CN103916927B - 一种基于改进和声搜索算法的无线传感器网络路由方法 - Google Patents

一种基于改进和声搜索算法的无线传感器网络路由方法 Download PDF

Info

Publication number
CN103916927B
CN103916927B CN201410097200.3A CN201410097200A CN103916927B CN 103916927 B CN103916927 B CN 103916927B CN 201410097200 A CN201410097200 A CN 201410097200A CN 103916927 B CN103916927 B CN 103916927B
Authority
CN
China
Prior art keywords
harmony
node
hop
data base
eval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410097200.3A
Other languages
English (en)
Other versions
CN103916927A (zh
Inventor
董燕
曾冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201410097200.3A priority Critical patent/CN103916927B/zh
Publication of CN103916927A publication Critical patent/CN103916927A/zh
Application granted granted Critical
Publication of CN103916927B publication Critical patent/CN103916927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了一种基于改进和声搜索算法的无线传感器网络路由方法，包括以下步骤：Step1、初始化算法相关参数HMS、HMCR、PAR以及评价次数eval_Nomax；Step2、利用轮盘赌初始化和声记忆库HM；Step3、评价和声库中各和声路径的适应度；Step4、设置eval_No＝0；Step5、设置i＝0；Step6、产生候选和声；Step7、eval_No++，若eval_No＜eval_Nomax，执行Step8；否则执行Step11；Step8、对和声库中的第i条和声Xi＝{s,x2,…xj,…,d},进行邻域搜索；Step9、eval_No++，若eval_No＜eval_Nomax，执行Step10；否则执行Step11；Step10、i++，若i＜HMS，执行Step6；否则执行Step5；Step11、记录和声记忆库中的最优和声路径。本发明的路由方法具有较高的能效，并且能够有效地延长整个网络的生命周期。

