基于元胞蚁群优化算法的农业无线传感器网络路由研究*

孙玉文，沈明霞，陆明洲，熊迎军，刘龙申

（南京农业大学工学院江苏省智能化农业装备重点实验室，江苏南京 210031）

0 引言

无线传感器网络（WSNs）具有低成本、低功耗和自组织的特点，在农业中得到了广泛的应用，如在温室或农田中部署大量节点以监测农业相关信息［1～4］。由于，传感器节点要周期性地获取监测数据，并不断地将数据向Sink节点汇集，而网络中节点的能量是有限的，这样就会造成负载过重的节点提前“死亡”，致使网络寿命缩短。因此，构建一个高效节能的路由策略，达到降低节点能耗、延长网络生存时间是十分必要的。

近年来，通过模拟自然界中蚂蚁集体觅食行为提出的蚁群算法在WSNs的相关应用中取得了一定的效果［5～14］。基于此，本文提出一种分层次的元胞蚁群优化（CACO）算法，即将网络节点映射成元胞自动机中的元胞，在区域内产生搜索蚂蚁，用来将随机生成的簇头节点的数据高效、节能地传输到Sink节点，实现信息的路由过程，能够有效减少搜索路径的盲目性，均衡网络能量，延长网络生命期。为了简化网络复杂性，本文在农田环境二维平面内进行研究，假设传感器节点的数量和位置部署后都不再改动，簇内节点的初始能量都相同。

1 节点部署与节点模型

1．1 实际部署环境

实验场地选在江苏某温室，长约为98 m，宽约为68 m。温室内种植各类实验花卉，作物对地高度在1．00 m左右。结合温室实际环境，将传感器节点按照正六边形进行部署，安装在固定支架上，都处于1．5 m高度。传感器节点采用CC2430无线模块，开源操作系统TinyOS，协议栈采用nesC语言开发。传感器节点负责采集空气温度、湿度、光照强度和CO2浓度和土壤pH值等环境信息。

1．2 网络模型

温室传感器网络可以用一个四元组的元胞自动机（V，S，N，f）表示，其中，V={v1，v2，…，vn}表示传感器节点集合;S是有限的状态集合，本文设置2个状态:0代表睡眠，1代表活跃;N为邻居元胞的集合;f为状态转移函数，可以记为:St→St+Δt。

根据温室节点部署情况可知，一个传感器节点对应一个元胞，其周围相邻6个节点为该中心元胞的邻居，该节点会以一定的概率选择其邻居元胞，从而确定最优路径。如图 1 所示，v1，v2，v3，v4，v5，v6是v0的邻居，邻居半径为R，其邻居

其中，（xj，yi）表示邻居的坐标，（xi，yi）表示中心元胞的坐标。

图1 元胞节点分布图Fig 1 Celluar node deployment

1．3 节点能量模型

传感器节点消耗能量主要集中在无线通信模块上。在分析能量消耗时，采用无线传输能量消耗模型。将bit的信息传送距离d时，每个传感器节点在T时间内消耗的能量为

式中d为发送装置到接收电路的距离;Eeleck为发射装置和接收电路发送或接收单位bit的耗能;εamp为发射放大器将每bit传送单位平方米所耗的能量;n为传播衰减指数，通常2＜n＜5。

每个节点在T时间内的剩余能量为

1．4 节点状态

由于农业环境对信息采集实时性要求不高，因此，可以周期性进行数据采集处理。设置元胞节点周期地在活动与休眠状态之间转换。

设元胞节点vi在t时刻活跃状态为

缸径为D0=125 mm,杆径为d1=60 mm,油缸额定压力Pe=32 MPa,则油缸能承受的最大载荷为

当检测区域内即邻居半径内存在目标蚂蚁时，则元胞节点状态可能发生改变，状态转换值wi（t）受邻居节点距离和剩余能量影响，因此，令

其中，dij为节点vi与其他节点的距离，Er为节点剩余能量。

元胞节点可以周期性地进行唤醒，元胞节点的活动状态在0～1之间互相转换，若节点vi在t时刻是1态，则在t+Δt时刻变为0态，而若节点在t时刻是0态，则在t+Δt时刻是否变为1态，要通过设定状态转换值wi（t）的一个阈值来决定，当wi（t）大于阈值时，则变为1态。

2 CACO算法设计

CACO算法将温室传感器网络n个节点映射成n个元胞，每个元胞节点vi中都存储其所有邻居节点的剩余能量值、禁忌表Tabu、节点距离、信息素表等信息，如图2所示。将m只蚂蚁放在n个元胞节点上，对所有蚂蚁置初始值，计算信息素概率，在邻居范围内选择下一个节点vj，并记录最好解，通过不断更新各条线路上的信息素，直到到达Sink节点，得到最优路径并进行信息传输。

图2 元胞节点结构图Fig 2 Cellular node structures

2．1 信息素概率模型

在路径选择过程中，每个蚂蚁k根据各条路径上的信息素浓度和路径的启发式信息等来计算选择概率。概率值越大，说明蚂蚁选择下一节点vj的可能性越大。因此，蚂蚁k选择下一个节点的概率pkij与下列因素有关

其中，Tabuk用以记录蚂蚁k当前所走过的节点，称为禁忌表。ηij是表示从节点vi转移到节点vj的启发信息。τij（t）为t时刻在从节点vi到节点vj的路径上的残留信息素。

