梁小曉，韋崇崗

(四川理工學(xué)院a.計(jì)算機(jī)學(xué)院;b.自動(dòng)化與電子信息學(xué)院，四川 自貢 643000)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)(Internet)、射頻識(shí)別技術(shù)(RFID)、無(wú)線傳感網(wǎng)絡(luò)技術(shù)(WSNs)和信息處理技術(shù)(DSP)的迅速發(fā)展，物聯(lián)網(wǎng)技術(shù)越來(lái)越受到人們重視，越來(lái)越多的應(yīng)用到人們的生活中，如智能家居系統(tǒng)、智能交通系統(tǒng)、智能醫(yī)療及軍事國(guó)防等領(lǐng)域。2003 年，美國(guó)的雜志《技術(shù)評(píng)論》曾預(yù)測(cè)物聯(lián)網(wǎng)技術(shù)將是變革人們未來(lái)生活方式的重要技術(shù)之一［1］。物聯(lián)網(wǎng)技術(shù)是在因特網(wǎng)基礎(chǔ)上發(fā)展而來(lái)的，根據(jù)摩根定律，IT 技術(shù)的革命在20 年左右，上個(gè)世紀(jì)90 年代互聯(lián)網(wǎng)技術(shù)興起，至今有20 多年，下一次科技革命的重點(diǎn)就是物聯(lián)網(wǎng)技術(shù)。它不僅可以提高國(guó)民經(jīng)濟(jì)總量，節(jié)約工業(yè)生產(chǎn)成本，而且還可以為全球的經(jīng)濟(jì)復(fù)蘇提供強(qiáng)大的技術(shù)支持。

物聯(lián)網(wǎng)技術(shù)主要包括感知模塊、網(wǎng)絡(luò)模塊和應(yīng)用模塊三個(gè)組成部分。關(guān)鍵技術(shù)是感知模塊，它包括:射頻識(shí)別技術(shù)和無(wú)線傳感器網(wǎng)絡(luò)技術(shù)。在感知模塊中，射頻識(shí)別技術(shù)發(fā)展很快，也很成熟，但無(wú)線傳感器網(wǎng)絡(luò)技術(shù)卻還在發(fā)展階段，其核心技術(shù)主要包括路由協(xié)議、時(shí)間同步、節(jié)點(diǎn)定位、能量管理節(jié)能優(yōu)化、最優(yōu)覆蓋以及數(shù)據(jù)融合等技術(shù)。在物聯(lián)網(wǎng)系統(tǒng)中，由于感知的對(duì)象眾多，所以使用的傳感量也比較多，而采集的傳感量多會(huì)導(dǎo)致物聯(lián)網(wǎng)系統(tǒng)接收信號(hào)的時(shí)間延遲，導(dǎo)致系統(tǒng)時(shí)鐘不能同步，因此數(shù)據(jù)融合技術(shù)是物聯(lián)網(wǎng)系統(tǒng)的一個(gè)重要技術(shù)。

1 物聯(lián)網(wǎng)分層體系結(jié)構(gòu)與關(guān)鍵技術(shù)

圖1 物聯(lián)網(wǎng)系統(tǒng)組成結(jié)構(gòu)圖

物聯(lián)網(wǎng)主要是由三個(gè)部分組成，它們是Internet服務(wù)器(ONS 服務(wù)器和PML 服務(wù)器)、中間件系統(tǒng)和感知系統(tǒng)，感知系統(tǒng)部分包括射頻識(shí)別與無(wú)線傳感器網(wǎng)絡(luò)技術(shù)［2］。物聯(lián)網(wǎng)系統(tǒng)基本組成如圖1 所示。數(shù)據(jù)信息采集和感知主要是采集環(huán)境中發(fā)生的時(shí)間和數(shù)據(jù)信息，感知對(duì)象可以是單獨(dú)存在的物體、也可以是一個(gè)特定區(qū)域。感知系統(tǒng)主要實(shí)現(xiàn)對(duì)物理世界對(duì)象的感知，包括識(shí)別物體，采集相關(guān)信號(hào)數(shù)據(jù)信息等，主要包括射頻識(shí)別系統(tǒng)、傳感器及無(wú)線傳感器網(wǎng)絡(luò)技術(shù)等。網(wǎng)絡(luò)系統(tǒng)主要是傳感器網(wǎng)絡(luò)、移動(dòng)通信網(wǎng)絡(luò)和因特網(wǎng)的三網(wǎng)融合技術(shù)，把感知到的傳感信息安全可靠地進(jìn)行發(fā)送和處理。應(yīng)用系統(tǒng)主要是與實(shí)際應(yīng)用相結(jié)合，把廣泛的信息實(shí)現(xiàn)共享互通，在具體應(yīng)用領(lǐng)域可以智能化地實(shí)現(xiàn)［3］。

