可靠传感网聚类路由算法研究
优化传感网数据传输的技巧和方法
优化传感网数据传输的技巧和方法传感网是一种由大量分布式传感器节点组成的网络，用于收集和传输环境中的各种数据。
在传感网中，数据传输是关键的环节，因为它直接影响着数据的准确性和实时性。
为了优化传感网数据传输，提高数据传输的效率和可靠性，我们可以采取一些技巧和方法。
1. 数据压缩与聚合传感器节点采集到的数据通常包含大量冗余信息，可以通过数据压缩和聚合来减少传输的数据量。
数据压缩技术可以通过去除冗余信息、差值编码和离散余弦变换等方法来减小数据的大小。
而数据聚合则是将多个传感器节点采集到的相似数据进行合并，减少数据的重复传输。
2. 自适应数据传输传感网中的节点通常具有不同的能力和资源，因此可以根据节点的特点和网络的负载情况来选择合适的数据传输方式。
例如，对于能量有限的节点，可以采用低功耗的传输模式，如睡眠-唤醒模式，以延长节点的寿命。
而对于网络负载较大的情况，可以采用多跳传输方式，将数据通过多个节点中转，减少单个节点的负载。
3. 数据分发与路由优化在传感网中，数据的分发和路由是决定数据传输效率和可靠性的关键因素。
可以通过优化路由算法和选择合适的节点作为数据中心来提高数据传输的效果。
例如，可以采用基于距离和能量的路由算法，选择距离近且能量充足的节点作为数据中心，减少数据传输的延迟和能量消耗。
4. 数据冗余与容错机制为了保证传感网数据传输的可靠性，可以引入数据冗余和容错机制。
数据冗余可以通过在网络中多次传输相同的数据来提高数据的可靠性。
而容错机制则是在数据传输过程中，当出现节点故障或数据丢失时，能够自动进行数据重传或修复，确保数据的完整性和准确性。
5. 数据安全与隐私保护在传感网中，数据的安全和隐私保护是非常重要的。
可以采用加密算法和身份验证机制来保护数据的安全性，防止数据被未经授权的访问和篡改。
同时，还可以采用数据脱敏和隐私保护算法来保护用户的隐私信息，确保数据传输过程中的隐私安全。
综上所述，优化传感网数据传输的技巧和方法包括数据压缩与聚合、自适应数据传输、数据分发与路由优化、数据冗余与容错机制以及数据安全与隐私保护。
网络拓扑发现与分析的方法与工具
网络拓扑发现与分析的方法与工具概述：在当今高度互联的网络环境中，了解和分析网络拓扑结构是至关重要的。
网络拓扑指的是网络中各个节点及其之间的连接关系。
本文将介绍一些常用的网络拓扑发现与分析的方法与工具，以帮助读者更好地理解和管理网络拓扑。
一、网络拓扑发现的方法1. 基于网络扫描的方法：网络扫描是一种常用的网络拓扑发现方法，它通过向网络中的各个节点发送探测包，从而获取节点的信息。
常用的网络扫描工具有Nmap、Angry IP Scanner等。
这些工具能够主动探测网络中的设备，并提供各种有用的信息，如IP地址、MAC地址、开放的端口等。
2. 基于路由协议的方法：在大型网络中，路由协议被广泛使用来实现网络节点之间的通信。
通过收集路由协议的信息，可以得到网络拓扑的信息。
常用的路由协议有BGP、OSPF等。
这些协议可以提供有关节点之间路径的信息，包括节点的IP地址、子网掩码、下一跳等。
3. 基于网络流量的方法：网络流量分析是一种被动的网络拓扑发现方法，它通过监控网络中的数据流动，获取网络拓扑的信息。
常用的网络流量分析工具有Wireshark、tcpdump等。
这些工具可以捕获网络中的数据包，并提供有关源和目的IP地址、端口号等信息。
二、网络拓扑分析的方法1. 图论方法：图论是研究图和网络结构的数学分支。
在网络拓扑分析中，图论常用于分析网络中节点和连接之间的关系。
通过使用图论的相关算法，如最短路径算法、连通性算法等，可以计算出网络中的关键节点、网络的直径等指标，从而更好地理解网络的结构和性能。
2. 社交网络分析方法：社交网络分析是一种用于分析社交关系网络的方法。
在网络拓扑分析中，社交网络分析方法可以帮助我们理解和预测网络中节点之间的影响力和传播能力。
常用的社交网络分析工具有Gephi、Cytoscape等。
这些工具可以可视化网络拓扑，并提供各种分析指标，如中心性、聚类系数等。
三、常用的网络拓扑分析工具1. Cytoscape：Cytoscape是一款功能强大的开源网络拓扑分析工具，它提供了丰富的插件和算法，用于可视化和分析各种类型的网络。
基于遗传算法的无线传感器网络能耗优化
基于遗传算法的无线传感器网络能耗优化摘要：为了延长无线传感网络的使用寿命，提出了一种优化传感网络路由的遗传算法。
该算法通过分析节点发送功率变化下的链路流量约束，链路最大传输效率约束，节点能耗约束等条件。
