繆祎晟,趙春江,吳華瑞
(1.北京工業(yè)大學(xué) 信息學(xué)部,北京 100124;2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京 100097;3.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,北京 100097)
以無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network,WSN)為代表的物聯(lián)網(wǎng)技術(shù),是實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)中環(huán)境、土壤、動(dòng)植物生理等實(shí)時(shí)監(jiān)測(cè)以及溫度、水肥在線調(diào)控的重要技術(shù)手段。通過對(duì)環(huán)境、水肥等進(jìn)行精確感知與精準(zhǔn)調(diào)控,可以減少不必要的水肥藥消耗,提高農(nóng)產(chǎn)品的產(chǎn)量與品質(zhì),實(shí)現(xiàn)綠色高效生產(chǎn)。WSN 本身具有能量敏感、成本低等特點(diǎn),而大規(guī)模農(nóng)田監(jiān)測(cè)網(wǎng)絡(luò)還存在覆蓋區(qū)域廣、種植周期長、能量供給不便、環(huán)境復(fù)雜多變等現(xiàn)實(shí)情況,如何實(shí)現(xiàn)穩(wěn)定可靠的數(shù)據(jù)傳輸匯集是實(shí)際應(yīng)用中的難點(diǎn)所在[1]。
在農(nóng)田WSN 監(jiān)測(cè)應(yīng)用中,節(jié)點(diǎn)異構(gòu)、環(huán)境動(dòng)態(tài)變化等原因進(jìn)一步提高了優(yōu)化網(wǎng)絡(luò)能耗和負(fù)載均衡的難度[2]。為提高農(nóng)田環(huán)境下網(wǎng)絡(luò)的使用壽命與長周期工作時(shí)的穩(wěn)定性,本文從動(dòng)態(tài)環(huán)境適配角度開展農(nóng)田WSN路由優(yōu)化研究,并提出一種基于改進(jìn)粒子群(Particle Swarm Optimization,PSO)的路由優(yōu)化算法RD-PSO。將農(nóng)田WSN 路由路徑作為粒子進(jìn)行尋優(yōu),以鏈路質(zhì)量、節(jié)點(diǎn)剩余能量等作為粒子參數(shù)并量化,優(yōu)先選擇鏈路質(zhì)量好、剩余能量高的路徑進(jìn)行數(shù)據(jù)傳輸,以延長無線監(jiān)測(cè)網(wǎng)絡(luò)在農(nóng)田WSN 復(fù)雜動(dòng)態(tài)環(huán)境中的使用壽命。
WSN 具有資源受限的特點(diǎn),其網(wǎng)絡(luò)能耗優(yōu)化一直以來都是研究人員關(guān)注的焦點(diǎn),而路由是實(shí)現(xiàn)低能耗傳輸?shù)闹匾h(huán)節(jié)。孫想等[3]針對(duì)頻繁簇首選舉產(chǎn)生過多能耗的問題,提出一種能量逼近式的簇首選擇方法,該方法連續(xù)任命某一節(jié)點(diǎn)擔(dān)任簇首直至逼近簇內(nèi)平均剩余能量,有效減少了簇首選舉產(chǎn)生的開銷,延長了網(wǎng)絡(luò)壽命。李華等[4]提出一種基于近源數(shù)據(jù)聚合的低能耗路由協(xié)議,其根據(jù)WSN 中數(shù)據(jù)分布密度的不同來選擇數(shù)據(jù)融合的節(jié)點(diǎn)組合與轉(zhuǎn)發(fā)路徑,實(shí)現(xiàn)了網(wǎng)絡(luò)能耗下降與擁塞控制。黃博文等[5]提出一種K 中心的近似算法來挑選簇首,使簇內(nèi)節(jié)點(diǎn)到簇首的距離最優(yōu),進(jìn)而降低與均衡能耗。上述方法在優(yōu)化WSN 網(wǎng)絡(luò)能耗時(shí)均針對(duì)靜態(tài)的網(wǎng)絡(luò)條件,而農(nóng)田WSN 監(jiān)測(cè)應(yīng)用中的環(huán)境是動(dòng)態(tài)變化的,從而對(duì)網(wǎng)絡(luò)路由優(yōu)化算法提出了新的挑戰(zhàn)。
