基于蚁群的无线网络

合集下载

蚁群算法在无线传感器网络路由能量均衡中的应用

△ ：
ｌ０
若第
否则
蚁在本次循环
过‘ ‘
（３）
１基本蚁群算法模型
１１９年，Ｍｄｆｏ９．ｉ等人将蚁群算法应用于求解ＴＰｏｇＳ问题，提出了基本蚁群算法的数学模型。ＴＰＳ问题是求在Ｎ个城市中确定一条最短的遍历所有城市有且仅有一次的回路。设ｉｎ为蚂蚁的数量，Ｎ个城市中蚂蚁的
３１设计上的措施．
， …
２蚁群算法在ＷＳＮ路由能量均衡中的应用将蚁群算法应用于无线传感器网络路由中，假设在传感器节点ｉ向传感器节点ｊ发送数据时的发送能耗为，点接收能耗为Ｅ，为传感ｊ器节点正常工作的能量临界值，则节点ｉ必须满足：和ｉ
Ｅ一ｄ ≥０（４）
ｓＥｉＥ～Ｉ一Ｅｎ ≥ Ｅ — ｓｄｅｓ
数量为ｍ己Ｄ，其中６ｆＪ．表示在ｔ（时刻位于城市ｉ的蚂蚁数量，，（ｆ）
ｉ＝１ ’
表示ｔ时刻城市ｉ之间的信息素浓度，在初始状态时各城市间的信息素与ｉ浓度相同都为一常数ｃｓｏｔｎ，用（来计算蚂蚁在ｔ刻从城市ｉｆ）日寸选择移动到
．
（月＝ｆ）＋
△
（）２
其，△ ＝（，ｌ）示路ｉ上信素中 ∑△ ｆ △，在径（）的息增）（ｆ表，ｊ
量，Ａ（表示第ｋｆ）只蚂蚁在本次循环中在路径（ｊ上留的信息量。在ｉ），计算Ａｔ的时候，采用蚁周模型计算法，即：
城市ｊ的概率，ｆ麒）的计算表达式为：

Ad Hoc网络中基于蚁群优化的路由选择算法

以跳数最少作为选择标准，但由于一条路径的带宽是有限的，当很多节点都选择跳数最少路径作为路由
ｃｅｅｌｂａｌｐｉｚｎ．Ｓｍｕａｉｎｄｍｏｓｒｔｄｔａｅａｇｒｔｍａｅｃｖｒｇｎｏｅｅａｒｍｈｉｖｓｇｏｌｙｏｔｍｉｉｇｉｌｔｅｎｔａｅｈｔｔｏｈｃｎｒｄｕｅａｅａｅｅｄｔｎｄｄｌｙｆｏｏｈｌｉ０．ｏ０２８Ｓａｄｐｏｏｇ３７５Ｓｔ．ｎｒｌｎ０％ｏｅｌｅｍｅｉｅｎｔｒｓｔｐｉｚｅｏｋｒｓｕｃｔｌｚｔｎ．ｆｔｉｔｎｔｅｗｏｋｏｏｔｈｆｉｈｍｉｅｎｔｒｅｏｒｅｕｉｉａｉｗｏＫｅｙｗｏｒｓ：ＡｄＨｏｅｗｏｋｄｃｎｔｒｓ；ａ — ｏｏｙｏｔｍｉａｉｎ；ｒｕｉｇｓｌｃｅｇｒｔｍｎｔｃｌｎｐｉｚｔｏｏｔｎｅｅｔｄａｏｈｌｉ
ｂｃｏｌｆｌｃｏｉＥｓｎｅｉｇｅｉｇＵｉｅｉｆｏｔａｄＴｌｃｍｕｉａｏｓｅｉｇ１０７，Ｃｉａ．Ｓｈｏｏｅｔｎｃｎｉｅｒ，Ｂｉｎｎｖｒｔｏｓｎｅｏｍｎｃｔｎ，Ｂｉｎ０８６ｈ）ＥｒｎｊｓｙＰｓｅｉｊｎ
Ｖｏ．５Ｎ．１２ｏ６
ＮＯ２Ｖ．咖
文章编号：６１８６２０）６５２０１７－９（０７０－８－５５０
ＡｏｄＨｃ网络中基于蚁群优化的路由选择算法

基于自组织聚类和蚁群算法的无线传感器网络路由算法

Ａｂｔａｔｓｒｃ：Ｂａｅｎｔｅｆａｕｅｏｎｒｙｄｆｉｎｙｉｒｌｓｅｓｒｎｔｒｓｈｓｐｐｒｐｏｏｅｅｔａｉｅｌｓｒｓｄｏｈｅｔｒｆｅｅｇｅｃｅｃｎｗｉｅｓｓｎｏｅｗｏｋ，Ｔｉａｅｒｐｓｓａｃｎｒｌｄｃｕｔ — ｉｅｚｅ
ｃａｏｅｆｃｅｔｏｔｇａｏｔｍＳＣＩＣ，ｈｃｏｓｔｏｌｏｇｎｚｇｃｓｒｇａｇｒｈ（ｏ）ａｄｉｔｌｅｔｎｈｉｐｗｒｉｉｎｒｕｉｌｒｈＯ－ＡＯｗｉｃｎｉｓｆｅ－ｒａｉｎｌｔｉｌｏｉｍｓｃｎｅｉｎｔｎｅｎｇｉｈｓｓｆｉｕｅｎｔｎｌｇＡ
ｇｔｄａｄｔｎｍｉｅｌｎｌｓｅｏｅｈｉｏｃｕｔｒｈａ．ｈｎａｇｅａｅａａｏｖｒｅｄｗｉｅｔａｓｔｄａｏｇｃｕ — ａｅｎｒｓｔｄａｏｇｃｕｔｒｎｄｓｃａｎｔｌｓｅｅｄＴｅｇｒｇｔｄｄｔｆｅｅｙｈａｌｂｎｍｉｅｌｎｌｓａｔｌｒｔ
ｃａｎｗｉｅｃｎｔｃｅ；ｈｎＢｓｓＩＯｌｏｔｍｏｃｎｔｃｅｒｏｔｌｏｅｈｉｒｅｃｌｓｅ．ｔｌｂｇｒ — ｈｉｌｂｏｓｒｔｄｔｅＳｕｅＡＣａｇｒｈｔｏｓｒｔａｎａ－ｐｉｌｕｉｕｍａｎｄｓｃａｎｆａｈｃｕｔｒＤａａｗｉｅａｇｅｏｌ

基于蚁群优化的能量均衡自适应路由算法

不同，无线传感器网络的网络流量集中在汇聚节点（ｓｉｎｋ）和源节点之间，具有多对一（ｍａｎｙｔｏｏｎｅ）和一
路由维护几个阶段的实现，使用简单洪泛广播使网络中的节点获得邻居节点信息和自身距离ｓｉｋ节点的跳数位置，ｎ路由的构建通过优化记录有邻居节点信息素强度的路由表实现。路由表的优化使用蚁群优化机制实现，算法派发出寻径蚂蚁在多次迭代过程中使用状态转移概率不
算法（ＡＣＯｂａｓｅｄＥｎｅｒｇｙ — ＢａｌａｎｃｅＡｄａｐｔｉｖｅｒｏｕｔｉｎｇａｌ —
相比明显的减少了网络开销，提高了网络性能。
１。１路由初始化
路由初始阶段，所有节点单跳广播其ＩＤ号，每个
、ｂ１．２８Ｎｏ．１
基于蚁群优化的能量均衡自适应路由算法
杨大鹏
（海军驻重庆地区军事代表局，成都６１０１００）
摘要：基于蚁群优化的ＷＳＮｓ路由算法具有蚁群优化自组织性、正反馈性和并行性的特点，在构造无线传感器网络中的最优路由时有很好的性能。但是蚁群优化构造最优解时带来的网络开销十分可观，不适合在路由维护阶段反复使用蚁群优化重构路由。考虑到蚁群优化的上述特点，同时针对无线传感器网络能量受限的特点，提出了一种基于蚁群优化的能量均衡白适应路由算法。该算法使用了新的信息素更新算子，算子中包含了网络能量水平因子，能够均衡网络能量消耗。在路由维护阶段，该算法使用了新的基于侦测蚂蚁的自适应路由维护机制，很好地降

