WSN路由節(jié)點(diǎn)優(yōu)化分布設(shè)計(jì)的免疫克隆算法

江 楠， 徐 秦

(中國(guó)人民解放軍92124部隊(duì)， 遼寧 大連 116023)

WSN路由節(jié)點(diǎn)優(yōu)化分布設(shè)計(jì)的免疫克隆算法

江 楠， 徐 秦

(中國(guó)人民解放軍92124部隊(duì)， 遼寧 大連 116023)

對(duì)于無(wú)線傳感器網(wǎng)絡(luò)(WSN)路由節(jié)點(diǎn)的優(yōu)化分布設(shè)計(jì)，人工免疫進(jìn)化算法存在幾何選擇區(qū)域局限，為了緩解此問(wèn)題，避免系統(tǒng)收斂于局部最優(yōu)解，提出一種基于免疫克隆算子的設(shè)計(jì)方案。根據(jù)WSN節(jié)點(diǎn)覆蓋原理，構(gòu)建WSN路由節(jié)點(diǎn)自適應(yīng)人工免疫分布模型，用免疫平衡機(jī)理計(jì)算染色體在每個(gè)節(jié)點(diǎn)部署網(wǎng)格中的信息濃度概率，采用克隆檢測(cè)算法監(jiān)測(cè)WSN網(wǎng)絡(luò)中節(jié)點(diǎn)冗余濃度，以使每個(gè)WSN路由節(jié)點(diǎn)輻射信息素最大化，突破幾何選擇區(qū)域的限制，實(shí)現(xiàn)最優(yōu)節(jié)點(diǎn)部署和覆蓋。仿真實(shí)驗(yàn)表明，新算法能提高網(wǎng)絡(luò)連通性和節(jié)點(diǎn)利用率。

無(wú)線傳感器網(wǎng)絡(luò)；路由節(jié)點(diǎn)；分布；免疫算法

無(wú)線傳感器網(wǎng)絡(luò)(Wireless Sensor Network, WSN)是一種利用分布式路由節(jié)點(diǎn)將數(shù)據(jù)傳送到?jīng)Q策中心，從而感知和采集節(jié)點(diǎn)所處環(huán)境的數(shù)據(jù)信息的網(wǎng)絡(luò)結(jié)構(gòu)。WSN的路由節(jié)點(diǎn)分布設(shè)計(jì)決定著其生存周期和對(duì)環(huán)境信息的感知能力，優(yōu)化智能的路由節(jié)點(diǎn)分布設(shè)計(jì)算法不但可以使WSN能自主感知實(shí)現(xiàn)數(shù)據(jù)信息的傳遞和決策，提高網(wǎng)絡(luò)的連通性，而且能降低節(jié)點(diǎn)能耗，提高WSN網(wǎng)絡(luò)系統(tǒng)的可靠性和穩(wěn)定性，因此研究WSN路由節(jié)點(diǎn)的優(yōu)化部署和分布設(shè)計(jì)算法具有重要的意義。

WSN的路由節(jié)點(diǎn)的優(yōu)化部署和分布設(shè)計(jì)算法包括空間幾何設(shè)計(jì)和智能優(yōu)化遺傳設(shè)計(jì)兩個(gè)主要方面。文獻(xiàn)[1]采用WSN多傳感器融合處理辦法實(shí)現(xiàn)對(duì)WSN節(jié)點(diǎn)的定位檢測(cè)，分析實(shí)現(xiàn)WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)的分布設(shè)計(jì)，其控制算法采用粒子濾波算法實(shí)現(xiàn)節(jié)點(diǎn)自動(dòng)控制，導(dǎo)致對(duì)WSN簇頭節(jié)點(diǎn)分布控制效能限制較大，WSN節(jié)點(diǎn)分布準(zhǔn)確度有待提高；文獻(xiàn)[2]對(duì)WSN的通信協(xié)議進(jìn)行了簇內(nèi)節(jié)點(diǎn)優(yōu)化設(shè)計(jì)，有效排除了惡意節(jié)點(diǎn)，從而實(shí)現(xiàn)對(duì)WSN節(jié)點(diǎn)的分布設(shè)計(jì)，但算法采用多重節(jié)點(diǎn)反復(fù)組合的方法進(jìn)行WSN路由節(jié)點(diǎn)分布設(shè)計(jì)，導(dǎo)致節(jié)點(diǎn)利用效率不好；文獻(xiàn)[3]中提出了一種基于相鄰節(jié)點(diǎn)WSN節(jié)點(diǎn)分布信任值提取算法，實(shí)現(xiàn)對(duì)WSN數(shù)據(jù)的融合和分布覆蓋優(yōu)化，結(jié)合自組織神經(jīng)網(wǎng)絡(luò)系統(tǒng)，實(shí)現(xiàn)WSN節(jié)點(diǎn)定位，但算法在低信噪比和單接收節(jié)點(diǎn)調(diào)制中對(duì)WSN節(jié)點(diǎn)準(zhǔn)確定位困難，導(dǎo)致WSN網(wǎng)絡(luò)節(jié)點(diǎn)冗余，增大開(kāi)銷[4]；文獻(xiàn)[5]采用粒子群進(jìn)化算法進(jìn)行路由節(jié)點(diǎn)分布設(shè)計(jì)，由于粒子群在進(jìn)化迭代中免疫平衡算子存在幾何選擇區(qū)域的局限性，系統(tǒng)易收斂于局部最優(yōu)解[6-10]。

