一种基于蚁群算法的鲁棒优化算法

技术领域：

本发明涉及通信技术领域，尤其涉及一种基于蚁群算法的鲁棒优化算法。 

背景技术：

无线传感器网络主要通过将布置大量的节点在网络中，集采集信息、信号传输、数据处理于一体的综合智能信息系统，其目的是网络中的传感器节点将感知到的数据通过多跳的方式发送至基站sink节点。无线传感器节点具有自组织、低能耗、反应快、抗毁性强等特点。在现实生活中有着极其广泛的应用前景，因为其可以应用于人员难以达到的区域内，并且可以进行实时的观测，比如森林火灾、动物迁徙、战争场地来进行数据的采集并且汇报给观察者。与传统的网络路由不同的是无线传感器网络是采用低能量的电池进行供电，所以我们必须以降低能耗为首要目的，同时还要考虑传感器节点的失效攻击、计算能力、存储能力等问题，设计出一种应用型更强的路由算法。 

由于传感器节点经常被置于人类无法到达的恶劣环境中去感知并且传输数据，由于节点的能耗以及外部环境、攻击的因素，节点极易失效，如果大量的节点过早的死亡势必到时网络链路、拓扑的损坏，因此使无线传感器网络在具有一定鲁棒性的前提下最大限度的延长其寿命成为热点研究问题之一。鲁棒优化是近十年来发展起来的一种 处理不确定参数优化问题的重要方法，充分考虑了不确定因素对节点的影响。 

蚁群算法(Ant Colony Optimization,ACO)在蚂蚁的寻路的进程中，由于蚁群具有释放信息素，而且能感知信息素强度，在相同的移动速率下，选择最优的路径蚂蚁花费的时间就短，重复的频率较高，单位时间内通过此条路径上的蚂蚁数目就会增加，并且留在路径的信息素随着蚂蚁数量的增加就会增加。最终使得较短的路径上面具有更好的信息素，这样便使得更多的蚂蚁聚集到这条路径上来，单个蚂蚁的行为是混沌的，但是蚁群的整体行为是智能的，正是利用这种蚁群智能方式，通过信息素的反馈机制实现了蚂蚁从巢穴到食物源的最短路径。 

目前大部分路由方法在具有较强的鲁棒性，并且可以有效地延长网络生命周期。但是这些方法仍然存在以下一些缺点： 

1)有些算法难于进行分布式实现，并且在考虑数据聚合时，数据在路径交叉节点进行聚合,由于传感器节点独立选择数据回传路径，路径交叉点是随机形成的，不能够实现数据的有效聚合。 

2)路径选择时可能导致局部信息量过大，并且产生回路，使得局部节点能量消耗过快，严重影响网络的连通性。 

3)在网络受到攻击时由于网络抗毁性较弱数据容易丢失。 

以上这些缺陷限制了无线传感器网络的性能，导致能耗增加，生命周期缩短和网络延迟增大，安全性能降低。影响无线传感器网络应用性能。 

发明内容：

为解决上述问题，本发明提供了一种技术方案：一种基于蚁群算法的鲁棒优化算法，包括以下步骤： 

(1)在面积为S＝L×L的平面区域内，随机抛撒N个同构的无线传感器节点，其中并将网关节点SINK布置在网络中心，其坐标为(0,0),该网关节点SINK用于接收并处理整个无线传感器网络收集的数据。 

(2)定义斯坦纳最小树,斯坦纳最小树包括斯坦纳节点，所述斯坦纳节点中子节点可以连接的其他节点。 

(3)对网络中的恶意攻击节点进行检测。 

(4)根据步骤(2)-(3)并考虑能量E_ij、传输距离d_ij、信道安全B_ij、k值等综合因素更新蚁群算法公式。 

(5)按照步骤(3)-(4)建立好熟的路径之后进行数据传输，树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将汇聚到的数据传送给自己父节点直至Sink节点。 

