一种面向sdwsn的分布式高效熵节能分簇路由方法
技术领域
1.本发明涉及软件定义无线传感器技术领域，特别涉及一种面向sdwsn的分布式高效熵节能分簇路由方法。
背景技术：2.无线传感器网络(wsn,wireless sensor network)通常部署一个基站和大量传感器节点。由于部署成本低、效益高的特点，wsn获得快速发展和广泛普及。然而wsn存在着网络资源受限、网络管理不灵活和路由算法局部有效性等问题。为了解决上述问题，软件定义无线传感器网络(sdwsn,software defined wireless sensor network)将软件定义技术应用在wsn中，将数据平面和控制平面解耦。sdwsn通过集中式管理和可编程性，提高了网络的灵活性，并支持异构快速互联、灵活高效传感并动态可靠路由。
3.sdwsn面临着节能、延长网络寿命等重大挑战。因此，面向wsn的分簇路由方法被用于sdwsn，主要有leach、deec、sep等。分簇路由将传感器节点分为不同的簇，每个簇都有一个簇头收集簇成员信息并传输给基站，这种方式使sdwsn具有良好的拓展性和健壮性。leach随机选取簇头，使得网络负载比较均衡，但频繁进行簇头选择，导致能量浪费；deec选取簇头时考虑了节点的剩余能量，增加了网络生存周期，但会给数据传输带来延时。samayveer等人提出了一个用于wsn的3级异构网络模型，用来描述网络的异质性，并通过加权选举概率和阈值函数选取簇头。leach-o基于ga和leach，提高了能量效率，并延长了wsn的寿命。eadeec基于deec，对簇的数据传输、节点生存时间和稳定性进行改进。sixu等人面向sdwsn，采用粒子群优化(pso,particle swarm optimization)计算簇头和基站的相对位置，基于abc的遍历路径算法设计基站的移动路径，减少了传感器节点的能量开销。
4.近年来，许多智能优化算法被用于改进分簇路由方法的分簇阶段，它通过模拟动物的群体行为来近似求解复杂的优化问题。智能优化算法包括遗传算法(ga,genetic algorithm)，萤火虫算法(fa,firefly algorithm)，人工蜂群算法(abc,artificial bee colony algorithm)等。ga收敛速度快，但不擅长局部搜索，fa的参数比ga少，abc在全局搜索和收敛速度方面具有优势。其中，fa和abc更易于在分簇路由方法中实现。智能优化算法存在着求解精度低、收敛于局部最优解和搜索空间范围小等问题。罗剑等人提出了ifceer，该算法将fa用于高能节点分簇中，降低了多次聚类消耗的能量，但存在着收敛速度慢、求解精度低等问题。余修武等人提出了ffacm，避免算法陷入局部最优值，然而存在初始聚类中心设置不精确的缺点。limin和他的团队研究了基于贝叶斯的pso算法，该算法基于贝叶斯原理的概率强度函数进行参数设置，然而面临着局部最优问题，尤其是在复杂的多重极小问题上表现得极为明显。hfpso将fa与pso混合，通过检查当前全局最佳适应度的值来确定搜索过程的开始。pitchaimanickam等人提出了hfapso，该算法将hfpso用于leach-c中的最优簇头选择，增强了萤火虫的全局搜索能力。deec-fa将fa应用于具有能量参数的混合状态逻辑模型，用于检测分布式拒绝服务(ddos,distributed denial of service)攻击。charan等人使用fa和bbo在软件产品线进行特征选择。shrivastava等人提出psogwo，该算
法将灰狼优化算法(gwo,grey wolf optimizer)与pso混合，大幅减少了实现算法所需的计算时间。
技术实现要素：5.本发明针对现有技术的不足，提供一种面向sdwsn的分布式高效熵节能分簇路由方法，能够延长网络生存周期，提高能量利用率。