感知路由从数据传输的能量消耗量出发，讨论最优能量消耗路径，提高节点能量利用率，延长网络生存期。
其基本实现是根据节点的剩余能量和传输路径上的能量消耗来选择路由路径。
仿真实验表明，该算法可以平衡节点能耗和邻节点使用数量，延长网络的生存寿命。
关键词：无线传感网；遗传算法；优化使用时间；能耗中图分类号：tp393 文献标识码：a 文章编号：1009-3044（2013）03-0582-04无线传感器网络就是大量静止或移动的传感器通过自组织或者多跳的方式构成的无线网络，其目的是协作地感知、采集、处理和传输网络覆盖地理区域内感知对象的监测信息，并报告给用户。
它的英文是wireless sensor network，简称wsn（物联网）。
大量的传感器节点将探测数据，通过汇聚节点经网络发送给用户。
传感器网络实现了数据的采集、处理和传输的三种功能，而这正对应着现代信息技术的三大基础技术，传感器技术、计算机技术和通信技术。
无线传感器网络具有低能耗、低成本、易于实现、传输可靠等优点。
而且由于其本身的冗余性、线性、网络的自组织性，因而具有较强的抗破坏能力。
为了延长网络的使用寿命，无线传感网络采用了各种传输策略的算法方式（如路由，功率控制和调度等），本文是基于遗传算法的无线传感网络路由算法研究。
1 遗传算法的提出遗传算法（genetic algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国michigan大学j.holland教授于1975年首先提出来的，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
基于原始—对偶内点法的无线传感网平均数据流最优传输研究
基于原始—对偶内点法的无线传感网平均数据流最优传输研究【摘要】本文提出一种基于原始-对偶内点算法的无线传感网络数据路由算法。
当传输的数据量给定时，提出的算法能够尽可能地平均每条链路上的数据流，有效避免数据流不均导致部分链路上的通信拥塞。
仿真实验验证提出算法的有效性。
【关键词】无线传感网络；原始对偶内点法；平均数据流最优解0 引言无线传感器网络[1]是由大量的静止或移动的传感器节点以自组织和多跳的方式构成的无线网络，其目的是协作地感知、采集、处理和传输网络覆盖地理区域内感知对象的监测信息，并报告给用户。
无线传感网在环境、医疗、工业、建筑、空间和海洋探索以及军事上方面具有广泛的应用前景[2]。
其中数据路由[3]在无线传感网中显得十分重要，关键技术之一就是如何能够在完整传输所有数据流的情况下，如何尽可能的平均每一条链路上的数据流。
1 数学模型所以目标函数为：2 原始-对偶内点法求解平均数据流最优解由上述可知，平均数据流最优解是一个非线性规划凸优化[4]问题。
而原始-对偶内点法[5]是现代内点算法中最优秀的算法。
它从理论上被证明具有多项式时间复杂性[6]。
当约束条件和变量数目增加时，该算法的迭代次数随着系统规模的变化比较小、收敛速度快、精度高，适合求解大规模非线性系统[7]。
原始-对偶内点法求解非线性规划问题的步骤，可参考文献[8-9]。
而该问题满足原始对偶内点法的应用条件，所以可用原始-对偶内点法求解该问题，步骤如下：3 仿真结果与讨论3.0初始化各个数据3.1 分析图2和图3得出如下结论a.由图2可知，求出的值与目标的最优解不断减小，说明该算法在上述初始条件下，是收敛的。
且最后的差值在指定的误差范围内，验证了该算法的可行性。
b.由图3可知，所求的最优解最后趋近于某一个数值，所以可以用这个值去非常近似的去代替真实的最优解，体现了原始对偶内点法的迭代。
3.2 比较计算出的各个链路数据如图4所示：随机给出的各个链路数据如图5所示：通过对比最优解下的各个链路和随机解得各个链路得到如下现象：a.最优解下的链路的最大值为15.9866，而随机解下的链路的最大值为17.5；同理，最优解最小值为4.4866，而随机解下的最小值为0.5；b.最优解下存在的最大值链路只有1条，最小值只有1条；而随机解下最大值有3条，最小值有3条；c.最优解下平均的每条链路的信息量为8.9855，大于随机解的8.0055。
路由算法分类
路由算法及分类路由算法及分类：1、非自适应算法，静态路由算法不能根据网络流量和拓扑结构的变化更新路由表，使用静态路由表，也称为固定式路由选择算法。
特点：简单，开销少;灵活性差。
2、自适应算法,动态路由算法可根据网络流量和拓扑结构的变化更新路由表。
特点：开销大；健壮性和灵活性好。
3、最优化原则（optimality principle）如果路由器 J 在路由器 I 到 K 的最优路由上，那么从 J 到 K 的最优路由会落在同一路由上。