群體智能算法[6]是求解復(fù)雜動(dòng)態(tài)問題的有效手段,國內(nèi)外學(xué)者在基于群體智能算法的WSN 路由算法優(yōu)化方面開展了諸多研究。牛祺君等[7]設(shè)計(jì)一種基于節(jié)點(diǎn)剩余能量的簇首輪換機(jī)制,并通過蜂群算法優(yōu)化簇首節(jié)點(diǎn)路由選擇,減少了節(jié)點(diǎn)能量消耗,延長了網(wǎng)絡(luò)壽命。謝英輝等[8]采用遺傳算法縮短了sink 節(jié)點(diǎn)的移動(dòng)距離,在簡化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的同時(shí)也得出了近似最優(yōu)的能耗優(yōu)化方案。ARJUNAN等[9]首先采用聚類算法進(jìn)行節(jié)點(diǎn)分簇,再通過蟻群算法優(yōu)化簇首節(jié)點(diǎn)間路由,提高了路由算法在寬矩形區(qū)域中的適應(yīng)度。FU等[10]基于人工勢(shì)場法,結(jié)合節(jié)點(diǎn)采集的數(shù)據(jù)判斷節(jié)點(diǎn)所處環(huán)境的狀況,進(jìn)而使得優(yōu)化后的路由盡可能地避開了一些不期望到達(dá)的節(jié)點(diǎn)。
利用群體智能算法可以在迭代次數(shù)較少的情況下求得動(dòng)態(tài)條件下近似的全局最優(yōu)解,算法效率高,適合于資源受限的農(nóng)田WSN。針對(duì)農(nóng)田應(yīng)用場景下環(huán)境、作物生長等對(duì)無線網(wǎng)絡(luò)傳輸?shù)挠绊?,本文提出一種基于改進(jìn)PSO 的路由優(yōu)化算法,通過引入網(wǎng)絡(luò)鏈路質(zhì)量因子提高PSO 算法的環(huán)境適配性,同時(shí)綜合考慮節(jié)點(diǎn)剩余能量、路徑轉(zhuǎn)發(fā)跳數(shù)等因素,以期實(shí)現(xiàn)農(nóng)田復(fù)雜動(dòng)態(tài)環(huán)境下的能耗性能最優(yōu)。
本文討論的大規(guī)模農(nóng)田WSN 場景假定有N個(gè)傳感節(jié)點(diǎn)隨機(jī)地被部署在一個(gè)二維矩形區(qū)域內(nèi),同時(shí)假定該WSN 具有如下性質(zhì)[2,11]:
1)網(wǎng)絡(luò)屬于密度較高的靜態(tài)網(wǎng)絡(luò),即傳感節(jié)點(diǎn)部署后位置保持不變,節(jié)點(diǎn)密度足以保證網(wǎng)絡(luò)連通性以及對(duì)監(jiān)測(cè)區(qū)域的覆蓋度。
2)sink 節(jié)點(diǎn)位置固定且唯一,其無線發(fā)射功率可控且能量不受限制。
3)傳感節(jié)點(diǎn)類型同構(gòu),初始能量均相同,為E0,且不能補(bǔ)充。
4)傳感節(jié)點(diǎn)每輪消耗的能量不一定相同,即能量異構(gòu)。
5)節(jié)點(diǎn)具有自我能量感知的能力,可獲得剩余能量數(shù)據(jù)。
基于文獻(xiàn)[12]的無線通信能耗模型,可以認(rèn)為節(jié)點(diǎn)發(fā)送lbit 數(shù)據(jù)需要消耗的能量Etx為:
其中:Eelec代表發(fā)射電路或接收電路傳輸1 bit 數(shù)據(jù)消耗的能量;d為發(fā)射節(jié)點(diǎn)與接收節(jié)點(diǎn)之間的距離;d0=為模型的距離閾值;εf和εm為2 種模式下的功率放大系數(shù)。
