论文部分内容阅读
摘 要：采用一种优化信息素的蚁群路由算法，解决了无线传感器网络在农田数据监测中的数据传输路径问题。改进的蚁群路由算法综合考虑了传感器节点造价高昂、节点能量补充困难、信号强度易受障碍物影响以及传感器网络在农田中的应用特点等问题，在时间复杂度不变的情况下，延长了无线传感器网络的生命周期。通过matlab仿真证明：与基本蚁群路由算法相比较，采用改进的蚁群路由算法所找到的路径，具有“热路径”长度更短，无线传感器网络能耗更加均衡的优点。
关键词：信息素；蚁群路由算法；无线传感器网络；农田数据监测
中图分类号：TB
文献标识码：A
doi：10.19311/j.cnki.1672 3198.2016.22.088
0 引言
我国是农业大国，农业的发展对国民经济的发展具有重要作用。农业生产依赖于环境因素的影响，因此及时检测农业生产环境，准确的检测数据是现代化农业生产的重要研究内容。随着信息技术的蓬勃发展，无线传感器网络技术的引入，为农业生产数据的检测提供了有效手段。
无线传感器网络融合了微电子、嵌入式计算、分布式信息通信及处理等先进技术，在智能家居、环境监测、大型建筑和设备维护等众多领域中有很高的应用价值。无线传感器网络技术应用于农田环境监测中，可以弥补传统农田中获取数据难度大、传输不及时、资源投入高等缺点。借助无线传感器网络，工作人员能够实时对农田地面信息（光照强度、CO2浓度等）、土壤信息（土壤温湿度、墒情等）、营养信息（氮、磷、钾、PH值、离子浓度等）等生长参数进行监控，使设施农田的空间立体化信息监控网络得以实现。传感器网络由传感器和汇聚节点构成。传感器节点的能量十分有限，一旦部署，难以再次进行能量的补充。而由于农田面积大、分布不规则等原因，设施农田中无线传感器网络的布局需要合理安排，此外还要考虑农田的水塘、土坡、碎石和过度密集植被等区域中无法放置传感器节点的问题。当无线传感器网络中的节点需要将获取到的感测数据传送到诊断决策中心时，我们需要考虑如何能够快速绕过障碍物、高效的寻找到一条最优的路径实现无线传感器网络节点中信息向诊断决策中心传输，这一问题已经成为现代设施农田无线传感器网络研究领域要解决的重要问题之一。
1 改进的蚁群路由算法
1.1 蚁群算法简介
蚁群算法ACA（Ant Colony Algorithm）是根据蚂蚁群体的智能觅食行为得到的一种仿生优化算法，具有多样性和正反馈的特点。蚁群移动的路径主要由两点之间的信息素和距离决定。蚂蚁在经过的路径上会加强信息素，后面的蚂蚁会根据残留信息素的强弱逐渐找出一条最优路径，所以蚁群算法在解决无线传感器网络的路径寻找问题中有其优越性。
1.2 改进的蚁群路由算法
基本蚁群路由算法ACR（Ant Colony Routing）解决的是寻找最优路径问题。在无线传感器网络中，传感器节点造价高昂、节点能量补充困难、信号强度易受障碍物影响。由于基本蚁群路由算法只考虑寻找最优路径，而没有考虑传感器节点的能耗问题，所以这种算法在农田无线传感器布局中应用会导致多条传输路径向一条路径上汇聚，这条路径被称为“热路径”。“热路径”不仅会因为传输大量的数据包而导致网络传输延迟，而且也会由于路径上节点耗能过多造成网络中出现空白区域，此时传感器网络中的大多数节点虽然依旧能够工作，但是网络已经无法满足一些必要的需求，甚至最终会造成整个网络崩溃。改进的蚁群路由算法在基本蚁群路由算法的概率选择公式中加入了限制参量。一旦一条最优路径被选中，依靠限制参量该算法可以降低此路径下一次被选中的几率，使多条传输路径不在汇聚于一条“热路径”上，即使有发生汇聚的现象，也尽量减少“热路径”的长度。
1.3 改进的概率选择公式
1.6 算法实现过程
（1）确定农田中障碍物区域、传感器节点和诊断决策中心的位置，初始化传感器节点之间的信息素浓度，限制参量和其他影响参数的默认值，找出每个节点的可通讯节点。
（2）将蚁群放置在需要获取数据信息的位置。
（3）蚁群中的蚂蚁逐个被放出，根据公式（1）搜寻下一跳的节点，直到到达诊断决策中心的位置。当m个蚂蚁被全部释放后，选出优秀路径，根据公式（4）更新信息素。