物聯(lián)網(wǎng)技術(shù)的發(fā)展與進(jìn)步涉及到多個(gè)方面的關(guān)鍵技術(shù)，其中包括全面感知技術(shù)、實(shí)時(shí)可靠傳輸技術(shù)和智能處理技術(shù)等。全面感知就是物聯(lián)網(wǎng)利用射頻識(shí)別技術(shù)和無(wú)線傳感器網(wǎng)絡(luò)技術(shù)實(shí)時(shí)地采集現(xiàn)實(shí)世界的物理信息和數(shù)據(jù)，再迅速可靠的傳送給計(jì)算機(jī)處理中心，在計(jì)算機(jī)對(duì)信息和數(shù)據(jù)進(jìn)行處理后傳送到因特網(wǎng)上，實(shí)現(xiàn)信息資源的傳輸與共享。無(wú)線傳感器網(wǎng)絡(luò)以低成本低功耗低速率著稱，與傳統(tǒng)無(wú)線網(wǎng)絡(luò)相比有很大的優(yōu)越性，同時(shí)它是以數(shù)據(jù)為中心，電池能量及其處理能力等也相當(dāng)有限，因此如何有效利用傳感器節(jié)點(diǎn)的能量，降低數(shù)據(jù)冗余度及節(jié)省能量損耗，延長(zhǎng)網(wǎng)絡(luò)使用壽命是無(wú)線傳感器網(wǎng)絡(luò)設(shè)計(jì)中非常重要的問(wèn)題，也是物聯(lián)網(wǎng)需要重點(diǎn)解決的問(wèn)題。

數(shù)據(jù)融合就是根據(jù)多個(gè)傳感器信息進(jìn)行特征提取與數(shù)據(jù)融合，通過(guò)彼此的信息協(xié)作和關(guān)聯(lián)，克服單個(gè)傳感器檢測(cè)節(jié)點(diǎn)的缺陷，從而進(jìn)行全面的被檢測(cè)對(duì)象描述。所以，非常有必要對(duì)多個(gè)傳感器數(shù)據(jù)信息進(jìn)行融合。數(shù)據(jù)融合是WSNs 技術(shù)中非常重要的技術(shù)之一。本文針對(duì)物聯(lián)網(wǎng)底層關(guān)鍵技術(shù)無(wú)線傳感器網(wǎng)絡(luò)技術(shù)數(shù)據(jù)傳輸中的數(shù)據(jù)融合算法進(jìn)行研究，提出人工蜂群算法(ABC)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法(BPABC)，通過(guò)特定的融合算法處理傳感器節(jié)點(diǎn)采集的數(shù)據(jù)，可有效清除冗余的數(shù)據(jù)，從而降低系統(tǒng)的帶寬維數(shù)，減少網(wǎng)絡(luò)節(jié)點(diǎn)傳輸?shù)臄?shù)據(jù)量與能量損耗，達(dá)到延長(zhǎng)網(wǎng)絡(luò)使用壽命的目的。同時(shí)，對(duì)多個(gè)傳感節(jié)點(diǎn)數(shù)據(jù)進(jìn)行處理，可以提高信息的準(zhǔn)確度，減輕網(wǎng)絡(luò)擁塞，提高網(wǎng)絡(luò)收集數(shù)據(jù)整體效率，為物聯(lián)網(wǎng)實(shí)時(shí)信息處理提供強(qiáng)大支持。

