CN111970742A - 基于改进混沌遗传算法的wsn多跳leach路由协议 - Google Patents

基于改进混沌遗传算法的wsn多跳leach路由协议 Download PDF

Info

Publication number
CN111970742A
CN111970742A CN202010869415.8A CN202010869415A CN111970742A CN 111970742 A CN111970742 A CN 111970742A CN 202010869415 A CN202010869415 A CN 202010869415A CN 111970742 A CN111970742 A CN 111970742A
Authority
CN
China
Prior art keywords
energy
leach
node
cluster
fitness function
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.)
Withdrawn
Application number
CN202010869415.8A
Other languages
English (en)
Inventor
胡黄水
刘清雪
王出航
王宏志
姚美琴
王婷
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.)
Jilin University of Architecture and Technology
Original Assignee
Jilin University of Architecture 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 Jilin University of Architecture and Technology filed Critical Jilin University of Architecture and Technology
Priority to CN202010869415.8A priority Critical patent/CN111970742A/zh
Publication of CN111970742A publication Critical patent/CN111970742A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/14—Routing performance; Theoretical aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种无线传感器网络（WSN）路由协议，特别是基于改进混沌遗传算法的WSN多跳LEACH路由协议ICGA‑LEACH（an improved multi‑hop LEACH protocol based on chaotic genetic algorithm for wireless sensor networks），ICGA‑LEACH考量节点剩余能量、节点剩余能量与负载比和节点中心度来定义簇头选举阈值函数，使位于簇中心、负载较小且能量多的节点成为簇头的概率大，从而形成均匀分布的簇，降低簇内通信能耗。为了降低簇间通信能耗，采用混沌遗传算法来寻找全局最优的多跳路由路径。此外，采用自适应的轮周期来进行簇维护，减少大量频繁成簇产生的控制报文，进一步降低了网络能耗。因此，ICGA‑LEACH在均衡网络负载的同时提高了网络能量效率，有效延长了网络生命周期。

