论文部分内容阅读
近年来,无线传感器网络(Wireless Sensor Networks,WSNs)广泛应用于人类无法到达或无法工作的环境中,WSNs传感器节点可以代替人类收集和处理所需信息的能力。而在WSNs中,路由优化问题和网络寿命是人们关注的焦点。路由优化是指在特定网络和路由需求的情况下,通过优化算法寻找一条满足约束条件的最优路径解,从而提高整体网络的路由质量,并对网络资源进行有效分配和管理。而节点能量耗尽或者意外情况导致失效会使网络拓扑结构发生动态变化,如果网络中的某些关键节点出现故障,就会导致局部网络发生瘫痪,从而影响通信传输和网络寿命。伊藤算法作为一种根据布朗运动这种自然现象而得出的仿生优化算法,具有局部探索与全局寻优相结合的能力。对比于其他智能算法,伊藤算法作为新兴仿生优化算法具有独特的自适应能力,能够通过粒子半径和环境温度的变化,灵活调整算法的搜索能力。本文在伊藤算法的基础上,通过改进漂移与波动过程的结合方式,并引入新的学习策略,改进了路径权重选择函数,提出了新的更新规则。该规则使算法更适合解决WSNs中所面临的动态拓扑和提高网络寿命等问题。结合实验室云平台自动售货机系统,针对自动售货机型号的不同和位置变化等问题,改进了能量聚类协议,通过三级能量节点的分级聚类,减少WSNs频繁发生动态拓扑时,对整体网络性能的影响。其次,结合改进伊藤算法提升WSNs动态拓扑性能,根据服务质量(Quality of Service,Qo S)度量标准在短时间内完成高质量路由路径的计算。仿真结果表明,该算法在保证系统稳定性的基础上,很大程度降低了WSNs的端到端平均延迟和节点平均能耗,并且在动态拓扑网络中表现理想。本文的主要研究工作如下:(1)在阅读比较国内外研究现状的基础上,分析现有路由优化算法在求解WSN路由问题时存在的问题,以及伊藤算法的优势和缺陷,发现现有路由算法很难适应WSNs发生动态拓扑变化,且大多聚类算法无法在适应动态拓扑的基础上保证网络整体寿命和节点低能耗,并提供Qo S。(2)针对伊藤算法在WSNs中求解多约束Qo S路由优化问题时,存在收敛速度过慢,易陷入局部最优解从而导致算法成功率不高等问题,设计了一种基于多策略协同优化的改进伊藤算法。该算法通过改进漂移与波动过程的结合方式,提出了一种新的协同更新策略,并引入双重认知策略和多精英引导学习策略,改进了路径权重选择函数,提出了新的更新规则。该规则使算法中漂移粒子和波动粒子强度将根据个体适应度灵活变化,具有自适应性。(3)在改进伊藤算法的基础上,引入能量聚类模型,使基于仿生寻优的WSN路由算法能应用于本实验室云平台控制自动售货机系统,实现自动售货机自组网络的控制。相比其他聚类方式,明显减少聚类时所需计算节点数与时间,加快了WSNs反应时间。其次,结合改进伊藤算法解决WSNs动态拓扑问题,根据Qo S度量标准完成最优路径的搜寻,不仅保证了WSNs的反应时间,即端到端延迟,也进一步改善了节点的能耗,提高整体网络寿命。(4)将WSN路由算法应用于自动售货机自组网络中,免除了传统自动售货机数量大,人员定时巡查维护工作强度大,复杂度高的烦恼,减轻了运营人员的工作强度。同时解决了传统网络及路由算法采用有线通信的方式,导致应用成本高昂的问题。