黄本立-一种基于水田模式及网络能量的WSN路由模型

序号： 编码： 第十一届“挑战杯”广东大学生课外学术科技作品竞赛作品申报书 作品名称：一种基于水田模式及网络能量的WSN路由模型 学校全称： 华南农业大学 申报者姓名 （集体名称）：黄本立 杨晓俊 唐清泉 许东阳 池智君 何志恒 类别： 自然科学类学术论文 哲学社会科学类社会调查报告和学术论文 科技发明制作A类 科技发明制作B类说 明1申报者应在认真阅读此说明各项内容后按要求详细填写。2申报者在填写申报作品情况时只需根据个人项目或集体项目填写A1或A2表，根据作品类别（自然科学类学术论文、哲学社会科学类社会调查报告和学术论文、科技发明制作）分别填写B1、B2或B3表。所有申报者可根据情况填写C表。3表内项目填写时一律用钢笔或打印，字迹要端正、清楚，此申报书可复制。4序号、编码由第十一届“挑战杯”广东大学生课外学术科技作品竞赛组委会填写。5学术论文、社会调查报告及所附的有关材料必须是中文（若是外文，请附中文本），请以4号楷体打印在A4纸上（文章版面尺寸14.522cm），附于申报书后，论文不超8000字，调查报告不超15000字。6作品申报书须按要求由各校竞赛组织协调机构统一寄送。7其他参赛事宜请向本校竞赛组织协调机构咨询。A2申报者情况（集体项目）说明：1必须由申报者本人按要求填写；2申报者代表必须是作者中学历最高者，其余作者按学历高低排列；3本表中的学籍管理部门签章视为申报者情况的确认。申报者代表情况姓名黄本立性别男出生年月1990.05学校华南农业大学系别、专业、年级工程08级自动化学历本科学制4入学时间2008.09作品名称一种基于水田模式及网络能量的WSN路由模型毕业论文题目通讯地址广州市华南农业大学华山学生宿舍1栋217房邮政编码510630办公电住地通讯地址广州市华南农业大学华山学生宿舍1栋217房邮政编码510630住宅电他作者情况姓 名性别年龄学历所在单位杨晓俊男21本科华南农业大学工程学院许东阳男21本科华南农业大学工程学院唐清泉男20本科华南农业大学工程学院池智君男21本科华南农业大学工程学院何志恒男20本科华南农业大学工程学院资格认定学校学籍管理部门意见以上作者是否为2011年7月1日前正式注册在校的全日制非成人教育、非在职的高等学校中国籍专科生、本科生、硕士研究生或博士研究生。是否 （部门签章）年 月 日院、系负责人或导师意见本作品是否为课外学术科技或社会实践活动成果。是否负责人签名：年 月 日B3申报作品情况（科技发明制作）说明：1必须由申报者本人填写；2本部分中的科研管理部门签章视为对申报者所填内容的确认；3本表必须附有研究报告，并提供图表、曲线、试验数据、原理结构图、外观图（照片）,也可附鉴定证书和应用证书； 4作品分类请按照作品发明点或创新点所在类别填报。作品全称作品分类（B） A机械与控制（包括机械、仪器仪表、自动化控 制、工程、交通、建筑等） B信息技术（包括计算机、电信、通讯、电子等） C数理（包括数学、物理、地球与空间科学等） D生命科学（包括生物、农学、药学、医学、健 康、卫生、食品等） E能源化工（包括能源、材料、石油、化学、化 工、生态、环保等）作品设计、发明的目的和基本思路，创新点，技术关键和主要技术指标A. 作品设计、发明的目的：无线传感网络(WSN，wireless sensor networks)是当今国际备受关注的前沿热点研究领域，在军事、医疗以及工农业生产等领域已被广泛应用。无线传感器网络具有自组织、能量有限的特点，因此建立一种简单有效的路由机制对于维持网络稳定具有重要意义。本作品以意大利学者Dorigo M等人提出的蚁群算法为基础，参考近年来基于蚁群算法的无线传感器网络的经典改进算法，对网络能量、拓扑等方面做了进一步的研究和改进。作品设计有以下主要目的：（1） 比较EEABR、FEURA等多种基于能量的蚁群改进算法，分析其优劣性，提出一种基于平衡网络能量的新算法EERBA，并建立起其概率模型。（2） 使无线传感器网络在保证传输速率、确立最短路径的基础上，均衡地使用网络的能量，延长网络的生存时间。（3） 降低网络节点的重复使用率，延长节点的寿命，保证区域监控。（4） 增强网络拓扑性，减少网络由于路由重构而引起的能量消耗。（5） 减少丢包率，提高网络传输质量。（6） 将本算法推广应用于水田或丘陵等地理环境，通过实验加以修正。B. 作品基本思路：（1）在基本蚁群算法的基础上，引入基于能量的递减参数e，调节节点链路的信息素，通过信息素的递减避免链路的重复使用。