基于粒子群算法的物聯(lián)網(wǎng)可配置服務能量優(yōu)化

趙瑞玉，席 兵

(重慶郵電大學移通學院，重慶 401520)

1 引言

物聯(lián)網(wǎng)技術[1]快速發(fā)展，提高社會經(jīng)濟各個研究領域的數(shù)字信息化水平。不同種類的網(wǎng)絡配置服務設備均具有一定基礎的數(shù)據(jù)計算能力，并根據(jù)互聯(lián)網(wǎng)傳輸共同數(shù)據(jù)，讓配置服務設備具有良好的感知力。但常見單獨智能設備是異構[2]的，物聯(lián)網(wǎng)的發(fā)展，使異構的服務功能、數(shù)據(jù)計算以及存儲能力已經(jīng)不能滿足于網(wǎng)絡發(fā)展的基本需求，降低優(yōu)化配置服務所需要消耗的能量，是現(xiàn)階段該領域需要研究的重點課題。

目前，大部分應用在網(wǎng)絡中的程序都可以根據(jù)物聯(lián)網(wǎng)實際環(huán)境與設備關聯(lián)運用，同時物聯(lián)網(wǎng)可配置服務[3]能量優(yōu)化，也是該研究領域長期關注的課題之一。但由于傳輸數(shù)據(jù)節(jié)點的能量管理、處理、存儲、通信能力等都具有一定的限制因素，所以在進行物聯(lián)網(wǎng)可配置服務的過程中，就更加需要優(yōu)化傳輸數(shù)據(jù)所消耗的能量，以便節(jié)省能耗。

傳統(tǒng)物聯(lián)網(wǎng)可配置服務能量優(yōu)化較為常見的方法分別為蟻群算法和遺傳算法，其中遺傳算法是在一定生物進化理論前提下，模擬自然環(huán)境中的生物，從中獲取最優(yōu)解算法；蟻群算法是根據(jù)螞蟻在尋找食物過程中選擇的最優(yōu)路徑，得出的一種能量優(yōu)化算法，是根據(jù)每只螞蟻尋找食物時，走的最短路徑形成的一種最優(yōu)解算法，所以整個螞蟻群體的路徑構成為能量問題的解空間。

文獻[4]提出基于遺傳算法的帶式輸送機多變量優(yōu)化節(jié)能運輸策略研究方法，建立輸送機運行過程的能量消耗與用電成本數(shù)學模型，得出影響輸送機運行能耗與用電成本的關鍵因素，通過分時電價等約束條件，采用遺傳算法實現(xiàn)模型變量的全局優(yōu)化，尋找各時段帶式輸送機運輸煤量與運行速度的節(jié)能最優(yōu)解，并對比優(yōu)化節(jié)能策略所帶來的經(jīng)濟效益。該方法能夠有效降低能量消耗與優(yōu)化成本，但能量配置效率低。文獻[5]提出基于蟻群算法優(yōu)化回聲狀態(tài)網(wǎng)絡的研究方法，該算法將優(yōu)化回聲狀態(tài)網(wǎng)絡的初始輸入權值、隱層神經(jīng)元閾值問題轉化為蟻群算法中螞蟻尋找最佳路徑的問題，輸出權值采用最小二乘法計算，通過蟻群算法的更新、變異、遺傳等操作訓練回聲狀態(tài)網(wǎng)絡，選擇出使回聲狀態(tài)網(wǎng)絡預測誤差最小的輸入權值和閾值，從而提高其預測性能。該方法優(yōu)化速度較快，但可配置能量較低。

基于此本次研究在粒子群算法基礎上，提出物聯(lián)網(wǎng)可配置服務能量優(yōu)化方法。將該方法應用到實際中，能夠提升網(wǎng)絡使用周期，降低優(yōu)化配置服務所消耗的能量，提高物聯(lián)網(wǎng)數(shù)據(jù)服務質量，促進物聯(lián)網(wǎng)技術的進一步發(fā)展。