Description

基于改进混沌遗传算法的WSN多跳LEACH路由协议
技术领域
本发明涉及一种无线传感器网络(WSN)路由协议，特别是基于改进混沌遗传算法的WSN多跳LEACH路由协议ICGA-LEACH(an improved multi-hop LEACH protocol basedon chaotic genetic algorithm for wireless sensor networks)，ICGA-LEACH通过一个类LEACH的改进概率函数选择簇头(CH)，然后用混沌遗传算法根据构造的适应度函数寻找最优簇头和最优路径。此外，为了进一步降低网络能量消耗和延长网络寿命，考量能量和负载平衡来自适应计算轮时间。
背景技术
无线传感器网络(WSN)作为物联网中最重要、最基本的信息采集技术之一，其被广泛用于通过内置传感器的节点来测量周围环境中的热、红外、声纳和地震信号。由于WSN节点的能量受限，如何节约能量以延长网络寿命是WSN面临的最重要挑战。将节点分成不同的簇以最大限度地延长WSN的使用寿命被证明是节能和可扩展的。在簇中，通过运行一定的方法选择一个节点作为CH，然后CH融合各成员节点(CM)收集的数据，并以单跳或多跳模式将其发送到基站(BS)。在过去的几十年里，人们在提高成簇方法的性能方面做出了很大的努力，并取得了预期的结果。低能量自适应分簇路由协议(LEACH)是WSN分簇路由协议的先驱，它包含簇头选择、成簇、调度表创建、数据传输和重新成簇五个过程。LEACH算法具有简单、分布、负载较均衡、扩展性好等优点，但其基于概率随机选举簇头、成员仅根据接收信号强度大小加入簇以及忽略簇头节点剩余能量、单跳等将导致LEACH簇头、能耗、负载分布不均，从而减小网络的的生命周期。因此，很多算法对其五个过程中的一或多方面进行了不同的改进，以提高LEACH性能。
发明内容
本发明所要解决的技术问题是针对LEACH随机簇头选举、单跳通信以及忽略簇头节点剩余能量、固定轮周期导致分簇不均匀以及能耗高问题，本发明从三个方面对LEACH进行了改进：簇头选择、数据转发和簇维护。对于簇头选择，采用一个改进的阈值函数来计算阈值从而选择合适的簇头。在数据转发方面，采用混沌遗传算法来寻找全局最优的多跳路由路径，并针对所选的CH选出了CM。对于簇维护，考虑能量和负载平衡，自适应地调整轮周期。
本发明基于改进混沌遗传算法的WSN多跳LEACH路由协议ICGA-LEACH由四部分构成，即***模型、簇头选举、寻找路径和簇维护。***模型为协议实现提供模型，具体包括网络模型和能量模型。簇头选举是基于LEACH改进的阈值函数来选举簇头，考量了节点剩余能量、节点剩余能量与负载比和节点中心度，从而使位于簇中心、负载较小且能量多的节点成为簇头的概率大。寻找路径是使用混沌遗传算法来寻找全局最优的多跳路由路径。簇维护考量能量和负载平衡来自适应计算轮周期。
所述的***模型由网络模型和能量模型构成，其中网络模型具有以下属性：每个节点都有一个唯一的ID，网络中的节点集表示为S＝{s1,s2,…,sn}；一旦节点被部署，它们的位置就固定，且可以通过GPS或节能定位技术获得；除BS外，每个节点具有相同的初始能量；发射功率可根据接收信号强度进行调整；BS具有与所有节点通信的能力。其中能量模型采用一阶无线电模型，来计算网络中任意两个节点间发送或接受数据的能耗，以及融合数据消耗的能量。
所述的簇头选举是通过改进LEACH的阈值函数，考量节点剩余能量、节点剩余能量与负载比和节点中心度，从而使位于簇中心、负载较小且能量多的节点成为簇头的概率大。当节点在0和1之间分配的随机值小于其阈值时，该节点成为CH。
所述的寻找路径是采用混沌遗传算法来找到从每个源簇头到基站的路由路径，通过混沌映射构建初始种群，并通过精英选择、双点交叉和位变异产生下一代种群，以能耗最小和负载最均衡为目标，构造适应度函数，并计算种群中各个体的适应度值。满足终止条件时，适应度值最小的个体即为最优解。