（2）建立基于蚁群能量的路由选择概率模型，用NS-2网络仿真软件进行算法仿真，测量网络平均能量、网络节点剩余能量方差、标准差，以及丢包率，跳数等参数。（3）制作硬件仿真节点，构建模拟矩阵网络模型，对本算法进行仿真模拟，动态演示，分析其能量性能，反过来调整和修正能量递减参数。C. 创新点：（1）兼顾网络能量使用和数据传输速率，避免出现盲区。（2）算法简单，运算速度快。（3）通过能量变量的使用，克服ACOAN、DABA等蚁群算法的死锁问题。（4）有利于广东省丘陵地貌等地理环境中无线传感器网络节点的使用。D. 技术关键：（1）信息素修改公式的引入： 实现蚂蚁信息素正负反馈双向操作，克服盲区。（2）基于能量的递减变量的引入，避免死锁。E. 主要技术指标：（1）随机选择网络运行时刻，网络所有节点剩余能量标准差相对于基本蚁群算法有明显下降，表示网络节点能量使用比较均衡。（2）随机选择网络节点，在网络运行始末，节点信息素呈现震荡状态，表示在网络运行过程中，路由曾经出现重构。（3）网络所有节点能量下降曲线斜率小于基本蚁群算法，表示整个网络的能量更加节省。（4）节点平均丢包率相对基本蚁群算法有明显下降。（5）网络运行时间为基本蚁群算法的1.32倍。作品的科学性先进性（必须说明与现有技术相比、该作品是否具有突出的实质性技术特点和显著进步。请提供技术性分析说明和参考文献资料）本作品相对于基本蚁群算法以及很多改进型的蚁群算法如FEURA算法、EEABR算法、ACO算法、DATA算法等，在网络生存时间，能量均衡使用以及增强网络拓扑性和鲁棒性，避免死锁等问题上均有明显优势。下面主要以本申报书中出的EERBA算法与基本蚁群算法以及LEACH-EI算法进行对比，阐述本算法科学性先进性。1.基本蚁群算法基本蚁群算法应用仿生学，模仿蚂蚁觅食时搜寻路径的行为，将其基本原理运用到无线网络路由中，得到无线网络路由的优化解。蚁群算法具有良好的鲁棒性和很高的数据传输速率，但是由于没有考虑到无线网络能量的局限性，容易造成网络局部坏死。2.LEACH-EI算法LEACH-EI算法将无线网络中的所有节点分为若干簇，每个簇选举一个簇头，簇内节点需要发送的数据通过簇头转发。簇头根据节点信号强弱、能量剩余值等参数选定。虽然该算法考虑到节点能量消耗问题，但是使用簇头传送数据会减慢数据传送速率。3.EERBA算法本算法基于基本蚁群算法，利用了生物蚁群能通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，得到无线网络路由算法的优化解答。在基本蚁群算法的基础上添加能量模型，根据节点剩余能量水平对信息素浓度加以修正，加快能量水平较低的节点的信息素衰减。既保持较快的数据传输速率，同时平衡网络各节点的能量水平，延长网络的工作时间。经过软件仿真实验，EERBA算法相对于基本蚁群算法，无线网络生存时间延长1.3倍以上。【参考文献】1 Sabbineni H, Chakrabarty K. Location-aided flooding: an energyefficient data dissemination protocol for wireless-sensor networks J.IEEE Transactions on Computers, 2005, 54 (1) :36-46 .2. Mao, Shiwen,Hou,Y. Thomas. BeamStar:An Edge-Based Approach to Routing in Wireless Sensor NetworksJ. IEEE transactions on mobile computing. 2007 Vol.6:1284-12963.Shah RC.Rabaey JM.energy aware routing for low energy and hoc senser networks.in:proc IEEE wireless communications and networking conference,IEEE,Vol.1,17-21 March,20024 杨靖,熊伟丽,徐保国.无线传感器网络中基于蚁群算法的路由算法J.计算机工程,2009,35（6）：4-6 5 白凤娥,王莉莉,马艳艳.无线传感器网络路由协议LEACH的算法分析J.太原理工大学学报,2009,40(4)作品在何时、何地、何种机构举行的评审、鉴定、评比、展示等活动中获奖及鉴定结果 2011年3月获华南农业大学“丁颖杯”课外学术科技作品竞赛校级一等奖作品所处阶 段（ A ）A实验室阶段 B中试阶段 C生产阶段D （自填）技术转让方式作品可展示的形 式 实物、产品 模型 图纸 磁盘 现场演示 图片 录像 样品使用说明及该作品的技术特点和优势，提供该作品的适应范围及推广前景的技术性说明及市场分析和经济效益预测使用说明：本作品在基本蚁群算法的基础上进行修改，以考虑其网络能量使用情况，并对算法概率模型进行封装，可以使用于802.11协议、MAC协议、S-MAC协议等底层路由协议。