4、汇集树(sink tree）从所有的源结点到一个给定的目的结点的最优路由的集合形成了一个以目的结点为根的树，称为汇集树；路由算法的目的是找出并使用汇集树。
几种典型的路由选择算法：1、最短路径路由算法（Shortest Path Routing）1)基本思想构建子网的拓扑图，图中的每个结点代表一个路由器，每条弧代表一条通信线路.为了选择两个路由器间的路由，算法在图中找出最短路径。
2）测量路径长度的方法结点数量地理距离传输延迟距离、信道带宽等参数的加权函数3）Dijkstra算法每个结点用从源结点沿已知最佳路径到本结点的距离来标注，标注分为临时性标注和永久性标注;初始时，所有结点都为临时性标注，标注为无穷大；将源结点标注为0,且为永久性标注，并令其为工作结点；检查与工作结点相邻的临时性结点，若该结点到工作结点的距离与工作结点的标注之和小于该结点的标注，则用新计算得到的和重新标注该结点；在整个图中查找具有最小值的临时性标注结点，将其变为永久性结点，并成为下一轮检查的工作结点；重复第四、五步,直到目的结点成为工作结点；2、洪泛及选择洪泛算法1）洪泛算法(Flooding）属于静态路由算法a）基本思想把收到的每一个包，向除了该包到来的线路外的所有输出线路发送。
b）主要问题洪泛要产生大量重复包.c）解决措施每个包头包含站点计数器,每经过一站计数器减1，为0时则丢弃该包；记录包经过的路径2）选择性洪泛算法（selective flooding）洪泛法的一种改进。
一种基于网格的分簇路由算法
ｔｉ） 由 协 议 包 括 ｌ ＡＣ ， Ｅ Ｎ，Ｓ ｒ 路 ｃ Ｅ Ｈ Ｔ Ｅ ＡＲ。 此 类
路 由协议需 要节 点 的位 置信 息 ， 来计 算 节 点之 间 用
距离 ， 从而估 计 能量 消 耗 。基 于位 置 的路 由协 议 利 用位 置信息 传送数 据 到 指定 区域 而不 是 整个 网络 ， 来 降 低 能 耗 。这 方 面 的 代 表 协 议 有 ＭＥ Ｎ Ｃ
方 式 可 以根 据 是 否 考 虑 数 据 分 为 两 类 ： 数 据 为 中 以 心 的路 由 （ ａａｃｎｒ ｏ ｔ ｇ Ｄ ｄ ｔ ｅ ｔｉ ｒ ｕｉ ， Ｃ路 Ｆ ） 以 地 址 ｃ ｎ ｝和 １ 为 中心 的 路 南 （ ｄ ｒｓ ｅ ｔｉ ｒ ｕｉｇ ＡＣ 路 由 ） ａ ｄ ｅｓ ｎｒ ｏ ｔ ， ｃ ｃ ｎ 。 常 见 的 Ｄ 路 南 协 议 包 括 Ｓ Ｉ ， ｉ ｃｅ ｉ ｕ Ｃ Ｐ Ｄ ｒ ｔｄ Ｄ ｆ — ｅ ｆ
（ ｈ ｌｏ Ｓｃ ｏｏ ｆＣｏｍ ｐｕ ｅ ｎｄ Ｃｏ ｍ ｕ ｃ ｔｏ ｔｒａ ｍ ｎｉａ ｉｎｓ， Ｈ ｕｎ ｎ Ｕ ｎ ｖ ｒ ｉｙ，Ｃｈａ ｇｓ ａ ４１ ０８ ａ ｉ ｅ ｓｔ ｎ ｈ ０ ２， Ｈ ｕｎ ｎ，Ｃｈｉ ） ａ ｎａ
Ａ ｂ ｔａ ｔ Ｂａ ｅｄ ｏｎ ｔ ｏｍ ｐ ｅ ｅ ｙ ｃ ｓｒ ｃ ： ｓ ｈｅ ｃ ｌ ｔ ｌ ｏｍ ｐ ｅ ｎｓｏｎ ｏｆｔ ｅ ｓ ｒ ｎｅ ｗｏｒ ｏｕ ｉ ｇ ｐｒ ｏ ｏｌ ．ｗ ｅ ｄｅ ｐｌ ｅｓ ａ ｃ ｄ ｒ ｈｅ ｉ ｈｃ ｓ ｎ ｏ ｔ ｋ ｒ ｔｎ ｏｔ ｃ ｓ ｅ ｙ ｒ ｅ ｒ ｈｅ ｔ ｅ ｇ ｉ ｅ ｈｎ ｏ ｎｄ ｃ ｍ ｅ ｕ ｔ ｈ ｕ ｔ ｉ ｏｕ ｉ ｌ ｏｒｔ ｈ ｒｄ ｔ ｃ ｏｌ ｇｙ ａ ａ ｐ ｗｉｈ ｔ ｅ ｃｌｓｅｒｎｇ ｒ ｔｎｇ ａ ｇ ｉｈｍ ｙ ａ ｌ ｉ ｈｅ ｔ ａ ｔｏ ｂ ｎａｙｚｎｇ ｔ ｒ ｄｉｉ ｎａｌＬＥＡ ＣＨ ｌ ｏ— ａｇ
【计算机工程与设计】_路由算法_期刊发文热词逐年推荐_20140726
推荐指数 7 3 3 3 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
时延 无线mesh网 无关路由 数据融合 故障恢复 收敛性 按需路由 拓扑结构 拓扑模型 拓扑匹配 性能比较 引导节点 度量 应用层多播 安全路由协议 多路径多信道 多约束 多目标优化 多播 多协议标记交换 多qos约束 基于内容 地理位置路由协议 启发式算法 启发式 吞吐率 发布/订阅 反向植入 单向哈希链 分布式哈希表 分布式 再路由 兴趣子网 关联度 共享风险链路组 共享保护 信道分配 信息素 保护切换 位置信息 传感网络 仿真 zigbee网络 waxman随机网络 qos路由 qos omnet++仿真 leach k均值聚类 gear算法 dv-hop chord系统 adhoc网络
多簇无线传感网的优化生存时间近邻功率控制算法
因此， 无线传感网的部署及各个算法的选取都需要从节能
