CN108112049B - 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 - Google Patents

一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 Download PDF

Info

Publication number
CN108112049B
CN108112049B CN201711351966.XA CN201711351966A CN108112049B CN 108112049 B CN108112049 B CN 108112049B CN 201711351966 A CN201711351966 A CN 201711351966A CN 108112049 B CN108112049 B CN 108112049B
Authority
CN
China
Prior art keywords
whale
node
current
individual
cluster
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
CN201711351966.XA
Other languages
English (en)
Other versions
CN108112049A (zh
Inventor
高亮
曾冰
李新宇
张振东
程璐瑶
董燕
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 CN201711351966.XA priority Critical patent/CN108112049B/zh
Publication of CN108112049A publication Critical patent/CN108112049A/zh
Application granted granted Critical
Publication of CN108112049B publication Critical patent/CN108112049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法，包括，汇聚节点将初始配置信息分别发送到所有簇头节点和普通节点，并对网络信息进行汇聚采集；根据当前网络信息，获得所有簇头节点到汇聚节点的最优路由方案和最优分簇方案；根据最优分簇方案和最优路由方案，对整个无线传感器网络进行分簇路由配置；簇头节点对所在分簇进行数据融合并发送到汇聚节点，完成信息汇聚采集。本发明技术方案的方法，在能效优化分簇问题中引入改进的鲸鱼群算法，利用改进鲸鱼群算法在多峰优化问题的求解能力，求解无线传感器网络能效优化分簇问题；同时，路由算法能够有效平衡簇头节点在转发数据时的能量消耗，从而有利于进一步延长网络生命周期。

