基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法*

周　杰，田　敏，钟福如

（石河子大学信息科学与技术学院，新疆　石河子 332003）

基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法*

周杰，田敏，钟福如

（石河子大学信息科学与技术学院，新疆石河子 332003）

无线传感器网络节点能量通常由能量有限的电池供应，如何在对节点进行分簇的同时减小通信能耗是研究中的一个重要问题。提出了一种基于混沌小生境狼群算法的高密度无线传感器网络能量高效分簇方法，通过智能选取簇头位置来降低无线传感器网络的单轮通信能耗。在不同节点数和簇头比例的条件下，分别采用了粒子群算法、量子遗传算法、模拟退火算法和混沌小生境狼群算法进行了无线传感器网络分簇。仿真结果表明，基于混沌小生境狼群算法的无线传感器网络分簇能够有效降低无线传感器网络的整体单轮通信能耗和平均节点通信能耗，有效提升了能量利用效率。

通信与信息系统；无线传感器网络；人工智能；狼群算法；分簇

1　概述

随着集成电路、微机电系统、SoC技术、无线电通信和的发展，融合了嵌入式技术，无线网络通信技术，计算技术和分布式信息处理技术的无线传感器网络（WirelessSensorNetworks，WSNs）成为了研究热点，受到了越来越多重视［1］。无线传感器网络（WSNs）是由大量具有计算功能、存储功能和通信功能的微型智能节点以自组织的形式组成的分布式新型感知网络［2］。每个无线传感器网络的节点通常由感知模块、存储模块、嵌入式处理器模块、射频通信模块及电源模块等多部分组成，有时还配有执行模块和定位模块［3］。随着技术的逐渐成熟，无线传感器网络（WSNs）已经越来越深入到智能交通、智能医疗、工业应用、灾难救助、环境监测、安全保卫以及家庭和办公环境监控等生活各个方面，在民用和军事领域均具有广泛的应用［4］。

在无线传感器网络中，网络覆盖和通信能耗问题是研究中的两个核心问题，网络覆盖决定了无线传感器网络对周围环境的监测质量，通信能耗则决定了无线传感器网络的能量利用效率。研究表明，合理的传感器节点分簇能够明显地降低网络的通信消耗，同时提高能量利用效率［5］。然而，传感器网络由随机撒布的大量的传感器节点组成，网络节点数量庞大、网络整体通信能耗较高，因此，有效节约能量，延长网络的生命周期是无线传感器网络路由协议设计的首要目标［6］。

然而，一些高密度无线传感器网络中大量传感器节点分布密集，导致网络分簇需要消耗较高的算法复杂度［7］。同时，大多数分簇算法均关注于传感器网络的多轮能耗问题，而对于如何降低无线传感器网络的单轮能耗研究较少。部分无线传感器网络采用固定电源供电，网络节点数众多导致整体能耗较大，长时间运行费用较高，同时网络的通信能耗对分簇结果敏感。因此，传统的网络分簇方法已经不能适用于采用固定电源供电的高密度无线传感器网络，需要通过设计全新的启发式算法来解决这一问题。

2　系统模型

在高密度传感器网络中，不同传感器之间距离较近，不同节点之间容易产生通信干扰，因此通常采用分簇的方法将整个网络划分为若干个簇，每个簇内选出一个簇头节点。簇内节点感知到的信息先通过单跳方式发送给簇头节点，簇头节点通常具有较强的数据处理能力，簇头节点将簇内节点感知到的节点经过数据融合后发送给网关节点。网关节点在接收到数据后再将数据传输给用户，并由用户将数据解析成适当的格式进行处理。如果用户需要对节点的参数进行设置，就要执行相反的一套流程，即用户首先把需要下发的控制指令和参数传送给网关节点，网关节点通过无线通信方式下发相关指令和控制参数给各个簇头节点，簇头节点再将控制信息下发给感知节点。

由于无线传感器网络通常采用电池供电，且更换电池需要耗费较高成本，能耗控制问题是无线传感器网络控制中的一个重要问题。研究表明，无线传感器网络中超过一半的能量消耗在无线通信产生的数据传输上。如果能够有效减少通信能耗，就能够延长无线传感器网络的寿命，减少更换电池产生的人工成本。

