(yīng)本文的仿真實(shí)驗(yàn),當(dāng)網(wǎng)絡(luò)中存活節(jié)點(diǎn)數(shù)目?jī)H剩10個(gè)時(shí),改進(jìn)算法的迭代輪數(shù)達(dá)到1 937輪,相比于ABC、GSA、MPSICA這3種算法的1 749輪、1 582輪和1 713輪,可見(jiàn)改進(jìn)算法將網(wǎng)絡(luò)生命周期分別提升了10.7%、22.4%和13.1%。

      圖5為網(wǎng)絡(luò)能量變化圖。

      圖5 網(wǎng)絡(luò)能量變化圖Fig.5 Com parative performance based on network energy

      圖5(a)描述了仿真實(shí)驗(yàn)中網(wǎng)絡(luò)能量隨改進(jìn)算法迭代輪數(shù)變化的關(guān)系圖,在改進(jìn)算法第一輪迭代時(shí)網(wǎng)絡(luò)能量的最大值為0.548 8,隨著迭代繼續(xù),網(wǎng)絡(luò)能量逐漸衰減,在第500輪迭代時(shí),網(wǎng)絡(luò)能量衰減至0.378 4,在第1350輪迭代時(shí),網(wǎng)絡(luò)能量衰減至0.106 8。圖5(b)描述了對(duì)比實(shí)驗(yàn)中網(wǎng)絡(luò)能量隨4種算法迭代輪數(shù)變化的關(guān)系圖,對(duì)比實(shí)驗(yàn)將本文所提出的改進(jìn)算法與3種現(xiàn)存算法進(jìn)行比較,在第750輪迭代時(shí),ABC、GSA、MPICA這3種算法的剩余能量分別為0.242 4、0.139 4、0.212 7,而本文所提出的改進(jìn)算法的剩余能量可以達(dá)到0.306 8。在第1 500輪迭代時(shí),ABC、GSA、MPSICA這3種算法的剩余能量分別為0.036 1、0.033 3、0.040 1,而本文所提出的改進(jìn)算法的剩余能量可以保持在0.071 2。因此可得出結(jié)論,本文提出的改進(jìn)算法可以使網(wǎng)絡(luò)在相對(duì)較長(zhǎng)的時(shí)間內(nèi)獲得較高的網(wǎng)絡(luò)能量,有助于在網(wǎng)絡(luò)節(jié)點(diǎn)間高效傳輸數(shù)據(jù),從而有效延長(zhǎng)了網(wǎng)絡(luò)生命周期。

      4.3 適應(yīng)度參數(shù)值比較分析

      這一小節(jié)就4個(gè)適應(yīng)度參數(shù)值(能量、距離、延遲、鏈路生命周期)方面將本文提出的改進(jìn)算法與3種現(xiàn)存算法進(jìn)行比較。當(dāng)4種算法均迭代2 000輪后,每種算法對(duì)應(yīng)的4個(gè)適應(yīng)度參數(shù)值如下表2所示。

      表2 算法與適應(yīng)度參數(shù)值對(duì)照表Tab.2 Comparative fitness parameters of the methods

      由表2可見(jiàn),在能量方面,本文提出的改進(jìn)算法可以使適應(yīng)度參數(shù)值達(dá)到0.041 6,相對(duì)于3種現(xiàn)存算法而言,達(dá)到了一個(gè)較高值。在距離、延遲和鏈路生命周期等方面改進(jìn)算法所得到的適應(yīng)度參數(shù)值同樣優(yōu)于3種現(xiàn)存算法。通過(guò)表2可知,本文提出的改進(jìn)算法在適應(yīng)度參數(shù)值方面優(yōu)于現(xiàn)存算法,表現(xiàn)出更好的性能。

      5 結(jié)論

      本文所提出的改進(jìn)引力搜索算法(IMPGSA)可應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)協(xié)議中,用于在網(wǎng)絡(luò)中不斷更新簇頭節(jié)點(diǎn)的位置,從而有效的延長(zhǎng)了網(wǎng)絡(luò)生命周期。該算法通過(guò)將分?jǐn)?shù)階微積分理論集成到引力搜索算法中來(lái)優(yōu)化引力搜索算法,使用這種改進(jìn)算法來(lái)迭代地更新簇頭節(jié)點(diǎn)的位置,然后將更新后的簇頭節(jié)點(diǎn)位置以多目標(biāo)適應(yīng)函數(shù)計(jì)算適應(yīng)度值,這些目標(biāo)包括能量、距離、延遲和鏈路生命周期。仿真結(jié)果表明,本文提出的改進(jìn)算法與人工蜂群算法(ABC),引力搜索算法(GSA)和粒子群免疫協(xié)同算法(MPSICA)相比,網(wǎng)絡(luò)生命周期分別提高了10.7%、22.4%和13.1%。

      猜你喜歡
      搜索算法引力適應(yīng)度
      改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
      改進(jìn)的和聲搜索算法求解凸二次規(guī)劃及線性規(guī)劃
      引力
      初中生(2017年3期)2017-02-21 09:17:40
      感受引力
      基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
      A dew drop
      基于汽車(chē)接力的潮流轉(zhuǎn)移快速搜索算法
      基于逐維改進(jìn)的自適應(yīng)步長(zhǎng)布谷鳥(niǎo)搜索算法
      基于跳點(diǎn)搜索算法的網(wǎng)格地圖尋路
      引力
      普兰店市| 兴山县| 平和县| 景谷| 临安市| 泸定县| 宁晋县| 鸡东县| 泰安市| 吕梁市| 潍坊市| 奉节县| 龙南县| 锦州市| 清新县| 道真| 瑞丽市| 韩城市| 富民县| 盐亭县| 綦江县| 乌拉特前旗| 巍山| 巫溪县| 洪湖市| 朝阳市| 那曲县| 仁化县| 张掖市| 弥勒县| 桂平市| 孟连| 大冶市| 济阳县| 密山市| 罗田县| 航空| 宜黄县| 泽普县| 葫芦岛市| 峡江县|