基于蝗蟲算法的配電通信WMSNs多路徑QoS路由優化模型研究

摘 要：為提高配電通信網絡的生命周期，降低網絡能耗和均衡化WMSNs多路徑QoS路由網絡負荷，提出一種基于配電通信網的蝗蟲算法優化WMSNs多路徑QoS路由算法研究。選擇WMSNs多路徑QoS路由路徑最短和能量最低為目標函數。研究結果表明，與改進算法和經典算法相比，基于GOA的WMSNs多路徑QoS路由算法網絡能耗最低、死亡節點數最少，效果很好，可以延長死亡節點產生的時間，有效提高整個WMSNs多路徑QoS路由網絡的生存壽命。

關鍵詞：蝗蟲算法；無線多媒體傳感器網絡；配電網；路由算法

中圖分類號：

TN919.8；TP391

文獻標志碼：

A文章編號：

1001-5922（2024）01-0181-04

Research on multi-path QoS routing optimization model for distribution communication WMSNs based on grasshopper algorithm

BAO Chaoming，BAO Sencheng，LI Yiping

（China Mobile Group Zhejiang Co.，Ltd.，Hangzhou 311500，China）

Abstract：In order to improve the life cycle of distribution communication network，reduce network energy consumption and balance the load of WMSNs multi-path QoS routing network，a WMSNs multi-path QoS routing algorithm based on grasshopper algorithm optimization for distribution communication network was proposed.The shortest path and the lowest energy consumption were selected as the objective function for WMSNs multi-path QoS routing.The results showed that compared with the improved algorithm and classical algorithm，the WMSN multi-path QoS routing algorithm based on GOA hadthe lowest network energy consumption and the least number of dead nodes，and the effect was good.It could prolong the generation time of dead nodes and effectively increase the lifetime of the entire WMSNs multi-path QoS routing network.

Key words：grasshopper algorithm;wireless multimedia sensor network;distribution networks;routing algorithm

無線多媒體傳感器網絡（WMSNs）有效結合了傳感器網絡與多媒體技術，可以更好地滿足多媒體對數據處理的高帶寬、實時性要求［1］。相對于傳統的無線傳感網（WSN），WMSNs功耗低、自組織能力強，在智能配電網遠程控制等領域具有良好的應用前景［2］。在滿足電力智能配電通信（QoS）的條件下引入WMSNs，從而實現電力配電通信智能化水平的大大提升。為提高配電通信網絡的生命周期，降低網絡能耗和均衡化WMSNs多路徑QoS路由網絡負荷，各種智能算法在路由網絡負荷優化中得到了廣泛的應用［3］。

蝗蟲優化算法（GOA）是通過模擬蝗蟲群體的自然行為得到的智能優化算法［4-5］，和其它的優化算法相比，GOA的收斂效率和計算精度均比較高。GOA良好的優化性能使得其在參數優化、機械設備振動故障識別、數據特征提取等領域具有廣泛的應用［6-8］。基于此，提出一種基于配電通信網的蝗蟲算法優化WMSNs多路徑QoS路由算法。

1 蝗蟲優化算法

GOA對蝗蟲覓食、群體協作、遷徙行為進行模擬，尋找最優解［9］。在問題空間對蝗蟲個體初始化，通過蝗蟲行為的模擬來調整蝗蟲位置，使得其更好地適應環境。蝗蟲個體位置Xi的更新是GOA的關鍵，其受到群體內部交互力、環境風力以及個體重力等多方面因素的影響，其數學模型［10］：

