蚁群算法在智能LED路灯控制中的应用研究

吕爱华

(襄阳汽车职业技术学院，襄阳 4 41021)

1 引言

随着中国城市的蓬勃发展，能耗成本日益增加，作为大功率光源的新节能LED路灯，具有功耗低、易控制寿命长等优势.本文的控制LED路灯算法是在载波电力通信及改进的蚁群算法(Ant Colony Optimization,ACO)上得出的，这种方法使能耗降低并完成LED路灯调控智能化组网.

国内外路灯控制技术，绝大多数是通过有线或无线控制的方式控制路灯的工作状态.两种路灯控制法于文献[1,2]中有详细介绍.有线控制技术线路的布局在无线操作中不能应用.无线控制技术实现于无线通信基础上，在安装环节具有绝对优势，但无线控制法也存在问题，其传输距离和延迟成反比关系，较易受外界干扰，在上述文献中没有提及如何解决存在的问题.本文通过改进路由算法，最大程度地解决了问题.结合文献[3]中的路灯交通的网链状技术，以及上述两文献提到的两点问题，我们提出的方法可极大力度地解决无线传输控制的缺陷，如延迟大、距离短等.算法CRASMS使路灯寻径路由的缺点得以纠正.但由于通信控制电力线载波中，延时与距离传输问题仍未完全解决，有学者提出链状分层路由(CHIRON)算法[4]，它的优点是高效节能，缺点是改变信息传输距离时，延时受载波信道频率强干扰性、选择性和时变性的制约.因此，路灯通信载波技术如何合理控制十分重要.文献[5]将电力线载波应用于路灯系统，并对电力载波器进行了详细说明，但关于路灯LED组网路由没有指出明确思路.

路由交通系统中常用算法，如：分簇[6]、洪泛[7]及蚁群算法均可应用于电力载波通信中，这在文献[8]中有所提及.洪泛、分簇算法能对目标和速度跟踪精准，是简单且最传统方法，无须做路由维护和建网，有较强的顽健性.但发送广播方式消耗能量大；分簇法计算分区多、收敛方向缺乏，算法效率低且计算速度慢.我们注意到蚁群算法实行并行的自催化正反馈机理，能避免陷入局部最优解.我们用蚁群算法优化参数初值，建立蚁群网络做产品寿命预测，并应用于LED灯可靠性分析和预测寿命.但蚁群算法随机选择阈值与权值，易出现收敛慢，易陷入局部最小的问题，难摆脱决策中的模糊性和随机性.为解决上述算法问题，本文改进蚁群算法，增大映射范围使其具有全局快速收敛性质，改善了计算速度和精准度，改进的蚁群算法能优化路径规划和寻址过程.

本文针对搜索效率提出改进的多步长蚁群算法，实现的路由搜索局部呈线性，整体呈星形结构，路灯结构满足LED路灯网络在电力载波通信技术中特殊要求.LED路灯优化在通信技术方面的动态模式路由组网原理是打破人为惯例，选用通信网在改进蚁群算法中不断优化的路由线路、搜索数据帧源和目标节点，表中最终收存的传输线路为最优选择.

2 LED路灯控制终端设计和蚁群算法原理

路灯的拓扑结构属于星型拓扑结构类别[9].路灯控制器负责发出指令和对数据进行接收，系统由电力载波通信、GSM和处理器等组成.路灯控制终端负责数据转发，还实时采集环境控制传感器信息，多传感器模块中包含节点，终端路灯节点如下图1.

图1 PLC路灯控制路由模型图

优化蚁群算法是近年发展起来，性能良好的启发式随机算法，用概率计算对系统预测进行简化.意大利学者1991年提出蚁群算法，该算法不同于别的算法的地方是对蚂蚁群体觅食进行模拟，当某只蚂蚁发现食物，会吸引同伴来.但会存在群体中另一些没沿已知路径走的蚂蚁，若此群蚂蚁另发现了更近的路径，会逐渐吸引更多蚂蚁至此路径.反复如此，最终数量最多的蚂蚁会行进在一条最短路径上.作为智能群体优化算法的蚁群算法被提出后，在解决路径最短问题中的优势得到广泛认可，通过对NRP改进过程，LED路灯自动路由组网中的缺点可通过蚁群算法解决[10].在这种算法中各路由节点就代表一盏路灯，路由通信间的路径，代表两盏灯之间的线路，自动路由优化对应为：寻找最优路径等价于找寻二点间路径优化.这个问题并不简单，因为网络参数会随时间推移发生改变.