基于蚁群优化的无线传感器网络路由算法

基于蚁群优化的无线传感器网络路由算法作者：邬欢欢张任来源：《智能计算机与应用》2014年第03期收稿日期：2014－05－13基金项目：塔里木大学校长基金（TDZKSS201319）。

作者简介：邬欢欢(1982-),男,新疆阿拉尔人,硕士,讲师,主要研究方向: 无线传感器网络、分布式信息处理。

摘要：路由技术是无线传感器网络（WSNs）的关键技术。

基于蚁群优化的无线传感器网络路由算法具有蚁群算法的自组织、正反馈和并行性的特点，在构造WSNs的最优路由时有很好的性能。

介绍了蚁群算法的数学模型，着重从启发因子的构建方式上描述了当前典型的基于蚁群的路由算法，并比较分析了这些算法的特点及存在问题，在此基础上给出了设计启发因子的方法，为进一步研究提供了一些解决思路。

关键词：无线传感器网络；路由算法；蚁群优化中图分类号：TP393文献标识码：A文章编号：2095-2163（2014）03-0067-03Ant Colony Optimization-based Routing Algorithm in Wireless Sensor NetworksWU Huanhuan， ZHANG Ren(College of Information Engineering, Tarim University, Alar Xinjiang 843300, China)Abstract：Routing technology is pivotal in the architecture of wireless sensor networks(WSNs). The routing algorithm based ACO(Ant Colony Optimization) has good performance in WSNs，for its server advantages，such as robustness，positive feedback，distributed computing and parallelism. The paper presents analysis of the mathematical model of ant colony algorithm, mainly from the construction method of heuristic factor describes the current typical routing algorithm based on ant colony algorithm.After doing research on typical algorithms，the paper compares their performance，presents a method of designing inspiration factor，and points out some research issues.Key words：WSNs; Routing Algorithm; ACO0引言无线传感器网络（wireless sensor networks，WSNs）的应用主要集中在小数据量的低速报文传送上，但随着近年物联网产业的飞速发展，WSNs作为物联网中主要的信息感知方式，在一些新业务的拓展应用中也需要对实时数据和高速数据源实现可靠的传输支持，这就对无线传感器的网络能耗提出了更高要求，所以节能研究还有广阔的探讨空间。

Ad Hoc网络基于蚁群的按需路由算法研究

２００７年４月
武汉理工大学学报鸯蓉）（差
ＪｕｎｌｏｕａｉｅｓｔｆｃｎｌｇｏｒａｆＷｈｎＵｎｖｒｉｙｏＴｅｈｏｏｙ
（ａｓｏｔｔｎＳｉｃＴｒｎｐｒａｉｃｎｅ＆Ｅｇｎｅｉ）ｏｅｎｉｅｒｇｎ
了数据通信的较大延迟不适用于实时和多媒体通
信．如何在算法中有效克服以上问题，出更为有提
效的路由协议已经成为研究人员当前的一个重要研究方向．群优化算法（ｎｏｏｙｏｔｚ— 蚁ａｔｃｌｎｐｉａｍｉ
网络，已经提出了一些基于蚁群算法的路由优化协议，ＡＢ如Ｃ和ＡｎＮｅ．者都是以主动方式利ｔｔ二
结构、中心和自组织等特性，无通过在各自通信范
围内的移动单元之间的相互协作来完成组网和数
用人工蚁群来实现路由的建立和维护，别在于差
摘要：目前已有一些研究将蚁群优化算法应用于ＡｏｄＨｅ网络，中在分析已有成果的基础上提出文了一种新的按需路由算法，算法综合了蚁群优化和ＡＶ及ＤＲ协议的思想，源和目的之间该ＯＤＳ在建立起多路径路由，效地提高了网络传输性能．拟结果显示，算法能较好地适应ＭＡＴ动有模该ＮＥ
协议本身存在着一些固有的缺陷：动路由机制主需要不断更新移动节点的路由表，量路由信息大

MANET中基于蚁群的网络核心提取分布路由协议

１概述
Ａｃ网络是由多个共享无线ቤተ መጻሕፍቲ ባይዱ信道的移动主机利用彼ｄＨｏ
此的相邻性建立起来的动态多跳无线网络，是一种自组织、
很大；
（）２该机制在核心节点之间采用交换消息的方式建立信道来维持前摄路由，开销大并且静态地维持信道容易导致核心广播机制的连
接失败；
自适应、不需要基础没施的网络。无线ＡｏｄＨｃ网络可用于多
个领域，如在商务会议中进行数据共享、军事人员在战场上转发战术或其它类型的信息、或发生地震、洪水等自然灾害发生时，紧急灾难会恢复人员进行协商等。在这些应用中，网络都具有资源（如带宽、电力等）受限的特征，无法建立网络基础设施且具有动态性。为此，如何开发适合这类ＡｏｄＨｃ网络特性的路由协议成为了近年来研究热点。
最近几年，研究者们提出了不同的适合移动Ａｃ网ｄＨｏ络的路由算法，ＤＳ …、ＡＶ、ＣＤ１等。由于ＤＳ如ＲＯＤＪＥＡＲ３］Ｒ
（）３由于需要维护每一对邻居核心节点之间的信道，这可能会导致信道的重叠，从而造成消息的冗余传递。（）ｎ４ａｔ算法１５以用于网络中的高效路由，也可以用于发现节４１．可点的拓扑和提高连通性。ｎ算法的主要思想之一是基于信息素痕迹ａｔ在节点之间进行间接通信。信息素正是现实中的蚂蚁进行通信的方
ｆｒＭｏｌｏｂｉｅＡｄｃＮｅｗｏｋＨｏｔｒ
ＨＥａｘａｇＷＥＮｅｄｎ，ＩＨｕ，ＵｏｎＹｎｉｎ，ＷｉｏｇＪＮｉＬＩＨａｗｅ

改进蚁群算法的无线传感器网络路径优化

３传感器节节点随机分布于网络监控区内，）且每一个节
点都赋予唯一的标识，编号：，，，。即１２ … ｎ２２ＷＳ路径优化问题的数学模型．Ｎ
一
优劣（目标函数值）对每条路径上信息素量进行更新，体，具
更新规则为：
叩义为：
町＝
２传感器节点一旦部署后就固定下来，）传感器节点被看作为通半径大小正方形内的一个点，所有传感器节点初始能
量相同。
１
（）７
式中，ｄ表示传感器节点ｉ与传感器节点』之间距离。当全部蚂蚁完成一次循环后，根据每个蚂蚁获得路径的
（＋ｎ＝Ｐ× ｒ（）＋△ ｔ）ｔｆ，（）８
个ＷＳＮ可以采用一无向赋权图来表示Ｊ即有：，
Ｇ＝＜ＶＥ＞，（）１
式中，表示ＷＳＮ节点集，Ｅ表示节点间通信链路集。
和Ｅ具体形成描述如下：
Ｖ＝｛，，，｝ … （）２
优缺点的基础上，通过把蚁群算法作为ＷＳＮ路径优化的主框架，采用遗传算的选择、叉和变异算子提高蚁群算法搜索速交
度，出一种改进蚁群算法的ＷＳ提Ｎ路径优化方法。仿真结果表明，改进蚁群算法有效地克服了基本蚁群算法的缺陷，提高了ＷＳＮ路径优化效率和成功率，减少了能理消耗，有效延长了网络生存时间。
ＷＳＮ适应度函数需考虑路径长度、点能量消耗和整节个ＷＳＮ能量均衡等因素，因此，一条ｎ传感器节点可行路个

