·70· 智能系统学报 第4卷 rihm,AFGA)进行性能比较.实验在Pentium CPU 实验，这也是判定一个算法优劣的重要指标.为了对 260GHz内存1024MB的计算机上运行的，程序采 比本文算法与AFGA算法在延时方面的性能，实验 用MA TLAB7.0语言编写」 中将两种算法的实验仿真时间进行了比较，节点数 实验中，将传感器节点随机抛洒在一个 n分别选取50、100、150、200、250、300，进行多次实 50m50m的区域中，sink点坐标为(25,30)，每个 验并取平均值，结果如图4所示。 节点产生1500byte数据包，发送单位比特数据耗能 35 为c(e=Bd+e,其中：d为节点之间的欧式距离： 30 —AFGA 无线通信的可调参数为B=100p/(bit·m;r= 回 ·一本文算法 2:接收单位比特数据能量为e=100nJ/bit相关节 20 点的数据相关性可由相关系数P来表示.当d≤5 15 时，p=1·d/,反之p=Q因此当在节点v进行数 10 据融合时，节点v处数据量为 w(以=maxw(u),w(以)+ 50100150200250300 minw(u,w(y）(1-Pw人.(8) 传感器节点数 采用的免疫算法初始种群规模设定为20.交换 概率为Q85,变异概率为001AFGA算法中遗传 图4不同节点数两种算法仿真时间 算法的种群规模为20，交叉概率为Q85两种优化 Fig 4 Smulations tme of to algorithms in different nodes 算法的初始进化代数均为200，进化代数随节点数 由图4可以看到，提出的算法的仿真时间比 的不同而不同.节点数n分别选取50、100、150、 AFGA要小一些，节点数比较少时，二种算法的时间 200、250、300,进行多次实验并取平均值.图3为不 相差不大；但是随着节点数的增加，本文算法的优势 同节点规模情况下，本文算法和AFGA的能量消耗 就显现出来.这是因为遗传算法和免疫算法的运行 对比情况，其中o=80n/bit相关距离5=35m, 时间都与进化代数有关，而节点数目的增加会造成 经过多次实验，计算MA收集网络中所有节点的信 解空间复杂度的增加，AFGA中遗传算法须持续增 息并返回simk的平均能量消耗 加进化代数以保证能够寻到全局比较精确的最优 250 解，而免疫算法具有良好的寻优能力，可以设置相对 -AFGA 较少的进化代数：所以随着节点规模的增加，提出的 200 ·。本文算法 算法比AFGA算法具有更少的计算时间，实现了降 150 低延时的目的，适合无线传感器网络中一些对于延 盟100 时要求较高的应用 50 5结束语 基于移动代理的数据融合技术，能够消除冗余 50 100150200250300 信息，减少数据传输量，从而有效地节省能量，延长 传感器节点数 网络生命，有着很大的实际研究价值.利用免疫算法 图3不同节点规模下两种算法能耗 的寻优能力进行全局路由优化，并通过比较融合能 Fig 3 Energy consumption of wo algorithms in different 量与节省的传输能量，自适应调整MA在节点是否 nodes 进行数据融合.实验结果表明，提出的算法能够减少 由图3可见在不同节点规模情况下，本文算法 能量消耗，提高了网络能量效率，并能减少延时，适 在能量消耗方面要优于AFGA算法，并且随着节点 应无线传感器网络多节点应用的要求，具有重要的 数的增加能量消耗小的优势更加明显这是因为，免 实际应用价值 疫算法相对于遗传算法，收敛到全局最优解的能力 比较高，在计算MA路由时，遗传算法容易得出局部 参考文献： 最优而计算出能量消耗较小的路径，而免疫算法却 [1 ]AC DLY IF,SUW,SANKARASUBRAMAN AM Y,etal 能计算出能耗更小的全局最佳路径，所以最终实现 W ireless sensor networks A survey [J ]Computer Net- 了节约能量消耗的目的。 w0ks2002,38(4):393-422 另外还进行了算法执行时间实验，即延时情况 [2]CHONG C Y,KUMAR S Sensor neworks Evolution,op- 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.netrithm,AFGA) [ 9 ]进行性能比较. 实验在 Pentium CPU 2. 60GHz、内存 1024MB的计算机上运行的 ,程序采 用 MATLAB7. 