基于菌群優化算法優化生產車間傳感網能耗

王海林，張春光，唐超塵，劉 鑫

(1.廣州商學院 信息技術與工程學院，廣東 廣州 510555；2.北京科技大學 計算機與通信工程學院，北京 100083；3.西安電子科技大學 通信工程學院，陜西 西安 710071;4.桂林理工大學 信息科學與工程學院，廣西 桂林 541004)

隨著物聯網技術和傳感網技術的發展，智能化的生產車間得到了充分應用[1]，將企業生產車間的生產環節、環境、工具和人員等進行數字化管理與監控，為車間的生產管理提供了有效保障。通過前端行使數據采集功能的傳感器獲取生產各步驟的數據，然后通過傳感器網絡將采集數據進行不斷轉發與路由，搜集至網關節點，最后通過網關節點發送至應用層網絡，在應用層實現數據的分析、監控與可視化管理等。

前端的數據采集和后端的數據分析實現方法比較常見，其中前端可以根據生產過程的需要布置傳感器節點[2]，后端只要獲得有效數據就可以進行純上層應用開發。相比之下，中端的傳感網數據的傳輸部分最為關鍵，如果僅采用自組網的網絡方式，就會造成資源浪費或者因傳輸能耗不均衡而導致網絡不穩定[3]，甚至不能傳輸數據。

本文中研究如何采用智能算法對傳感器網絡能耗進行分析，采用基于菌群優化的徑向基函數(RBF)神經網絡算法(簡稱本文算法)對傳感網數據進行融合，去除冗余感知數據并降低數據維度。首先分析傳感網節點的分簇及數據傳輸方式，然后建立基于徑向基函數神經網絡的生產車間傳感網數據融合模型，引入菌群算法，利用菌群算法的趨化、復制和遷徙操作對神經網絡的權重進行優化，獲得穩定的RBF神經網絡結構，以便能夠降低能耗，提高傳感網的使用強度，改善生產車間傳感網絡傳輸的穩定性。

1 傳感網能耗優化

傳感網絡的應用環境不同于一般網絡，在能源提供方面，大部分節點采用的是電池供電方式，當電池耗盡時，傳感節點將停止工作，與所連傳感網絡“脫網”。為了避免頻繁地更換電池，且考慮到生產車間一般需要的傳感器節點數目多、分布面積較廣等現狀，必須控制生產車間的傳感網能耗[4]，提高傳感網能源利用率。目前，關于傳感網的能耗優化主要從以下2個方面考慮：一是傳感數據融合，通過將多個傳感器采集的數據進行有效融合，對原始數據及特征進行訓練，去冗余優化后獲取特征更強的數據，這種數據量的優化能夠降低傳感網能耗；二是通過智能算法優化傳感網節點的簇首及路徑，合理選擇簇首節點及路徑[5]，控制擁塞，均衡處理網絡能耗。

目前主流的傳感網數據傳輸協議為低能耗自適應聚類分層協議算法(LEACH)結構，將傳感節點分為簇首和普通節點[6]，節點分布如圖1所示。根據應用環境特點、場地分布以及需要獲取的傳感數據精度等，可以將需要分析的傳感節點進行分簇，降低整個傳感網絡的復雜度。傳感節點的傳輸方式主要是通過路由和轉發完成，工作方式如圖2所示。

圖1 低能耗自適應聚類分層協議算法(LEACH)節點分布

圖2 數據傳輸基本流程

在所有傳感節點傳輸到匯聚節點之前，經過有效數據融合，減少數據量，有效地提高了傳感節點能量使用效率。

2 菌群優化的RBF神經網絡

2.1 RBF神經網絡

設輸入樣本為Xi=(x1,x2,…,xn)，i=1,2,…,m，其中m、n分別為樣本總量和單個樣本的特征總數。一般而言，輸入層神經元個數和特征總數相等，經過樣本特征篩選凈化后，輸入層神經元數量一般小于特征總數[7]。第k個樣本經過模型運算得到的輸出為Yk=(y1,y2,…,yN)，N為輸出層神經元個數。

首先，輸入樣本經過權重到達隱藏層第1層的S1j[8]為

(1)