所述的簇维护是采用自适应轮周期来重新成簇，不同于采用固定轮周期来重新成簇容易导致频繁成簇产生许多控制报文而消耗大量能量，自适应轮周期考量网络能耗和负载均衡来自适应计算轮时长，从而降低网络能耗。
本发明是基于改进混沌遗传算法的WSN多跳LEACH路由协议ICGA-LEACH通过考量节点剩余能量、节点剩余能量与负载比和节点中心度来定义阈值函数，使位于簇中心、负载较小且能量多的节点成为簇头的概率大，从而形成比较均匀的簇结构并降低簇内通信能耗。为了降低簇间通信能耗，采用混沌遗传算法来寻找全局最优的多跳路由路径。此外，采用自适应的轮周期来进行簇维护，减少大量频繁成簇产生的控制报文，进一步降低了网络能耗。仿真结果表明本发明的ICGA-LEACH协议在能量效率、负载均衡、网络吞吐量和生命周期方面都优于LEACH,EM-LEACH,OMPFM和GADA-LEACH协议。
附图说明
图1为本发明的网络能量消耗对比图
图2为本发明的网络负载均衡标准差对比图
图3为本发明的网络吞吐量对比图
图4为本发明的网络存活节点个数对比图
具体实施方式
本发明基于改进混沌遗传算法的WSN多跳LEACH路由协议ICGA-LEACH由四部分构成，即***模型、簇头选举、寻找路径和簇维护。***模型为协议实现提供模型，具体包括网络模型和能量模型。簇头选举是基于LEACH改进的阈值函数来选举簇头，考量了节点剩余能量、节点剩余能量与负载比和节点中心度，从而使位于簇中心、负载较小且能量多的节点成为簇头的概率大。寻找路径是使用混沌遗传算法来寻找全局最优的多跳路由路径。簇维护考量能量和负载平衡来自适应计算轮周期。
所述的***模型由网络模型和能量模型构成，其中网络模型具有以下属性：每个节点都有一个唯一的ID，网络中的节点集表示为S＝{s1,s2,…,sn}；一旦节点被部署，它们的位置就固定，且可以通过GPS或节能定位技术获得；除BS外，每个节点具有相同的初始能量；发射功率可根据接收信号强度进行调整；BS具有与所有节点通信的能力。其中能量模型采用一阶无线电模型，来计算网络中任意两个节点间发送或接受数据的能耗。具体为节点间距离为d的情况下，传感器节点发送L比特数据的能量消耗为：
ETx(L,d)＝Eelec*L+εamp*L (1)
其中d表示源节点和目标节点之间的通信距离。L表示数据包的长度。Eelec表示在两个传感器之间传输一位数据消耗的能量。εamp是放大器的能量消耗，可按公式(2)计算
Figure BDA0002650768270000031
其中εfs表示自由空间模型的能量消耗，εmp表示多径衰落模型的能量消耗。另外，d0是放大器的阈值。d0可用公式(3)计算
Figure BDA0002650768270000032
传感器接收L比特数据时消耗的能量为:
ERx(L)＝Eelec*L (4)
传感器节点融合l位数据消耗的能量为：
EDA＝l*EpDb (5)
其中EpDb为融合1位数据消耗的能量。
所述的簇头选举是通过改进LEACH的阈值函数，考量节点剩余能量、节点剩余能量与负载比和节点中心度，从而使位于簇中心、负载较小且能量多的节点成为簇头的概率大。当节点在0和1之间分配的随机值小于其阈值时，该节点成为CH。具体的阈值由LEACH修改后的阈值函数计算得出，如下所示：
Figure BDA0002650768270000033
其中Einitial表示网络中所有节点的初始能量，
Figure BDA0002650768270000034
表示节点i的剩余能量。Li表示节点i的负载，Ni＝{n1,n2,…,np}表示节点i的邻居集，p是邻居的个数。diBS表示节点i和BS之间的距离，由式(6)可以看出，剩余能量越大、负载越均匀、越靠近邻域中心的节点越有可能成为CH。与LEACH不同，ICGA-LEACH成簇是通过混沌遗传算法来完成的，而不是CH和CM之间的消息交互。此外，该算法在BS中完成，从而得到每个簇头最优的成员，同时寻找最优路由路径的全局解。
