传感网络中一种基于蚂蚁算法的分布式数据汇集路由算法

收稿日期:2003211221　基金项目:湖南省自然科学基金(03JJY 3098)资助.　作者简介:李闻,男,1981年生,硕士研究生,主要研究方向为计算机通信网络;林亚平,男,1955年生,博士,教授,博士生导师,主要研究方向为计算机网络,机器学习;童调生,1934年生,博士生导师,主要研究方向为智能控制;陈宇,1976年生,硕士研究生,主要研究方向为计算机通信网络;余建平,1979年生,硕士研究生,主要研究方向为计算机通信网络.传感网络中一种基于蚂蚁算法的分布式数据汇集路由算法李　闻1,林亚平1,童调生2,陈　宇1,余建平11(湖南大学计算机与通信学院,湖南长沙410082)2(湖南大学电气与信息工程学院,湖南长沙410082)E 2m ail :Justin -li w en @yahoo .com .cn摘　要:提出了一种传感网络中基于蚂蚁算法的分布式数据汇集路由算法.该算法的基本思想是通过一组称为“蚂蚁”的人工代理寻找到达S ink 节点的最优路径,并利用蚂蚁算法的正反馈效应来达到数据汇集的目的.算法不需要网络节点维护全局信息,且数据汇集降低了网络路由开销,因此是一种节约能量的分布式路由算法.理论分析和仿真结果说明了新算法的有效性和可伸缩性.关键词:传感网络;蚂蚁算法;路由中图分类号:T P 393 文献标识码:A 文章编号:100021220(2005)0520788205D istr ibuted Da ta -Cen tr ic Routi ng A lgor ith m Ba sed on An t A lgor ith m for Sen sor NetworksL IW en 1,L I N Ya 2p ing 1,TON G T iao 2sheng 2,CH EN Yu 1,YU J ian 2p ing 11(Colleg e of Co mp u ter and Co mm unication ,H unan U niversity ,Chang sha 410082,Ch ina )2(Colleg e of E lectrical and Inf or m ation E ng ineering ,H unan U niversity ,Chang sha 410082,Ch ina )Abstract :P resen ted distribu ted data 2cen tric rou ting algo rithm based on an t algo rithm fo r sen so r netw o rk s.T he basic idea of th is algo rithm is as fo llow s :som e cooperati on agen ts called an ts are u sed to find the op ti m al rou te to the S ink .T he data aggre 2gati on can be ach ieved by the po sitive feedback of the an ts.T he new algo rithm is energy efficien t and distribu ted .T he analysis and the experi m en tal resu lts show that the algo rithm is efficien t and scalab le .Key words :sen so r netw o rk s ;an t algo rithm ;rou ting1　引　言无线通信及电子方面的最新研究进展使得将传感、数据处理以及通信功能集成到一块集成电路设备中成为可能,这种设备被称为无线集成网络传感器(W ireless In tegrated N et 2w o rk Sen so rs )[1].无线集成网络传感器在环境与军事监控,地震与气候预测、地下、深水以及外层空间探索等许多方面都具有广泛的应用前景.外界环境的不确定性经常导致需要布置成百上千的传感器协同工作,因此对由大规模无线集成网络传感器(传感节点)构成的传感网络(Sen so r N etw o rk )的研究正逐渐引起关注,并被认为是本世纪的一项挑战性的研究课题.与传统无线网络相比,传感网络具有以下特性:传感网络一般节点数量巨大,且网络中的节点分布稠密,各传感节点不可能分配一个全局性的I D ,也不可能维护任何全局信息[2];同时,各传感节点采集的数据中可能存在大量冗余信息,这些数据可以经过汇集之后再进行传输以减少能量消耗.因此,传统无线网络中的路由算法不适合传感网络,必须针对传感网络的特性来研究新的路由算法.