本發(fā)明涉及一種與無線傳感器網(wǎng)絡(luò)擁塞控制相關(guān)的管理方法，更具體地說，本發(fā)明涉及一種無線傳感器網(wǎng)絡(luò)擁塞控制方法。

背景技術(shù)：

近年來，無線傳感器網(wǎng)絡(luò)技術(shù)得到了飛速發(fā)展，應(yīng)用領(lǐng)域越來越廣，對于無線傳感器網(wǎng)絡(luò)的要求也越來越高。隨之而來的無線傳感器網(wǎng)絡(luò)擁塞問題也日益突出。無線傳感器網(wǎng)絡(luò)擁塞主要存在以下幾個問題：

(1)節(jié)點級的擁塞：即節(jié)點需要發(fā)送的分組流量超過節(jié)點的發(fā)送能力，導(dǎo)致節(jié)點隊列緩存溢出，造成數(shù)據(jù)分組的丟失和網(wǎng)絡(luò)排隊延遲的增加。

(2)無線鏈路級的擁塞：無線信道是共享信道,在同一時刻相鄰節(jié)點只能有一個節(jié)點使用無線信道,當多個相鄰節(jié)點同時競爭使用無線信道時便會產(chǎn)生訪問沖突引起鏈路級擁塞,增加分組的服務(wù)時間,降低鏈路利用率和網(wǎng)絡(luò)的吞吐量。

本發(fā)明主要關(guān)注節(jié)點級的擁塞問題。節(jié)點需要發(fā)送的分組流量超過節(jié)點的發(fā)送能力，導(dǎo)致了無線傳感器網(wǎng)絡(luò)擁塞現(xiàn)象的發(fā)生。一般來說，當節(jié)點隊列緩存中存在過多的數(shù)據(jù)分組時，會產(chǎn)生擁塞。在網(wǎng)絡(luò)發(fā)生擁塞時，會導(dǎo)致丟包率和延時增加，吞吐量下降，嚴重時會發(fā)生“擁塞崩潰”現(xiàn)象。

為了解決這種擁塞現(xiàn)象所帶來的丟包率和延時增加，吞吐量急劇下降等網(wǎng)絡(luò)性能的問題，現(xiàn)在無線傳感器網(wǎng)絡(luò)節(jié)點隊列中普遍采用“棄尾方法”。當路由器因緩沖區(qū)不能及時處理接收的數(shù)據(jù)包時，會對暫時未能處理的數(shù)據(jù)包進行排隊。按照棄尾方法將隊列長度相關(guān)的參數(shù)進行預(yù)先設(shè)定，并將隊列長度的參數(shù)與預(yù)定的閾值進行比較，若大于閾值，則開始丟棄大于閾值之后的數(shù)據(jù)包。“棄尾”的意思即從隊列尾部開始丟棄。

但是棄尾方法中存在兩個嚴重缺點：持續(xù)的滿隊列和業(yè)務(wù)流對緩存的死鎖。而主動隊列管理(aqm)方法在有線網(wǎng)絡(luò)擁塞控制中的研究已經(jīng)很成熟，它在擁塞之前采用預(yù)見式的提前丟包的思想，能夠有效地控制隊列長度，避免網(wǎng)絡(luò)發(fā)生擁塞，解決滯后性和能量的不必要耗費問題。尤其是主動隊列管理方法當中的pi方法，能夠?qū)⒕彌_中的隊列控制在一個不依賴于負載的水平，其實現(xiàn)的基本思想是對于一個新到達的包，通過比較緩沖隊列長度與目標隊列長度，記錄其誤差，通過對誤差進行比例積分控制來確定新到達包的丟棄概率。

但pi方法也有很多不完善之處，所以針對pi方法的改進方法也有很多。

中國專利公開號cn102821001a，公開日為2012年12月12日，專利申請?zhí)枮閏n201210344427.4，專利名稱為“模糊神經(jīng)元主動隊列管理方法在ipcop中實現(xiàn)的方法”。描述了一種模糊神經(jīng)元主動隊列管理方法在ipcop中實現(xiàn)的方法,該方法步驟如下：1.相關(guān)參數(shù)的定義及初始化；2.等待新的數(shù)據(jù)包到達；3采用有導(dǎo)的hebb學(xué)習(xí)算法對神經(jīng)元加權(quán)系數(shù)動態(tài)調(diào)節(jié)；包括對當前時刻瞬時隊列長度q(k)進行采樣,并計算神經(jīng)元方法輸入量x1(k),x2(k),x3(k)的值；4.采用模糊控制方法動態(tài)調(diào)整神經(jīng)元增益k,包括以x1(k)和x2(k)為輸入量,神經(jīng)元增益k的變化量δk為輸出量,對輸入量x1(k)和x2(k)進行模糊化；5.計算丟棄概率p(k)并以丟棄概率p(k)對數(shù)據(jù)包進行丟棄,包括計算丟棄概率p(k),最后將數(shù)據(jù)包以丟棄概率p(k)進行丟棄。