所述的寻找路径是采用混沌遗传算法来找到从每个源簇头到基站的路由路径，通过混沌映射构建初始种群，并通过精英选择、双点交叉和位变异产生下一代种群，以能耗最小和负载最均衡为目标，构造适应度函数，并计算种群中各个体的适应度值。满足终止条件时，适应度值最小的个体即为最优解。具体为首先构造适应度函数，考虑了能量消耗和总能量，适应度函数用于评估个体的质量，所构建的适应度函数如下：
Figure BDA0002650768270000041
其中
Figure BDA0002650768270000042
适应度函数的值越小，个体的质量越好，然后越有可能传给下一代，直到获得适应度函数值最小的最佳个体。接下来初始化种群，在ICGA-LEACH中，采用实数编码而不是二进制编码来表示种群的染色体，其中实数表示由节点ID表示的基因。染色体由两部分组成，一个用于路由路径，另一个用于CM选择。路由路径基因表示所选CH的下一跳CH，CM选择基因表示相应CM的确定CH。修改后的混沌逻辑映射用于生成初始基因，因为它对初始值敏感，具有更好的随机序列生成，表示如下：
Figure BDA0002650768270000043
其中，u为控制参数，当u>3.57且zi≠0.25,0.5,0.75时，***进入混沌状态。为了避免无效个体的出现，在gi上附加了约束条件：
Figure BDA0002650768270000044
其中
Figure BDA0002650768270000045
和
Figure BDA0002650768270000046
分别表示簇头hi和成员mi的下一跳CH和CH，。如此则可以得到有效个体，从而产生所需的初始种群。于是根据式(7)计算初始种群的每个染色体的适应度函数值。适应度函数的值越小，个体越接近最佳解。遗传选择采用精英选择，即种群中适应度值小的前15％精英个体直接被选为下一代。对于其它个体，确定其适应度函数值是否大于如上所述由混沌逻辑映射生成的随机个体的适应度函数值。如果是，则选择个体进行交叉操作，否则，选择随机个体进行交叉操作以加快收敛并确保种群多样性。ICGA-LEACH采用两点交叉，交叉操作后，由于父染色体的基因都满足约束条件，因此得到的两个子染色体必须仍然有效。然后计算子染色体的适应度函数值，与父染色体进行比较，如果子染色体的适应度函数值小于其父染色体的适应度函数值，则选择该子染色体进行变异操作。如果没有，则选择随机个体来确定其适应度函数值是否小于父染色体的适应度函数值。如果小于，则选择随机个体进行变异操作，否则选择父个体进行变异操作。这样，收敛速度进一步加快。交叉产生的个体应用混沌比特变异算子进行变异操作，根据式(8)选择一个随机突变点改变相应的基因，得到新的个体。当然，新个体也是有效的，因为新产生的基因仍然满足约束条件。此外，计算其适应度函数值，判断其是否优于其父染色体，并将较好的一个选择给下一代。最后寻找最优解，一旦ICGA-LEACH满足其中一个终止条件，就可以得到最优解，即找到所选簇头的最优路由路径和成员。不失一般性，迭代次数作为终止条件之一。另外，将适应度函数值的偏离度作为另一个终止条件，如下所示。
Figure BDA0002650768270000047
其中ω是种群中的个体数，Fitnessi是第i个个体的适应度函数值，Fitnessmax是适应度函数的最大值，ε是一个预置的小正数，等于10-5。一旦遗传运算停止，种群中适应度值最小的个体即为最优解。
所述的簇维护是采用自适应轮周期来重新成簇，不同于采用固定轮周期来重新成簇容易导致频繁成簇产生许多控制报文而消耗大量能量，自适应轮周期考量网络能耗和负载均衡来自适应计算轮时长，从而降低网络能耗。具体为网络的负载平衡和能量平衡并分别用α和β表示。
Tnewround＝2*Tround*α*β (10)
