基于菌群优化算法优化生产车间传感网能耗

2021-07-07王海林张春光唐超尘

济南大学学报（自然科学版） 2021年4期

王海林，张春光，唐超尘，刘鑫

(1.广州商学院信息技术与工程学院，广东广州 510555；2.北京科技大学计算机与通信工程学院，北京 100083；3.西安电子科技大学通信工程学院，陕西西安 710071;4.桂林理工大学信息科学与工程学院，广西桂林 541004)

随着物联网技术和传感网技术的发展，智能化的生产车间得到了充分应用[1]，将企业生产车间的生产环节、环境、工具和人员等进行数字化管理与监控，为车间的生产管理提供了有效保障。通过前端行使数据采集功能的传感器获取生产各步骤的数据，然后通过传感器网络将采集数据进行不断转发与路由，搜集至网关节点，最后通过网关节点发送至应用层网络，在应用层实现数据的分析、监控与可视化管理等。

前端的数据采集和后端的数据分析实现方法比较常见，其中前端可以根据生产过程的需要布置传感器节点[2]，后端只要获得有效数据就可以进行纯上层应用开发。相比之下，中端的传感网数据的传输部分最为关键，如果仅采用自组网的网络方式，就会造成资源浪费或者因传输能耗不均衡而导致网络不稳定[3]，甚至不能传输数据。

本文中研究如何采用智能算法对传感器网络能耗进行分析，采用基于菌群优化的径向基函数(RBF)神经网络算法(简称本文算法)对传感网数据进行融合，去除冗余感知数据并降低数据维度。首先分析传感网节点的分簇及数据传输方式，然后建立基于径向基函数神经网络的生产车间传感网数据融合模型，引入菌群算法，利用菌群算法的趋化、复制和迁徙操作对神经网络的权重进行优化，获得稳定的RBF神经网络结构，以便能够降低能耗，提高传感网的使用强度，改善生产车间传感网络传输的稳定性。

1 传感网能耗优化

传感网络的应用环境不同于一般网络，在能源提供方面，大部分节点采用的是电池供电方式，当电池耗尽时，传感节点将停止工作，与所连传感网络“脱网”。为了避免频繁地更换电池，且考虑到生产车间一般需要的传感器节点数目多、分布面积较广等现状，必须控制生产车间的传感网能耗[4]，提高传感网能源利用率。目前，关于传感网的能耗优化主要从以下2个方面考虑：一是传感数据融合，通过将多个传感器采集的数据进行有效融合，对原始数据及特征进行训练，去冗余优化后获取特征更强的数据，这种数据量的优化能够降低传感网能耗；二是通过智能算法优化传感网节点的簇首及路径，合理选择簇首节点及路径[5]，控制拥塞，均衡处理网络能耗。

目前主流的传感网数据传输协议为低能耗自适应聚类分层协议算法(LEACH)结构，将传感节点分为簇首和普通节点[6]，节点分布如图1所示。根据应用环境特点、场地分布以及需要获取的传感数据精度等，可以将需要分析的传感节点进行分簇，降低整个传感网络的复杂度。传感节点的传输方式主要是通过路由和转发完成，工作方式如图2所示。

图1 低能耗自适应聚类分层协议算法(LEACH)节点分布

图2 数据传输基本流程

在所有传感节点传输到汇聚节点之前，经过有效数据融合，减少数据量，有效地提高了传感节点能量使用效率。

2 菌群优化的RBF神经网络

2.1 RBF神经网络

设输入样本为Xi=(x1,x2,…,xn)，i=1,2,…,m，其中m、n分别为样本总量和单个样本的特征总数。一般而言，输入层神经元个数和特征总数相等，经过样本特征筛选净化后，输入层神经元数量一般小于特征总数[7]。第k个样本经过模型运算得到的输出为Yk=(y1,y2,…,yN)，N为输出层神经元个数。

首先，输入样本经过权重到达隐藏层第1层的S1j[8]为

(1)

式中：Sij为隐藏层第1层第j个神经元的输出；W1ij为隐藏层第1层第j个神经元与输入层第i个节点的连接权重；θ1j为隐藏层第1层的第j个神经元的偏置向量；p为隐藏层第1层神经元总数。

S1j经过特征转换函数[9]后可得

(2)

经过所有隐藏层的输出结果[10]为

(3)

式中：Lt为t时刻的隐藏层输出值；Vj t为t时刻的第j个神经元的权重。

以此类推，经过Gaussian函数求解得到整个模型的输出结果。

2.2 菌群算法

设菌群个体总数为S，个体的优化维度为ρ，通过不断的趋化(次数为j)、复制(次数为k)和迁移(次数为l)操作，获得适应度值大的优良个体[11]。主要参数如下：da为引力深度；ωa为引力宽度；ωr为斥力高度；hr为斥力宽度；Pe为迁移驱散概率；Nc为总趋化次数；C(i)为趋化更新步长；Nr为总复制次数；Ne为总迁徙次数。