農(nóng)田WSN 中的路由選擇是典型的組合優(yōu)化問題,而群體智能算法具有自關(guān)聯(lián)和自組織的特點(diǎn)[13],適用于解決農(nóng)田WSN 路由尋優(yōu)問題?;依撬惴ǎ?4]、蟻群算法[15]等新興智能方法具有參數(shù)少、結(jié)構(gòu)簡單、易于實(shí)現(xiàn)的特點(diǎn),在WSN 路由協(xié)議優(yōu)化方面已被廣泛應(yīng)用,但對(duì)于動(dòng)態(tài)環(huán)境仍存在精度低、優(yōu)化維數(shù)低、收斂速度慢等不足。在求解規(guī)模較大的優(yōu)化問題時(shí),PSO 算法能夠在更短時(shí)間內(nèi)獲得優(yōu)化解[16],有利于農(nóng)田感知數(shù)據(jù)的迅速傳輸。本文提出一種基于反向探測(cè)的改進(jìn)PSO(Reverse Detection based PSO,RD-PSO)算法,通過改進(jìn)算法的適應(yīng)度函數(shù)與初始化方法減少網(wǎng)絡(luò)傳輸能耗,進(jìn)一步提高PSO 算法對(duì)路由路徑的搜索迭代效率。
農(nóng)田WSN 路由優(yōu)化問題示意圖如圖1 所示,從初化化路徑s1開始,通過算法迭代向最優(yōu)路徑s2逼近。優(yōu)化過程中首先需要考慮的是降低節(jié)點(diǎn)能耗以及提高節(jié)點(diǎn)間的能量均衡性,因此,考慮從節(jié)點(diǎn)剩余能量和路徑轉(zhuǎn)發(fā)能耗2 個(gè)方面進(jìn)行加權(quán),優(yōu)化算法適應(yīng)度函數(shù),即最優(yōu)路徑應(yīng)滿足路徑能耗盡可能小、路徑上節(jié)點(diǎn)平均剩余能量以及最低剩余能量盡可能高。同時(shí),考慮到跳數(shù)對(duì)路由算法的效率以及網(wǎng)絡(luò)能耗性能有顯著影響,因此,在求解最優(yōu)路徑時(shí)需要使得跳數(shù)盡可能少。此外,由于農(nóng)田環(huán)境具有動(dòng)態(tài)多徑衰落特性,因此本文將鏈路質(zhì)量也作為適應(yīng)度函數(shù)的權(quán)重因子之一。
圖1 基于PSO 的WSN 路徑選擇示意圖Fig.1 Schematic diagram of WSN path selection based on PSO
從圖1 可以看出,當(dāng)前路徑和最優(yōu)路徑存在多個(gè)交點(diǎn)cross1,cross2,…,crossn,這些交點(diǎn)可以理解為路徑選擇中的關(guān)鍵點(diǎn),也是WSN 常見的能耗節(jié)點(diǎn),對(duì)于網(wǎng)絡(luò)能耗優(yōu)化有著重要影響。對(duì)于一次數(shù)據(jù)傳輸路徑選擇過程,記源節(jié)點(diǎn)到sink 節(jié)點(diǎn)的一條多跳路徑為Pi,其對(duì)應(yīng)PSO 算法中的一個(gè)粒子i,定義適應(yīng)度函數(shù)f如式(2)所示[12,17]:
RD-PSO 算法根據(jù)初始化位置與速度計(jì)算個(gè)體最優(yōu)和全局最優(yōu)位置,并開始迭代尋優(yōu)。粒子速度更新方法如式(3)所示[19]:
其中:ω是慣性因子;c1、c2是學(xué)習(xí)因子;r1、r2為0~1 之間的隨機(jī)數(shù),它們可使粒子變異時(shí)具有一定的隨機(jī)性,避免落入局部最優(yōu)。
粒子位置的更新方法如式(4)所示:
在基于PSO 的WSN 路由優(yōu)化問題中,一個(gè)粒子初始化就是隨機(jī)生成一條從源節(jié)點(diǎn)到sink 節(jié)點(diǎn)的路徑。傳統(tǒng)方法以sink 節(jié)點(diǎn)向網(wǎng)絡(luò)發(fā)送探測(cè)包的方式,確定各個(gè)節(jié)點(diǎn)到sink 節(jié)點(diǎn)的跳數(shù)值[20]。在生成初始化拓?fù)鋾r(shí),當(dāng)前節(jié)點(diǎn)始終選擇跳數(shù)值小于自身跳數(shù)值的節(jié)點(diǎn)作為下一跳節(jié)點(diǎn),并保留跳數(shù)小于所設(shè)定最大跳數(shù)的路徑,從而保證路徑方向總體趨向于sink 節(jié)點(diǎn)。傳統(tǒng)探測(cè)包方法適用于管道、深井等帶狀空間,但由于缺少在橫向空間上的約束,使得其在寬矩形區(qū)域中易出現(xiàn)迭代效率低等問題[21]。為此,本文提出一種針對(duì)寬矩形農(nóng)田WSN 的反向探測(cè)粒子初始化方法。