出发， 最大限度地延长整个网络的生存时间 ， 节省重新部
署的巨大开销【 ４ ｊ 。
国 家 青 年 自然 科 学 基 金 资 助 项 目（ ｏ６ ０４ ９ ） 浙 江省 教 育 厅 Ｎ ．１０ ０７ ，
基 金 资 助 项 目（ ｏＹ ０ ０ ８ ０ ） Ｎ ．２ １ １ ７５
多无线网络的特有问题． 如节点间容易相互干扰、 限制无 线带宽的利用、 节点容易失效等。所以有必要寻找一个适 合当前无线传感网拓扑结构的固定发送功率或简单的发 送功率控制算法嘲 可以调整每个传感节点的数据发送功 ．
率． 在保证网络无向连通的前提下， 去除一些不必要 的通
生存时间。在大部分情况下 ， 所有节点的电池不能补充和
变自 身的发送功率， 显然在实际中很难操作。 参考文献ｆ ］ １ Ｏ 针对均匀分布 的节 点提出近邻功率控制算 法 （ ａ ｓ ｎ ｒｔ ｅ ｅ． ｎｉ ｂｒ ｏｅ ｃｎ ｏ ａ ｏｔ ， Ｎ Ｃ ，但是该方法不能 ｅ ｈｏ ｐｗ ｒ ｏｔｌ ｌ ｒｈ Ｎ Ｐ ） ｇ ｒ ｇ ｉ ｍ 解决分布不均匀节点的优化生存时间问题。 本文在参考文 献【 】 １ 的基础上， ０ 提出多簇无线传感网的优化生存时间近 邻功率控制算法 （ ａ ｓｎｉ ｂｒ ｏｅ ｃｎ ｏ ａ ｏ ｔ ｎｒ ｔ ｅ ｈｏ ｐｗｒ ｏｔ ｌ ｌ ｒｈ ｅ ｅ． ｇ ｒ ｇ ｍ ｉ
算 法 更 优
１ 引 言
ＩＡ Ｅ报告显示，自２０ 年以来全球基于无线传感 ＤＴ ０６ 网的“ 物物互联” 业务年复合增长率高达 ４％。无线传感 ９ 网产业将发展成为下一个具有万亿美元产业规模的高科 技市场［ 总之， １ ］ 。 进入 ２ 世纪后， ｌ 微芯片制造技术、 无线通信 技术等技术不断进步。 无线传感网蕴藏着巨大的商业价值和
基于蚁群的无线传感器网络能量均衡非均匀分簇路由算法
基于蚁群的无线传感器网络能量均衡非均匀分簇路由算法作者：缪聪聪等来源：《计算机应用》2013年第12期摘要：无线传感器网络（WSN）路由中，节点未充分考虑路径剩余能量及链路状况进行的路由会造成网络中部分节点网络寿命减少，严重影响网络的生存时间为此，将蚁群优化算法与非均匀分簇路由算法相结合，提出一种基于蚁群优化算法的无线传感器非均匀分簇路由算法该算法首先利用考虑节点能量的优化非均匀分簇方法对节点进行分簇，然后以需要传输数据的节点为源节点，汇聚节点为目标节点，利用蚁群优化算法进行多路径搜索，搜索过程充分考虑了路径传输能耗、路径最小剩余能量、传输距离和跳数、所选链路的时延和带宽等因素，最后选出满足条件的多条最优路径，完成源目的节点间的信息传输实验表明，该算法充分考虑路径传输能耗和路径最小剩余能量、传输跳数及传输距离，能有效延长无线传感器网络的生存期关键词：蚁群算法；能量均衡；非均匀分簇；无线传感器网络；路由算法中图分类号：TP393 文献标志码：A0引言无线传感器网络（Wireless Sensor Network，WSN）是一种获取和处理信息的新兴技术，被大量应用到环境监测和野外设备监控方面[1-2]，但WSN节点仅依靠电池供电，不合理的能量消耗会使网络过早出现死亡节点而降低网络生存期因此如何设计节约节点能耗且提高网络通信质量的WSN路由算法成为研究热点人们提出了分簇路由算法以减少开销，方便管理节点和控制信道接入，提高资源使用效率[3]Heinzelman等[4]提出了经典的低功耗自适应分簇（Low Energy Adaptive Clustering Hierarch，LEACH）协议，采用随机选取节点作为簇头的分簇方式来降低网络能耗，但通信采用单跳方式，所有簇头直接向基站传送信息，能耗较大之后提出的改进算法EECS[5]通过候选节点广播自己的剩余能量来竞选簇头，簇头的选择要考虑自身到基站的距离，但远离基站的簇比靠近基站的簇要求更多的能量，在均衡全网能耗上并不理想文献[6]首次提出利用非均匀分簇的思想来解决这个“热区”问题，但是它考虑的是一个异构网络，簇头为超级节点，而且位置是事先计算好的，无需动态构造簇的操作文献[7]提出了一种基于非均匀分簇的无线传感器网络路由协议EEUC，通过非均匀分簇来均衡网络能耗，但需要周期性地随机竞选簇首，而且竞选簇首时只考虑了节点的剩余能量，未考虑链路可靠性和实时性后来在非均匀分簇基础上又提出基于最小生成树的非均匀分簇算法UCRAMST[8]、基于粒子群的非均匀路由算法[9]等以上算法只从剩余能量的角度来考虑，并没有考虑链路的其他状况，无法选择最优的路径进行路由，会导致更多不必要能量的消耗基于蚁群算法（Ant Colony