作为一种新型的无线网络,传感网络的研究才刚刚起步.文献[3]针对传感网络的特点提出了一种定向传播(D irected D iffu si on ,简称DD )路由模型,和传统无线网络中基于地址的路由协议(A ddress 2Cen tric ,简称A C )不同,DD 采用基于数据的路由协议(D ata Cen tric P ro toco l ,简称DC ).文献[5]从节约能量消耗的角度比较了A C 和几种基于DC 的路由算法,分析和实验结果表明基于DC 的路由算法具有更好的性能.但这些算法都是集中式的算法,要求各传感节点维护全局性的网络状态信息,因此不具备良好的可伸缩性.本文在DD 模型以及文献[4]给出的蚂蚁算法的基础上,提出了一种基于蚂蚁算法的分布式数据汇集路由算法DADC (D istribu ted D a 2ta Cen tric rou ting algo rithm based on A n t algo rithm ).新算法的基本思想是:(1)通过一组称为“蚂蚁”的人工代理分布式地反复执行并行的试探来产生各源节点到达S ink 节点的最优路径;(2)通过蚂蚁的局部搜索以递增的方式来建立路径;(3)使用试探获得的信息来指导各个蚂蚁的搜索,使各路径趋于汇合,最终达到数据汇集的目的.和文献[5]中提到的算法相比,新算法为分布式算法,且　第26卷第5期 2005年5月小型微型计算机系统M I N I -M I CRO SYST E M S V o l 126N o .5　　M ay 2005 不需网络中各传感节点维护全局网络状态,因而具备更好的可伸缩性.仿真结果也表明新路由算法具有较好的路由性能.2　传感网络中的定向传播模型为了描述方便,首先简要介绍传感网络和DD 模型.图1所示为传感网络通信结构,传感节点利用传感部件采集原始数据,经过处理器部件处理后,通过无线网络传输到一个数据汇聚节点(S ink ),S ink 再通过因特网或卫星传输到用户数据处理中心.DD 模型中,传感网络中的节点不采用地址作为标图1　传感网络的拓扑结构识I D ,而是以结点可以提供的数据作为寻址依据.S ink 在网络中广播以某种数据格式构成的消息询问它所感兴趣的监测数据,这种消息简称为兴趣.监测范围内与这种兴趣匹配的节点响应这种查询(称为事件),并回送监测数据给S ink .由于有多个节点匹配兴趣,因此这些节点都会向S ink 回送具有冗余信息的监测数据.为了节约节点的能量,这种数据传输可以在路径上进行汇集,然后传输给S ink .基于A C 的算法中,各传感节点独立地计算到S ink 的最短路径,然后沿最短路径传输数据给S ink .如图2(a )所示,若匹配兴趣的源节点分别为S ou rce 1和S ou rce 2,则在知道网络全局信息的前提下,S ou rce 1和S ou rce 2可以分别利用D ij 2k stra 算法计算到S ink 的最短路径,然后沿这些路径传输数据图2　A C 路由算法与路由DC 算法比较到S ink ,在图2(a )的情况下,所有路径上数据的传输次数为S ou rce 2传输的数据首先在节点B 汇聚5.图2(b )描述了采用DD 模型的D C 算法,其中S ou rce 1和,然后传输给S ink ,显然这种方法可以减少数据的传输次数(因此节约节点的能耗),对于同样的网络和源节点,DC 算法的数据传输次数只有4.容易知道,DC 算法可以类比成传统网络中组播通信的逆过程[6].和构造最优组播树一样,已经证明在每个节点都知道整个网络拓扑的条件下,寻找最优的DC 算法是N P 难的问题[7],因此只能用试探算法求解.文献[5]给出了多种DC 试探算法,并证明了这些算法传输路径经历的hop 数目比A C 算法少,而且通过模拟实验定量地分析了这些算法的性能.但无论是A C 算法还是文献[5]中给出的DC 算法,都要求每个节点知道整个网络的拓扑结构,属于集中式算法.而实际中这种精确的网络状态是不可知的,尤其对于传感网络这种动态变化的网络拓扑更是如此,因此需要研究非精确网络状态的局部信息分布式路由算法.3　基于蚂蚁算法的分布式数据汇集路由算法DADC研究表明,蚂蚁具有找到蚁巢与食物之间的最短路径的能力.这种能力是靠其在所经过的路径上留下一种挥发性分泌物pheromone (信息素)来实现的.蚂蚁在一条路上前进时,会留下信息素,后来的蚂蚁选择该路径的概率与当时这条路径上该物质的强度成正比.对于一条路径,选择它的蚂蚁越多,则在该路径上蚂蚁留下的信息素的强度就越大,而强度越大的信息素会吸引更多的蚂蚁,从而形成一种正反馈,通过这种正反馈性,蚂蚁最终可以发现最短路径.采用人工蚂蚁的蚂蚁算法正是利用了蚂蚁寻路的正反馈特性.