在本文方法中,由sink 節(jié)點(diǎn)向其一跳范圍內(nèi)的傳感節(jié)點(diǎn)廣播發(fā)送探測(cè)包信息,傳感節(jié)點(diǎn)接收到探測(cè)包后保存其距sink 節(jié)點(diǎn)的跳數(shù)值,并將值加1 后轉(zhuǎn)發(fā)至其他節(jié)點(diǎn),若某節(jié)點(diǎn)接收到多個(gè)值,則以收到的最小值作為其自身的值。由此近似地形成以sink 節(jié)點(diǎn)為圓心、半徑不同的多個(gè)圓環(huán),各圓環(huán)區(qū)域內(nèi)的值相同。同時(shí),為了建立橫向維度上的重復(fù)路徑約束,選擇一條區(qū)域邊界,如圖2 中右側(cè)邊界所示,以最靠近邊界的傳感器(圖2中的節(jié)點(diǎn)1)發(fā)送反向探測(cè)包,記節(jié)點(diǎn)1的值為1,其他轉(zhuǎn)發(fā)節(jié)點(diǎn)的值增加方法與相同。
圖2 基于反向探測(cè)的初始化過程Fig.2 Initialization process based on reverse detection
其中:eva(i)為根據(jù)Ni節(jié)點(diǎn)
值計(jì)算的節(jié)點(diǎn)得分,其值為i節(jié)點(diǎn)
差值的倒數(shù),如式(6)所示:
RD-PSO 算法在農(nóng)田WSN 節(jié)點(diǎn)初始化完成后,按照3.2 節(jié)所述內(nèi)容進(jìn)行反向探測(cè),完成粒子位置和速度的初始化,并依據(jù)節(jié)點(diǎn)能耗、剩余能量、距離sink 的最小跳數(shù)以及鏈路質(zhì)量等構(gòu)造適應(yīng)度函數(shù),通過粒子群迭代優(yōu)化確定符合農(nóng)田復(fù)雜動(dòng)態(tài)環(huán)境的最優(yōu)路由路徑。算法具體步驟如下:
1)根據(jù)3.2 節(jié)內(nèi)容進(jìn)行網(wǎng)絡(luò)節(jié)點(diǎn)反向探測(cè),建立各節(jié)點(diǎn)到sink 節(jié)點(diǎn)的初始化路徑Pi以及相應(yīng)粒子i的初始化位置與速度。
2)按照式(2)計(jì)算每個(gè)粒子i的適應(yīng)度函數(shù)值。
3)按照式(3)、式(4)求解個(gè)體極值、全局極值以及粒子位置、速度更新值。
4)重復(fù)第2 步和第3 步,直至個(gè)體極值穩(wěn)定收斂于全局極值或達(dá)到最大迭代次數(shù)。
5)根據(jù)得出的最優(yōu)路由路徑開始進(jìn)行數(shù)據(jù)多跳傳輸,同時(shí)獲取節(jié)點(diǎn)能量、鏈路質(zhì)量的數(shù)據(jù),在下一步數(shù)據(jù)傳輸時(shí)進(jìn)行路由路徑更新。
根據(jù)上述算法流程可知,本文通過反向探測(cè)對(duì)傳輸路徑、粒子速度與位置進(jìn)行初始化優(yōu)化,然后利用粒子更新得到農(nóng)田WSN 路由。因此,本文算法復(fù)雜度為O(iter1·N1·T1(f)),其中:iter1為迭代次數(shù);N1為粒子數(shù)量;T1(f)為與適應(yīng)度函數(shù)、粒子維度等因素相關(guān)的一次迭代時(shí)間?;依撬惴ǖ膹?fù)雜度為O(iter2·N2·T2(f)),其中:iter2為迭代次數(shù);N2為種群數(shù)量;T2(f)為與適應(yīng)度函數(shù)、種群維度等因素相關(guān)的一次迭代時(shí)間。樽海鞘群算法的復(fù)雜度為O(iter3·N3·T3(f)),其中:iter3為迭代次數(shù);N3為種群數(shù)量;T3(f)為與適應(yīng)度函數(shù)、種群維度等因素相關(guān)的一次迭代時(shí)間。本文算法與灰狼算法等群體智能算法的復(fù)雜度一致,但在求解大規(guī)模優(yōu)化問題時(shí),灰狼算法等存在精度低、優(yōu)化維數(shù)低、收斂速度慢等不足,而PSO 算法能夠在更短時(shí)間內(nèi)獲得優(yōu)化解[16],有利于提高農(nóng)田監(jiān)測(cè)網(wǎng)絡(luò)的整體效率。本文算法基于反向探測(cè)包理論縮短了初始位置與最優(yōu)解的距離,進(jìn)一步提高了PSO 算法的收斂速度。