Algorithim，ACA）[10-13]的无线传感网路由协议是目前国内外研究的热点之一基于蚁群算法的路由协议通过蚂蚁包的发送，每个节点都可以获悉网络当前实际情况，并根据信息素概率公式选择下一跳，非常适合设计这种能量负载均衡同时又可综合考虑链路状态和实时性的多路径分簇路由协议文献[14]中提出的ARA算法是最早的将蚁群算法应用于无线移动自组织网络的按需多路径算法，路由的建立依靠前向蚂蚁和后向蚂蚁来实现，开销比较小文献[15]中提到的IEEABR算法是一个主动式的路由协议，采用累加的方式进行信息素更新，但这样的策略容易陷入局部最优，使个别路径上的节点过早死亡，从而对整体的网络寿命和通信能力产生不利影响在以往WSN非均匀分簇路由算法研究中，采用非均匀分簇可避免“热区”而导致节点死亡，但较少考虑能量以外的其他环境参数，采用蚁群算法模型可以较好解决非均匀分簇路由算法没有充分考虑簇首与基站之间各跳的带宽、实时性、路径上剩余的最小能量、距离目的节点的跳数来进行最优路径选择的问题文献[16]提出的利用蚁群的非均匀分簇路由算法考虑了带宽和实时性，但没有考虑已成功发送数据的路径消耗的能量以及路径上节点的最小剩余能量，在路由更新时没有考虑节点到目的节点的跳数，会导致局部路径最优因此，本文将蚁群优化算法与非均匀分簇路由算法相结合，提出一种基于蚁群优化算法的无线传感器非均匀分簇（Ant Colony based Energy Balanced Uneven Clustering，ACEBUC）路由算法优化非均匀分簇方法考虑节点能量对节点进行分簇，而蚁群优化算法则进行多路径搜索，搜索过程考虑路径上剩余的最小能量、距离目的节点的跳数、所选链路的时延和带宽等因素，更合理地更新信息素和设计下一跳的概率公式1蚁群算法蚁群算法是由意大利学者Dorigo等[10-11]提出的一种基于种群的启发式仿生进化系统蚁群算法最早用于解决著名的旅行商问题（Traveling Salesman Problem，TSP），采用了分布式正反馈并行计算机制，易于与其他方法结合，并具有较强的鲁棒性[12-13]基于蚁群算法的路由协议中，每个节点维护一张路由表和一张附加表：路由表记录目标节点地址和到达目标节点地址的下一跳的启发式信息值；附加表包含网络蚂蚁流量的分布信息，记录蚂蚁经过的节点通过设计选择下一跳的概率公式和启发式信息值可设计不同的路由算法以往的相关研究证明，基于蚁群的路由算法能延长网络生存时间，但是会陷入局部最优，导致能量消耗“热区”本文结合非均匀分簇的能量均衡的优势设计基于蚁群的路由协议，以解决两者的不足，达到延长网络生存时间的目的2网络模型考虑一个M×M的正方形区域内随机分布N个传感器节点，本文假设：1）在观测区域内，传感器节点和基站在部署后均不会发生位置移动；2）所有节点都是同构的；3）链路是对称的，若已知对方发射功率，节点能够根据接收信号的强度（Received Signal Strength Indication，RSSI）来计算到发送者的近似距离；4）根据接收者的距离远近，节点可以调整其发射功率来节约能量本文在EEUC的非均匀分簇结构的基础上采用ACEEUC算法进行优化EEUC采用分布式拓扑控制算法非均匀分簇结构，如图1所示用一个n个点m条边的无向加权连通图G（V，E）作为网络模型，V是簇首和汇聚节点，E是边集设C是簇首集合，有N个元素，Sink是汇聚节点，路由问题就是在G中寻找从C中任意要发送数据的节点到Sink节点满足性能要求的多条路径设每一跳链路i上所消耗的能量为ei，链路延迟为ti，链路带宽为bi现要求N跳路由链路要满足目标函数f（Sink）最小：本文用EDF表示融合单位比特数据消耗的能量假设邻近节点采集的数据具有较高的冗余度，每个成员发送长度为b的数据包，簇头可以将其成员的数据融合成长度为b的数据包，而簇间通信冗余度很低，不能融合3ACEBUC路由算法本文提出的ACEBUC算法按轮次分为簇首选举、路径搜索、数据传输、簇内调整和路由更新能量均衡主要体现在采用非均匀分簇的方式解决基站附近容易出现热区的问题，本文的簇首选举方法是在文献[7]方法上进行优化改进，而在路径搜索方面则采用基于蚁群的簇首多跳路径搜索，将节点能量和链路的时延及带宽信息作为启发式信息3.1簇首选举采用非均匀分簇的方式可以解决基站附近容易出现热区的问题，EEUC对候选簇首的选择是依据LEACH算法中的随机获取每个节点成为候选簇首的概率t，且与设定的阈值T进行比较，选出t本文提出的ACEBUC算法考虑尽可能增长网络生存时间，簇首选举只在第一轮采用全网络竞争方式，后续轮在簇内进行调整选择簇首候选节点应该是能量较充足的节点为让剩余能量多的节点成为候选节点的概率增大，现对T（i）作如下改进：其中：Eri是si节点的剩余能量，Erave为全网平均剩余能量，p为簇头节点占所有节点百分