Description

一种基于改进和声搜索算法的无线传感器网络路由方法
技术领域
本发明属于无线传感器网络技术领域，具体涉及一种改进和声搜索算法的路由方法。
背景技术
无线传感器网络（Wireless Sensor Network，WSN）与传统的因特网以及最近几年发展迅猛的无线自组网（MobileAd Hoc Network）都有着很大程度上的不同。在传统的因特网和Ad Hoc网络中，每个网络节点通常情况下是一台个人电脑或者移动设备，用户使用因特网和Ad Hoc网主要是用来获取网络共享信息，所以不管是因特网还是AdHoc网络，路由协议设计的目的主要是为了提高服务质量，而不必考虑用户消耗多少能量。无线传感网络则不同，无线传感网络是在检测区域（通常情况下环境十分恶劣或者人无法到达）内散播大量的微型传感器节点，这些传感节点并没有固定的ID，而是通过自组织的方式组成一个传感器网络。无线传感器网络一经问世，便获得了社会各界的青睐，应用在军事，医疗，环境等各个领域。
路由算法在无线传感器网络中发挥着重要作用，它对各节点的能耗、整个网络的生命周期以及通信质量起着关键性的作用。因此，路由算法的研究受到越来越多的关注。由于传感器网络具有能量受限、资源受限、拓扑结构变化频繁等特点，因此，传统的路由机制不能适应无线传感网络，必须设计与之相应的路由算法。
至今，用于无线传感器网络的路由协议主要包括：平面路由协议（Flooding协议、SPIN协议、MTE协议、Directed Diffusion协议）、层次路由协议（LEACH协议）、基于位置信息的路由协议（GAF协议、GEAR协议）以及基于数据流和QoS的路由协议。
目前，基于智能优化算法的路由方法在无线传感器网络技术领域也有了一些应用，主要是基于蚁群算法（Ant Colony Optimization,ACO）的路由方法和基于蜂群算法（Bee Colony Optimization,BCO）的路由方法。
无线传感网络路由协议的研究已经逐渐成为热点，路由协议的研究从简单到复杂，从以数据为中心到高质量要求，并向着智能化方向发展，如何建立高效、自适应的传感路由算法成为当前研究的一个热点。
和声搜索算法是2001年韩国学者Geem等人提出的一种新颖的智能优化算法。算法模拟了音乐演奏中乐师们凭借自己的记忆，通过反复调整乐队中各乐器的音调，最终达到一个美妙的和声状态的过程。和声搜索算法有很强的全局搜索能力，易于收敛到全局最优解，其流程图如图1所示，执行步骤如下所示：
Step1：初始化算法相关参数。
初始化HMS（和声记忆库的大小，即种群容量大小）、HMCR（选择概率）、PAR（调整概率）、BW（调整带宽）、评价次数eval_Nomax。
Step2：和声记忆库（Harmony Memory,HM）初始化。
在此步骤中，式（1）所示的HM通过在内产生一组随机数来初始化，其中1≤i≤n。从而根据式（2）得到第j个解向量的第i个变量值：
上式中，j＝1,2,…,HMS，Random(0,1)是0到1之间的随机数。
Step3：计算和声库中各和声的适应度。
Step4：设置eval_No＝0。
Step5：即兴演奏候选和声。
Step5.1：在此步骤中，一个新的和声向量由三个规则产生：
①记忆选择；
②随机选择；
③音高调整。
产生一个候选和声被称之为即兴演奏，先通过规则①和②确定是记忆选择还是随机选择，具体如下所示：
式中，P1为0到1之间的随机数，xrand(i),j表示在HM的第j列分量中随机选择一个分量，Ωj表示第j个分量的定义域。
Step5.2：每个经过记忆选择得到的音调将被进一步检验决定是否需要音高调整，此操作使用PAR参数，音高调整决策如下所示：
式中，P2为0到1之间的随机数。
Step5.3：计算候选和声的适应度值f(π)；
Step5.4：更新HM。
依据目标函数值，如果候选和声向量优于HM中最差的向量，则新向量取代HM中最差的和声向量，否则不操作。
Step6：检查是否停止迭代。
eval_No++，若eval_No＜eval_Nomax，执行Step5；否则执行Step7。
Step7：记录和声库中的最优解。
然而，传统的和声搜索算法不能直接用于无线传感器网络路由。
发明内容
鉴于此，本发明的目的在于提出一种基于改进和声搜索算法的无线传感器网络路由方法，通过对路径适应度模型进行改进，使得该协议在能效以及延长整个无线传感器网络寿命方面具有极大的优越性。
本发明采用以下技术方案以实现上述发明目的：
一种基于改进和声搜索算法的无线传感器网络路由方法，包括以下步骤：
Step1、初始化算法相关参数HMS、HMCR、PAR以及评价次数eval_Nomax；
Step2、利用轮盘赌初始化和声记忆库HM；
Step3、计算和声库中各和声（路径）的适应度；
Step4、设置eval_No＝0；
Step5、设置i＝0；
Step6、产生候选和声并更新和声记忆库；