基于蚁群的AdHoc网络分簇路由算法

２Ｃｌｇｆｏｐｔ，ａｊｇＵｉｅｉｆｏｔ＆ＴｌｏｍｕｉａｏｓＮａｊｇ２００，ｈａ．ｏｅｅｏｍｕｅＮｎｉｎｖｒｔｏｓｌＣｒｎｓｙＰｓｅｃｍｎｃｔｎ，ｎｉ１０３Ｃｉ）ｅｉｎｎ
ＡｂｔａｔＷｉｌｓｃｎｔｒｓａｍｕｔｏｔｍｐｒｒｎｄｐｅｂｌｕｏｏｕｓｓｓｅ，ｉｈｉｏｏｅｆａｇｏｐｏ — ｓｒｃ：ｒｅｓＡｄＨｏｅｗｏｋｉｌｉｅ —ｈｐ，ｅｏａｙａｅｒｍｏｉａｔｎｍｏｙｔｍｗｈｃｓｃｍｐｓｄｏｒｕｆｍｏｅｂｌｏｅｔｒｌｓｎｅｆｃｓＲｏｔｇｐｏｏｏｓａｉｄｓｅｓｂｅａｄｉｏｔｎｏｉｅｎｄｓｗｉｗｉｅｅｓｉｔｒａｅ．ｕｎｒｔｃｌｉｎｉｐｎａｌｎｍｐｒａｔｃｍｐｎｎｆＡｄＨｏｅｗｏｋａｃｉｅｔｒ，ｏｔｅｈｉｏｅｔｏｃｎｔｒｒｈｔｃｕｅｓｈｍｕｎｒｔｃｌｏｃｎｔｒｅｏｉｔｇｐｏｏｏｆＡｄＨｏｅｗｏｋｂｃｍｅｈｕｒｎｅｅｃｏｕｓＡｃｏｄｎｏｔｅＡｄＨｏｅｗｏｋｎｄｓｗｉｉｉｄｅｅｇｆｓｔｅｃｒｅｔｒｓａｈｆｃ．ｃｒｉｇｔｃｎｔｒｏｅｔｌｔｎｒｙｏｒｈｈｍｅ
由协议是Ａｏｄຫໍສະໝຸດ ｃ网络体系结构中不可或缺的重要组成部分，因此路由协议的研究成为当前ＡｏｄＨｃ网络研究的重点。针对ＡｏｄＨｃ网络节点能量有限的特性，提出了一种基于分簇及蚁群的组合路由算法（ＲＡ）ＣＢＣ。给出了分簇策略下的簇内簇间路由机制，内采用按需路由策略，簇将改进的蚁群算法应用到簇内路由机制中，过扩散信息素选择能量高的邻节点通均衡网络节点能量，簇间采用尽可能简单的表驱动路由策略。仿真结果表明，而该算法是合理的，有效地减少了端到不仅

基于蚁群的Mesh网络路由算法模型的设计

图２蚁群算法模型方程１
其中，ａｌｌｏｗｅｄｋ＝｛０，１，２，３…，ｎ－１｝表示蚂蚁ｋ下一步可以
选择的节点．依据方程１可知，概率ｐｋｉｊ（ｔ）与 ταｉｊ＊ηβｉｊ成正比．α 为信息启发因子，β 为期望启发式因子，分别反映了蚂蚁在
ｐｋｉｊ：包ｋ的转移概率，ｊ是尚未访问的节点．为了满足问题的约束条件，在完成一次循环后，不允许
数据包选择已经访问过的路径，基于以上模型，用蚁群算法
（ＡＮＴ）来实现．
4 基于蚁群的无线 Mesh 网络路由算法设计
初始时刻，由于每条路径上的信息量是相同的，不妨设
τｉｊ＝Ｃ（Ｃ为为常），蚂蚁ｋ（ｋ＝１，２，３…）在运动过程中的转移方向取决于路径上的信息量．依据随机比例规则，可以确定蚂
（３）Ｌ＊是所找出的最优解的路径长度．
3 无线 Mesh 网路由算法模型
针对无线Ｍｅｓｈ网的特点，设计路由算法，首先要考虑
网络中可能遇到的各种情况，所要数据有不同的需求，然后
根据不同的情况和需求选择最优的路径来完成数据的传输．
为说明问题，首先建立一个简单的网络模型：给定ｎ个
节点和两两节点间的距离，要求确定一条经过各节点且每
图１无线Ｍｅｓｈ网络由于无线Ｍｅｓｈ网络具有自动组网功能，能够提供无线网主干的灵活性，在无线网高速发展的今天特别受关注，无线Ｍｅｓｈ网络的如今的应用非常广泛如：社区网络、小区监控系统、无线公交等． 2 蚁群算法概述蚁群算法（ａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ），又称蚂蚁算－２８－
基于Ｍｅｓｈ的无线网络（ＷＭＮ）主要有两类节点组成：Ｍｅｓｈ路由器和Ｍｅｓｈ客户．其中Ｍｅｓｈ路由器具有网关路由和Ｍｅｓｈ组网路由两个功能．无线Ｍｅｓｈ网络，如１图所示，众多无线路由器（ＷＲ）相互合作，成网状分布，从而将无线网络对城市任意位置覆盖，实现无线移动通信．

优化的蚁群算法在无线传感器网络中的应用

【要】摘蚁群算法是一种新型的用于求解组合优化或函数优化问题的启发式算法，其基本思想是借用生物界的蚂蚁群体觅食机理，将每个蚂蚁看作一个智能体．为智能群体的蚁群，觅食过程显现出高度的并行性、作其正反馈性和鲁棒性，以此为基础的蚁群算法也具有这样一些特点。蚁群算法在路径选择方面的优势正好应用于无线传感器网络中源节点到目标节点的最优路径的建立。
蚂蚁在运动过程中．能够在它所经过的路径上留下一种叫做信息素的物质．并以此指导自己的运动方向蚂蚁倾向于朝着该物质强度高的方向移动。因此．由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多．则后者选择该路径的概率越大。蚂蚁个体之间就是通过这种信息的交流达到搜索事物的
目的的。
＋（］［（［ｚ］） × ）
Ｊｌｗｄ ∈ａｌｅｋｏ
∑ｆｄ ∈ｌ
０，ｏｈｒｓｔｅｗｉｅ
＋（［￡］［￡（））
’
（３式）其中，ｋ０是第ｋ只蚂蚁访问下一节点剩余能量的运算因子．其表蚁群算法最成功的就是运用在旅行商ｆｔｖｌｇｓｅｍ．Ｃｒｅｎａｓ３ａｉｌｎ ’ ｐｂｍＰ问题上。Ｓ具有广泛的代表意义和应用前景，ｒｌ，）ｏｅＴＰ许多问题达式如下：ｊ × √∈砒（４式）均可抽象为ＴＰ的求解ＳＴＰ就是指给定ｎＳ个城市和两两城市之间的距离．要求确定一条 ∑ （）经过各城市当且仅当一次的最短路线。设ｍ是蚁群中蚂蚁的数量．用ｄ表示城市ｉｉｊ和城市ｉ之间的距离，ｊ）＂（ｒｔｉ表示ｔ时刻残留在城市ｉｊ、连式３式４表示了蚂蚁在寻找最短路径的同时受到了节点能量消、线上的信息量。初始时刻ｔ＝Ｏ时．ｍ只蚂蚁随机放置到ｎ将个城市中耗的限制。式４中的参数Ｍ可以根据不同的实验环境取得最合适的的ｍ个城市上，条路径上的信息素量相等，＂ｆ＝（为常数）解，它的主要作用是平衡剩余能量这个因素在概率选择中所占的比各设ｄ０ｃｃｊ）。蚂蚁ｋｋｌ．）（＝，３．在运动过程中根据各条路径上的信息素量决定重。５２ｍＭ＝是在本实验环境内经过多次计算所得到的可以使网络生存期转移方向。蚂蚁系统所使用的状态转移规则被称为随机比例规则．它最长的常量参数给出了位于城市ｉ的蚂蚁ｋ选择移动到城市ｊ的概率在ｔ时刻．蚂蚁４总结与展望ｋ在城市ｉ选择城市ｉ的转移概率对Ｐｊ（为：ｉｔｋ）