其中
·Tround是传统的循环时间
·α是负载平衡系数，且
Figure BDA0002650768270000051
·β是能量平衡系数，且
Figure BDA0002650768270000052
n′是存活节点的数目，而且,β标准化为
Figure BDA0002650768270000053
其中βmin和βmax分别为β的最小值和最大值。
在每个轮周期开始时，基站使用混沌遗传算法根据接收到的能量信息找到每个簇头的最佳路由路径和包含的成员，然后将它们与计算的轮时间一起广播到网络。每个节点基于接收到的信息进行通信。
为了验证本发明基于改进混沌遗传算法的WSN多跳LEACH路由协议ICGA-LEACH的性能，通过MATLAB进行仿真实验，并与现有的相关算法LEACH、EM-LEACH、OMPFM和GADA-LEACH进行性能对比。仿真中，100个节点随机分布在网络中，每个节点的初始能量为1J，参数设置如下
Figure BDA0002650768270000054
从图1可以看出，与LEACH、GADA-LEACH、EM-LEACH和OMPFM相比，ICGA-LEACH能耗更少。LEACH由于其单跳、随机簇头选择且没有考虑剩余能量，因此性能最差。GADA-LEACH的总能耗随着网络节点数的增加而降低，因为它可以在更密集的网络中通过遗传算法形成更均匀的簇。EM-LEACH采用分层多跳路由机制，具有相对稳定的能耗和均衡的性能。此外，由于OMPFM采用改进的遗传算法寻路，因此在能量平衡方面优于LEACH、GADA-LEACH和EM-LEACH。但由于它在特定的轮数下根据不同的阈值来选择簇头，因此在某些时间内其能耗性能比GADA-LEACH和EM-LEACH差。ICGA-LEACH的总能耗比LEACHGADA-LEACH、EM-LEACH和OMPFM分别低32.59％、24.06％、16.99％、8.47％。
从图2可以明显看出，由于LEACH随机选择簇头，其负荷分布不均匀。虽然GADA-LEACH可以通过遗传算法选择效率高的节点作为簇头，但普通节点只根据其与簇头的距离加入簇，从而导致簇大小不等，即簇头的负载不均衡。EM-LEACH和OMPFM不仅考虑了簇头的选择，也考虑了路径的搜索，但在形成簇的过程中，它们仍然没有考虑簇成员的数量。EM-LEACH采用分层拓扑结构逐跳转发数据，使簇头负载均衡。此外，ICGA-LEACH利用混沌遗传算法可以找到比EM-LEACH和OMPFM更好的簇头和路由路径。ICGA-LEACH的负载均衡标准差比LEACH、GADA-LEACH、OMPFM和EM-LEACH低52.21％、46.02％、39.63％、20.14％。
从图3可以看出，ICGA-LEACH，EM-LEACH和GADA-LEACH的网络吞吐量相对稳定地增加，因为它们均匀地形成了簇并以多跳模式转发数据。相比之下，GADA-LEACH的数据通过固定中继节点传输到BS可能会使远离中继节点的节点过早死亡，从而降低网络吞吐量。特别是，与EM-LEACH和ICGA-LEACH相比，GADA-LEACH和OMPFM中的固定轮周期进一步减少了发送到BS的数据量。尤其是在LEACH中，转发给BS的数据包更少，因为它随机进行簇头选择且忽略节点的剩余能量和与BS的单跳通信，可能会在网络中产生更多孤立节点或死亡节点。ICGA-LEACH的网络吞吐量分别比LEACH大69.92％，比GADA-LEACH大64.97％，比EM-LEACH大47.24％和比OMPFM大37.28％。
从图4中可以看出，由于LEACH与BS直接通信，因此LEACH的网络寿命最短。对于OMPFM，它基于特定轮数的分段阈值函数来选择簇头。因此，OMPFM的存活节点数在第一阶段迅速减少，在第二阶段稳定减少，在第三阶段迅速减少，就像LEACH一样。总之，ICGA-LEACH具有最长的网络生命周期。