Step7、eval_No++，若eval_No＜eval_Nomax，执行Step8；否则执行Step11；
Step8、对和声库中的第i条和声Xi＝{s,x2,…,xj,…,d}进行邻域搜索；
Step9、eval_No++，若eval_No＜eval_Nomax，执行Step10；否则执行Step11；
Step10、i++，若i＜HMS，执行Step6；否则执行Step5；
Step11、记录和声记忆库中的最优和声（路径）。
与现有技术相比，本发明具有以下有益效果：路由算法具有较高的能效，并且能延长整个网络的生命周期。本发明的技术效果还将在具体实施方式的阐述中得到进一步体现。
附图说明
图1为传统HS算法流程图；
图2为本发明实施例中改进的和声搜索算法求解WSN最优路径的流程图；
图3为本发明实施例中改进和声搜索算法的候选路径生成流程图；
图4为本发明实施例中改进和声搜索算法的路径邻域搜索流程图；
图5为本发明实施例中和声库初始化示意图；
图6为本发明实施例中候选和声生成示意图；
图7为本发明实施例中路径邻域搜索示意图；
图8为本发明实施例中随机生成100个节点的WSN场景；
图9为本发明实施例的改进和声搜索算法（IHS）与蚁群算法平均适应度的收敛情况对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将参考附图并结合实例来详细说明本发明。
本发明针对无线传感器网络路由的特点，对传统和声搜索算法进行改进，改进和声搜索算法进行WSN路由的流程图如图2所示，具体包括以下内容：
（1）和声记忆库的初始化
在传统和声搜索算法中，和声记忆库中的每条和声必须要求维数相同，如式（1）所示。在本发明实施例中，和声记忆库中的每条和声是通过轮盘赌产生的，它们的维数可以不相同，每条和声的首尾元素分别是源节点和汇聚节点，HM如式（5）所示。
式中，s代表源节点编号，d代表汇聚节点编号，xi,j表示其它传感器节点编号。
由上式可以看出，和声库中的各和声的长度（即维数）可能不相同。
（2）候选和声的产生
候选和声的产生如图3所示，其中：
式中，表示在节点的通信范围内节点的集合，{x1,j,x2,j,…,xHMS,j}表示和声库的第j列，P1为0到1之间的随机数，xrand(i),j表示在HM的第j列分量中随机选择一个分量，表示在节点的通信范围内随机选择一个节点。
当随机数P1小于和声搜索算法的选择概率HMCR时，候选和声的下一跳从和声记忆库中选择；否则，随机从当前节点的通信范围内选择未到达过的节点作为下一跳。
如果下一跳节点取自和声记忆库，则需要判断其是否需要调整：当随机数P2小于调整概率PAR时，对取自和声库中的音调进行调整，随机从当前节点的通信范围内选择未到达过的节点替换掉被选择的节点作为下一跳，否则，保持被选择的节点做为下一跳。如果下一跳节点仅取自当前节点的通讯范围，与和声库无关，则无需调整。以此类推，直到到达汇聚节点。
其中，对候选和声中取自和声库中的音调进行的调整如下：
式中，P2为0到1之间的随机数。
（3）邻域搜索
如图4所示，对和声库中的第i条和声Xi＝{s,x2,…,xj,…,d}进行邻域搜索，数学模型如下：
该领域搜索方法能显著提高算法的收敛速度。
（4）路径的适应度函数模型
本发明实施例中，无线传感器网络路由的路径适应度函数模型如式（9）所示，使用该模型能使路由算法有较高的能效，并且能延长整个网络的生命周期，特别是针对各节点初始总能量不相同的情况。
式中，分子为无线电能耗模型，分母为路径中节点的剩余能量指标。L为路径的长度，Eelec为传输和接受的单元能耗，取值为50nJ/bit,Eamp为传输放大的单元能耗，取值为100pJ/(bit*m2)，k为源节点发送的数据包大小，di,i+1表示第i个节点和第i+1个节点之间的距离，EMin表示路径中剩余能量最少的节点的剩余能量，EAvg表示路径中所有节点的平均剩余能量。
具体而言，本发明实施例的方法包括以下步骤：
Step1、初始化算法相关参数HMS、HMCR、PAR以及评价次数eval_Nomax。
Step2、利用轮盘赌初始化和声记忆库HM。
利用轮盘赌初始化和声记忆库时，节点i通信范围内的节点j的选择概率P(i,j)如下所示：
式中，hopj表示节点j的跳数，hopk表示节点k的跳数，hopmax表示所有节点中的跳数最大的节点的跳数，Ej表示节点j的剩余能量，Ek表示节点k的剩余能量，allowedi表示可以成为节点i的下一跳的节点集合，No(allowedi)表示集合allowedi的元素数量。
通过该选择概率，可以使初始路径以较大的概率选择靠近汇聚节点并且剩余能量较多的节点，和声记忆库的初始化示意图如图5所示。
Step3、计算和声库中各和声（路径）的适应度f(π)。
Step4、设置eval_No＝0。
Step5、设置i＝0。
Step6、产生候选和声并更新和声记忆库。
