基于混合型智能算法的WSN路由协议优化

孙星

摘要：目前无线传感器网络（WSN）在我国发展迅速，作为物联网感知层的重要单元，无线传感器网络承担着信息采集和传输的双重任务。无线传感器网络属于自组网络，因此其路由协议同无线局域网有所区别。如何在保障数据传输质量的前提下，加快路由查询过程，减少网络通信时延，以提高该类型网络的实时性，是近年来网络通信领域研究的热点。该文提出将蚁群算法同遗传算法相结合，形成一种新的混合型智能算法，并将其用以无线传感器网络的优化工作中，取得了较好的效果，具有一定的参考价值和推广意义。

关键词：WSN 路由协议；混合型算法；优化

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）16-0081-02

1 概述

物联网的出现，改变了传统的网络信息传输的方式，并将其覆盖范围延伸到了更为广泛的物理世界，因此得到了世界各国的广泛关注。我国已持续数年将物联网发展列为国家发展规划之中，由此可见其重要性。而无线传感器网络（WSN）则是物联网中的关键组成部分，属于外延的感知层，负责监测物理世界中的各类信息，并将其通过节点的不断跳转传输至远端，因此可以将WSN看作整个物联网体系的神经末梢，其性能的优劣对物联网的运转质量产生了直接且重要的影响。

出于布设成本和维护成本的考虑，WSN基本都属于自组网络，即在该网络中并不存在独立的路由设备和相关的服务器，而是将路由查询工作分摊到各个通信节点来完成，这使得WSN的路由协议明显有别于其他网络，如何在节约能耗的前提下充分利用节点群进行协调工作，是该领域内研究的热点。

人工智能技术在大规模解集的快速收敛问题方面具有明显的计算优势，而在WSN庞大的节点群内找到一条快速有效的通信信道，同时兼顾到诸如节点能耗均摊等约束条件的影响，正属于该类问题的范畴。因此，采用智能算法来对WSN的路由查询进行优化，是非常合适的。

2 WSN的基本构成与特点

从结构上划分，可将WSN分为三个主要构件：①传感器单元，负责对物理世界中的各种信息进行采集和分析；②控制器，用来对采集到的数据信号进行处理和整定③无线收发装置，遵循不同的无线通信协议（如IEEE802.15.4协议），将数据通过存储转发的方式，经过一系列的节点跳转，传输至远端。图1为一个典型的利用WSN搭建监控网络的结构图。

WSN以其特殊的组网方式和路由查询机制而同其他网络差异较大，这使得WSN在工农业、军事、医疗、社区安全、智能家居、环境监测等领域内得到了广泛的应用，其特点有以下几条：

1） 网络设备成本较低，无线传感器节点本身价格很低，即使可以大规模使用也不会带来高昂的布设成本，并且节点具有一定的数据融合能力，使得整个网络可以维持一个较低的能耗水平下正常运转。

2） 自适应性强，WSN属于自组织网络，即网络中的节点可以无需其他控制设备而自己独立适应网络拓扑，当某节点因能量耗尽或出现故障而无法工作时，会导致网络中出现“黑洞”，此时其他节点可以在不需要任何人工干预的情况下自动搜索替代路由，完成网络的修复工作。

3） 节点本身就具有计算功能，可完成一定计算量的分析工作，因此可就近利用节点来实现较为复杂的监测以及分析任务，从而使得数据的准确性和有效性大大提高了。

3 基于混合型智能算法的WSN路由优化

3.1 蚁群算法

蚁群算法从自然界蚁群行为模式演变而来。蚁群在外出寻找食物时，其行动路线是随机分布的，而当其中某只蚂蚁找到食物回返时，会在其行动路线上留下信息素，附近的蚂蚁根据信息素迅速汇集成一条蚁线，并在此轨迹都留下自己的信息素，于是后续的蚂蚁根据不同轨迹上信息素浓度的高低，来判断路径的优劣。这是一种非常有效的收敛算法，尤其适合运用在大规模节点群中进行路由查找，因此将此策略应用到在WSN路径优化过程中，为各个节点之间的链路设定度量值，模拟信息素，最终通过度量值的高低来判断出最优化WSN路由。具体优化策略如下：

1）对于某个已铺设好的WSN节点群，设蚁群数量为m，为节点i和j之间距离，为t时刻（i，j）间信息素浓度。

2）设某蚂蚁k所经过的节点轨迹为，该轨迹可动态改变，以应对蚁群信息素的变化。

为信息素残留因子，表示之前的信息素的挥发程度，若某条较优路由长时间没有新的信息素增加的话，则其优先级别会逐渐下降；为浓度增量，以描述在的一段时期内信息素的变化幅度。

通过对蚁群算法在WSN路由优化中的应用模式可以看出，该算法适合在大规模解空间中根据动态变化的信息素查询到目前最符合网络状况的最优路由，但其本身也有一些缺陷，例如其收敛速度较慢等。因此本文提出将遗传算法同蚁群算法相结合，形成一种新型的混合型智能优化算法，利用遗传算法快速收敛的特点加快WSN路由查询速度，以提高网络系统的响应速度。

3.2 遗传算法设计

1）适应度函数

4 总结

经过仿真验证，新的混合型智能算法表现出了较好的性能水平。在平均时延方面，当节点群规模较小时，本算法并未体现出明显优势，但当模拟WSN节点群规模超过200个节点以上时，该算法明显耗时更少，因此可以证明遗传算法的快速收敛性能同蚁群算法的大规模搜索优势得到了有效的结合。相信随着人工智能技术的不断发展，会有更多的研究成果同WSN路由优化相结合，进一步提高WSN的工作效率。

参考文献

[1] 孙扬，何建忠.WSN自适应负载均衡集簇分层路由协议[J]. 计算机工程与设计，2013（2）：423-427.

[2] 何永刚.无线传感网路由空洞问题的研究[D]. 苏州： 苏州大学，2010.

[3]张晓伟.蚁群优化的传感器网络路由算法[J]. 计算机仿真，2011（3）.