2 人工蜂群算法

2005 年Karaboga 基于蜜蜂群體的覓食行為而提出的一種新的啟發(fā)式仿生算法—人工蜂群算法(Artificial Bee Colony Algorithm，ABC)，它是建立在蜜蜂群體生活習(xí)性模型基礎(chǔ)上提出的一種非數(shù)值計(jì)算的組合優(yōu)化算法［4］。算法中的每一個(gè)蜜蜂個(gè)體看做是一個(gè)智能體，它們通過(guò)不同個(gè)體間的分工協(xié)作、角色轉(zhuǎn)換和舞蹈行為涌現(xiàn)的群體智能。蜜蜂是一種群居生活的昆蟲(chóng)，單個(gè)蜜蜂的生活行為非常簡(jiǎn)單，不過(guò)由單個(gè)簡(jiǎn)單的個(gè)體所組成的群體卻表現(xiàn)出極其復(fù)雜的行為。在任何環(huán)境下蜜蜂種群能夠以極高的效率從食物源(花粉)中采集花蜜;同時(shí)，它們能根據(jù)環(huán)境的變化而改變自己的生活習(xí)性，能夠非常好的適應(yīng)環(huán)境。蜜蜂繁殖機(jī)理流程圖如下圖2 所示。

圖2 蜜蜂繁殖機(jī)理流程圖

蜂群采蜜過(guò)程中產(chǎn)生非常高的群體智慧，它采蜜過(guò)程中去尋找蜜源這個(gè)最小搜索模型包含三個(gè)基本組成要素:食物源、雇傭蜂(employed foragers)和未被雇傭的蜜蜂(unemployed foragers);兩種最基本的行為模型:為食物源招募(recruit)蜜蜂和放棄(abandon)某個(gè)食物源［5］。為了更好的說(shuō)明蜜蜂采蜜機(jī)理，圖3 給出了詳細(xì)的蜜蜂采蜜過(guò)程。

圖3 蜜蜂采蜜工作流程圖

在人工智能算法中，把蜜蜂群體分為3 類:引領(lǐng)蜂，跟隨蜂以及偵查蜂。其中引領(lǐng)蜂、跟隨蜂主要是對(duì)蜜源的開(kāi)采，偵查蜂主要是去偵查蜜源，盡量找到多個(gè)蜜源［6］。引領(lǐng)蜂根據(jù)找到蜜源的數(shù)量和大小，選擇比較好的蜜源作為初始蜜源并標(biāo)記，再釋放與標(biāo)記的蜜源成正比的路徑信息，以招募其它的跟隨蜂。跟隨蜂則采用輪盤(pán)賭方式取合適的標(biāo)記蜜源，同時(shí)在其附近搜索新的蜜源，與初始引領(lǐng)蜂標(biāo)記蜜源進(jìn)行比較，選取其中較好的收益度較大的蜜源，更改本次循環(huán)的初始標(biāo)記蜜源。假如在采蜜過(guò)程中，蜜源經(jīng)過(guò)一段時(shí)間后它的蜜源搜索方式還不變，則相應(yīng)的引領(lǐng)蜂就變成偵查蜂，隨機(jī)搜索去尋找新蜜源，來(lái)代替初始標(biāo)記蜜源中的相應(yīng)位置，確定最終蜜源位置地點(diǎn)［7］。人工蜂群算法工作流程圖如圖4 所示。

3 物聯(lián)網(wǎng)底層關(guān)鍵技術(shù)WSNs 的數(shù)據(jù)融合算法

在無(wú)線傳感器網(wǎng)絡(luò)路由通信協(xié)議中，比較常用的路由算法有LEACH 算法、SPIN 協(xié)議算法、Flooding協(xié)議和Gossiping 協(xié)議算法，其中以LEACH 算法最為經(jīng)典。LEACH 的運(yùn)作以“輪”來(lái)實(shí)現(xiàn)，每一輪開(kāi)始是簇頭的建立階段，其次傳輸數(shù)據(jù)到匯聚節(jié)點(diǎn)的穩(wěn)態(tài)階段。本文以數(shù)據(jù)融合常用BP 神經(jīng)網(wǎng)絡(luò)方法和人工蜂群算法相結(jié)合，提出人工蜂群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法，清除網(wǎng)絡(luò)內(nèi)的冗余數(shù)據(jù)，降低系統(tǒng)的帶寬維數(shù)，減少網(wǎng)絡(luò)節(jié)點(diǎn)傳輸?shù)臄?shù)據(jù)量與能量損耗，達(dá)到延長(zhǎng)網(wǎng)絡(luò)使用壽命的目的。