6.一种面向sdwsn的分布式高效熵节能分簇路由方法，包括以下步骤：1-1)网络节点根据阈值条件公式(1)选出临时簇头，节点信息通过簇头发送给基站；
[0007][0008]
其中，n个传感器节点si(i＝1,2...n)，c表示没有成为簇头的节点组，r为当前迭代轮数，mod是取模运算符号，h(eni)为节点的相对能量熵；
[0009][0010]
其中，k为预期簇数比例，eni(r)是传感器节点si在r轮的剩余能量，代表r轮网络的平均能量；
[0011]
1-2)基站根据萤火虫算法进行簇头选择，根据式(3)所示的种群多样性的位置更新策略更新个体位置，得到当前全局最优解c
best
；
[0012][0013]
其中，ci和cj代表萤火虫i和j所处的空间位置，n为迭代轮数，β为光强吸收系数，γ0为萤火虫的最大吸引度，r
ij
为欧几里得距离，为当前迭代轮数中最亮萤火虫个体的位置，ρ为多样性指数，α∈[0，1]表示步长因子，随机参数rand∈[0，1]；
[0014]
1-3)使用引力搜索算法和生物地理学优化杂交算法对c
best
进行进一步搜索，得到全局最优解g
best
即为能量最大的节点位置；
[0015]
1-4)基站根据g
best
计算簇头轮换表并载入流表信息下发给节点，每个节点接收并存储信息，并在每个簇内选出能量最高的节点作为簇头。
[0016]
所述的步骤1-1)中，网络节点位于数据层，网络节点根据阈值条件公式(1)评估成为簇头的概率，在0与1之间提取一个随机数作为条件概率，若小于该条件概率，节点将选择本身作为临时簇头；若节点与基站之间的距离大于节点到簇头的距离，则自身位置信息、剩余能量信息和拓扑信息数据直接传输给基站，反之，通过簇头将数据传输给基站，簇头仅完成接收、融合和转发数据的功能。
[0017]
所述的步骤1-2)中的萤火虫算法的步骤为：
[0018]
2-1)初始化参数种群规模n、初始步长因子α、初始种群多样性指数β0、最大迭代次数maxiterate；
[0019]
2-2)根据相对能量熵构建初始种群c0，根据式(4)进行计算并排序萤火虫亮度i，最大荧光亮度的个体位置即为当前全局最优解c
best
；
[0020][0021]
其中，i0为萤火虫的最大荧光亮度；
[0022][0023]
其中，c
ik
和c
jk
为萤火虫i和j在第w维的坐标；
[0024]
萤火虫的吸引度γ为
[0025][0026]
2-3)根据种群多样性的位置更新策略即式(3)更新萤火虫的位置，ρ是一个根据式(8)所示的多样性指数βn变化的权重如式(9)所示，根据式(6)更新萤火虫之间的吸引度,同时更新c
best
；
[0027][0028]
其中，|s|表示种群大小，表示种群平均中心；
[0029][0030]
其中，β0为初始种群多样性指数，σ是线性递减函数，其计算公式为
[0031][0032]
2-4)若迭代次数n达到maxiterate，算法停止并输出当前c
best
，否则循环执行步骤2-2)～2-3)。
[0033]
本发明的有益效果：
[0034]
针对现有技术的不足，提出一种面向sdwsn的分布式高效熵节能分簇路由方法(dheec,distributed high-efficiency entropy energy-saving cluster routing algorithm)，将能量熵和设计的萤火虫算法和生物地理学优化的混合优化算法用于簇头选择。该方法能够延长网络生存周期，提高能量利用率。
附图说明
[0035]
图1是一种面向sdwsn的分布式高效熵节能分簇路由方法的流程图。
[0036]
图2是ifceer、deec-fa和dheec的网络节点生存周期对比，其中(a)是节点死亡数对比，(b)是节点死亡时间节点对比。
[0037]
图3是ifceer、deec-fa和dheec的基站接收的数据包总数对比。
具体实施方式
[0038]
下面结合附图和实施例对本发明做进一步阐述。
[0039]