中國專利公開號cn102129259a，公開日為2011年7月20日，專利申請?zhí)枮閏n201010034360.5，專利名稱為“用于砂塵環(huán)境試驗風(fēng)洞的基于神經(jīng)網(wǎng)絡(luò)pi的智能溫度控制系統(tǒng)和方法”。描述了基于神經(jīng)網(wǎng)絡(luò)pi的砂塵環(huán)境試驗風(fēng)洞的智能溫度控制系統(tǒng),其特征在于：(1)建立神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu),(2)神經(jīng)網(wǎng)絡(luò)參數(shù)的混合學(xué)習(xí)訓(xùn)練,(3)pi控制,(4)限幅處理。本發(fā)明把pi控制器和神經(jīng)網(wǎng)絡(luò)結(jié)合起來,利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng),離線學(xué)習(xí)和在線學(xué)習(xí)的能力得出控制變量協(xié)調(diào)控制因子,有效的確定主控設(shè)備和輔控設(shè)備。然后再通過pi控制器進行對被控對象溫度的協(xié)調(diào)有效控制,當pi控制器輸出控制變量之后,再進行對被控變量利用s函數(shù)進行限幅處理,使控制變量最優(yōu)化。本發(fā)明克服了現(xiàn)有技術(shù)在控制上協(xié)調(diào)性差的影響,提高了控制的可靠性與協(xié)調(diào)性,拓展了其應(yīng)用范圍,也可用于其它感應(yīng)器輸出信號的協(xié)調(diào)性控制。

中國專利公開號cn105281615a，公開日為2016年1月27日，專利申請?zhí)枮閏n201510771820.5，專利名稱為“一種基于改進粒子群算法優(yōu)化無刷直流電機模糊控制器的方法”。本發(fā)明公開了一種基于改進粒子群算法優(yōu)化無刷直流電機模糊控制器的方法,步驟包括：將整個解空間劃分為七個區(qū)域；根據(jù)目標函數(shù)計算每個粒子的適應(yīng)度；根據(jù)其適應(yīng)度,更新粒子的個體極值和全局極值；將所更新的個體極值和全局極值賦值給量化因子ka、kb和比例因子kp、ki、kd；對輸入輸出的性能指標進行評估,如果滿足目標函數(shù)則結(jié)束,如果不滿足則應(yīng)用改進粒子群算法將pi、pg代入量子粒子群公式,粒子在空間區(qū)域不斷尋優(yōu),直到粒子滿足目標函數(shù),生成新的粒子群體。本發(fā)明基于改進粒子群算法能以最快的速度找出全局最優(yōu)解,電機在額定轉(zhuǎn)速下運行平穩(wěn),響應(yīng)迅速,基本無超調(diào)出現(xiàn),具有良好的隨動性和動靜態(tài)特性。

中國專利公開號cn101119281，公開日為2008年2月6日，專利號申請?zhí)枮閏n200710120757.4，專利名稱為“一種傳感器網(wǎng)絡(luò)擁塞控制方法”。公開了一種傳感器網(wǎng)絡(luò)擁塞控制方法,應(yīng)用于無線傳感器網(wǎng)絡(luò)中的網(wǎng)絡(luò)節(jié)點,包括：步驟1)、網(wǎng)絡(luò)節(jié)點對本節(jié)點的節(jié)點門限值和報文周期數(shù)的值做初始化；步驟2)、網(wǎng)絡(luò)節(jié)點開始一個報文周期,生成一個新的本地數(shù)據(jù)報文,并得到它的報文優(yōu)先級；步驟3)、對新生成的本地數(shù)據(jù)報文做網(wǎng)絡(luò)擁塞判斷,在發(fā)生網(wǎng)絡(luò)擁塞的前提下,將本節(jié)點的報文周期數(shù)清零,增加本節(jié)點的門限值,調(diào)整發(fā)送隊列,并向鄰居節(jié)點廣播新的門限值；步驟4)、對網(wǎng)絡(luò)節(jié)點是否收到其他網(wǎng)絡(luò)節(jié)點所發(fā)送的數(shù)據(jù)報文進行判斷,如果收到數(shù)據(jù)報文,執(zhí)行下一步,否則,執(zhí)行步驟6)；步驟5)、對所收到的數(shù)據(jù)報文做網(wǎng)絡(luò)擁塞判斷,在發(fā)生網(wǎng)絡(luò)擁塞的前提下,將本節(jié)點的報文周期數(shù)清零,增加本節(jié)點的門限值,調(diào)整發(fā)送隊列,并向鄰居節(jié)點廣播新的門限值；步驟6)、判斷是否收到了鄰居節(jié)點所發(fā)送的廣播消息,若收到了廣播消息且廣播消息中所包含的節(jié)點門限值高于本節(jié)點的門限值,則按照廣播消息中的節(jié)點門限值調(diào)高本節(jié)點的門限值,調(diào)整發(fā)送隊列,然后將本節(jié)點的報文周期數(shù)清零,并廣播新的節(jié)點門限值；步驟7)、判斷本輪報文周期的終止時刻是否已經(jīng)到達,如果已經(jīng)到達,則執(zhí)行下一步,否則重新執(zhí)行步驟4)；步驟8)、判斷本節(jié)點的報文周期數(shù)是否低于一個規(guī)定值,如果低于則增加報文周期數(shù)后,重新執(zhí)行步驟2)。否則將報文周期數(shù)清零后,降低節(jié)點門限值,然后重新執(zhí)行步驟2)。