圖4 人工蜂群算法流程圖

BP 神經(jīng)網(wǎng)絡(luò)，它是一種多層次的前向反饋神經(jīng)網(wǎng)絡(luò)。其最重要的特征是數(shù)據(jù)信息的前向傳輸，誤差則方向傳遞。在數(shù)據(jù)信息的前向傳輸中，輸入信息通過(guò)隱含層而進(jìn)行逐層計(jì)算處理，直到傳送到輸出層。如果輸出層獲得的不是期望的值，則進(jìn)入反向方向傳播，再通過(guò)預(yù)測(cè)誤差調(diào)整神經(jīng)網(wǎng)絡(luò)中的權(quán)值閾值，從而達(dá)到輸出預(yù)測(cè)期望值不斷接近輸出期望值。BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5 所示。

圖5 BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

神經(jīng)網(wǎng)絡(luò)算法既有很強(qiáng)的容錯(cuò)性、自學(xué)習(xí)和自實(shí)行能力，而且能夠模擬非常復(fù)雜的非線性模型［8］。在實(shí)際工程實(shí)際都會(huì)將其與人工蜂群算法結(jié)合起來(lái)使用，這兩種算法進(jìn)行有機(jī)結(jié)合，可以達(dá)到互相補(bǔ)充揚(yáng)長(zhǎng)避短的功效，比采用單一的方法好很多。

人工蜂群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)(BPABC)算法主要分為確定BP 神經(jīng)網(wǎng)絡(luò)的層數(shù)結(jié)構(gòu)拓?fù)浣Y(jié)構(gòu)、網(wǎng)絡(luò)的初始最優(yōu)閾值權(quán)值和BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。其中，BP 神經(jīng)網(wǎng)絡(luò)的層數(shù)和拓?fù)浣Y(jié)構(gòu)的確定是根據(jù)擬合函數(shù)的輸入輸出系數(shù)來(lái)確定的，從而也確定了人工蜂群算法的初始選取個(gè)體長(zhǎng)度［9］。在人工蜂群算法中，每一個(gè)群體中的個(gè)體均包括了一個(gè)網(wǎng)絡(luò)的閾值和權(quán)值，個(gè)體則通過(guò)生存適應(yīng)函數(shù)以計(jì)算個(gè)體的適應(yīng)度，人工蜂群算法通過(guò)對(duì)個(gè)體選擇、交叉與變異等等操作實(shí)現(xiàn)最優(yōu)適應(yīng)度值對(duì)應(yīng)個(gè)體，其余的全部淘汰。BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)功能則主要是采用人工蜂群算法得到最優(yōu)個(gè)體，并對(duì)BP 神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)初始權(quán)值和閾值賦值，網(wǎng)絡(luò)通過(guò)訓(xùn)練之后預(yù)測(cè)函數(shù)輸出，這個(gè)結(jié)果就是我們所期望的輸出值。人工蜂群算法神經(jīng)網(wǎng)絡(luò)算法流程圖如圖6 所示。

圖6 人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程圖

4 仿真結(jié)果與分析

物聯(lián)網(wǎng)的關(guān)鍵技術(shù)是無(wú)線傳感器網(wǎng)技術(shù)和射頻識(shí)別RFID 技術(shù)。在無(wú)線傳感器網(wǎng)絡(luò)之中，數(shù)據(jù)融合技術(shù)是WSNs 技術(shù)的一個(gè)重要研究和發(fā)展方向。它主要通過(guò)選擇網(wǎng)絡(luò)層的路由協(xié)議，并適當(dāng)?shù)募右恍?shù)據(jù)融合算法，從而有效的減少傳感器節(jié)點(diǎn)數(shù)據(jù)的傳輸量，減輕網(wǎng)絡(luò)的擁塞，延長(zhǎng)網(wǎng)絡(luò)生命周期［10］。在無(wú)線傳感器網(wǎng)絡(luò)的路由協(xié)議中，其算法LEACH 最為經(jīng)典，它是一種自適應(yīng)分區(qū)分層路由協(xié)議，它將無(wú)線傳感器網(wǎng)絡(luò)細(xì)劃分為多個(gè)區(qū)，而每個(gè)區(qū)里面又選出一個(gè)簇頭具體負(fù)責(zé)自己所在區(qū)的所有傳感器節(jié)點(diǎn)。在更大的層面上，這些簇頭則又形成了高一級(jí)的網(wǎng)絡(luò)，它們把這些數(shù)據(jù)傳送到匯集節(jié)點(diǎn)，匯集節(jié)點(diǎn)再進(jìn)行數(shù)據(jù)處理。在WSN 中每個(gè)簇頭的任務(wù)艱巨，它負(fù)責(zé)數(shù)據(jù)的轉(zhuǎn)發(fā)中轉(zhuǎn)，需要消耗大量的能量，因此簇頭是傳感器網(wǎng)絡(luò)在一定區(qū)域內(nèi)最消耗能量的節(jié)點(diǎn)［11］。