2 物聯(lián)網(wǎng)可配置服務消耗能量計算

現(xiàn)階段網(wǎng)絡技術快速發(fā)展，許多網(wǎng)絡應用都與物聯(lián)網(wǎng)有不同程度的結合，使多種可配置服務形成了相關聯(lián)的意識形態(tài)。其中物聯(lián)網(wǎng)的應用層面包括不同應用區(qū)域以及服務的支持，實現(xiàn)在不同領域中的廣泛運用；將感知與收集到的數(shù)據(jù)傳輸?shù)骄W(wǎng)絡層中，完成數(shù)據(jù)的傳輸與控制，并通過

傳感器節(jié)點收集環(huán)境中的數(shù)據(jù)。

本次研究在優(yōu)化配置服務所消耗的能量時，采用一階無線電模型[6]作為能量消耗的計算模型，這種模型常用于無線傳感網(wǎng)絡中，能夠計算物聯(lián)網(wǎng)可配置服務過程中所需要消耗的能量。為了能夠讓能量消耗模型更貼合與世界應用場景，對其進行簡化處理。

根據(jù)參數(shù)值得知，傳輸數(shù)據(jù)衰減指數(shù)n的固定取值范圍為2-5之間，并將隨著網(wǎng)絡環(huán)境變化而變化。假設在物聯(lián)網(wǎng)大環(huán)境下，設備在傳輸數(shù)據(jù)時是順暢的，那么就可以將n的取值設置為2，否則設置為3-5之間。

根據(jù)能量消耗模型，將一個k比特的數(shù)據(jù)包傳輸?shù)骄嚯xdn的過程中，傳輸數(shù)據(jù)能耗ETx(k，d)和接收數(shù)據(jù)能耗ERx(k)分別為

ETx(k，d)=Eelec*k+εamp*k*dn

(1)

ERx(k)=εamp*k

(2)

其中，Eelec表示初始能耗值；εamp表示能耗因子。當某個智能設備smTi將一個k比特的數(shù)據(jù)傳輸給它的一跳相鄰設備smTj時，總的能量消耗Eij(k)就為

Eij(k)=ETx(k，d)+ERx(k)

(3)

根據(jù)上述能量消耗公式，總的消耗能量就可以寫為

(4)

即

(5)

在本次研究中，假設每個網(wǎng)絡設備節(jié)點所有的傳輸能力以及感知半徑都一樣，并且原始狀態(tài)和能量也都一樣，那么傳輸數(shù)據(jù)量相同時，所需要消耗的能量也就相同，能夠實現(xiàn)物聯(lián)網(wǎng)可配置服務過程中消耗能量的計算。

3 基于粒子群算法的物聯(lián)網(wǎng)可配置服務能量優(yōu)化

3.1 改進粒子群算法

粒子群算法在計算求最優(yōu)解的過程中，主要是運用迭代的方法[7]解決數(shù)據(jù)傳輸時產(chǎn)生的能量消耗問題，并計算出連續(xù)最優(yōu)解。

如果在n維空間中具有m個粒子因素，那么就會構建出種群量為X的粒子群，其中X=(X1，X2，…，Xm)，根據(jù)上述描述情況得知這些粒子群具有下列屬性：第i個粒子飛行的速度是vi=(vi1，vi2，vi3，….，vin)，第i個粒子會處于Xi=(Xi1，Xi2，Xi3，…，Xin)的位置；第i個粒子的最佳位置是pi=(pi1，pi2，pi3，….，pin)，并且也是個體最好的粒子；所有粒子最好的位置都是pg=(pg1，pg2，pg3，….，pgn)，此時全局最優(yōu)。

因此粒子將通過本身的極值pbest，以及全部最優(yōu)值gbest來實現(xiàn)粒子飛行速度和位置的更新，在此基礎上粒子通過迭代的方式尋找出最優(yōu)解，迭代最優(yōu)解公式如下：

vid(t+1)=ωvid(t)+c1[pbest-xid(t)]rand1

+c2[gbest-xid(t)]rand2

(6)

xid(t+1)=xid(t)+vid(t+1)

(7)

式中，ω表示慣性權重[8]，權重值越小證明部分搜索效率越好，取值越高證明全局搜索能力越強；vid(t)表示粒子目前飛行了整體速度；xid(t)為目前粒子所在的具體位置；ci，c2分別表示自我學習因子和社會學習因子；rand1，rand2表示在0-1范圍內(nèi)的隨機函數(shù)，t表示目前粒子迭代的次數(shù)。其中粒子群算法的具體流程，如圖1所示。

