[发明专利]用于水下传感网络多目标优化机会路由的方法

权利要求书

1.用于水下传感网络多目标优化机会路由的方法，其特征在于，包括如下步骤：

1)定义多目标优化机会路由MOO-BA路由：在MOO-BA的路由分组类型和消息格式中，任何数据包的数据包标题包含两个字段：发件人ID，数据包序列号，发件人ID是水下传感器节点的标识符；分组序列号是由水下传感器节点分配给分组的唯一序列号，发件人ID与数据包序列号相结合有助于避免路由过程中的重复，路由信息包括能量和深度，能量是信标节点的剩余能量，深度是当前转发器的深度信息，在信标发送阶段每个节点自动更新；

路由信息包括五种类型的请求，即邀请请求、邀请请求接受、邀请请求确认、邀请请求拒绝、选择另一个最佳转发器，邀请请求IR是发送给符合条件的一跳邻居的初始信标消息，在接收到邀请请求后，在动态寿命估计DLE之后发出邀请请求接受IRA，邀请请求确认IRC是数据传输之前的最终消息，邀请请求拒绝IRR是在请求超过DLE时发出的拒绝消息，选择另一个最佳转发器SAOF是发送到所有节点的重定向消息；

2)初始信标：在初始信标期间，水下传感器节点在位于传输范围(Ni)之间验证身份，同时维护一张[ENS(Ni)]表，[ENS(Ni)]将符合条件的邻居节点插入到接收器中，被插入接收器深度小于已发起请求的节点的接收器，其中深度测量为必要条件，深度信息由深度传感器探测获得，当传感器向上转发数据包时，就可以在符合条件的邻居节点选择列表[ENS(Ni)]中选择最佳转发器进行数据转发，防止传感器节点向所有邻居节点广播邀请请求，初始信标过程如下：

2-1)较深处传感器节点将邀请请求(IR)广播到[ENS(Ni)]中；

2-2)列出浅深度节点；

3)动态寿命估计DLE：假设同质传感器由S＝{s1，s2，...sn}表示，并且每个传感器节点都能够基于其本信息即能量、深度，从该组转发器中选择最佳转发器，如公式(1)所示：

只有当节点的剩余能量高于εng(τ)_(k,d)时，节点才能将自身声明为最优转发器，εng(τ)_(k,d)为在距离d上发送k比特消息所需的最小能量，在通信的初始阶段，每个节点的剩余能量将近似等于初始能量，节点的剩余能量表示为公式(2)：

εng_剩余＝εng_初始-εng_消耗 (2)

每个节点消耗的能量表示为公式(3)：

εng_消耗＝εng_传输+εng_接收 (3)

网络中的所有节点能量估计DLE表示为公式(4)：

，

则：

3-1)基于动态寿命估计的接受DLEA(Acceptance based on dynamic life estimate，简称DLEA)：DLEA根据DLE确定是否可以处理特定请求IR，并根据单个节点的DLE评估情况发出IRA或IRR令牌，接收到IR并发出IRA的浅深度节点充当父节点，而通过发送IRC确认IRA的深度节点充当子节点，网络中所有节点都维护两个名为LOA(List of Acceptances，简称LOA)和LOC(List Of Confirmations，简称LOC)的表，LOA表包含父节点发出的IRA，LOC表包含子节点发出的IRC，当接收到IR时，父节点基于DLE来确定该请求是否在父节点的容量范围内，如公式(5)所示：

将LOAs、LOCs进行计数相加，如果当前请求的和值小于特定节点的DLEs，则发出IRA令牌，并在LOA中添加一个条目，否则发出IRR令牌，其中LOA为接受请求条目列表，LOC为确认请求条目列表，DLE为特定节点的动态寿命估计；

2-3)基于动态寿命估计的确认DLEC(Confirmation based on dynamic lifeestimate,简称DLEC)：DLEC是用来确定是否可以确认收到的IRA，在此阶段，子节点有机会根据能量深度范围EDR(Energy depth range,简称EDR)信息确认最佳父节点之一，IRA由父节点在浅层发布，在接收到IRA令牌之后收到信息的子节点确认浅深度处的最佳转发器节点，轮询基于表中该节点维护的EDR信息，如果一个子节点收到一个或一个以上的IRA令牌，就有机会成为上层朝向接收器的最佳节点，如公式(6)所示：