通過分析發(fā)現(xiàn)，傳統(tǒng)pi方法設(shè)定參數(shù)主要依靠經(jīng)驗，并且設(shè)置為靜態(tài)參數(shù)，這并不有利于pi方法應(yīng)對不同的網(wǎng)絡(luò)環(huán)境實施良好的網(wǎng)絡(luò)擁塞控制。所以，本發(fā)明結(jié)合pi方法來控制無線傳感器網(wǎng)絡(luò)節(jié)點隊列中包的丟棄概率，并且通過單神經(jīng)元控制技術(shù)和粒子群算法對pi方法中的參數(shù)進行在線調(diào)整和優(yōu)化。從而完善了pi方法存在參數(shù)固定的不足。解決網(wǎng)絡(luò)擁塞所帶來的中間節(jié)點隊列不穩(wěn)定、吞吐量急劇下降、丟包率和延時高等網(wǎng)絡(luò)性能下降的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是克服了現(xiàn)有技術(shù)存在的持續(xù)的滿隊列和業(yè)務(wù)流對緩存的死鎖問題以及傳統(tǒng)pi方法參數(shù)固定、不能很好適應(yīng)無線傳感器網(wǎng)絡(luò)環(huán)境的問題，提供了一種無線傳感器網(wǎng)絡(luò)擁塞控制方法。

為解決上述技術(shù)問題，本發(fā)明是采用如下技術(shù)方案實現(xiàn)的：所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法包括步驟如下：

1)相關(guān)參數(shù)的定義：

2)pi方法的實現(xiàn)：

將pi方法加載到ns2軟件中，并且將pi方法應(yīng)用于無線傳感器網(wǎng)絡(luò)節(jié)點的隊列管理中；

3)采用單神經(jīng)元控制技術(shù)對pi方法的改進：

采用單神經(jīng)元控制技術(shù)對pi方法的參數(shù)kp、ki進行在線調(diào)整，其中，將此步驟采用單神經(jīng)元控制技術(shù)對pi方法的改進命名為npi方法；

4)改進的粒子群算法對npi方法的參數(shù)進行在線尋優(yōu)：

改進的粒子群算法對npi方法中的固定參數(shù)kp、ki的初始值和學(xué)習(xí)速率η1、η2進行在線尋優(yōu)，通過實時矯正來在線調(diào)整單神經(jīng)元的權(quán)值，其中，將此步驟采用改進的粒子群算法對npi方法的參數(shù)進行在線尋優(yōu)命名為pnpi方法；

5)以丟棄概率p(k)進行主動丟包：

按照pnpi方法得到的丟棄概率p(k)進行主動丟包。

技術(shù)方案中所述的相關(guān)參數(shù)的定義是指：

1)kp0、ki0為pi方法中的兩個固定參數(shù)kp、ki的初始值；

2)k為單神經(jīng)元系數(shù)，其值為0.12；

3)wi(k)為神經(jīng)元權(quán)值，i＝1,2,初始值分別為2.58392e-6與98290e-6；

4)節(jié)點緩存隊列長度為40packets；

5)q0為期望隊列長度，其值為20packets；

6)q為瞬時隊列長度,其初始值為0；

7)p(k)為丟棄概率；

8)粒子群的規(guī)模為n＝30；

9)粒子的維數(shù)d＝4；

10)粒子群慣性權(quán)重最大值w_max＝0.9；

11)粒子群慣性權(quán)重最小值w_min＝0.4；

12)pi方法的兩個固定參數(shù)的最小值kp_min＝ki_min＝0.0000001；

13)pi方法的兩個固定參數(shù)的最大值kp_max＝ki_max＝10；

14)η1、η2為神經(jīng)元學(xué)習(xí)速率，設(shè)置最小值為η1_min＝η2_min＝0.0000001，最大值為η1_max＝η2_max＝10；

15)v_min、v_max為粒子群速度的最小值和最大值，其值分別為v_min＝10，v_max＝10；

16)c1、c2為粒子群算法學(xué)習(xí)因子，其中c1＝0.95+0.1*rand,c2＝c1。

技術(shù)方案中所述的pi方法的實現(xiàn)的步驟如下：

1)將pi方法加載到ns2軟件中：

(1)將傳統(tǒng)pi方法所包含的文件pi.h和pi.cc加載到ns2仿真軟件中，其中pi.h和pi.cc為pi方法實現(xiàn)的代碼；

(2)在ns2.35文件夾下修改makefile和makefile.vc文件，在這兩個文件的obj_cc＝\tools/random.otools/rng.otools/ranvar.ocommon/misc.ocommon/下加入代碼queue/red-pd.oqueue/pi.oqueue\，其中ns2.35為ns2軟件的版本；

(3)在lib文件夾下修改ns-lib.tcl文件，在lib文件的if{[stringfirst"red"$qtype]！＝-1||下加入代碼if{[stringfirst"pi"$qtype]?。?1||；

