基于ISSA算法的物聯網數據傳輸節能新技術

謝海龍，何 凱，馮 震

（1.中國移動通信集團湖北有限公司 襄陽分公司，湖北 襄陽 441000；2.國網湖北省電力有限公司 隨州供電公司，湖北 隨州 430051）

0 引 言

如今，物聯網在日常生活中有很多應用，如健康監測、森林監測、水質監測、智能交通、空氣污染監測、先進計量設備以及智能家居等[1]。智能節點是物聯網架構的一部分，分布在網絡中，具有高移動性。節點的一個重要特征是能夠將環境中的信息轉換為數據進行分析[2]。

隨著科學技術的進步，未來會創造出更小、更強大以及更便宜的硬件、處理器和閃存，智能節點的內存和數據處理能力將是物聯網未來的重要挑戰。由于大量傳感器節點由容量有限的電池供電，更換電池或為其充電不切實際。因此研究將致力于提高基于物聯網系統中節點的能效，降低其能耗。降低智能節點能耗的方法和技術主要集中在優化路由算法，以減少向霧傳輸數據時的能耗。最近為了降低能量消耗，已經使用了進化和自然啟發的算法，如粒子群優化算法、改進的和聲搜索算法以及蜜蜂優化算法[3-5]。

文中提出了一種基于改進的樽海鞘群算法（Improved Salvia Swarm Algorithm，ISSA），最大限度地減少了傳輸數據的能量消耗。與其他受自然啟發的算法一樣，ISSA算法采用數學模型，并在自然界中模仿Salps在創建鏈和喂養方面的行為來解決優化問題。仿真結果證實，ISSA算法能夠找到更好的路由，從而減少智能節點的功耗。

1 基于ISSA的霧數據通信的物聯網節能新技術

一個基于物聯網架構的系統如圖1所示，由移動和分布式智能節點組成。圖中通信空間為（600×600）m2，需要通過路徑向FOG節點發送數據的智能節點用黑色標記。每個節點都有一個有限的通信范圍，這種情況下，每個節點都可以與其180 m半徑內的節點相關聯。為了從需要向FOG節點傳輸信息的節點發送數據包，本地網絡中的其他節點充當中繼。問題是找到將數據包傳輸到FOG節點的合適路徑，合適的路由能夠發送最大數量的數據包，直到網絡節點之一的能量達到零。為了優化這個路由問題，使用了改進的SSA算法。

圖1 物聯網架構

1.1 樽海鞘群算法

樽海鞘群算法（Salp Swarm Algorithm，SSA）模仿了Salp的社交行為。對于Salp鏈的建模，每條鏈首先被分成領導者salp和追隨者salp。領導者是鏈條前面的salp，而其余的鏈條被視為追隨者salp，彼此跟隨。

Salps的位置在維度搜索空間中指定，存儲在二維矩陣X中。在搜索空間中存在一個食物源F作為鏈目標，更新領導者Salp位置的公式為：

式中，xj表示在第j維度的領導者Salp位置；Fj是在第j維度的食物源位置；ubj表示第j維的上限；lbj表示第j維的下限；c1、c2以及c3是隨機數。

食物源的位置是影響Salp的領導者更新其位置的唯一因素。系數c1是最重要的參數，表示勘探和開發之間的平衡，計算公式為：

式中，l是當前迭代；L是最大迭代次數。

參數c2和c3是隨機數，均勻分布在區間[0,1]內。事實上，表明第j維的下一個位置應該是正無窮大或負無窮大以及步長。

根據牛頓運動定律得到用于更新從動件位置的公式為：

式中，x＞2；xji是第i個Salp跟隨者在第j維的位置。式（3）和式（1）可用于模擬salp鏈。

使SSA算法在解決優化問題的要點包括以下幾個部分。首先，模擬中將最佳優化方案保存為食物源，在整個算法中隨著探索和開發不斷更新，即使新種群惡化，它也不會丟失。其次，算法更新跟隨者Salp的位置，使它們逐漸向領先的Salp移動。再次，該算法僅根據當前獲得的最佳解決方案更新領導者的位置，因此領導者始終探索和利用周圍的空間。最后，跟隨者Salps的逐漸運動使得算法不容易陷入局部最優。

