基于細(xì)胞膜優(yōu)化算法的WSN分簇協(xié)議研究

覃海生,何傳波,吳文俊,耿茂奎,蔣忠夏

(廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院,南寧530004)

基于細(xì)胞膜優(yōu)化算法的WSN分簇協(xié)議研究

覃海生,何傳波,吳文俊,耿茂奎,蔣忠夏

(廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院,南寧530004)

針對(duì)無(wú)線傳感器網(wǎng)絡(luò)能量受約束的問題,為實(shí)現(xiàn)節(jié)點(diǎn)均衡能耗,平衡網(wǎng)絡(luò)簇頭分布,并最大限度地延長(zhǎng)網(wǎng)絡(luò)壽命,提出一種基于細(xì)胞膜優(yōu)化算法的無(wú)線傳感器網(wǎng)絡(luò)能量均衡分簇協(xié)議。細(xì)胞膜優(yōu)化算法具有良好的全局尋優(yōu)和快速收斂能力,通過濃度與能量因素對(duì)節(jié)點(diǎn)進(jìn)行劃分,并結(jié)合距離因素完成全局均衡分簇,能夠解決傳感器網(wǎng)絡(luò)中簇頭分布不均勻、全局能耗不均衡等問題。實(shí)驗(yàn)結(jié)果表明,該協(xié)議具有對(duì)無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行快速全局均衡分簇的能力,且與LEACH算法和LEAH-C算法相比,在均衡節(jié)點(diǎn)能耗和延長(zhǎng)網(wǎng)絡(luò)生存周期等方面具有更好的性能。

無(wú)線傳感器網(wǎng)絡(luò);均衡能耗;細(xì)胞膜優(yōu)化算法;LEACH算法;LEACH-C算法

1 概述

無(wú)線傳感器網(wǎng)絡(luò)［1］(Wireless Sensor Network, WSN)通過傳感器節(jié)點(diǎn)感知、收集各種信息,并對(duì)其進(jìn)行分析處理,從而實(shí)現(xiàn)遠(yuǎn)程目標(biāo)監(jiān)控,是集信息采集、信息處理、信息傳輸于一體的綜合智能信息系統(tǒng)。由于節(jié)點(diǎn)多部署于無(wú)人看守區(qū)域,而且網(wǎng)絡(luò)節(jié)點(diǎn)的能量、計(jì)算能力與存儲(chǔ)能力都十分有限,特別是能量的限制,決定了網(wǎng)絡(luò)的壽命。利用分簇的層次路由［2］已經(jīng)被證明在無(wú)線傳感網(wǎng)絡(luò)的擴(kuò)展性、節(jié)點(diǎn)平衡能耗與網(wǎng)絡(luò)整體壽命的延長(zhǎng)等方面有很好的優(yōu)勢(shì)。

LEACH［3］(Low-energy Adaptive Clustering Hierarchy)算法是最早提出的應(yīng)用于無(wú)線傳感網(wǎng)絡(luò)的層次路由算法。LEACH-C［4］(LEACH-Centralized)是一種集中式的簇頭選擇算法,將節(jié)點(diǎn)當(dāng)前能量作為簇頭選取的條件,在高于全網(wǎng)平均能量的節(jié)點(diǎn)中尋找最佳的分簇方案、最小化的通信能量消耗。近年來(lái),隨著對(duì)群智能優(yōu)化算法的深入研究,結(jié)合群智能算法具有較好的自適應(yīng)性、魯棒性強(qiáng)和可擴(kuò)展性等特點(diǎn),對(duì)基于群智能優(yōu)化算法的無(wú)線傳感器網(wǎng)絡(luò)分簇路由算法的研究也取得了較大的成果。文獻(xiàn)［5］提出了基于動(dòng)態(tài)人工魚群優(yōu)化的WSN分簇算法。文獻(xiàn)［6-7］分別提出了在節(jié)點(diǎn)群智能算法上改進(jìn)的無(wú)線傳感器網(wǎng)絡(luò)分簇算法。文獻(xiàn)［8-9］提出基于蟻群算法的對(duì)WSN分簇路由進(jìn)行改進(jìn)的算法。文獻(xiàn)［10］在人體血管網(wǎng)絡(luò)特性引入到無(wú)線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和分簇模式研究的基礎(chǔ)上進(jìn)行了無(wú)線傳感器網(wǎng)絡(luò)非均勻等級(jí)分簇拓?fù)浣Y(jié)構(gòu)的研究。細(xì)胞膜優(yōu)化［11］(Cell Membrane Optimization,CMO)算法通過研究細(xì)胞膜的特性及其物質(zhì)轉(zhuǎn)運(yùn)方式,從中進(jìn)行提取優(yōu)化模型,并結(jié)合全局優(yōu)化算法的基本思想,提出了一種新型的全局優(yōu)化算法,該算法具有很好的全局尋優(yōu)能力、快速的收斂能力和獲取高精度解的能力。本文根據(jù)細(xì)胞膜優(yōu)化算法的思想,提出了一種基于細(xì)胞膜優(yōu)化算法的無(wú)線傳感網(wǎng)絡(luò)分簇協(xié)議。