(4)在lib文件夾下的ns-default文件中對pi參數(shù)進行初始化；

(5)對ns2進行重新編譯,至此，把pi方法加載到了ns2軟件中；

2)將pi方法應(yīng)用于無線傳感器網(wǎng)絡(luò)節(jié)點的隊列管理中：

(1)編寫tcl腳本文件，模擬無線傳感器網(wǎng)絡(luò)環(huán)境；

(2)將pi方法加載到tcl腳本文件中，其中tcl腳本為ns2軟件的模擬腳本。

技術(shù)方案中所述的采用單神經(jīng)元控制技術(shù)對pi方法的改進的步驟如下：

1)設(shè)置pi方法的輸入量x1(k)、x2(k)；

其中：x1(k)為瞬時隊列長度q與期望隊列長度q0的誤差，x2(k)為誤差的一次差分；單神經(jīng)元控制技術(shù)的輸入輸出關(guān)系為：

其中，k為單神經(jīng)元的系數(shù)，并且保證k>0，xi(k)為單神經(jīng)元的輸入，wi(k)為xi(k)的權(quán)重，u(k)為單神經(jīng)元的輸出；

2)本技術(shù)方案采用有導(dǎo)的hebb學(xué)習(xí)算法來調(diào)節(jié)加權(quán)系數(shù)wi(k)，其表達式為：

wi(k+1)＝wi(k)+ηiz(k)u(k)xi(k)

其中：z(k)為輸出誤差信號z(k)＝e(k)，η1、η2為不同的學(xué)習(xí)速率系數(shù)；

3)單神經(jīng)元控制技術(shù)是通過調(diào)整輸入變量xi(k)的權(quán)重wi(k)來實現(xiàn)自適應(yīng)調(diào)整的，其中wi(k)分別對應(yīng)于pi方法的ki、kp；為了實現(xiàn)算法的收斂性和魯棒性，采用規(guī)范化學(xué)習(xí)算法進行處理，則表達式可以寫成下式：

其中，wi'(k)可表示為：

為了依據(jù)無線傳感器網(wǎng)絡(luò)環(huán)境的實時變化來調(diào)整方法的參數(shù)，所述的pnpi方法將pi方法的參數(shù)進行自適應(yīng)調(diào)整，已有pi方法的兩個固定參數(shù)通過專家經(jīng)驗得出，不具有動態(tài)調(diào)整的特性；所以通過上述步驟對神經(jīng)元權(quán)值進行在線調(diào)整，即對pi兩個固定參數(shù)進行在線調(diào)整。

技術(shù)方案中所述的改進的粒子群算法對npi方法的參數(shù)進行在線尋優(yōu)的步驟如下：

1)對粒子群中粒子的位置和速度進行隨機初始化，假設(shè)一個粒子群的種群規(guī)模為n，每個粒子代表d維搜索空間中的一個解，其中粒子i在求解空間中的位置和速度分別表示為：

xi＝(xi1,xi2,...,xid)，vi＝(vi1,vi2,...,vid)

其中：粒子群神經(jīng)元初始化參數(shù)為4個，所以d＝4，種群規(guī)模n＝30；

2)計算每個粒子的適應(yīng)度：本技術(shù)方案中選定的適應(yīng)度為

3)計算粒子所經(jīng)歷的最好位置和全局最好位置：其中粒子所經(jīng)歷的最好位置為pi＝(pi1,pi2,...,pid)，群體中所有粒子經(jīng)歷過最好位置,即全局最好位置為g＝(pg1,pg2,...,pgd)；粒子所經(jīng)歷的最好位置由式(1)決定：

群體的全局最好位置g＝(pg1,pg2,...,pgd)中的下標g由式(2)確定：

式中：就是指當f(pi(t))取得最小值時，變量i的取值,即g的取值；

4)對粒子的速度vid(t)和位置xid(t)進行進化，在標準pso模型中，粒子在每一維上的速度和位置更新公式如下：

vid(t+1)＝ωvid(t)+c1r1id(t)(pid(t)-xid(t))+c2r2id(t)(pgd(t)-xid(t))

xid(t+1)＝xid(t)+vid(t+1)

式中：vid和xid定義分別表示第i個粒子第d維的速度分量與位置分量；

pid為第i個粒子所經(jīng)歷的歷史最佳位置分量；

pgd為群體所經(jīng)過的歷史最佳位置分量；

w為慣性權(quán)重，決定了粒子對當前速度的繼承度；

r1和r2為[0,1]區(qū)間內(nèi)均勻分布且相互獨立的隨機數(shù)，稱為隨機因子；

c1為個體認知加速系數(shù)，表示粒子對自己經(jīng)歷過的歷史最佳位置的記憶；

c2為群體認知加速系數(shù)，表示粒子對整個種群所經(jīng)歷過的歷史最佳位置的記憶能力，學(xué)習(xí)因子的存在使得粒子具有自我總結(jié)和向群體中最優(yōu)個體學(xué)習(xí)的能力，通過兩種能力的相互補充協(xié)調(diào)，粒子不斷向著全局最優(yōu)位置或局部最優(yōu)位置靠近；