(6)运行一段周期后按照步骤(3)-(5)进行树的自适应维护更新，继续进行数据的传送。 

(7)重复步骤(3)-(6)直至无线传感器网络中出现一定比例的节点能量耗尽，网络生命周期结束。 

作为优选，步骤(2)中的斯坦纳最小树在欧式平面上，每颗斯坦纳最小树T都满足以下三个性质： 

A.任意两条相邻边形成的夹角至少为120°； 

B.每个顶点的度数最多是3； 

C.每个斯坦纳点的度数恰为3，而且两条相邻边之间的夹角恰为120°。 

作为优选，步骤(2)中所述斯坦纳节点采用减小邻居数量k值方法，减小算法计算量。 

作为优选，步骤(3)中所述的而恶意攻击节点为节点v_i的投票值与本身的贝叶斯投票均值WR(v_i)的差值超过一定的阈值，即： 

|WR(v_i)-v_i_voting|>Threshold。 

作为优选，步骤(4)中所述更新蚁群算法公式采取的方法为：将蚁群算法蚂蚁寻路概率公式：$p_{\mathrm{ij}}^{\left(k\right)}\left(t\right)=\left(\begin{array}{cc}\frac{{\tau }_{\mathrm{ij}}{\left(t\right)}^{\alpha }\times {\eta }_{\mathrm{ij}}{\left(t\right)}^{\beta }}{\underset{k\in A_k}{\Sigma }{\tau }_{\mathrm{ik}}{\left(t\right)}^{\alpha }\times {\eta }_{\mathrm{ik}}{\left(t\right)}^{\beta }}& j\in A_k\\ 0& j\notin A_k\end{array}\right)$中的η_ij改进为：$p_{\mathrm{ij}}^{\left(k\right)}\left(t\right)=\left(\begin{array}{cc}\frac{{\tau }_{\mathrm{ij}}{\left(t\right)}^{\alpha }\times {(E_{\mathrm{ij}}\left(t\right)\times \frac{\mathrm{Radius}}{d_{\mathrm{ij}}\left(t\right)}\times \frac{\mathrm{BA}}{B_{\mathrm{ij}}\left(t\right)})}^{\beta }}{\underset{k\in A_k}{\Sigma }{\tau }_{\mathrm{ik}}{\left(t\right)}^{\alpha }\times {(E_{\mathrm{ik}}\left(\text{t}\right)\times \frac{\mathrm{Radius}}{d_{\mathrm{ik}}\left(t\right)}\times \frac{\mathrm{BA}}{B_{\mathrm{ik}}\left(t\right)})}^{\beta }}& j\in A_k\\ 0& j{\notin A}_k\end{array}\right).$

作为优选，步骤(5)的父节点将收集到的数据与自己感知的数据进行数据聚合，是父节点将自己感知的数据和子节点发送来的数据合并成一个数据包。 

本发明的有益效果在于： 

(1)本发明在多跳的无线传感器网络中对蚁群算法进行了更进一步的改善，综合考虑了距离因素、剩余能量因素以及网络安全等因素，因此在均衡网络能耗的同时拥有更强的鲁棒性，更重要的是具有很好的可扩展性。 

(2)本发明动态的维护了树的结构，并且对最优维护轮数进行了实验，能更好的均衡能量的消耗。并且在维护树的过程中以每个节点的负载作为更新的依据，这样就可以更好的提高网络的性能。 

(3)本发明在完全符合无线传感器通信特征的前提下，没有涉及有线链路、移动节点的条件，因此使得本发明可在不提高网络构建、维护、通信成本的前提下提高网络的性能。 

附图说明：

为了易于说明，本发明由下述的具体实施及附图作以详细描述。 

图1为本发明总流程示意图图； 

图2为本发明中斯坦纳k值减小示意图； 

图3为本发明中斯坦纳路径示意图； 

图4为本发明中源节点路径选择示意图； 

图5为轮数与存活节点个数的比较图； 

图6为不同算法的剩余能量比较图； 

图7为贝叶斯检测率与恶意节点数量的关系图； 

图8为不同算法的路径连通率比较图。 

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明做进一步的描述。 

如图1所示，本发明的实现步骤如下： 

(1)在面积为S＝L×L的平面区域内，随机抛撒N个同构的无线传感器节点，其中并将网关节点SINK布置在网络中心，其坐标为(0，0),该网关节点SINK用于接收并处理整个无线传感器网络收集的数据。 

