基于ISSA算法的物联网数据传输节能新技术

谢海龙，何 凯，冯 震

（1.中国移动通信集团湖北有限公司 襄阳分公司，湖北 襄阳 441000；2.国网湖北省电力有限公司 随州供电公司，湖北 随州 430051）

0 引 言

如今，物联网在日常生活中有很多应用，如健康监测、森林监测、水质监测、智能交通、空气污染监测、先进计量设备以及智能家居等[1]。智能节点是物联网架构的一部分，分布在网络中，具有高移动性。节点的一个重要特征是能够将环境中的信息转换为数据进行分析[2]。

随着科学技术的进步，未来会创造出更小、更强大以及更便宜的硬件、处理器和闪存，智能节点的内存和数据处理能力将是物联网未来的重要挑战。由于大量传感器节点由容量有限的电池供电，更换电池或为其充电不切实际。因此研究将致力于提高基于物联网系统中节点的能效，降低其能耗。降低智能节点能耗的方法和技术主要集中在优化路由算法，以减少向雾传输数据时的能耗。最近为了降低能量消耗，已经使用了进化和自然启发的算法，如粒子群优化算法、改进的和声搜索算法以及蜜蜂优化算法[3-5]。

文中提出了一种基于改进的樽海鞘群算法（Improved Salvia Swarm Algorithm，ISSA），最大限度地减少了传输数据的能量消耗。与其他受自然启发的算法一样，ISSA算法采用数学模型，并在自然界中模仿Salps在创建链和喂养方面的行为来解决优化问题。仿真结果证实，ISSA算法能够找到更好的路由，从而减少智能节点的功耗。

1 基于ISSA的雾数据通信的物联网节能新技术

一个基于物联网架构的系统如图1所示，由移动和分布式智能节点组成。图中通信空间为（600×600）m2，需要通过路径向FOG节点发送数据的智能节点用黑色标记。每个节点都有一个有限的通信范围，这种情况下，每个节点都可以与其180 m半径内的节点相关联。为了从需要向FOG节点传输信息的节点发送数据包，本地网络中的其他节点充当中继。问题是找到将数据包传输到FOG节点的合适路径，合适的路由能够发送最大数量的数据包，直到网络节点之一的能量达到零。为了优化这个路由问题，使用了改进的SSA算法。

图1 物联网架构

1.1 樽海鞘群算法

樽海鞘群算法（Salp Swarm Algorithm，SSA）模仿了Salp的社交行为。对于Salp链的建模，每条链首先被分成领导者salp和追随者salp。领导者是链条前面的salp，而其余的链条被视为追随者salp，彼此跟随。

Salps的位置在维度搜索空间中指定，存储在二维矩阵X中。在搜索空间中存在一个食物源F作为链目标，更新领导者Salp位置的公式为：

式中，xj表示在第j维度的领导者Salp位置；Fj是在第j维度的食物源位置；ubj表示第j维的上限；lbj表示第j维的下限；c1、c2以及c3是随机数。

食物源的位置是影响Salp的领导者更新其位置的唯一因素。系数c1是最重要的参数，表示勘探和开发之间的平衡，计算公式为：

式中，l是当前迭代；L是最大迭代次数。

参数c2和c3是随机数，均匀分布在区间[0,1]内。事实上，表明第j维的下一个位置应该是正无穷大或负无穷大以及步长。

根据牛顿运动定律得到用于更新从动件位置的公式为：

式中，x＞2；xji是第i个Salp跟随者在第j维的位置。式（3）和式（1）可用于模拟salp链。

使SSA算法在解决优化问题的要点包括以下几个部分。首先，模拟中将最佳优化方案保存为食物源，在整个算法中随着探索和开发不断更新，即使新种群恶化，它也不会丢失。其次，算法更新跟随者Salp的位置，使它们逐渐向领先的Salp移动。再次，该算法仅根据当前获得的最佳解决方案更新领导者的位置，因此领导者始终探索和利用周围的空间。最后，跟随者Salps的逐渐运动使得算法不容易陷入局部最优。