技术特点和优势：相比由其他算法组成的WSN网络，本作品最大的优势就是在加强对WSN网络中节点的监控，避免网络节点迅速坏死，网络出现死循环的同时，利用基本蚁群算法最短路径的思想对网络中节点间的数据传输进行优化，并把算法引入到硬件模型中，在进一步延长网络生命周期的同时，减少了能量的损耗，增强产品的实用性。适用范围及市场推广前景分析：目前，WSN技术已经被广泛应用于很多领域，主要用于实时监测、感知和采集光强、温度、湿度、噪音和有害气体浓度等物理信息，在军事、农业及环境应用、医疗护理、智能家居、智能交通等方面都有着广阔的应用前景。本作品的产品定位主要是精细农业监控。特别是向节约化精准农业发展，这也符合了未来农业发展的趋势。像过去对农田环境参数，生态参数的观测很多是由遥感卫星，或是通过人工记录来完成的。运用该项目技术，把观测到的数据和卫星数据进行融合，对影响农作物生长的的环境条件进行监控，提高生产效率，更能达到节能减排的作用。在高密度饲养场中运用此项技术，建立动物监测平台，对动物的健康状况（包括动物饲料的供给，造成动物大规模死亡的病毒等等）进行无盲区监控，降低生产和饲养成本，也是当前发展的热点之一。此外，在水文监测，大气监测，鸟类、昆虫等小动物运动追踪，森林火灾隐患的信息收集，道路、交通、桥梁的故障排除以及电网由于冰雪故障引起的断路或短路等领域都具有相当明显的应用前景。专利申报情况提出专利申报 申报号 申报日期 年 月 日已获专利权批准 批准号 批准日期 年 月 日 未提出专利申请科研管理部门签 章 年 月 日C.当前国内外同类课题研究水平概述 说明：1.申报者可根据作品类别和情况填写； 2.填写此栏有助于评审。蚁群路由算法国外研究水平：根据蚂蚁“寻找事物”的群体行为，意大利学者Dorigo M等于1991年在法国巴黎召开的第一届欧洲人生命会议（European Conference on Artificial Life,ECAL）上最早提出了蚁群算法基本模型；1992年，Dorigo M又在其博士论文中进一步阐述了蚁群算法的核心思想。2000年，Dorigo M 和Bonabeau E等在国际顶级学术刊物Nature上发表了蚁群算法综述，从而把这一领域的研究推向了国际学术的最前沿。进入21世纪的最近几年，国际著名顶级学术刊物Nature曾多次对蚁群算法的研究成果进行报道，Future Generation Computer Systems和IEEE Transactions on Evolutionary Computation分别与2000 和2002出版了蚁群算法特刊。如今，在国内外许多学术期刊和会议上，蚁群算法已经成为一个备受关注的研究热点和前沿性课题。Singh G1等人为多元单目标（Multi-Source Single-destination）数据中心型路由提出一种基于Ant Net 技术的实时ACO算法（ACOAN）。此外，Singh G 等还通过增加另一种类型的蚂蚁即随机蚂蚁(random ants)来提供一种改进算法2。为了克服Singh G的这些缺点，Ge chan3等人提出了一种改进型路由协议算法和一种模拟全局信息素更新的策略来加快算法的收敛，并且定义了一种“retry”规则来避免协议中的死锁问题。Reza GhasemAghaeil4等人提出一种基于生物学启发式智能群体路由算法(SIBR)。他们通过去除队列参数和加入强化学习概念(reinforcement learning concept)，改进了ADR5（基于蚁群算法的自适应动态路由）算法，由此产生了AR 算法6。Gutjahr W J于1999年撰写的技术报告和2000年发表的学术论文在蚁群算法发展史上有着特殊的作用，因为这两篇文章首次对蚁群算法的收敛性进行了证明。蚁群路由算法国外研究水平：根据蚂蚁“寻找事物”的群体行为，意大利学者Dorigo M等于1991年在法国巴黎召开的第一届欧洲人生命会议（European Conference on Artificial Life,ECAL）上最早提出了蚁群算法基本模型；1992年，Dorigo M又在其博士论文中进一步阐述了蚁群算法的核心思想。2000年，Dorigo M 和Bonabeau E等在国际顶级学术刊物Nature上发表了蚁群算法综述，从而把这一领域的研究推向了国际学术的最前沿。进入21世纪的最近几年，国际著名顶级学术刊物Nature曾多次对蚁群算法的研究成果进行报道，Future Generation Computer Systems和IEEE Transactions on Evolutionary Computation分别与2000 和2002出版了蚁群算法特刊。如今，在国内外许多学术期刊和会议上，蚁群算法已经成为一个备受关注的研究热点和前沿性课题。Singh G1等人为多元单目标（Multi-Source Single-destination）数据中心型路由提出一种基于Ant Net 技术的实时ACO算法（ACOAN）。此外，Singh G 等还通过增加另一种类型的蚂蚁即随机蚂蚁(random ants)来提供一种改进算法2。为了克服Singh G的这些缺点，Ge chan3等人提出了一种改进型路由协议算法很一种模拟全局信息素更新的策略来加快算法的收敛，并且定义了一种“retry”规则来避免协议中的死锁问题。Reza GhasemAghaeil4等人提出一种基于生物学启发式智能群体路由算法(SIBR)。他们通过去除队列参数和加入强化学习概念(reinforcement learning concept)，改进了ADR5（基于蚁群算法的自适应动态路由）算法，由此产生了AR 算法6。Gutjahr W J于1999年撰写的技术报告和2000年发表的学术论文在蚁群算法发展史上有着特殊的作用，因为这两篇文章首次对蚁群算法的收敛性进行了证明。蚁群路由算法国内研究水平：我国在蚁群算法领域研究起步较晚，国内最先研究蚁群算法的是东北大学控制仿真研究中心的张纪会博士与徐心和教授。基于蚁群优化算法(ACO)，Xiaoming Wang 等人提出新颖的自适应智能路由算法(adaptive intelligent routing scheme，简称ACLR)7。与其它基于ACO 的无线传感器网络路由算法相比，该方法主要有两个不同：一方面，在协议中，一个“蚂蚁”选择下一个节点的范围限于当前节点相邻点的子集；另一方面，通过将剩余能量、全局以及本地节点的信息融合，制定了一个新的“蚂蚁”选择它下一个节点的跳转规则。FMEPNF8 (ant colony optimizationalgorithm based on function of multi-object evaluation and positive-negative feedback)是刘徐迅等人提出一种集能耗、时延、鲁棒性和传输效率等于一体的多目标路由，且各目标的权重可以根据实际情况进行调节，具有较强的灵活性，这是一种正反馈和负反馈并存机制的蚁群算法，主要阐述了若前路径比以往求得的最好路径性能更优，则当前路径信息素将加强，同时用当前路径取代最好路径，否则当前路径信息素减弱。刘玲9等人在基于蚂蚁算法的分布式数据汇集算法(DADC10)的基础上进行改进，提出一种基于蚂蚁算法的无线传感器网络数据融合路由算法(DABA)。算法在构造的过程中，利用蚂蚁的“寻食”方式进行最优父节点的选择，同时算法也考虑了节点的剩余能量，用其它节点代替剩余能量小的节点。算法利用树结构实现了数据融合，节省了能量，同时也实现了负载均衡，最大化网络的生存时间。然而，算法没有考虑到产生数据融合的父节点对其子节点进行数据融合的等待时间，若等待时间过短，有的子节点数据可能还没有到达父节点，造成融合的次数增多，增加能量消耗，若等待时间过长，又会导致数据传输过程的时延增大，满足不了实时的要求。蚁群算法自创立以来十多年的发展历程，目前人们对蚁群算法的研究已经由当初单一的TSP领域渗透到了多个应用领域。由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散域范围内研究逐渐拓展到了连续域范围内研究，而且蚁群算法的硬件实现上取得了突破性进展，同时在蚁群算法的模型改进与其他仿生优化算法也取得了相当丰富的研究成果，从而使这种新兴的仿生优化算法展现出前所未有的勃勃生机，并已经成为完全可与遗传算法相媲美的仿生优化算法。基于蚁群算法的无线传感器网络路由协议分析与比较：基于蚁群算法的无线传感器网络路由协议根据分类方法的不同可以分成不同的种类，主要的依据有蚁群算法的类型、信息素更新的方式、蚂蚁的类型等等。路由协议的名称蚁群算法类型分簇选择下一跳的信息素数据表路由发现的路径ACOANACO algorithm using Ant Net否前向蚂蚁后向蚂蚁（搜索蚂蚁随机蚂蚁）信息素表单路径ARDAAnt Colony Optimization 否前向蚂蚁邻居表单路径NACOMN(SCFFFP)Ant Net否前向蚂蚁后向蚂蚁代价表邻居表多路径单路径EEABRLABRAnt Colony Optimization heuristic否前向蚂蚁后向蚂蚁路由表单路径ECGACGenetic ant colony algorithm是无邻居表单路径SIBR(ARIAR)Swarm intelligence否前向蚂蚁路由表单路径ACLRAnt Colony Optimization否前向蚂蚁邻居表单路径ERCAnt Colony Optimization是前向蚂蚁路由表单路径ACARAnt Colony Optimization否代理蚂蚁禁忌表单路径RPBAAAnt Colony Optimization否前向蚂蚁访问节点列表多路径ACSAAltitude Information and Ant Withdrawal是前向蚂蚁邻居表路由表单路径ACDCHAAnt Colony Optimization否无邻居表单路径FMEPNFAnt Colony Optimization否贪婪蚂蚁异常蚂蚁一般蚂蚁邻居表单路径DABAAnt Net否前向蚂蚁信息素表单路径表1： 基于蚁群算法的路由协议比较参考文献：1 Singh G, Das S, Gosavi S V, Pujar S. L N de Castro, F J von Zuben eds. Ant Colony Algorithms forSteiner Trees: an Application to Routing in Sensor Networks C. Recent Developments in Biologically Inspired Computing, 2003: 183-206.2 S. Das, G. Singh, S. Pujar, and P. Koduru. Ant Colony Algorithms for Routing in Sensor Networks C, Genetic and Evolutionary Computation Conference, 2004.3 Ge Chen, Tian-De Guo, Wen-Guo Yang, and Tong Zhao. An improved ant-based routing protocol in Wireless Sensor NetworksC, IEEE, 2006. 4 Reza GhasemAghaeil, Md. Abdur Rahman, Wail Gueaieb, Abdulmotaleb El Saddik. Ant Colony-Based Reinforcement Learning Algorithm for Routing in Wireless Sensor Networks C, Instrumentation andMeasurement Technology Conference - IMTC 2007.Warsaw, Poland, May 1-3, 2007.5 Y. Lu, G. Zhao, and F. Su. Adaptive Ant-based Dynamic Routing Algorithm C, In Proceedings of the 5th World Congress on Intelligent Control and Automation (IEEE, Hangzhuo, China, June 2004),2694-2697.6 Y. Zhang, L. D. Kuhn, and M.P.J. Fromherz,Improvements on Ant Routing for Sensor Networks C, International Workshop on Ant Colony Optimization and Swarm Intelligence, Sep. 2004. 7 Xiaoming Wang, Qiaoliang Li, Naixue Xiong, and Yi Pan. Ant Colony Optimization-Based Location-Aware Routing for Wireless Sensor Networks J, WASA 2008, LNCS 5258, pp. 109120.8 刘徐迅，曹阳，邹学玉，张晋. 无线传感器网络多目标路由的改进蚁群算法J .华中科技大学学报（自然科学版），2007，35（10）：24-27.9 刘玲，柴乔林，耿晓义. 基于蚂蚁算法的无线传感器网络数据融合路由算法J .计算机工程与设计，2009，30(3)：576-579.10 李闻，林亚平，童调生，陈宇，余建平. 传感网络中一种基于蚂蚁算法的分布式数据汇集路由算法J. 小型微型计算机系统，2005，26 (5)：788-792.D.推荐者情况及对作品的说明说明：1由推荐者本人填写；2推荐者必须具有高级专业技术职称，并是与申报作品相同或相关领域的专家学者或专业技术人员（教研组 集体推荐亦可）；3推荐者填写此部分，即视为同意推荐；4推荐者所在单位签章仅被视为对推荐者身份的确认。推荐者情况姓 名 王卫星性别男年龄46职称博士生导师工作单位华南农业大学工程学院通讯地址广州市天河区五山路483号华南农业大学邮编510642单位电话85280868住宅电荐者所在单位签章 签章日期 2011年 3 月 15 日 请对申报者申报情况的真实性作出阐述 请对作品的意义、技术水平、适用范围及推广前景作出您的评价其它说明推荐者情况姓 名 王海林性别男年龄45职称博士生导师工作单位华南农业大学工程学院通讯地址广州市天河区五山路483号华南农业大学邮编510642单位电话住宅电话推荐者所在单位签章 签章日期 年 月 日 请对申报者申报情况的真实性作出阐述 请对作品的意义、技术水平、适用范围及推广前景作出您的评价其它说明E大赛组织委员会秘书处资格和形式审查意见组委会秘书处资格审查意见 审查人（签名） 年 月 日组委会秘书处形式审查意见 审查人（签名） 年 月 日组委会秘书处审查结果合格 不合格 负责人（签名） 年 月 日F参赛作品打印处一种基于水田模式及网络能量的WSN路由模型黄本立 杨晓俊 唐清泉 许东阳 池智君 何志恒（华南农业大学 广州510642）【摘 要】：无线传感器网络WSN（Wireless Sensor Network）是一门综合了微电子技术、嵌入式计算技术等先进技术，能够协同地实时监测光强、温度、湿度、噪音、有害气体等各种信息，并对其进行处理后通过无线方式发送至目的地的技术。但由于无线传感器网络自组织、能量有限的特点，建立简单有效的路由机制对于网络的节能和稳定具有重要意义，因此本项目在综合国内外基本蚁群算法研究的基础上，提出一种基于能量的WSN路由算法EERBA(energy efficient ant based routing)，引入基于能量的递减参数调节节点链路的信息素并在信息素的计算方法上对能量、衰亡时间、跳数等多种因素进行了全面改进，改善了由于蚁群算法路由过分利用最短路径造成个别节点能量消耗过快而导致网络稳定性不高的弊病，从而在保证传输速率的基础上有效地利用网络能量。【关键词】：蚁群;能量;无线传感器网络;路由算法无线传感器网络是由具有感知、计算和通信能力的多个微型传感器构成的网络。网络中大量的节点通过分工协作，将温度、光强、湿度等物理量通过无线传输形式发送到基站。无线传感器网络具有自组织及能量有限等特点，近年来在军事、医药及工农业生产中得到了广泛应用。设计简单高效的无线传感器路由机制对提高网络能量使用率，稳定网络数据传输具有重要意义。比较经典的路由算法有LEACH算法、DD算法、蚁群算法等8。1、基本蚁群算法描述蚁群算法是群体智能的一个分支，是众多简单的个体通过相互之间的通信和对环境的适应，来使整个群体达到一致的行为或模式。图1 蚂蚁觅食原理图如图1所示，蚂蚁从蚁穴出发寻找食物，再将食物运回蚁穴的过程中，可能发生多条路径，如AC路径或ABC路径。由于蚂蚁经过路径时会散发一种化学物质，称之为信息素。信息素浓度随蚂蚁的经过增加，而随时间的流逝减少，因此，较短的路径如图1中的AC路径残留的信息素较浓。蚂蚁通过判断信息素的浓度来选择前向路径。因此，蚁群算法的本质在于以下三方面：（1）选择机制，蚂蚁根据路径上信息素的浓度来决定下一跳的地址；（2）更新机制，路径中的信息素会随蚂蚁的经过和时间的推移而更新保存；（3）协调机制，蚂蚁之间通过信息素来互相通信和协同工作。1.1路由发现Sink节点派出搜寻蚂蚁以泛洪形式沿多条路径出发到达源节点（即蚁穴），再从源节点反向搜寻到达sink节点。此过程后，网络中的每个节点均记录了与邻居节点的信息素梯度，数据的传输根据节点的信息素梯度大小决定下一跳的地址。蚂蚁需携带以下信息：源节点地址,当前节点地址,以及当前跳数h，蚂蚁在sink节点时，h=0。1.2路由选择蚁群问题源于著名的数学问题旅行商问题。蚂蚁从城市i出发选择城市j作为下一跳的概率基于以下公式： （1）其中，指从节点到节点的信息素浓度，指从节点到节点的启发信息。