5)判斷結(jié)束條件,如果進化到預(yù)先設(shè)定的代數(shù),繼續(xù)往下進行,否則返回步驟2)即計算每個粒子的適應(yīng)度步驟。

技術(shù)方案中所述的以丟棄概率p(k)進行主動丟包的步驟如下：

1)本發(fā)明所述的pnpi方法需要按照采用單神經(jīng)元控制技術(shù)對pi方法的改進步驟中公式計算丟棄概率；

2)得到丟棄概率后，以丟棄概率p(k)進行主動丟包,在隊列緩沖區(qū)溢出之前，提前主動丟包，避免擁塞發(fā)生。

與現(xiàn)有技術(shù)相比本發(fā)明的有益效果是：

1.本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法解決了棄尾方法中持續(xù)的滿隊列和業(yè)務(wù)流對緩存的死鎖；

2.對比pi方法，本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法，解決了pi方法因參數(shù)固定不能很好的適應(yīng)無線傳感器網(wǎng)絡(luò)動態(tài)環(huán)境而導(dǎo)致的隊列長度不穩(wěn)定的缺點，使隊列長度穩(wěn)定在期望值附近；

3.對比pi方法和采用單神經(jīng)元控制技術(shù)對pi方法的改進(命名為npi方法)，本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法，在自適應(yīng)調(diào)整固定參數(shù)的同時對一些參數(shù)進行了在線尋優(yōu)，防止npi方法的局部優(yōu)化問題。從而更好的適應(yīng)無線傳感器網(wǎng)絡(luò)環(huán)境；

4.本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法(命名為pnpi方法)在沒有影響實際到達數(shù)據(jù)包的情況下，與pi方法，npi方法比較，提高了吞吐量和分組投遞率，降低了丟包率和時延，節(jié)約了網(wǎng)絡(luò)資源，改善了網(wǎng)絡(luò)通信質(zhì)量。

附圖說明

下面結(jié)合附圖對本發(fā)明作進一步的說明：

圖1為本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法(pnpi方法)的功能流程示意框圖；

圖2為本發(fā)明所述的pnpi方法的結(jié)構(gòu)原理圖；

圖3為本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法中的對于采用單神經(jīng)元控制技術(shù)對pi方法的改進(命名為npi方法)步驟的分解功能控制原理圖；

圖4為本發(fā)明所述的pnpi方法中的用改進的粒子群算法對npi方法的初始參數(shù)(kp0、ki0)、神經(jīng)元學(xué)習(xí)速率(η1、η2)進行在線尋優(yōu)步驟的分解功能流程示意框圖；

圖5為本發(fā)明所述的pnpi方法在ns-2網(wǎng)絡(luò)仿真平臺下的網(wǎng)絡(luò)拓撲圖；

圖6為本發(fā)明實施例中的pi方法中間節(jié)點隊列長度曲線圖；

圖7為本發(fā)明實施例中的npi方法中間節(jié)點隊列長度曲線圖；

圖8為本發(fā)明實施例中的pnpi方法中間節(jié)點隊列長度曲線圖；

圖9為本發(fā)明實施例中的pi、npi方法與本發(fā)明所述的pnpi方法中間節(jié)點隊列長度均值對比圖；

圖10為本發(fā)明實施例中的pi、npi方法與本發(fā)明所述的pnpi方法中間節(jié)點隊列長度方差對比圖；

圖11為本發(fā)明實施例中的pi、npi方法與本發(fā)明所述的pnpi方法中吞吐量對比曲線圖；

圖12為本發(fā)明實施例中的pi、npi、pnpi方法與本發(fā)明所述的pnpi方法中瓶頸節(jié)點1的丟包率對比曲線圖；

圖13為本發(fā)明實施例中的pi、npi、pnpi方法與本發(fā)明所述的pnpi方法中延時對比曲線圖；

圖14為本發(fā)明實施例中的pi、npi、pnpi方法與本發(fā)明所述的pnpi方法中分組投遞率對比曲線圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作詳細的描述：

參閱圖1、圖2，本發(fā)明提供了一種無線傳感器網(wǎng)絡(luò)擁塞控制方法，盡管pi方法是一種有效的擁塞控制機制和擁塞避免機制，但其仍然存在下面一些不足。

1.pi方法的參數(shù)固定，不能適應(yīng)于無線傳感器網(wǎng)絡(luò)技術(shù)(wirelesssensornetwork,wsn)的動態(tài)變化；

2.根據(jù)無線傳感器網(wǎng)絡(luò)結(jié)構(gòu)，端到端的擁塞控制方法已無法有效地解決擁塞問題，因此，需要考慮將中間節(jié)點與源端配合來設(shè)計擁塞控制策略，而主動隊列管理方法滿足了這一點要求，所以將pi方法應(yīng)用到無線傳感器網(wǎng)絡(luò)中非常有價值。

3.對傳統(tǒng)pi方法改進的過程中，npi方法雖然對pi方法的兩個固定參數(shù)kp、ki進行了自適應(yīng)調(diào)整，但單神經(jīng)元控制技術(shù)有其自身增加延時的缺陷。

為了解決上述問題，產(chǎn)生了一些用于無線傳感器網(wǎng)絡(luò)的改進的pi擁塞控制策略方法。這些方法結(jié)合了無線傳感器網(wǎng)絡(luò)的特點，對參數(shù)進行了調(diào)整，但其參數(shù)調(diào)整的效果并不十分理想，仍需有待加強。