Description

一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
技术领域
本发明属于无线传感器网络拓扑控制领域，具体涉及一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法。
背景技术
随着微电子技术、计算技术、无线通信技术和分布式信息处理技术的飞速发展，无线传感器网络成为下一代网络中的关键技术之一，也是21世纪最重要的新兴技术之一。1999年，美国《商业周刊》将WSNs列为21世纪最具影响的21项技术之一，2003年，麻省理工学院《技术评论》将WSNs列为未来改变人们生活的十大新技术之首。
在绝大多数无线传感器应用场景中，无线传感器的使用瓶颈体现在其能量非常有限，这是由于绝大多数无线传感器网络采用电池供电，这极大地限制了无线传感器网络的工作时间。因此，能量的高效利用对于无线传感器网络的研究其关键性作用。其中拓扑控制和路由算法是提高无线传感器网络能效，延长网络生命周期的两大关键技术。在层次型拓扑结构中，簇内节点(成员节点)负责数据采集，并将数据发送给所在簇的簇头节点，簇头节点负责数据融合以及将数据发送到基站，这样可以减少数据冗余，并减少数据通信量，从而延长网络的生命周期；好的能效路由算法可以保证数据沿着优化的路径转发，均衡整个网络的能耗，从而延长网络的生命周期。
在很多的层次型无线传感器网络应用中，簇头节点是从普通的传感器节点中选择，因此，这些簇头节点会因为频繁的数据接收、数据融合以及与基站通信而很快地将能量消耗完毕，从而减少整个网络的生命周期。目前，很多研究者采用一种特殊的节点(网关)作为簇头，如图1中的簇头节点所示，这些节点具有比普通传感器节点更多的能量，普通传感器节点可以加入任何一个在它通信范围内的簇头。这些网关一旦布置在场景中后，只有它们才能作为簇头，其它普通传感器节点不能成为簇头。如果某个簇内的普通传感器节点(成员节点)过多，则簇头节点的能量容易耗尽；如果成员节点离簇头节点太远，则成员节点容易因为长距离发送数据而很快将能量耗尽，这两种情况对整个网络的生命周期影响都很大。因此，即考虑簇头节点的能耗又考虑成员节点的能耗的拓扑控制算法对于整个网络生命周期显得特别关键。
鲸鱼群算法(Whale Swarm Algorithm，WSA)(详见参考文献：Bing Zeng,LiangGao*,Xinyu Li.Whale Swarm Algorithm for Function Optimization,IntelligentComputing T heories and Application:13th International Conference,ICIC 2017,Liverpool,UK,August 7-10,2017,Proceedings,Part I,Springer InternationalPublishing,Cham,2017,pp.624-639.)是一种元启发式算法。该算法模拟鲸鱼觅食过程，通过鲸鱼间的相互通信来寻找食物源。当鲸鱼发现了食物源，它会发出声音通知附近的其它鲸鱼关于食物质量的好坏和数量的多少的信息。因此，每条鲸鱼将收到大量来自附近鲸鱼的通知信息，然后根据这些信息移动到适当的地方寻找食物。WSA算法框架简单，容易实现，非常适合由于解决工程优化问题。但是，鲸鱼群算法(WSA)是用于求解连续优化问题的，而无线传感器网络分簇问题是一个离散优化问题，鲸鱼群算法不能直接应用于无线传感器网络分簇问题的求解。
为便于理解本发明，首先以下对本发明实施例中出现的有关术语进行统一说明和解释：
簇头节点：节点能量较多，且具有一定的计算能力的传感器节点；
普通传感器节点：只进行信息的采集和向簇头发送信息的节点，节点能量较小，且计算能力有较大限制；
分簇：将若干个普通传感器节点分配到某一个簇头节点形成簇，簇完成簇内的信息汇聚，并有簇头进行信息融合并将其发送到汇聚节点；
距离：传感器节点之间的欧式距离；
跳数：当前传感器节点发送数据包到汇聚节点需要经过的最少传感器节点数；
剩余能量：传感器节点(包括普通传感器节点和簇头节点)的电量剩余值；
全局信息：包括普通传感器节点的邻居簇头节点集合、普通传感器节点与簇头节点的距离、簇头节点之间的距离、各传感器节点(包括普通传感器节点和簇头节点)的现有能量以及簇头节点到汇聚节点的跳数。
本发明技术方案中，无线传感器网络中所有无线传感器网络节点位置已知(通过GPS定位已知或者通过其他定位算法已知)，即节点间距离已知。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于鲸鱼群算法的无线传感器网络能效优化分簇路由方法。本发明技术方案的方法，针对现有鲸鱼算法难以处理无线传感器网络分簇问题的情况，基于改进的鲸鱼群算法进行无线传感网络分簇计算，得到整个无线传感器网络分簇方案，建立了既考虑簇头节点生命周期的标准差，又考虑普通传感器节点能耗及其标准差的适应度函数，解决了无线传感器网络成员节点分配不合理，簇头节点能耗不均匀等问题，从而均衡无线传感器网络的能耗，有效提高网络能效，延长网络生命周期。
为实现上述目的，按照本发明的一个方面，提供了一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其特征在于，包括
汇聚节点将初始配置信息分别发送到簇头节点和普通节点，并对无线传感器网络的节点信息进行汇聚采集，获取当前网络信息；
根据当前网络信息，计算得到每个簇头节点的最优转发路径，从而获得所有簇头节点到汇聚节点的最优路由方案，以及整个传感器网络的最优分簇方案；
根据最优分簇方案和最优路由方案，对整个无线传感器网络进行分簇路由配置；
传感器节点采集和/或处理信息，生成包含有传感器节点自身剩余能量信息的数据包，并将该数据包转发到对应的簇头节点；簇头节点对所在分簇进行数据融合，根据分簇路由配置将数据发送到汇聚节点，完成信息汇聚采集；
其中，所述最优分簇方案优选通过改进的鲸鱼算法计算获得，包括：
S1设置鲸鱼群算法参数，并对鲸鱼群算法中的每个鲸鱼个体进行初始化，获取初始鲸鱼种群，计算每个鲸鱼个体的适应度值；设置当前鲸鱼为鲸鱼群的第一个个体，进入步骤S2；
S2根据适应度值以及鲸鱼个体间的距离，确定当前鲸鱼是否存在引导个体；所述引导个体是所有优于当前鲸鱼的鲸鱼个体中，离当前鲸鱼最近的鲸鱼个体；若存在，进入步骤S3；否则进入步骤S5；
S3生成当前鲸鱼的副本鲸鱼，当前鲸鱼的引导个体根据个体移动规则引导该副本鲸鱼进行移动，计算该副本鲸鱼的适应度值并比较；若该副本鲸鱼的适应度值小于当前鲸鱼的适应度值，则用该副本鲸鱼替换当前鲸鱼，并将当前鲸鱼的迭代计数器设置为0，进入步骤S7；否则进入步骤S4；
S4比较当前鲸鱼的迭代计数器值与鲸鱼群稳定性阈值的大小；若当前鲸鱼的迭代计数器值小于鲸鱼群稳定性阈值，则将该迭代计数器值加1，进入步骤S7；否则重新初始化当前鲸鱼的位置，计算该鲸鱼的适应度值，进入步骤S7；
S5生成当前鲸鱼的副本，对该副本执行邻域搜索后，计算该副本的适应度值并比较；若该副本的适应度值小于当前鲸鱼的适应度值，则将当前鲸鱼替换为该副本，并将当前鲸鱼对应的鲸鱼迭代计数器值设置为0，进入步骤S7；否则进入步骤S6；
S6若当前鲸鱼的迭代计数器小于鲸鱼群稳定性阈值，则对该迭代计数器加1，进入步骤S7；否则比较当前鲸鱼的适应度值与全局最优解的适应度值的大小，若当前鲸鱼的适应度值小于全局最优解的适应度值，则更新全局最优解的适应度值为当前鲸鱼的适应度值，更新全局最优解，初始化当前鲸鱼的位置，并计算该鲸鱼的适应度值，进入步骤S7；若不小于则重新初始化当前鲸鱼的位置，并计算该鲸鱼的适应度值，进入步骤S7；
S7若当前鲸鱼不为鲸鱼群的最后一个个体，设置当前鲸鱼为当前鲸鱼在鲸鱼群中的下一个鲸鱼个体，进入步骤S2；若当前鲸鱼为鲸鱼群的最后一个个体，判断其是否满足终止条件，若满足进入步骤S8；否则设置当前鲸鱼为鲸鱼群的第一个个体，进入步骤S2；
S8判断最后一代种群中是否有比全局最优解更好的鲸鱼个体，有则替代当前全局最优解，获取最终的全局最优解，即为最优分簇方案。
作为本发明技术方案的一个优选，优选采用随机初始化方式。
作为本发明技术方案的一个优选，适应度的计算公式为：
f＝ω·σL+(1-ω)·σD·μD
式中，ω为权重系数，σL为各簇头节点生命期的标准差，μD、σD分别表示普通传感器节点到其簇头节点距离的均值和方差。
本发明技术方案中，为了便于描述鲸鱼个体的编码方案，首先对下面符号进行定义：
定义1.G：簇头集合，G＝{g1,g2,…,gi,…,gm}，gi表示第i个簇头，m表示簇头的数量。
定义2.R：普通传感器节点集合，R＝{r1,r2,…,ri,…,rn},ri表示第i个普通传感器节点，n表示普通传感器节点的数量。