基于自适应蚁群算法的无线传感器网络能量优化

ＡｂｔａｔＷｈｎｔｅｅｅｇｍｉｄｏｔｅｕｅｐｗｅｏｓｍｐｉｎｏｏｅｉｔｅｍｏｔｍｐｒａｔｒｂｅｗｈｃｓｒｃｅｈｎｒｙｉｌｔ，ｈｗｏｒｄｃｏｒｎｕｔｆｄｓｈｓｉｏｔｎｏｌｍｉｈｓｉｅｃｏｎｐ
第３９卷第６期
Ｖｂ．９ＮＯ６１３．
河
北
工业大来自学学报
２１００年１２月
ＤｅｅｅＯｃｍｂｒ２１Ｏ
Ｊ０ＵＲＮＡＬＯＦＨＥＢＥＩＬＮＩｒＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹ
文章编号：１０ —３３（００６００ —５０７２７２１）０ —０４０
ｐａａｌｌｃｍｐｕｉｇｒｌｏｅｔｎ
０前言
无线传感器网络（ｒｌｓＳｎｏｔｒ，简称ＷＳＷｉｅｅｓｒｗｏｋｅｓＮｅＮ）是一种由大量具有通信与计算能力的微小传感
器节点构成的网络系统，具有可快速部署、可白组织和容错性高的特点，现已广泛应用于军事、环境、健
康、家庭和商业等领域Ｉ１Ｉ．ＷＳ－２Ｎ节点通常只有有限能量，当自身能量消耗殆尽，节点即失效，因此在设计ＷＳＮ时，如何尽量提高能效成为非常重要的问题；此外，ＷＳＮ节点稠密撒布，节点问的有效探测范围相互
延时较短．
关键
词
无线传感器网络；能量优化；自适应蚁群算法；鲁棒性；并行计算

基于蚁群算法的网络路由最优路径判断模块设计与实现

基于蚁群算法的网络路由最优路径判断模块设计与实现徐虹;杨雅志;赵明【摘要】网络中节点的能量是有限的，网络拓扑结构具有波动性，导致传统网络路由算法不能有效适应这些变化，自组织性较差，无法及时获取最优路径，大大降低网络性能。

因此，设计基于蚁群算法的网络路由最优路径判断模块。

其以FPGA 为控制核心实现硬件设计，具体包括控制模块、存储器模块、寻求后续节点集模块、采集后续节点模块、状态调整模块、信息素调整模块和最优路径判断模块。

模块实现部分给出了蚁群算法的核心代码。

实验结果表明，所设计的最优路径判断模块具有较高的收敛速率，获取的路径更短，能够延长网络的运行周期。

%Since energy in the network node is limited,and the network topology has volatility,which cause that the tradi⁃tional network routing algorithm can not effectively adapt to these changes,the self⁃organizing is poor,the optimal path can not be got timely,and the network performance is reduced greatly,the optimal path judgment module based on ant colony algorithm for network routing is designed. The FPGA as the control core is used to realize the hardware design,including the control module, memory module,subsequent nodes set seeking module,subsequent node acquisition module,state adjustment module,informa⁃tion adjustment module,optimal path judgment module and multiplex selection module. The core code of ant colony algorithm is presented in the process of module implementation. The experimental result shows that the designed optimal path judgment module has high⁃speed convergence and shorter access path,and can lengthen the operation cycle of the network.【期刊名称】《现代电子技术》【年(卷),期】2017(040)004【总页数】4页(P36-38,43)【关键词】蚁群算法;网络路由;最优路径;FPGA【作者】徐虹;杨雅志;赵明【作者单位】成都工业学院信息与计算科学系，四川成都 611730;成都工业学院信息与计算科学系，四川成都 611730;成都工业学院信息与计算科学系，四川成都 611730【正文语种】中文【中图分类】TN711-34;TP393无线传感器网络（WSN）通常是由传感器节点构成的自组织网络，在军事、医疗、工业等领域应用广泛。

基于蚁群算法的网络安全路由算法研究.doc

基于蚁群算法的网络安全路由算法研究作者：直敏来源：《信息安全与技术》2013年第05期【摘要】通过研究蚂蚁寻食的轨迹，分析推理出一种得到最优路径的并行算法，由于其灵感来源于蚂蚁，所以起名为蚁群算法。

蚁群算法是近年才发展起来的，成功应用于很多领域，如车辆调度问题、分布式人工智能研究、负载平衡、大规模集成电路设计、工厂生产计划制定方面、图像着色和路由算法方面等等。

