基于GA?ACO?BP的WSN数据融合算法实现

来源：核心期刊咨询网时间：12

摘要：摘 要： 在无线传感网络中，为了提高多传感器数据融合性能，解决传感器电池频繁更换，延长网络生命周期，提出一种将遗传算法与蚁群算法相结合改进BP神经网络的多传感器数据融合算法(GA?ACO?BP)。GA?ACO?BP算法结合了遗传算法和蚁群算法的优势，传感器网络节

　　摘 要： 在无线传感网络中，为了提高多传感器数据融合性能，解决传感器电池频繁更换，延长网络生命周期，提出一种将遗传算法与蚁群算法相结合改进BP神经网络的多传感器数据融合算法(GA?ACO?BP)。GA?ACO?BP算法结合了遗传算法和蚁群算法的优势，传感器网络节点将信息通过LEACH协议对数据进行融合处理，降低数据发往Sink节点的传输量，减少数据传输造成的能量消耗。通过实验仿真显示，GA?ACO?BP算法和基于LEACH协议的算法、ACO?BP算法相比，该算法能减少需要传输的数据量，延长网络生存周期。

　　关键词： 无线传感网络; 数据融合; LEACH协议; 数据传输; 降低能耗; BP神经网络

　　《声学与电子工程》(季刊)创刊于1984年，由中国船舶重工集团公司第七一五研究院主办。是我国声学领域有关声学电子技术的综合性科技刊物。

　　0 引 言

　　无线传感器网络(Wireless Sensor Network，WSN) 是由长期部署在监测区域内的无线传感器节点互相通信形成的多跳自组织系统[1]。无线传感网络技术已广泛应用于工业控制、智能家居、军事安全、空间探测、精准农业、环境监测等诸多领域。由于传感器网络节点主要依靠电池供电，频繁更换电池势必造成人力、物力的大量消耗，所以必须要高效率地使用能源，延长传感器网络的工作周期。传统的数据监测系统在信息采集和处理方面存在着一些缺陷[2]。传感器节点的通信距离和处理能力有限，单节点只能提供部分信息，因而，传感器节点在监测范围采取互相交叉重叠的方式部署，以获得对象完整信息，但这会导致节点间数据冗余严重[3]。无线传感器网络数据融合技术能有效去除数据冗余性，减少通信开销从而降低能耗，延长网络寿命[4]。

　　为有效去除数据冗余性，信息采集能耗大，延长网络寿命等问题，专家学者提出大量的数据融合算法对数据进行网内处理，提高网络收集数据整体效率。文献[5]提出一种数据分批估计自适应加权融合算法，在一定程度上提高了数据的精确性，但并没有加快数据融合进程，网络寿命没有得到明显的改善。文献[6]提出在WSN中基于BP神经网络的数据融合方法，加快了BP神经网络的收敛速度，降低了数据冗余度，但网络结构选择不一，通常由经验选定。文献[7]提出基于蚁群算法的BP神经网络ACO?BP方法，有效地降低了网络时延，无线信道频谱资源得到充分的利用，但ACO存在初始信息素不足，寻优时间长，易陷入局部最优状态的缺点。本文基于前人提出的算法基础上，为解决WSN中数据冗余度高，减轻网络的传输拥塞，降低数据传输延迟，提出一种智能化的数据融合算法——GA?ACO?BP(BP Neural Network Multisensor Data Fusion Algorithm Optimized by Genetic Algorithm and Ant Colony Optimization)。GA?ACO?BP算法利用遗传算法搜索最优解来初始化蚁群算法信息素分布，遗传算法随机生成的种群加快了蚁群算法收敛速度，避免陷入局部最优。优化后的蚁群算法更新BP神经网络模型的权值和阈值，优化目标函数收敛速度，提高数据精确度，采用GA?ACO?BP算法对传感器采集的数据进行融合，可以减少网络的通信量，节省能耗。

　　1 网络模型

　　LEACH(Low Energy Adaptive Clustering Hierarchy)是MIT的Heinzelman等人为WSN提出的一种低功耗自适应聚类路由协议。LEACH协议的特点是分级和数据融合，节点自组织成簇，选出若干个簇头，簇内成员通过CSMA MAC协议将采集的数据发送至簇头，由簇头将信息发送至Sink节点，在下一次循环中重新选择簇首进行数据传输，本轮数据通信阶段选定的簇头不会在下轮簇头的选取中再次被选中，簇头主要完成簇内成员数据融合并与汇聚节点进行通信，因此，簇头的能量消耗非常大，为均衡地消耗网络节点能量，各节点等概率地选为簇头。采用LEACH算法的WSN部分网络结构如图1所示。

　　2 算法基础

　　2.1 遗传算法

　　遗传算法(Genetic Algorithms，GA)是受到进化理论启示所发展的可计算模型之一，是一种借鉴生物界的进化规律发展而来的“生存+检测”的迭代过程的全局搜索算法。其基本原理是把问题的解表示成染色体，通过选择、交叉、变异等操作产生下一代的染色体，并逐步淘汰适应度函数值低的染色体，增加适应度函数高的染色体，经过[n]次迭代后，最终生成适应度函数值很高的染色体。遗传算法的三个基本操作如下：