圖1 粒子群算法流程圖

3.1.1 慣性權重和學習因子改進

一般情況下，粒子群算法容易陷入局部最優(yōu)化的問題，導致在選取網(wǎng)絡簇頭的過程中不容易找出最優(yōu)簇頭。本次研究采用慣性權重和學習因子的方法，以解決以上問題。

根據(jù)上述公式可以看出，粒子實際飛行的速度和位置與慣性群眾、學習因子[9]有直接關聯(lián)，并且在式(6)中，可以通過ω的取值，直接判定出結果是局部最優(yōu)還是全部最優(yōu)，因此，本次研究在此基礎上對ω進行了余弦[10]改進處理，從而加快粒子群算法的收斂速度，其表達式為

(8)

式中，ωmax和ωmin分別表示慣性權重的最大值和最小值，一般情況下取值在0.4-0.9之間；itercur和itermax分別表示目前迭代的次數(shù)和最大程度進化代數(shù)。

同時物聯(lián)網(wǎng)環(huán)境中，最優(yōu)簇頭的選擇與學習因子也有著密不可分的關系，其中c1和c2分別表示自我學習因子和社會學習因子，設置學習因子的過程中，取值太大和太小都不適用于粒子搜索，因此在選擇最優(yōu)簇頭時，本次研究運用了慣性權重，將學習因子進行先變大后邊小的處理，其表達式為

(9)

(10)

式中，c1s，c1e，c2s，c2e分別表示c1和c2的原始值和最終值，其中c1s=2.5，c1e=0.5，c2s=0.5，c2e=2.5；m表示學習因子中的控制因子。

3.1.2 適應度函數(shù)設計

由于考慮到物聯(lián)網(wǎng)配置服務所需要消耗的能量以及負載程度，在判定適應度函數(shù)的過程中，主要考慮網(wǎng)絡能耗、能耗均衡度[11]、簇頭能量比例[12]、以及簇內(nèi)節(jié)點距離這四種限制因素，根據(jù)上述物聯(lián)網(wǎng)能量模型，將其適應度函數(shù)設置為

F=αf1+βf2+λf3+ρf4

(11)

式中，α，β，λ，ρ分別代表了四個對應的適應度函數(shù)f1，f2，f3，f4的權重，F(xiàn)表示整體適應度函數(shù)。

下列分別對上述四種限制因素進行研究分析

1)網(wǎng)絡能耗：網(wǎng)絡能耗在網(wǎng)絡運行中是一種重要的限制因素，可以直接影響整個網(wǎng)絡的性能和使用周期。在配置服務過程中所需要消耗的能量如式(12)所示

(12)

式中，|Gk|表示第k個簇內(nèi)傳感器節(jié)點的具體數(shù)量；Eij(k)表示發(fā)送與接收數(shù)據(jù)所需要消耗的能量；εfs和εs分別代表在不同通信方式下，放大電路的能耗系數(shù)；EDA表示處理1bit數(shù)據(jù)所消耗的能量；dtoBS和dtoCH分別表示簇頭到數(shù)據(jù)接收基站的平均距離和簇內(nèi)成員節(jié)點到簇頭距離的期望值。

2)簇內(nèi)節(jié)點距離：確保數(shù)據(jù)傳輸?shù)男市灾猓€需要保證簇內(nèi)節(jié)點與簇頭之間距離的合理性與安全性，以保證不同節(jié)點在不同位置的通信質量，不同節(jié)點之間的傳輸距離為

(13)

式中，dmknj表示第k個簇頭和簇內(nèi)第j個節(jié)點的距離。

3)簇頭能量比例

在傳輸數(shù)據(jù)的過程中，不同簇頭傳輸數(shù)據(jù)所消耗的能量是不同的，在簇內(nèi)選擇簇頭節(jié)點時，應該選取出能量較高的節(jié)點來作為簇頭，這樣即可從根本上減少選擇簇頭所消耗的能量，適應度函數(shù)f3為

(14)

式中：E0(nj)表示被選取出能量較高的節(jié)點，Et(mk)表示這個節(jié)點的整體能量。

4)能耗均衡度：當選取出的簇頭節(jié)點能量越高時，網(wǎng)絡的整體均衡負載能力就越好，這樣就可以有效防止出現(xiàn)網(wǎng)絡空洞的情況，適應度函數(shù)f4為

