基于蚁群算法的无线传感器网络能量有效路由算法研究

来源 :杭州电子科技大学 | 被引量 : 0次 | 上传用户:yuanpings
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着半导体技术、微系统技术、嵌入式技术和无线通信等技术的高速发展,使得微传感器节点的处理能力更强、功能更丰富、体积更微型化,能够集信息采集、数据处理和无线通信等功能于一体,推动了低功耗多功能传感器应用的快速发展。无线传感器网络(WSN)作为一种全新的信息获取和处理技术,是计算机科学技术的一个新的研究领域,它由大量的低功耗、廉价、微小的传感器节点组成,这些节点通过自组织的方式形成无线通信网络,协作地完成信息收集、目标监测和环境感知等多项复杂任务。无线传感器网络应用前景广阔,目前已被成功应用于军事、医疗、智能家居、环境监控等多个领域,它的研究与应用越来越受到人们的重视,在WSN基础上飞速发展起来的物联网已经被视为继计算机、互联网之后世界信息产业发展的第三次浪潮。   无线传感器网络是一种特殊的自组织网络,与传统的Ad hoc网络相比既有相似又存在很大的区别,其中能量有限性是约束无线传感器网络考虑的关键因素之一,因此设计一个能量有效的无线传感器路由协议是研究人员面临的挑战。无线传感器网络的节点通常部署在恶劣环境中,节点的能量无法得到补充,再加上节点失效而带来的网络拓扑动态变化,因此,无线传感器网络需要设计适应于自身特点的无线路由协议。本文对无线传感器网络的结构、特点及关键技术进行了深入的研究,结合蚁群算法的理论,在能量有效的蚁群路由算法(EEABR)的基础上提出了改进的能量有效路由算法(IEEABR),该算法在蚂蚁数据包结构、概率选择公式及信息素更新公式等方面与原算法相比都有所改进。通过为前向蚂蚁与后向蚂蚁设计不同的报文结构提高了传输效率。概率选择过程中考虑邻居剩余能量的相对大小,能够避免蚂蚁选择能量较小的邻居作为下一跳,均衡了网络能量的消耗。让前向蚂蚁在路径搜索过程中释放信息素能够优化路径,加速算法收敛。同时,前向蚂蚁数据包中增加了节点的邻居地址表,能够有效的减少路由回路的发生,提高搜索效率,增加了能量利用的有效性。本文中使用NS2仿真工具对IEEABR和EEABR协议进行了仿真对比,实验结果表明,IEEABR协议比EEABR协议在提高能量有效性,延长网络寿命方面有了较大的提高,再加上蚁群路由算法的分布式和自适应性强的特点,IEEABR协议也适用于大规模的网络。经过对该算法的仿真测试,证明该算法基本上达到了无线传感器网络路由算法的设计目标。
其他文献
随着物联网时代的到来,人们对网络服务质量的要求会越来越高,不仅仅是对网络传输速度的要求高,同时对于网络的传输性能也提出了更高的要求。影响网络传输性能的重要因素之一
RF-SIM(RFID-Subscriber Identification Module)卡是基于无线射频技术,可实现近距离无线通信的手机智能卡,可用于移动设备、消费类电子产品、PC和智能控件工具等设备。中国
网络安全问题的凸显,使个人防火墙成为保护主机安全的主要手段,目前国内外学者都对智能化的个人防火墙进行了不同层次的研究,信息筛选技术作为最成熟的防火墙技术在防火墙的
随着web2.0时代的到来和社交媒体的广泛兴起,短文本出现在互联网的各个角落。信息检索,广告关键字,网页标题,锚文本,在线问题,微博以及评论等信息都属于短文本。短文本更新速
本课题来源于山东丝绸纺织职业学院在引进知识管理方法、并建设相应的信息化系统过程中的实践探索。知识管理(KM, Knowledge Management)是网络新经济时代的新兴管理思潮与方法,管理学者彼得·德鲁克早在一九六五年即预言:“知识将取代土地、劳动、资本与机器设备,成为最重要的生产因素”,“21世纪的组织,最有价值的资产是组织内的知识工作者和他们的生产力”。在信息时代里,知识已成为最主要的财
人工神经网络在一定程度上受到生物学的启发,是自然界生物神经网络的一种近似和模拟。其主要从两个方面进行模拟:一种从结构和实现机制方面进行模拟,即人工神经网络结构模拟生物
现在每天都有大量数据需要提取和分析,数据挖掘技术在许多实际应用中获得巨大成功,分类模型已经在许多应用场合得到广泛应用,如原油泄漏检测、信用卡检测、医疗检测等等。由
随着大数据时代的到来,海量数据在企业以及人们的日常生活中都有广泛的应用。数据质量对数据的应用效果起着至关重要的作用,其中数据时效性问题是数据质量的主要影响因素之一
近年来随着电子商务的蓬勃发展,作为电子商务基础的电子现金领域的研究得到了国内外科研人员、工程技术人员的广泛重视。作为一种新兴的以电子(或数字)模拟真实货币的技术,电子
随着电力调控系统的服务范围不断扩大,数据来源增多,数据类型多样,数据规模和处理压力急剧增大,调控业务对海量多源数据分析处理的要求不断提升。本文面向电力调控系统大数据