目前,蚂蚁算法已经被用于求解计算机网络中的QO S 路由[9]等问题.本文利用蚂蚁算法寻找传感网络中各源节点到达S ink 节点的最优路径,并利用其正反馈效应来达到数据汇集的目的.3.1　预备知识在传感网络中,称两个节点是相邻的,当且仅当此两个节点在彼此有效通信距离之内.假定相邻节点之间只存在一条链路,则传感网络的拓扑结构可以看作是一个无向图G =(V ,E ),其中V 为所有传感节点构成的顶点集合,E 为所有链路构成的边集合.由传感网络节点部署的稠密性,本文假定图G 是连通的.定义(偏转角):设节点v 和节点u 相邻,称Η<v ,u >为边e <v ,u >在点u 相对于S ink 的偏转角.图3所示是一个偏转角的示意图.图3　偏转角示意图为建立路由,各源节点向S ink 节点发送试探数据包(蚂蚁).每个蚂蚁数据包中包括:禁用列表、边列表以及S ink 节点的坐标.其中,禁用列表用于记录该蚂蚁已经走过的节点,初始状态时蚂蚁的禁用列表为空;边列表用于记录蚂蚁每一次试探所选择的边.3.2　算法描述假定各传感节点可以通过全球定位系统(GPS )等设备[8]获得自己的地理坐标信息.每个节点都维护了一张其邻节点9875期 李闻等:传感网络中一种基于蚂蚁算法的分布式数据汇集路由算法 的坐标表,表中的信息可以通过周期性的与邻节点交换少量数据(如发送hello数据包)来维持最新.各源节点可以从由S ink节点发出的兴趣[3]中得到S ink节点的坐标,从而构造蚂蚁.3.2.1　基于数据汇集的蚂蚁路由算法设传感网络中有m个源节点,下面算法完成源节点到S ink节点的路由.①初始化网络中每一条边的信息素为1;将m只蚂蚁分别放在m个源节点上(第k只蚂蚁放在第k个源节点上,k∈[1,m]);将第k个源节点加入第k只蚂蚁的禁用列表中.②对于m只蚂蚁分别进行以下步骤,设第k只蚂蚁当前所处的节点为v,集合8为节点v的所有邻节点组成的集合:首先判断节点v是否为S ink:)如果v已经为S ink节点,停止该蚂蚁的试探;)否则对于Πu∈8v,判断u是否属于第k只蚂蚁的禁用列表,设有R个邻节点不属于第k只蚂蚁的禁用列表:a)如果R>0,则对该R个邻节点分别进行试探(设当前试探的邻节点为u t):・判断u t是否为S ink节点,如果是,则将其作为下一跳节点;・否则,继续下面步骤:根据v,u t,S ink三点的坐标,用余弦公式计算偏转角Η<v,ut >的余弦co sΗ<v,u t>,结合e<v,u t>上的信息素P her e<v,ut>,利用以下公式:Θ<v,ut >=[P her e<v,ut>]×[co sΗ<v,ut>](1)计算点u t的转移权值Θ<v,ut>;在所有的邻节点中选取Θ<u,vt>最大的邻节点作为下一跳的节点;如果有多个节点u t满足条件:Θ<u,vt>=m ax{Θ<v,u1>,Θ<v,u2>,…,Θ<v,uR>},则选取边长最长的边e<v,ut>(t∈[1,R])所确定的邻节点作为下一跳的节点;b)如果R=0,即当前节点所有的邻节点都在第k只蚂蚁的禁用列表中,则蚂蚁回退一步.)第k只蚂蚁将其选择的边e<v,ut>对应的信息素浓度P her<v,ut>按下式进行调整:P her e<v,u t>=P her ev,u t×2(2) ③将所有蚂蚁的下一跳邻节点和由此邻节点决定的边分别加入该蚂蚁的禁用列表中和边列表中.同时判断是否所有蚂蚁的禁用列表中都包括S ink节点.如果是,则算法结束;如果不是,则将第k只蚂蚁的下一跳邻节点作为该蚂蚁的当前节点,重复执行步骤②.3.2.2　环路按照上述算法选择路径,有可能存在环路.如图4所示,如果要从v1到v6.按照上述的算法,由于Η1<Η2,所以会产生如箭头所示的环路.容易看出当按照上述算法,蚂蚁走到节点v4时,所有与v4相连的节点都在蚂蚁的禁用列表中了;于是,这就可以作为辨别存在环路的充分条件,即当有一个节点的所有邻节点都在蚂蚁的禁用列表中时,存在环路.此时,蚂蚁往回退一步到v3,(对应算法中步骤b),不更新禁用列表,同时恢复边< v3,v4>上的信息素为1.然后以v3为当前点重新试探,此时,图4　环路示意图v3的所有邻节点也都在蚂蚁的禁用列表中,于是重复上一步.直到蚂蚁回到v1,此时,蚂蚁发现节点v5不在禁用列表中,于是蚂蚁选择v5作为下一跳节点,从而到达v6.4　算法性能分析与仿真4.1　算法性能分析由式(1)可知,DADC算法将节点的偏转角Η的余弦作为计算节点转移权值的因子之一.Η越小,co sΗ越大,从而转移权值越大;也即,在方向上越靠近直线<v,S ink>的点的转移权值越大,越偏离直线<v,S ink>的点的转移权值越小.这就保证了由每一次试探选择的点所组成的从源节点到S ink节点的路径最逼近于S ink节点相对于源节点的方向.