2 基于細(xì)胞膜優(yōu)化算法的分簇協(xié)議思想

2.1 細(xì)胞膜優(yōu)化算法思想

細(xì)胞膜優(yōu)化算法是通過研究細(xì)胞膜的特性及其物質(zhì)轉(zhuǎn)運(yùn)方式,從中進(jìn)行提取優(yōu)化模型,并結(jié)合全局優(yōu)化算法的基本思想而提出的一種新型全局優(yōu)化算法。細(xì)胞膜(Cell Membrane,CM)是細(xì)胞表面的一層薄膜。它是保證細(xì)胞內(nèi)環(huán)境相對(duì)穩(wěn)定的屏障,使細(xì)胞的各種活動(dòng)能夠有序地運(yùn)行。物質(zhì)轉(zhuǎn)運(yùn)方式主要有自由擴(kuò)散、協(xié)助擴(kuò)散、主動(dòng)運(yùn)輸、入胞和出胞等,前3種方式是重點(diǎn)研究的。脂溶性物質(zhì)由膜的高濃度側(cè)向低濃度側(cè)的擴(kuò)散過程稱為自由擴(kuò)散。非脂溶性物質(zhì)在膜蛋白(即載體)的幫助下,順濃度差跨膜擴(kuò)散的程稱為協(xié)助擴(kuò)散。離子或小分子物質(zhì)在膜上“泵”的作用下,被逆濃度差的跨膜轉(zhuǎn)運(yùn)過程,稱為主動(dòng)運(yùn)輸。自由擴(kuò)散不需要載體也不需要能量,協(xié)助擴(kuò)散只需要載體不需要能量,主動(dòng)運(yùn)輸既需要載體也需要能量［12］。

根據(jù)細(xì)胞膜轉(zhuǎn)運(yùn)物質(zhì)的過程,把物質(zhì)分為3種:高濃度脂溶性物質(zhì),高濃度非脂溶性物質(zhì)和低濃度物質(zhì)。在最優(yōu)化問題時(shí),根據(jù)物質(zhì)的濃度因子大小劃分為高濃度物質(zhì)群和低濃度物質(zhì)群,接著再把高濃度物質(zhì)群進(jìn)一步劃分為高濃度脂溶性物質(zhì)和高濃度非脂溶性物質(zhì)2個(gè)子物質(zhì)群。

2.2 優(yōu)化協(xié)議分簇流程

基于細(xì)胞膜優(yōu)化算法的一次分簇協(xié)議思想包括以下7個(gè)步驟:參數(shù)的設(shè)定和初始化,節(jié)點(diǎn)劃分,脂溶性節(jié)點(diǎn)的運(yùn)動(dòng),高濃度非脂溶性節(jié)點(diǎn)運(yùn)動(dòng),低濃度節(jié)點(diǎn)運(yùn)動(dòng),當(dāng)前最優(yōu)節(jié)點(diǎn)循環(huán)運(yùn)動(dòng)和節(jié)點(diǎn)的更新。協(xié)議流程見圖1。