　　1) 选择算子。选择的目的是把适应度高的个体，直接遗传或配对交叉使之有机会成为父代种群，使用选择算子对群体中的个体进行优劣淘汰操作。

　　2) 交叉算子。交叉算子是遗传算法的关键步骤，将种群中各个个体随机配对，每一个体以交叉概率(Crossover Rate)來交换它们之间的部分染色体，体现了信息交换的思想。

　　3) 变异算子。在群体中随机选择一个个体，以较小的概率对其基因座上的基因值进行改变，模拟生物进化的偶然事件。

　　2.2 蚁群优化算法

　　蚁群优化(Ant Colony Optimization，ACO)算法是通过模拟蚁群的协作觅食过程的计算算法，是一种基于种群寻优的启发式搜索算法[8]。其基本原理为：用蚂蚁觅食路径表征待优化问题的可行解，所有蚂蚁行走的路径构成优化问题的解空间，较短路径上蚂蚁释放的信息素量较多，蚂蚁优先选择信息素浓度大的路径作为最优路径，并释放信息素，最终选择这条路径的蚂蚁数量越来越多，在正反馈作用的机制下集中到最佳路径上，此时对应的便是待优化问题的最优解。设存在[n]座城市，[m]只蚂蚁，[dij]([i，j=]1，2，…，[n])为城市[i]，[j]的间距，[τij(t)]为[t]时刻在城市[i]，[j]路线上的信息素浓度，[k]为蚂蚁根据信息素浓度选择的路径，[pkij(t)]表示[t]时刻蚂蚁[k]在[i]城市走向[j]城市的概率，公式如下：

　　[pkij(t)=[τij(t)]α[ηik(t)]βS?Jk(i)[τis(t)]α[ηis(t)]β， j∈Jk(i)0， 其他] (1)

　　式中：[Jk(i)=1，2，…，n-1]-[tabuk]，表示蚂蚁[k]待转移城市的集合，当蚂蚁[k]走完所有的路径就是一个可行解。

　　蚁群算法搜索过程采用分布式计算方式，多个个体同时进行计算，加快了算法计算能力和效率，采用正反馈机制，搜索过程逐步收敛，最终逼近最优解。将遗传算法引入蚁群算法系统，每一代形成的解作为初始种群，反复迭代，得到[p]，[α]，[β]的最优组合，加快蚁群算法的收敛速度。

　　2.3 BP神经网络

　　BP神经网络(Back Propagation Neural Network)是一个基于数学统计学类型的学习方法(Learning Method)逼近目标函数，从多种角度对生物神经系统不同层次的抽象和模拟，包括工作信号正向传递子过程，误差信号反向传递子过程。无线传感网络存在大量的节点，每个节点相当于神经系统的神经元。通过对大量数据进行运算和处理，得到能够反映数据特征的结论性结果[9]。BP神经网络拓扑结构如图2所示，分为三个层次，分别是输入层、隐含层、输出层。

　　图2中，[X1]，[X2]，…，[Xn]是神经网络的输入向量，[ωij]是输入层到隐含层之间的权值，[ωjk]是隐含层到输出层之间的权值，[Y1]，[Y2]，…，[Yn]为网络实际输出值。

　　BP神经网络数学理论证明了它能实现任何复杂非线性映射功能，有很强的自学习、自适应能力。但它的权值通过局部改善逐步调整，存在局部极小化问题，且BP神经网络算法收敛速度慢，初始权值具有随机性，需要长时间的学习训练。

　　3 算法实现

　　本文基于LEACH协议构建无线传感网络路由协议，根据BP神经网络模型，簇内形成的簇头为人工神经网络输出层，节点组成的簇为人工神经网络的输入层，隐含层节点的个数根据经验式(2)可得：

　　式中：[h]为隐含层节点个数;[m]为输入层节点个数;[n]为输出层节点个数;[a]为1～10之间的调节常数。

　　GA?ACO?BP算法实现流程图如图3所示。确定BP神经网络的神经元个数、神经网络的连接权值、阈值，每只蚂蚁从隐含层节点构造解空间，如果蚂蚁选择了该节点，根据上一层的权值和阈值的集合中选取一个元素，否则，跳转至下一节点。同时，根据规则更新信息素。在蚁群算法中加入遗传算法的交叉算子和变异算子，对待交叉的个体适应度值进行重构，变异过程采用高斯方法的正态随机数替换基因序列，计算出适应度值，查看是否达到目标要求，若达到将最优解传输至BP神经网络训练，否则当前迭代次数加1，清空路径记录表，构造解空间，直至算法满足终止条件。BP神经网络对蚁群算法的寻优结果进一步训练，计算预测误差，更新权值、阈值。

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/15158.html