呂立新　梁艷　汪偉

摘要：針對(duì)移動(dòng)sink數(shù)據(jù)采集算法存在的數(shù)據(jù)采集量低、網(wǎng)絡(luò)生存時(shí)間短等缺陷，從優(yōu)化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的角度設(shè)計(jì)了數(shù)據(jù)采集模型，將Hopfield反饋神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，設(shè)計(jì)了基于Hopfield-GA算法數(shù)據(jù)采集方案，給出了染色體編碼、交叉運(yùn)算、變異運(yùn)算和算法執(zhí)行流程。從實(shí)驗(yàn)結(jié)果分析，該算法具有收斂速度快、尋優(yōu)精度高等特點(diǎn)，在數(shù)據(jù)采集量和網(wǎng)絡(luò)生存時(shí)間二個(gè)衡量指標(biāo)上均優(yōu)于現(xiàn)有的STP算法。

關(guān)鍵詞： 無(wú)線傳感器網(wǎng)絡(luò)； 移動(dòng)Sink； Hopield； 遺傳算法； 數(shù)據(jù)采集

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）14-3225-05

Abstract：According to disadvantages of mobile sink in data collection capacity and network survival time， this paper design a Hopfield - GA data acquisition algorithm based on Hopfield neural network and genetic algorithm. Chromosome coding、crossover operation and variant operation of the algorithm was designed. From the analysis of experimental results， this algorithm has fast convergence rate and higher characteristic， in the amount of data acquisition and network survival time two indicators are better than the existing STP algorithm.

Key words：wireless sensor network； mobile sink； hopield； ga algorithm； data collection

無(wú)線傳感器網(wǎng)絡(luò)作為一種新興的通信技術(shù)在農(nóng)業(yè)、軍事各領(lǐng)域得到了廣泛的應(yīng)用，成為生態(tài)環(huán)境監(jiān)測(cè)、數(shù)據(jù)采集和處理首選的解決方案。一般的環(huán)境監(jiān)測(cè)無(wú)線傳感器網(wǎng)絡(luò)都采用固定的網(wǎng)絡(luò)拓樸結(jié)構(gòu)，所有節(jié)點(diǎn)采集的數(shù)據(jù)通過(guò)多跳路由的方式匯總到Sink節(jié)點(diǎn)，由Sink節(jié)點(diǎn)將數(shù)據(jù)傳給遠(yuǎn)程的服務(wù)器。這種情況下導(dǎo)致節(jié)點(diǎn)的節(jié)點(diǎn)能耗不均，影響網(wǎng)絡(luò)生存時(shí)間。針對(duì)這一缺點(diǎn)，使用移動(dòng)的Sink進(jìn)行數(shù)據(jù)采集，從而均衡各節(jié)點(diǎn)的能量損耗，提高網(wǎng)絡(luò)生存時(shí)間的解決方案被提出并應(yīng)用，給出了如最短路徑樹(shù)（shortest path tree，SPT）等數(shù)據(jù)采集算法[1-5]。使用移動(dòng)Sink節(jié)點(diǎn)按照預(yù)設(shè)的運(yùn)動(dòng)路徑，對(duì)簇首節(jié)點(diǎn)匯總的數(shù)據(jù)進(jìn)行周期性的采集，在一定程序上能夠均衡節(jié)點(diǎn)的能耗，但由于Sink節(jié)點(diǎn)的移動(dòng)性，必然致使其對(duì)簇首節(jié)點(diǎn)的數(shù)量采集量受通信時(shí)間的約束，制約了采集周期內(nèi)的數(shù)據(jù)采集量。因而，如何在均衡節(jié)點(diǎn)能耗的基礎(chǔ)上盡可能提高數(shù)據(jù)采集量，提高移動(dòng)Sink節(jié)點(diǎn)的數(shù)據(jù)采集效率，是應(yīng)用移動(dòng)Sink節(jié)點(diǎn)必須要解決的一個(gè)問(wèn)題。

針對(duì)目前移動(dòng)Sink數(shù)據(jù)采集算法存在的不足，該文從傳感器網(wǎng)絡(luò)拓樸結(jié)構(gòu)的角度出發(fā)，對(duì)族首節(jié)點(diǎn)的成員數(shù)量進(jìn)行優(yōu)化，同時(shí)考慮數(shù)量采集量和網(wǎng)絡(luò)能耗兩個(gè)指標(biāo)，建立數(shù)據(jù)采集模型，將Hopfield反饋神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，設(shè)計(jì)了基于Hopfield-GA算法數(shù)據(jù)采集方案，為移動(dòng)Sink傳感器網(wǎng)絡(luò)提供了一種數(shù)據(jù)采集量高且全網(wǎng)能耗低的數(shù)據(jù)采集算法。

