基于混沌小生境狼群算法的高密度無線傳感器網絡高能效分簇方法*

周　杰，田　敏，鐘福如

（石河子大學信息科學與技術學院，新疆　石河子 332003）

基于混沌小生境狼群算法的高密度無線傳感器網絡高能效分簇方法*

周杰，田敏，鐘福如

（石河子大學信息科學與技術學院，新疆石河子 332003）

無線傳感器網絡節點能量通常由能量有限的電池供應，如何在對節點進行分簇的同時減小通信能耗是研究中的一個重要問題。提出了一種基于混沌小生境狼群算法的高密度無線傳感器網絡能量高效分簇方法，通過智能選取簇頭位置來降低無線傳感器網絡的單輪通信能耗。在不同節點數和簇頭比例的條件下，分別采用了粒子群算法、量子遺傳算法、模擬退火算法和混沌小生境狼群算法進行了無線傳感器網絡分簇。仿真結果表明，基于混沌小生境狼群算法的無線傳感器網絡分簇能夠有效降低無線傳感器網絡的整體單輪通信能耗和平均節點通信能耗，有效提升了能量利用效率。

通信與信息系統；無線傳感器網絡；人工智能；狼群算法；分簇

1　概述

隨著集成電路、微機電系統、SoC技術、無線電通信和的發展，融合了嵌入式技術，無線網絡通信技術，計算技術和分布式信息處理技術的無線傳感器網絡（WirelessSensorNetworks，WSNs）成為了研究熱點，受到了越來越多重視［1］。無線傳感器網絡（WSNs）是由大量具有計算功能、存儲功能和通信功能的微型智能節點以自組織的形式組成的分布式新型感知網絡［2］。每個無線傳感器網絡的節點通常由感知模塊、存儲模塊、嵌入式處理器模塊、射頻通信模塊及電源模塊等多部分組成，有時還配有執行模塊和定位模塊［3］。隨著技術的逐漸成熟，無線傳感器網絡（WSNs）已經越來越深入到智能交通、智能醫療、工業應用、災難救助、環境監測、安全保衛以及家庭和辦公環境監控等生活各個方面，在民用和軍事領域均具有廣泛的應用［4］。

在無線傳感器網絡中，網絡覆蓋和通信能耗問題是研究中的兩個核心問題，網絡覆蓋決定了無線傳感器網絡對周圍環境的監測質量，通信能耗則決定了無線傳感器網絡的能量利用效率。研究表明，合理的傳感器節點分簇能夠明顯地降低網絡的通信消耗，同時提高能量利用效率［5］。然而，傳感器網絡由隨機撒布的大量的傳感器節點組成，網絡節點數量龐大、網絡整體通信能耗較高，因此，有效節約能量，延長網絡的生命周期是無線傳感器網絡路由協議設計的首要目標［6］。

然而，一些高密度無線傳感器網絡中大量傳感器節點分布密集，導致網絡分簇需要消耗較高的算法復雜度［7］。同時，大多數分簇算法均關注于傳感器網絡的多輪能耗問題，而對于如何降低無線傳感器網絡的單輪能耗研究較少。部分無線傳感器網絡采用固定電源供電，網絡節點數眾多導致整體能耗較大，長時間運行費用較高，同時網絡的通信能耗對分簇結果敏感。因此，傳統的網絡分簇方法已經不能適用于采用固定電源供電的高密度無線傳感器網絡，需要通過設計全新的啟發式算法來解決這一問題。

2　系統模型

在高密度傳感器網絡中，不同傳感器之間距離較近，不同節點之間容易產生通信干擾，因此通常采用分簇的方法將整個網絡劃分為若干個簇，每個簇內選出一個簇頭節點。簇內節點感知到的信息先通過單跳方式發送給簇頭節點，簇頭節點通常具有較強的數據處理能力，簇頭節點將簇內節點感知到的節點經過數據融合后發送給網關節點。網關節點在接收到數據后再將數據傳輸給用戶，并由用戶將數據解析成適當的格式進行處理。如果用戶需要對節點的參數進行設置，就要執行相反的一套流程，即用戶首先把需要下發的控制指令和參數傳送給網關節點，網關節點通過無線通信方式下發相關指令和控制參數給各個簇頭節點，簇頭節點再將控制信息下發給感知節點。