Max{EDR＝{Em，Dm}；} (6)，

其中Em和Dm是LOA中从接收器到节点的能量和深度差异，一旦深层节点通过基于公式(6)中的条件发出IRC，则将此条目添加到在LOC中，同时此节点向最先发送IRA请求的浅层节点发送通知消息SAOF(Selected Another Optimal Forwarder，简称SAOF)，收到SAOF消息的浅层节点从LOA中删除接受条目并更新DLE；

4)初始路径：连接子节点和父节点，从源到目的地建立路径进行数据传输，在初始阶段，较高深度的节点1发出IRC到浅层节点2，将已启动传输的节点1添加到路径中，直到节点2的深度等于sink节点的深度；

5)群优化问题求解：采用蝙蝠算法实现群优化问题的求解，由Xin-She Yang开发的一种新的元启发式搜索算法称为蝙蝠算法，通过模拟蝙蝠的回声定位能力，实现了群优化问题的求解，定义w维搜索空间第i个虚拟蝙蝠位置x_i速度v_i值更新的规则，其中，i＝1,2,3...n在时间步长t新解和速度给出如下公式(7)、(8)和(9)：

f_i＝f_min+(f_max-f_min)β (7)

，

其中β∈[0,1]是服从均匀分布的随机向量,x*是当前全局最佳位置即解，

比较j个蝙蝠找到的最优解，每个蝙蝠开始时会被随机分配一个服从均匀分布[fmin,fmax]的频率，对于局部搜索部分，一旦从当前最佳解中选择了一个解，则使用随机游走对每个蝙蝠产生一个新解如公式(10)：

x_new＝x_old+δA^(t) (10)，

其中δ∈[-1,1]是一个随机数，而是此时间步长中所有蝙蝠的平均响度，从实现的角度来看，最好能够提供一个缩放参数来控制步长，因此，可以将公式(10)改写为公式(11)：

x_new＝x_old+σδ_tA^(t) (11)

其中δ_t服从高斯正态分布N(0,1)，σ是缩放因子，响度A_i和脉冲发射率r_i也随着迭代的进行而相应地更新，更新公式为公式(12)、公式(13)：

r_i^t+1＝r_i⁰[1-exp(-γt)] (13)

其中α和γ是常数，对于任何0＜α＜1和γ＞0，有：

6)改进BA的路径优化：

1-6)引入优化因子：由于经典蝙蝠算法在进行迭代优化时会陷入局部优化性，因此引入优化因子λ来对MOO-BA算法的频率进行优化，以此来达到全局搜索和局部搜索的平衡，将式公式(7)变更为公式(15)：

f_i＝(f_min+(f_max-f_min)β)λ (15)

公式(16)中ti为当前迭代次数；

2-6)BA优化路径的过程如下：

步骤1：基于DLE初始化蝙蝠种群X_i和V_i(i＝1,2,...,n)初始化频率f_i，脉冲发射率r_i，响度A_i和最大迭代次数N_max；

步骤2：假设多目标适应度函数为令w_q≥0,则根据适应度函数计算适应度值，排列蝙蝠，找出当前最佳解BB，根据最佳解BB填充路径；

步骤3：根据公式(11)～公式(13)，对网络中的蝙蝠的速度和位置进行更新；

步骤4：生成随机数R1,假如R1大于r_i时,从最佳解中选择一个BB(解),围绕BB产生一个局部解LBB(Local best bat,简称LBB)；

步骤5：生成随机数R2,假如R2小于A_i同时f(x_i)＜f(x*),将LBB更新为BB，增加r_i减少A_i；

步骤6：经过一段时间运行,对新的蝙蝠群体进行评估判定,把网络中所有的蝙蝠适应度值按照从大到小顺序排列，找到最小值以及对应的位置，就是当前最优解和最优值；

步骤7：重复执行步骤2)～步骤5)，直到满足设定的最优解条件或达到最大迭代次数；

步骤8：输出全局最优值和最优解：上述蝙蝠算法过程将蝙蝠行为捕获到适应度函数中，目标是建立具有最小延迟和最大输送比的优化路径，通过DLE改变X_i和V_i，在从源到目的地的初始填充期间填充机会路径，适应度函数具有归一化的多目标权重，传递比mo1和延迟mo2由公式(17)获得：

其中W^mo1＝1-mo1，W^mo2＝mo2.

针对最初填充的路径计算并且排名基于权重的适应度函数，具有最小适应度的路径被命名为最佳蝙蝠BB，如式(18)所示：

其中pi是最初填充的路径，P是最初填充的路径中的BA路径。