一种面向sdwsn的分布式高效熵节能分簇路由方法，该发明的流程图如图1所示，传感器节点位于数据层，将自身位置信息、剩余能量信息和拓扑信息通过簇头发送给基站。
基站位于控制层，计算簇头轮换表，并载入流表信息下发给簇头。
[0040]
该方法包括以下步骤：1-1)网络节点根据阈值条件公式(1)选出临时簇头，节点信息通过簇头发送给基站；
[0041][0042]
其中，n个传感器节点si(i＝1,2...n)，c表示没有成为簇头的节点组，r为当前迭代轮数，mod是取模运算符号，h(eni)为节点的相对能量熵；
[0043][0044]
其中，k为预期簇数比例，eni(r)是传感器节点si在r轮的剩余能量，代表r轮网络的平均能量。
[0045]
1-2)基站根据萤火虫算法进行簇头选择，根据式(3)所示的种群多样性的位置更新策略更新个体位置，得到当前全局最优解c
best
；
[0046][0047]
其中，表示萤火虫i所处的空间位置，α∈[0，1]表示步长因子，随机参数rand∈[0，1]，表示当前迭代次数n轮中最亮萤火虫个体的位置，ρ是多样性指数。
[0048]
1-3)使用引力搜索算法和生物地理学优化杂交算法对c
best
进行进一步搜索，得到全局最优解g
best
即为能量最大的节点位置；
[0049]
1-4)基站根据g
best
计算簇头轮换表并载入流表信息下发给节点，每个节点接收并存储信息，并在每个簇内选出能量最高的节点作为簇头。
[0050]
所述的步骤1-1)中：网络节点位于数据层，网络节点根据阈值条件公式(1)评估成为簇头的概率，在0与1之间提取一个随机数作为条件概率，若小于该条件概率，节点将选择本身作为临时簇头。若节点与基站之间的距离大于节点到簇头的距离，则自身位置信息、剩余能量信息和拓扑信息数据直接传输给基站，反之，通过簇头将数据传输给基站，簇头仅完成接收、融合和转发数据的功能。
[0051]
所述的步骤1-2)中：改进的萤火虫算法的步骤为：
[0052]
2-1)初始化参数种群规模n、初始步长因子α、初始种群多样性指数β0、最大迭代次数maxiterate等；
[0053]
2-2)根据相对能量熵构建初始种群c0，根据式(4)进行亮度计算并排序，最大荧光亮度的个体位置即为当前全局最优解c
best
；
[0054][0055]
其中，i0为萤火虫的最大荧光亮度，β为光强吸收系数，r
ij
为欧几里德距离为
[0056][0057]
其中，ci和cj为萤火虫i和j所处的空间位置，c
ik
和c
jk
为萤火虫i和j在第w维的坐
标。
[0058][0059]
其中，γ0为萤火虫的最大吸引度。
[0060]
2-3)根据种群多样性的位置更新策略即式(3)更新萤火虫的位置，ρ是一个根据式(8)所示的多样性指数βn变化的权重如式(9)所示，根据式(6)更新萤火虫之间的吸引度，同时更新c
best
；
[0061][0062]
其中，|s|表示种群大小，表示种群平均中心。
[0063][0064]
其中，β0为初始种群多样性指数，σ是线性递减函数，其计算公式为
[0065][0066]
2-4)若迭代次数n达到maxiterate，算法停止并输出当前c
best
，否则循环执行步骤2-2)～2-3)。
[0067]
实施例
[0068]
为了便于本领域一般技术人员理解和实施本发明，现给出一种本发明所述方法的具体实施案例。一种面向sdwsn的分布式高效熵节能分簇路由方法的核心思想是：将能量熵和设计的萤火虫算法和生物地理学优化的混合优化算法用于簇头选择。该方法能够延长网络生存周期，提高能量利用率。
[0069]
使用matlab2018a软件，建立sdwsn网络模型，该网络模型有如下特点：100个网络节点被随机分布在100m*100m的区域内，基站位于区域中心；基站与簇头之间根据openflow协议进行数据信息交互；节点软硬件配置相同，都有唯一的编号，位置固定；网络的链路是对称的；基站的计算速度和数据传输能力强于传感器节点。部分网络仿真参数如表1表1所示：