1.3路由更新信息素更新是蚁群算法维持的关键。蚂蚁经过的路径，相应的节点信息素增加单位，而随单位时间递减系数。因此，执行一次操作后，节点相应的邻居节点信息素如表1所示：邻居节点信息素浓度表1 节点Vi信息素更新2、基本蚁群算法的缺点 2.1由于蚂蚁根据信息素梯度决定下一跳的地址，而信息素的更新只与蚂蚁经过和时间推移两个因素有关，因此，对于蚂蚁经过的路径，信息素会越来越浓，即蚂蚁选择该路径的概率会越来越大，造成了蚂蚁重复当前路径，引起该路径节点过早坏死，破坏网络链路结构，蚂蚁必须重新选路7 。 2.2由于重复的路径使用，造成部分节点过早死亡，形成数据检测的盲区。这在军事或医疗等应用上可能是致命的。3、几种基于能量的路由算法3.1多路径蚁群算法基于能量的多路径蚁群算法由夏佳、张曦煌等人提出，该机制在源节点和目的节点之间建立多条路径，根据路径上节点的通信能量消耗以及节点的剩余能量情况，给每条路径赋予一定的选择概率，使得数据传输均衡消耗整个网络的能量，延长整个网络的生存期9。缺点：此算法只考虑网络能量的使用，而以牺牲网络传输速率作为代价10。3.2FEURA算法FEURA算法是在基本蚁群算法的基础上加以改进，通过能量参数e来记录每个节点的能量消耗情况及剩余能量。在路由选择函数中，设置一个能量阀值T，当某节点的能量低过T时，不能成为蚂蚁的下一跳，于是路径选择发生改变。 FEURA算法在节点配置充电电池的情况下可以较均衡地使用网络能量，同时兼顾传输速率。缺点：配置充电电池将增加节点成本，在节点没有配置充电电池的情况下，FEURA算法只能保证节点不会坏死，在链路使用上与基本蚁群算法存在同样缺点。3.3 ACO算法（ACOAN）Singh G1等人为多元单目标（Multi-Source Single-destination）数据中心型路由提出一种基于Ant Net 技术的实时ACO算法（ACOAN）。此外，Singh G 等还通过增加另一种类型的蚂蚁即随机蚂蚁(random ants)来提供一种改进算法2。缺点：网络拓扑性不强。3.4 retry算法为了克服Singh G的这些缺点，Ge chan3等人提出了一种改进型路由协议算法很一种模拟全局信息素更新的策略来加快算法的收敛，并且定义了一种“retry”规则来避免协议中的死锁问题。缺点：路由重构时间过长，消耗更多能量。3.5 SIBR 算法Reza GhasemAghaeil4等人提出一种基于生物学启发式智能群体路由算法(SIBR)。他们通过去除队列参数和加入强化学习概念(reinforcement learning concept)，改进了ADR5（基于蚁群算法的自适应动态路由）算法，由此产生了AR 算法6。缺点：需考虑网络启发信息对路径选择概率的影响。3.6 FMEPNF算法FMEPNF11 (ant colony optimization algorithm based on function of multi-object evaluation and positive-negative feedback)是刘徐迅等人提出一种集能耗、时延、鲁棒性和传输效率等于一体的多目标路由，且各目标的权重可以根据实际情况进行调节，具有较强的灵活性，这是一种正反馈和负反馈并存机制的蚁群算法，主要阐述了若前路径比以往求得的最好路径性能更优，则当前路径信息素将加强，同时用当前路径取代最好路径，否则当前路径信息素减弱。缺点：启发运算时间长。3.7 DADC算法刘玲12等人在基于蚂蚁算法的分布式数据汇集算法(DADC13)的基础上进行改进，提出一种基于蚂蚁算法的无线传感器网络数据融合路由算法(DABA)。算法在构造的过程中，利用蚂蚁的“寻食”方式进行最优父节点的选择，同时算法也考虑了节点的剩余能量，用其它节点代替剩余能量小的节点。算法利用树结构实现了数据融合，节省了能量，同时也实现了负载均衡，最大化网络的生存时间。缺点：算法没有考虑到产生数据融合的父节点对其子节点进行数据融合的等待时间，若等待时间过短，有的子节点数据可能还没有到达父节点，造成融合的次数增多，增加能量消耗，若等待时间过长，又会导致数据传输过程的时延增大，满足不了实时的要求。4、基于蚁群能量的EERBA算法4.1主导思想EERBA算法的主导思想是：在保证蚁群基本算法对节点信息素的初始化以及挥发或加重的基础上，通过引入能量参数，使节点信息素不但会随链路重复使用而递增，也会随链路使用后节点能量的变小而递减。链路使用后，节点信息素增加，也同时乘以递减系数。信息素增加与减少后，最终值是变大还是变小，取决于节点的剩余能量。