(15)

式中，u表示能量消耗的修正系數(shù)。

3.2 數(shù)據(jù)路徑選取能量優(yōu)化

根據(jù)最優(yōu)路徑上節(jié)點之間的簇頭競爭，完成簇頭選擇和節(jié)點分簇處理，實現(xiàn)對網(wǎng)絡節(jié)點傳輸數(shù)據(jù)所消耗能量的優(yōu)化，本次研究將以基站作為優(yōu)化的根，構建最小生成樹模型。將任意一個分簇看作為其中某一點，連接處理臨近的點，形成連通圖，假設全部點的集合記作V，邊的集合記作為E，那么連通圖G=(V，E)，這時權重影響的限制因素就只有分簇后簇頭的距離以及剩余能量，權值計算公式設計為

(16)

式中，Em和En分別表示簇頭i和j對應的剩余能量，其中dij表示表示簇頭i和j的距離，ρ表示調(diào)節(jié)參數(shù)值，通過該參數(shù)值ρ可以調(diào)節(jié)控制簇頭邊的控制權值，知權值和相鄰簇頭的距離成正比關系，和剩余能量成反比。

根據(jù)上述分析得知，權值越高，簇頭承載數(shù)據(jù)傳輸任務的可能性越小，對應的消耗能量就越少，便可以從根本上提升網(wǎng)絡使用周期，實現(xiàn)能量優(yōu)化的效果。

4 仿真研究

為驗證基于粒子群算法的物聯(lián)網(wǎng)可配置服務能量優(yōu)化方法的有效性，進行仿真。操作系統(tǒng)為Windows 10，仿真軟件為Matlab 7.0。采集實驗數(shù)據(jù)，物聯(lián)網(wǎng)可配置服務能量數(shù)據(jù)采樣長度為2000，采樣頻率為50KHz，訓練集為600，剔除重復及損壞數(shù)據(jù)，并保證數(shù)據(jù)能夠在仿真平臺上順利運行。選擇研究方法與文獻[4]方法和文獻[5]方法進行性能對比實驗。實驗環(huán)境如圖2所示

圖2 實驗環(huán)境

驗證不同方法的可配置能量，可配置能量越高表示方法的優(yōu)化性越好，實驗結果如圖3所示。

圖3 可配置能量對比

從上圖中可以看出，文獻[4]方法和文獻[5]方法的可配置能量分別在1.1×106J和1.7×106J左右，而研究方法的節(jié)點能量在1.8×106J以上，可配置能量最高，證明該方法可以對不同服務功能的設備進行調(diào)節(jié)時，可配置的能量更多，間接實現(xiàn)了網(wǎng)絡能量優(yōu)化的目的。

為進一步驗證研究方法的有效性，進行不同方法的能量配置效率對比實驗，對比結果如圖4所示。

圖4 能量配置效率對比

通過圖4可知，不同實驗次數(shù)下，文獻[5]方法的能量配置效率低于60%，文獻[4]方法的能量配置效率低于82%，而研究方法的能量配置效率在95%以上，能量配置效率越高，表示方法的能量優(yōu)化效果越好，通過實驗可以證明研究方法的有效性。

5 結論

隨著物聯(lián)網(wǎng)技術的快速發(fā)展，能量優(yōu)化已經(jīng)成為現(xiàn)階段該研究領域亟需改進的關鍵問題，為解決傳統(tǒng)能量優(yōu)化方法存在的問題，本文采用粒子群算法，對物聯(lián)網(wǎng)可配置服務能量進行優(yōu)化。該方法構建出配置服務過程中消耗能量的模型，采用改進的粒子優(yōu)化算法選取出了傳輸數(shù)據(jù)的最優(yōu)路徑。實驗結果表明，與傳統(tǒng)方法相比，研究方法的可配置能量較高，能量配置效率高，從根本上提升了網(wǎng)絡使用周期，達到能量優(yōu)化的效果，可應用性強。將該方法應用到實際中，能夠大幅度降低配置服務所消耗的能量，提升能量配置效率，使物聯(lián)網(wǎng)異構的服務功能、數(shù)據(jù)計算以及存儲能力滿足網(wǎng)絡發(fā)展的基本需求，因此研究方法具有十分廣闊的應用前景。