本文基于免疫克隆算子提出一種WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)優(yōu)化分布設(shè)計(jì)方案，并借助仿真實(shí)驗(yàn)驗(yàn)證新算法的性能。

1 WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)分布設(shè)計(jì)

1.1 WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)分布構(gòu)建原理

首先研究WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)優(yōu)化分布設(shè)計(jì)的原理，進(jìn)行無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分布設(shè)計(jì)的基本構(gòu)建。對(duì)于在無(wú)線傳感器網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)，有其自身的輻射半徑，在輻射半徑之外而又不能被其它網(wǎng)絡(luò)節(jié)點(diǎn)輻射的為輻射盲區(qū)。因此，在對(duì)進(jìn)行無(wú)線傳感器網(wǎng)絡(luò)組網(wǎng)中，要有效利用網(wǎng)絡(luò)節(jié)點(diǎn)，實(shí)現(xiàn)資源分配最大化，網(wǎng)絡(luò)覆蓋最優(yōu)化。節(jié)點(diǎn)均勻分布的傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分布模型示意圖如圖1所示。

圖1 節(jié)點(diǎn)均勻分布的傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分布模型

在圖1中，無(wú)線傳感器網(wǎng)絡(luò)路由節(jié)點(diǎn)假設(shè)為Z，該節(jié)點(diǎn)的輻射或稱為覆蓋半徑為RZ，RZ為以Z為圓心的覆蓋圓的半徑，在該半徑圓內(nèi)，為有效覆蓋區(qū)，能進(jìn)行有效的通信覆蓋。因此，與節(jié)點(diǎn)Z任意相鄰的節(jié)點(diǎn)與保證在其信息發(fā)散區(qū)域內(nèi)，需保證信息的有效傳輸和通信，對(duì)于節(jié)點(diǎn)Z的鄰接節(jié)點(diǎn)，要按照特有和一定的順序和方式進(jìn)行排列組合，確保信息最優(yōu)覆蓋。在傳統(tǒng)模型中，WSN網(wǎng)絡(luò)中節(jié)點(diǎn)不得不頻繁收集新的網(wǎng)絡(luò)拓?fù)湫畔?、重新?jì)算調(diào)度方案并傳送給每個(gè)節(jié)點(diǎn)，這將會(huì)消耗大量的能量，以致傳統(tǒng)的數(shù)據(jù)集中式算法在實(shí)際應(yīng)用過(guò)程中效率很低，無(wú)法實(shí)現(xiàn)有效準(zhǔn)確和實(shí)時(shí)的信息采集和拓?fù)浞治觥?/p>