（4）重新执行步骤（2）、（3）的过程直到迭代结束。
（5）从优秀路径中选出一条最优的路径，利用限制参量降低最优路径上的信息素浓度。
（6）将蚁群放置在另一个需要获取信息的位置。重复执行（2）、（3）、（5）的过程，直到将所有需要的信息获取后结束。
2 仿真实验
在改进蚁群路由算法中空间距离和障碍物都会对传输路径产生影响，因此，仿真中会参考实际的网络情况构建一些障碍物，设定一些无法放置传感器节点的禁区，来模拟实际农田中的一些水池、山坡等的地理位置，这些区域都会对蚁群中蚂蚁的通过造成阻碍。为了使网络的监控数据具有一定的精度和足够的连通度，传感器节点的覆盖采取了确定式的部署方式，在非障碍物的区域都放置了传感器节点，这些节点既负责信息的监控工作也承担数据的传输工作。当监控区域需要上报感测数据时，区域内的传感器执行改进蚁群路由算法，找出一条到诊断决策中心的最优路径。
2.1 仿真模型
利用matlab对算法进行仿真实验，仿真环境建立在32*32的网格范围内，每个格子由左至右，从上到下进行编号，编号设定为1号、2号直到1023号、1024号。设置四个需要获取信息的位置，编号分别是63号、70号、86号、897号，诊断决策中心的编号是1024号：α=1，β=20，θ=0.7。
格子内的传感器节点只能与其相邻和对角的节点进行通信，如图2所示。 节点1的可通信节点是节点2、节点4和节点5。节点2的可通信节点是节点1、节点3、节点4、节点5和节点6。节点5的可通信节点是节点1、节点2、节点3、节点4、节点6、节点7、节点8和节点9。
2.2 仿真效果
黑色区域为障碍物，⊙表示诊断决策中心位置，·表示蚁群路由算法找到的优化路径。
3 结果比较
仿真结果中可以看出“热路径”只集中需要获取信息的63号和86号的路径上，所以只对这两条路径上的“热路径”进行分析和比较。通过比较，基本蚁群路由算法中的“热路径”由768号、800号、832号、864号、896号、928号、960号和992号组成，长度是8个单位。改进蚁群路由算法中“热路径”由960号和992号组成，长度是2个单位。仿真12次的统计结果如表1。
4 结论
本文针对设施农田无线传感器网络的特点，提出了一种改进的蚁群路由算法。通过在概率选择公式中引入限制参量，降低了蚁群路由算法下最优路径的信息素浓度，最终避免了多条传输路径的汇聚。仿真结果表明：改进的蚁群路由算法能够有效的缩短热路径的长度，动态优化的选择无线传感器信息传输路径。算法增强了设施农田监测网络的传输可靠性，延长了无线传感器网络的生存时间。
参考文献
[1]马祖长，孙怡宁，梅涛.无线传感器网络综述[J].通信学报，2004，（4）：114 124.
[2]孙利民，孙建中等.无线传感器网络[M].北京：清华大学出版社，2005：7 8.
[3]刘春红，张漫，张帆等.基于无线传感器网络的智慧农业信息平台开发[J].中国农业大学学报，2011，16（5）：151 156.
[4]韩文霆，吴普特，郁晓庆等.农业环境信息无线传感器网络监测技术研究进展[J].农业工程学报，2011，27（S2）：326 330.
[5]张凌云，薛飞.物联网技术在农业中的应用[J].广东农业科学，2011，（16）：146 149.
[6]朱会霞，王福林，索瑞霞.物联网在中国现代农业中的应用[J].中国农学通报，2011，27（02）：310 314.
[7]李震，洪添胜，Ning WANG.无线传感器网络技术在精细农业中的应用进展[J].湖南农业大学学报（自然科学版），2011，37（5）：576 580.
[8]文韬，洪添胜，李震等.橘园无线传感器网络不同节点部署方式下的射频信号传播试验[J].农业工程学报，2010，26（6）：211 215.
[9]段海滨.蚁群算法原理及其应用[M].北京：科学出版社，2005：24 26.
[10]郝晓青.基于蚁群优化的无线传感器网络路由算法[J].电脑知识与技术，2010，6（1）：34 36.