Claims (1)

1.基于改进混沌遗传算法的WSN多跳LEACH路由协议，其特征在于：包括***模型、簇头选举、寻找路径和簇维护；***模型为协议实现提供模型，具体包括网络模型和能量模型；簇头选举是基于LEACH改进的阈值函数来选举簇头，考量了节点剩余能量、节点剩余能量与负载比和节点中心度，从而使位于簇中心、负载较小且能量多的节点成为簇头的概率大；寻找路径是使用混沌遗传算法来寻找全局最优的多跳路由路径；簇维护考量能量和负载平衡来自适应计算轮周期；
所述的簇头选举是通过改进LEACH的阈值函数，考量节点剩余能量、节点剩余能量与负载比和节点中心度，从而使位于簇中心、负载较小且能量多的节点成为簇头的概率大；当节点在0和1之间分配的随机值小于其阈值时，该节点成为CH；具体的阈值由LEACH修改后的阈值函数计算得出，如下所示：
Figure FDA0002650768260000011
其中Einitial表示网络中所有节点的初始能量，
Figure FDA0002650768260000012
表示节点i的剩余能量；Li表示节点i的负载，Ni＝{n1，n2，...，np}表示节点i的邻居集，p是邻居的个数；diBS表示节点i和BS之间的距离，可以看出，剩余能量越大、负载越均匀、越靠近邻域中心的节点越有可能成为CH；与LEACH不同，本发明成簇是通过混沌遗传算法来完成的，而不是CH和CM之间的消息交互；此外，该算法在BS中完成，从而得到每个簇头最优的成员，同时寻找最优路由路径的全局解；
所述的寻找路径是采用混沌遗传算法来找到从每个源簇头到基站的路由路径，通过混沌映射构建初始种群，并通过精英选择、双点交叉和位变异产生下一代种群，以能耗最小和负载最均衡为目标，构造适应度函数，并计算种群中各个体的适应度值；满足终止条件时，适应度值最小的个体即为最优解；具体为首先构造适应度函数，考虑了能量消耗和总能量，适应度函数用于评估个体的质量，所构建的适应度函数如下：
Figure FDA0002650768260000013
其中
Figure FDA0002650768260000014
适应度函数的值越小，个体的质量越好，然后越有可能传给下一代，直到获得适应度函数值最小的最佳个体；接下来初始化种群，在本发明中，采用实数编码而不是二进制编码来表示种群的染色体，其中实数表示由节点ID表示的基因；染色体由两部分组成，一个用于路由路径，另一个用于CM选择；路由路径基因表示所选CH的下一跳CH，CM选择基因表示相应CM的确定CH；修改后的混沌逻辑映射用于生成初始基因，因为它对初始值敏感，具有更好的随机序列生成，表示如下：
Figure FDA0002650768260000015
其中，u为控制参数，当u＞3.57且zi≠0.25，0.5，0.75时，***进入混沌状态；为了避免无效个体的出现，在gi上附加了约束条件：
Figure FDA0002650768260000021
其中
Figure FDA0002650768260000022
和
Figure FDA0002650768260000023
分别表示簇头hi和成员mi的下一跳CH和CH，如此则可以得到有效个体，从而产生所需的初始种群；然后计算初始种群的每个染色体的适应度函数值，适应度函数的值越小，个体越接近最佳解；遗传选择采用精英选择，即种群中适应度值小的前15％精英个体直接被选为下一代；对于其它个体，确定其适应度函数值是否大于如上所述由混沌逻辑映射生成的随机个体的适应度函数值；如果是，则选择个体进行交叉操作，否则，选择随机个体进行交叉操作以加快收敛并确保种群多样性；本发明采用两点交叉，交叉操作后，由于父染色体的基因都满足约束条件，因此得到的两个子染色体必须仍然有效；然后计算子染色体的适应度函数值，与父染色体进行比较，如果子染色体的适应度函数值小于其父染色体的适应度函数值，则选择该子染色体进行变异操作；如果没有，则选择随机个体来确定其适应度函数值是否小于父染色体的适应度函数值；如果小于，则选择随机个体进行变异操作，否则选择父个体进行变异操作；这样，收敛速度进一步加快；交叉产生的个体应用混沌比特变异算子进行变异操作；选择一个随机突变点改变相应的基因，得到新的个体；当然，新个体也是有效的，因为新产生的基因仍然满足约束条件；此外，计算其适应度函数值，判断其是否优于其父染色体，并将较好的一个选择给下一代；最后寻找最优解，一旦本发明的迭代次数满足其中一个终止条件，就可以得到最优解，即找到所选簇头的最优路由路径和成员；不失一般性，迭代次数作为终止条件之一；另外，将适应度函数值的偏离度作为另一个终止条件，如下所示：
Figure FDA0002650768260000024
其中ω是种群中的个体数，Fitnessi是第i个个体的适应度函数值，Fitnessmax是适应度函数的最大值，ε是一个预置的小正数，等于10-5；一旦遗传运算停止，种群中适应度值最小的个体即为最优解；
所述的簇维护是采用自适应轮周期来重新成簇，不同于采用固定轮周期来重新成簇容易导致频繁成簇产生许多控制报文而消耗大量能量，自适应轮周期考量网络能耗和负载均衡来自适应计算轮时长，从而降低网络能耗；具体为网络的负载平衡和能量平衡并分别用α和β表示；
Tnewround＝2*Tround*α*β
其中
·Tround是传统的循环时间
·α是负载平衡系数，且
Figure FDA0002650768260000025
·β是能量平衡系数，且
Figure FDA0002650768260000026
n′是存活节点的数目，而且，β标准化为
Figure FDA0002650768260000027
其中βmin和βmax分别为β的最小值和最大值；
在每个轮周期开始时，基站使用混沌遗传算法根据接收到的能量信息找到每个簇头的最佳路由路径和包含的成员，然后将它们与计算的轮时间一起广播到网络；每个节点基于接收到的信息进行通信。
CN202010869415.8A 2020-08-26 2020-08-26 基于改进混沌遗传算法的wsn多跳leach路由协议 Withdrawn CN111970742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010869415.8A CN111970742A (zh) 2020-08-26 2020-08-26 基于改进混沌遗传算法的wsn多跳leach路由协议