通过以上修改，使网络在选择最短路径的同时，兼顾到节点的剩余能量，而不致使一条链路不断重复使用而使节点过早死亡，退出网络，以此延长网络的生存时间。4.2路由发现EERBA算法中，路由发现仍然通过搜寻蚂蚁的广播来寻找不同的路径。与基本蚁群算法不同的是，搜寻蚂蚁除了携带源节点地址、当前节点地址、当前跳数h外，还必须增加当前节点剩余能量参数e。4.3路由选择蚂蚁从节点出发，选择作为下一跳节点的概率基于公式（1），在节点均匀分布的情况下，通常认为启发信息的指数参数，因此，公式（1）简化为以下公式： （2）其中， 指从节点到节点的信息素浓度，表示节点的所有邻居节点。4.4路由更新EERBA算法中，每个节点均记录了与邻居节点的信息素大小，形成信息素梯度。信息素的改变基于以下3方面的因素：（1）蚂蚁经过的路径，相应的节点信息素增加单位。（2）网络中各个节点随单位时间递减系数。（3）蚂蚁经过的路径，相应的节点信息素乘以递减系数，满足以下公式： （3）其中，为相应邻居节点的剩余能量，为当前节点的所有邻居节点剩余节点的平均值。通过乘法运算与链路经过时信息素增加所用的加法运算相区分，使信息素的增加或减少不会形成一致性的趋势，达到根据节点剩余能量和链路长短来控制网络路径选择的目的。此外，必须是一个与节点剩余能量有关的变量，而不是一个常量，否则，此算法就会在节点信息素达到某一个值的时候进入死循环。因此，蚂蚁在节点的信息素变化满足以下公式： , （4）通过公式（4）可以发现，节点剩余能量高于其余邻居节点剩余能量平均水平的时候，信息素递增，而在节点剩余能量高于其余邻居节点剩余能量平均水平时，信息素递减。因此，通过公式（4）可以判断，在节点剩余能量较大时，蚂蚁选择最短路径重复行走，而在该路径节点剩余能量下降到某个值的情况下，蚂蚁重新选择其他路径。EERBA算法与FEURA算法的不同在于，在FEURA算法中，节点能量一旦下降到某个阀值，则停止该路径，并且永远不可能再重复此路径。而EEABR算法则在节点剩余能量下降到某个值的时候，该路径开始休眠，直到邻居所有路径的信息素再次小于原来休眠的路径时结束休眠，该路径复活继续工作。4.5 算法仿真算法采用NS-2软件进行仿真，NS-2网路仿真软件加载*.tcl仿真文件，tcl文件主要完成创建节点、创建代理、绑定代理和节点、邻居节点之间创建链路、设定仿真参数共5个步骤。其中代理负责数据包的传递、路由算法实现等一系列功能；节点作为一个容器、记录节点剩余能量等一系列信息；仿真软件的程序框图如图1所示：定时器定时调用事件复位定时器发送前向蚂蚁随机生成目的节点通过算法得到下一跳节点代理收到数据包代理收到数据包接收到蚂蚁数据包丢弃数据包否是反向前向退出、交还控制权到达目的节点？是否添加当前节点到路径记录数组生成并发送反向蚂蚁添加路径记录数组发送前向蚂蚁升级路由表释放数据包、归还控制权到达目的节点？是否发送反向蚂蚁蚁群数据包？前向/反向蚂蚁图1 仿真算法程序框图仿真算法分以下9步运行：NS在运行到*.tcl文件指定的”start”语句执行时间时，仿真开始，程序首先调用Antnet_Timer: resched()函数初始化调度定时器。每隔timer_ant_秒，调度定时器溢出，触发代理发送一代蚂蚁数据包(跳转至步骤2)。定时器溢出触发时间Ant_timer:expire()函数，函数主要负责复位定时器，调用Antnet:send_ant_pkt()函数进行数据包发送(跳转至步骤3)。 Antnet:send_ant_pkt()函数每一个节点代理会调用一次，相应产生一个数据包，数据包的源地址为当前地址，目的地址由随机数确定，确保仿真的有效性。再由antnet_rtable:calc_next()函数根据信息素梯度返回数据包的下一跳地址。生成数据包后发送数据包，并且对节点能量进行更新(跳转至步骤4)。发送的数据包由NS仿真程序送到Antnet:recv()函数，该函数判断接受到得数据包类型是否为蚂蚁数据包，对于蚂蚁数据包转送到Antnet:recv_ant_pkt()函数，对于非蚂蚁数据包进行丢弃处理(跳转至步骤5)，由于节点接受数据需要消耗能量，所以更新节点能量。 Antnet:recv_ant_pkt()接收到数据包后判断数据包为前向包还是反向包，对于前向数据包先在数据包的路径记录数组中添加当前节点地址，然后判断数据包是否到达了目的节点。到达目的节点则调用函数Antnet:create_backward_ant_pkt()产生反向蚂蚁(跳转至步骤6)，没有到达则调用函数Antnet:forward_ant_pkt()把数据包继续发给下一跳节点(跳转至步骤7)；当数据包为反向包时，首先调用Antnet:up