0语言编写. 实验 中 , 将 传 感 器 节 点 随 机 抛 洒 在 一 个 50 m ×50 m的区域中 , sink点坐标为 ( 25, 30) ,每个 节点产生 1 500 byte数据包 ,发送单位比特数据耗能 为 c ( e) =βd r +ε,其中 : d为节点之间的欧式距离; 无线通信的可调参数为 β= 100 pJ / ( bit·m 2 ) ; r = 2;接收单位比特数据能量为 ε= 100 nJ /bit. 相关节 点的数据相关性可由相关系数 ρ来表示. 当 d≤rs 时 ,ρ= 1 - d / rs ,反之 ρ= 0. 因此当在节点 v进行数 据融合时 ,节点 v处数据量为 w ( v) =max(w ( u) , w‰( v) ) + m in (w ( u) , w‰( v) ) (1 - ρuv ). (8) 采用的免疫算法初始种群规模设定为 20,交换 概率为 0. 85,变异概率为 0. 01. AFGA算法中遗传 算法的种群规模为 20,交叉概率为 0. 85. 两种优化 算法的初始进化代数均为 200,进化代数随节点数 的不同而不同. 节点数 n 分别选取 50、100、150、 200、250、300,进行多次实验并取平均值. 图 3为不 同节点规模情况下 ,本文算法和 AFGA的能量消耗 对比情况 ,其中 ω = 80 nJ /bit,相关距离 rs = 35 m , 经过多次实验 ,计算 MA收集网络中所有节点的信 息并返回 sink的平均能量消耗. 图 3 不同节点规模下两种算法能耗 Fig. 3 Energy consump tion of two algorithm s in different nodes 由图 3可见在不同节点规模情况下 ,本文算法 在能量消耗方面要优于 AFGA算法 ,并且随着节点 数的增加能量消耗小的优势更加明显. 这是因为 ,免 疫算法相对于遗传算法 ,收敛到全局最优解的能力 比较高 ,在计算 MA路由时 ,遗传算法容易得出局部 最优而计算出能量消耗较小的路径 ,而免疫算法却 能计算出能耗更小的全局最佳路径 ,所以最终实现 了节约能量消耗的目的. 另外还进行了算法执行时间实验 ,即延时情况 实验 ,这也是判定一个算法优劣的重要指标. 为了对 比本文算法与 AFGA算法在延时方面的性能 ,实验 中将两种算法的实验仿真时间进行了比较 ,节点数 n分别选取 50、100、150、200、250、300,进行多次实 验并取平均值 ,结果如图 4所示. 图 4 不同节点数两种算法仿真时间 Fig. 4 Simulations time of two algorithms in different nodes 由图 4可以看到 ,提出的算法的仿真时间比 AFGA要小一些 ,节点数比较少时 ,二种算法的时间 相差不大 ;但是随着节点数的增加 ,本文算法的优势 就显现出来. 这是因为遗传算法和免疫算法的运行 时间都与进化代数有关 ,而节点数目的增加会造成 解空间复杂度的增加 , AFGA中遗传算法须持续增 加进化代数以保证能够寻到全局比较精确的最优 解 ,而免疫算法具有良好的寻优能力 ,可以设置相对 较少的进化代数 ;所以随着节点规模的增加 ,提出的 算法比 AFGA算法具有更少的计算时间 ,实现了降 低延时的目的 ,适合无线传感器网络中一些对于延 时要求较高的应用. 5 结束语 基于移动代理的数据融合技术 ,能够消除冗余 信息 ,减少数据传输量 ,从而有效地节省能量 ,延长 网络生命 ,有着很大的实际研究价值. 利用免疫算法 的寻优能力进行全局路由优化 ,并通过比较融合能 量与节省的传输能量 ,自适应调整 MA在节点是否 进行数据融合. 实验结果表明 ,提出的算法能够减少 能量消耗 ,提高了网络能量效率 ,并能减少延时 ,适 应无线传感器网络多节点应用的要求 ,具有重要的 实际应用价值. 参考文献 : [ 1 ]ACIDLY I F, SU W , SANKARASUBRAMAN IAM Y, et al. W ireless sensor networks: A survey [ J ]. Computer Net2 works, 2002, 38 (4) : 3932422. [ 2 ]CHONG C Y, KUMAR S. Sensor networks: Evolution, op2 ·70· 智 能 系 统 学 报 第 4卷 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net