通信能耗通常由发送能耗和接收能耗构成。发送能耗和接收可以由如下公式算出：

式中，costs（k，d）为传输k比特数据到距离为d的节点所消耗的能量，εamp是功率放大参数（power amplificationparameter），Eelec为电子能量 参数（electronicsenergyparameter），d是节点间的距离。n的取值由具体的通行环境决定。在本文中取n=3。

3　基于混沌小生境狼群算法的无线传感器网络高能效分簇

3.1狼群算法简介

狼群算法属于人工智能（artificialintelligence，AI）的范畴。与常用的遗传算法和粒子群算法类似，狼群算法也是受到了生物学现象的启发而被设计出来的一种迭代优化算法。原始的遗传算法通常存在早熟收敛、进化停滞等缺陷。问题的解被抽象成为人工狼，而根据人工狼优劣程度的优胜劣汰就是算法迭代的基础。狼群算法通过个体狼之间的合理分工和相互配合，相比传统的遗传算法和模拟退火算法能够有效提升算法进化速度，在迭代次数相同的情况下得到较优的结果。

Yang等人首先提出了狼群算法。通过研究自然界中狼群的捕食习性，并以此为依据抽象出了狼群算法的具体实现步骤。在狼群中任何时刻均存在一只唯一的头狼，而头狼不是一成不变的。在每一次算法迭代之前，狼群中较为优秀的几只游猎狼会通过竞争决定头狼的归属。狼群中存在一定数量的游猎狼，游猎狼在一定范围内进行搜索，寻找猎物的位置。在通过竞争选出头狼后，狼群中的所有狼会向头狼靠近。最后，在每次围猎后，狼群淘汰一定比例最弱的狼，并随机生成新的狼崽来对被淘汰的狼进行补充。

3.2人工狼群的小生境划分与混沌初始化

在基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法中，人工狼的编码可用二进制向量表示，“1”表示对应位置为簇头节点，而数字“0”表示感知节点。例如，网络中有8个节点，个体编码为“00101011”，则代表3号、5号、7号和8号节点为簇头节点，其余节点为感知节点。

为了加快进化速度，在混沌小生境狼群算法中，狼群被分为多个子狼群，同时每个人工狼均由混沌映射生成。这样，各个子狼群中的头狼不相互干扰，从而避免了单一头狼引发的早熟收敛现象。此外，混沌映射加强了狼群生成的随机性，从而加速了狼群的进化速度。

每头人工狼由下式所示的Logistic混沌映射产生。

当时μ=4，Logistic映射处于混沌状态。在初始个体生成后，按照比例将映射值最高的位置初始化为“1”，其余位置初始化为“0”。

隧道排烟设计，考虑排烟区段较长，隧道设排烟竖井一座，设置在桩号K104+439与K104+430左右线中间处，竖井井口标高926 m，井深88 m，成井直径5.20 m，最大开挖直径6.52 m(包含5 cm预留变形量)，距离右线出口761 m。两隧道均设置排烟横洞与之连接。竖井正常情况下不启用，仅在火灾情况下视火灾发生的不同部位结合防灾预案正确开启来排烟，排烟区段分4 900 m和800 m两个区段排烟。

3.3探狼探索

人工狼群中除头狼外，适应度较优的N头人工狼被视为探狼。探狼在自身周围的指定步数内进行随机探索。随机性借助Logistic混沌映射进行实现。

3.4头狼选择与头狼召唤

在探狼探索完成后，所有探狼与上一次迭代产生的头狼共同竞争本代头狼的位置。所有探狼和上一代头狼中适应度最高的人工狼将成为本代头狼。人工狼的优秀程度由如下所示的适应度函数计算得出：