1 移動(dòng)Sink的最小能耗最大數(shù)據(jù)量數(shù)據(jù)采集模型

1.1模型應(yīng)用場(chǎng)景及基本假設(shè)

在使用移動(dòng)Sink節(jié)點(diǎn)的傳感器網(wǎng)絡(luò)中，成員節(jié)點(diǎn)均勻分布的監(jiān)測(cè)區(qū)域內(nèi)，每個(gè)成員節(jié)點(diǎn)從屬于一個(gè)簇首節(jié)點(diǎn)，形成一個(gè)樹(shù)狀的網(wǎng)絡(luò)拓樸結(jié)構(gòu)。Sink節(jié)點(diǎn)按照某個(gè)預(yù)設(shè)的運(yùn)動(dòng)軌跡，以運(yùn)動(dòng)軌跡為圓心，以節(jié)點(diǎn)的通信半徑R為半徑形成的一個(gè)帶狀區(qū)域稱為直接通信區(qū)。處在直接通信區(qū)域的簇首節(jié)點(diǎn)可直接與移動(dòng)Sink節(jié)點(diǎn)建立通信，上傳簇內(nèi)匯總的數(shù)據(jù)。該文的數(shù)據(jù)采集模型建立在如下的假設(shè)基礎(chǔ)上：（1）每個(gè)成員節(jié)點(diǎn)只能從屬于一個(gè)固定的簇首節(jié)點(diǎn)；（2）移動(dòng)Sink節(jié)點(diǎn)只與簇首節(jié)點(diǎn)建立通信，接收數(shù)據(jù)；（3）各成員節(jié)點(diǎn)采用多跳路由的方式與簇首節(jié)點(diǎn)通信；（4）所有簇首節(jié)點(diǎn)均部署在Sink節(jié)點(diǎn)的直接通信區(qū)；（5）各成員節(jié)點(diǎn)和簇首節(jié)點(diǎn)具有同樣的能耗和數(shù)據(jù)發(fā)送能力；（6）移動(dòng)Sink節(jié)點(diǎn)有充足的存儲(chǔ)空間和計(jì)算能力。

在監(jiān)測(cè)區(qū)域中部署的傳感器節(jié)點(diǎn)總數(shù)為[nt]，成員節(jié)點(diǎn)數(shù)為[nm]，簇首節(jié)點(diǎn)數(shù)為[ns]，三者之間的關(guān)系如式（1）所示。

[nt=ns+nm] （1）

各簇首節(jié)點(diǎn)將匯總的簇內(nèi)數(shù)據(jù)傳送給Sink節(jié)點(diǎn)，設(shè)簇首節(jié)點(diǎn)[i]含有[nsi]個(gè)成員節(jié)點(diǎn)，單位時(shí)間內(nèi)的數(shù)據(jù)發(fā)送能力為[qsi]，Sink節(jié)點(diǎn)的數(shù)據(jù)采集總量為[Qt]，其關(guān)系可用式（2）描述。

[Qt=i=1nsiqsi] （2）

設(shè)成員節(jié)點(diǎn)單位時(shí)間內(nèi)的數(shù)據(jù)采集量為[da]，Sink節(jié)點(diǎn)與簇首節(jié)點(diǎn)間的數(shù)據(jù)傳輸速度為[dt]，通信時(shí)間為[tsi]，Sink節(jié)點(diǎn)的單輪數(shù)據(jù)量集用時(shí)為[t]，則簇首節(jié)點(diǎn)的數(shù)據(jù)發(fā)送能力[qsi]應(yīng)滿足式（3）的關(guān)系。

[qsi=min[dttsi，datnsi]] （3）

根據(jù)簇首節(jié)點(diǎn)的數(shù)據(jù)傳送能力，設(shè)簇首節(jié)點(diǎn)[i]的最小成員節(jié)點(diǎn)數(shù)量為[nminsi]，由式（3）可推導(dǎo)出Sink節(jié)點(diǎn)最大化數(shù)據(jù)采集量的充分必要條件為：

