WSN中一种基于数据融合的Mobile Agent路径规划方法*

屈应照，胡晓辉，宗永胜，张荣光

（兰州交通大学电子与信息工程学院，兰州730070）

WSN中一种基于数据融合的Mobile Agent路径规划方法*

屈应照，胡晓辉*，宗永胜，张荣光

（兰州交通大学电子与信息工程学院，兰州730070）

MA（Mobile Agent）技术作为一种分布式中间件的方法，它很适合应用于WSN中自主性的数据融合和能量均衡方面。但是现有的一些MA路径规划方法确定的路径只考虑节点间的物理距离，此时网络会出现数据负载不均衡、延迟和安全性等一系列问题。针对上述问题，提出一种基于MA协议的路径规划方法（LDLM），该算法采用K-means聚类算法对网络分簇，然后由Sink节点根据每个簇节点规模派发若干个MA；并且在确定每个MA节点访问组时，综合考虑了节点采集数据量的规模和MA可用存储空间。最后，根据每个MA节点访问组，使用LCF算法确定MA对其节点访问组的访问路径。仿真实验结果表明：该算法在能量消耗、网络生命周期、任务工作周期三个方面性能表现优于现有的一些算法。

无线传感器网络；Mobile Agent；数据融合；多路径规划；能量均衡

EEACC:6150P；7230；6210Qdoi:10.3969/j.issn.1004-1699.2016.07.015

无线传感器网络WSN（Wireless Sensor Network）由一些大量微型的传感器节点组成，这些节点采集其监测区域的环境信息，并通过无线通信方式形成一个多跳自组织的网络系统，将采集的数据以节点间协作的方式传输到汇聚节点，由汇聚节点进一步处理并利用Internet、卫星等通信方式将最终结果传输给远程用户终端。网络中每个节点既是充当监测区域的信息采集者，同时又有可能是路由转发者。WSN网络结构图如图1所示。

无线传感器网络带来了一种基于数据收集方法的重要新技术，它的强大功能优势表现在大量节点的随机部署和高质量的服务［1］。无线传感器网络提供节点间协作处理的方式，这种方式允许联合多个源节点采集的数据进行集中处理；其中，相邻节点间存在一种很普遍的现象即：相邻节点间存在着高度的时空相关性。针对这个现象，在数据传输前可以采用数据融合技术，利用相邻节点之间由于时空相关性而存在的数据冗余，进行网内处理减少节点之间的数据冗余。从而降低网络中节点间数据传输量，节省了大量网络资源且明显提高网络的感知效能，延长了网络的生命周期，达到了减小时间延迟的效果。WSN中基于数据融合模型的路由协议研究有：基于簇的协议［2-3］、基于链式的协议［2］、基于生成树的协议［2］和基于Mobile Agent协议［2］。其目标都是建立一种底层的拓扑结构，以便有效利用网络节点的能量资源［4］。

图1　无线传感器网络结构图

Mobile Agent是一段可以在网络节点间自主运行的程序代码，它装载着用户指定的任务，在每个被访问的节点进行局部的数据收集、融合处理；以这种方式遍历网络相关节点完成指定任务，携带任务结果返回汇聚节点，汇聚节点将最终结果进行处理并反馈给用户。MA计算模型如图2所示。MA在WSN中进行数据收集和融合操作时，对其所需访问相关节点，需要根据一定原则规划一个访问序列，即：需要对MA访问节点的路径进行一个规划。因为MA访问的路径很大程度上会影响整个网络的能量消耗、网络负载均衡问题及数据融合操作的开销。为了降低MA访问路径对网络的影响和开销问题，一些启发式思想方法已经被研究者提出并应用在WSN中。这些启发式思想方法对MA规划的访问路径，既有动态确定MA路由中下一个要访问的节点的路径规划方法；也有静态确定MA路由问题的路径规划方法。其中，动态确定MA访问路径的方法比较适合应用在一些移动对象的路径踪迹在初始状态下是未知的，例如：目标追踪、分类器应用等。静态确定MA访问路径的方法比较适合应用在周期性采集其监测物理环境信息（比如：温度、湿度等）并传输给汇聚节点，例如：在数据监测方面的应用。