通過(guò)人工蜂群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法，對(duì)簇頭采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮和特征提取，然后再將提取特征性的數(shù)據(jù)送至匯聚節(jié)點(diǎn)，從而達(dá)到緩和匯聚節(jié)點(diǎn)的信息通信量，節(jié)省能量消耗以及提高匯聚節(jié)點(diǎn)收集目標(biāo)信息的準(zhǔn)確率。仿真與經(jīng)典的LEACH 路由算法以及BPGA 算法［12］進(jìn)行性能對(duì)比。

采用網(wǎng)絡(luò)仿真軟件NS-2 仿真工具，利用人工蜂群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的算法，對(duì)物聯(lián)網(wǎng)技術(shù)數(shù)據(jù)融合進(jìn)行仿真測(cè)試，BPABC 算法的優(yōu)越性則主要通過(guò)匯聚節(jié)點(diǎn)接收同種數(shù)據(jù)數(shù)量消耗能量進(jìn)行仿真評(píng)估。如表1 所示仿真實(shí)驗(yàn)的實(shí)驗(yàn)參數(shù)設(shè)置。為了達(dá)到更真實(shí)的反應(yīng)BPABC 算法性能，選取了不同網(wǎng)絡(luò)規(guī)模下的不同節(jié)點(diǎn)密度的網(wǎng)絡(luò)場(chǎng)景，分別為300、350、400、450、500個(gè)傳感節(jié)點(diǎn)，并隨機(jī)分布在一個(gè)100m×100 m 大小的區(qū)域之中，這幾種場(chǎng)景對(duì)無(wú)線傳感器網(wǎng)絡(luò)之?dāng)?shù)據(jù)融合能力具有很直觀的仿真效果。

表1 仿真實(shí)驗(yàn)參數(shù)設(shè)置

為了達(dá)到減少無(wú)線傳感器網(wǎng)絡(luò)隨機(jī)部署影響的目的，在每一個(gè)場(chǎng)景中都讓它生產(chǎn)8 個(gè)相異的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，仿真的結(jié)果去除最后的平均值，同時(shí)和經(jīng)典的LEACH 路由算法進(jìn)行性能比對(duì)。在文獻(xiàn)［12］中，遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)如下所示:權(quán)值參數(shù)a1 =a2 =1，交叉概率0.8，變異概率為0.2 種群規(guī)模為100，最大遺傳代數(shù)50。我們提出的算法與文獻(xiàn)［12］進(jìn)行對(duì)比。為了更準(zhǔn)確公平的表現(xiàn)兩種算法的性能，每個(gè)實(shí)驗(yàn)運(yùn)行60 次，結(jié)果取平均值，仿真結(jié)果如圖7、圖8 和9 所示。

圖7 為人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)BPABC 和經(jīng)典網(wǎng)絡(luò)分層路由LEACH 和BPGA 三種算法的簇頭節(jié)點(diǎn)平均能量消耗隨時(shí)間變化的曲線圖?？梢钥闯霭殡S時(shí)間的推進(jìn)，LEACH 算法比BPABC 算法能耗更高，在無(wú)線傳感器網(wǎng)絡(luò)中BPABC 算法更能體現(xiàn)出它的優(yōu)越性。

圖7 BPABC、BPGA 和LEACH 算法簇頭節(jié)點(diǎn)能耗比較

從圖8 中，我們可以看出在物聯(lián)網(wǎng)多傳感器數(shù)據(jù)傳輸通信系統(tǒng)中，LEACH 和BPGA 算法比BPABC 算法能耗更高。采用BPABC 數(shù)據(jù)融合算法，簇首節(jié)點(diǎn)發(fā)送的數(shù)據(jù)包比其它的簇成員節(jié)點(diǎn)以及LEACH 算法中簇首節(jié)點(diǎn)發(fā)送的數(shù)據(jù)包要小許多，可以有效減少網(wǎng)絡(luò)信息通信量，匯聚節(jié)點(diǎn)接收的數(shù)據(jù)量也隨之下降。