定义3.RGri：在普通传感器节点ri通信范围内的簇头编号集合。
鲸鱼个体的个体编码具体设计过程为：
由于普通传感器节点的数量是固定的，因此最有效的那个鱼个体编码方案为每条鲸鱼个体代表一种完整的普通传感器节点到簇头的分配方案。如下所示：
X＝(x1,x2,…,xi,…,xn)
其中，X表示一条鲸鱼个体，即一个解；xi表示普通传感器节点ri所属的簇头编号，即普通传感器节点ri分配给簇头xi，xi∈RGri。
进一步地，适应度函数具体设计为：
f＝ω·σL+(1-ω)·σD·μD
其中，ω为权重系数，取值范围为[0,1]。
σL表示各簇头节点生命期的标准差：m为簇头节点数量，L(gi)表示簇头节点gi的生命期：μL为所有簇头节点生命期的均值，Er(gi)是簇头节点gi的剩余能量，Ec(gi)是簇头节点gi在单轮数据发送过程中消耗的能量，ni表示簇头节点gi的成员节点数量，k为接收数据量大小(接收数据比特数)，l表示簇头进行数据融合后，发送的数据包的大小，EDA表示簇头节点gi融合各普通传感器节点发送来的数据所消耗的能量，ETx表示簇头节点发送数据(数据包大小为l)到它的初始下一跳节点所消耗的能量，d为两个簇头节点之间的距离，d0为所述距离的门阀值，k为传输数据量大小(传输数据比特数)，Eelec表示传感器节点中接收和传送电路工作时所消耗的能量，εfs和εmp分别为自由空间损耗模型和多径衰落信道模型中，传感器节点中传送放大器工作时所消耗的能量。
σD表示所有普通传感器节点到其簇头节点距离的均值和方差：
其中，n为普通传感器节点的数量，D(ri)为普通传感器节点ri到所属的簇头的距离，μD为各普通节点到各自簇头的距离的平均值，
该目标函数同时考虑了簇头和普通传感器节点的能耗均衡，以及普通传感器节点总消耗能量。
作为本发明技术方案的一个优选，当前鲸鱼的引导个体Y根据个体移动规则引导当前鲸鱼的副本鲸鱼X'进行移动的过程包括，
S31设置遍历序号i＝1；
S32判断鲸鱼X'的第i个元素X'i是否等于鲸鱼Y的第i个元素Yi，若是则进入步骤S33，否则进入步骤35；
S33生成一个从0到1的随机数P，若P小于选择概率λ，将X'i赋值为Yi，进入步骤S35，否则进入步骤S34；
S34在第i个普通传感器节点通信范围内的簇头集合中随机选择一个簇头g’，将X'i赋值为g’；
S35将i+1赋值给i，若i不大于|X'|，则进入步骤S32，否则进入步骤S36；
S36完成鲸鱼X'的个体移动。
作为本发明技术方案的一个优选，邻域搜索包括，
S41从鲸鱼种群中选取适应度值最好的鲸鱼个体Ωb；
S42计算鲸鱼个体Ωb生命周期最小的簇头gmin；
S43在分配给簇头gmin的传感器节点集合内随机选择一个普通传感器节点ru，在普通传感器节点通信范围内的簇头编号集合中随机选择一个簇头gv；
S44将鲸鱼个体Ωb的ru分配给簇头gv，完成邻域搜索。
本发明技术方案中，首先为了便于描述邻域搜索策略，对下面符号进行定义：定义为分配给簇头gi的普通传感器节点的编号集合，即在簇头gi所属的簇内的普通传感器节点的编号集合。邻域搜索策略的具体设计如下：
(131)在种群中找到最好的个体Ωbest；
(132)计算最好个体Ωbest中生命周期最小的簇头gmin；
(133)在集合内随机选择一个普通传感器节点ru，从集合中随机选择一个簇头gv；
(134)将最好个体Ωbest的ru分配给簇头gv，完成邻域搜索。
作为本发明技术方案的一个优选，优选采用离散个体编码方式对传感器节点进行编码。
鲸鱼群的鲸鱼个体编码设计，采用离散的个体编码方式，即一条鲸鱼个体表示一条路径，X＝(s，x2，x3，…，xi，…，d)式中，X表示一个鲸鱼个体，即一个解，也即一条路径；s表示源节点，x2表示路径中的第二个节点，xi表示路径中的第i个节点，d表示根节点。
作为本发明技术方案的一个优选，鲸鱼个体间的距离优选采用汉明距离进行计算。汉明距离是两个个体对应位置不同值的个数。即对两个个体中的所有元素对应位置进行异或运算，统计结果为1的个数，该个数为汉明距离的值。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1)本发明技术方案的方法，在能效优化分簇问题中引入改进的鲸鱼群算法，利用改进鲸鱼群算法在多峰优化问题的求解能力，求解无线传感器网络能效优化分簇问题；同时，在簇间路由阶段，引入的路由算法能够有效平衡簇头节点在转发数据时的能量消耗，从而有利于进一步延长网络生命周期。
2)本发明技术方案的方法，采用离散化编码方式对鲸鱼个体进行编码，针对无线传感器网络能效优化分簇问题提出一种离散化编码方式。通过改进WSA-IC算法使算法的迭代公式离散化，使求解连续优化问题的WSA-IC算法，适用于离散问题。
3)本发明技术方案的方法，构建了合适的适应度函数，既考虑了簇头节点的剩余能量标准差，又考虑了普通传感器节点的能耗及能耗的标准差。分簇算法通过此适应度函数使求得的解能够均衡簇头节点和普通传感器节点的能耗，同时也降低普通传感器节点的能耗，从而延长整个无线传感器的生命周期。
4)本发明技术方案的方法，针对鲸鱼个体的编码方式，加入了汉明距离算法来计算个体间的距离，并在迭代过程中对当前种群的最好个体引入邻域搜索策略，有利于加强算法的拒不搜索能力，加快收敛到该个体所在区域的最优解，提高鲸鱼群算法的收敛速度及算法的运行效率。
附图说明
图1为现有技术中层次型无线传感器网络的分簇示意图；
图2为本发明实施例中无线传感器网络能效优化分簇方法的流程示意图；
图3为本发明实施例中网络初始化与网络信息汇聚的流程示意图；
图4为本发明实施例中能效优化分簇计算的流程示意图；
图5为本发明实施例中简单无线传感器网络示意图；
图6为本发明实施例中鲸鱼个体移动的流程示意图；
图7为本发明实施例中最优鲸鱼个体邻域搜索的流程示意图；
图8为本发明实施例中最优鲸鱼个体邻域搜索简单示意图；其中，图8(a)为本实施例中进行邻域搜索前种群最好的个体示意图；图8(b)为进行邻域搜索后种群最好的个体示意图
图9(a)为本发明实施例中随机生成的包括100个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(b)为本发明实施例中随机生成的包括200个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(c)为本发明实施例中随机生成的包括300个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(d)为本发明实施例中随机生成的包括400个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(e)为本发明实施例中随机生成的包括200个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(f)为本发明实施例中随机生成的包括300个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(g)为本发明实施例中随机生成的包括400个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(h)为本发明实施例中随机生成的包括500个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(200,100)的位置)的无线传感器网络；
图9(i)为本发明实施例中随机生成的包括100个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(j)为本发明实施例中随机生成的包括200个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(k)为本发明实施例中随机生成的包括300个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(l)为本发明实施例中随机生成的包括400个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(m)为本发明实施例中随机生成的包括200个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(n)为本发明实施例中随机生成的包括300个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(o)为本发明实施例中随机生成的包括400个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图9(p)为本发明实施例中随机生成的包括500个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标(100,100)的位置)的无线传感器网络；