為對(duì)RD-PSO 算法的性能進(jìn)行驗(yàn)證,首先將其與傳統(tǒng)PSO 算法[22]進(jìn)行算法迭代收斂性能仿真對(duì)比,然后選取ELMR[23]、EEABR[24]和MR-PSO 算法[25]進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)場景具體參數(shù)設(shè)置如表1 所示。
表1 仿真參數(shù)設(shè)置Table 1 Simulation parameters setting
在目標(biāo)區(qū)域內(nèi)隨機(jī)部署100 個(gè)節(jié)點(diǎn),完成20 次獨(dú)立隨機(jī)部署并分別進(jìn)行性能仿真實(shí)驗(yàn),取平均值作為最終結(jié)果。
對(duì)比RD-PSO算法與傳統(tǒng)PSO算法[15]的收斂速度,20 組獨(dú)立實(shí)驗(yàn)中算法收斂迭代次數(shù)對(duì)比結(jié)果如圖3 所示。從圖3 可以看出,與傳統(tǒng)PSO 算法相比,RD-PSO算法收斂所需的迭代次數(shù)整體較低,且波動(dòng)幅度比傳統(tǒng)PSO 算法小。傳統(tǒng)PSO 算法由于隨機(jī)性較大,路由算法的收斂會(huì)因節(jié)點(diǎn)分布和狀態(tài)的不同而產(chǎn)生較大波動(dòng)。對(duì)于每組實(shí)驗(yàn)節(jié)點(diǎn)而言,本文改進(jìn)算法的收斂速度均優(yōu)于傳統(tǒng)PSO 算法,其原因有2 個(gè)方面:一是本文算法優(yōu)化了粒子初始化方法,使得初始化粒子更接近最優(yōu)解;二是虛擬力影響粒子的尋優(yōu)過程,使得一條路徑向全局最優(yōu)路徑的擬合速度加快。
圖3 RD-PSO 算法與傳統(tǒng)PSO 算法的收斂速度對(duì)比Fig.3 Comparison of convergence speed between RD-PSO algorithm and traditional PSO algorithm
不同路由算法的網(wǎng)絡(luò)生存周期對(duì)比如圖4 所示,可以看出,當(dāng)系統(tǒng)運(yùn)行約300 輪時(shí),EEABR、MR-PSO算法開始出現(xiàn)死亡節(jié)點(diǎn),當(dāng)系統(tǒng)運(yùn)行約400輪時(shí),ELMR、RD-PSO 算法開始出現(xiàn)死亡節(jié)點(diǎn)。從10%節(jié)點(diǎn)死亡時(shí)間來看,ELMR 算法為520 輪,EEABR 算法為450 輪,MR-PSO 算法為700 輪,RD-PSO 算法約為820 輪;從全部節(jié)點(diǎn)死亡時(shí)間來看,ELMR 算法約為700 輪,EEABR和MR-PSO 算法約為800 輪,RD-PSO 算法約為850 輪,表明RD-PSO 算法的能耗性能最優(yōu),其次是MR-PSO 算法,ELMR 和EEABR 這2 種算法相對(duì)較 差。
圖4 不同路由算法的網(wǎng)絡(luò)生命周期對(duì)比Fig.4 Comparison of network life cycle of different routing algorithms