[nsi≥dttsidat=nminsi] （4）

根據(jù)模型的假設(shè)條件，成員節(jié)點(diǎn)的數(shù)據(jù)接收和發(fā)送能耗為一常量，設(shè)成員節(jié)點(diǎn)收發(fā)數(shù)據(jù)的單位比特能耗為[e]，數(shù)據(jù)接收、發(fā)送量分別為[qt]和[qr]，則節(jié)點(diǎn)的數(shù)據(jù)收發(fā)總能耗[Ert=e（qt+qr）]。在一個(gè)數(shù)據(jù)采集周期內(nèi)，成員節(jié)點(diǎn)[i]的數(shù)據(jù)發(fā)送量[qit]和數(shù)據(jù)接收量[qir]應(yīng)滿足式（5）所述關(guān)系。

[qit=qir+dat] （5）

設(shè)成員節(jié)點(diǎn)到簇首節(jié)點(diǎn)的路由跳數(shù)為[Ci]，則全網(wǎng)數(shù)據(jù)接收總量和[Ci]應(yīng)滿足如式（6）所示的關(guān)系，其中如果[i]為簇首節(jié)點(diǎn)，則[Ci=0]。

[i=1ntqir=i=1ntCi?（dat）] （6）

根據(jù)式（5）和式（2）可知，全網(wǎng)總能耗[Et]可表示為：

[Et=i=1ntErti=i=1nte（qir+qit）=i=1nte（2qir+dat）=i=1nte（2Ci+1）?（dat）] （7）

1.2數(shù)據(jù)采集量最大化模型

基于模型的前提假設(shè)和式（7）所示的關(guān)系，最小的全網(wǎng)能耗問(wèn)題可轉(zhuǎn)化為節(jié)點(diǎn)間通信的跳數(shù)總和最小的問(wèn)題，即[min（Et）=min（i=1nte（2Ci+1）?（dat））=min（i=1ntCi）]，同時(shí)，只要滿足[nsi≥nminsi]，即可以實(shí)現(xiàn)數(shù)據(jù)采集最大化。

設(shè)矩陣[A（nm，ns）]，是由元素[aij][（i=1，…，nm，j=1，…，ns）]組成，其中[aij]為0-1變量，如果節(jié)點(diǎn)[i]從屬于簇首節(jié)點(diǎn)[j]，則[aij=1]，否則，[aij=0]。設(shè)矩陣[C（nm，ns）]，是由元素[cij][（i=1，…，nm，j=1，…，ns）]組成，[cij]表示成員節(jié)點(diǎn)[i]到簇首節(jié)點(diǎn)[j]的路由最短跳數(shù)，則數(shù)據(jù)采集模型可表示為：

目標(biāo)函數(shù)：[min（i=1nmj=1nsaij?cij）] （8）

約束條件：[j=1nsaij=1，?i；i=1nmaij≥nminsj，?jnm≥j=1nsnminsj] （9）

2 Hopfield-GA優(yōu)化算法設(shè)計(jì)

根據(jù)上述的目標(biāo)函數(shù)和約束條件可知，該模型屬于NP類組合優(yōu)化問(wèn)題，對(duì)這類問(wèn)題一般使用啟發(fā)式的算法來(lái)尋求最優(yōu)解。該文采用二維染色體編碼方案設(shè)計(jì)遺傳算法的交叉運(yùn)算和變異運(yùn)算，利用遺傳算法來(lái)對(duì)模型求解?？紤]到移動(dòng)Sink節(jié)點(diǎn)一般采用嵌入式處理器，其運(yùn)算能力和運(yùn)算資源受到制約，為了提高算法的收斂速度，提高算法的實(shí)時(shí)性，采用Hopfield反饋神經(jīng)網(wǎng)絡(luò)對(duì)遺傳算法的解種群進(jìn)行優(yōu)化，盡可能地消除初始種群中的不可行解，縮小可行解搜索空間，使算法可以快速的收斂于最優(yōu)解。

2.1 適應(yīng)度函與數(shù)染色體編碼設(shè)計(jì)

適應(yīng)度函數(shù)是衡量當(dāng)前解優(yōu)劣程度的重要指標(biāo)，同時(shí)也是遺傳算法進(jìn)行種群進(jìn)化選擇子代種群的依據(jù)，根據(jù)優(yōu)化模型中的目標(biāo)函數(shù)（式8），其表示形式如下：

[f（A）=i=1nmj=1nsaij?Cij] （10）

從模型的約束條件可知，對(duì)一任意的當(dāng)前解中簇首節(jié)點(diǎn)的最小成員需求量與已分配成員節(jié)點(diǎn)的數(shù)量之差，反應(yīng)該解與約束條件的適應(yīng)程度。為了盡可能消除不可行解，采用式（11）所示的不適應(yīng)度函數(shù)來(lái)衡量當(dāng)前解的可行度，函數(shù)值越小，表示當(dāng)前解越可行。