1.2 WSN路由節(jié)點(diǎn)系統(tǒng)模型構(gòu)建

假設(shè)WSN有N個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)同步分布實(shí)現(xiàn)對(duì)環(huán)境條件的監(jiān)測(cè)和信息特征提取，路由節(jié)點(diǎn)均勻的分布在監(jiān)測(cè)區(qū)域Ωη，分布模型如圖1表示,其中節(jié)點(diǎn)分布網(wǎng)格中每?jī)蓚€(gè)節(jié)點(diǎn)之間的最小距離為d。根據(jù)節(jié)點(diǎn)類型，在網(wǎng)絡(luò)模型中，節(jié)點(diǎn)分為Sink節(jié)點(diǎn)、監(jiān)測(cè)點(diǎn)、傳感器節(jié)點(diǎn)和無(wú)節(jié)點(diǎn)等類型，該模型采用四元組結(jié)構(gòu)表示，以自頂向下的方式分層構(gòu)造數(shù)據(jù)聚集樹(shù)，優(yōu)化節(jié)點(diǎn)分布設(shè)計(jì)，其目的在于以數(shù)量最少的連接節(jié)點(diǎn)將相距兩跳的支配節(jié)點(diǎn)連接起來(lái)，形成一棵根在Sink節(jié)點(diǎn)的數(shù)據(jù)聚集樹(shù)DAT。具體來(lái)說(shuō)，在數(shù)據(jù)聚集樹(shù)的構(gòu)造過(guò)程中，假設(shè)Sink節(jié)點(diǎn)以數(shù)量最少的連接節(jié)點(diǎn)將相距兩跳的支配節(jié)點(diǎn)連接起來(lái)，形成一棵數(shù)據(jù)聚集樹(shù)后，則對(duì)于數(shù)據(jù)聚集樹(shù)上某一支配點(diǎn)，只要將與之相距兩跳、尚未加入數(shù)據(jù)聚集樹(shù)的支配節(jié)點(diǎn)加入到數(shù)據(jù)聚集樹(shù)。例如，假設(shè)有相距兩跳的兩個(gè)支配節(jié)點(diǎn)u和v，如果支配節(jié)點(diǎn)u先將與之相距兩跳、尚未加入數(shù)據(jù)聚集樹(shù)的支配節(jié)點(diǎn)加入到數(shù)據(jù)聚集樹(shù)，則對(duì)于支配節(jié)點(diǎn)v，只要將D2(v)-D2(u)∩D2(v)中的點(diǎn)加入到數(shù)據(jù)聚集樹(shù)即可，這是因D2(u)∩D2(v)中的支配點(diǎn)已通過(guò)支配節(jié)點(diǎn)u加入到數(shù)據(jù)聚集樹(shù)。

支配節(jié)點(diǎn)u加入位置為ηn∈Ωη(n=1,2,…,N)，支配節(jié)點(diǎn)u先將與之相距兩跳覆蓋，得到每一個(gè)節(jié)點(diǎn)與進(jìn)化算子中最優(yōu)子節(jié)點(diǎn)位置相關(guān)的數(shù)據(jù)為x(ηn)，定義節(jié)點(diǎn)密度來(lái)表征分布節(jié)點(diǎn)覆蓋點(diǎn)集的相關(guān)性為

E[x(ηp)x(ηq)]=ρ‖ηp-ηq‖,

(1)

其中ρ∈(0,1)表示Sink節(jié)點(diǎn)連通性代價(jià)系數(shù)，通過(guò)節(jié)點(diǎn)代價(jià)系數(shù)檢測(cè)已覆蓋的傳感器節(jié)點(diǎn)，得到相應(yīng)的空間相關(guān)系數(shù)，對(duì)WSN的已覆蓋節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合傳遞，WSN網(wǎng)格中心節(jié)點(diǎn)收到的節(jié)點(diǎn)數(shù)據(jù)信息素為

(2)

(3)

根據(jù)構(gòu)建的WSN路由節(jié)點(diǎn)系統(tǒng)模型，以下分析WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)優(yōu)化分布設(shè)計(jì)。

2 路由節(jié)點(diǎn)分布算法與優(yōu)化實(shí)現(xiàn)

2.1 自適應(yīng)人工免疫節(jié)點(diǎn)分布算法

WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)分布設(shè)計(jì)，旨在按照一定的節(jié)點(diǎn)排列方法，以最為經(jīng)濟(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)實(shí)現(xiàn)最大覆蓋率的輻射區(qū)域，從而完成傳感器節(jié)點(diǎn)信號(hào)覆蓋的最優(yōu)化。構(gòu)建評(píng)價(jià)指標(biāo)體系，評(píng)價(jià)傳感器節(jié)點(diǎn)優(yōu)化覆蓋的性能，對(duì)研究傳感器節(jié)點(diǎn)優(yōu)化覆蓋算法具有檢測(cè)和評(píng)估價(jià)值。WSN節(jié)點(diǎn)在尋優(yōu)最優(yōu)位置信息的時(shí)候，可通過(guò)模擬生物進(jìn)化的人工免疫行為，實(shí)現(xiàn)信息位置的最佳匹配。在此給出自適應(yīng)人工免疫節(jié)點(diǎn)分布算法。