[11]曹建玲，任智.无线传感器网络路由协议综述[J].微计算机信息，2010，（19）：3 5.
[12]粟玉雄，王东.阴影衰落环境下传感器网络的点覆盖研究[J].计算机工程与应用，2011，47（32）：112 117.
关键词：信息素；蚁群路由算法；无线传感器网络；农田数据监测
中图分类号：TB
文献标识码：A
doi：10.19311/j.cnki.1672 3198.2016.22.088
0 引言
我国是农业大国，农业的发展对国民经济的发展具有重要作用。农业生产依赖于环境因素的影响，因此及时检测农业生产环境，准确的检测数据是现代化农业生产的重要研究内容。随着信息技术的蓬勃发展，无线传感器网络技术的引入，为农业生产数据的检测提供了有效手段。
无线传感器网络融合了微电子、嵌入式计算、分布式信息通信及处理等先进技术，在智能家居、环境监测、大型建筑和设备维护等众多领域中有很高的应用价值。无线传感器网络技术应用于农田环境监测中，可以弥补传统农田中获取数据难度大、传输不及时、资源投入高等缺点。借助无线传感器网络，工作人员能够实时对农田地面信息（光照强度、CO2浓度等）、土壤信息（土壤温湿度、墒情等）、营养信息（氮、磷、钾、PH值、离子浓度等）等生长参数进行监控，使设施农田的空间立体化信息监控网络得以实现。传感器网络由传感器和汇聚节点构成。传感器节点的能量十分有限，一旦部署，难以再次进行能量的补充。而由于农田面积大、分布不规则等原因，设施农田中无线传感器网络的布局需要合理安排，此外还要考虑农田的水塘、土坡、碎石和过度密集植被等区域中无法放置传感器节点的问题。当无线传感器网络中的节点需要将获取到的感测数据传送到诊断决策中心时，我们需要考虑如何能够快速绕过障碍物、高效的寻找到一条最优的路径实现无线传感器网络节点中信息向诊断决策中心传输，这一问题已经成为现代设施农田无线传感器网络研究领域要解决的重要问题之一。
1 改进的蚁群路由算法
1.1 蚁群算法简介
蚁群算法ACA（Ant Colony Algorithm）是根据蚂蚁群体的智能觅食行为得到的一种仿生优化算法，具有多样性和正反馈的特点。蚁群移动的路径主要由两点之间的信息素和距离决定。蚂蚁在经过的路径上会加强信息素，后面的蚂蚁会根据残留信息素的强弱逐渐找出一条最优路径，所以蚁群算法在解决无线传感器网络的路径寻找问题中有其优越性。
1.2 改进的蚁群路由算法
基本蚁群路由算法ACR（Ant Colony Routing）解决的是寻找最优路径问题。在无线传感器网络中，传感器节点造价高昂、节点能量补充困难、信号强度易受障碍物影响。由于基本蚁群路由算法只考虑寻找最优路径，而没有考虑传感器节点的能耗问题，所以这种算法在农田无线传感器布局中应用会导致多条传输路径向一条路径上汇聚，这条路径被称为“热路径”。“热路径”不仅会因为传输大量的数据包而导致网络传输延迟，而且也会由于路径上节点耗能过多造成网络中出现空白区域，此时传感器网络中的大多数节点虽然依旧能够工作，但是网络已经无法满足一些必要的需求，甚至最终会造成整个网络崩溃。改进的蚁群路由算法在基本蚁群路由算法的概率选择公式中加入了限制参量。一旦一条最优路径被选中，依靠限制参量该算法可以降低此路径下一次被选中的几率，使多条传输路径不在汇聚于一条“热路径”上，即使有发生汇聚的现象，也尽量减少“热路径”的长度。
1.3 改进的概率选择公式
1.6 算法实现过程
（1）确定农田中障碍物区域、传感器节点和诊断决策中心的位置，初始化传感器节点之间的信息素浓度，限制参量和其他影响参数的默认值，找出每个节点的可通讯节点。
（2）将蚁群放置在需要获取数据信息的位置。
（3）蚁群中的蚂蚁逐个被放出，根据公式（1）搜寻下一跳的节点，直到到达诊断决策中心的位置。当m个蚂蚁被全部释放后，选出优秀路径，根据公式（4）更新信息素。
（4）重新执行步骤（2）、（3）的过程直到迭代结束。
（5）从优秀路径中选出一条最优的路径，利用限制参量降低最优路径上的信息素浓度。