[unf（A）=j=1nsmin（0，i=1nm（aij-nminsj）] （11）

設(shè)計(jì)合適的染色體編碼方案，是應(yīng)用遺傳算法求解首先要解決的問(wèn)題。在本文的模型中，對(duì)于任意一可行解[aij][（i=1，…，nm，j=1，…，ns）]是一個(gè)[nm]行[ns]列的二維矩陣，為了便于設(shè)計(jì)交叉運(yùn)算和變異運(yùn)算，該文采用二維矩陣作為染色體編碼方案。假設(shè)[ni（i=1，…8）]表示8個(gè)成員節(jié)點(diǎn)，[sj（j=1，…3）]表示3個(gè)簇首節(jié)點(diǎn)，每個(gè)成員節(jié)點(diǎn)對(duì)應(yīng)于簇首節(jié)點(diǎn)均有一個(gè)值，如果該值為1，表示該成員節(jié)點(diǎn)從屬于對(duì)應(yīng)的簇首節(jié)點(diǎn)，在如圖1所示的網(wǎng)絡(luò)拓樸結(jié)構(gòu)中，形成的染色體編碼方案如圖右側(cè)所示。

2.2 Hopfield網(wǎng)絡(luò)初始解局部搜索算法設(shè)計(jì)

為了節(jié)省Sink節(jié)點(diǎn)的運(yùn)算資源，盡可能地消除解種群中的不可行解，提高算法的收斂速度和最優(yōu)值搜索能力，對(duì)遺傳算法隨機(jī)生成的初始解種群使用Hopfield反饋神經(jīng)網(wǎng)絡(luò)進(jìn)行局部搜索。借助Hopfield網(wǎng)絡(luò)局部搜索能力，快速度地消除初始種群中的不可行解，為遺傳算法提供進(jìn)行交叉、變異運(yùn)行所需要的父代基因池。

對(duì)于初始解種群的每個(gè)解向量[Aij]中的每個(gè)元素產(chǎn)生一個(gè)神經(jīng)元[sij]，其值為0或1，對(duì)每個(gè)神經(jīng)元采用式（12）所示的演化規(guī)則進(jìn)行串行更新。解向量的適應(yīng)度值和不適應(yīng)度值用[f（A）define]和[unf（A）define]表示。

[sij（t）=0，f（Ai）>f（A）define?unf（Ai）>unf（A）define1，f（Ai）

在Hopfield網(wǎng)絡(luò)搜索的過(guò)程中，如果所有的神經(jīng)元狀態(tài)都沒(méi)有發(fā)生改變即表示局部搜索完成，形成了一個(gè)可行解。通過(guò)這種搜索為后續(xù)的交叉變異操作提供滿足預(yù)定義的適應(yīng)值的父代基因，加速算法向最優(yōu)值收斂。

2.3 種群進(jìn)化策略設(shè)計(jì)

通常情況下任何一個(gè)啟發(fā)示算法都應(yīng)該有一個(gè)包含個(gè)體協(xié)作、自我適應(yīng)和競(jìng)爭(zhēng)選擇三部分組成的種群進(jìn)化策略[6]。在本算法中使用染色體的交叉運(yùn)算來(lái)實(shí)現(xiàn)解種群中的個(gè)體間協(xié)作，其流程如算法1所示。

算法1：交叉操作算法

在進(jìn)化策略中，解種群中個(gè)體的自我適應(yīng)采用染色體的變異操作來(lái)實(shí)現(xiàn)，變異操作的規(guī)則如圖2所示。首先從染色體基因池中隨機(jī)挑選兩對(duì)基因，對(duì)基因的編碼值進(jìn)行交換，產(chǎn)生一條新的染色體，其目的是交換兩個(gè)成員節(jié)點(diǎn)的簇首節(jié)點(diǎn)，增加解種群的多樣性，同時(shí)保證產(chǎn)生的新染色體符合約束條件。

按照一定比例由染色體的復(fù)制、交叉和變異三種運(yùn)算產(chǎn)生新的子代種群的方式作為算法的競(jìng)爭(zhēng)選擇策略。其規(guī)則為：子代種群中20%染色體由將父代種群中適應(yīng)值最較好的染色體直接復(fù)制產(chǎn)生，75%的染色體由父代種群按算法1進(jìn)行交叉運(yùn)算產(chǎn)生，另外5%的子代染色體由父代種群通過(guò)變異操作產(chǎn)生，進(jìn)化過(guò)程種群中染色體的數(shù)量始終保持一恒定值。

