蚁群优化和能量管理的ZigBee网络路由

计算机应用 ›› 2011, Vol. 31 ›› Issue (02): 335-337.

蚁群优化和能量管理的ZigBee网络路由

彭友¹,杨恢先²,满莎³

1. 湘潭大学
2. 湖南湘潭大学材料与光电物理学院
3. 湘潭大学信息工程学院

收稿日期:2010-07-21 修回日期:2010-09-17 发布日期:2011-02-01 出版日期:2011-02-01
通讯作者: 彭友
基金资助:
海南省自科基金项目;海南省教育厅项目

Ant colony optimization and energy management routing algorithm for ZigBee network

Received:2010-07-21 Revised:2010-09-17 Online:2011-02-01 Published:2011-02-01
Contact: peng you

摘要/Abstract

摘要： 延长ZigBee网络的寿命是设计ZigBee路由协议的一个重要目的，通过对ZigBee网络协议的研究提出一种基于能量管理的ACO-AODV路由协议，能降低网络延时并延长ZigBee网络寿命。仿真结果表明，ACO-AODV协议的方法是可行的和节能的，可以在保持较低数据分组的平均端到端时延的同时降低能量开销，达到了低开销、低时延的设计目标。

关键词: 蚁群算法, ZigBee, 无线自主网按需平面距离矢量路由协议, 能量管理

Abstract: To prolong the life of ZigBee networks is an important goal to design ZigBee routing protocol. Ant Colony Optimization-Ad hoc On-Demand Distance Vector Routing(ACO-AODV) based on energy management routing protocol was proposed, which can keep the good network performance and extend the life of ZigBee networks. The simulation results show that ACO-AODV algorithm is feasible and energy-saving. This approach can maintain a low delay of the average end-to-end data packet while effectively reducing energy consumption，so the design goals of low energy consumption and low-delay are achieved.

Key words: Ant Colony Optimization (ACO), ZigBee, Ant Colony Optimization-Ad hoc On-Demand Distance Vector Routing (AODV), energy management

彭友杨恢先满莎. 蚁群优化和能量管理的ZigBee网络路由[J]. 计算机应用, 2011, 31(02): 335-337.

[1]	段宇君, 王耀力, 常青, 刘鑫. 改进型蚁群算法融合混沌优化的pSPIEL算法的无线传感器布局优化[J]. 计算机应用, 2020, 40(3): 793-798.
[2]	屈立成, 吕娇, 赵明, 王海飞, 屈艺华. 基于三维时空地图和运动分解的多机器人路径规划算法[J]. 计算机应用, 2020, 40(12): 3499-3507.
[3]	刘育良, 陈淮莉. 负载影响下纯电动汽车配送路径规划及充电策略[J]. 计算机应用, 2020, 40(10): 2831-2837.
[4]	李卓, 李引珍, 李文霞. 应急物资运输路径多目标优化模型及求解算法[J]. 计算机应用, 2019, 39(9): 2765-2771.
[5]	王东先, 孟学雷, 乔俊, 汤霖, 焦志臻. 基于改进蚁群算法的铁路乘务交路计划的编制[J]. 计算机应用, 2019, 39(9): 2749-2756.
[6]	郑延斌, 王林林, 席鹏雪, 樊文鑫, 韩梦云. 基于蚁群算法及博弈论的多Agent路径规划算法[J]. 计算机应用, 2019, 39(3): 681-687.
[7]	郭良敏, 朱莹, 孙丽萍. 障碍空间中基于并行蚁群算法的k近邻查询[J]. 计算机应用, 2019, 39(3): 790-795.
[8]	杨继东, 孙兆琦, 王飞龙. 基于视觉抓取的并联桁架机器人最优路径控制[J]. 计算机应用, 2019, 39(3): 913-917.
[9]	王东先, 孟学雷, 何国强, 孙慧萍, 王喜栋. 基于改进蚁群算法的铁路乘务排班计划编制[J]. 计算机应用, 2019, 39(12): 3678-3684.
[10]	魏亚茹, 朱瑾. 自动化码头双场桥调度与集装箱存储选位建模[J]. 计算机应用, 2018, 38(4): 1189-1194.
[11]	王超, 朱明, 王敏. 基于管制员认知负荷和改进蚁群算法的扇区动态通行能力评估[J]. 计算机应用, 2018, 38(1): 277-283.
[12]	许凯波, 鲁海燕, 程毕芸, 黄洋. 求解TSP的改进信息素二次更新与局部优化蚁群算法[J]. 计算机应用, 2017, 37(6): 1686-1691.
[13]	鲍振华, 康宝生, 张雷, 张婧. 基于草图局部几何不变矩的图像检索方法[J]. 计算机应用, 2017, 37(6): 1753-1758.
[14]	梁本来, 杨忠明, 秦勇, 蔡昭权. 引入梯度下降的蚁群算法求解多约束服务质量路由[J]. 计算机应用, 2017, 37(3): 722-729.
[15]	邓昀, 李朝庆, 程小辉. 基于物联网的智能家居远程无线监控系统设计[J]. 计算机应用, 2017, 37(1): 159-165.