比的期望值网络内的簇首个数对网络的生存时间存在影响，过多或者过少都不合适，为了减少能耗，需要在选择簇首阶段确定理想簇首数，同时确定簇首的广播半径本文采用由文献[5]提出的理想簇首数目：3.2基于蚁群的路径搜索在簇首将数据传输到目的节点的这个阶段，簇首首先对簇内数据进行融合，然后数据以多跳通信的方式发送至目的节点，随后，非簇首节点进入休眠状态以节约能量多路径搜索是基于蚁群算法的模型，簇首节点释放蚂蚁寻找从簇首到目的节点的有效路径，每个蚂蚁都有自己的内存表，用禁忌表来存储已经过的节点，以后在搜索中不能访问这些节点，用簇首节点表（allowed）存储允许访问的节点ACEBUC协议中规定前向蚂蚁要携带以下信息：所有簇首节点ID、能耗Ecost、剩余能量Eremain、信息素τkij、概率pki，j（t）、已访问节点字段VisitedNode、时延delayij和带宽bandwidthij；后向蚂蚁要携带已访问节点字段VisitedNode、链路最小剩余能量EkminRemain和链路平均消耗能量EaveCostACEBUC协议中规定前向蚂蚁要携带以下信息：所有簇首节点ID、产生前向蚂蚁的源节点地址SrcAdd、已访问节点字段VisitedNode，蚂蚁访问过节点已消耗的能量总和Esum，蚂蚁从源节点出发的时间SrcTime；蚂蚁经过簇首建立的路由表信息包括：能耗Ecost，剩余能量Eremain，信息素τkij，下一跳概率pki，j（t）；后向蚂蚁要携带已访问节点字段VisitedNode，此后向蚂蚁对应的前向蚂蚁从源节点出发的时间SrcTime，链路最小剩余能量Emin，链路平均消耗能量Eavg每个前向蚂蚁的任务是找一条连接源节点到目的节点的路径，在源节点和目的节点之间的节点若没有路由信息，则广播前向蚂蚁，若有路由信息则按着下一跳的信息素概率公式单播发送前向蚂蚁，其下一跳选择只能从allowed中以某种概率搜索，概率pki，j（t）的计算公式为式（9）：在路径搜索中，前向蚂蚁分组里携带了从源节点出发的时间，这样端到端的时延很容易获得，同时链路带宽和发送数据包的大小已知；利用数据包传输的延迟时间，汇聚节点可以计算出源节点到汇聚节点的数据发送率，将这个速率与预期速率相比较，若小于预期速率，则意味着产生了丢包同时在前向蚂蚁到达一个簇首后更新簇首路由表，根据能耗模型公式计算接收能耗以及到下一跳的发射能耗总和，同时更新路由表的剩余能量，然后更新蚂蚁携带的信息包中的总消耗能量，直到找出满足目标函数的最优路径3.3路由更新当源数据节点的簇首si将数据成功发送到目的节点之后，统计传输信息的转发时延，根据后向蚂蚁获取路径上的最小剩余能量以及路径的平均能耗、距离目的节点的跳数，更新各簇头sj的信息素浓度在蚁群算法中，信息素增强为式（12），路由更新采用式（13）ACEBUC算法对信息素的更新不是传统的累加方式，而是节点每次收到后向蚂蚁就重新计算链路信息素，这样数据包在网络上的分布更均匀此定义对sj节点的信息素更新公式如（14）所示3.4簇内调整在第一轮数据传输的最后，要判断路由经过的簇首能量水平，若簇首能量高于簇平均能量，保持原簇首不变；反之，进行簇内调整，选取大于平均能量的节点进入簇内候选节点，低于平均能量的节点进入休眠设候选簇首个数为m，在候选簇首中再依据式（8）求得下一轮簇首新选出的簇首广播原簇首ID、自身ID、自身剩余能量的消息通知簇内成员及其他簇首成员，所有簇首节点收到簇头调整信息后更新各自对应的路由表信息4仿真与分析现对EEUC、ACOUC、IEEABR算法和本文提出的ACEBUC算法分别用NS2进行了仿真，并在能耗、可靠性、实时性、路由成功率方面进行分析ACEBUC的工作方式是周期性采集目标数据传输给汇聚点，适用于对野外环境进行周期性信息采集和实时监控，节点随机布撒或分布在被监控设备周围实验中所用的参数如表1所示，其中能量消耗模型所用参数取自文献[5]4.1簇首特征本文采用改进的EEUC算法的非均匀分簇方式，在文献[9]中指出簇首数目由参数R0c和c 