图10(a)为本发明实施例中实验场景WSN#1的实施例3中，本发明的WSA-ICC算法与DECA、IHSC算法的适应度收敛情况对比实验结果；
图10(b)为本发明实施例中实验场景WSN#2的实施例11中，本发明的WSA-ICC算法与DECA、IHSC算法的适应度收敛情况对比实验结果；
图10(c)为本发明实施例中实验场景WSN#1的实施例8中，本发明的WSA-ICC算法与DECA、IHSC算法的适应度收敛情况对比实验结果；
图10(d)为本发明实施例中实验场景WSN#2的实施例16中，本发明的WSA-ICC算法与DECA、IHSC算法的适应度收敛情况对比实验结果；
图11(a)为本发明实施例中实验场景WSN#1的实施例1～4中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的网络生命周期对比实验结果；
图11(b)为本发明实施例中实验场景WSN#1的实施例5～8中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的网络生命周期对比实验结果；
图11(c)为本发明实施例中实验场景WSN#2的实施例9～12中，本发明的WSA-ICC与EELBCA、DECA、IHSC的网络生命周期对比实验结果；
图11(d)为本发明实施例中实验场景WSN#2的实施例13～16中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的网络生命周期对比实验结果；
图12(a)为本发明实施例中实验场景WSN#1的实施例1～4中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的RLGD-RFGD对比实验结果；
图12(b)为本发明实施例中实验场景WSN#1的实施例5～8中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的RLGD-RFGD对比实验结果；
图12(c)为本发明实施例中实验场景WSN#2的实施例9～12中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的RLGD-RFGD对比实验结果；
图12(d)为本发明实施例中实验场景WSN#2的实施例13～16中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的RLGD-RFGD对比实验结果；
图13(a)为本发明实施例中实验场景WSN#1的实施例3中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图13(b)为本发明实施例中实验场景WSN#2的实施例11中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图13(c)为本发明实施例中实验场景WSN#1的实施例8中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图13(d)为本发明实施例中实验场景WSN#2的实施例16中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图14(a)为本发明实施例中实验场景WSN#1的实施例3中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图14(b)为本发明实施例中实验场景WSN#2的实施例11中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图14(c)为本发明实施例中实验场景WSN#1的实施例8中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果；
图14(d)为本发明实施例中实验场景WSN#2的实施例16中，本发明的WSA-ICC算法与EELBCA、DECA、IHSC算法的能耗对比实验结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
如图2所示是本实施例中的基于改进鲸鱼群算法的无线传感器网络能效优化分簇路由方法的流程图，其中包括网络初始化与网络信息汇聚等步骤。下面针对本实施例的方法的具体步骤对其进行进一步的说明。
(1)网络初始化与网络信息汇聚步骤，如图3所示，具体包括：
a.唯一标识确定：对网络中包括汇聚节点、簇头节点和普通传感器节点的所有传感器节点进行编号，作为它们的唯一标识。
b.计算网络初始化配置信息：根据已知的节点距离信息，使用最短路Dijkstra(迪杰斯特拉)算法，得到所有节点到汇聚节点的最短路径，采用该方案作为初始化默认路由；根据已知的节点距离信息，找到所有普通节点最近的簇头节点，该簇头节点为该普通节点的初始化默认簇头，采用该方案作为初始化默认分簇。
c.网络初始化配置：汇聚节点将初始化配置信息分别依次发送到所有簇头节点和普通传感器节点。簇头节点和普通传感器节点，接收到配置信息后，完成自身的初始化配置。
d.网络信息汇聚：普通节点收到该初始化配置信息，向其默认簇头节点发送其剩余电量信息。簇头节点将所有来自普通传感器节点的信息和自身的剩余能量信息进行数据融合后，根据初始化默认路由将其发送到汇聚节点，完成全网络信息的汇聚。
(2)分簇路由计算步骤，根据所有节点的剩余能量信息，对整个传感器网络进行网络分簇路由的优化计算与配置，具体包括：
a.能量优化路由计算：
基站使用基于改进鲸鱼群算法的无线传感器网络路由方法计算出每个簇头节点的最优转发路径，其中本发明的簇头节点认为是上述方法的传感器节点，进行路由计算，得到所有簇头节点到汇聚节点的最优路由方案；
b.能效优化分簇计算：
基站采用改进鲸鱼群算法，计算无线传感器网络能效优化分簇问题，得到最优解，最终得到整个传感器网络的最优分簇方案；
能效优化分簇计算流程如图4所示，包含下述子步骤：
子步骤1、设置鲸鱼群算法参数，包括稳定性阈值Ts＝200+n/2，其中n为当前普通传感器节点数量，种群大小(即鲸鱼个体数量)|Ω|＝20和选择概率λ＝0.5；
子步骤2、初始化鲸鱼群算法的每个鲸鱼个体，得到初始鲸鱼种群：
Ω＝{Ω1，Ω2，…，Ωi，…，Ω|Ω|}；
其中，|Ω|为鲸鱼个体数量，Ωi为第i个鲸鱼个体；
其中鲸鱼个体的个体编码，具体设计如下：
为了便于描述鲸鱼个体的编码方案，对下面符号进行定义：
定义1.G：簇头集合，G＝{g1,g2,…,gi,…,gm}，gi表示第i个簇头，m表示簇头的数量。
定义2.R：普通传感器节点集合，R＝{r1,r2,…,ri,…,rn},ri表示第i个普通传感器节点，n表示普通传感器节点的数量。
定义3.RGri：在普通传感器节点ri通信范围内的簇头编号集合。
由于普通传感器节点的数量是固定的，因此最有效的鲸鱼个体编码方案为每条鲸鱼个体代表一种完整的普通传感器节点到簇头的分配方案。如下所示：
X＝(x1,x2,…，xi，…，xn)
其中，X表示一条鲸鱼个体，即一个解；xi表示普通传感器节点ri所属的簇头编号，即普通传感器节点ri分配给簇头xi，
如图5所示，网络中包含5个簇头和12个普通传感器节点，即G＝{g1,g2,g3,g4,g5}，R＝{r1,r2,r3,r4,r5,r6,r7,r8,r9,r10,r11,r12}。图中，普通传感器节点与簇头之间的连接线意味着两个传感器节点能够相互通信。由图可知， 假设一条鲸鱼个体X＝(2,3,4,2,3,5,1,3,1,4,5,5)，意味着普通传感器节点r1分配给簇头g2，传感器节点r2分配给簇头g3，依此类推
其中本发明实例对鲸鱼群个体采用随机初始化策略；
子步骤3、通过适应度函数，计算每个鲸鱼个体的适应度值：
F＝{f(Ω1)，f(Ω2)，…，f(Ωi)，…，f(Ω|Ω|)}
其中，f(Ωi)为第i个鲸鱼个体的适应度；
其中适应度函数，具体设计为：
f＝ω·σL+(1-ω)·σD·μD
其中，ω为权重系数，取值范围为[0,1]。
σL表示各簇头节点生命期的标准差：m为簇头节点数量，L(gi)表示簇头节点gi的生命期：μL为所有簇头节点生命期的均值，Er(gi)是簇头节点gi的剩余能量，Ec(gi)是簇头节点gi在单轮数据发送过程中消耗的能量，ni表示簇头节点gi的成员节点数量，k为接收数据量大小(接收数据比特数)，l表示簇头进行数据融合后，发送的数据包的大小，EDA表示簇头节点gi融合各普通传感器节点发送来的数据所消耗的能量，ETx表示簇头节点发送数据(数据包大小为l)到它的初始下一跳节点所消耗的能量，d为两个簇头节点之间的距离，d0为所述距离的门阀值，k为传输数据量大小(传输数据比特数)，Eelec表示传感器节点中接收和传送电路工作时所消耗的能量，εfs和εmp分别为自由空间损耗模型和多径衰落信道模型中，传感器节点中传送放大器工作时所消耗的能量。