假設(shè)融合中心有各傳感器節(jié)點(diǎn)得到的數(shù)據(jù)y=(y1,y2,…,yN)T，采用粒子群局部搜索算法，得到目標(biāo)節(jié)點(diǎn)信息偏差x(η)(η∈Ωη)，節(jié)點(diǎn)覆蓋區(qū)域抗體濃度評(píng)價(jià)均方誤差(Mean Squared Error， MSE)估計(jì)值為

(4)

(5)

其中

rη=E[x(η)xs],

xs=(x(η1),x(η2),…,x(ηN))T,

(6)

(7)

(8)

其中γ0表示單位區(qū)域的信噪比。

采用目標(biāo)免疫的方法，對(duì)WSN節(jié)點(diǎn)進(jìn)行目標(biāo)免疫克隆節(jié)點(diǎn)伴隨指導(dǎo)，可突破節(jié)點(diǎn)尋優(yōu)過(guò)程中對(duì)空間區(qū)域的限制。

采用自適應(yīng)人工免疫節(jié)點(diǎn)分布算法進(jìn)行WSN節(jié)點(diǎn)分布設(shè)計(jì)的流程可描述為：首先用染色體所求的節(jié)點(diǎn)更新信息素解，把這些所需的解組成一個(gè)初始群體并放置在這個(gè)集合的環(huán)境中；然后計(jì)算每個(gè)個(gè)體的適應(yīng)度，淘汰適應(yīng)度較低的小集群，復(fù)制高適應(yīng)度的個(gè)體，按照設(shè)定概率進(jìn)行交叉和變異兩種基因操作；最后通過(guò)以上步驟產(chǎn)生出的新個(gè)體就是所有樣本種群的下一代。這樣不停的進(jìn)化，下一代比上一代更優(yōu)，適應(yīng)度更高，最后結(jié)果會(huì)收斂到一個(gè)最優(yōu)的個(gè)體上，所需求解問(wèn)題的最優(yōu)解就是這個(gè)最優(yōu)的個(gè)體。

具體的計(jì)算準(zhǔn)備流程包括：(1)確定計(jì)算方案，即確定無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的整個(gè)搜索空間的計(jì)算方式。(2)確定適應(yīng)值的范圍，即通過(guò)一個(gè)適應(yīng)度函數(shù)來(lái)對(duì)小集群群體中的每個(gè)特征量的適應(yīng)度進(jìn)行計(jì)算。(3)確定參數(shù)和變量在控制算法的選取，即選取小集群種群的規(guī)模M、最大代數(shù)N、交叉概率Pc和變異概率Pm等參數(shù)。(4)確定算法的收斂的標(biāo)準(zhǔn)，以達(dá)到結(jié)束或者進(jìn)行結(jié)果判斷實(shí)現(xiàn)最佳搜索和信息的覆蓋。

算法流程如圖2所示。

圖2 自適應(yīng)人工免疫節(jié)點(diǎn)分布算法流程

根據(jù)傳統(tǒng)的分布設(shè)計(jì)算法中，變異交叉執(zhí)行算子在進(jìn)化迭代中免疫平衡算子存在幾何選擇區(qū)域的局限性，系統(tǒng)易收斂于局部最優(yōu)解，因此需要對(duì)算法進(jìn)行改進(jìn)。

2.2 算法改進(jìn)與優(yōu)化實(shí)現(xiàn)

引入免疫克隆算子，對(duì)傳統(tǒng)的人工免疫進(jìn)化WSN節(jié)點(diǎn)分布設(shè)計(jì)算法進(jìn)行改進(jìn)。

基于WSN節(jié)點(diǎn)覆蓋原理，構(gòu)建WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)自適應(yīng)人工免疫分布模型，用免疫平衡機(jī)理計(jì)算染色體在每個(gè)節(jié)點(diǎn)部署網(wǎng)格中的信息濃度概率，表示為

(9)

采用克隆檢測(cè)算法監(jiān)測(cè)WSN網(wǎng)絡(luò)中節(jié)點(diǎn)冗余濃度，在此引入克隆變異算子，優(yōu)化節(jié)點(diǎn)信息素迭代更新過(guò)程，克隆變異算子為