LED等效路灯路由模式图是G=(V,E)有向图，V为全部路灯及控制器节点，E为全部路灯线路通信有向边.SNRE(i,j)表示V(i)节点到E(i,j)链路信噪比，误码率V(i)用NV(i)表示，E(i,j)链路延时用DE(i,j)表示，V(i)事件处理延时用DV(i)表示，QE(i,j)为链路估计费用.

2.1 目标函数优化设计

路由拓扑算法依据路由跳数最小协议，寻找收纳信号至两节点间跳数最小的路径，以尽量节约能量和资源，减小开销.因传统算法开销太大，通信路由优化目标很多.注意到“跳数”即路由转发次数不随通信距离变化[11]，因为路灯安装是等距离的，路由路径距离是优化目标，而我们凭跳数优化实现路径距离的优化.只需使节点中心和全部节点终端有可靠的通信，维护路由表作业就被简化，以此可以获得最短路径距离.本文研究改进蚁群算法，运用寻优路径至路由，选取最小跳数，这里节点间路由表链接由一次多播决定.某传感器节点发生数据事件时，自动会找寻经节点最少和最小的路径，跳数在节点汇集.我们依据智能蚁群算法原理寻优，当某节点通路损坏不能运作正常时，系统会自已找寻其它路径传输数据至目标[12].

其中H(V)表示集控器支路到单控器的跳数.式中约束条件需任意节点与最多二十个左右节点通信，即最多每跳可跨20节点.Nmax=800.

上网入户时，WAN口连入户线[13].对路由请求W(WAN)，应满足下面3个条件时，此请求可实现.DW,SNRW和NW各表示W的QoS误码率、时延和信噪比.

条件1各条路径信噪比为

条件2端到端搜索中累加延时是

条件3搜寻时，误码率即端至端的是

2.2 更新信息素规则

k蚂蚁从节点源到目标都需对约束的E(i,j)路由完成达成条件，用τE(i,j)(t)表示t时有蚂蚁存在于E(i,j)路径上.若在t时蚂蚁对节点目标搜寻一次[14]，搜寻用时为Δt，此时蚂蚁会按下式对路径信息更新

其中ρE(i,j)(0<ρE(i,j)<1)表示链路E(i,j)的信息素挥发系数.按照如下公式更新路径上的信息素

这里信息挥发因子ξ∈[0,1],τ0表示信息素初始浓度.当所有个体完成循环后，会按下式在全局范围内更新数据.

这里信息素全局挥发系数ρ∈[0,1],Δτ是本次信息素浓度在路径上的变量，用Lgb表示当前的全局最优路径.

2.3 状态转移规则

信息素会影响各个蚂蚁选择通路概率发生转移情况，设t时第Ks只蚂蚁的选路概率E(i,j)是

其中α表示相对残留信息重要度，β表示相对重要期望值程度，ηE(i,j)表示节点V(i),V(j)间距离.α与β是参数因子及统计通路的信息素浓度.算法通过多次迭代，得出各蚂蚁转移节点概率，最优路径就可找出.

2.4 改进蚁群算法求解最小跳数

这里简单介绍传统跳数最小路由方法：先由汇聚节点通过洪泛算法向全部节点以多播方式广播分组，并在分组传播过程中计数，每当广播信息到达一个节点后，反向传播就可得到一通路，计数就是找到跳数最少的路径.在每次通信过程中，此方法都会造成所有节点提前运行一次，造成带宽和能量资源被消耗了.

本文蚁群算法改进之处在于，将蚁群路径寻优运用到选取最小跳数路由中，利用一次多播，快速确立传感器节点之间路由表链接情况，当某节点产生信息时，会自动寻找最小最少跳数路径至汇聚节点.蚁群算法具有智能寻找优化路径的特点，当某节点损坏不能正常工作时，系统将自动寻找其它通路将信息传递到目标节点.

改进蚁群算法对最小跳数路径求解流程，如图2所示.

图2 蚁群算法改进求解最小跳数路径

2.5 实现算法

蚁群算法的实现需节点间相互协作，各路灯用唯一ID名来区分节点.通信网中单控节点地位被动、无法主动发信息控制节点，只能依据收到的数据帧进行转发数据帧、改变数据帧类型、对信息素更新等，本系统设计的数据帧如图3格式.