候选和声的生成示意图如图6所示，从图6可以看出，候选和声的第一个节点为源节点，选择下一跳时，r1＜HMCR，并且r2＞PAR，因此，算法随机从和声库的第二列选择源节点通信范围内的节点（这里的示例选择节点31）做为下一跳；选择第三个节点时，r1＞HMCR，因此，算法随机从节点31的通信范围内选择一个没有到达过的节点（这里的示例选择33）做为下一跳；依此类推，可以得到候选和声如图6所示。
Step6.1、计算候选和声的适应度值f(π)；
Step6.2、将候选和声与HM中最差的和声进行比较，如果优于该最差和声，则将该最差和声替换出和声记忆库。
Step7、eval_No++，若eval_No＜eval_Nomax，执行Step8；否则执行Step11。
Step8、对和声库中的第i条和声Xi＝{s,x2,…,xj,…,d}进行邻域搜索。
邻域搜索示意图如图7所示，通过随机选择路径中的节点，在被选节点的上一跳和下一跳的通信范围交集内随机选择一个未到达过的节点将被选节点替换，从而完成邻域搜索。对于图中的路径，选择了第71个节点进行邻域搜索，从图中可以看出，节点71的上一跳节点33和下一跳节点80的通信范围交集中包括节点63、64、65、71、82，因此，算法随机从中选择一个节点（这里的示例选择节点63）替代节点71完成邻域搜索。
Step8.1、计算邻域搜索得到的和声的适应度值f(π)。
Step8.2、将邻域搜索得到的和声与进行邻域搜索之前的和声进行比较，如果优于之前的和声，则将之前的和声替换出和声记忆库。
Step9、eval_No++，若eval_No＜eval_Nomax，执行Step10；否则执行Step11。
Step10、i++，若i＜HMS，执行Step6；否则执行Step5。
Step11、记录和声记忆库中的最优和声（路径）。
本发明的效果可以通过以下仿真实验和比较进一步验证：
选取图8所示的WSN场景，将本发明中的改进和声搜索算法（IHS）与蚁群算法（ACO）进行比较。编程语言为C++，计算机配置为：intel I7-3610QM处理器、8GB内存、2GB独显、windows764位操作***的笔记本电脑。场景中各节点的横坐标和纵坐标分别如表1和表2所示，各节点的初始总能量如表3所示。
表1WSN各节点的横坐标
No X轴坐标 No X轴坐标 No X轴坐标 No X轴坐标 No X轴坐标
1 1038.063699 21 288.486155 41 93.880562 61 108.570707 81 332.141475
2 470.015997 22 1070.806875 42 1000.758772 62 350.735654 82 434.161440
3 796.022940 23 663.764978 43 684.108914 63 260.472487 83 877.499586
4 760.394988 24 141.228770 44 130.028695 64 581.335254 84 927.195665
5 451.998943 25 950.243855 45 1032.180685 65 918.536073 85 757.365042
6 73.157485 26 700.444053 46 80.002362 66 1014.104825 86 510.760722
7 268.720797 27 551.871345 47 70.394198 67 807.038443 87 697.026192
8 18.310381 28 200.715905 48 810.720847 68 360.427584 88 1050.648601
9 506.471469 29 40.233365 49 370.548313 69 322.964728 89 181.477631
10 830.160846 30 232.451389 50 500.487349 70 772.977461 90 657.995492
11 225.383031 31 402.776618 51 847.995887 71 958.541697 91 746.170122
12 586.077114 32 674.172879 52 54.363618 72 1060.103491 92 676.354322
13 180.533438 33 1083.709733 53 900.195729 73 100.013495 93 335.769779
14 316.659651 34 178.979018 54 785.705198 74 543.693628 94 407.495452
15 615.102143 35 760.686848 55 499.784261 75 119.200772 95 164.825008
16 825.980727 36 1004.310202 56 617.938018 76 276.033431 96 880.467342