2.4 Hopfield-GA算法的執(zhí)行流程

Hopfield-GA算法的執(zhí)行流程如下：（1）隨機(jī)生成N個(gè)染色體，形成初始解種群；（2）對(duì)初始解種群進(jìn)行Hopfield局部搜索，消除不可行解，行成父代種群；（3）按式（12）計(jì)算父代種群中每個(gè)解個(gè)體的適應(yīng)值，并按適應(yīng)值優(yōu)劣程序排序；（4）對(duì)父代種群進(jìn)行交叉運(yùn)算、變異運(yùn)算和選擇操作，產(chǎn)生新一代的子種群；（5）重執(zhí)行（2）-（4）步驟，直至循環(huán)條件退出或連續(xù)5代最優(yōu)值保持不變，輸出最優(yōu)解。

3 Hopfield-GA算法仿真與性能評(píng)估

基于OMNet++4.1仿真軟件和Castalia傳感器節(jié)點(diǎn)模型，建立算法的仿真環(huán)境，使用Matlab語(yǔ)言編寫(xiě)算法，進(jìn)行算法的運(yùn)行仿真實(shí)驗(yàn)。首先隨機(jī)生成60個(gè)傳感器節(jié)點(diǎn)，網(wǎng)絡(luò)結(jié)構(gòu)劃分為5個(gè)簇，成員節(jié)點(diǎn)以250B/s的速度進(jìn)行數(shù)據(jù)的連續(xù)采集并傳送給簇首節(jié)點(diǎn)，節(jié)點(diǎn)的初始能量為20J，單位數(shù)據(jù)傳輸能耗[e=4μJ/B]，移動(dòng)Sink節(jié)點(diǎn)單輪數(shù)據(jù)采集時(shí)間為100s，數(shù)據(jù)傳輸速率為25KB/s，遺傳算法的解種群規(guī)模為100，計(jì)算終止進(jìn)化代數(shù)為150。

為了驗(yàn)證Hopfield-GA算法的有效性，使用相同的參數(shù)對(duì)普通GA算法和Hopfield-GA算法分別進(jìn)行仿真計(jì)算，兩者的收斂速度、尋優(yōu)結(jié)果如圖4所示。類比參考文獻(xiàn)[5]中提出的SPT算法，采用相同的參數(shù)從全網(wǎng)能耗、網(wǎng)絡(luò)生存時(shí)間、數(shù)所采集量和成員節(jié)點(diǎn)分配情況4個(gè)方面，進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果如圖3至圖6所示。

從圖3和圖4可見(jiàn)，加入了Hopfield局部搜索功能的GA算法的收斂速度是普通GA算法的1倍，單輪數(shù)據(jù)采集量接近于理論最大采集量的90%，能夠較好地滿足Sink節(jié)點(diǎn)運(yùn)算資源有限和實(shí)時(shí)性要求高的特點(diǎn)。綜合圖5和圖6所示的仿真實(shí)驗(yàn)結(jié)果可見(jiàn)，Hopfield-GA數(shù)據(jù)采集算法相對(duì)于STP算法能夠?qū)崿F(xiàn)最大量采集數(shù)據(jù)的同時(shí)保證節(jié)點(diǎn)能耗負(fù)載的均衡分配，使其在數(shù)量采集總量和網(wǎng)絡(luò)生存時(shí)間上突顯出較大的優(yōu)勢(shì)。

4 結(jié)論

將移動(dòng)Sink應(yīng)用于無(wú)線傳感器監(jiān)測(cè)網(wǎng)絡(luò)是一種提高網(wǎng)絡(luò)生存時(shí)間的有效方法，但當(dāng)前移動(dòng)Sink節(jié)點(diǎn)數(shù)據(jù)采集算法無(wú)法獲取較大的數(shù)量采集了和較長(zhǎng)的網(wǎng)絡(luò)生存時(shí)間。針對(duì)這些缺陷本文將Hopfield反饋神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，設(shè)計(jì)了基于Hopfield-GA算法數(shù)據(jù)采集方案，給出了算法的種群進(jìn)化規(guī)則和計(jì)算流程。從實(shí)驗(yàn)結(jié)果看，該算法能夠?qū)崿F(xiàn)最大數(shù)據(jù)采集量的同時(shí)降低全網(wǎng)能耗，提高網(wǎng)絡(luò)生存時(shí)間，為無(wú)線傳感器網(wǎng)絡(luò)在信息監(jiān)測(cè)領(lǐng)域的應(yīng)用提供了一套可行的技術(shù)方案。

參考文獻(xiàn)：

[1] Chakrabarti A， Sabharwal A， Aazhang B. Using predictable observer mobility for power efficient design of sensor networks. Proceedings of the 6th International Symposium on Distributed Autono2 mous Robotics Systems [C].Fukuoka： SPR INGER2VERLAG TOKYO，2008：129-144.