σD表示所有普通传感器节点到其簇头节点距离的均值和方差：
其中，n为普通传感器节点的数量，D(ri)为普通传感器节点ri到所属的簇头的距离，μD为各普通节点到各自簇头的距离的平均值，
该目标函数同时考虑了簇头和普通传感器节点的能耗均衡，以及普通传感器节点总消耗能量。
子步骤4、设置遍历序号i＝1；
子步骤5、根据适应度值以及鲸鱼个体间的距离，寻找离鲸鱼Ωi的“较优且最近”的鲸鱼Y，若Y存在，则转子步骤6，否则转子步骤12；
其中鲸鱼个体间的距离，采用汉明距离进行计算，具体为：
汉明距离是两个个体对应位置不同值的个数。即对两个个体中的所有元素对应位置进行异或运算，统计结果为1的个数，该个数为汉明距离的值。
假设两条鲸鱼个体X1、X2如下所示，X1和X2有5个元素不相同，所以，X1和X2之间的汉明距离为5。
子步骤6、生成鲸鱼Ωi的副本X'；
子步骤7、根据个体移动规则，通过鲸鱼Y引导鲸鱼X'进行移动；
其中个体移动规则，具体流程如图6所示，包括如下步骤：
(7.1)设置遍历序号i＝1；
(7.2)若X'i不等于Yi，则转步骤(7.3)，否则转步骤(7.5)；
(7.3)生成一个0到1的随机数P，若P小于选择概率λ，将Xi'赋值为Yi，否则转步骤(7.4)；
(7.4)在集合内随机选择一个簇头g’，将Xi'赋值为g’；
(7.5)将i+1赋值给i，若i不大于|X'|，转步骤(7.2)，否则转步骤(7.6)；
(7.6)完成鲸鱼X'的个体移动；
如下所示，鲸鱼Ωu的副本X'及其“较优且最近”的鲸鱼Y，X'与Y的第一个元素不相同，因此，生成一个0到1之间的随机数P＝0.2，因为P<λ，所以将Y的第一个元素赋值给X'的第一个元素，此时X'＝(2，3，4，2，3，3，1，3，1，2，5，4)；X'与Y的第二个元素相同，不需要对X'进行任何操作；X'与Y的第三个元素不相同，因此，生成一个0到1之间的随机数P＝0.6，因为P>λ，所以从集合内随机选择一个值(假设为1)赋值给X'的第三个元素，此时X'＝(2，3，1，2，3，3，1，3，1，2，5，4)；依此类推，直到判断完最后一个元素，完成对应的操作，X'就结束了在Y引导下的移动。假设移动后的X'＝(2，3，4，2，3，5，1，1，1，2，5，5)，可见，X'与Y之间的距离由原来的6变成了3。
子步骤8、计算X'的适应度值f(X')，若f(X')小于f(Ωi)，则转子步骤9，否则转子步骤10；
子步骤9、将鲸鱼群中第i个鲸鱼Ωi替代为鲸鱼副本X'，将该鲸鱼迭代计数器Ωi.c设置为0，转子步骤18；
子步骤10、若第i个鲸鱼的迭代计数器Ωi.c不等于Ts，则对该迭代计数器Ωi.c加1，转子步骤18，否则转子步骤11；
子步骤11、重新初始化第i个鲸鱼Ωi，并计算该鲸鱼的适应度值f(Ωi)，转子步骤18；
子步骤12、生成第i个鲸鱼Ωi的副本X”；
子步骤13、对鲸鱼副本X”执行邻域搜索，并计算邻域搜索后的该副本的适应度值f(X”)，若f(X”)小于f(Ωi)，则转子步骤14，否则转子步骤15；
其中，为了便于描述领域搜索策略，对下面符号进行定义：
定义4.分配给簇头gi的普通传感器节点的编号集合，即在簇头gi所属的簇内的普通传感器节点的编号集合。
邻域搜索策略具体流程如图7所示，包括如下步骤：
(13.1)在种群中找到最好的个体Ωbest；
(13.2)计算最好个体Ωbest中生命周期最小的簇头gmin；
(13.3)在集合内随机选择一个普通传感器节点ru，从集合中随机选择一个簇头gv；
(13.4)将最好个体Ωbest的ru分配给簇头gv，完成邻域搜索；
若种群中好的个体Ωbest如图8(a)所示，由图可知， 生命期最小的簇头为g5，L(g5)＝720。因此，从集合内随机选择一个普通传感器节点编号，假设节点8被选中，然后从集合内随机选择一个簇头编号，假设3被选中。最后，将普通传感器节点r8从簇头g5所在的簇删除，将r8分配给簇头g3，如图8(b)所示，簇头g5的生命期从720增加到了790，簇头g3的生命期从890减小到了820，各簇头生命期的标准差得以减小。
子步骤14、将鲸鱼群中第i个鲸鱼Ωi替代为鲸鱼副本X”，并将该鲸鱼迭代计数器Ωi.c设置为0，转子步骤18；
子步骤15、若第i个鲸鱼的迭代计数器Ωi.c不等于Ts，则对该迭代计数器Ωi.c加1，转子步骤18，否则转子步骤16；
子步骤16、若第i个鲸鱼的适应度值f(Ωi)小于全局最优解的适应度值fgbest，则将fgbest设置为f(Ωi)，将全局最优解GBest设置为Ωi；
子步骤17、重新初始化第i个鲸鱼Ωi的位置，并计算该鲸鱼的适应度值f(Ωi)；
子步骤18、将i+1赋值给i，若i小于鲸鱼个体数量|Ω|，则转子步骤5，否则转子步骤19；
子步骤19、判断终止条件是否满足，若满足转子步骤20，否则转子步骤4；
子步骤20、判断最后一代种群中是否有比GBest更好的鲸鱼个体，有则替代GBest，GBest为当前最优解，即最优路由方案。
(3)分簇路由配置步骤，其具体如下：
汇聚节点使用上述最优路由方案向所有簇头节点发送最优路由配置信息以及最优分簇配置信息，在发送过程中配置中转路由节点的路由表；簇头节点收到分簇配置信息后，向对应的普通传感器节点发送分簇配置信息，普通节点存储相应的分簇配置信息后，加入到分簇中。
(4)信息采集与信息汇聚步骤，所有无线传感器节点进行信息采集和处理应用信息，根据配置的分簇路由，完成向汇聚节点的信息发送，具体如下：
普通传感器节点进行信息采集和处理应用信息，将其处理成数据包，并将其当前剩余能量信息加入到数据包中，将该数据包转发到其对应的簇头节点；簇头节点进行信息采集和处理应用信息，处理成数据包，并将其当前剩余能量信息加入到数据包中；簇头节点完成所在分簇的数据融合，将根据配置好的路由，将所有数据发送到汇聚节点，完成信息采集与汇聚。该步骤周期地不断执行，实现无线传感器网络的采集信息更新。
本方案，优选地，所述信息采集与信息汇聚步骤中，当汇聚轮数超过20次后，重新进行能效优化路由计算，形成新的路由方案后，重新执行步骤(3)(4)，完成路由方案的动态更新。
本方案，优选地，所述信息采集与信息汇聚步骤中，当无线传感器网络出现某个节点能量耗尽后，重新进行能效优化分簇计算，形成新的分簇方案后，重新执行步骤(3)(4)，完成分簇方案的动态更新。
本发明方案的效果可以通过以下仿真实验和比较进一步验证。
实验过程：
在本实施例的具体仿真实验中，优选将所有传感器节点布置在200×200m2的区域中。同时，为了对仿真实验的效果进行综合比较，本实施例设计了两种场景，第一种场景为WS，其汇聚节点坐标为(200,100)，即仿真区域的最左侧；第二种场景为WSN#2，其汇聚节点坐标为(100,100)，即仿真区域的中心位置。即，通过以下表1中的16个具体的实施例对本实施例中的无线传感器网络能效优化分簇方法进行进一步的验证。
表1无线传感网络实施例场景
如图9(a)～(p)所示，为按照上述网络节点数据随机生成的16个无线传感器网络，将本发明中的分簇方法与能量有效的负载均衡分簇方法，即EELBCA(Energy EfficientLoad-Balanced Clustering Algorithm)、基于差分进化算法的分簇方法，即DECA(Differential Evolution based Clustering Algorithm)、基于改进和声搜索算法的分簇方法IHSC(Improved Harmony Search based Clustering Algorithm)，针对适应度收敛情况(算法收敛到最优解的质量和算法收敛到最优解的速度)、生命周期(本发明中的生命周期为出现第一个簇头能量耗尽时，网络发送数据包的轮数)、RLGD-RFGD(即从第一个簇头能量耗尽到最后一个簇头能量耗尽经过的轮数)、存活节点数(每轮数据发送完，当前能量还没有耗尽的普通传感器节点数量)以及能耗(直到当前轮数结束，所有节点消耗的能量历史总和)进行比较。本实施例中，仿真编程语言为C++，计算机配置为：主频为3.2GHz和3.6GHz的intel I5-3470QM处理器、4GB内存、windows 10 64位操作***。同时为了便于实验比较和作图，将本发明中的分簇方法记为WSA-ICC。
针对上述16个具体的实施例，利用本实施例中的分簇方法逐一进行网络仿真测试。16个无线传感器网络中的每个传感器节点分别以一定周期向各自所在网络的汇聚节点发送数据包，直到满足实验参数的测量条件为止。
所述仿真实验网络参数如表2所示，其中ω为目标函数中的权重系数。
表2仿真实验网络参数设置
参数 值
通信范围 150m