(10)

此時(shí)每個(gè)WSN路由節(jié)點(diǎn)輻射信息素為

(11)

即采用最大似然估計(jì)，得到克隆檢測(cè)算法估計(jì)出每個(gè)WSN路由節(jié)點(diǎn)輻射最大信息素。監(jiān)測(cè)WSN網(wǎng)絡(luò)中節(jié)點(diǎn)冗余濃度，使每個(gè)WSN路由節(jié)點(diǎn)輻射信息素最大化，從而可有效突破幾何選擇區(qū)域的限制，實(shí)現(xiàn)最優(yōu)節(jié)點(diǎn)部署和覆蓋，得到改進(jìn)后的覆蓋半徑下節(jié)點(diǎn)密度對(duì)MSE的影響

(12)

3 仿真實(shí)驗(yàn)與結(jié)果分析

仿真實(shí)驗(yàn)以100 m × 100 m二維平面監(jiān)測(cè)區(qū)域?yàn)檠芯繉?duì)象進(jìn)行，WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)通過(guò)免疫克隆優(yōu)化迭代的實(shí)現(xiàn)最優(yōu)節(jié)點(diǎn)分布，其中，仿真平面為正方形二維平面，該二維平面為無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)拓?fù)涓采w研究區(qū)域。免疫群初始的群體個(gè)數(shù)即隨機(jī)分布的傳感器節(jié)點(diǎn)個(gè)數(shù)假設(shè)為n=100, 交叉概率Pc取值為0.40～0.99，變異概率Pm一般定為0.05。仿真實(shí)驗(yàn)中，對(duì)克隆檢測(cè)算子進(jìn)行免疫平衡設(shè)計(jì)，在仿真過(guò)程中對(duì)相關(guān)數(shù)據(jù)，比如覆蓋率、覆蓋度、傳感器節(jié)點(diǎn)個(gè)數(shù)進(jìn)行了詳細(xì)記錄。根據(jù)迭代，最后確定最佳迭代次數(shù)選擇為N=300。在待檢測(cè)覆蓋區(qū)域W中，假設(shè)需要設(shè)置Q同等性能指標(biāo)的節(jié)點(diǎn)，各個(gè)傳感節(jié)點(diǎn)在區(qū)域W中的坐標(biāo)參數(shù)假設(shè)為(xi,yi)，各個(gè)傳感節(jié)點(diǎn)由于性能參數(shù)相同，故而其覆蓋半徑是相同的，這里假設(shè)為r，設(shè)定網(wǎng)格大小為24，網(wǎng)絡(luò)規(guī)模為20×20，采用改進(jìn)算法和傳統(tǒng)方法對(duì)WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)設(shè)計(jì)中節(jié)點(diǎn)密度與空間相關(guān)性以及信息素飽和度之間的關(guān)系進(jìn)行仿真。在WSN網(wǎng)絡(luò)中不同節(jié)點(diǎn)數(shù)量下得到節(jié)點(diǎn)密度對(duì)節(jié)點(diǎn)信息素飽和度均方根誤差MSE關(guān)系如圖3所示。可見(jiàn)，MSE隨節(jié)點(diǎn)密度單調(diào)遞減，節(jié)點(diǎn)密度越高，空間相關(guān)性就越強(qiáng)，則估計(jì)精度越高。而采用改進(jìn)方法，節(jié)點(diǎn)分布飽和度更大，更能有效逼近最優(yōu)值，網(wǎng)絡(luò)連通性更好。

(a) 傳統(tǒng)方法

采用改進(jìn)方法仿真得到最優(yōu)節(jié)點(diǎn)密度隨節(jié)點(diǎn)數(shù)變化關(guān)系如圖4所示?？梢?jiàn)，采用改進(jìn)方法能快速實(shí)現(xiàn)最優(yōu)節(jié)點(diǎn)密度設(shè)計(jì)，收斂性好，能在最少節(jié)點(diǎn)下實(shí)現(xiàn)節(jié)點(diǎn)分布和信息傳輸最優(yōu)，這說(shuō)明采用改進(jìn)算法進(jìn)行WSN路由節(jié)點(diǎn)分布設(shè)計(jì)，網(wǎng)絡(luò)連通性和節(jié)點(diǎn)利用率都將獲得大幅度提高。