17 936.457298 37 518.066244 57 450.612913 77 978.149229 97 560.717385
18 191.847072 38 150.599881 58 200.698715 78 172.276119 98 374.317783
19 467.889095 39 850.394587 59 610.976658 79 103.613207 99 815.726448
20 966.266690 40 500.090378 60 1025.537819 80 599.772413 100 236.224196
表2WSN各节点的纵坐标
No Y轴坐标 No Y轴坐标 No Y轴坐标 No Y轴坐标 No Y轴坐标
1 881.514269 21 199.332398 41 321.105262 61 426.254537 81 1010.474719
2 900.139546 22 1069.791995 42 700.612919 62 424.629072 82 650.299109
3 899.920884 23 801.707617 43 358.620706 63 412.729792 83 946.840883
4 410.732085 24 200.400755 44 125.729568 64 433.350737 84 450.859689
5 385.646460 25 911.142851 45 978.116910 65 682.606005 85 677.851248
6 66.067060 26 900.857773 46 740.034856 66 1063.605136 86 185.154071
7 913.267222 27 1000.791881 47 801.882039 67 226.182588 87 995.057549
8 482.812712 28 680.135671 48 805.298556 68 343.500789 88 788.639293
9 614.032108 29 595.278889 49 910.798429 69 288.815268 89 871.881713
10 721.787934 30 100.733508 50 460.712389 70 303.128055 90 115.568055
11 1000.455846 31 501.791736 51 101.356461 71 186.416999 91 770.734480
12 560.215866 32 580.014018 52 374.851807 72 20.033960 92 496.312489
13 775.619619 33 111.453285 53 863.584556 73 525.222154 93 111.029792
14 650.651168 34 486.843473 54 133.825872 74 267.788594 94 212.913741
15 952.032544 35 545.073400 55 339.555109 75 945.644309 95 350.252580
16 465.951681 36 150.193973 56 1047.642382 76 521.872265 96 250.712968
17 126.031318 37 693.612356 57 750.816902 77 982.082183 97 791.564358
18 166.525170 38 50.084703 58 272.840217 78 1065.785511 98 830.837048
19 253.999471 39 350.309441 59 710.146587 79 646.616879 99 615.348936
20 780.701144 40 531.949780 60 90.656761 80 179.078778 100 583.095624
表3WSN各节点的初始能量（单位：J）
No 初始能量 No 初始能量 No 初始能量 No 初始能量 No 初始能量
1 189.099 21 100.381 41 151.735 61 119.724 81 155.074
2 129.258 22 153.197 42 102.072 62 199.359 82 140.593
3 164.165 23 187.918 43 179.553 63 159.133 83 146.913
4 156.905 24 192.096 44 161.199 64 182.574 84 124.812
5 145.439 25 141.026 45 125.343 65 157.619 85 194.046
6 152.181 26 100.421 46 101.685 66 185.379 86 147.032