[0070]
表1网络仿真参数
[0071]
参数参数值网络区域100m
×
100m传感器节点个数100基站位置(50,50)传输数据包4000bite00.5je
elec
50nj/bitε
fs
10nj/bit/m2ε
mp
0.0013pj/bit/m4e
da
5nj/bit/signal
[0072]
网络节点根据阈值条件公式(1)选出临时簇头，节点信息通过簇头发送给基站；
[0073][0074]
其中，n个传感器节点si(i＝1,2...n)，c表示没有成为簇头的节点组，r为当前迭代轮数，h(eni)为节点的相对能量熵；
[0075][0076]
其中，k为预期簇数比例，这里k＝0.05，eni(r)是传感器节点si在r轮的剩余能量，e(r)代表r轮网络的平均能量；
[0077]
基站根据萤火虫算法进行簇头选择，部分仿真参数如表2表2所示，根据种群多样性的位置更新策略更新个体位置，得到当前全局最优解c
best
；
[0078]
表2萤火虫算法仿真参数
[0079]
参数参数值n100maxiterate100α0.2β01
[0080]
使用引力搜索算法和生物地理学优化对c
best
进行更加精细的搜索，部分仿真参数如表3所示。
[0081]
表3引力搜索算法和生物地理学优化仿真参数
[0082]
参数参数值n100r
max
100d1e1i1
[0083]
根据c
best
构建初始种群c0，计算适宜指数hsi，并进行排序，更新当前全局最优解g
best
；根据(7)和式(8)计算栖息地的迁出移民指数μk和迁入移民指数λk，并进行迁移操作，根据式(9)进行变异操作；
[0084][0085][0086]
其中，sk表示目前种群个体的数量，s
max
表示最大种群个体的数量，i表示最大移民迁入率，e表示最大移民迁出率。
[0087][0088]
其中，m表示最大变异率，pi表示物种概率，p
max
表示最大物种概率，在这里p
max
＝n。
[0089]
根据(10)计算每一个种群的惯性质量，根据式(11)更新个体位置；
[0090][0091]
其中，sivi表示适宜性指数变量，m
t
表示种群惯性质量，best(t)为当前最优解，worst(t)为当前最差解。
[0092][0093]
若迭代次数达到100，算法停止并输出当前全局最优解c
best
。g
best
即为当前迭代次数中能量最大的节点被选为簇头。
[0094]
网络节点的能量随着算法的迭代次数增加而减少，在一定的迭代次数后耗尽，导致节点死亡。网络中节点死亡数代表了网络的生存周期。图2显示了ifceer、deec-fa和dheec三种算法对网络生存周期的影响。其中图2中a部分显示了最大迭代次数为5000轮时，ifceer、deec-fa和dheec三种算法节点死亡数的变化。可以看出ifceer、deec-fa和dheec三种算法全部节点的死亡轮数分别为3754、2000和3568轮。网络第一个节点死亡，基站收集的信息不再全面，而随着算法的运行，死亡节点数量增多，在后期存活的少部分节点剩余能量较低，并丧失了通信能力。因此，为了更加全面衡量网络的生存周期，图2中b部分对比了ifceer、deec-fa和dheec三种算法首个节点死亡的轮数(fnd,first node died)、10％节点死亡的轮数(tnd,10％node died)和节点全部死亡的轮数(lnd,last node died)。可以看出，由于ifceer只允许高能节点参与竞选簇头，导致fnd和lnd非常接近，deec-fa的fnd远小于其他两个算法，在算法初期网络性能下降严重。考虑网络整体能耗的均衡，定义tnd为网络生命周期，dheec的tnd比ifceer提高了约13.89％，比deec-fa提高了约41.05％。
[0095]