(2)定义斯坦纳最小树。要注意的是，在欧式平面上，每颗斯坦纳最小树T都满足以下三个性质： 

A.任意两条相邻边形成的夹角至少为120°； 

B.每个顶点的度数最多是3； 

C.每个斯坦纳点的度数恰为3，而且两条相邻边之间的夹角恰为120°。 

在运算过程中斯坦纳节点采用减小邻居数量k值方法，减小算法计算量。如图2所示，当源节点要把数据发送到Sink节点时，所选择的下一跳节点在其正向与Sink节点所形成的120o范围内选择，这些节点可以被定义为斯坦纳节点，这样可以有效的控制没有必要计算的邻居节点数量k值，最终按照此原理所选择的路径如附图3所示。实线部分为按照斯坦纳最优树所建立的路径，其中节点a,b被定义为斯坦纳节点，而A,B,C三个节点则不是。 

(3)对网络中的恶意攻击节点进行检测，这样的话源节点的数据传输就可以避开这些恶意节点，如附图3所示。 

假设网络总有N个节点，其中有NI个正常节点，NM个恶意节点，对于节点v_i和节点v_j如果投正票，则说明节点v_i检测v_j是正常的，此时我们令v_ij＝1代表检测正常，否则v_ij＝-1检测不正常。定义KI为正常节点的可信度，KM为恶意节点的可信度： 

$\mathrm{KI}=\frac{\mathrm{NI}}{\mathrm{NI}+\mathrm{NM}}$

$\mathrm{KM}=\frac{\mathrm{NM}}{\mathrm{NI}+\mathrm{NM}}$

根据贝叶斯模型可以得到节点v_i的贝叶斯检测值： 

$\mathrm{WR}\left(v_i\right)=\frac{\mathrm{ave}\_\mathrm{neibor}*\mathrm{ave}\_\mathrm{voting}+{\Sigma }_{j=1}^{\mathrm{NI}+\mathrm{NM}}{v}_{\mathrm{ji}}}{v_i\_\mathrm{neibor}+\mathrm{ave}\_\mathrm{neibor}}$

其中为该用户的贝叶斯均值，C为每个用户的平均投票数，n为该用户的现有投票数，m是总体投票均值，x_i是每张选票的值。其中WR(v_i)代表节点v_i的贝叶斯均值，ave_neibor代表网络的平均投票数，ave_voting代表网络的总体投票均值，代表节点i的投票总数。 

假设v_i_voting代表节点v_i的投票值，如果它与本身的贝叶斯投票均值WR(v_i)的差值超过一定的阈值，则认为它就是恶意节点： 

|WR(v_i)-v_i_voting|>Threshold 

如图4所示，图中黄色节点代表恶意节点，黑色节点代表正常节点，每个节点根据自己的信息库看下一跳可以选择的节点中是否有恶意节点，如果有则直接避开这些节点不加入自己的可选择路径中，如红线所示。正常可选择的路径如绿线所示。 

(4)根据上述步骤并考虑能量E_ij、传输距离d_ij、信道安全B_ij、k值等综合因素更新蚁群算法公式。具体采取以下方法建立相应的模型： 

假设无线传感器网络中，节点i选择下一跳节点j的方式下面概率公式所决定的。 

$p_{\mathrm{ij}}^{\left(k\right)}\left(t\right)=\left(\begin{array}{cc}\frac{{\tau }_{\mathrm{ij}}{\left(t\right)}^{\alpha }\times {\eta }_{\mathrm{ij}}{\left(t\right)}^{\beta }}{\underset{k\in A_k}{\Sigma }{\tau }_{\mathrm{ik}}{\left(t\right)}^{\alpha }\times {\eta }_{\mathrm{ik}}{\left(t\right)}^{\beta }}& j\in A_k\\ 0& j\notin A_k\end{array}\right)$

其中τ_ij表示信息素浓度，η_ij表示i节点和节点J之间的一种启发式值，α与β分别表示信息数与启发值的权重，即在路径选择过程中所起的因素。其中η_ij定以为：(dij为i和j之间的距离)。 

t+n时刻路径(i,j)上的信息素更新规则如下： 

τ_ij(t+n)＝ρ×τ_ij(t)+Δτ_ij(t) 

${\mathrm{\Delta \tau }}_{\mathrm{ij}}\left(t\right)=\underset{k=1}{\overset{m}{\Sigma }}{\mathrm{\Delta \tau }}_{\mathrm{ij}}{\left(t\right)}^k$

其中ρ表示信息残留程度，Δτ_ij(t)^kk表示第k只蚂蚁经过路径(i,j)后所残留的信息素。 

考虑能量E_ij、传输距离d_ij、信道安全B_ij、k值等综合因素将蚁群算法蚂蚁寻路概率公式中的η_ij改进为：

因为能量E_ij、传输距离d_ij、贝叶斯均值B_ij不在同一量纲上，所以设置上述以及将所有的QoS要求化在同一量纲上，并将带入蚁群算法概率公式中： 

$p_{\mathrm{ij}}^{\left(k\right)}\left(t\right)=\left(\begin{array}{cc}\frac{{\tau }_{\mathrm{ij}}{\left(t\right)}^{\alpha }\times {(E_{\mathrm{ij}}\left(t\right)\times \frac{\mathrm{Radius}}{d_{\mathrm{ij}}\left(t\right)}\times \frac{\mathrm{BA}}{B_{\mathrm{ij}}\left(t\right)})}^{\beta }}{\underset{k\in A_k}{\Sigma }{\tau }_{\mathrm{ik}}{\left(t\right)}^{\alpha }\times {(E_{\mathrm{ik}}\left(\text{t}\right)\times \frac{\mathrm{Radius}}{d_{\mathrm{ik}}\left(t\right)}\times \frac{\mathrm{BA}}{B_{\mathrm{ik}}\left(t\right)})}^{\beta }}& j\in A_k\\ 0& j{\notin A}_k\end{array}\right)$

(5)运行一段周期后按照步骤(3)-(4)进行树的自适应维护，继续进行数据的传送。这个周期具体参考图5. 

(6)重复(3)-(5)直至无线传感器网络中出现一定比例的节点能量耗尽，网络生命周期结束。 

本发明的效果可以通过以下实施例结果进行进一步的说明。 

本实施例的条件如下：蚁群算法参数参考值α＝3，β＝6，ρ＝0.8。本实施例中鲁棒作用进行了加强故而对α，β值进行了略微调整，使α＝2，β＝7，信息素的衰减度不变。 

本实施例与现有技术GIT、PEDAP、PEDAP-PA的树的轮数与存活节点数进行了比较，仿真结果如图5所示。从图6中可以看出本发明更好延长了第一个节点以及其他节点死亡的时间，这是因为本发明有效的减小了k值，使得数据量有效地减少了，这就不会出现个别瓶颈节点过早死亡而影响网络数据收集传送性能的现象。 

与现有技术GIT、PEDAP、PEDAP-PA的剩余能量进行了比较，仿真结果如图6所示。从图6中可以看出由于都是基于最小生成树的拓扑结构，所以能量的消耗总体走势一样，但是本技术在相同轮数下的能耗最小，这是因为它在有效地控制了计算量以及数据量，故而能耗较其他几种较小。 

对本实施例中的贝叶斯检测算法进行了仿真，如图7所示。图7代表的是网络恶意节点检测率在不同数量恶意节点下的检测率，网络中共100个节点，从图中可以看出当网络中恶意节点数量占到一半时检测率为0。 

对本实施例与现有技术ACO进行了路径连通率的比较，如图8所示。从图8中可以本发明的路径连通率在相同恶意节点数量的情况下是明显 优于蚁群算法ACO的，这是因为本发明在路径选择时不会选择已经被贝叶斯算法所检测出的恶意节点作为连通节点，这样可以有效地避免恶意节点加入链路中从而破坏链路，从而具有更强的连通性，可以更好的保护数据传输到Sink节点，使得网络具有更强的鲁棒性。 

以上所述仅为本发明的验证实施例，并不用以限制本发明，凡在本发明技术思想下所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。