启发信息与节点的链路强度lij有关，令

由上式可知，蚂蚁在寻找路径的过程中转移概率受节点能量和距离的影响，这样在搜索最优解的同时，均衡了节点间的能量消耗，从而延长整个网络的生命周期。

2．2 信息素更新模型

当每只蚂蚁k走完一步或者完成了一次的搜索后，要对残留信息进行更新处理。模型要考虑某些传感器节点能量耗尽后导致拓扑发生变化情况与节点状态，因此，从时刻t到时刻t+Δt时刻，在路径l上信息素包含三部分

其中，ρ为信息素挥发系数，ρ∈［0，1］，可以根据网络拓扑变化的频度调制ρ的值，Δτij（t）表示从时刻t到t+Δt之间在路径l上的信息素浓度增量，∂为元胞状态系数，∂∈［0，1］。

3 仿真实验与分析

3．1 仿真环境

仿真平台采用Matlab 2011。网络模拟实际温室环境，共有100个节点，均匀分布在100 m×100 m的正方形区域内，1个 Sink节点，节点的发送能耗70 mW，接收能耗90 mW，节点的通信距离是30 m，每个无线传感器节点的初始能量为2 J，能量阈值为0．05 J。如果某节点的邻居节点剩余能量低于能量阈值时，则认为节点失效。具体实验参数如表1所示。

表1 仿真参数Tab 1 Simulation parameters

3．2 仿真结果分析

1）网络的死亡节点数

图3是网络节点死亡数，CACO第一个节点死亡是第926轮，而LEACH算法第一个节点死亡的时间是第799轮，存活时间提高了15．9%，另外从第一个节点死亡到最后节点死亡之间的跨度也明显是CACO要大一些，跨度反映了网络中节点的能量均衡情况，时间跨度越大，说明网络的能量使用越高效。由于充分利用了剩余能量比较和节点休眠转换机制，CACO算法有效地延长了网络的生命周期。

2）网络的平均剩余能量

图4反映了节点的平均剩余能量情况，随着运行时间的增大，剩余能量迅速减少，并且CACO算法减少速度相对慢些，当运行时间大约达到1000轮左右时，剩余能量减少速度减缓。整个运行时间内CACO算法平均剩余能量一直高于LEACH算法，反映了CACO算法更加注重能量消耗均衡性。

图3 网络死亡节点数图Fig 3 Numbers of dead nodes in the network

图4 网络的平均剩余能量Fig 4 Average residual energy of network

4 温室实验

利用本文设计的节点路由策略，在温室内部署16个传感器节点，并进行WSNs组网实验，在温室内进行测试进行为期15d的数据采集，设定每隔15min采集一次数据，初始电压为3．3 V，节点电压消耗情况如表2所示。

表2 实测剩余电压Tab 2 Tested residual voltage

5 结论

元胞蚁群算法作为一种新型的仿生算法，具有分布性好、寻优能力强、算法简单等优点，将其应用于WSNs中具有很大的优势。基此，本文设计了基于CACO算法的WSNs路由优化算法，通过设计元胞节点休眠转换机制和信息素更新规则，延长网络生命周期，平衡网络能量消耗。分析结果表明:该算法能有效地延长网络存活节点数量，提高网络的数据传输率。

［1］ 冯友兵，张荣标，沈 敏．面向精确灌溉的无线传感器网络构建［J］．农业机械学报，2009，40（1）:56 －59．

［2］ 何东健，邹志勇，周 曼．果园环境参数远程检测WSN网关节点设计［J］．农业机械学报，2010，41（6）:182 －186．

［3］ 蔡义华，刘 刚，李 莉，等．基于无线传感器网络的农田信息采集节点设计与试验［J］．农业工程学报，2009，25（4）:176－178．

［4］ 张瑞瑞，赵春江，陈立平，等．农田信息采集无线传感器网络节点设计［J］．农业工程学报，2009，25（11）:213 －218．

［5］ 任丰原，黄海宁，林 闯．无线传感器网络［J］．软件学报，2003，14（7）:1282 －1291．

［6］ Muhammad S，Gianni A D C，Muddassar F．Swarm intelligence based routing protocol for wireless sensor networks:Survey and future directions［J］．Information Sciences，2011，181:4597 －4624．

［7］ 宋 超，刘 明，龚海刚．基于蚁群优化解决传感器网络中的能量洞问题［J］．软件学报，2009，20（10）:2729 －2743．

［8］ 朱思峰，刘 方，柴争义．一种基于蚁群优化的无线传感器网络路由算法［J］．北京理工大学学报，2010，30（11）:1295－1300．

［9］ 樊棠怀，肖贤建，殷玲玲，等．无线传感器网络的元胞自动机自组织算法［J］．计算机工程，2009，35（21）:26 －28．

［10］曹春红，王利民，赵大哲．基于离散元胞蚂蚁算法的几何约束求解技术研究［J］．电子学报，2011，39（5）:1127 －1130．

［11］ Wang A，Heinzelman W B，Sinha A，et al．Energy-scalable protocols for battery-operated micro-sensor networks［J］．Journal of VLSI Signal Processing，2001，29（3）:223 －237．

［12］ Luis C，Alejandro Q，Samuel P．Ant-based routing for wireless multimedia sensor networks using multiple QoS metrics［J］．Computer Networks，2010，54:2991 －3010．

［13］ Liao Wenhwa，KaoYucheng，Wu Rutin．Ant colony optimization based sensor deployment protocol for wireless sensor networks［J］．Expert Systems with Applications，2011，38:6599 －6605．

［14］ Saleem K，Fisal N，Baharudin M A，et al．Ant colony inspired self-optimized routing protocol based on cross layer architecture for wireless sensor networks［J］．WSEAS Transactions on Communications，2010，9（10）:669 －678．