Xi=Si+Gi+Ai（1）

式中：Si、Gi、Ai分別為群體內部交互力、個體重力以及環境風力對未知的影響。

考慮到各種影響因素的隨機性，對傳統個體位置Xi的數學模型進行改進，引入隨機系數rjj=1，2，3， rj∈0，1，那么

Xi=r1Si+r2Gi+r3Ai［11］（2）

種群個體之間的交互力和個體之間的距離有關，定義蝗蟲個體i和蝗蟲個體j之間的距離dij：

dij=xj－xi（3）

建立蝗蟲種群個體內部交互力的數學模型，即

Si=∑Nj=1，j≠is（dij）d^ij［12］（4）

式中：s·為影響函數;d^ij為個體i到個體j的單位向量;s·和d^ij的數學表達式：

s（r）=fe－rl－e－rd^ij=（xj－xi）/dij（5）

式中：f為個體之間吸引強度，為常數;r為距離;l為個體吸引尺寸，為常數;xj、xi為蝗蟲個體位置矢量。

定義e^g為重力單位矢量;g為重力常數;e^w為風向單位矢量;u為風力漂移常數。于是蝗蟲個體位置Xi更新的數學模型［13］：

Xi=∑Nj=1，j≠is（xj－xi）xj－xidij-ge^g+ue^w（6）

為求解該問題，Saremi忽略重力，同時假設風向指向蝗蟲覓食的目標，構建了數學模型，即

Xdi=c∑Nj=1，j≠icubd－lbd2s（xdj－xdi）xj－xidij+T^d（7）

式中：ubd為上邊界；lbd為下邊界；T^d為覓食目標所在的位置；c為參數，其數學表達式：

c=cmax－cmax－cminTmax·t（8）

式中：cmax為參數c的最大值，取值為1；cmin為參數c的最小值，取值為0.000 01；t為當前迭代次數；Tmax為最大迭代次數。

2 配電網特點和系統模型

2.1 配電網結構特點

配電網其由終端層、子站層、主站層3部分構成。

終端層主要包括DTU、TTU和FTU，是配電網的重要組成部分，主要作用是采集上傳信息以及監控設備工作狀態。

子站層主要進行轄區內配電網故障診斷和配電SCADA，其位于開閉所內或者變電站內作用是承接終端層和主站層，完成信息的上傳和下達，并進行配電網實時監控。

主站層由網絡設備、工作站和服務器等硬件設備及配套軟件組成，是配電網的核心組元，主要作用是接受終端層或者子站層發送來的實時配電設備狀態信息。

2.2 系統模型

為解決WMSNs多路徑QoS路由問題，構造帶權值的圖G（N，E），N表示所構造圖的節點，E表示所構造圖的邊。采用Ci，j表示邊i、j的代價，形成代價矩陣C=Ci，j。在構造的圖G（N，E）中，有源節點S表示WMSNs多路徑QoS路由網絡的起點，目的節點D表示WMSNs多路徑QoS路由網絡的終點。引入變量Iij，其表示每個鏈路的連接狀態，即：

Iij=1如果從節點i到節點j的路徑存在0如果從節點i到節點j的路徑不存在［15］（9）

若Iij=1，Ijk=1，則Iik=1，因此WMSNs多路徑QoS路由問題可轉化為：

MIN∑Di=S∑DCij·Iij（10）

s.t∑DIij－∑DIji=1，ifi=S－1，ifi=D0，otherwise，Iij∈｛0，1｝，for all i（11）

3 基于GOA的WMSNs多路徑路由算法

3.1 路由算法思想

路由結構圖如圖1所示。

由圖2可知，當數據由節點A向節點B發送數據時，所選擇的路徑為3→6→11，其距離最短［16］。由于所有由節點A到節點B的數據均選擇該路徑，這將導致WMSNs的QoS路由網絡所消耗的能量來源于節點C或節點D。長期下去，C節點或D節點的能量被大量消耗，C節點或D節點出現節點死亡的概率將大大增加。一旦C節點或D節點死亡，那么將影響到與該節點連接的鏈路，進而整個網絡的質量降低，對能量的消耗增加。為了避免出現節點死亡問題，當節點能量比較低時選擇能量高的節點確定數據傳輸路徑，確保整個網絡的質量保持在比較高的水平，同時對能量的消耗保持在相對比較低的水平。