其中Fit（E）为通信能耗，而costs和costr的计算依据式（1）和式（2）。

在选出头狼后，狼群中其余的人工狼均向头狼的方向靠拢，靠拢的步数随机，随机性同样借助Logistic混沌映射进行实现。

按比例淘汰狼群中适应度最差的30%的人工狼，借助Logistic映射随机生成相等数量的新人工狼取而代之。

3.6算法终止条件

算法运行达到预先设定的指定迭代次数后终止。

4　仿真与分析

本文采用MATLAB软件对基于混沌小生境狼群算法的高密度无线传感器网络分簇方法进行了仿真模拟。高密度无线传感器网络布设范围设定为100m×100m的矩形区域，所有高密度传感器节点在布设范围内均匀随机分布。网关节点被布置在区域的中心，坐标为（50，50）。统计发现，在实际系统中上行传输的监测数据量远大于下行传输的控制数据量，因此本文在仿真中仅考虑下行数据传输。仿真中传输的数据量取1M比特，传输的实际能耗由公式（1）和公式（2）来计算。εamp取100pJ/bit/m2，εamp取50nJ/bit，n取值为3。

作为对比，本文还在相同参数情况下对遗传算法和模拟退火算法进行了仿真。在所有三种仿真中，算法的最大迭代次数均设定为100次，种群中的个体数量均取50。仿真后通信能耗随算法迭代次数的变化情况如图1所示：

图1　网络通信能耗随算法迭代次数的变化

图1是高密度传感器网络中节点数为200个，簇头节点占总结点数比率为10%时，基于混沌小生境狼群算法的高密度无线传感器网络分簇方法，基于遗传算法的分簇方法及基于模拟退火算法的分簇方法进行分簇后，无线传感器网络通信总能耗随算法迭代次数的变化图。从图中可以看出，基于模拟退火算法的分簇方法在进化过程中容易陷入进化停滞，200次迭代后的最终通信能耗较高。基于遗传算法的分簇方法性能优于模拟退火算法，但由于产生了早熟收敛现象，通信能耗依然较高。基于混沌小生境狼群算法的高密度无线传感器网络分簇方法通过人工狼的游猎和围攻等步骤，有效避免了早熟收敛和进化停滞现象，最终通信能耗较低。

图2为高密度传感器网络中节点数为200个，簇头节点占总结点数比率为10%时，基于混沌小生境狼群算法的高密度无线传感器网络分簇结果图。从图中可以看出，簇头分布较为均匀，簇头距离簇内成员节点距离较短，通信能量消耗相对较小。

图2　分簇结果图

5　结论

本文提出了一种基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法，通过智能选取簇头位置来降低无线传感器网络的单轮通信能耗。在不同节点数和簇头比例的条件下，分别采用了粒子群算法、量子遗传算法、模拟退火算法和混沌小生境狼群算法进行了无线传感器网络分簇。仿真结果表明，基于混沌小生境狼群算法的无线传感器网络分簇能够有效降低无线传感器网络的整体单轮通信能耗和平均节点通信能耗，有效提升了能量利用效率。

［1］ PeiH，LiX，Soltani，S，et al.The Evolution of MAC Protocols in Wireless Sensor Networks：A Survey［J］.IEEE Communications Surveys&Tutorials，2013，15（1）：101-120.

［2］ Esch，J.A Survey on Topology Control in Wireless Sensor Networks：Taxonomy，Comparative Study，and Open Issues ［J］.Proceedings of the IEEE，2013，101（12）：2534-2537.

［3］ Mo L，Zhenjiang L，Vasilakos A V.A Survey on Topology Control in Wireless Sensor Networks：Taxonomy，Comparative Study，and Open Issues［J］.Proceedings of the IEEE，2013，101（12）：2538-2557.

［4］ 李晓维.无线传感器网络技术［M］.北京：北京理工大学出版社，2007.

［5］ 崔逊学.无线传感器网络简明教程［M］.北京：清华大学出版社，2009.

［6］ 王良民，廖闻剑.无线传感器网络可生存理论与技术研究［M］.北京：人民邮电出版社，2011.

［7］ Demigha O.，Hidouci W.K，Ahmed，T.On Energy Efficiency in Collaborative Target Tracking in Wireless Sensor Network：A Review［J］.IEEE Communications Surveys&Tutorials，2013，15（3）：1210-1222.

TN929.5

石河子大学高层次人才科研启动项目（编号RCZX201530）。