图2　Mobile Agent协议计算模型

在对MA路径规划的方法中，无论是动态规划方法还是静态规划方法，都有其优劣。动态路径规划方法对访问途中的MA，可以在改变其迁移路径时可能发生的错误做出实时的反应。但是在动态路径规划方法中的每个节点处，动态确定MA下一个将要访问的节点时需要较多的决策时间；它同时还会消耗更多的能量，并且对MA的容量需求更大（因为MA智能性越高，其对MA的功能需求就越多）。另外，动态规划方法还需要一个有效的路由协议，以便MA不仅可以动态确定其下一个将要访问节点还可以确定其返回到汇聚节点的路径；这些问题对于静态路径规划的方法都是不需要的。因为在静态路径规划方法中，每个MA都是使用预先确定的路径；这些路径都是由派发MA的Sink节点在派发MA之前，根据网络状况和先验知识条件计算而确定的。

静态路径规划的方法可以分为2类：①对单个MA路径规划SIP（Single Mobile Agent Itinerary Planning）［5］；②对多个MA路径规划MIP（Multi-Mobile Agents Itinerary Planning）［5］，这两种方法计算模型如图2所示。这两种方法都是派发一个MA或者同时派发多个MA到WSN中，每个MA都会被分配网络中节点集合的一个子集；MA对其分配节点子集进行数据收集、融合和处理。SIP在小型WSN网络条件下，性能表现出令人满意的成果；但是随着WSN中节点数量的增加，SIP的性能状况开始恶化。这是由于随着网络节点数量的增加，MA在其分配的节点子集中进行收集和融合源节点的数据时，MA的往返时延和能量开销也随着网络规模增加而急剧上升［2］。同时，随着网络节点数量的增加，MA在收集数据的规模也逐渐增加，进而增加网络的带宽资源消耗和节点的能量开销。此外，SIP方法还可能会产生其他隐患问题，例如：MA在几个节点之间的迁移时，会发生MA丢失现象［6-7］。然而MIP可以有效地规避上述问题，MIP通过派发多个MA到网络中并行收集、融合源节点的数据；由于每个MA被分配一个节点数量较小的节点子集，因而在一定程度上高效地缓解了SIP方法在网络规模增大时产生的一系列隐患问题。

1　相关工作

正如本文引言部分描述，MIP在一定程度上性能表现要优于SIP方法；因而，基于MIP的思想方法近年以来吸引众多研究者的研究兴趣，并且产生了以一系列比较经典的研究成果。文献［6］提出一种基于树的分支结构路径规划算法（CBID），此算法在包含完成用户指定任务所必需相关网络节点的条件下，使得网络的总开销最小。该算法在减少网络总体能量开销和网络延迟方面有着显著作用；但是随着网络规模的增大，树中会产生越来越多的分支，这些数量众多分支会影响该算法的性能。文献［7］提出了VCL（The Visiting Central Location）算法是首先是通过节点间影响因子确定访问中心点，然后根据访问中心点将网络中所有的位于特定距离的节点划分同一个簇，重复执行这个过程直到每个节点都被划分到一个簇中。然后由Sink节点给每个簇派发一个MA，通过使用SIP方法中算法确定MA在各自分配的簇中节点的访问路径。但是，在实际网络环境中由于应用环境条件的限制，节点通常是无规律性分布；这种情况下簇的划分将大幅度受影响，进而影响算法效率。在文献［8］中描述了 BST（Balanced Minimum Spanning Tree）算法，该算法首先使用普里姆算法产生一棵根植于汇聚节点的生成树。在这棵生成树中所有拥有单分支的节点被划分为同一个簇。然后给每个簇派发一个MA，并使用SIP方法中的算法产生一条MA访问簇中节点的路径。文献［9］NOID（The Near-Optimal Itinerary Design）算法主要目的是确定网络中完成用户指定任务所需MA数量的最优值，同时该最优值可以最小化网络中数据融合操作的开销；但是此算法面临着较慢的计算速率和高复杂度的计算过程。文献［2］提出了一种TBID（The Tree-Based Itinerary Design）算法，它是对文献［9］进行改进而产生的一个启发式算法，它采用贪婪式算法思想选择距离最小的节点形成一个二叉树。TBID算法不仅确定了网络中MA数量的近优值，使得网络融合开销最小；同时为网络中所有的MA规划一条网络开销近优的路径。