普通传感器节点发送的数据包大小 256bits
Eelec 50nJ/bit
εfs 0.1nJ/bit/m2
εmp 0.000013nJ/bit/m4
d0 87.0m
ω 0.7
函数评价次数 500000
独立运行次数 10
所述仿真实验各实例中节点的初始化能量如表3所示。
表3各实例中节点的初始能量(单位：J)
实例 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
簇头 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
普通节点 0.35 0.25 0.25 0.25 0.25 0.25 0.25 0.25 0.5 0.35 0.35 0.25 0.5 0.35 0.35 0.35
所述仿真实验算法参数如表4所示，其中，PopSize为种群大小；Cr为交叉概率；F为比例因子；HMS为和声库大小；HMCRmin、HMCRmax分别为和声库选择概率的最小值和最大值；|Ω|为种群大小；n为当前存活的普通传感器节点数量。
表4算法参数设置
算法 参数
DECA PopSize＝100，Cr＝0.7，F＝0.5
IHSC HMS＝6，HMCRmin＝0.2，HMCRmax＝0.99
WSA-ICC |Ω|＝20，Ts＝200+n/2，λ＝0.5
实验结果：
适应度收敛情况比较：将WSA-ICC、DECA与IHSC在上述无线传感器网络中的实例3与实例11、实例8与实例16进行实施对比。图10(a)～图10(d)即为上述实例3、实例11、实例8与实例16的适应度收敛情况实验数据对比结果。从图中可以看出，在所有实例中，本发明提出的WSA-ICC算法无论是在适应度收敛速度方面，还是在求得的最优解的质量方面都比其它算法的表现好得多。这是得益于WSA-IC算法优秀的迭代规则：每条鲸鱼个体在其“较优且最近”的鲸鱼的引导下进行移动，如果发现了更好的新位置，则该鲸鱼移动到该新的位置；否则，该鲸鱼保持原地不动。这样，WSA-IC算法可以快速收敛到各个体附近的极值点。同时，本发明加入的邻域搜索策略可以提高解的精度。更重要的是，WSA-IC算法可以在迭代过程中识别和跳出已找到的极值点，从而尽可能地提高算法的全局搜索能力，极大地提高了求解全局最优解的能力。
网络生命周期比较：将WSA-ICC、EELBCA、DECA与IHSC在上述无线传感器网络中进行实施，实验终止条件为第一个簇头能量耗尽。图11(a)～图11(d)分别为实施例1～4、实施例5～8、实施例9～12和实施例13～16的网络生命周期实验数据对比结果。从实验结果可看出，在绝大多数实例中，本发明提出的WSA-ICC算法都能比其它算法取得更长的生命周期；特别是对于2#WSN，WSA-ICC算法的优势更加明显。EELBCA在很多实例中都取得最小的生命周期，是因为在EELBCA中，簇头是根据普通成员节点数量来分配成员节点，而不是按照簇头的剩余能量来分配普通成员节点，那么，剩余能量较少的簇头和剩余能量较多的簇头拥有数量差不多的普通成员节点数量，从而导致剩余能量较少的簇头较快地耗尽能量。EELBCA在有些实例中能和其它算法取得差不多的生命周期，是因为这些分簇算法都采用了WSA-ICR路由算法来计算簇头的路由，从而在数据包的发送阶段显著地平衡了簇头的能耗。WSA-ICC算法之所以在生命周期方面比其它对比算法表现好，是得益于WSA-ICC算法优秀的求解性能，它能比其它算法找到更好的解，来根据簇头的剩余能量分配普通成员节点，使得剩余能量最少的簇头拥有数量较少的普通成员节点，尽可能地延长它们的生命期，从而延长网络的生命周期。
RLGD-RFGD比较：将WSA-ICC、EELBCA、DECA与IHSC在上述无线传感器网络中进行实施，实验终止条件为最后一个簇头能量耗尽。图12(a)～图12(d)分别为实施例1～4、实施例5～8、实施例9～12和实施例13～16的RLGD-RFGD实验数据对比结果。“RLGD-RFGD”指标是用来评价各分簇方法在平衡簇头能耗方面的表现，该指标的值越小，也就是从第一个簇头能量耗尽到最后一个簇头能量耗尽经过的轮数越小，这意味着分簇方法在平衡簇头能耗方面的表现越好。从实验结果可以看出，DECA在绝大多数实例中都取得最差的RLGD-RFGD，特别是对于簇头较多的实例5～实例8(搜索空间更大)。这是因为DECA的求解能力较差，从DECA的适应度收敛表现可以看出，DECA求得的最终解质量较差，也就意味着不能在分簇阶段很好的平衡各簇头的生命期，所以簇头的负载不平衡；此外，离汇聚节点较近的簇头还需为较远的簇头转发数据，如果簇头负载不均衡，将继续拉大簇头生命期的标准差，从而导致RLGD-RFGD变大。而由于优秀求解能力，WSA-ICC算法在实例1～实例8中都能取得很好的RLGD-RFGD。在2#WSN的各实例中，基站都位于感知区域的中央，并在所有簇头的通信范围内，在簇头发送数据包的阶段，各簇头的能量消耗比较均衡。如图12(a)所示，由于簇头数量较少，搜索空间较小，各算法取得的RLGD-RFGD相差不大；而对于图12(b)中簇头较多的四个实例，WSA-ICC算法的表现较为突出。这表明，WSA-ICC算法在均衡簇头能耗方面有着优秀的表现。
存活节点数比较：将WSA-ICC、IHSCRA与EELBCA、DECA与IHSC在上述无线传感器网络中进行实施。其中实验所用的实施例为场景WSN#1的实施例3和实例8，场景WSN#2的实施例11和实例16。图13(a)～图13(d)分别为实施例3、实例8、实施例11和实例16的存活节点数的实验数据对比结果。存活节点数是用来评价分簇方法在减少普通传感器节点能耗方面的表现，该指标的值越大，意味着分簇方法越能延长普通传感器节点的生命期。从实验结果可以看出，IHSC算法和EELBCA算法计算得到的分簇方案能极大减少普通传感器节点的能耗。对于EELBCA算法，在给簇头分配普通传感器节点时，是选择最近的普通传感器节点加入到当前簇头，这样，大部分普通传感器节点都能分配到最近或较近的簇头，可以极大降低普通传感器节点的能耗，从而延长它们的生命期；但是，这种方法可能会使簇头的负载不平衡，导致负载过重的簇头能量消耗过快，从而缩短网络的生命周期。因此，EELBCA算法在大部分实例中都取得最差的生命周期。IHSC算法在每次产生候选和声后都对最好的和声进行邻域搜索，最终求得的最优解可以将很多普通传感器节点分配到最近或次近的簇头，也可以极大降低普通传感器节点的能耗，从而显著提高了普通传感器节点的生命期；但从适应度收敛情况可以看出，IHSC算法求得的最优解在目标函数的第一个指标(簇头生命期的标准差)上不能取得最优或近优的值，所以，IHSC算法在网络生命周期方面的表现比WSA-ICC算法差。本发明的主要目的是通过分簇算法为簇头合理地分配普通传感器节点数量，从而尽可能地均衡簇头的能耗，延长网络的生命周期。因为在实际WSN场景中，有很多冗余的普通传感器节点，某些普通传感器节点的能量耗尽不会对数据采集造成太大的影响；而簇头的能量耗尽将会丢失其普通成员节点采集的数据，并使得其普通成员节点要加入更远的簇头，从而加速这些普通传感器节点的能量消耗。因此，簇头的生命期对数据采集有着至关重要的作用，需要尽可能地均衡簇头的能耗。所以，在本章提出的目标函数中，簇头生命期的标准差的权重系数设置为0.7，以期望算法找到的最优解能以平衡簇头的能耗为主，同时也能平衡普通传感器节点的能耗。从适应度收敛情况的表现可以看出，WSA-ICC算法具有最好的求解能力。WSA-ICC算法求得的最优解会以平衡簇头的能耗为主，可能会将某些普通传感器节点加入到距离较远的剩余能量更多的簇头，导致这些普通传感器节点的能耗增加，从而，影响到WSA-ICC算法在存活节点数方面的表现。
能耗比较：本发明IHSCRA与EELBCA、DECA与IHSC在上述无线传感器网络中进行实施。其中实验所用的实施例为场景WSN#1的实施例3和实例8，场景WSN#2的实施例11和实例16。图14(a)～图14(d)为实施例3、实例8、实施例11和实例16能耗的实验数据对比结果。能耗指标指的是整个网络的能耗，包括簇头和普通传感器节点的能耗。从实验结果可以看出，WSA-ICC方法在降低整个网络的能耗方面的表现比EELBCA和IHSC方法差，这同样也是因为WSA-ICC方法求得的最优解主要是平衡簇头的能耗，可能会将某些普通传感器节点加入到距离较远的剩余能量更多的簇头，从而增加了普通传感器节点的能耗。但是同样可以看到，WSA-ICC方法在能耗方面的表现比DECA方法好。
综上所述，本发明WSA-ICC方法在均衡整个网络能耗、延长网络生命周期以及收敛速度等方面都具有优秀的表现。
本领域的技术人员容易理解，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)