本發(fā)明提供了一種能夠依據(jù)無線傳感器網(wǎng)絡(luò)環(huán)境，自適應(yīng)調(diào)整、計算pi方法固定參數(shù)kp、ki，并且對一些參數(shù)進行在線尋優(yōu)的一種無線傳感器擁塞控制方法(pnpi)，該方法依次含有如下步驟：

1.相關(guān)參數(shù)的定義

1)kp0、ki0為pi方法中的兩個固定參數(shù)kp、ki的初始值；

2)k為單神經(jīng)元系數(shù)，其值為0.12；

3)wi(k)為神經(jīng)元權(quán)值，i＝1,2,初始值分別為2.58392e-6和98290e-6；

4)節(jié)點緩存隊列長度為40packets；

5)q0為期望隊列長度，其值為20packets；

6)q為瞬時隊列長度,其初始值為0；

7)p(k)為丟棄概率；

8)粒子群的規(guī)模為n＝30；

9)粒子的維數(shù)d＝4；

10)粒子群慣性權(quán)重最大值wmax＝0.9；

11)粒子群慣性權(quán)重最小值wmin＝0.4；

12)pi方法的兩個固定參數(shù)的最小值kp_min＝ki_min＝0.0000001；

13)pi方法的兩個固定參數(shù)的最大值kp_max＝ki_max＝10；

14)η1、η2為神經(jīng)元學(xué)習(xí)速率，設(shè)置最小值為η1_min＝η2_min＝0.0000001，最大值為η1_max＝η2_max＝10；

15)v_min、v_max為粒子群速度的最小值和最大值，其值分別為v_min＝10，v_max＝10；

16)c1、c2為粒子群算法學(xué)習(xí)因子，其中c1＝0.95+0.1*rand,c2＝c1。

2.pi方法的實現(xiàn)

設(shè)置pi方法兩個固定參數(shù)kp0、ki0初始值，神經(jīng)元系數(shù)k，期望隊列長度q0，粒子群的規(guī)模為n＝30，粒子的維數(shù)d＝4，粒子群慣性權(quán)重最大值wmax＝0.9，粒子群慣性權(quán)重最小值wmin＝0.4，pi方法的兩個參數(shù)的最小值kp_min＝ki_min＝0.0001和最大值kp_max＝ki_max＝10：

1)將pi方法加載到ns2軟件中的步驟如下：

其中ns2是指networksimulatorversion2，ns(networksimulator)是一種針對網(wǎng)絡(luò)技術(shù)的源代碼公開的、免費的軟件模擬平臺。

(1)將傳統(tǒng)pi方法所包含的文件pi.h和pi.cc加載到ns2仿真軟件中，其中pi.h和pi.cc為pi方法實現(xiàn)的代碼；

(2)在ns2.35文件夾下修改makefile和makefile.vc文件，在這兩個文件obj_cc＝\tools/random.otools/rng.otools/ranvar.ocommon/misc.ocommon/下加入代碼queue/red-pd.oqueue/pi.oqueue\，其中ns2.35為ns2軟件的版本；

(3)在lib文件夾下修改ns-lib.tcl文件，在lib文件的if{[stringfirst"red"$qtype]?。?1||下加入代碼if{[stringfirst"pi"$qtype]！＝-1||；

(4)在lib文件夾下的ns-default文件中對pi參數(shù)進行初始化；

(5)對ns2進行重新編譯,至此，把pi方法加載到了ns2軟件中。

2)將pi方法應(yīng)用于無線傳感器網(wǎng)絡(luò)節(jié)點的隊列管理中的步驟如下：

(1)編寫tcl腳本文件，模擬無線傳感器網(wǎng)絡(luò)環(huán)境；其中tcl腳本為ns2軟件的模擬腳本；

(2)將pi方法加載到tcl腳本文件中的代碼：setval(ifq)queue/droptail/priqueue；#interfacequeuetype改為setval(ifq)queue/pi；#interfacequeuetype。

3.采用單神經(jīng)元控制技術(shù)對pi方法的改進

參閱圖3，因pi方法的兩個固定參數(shù)kp、ki非常重要，對于無線傳感器網(wǎng)絡(luò)擁塞控制的效果有很大影響，所以采用單神經(jīng)元控制技術(shù)對pi方法的兩個固定參數(shù)kp、ki進行在線調(diào)，得到的方法命名為npi方法，本發(fā)明所述的pnpi方法采用有監(jiān)督的hebb學(xué)習(xí)方法對pi方法的參數(shù)進行自適應(yīng)調(diào)整，根據(jù)無線傳感器網(wǎng)絡(luò)動態(tài)變化情況，調(diào)整當前pi方法的兩個固定參數(shù)kp、ki。

采用單神經(jīng)元控制技術(shù)對pi方法的改進包括如下步驟：

1)設(shè)置pi方法的輸入量x1(k)、x2(k)，其中，x1(k)為瞬時隊列長度q與期望值q0的誤差，x2(k)為誤差的一次差分；單神經(jīng)元控制技術(shù)的輸入輸出關(guān)系為：

其中，k為單神經(jīng)元的系數(shù)，并且保證k>0，xi(k)為單神經(jīng)元的輸入，wi(k)為xi(k)的權(quán)重，u(k)為單神經(jīng)元的輸出；