[2] Chakrabarti A， Sabharwal A， Aazhang B. Communication power optimization in a sensor network with a path-constrained mobile observer. Proceedings of the IEEE INFOCOM. San Francisco，USA，2010，2（3）：297-324.

[3] Song L.Architecture of wireless sensor networks with mobile sinks： sparsely deployed sensors. IEEE Trans. Journal of Intelligent & Robotic Systems，2011，56（4）：1826-1836.

[4] Luo J， Panchard J， Piorkowski M， Grossglauser M， Hubaux JP. MobiRoute： Routing towards a mobile sink for improving lifetime in sensor networks. In： IEEE Wireless Communications and Networking Conference. Third European Workshop. Zurich， Switzerland， 2011：480-497.

[5] Somasundara A， Kansal A， Jea D， Estrin D， Srivastava M. Controllably mobile infrastructure for low energy embedded networks. Lecture Notes in Control and Information Sciences，2012，5（8）：958-973.

[6] 呂立新. 基于移動(dòng)Sink節(jié)點(diǎn)傳感器網(wǎng)絡(luò)的農(nóng)業(yè)環(huán)境信息監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].合肥：安徽大學(xué)，2010.

2.4 Hopfield-GA算法的執(zhí)行流程

Hopfield-GA算法的執(zhí)行流程如下：（1）隨機(jī)生成N個(gè)染色體，形成初始解種群；（2）對(duì)初始解種群進(jìn)行Hopfield局部搜索，消除不可行解，行成父代種群；（3）按式（12）計(jì)算父代種群中每個(gè)解個(gè)體的適應(yīng)值，并按適應(yīng)值優(yōu)劣程序排序；（4）對(duì)父代種群進(jìn)行交叉運(yùn)算、變異運(yùn)算和選擇操作，產(chǎn)生新一代的子種群；（5）重執(zhí)行（2）-（4）步驟，直至循環(huán)條件退出或連續(xù)5代最優(yōu)值保持不變，輸出最優(yōu)解。

3 Hopfield-GA算法仿真與性能評(píng)估

基于OMNet++4.1仿真軟件和Castalia傳感器節(jié)點(diǎn)模型，建立算法的仿真環(huán)境，使用Matlab語(yǔ)言編寫(xiě)算法，進(jìn)行算法的運(yùn)行仿真實(shí)驗(yàn)。首先隨機(jī)生成60個(gè)傳感器節(jié)點(diǎn)，網(wǎng)絡(luò)結(jié)構(gòu)劃分為5個(gè)簇，成員節(jié)點(diǎn)以250B/s的速度進(jìn)行數(shù)據(jù)的連續(xù)采集并傳送給簇首節(jié)點(diǎn)，節(jié)點(diǎn)的初始能量為20J，單位數(shù)據(jù)傳輸能耗[e=4μJ/B]，移動(dòng)Sink節(jié)點(diǎn)單輪數(shù)據(jù)采集時(shí)間為100s，數(shù)據(jù)傳輸速率為25KB/s，遺傳算法的解種群規(guī)模為100，計(jì)算終止進(jìn)化代數(shù)為150。

為了驗(yàn)證Hopfield-GA算法的有效性，使用相同的參數(shù)對(duì)普通GA算法和Hopfield-GA算法分別進(jìn)行仿真計(jì)算，兩者的收斂速度、尋優(yōu)結(jié)果如圖4所示。類比參考文獻(xiàn)[5]中提出的SPT算法，采用相同的參數(shù)從全網(wǎng)能耗、網(wǎng)絡(luò)生存時(shí)間、數(shù)所采集量和成員節(jié)點(diǎn)分配情況4個(gè)方面，進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果如圖3至圖6所示。

從圖3和圖4可見(jiàn)，加入了Hopfield局部搜索功能的GA算法的收斂速度是普通GA算法的1倍，單輪數(shù)據(jù)采集量接近于理論最大采集量的90%，能夠較好地滿足Sink節(jié)點(diǎn)運(yùn)算資源有限和實(shí)時(shí)性要求高的特點(diǎn)。綜合圖5和圖6所示的仿真實(shí)驗(yàn)結(jié)果可見(jiàn)，Hopfield-GA數(shù)據(jù)采集算法相對(duì)于STP算法能夠?qū)崿F(xiàn)最大量采集數(shù)據(jù)的同時(shí)保證節(jié)點(diǎn)能耗負(fù)載的均衡分配，使其在數(shù)量采集總量和網(wǎng)絡(luò)生存時(shí)間上突顯出較大的優(yōu)勢(shì)。

4 結(jié)論

將移動(dòng)Sink應(yīng)用于無(wú)線傳感器監(jiān)測(cè)網(wǎng)絡(luò)是一種提高網(wǎng)絡(luò)生存時(shí)間的有效方法，但當(dāng)前移動(dòng)Sink節(jié)點(diǎn)數(shù)據(jù)采集算法無(wú)法獲取較大的數(shù)量采集了和較長(zhǎng)的網(wǎng)絡(luò)生存時(shí)間。針對(duì)這些缺陷本文將Hopfield反饋神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，設(shè)計(jì)了基于Hopfield-GA算法數(shù)據(jù)采集方案，給出了算法的種群進(jìn)化規(guī)則和計(jì)算流程。從實(shí)驗(yàn)結(jié)果看，該算法能夠?qū)崿F(xiàn)最大數(shù)據(jù)采集量的同時(shí)降低全網(wǎng)能耗，提高網(wǎng)絡(luò)生存時(shí)間，為無(wú)線傳感器網(wǎng)絡(luò)在信息監(jiān)測(cè)領(lǐng)域的應(yīng)用提供了一套可行的技術(shù)方案。

參考文獻(xiàn)：

[1] Chakrabarti A， Sabharwal A， Aazhang B. Using predictable observer mobility for power efficient design of sensor networks. Proceedings of the 6th International Symposium on Distributed Autono2 mous Robotics Systems [C].Fukuoka： SPR INGER2VERLAG TOKYO，2008：129-144.

[2] Chakrabarti A， Sabharwal A， Aazhang B. Communication power optimization in a sensor network with a path-constrained mobile observer. Proceedings of the IEEE INFOCOM. San Francisco，USA，2010，2（3）：297-324.

[3] Song L.Architecture of wireless sensor networks with mobile sinks： sparsely deployed sensors. IEEE Trans. Journal of Intelligent & Robotic Systems，2011，56（4）：1826-1836.

[4] Luo J， Panchard J， Piorkowski M， Grossglauser M， Hubaux JP. MobiRoute： Routing towards a mobile sink for improving lifetime in sensor networks. In： IEEE Wireless Communications and Networking Conference. Third European Workshop. Zurich， Switzerland， 2011：480-497.

[5] Somasundara A， Kansal A， Jea D， Estrin D， Srivastava M. Controllably mobile infrastructure for low energy embedded networks. Lecture Notes in Control and Information Sciences，2012，5（8）：958-973.

[6] 呂立新. 基于移動(dòng)Sink節(jié)點(diǎn)傳感器網(wǎng)絡(luò)的農(nóng)業(yè)環(huán)境信息監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].合肥：安徽大學(xué)，2010.

2.4 Hopfield-GA算法的執(zhí)行流程

Hopfield-GA算法的執(zhí)行流程如下：（1）隨機(jī)生成N個(gè)染色體，形成初始解種群；（2）對(duì)初始解種群進(jìn)行Hopfield局部搜索，消除不可行解，行成父代種群；（3）按式（12）計(jì)算父代種群中每個(gè)解個(gè)體的適應(yīng)值，并按適應(yīng)值優(yōu)劣程序排序；（4）對(duì)父代種群進(jìn)行交叉運(yùn)算、變異運(yùn)算和選擇操作，產(chǎn)生新一代的子種群；（5）重執(zhí)行（2）-（4）步驟，直至循環(huán)條件退出或連續(xù)5代最優(yōu)值保持不變，輸出最優(yōu)解。

3 Hopfield-GA算法仿真與性能評(píng)估

基于OMNet++4.1仿真軟件和Castalia傳感器節(jié)點(diǎn)模型，建立算法的仿真環(huán)境，使用Matlab語(yǔ)言編寫(xiě)算法，進(jìn)行算法的運(yùn)行仿真實(shí)驗(yàn)。首先隨機(jī)生成60個(gè)傳感器節(jié)點(diǎn)，網(wǎng)絡(luò)結(jié)構(gòu)劃分為5個(gè)簇，成員節(jié)點(diǎn)以250B/s的速度進(jìn)行數(shù)據(jù)的連續(xù)采集并傳送給簇首節(jié)點(diǎn)，節(jié)點(diǎn)的初始能量為20J，單位數(shù)據(jù)傳輸能耗[e=4μJ/B]，移動(dòng)Sink節(jié)點(diǎn)單輪數(shù)據(jù)采集時(shí)間為100s，數(shù)據(jù)傳輸速率為25KB/s，遺傳算法的解種群規(guī)模為100，計(jì)算終止進(jìn)化代數(shù)為150。