7 147.108 27 181.948 47 128.184 67 126.374 87 147.581
8 170.327 28 173.424 48 146.522 68 131.690 88 192.737
9 166.277 29 195.279 49 154.796 69 177.456 89 190.847
10 162.810 30 177.532 50 119.761 70 165.133 90 123.875
11 126.447 31 127.323 51 166.588 71 146.883 91 108.466
12 106.641 32 118.311 52 117.698 72 158.251 92 156.359
13 110.291 33 184.161 53 189.349 73 131.391 93 199.634
14 143.953 34 140.440 54 150.172 74 108.939 94 183.139
15 127.235 35 149.321 55 138.179 75 179.272 95 120.127
16 120.252 36 121.894 56 119.306 76 127.662 96 114.154
17 175.655 37 159.423 57 120.710 77 149.406 97 164.483
18 166.973 38 172.442 58 191.479 78 198.212 98 124.055
19 187.793 39 132.496 59 176.263 79 115.293 99 140.373
20 189.001 40 177.221 60 114.594 80 106.696 100 176.168
蚁群算法的节点选择概率pk(r,s)如下所示：
式中，T(r,s)是路径(r,s)上的信息素，E(s)是节点s的剩余能量，Mk是蚂蚁k的禁忌表。
信息素更新模型如下所示：
式中，EMink为第k条路径中剩余能量最少的节点的能量，EAvgk为第k条路径中节点的平均剩余能量，Fdk为第k条路径的节点数量。
该信息素更新模型既考虑了能效也考虑了整个网络的生命周期，对于蚁群算法，所得的效果较好。
对于图8所示的WSN场景，改进和声搜索算法和蚁群算法的相关参数设置如表4所示，表中，两种算法的算法参数均为近优值；路径的适应度函数模型如式（9）所示。
表4两种算法的相关参数设置
图8中，五角星表示的节点为源节点，倒三角表示的节点为汇聚节点。两种算法的运行结果比较如图9所示，横轴表示迭代次数，纵轴表示50次独立运行后每代种群的平均适应度均值。
从图9可以看出，IHS算法的效果要明显好于ACO算法的效果，IHS算法得到的路径更节能，并且路径中节点的剩余能量更多。
IHS算法所得的最优路径适应度为8.88593e-006，路径所消耗的能量为0.136J，路径的跳数为15，对应的最优路径为：6→44→18→21→69→68→5→50→64→92→35→99→10→65→20→88。
ACO算法所得的最优路径适应度为9.27144e-006，路径所消耗的能量为0.143J，路径的跳数为17，对应的最优路径为：6→38→30→93→21→69→68→5→50→64→92→35→99→10→65→20→42→88。
由上可见，IHS算法所得的最优路径较ACO算法所得的最优路径能节省4.9%的能量，并且能减少11.8%的跳数，传输时延更小。
以上证明了IHS算法在指定源节点的情况下，能比ACO算法找到更好的路径。为了比较两种算法在整个网络生命周期的表现情况，利用两种算法分别对图8所示的WSN场景进行路由循环，各节点的初始总能量如表3所示，相关参数设置如表5所示，分别记录下第一个节点死亡所经历的周期数，结果如表6所示。
表5两种算法的相关参数设置
表6两种算法在WSN生命周期的比较
从表6可以看出，与利用ACO算法路由相比，利用IHS算法进行路由能使整个WSN的生命周期延长40.8%。因此，IHS算法优于ACO算法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进和声搜索算法的无线传感器网络路由方法，包括以下步骤：
Step 1、初始化和声记忆库的大小HMS以及评价次数的最大值eval_Nomax；
Step 2、利用轮盘赌初始化和声记忆库HM，具体的，和声记忆库中的每条和声是通过轮盘赌产生的，其维数可以不相同，和声记忆库中的每条和声的首尾元素分别是源节点和汇聚节点，和声记忆库HM如下：
式中，Xi代表第i条和声，s代表源节点编号，d代表汇聚节点编号，xi,j表示其它传感器节点编号；
Step 3、计算和声记忆库中各和声的适应度f(π)，其中各和声为传感器网络路由中的路径；
Step 4、设置评价次数eval_No＝0；
Step 5、设置i＝0；
Step 6、产生候选和声并更新和声记忆库；