从而保证了这条路径逼近于直线<源节点,S ink节点>.由两点之间直线距离最短可知,这条路径逼近于从源节点到S ink 节点的最短路径.因此,路径为最优.DADC为分布式的算法,蚂蚁从各个源节点出发并行工作查找到S ink节点的最优路径.因此,算法的时间复杂度只需考虑其中任一只蚂蚁遇到的最坏情况.设网络中共有n个传感节点,则对于任一只蚂蚁来说,最坏情况是从发出该蚂蚁的源节点到其他各个节点(S ink节点除外)都有一条边,即除了S ink节点之外,所有节点都是该源节点的邻节点;之后,蚂蚁每一次选择的其它中间节点也是如此(除S ink节点之外,其余节点都是该源节点的邻节点);只有蚂蚁最后选择的一个节点有一条到S ink节点的边.在这种情况下:在源节点,蚂蚁需要计算(n22)次偏转角余弦,需要进行(n23)次转移权值比较;在下一节点,需计算(n23)次余弦,比较(n24)次;…最后,需计算1次余弦,比较0次.因此,算法的时间复杂度为O(n2).4.2　仿真实验为了具体分析比较算法DADC的路由性能,我们参照文献[5],根据节点的有效通讯半径,在一个100×100的区域内097 小　型　微　型　计　算　机　系　统 2005年利用坐标数据随机生成具有100个节点的连通图,并对文献[5]中提出的两种源节点选取模型:事件半径模型和随机选取模型分别进行了模拟实验.所谓事件半径模型,即在100×100的区域内,随机选取一坐标作为事件中心;然后选取100个节点中(S ink 节点除外)所有到该中心距离不超过探测半径图5　事件半径模型中随着节点通信半径变化,网络能量消耗比较示意图的节点作为源节点;S ink 节点随机从100个节点中选出.而源节点随机选取模型,即在100个节点中(S ink 节点除外)随机选取k 个节点作为源节点;S ink 节点也从100节点中随机选取.图6　事件半径模型中随着控测半径变化,网络能量消耗比较示意图图5和图6分别比较了事件半径模型中随着节点通信半径以及探测半径的变化,网络的能量消耗.从图中可以看出DADC ,G ITDC [5](基于贪婪增长树的数据汇集算法)和SPT 2DC [5](基于最短路径的数据汇集算法)这三种DC 算法数据的平均传输次数比A C 算法要少,因此DC 算法的能量消耗少.特别是当通信半径比较小,而且探测半径比较大时,三种DC 算法明显优于A C 算法.通信半径小,意味着源节点到S ink 节点需要经过较多的中间节点,即源节点离S ink 节点比较远;探测半径大,意味着平均选取的源节点数目比较多.也就是说,当源节点数比较多,而且离S ink 节点比较远的情况下,DC 算法有明显的优势.图7和图8比较了源节点随机选取模型中随着通信半径以及源节点数的变化,网络的能量消耗.从图中可以看出,三种DC 算法仍然优于A C 算法.尤其是在通信半径比较小,而且源节点数比较多的情况下,三种DC 算法有明显的优越性.这和事件半径模型中的情形,本质上是一样的.即当源节点数比较多,而且离S ink 节点比较远的情况下,DC 算法有明显的优势.从上面两组模拟试验,我们可以看出,三种DC 算法中,DADC 算法性能优于A C 而与G ITDC 和SPTDC 算法接近.经分析,其主要原因如下:DADC 算法找出的最优路径逼近于直线<源节点,S ink 节点>,而文献[10]中提到的蒙特-卡洛(M on te 2Carlo )模拟表明在一个有界矩形内,两条直线相交的可能性为69%,多条直线相交的可能性则更大;因此按照图7　随机选取模型中随着通信半径的变化,网络能量消耗比较示意图DADC 算法找出的各源节点到S ink 节点的最优路径,很可能在中途相交(最差情况相交于S ink 节点);由于蚂蚁算法的正反馈效应,当n 条最优路径相交后,最终将汇聚成为一条到达S ink 节点的路径.这样,只需在各条路径的相交点处进行数据汇集,即可大大减少数据的传输次数,从而降低能量消耗.图8　随机选取模型中随着源节点数变化,网络能量消耗比较示意图DADC 算法的性能比G ITDC 和SPTDC 的性能稍差,但是G ITDC 和SPTDC 算法都是集中式的算法,它们都需要网络中的节点知道网络的全局信息.而事实上,由于传感网络的特性,网络中的节点是不可能保存网络的全局信息的.因此,G ITDC 和SPTDC 不具有可伸缩性.而DADC 算法是分布式的算法,它只要求网络中节点知道相邻节点的信息即可.而且,DADC 算法的性能已经非常逼近G ITDC 和SPTDC 算法,在事件半径模型中,尤其如此.因此,DADC 算法具有较高的实用性.5　结束语本文综合考虑传感网络的各种新特性,按照DC 的思想,1975期 李闻等:传感网络中一种基于蚂蚁算法的分布式数据汇集路由算法 提出了一种基于蚂蚁算法的分布式数据汇集路由算法DADC,并对其进行了仿真实验.