本文主要是运用蚁群算法，寻找Ad Hoc网络中最优路由路径，使整个Ad Hoc网络成为一个稳定可靠的网络系统。

【关键词】蚁群算法；网络路由1 引言蚁群算法最初是由M.Dorigo等人于1991年提出的。

后来蚁群算法引起了很多领域研究者的注意与关注。

蚁群算法是通过分布式求解模式来解决优越问题，经过很多学者的改进，目前已发展成相对成熟的算法体系。

它能够将全局优化特征与问题求解的快速性、有限时间内答案的合理性相结合，快速找到最优解。

而Ad Hoc网络环境中路由的选择类似于蚁群寻找食物的场景，所以将蚁群算法应用到Ad Hoc移动网络的网络路由选择是比较合适的一种算法。

2 蚁群算法概念2.1 蚁群觅食过程所有蚂蚁在不知道哪里有食物的情况下，在周围寻找食物。

当有一只蚂蚁找到食物后，会释放一种挥发性物质——信息素扩散到周围，该信息素的扩散范围由近及远渐渐减少，它能吸引周围蚂蚁过来，这样越来越多的蚂蚁找到了该食物。

有些发现信息素的蚂蚁会另辟捷径找到这个食物，如果这些蚂蚁新开辟的路径比其他路径短，则逐渐地更多的蚂蚁会吸引到这条路上来。

最后，随着越来越多的蚂蚁往该食物的目的地移动，并且大多数蚂蚁会按照最短路径去找到该食物。

2.2 蚁群算法的特点蚁群算法是通过个体间相对简单的信息传递，得出从源点到目的地之间的最短路径，它是一种集体寻优的算法。

根据分析，我们得出蚁群算法有很多特点，主要有几点，如图1所示。

并行性：蚁群算法具有并行性。

在蚁群搜索算法中，每只蚂蚁都是同时进行搜索的，彼此独立，它在空间多点同时开始独立解搜素，一方面使得算法具有较强的全局并行搜索能力，另一方面使得算法的可靠性增加。

无线传感器网络中基于蚁群算法的能量空洞规避策略

避策略，通过蚁群算法的自适应性实现了无线传感器网络运行过程中能量空洞规避，搜索出一条最优路径。仿真实验
表明，该算法能够有效地延长网络的生命周期。
关键词蚁群算法，能量空洞，能量空洞规避策略，无线传感器网络
ＴＰ３９３文献标识码Ａ中图法分类号
（南京工业大学电子与信息工程学院南京２１０００９）
摘要无线传感器网络（ｗｓＮ）具有特殊的能量空洞（ＥｎｅｒｇｙＨｏｌｅ）现象，蚁群算法的随机自适应性使其很适合应用
于无线传感器网络环境，所以在缓解能量空洞有效性分析的基础上，提出了一种基于蚁群算法的局部区域能量空洞规
１引言
近年来，随着传感器技术、嵌入式技术以及低功耗无线通
２相关Байду номын сангаас工作
２．１空洞边界探测
信技术的发展，无线传感器网络成为研究的热点，广泛应用于
军事、交通、医疗、灾难救援等领域。通常，传感器网络与外界的接口是一个ｓｉｎｋ或者多个ｓｉｎｋ节点，无线传感器网络以数据为中心的模式导致ｓｉｎｋ周围的节点需要承担更多的通信负载，从而导致ｓｉｎｋ周围的节点能量消耗过快，这种现象被称为在ｓｉｎｋ周围的 “ 能量洞” ［１］。无线传感器网络具有特殊的能量空洞（ｅｎｅｒｇｙｈｏｌｅ）现象：由于无线传感器网络通常采用多跳的方式将数据转发到汇聚节点，数据流遵循多对一的模式，离汇聚节点较近的节点不但要发送自身的采集数据，还要承担外部节点的数据转发任务，能量消耗速度较快，最终会导致汇聚节点周围的节点

基于蚁群算法的无线传感器网络数据收集协议

１相关工作．
Ｄａｌｓ蜕的是移动汇聚节点．ｔＭｕｅｔａ无规则地在网络中收集普通节点的数据，移动汇聚节点的移动是随机性的．法预见．无数据收集延时也会越来越长。在ＭＤＣ议里，［￣建立一个以移动汇聚节点为头节点的簇来收集数据。移动汇聚节点穿行于网络中．并周期性地向周围节点广播特定的消息，普通传感器节点收到广播的消息后。如果满足条件．就加入以这个移动汇聚节点为头节点的簇中，然后把数据传给头节点。ＭＤ［式中从能量均衡和平衡负载两方面考虑移动汇聚节ＡＧ￣３
【关键词】无线传感器网络；数据收集；移动汇聚节点；蚁群算法；最短路径
无线传感器网络是由大量传感器节点以自组织方式构成的网络．里，移动汇聚节点的路径可以由上面所说的蚁群算法来确定。引入蚁其主要功能是协作地感知、采集和处理监测区域内的数据信息．且将群算法，计算出一条最短路径，让移动汇聚节点在所确定的最短路径信息发送给用户端。由于传感器节点上的能量资源极其有限．如何提中收集数据，可以提高数据收集的效率。高能量的使用效率从而延长网络生命期成为主要研究问题以往的数２３数据收集协议ＭＣＡ．Ｂ据收集方式是假设基站静止．能移动．不传感器节点通过多跳的方式协议概括为以下４步：向基站传输数据。然而。这样会导致基站周围的传感器节点．因为转发Ｓｅ１ｔ：ｐ选择网络的头节点负载任务太重而能量过早耗尽，致使网络生命周期缩短。在数据收集Ｓｅ２ｔ：ｐ头节点为本簇内的普通传感器节点分配收集数据的时间表。中引入移动汇聚节点（ｏｉｉｋ以下简称Ｍ）是近年来无线传感Ｍｂｅｎ，ｌＳｓ。Ｓｅ３ｔ：ｐ传感器节点按照预设的时间。顺序把数据发给头节点器网络数据收集协议研究的新方向。移动数据收集模式在均衡网络能Ｓｅ４收到数据的头节点。ｔ：ｐ按照一定的法则实施数据融合．然后量消耗，除网络热点问题方面起到显著的作用剔把有效数据传给网络中提前安放的代理节点