Step 7、eval_No++，若eval_No＜eval_Nomax，执行Step 8；否则执行Step 11；
Step 8、对和声记忆库中的第i条和声Xi＝{s,x2,…,xj,…,d}进行邻域搜索，即通过随机选择路径中的节点，在被选节点的上一跳和下一跳的通信范围交集内随机选择一个未到达过的节点将被选节点替换，从而完成邻域搜索，具体包括：
Step 8.1、计算邻域搜索得到的和声的适应度f(π)；
Step 8.2、将邻域搜索得到的和声与进行邻域搜索之前的和声进行比较，如果优于之前的和声，则将之前的和声替换出和声记忆库；
且
其中，Neib(xj-1)表示在节点xj-1的通信范围内节点的集合，Neib(xj+1)表示在节点xj+1的通信范围内节点的集合，xj∈Neib(xj-1)表示在节点xj-1的通信范围内随机选择一个节点；
Step 9、eval_No++，若eval_No＜eval_Nomax，执行Step 10；否则执行Step 11；
Step 10、i++，若i＜HMS，执行Step 6；否则执行Step 5；
Step 11、记录和声记忆库中的最优和声路径。
2.根据权利要求1所述的方法，所述Step 2中，节点i通信范围内的节点j的选择概率P(i,j)如下：
P ( i , j ) = Σ k ∈ allowed i ( hop k / hop max + 1 / E k ) - ( hop j / hop max + 1 / E j ) ( N o ( allowed i ) - 1 ) * Σ k ∈ allowed i ( hop k / hop max + 1 / E k ) i f ( j ∈ allowed i ) , 0 o t h e r w i s e .
式中，hopj表示节点j的跳数，hopk表示节点k的跳数，hopmax表示所有节点中的跳数最大的节点的跳数，Ej表示节点j的剩余能量，Ek表示节点k的剩余能量，allowedi表示可以成为节点i的下一跳的节点集合，No(allowedi)表示集合allowedi的元素数量。
3.根据权利要求1所述的方法，所述Step 6中，所述候选和声X'＝{s,x'2,…,x'j,…,d}，其中：
式中，s代表源节点编号，d代表汇聚节点编号，Neib(x'j-1)表示在节点x'j-1的通信范围内节点的集合，{x1,j,x2,j,…,xHMS,j}表示和声记忆库的第j列，P1为0到1之间的随机数，HMCR为选择概率，xrand(i),j表示在HM的第j列分量中随机选择一个分量，x'j∈Neib(x'j-1)表示在节点x'j-1的通信范围内随机选择一个节点。
4.根据权利要求3所述的方法，所述Step 6中：
当随机数P1小于和声搜索算法的选择概率HMCR时，候选和声的下一跳从和声记忆库中选择；否则，随机从当前节点的通信范围内选择未到达过的节点作为下一跳；
如果下一跳节点取自和声记忆库，则判断取自和声记忆库的节点即音调是否需要调整：当随机数P2小于调整概率PAR时，对取自和声记忆库中的音调进行调整，随机从当前节点的通信范围内选择未到达过的节点替换掉被选择的节点作为下一跳，否则，保持被选择的节点做为下一跳；直到到达汇聚节点，其中，P2为0到1之间的随机数。
5.根据权利要求4所述的方法，所述对取自和声记忆库中的音调进行调整具体为：
6.根据权利要求1所述的方法，所述Step 6包括：
Step 6.1、计算候选和声的适应度f(π)；
Step 6.2、将候选和声与HM中最差的和声进行比较，如果优于该最差和声，则将该最差和声替换出和声记忆库。
7.根据权利要求1所述的方法，所述适应度为：
f ( π ) = 2 * ( L - 1 ) * E e l e c * k + E a m p * k * Σ i = 1 L - 1 d i , i + 1 2 E M i n * E A v g ,
式中，L为路径的长度，Eelec为传输和接收的单元能耗，Eamp为传输放大的单元能耗，k为源节点发送的数据包大小，di,i+1表示第i个节点和第i+1个节点之间的距离，EMin表示路径中剩余能量最少的节点的剩余能量，EAvg表示路径中所有节点的平均剩余能量。
CN201410097200.3A 2014-03-17 2014-03-17 一种基于改进和声搜索算法的无线传感器网络路由方法 Active CN103916927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410097200.3A CN103916927B (zh) 2014-03-17 2014-03-17 一种基于改进和声搜索算法的无线传感器网络路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410097200.3A CN103916927B (zh) 2014-03-17 2014-03-17 一种基于改进和声搜索算法的无线传感器网络路由方法

