考虑均衡负载的电力线通信组网蚁群算法

胡志云，周红莲，付 林，曹 茜，朱剑利

（国网新疆电力有限公司经济技术研究院，新疆 乌鲁木齐 830011）

0 引 言

电力线通信是通过高压至低压的电力线来实现通信的，其分布范围大，在进户时不需要重新布线，可以同时传输数据信、图像、音频以及视频，用户数量可观，具有巨大的发展潜力[1]。电力线通信网络中，理想状态是通信具有优良的最短路径，从而减少每个节点作为路由的次数，保证每个节点的寿命。此时就需要考虑网络负载均衡情况，通过蚁群算法寻找最优路径使路由尽量分散，以实现均衡负载[2]。基于此，本文提出了考虑均衡负载的电力线通信组网蚁群算法。

1 考虑均衡负载的电力线通信组网电蚁群算法

1.1 建立蚁群择优模型

蚁群算法的重要环节是信息素的传递，蚂蚁通过信息素对路径进行概率择优[3]。基本蚁群算法的转移概率描述如下：

式中，Pijk(t)表示蚂蚁k在节点i选择下一节点j的概率；τ表示信息素；τij(t)表示t时刻节点i与节点j之间的信息素；η表示启发式j之间长度dij的倒数；α表示τ相对重要程度；β表示η的相对重要程度；allowSetk表示蚂蚁k在t时刻可选的下一节点集合；ηij(t)表示启发式因子，一般取节点i与节点结合电力线通信组网在运行时的实际情况。引入混沌选择策略丰富问题解，在迭代次数不断增多的条件下，算法均渐渐趋近于0。具体描述如下：

式中，Xij表示i到j的混沌变量。

通过算法迭代，当前最优路径上的τ更新方式为：

式中，LNC表示第NC次迭代最优路径的长度；Lbest表示目前为止最优路径的长度。结合ρ对算法求解能力与收敛速度的影响，将算法分成前、中、后以及末4个阶段。ρ在算法的第一阶段取最大值，扩大算法搜索范围，在后3个阶段逐渐递减，提高收敛速度[4]。

1.2 选取算法性能参数

α与β影响着蚂蚁对路径的选择，α的值越大，蚂蚁就有更大的概率选择已知路径，算法搜索能力就会变弱，可能会导致算法提前出现局部最优，β影响着算法的收敛速度，二者成正比关系，当β值过大时，算法容易进入局部最优，综合分析确定α值为1，β值为2[5]。

蚂蚁总数量M影响着算法解集的大小，当M值过小时，解集也相应变小，算法显示出搜索能力变差的情况，当M值过大时，解集相应变大，虽然增强了算法的搜索能力，但算法收敛速度降低，效率减小，综合考虑算法的收敛性与搜索能力，确定M值为8。

1.3 平衡组网通信负载

蚁群算法完成负载均衡实现的步骤如下。首先，由网关发送消息至各个节点，各节点通过消息到达节点时的强弱来判断自身位置。其次，各节点对比T值与自身位置信息，根据分区规则将节点均衡分配各个区域中。再次，各节点将自身数据和收集到的数据传输给本区域网关，包括剩余能量、层值以及负载量等。最后，网关根据收到的数据信息，通过蚁群算法进行信息传输路径择优运算，选择出最佳路径，实现电力线通信组网的均衡负载。

2 对比实验

为了验证本文提出的算法组网性能，将本文提出的算法标记为算法A，将文献[4]与文献[5]中提出的传统算法分别标记为算法B和算法C，分别通过3种方法进行对比实验。

2.1 实验准备

本实验中通过MATLAB软件对3种算法进行仿真，选取节点使用率、剩余能量、延时以及丢包率对电力线通信组网负载均衡性能进行评价。当组网负载均衡性能较差时，某些重要链路中就会出现信息传输拥堵甚至断裂的情况，导致延时与丢包率升高，故而延时与丢包率是反应组网负载均衡性能的关键指标，延时越短和丢包率越小表示组网负载均衡性能越好。

2.2 节点使用率仿真结果

对3种算法进行仿真实验，得到的节点使用率对比结果如图1所示。

图1 3种算法组网节点使用率对比

由图1可知，3组算法的节点使用率随层值增加，整体均呈现上升趋势，算法A组网在各层的节点使用率均高于算法B和算法C。

2.3 组网剩余能量仿真结果

对3种算法进行实验，得到的组网剩余能量对比结果如图2所示。由图2可知，在初始组网能量相等时，相同时间内算法A的组网能量消耗比算法B与算法C少，算法A的组网剩余能量在第300 s时才达到0 J。

2.4 延时与丢包率仿真结果

对3种算法进行仿真实验，得到的组网整体丢包率对比结果如图3所示。

图2 3种算法组网剩余能量对比

图3 3种算法组网整体丢包率对比

由图3可知，3种算法的组网整体丢包率随着数据流量的加大，总体均呈现上升趋势，算法A的丢包率低于算法B和算法C。

3 结 论

本研究提出的考虑均衡负载的电力线通信组网蚁群算法提高了电力通信组网的节点使用率，延长了组网生命周期，降低了组网丢包率，明显改善了电力通信组网的负载均衡性能。今后将继续对电力通信组网进行研究，以期在其他方面提高电力通信组网的性能。