论文部分内容阅读
无线传感器网络具有节点尺寸小,能够感知、处理数据,低功耗、低花费等特点,利于在复杂环境下采集、处理大量数据,但其存在硬件资源和电池容量有限,网络拓扑结构复杂,不易更换电池的缺陷,为解决这一问题,目前提出了许多高能效的信息融合算法和网络通信协议,其中,自然计算是以自然界机理为设计基础的算法,适用于解决那些难以建立有效的形式化模型而无法处理的问题,在大规模复杂系统的优化设计、优化控制等领域具有广阔的应用前景。本论文主要对无线传感器的网络模型进行建模,并应用自然计算的方法进行仿真优化设计,具体研究内容如下:(1) WSN路由模型研究。首先介绍对WSN的基本体系结构和网络覆盖形式,然后阐述了WSN中具有代表性的路由协议,并研究了链状和簇状路由模型。对于这两种路由模型,从能量的角度进行了分析和建模,建立了能量优化公式,提出解决方案。(2)自然计算(NC)技术研究。主要对群智能算法和云智能进行研究,对于蚁群算法和粒子群算法存在的不足进行相应改进。对于链状路由模型,提出了基于自适应蚁群算法(SA-ACO)算法的无线传感器网络能量的优化方法,它包括动态概率选择、优化信息素矩阵和遗传变异等过程;对于簇状路由模型,提出了基于云自适应粒子群算法(CAPSO)的无线传感器网络能量的优化方法,它主要包括网络分簇、网络能量模型建立、云PSO算法迭代优化等过程。(3)基于自然计算的WSN仿真设计研究。基于SA-ACO算法的路由算法,以自适应的方法优化信息素参数,通过对链状路由模型的仿真,表明其降低了WSN节点的网络能耗,提高了网络节点的生存能力,并且引入一定得变异规则,从而提高了算法的搜索能力,防止了节点陷入局部最优解,通过与传统ACO算法比较,该算法网络能耗和节点死亡率较低。基于CAPSO算法的路由算法,结合了云智能模糊性和随机性相结合的特点,改变了基本PSO算法惯性权重固定取值的方法,将粒子根据不同的适应度情况采用不同的惯性权重,并应用云模型进行优化,结果表明CAPSO算法有效降低了网络能耗和网络延时。