图3 系统报文格式

标志位开始、结束各表示为St flag与Ed flag；报文类型用Type表示；D ID是目标节点名；Lf t为数据包转发最大次数，数据包被每发一次，存活时数就减少一.Hops是报文所经跳数，只要经过一个节点就增加一次报文跳数.节点相对源节点高度(Height)，进行较短通路搜寻时，以较短通路对值更新；源节点用S ID表示；数据区存放用V1-ID,V2-ID表示所经节点路径先后名称，数据区最多能存10个ID节点，由搜索完成数据帧发送.

3 系统仿真分析

我们在网络控制中对路灯LED有关电力通信载波用改进蚁群进行算法验证.应用于低压供电网电力线，这里路灯照明系统配电线使用暗线，并且在连接不明关系节点和拓扑结构处用盲态网络逻辑通信.此拓扑与路灯结构仿真模型相同，在仿真前由选择线形结构建立.

信道误码率是由电力通信的调制、信道和编解码特征所决定的，本文仿真误码率采用交织卷积码编码和BPSK调制.我们使用(2,1,7)为卷积码参数，用IFFT/FFT64浮点运算，20个子载波，2个导频，序列跳频初始混沌值是0.885，子载波间隔是62.5kHz，信道带宽占用是1.125MHz[15].路径输送与加性高斯噪声各对应信道及背景噪声.通过信道、发送端、接收端可获取误码率和对应计算式.在模拟中，各节点发起十组数据包任务，系统编码由交织分组器与卷积编码组成，加多径衰减与背景加性噪声干扰.图4是结构线性误码率表示仿真图.

图4 信道PLC误码率仿真图

载波通信中出现延时时，仿真的若各数据包节点随机值是(3-5)Packet/s.采用的调制法和解编码和误码仿真率时一样，平均分组数长是500Byte，数据传输速率为500bps，直接通信距离达30～40m，每节点仿真延时图见图5.

图5 节点延时仿真

这里要求数据载波帧转发有限次，因为由于问题对应着较低的通信速率，若错误频繁产生，则要分析信道占用时长.由于对约束条件的考虑，要求仿真初始化时数据最大帧次数发送是5LF-t，经五个节点，如果蚂蚁搜寻仍没发现目标，此蚂蚁则认为该路径不通，并丢弃此数据包.仿真全部参数见表1.

表1 实验仿真参数

迭代每次用10只蚂蚁，一次搜寻路由节点数为45及90，Matlab仿真结果如图6所示.每次迭代用20只蚂蚁、搜寻路由节点数为45及90，Matlab仿真结果如图7所示.

图6 10只蚂蚁对节点数为45及90的搜索结果

图7 20只蚂蚁对节点数为45及90的搜索结果

由图6和图7可以看出两个特点.一是蚂蚁数目会制约结果，信息素在被搜寻通路上变化均匀，证实蚂蚁数量变多了，收敛速度会变慢.二是基于通信载波技术路灯网络通过运用蚁群算法，多次算法迭代，最优线路的确收敛，从而确实能找出路由通信必要线路.这证明蚁群路由动态算法确实具有实践性.

4 试验研究

实验的路灯LED设在学校长2.2km街边两侧，左侧街道处设有给教学楼供电的供电变压器和配电箱.两盏灯间距50米，两侧各装路灯90盏.支路集控器和单控器各安装在路灯和支路上，传送数据帧凭借集控器支路做到各单控器被控制.集控器通信单控器最远可达1000m内.路由测试不同时段数据如下表2.表中数据“40/41”为路由节点数，支路一有40个，支路二有41个.

表2 不同时刻路由分配表

实验说明，在每次搜索路径中路由节点是变化的，通过系统断定信道问题可以通过适当调整负载数目来解决.

5 结论

本文提出来的改进的蚁群算法更加有效地规避了陷入局部收敛的状况，改善了算法搜寻能力，提高了计算的精确性.本设计在路灯动态路由系统控制方案上应用改进的蚁群算法，定义更新信息素规则并研究搜录过程中的问题(延时和信道误码率等)；提出的网络传感器跳数最小路由选法能减少能耗解决了优化跳数最小路由难题.改进的蚁群算法具有出色的全局寻优能力，算法达到通路的最优搜索主要靠定时发送数据帧.路灯控制路由方案在蚁群算法中用仿真得以实现；本文最后通过试验结果验证了改进蚁群算法的可行性.