算法运行过程中，存活的成员节点将收集到的数据传输到簇头，簇头再传输给基站，在所有节点传输完成后，基站统计本轮接收的数据包的数量。因此基站接收到的数据包总数用来评估能量利用率，基站接收的数据包越多，能量分布越平衡。图3显示了ifceer、deec-fa和dheec三种算法在迭代了5000轮后基站接收到的数据包总数的变化。由此得出结论，dheec在能量利用率方面比ifceer提高了约31.58％，比deec-fa提高了约31.06％。
[0096]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
技术特征：1.一种面向sdwsn的分布式高效熵节能分簇路由方法，其特征在于，该方法包括以下步骤：1-1）网络节点根据阈值条件公式（1）选出临时簇头，节点信息通过簇头发送给基站； （1）其中，n个传感器节点， c表示没有成为簇头的节点组，r为当前迭代轮数，mod是取模运算符号，h（eni）为节点的相对能量熵；
ꢀꢀ
（2）其中，k为预期簇数比例，eni（r）是传感器节点s
i
在r轮的剩余能量，代表r轮网络的平均能量；1-2）基站根据萤火虫算法进行簇头选择，根据式（3）所示的种群多样性的位置更新策略更新个体位置，得到当前全局最优解c
best
；
ꢀꢀ
（3）其中，c
i
和c
j
代表萤火虫i和j所处的空间位置，n为迭代轮数，β为光强吸收系数，γ0为萤火虫的最大吸引度，r
ij
为欧几里得距离，为当前迭代轮数中最亮萤火虫个体的位置，ρ为多样性指数，α∈[0，1]表示步长因子，随机参数rand∈[0，1]；1-3）使用引力搜索算法和生物地理学优化杂交算法对c
best
进行进一步搜索，得到全局最优解g
best
即为能量最大的节点位置；1-4）基站根据g
best
计算簇头轮换表并载入流表信息下发给节点，每个节点接收并存储信息，并在每个簇内选出能量最高的节点作为簇头。2.根据权利要求1所述的方法，其特征在于，所述的步骤1-1）中，网络节点位于数据层，网络节点根据阈值条件公式（1）评估成为簇头的概率，在0与1之间提取一个随机数作为条件概率，若小于该条件概率，节点将选择本身作为临时簇头；若节点与基站之间的距离大于节点到簇头的距离，则自身位置信息、剩余能量信息和拓扑信息数据直接传输给基站，反之，通过簇头将数据传输给基站，簇头仅完成接收、融合和转发数据的功能。3.根据权利要求1所述的方法，其特征在于，所述的步骤1-2）中的萤火虫算法的步骤为：2-1）初始化参数种群规模n、初始步长因子α、初始种群多样性指数β0、最大迭代次数maxiterate；
2-2）根据相对能量熵构建初始种群c0，根据式（4）进行计算并排序萤火虫亮度i，最大荧光亮度的个体位置即为当前全局最优解c
best
；
ꢀꢀ
（4）其中，i0为萤火虫的最大荧光亮度；
ꢀꢀ
（5）其中，c
ik
和c
jk
为萤火虫i和j在第w维的坐标；萤火虫的吸引度γ为
ꢀꢀ
（6）2-3）根据种群多样性的位置更新策略即式（3）更新萤火虫的位置，ρ是一个根据式（8）所示的多样性指数β
n
变化的权重如式（9）所示，根据式（6）更新萤火虫之间的吸引度,同时更新c
best
；
ꢀꢀ
（7）其中，表示种群大小，表示种群平均中心；
ꢀꢀ
（8）其中，β0为初始种群多样性指数，σ是线性递减函数，其计算公式为
ꢀꢀ
（9）2-4）若迭代次数n达到maxiterate，算法停止并输出当前c
best
，否则循环执行步骤2-2）~2-3）。
技术总结本发明涉及了一种面向SDWSN的分布式高效熵节能分簇路由方法。它包括如下步骤：1-1）网络节点根据阈值条件公式选出临时簇头，节点信息通过簇头发送给基站；1-2）基站根据萤火虫算法进行簇头选择，根据种群多样性的位置更新策略更新个体位置，得到当前全局最优解C
技术研发人员：马巧巧 麻佳辉 董黎刚 蒋献
受保护的技术使用者：浙江工商大学
技术研发日：2022.06.22
技术公布日：2022/11/1