设第i个个体θ(i)(j,k,l)的趋化位置更新方法[12]为

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分别为边界最小值和最大值；rand(·)为在(0,1)范围内随机取值的函数。

2.3 菌群优化的RBF神经网络

RBF神经网络的优化主要有以下2种途径：一是通过算法不断优化RBF神经网络的各层权重，通过权重优化，使RBF神经网络的输出结果与实际结果更接近；二是通过算法不断调整RBF神经网络的节点数以及节点分布，使得RBF神经网络的输出结果与实际结果更接近。在实际操作中，也可以将这2种途径混合使用，从而能够得到全局最优解。

本文中采用菌群算法对RBF神经网络权重进行优化，根据初始权重及随机预设节点生成的网络模型结构，把该网络结果进行数学表示及编码，数学表示为矩阵的形式，将多个权重矩阵作为菌群算法的输入集合，选择误差函数较小的网络结构模型进行算法优化。

菌群混合优化得到的最优个体的过程，实际就是求解RBF神经网络权重最优解的过程，获得了权重最优解就能够确定RBF神经网络的生产车间传感网能耗降低模型[14]。菌群算法训练的最优结果为最优RBF神经网络结构模型。经过混合菌群优化的RBF神经网络降低生产车间传感网能耗的大致流程如下：

1)采集传感网能耗样本，然后进行初始化及向量化；

2)建立基于RBF神经网络的传感网能耗降低模型，由S个节点组成；

3)随机产生RBF神经网络权重；

5)根据菌群算法进行迭代和迁移过程，并判断是否满足截止条件，满足则跳转下一步，否则继续迭代操作；

7)得到优化后的RBF神经网络结构模型，可有效降低各个传感网节点的能耗。

具体流程如图3所示。

l—个体迁移次数；k—个体复制次数；j—个体趋化次数；Nr—总复制次数；Nc—总趋化次数；Ne—总迁徙次数。图3 菌群优化径向基函数(RBF)神经网络的传感网能耗降低流程

3 实例仿真

为了验证菌群优化RBF神经网络在生产车间传感网能耗降低的性能，采用MATLAB软件和NS2软件进行仿真，将常用的传感网能耗优化方法，如能量感知非均匀分簇(EAUC)、LEACH和自组织特征映射数据算法(SOFMDA)，与本文算法进行能耗性能对比[15-16]。仿真环境主要参数见表1。在仿真过程中，RBF神经网络的输入和输出传感节点个数分别为1 012和15，隐藏层神经元个数为20。

表1 仿真环境参数

3.1 不同算法的传感网能耗优化

3.1.1 传感网存活节点数

不同算法的传感网存活节点数如图4所示。从图中可看出，随着训练轮次的增加，训练时间增加，而存活节点数减少，EAUC、LEACH和SOFMDA算法在运行时间为400 s时开始出现传感网节点电池耗尽的情况，而本文算法在运行时间为520 s左右开始有节点“脱网”。在运行时间为400～800 s时，经过EAUC、LEACH和SOFMDA算法优化的传感网节点数量减少速度快，其中EAUC算法的性能最差。在运行1 100 s时，EAUC、LEACH和SOFMDA算法的在网节点数为0，而运行1 400 s时，本文算法的在网节点数才开始趋0。

3.1.2 网络节点平均能耗

初始设置共有1 012个网络节点，每个节点初始能量为1 J，因此全网所有节点共有能量1 012 J。通过不断地分簇和路由传输，对4种算法在不同运行轮数的能耗进行仿真，结果如表2所示。

表2 不同算法的节点能耗比较

由表中数据可以看出，随着运行轮次不断增加，生产车间的传感网能耗不断增大。当运行轮次为200～800时，4种算法的能耗均增加较快；而当运行轮次达到1 100时，EAUC、LEACH和SOFMDA算法的能耗趋于稳定值，约为999 J，此时网络中的节点能量大部分均已消耗。由于本文算法的网络存活节点数减少缓慢，因此能量消耗持续的时间较长。在运行轮次达到1 500时，4种算法优化的传感网所有节点均停止工作，能耗总量达到1 012 J。

3.1.3 数据包接收结果

对汇聚节点接收的数据包进行仿真。从普通节点开始定时、定量上行发包，统计在网络所有节点能耗耗费完之前汇聚节点接收的数据量，结果如图5所示。由图可以看出，所有节点能量消耗完毕后，本文中提出的算法的传感网汇聚节点收到的数据包个数最多约为5.5×104，EAUC算法的最差，约为4.5×104。在运行时间为200～1 000 s的快速增长期内，相比其他3种算法，本文算法汇聚节点收到的数据包优势明显，获得更好的数据通信效果。