由于無線傳感器網絡通常采用電池供電，且更換電池需要耗費較高成本，能耗控制問題是無線傳感器網絡控制中的一個重要問題。研究表明，無線傳感器網絡中超過一半的能量消耗在無線通信產生的數據傳輸上。如果能夠有效減少通信能耗，就能夠延長無線傳感器網絡的壽命，減少更換電池產生的人工成本。

通信能耗通常由發送能耗和接收能耗構成。發送能耗和接收可以由如下公式算出：

式中，costs（k，d）為傳輸k比特數據到距離為d的節點所消耗的能量，εamp是功率放大參數（power amplificationparameter），Eelec為電子能量 參數（electronicsenergyparameter），d是節點間的距離。n的取值由具體的通行環境決定。在本文中取n=3。

3　基于混沌小生境狼群算法的無線傳感器網絡高能效分簇

3.1狼群算法簡介

狼群算法屬于人工智能（artificialintelligence，AI）的范疇。與常用的遺傳算法和粒子群算法類似，狼群算法也是受到了生物學現象的啟發而被設計出來的一種迭代優化算法。原始的遺傳算法通常存在早熟收斂、進化停滯等缺陷。問題的解被抽象成為人工狼，而根據人工狼優劣程度的優勝劣汰就是算法迭代的基礎。狼群算法通過個體狼之間的合理分工和相互配合，相比傳統的遺傳算法和模擬退火算法能夠有效提升算法進化速度，在迭代次數相同的情況下得到較優的結果。

Yang等人首先提出了狼群算法。通過研究自然界中狼群的捕食習性，并以此為依據抽象出了狼群算法的具體實現步驟。在狼群中任何時刻均存在一只唯一的頭狼，而頭狼不是一成不變的。在每一次算法迭代之前，狼群中較為優秀的幾只游獵狼會通過競爭決定頭狼的歸屬。狼群中存在一定數量的游獵狼，游獵狼在一定范圍內進行搜索，尋找獵物的位置。在通過競爭選出頭狼后，狼群中的所有狼會向頭狼靠近。最后，在每次圍獵后，狼群淘汰一定比例最弱的狼，并隨機生成新的狼崽來對被淘汰的狼進行補充。

3.2人工狼群的小生境劃分與混沌初始化

在基于混沌小生境狼群算法的高密度無線傳感器網絡高能效分簇方法中，人工狼的編碼可用二進制向量表示，“1”表示對應位置為簇頭節點，而數字“0”表示感知節點。例如，網絡中有8個節點，個體編碼為“00101011”，則代表3號、5號、7號和8號節點為簇頭節點，其余節點為感知節點。

為了加快進化速度，在混沌小生境狼群算法中，狼群被分為多個子狼群，同時每個人工狼均由混沌映射生成。這樣，各個子狼群中的頭狼不相互干擾，從而避免了單一頭狼引發的早熟收斂現象。此外，混沌映射加強了狼群生成的隨機性，從而加速了狼群的進化速度。

每頭人工狼由下式所示的Logistic混沌映射產生。

當時μ=4，Logistic映射處于混沌狀態。在初始個體生成后，按照比例將映射值最高的位置初始化為“1”，其余位置初始化為“0”。

隧道排煙設計，考慮排煙區段較長，隧道設排煙豎井一座，設置在樁號K104+439與K104+430左右線中間處，豎井井口標高926 m，井深88 m，成井直徑5.20 m，最大開挖直徑6.52 m(包含5 cm預留變形量)，距離右線出口761 m。兩隧道均設置排煙橫洞與之連接。豎井正常情況下不啟用，僅在火災情況下視火災發生的不同部位結合防災預案正確開啟來排煙，排煙區段分4 900 m和800 m兩個區段排煙。