1.2 改进的SSA算法

为了解决SSA算法局部收敛的问题，结合随机算法进行改进，其食物源通过随机游走探索搜索空间，然后其他Salps跟随它更新位置。随机游走是一个随机过程，对应公式为：

式中，Xn是Salp的当前位置；Xn+1是salp的下一个位置；Si是可以从任意随机分布中得到的值为steps的随机步长。这里使用了正态分布。

本研究的主要目标是降低从物联网节点到FOG节点的整个通信网络的能耗，增加网络活动的生命周期和持续时间。为此，定义目标函数以通过使用所提出的算法对其进行优化来实现目标。

1.3 成本函数

假设在无线网络通信中发送一点数据所需的能量Eelec=50 nJ/bit，放大在所需距离上传输的信号的能量Eamp=0.1 nJ/（bit/m2），那么沿路径d发送k比特的消息所需的能量为：

接收消息所需的能量为：

考虑路径X=(s,x1,x2,…,xi,…,d)包含L个节点，因此X中的元素数等于L。其中s代表发送节点，xi为物联节点，d代表FOG节点，消息的k位在整个路径中消耗的能量为：

式中，Emin是X中所有节点剩余能量最小的节点的剩余能量；Eavg是X中所有节点的平均剩余能量。

2 仿真分析

在本文中，蚱蜢优化算法（Grasshopper Optimisation Algorithm，GOA）被模拟并与改进的樽海鞘群算法进行比较。为此，考虑了具有随机智能节点的3个模拟环境，每个场景的节点数分别为50、100、150个，环境尺寸分别为（600×600）m2、（1000×1000）m2以及（1 400×1 400）m2。

具有50个物联网节点的网络图1所示，黑框-三角形方块代表原点节点（最接近坐标原点）和FOG节点，黑框方块代表中间物联网节点。所有测试均在核心i5处理器和4GB RAM上的 MATLAB R2018b软件中实现。

网络中所有节点的平均剩余能量、最小剩余能量以及剩余能量的标准偏差用于比较算法的性能。假设所有IoT节点电池的初始能量为10 J，网络中发送或接收的每个数据包大小为4 098 bit，初始种群数为60，算法迭代次数为50，计算5次仿真结果的平均值得到最终的结果。图2～图4分别给出了不同网络不同场景下接收端接收600个数据包后的平均剩余能量、最小剩余能量以及标准差。

图2 节点供能电池的平均剩余能量

图3 最小剩余能量

如图2所示，具有不同节点数量的ISSA存储的剩余能量平均比GOA多。最小剩余能量对网络的使用寿命有直接影响，其越大的网络使用寿命越长。根据图3，ISSA算法比GOA算法具有更高的最小剩余能量，充分说明了ISSA算法降低了能耗，更加节能，可以增加网络使用寿命。平衡和统一的功耗对网络的使用寿命有重大影响，从而对整个物联网网络的效率产生重大影响。低标准偏差表明，所有节点消耗的能量大致相同。图4显示了基于网络中节点数的标准偏差图，表明ISSA算法具有较低的标准偏差。

通过不同数据包数的最小剩余能量如图5所示，随着数据包数量的增长，ISSA算法的性能更好。在1 200个数据包的情况下，ISSA算法仿真结果中网络节点的最低能量为5.25 J，而GOA中为2.95 J，这说明了ISSA算法仿真结果中网络的剩余能量更多，更节能。

3 结 论

文中提出了一种ISSA的新路由算法，降低了物联网应用中从智能节点向FOG节点传输数据的能耗。在3种模拟环境中进行仿真分析，通过比较ISSA和GOA算法仿真结果的网络平均剩余能量、最小剩余能量以及剩余能量的标准偏差可以看出，ISSA算法的性能更好，可更大程度地降低智能节点能耗。