Publications (2)

Publication Number Publication Date
CN103916927A CN103916927A (zh) 2014-07-09
CN103916927B true CN103916927B (zh) 2017-06-13

Family

ID=51042234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410097200.3A Active CN103916927B (zh) 2014-03-17 2014-03-17 一种基于改进和声搜索算法的无线传感器网络路由方法

Country Status (1)

Country Link
CN (1) CN103916927B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104486807B (zh) * 2014-11-28 2017-08-11 华中科技大学 一种小规模无线传感器网络的路由方法
CN106447026B (zh) * 2016-09-13 2018-12-11 哈尔滨工程大学 一种基于布谷鸟和声搜索机制的iir数字滤波器生成方法
CN106550422B (zh) * 2016-11-08 2017-08-25 华中科技大学 一种基于和声搜索算法的无线传感器网络分簇路由方法
CN109067918B (zh) * 2018-09-25 2020-12-22 西北农林科技大学 一种物联网中的联合内容缓存和更新策略的方法及算法
CN110364188A (zh) * 2019-07-12 2019-10-22 深圳创维－Rgb电子有限公司 音频播放方法、装置及计算机可读存储介质
CN110798874A (zh) * 2019-07-31 2020-02-14 天津大学 一种基于和声搜索的能量有效路由方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101689287A (zh) * 2007-06-28 2010-03-31 微软公司 关于传感器的上下文敏感可靠性的学习和推理
CN102098687A (zh) * 2011-03-02 2011-06-15 上海大学 一种工业无线传感器网络多目标最优部署的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101689287A (zh) * 2007-06-28 2010-03-31 微软公司 关于传感器的上下文敏感可靠性的学习和推理
CN102098687A (zh) * 2011-03-02 2011-06-15 上海大学 一种工业无线传感器网络多目标最优部署的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Energy Efficient Harmony Search Based Routing Algorithm for Small-Scale Wireless Sensor Networks";Bing Zeng等：;《2014 IEEE 17th International Conference on Computational Science and Engineering》;20141231;全文 *
"An improved harmony search based energy-efficient routing algorithm for wireless sensor networks";Bing Zeng等：;《Applied Soft Computing 41(2016)135-147》;20151225;全文 *

Also Published As

Publication number Publication date
CN103916927A (zh) 2014-07-09

Similar Documents

Publication Publication Date Title
CN103916927B (zh) 一种基于改进和声搜索算法的无线传感器网络路由方法
Yue et al. Optimization‐based artificial bee colony algorithm for data collection in large‐scale mobile wireless sensor networks
Elhabyan et al. A Pareto optimization-based approach to clustering and routing in Wireless Sensor Networks
Kaaniche et al. Mobility prediction in wireless ad hoc networks using neural networks
Labrador et al. Topology Control in Wireless Sensor Networks: with a companion simulation tool for teaching and research
Yu et al. A dynamic clustering and energy efficient routing technique for sensor networks
Song et al. Unequal clustering algorithm for WSN based on fuzzy logic and improved ACO
CN106550422B (zh) 一种基于和声搜索算法的无线传感器网络分簇路由方法
CN104010336B (zh) 一种两级异构分簇的水下无线传感器网络路由方法
CN104486807B (zh) 一种小规模无线传感器网络的路由方法
Tareq et al. Mobile ad hoc network energy cost algorithm based on artificial bee colony
Chandren Muniyandi et al. An improved harmony search algorithm for proactive routing protocol in VANET
CN103781146A (zh) 基于蚁群算法的无线传感器网络最优路由路径构建方法
Torkestani An adaptive backbone formation algorithm for wireless sensor networks
Heidari et al. A novel approach for clustering and routing in WSN using genetic algorithm and equilibrium optimizer
Kasnesis et al. Cognitive friendship and goal management for the social IoT
CN109474973A (zh) 基于蚁群算法的自组网路径确定方法、装置、设备及介质
Umar et al. SALMA: an efficient state-based hybrid routing protocol for mobile nodes in wireless sensor networks
Darabkh et al. An innovative RPL objective function for broad range of IoT domains utilizing fuzzy logic and multiple metrics
Nath et al. Optimizing FANET routing using a hybrid approach of firefly algorithm and ACO-Lévy flight
Kalimuthu et al. Fuzzy logic based DSR trust estimation routing protocol for MANET using evolutionary algorithms
Li et al. IATLR: Improved ACO and TOPSIS-based layering routing protocol for underwater acoustic networks
Singh et al. Designing an energy efficient network using integration of KSOM, ANN and data fusion techniques
CN104581820B (zh) 基于分区的时隙分配方法和装置
Kuwelkar et al. OF-FZ: An optimized objective function for the Ipv6 routing protocol for LLNs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant