楊 佳,顧耀華,許 強(qiáng)

1(重慶理工大學(xué) 電氣與電子工程學(xué)院,重慶 400054)2(重慶工商大學(xué) 計(jì)算機(jī)科學(xué)與信息工程學(xué)院,重慶 400067)

1 引 言

無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSNs)是指在一定區(qū)域范圍內(nèi),布撒大量具有信息采集和無線通信傳輸功能的微型智能傳感器而組成的一種無線自組織網(wǎng)絡(luò)[1].該網(wǎng)絡(luò)可以對指定區(qū)域內(nèi)的待監(jiān)測量進(jìn)行感知、處理和傳輸,最終將待監(jiān)測量發(fā)送給觀察者,從而可以實(shí)現(xiàn)遠(yuǎn)程檢測的目的.無線傳感器網(wǎng)絡(luò)的這些特點(diǎn)決定了它在人們的日常生活和工農(nóng)業(yè)生產(chǎn)中具有很大的實(shí)用價(jià)值.然而,無線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)能源大都來自于電池,隨著電池能量的耗盡,很多環(huán)境下無法更換新的.并且當(dāng)前技術(shù)無法對電池容量增大太多,能耗問題已經(jīng)成為無線傳感器網(wǎng)絡(luò)發(fā)展的最大制約因素之一.因此,該問題成為了國內(nèi)外學(xué)者研究的熱點(diǎn).其中,采用對無線傳感器網(wǎng)絡(luò)分簇路由進(jìn)行優(yōu)化來節(jié)約網(wǎng)絡(luò)能耗是主要解決方式之一.

文獻(xiàn)[2]所提出的LEACH是最早的分簇路由算法.該算法對所有傳感器節(jié)點(diǎn)進(jìn)行分簇,并在每個(gè)簇中選出一個(gè)簇頭.這種方式與之前的方法相比,極大的節(jié)約了能耗.但是,該算法中所有簇頭都是通過單跳的方式直接與Sink節(jié)點(diǎn)進(jìn)行通信,這就會造成遠(yuǎn)離Sink節(jié)點(diǎn)的簇頭能量消耗過快.此外,在選擇簇頭的時(shí)候,還存在無法保證簇頭均勻分布的問題.近年來,群智能算法被引入到無線傳感器網(wǎng)絡(luò)中.其中,文獻(xiàn)[3]在經(jīng)典LEACH協(xié)議的基礎(chǔ)上,引入蟻群優(yōu)化(Ant Colony Optimization,ACO)算法,提出了一種基于蟻群的無線傳感器網(wǎng)絡(luò)分簇路由協(xié)議(ACO-LEACH),在一定程度上實(shí)現(xiàn)了節(jié)約能耗和延長網(wǎng)絡(luò)生命周期的目的.但是,使用蟻群算法搜尋路徑具有盲目性,容易造成局部最優(yōu)解,并且最優(yōu)路徑的收斂速度比較慢.因此,本文在無線傳感器網(wǎng)絡(luò)的分簇階段采用改進(jìn)的LEACH協(xié)議對傳感器進(jìn)行分簇和簇頭的選擇;在簇間路由階段,引入量子蟻群優(yōu)化(Quantum Ant Colony Optimization,QACO)算法對無線傳感器網(wǎng)絡(luò)路由路徑選擇問題進(jìn)行優(yōu)化,找到全局最優(yōu)解,加快了算法的收斂速度.提出了一種基于量子蟻群優(yōu)化的無線傳感器網(wǎng)絡(luò)分簇路由算法(QACO-LEACH).該算法可以更好地節(jié)約節(jié)點(diǎn)的能耗,延長網(wǎng)絡(luò)的生命周期.

2 量子蟻群算法

量子進(jìn)化算法(Quantum Evolutionary Algorithm,QEA)是一種基于量子計(jì)算的一些理論和概念,并且模擬了量子態(tài)矢量表示和量子旋轉(zhuǎn)門運(yùn)算的概率進(jìn)化算法[4].QEA在種群多樣性、全局優(yōu)化能力和收斂速度等方面表現(xiàn)出比傳統(tǒng)遺傳算法更好的性能.此外,該算法容易與其他算法融合的特點(diǎn),也使得其在許多優(yōu)化問題中得到廣泛的應(yīng)用.在研究量子進(jìn)化算法的基礎(chǔ)上,文獻(xiàn)[5]和文獻(xiàn)[6]詳細(xì)闡述了進(jìn)化計(jì)算和量子計(jì)算這兩個(gè)概念,并且將這兩個(gè)概念融合到蟻群算法中,提出了量子蟻群優(yōu)化算法.在該算法中,量子比特可用于表示每只螞蟻任意時(shí)刻的位置信息.在每只螞蟻移動之前,根據(jù)選擇概率來選擇下一時(shí)刻的位置.這種選擇概率可依據(jù)每條路徑上的信息素強(qiáng)度和可見度大小判斷得到.而螞蟻位置的改變可以使用量子比特的更新來表示.因此,需要使用量子進(jìn)化算法中的量子旋轉(zhuǎn)門來更新代表每只螞蟻此時(shí)位置信息的量子比特,從而實(shí)現(xiàn)螞蟻的移動.在量子蟻群算法中,可以很好的解決蟻群算法中易于陷入局部最優(yōu)的問題,主要是因?yàn)橛行У脑黾恿宋恢玫亩鄻有?所采取的措施之一就是每只螞蟻的位置信息都使用量子比特的兩個(gè)概率幅來表示.其次就是引入了量子非門,實(shí)現(xiàn)了螞蟻位置的變異.在完成了螞蟻位置變化之后,可根據(jù)螞蟻位置信息的變化數(shù)據(jù),更新路徑的信息素強(qiáng)度和可見度大小.更新之后的信息素強(qiáng)度和可見度大小,又成為接下來其他螞蟻選擇概率的判斷依據(jù).與傳統(tǒng)蟻群算法相比,同樣數(shù)量的螞蟻,量子蟻群算法的搜索空間更大,收斂速度更快,能更好的找到全局最優(yōu)解.

3 基于量子蟻群算法的WSN分簇路由算法

傳統(tǒng)的WSN分簇路由算法具有周期性,每個(gè)周期都包括兩個(gè)階段:簇形成階段和簇間路由階段[7].本文所提出的QACO-LEACH與此相同,在每一個(gè)周期中,我們將首先把所有節(jié)點(diǎn)劃分成很多簇,然后才是等待數(shù)據(jù)的傳輸.

在簇形成階段,每個(gè)簇中簇頭的選擇是需要解決的首要任務(wù),該簇頭節(jié)點(diǎn)將要承擔(dān)比普通節(jié)點(diǎn)更多的額外任務(wù),比如數(shù)據(jù)融合和收發(fā)消息等,這就必然會導(dǎo)致簇頭節(jié)點(diǎn)比普通節(jié)點(diǎn)消耗更多的能量[8].因此,節(jié)點(diǎn)的剩余能量毋庸置疑是我們在選擇簇頭節(jié)點(diǎn)時(shí)必須要考慮的一個(gè)重要因素.此外,為了解決隨機(jī)性選擇簇頭導(dǎo)致的簇頭節(jié)點(diǎn)分布過于密集的情況,本文設(shè)定一個(gè)參數(shù)L,對于臨近的兩個(gè)待選簇頭節(jié)點(diǎn),首先判斷兩者之間的距離大小,若距離小于L,就比較兩者各自的剩余能量大小.選擇剩余能量大的節(jié)點(diǎn)作為簇頭,另一個(gè)自然成為普通節(jié)點(diǎn),從而確保形成的簇更加合理,避免了簇頭“扎堆”現(xiàn)象.

其中,L的表達(dá)式為:

(1)

式中,S是檢測區(qū)域的面積,N是傳感器節(jié)點(diǎn)的數(shù)目,P是簇頭節(jié)點(diǎn)占總節(jié)點(diǎn)數(shù)的比例.

在簇間路由階段,主要進(jìn)行的工作就是數(shù)據(jù)傳輸,而數(shù)據(jù)傳輸主要采用的方式就是在簇頭節(jié)點(diǎn)與Sink節(jié)點(diǎn)之間進(jìn)行多跳通信.本文在這種多跳通信中引入QACO算法,找出距離較遠(yuǎn)的簇頭節(jié)點(diǎn)與Sink節(jié)點(diǎn)之間的最優(yōu)路徑.在該最優(yōu)路徑中進(jìn)行數(shù)據(jù)傳輸,可以大大降低遠(yuǎn)離Sink節(jié)點(diǎn)的簇頭節(jié)點(diǎn)的能耗,從而延長了整個(gè)網(wǎng)絡(luò)的生命周期.本算法流程圖如圖1所示.

圖1 QACO-LEACH算法流程圖Fig.1 QACO-LEACH algorithm flow chart

4 算法的實(shí)現(xiàn)過程

4.1 簇形成階段

簇頭被選定之后,即以廣播的形式向其周圍節(jié)點(diǎn)發(fā)送當(dāng)選簇頭的消息.周圍節(jié)點(diǎn)隨后判斷自身與簇頭節(jié)點(diǎn)之間的距離大小,選擇距離近的簇頭節(jié)點(diǎn)并加入該簇.以此類推,各個(gè)節(jié)點(diǎn)自組織的加入各自的簇,直到所有節(jié)點(diǎn)分簇完成.實(shí)現(xiàn)步驟和一些偽代碼如下:

Step 1.對所有參數(shù)值以及用得到的數(shù)據(jù)表進(jìn)行初始化,同時(shí)在N×N的正方形區(qū)域內(nèi)隨機(jī)分布適量的節(jié)點(diǎn),并將每個(gè)節(jié)點(diǎn)的坐標(biāo)(x,y)記錄下來.

Step 2.Q=Rand(0,1)//各個(gè)節(jié)點(diǎn)選擇隨機(jī)數(shù)

If (Q < T(n)) //T(n)的公式見式(2)

Position=Cluster Head //當(dāng)選簇頭

Broadcast //以廣播形式向其他節(jié)點(diǎn)發(fā)送當(dāng)選簇

頭消息

If (Position=Cluster Head)

Listening

If (臨近的兩個(gè)簇頭節(jié)點(diǎn)互相接收到對方發(fā)送的消息)

If (它們之間的距離

比較它們的剩余能量大小,大的即為簇頭,小的自動成為

成員節(jié)點(diǎn)

End

(2)

其中,p表示簇頭數(shù)量占總節(jié)點(diǎn)個(gè)數(shù)的百分比;Ecurrent是節(jié)點(diǎn)此時(shí)的能量;r表示此時(shí)的輪數(shù);Emax是節(jié)點(diǎn)的初始能量值;G是在最后1/p輪中仍然沒有當(dāng)選簇頭的節(jié)點(diǎn)集合.

簇頭選擇完成.

Step 3.剩余的所有未當(dāng)選簇頭的普通節(jié)點(diǎn),判斷自身與簇頭節(jié)點(diǎn)之間的距離大小,選擇距離近的簇頭節(jié)點(diǎn)并加入該簇.以此類推,各個(gè)節(jié)點(diǎn)自組織的加入各自的簇,直到所有節(jié)點(diǎn)分簇完成.

4.2 簇間路由階段

4.2.1 初始種群產(chǎn)生

在QACO中,螞蟻種群初始化時(shí),以隨機(jī)的方式對代表每只螞蟻當(dāng)前位置的信息進(jìn)行初始化編碼.可以使用如下方案進(jìn)行編碼:

(3)

其中,θij=2π×rand;(i,j=1,2,…,m),m是種群規(guī)模,n是空間維數(shù),rand是(0,1)之間的隨機(jī)數(shù).由該方案可知,兩個(gè)量子態(tài) |0>和|1>的概率幅各自代表了每只螞蟻在空間中所占據(jù)的兩個(gè)位置信息.因此,當(dāng)螞蟻的數(shù)量相同時(shí),螞蟻的搜索空間增大為原來的兩倍,這一特點(diǎn)自然會使得收斂速度大大加快[8].

qi0=(cos(θi1),cos(θi2),…,cos(θin))

(4)

qi1=(sin(θi1),sin(θi2),…,sin(θin))

(5)

qi0為|0>態(tài)位置,qi1為|1>態(tài)位置.在選擇路徑時(shí),分別使用一個(gè)染色體基因的因子代表每一個(gè)待選路徑.當(dāng)某條路徑被選中時(shí),其因子將被置1,若未被選中,則置0.在完成了這些工作之后,即可進(jìn)行量子進(jìn)化算法的操作.

4.2.2 螞蟻位置更新與變異處理

在蟻群算法中,種群在搜索空間中多樣性的丟失,容易導(dǎo)致陷入局部最優(yōu)[9].因此,為了避免出現(xiàn)局部最優(yōu)的情況,我們就需要提高種群多樣性.本文采用的方式是將變異算子引入到進(jìn)化算法中.在量子蟻群算法中,將傳統(tǒng)ACO中螞蟻經(jīng)過之后路徑信息素強(qiáng)度的增加量轉(zhuǎn)變?yōu)榱孔有D(zhuǎn)門旋轉(zhuǎn)角的更新.該方式可以保證信息素向最優(yōu)目標(biāo)解的方向坍縮,信息素的更新以及量子旋轉(zhuǎn)門的使用如式(6)(7).

(6)

(7)

其中:Δθ是旋轉(zhuǎn)的角度大小,這里使用自適應(yīng)的方式來調(diào)整量子旋轉(zhuǎn)角Δθi的方向和大小,可以避免采用查詢表的方式所帶來的不便.調(diào)整方式如式(3)所示,容易得出對于旋轉(zhuǎn)角的每一次調(diào)整,一定可以讓信息素的更新趨勢朝著目標(biāo)最優(yōu)解的方向調(diào)整.

Δθij=-sgn(A)×Δθ

(8)

(9)

其中:G是設(shè)置好的最大迭代次數(shù),t是當(dāng)前的迭代次數(shù).最初執(zhí)行算法時(shí)Δθ的值相對較大,這樣可以保證搜索的范圍更大,使算法的搜索空間更大,同時(shí)可以更好的跳出局部最優(yōu),防止過早陷入局部最優(yōu).隨著迭代次數(shù)不斷增加,Δθ的值會變得越來越小,因此可以確保算法在局部的更新能力.

然后,利用更新后的量子旋轉(zhuǎn)門,對代表螞蟻此時(shí)位置信息的量子比特進(jìn)行更新,即完成了螞蟻位置的移動.自此,只須改變每只螞蟻的量子位概率幅,就可實(shí)現(xiàn)螞蟻位置的變動.螞蟻轉(zhuǎn)移概率方程為:

(10)

(11)

式中dij為相鄰兩個(gè)簇頭節(jié)點(diǎn)之間的距離,β(β≥0)為期望的啟發(fā)式因子,μj為節(jié)點(diǎn)j的量子信息強(qiáng)度,其表達(dá)式為

(12)

式中|αj|2表示第j個(gè)量子位的量子態(tài)坍縮到|0>的概率,γ(γ≥0)為量子比特啟發(fā)式因子.

4.2.3 路徑信息素強(qiáng)度更新規(guī)則

在QACO中,信息素強(qiáng)度越高的地方,表明路徑越好,因此需要及時(shí)更新信息素強(qiáng)度[10].在每個(gè)螞蟻分別完成對各個(gè)路徑的搜索選擇之后,將所有單個(gè)螞蟻的搜索結(jié)果映射到最優(yōu)解空間中,從而完成螞蟻當(dāng)前位置信息素強(qiáng)度τij的局部更新.路徑信息素強(qiáng)度的更新方程為:

(13)

4.2.4 具體實(shí)現(xiàn)步驟

1)times←0(times表示迭代次數(shù)或搜索次數(shù));對每個(gè)τij和Δτij進(jìn)行初始化;將每個(gè)螞蟻各自放在待搜索區(qū)域的中心位置,待搜索區(qū)域的大小可根據(jù)螞蟻的數(shù)量和所占空間大小來確定;

3)對每個(gè)螞蟻下一步的前向目標(biāo)函數(shù)Zk進(jìn)行計(jì)算,并記錄此時(shí)的最優(yōu)解;

4)根據(jù)量子進(jìn)化算法中表示量子行為的迭代方程,對螞蟻所在區(qū)域周圍路徑進(jìn)行區(qū)域搜索,并對目標(biāo)函數(shù)進(jìn)行優(yōu)化;

5)針對螞蟻周圍的各個(gè)路徑信息素濃度的改變,可使用更新方程對各個(gè)軌跡強(qiáng)度進(jìn)行更新;

6)每只螞蟻k的數(shù)據(jù)變化:Δτij← 0;times←times+1;

7)如果times< 預(yù)期的搜索次數(shù)而且沒有退化行為(即搜索到的都是相同解),則轉(zhuǎn)回步驟(2);

8)輸出當(dāng)前的最優(yōu)解.

5 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文提出的QACO-LEACH算法在無線傳感器網(wǎng)絡(luò)尋找最優(yōu)路徑和節(jié)約能耗中的優(yōu)勢,在Matlab2016a平臺上分別對最優(yōu)路徑、分簇效果和能量消耗進(jìn)行了仿真對比.

5.1 QACO-LEACH與ACO-LEACH搜尋最優(yōu)路徑效果對比

在100m×100m的正方形范圍中,隨機(jī)分布50個(gè)簇頭節(jié)點(diǎn).算法中參數(shù)分別設(shè)置為:α=0.9,β=1.8,ρ=0.8,γ=0.9.其中設(shè)置兩個(gè)固定點(diǎn):起始節(jié)點(diǎn)A(10,20),目的節(jié)點(diǎn)B(25,45).分別使用ACO算法和QACO算法選擇從A點(diǎn)到B點(diǎn)的最優(yōu)路徑,仿真結(jié)果如圖2所示.

圖2 最優(yōu)路徑長度收斂曲線Fig.2 Optimal path length convergence curve

由圖2明顯看出,本文提出的QACO-LEACH最小路徑長度始終小于ACO-LEACH,仿真結(jié)果表明,該算法在尋找最優(yōu)路徑方面具有更好的優(yōu)勢,達(dá)到了預(yù)期目標(biāo).

QACO的性能優(yōu)于ACO是因?yàn)?對于基本蟻群算法來說,其在某一路徑上不斷增加的信息素含量,使得運(yùn)行的結(jié)果更容易陷入局部最優(yōu).這種情況必定會導(dǎo)致無法更好的在整個(gè)網(wǎng)絡(luò)中找尋到最優(yōu)路徑.相比之下,量子進(jìn)化算法中,一個(gè)量子可以有三種狀態(tài):|0>態(tài)、|1>態(tài)以及|0>和|1>之間的任意疊加態(tài).所以一個(gè)量子位所處的狀態(tài)可以表述成|ψ>=α|0>+β|1>,α、β是實(shí)數(shù),表示一個(gè)量子位所處狀態(tài)的概率幅,同時(shí)此概率幅滿足歸一化的條件,即為|α|2+|β|2=1.因?yàn)榱孔颖忍乜梢蕴幱趞0>和|1>之間的任一連續(xù)狀態(tài)中,因此量子優(yōu)化算法可以表現(xiàn)出更多的狀態(tài)和更多的多樣性.所以QACO融合了量子進(jìn)化算法和蟻群算法的優(yōu)點(diǎn),將信息素用量子編碼來表示,可以解決搜尋最優(yōu)路徑時(shí),信息素聚集過快的問題.通過使用量子旋轉(zhuǎn)門,達(dá)到跳出局部最優(yōu)進(jìn)而使搜索繼續(xù)進(jìn)行下去的目的,最終搜尋到全局最優(yōu)路徑.

5.2 QACO-LEACH協(xié)議與其他協(xié)議分簇和節(jié)能效果對比

現(xiàn)分別在同一場景中對比LEACH協(xié)議、ACO-LEACH協(xié)議和QACO-LEACH協(xié)議在分簇和節(jié)能方面的表現(xiàn)效果.具體仿真環(huán)境與參數(shù)如表1所示.

表1 仿真環(huán)境與參數(shù)
Table 1 Simulation environment and parameters

5.2.1 QACO-LEACH與其它協(xié)議的分簇效果對比

在同樣實(shí)驗(yàn)場景中,對LEACH協(xié)議、ACO-LEACH協(xié)議和QACO-LEACH協(xié)議在分簇階段的效果進(jìn)行對比.圖3-圖5分別為同一輪中三種協(xié)議的分簇結(jié)果.

圖3 LEACH分簇結(jié)果仿真圖Fig.3 LEACH clustering result simulation diagram

由以上各分簇仿真圖看出,LEACH和ACO-LEACH分簇結(jié)果不太均勻, 很多簇頭之間距離過近, 甚至出現(xiàn)兩個(gè)臨近簇頭“重疊”現(xiàn)象.而QACO-LEACH的分簇結(jié)果相對更加均勻,未出現(xiàn)簇頭“扎堆”現(xiàn)象,表明本文在LEACH基礎(chǔ)上,加入的L參數(shù)有效的避免了簇頭距離過近的現(xiàn)象,增加了簇頭的整體分布合理性,達(dá)到了預(yù)期分簇效果.

圖4 ACO-LEACH分簇結(jié)果仿真圖Fig.4 ACO-LEACH clustering result simulation diagram

5.2.2 QACO-LEACH與其它協(xié)議的節(jié)能效果對比

在QACO-LEACH完成分簇之后,繼續(xù)進(jìn)行簇間路由,得到剩余存活節(jié)點(diǎn)個(gè)數(shù)仿真曲線,并與LEACH、ACO-LEACH和QACO-LEACH進(jìn)行實(shí)驗(yàn)對比.仿真對比結(jié)果如圖6所示.

圖5 QACO-LEACH分簇結(jié)果仿真圖Fig.5 QACO-LEACH clustering result simulation diagram

圖6 剩余存活節(jié)點(diǎn)個(gè)數(shù)曲線圖Fig.6 Curve of the number of remaining surviving nodes

由圖6可以看出,在仿真時(shí)間為100輪附近,LEACH協(xié)議已有節(jié)點(diǎn)開始死亡;在190輪附近,ACO-LEACH協(xié)議有節(jié)點(diǎn)開始死亡;而在240輪附近,QACO-LEACH協(xié)議才有節(jié)點(diǎn)開始死亡.LEACH協(xié)議和ACO-LEACH協(xié)議的節(jié)點(diǎn)死亡一半的時(shí)間分別發(fā)生在180輪和390輪,而在QACO-LEACH協(xié)議中的節(jié)點(diǎn)在420輪死亡一半.當(dāng)網(wǎng)絡(luò)運(yùn)行相同時(shí)間后,本文提出的QACO-LEACH比LEACH和ACO-LEACH剩余節(jié)點(diǎn)個(gè)數(shù)都多,表明通過本文算法的使用,有效的降低了簇頭節(jié)點(diǎn)的能耗.

QACO-LEACH對無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)能耗的改善效果比LEACH和蟻群算法好,主要是因?yàn)長EACH協(xié)議中所有簇頭都是通過單跳的方式直接與Sink節(jié)點(diǎn)進(jìn)行通信,另一方面在選擇簇頭的時(shí)候,還存在無法保證簇頭均勻分布的問題,容易造成簇頭“扎堆”現(xiàn)象,這些缺陷會造成遠(yuǎn)離Sink節(jié)點(diǎn)的簇頭能量消耗過快,導(dǎo)致網(wǎng)絡(luò)壽命大大減少.而本文的QACO-LEACH,在分簇階段引入一個(gè)參數(shù)L,從而解決了簇頭分布不均勻的問題.ACO-LEACH在LEACH基礎(chǔ)上引入了蟻群算法,一定程度上實(shí)現(xiàn)了節(jié)約能耗和延長網(wǎng)絡(luò)生命周期的目的,但是使用蟻群算法搜尋路徑具有盲目性,容易造成局部最優(yōu)解,并且最優(yōu)路徑的收斂速度比較慢.針對這種現(xiàn)象,本文的QACO-LEACH利用量子蟻群算法的全局尋優(yōu)能力好和收斂速度快的優(yōu)點(diǎn),很好的解決了簇間路由階段出現(xiàn)的問題,找到了全局最優(yōu)路徑,從而降低網(wǎng)絡(luò)能耗.

綜上所述,本文算法分別在分簇階段和簇間路由階段解決了LEACH的分簇不均勻以及傳統(tǒng)蟻群算法容易陷入局部最優(yōu)和收斂速度慢的問題,并能更好地找到最佳路徑.最終實(shí)現(xiàn)了預(yù)期結(jié)果,無線傳感器網(wǎng)絡(luò)生命周期延長效果明顯,對以后的研究具有很好的參考價(jià)值.

6 結(jié)束語

量子蟻群算法綜合了蟻群算法和量子進(jìn)化算法的優(yōu)勢,克服了傳統(tǒng)蟻群算法的缺點(diǎn),簡易的操作和相對成熟的理論研究,使算法更容易實(shí)現(xiàn),從而可以在一些優(yōu)化問題中達(dá)到更好的效果.本文在無線傳感器網(wǎng)絡(luò)中引入量子蟻群算法,對于螞蟻位置的改變,選用了量子進(jìn)化算法中的量子旋轉(zhuǎn)門對代表螞蟻當(dāng)前位置的量子比特進(jìn)行更新來實(shí)現(xiàn).然后,依據(jù)位置的更新,實(shí)現(xiàn)蟻群信息素強(qiáng)度的更新.仿真結(jié)果表明,該方法提高了收斂速度,并增加了解的多樣性,從而找尋到最優(yōu)路由路徑,節(jié)約了網(wǎng)絡(luò)能耗,使網(wǎng)絡(luò)生命周期得以延長.在無線傳感器網(wǎng)絡(luò)節(jié)能優(yōu)化領(lǐng)域,提供了一個(gè)很好的解決方案.本文中算法在中小規(guī)模無線傳感器網(wǎng)絡(luò)中優(yōu)化效果明顯,在大規(guī)模乃至超大規(guī)模無線傳感器網(wǎng)絡(luò)中的效果有待實(shí)驗(yàn)驗(yàn)證.下一步將考慮在大規(guī)模無線傳感器網(wǎng)絡(luò)中進(jìn)行優(yōu)化實(shí)驗(yàn),使其在大規(guī)模網(wǎng)絡(luò)中達(dá)到相同優(yōu)化效果.