基于蚁群的无线传感器网络能量均衡非均匀分簇路由算法

基于蚁群的无线传感器网络能量均衡非均匀分簇路由算法作者：缪聪聪等来源：《计算机应用》2013年第12期摘要：无线传感器网络（WSN）路由中，节点未充分考虑路径剩余能量及链路状况进行的路由会造成网络中部分节点网络寿命减少，严重影响网络的生存时间为此，将蚁群优化算法与非均匀分簇路由算法相结合，提出一种基于蚁群优化算法的无线传感器非均匀分簇路由算法该算法首先利用考虑节点能量的优化非均匀分簇方法对节点进行分簇，然后以需要传输数据的节点为源节点，汇聚节点为目标节点，利用蚁群优化算法进行多路径搜索，搜索过程充分考虑了路径传输能耗、路径最小剩余能量、传输距离和跳数、所选链路的时延和带宽等因素，最后选出满足条件的多条最优路径，完成源目的节点间的信息传输实验表明，该算法充分考虑路径传输能耗和路径最小剩余能量、传输跳数及传输距离，能有效延长无线传感器网络的生存期关键词：蚁群算法；能量均衡；非均匀分簇；无线传感器网络；路由算法中图分类号：TP393 文献标志码：A0引言无线传感器网络（Wireless Sensor Network，WSN）是一种获取和处理信息的新兴技术，被大量应用到环境监测和野外设备监控方面[1-2]，但WSN节点仅依靠电池供电，不合理的能量消耗会使网络过早出现死亡节点而降低网络生存期因此如何设计节约节点能耗且提高网络通信质量的WSN路由算法成为研究热点人们提出了分簇路由算法以减少开销，方便管理节点和控制信道接入，提高资源使用效率[3]Heinzelman等[4]提出了经典的低功耗自适应分簇（Low Energy Adaptive Clustering Hierarch，LEACH）协议，采用随机选取节点作为簇头的分簇方式来降低网络能耗，但通信采用单跳方式，所有簇头直接向基站传送信息，能耗较大之后提出的改进算法EECS[5]通过候选节点广播自己的剩余能量来竞选簇头，簇头的选择要考虑自身到基站的距离，但远离基站的簇比靠近基站的簇要求更多的能量，在均衡全网能耗上并不理想文献[6]首次提出利用非均匀分簇的思想来解决这个“热区”问题，但是它考虑的是一个异构网络，簇头为超级节点，而且位置是事先计算好的，无需动态构造簇的操作文献[7]提出了一种基于非均匀分簇的无线传感器网络路由协议EEUC，通过非均匀分簇来均衡网络能耗，但需要周期性地随机竞选簇首，而且竞选簇首时只考虑了节点的剩余能量，未考虑链路可靠性和实时性后来在非均匀分簇基础上又提出基于最小生成树的非均匀分簇算法UCRAMST[8]、基于粒子群的非均匀路由算法[9]等以上算法只从剩余能量的角度来考虑，并没有考虑链路的其他状况，无法选择最优的路径进行路由，会导致更多不必要能量的消耗基于蚁群算法（Ant Colony Algorithim，ACA）[10-13]的无线传感网路由协议是目前国内外研究的热点之一基于蚁群算法的路由协议通过蚂蚁包的发送，每个节点都可以获悉网络当前实际情况，并根据信息素概率公式选择下一跳，非常适合设计这种能量负载均衡同时又可综合考虑链路状态和实时性的多路径分簇路由协议文献[14]中提出的ARA算法是最早的将蚁群算法应用于无线移动自组织网络的按需多路径算法，路由的建立依靠前向蚂蚁和后向蚂蚁来实现，开销比较小文献[15]中提到的IEEABR算法是一个主动式的路由协议，采用累加的方式进行信息素更新，但这样的策略容易陷入局部最优，使个别路径上的节点过早死亡，从而对整体的网络寿命和通信能力产生不利影响在以往WSN非均匀分簇路由算法研究中，采用非均匀分簇可避免“热区”而导致节点死亡，但较少考虑能量以外的其他环境参数，采用蚁群算法模型可以较好解决非均匀分簇路由算法没有充分考虑簇首与基站之间各跳的带宽、实时性、路径上剩余的最小能量、距离目的节点的跳数来进行最优路径选择的问题文献[16]提出的利用蚁群的非均匀分簇路由算法考虑了带宽和实时性，但没有考虑已成功发送数据的路径消耗的能量以及路径上节点的最小剩余能量，在路由更新时没有考虑节点到目的节点的跳数，会导致局部路径最优因此，本文将蚁群优化算法与非均匀分簇路由算法相结合，提出一种基于蚁群优化算法的无线传感器非均匀分簇（Ant Colony based Energy Balanced Uneven Clustering，ACEBUC）路由算法优化非均匀分簇方法考虑节点能量对节点进行分簇，而蚁群优化算法则进行多路径搜索，搜索过程考虑路径上剩余的最小能量、距离目的节点的跳数、所选链路的时延和带宽等因素，更合理地更新信息素和设计下一跳的概率公式1蚁群算法蚁群算法是由意大利学者Dorigo等[10-11]提出的一种基于种群的启发式仿生进化系统蚁群算法最早用于解决著名的旅行商问题（Traveling Salesman Problem，TSP），采用了分布式正反馈并行计算机制，易于与其他方法结合，并具有较强的鲁棒性[12-13]基于蚁群算法的路由协议中，每个节点维护一张路由表和一张附加表：路由表记录目标节点地址和到达目标节点地址的下一跳的启发式信息值；附加表包含网络蚂蚁流量的分布信息，记录蚂蚁经过的节点通过设计选择下一跳的概率公式和启发式信息值可设计不同的路由算法以往的相关研究证明，基于蚁群的路由算法能延长网络生存时间，但是会陷入局部最优，导致能量消耗“热区”本文结合非均匀分簇的能量均衡的优势设计基于蚁群的路由协议，以解决两者的不足，达到延长网络生存时间的目的2网络模型考虑一个M×M的正方形区域内随机分布N个传感器节点，本文假设：1）在观测区域内，传感器节点和基站在部署后均不会发生位置移动；2）所有节点都是同构的；3）链路是对称的，若已知对方发射功率，节点能够根据接收信号的强度（Received Signal Strength Indication，RSSI）来计算到发送者的近似距离；4）根据接收者的距离远近，节点可以调整其发射功率来节约能量本文在EEUC的非均匀分簇结构的基础上采用ACEEUC算法进行优化EEUC采用分布式拓扑控制算法非均匀分簇结构，如图1所示用一个n个点m条边的无向加权连通图G（V，E）作为网络模型，V是簇首和汇聚节点，E是边集设C是簇首集合，有N个元素，Sink是汇聚节点，路由问题就是在G中寻找从C中任意要发送数据的节点到Sink节点满足性能要求的多条路径设每一跳链路i上所消耗的能量为ei，链路延迟为ti，链路带宽为bi现要求N跳路由链路要满足目标函数f（Sink）最小：本文用EDF表示融合单位比特数据消耗的能量假设邻近节点采集的数据具有较高的冗余度，每个成员发送长度为b的数据包，簇头可以将其成员的数据融合成长度为b的数据包，而簇间通信冗余度很低，不能融合3ACEBUC路由算法本文提出的ACEBUC算法按轮次分为簇首选举、路径搜索、数据传输、簇内调整和路由更新能量均衡主要体现在采用非均匀分簇的方式解决基站附近容易出现热区的问题，本文的簇首选举方法是在文献[7]方法上进行优化改进，而在路径搜索方面则采用基于蚁群的簇首多跳路径搜索，将节点能量和链路的时延及带宽信息作为启发式信息3.1簇首选举采用非均匀分簇的方式可以解决基站附近容易出现热区的问题，EEUC对候选簇首的选择是依据LEACH算法中的随机获取每个节点成为候选簇首的概率t，且与设定的阈值T进行比较，选出t本文提出的ACEBUC算法考虑尽可能增长网络生存时间，簇首选举只在第一轮采用全网络竞争方式，后续轮在簇内进行调整选择簇首候选节点应该是能量较充足的节点为让剩余能量多的节点成为候选节点的概率增大，现对T（i）作如下改进：其中：Eri是si节点的剩余能量，Erave为全网平均剩余能量，p为簇头节点占所有节点百分比的期望值网络内的簇首个数对网络的生存时间存在影响，过多或者过少都不合适，为了减少能耗，需要在选择簇首阶段确定理想簇首数，同时确定簇首的广播半径本文采用由文献[5]提出的理想簇首数目：3.2基于蚁群的路径搜索在簇首将数据传输到目的节点的这个阶段，簇首首先对簇内数据进行融合，然后数据以多跳通信的方式发送至目的节点，随后，非簇首节点进入休眠状态以节约能量多路径搜索是基于蚁群算法的模型，簇首节点释放蚂蚁寻找从簇首到目的节点的有效路径，每个蚂蚁都有自己的内存表，用禁忌表来存储已经过的节点，以后在搜索中不能访问这些节点，用簇首节点表（allowed）存储允许访问的节点ACEBUC协议中规定前向蚂蚁要携带以下信息：所有簇首节点ID、能耗Ecost、剩余能量Eremain、信息素τkij、概率pki，j（t）、已访问节点字段VisitedNode、时延delayij和带宽bandwidthij；后向蚂蚁要携带已访问节点字段VisitedNode、链路最小剩余能量EkminRemain和链路平均消耗能量EaveCostACEBUC协议中规定前向蚂蚁要携带以下信息：所有簇首节点ID、产生前向蚂蚁的源节点地址SrcAdd、已访问节点字段VisitedNode，蚂蚁访问过节点已消耗的能量总和Esum，蚂蚁从源节点出发的时间SrcTime；蚂蚁经过簇首建立的路由表信息包括：能耗Ecost，剩余能量Eremain，信息素τkij，下一跳概率pki，j（t）；后向蚂蚁要携带已访问节点字段VisitedNode，此后向蚂蚁对应的前向蚂蚁从源节点出发的时间SrcTime，链路最小剩余能量Emin，链路平均消耗能量Eavg每个前向蚂蚁的任务是找一条连接源节点到目的节点的路径，在源节点和目的节点之间的节点若没有路由信息，则广播前向蚂蚁，若有路由信息则按着下一跳的信息素概率公式单播发送前向蚂蚁，其下一跳选择只能从allowed中以某种概率搜索，概率pki，j（t）的计算公式为式（9）：在路径搜索中，前向蚂蚁分组里携带了从源节点出发的时间，这样端到端的时延很容易获得，同时链路带宽和发送数据包的大小已知；利用数据包传输的延迟时间，汇聚节点可以计算出源节点到汇聚节点的数据发送率，将这个速率与预期速率相比较，若小于预期速率，则意味着产生了丢包同时在前向蚂蚁到达一个簇首后更新簇首路由表，根据能耗模型公式计算接收能耗以及到下一跳的发射能耗总和，同时更新路由表的剩余能量，然后更新蚂蚁携带的信息包中的总消耗能量，直