圖4 最優(yōu)節(jié)點(diǎn)密度隨節(jié)點(diǎn)數(shù)變化關(guān)系

4 結(jié) 語(yǔ)

針對(duì)WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)分布優(yōu)化設(shè)計(jì)的問(wèn)題，提出一種引入免疫克隆算子的WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)優(yōu)化分布設(shè)計(jì)方案，基于WSN節(jié)點(diǎn)覆蓋原理，構(gòu)建WSN網(wǎng)絡(luò)路由節(jié)點(diǎn)自適應(yīng)人工免疫分布模型，用免疫平衡機(jī)理計(jì)算染色體在每個(gè)節(jié)點(diǎn)部署網(wǎng)格中的信息濃度概率，采用克隆檢測(cè)算法監(jiān)測(cè)WSN網(wǎng)絡(luò)中節(jié)點(diǎn)冗余濃度，使每個(gè)WSN路由節(jié)點(diǎn)輻射信息素最大化，研究得出，采用該算法進(jìn)行WSN路由節(jié)點(diǎn)分布設(shè)計(jì)，節(jié)點(diǎn)信息素飽和度高，WSN連通性和節(jié)點(diǎn)信息覆蓋性較好。

[1] 龔娟,段樹(shù)華.PSO算法和神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)測(cè)量與控制,2010,18(8): 1924-1927.

[2] 楊建華,王龍飛.基于FPGA的交通流量視頻檢測(cè)系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)與數(shù)字工程,2013,41(11): 1811-1813.

[3] 董慧慧,郭亞軍.一種基于節(jié)點(diǎn)多角度信任的無(wú)線傳感器網(wǎng)絡(luò)[J].計(jì)算機(jī)科學(xué),2009,36(9):43-45.

[4] 趙娟,趙薔,吳粉霞.基于自組織映射神經(jīng)網(wǎng)絡(luò)的圖像檢索算法[J].科技通報(bào),2013,29(2):55-57.

[5] 楊海霞.基于改進(jìn)數(shù)據(jù)過(guò)濾算法的異構(gòu)數(shù)據(jù)庫(kù)優(yōu)化挖掘技術(shù)[J].科技通報(bào),2013,29(6):125-127.

[6] 朱珍.基于神經(jīng)網(wǎng)絡(luò)集成分類器預(yù)處理的支持向量機(jī)分類算法[J].科技通報(bào),2013,29(4):26-30.

[7] 吳光榮,柳書濤,章劍雄.基于ZigBee的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)管理平臺(tái)[J].電子科技,2009,22(2):64-67.

[8] 劉家亮,王海燕,姜喆,等.垂直線列陣結(jié)構(gòu)對(duì)PTRM陣處理空間增益的影響[J].魚(yú)雷技術(shù),2010, 18(4):263-267.

[9] 韋然.無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子科技,2012,25(1):31-35.

[10] 梁青,熊偉,韓昊澎.各向異性無(wú)線傳感器網(wǎng)絡(luò)DV-Hop算法性能仿真[J].西安郵電大學(xué)學(xué)報(bào),2013,18(5):31-36.

[責(zé)任編輯:王輝]

WSN routing node distribution design based on immune clone pptimization

JIANG Nan, XU Qin

(Unit 92124 of PLA, Da lian 116023, China)

For WSN to optimize the design of the distribution of routing nodes, the artificial immune evolutionary algorithm has limitation of geometry selected area limits, thus lead system converges to local optimal solution. An improved immune clone algorithm is proposed in this paper. According to the principle of WSN node coverage, an adaptive artificial immune WSN routing nodes distribution model is built. The information probability of concentration of chromosome is calculated by the immune balance mechanism in each node deployment in the grid. WSN nodes redundant concentration in network is monitored by using the clone detection algorithm. Each WSN routing node radiation pheromones is therefore maximized to breakthrough the limitation of geometry selected area and to realize the optimal node deployment and coverage. Simulation experiments show that the new algorithm can improve the utilization rate of network connectivity and node.

wireless sensor network, routing node, distribution, immune algorithm

10.13682/j.issn.2095-6533.2014.05.015

2014-06-10

江楠(1982-)，女，碩士，助理工程師，從事通信工程研究。E-mail：66757588@qq.com 徐秦(1972-)，女，高級(jí)工程師，從事通信工程研究。E-mail:ariaxu@hotmail.com

TN 926; TP 212

A

2095-6533(2014)05-0077-05