MIP方法中现有的算法和研究大部分都是基于节点的物理距离作为MA路径规划的唯一参考因素。在现实环境中，由于网络节点的无规律分布，当将网络节点划分为簇时，各个簇的节点规模也不统一，导致各个簇产生的数据量存在差异。进而导致各个簇的MA携带的数据量不同，最终引起网络上数据负载和能量不均衡。因此，对MA之间的数据规模差异进行调节，可以优化用户任务在网络上的工作周期，有效地确保网络能量和数据负载均衡，并且可以降低网络的丢包率。

基于上述问题，本文在对MA进行路径规划时不仅考虑节点之间的物理距离；同时，对网络中簇的划分方式以及计算、确定网络中MA数量的方法进行改进。从而，在一定程度上可以有效地解决网络数据负载不均衡、延迟和安全性等方面的问题；并且减少任务工作周期，节约了网络的能量消耗，延长了网络生命周期。

2　Mobile Agent路径规划算法

本文提出的方法属于静态规划方法，即：MA的访问路径由派发MA的Sink节点在派发之前，根据网络状况和先验知识条件规划和确定的一条访问路径。由于静态路径规划方法中MIP方法的性能在一定程度要上优于SIP；所以，本文提出的方法同属于MIP方法思想范畴。

本文提出路径规划方法，主要可以分为以下3个部分：①基于节点物理位置，将整个网络划分为几个子区域。这个阶段最终结果就是产生一个关于节点子区域的集合。②确定整个网络中每个子区域所需MA的数量；并且结合子区域中每个源节点采集的数据量和MA自身可用存储空间的规模，从而计算出子区域中每个MA需要访问的一组节点。③根据一定算法确定MA对其组内节点的访问序列，即：规划MA对其组内节点的访问路径。

2.1网络的划分

本文假定WSN网络节点具有定位功能和剩余能量感知功能，每个节点都可以发送自己的坐标给Sink节点；因而，Sink节点根据这些坐标数据计算整个网络节点的分布情况。根据WSN分簇路由算法的特点和K-Means算法［10-11］的优势，本文采用K-Means算法将整个网络划分为K个簇［11］。K-Means算法对大数据集有着较高效率并且是可伸缩性的，因而，它经常被应用在WSN分簇方面。分簇思想在WSN的节能和稳定性方面的应用有着重要意义［12］（为了概念的统一，本文把网络中节点划分的子区域统称为簇）。在分簇思想中，簇中的簇头节点负责收集处理其簇内节点采集的数据，并将最终结果间接或直接发送给Sink节点；但是，本文是根据簇的规模大小给每个簇分配若干个MA，这些MA负责收集处理其簇内节点采集的数据。本文引进K-Means算法用于对网络进行簇的划分，即：确定网络中所有MA的工作区域。

本文采用K-Means聚类算法，在网络初始化时由Sink节点对网络进行集中式固定分簇；簇一旦形成后，在整个网络生命周期内簇的结构不再改变。在数据收集第一轮时簇内具有物理位置和能量优势的节点成为该簇的簇头节点。在后续每轮数据收集中根据阀值计算和判断是否需要进行簇头更新工作；有些轮次需要进行簇头更新，有些轮次不需要进行簇头更新；如需进行簇头更新，则由当前簇头节点确定下一个簇头节点。因而，可以节约在每轮进行非必须性的簇头更新工作带来网络开销、降低算法复杂度和网络能耗开销。本文分簇思想执行工作流程示意图，如图3所示。

图3　本文分簇思想执行流程示意图

2.1.1聚类分簇

图4　K-Means算法划分簇的过程

2.1.2簇头选取

分簇工作完成后，Sink节点将分簇信息分发给网络中的节点，信息包括簇ID、簇内节点距离Sink节点最大和最小的距离值。收到分簇信息后，簇内节点开始根据自身能量和物理位置竞争簇头节点。因为物理位置决定节点与Sink节点的通信距离，而通信距离与网络能量消耗密切相关；所以簇头节点必定是簇内距离Sink节点最近且剩余能量最多的节点。综上所述，并根据文献［13-14］研究论证，本文节点采用公式（3）计算其延迟时间T，

其中，α∈（0，1）为系数因子；D为当前节点与Sink节点的距离；Dmin为当前簇内节点与Sink节点最小的距离；Dmax为当前簇内节点与Sink节点最大的距离；E1为当前节点的剩余能量值；E0为网络中节点的初始能量值。

通过式（3）距离Sink节点最近且剩余能量最大的节点成为簇头节点，即：节点的延迟时间T最小，因此可以优先在网络中广播自己的竞争簇头节点消息，簇内第一个在网络上广播其竞争簇头消息的节点则成为簇头节点。当簇内节点收到簇内其他节点优先发送来竞选消息时，则放弃本轮其竞选簇头的机会。簇头节点广播消息包括节点ID和其剩余能量值。

2.1.3数据量信息采集

在网络簇头节点确定后，簇内各个节点分别发送消息加入该簇，消息包括自己剩余能量值、节点ID和节点距离Sink节点的距离。簇头节点收到簇内节点发送的加入消息后，根据簇的规模采用TDMA方式给每个节点分配时隙；各个节点在对应的时隙中将自身采集数据量描述信息（而非采集的数据）发送给簇头节点；节点在非本身对应时隙则保持睡眠状态以节约能量。簇头节点将簇内节点发送的数据采集量描述信息以直接或间接方式转发给Sink节点；Sink节点根据此描述信息，确定给每个簇派发MA的数量。因此，各个簇节点采集数据量大小对于计算给每个簇派发MA的数量和确定每个MA所需访问的节点组都至关重要（关于本部分内容详见2.2节LDLM算法描述）。

2.1.4簇头调整

在数据量信息收集每轮末尾，节点发送自身剩余能量值给簇头。簇头节点更新簇内节点剩余能量值，并采用公式（4）计算簇内节点参量值

其中，Ei′为节点i的剩余能量值，Di为节点i与Sink节点的距离。

簇头节点选择参量值最大的节点通过公式（5）进行比较，

如果式（5）成立，则节点j与当前簇头节点交换TDMA时隙信息，并广播消息成为新簇首节点；如果式（5）不成立，则不需要进行簇首更新工作。在每轮末尾都通过阀值计算以确定是否需要进行簇头调整，以减少非必需性的更新操作开销。

2.2LDLM算法描述

对于确定簇中MA的数量和MA的节点访问组的问题，本文提出的方法是：对于簇内数据采集量最大的节点优先分配到拥有可用空间最大的MA的访问组中，即：LDLM（The Larger Data size in Larger Memory），简称为LDLM算法；从而可以有效地确保网络MA之间数据负载均衡。

LDLM算法基本思想如下：在完成簇的划分后，此时网络拥有包含所有网络节点的k个簇，这些簇规模大小不必相等。设簇含有m个源节点，每个源节点产生初始数据量为，MA的可用存储空间大小为MMA（初始时所有MA的可用空间大小是相等的）；则该簇产生的初始数据量DS（j）和每个簇所需MA的数量NbMA，可通过式（6）、式（7）计算得到：

并且，NbMA的值会在算法的执行过程中逐渐增加；因为如果在算法执行的某个时刻，对于簇中当前所有MA的剩余可用空间，无法将当前簇中数据采集量最大的节点分配给任何一个MA；此时需要Sink节点给该簇再次派发一个MA，以确保簇中MA能顺利地完成对簇中所有初始数据的收集和处理。本文LDLM算法思想提出并采用的MA计算模型如图5所示。

图5　LDLM算法采用的MA计算模型

为了更好地描述和说明LDLM算法，本文给出关于LDLM算法的一个简单示例，如图6所示。

图6　LDLM算法的一个简单的示例

LDLM算法具体实现步骤如表1所示。

表1　LDLM算法的具体实现步骤

2.3确定MA的访问路径

在本文的2.1节、2.2节部分完成了WSN网络节点区域到簇的划分，并且确定了每个簇中所需MA的数量和每个MA完成工作任务所需访问的一组节点。接下来，本部分将根据每个MA节点访问组，确定MA对其节点访问组的访问路径。MA访问路径确定之后，MA根据其访问路径便可以开始工作，完成Sink节点分配的任务，并携带最终结果返回到Sink节点。

在本文LDLM算法中确定MA对其节点访问组的访问路径问题，可以看作是SIP问题；所以，此时只需采用SIP方法中算法便可确定MA的访问路径。本文在这里采用SIP方法中LCF（Local Closest First）算法［5，15］，LCF算法就是将距离当前节点距离最近的节点，选为MA下一个将要访问的节点；重复此过程，直到MA节点访问组中的节点都包含在此访问路径上，即：这条访问路径起点和终点都是Sink节点。此时MA对其节点访问组的访问路径便形成了。

3　算法仿真及结果分析

3.1仿真

本文采用CC2430无线模块模型在TinyOS的TOSSIM平台，对LDLM算法、LEACH算法［3］和VCL算法［7］进行仿真，并在能量消耗、网络生命周期和任务工作周期方面对它们进行分析和比较。虽然LEACH算法并不属于基于 MA协议范畴，但LEACH算法是基于簇协议的范畴，而基于簇协议在WSN数据收集、融合和能耗均衡方面问题也是一种很重要思想方法。鉴于本算法和LEACH算法在目标和策略上的相似性，所以将其作为参考和比较对象。VCL算法作为MIP思想方法出现早期产生的算法，较好地体现MIP思想方法优越性。而本文提出的LDLM算法同样属于MIP方法，为了更好评估LDLM算法的性能，所以将VCL算法也纳入实验进行参考和比较。

TOSSIM是TinyOS［16］操作系统自带仿真平台，它可以支持大规模的网络仿真［17-18］。TinyOS是由美国加州大学伯克利分校针对WSN研发一套具有轻量级线程技术、主动消息通信模式、组件化编程、硬件抽象层、事件驱动模式等特性的操作系统。

节点随机部署在200m×200m的区域，Sink节点部署在网络区域的中心位置。假设实验中无线传感器网络具有如下功能：①节点具有定位功能和剩余能量感知功能；②节点部署以后不再发生移动；③每个节点都有唯一的标识符；④所有节点都有相同的初始电池能量；⑤网络中传输的所有单个数据包的大小是相同。

本实验中我们把路径上传输能耗看作是节点间在发送和接收MA时产生的能耗，因为在WSN中节点间传输1 bit数据的能耗远远大于处理该数据的能耗，所以只计算节点间通信传输消耗的能量。第j簇内，MA在节点a和节点b之间迁移时产生传输能耗采用式（8）～式（10）［3］计算得到：

其中，k表示MA装载数据包的大小，单位为bit；Eelec表示节点在发送或接收电路产生的能耗。εamp表示节点发送中继器的信噪比；dab表示节点间的传输距离。

本实验使用的参数［7，9］如表2所示。

表2　实验参数

在基于TinyOS仿真实验中，MA在TinyOS中实现方式及工作原理是基于TinyOS主动通信模型，将MA的代码空间和数据空间区分传输［19］。在LDLM算法中，MA在遍历其访问路径时并不会立即对访问节点的数据进行收集和处理，而是在MA到达其访问路径中距离Sink节点最远的源节点（即：路径的最外层节点）后，并且在返回到Sink节点的途中，此时开始进行节点数据的收集和融合处理。这样可以减缓MA在网络中迁移时数据负载和能量开销。图7展示了LDLM算法在网络节点被指定分成4个簇后，各个簇MA产生访问路径的情况。其中，MA2，MA3属于同一个簇，因为该簇的源节点数据采集量比较大，在LDLM算法执行条件下，Sink节点便给该簇分派了两个MA完成该簇的网络任务。

图7　LDLM算法产生网络拓扑图的示例

3.2实验结果分析

为了评估本文提出LDLM算法的性能，在仿真过程中，本文在以下3个方面与LEACH算法、VCL算法进行了比较。即：

①能量消耗：在WSN中能量消耗情况是评估算法重要的性能指标。图8是3种算法在含有200个节点情况下，节点消耗的总能量与采集周期的变化关系。

图8　数据采集轮数对网络总能量消耗的影响

由图8可以看出，LEACH算法的能耗明显高于VCL算法、LDLM算法，而后两者能耗差距相对较小。这是由于基于簇协议的LEACH算法簇头分布过于集中在局部区域，造成部分节点与簇头的数据传输能耗增大，同时引起簇头的能耗过高；而LDLM、VCL算法采用MA协议进行数据采集。在VCL算法中，各个簇被Sink节点仅派发一个MA进行数据采集；由于节点无规律分布，造成各个簇的规模不均匀，进而导致MA数据负载不均衡；同时簇的规模越大，造成MA需要消耗更多的能量和时间返回到Sink节点。LDLM算法在节点无规律分布下，根据各个簇的规模给其派发若干个MA有效地均衡网络中MA的数据负载；从而减少了网络总能量消耗，同时网络性能也得到改善。

②网络生命周期：图9表示的是网络剩余存活节点数量与数据采集周期的变化关系。

图9　节点数量对网络生命周期影响

由图9可以看出，随着数据采集时间的增长，三种算法执行过程中均出现节点死亡；其中，LDLM算法的生命周期最长。这是由于LDLM算法根据节点的物理位置和各个簇中节点数据采集量，合理地确定和规划MA的节点访问组及对其节点访问组的访问路径，较好地实现了网络上MA的数据负载均衡；从而使网络上能量消耗比较均匀地分布在所有网络节点中，避免网络局部区域节点因能量消耗过度而超前失效，因而可以有效地延长网络的生命周期。

③任务工作周期：图10反映的是数据采集任务完成时间随着网络节点数量变化而变化的关系。

图10　节点数量对任务执行周期的影响

在基于MA协议中，指MA由Sink节点派发开始至MA返回到Sink节点时结束所耗费的时间。由于LDLM算法是基于MIP的计算模式，所有MA并行工作，大幅度提高数据收集效率；并且MA只在移动时才占用网络，大大节省了网络带宽和能量资源。VCL算法通过节点间影响因子来确定节点的访问中心点进而对网络进行划分，由于节点随机部署导致VCL算法的影响因子和访问半径很大程度上影响算法性能，正如图10所示，LDLM网络延迟最小。而在LEACH算法中，簇头负责收集其簇内节点的数据并根据需要进行融合处理，然后将处理结果采用单跳方式发送给Sink节点；这种情况下，当网络源节点产生的数据量很大时，LEACH采用TDMA方式与各节点通信明显具有很大的网络延迟并且数据收集效率也大大降低了。从图10可以看到，LEACH算法在随着节点数量的增加，任务工作周期受影响程度逐渐增大。

4　结束语

在基于MA协议中，MA的访问路径对于网络资源开销有着很大的影响。基于MIP方法明显提高了WSN性能，尤其是在节约能量、均衡网络负载和数据收集方面具有显著效益。但是现有基于MIP方法的一些算法在对MA路径进行规划时，只考虑节点间的距离，这种方式下产生了很大网络数据负载不均衡等一系列问题。针对这些问题，本文基于MIP思想方法提出LDLM算法，该算法综合考虑网络划分后各个簇的规模，并且提出一种新的方式计算和确定各个簇所需MA数量以及每个MA的节点访问组及MA在组内的访问路径。通过在TinyOS的TOSSIM平台仿真实验，并且与LEACH算法、VCL算法进行比较，实验结果表明LDLM算法的性能在能量消耗、网络生命周期和任务工作周期等方面表现出一定优越性。

［1］ Chen M，Gonzalez Valenzuela S，Leung V.Directional Source Grouping for Multi-Agent Itinerary Planning in Wireless Sensor Networks［C］//Information and Communication Technology Convergence（ICTC），2010 International Conference on.IEEE，2010：207-212.

［2］ Konstantopoulos C，Mpitziopoulos A，Gavalas D，et al.Effective Determination of Mobile Agent Itineraries for Data Aggregation on Sensor Networks［J］.Knowledge and Data Engineering，IEEE Transactions on，2010，22（12）：1679-1693.

［3］ Heinzelman W R，Chandrakasan A，Balakrishnan H.Energy-Efficient Communication Protocol for Wireless Microsensor Networks［C］//System Sciences，2000.Proceedings of the 33rd Annual Hawaii International Conference on.IEEE，2000，10（l）：2.

［4］ 张美燕，蔡文郁.融合K均值分簇MST路由的无线传感网压缩采样技术［J］.传感技术学报，2015，28（9）：1402-1407.

［5］ Qi H，Wang F.Optimal Itinerary Analysis for Mobile Agents in Ad Hoc Wireless Sensor Networks［J］.Proceedings of the IEEE，2001：147-153.

［6］ Mpitziopoulos A，Gavalas D，Konstantopoulos C，et al.CBID：a Scalable Method for Distributed Data Aggregation in WSNs［J］. International Journal of Distributed Sensor Networks，2010，5（4）：1-13.

［7］ Chen M，Gonzalez S，Zhang Y，et al.Multi-Agent Itinerary Planning for Wireless Sensor Networks［J］.Quality of Service in Heterogeneous Networks，2009：584-597.

［8］ Chen M，Cai W，Gonzalez S，et al.Balanced Itinerary Planning for Multiple Mobile Agents in Wireless Sensor Networks［M］//Ad Hoc Networks.Springer Berlin Heidelberg，2010：416-428.

［9］ Gavalas D，Mpitziopoulos A，Pantziou G，et al.an Approach for Near-Optimal Distributed Data Fusion in Wireless Sensor Networks［J］.Wireless Networks，2010，16（5）：1407-1425.

［10］Peng W，Edwards D J.K-Means Like Minimum Mean Distance Algorithm for Wireless Sensor Networks［C］//Computer Engineering and Technology（ICCET），2010 2nd International Conference on. IEEE，2010（1）：120-124.

［11］Zhou J，Zhang Y，Jiang Y，et al.A Distributed K-Means Clustering Algorithm in Wireless Sensor Networks［C］//Informative and Cybernetics for Computational Social Systems（ICCSS），2015 International Conference on.IEEE，2015：26-30.

［12］Wang G，Cho G.Securing Cluster Formation and Cluster Head Elections in Wireless Sensor Networks［J］.International Journal of Communication Networks and Information Security（IJCNIS），2014，6（1）：70-88.

［13］张海燕，刘虹.基于K-Means聚类的WSN能耗均衡路由算法［J］.传感技术学报，2011，24（11）：1639-1643.

［14］张雅琼.基于K-Means的无线传感网均匀分簇路由算法研究［J］.控制工程，2015，22（6）：1181-1185.

［15］Wu Q，Rao N S V，Barhen J，et al.On Cmputing Mobile Agent Routes for Data Fusion in Distributed Sensor Networks［J］.Knowledge and Data Engineering，IEEE Transactions on，2004，16（6）：740-753.

［16］http：//www.tinyos.net/.

［17］李鸥.TinyOS实用编程［M］.机械工业出版社，2013.

［18］潘浩董齐芬张贵军，等.无线传感器网络操作系统TinyOS［M］.北京：清华大学出版社，2011.

［19］林华杰，史浩山.基于无线传感器网络移动代理变种在TinyOS中的实现［J］.传感技术学报，2008，28（10）：2324-2327.

屈应照（1989-），男，兰州交通大学电子信息与工程学院硕士研究生。研究方向为智能信息处理，智能分布式系统，无线传感器网络，523818641@qq.com；

胡晓辉（1963-），男，兰州交通大学电子与信息工程学院教授，博士，研究方向为智能分布式系统、智能计算和智能信息处理等。先后参与国家自然科学基金、省自然科学基金、省科技攻关项目、北京铁路局科技攻关项目和省教育厅硕士生导师项目；其中已完成的项目中有4项获得省部级科技奖励，发表相关学术论文40余篇，其中EI检索6篇，hxh_6302@163.com；

宗永胜（1990-），男，兰州交通大学电子信息与工程学院硕士研究生。研究方向为智能信息处理，智能分布式系统，787673854@qq.com。

An Approach Itinerary Planning for Mobile Agent Based on Data Fusion in WSN*

QU Yingzhao1，HU Xiaohui1*，ZONG Yongsheng1，ZHANG Rongguang1
（School of Electronic and Information Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China）

As a distributed middleware，Mobile Agent technology is suitable for autonomic data fusion and energy balance in wireless sensor networks.Several heuristic methods have been widely applied to the way the Itinerary planning of Mobile Agent，but some of these methods just consider the geographical distance among nodes as the unique factor when planning the Itinerary.There will cause the emergence of the data load unbalancing，large delay and security problems when WSN uses these methods.For tackling above problems，the Larger Data size in the Larger Memory（LDLM）algorithm is proposed.In this proposed scheme，we don't only consider the geographical distance among nodes but take into account the data size from source nodes.Extensive simulation experiments show that the LDLM algorithm behaves better performance than other approaches on these three aspects consumption energy，life cycle and task duration.

WSN；Mobile Agent；Data Fusion；Multi-Itinerary Planning；Energy Balance

TP391

A

1004-1699（2016）07-1032-10

项目来源：国家自然科学基金项目（61163009）；甘肃省科技计划项目（144NKCA040）

2016-01-04修改日期：2016-03-08