1.一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其特征在于，包括
汇聚节点将初始配置信息分别发送到簇头节点和普通节点，并对无线传感器网络的节点信息进行汇聚采集，获取当前网络信息；
根据当前网络信息，计算得到每个簇头节点的最优转发路径，从而获得所有簇头节点到汇聚节点的最优路由方案，以及整个传感器网络的最优分簇方案；
根据最优分簇方案和最优路由方案，对整个无线传感器网络进行分簇路由配置；
传感器节点采集和处理信息，生成包含有传感器节点自身剩余能量信息的数据包，并将该数据包转发到对应的簇头节点；簇头节点对所在分簇进行数据融合，根据分簇路由配置将数据发送到汇聚节点，完成信息汇聚采集；
其中，所述最优分簇方案通过改进的鲸鱼算法计算获得，包括：
S1设置鲸鱼群算法参数，并对鲸鱼群算法中的每个鲸鱼个体进行初始化，获取初始鲸鱼种群，计算每个鲸鱼个体的适应度值；设置当前鲸鱼为鲸鱼群的第一个个体，进入步骤S2；
S2根据适应度值以及鲸鱼个体间的距离，确定当前鲸鱼是否存在引导个体；所述引导个体是所有优于当前鲸鱼的鲸鱼个体中，离当前鲸鱼最近的鲸鱼个体；若存在，进入步骤S3；否则进入步骤S5；
S3生成当前鲸鱼的副本鲸鱼，当前鲸鱼的引导个体根据个体移动规则引导该副本鲸鱼进行移动，计算该副本鲸鱼的适应度值并比较；若该副本鲸鱼的适应度值小于当前鲸鱼的适应度值，则用该副本鲸鱼替换当前鲸鱼，并将当前鲸鱼的迭代计数器设置为0，进入步骤S7；否则进入步骤S4；
S4比较当前鲸鱼的迭代计数器值与鲸鱼群稳定性阈值的大小；若当前鲸鱼的迭代计数器值小于鲸鱼群稳定性阈值，则将该迭代计数器值加1，进入步骤S7；否则重新初始化当前鲸鱼的位置，计算该鲸鱼的适应度值，进入步骤S7；
S5生成当前鲸鱼的副本，对该副本执行邻域搜索后，计算该副本的适应度值并比较；若该副本的适应度值小于当前鲸鱼的适应度值，则将当前鲸鱼替换为该副本，并将当前鲸鱼对应的鲸鱼迭代计数器值设置为0，进入步骤S7；否则进入步骤S6；
S6若当前鲸鱼的迭代计数器小于鲸鱼群稳定性阈值，则对该迭代计数器加1，进入步骤S7；否则比较当前鲸鱼的适应度值与全局最优解的适应度值的大小，若当前鲸鱼的适应度值小于全局最优解的适应度值，则更新全局最优解的适应度值为当前鲸鱼的适应度值，更新全局最优解，初始化当前鲸鱼的位置，并计算该鲸鱼的适应度值，进入步骤S7；若不小于则重新初始化当前鲸鱼的位置，并计算该鲸鱼的适应度值，进入步骤S7；
S7若当前鲸鱼不为鲸鱼群的最后一个个体，设置当前鲸鱼为当前鲸鱼在鲸鱼群中的下一个鲸鱼个体，进入步骤S2；若当前鲸鱼为鲸鱼群的最后一个个体，判断其是否满足终止条件，若满足进入步骤S8；否则设置当前鲸鱼为鲸鱼群的第一个个体，进入步骤S2；
S8判断最后一代种群中是否有比全局最优解更好的鲸鱼个体，有则替代当前全局最优解，获取最终的全局最优解，即为最优分簇方案。
2.根据权利要求1所述的基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其中，所述初始化采用随机初始化方式。
3.根据权利要求1或2所述的基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其中，适应度的计算公式为：
f＝ω·σL+(1-ω)·σD·μD
式中，ω为权重系数，σL为各簇头节点生命期的标准差，μD、σD分别表示普通传感器节点到其簇头节点距离的均值和方差。
4.根据权利要求1或2所述的基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其中，当前鲸鱼的引导个体Y根据个体移动规则引导当前鲸鱼的副本鲸鱼X'进行移动的过程包括，
S31设置遍历序号i＝1；
S32判断鲸鱼X'的第i个元素X'i是否等于鲸鱼Y的第i个元素Yi，若是则进入步骤S33，否则进入步骤35；
S33生成一个从0到1的随机数P，若P小于选择概率λ，将X'i赋值为Yi，进入步骤S35，否则进入步骤S34；
S34在第i个普通传感器节点通信范围内的簇头集合中随机选择一个簇头g’，将X'i赋值为g’；
S35将i+1赋值给i，若i不大于|X'|，则进入步骤S32，否则进入步骤S36；
S36完成鲸鱼X'的个体移动。
5.根据权利要求1或2所述的基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其中，所述邻域搜索包括，
S41从鲸鱼种群中选取适应度值最好的鲸鱼个体Ωb；
S42计算鲸鱼个体Ωb生命周期最小的簇头gmin；
S43在分配给簇头gmin的传感器节点集合内随机选择一个普通传感器节点ru，在普通传感器节点通信范围内的簇头编号集合中随机选择一个簇头gv；
S44将鲸鱼个体Ωb的ru分配给簇头gv，完成邻域搜索。
6.根据权利要求1或2所述的基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其中，采用离散个体编码方式对传感器节点进行编码。
7.根据权利要求1或2所述的基于鲸鱼群算法的无线传感器网络能效优化分簇方法，其中，鲸鱼个体间的距离采用汉明距离进行计算。
CN201711351966.XA 2017-12-15 2017-12-15 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 Active CN108112049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711351966.XA CN108112049B (zh) 2017-12-15 2017-12-15 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711351966.XA CN108112049B (zh) 2017-12-15 2017-12-15 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法