2)在單神經(jīng)元控制技術(shù)中，根據(jù)學(xué)習(xí)信號的不同將學(xué)習(xí)算法分為3種：無導(dǎo)的hebb學(xué)習(xí)算法、有導(dǎo)的delta學(xué)習(xí)算法和有導(dǎo)的hebb學(xué)習(xí)算法。根據(jù)需要，本技術(shù)方案采用有導(dǎo)的hebb學(xué)習(xí)算法來調(diào)節(jié)加權(quán)系數(shù)wi(k)，其表達式為：

wi(k+1)＝wi(k)+ηiz(k)u(k)xi(k)

其中，z(k)為輸出誤差信號z(k)＝e(k)，η1、η2為不同的學(xué)習(xí)速率系數(shù)；

3)單神經(jīng)元控制技術(shù)是通過調(diào)整輸入變量xi(k)的權(quán)重wi(k)來實現(xiàn)自適應(yīng)調(diào)整的，其中wi(k)分別對應(yīng)于pi方法的ki、kp；為了實現(xiàn)算法的收斂性和魯棒性，采用規(guī)范化學(xué)習(xí)算法進行處理，則表達式可以寫成下式：

其中，wi'(k)可表示為：

為了依據(jù)無線傳感器網(wǎng)絡(luò)環(huán)境的實時變化來調(diào)整方法的參數(shù)，本發(fā)明所述的pnpi方法將pi方法的兩個固定參數(shù)kp、ki進行自適應(yīng)調(diào)整，已有pi方法的兩個固定參數(shù)kp、ki通過專家經(jīng)驗得出，不具有動態(tài)調(diào)整的特性；所以通過上述步驟對神經(jīng)元權(quán)值進行在線調(diào)整，即對pi方法兩個固定參數(shù)進行在線調(diào)整，得到的方法命名為npi方法；準備進行下一步計算的步驟。

4.改進的粒子群算法對npi方法的參數(shù)進行在線尋優(yōu)

根據(jù)期望隊列長度和瞬時隊列長度的誤差來調(diào)整自適應(yīng)函數(shù)，達到反饋的目的。參閱圖4,通過改進的粒子群算法對npi方法的參數(shù)進行在線尋優(yōu),步驟如下：

1)對粒子群中粒子的位置和速度進行隨機初始化，假設(shè)一個粒子群的種群規(guī)模為n，每個粒子代表d維搜索空間中的一個解，其中粒子i在求解空間中的位置和速度分別表示為：

xi＝(xi1,xi2,...,xid)，vi＝(vi1,vi2,...,vid)

其中：粒子群神經(jīng)元初始化參數(shù)為4個，所以d＝4，種群規(guī)模n＝30；

2)計算每個粒子的適應(yīng)度：本技術(shù)方案中選定的適應(yīng)度為

3)計算粒子所經(jīng)歷的最好位置和全局最好位置：其中粒子所經(jīng)歷的最好位置為pi＝(pi1,pi2,...,pid)，群體中所有粒子經(jīng)歷過最好位置,即全局最好位置為g＝(pg1,pg2,...,pgd)；其中粒子所經(jīng)歷的最好位置由式(1)決定：

群體的全局最好位置g＝(pg1,pg2,...,pgd)中的下標g由式(2)確定：

式中：就是指當f(pi(t))取得最小值時，變量i的取值,即g的取值；

4)對粒子的速度vid(t)和位置xid(t)進行進化，在標準pso模型中，粒子在每一維上的速度和位置更新公式如下：

vid(t+1)＝ωvid(t)+c1r1id(t)(pid(t)-xid(t))+c2r2id(t)(pgd(t)-xid(t))

xid(t+1)＝xid(t)+vid(t+1)

式中：vid和xid定義分別表示第i個粒子第d維的速度分量與位置分量；

pid為第i個粒子所經(jīng)歷的歷史最佳位置分量；

pgd為群體所經(jīng)過的歷史最佳位置分量；

w為慣性權(quán)重，決定了粒子對當前速度的繼承度；

r1和r2為[0,1]區(qū)間內(nèi)均勻分布且相互獨立的隨機數(shù)，稱為隨機因子；

c1為個體認知加速系數(shù)，表示粒子對自己經(jīng)歷過的歷史最佳位置的記憶，

c2為群體認知加速系數(shù)，表示粒子對整個種群所經(jīng)歷過的歷史最佳位置的記憶能力，學(xué)習(xí)因子的存在使得粒子具有自我總結(jié)和向群體中最優(yōu)個體學(xué)習(xí)的能力，通過兩種能力的相互補充協(xié)調(diào)，粒子不斷向著全局最優(yōu)位置或局部最優(yōu)位置靠近；