不同路由算法的網(wǎng)絡(luò)節(jié)點(diǎn)剩余能量均方差對(duì)比如圖5 所示,從中可以看出:ELMR 算法剩余能量均方差從一開始就迅速上升,在250 輪~450 輪時(shí)達(dá)到較高水平,300 輪峰值處約為E0的4.5%,450 輪后ELMR算法的剩余能量均方差開始逐步下降,對(duì)應(yīng)圖6 中也開始出現(xiàn)明顯的存活節(jié)點(diǎn)數(shù)量減少,直到700 輪附近開始逐步減少至0;EEABR 算法剩余能量均方差在100 輪處達(dá)到最高,約為E0的2%,之后略微下降,在200~500 輪間維持在0.004~0.005 J 之間,之后緩慢下降至0;MR-PSO 算法剩余能量均方差整體上明顯低于ELMR 和EEABR,但高于RD-PSO,其剩余能量均方差大部分保持在0.002 J 附近;RD-PSO 算法的能耗均衡性最好,其剩余能量均方差始終維持在0.001 J以下。圖5表明,ELMR 和EEABR 算法的能耗均衡效果欠佳,而RD-PSO 算法從節(jié)點(diǎn)剩余能量角度對(duì)路由算法進(jìn)行的能耗均衡改進(jìn)取得了顯著效果。
圖5 不同路由算法的節(jié)點(diǎn)剩余能量均方差對(duì)比Fig.5 Comparison of mean square error of node residual energy between different routing algorithms
不同路由算法的網(wǎng)絡(luò)傳輸平均跳數(shù)對(duì)比如圖6所示,從中可以看出:整體上ELMR 算法的平均跳數(shù)最多,RD-PSO 算法最低,EEABR 與MR-PSO 算法居中,MR-PSO算法略高于EEABR算法;從平均跳數(shù)變化上看,ELMR算法初始跳數(shù)最大,開始后逐步下降,約至300輪時(shí)降到局部低點(diǎn),后逐步上升,在500輪后迅速下降至最低,EEABR算法初始跳數(shù)最大,后逐步下降至6跳并穩(wěn)定,在700輪后迅速下降至最低,MR-PSO算法在前300輪時(shí)平均跳數(shù)穩(wěn)定在6跳,后整體提高到7跳、8跳,在750輪后迅速降至最低,RD-PSO算法在前450輪穩(wěn)定在4跳、5跳,550輪后整體上升至5跳、6跳并保持穩(wěn)定,在850輪后迅速降至最低。
圖6 不同路由算法的平均跳數(shù)對(duì)比Fig.6 Comparison of average hops of different routing algorithms
從適應(yīng)度函數(shù)對(duì)跳數(shù)的約束定義中不難得出,跳數(shù)較小的算法具有更佳的能耗性能,因此,圖6 結(jié)果也驗(yàn)證了圖4、圖5中算法的能耗分析結(jié)果。
路由協(xié)議作為網(wǎng)絡(luò)數(shù)據(jù)采集過程中的重要環(huán)節(jié),對(duì)網(wǎng)絡(luò)性能的影響重大,路由能耗優(yōu)化是近年來農(nóng)田WSN 領(lǐng)域的研究熱點(diǎn)。本文針對(duì)農(nóng)田復(fù)雜動(dòng)態(tài)環(huán)境下WSN 監(jiān)測(cè)應(yīng)用中的能耗優(yōu)化問題,在PSO算法的基礎(chǔ)上提出一種改進(jìn)的路由優(yōu)化算法RDPSO,其根據(jù)農(nóng)田WSN 應(yīng)用中的剩余能量、傳輸跳數(shù)、鏈路質(zhì)量等因素構(gòu)建適應(yīng)度函數(shù),并采用反向探測(cè)的方式提高粒子初始化的效率。實(shí)驗(yàn)結(jié)果表明,相對(duì)ELMR、EEABR 和MR-PSO 路由算法,RD-PSO算法可以提高節(jié)點(diǎn)間的能耗均衡效果,延長網(wǎng)絡(luò)生命周期,在農(nóng)田復(fù)雜動(dòng)態(tài)環(huán)境下實(shí)現(xiàn)高效可靠的WSN 數(shù)據(jù)匯集。開放農(nóng)田中氣象環(huán)境復(fù)雜,作物分布密集,這造成了農(nóng)田WSN 中傳輸鏈路質(zhì)量不穩(wěn)定、數(shù)據(jù)傳輸可靠性不高等問題。因此,后續(xù)將引入機(jī)會(huì)路由理論,結(jié)合群體智能算法設(shè)計(jì)高效的農(nóng)田數(shù)據(jù)機(jī)會(huì)傳輸機(jī)制,進(jìn)一步提高網(wǎng)絡(luò)能效并延長網(wǎng)絡(luò)壽命。