3.3探狼探索

人工狼群中除頭狼外，適應度較優的N頭人工狼被視為探狼。探狼在自身周圍的指定步數內進行隨機探索。隨機性借助Logistic混沌映射進行實現。

3.4頭狼選擇與頭狼召喚

在探狼探索完成后，所有探狼與上一次迭代產生的頭狼共同競爭本代頭狼的位置。所有探狼和上一代頭狼中適應度最高的人工狼將成為本代頭狼。人工狼的優秀程度由如下所示的適應度函數計算得出：

其中Fit（E）為通信能耗，而costs和costr的計算依據式（1）和式（2）。

在選出頭狼后，狼群中其余的人工狼均向頭狼的方向靠攏，靠攏的步數隨機，隨機性同樣借助Logistic混沌映射進行實現。

按比例淘汰狼群中適應度最差的30%的人工狼，借助Logistic映射隨機生成相等數量的新人工狼取而代之。

3.6算法終止條件

算法運行達到預先設定的指定迭代次數后終止。

4　仿真與分析

本文采用MATLAB軟件對基于混沌小生境狼群算法的高密度無線傳感器網絡分簇方法進行了仿真模擬。高密度無線傳感器網絡布設范圍設定為100m×100m的矩形區域，所有高密度傳感器節點在布設范圍內均勻隨機分布。網關節點被布置在區域的中心，坐標為（50，50）。統計發現，在實際系統中上行傳輸的監測數據量遠大于下行傳輸的控制數據量，因此本文在仿真中僅考慮下行數據傳輸。仿真中傳輸的數據量取1M比特，傳輸的實際能耗由公式（1）和公式（2）來計算。εamp取100pJ/bit/m2，εamp取50nJ/bit，n取值為3。

作為對比，本文還在相同參數情況下對遺傳算法和模擬退火算法進行了仿真。在所有三種仿真中，算法的最大迭代次數均設定為100次，種群中的個體數量均取50。仿真后通信能耗隨算法迭代次數的變化情況如圖1所示：

圖1　網絡通信能耗隨算法迭代次數的變化

圖1是高密度傳感器網絡中節點數為200個，簇頭節點占總結點數比率為10%時，基于混沌小生境狼群算法的高密度無線傳感器網絡分簇方法，基于遺傳算法的分簇方法及基于模擬退火算法的分簇方法進行分簇后，無線傳感器網絡通信總能耗隨算法迭代次數的變化圖。從圖中可以看出，基于模擬退火算法的分簇方法在進化過程中容易陷入進化停滯，200次迭代后的最終通信能耗較高?；谶z傳算法的分簇方法性能優于模擬退火算法，但由于產生了早熟收斂現象，通信能耗依然較高?；诨煦缧∩忱侨核惴ǖ母呙芏葻o線傳感器網絡分簇方法通過人工狼的游獵和圍攻等步驟，有效避免了早熟收斂和進化停滯現象，最終通信能耗較低。

圖2為高密度傳感器網絡中節點數為200個，簇頭節點占總結點數比率為10%時，基于混沌小生境狼群算法的高密度無線傳感器網絡分簇結果圖。從圖中可以看出，簇頭分布較為均勻，簇頭距離簇內成員節點距離較短，通信能量消耗相對較小。

圖2　分簇結果圖

5　結論

本文提出了一種基于混沌小生境狼群算法的高密度無線傳感器網絡高能效分簇方法，通過智能選取簇頭位置來降低無線傳感器網絡的單輪通信能耗。在不同節點數和簇頭比例的條件下，分別采用了粒子群算法、量子遺傳算法、模擬退火算法和混沌小生境狼群算法進行了無線傳感器網絡分簇。仿真結果表明，基于混沌小生境狼群算法的無線傳感器網絡分簇能夠有效降低無線傳感器網絡的整體單輪通信能耗和平均節點通信能耗，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］ 李曉維.無線傳感器網絡技術［M］.北京：北京理工大學出版社，2007.

［5］ 崔遜學.無線傳感器網絡簡明教程［M］.北京：清華大學出版社，2009.

［6］ 王良民，廖聞劍.無線傳感器網絡可生存理論與技術研究［M］.北京：人民郵電出版社，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

石河子大學高層次人才科研啟動項目（編號RCZX201530）。