Publications (2)

Publication Number Publication Date
CN108112049A CN108112049A (zh) 2018-06-01
CN108112049B true CN108112049B (zh) 2018-12-07

Family

ID=62216343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711351966.XA Active CN108112049B (zh) 2017-12-15 2017-12-15 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法

Country Status (1)

Country Link
CN (1) CN108112049B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108934054B (zh) * 2018-06-19 2021-07-16 昆明理工大学 一种基于节点数据值的Ad-hoc网络分簇算法
CN109345005A (zh) * 2018-09-12 2019-02-15 中国电力科学研究院有限公司 一种基于改进鲸鱼算法的综合能源***多维寻优方法
CN109168502A (zh) * 2018-09-29 2019-01-11 东莞绿邦智能科技有限公司 一种基于物联网技术的农田管理***
CN109931903B (zh) * 2019-02-26 2021-07-06 上海大学 一种基于改进鲸鱼优化算法的圆柱度评定方法
CN110363214B (zh) * 2019-05-31 2021-08-03 浙江工业大学 一种基于gwa-svm的机器人装配的接触状态识别方法
CN111542011B (zh) * 2020-04-27 2021-09-24 中山大学 一种分层的基于粒子群优化的无线传感器网络分簇路由方法
CN111526555B (zh) * 2020-05-25 2022-07-26 南京邮电大学 基于遗传算法的多跳路由路径选择方法
CN112672396B (zh) * 2020-12-10 2022-06-14 中南民族大学 基于改进鲸鱼算法的无线传感器网络移动节点分簇方法
CN112492661B (zh) * 2020-12-10 2022-04-15 中南民族大学 基于改进麻雀搜索算法的无线传感器网络分簇路由方法
CN113179544B (zh) * 2021-04-26 2022-09-09 国网四川省电力公司经济技术研究院 一种应用于电力物联网的无线传感分簇路由簇头选择方法
CN113891426A (zh) * 2021-09-29 2022-01-04 光大科技有限公司 一种分布式多节点组网方法及装置
CN114339785B (zh) * 2021-12-15 2024-02-13 红云红河烟草(集团)有限责任公司 一种基于群体智能的原烟养护无线传感器布局优化方法
CN114554505B (zh) * 2022-01-10 2024-03-29 山东师范大学 一种无线传感器网络节点分簇方法及***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100471153C (zh) * 2007-02-05 2009-03-18 南京邮电大学 一种高效的无线传感器网络拓扑控制方法
US7969928B2 (en) * 2007-03-02 2011-06-28 Motorola Solutions, Inc. Method and apparatus for battery-aware dynamic bandwidth allocation for wireless sensor networks
CN103607749B (zh) * 2013-11-13 2017-02-08 福建工程学院 一种机会移动传感网中方向感知引导的数据收集方法
CN107016436A (zh) * 2017-03-31 2017-08-04 浙江大学 一种仿生策略优化的混合鲸鱼算法

Also Published As

Publication number Publication date
CN108112049A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108112049B (zh) 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法
Wang et al. A communication strategy of proactive nodes based on loop theorem in wireless sensor networks
Kout et al. AODVCS, a new bio-inspired routing protocol based on cuckoo search algorithm for mobile ad hoc networks
Rezaeipanah et al. A Hybrid Approach for Prolonging Lifetime of Wireless Sensor Networks Using Genetic Algorithm and Online Clustering.
CN107846719B (zh) 一种基于改进鲸鱼群算法的无线传感器网络路由方法
Jari et al. PSO-based sink placement and load-balanced anycast routing in multi-sink WSNs considering compressive sensing theory
Bhardwaj et al. SecRIP: Secure and reliable intercluster routing protocol for efficient data transmission in flying ad hoc networks
Yao et al. A learning-based approach to intra-domain QoS routing
CN100471166C (zh) 一种基于移动Ad Hoc网络的分布式QoS多播路由方法
Nabavi et al. Optimal selection of the cluster head in wireless sensor networks by combining the multiobjective genetic algorithm and the gravitational search algorithm
Saminathan et al. Energy efficient and delay aware clustering in mobile adhoc network: A hybrid fruit fly optimization algorithm and whale optimization algorithm approach
Belkhira et al. WRE‐OLSR, a new scheme for enhancing the lifetime within ad hoc and wireless sensor networks
Yalçın et al. A mobile sink path planning for wireless sensor networks based on priority‐ordered dependent nonparametric trees
Rana et al. Energy-efficient routing for wireless sensor network using genetic algorithm and particle swarm optimisation techniques
CN107864092A (zh) 一种基于多播技术的云内容分发方法、装置
Nesary Moghadam et al. Minimum cost load balanced multipath routing protocol for low power and lossy networks
Long et al. Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing
Santos et al. CGR: Centrality-based green routing for Low-power and Lossy Networks
Wang et al. Routing algorithm of energy efficient wireless sensor network based on partial energy level
Zheng et al. A reliable communication and load balancing scheme for resource-limited networks
Chen et al. An efficient neural network-based next-hop selection strategy for multi-hop VANETs
Dana et al. Backup path set selection in ad hoc wireless network using link expiration time
El-Sayed et al. Multiobjective multicast DSR algorithm for routing in mobile networks with cost, delay, and hop count
Chavan et al. Event Based Clustering Localized Energy Efficient Ant Colony Optimization for Performance Enhancement of Wireless Sensor Network.
Vimala et al. Strongest persistent multicast routing protocol for reliable transmission in both ad-hoc and mobile ad-hoc networks

Legal Events

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