5)判斷結(jié)束條件,如果進化到預(yù)先設(shè)定的代數(shù),繼續(xù)往下進行，否則返回步驟2)即計算每個粒子的適應(yīng)度步驟。

5.以丟棄概率p(k)進行主動丟包的步驟如下：

1)本發(fā)明所述的pnpi方法需要按照步驟3即采用單神經(jīng)元控制技術(shù)對pi方法的改進步驟中公式計算丟棄概率；

2)得到丟棄概率后，以丟棄概率p(k)進行主動丟包，在隊列緩沖區(qū)溢出之前，提前主動丟包，避免擁塞發(fā)生。

實施例

仿真條件如下：

參閱圖5，為了檢驗本發(fā)明所述的一種無線傳感器網(wǎng)絡(luò)擁塞控制方法(命名為pnpi方法)的性能，把本發(fā)明所述的pnpi方法加載到ns-2仿真平臺上，仿真使用2.35版本的ns-2平臺，操作系統(tǒng)為ubuntu10.04。圖中所表示的為在ns-2仿真平臺上搭建的模擬無線傳感器網(wǎng)絡(luò)環(huán)境，其中節(jié)點數(shù)為14個，節(jié)點的傳輸范圍250m，無線傳感器網(wǎng)絡(luò)的媒體訪問控制(mediaaddresscontrol，mac)層采用802.11協(xié)議，路由協(xié)議采用aodv，節(jié)點的初始能量默認值，節(jié)點緩存隊列長度為40packets,初始源節(jié)點向匯聚節(jié)點以200kb/s的速率發(fā)送數(shù)據(jù)，包的大小為128b，采樣頻率w＝100hz，仿真時間50s，從0s源節(jié)點開始發(fā)送數(shù)據(jù)包到50s停止發(fā)送。

使用以下一系列的實驗來說明本發(fā)明所述的pnpi方法,對于提高隊列穩(wěn)定程度、提高吞吐量和分組投遞率、降低丟包率和時延具有一定的改善，實驗的前提為：傳統(tǒng)pi方法中固定參數(shù)值kp＝0.0000475，ki＝0.0000174。npi方法和提出的pnpi方法中，單神經(jīng)元系數(shù)為k＝0.12。

pi方法、npi方法與本發(fā)明所述的pnpi方法的網(wǎng)絡(luò)性能比較。

參數(shù)設(shè)置：傳統(tǒng)pi方法中期望隊列長度為20packets，固定參數(shù)值kp＝0.0000475，ki＝0.0000174，采樣頻率w＝100hz，npi方法和提出的pnpi方法中期望隊列長度為20packets，單神經(jīng)元系數(shù)為k＝0.12。

由實驗可以得到圖6、圖7與圖8，分別是pi方法、npi方法與本發(fā)明所述的pnpi方法的瞬時隊列長度的變化曲線，可以發(fā)現(xiàn)本發(fā)明所述的pnpi方法的隊列長度曲線震蕩幅度明顯減小，并且保持較低的隊列長度，而且在接下來的仿真時間里本發(fā)明所述的pnpi方法的隊列長度更為平滑，幾乎沒有強烈的抖動。

由實驗組可以得到圖9和圖10，分別是pi方法、npi方法與本發(fā)明所述的pnpi方法的隊列長度均值和方差的對比圖。從圖中可以看出pi方法均值最大，npi和pnpi方法的均值幾乎相等，而pi方法的方差遠遠大于其他兩種方法，并且pnpi方法的方差小于npi方法。所以pnpi方法更加穩(wěn)定。

由實驗組可以得到圖11，是pi方法、npi方法與本發(fā)明所述的pnpi方法的吞吐量變化的對比曲線，可以發(fā)現(xiàn)本發(fā)明所述的pnpi方法吞吐量幾乎在每一時刻都高于pi方法和npi方法，說明pnpi方法明顯提高了無線傳感器網(wǎng)絡(luò)性能。

由實驗可以得到圖12，是pi方法、npi方法與本發(fā)明所述的pnpi方法的瓶頸節(jié)點1的丟包率對比，可以發(fā)現(xiàn)本發(fā)明所述的pnpi方法的丟包率明顯低于其他兩種方法。

由實驗可以得到圖13，是pi方法、npi方法與本發(fā)明所述的pnpi方法的延時對比，可以發(fā)現(xiàn)本發(fā)明所述的pnpi方法，其延時在仿真時間里大多數(shù)時刻都低于其他兩種方法。

由實驗組可以得到圖14，是pi方法、npi方法與本發(fā)明所述的pnpi方法的分組投遞率對比，可以發(fā)現(xiàn)本發(fā)明所述的pnpi方法，其分組投遞率在仿真時間里大多數(shù)時刻都高于其他兩種方法。

上述實驗分別檢驗了本發(fā)明所述的pnpi方法的性能，通過上述實驗可以得出在相同的網(wǎng)絡(luò)環(huán)境和相同的仿真條件下，本發(fā)明所述的pnpi方法取得了穩(wěn)定隊列長度、提高吞吐量和分組投遞率、降低丟包率和延時等無線傳感器網(wǎng)絡(luò)性能。

本發(fā)明所述的pnpi方法達到了本發(fā)明的設(shè)計目標，該方法的參數(shù)根據(jù)網(wǎng)絡(luò)環(huán)境自適應(yīng)調(diào)整參數(shù)設(shè)置，而不是像其他方法由靜態(tài)參數(shù)配置調(diào)節(jié)方法控制網(wǎng)絡(luò)擁塞，并取得了良好的效果，可以證明本發(fā)明所述的pnpi方法具有自適應(yīng)、動態(tài)調(diào)整的能力，且其性能優(yōu)良。