式中：Sij為隱藏層第1層第j個神經元的輸出；W1ij為隱藏層第1層第j個神經元與輸入層第i個節點的連接權重；θ1j為隱藏層第1層的第j個神經元的偏置向量；p為隱藏層第1層神經元總數。

S1j經過特征轉換函數[9]后可得

(2)

經過所有隱藏層的輸出結果[10]為

(3)

式中：Lt為t時刻的隱藏層輸出值；Vj t為t時刻的第j個神經元的權重。

以此類推，經過Gaussian函數求解得到整個模型的輸出結果。

2.2 菌群算法

設菌群個體總數為S，個體的優化維度為ρ，通過不斷的趨化(次數為j)、復制(次數為k)和遷移(次數為l)操作，獲得適應度值大的優良個體[11]。主要參數如下：da為引力深度；ωa為引力寬度；ωr為斥力高度；hr為斥力寬度；Pe為遷移驅散概率；Nc為總趨化次數；C(i)為趨化更新步長；Nr為總復制次數；Ne為總遷徙次數。

設第i個個體θ(i)(j,k,l)的趨化位置更新方法[12]為

θ(i)(j+1,k,l)=θ(i)(j,k,l)+C(i)。

(4)

(5)

P=Amin+rand(Amax-Amin)，

(6)

式中：Amin和Amax分別為邊界最小值和最大值；rand(·)為在(0,1)范圍內隨機取值的函數。

2.3 菌群優化的RBF神經網絡

RBF神經網絡的優化主要有以下2種途徑：一是通過算法不斷優化RBF神經網絡的各層權重，通過權重優化，使RBF神經網絡的輸出結果與實際結果更接近；二是通過算法不斷調整RBF神經網絡的節點數以及節點分布，使得RBF神經網絡的輸出結果與實際結果更接近。在實際操作中，也可以將這2種途徑混合使用，從而能夠得到全局最優解。

本文中采用菌群算法對RBF神經網絡權重進行優化，根據初始權重及隨機預設節點生成的網絡模型結構，把該網絡結果進行數學表示及編碼，數學表示為矩陣的形式，將多個權重矩陣作為菌群算法的輸入集合，選擇誤差函數較小的網絡結構模型進行算法優化。

菌群混合優化得到的最優個體的過程，實際就是求解RBF神經網絡權重最優解的過程，獲得了權重最優解就能夠確定RBF神經網絡的生產車間傳感網能耗降低模型[14]。菌群算法訓練的最優結果為最優RBF神經網絡結構模型。經過混合菌群優化的RBF神經網絡降低生產車間傳感網能耗的大致流程如下：

1)采集傳感網能耗樣本，然后進行初始化及向量化；

2)建立基于RBF神經網絡的傳感網能耗降低模型，由S個節點組成；

3)隨機產生RBF神經網絡權重；

5)根據菌群算法進行迭代和遷移過程，并判斷是否滿足截止條件，滿足則跳轉下一步，否則繼續迭代操作；

7)得到優化后的RBF神經網絡結構模型，可有效降低各個傳感網節點的能耗。

具體流程如圖3所示。

l—個體遷移次數；k—個體復制次數；j—個體趨化次數；Nr—總復制次數；Nc—總趨化次數；Ne—總遷徙次數。圖3 菌群優化徑向基函數(RBF)神經網絡的傳感網能耗降低流程

3 實例仿真

為了驗證菌群優化RBF神經網絡在生產車間傳感網能耗降低的性能，采用MATLAB軟件和NS2軟件進行仿真，將常用的傳感網能耗優化方法，如能量感知非均勻分簇(EAUC)、LEACH和自組織特征映射數據算法(SOFMDA)，與本文算法進行能耗性能對比[15-16]。仿真環境主要參數見表1。在仿真過程中，RBF神經網絡的輸入和輸出傳感節點個數分別為1 012和15，隱藏層神經元個數為20。