新算法利用数据汇集的思想,较好地解决了传感网络中传感节点传送数据中的数据冗余问题,节约了数据传输时网络的能量消耗.实验结果表明,和文献[5]中的算法相比,新算法DADC具有较好的路由性能.同时,我们可以看到,由于蚂蚁算法的正反馈效果,加大了网络中某一条路径的能量开销,因此,如何解决网络中的能量负载平衡是今后的重要工作之一.References:[1]A gre J,C lare L.A n integrated arch itecture fo r cooperativesensing netwo rk s[J].Computer,2000,33(5):1062108.[2]Zhao Y J,Govindan R,and E strin D.R esidual energy scan fo rmonito ring senso r netwo rk s[C].In:IEEE W ireless Comm uni2 cati ons and N etwo rk ing Conference(W CN C’02),M arch2002, 1:3562362.[3]Intanagonw i w at C,Govindan R,E strin D.D irected diffusi on:ascalable and robust comm unicati on paradigm fo r senso r net2 wo rk s[C].In:P roc.of A CM M obi Com,Bo ston,M A,2000, 56267.[4]M arco Do rigo,V itto ri o M aniezzo,A lberto Co lo rni.T he antsystem:op ti m izati on by a co lony of cooperating agents[C].IEEE T ransacti ons on System,M an,and Cybernetics2Part B,1996,26(1):1213.[5]K rishnam achari B,E strin D,W icker S.M odelling data2centricrouting in w ireless senso r netwo rk s[C].In:P roc.of IEEE In2 focom,2002.[6]M arco D,D uarte2M elo E,L iu M et al.O n the m any2to2onetranspo rt capacity of a dense w ireless senso r netwo rk and the comp ressibility of its data[C].In:P roc.of Internati onalW o rk2 shop on Info rm ati on P rocessing in Senso r N etwo rk s(IPSN),A p ril2003.[7]Garey M R,Johnson D puters and intractability:a guideto the theo ry of N Pcomp leteness[C].F reem an,San F rancisco, 1979.[8]A ndreas Savvides,Ch ih2Ch ieh H an,and M ani B.Strivastava,dynam ic fine2grained localizati on in adhoc netwo rk s of senso rs[C].In P roc.A CM M obicom,2001,1662179.[9]Zhang Su2bing,L iu Ze2m in.A Q oS routing algo rithm based onant algo rithm[C].In:IEEE Internati onal Conference on Com2 m unicati ons,2001,5:158121585.[10]D avid B raginskym,D ebo rah E strin.R umo r routing algo rithmfo r senso r netwo rk s[C].In:P roceedings of the A CM F irst W o rk shop on Senso r N etwo rk s and A pp licati on(W SNA),A t2 lanta,GA,O ct.2003,22231.297 小　型　微　型　计　算　机　系　统 2005年。