基于Hopfield—GA算法的移动Sink数据采集的发展

无线传感器网络作为一种新兴的通信技术在农业、军事各领域得到了广泛的应用，成为生态环境监测、数据采集和处理首选的解决方案。一般的环境监测无线传感器网络都采用固定的网络拓朴结构，所有节点采集的数据通过多跳路由的方式汇总到Sink节点，由Sink节点将数据传给远程的服务器。这种情况下导致节点的节点能耗不均，影响网络生存时间。针对这一缺点，使用移动的Sink进行数据采集，从而均衡各节点的能量损耗，提高网络生存时间的解决方案被提出并应用，给出了如最短路径树（shortest path tree，SPT）等数据采集算法[1-5]。使用移动Sink节点按照预设的运动路径，对簇首节点汇总的数据进行周期性的采集，在一定程序上能够均衡节点的能耗，但由于Sink节点的移动性，必然致使其对簇首节点的数量采集量受通信时间的约束，制约了采集周期内的数据采集量。因而，如何在均衡节点能耗的基础上尽可能提高数据采集量，提高移动Sink节点的数据采集效率，是应用移动Sink节点必须要解决的一个问题。 
　　针对目前移动Sink数据采集算法存在的不足，该文从传感器网络拓朴结构的角度出发，对族首节点的成员数量进行优化，同时考虑数量采集量和网络能耗两个指标，建立数据采集模型，将Hopfield反馈神经网络与遗传算法结合，设计了基于Hopfield-GA算法数据采集方案，为移动Sink传感器网络提供了一种数据采集量高且全网能耗低的数据采集算法。 
　　1 移动Sink的最小能耗最大数据量数据采集模型 [本文转自：www.dylw.net]
　　1.1模型应用场景及基本假设 
　　在使用移动Sink节点的传感器网络中，成员节点均匀分布的监测区域内，每个成员节点从属于一个簇首节点，形成一个树状的网络拓朴结构。Sink节点按照某个预设的运动轨迹，以运动轨迹为圆心，以节点的通信半径R为半径形成的一个带状区域称为直接通信区。处在直接通信区域的簇首节点可直接与移动Sink节点建立通信，上传簇内汇总的数据。该文的数据采集模型建立在如下的假设基础上：（1）每个成员节点只能从属于一个固定的簇首节点；（2）移动Sink节点只与簇首节点建立通信，接收数据；（3）各成员节点采用多跳路由的方式与簇首节点通信；（4）所有簇首节点均部署在Sink节点的直接通信区；（5）各成员节点和簇首节点具有同样的能耗和数据发送能力；（6）移动Sink节点有充足的存储空间和计算能力。 
　　在监测区域中部署的传感器节点总数为[nt]，成员节点数为[nm]，簇首节点数为[ns]，三者之间的关系如式（1）所示。 
　　[nt=ns+nm] （1） [本文转自：www.dylw.net]
　　各簇首节点将汇总的簇内数据传送给Sink节点，设簇首节点[i]含有[nsi]个成员节点，单位时间内的数据发送能力为[qsi]，Sink节点的数据采集总量为[Qt]，其关系可用式（2）描述。 
　　[Qt=i=1nsiqsi] （2） 
　　设成员节点单位时间内的数据采集量为[da]，Sink节点与簇首节点间的数据传输速度为[dt]，通信时间为[tsi]，Sink节点的单轮数据量集用时为[t]，则簇首节点的数据发送能力[qsi]应满足式（3）的关系。 
　　[qsi=min[dttsi，datnsi]] （3） 
　　根据簇首节点的数据传送能力，设簇首节点[i]的最小成员节点数量为[nminsi]，由式（3）可推导出Sink节点最大化数据采集量的充分必要条件为： 
　　[nsi≥dttsidat=nminsi] （4） 
　　根据模型的假设条件，成员节点的数据接收和发送能耗为一常量，设成员节点收发数据的单位比特能耗为[e]，数据接收、发送量分别为[qt]和[qr]，则节点的数据收发总能耗[Ert=e（qt+qr）]。在一个数据采集周期内，成员节点[i]的数据发送量[qit]和数据接收量[qir]应满足式（5）所述关系。
　[qit=qir+dat] （5） 
　　设成员节点到簇首节点的路由跳数为[Ci]，则全网数据接收总量和[Ci]应满足如式（6）所示的关系，其中如果[i]为簇首节点，则[Ci=0]。 
　　[i=1ntqir=i=1ntCi?（dat）] （6） 
　　根据式（5）和式（2）可知，全网总能耗[Et]可表示为： 
　　[Et=i=1ntErti=i=1nte（qir+qit）=i=1nte（2qir+dat）=i=1nte（2Ci+1）?（dat）] （7） 
　　1.2数据采集量最大化模型 
　　基于模型的前提假设和式（7）所示的关系，最小的全网能耗问题可转化为节点间通信的跳数总和最小的问题，即[min（Et）=min（i=1nte（2Ci+1）?（dat））=min（i=1ntCi）]，同时，只要满足[nsi≥nminsi]，即可以实现数据采集最大化。 
　　设矩阵[A（nm，ns）]，是由元素[aij][（i=1，…，nm，j=1，…，ns）]组成，其中[aij]为0-1变量，如果节点[i]从属于簇首节点[j]，则[aij=1]，否则，[aij=0]。设矩阵[C（nm，ns）]，是由元素[cij][（i=1，…，nm，j=1，…，ns）]组成，[cij]表示成员节点[i]到簇首节点[j]的路由最短跳数，则数据采集模型可表示为： 
　　目标函数：[min（i=1nmj=1nsaij?cij）] （8） 
　　约束条件：[j=1nsaij=1，?i；i=1nmaij≥nminsj，?jnm≥j=1nsnminsj] （9） 
　　2 Hopfield-GA优化算法设计 
　　根据上述的目标函数和约束条件可知，该模型属于NP类组合优化问题，对这类问题一般使用启发式的算法来寻求最优解。该文采用二维染色体编码方案设计遗传算法的交叉运算和变异运算，利用遗传算法来对模型求解。考虑到移动Sink节点一般采用嵌入式处理器，其运算能力和运算资源受到制约，为了提高算法的收敛速度，提高算法的实时性，采用Hopfield反馈神经网络对遗传算法的解种群进行优化，尽可能地消除初始种群中的不可行解，缩小可行解搜索空间，使算法可以快速的收敛于最优解。 
　　2.1 适应度函与数染色体编码设计 
　　适应度函数是衡量当前解优劣程度的重要指标，同时也是遗传算法进行种群进化选择子代种群的依据，根据优化模型中的目标函数（式8），其表示形式如下： 
　　[f（A）=i=1nmj=1nsaij?Cij] （10） 
　　从模型的约束条件可知，对一任意的当前解中簇首节点的最小成员需求量与已分配成员节点的数量之差，反应该解与约束条件的适应程度。为了尽可能消除不可行解，采用式（11）所示的不适应度函数来衡量当前解的可行度，函数值越小，表示当前解越可行。