到找出满足目标函数的最优路径3.3路由更新当源数据节点的簇首si将数据成功发送到目的节点之后，统计传输信息的转发时延，根据后向蚂蚁获取路径上的最小剩余能量以及路径的平均能耗、距离目的节点的跳数，更新各簇头sj的信息素浓度在蚁群算法中，信息素增强为式（12），路由更新采用式（13）ACEBUC算法对信息素的更新不是传统的累加方式，而是节点每次收到后向蚂蚁就重新计算链路信息素，这样数据包在网络上的分布更均匀此定义对sj节点的信息素更新公式如（14）所示3.4簇内调整在第一轮数据传输的最后，要判断路由经过的簇首能量水平，若簇首能量高于簇平均能量，保持原簇首不变；反之，进行簇内调整，选取大于平均能量的节点进入簇内候选节点，低于平均能量的节点进入休眠设候选簇首个数为m，在候选簇首中再依据式（8）求得下一轮簇首新选出的簇首广播原簇首ID、自身ID、自身剩余能量的消息通知簇内成员及其他簇首成员，所有簇首节点收到簇头调整信息后更新各自对应的路由表信息4仿真与分析现对EEUC、ACOUC、IEEABR算法和本文提出的ACEBUC算法分别用NS2进行了仿真，并在能耗、可靠性、实时性、路由成功率方面进行分析ACEBUC的工作方式是周期性采集目标数据传输给汇聚点，适用于对野外环境进行周期性信息采集和实时监控，节点随机布撒或分布在被监控设备周围实验中所用的参数如表1所示，其中能量消耗模型所用参数取自文献[5]4.1簇首特征本文采用改进的EEUC算法的非均匀分簇方式，在文献[9]中指出簇首数目由参数R0c和c 共同决定，同时由实验证明在c=0.5时，网络存活时间最长在c固定时，簇首数目与R0c成反比本文取c=0.5，由式（5）可知理想簇头个数为2～56，由图5可知，可取30m进行实验，生成的簇头数为40，在理想簇首范围内4.2网络能量消耗EEUC算法均采用每轮依据概率重新选取簇头，每轮生成的簇首数目会有波动，而一个稳定的分簇算法应在网络拓扑固定的情况下，生成较一致的簇首数目；ACOUC算法在信息素更新时仍采用累加信息素的方式，并没有考虑在路由成功后，具有较高信息素的路径由于承担过多数据发送任务反而消耗过多能量；IEEABR算法由于没有采用非均匀分簇的方式，容易知道在靠近汇聚点的簇首耗能较大；ACEBUC仅在首轮采用竞选方式，之后在簇内进行选举，因此簇首数目稳定，整个网络具有较好的稳定性在每一轮次中所有簇首消耗的能量在所有节点消耗的总能量中占大部分比重通过实验统计四种算法每轮簇首消耗的能量，第一个实验点记录首轮消耗能量，之后随机抽取9轮进行统计，结果如图6所示由图6可以看出，ACEBUC仅在首轮消耗较多的能量，之后在簇内竞选簇首，比EEUC、ACOUC、IEEABR算法能更好地实现节能4.3可靠性和实时性ACEBUC算法在簇内节点将数据发送给簇首节点之后，由簇首节点将数据进行融合，并采用蚁群改进算法，充分考虑链路的能量、带宽和时延进行下一跳路由选择通过实验分别比较EEUC、ACOUC、IEEABR和ACEBUC算法的丢包率和时延情况由图7、8可以看出，EEUC 算法的丢包率相对较高、时延较大，因为该算法采用多跳方式，但是在路由选择时并没有充分考虑链路状况，只是简单考虑节点的能量，因此在数据传输时会出现较高的丢包率；ACOUC、IEEABR均采用蚁群算法模型，在路由选择时充分考虑了链路状况，因此丢包率和时延相对较低；ACEBUC采用多跳传输，考虑了链路状态，选择最优最可靠的路径，出现丢包的情况较少，时延相对较小4.4网络生存时间通过仿真记录每轮结束节点存活数量直到节部死亡比较四种算法的网络存活时间由图9可以看出， EEUC采用竞争选取簇头方式，并考虑能量空洞问题，但是在路由选择时并没有考虑链路状况；而ACEBUC算法不像EEUC算法每轮都要在全网络进行簇首选举，只是在首轮在全网络内进行簇首选举，之后采取在簇内竞选簇首的方式，实现了节能，路由采用蚁群改进算法，使网络生存时间长于EEUC算法；ACOUT与IEEABR算法在定义路由信息素时都没有合理考虑路径的能量消耗速度、路径上剩余的最小能量、距离目的节点的跳数等，在路由时容易陷入局部最优，网络生存时间不如ACEBUC长4.5路由成功率随机生成具有100至400个节点的随机网络拓扑结构进行路由仿真比较，对于每个网络拓扑，选择所有节点中距离最远的节点作为源和目的节点，这样2个节点间的可选路径较多从图10可以看出随着节点数的增加，网络规模增大，ACEBUC显示出算法的优势，其路由成功率要高于其他三个算法5结语本文将蚁群优化算法与非均匀分簇路由算法相结合，有效地减少了簇首选举和路由维护的开销，而且能实时寻找性能更好的路由仿真分析表明，ACEBUC的网络存活时间比EEUC、ACOUC算法都有显著提高但是在路由层次，本文采用的蚁群优化路由算法比较适用于大规模节点路由情况，对于节点较少且实验区域较小的情况并不需要采用蚁群路由算法，可以直接采用单跳发送数据参考文献：[1]AKYILDIZ I F， SU W， SANKARASUBRIMANIAM Y， et al. Wireless sensor networks： a survey [J]. Computer Networks， 2002， 38（4）： 393-422.[2]ALKARAKI J N， KAMAL A E. Routing techniques in wireless sensor networks： a survey [J]. IEEE Wireless Communications， 2004， 11（6）， 6-28.[3]汤波，罗昌俊.能量均衡的无线传感器网络分簇方法[J]. 计算机应用研究，2008，25（3）：878-880.[4]HEINZELMAN W R，CHANDRAKASAN A，BALAKRISHNAN H. Energyefficient communication protocol for wireless microsensor networks [C]// HICSS 2000： Proceedings of the 33rd Annual Hawaii International Conference on System Sciences. Washington， DC： IEEE Computer Society， 2000，8： 8020.[5]YE M，LI C F， CHEN G H，et al. EECS： an energy efficient cluster scheme in wireless sensor networks [C]// IPCCC 2005： Proceedings of the 2005 24th IEEE Performance，Computing， and Communications Conference. Piscataway： IEEE， 2005： 535-540.[6]SORO S， HEINZELMAN W B. Prolonging the lifetime of wireless sensor networks via unequal clustering [C]// IPDPS 05： Proceedings of the 19th International Parallel and Distributed Processing Symposium.Washington， DC： IEEE Computer Society， 2005： 8-15.[7]李法成，陈贵海，叶懋，等.一种基于非均匀分簇的无线传感器[J].计算机学报，2007，30（1）：27-36.[8]张明才，薛安荣，王伟.基于最小生成树的非均匀分簇路由算法[J].计算机应用，2012，32（3）：787-790.[9]邹杰，史长琼，姬文燕.基于粒子群优化的非均匀分簇路由算法[J].计算机应用，2012，32（3）：787-790.[10]COLOMI A，DORIGO M，MANIEZZO V. Distributed optimization by ant colonies[C]/ / ECAL 1991： Proceedings of the 1991 European Conference on Artificial Life.[S.l.]： Elsevier，1991： 134-142.[11]DORIGO M. Optimization learning and natural algorithms[D]. Milano： Politecnico di Milano， Department of Electronics， 1992.[12]DORIGO M，STUTZLE T. 蚁群优化[M].张军，胡晓敏，罗旭耀，等译.北京：清华大学出版社，2007： 3-7.[13]DORIGO M，BONABEAU E，THERAULAZ G. Inspiration for optimization from social insect behavior [J]. Nature，2000，406（6）：39-42.[14]GUNES M， SORGES U， BOUAZIZI I. ARA： the antcolony based routing algorithm for MANETs [C]// ICPP 2002： Proceedings of the 2002 International Conference on Parallel Processing Workshops. Piscataway： IEEE， 2002：79-85.[15]童孟军，俞立，郑立静. 基于蚁群算法的无线传感器网络能量有效路由算法研究[J].传感技术学报，2011，24（11）：1632-1638.[16]张荣博，曹建福.利用蚁群优化的非均匀分簇无线传感器网络路由算法[J].西安交通大学学报，2010，44（6）：33-38[17]汤波，罗昌俊.能量均衡的无线传感器网络分簇方法[J]. 计算机应用研究，2008，25（3）：878-880.。