（6）将蚁群放置在另一个需要获取信息的位置。重复执行（2）、（3）、（5）的过程，直到将所有需要的信息获取后结束。
2 仿真实验
在改进蚁群路由算法中空间距离和障碍物都会对传输路径产生影响，因此，仿真中会参考实际的网络情况构建一些障碍物，设定一些无法放置传感器节点的禁区，来模拟实际农田中的一些水池、山坡等的地理位置，这些区域都会对蚁群中蚂蚁的通过造成阻碍。为了使网络的监控数据具有一定的精度和足够的连通度，传感器节点的覆盖采取了确定式的部署方式，在非障碍物的区域都放置了传感器节点，这些节点既负责信息的监控工作也承担数据的传输工作。当监控区域需要上报感测数据时，区域内的传感器执行改进蚁群路由算法，找出一条到诊断决策中心的最优路径。
2.1 仿真模型
利用matlab对算法进行仿真实验，仿真环境建立在32*32的网格范围内，每个格子由左至右，从上到下进行编号，编号设定为1号、2号直到1023号、1024号。设置四个需要获取信息的位置，编号分别是63号、70号、86号、897号，诊断决策中心的编号是1024号：α=1，β=20，θ=0.7。
格子内的传感器节点只能与其相邻和对角的节点进行通信，如图2所示。 节点1的可通信节点是节点2、节点4和节点5。节点2的可通信节点是节点1、节点3、节点4、节点5和节点6。节点5的可通信节点是节点1、节点2、节点3、节点4、节点6、节点7、节点8和节点9。
2.2 仿真效果
黑色区域为障碍物，⊙表示诊断决策中心位置，·表示蚁群路由算法找到的优化路径。
3 结果比较
仿真结果中可以看出“热路径”只集中需要获取信息的63号和86号的路径上，所以只对这两条路径上的“热路径”进行分析和比较。通过比较，基本蚁群路由算法中的“热路径”由768号、800号、832号、864号、896号、928号、960号和992号组成，长度是8个单位。改进蚁群路由算法中“热路径”由960号和992号组成，长度是2个单位。仿真12次的统计结果如表1。
4 结论
本文针对设施农田无线传感器网络的特点，提出了一种改进的蚁群路由算法。通过在概率选择公式中引入限制参量，降低了蚁群路由算法下最优路径的信息素浓度，最终避免了多条传输路径的汇聚。仿真结果表明：改进的蚁群路由算法能够有效的缩短热路径的长度，动态优化的选择无线传感器信息传输路径。算法增强了设施农田监测网络的传输可靠性，延长了无线传感器网络的生存时间。
参考文献
[1]马祖长，孙怡宁，梅涛.无线传感器网络综述[J].通信学报，2004，（4）：114 124.
[2]孙利民，孙建中等.无线传感器网络[M].北京：清华大学出版社，2005：7 8.
[3]刘春红，张漫，张帆等.基于无线传感器网络的智慧农业信息平台开发[J].中国农业大学学报，2011，16（5）：151 156.
[4]韩文霆，吴普特，郁晓庆等.农业环境信息无线传感器网络监测技术研究进展[J].农业工程学报，2011，27（S2）：326 330.
[5]张凌云，薛飞.物联网技术在农业中的应用[J].广东农业科学，2011，（16）：146 149.
[6]朱会霞，王福林，索瑞霞.物联网在中国现代农业中的应用[J].中国农学通报，2011，27（02）：310 314.
[7]李震，洪添胜，Ning WANG.无线传感器网络技术在精细农业中的应用进展[J].湖南农业大学学报（自然科学版），2011，37（5）：576 580.
[8]文韬，洪添胜，李震等.橘园无线传感器网络不同节点部署方式下的射频信号传播试验[J].农业工程学报，2010，26（6）：211 215.
[9]段海滨.蚁群算法原理及其应用[M].北京：科学出版社，2005：24 26.
[10]郝晓青.基于蚁群优化的无线传感器网络路由算法[J].电脑知识与技术，2010，6（1）：34 36.
[11]曹建玲，任智.无线传感器网络路由协议综述[J].微计算机信息，2010，（19）：3 5.
[12]粟玉雄，王东.阴影衰落环境下传感器网络的点覆盖研究[J].计算机工程与应用，2011，47（32）：112 117.