[发明专利]一种模型化量子遗传算法的无线传感器网络路由方法

说明书

技术领域

本发明涉及一种在无线传感器网络中的路由选择方法，主要利用节点层次化管理和量子遗传算法来解决传感器节点的路由选择问题，属于无线传感器网络、量子力学、遗传算法和人工智能应用领域。

背景技术

无线传感器网络是由部署在监测区域内大量的廉价微型传感器节点通过无线通信方式形成的一个多跳自组织网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者。无线传感器网络节点的分布式分布、自适应性和智能性使得传感器网络具有很强的信息获取、处理能力，并广泛应用于环境预测与预报系统、医疗护理和军事战场情报的获取等众多领域。在这些特定领域中，这些网络节点可以看作是具有一定信念、期望、意图和能力的智能节点。每个节点部署后的行为和工作状态主要取决于自身或与其他节点、覆盖环境的交互。无线传感器网络节点工作状态的转换是网络自组织运行的重要基础。

在无线传感器网络中，智能节点按一定路径访问网络节点进行数据的本地收集和处理并携带处理结果访问其它节点，一旦所携带数据满足应用所需精度将终止访问返回观测节点，智能节点路由解决访问网络节点的顺序和路径，是无线传感器网络中节点路由选择的核心问题之一。

当前无线传感器网络中基于查询的路由机制在通信过程中利用一条路径进行数据的传输，这种机制在面对网络攻击或者其它灾害时往往不能够及时反馈。在传感器网络中，路由选择的设计不仅要关心单个节点的能量消耗，同时更关心整个网络能量的均衡消耗，这样才能延长整个网络的生命周期。符合这种特征的算法就有遗传算法。遗传算法是基于达尔文的物种起源所提出的“物竞天择，适者生存”这一思想，在计算机中模拟生物在自然环境中的遗传和进化过程中形成的一种自适应全局优化概率算法。与其他的优化算法一样，遗传算法也是一种迭代算法。从选定的初始解出发，通过不断的迭代，逐步改进当前解，直到最后搜索出最优解或满意解。遗传算法在步骤上主要可以分为下面几个步骤：(1)问题可行解的空问映射成染色体集合的搜索空间；(2)确定适应值函数、杂交率和变异率等；(3)进行选择、交叉和变异等操作；(4)在新旧个体中选择优胜者形成新的种群，然后判断这些染色体是否满足要求，若没有则利用刚产生的染色体进行新一轮的选择、交叉和变异等操作，在这些操作进行完之后将种群中的最优染色体还原成为一个可行解作为问题的最优解。

在遗传算法中，主要的遗传操作有三个，分别是选择、交叉和变异，它们的作用和特点为：(1)选择算子：该算子是在适应度值计算之后出现的，参照适应度值，对父代个体进行选择，常见的选择算法是轮盘赌选择；(2)交叉算子：在遗传算法中，后代是通过一系列算子来决定的，交叉算子将两个相互交叉的染色体，对其上的部分基因进行位置交换，可形成两个新的个体；(3)变异算子：该算子将一个体染色体上的基因值用该基因上的其他等位基因来替换，从而形成一个新的个体。在遗传算法中使用变异算子，其目的有两个：(1)改善遗传算法的局部搜索能力；(2)保持种群的多样化，防止早熟现象出现。

遗传算法能从概率的意义上以随机的方式寻求到问题的最优解，但是由于自然进化和生命现象的不可知性，遗传算法不可避免的存在概率算法的缺陷，遗传算法最明显的缺点就是它的收敛问题，包括收敛速度慢和未成熟收敛。要保证算法的全局收敛性就需要维持种群中个体的多样性，避免有效基因的缺失。要加快收敛速度就要使种群较快的向最优状态转移，这又将减少种群的多样性，陷入局部极值点。一般认为种群多样性丢失和选择压力过大导致了过早收敛，但是若选择压力不足，则算法的收敛速度慢，若个体的多样性不够，则算法易于陷入局部最优，因此遗传算法的进化过程同时也是一个追求群体的收敛性和个体的多样性之间平衡的过程。我们知道量子计算具有天然的并行性通过量子计算的研究，极大地加快了对海量信息处理的速度，使得大规模复杂问题能够在有限的指定的时间内完成。利用量子计算的这一思想，把量子算法同经典算法相结合，通过对经典表示进行相应的调整，使得其具有量子理论的优点，从而成为更有效的算法。