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010869415.8A CN111970742A (zh) 2020-08-26 2020-08-26 基于改进混沌遗传算法的wsn多跳leach路由协议

Publications (1)

Publication Number Publication Date
CN111970742A true CN111970742A (zh) 2020-11-20

Family

ID=73389837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010869415.8A Withdrawn CN111970742A (zh) 2020-08-26 2020-08-26 基于改进混沌遗传算法的wsn多跳leach路由协议

Country Status (1)

Country Link
CN (1) CN111970742A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112839367A (zh) * 2021-01-09 2021-05-25 昆明理工大学 一种无线传感器网络leach优化算法
CN113747535A (zh) * 2021-08-05 2021-12-03 南京林业大学 一种基于遗传算法的能量异构无线传感器路由***
CN114582073A (zh) * 2022-02-22 2022-06-03 深圳飞亮智能科技有限公司 一种基于云计算的电动车租赁***
CN116600365A (zh) * 2023-04-18 2023-08-15 中国科学院上海微***与信息技术研究所 无线传感器网络分簇路由方法及装置、存储介质和终端

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112839367A (zh) * 2021-01-09 2021-05-25 昆明理工大学 一种无线传感器网络leach优化算法
CN113747535A (zh) * 2021-08-05 2021-12-03 南京林业大学 一种基于遗传算法的能量异构无线传感器路由***
CN113747535B (zh) * 2021-08-05 2024-02-23 南京林业大学 一种基于遗传算法的能量异构无线传感器路由***
CN114582073A (zh) * 2022-02-22 2022-06-03 深圳飞亮智能科技有限公司 一种基于云计算的电动车租赁***
CN116600365A (zh) * 2023-04-18 2023-08-15 中国科学院上海微***与信息技术研究所 无线传感器网络分簇路由方法及装置、存储介质和终端
CN116600365B (zh) * 2023-04-18 2024-02-23 中国科学院上海微***与信息技术研究所 无线传感器网络分簇路由方法及装置、存储介质和终端

Similar Documents

Publication Publication Date Title
CN111970742A (zh) 基于改进混沌遗传算法的wsn多跳leach路由协议
CN108712767B (zh) 一种无线传感器网络中能耗均衡的簇间多跳路由控制方法
Tao et al. Flow-balanced routing for multi-hop clustered wireless sensor networks
CN109673034B (zh) 一种基于天牛须搜索的无线传感网络分簇路由方法
CN102036308A (zh) 一种能量均衡的无线传感器网络分簇方法
CN110121200B (zh) 一种异质传感网中能量高效的组网方法
CN111818553B (zh) 基于模糊逻辑的无线传感器网络改进多跳leach协议的数据传输方法
CN110149672B (zh) 一种改进的i-leach路由通信方法
CN113709841B (zh) 一种基于布谷鸟算法和K-means算法的WSN路由协议方法
CN112822747B (zh) 一种基于遗传算法和蚁群算法的路由选择策略的方法
CN111970743A (zh) 基于混沌遗传算法的无线传感器网络负载均衡路由协议
Choi et al. A cluster based energy efficient location routing protocol in wireless sensor networks
KR101560523B1 (ko) 에너지 효율성을 고려한 무선센서 네트워크 운영방법
CN108566658B (zh) 一种无线传感器网络中能耗均衡的分簇算法
CN113395660A (zh) 基于树的WSNs移动汇聚节点自适应位置更新能耗优化方法
Micheletti et al. CER-CH: combining election and routing amongst cluster heads in heterogeneous WSNs
CN111698706B (zh) 基于混沌遗传的无线传感器网络改进leach路由方法
CN116261202A (zh) 农田数据机会传输方法、装置、电子设备及介质
Nguyen et al. Prolonging of the network lifetime of WSN using fuzzy clustering topology
Gunjan et al. NSGA-II with ENLU inspired clustering for wireless sensor networks
Rady et al. Mobility based genetic algorithm hierarchical routing protocol in mobile wireless sensor networks
Poongkuzhali et al. An optimized power reactive routing based on AODV protocol for Mobile Ad-hoc network
CN111970744A (zh) 一种基于改进ap和遗传算法的能量感知分簇路由协议
Li et al. Quantum Genetic Energy Efficient Iteration Clustering Routing Algorithm for Wireless Sensor Networks.
Treplan et al. Energy efficient reliable cooperative multipath routing in wireless sensor 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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201120

WW01 Invention patent application withdrawn after publication