3.2 WMSNs多路徑Qos路由優化

選擇節點剩余能量和網絡剩余能量比作為衡量整個WMSNs的QoS路由網絡的能量水平［17-18］。節點的平均剩余能量為Eave、鄰居節點的平均能量為Enb和網絡節點的剩余能量En則網絡中單個節點能量f：

f=αEnEave+βEnbEave2（12）

式中：α、β為影響因子，因為網絡節點剩余能量水平被優先考慮，則0＜β＜α，能量平衡代價：

∑ni=11fi=fn（13）

式中：n為節點個數；fi為能量平衡代價；fn為能量平衡平均值。

定義Ej（j=1，2，…，n）為網絡節點j的能量剩余，那么網絡節點j的能耗代價為1/Ej。優化WMSNs的Qos路由路徑，網絡所有節點的能耗代價必須滿足：

∑nj=11Ej=1（14）

在能耗代價的基礎上，WMSNs的QoS路由網絡節點的能量平衡比（V）為：

V=EnEave（15）

設置路由網絡節點的能量安全平衡比（Vsafe），Vsafe的取值一般為0～0.3，具體需要結合網絡的用途來確定。如果路由網絡節點能量平衡比V小于設定的安全值Vsafe，表明該路由網絡節點的能量消耗比較大；如果不采取措施，那么將導致該網絡節點出現死亡，必須保護起來。優化的WMSNs的QoS路由網絡最短路徑應滿足：

MINμ∑ni=11fi+λ∑ni=11Eiμgt;λgt;0（16）

3.3 目標函數

對于WMSNs的QoS路由網絡最短路徑問題，綜合式（9）、式（15），基于GOA的WMSNs多路徑QoS路由算法目標函數：

fitness=MIN{M·∑Di=S∑DCij·Iij+K· μ∑ni=11fi+λ∑ni=11Ei}μgt;λgt;0 （17）

3.4 算法流程

采用GOA來對WMSNs多路徑Qos路由進行優化，提升網絡的質量，降低網絡的能量消耗，其具體流程如下：

（1）參數初始化，包括種群規模、最大迭代次數、蝗蟲個體位置信息等；

（2）計算個體適應度值，通過比較適應度的大小來尋找當前情況下的最優解，將其作為當前迭代次數下的目標值；

（3）根據所建立的位置更新模型，對蝗蟲個體位置更新；

（4）判斷是否滿足迭代終止條件，不滿足繼續迭代；滿足，那么輸出當前的最優解就是優化的結果。

4 實驗結果與分析

4.1 實驗背景

選擇網絡覆蓋大小為200 m×200 m的WMSNs多路徑QoS路由網絡內包含100個固定的節點，50個CBR數據信息源頭。設定網絡節點的初始能量值為5 J，每個節點發送數據消耗的功率為0.6 W，接受數據功率的消耗為0.3 W。圖2為WMSNs多路徑QoS路由網絡節點圖。

4.2 結果分析

為驗證算法的優越性，將本文算法和經典算法［19］、改進算法［20］進行對比。圖3為網絡節點的死亡節點個數與時間的關系。

由圖3可知，數據傳輸時間越長，路由網絡節點的死亡個數越多，同時經典路由算法的死亡節點個數最多，其次為改進算法，死亡節點個數最少的是本文所提出的算法。采用蝗蟲優化算法優化WMSNs多路徑Qos路由，其可以有效延長死亡節點產生的時間，使得WMSNs多路徑QoS路由網絡工作負荷均衡化，有效提高整個WMSNs多路徑QoS路由網絡的生存壽命。對比3種不同算法的網絡消耗能量和端到端時延，結果如圖4、圖5所示。

由圖4可知，在開始階段，經典路由算法下網絡的能耗快速增加，然后逐漸趨于平穩。究其原因，在開始階段，采用經典路由算法導致網絡中出現了比較多的死亡節點所致。通過3種路由算法的對比可知，本文所采用的路由算法能量消耗最少，其次為改進算法，能量消耗最多的是經典算法。

由圖5可知，在開始階段經典算法時延最少，這是因為經典算法沒有任何的優化機制。伴隨著時間的增加，經典算法的時延明顯增加，而改進算法以及所提出的改進算法均出現了明顯減少，同時所提出的改進算法時延小于改進算法。