為了驗(yàn)證Hopfield-GA算法的有效性，使用相同的參數(shù)對(duì)普通GA算法和Hopfield-GA算法分別進(jìn)行仿真計(jì)算，兩者的收斂速度、尋優(yōu)結(jié)果如圖4所示。類比參考文獻(xiàn)[5]中提出的SPT算法，采用相同的參數(shù)從全網(wǎng)能耗、網(wǎng)絡(luò)生存時(shí)間、數(shù)所采集量和成員節(jié)點(diǎn)分配情況4個(gè)方面，進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果如圖3至圖6所示。

從圖3和圖4可見(jiàn)，加入了Hopfield局部搜索功能的GA算法的收斂速度是普通GA算法的1倍，單輪數(shù)據(jù)采集量接近于理論最大采集量的90%，能夠較好地滿足Sink節(jié)點(diǎn)運(yùn)算資源有限和實(shí)時(shí)性要求高的特點(diǎn)。綜合圖5和圖6所示的仿真實(shí)驗(yàn)結(jié)果可見(jiàn)，Hopfield-GA數(shù)據(jù)采集算法相對(duì)于STP算法能夠?qū)崿F(xiàn)最大量采集數(shù)據(jù)的同時(shí)保證節(jié)點(diǎn)能耗負(fù)載的均衡分配，使其在數(shù)量采集總量和網(wǎng)絡(luò)生存時(shí)間上突顯出較大的優(yōu)勢(shì)。

4 結(jié)論

將移動(dòng)Sink應(yīng)用于無(wú)線傳感器監(jiān)測(cè)網(wǎng)絡(luò)是一種提高網(wǎng)絡(luò)生存時(shí)間的有效方法，但當(dāng)前移動(dòng)Sink節(jié)點(diǎn)數(shù)據(jù)采集算法無(wú)法獲取較大的數(shù)量采集了和較長(zhǎng)的網(wǎng)絡(luò)生存時(shí)間。針對(duì)這些缺陷本文將Hopfield反饋神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，設(shè)計(jì)了基于Hopfield-GA算法數(shù)據(jù)采集方案，給出了算法的種群進(jìn)化規(guī)則和計(jì)算流程。從實(shí)驗(yàn)結(jié)果看，該算法能夠?qū)崿F(xiàn)最大數(shù)據(jù)采集量的同時(shí)降低全網(wǎng)能耗，提高網(wǎng)絡(luò)生存時(shí)間，為無(wú)線傳感器網(wǎng)絡(luò)在信息監(jiān)測(cè)領(lǐng)域的應(yīng)用提供了一套可行的技術(shù)方案。

參考文獻(xiàn)：

[1] Chakrabarti A， Sabharwal A， Aazhang B. Using predictable observer mobility for power efficient design of sensor networks. Proceedings of the 6th International Symposium on Distributed Autono2 mous Robotics Systems [C].Fukuoka： SPR INGER2VERLAG TOKYO，2008：129-144.

[2] Chakrabarti A， Sabharwal A， Aazhang B. Communication power optimization in a sensor network with a path-constrained mobile observer. Proceedings of the IEEE INFOCOM. San Francisco，USA，2010，2（3）：297-324.

[3] Song L.Architecture of wireless sensor networks with mobile sinks： sparsely deployed sensors. IEEE Trans. Journal of Intelligent & Robotic Systems，2011，56（4）：1826-1836.

[4] Luo J， Panchard J， Piorkowski M， Grossglauser M， Hubaux JP. MobiRoute： Routing towards a mobile sink for improving lifetime in sensor networks. In： IEEE Wireless Communications and Networking Conference. Third European Workshop. Zurich， Switzerland， 2011：480-497.

[5] Somasundara A， Kansal A， Jea D， Estrin D， Srivastava M. Controllably mobile infrastructure for low energy embedded networks. Lecture Notes in Control and Information Sciences，2012，5（8）：958-973.

[6] 呂立新. 基于移動(dòng)Sink節(jié)點(diǎn)傳感器網(wǎng)絡(luò)的農(nóng)業(yè)環(huán)境信息監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].合肥：安徽大學(xué)，2010.