圖8 BPABCBPGA 和LEACH 算法在Sink 能量損耗比較

從圖9 中，我們可以看出在不同的網(wǎng)絡(luò)規(guī)模下，采用BPABC 算法傳感器節(jié)點(diǎn)的平均能耗比LEACH和BPGA 算法要低一些。隨著節(jié)點(diǎn)數(shù)量的增多，采用該算法的平均節(jié)點(diǎn)的能耗慢慢下降，而運(yùn)用LEACH 算法隨著節(jié)點(diǎn)的加大節(jié)點(diǎn)平均消耗也跟著加大，兩種算法的能耗差距也在慢慢擴(kuò)大。

圖9 BPABCBPGA 和LEACH 算法節(jié)點(diǎn)平均損耗比較

5 結(jié)束語(yǔ)

本文首先介紹闡述了物聯(lián)網(wǎng)技術(shù)體系結(jié)構(gòu)以及核心技術(shù)，總結(jié)了數(shù)據(jù)融合處理的一般方法，將人工蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)應(yīng)用到物聯(lián)網(wǎng)數(shù)據(jù)融合中。通過(guò)實(shí)驗(yàn)仿真表明，這種方法可以緩和無(wú)線傳感器網(wǎng)絡(luò)匯集節(jié)點(diǎn)的數(shù)據(jù)信息量，從而降低了匯集節(jié)點(diǎn)的能耗和延長(zhǎng)了網(wǎng)絡(luò)的使用壽命。但是，在物聯(lián)網(wǎng)技術(shù)中，還有很多問(wèn)題未解決，如RFID 系統(tǒng)數(shù)據(jù)傳輸和可讀性、安全性和遠(yuǎn)距離識(shí)別、抗干擾等等技術(shù)。我們相信隨著科學(xué)技術(shù)的發(fā)展，物聯(lián)網(wǎng)技術(shù)必將早日實(shí)現(xiàn)，使我們生活得到極大地改善使我們的生活更加美好。

［1］Miao Yun，Bu Yuxin.Research on the architecture and key technology of Internet of Things applied on smart grid，Advanced Computer theory and Engineering.Beijing，2010(7):69-70.

［2］鄔賀銓. 物聯(lián)網(wǎng)的應(yīng)用與挑戰(zhàn)綜述［J］. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，22(5):526 -531.

［3］楊維劍，王梅英. 無(wú)線網(wǎng)絡(luò)傳感器中超低功耗節(jié)點(diǎn)能源技術(shù)研究［J］. 四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2010(2):44 -46.

［4］Zhu，S. Kwong，Gbest-guided artificial bee colony algorithm for numerical function optimization，Applied Mathematics and Computation，2010，217(7):3166 -3173.

［5］F. Kang，J. Li，Z. Ma，Rosenbrock artificial bee colony algorithm for accurate global optimization of numerical functions，Information Sciences，2011，181(16):508 -3531.

［7］胡中華，趙敏. 基于人工蜂群算法的TSP 仿真［J］. 北京理工大學(xué)學(xué)報(bào)，2009，29(11):978 -982.

［8］孫凌逸，黃先祥，蔡偉，等.基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法［J］.傳感技術(shù)學(xué)報(bào)，2011，24(1):122-124.

［9］趙俊濤，徐四委，高輝. 基于物聯(lián)網(wǎng)的資源映射算法研究［J］. 四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2012(4):44-46.

［10］張揚(yáng)，楊松濤，張香芝，等. 一種模擬退火人工蜂群算法的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究［J］. 計(jì)算機(jī)應(yīng)用研究，2012，29(5):1860 -1862.

［11］張冬悅，徐四委，高輝. 物聯(lián)網(wǎng)中LEACH 算法的研究與改進(jìn)［J］.四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2012(4):37-38.

［12］沈江，王粟，徐曼. 多傳感器動(dòng)態(tài)數(shù)據(jù)融合自適應(yīng)控制系統(tǒng)［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2006(12):48 -49.