5 結語

為提高配電通信網絡的生命周期，降低網絡能耗和均衡化WMSNs多路徑QoS路由網絡負荷，提出一種基于配電通信網的蝗蟲算法優化WMSNs多路徑QoS路由算法研究。選擇WMSNs多路徑QoS路由路徑最短和能量最低為目標函數。研究結果表明，與改進算法和經典算法相比，基于GOA的WMSNs多路徑QoS路由算法網絡能耗最低、死亡節點數最少，效果很好，可以推廣應用。

【參考文獻】

［1］ 馬森月.基于無線傳感器網絡的機車便攜式軸溫報警裝置的研制及應用［J］.粘接，2021，47（7）：185-187.

［2］ 尹元躍，鄧帥，方亮，等.基于改進433M無線通信技術的多元化氣體遠程監測及凈化系統［J］.粘接，2020，43（8）：99-104.

［3］ 趙安軍，趙嘯，荊競，等.優化卷積神經網絡超參數的非侵入式電力負荷識別算法［J］.激光與光電子學進展，2023，60（2）：63-70.

［4］ SAREMI S，MIRJALILI S，LEWIS A.Grasshopper optimisation algorithm：Theory and application［J］.Advances in Engineering Software，2017，105：30-47.

［5］ 王倩，李風軍.基于選擇策略的簡化蝗蟲優化算法［J］.南京理工大學學報，2023，47（1）：109-116.

［6］ 鐘云南，陳行濱，占彤平，等.分層集群技術與數據流負載均衡研究［J］.粘接，2022，49（12）：182-185.

［7］ ALJARAH I，Al-ZOUBI A M，FARIS H，et al.Simultaneous feature selection and support vector machine optimization using the grasshopper optimization algorithm［J］.Cognitive Computation，2018（2）：1-18.

［8］ ZHANG X，MIAO Q.ZHANG H.et al.A parameter-adaptive VMD method based on grasshopper optimization algorithm to analyze vibration signals from rotating machinery［J］.Mechanical Systems amp; Signal Processing，2018，108：58-72.

［9］ 趙艷玲，王勇，袁磊.基于4VA信息素的蝗蟲優化算法［J］.廣西科學，2022，29（5）：930-939.

［10］ 曹夢龍，馬俊林.改進蝗蟲優化算法在模糊神經網絡PID控制中的研究［J］.電子測量技術，2022，45（20）：74-80.

［11］ 李國奎，劉永明.基于改進蝗蟲優化算法的車身焊接機器人路徑規劃［J］.組合機床與自動化加工技術，2022（8）：31-34.

［12］ 李建興，崔勝民.整車傳動系統參數優化的自適應蝗蟲優化算法［J］.噪聲與振動控制，2023，43（1）：185-190.

［13］ 余榮臻，袁劍平，李俊益.基于蝗蟲優化算法的大型運輸船舶自適應控制［J］.中國艦船研究，2023，18（3）：66-74.

［14］ 李致遠，畢俊蕾，王汝傳.基于移動Agent的無線多媒體傳感器網絡QoS路由算法［J］.傳感技術學報，2013，26（7）：997-1003.

［15］ 沈滌.基于自適應遺傳算法的無線多媒體傳感器網絡WMSNs的QoS路由算法［J］.信息與電腦（理論版），2017（23）：68-69.

［16］ 李雪，曹峰梅，郭杰，等.基于蟻群優化的ZigBee傳感器網絡QoS路由算法［J］.電子技術應用，2013，39（6）：114-117.

［17］ 尤凱明，楊維，袁小溪，等.煤礦井下WMSNs區分服務的路由協議［J］.華中科技大學學報（自然科學版），2018，46（9）：1-8.

［18］ 周靈，龍灘，王建新.基于數據融合的WMSNs最小能耗實時路由算法［J］.中山大學學報（自然科學版），2013，52（6）：64-67.

［19］ 衷柳生，程良倫.基于區分服務的無線多媒體傳感器網絡QoS路由協議［J］.計算機應用研究，2010，27（11）：4218-4221.