共同决定，同时由实验证明在c=0.5时，网络存活时间最长在c固定时，簇首数目与R0c成反比本文取c=0.5，由式（5）可知理想簇头个数为2～56，由图5可知，可取30m进行实验，生成的簇头数为40，在理想簇首范围内4.2网络能量消耗EEUC算法均采用每轮依据概率重新选取簇头，每轮生成的簇首数目会有波动，而一个稳定的分簇算法应在网络拓扑固定的情况下，生成较一致的簇首数目；ACOUC算法在信息素更新时仍采用累加信息素的方式，并没有考虑在路由成功后，具有较高信息素的路径由于承担过多数据发送任务反而消耗过多能量；IEEABR算法由于没有采用非均匀分簇的方式，容易知道在靠近汇聚点的簇首耗能较大；ACEBUC仅在首轮采用竞选方式，之后在簇内进行选举，因此簇首数目稳定，整个网络具有较好的稳定性在每一轮次中所有簇首消耗的能量在所有节点消耗的总能量中占大部分比重通过实验统计四种算法每轮簇首消耗的能量，第一个实验点记录首轮消耗能量，之后随机抽取9轮进行统计，结果如图6所示由图6可以看出，ACEBUC仅在首轮消耗较多的能量，之后在簇内竞选簇首，比EEUC、ACOUC、IEEABR算法能更好地实现节能4.3可靠性和实时性ACEBUC算法在簇内节点将数据发送给簇首节点之后，由簇首节点将数据进行融合，并采用蚁群改进算法，充分考虑链路的能量、带宽和时延进行下一跳路由选择通过实验分别比较EEUC、ACOUC、IEEABR和ACEBUC算法的丢包率和时延情况由图7、8可以看出，EEUC 算法的丢包率相对较高、时延较大，因为该算法采用多跳方式，但是在路由选择时并没有充分考虑链路状况，只是简单考虑节点的能量，因此在数据传输时会出现较高的丢包率；ACOUC、IEEABR均采用蚁群算法模型，在路由选择时充分考虑了链路状况，因此丢包率和时延相对较低；ACEBUC采用多跳传输，考虑了链路状态，选择最优最可靠的路径，出现丢包的情况较少，时延相对较小4.4网络生存时间通过仿真记录每轮结束节点存活数量直到节部死亡比较四种算法的网络存活时间由图9可以看出， EEUC采用竞争选取簇头方式，并考虑能量空洞问题，但是在路由选择时并没有考虑链路状况；而ACEBUC算法不像EEUC算法每轮都要在全网络进行簇首选举，只是在首轮在全网络内进行簇首选举，之后采取在簇内竞选簇首的方式，实现了节能，路由采用蚁群改进算法，使网络生存时间长于EEUC算法；ACOUT与IEEABR算法在定义路由信息素时都没有合理考虑路径的能量消耗速度、路径上剩余的最小能量、距离目的节点的跳数等，在路由时容易陷入局部最优，网络生存时间不如ACEBUC长4.5路由成功率随机生成具有100至400个节点的随机网络拓扑结构进行路由仿真比较，对于每个网络拓扑，选择所有节点中距离最远的节点作为源和目的节点，这样2个节点间的可选路径较多从图10可以看出随着节点数的增加，网络规模增大，ACEBUC显示出算法的优势，其路由成功率要高于其他三个算法5结语本文将蚁群优化算法与非均匀分簇路由算法相结合，有效地减少了簇首选举和路由维护的开销，而且能实时寻找性能更好的路由仿真分析表明，ACEBUC的网络存活时间比EEUC、ACOUC算法都有显著提高但是在路由层次，本文采用的蚁群优化路由算法比较适用于大规模节点路由情况，对于节点较少且实验区域较小的情况并不需要采用蚁群路由算法，可以直接采用单跳发送数据参考文献：[1]AKYILDIZ I F， SU W， SANKARASUBRIMANIAM Y， et al. Wireless sensor networks： a survey [J]. Computer Networks， 2002， 38（4）： 393-422.[2]ALKARAKI J N， KAMAL A E. Routing techniques in wireless sensor networks： a survey [J]. IEEE Wireless Communications， 2004， 11（6）， 6-28.[3]汤波，罗昌俊.能量均衡的无线传感器网络分簇方法[J]. 计算机应用研究，2008，25（3）：878-880.[4]HEINZELMAN W R，CHANDRAKASAN A，BALAKRISHNAN H. Energyefficient communication protocol for wireless microsensor networks [C]// HICSS 2000： Proceedings of the 33rd Annual Hawaii International Conference on System Sciences. Washington， DC： IEEE Computer Society， 2000，8： 8020.[5]YE M，LI C F， CHEN G H，et al. EECS： an energy efficient cluster scheme in wireless sensor networks [C]// IPCCC 2005： Proceedings of the 2005 24th IEEE Performance，Computing， and Communications Conference. Piscataway： IEEE， 2005： 535-540.