1.2 改進的SSA算法

為了解決SSA算法局部收斂的問題，結合隨機算法進行改進，其食物源通過隨機游走探索搜索空間，然后其他Salps跟隨它更新位置。隨機游走是一個隨機過程，對應公式為：

式中，Xn是Salp的當前位置；Xn+1是salp的下一個位置；Si是可以從任意隨機分布中得到的值為steps的隨機步長。這里使用了正態分布。

本研究的主要目標是降低從物聯網節點到FOG節點的整個通信網絡的能耗，增加網絡活動的生命周期和持續時間。為此，定義目標函數以通過使用所提出的算法對其進行優化來實現目標。

1.3 成本函數

假設在無線網絡通信中發送一點數據所需的能量Eelec=50 nJ/bit，放大在所需距離上傳輸的信號的能量Eamp=0.1 nJ/（bit/m2），那么沿路徑d發送k比特的消息所需的能量為：

接收消息所需的能量為：

考慮路徑X=(s,x1,x2,…,xi,…,d)包含L個節點，因此X中的元素數等于L。其中s代表發送節點，xi為物聯節點，d代表FOG節點，消息的k位在整個路徑中消耗的能量為：

式中，Emin是X中所有節點剩余能量最小的節點的剩余能量；Eavg是X中所有節點的平均剩余能量。

2 仿真分析

在本文中，蚱蜢優化算法（Grasshopper Optimisation Algorithm，GOA）被模擬并與改進的樽海鞘群算法進行比較。為此，考慮了具有隨機智能節點的3個模擬環境，每個場景的節點數分別為50、100、150個，環境尺寸分別為（600×600）m2、（1000×1000）m2以及（1 400×1 400）m2。

具有50個物聯網節點的網絡圖1所示，黑框-三角形方塊代表原點節點（最接近坐標原點）和FOG節點，黑框方塊代表中間物聯網節點。所有測試均在核心i5處理器和4GB RAM上的 MATLAB R2018b軟件中實現。

網絡中所有節點的平均剩余能量、最小剩余能量以及剩余能量的標準偏差用于比較算法的性能。假設所有IoT節點電池的初始能量為10 J，網絡中發送或接收的每個數據包大小為4 098 bit，初始種群數為60，算法迭代次數為50，計算5次仿真結果的平均值得到最終的結果。圖2～圖4分別給出了不同網絡不同場景下接收端接收600個數據包后的平均剩余能量、最小剩余能量以及標準差。

圖2 節點供能電池的平均剩余能量

圖3 最小剩余能量

如圖2所示，具有不同節點數量的ISSA存儲的剩余能量平均比GOA多。最小剩余能量對網絡的使用壽命有直接影響，其越大的網絡使用壽命越長。根據圖3，ISSA算法比GOA算法具有更高的最小剩余能量，充分說明了ISSA算法降低了能耗，更加節能，可以增加網絡使用壽命。平衡和統一的功耗對網絡的使用壽命有重大影響，從而對整個物聯網網絡的效率產生重大影響。低標準偏差表明，所有節點消耗的能量大致相同。圖4顯示了基于網絡中節點數的標準偏差圖，表明ISSA算法具有較低的標準偏差。

通過不同數據包數的最小剩余能量如圖5所示，隨著數據包數量的增長，ISSA算法的性能更好。在1 200個數據包的情況下，ISSA算法仿真結果中網絡節點的最低能量為5.25 J，而GOA中為2.95 J，這說明了ISSA算法仿真結果中網絡的剩余能量更多，更節能。

3 結 論

文中提出了一種ISSA的新路由算法，降低了物聯網應用中從智能節點向FOG節點傳輸數據的能耗。在3種模擬環境中進行仿真分析，通過比較ISSA和GOA算法仿真結果的網絡平均剩余能量、最小剩余能量以及剩余能量的標準偏差可以看出，ISSA算法的性能更好，可更大程度地降低智能節點能耗。