表1 仿真環境參數

3.1 不同算法的傳感網能耗優化

3.1.1 傳感網存活節點數

不同算法的傳感網存活節點數如圖4所示。從圖中可看出，隨著訓練輪次的增加，訓練時間增加，而存活節點數減少，EAUC、LEACH和SOFMDA算法在運行時間為400 s時開始出現傳感網節點電池耗盡的情況，而本文算法在運行時間為520 s左右開始有節點“脫網”。在運行時間為400～800 s時，經過EAUC、LEACH和SOFMDA算法優化的傳感網節點數量減少速度快，其中EAUC算法的性能最差。在運行1 100 s時，EAUC、LEACH和SOFMDA算法的在網節點數為0，而運行1 400 s時，本文算法的在網節點數才開始趨0。

3.1.2 網絡節點平均能耗

初始設置共有1 012個網絡節點，每個節點初始能量為1 J，因此全網所有節點共有能量1 012 J。通過不斷地分簇和路由傳輸，對4種算法在不同運行輪數的能耗進行仿真，結果如表2所示。

表2 不同算法的節點能耗比較

由表中數據可以看出，隨著運行輪次不斷增加，生產車間的傳感網能耗不斷增大。當運行輪次為200～800時，4種算法的能耗均增加較快；而當運行輪次達到1 100時，EAUC、LEACH和SOFMDA算法的能耗趨于穩定值，約為999 J，此時網絡中的節點能量大部分均已消耗。由于本文算法的網絡存活節點數減少緩慢，因此能量消耗持續的時間較長。在運行輪次達到1 500時，4種算法優化的傳感網所有節點均停止工作，能耗總量達到1 012 J。

3.1.3 數據包接收結果

對匯聚節點接收的數據包進行仿真。從普通節點開始定時、定量上行發包，統計在網絡所有節點能耗耗費完之前匯聚節點接收的數據量，結果如圖5所示。由圖可以看出，所有節點能量消耗完畢后，本文中提出的算法的傳感網匯聚節點收到的數據包個數最多約為5.5×104，EAUC算法的最差，約為4.5×104。在運行時間為200～1 000 s的快速增長期內，相比其他3種算法，本文算法匯聚節點收到的數據包優勢明顯，獲得更好的數據通信效果。

EAUC—能量感知非均勻分簇；LEACH—低能耗自適應聚類分層協議算法；SOFMDA—自組織特征映射數據算法;本文算法—基于菌群優化的徑向基函數神經網絡算法。圖4 不同算法的傳感網存活節點數量

3.2 菌群優化性能

為了進一步驗證改進的菌群算法對傳感網能耗降低的影響，對菌群優化RBF神經網絡的能耗進行優化。

EAUC—能量感知非均勻分簇；LEACH—低能耗自適應聚類分層協議算法；SOFMDA—自組織特征映射數據算法；本文算法—基于菌群優化的徑向基函數神經網絡算法。圖5 不同算法的匯聚節點接收的數據包數量

結合表1，菌群算法的主要參數設置值為S=100,Nc=100,Nr=10,Ne=5,Pe=0.2,C(i)=0.1,da=hr=0.01,ωa=ωr=10。

3.2.1 菌群優化算法性能提升

RBF神經網絡算法和本文算法的存活節點數如圖6所示。通過對比可以看出，經過菌群優化的RBF神經網絡能減慢傳感網節點數的“脫網”速度，而且網絡節點數減少的速度更平緩。

RBF—徑向基函數；本文算法—基于菌群優化的徑向基函數神經網絡算法。圖6 菌群優化對傳感網存活節點數的影響

3.2.2 不同趨化步長的降耗性能

為了進一步分析菌群優化算法對傳感網能耗降低的優化性能，選擇運行輪次數為800，對趨化步長差異化設置，驗證趨化步長對傳感網的影響，仿真結果如表3所示。對比發現，趨化步長為0.12時，存活節點數和匯聚節點接收的數據包數均取得了最優值，對傳感網能耗優化更明顯。

表3 菌群趨化步長對傳感網能耗影響

4 結語

本文中采用菌群優化RBF神經網絡進行生產車間傳感網能耗優化，實驗證明，該方法能夠有效延緩傳感網節點“脫網”速度，在有限能量內有效匯聚節點，從而接收到更多的數據。后續研究將進一步差異化調整菌群算法參數，不斷降低傳感網能耗，提高生產車間數字化管理水平。