基于蚁群分簇的无线传感器网络路由研究

基于蚁群分簇的无线传感器网络路由研究摘要：在无线传感器网络、建筑传统的蚁群算法的路由容易能量孔的影响，网络的生命周期和整体性能。

本文提出了一种新的蚁群划分聚类算法。

主要的思想是，选择下一跳是抽象为装配规划问题的最短路径和最小费用流。

实验表明，相比于其它蚁群聚类算法，该方法来延长网络的生命周期，减少数据包遗失率。

关键词：无线传感器；网络路由；蚁群分簇；能量；负载均衡中图分类号：tp212网络的生命周期可以被定义为从网络开始，随着时间的流逝，用光第一能源节点和死亡的这段时间[1]。

蚁群的聚类算法是一种智能优化方法的成熟和高效，应用于无线传感器网络。

现有的无线传感器网络的聚类蚁群算法，一般是使用啤酒花或欧氏距离来计算下一跳节点，按照现有的算法，如果一个节点剩余能量少在高浓度的信息素链接，那么节点过早死亡，形成能洞在这里，当能量洞出现在水槽节点、能源孔外围传感器数据将无法传送到水槽节点，使节点不可用。

1 相关工作在本文中，作者改进了蚁群的聚类算法，提出了eeabr（节能路由算法）算法的中心思想的算法是改进信息素，信息素更新过程中，信息素更新不单依赖于节点的数量在路径（hop）来衡量，也参考路径的能量。

但是仍然有考虑不足的地方在这篇文章中，一个节点剩余能量更少可能仍然是在一个更高的平均剩余能量路径，因此节点会过早死亡，减少了网络的生命周期。

针对上述方法的局限性，提出了一种基于蚁群算法的模型（蚁群优化聚类蚁群优化算法——beaco基于能源和蚁群opitimization）。

2 基于剩余能量的负载均衡的蚁群分簇算法2.1 下一跳节点选择首先，sink节点到所有节点发送广播消息，消息记录在跳数，当节点接收一条消息，它会计算你的到来，我们使用sink节点之间的跳数来衡量每个节点和sink节点距离。

当源节点要发送数据时，它会选择下一跳节点按照一定的概率，概率和节点sink、剩余能量的节点概率是一个组合的规划问题的最小费用流，计算公式如下：2.2 关于能量的评估在本文中，我们引入一个新集群模型。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

The multi-objective routing optimization of WSNs based on an improved ant colony algorithm
Xuwei,Lizhi* School of Electronics and Information Engineering Si Chuan University,Cheng Du Si Chuan,China xwgg1314@,Lizhi@
algorithm and it performed well. At present a large-scale multi-hop packet radio networks are mostly based on the sub-cluster structure, but routing algorithm in this article mainly consider nodes routing problem between the different nodes. Usually in multi-objective routes, the main considerations of several optimization objectives[4] include network delay, delay jitter, hop count, and data packet loss rate, and constraints e.g. bandwidth. On the basis of ant colony optimization algorithm[5] (ACOA), a improved algorithm (AACOCM algorithm) based on cloud model is proposed. We can control the parameters of size through cloud model; and join the positive and negative feedback in the network; consider the routing of the energy consumption, network delay, packet loss rate, and guarantee ant colony algorithm for fast search capability and the global skilled performance. At the same time, the simulation show that the algorithm make network latency, energy consumption, packet loss rate relatively lower. II.
IMPROVED ANT COLONY ALGORITHM
I.
INTRODUCTION
Байду номын сангаас
Traditional network mainly consider the shortest route. But in wireless sensor networks, each node does not have a fixed energy for the devices, and they carry the battery. The shortest path simultaneously passing through a point can quickly leads to excessive energy consumption of the node or ultimately premature failure, and reduce network lifetime. Therefore, how to efficiently use energy to maximize the network lifetime in wireless sensor networks need to be considered as the primary factor. At present, most of the WSNs routing protocol mainly consider the energy consumption factor, a single research objective, lack of multi-objective inspection and evaluation of the overall network performance. In the multi-objective optimization problems, we can establish multi-objective function model to solve the problem, but in most cases, it is difficult for multiple objectives to achieve the optimal solution at the same time. Therefore, according to the needs of decision makers and the actual situation of the current network, routing algorithm should be able to find a satisfactory path in wireless sensor networks. Firstly, the general idea is to solve the problem of all the valid solutions by the routing algorithm, and then let the policy maker select satisfactory solution in a large number of efficient solutions. Of course, this will be too time-consuming, and can not adapt to network changes in a timely manner. Chen in[1] has proposed the minimum cost routing algorithm to meet the delay under the constraint of delay and the bandwidth. Literature[2] established a routing model of nonlinear objective under the condition of linear constraint. Literature[3] proposed GITDC
corresponding author: Lizhi@cn
A. Introduction of ant colony algorithm Wireless sensor networks is quite complex, and it is necessary to optimize the network energy consumption, network delay, transmission efficiency and reliability of multi-objective optimization. As the ant colony optimization algorithm[5] only consider a single objective problem in most cases. However, in multi-objective routing problem, the three factors of energy consumption, network delay, packet loss rates will be taken into account. Therefore, this algorithm introduces multi-objective evaluation function[5] to evaluate the performance of routing tree established in the process of the ants search solution. The process of any ant starting from the source node to the destination node is a gradual process of routing tree formation. After a routing tree formed, data starting from the source node is transmitted to the sink along the tree. In AACOCM, three types of ants are defined, that is, ordinary ants, greedy ants, unusual ants. The move probability of ordinary ant k from i to j as follows:
Abstract—At present most of the WSNs routing protocol only have a single research objective. The overall network performance lacks of multi-objective inspection and evaluation. The basic task of multi-objective routing is to find a route in the network which has sufficient resources to optimize some network parameters and satisfy multiple constrains. A multiobjective model, constrained of bandwidth, is put forward, which optimizes function such as energy consumption, network delay and data packet lost rate. By adjusting the weight of each function, the algorithm adapts well to various services whose requirements for energy cost, delay and lost are different. As it is difficult to optimize multi-objective problem, an advanced ant colony algorithm based on cloud model (AACOCM) is proposed, which can effectively restrict the algorithm to falling in local best. Simulation results show that this novel method has a certain validity and feasibility and be able to adapt to different services requirements. Keywords- WSNs, Ant colony optimization algorithm ,Multiobject routing, Cloud model