[6]SORO S， HEINZELMAN W B. Prolonging the lifetime of wireless sensor networks via unequal clustering [C]// IPDPS 05： Proceedings of the 19th International Parallel and Distributed Processing Symposium.Washington， DC： IEEE Computer Society， 2005： 8-15.[7]李法成，陈贵海，叶懋，等.一种基于非均匀分簇的无线传感器[J].计算机学报，2007，30（1）：27-36.[8]张明才，薛安荣，王伟.基于最小生成树的非均匀分簇路由算法[J].计算机应用，2012，32（3）：787-790.[9]邹杰，史长琼，姬文燕.基于粒子群优化的非均匀分簇路由算法[J].计算机应用，2012，32（3）：787-790.[10]COLOMI A，DORIGO M，MANIEZZO V. Distributed optimization by ant colonies[C]/ / ECAL 1991： Proceedings of the 1991 European Conference on Artificial Life.[S.l.]： Elsevier，1991： 134-142.[11]DORIGO M. Optimization learning and natural algorithms[D]. Milano： Politecnico di Milano， Department of Electronics， 1992.[12]DORIGO M，STUTZLE T. 蚁群优化[M].张军，胡晓敏，罗旭耀，等译.北京：清华大学出版社，2007： 3-7.[13]DORIGO M，BONABEAU E，THERAULAZ G. Inspiration for optimization from social insect behavior [J]. Nature，2000，406（6）：39-42.[14]GUNES M， SORGES U， BOUAZIZI I. ARA： the antcolony based routing algorithm for MANETs [C]// ICPP 2002： Proceedings of the 2002 International Conference on Parallel Processing Workshops. Piscataway： IEEE， 2002：79-85.[15]童孟军，俞立，郑立静. 基于蚁群算法的无线传感器网络能量有效路由算法研究[J].传感技术学报，2011，24（11）：1632-1638.[16]张荣博，曹建福.利用蚁群优化的非均匀分簇无线传感器网络路由算法[J].西安交通大学学报，2010，44（6）：33-38[17]汤波，罗昌俊.能量均衡的无线传感器网络分簇方法[J]. 计算机应用研究，2008，25（3）：878-880.。
【微计算机信息】_路由算法_期刊发文热词逐年推荐_20140722
53 54 55 56 57 58 59 60 61
tdma knn-kad kademlia ipv6 dijkstra算法 dht b-树 aodvjr ad hoc网络
1 1 1 1 1 1 1 1 1
ቤተ መጻሕፍቲ ባይዱ
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
科研热词 网络路由 无线传感器网络 邻域按需距离矢量路由 遗传算法 远程保障 路由选择算法 路由表 路由算法 路由机制 路由探测 路由协议 路由 资源管理 蚂蚁算法 蚁群算法 蚁群优化算法 航空装备 自身定位 自组织方式 群的管理 网络拓扑发现 网格计算 簇头 空间复用 移动自组网络 混合无线网络 洪泛算法 波长路由 波分多路复用 查找算法 时间片 无阻塞交换 无线传感网络 捎带 按需距离矢量路由 拟人智能控制 宽度优先搜索算法 子网 多关键字搜索 可补充 分群算法 分簇算法 信道分配算法 优先开放最短路径算法 仿真 二级交换结构 严格路由 三级交换结构 zigbee协议 wsnhc wsn vb语言
107 aodvm算法 108 adhoc网络 109 ad hoc
推荐指数 9 5 3 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52