圖1 優(yōu)化協(xié)議流程

由協(xié)議可知,在每次循環(huán)結(jié)束后才對(duì)各節(jié)點(diǎn)群進(jìn)行更新,算法結(jié)束的條件是滿足最優(yōu)條件或者達(dá)到最大循環(huán)次數(shù)。

3 基于CMO的分簇協(xié)議

3.1 參數(shù)設(shè)定與節(jié)點(diǎn)初始化

把無(wú)線傳感網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)都抽象成算法中的節(jié)點(diǎn),有n個(gè)節(jié)點(diǎn)則節(jié)點(diǎn)總數(shù)量為n;每次選擇簇頭的最大迭代次數(shù)為Gmax;計(jì)算節(jié)點(diǎn)濃度采用的半徑系數(shù)為r;當(dāng)前最優(yōu)節(jié)點(diǎn)停止搜索的臨界值pa;搜索半徑的收縮率為pb。

在無(wú)線傳感網(wǎng)絡(luò)中隨機(jī)部署n個(gè)節(jié)點(diǎn),根據(jù)半徑系數(shù)r計(jì)算每個(gè)節(jié)點(diǎn)半徑內(nèi)生存節(jié)點(diǎn)的濃度con。如節(jié)點(diǎn)i的濃度con定義為:其半徑內(nèi)包含的所有有效節(jié)點(diǎn)到i節(jié)點(diǎn)的距離總和除以總節(jié)點(diǎn)數(shù)n乘以半徑的比值,即:

e為每個(gè)節(jié)點(diǎn)的能量與網(wǎng)絡(luò)平均能量的比值。每個(gè)節(jié)點(diǎn)因子值(p)由節(jié)點(diǎn)的濃度con與節(jié)點(diǎn)能量比值e確定,即p=a·con+b·e,其中,a+b=1且a,b都大于0。引入載體因子來(lái)調(diào)節(jié)節(jié)點(diǎn)運(yùn)動(dòng)的軌跡。每個(gè)節(jié)點(diǎn)的載體因子ε定義為:在2倍搜索半徑(2r)內(nèi)所有有效節(jié)點(diǎn)到本節(jié)點(diǎn)距離的倒數(shù)和與總節(jié)點(diǎn)數(shù)n的比值。如式(2)所示:

ε為平均距離參數(shù),ε大則半徑內(nèi)的節(jié)點(diǎn)到本節(jié)點(diǎn)距離和較小,反之則較大。

3.2 節(jié)點(diǎn)的劃分

在n個(gè)節(jié)點(diǎn)中,按照因子值(p)的大小進(jìn)行排序,根據(jù)表1的比例來(lái)劃分節(jié)點(diǎn)。

表1 節(jié)點(diǎn)劃分方式

按照表1的方式劃分出3種節(jié)點(diǎn)群,其中,X代表分配比例。最優(yōu)解要通過多次迭代才能出現(xiàn),所以不同的分配比例不會(huì)對(duì)每輪簇頭數(shù)量與最優(yōu)解產(chǎn)生太大的影響。不過偏低或過高的X都會(huì)導(dǎo)致3種節(jié)點(diǎn)群比例差距大、3種節(jié)點(diǎn)群間抖動(dòng)頻繁,延長(zhǎng)最優(yōu)解的迭代次數(shù)和3種節(jié)點(diǎn)群數(shù)穩(wěn)定不變的迭代次數(shù),增加計(jì)算量。綜合考慮在實(shí)驗(yàn)中采用X為15%～20%的比例。

3.3 脂溶性節(jié)點(diǎn)的運(yùn)動(dòng)

每個(gè)高濃度脂溶性節(jié)點(diǎn),如i節(jié)點(diǎn),若半徑范圍內(nèi)有低濃度節(jié)點(diǎn)群L或高濃度非脂溶性節(jié)點(diǎn)群HF的節(jié)點(diǎn),保持脂溶性節(jié)點(diǎn)不變,并選擇距離自己最近的一個(gè)節(jié)點(diǎn)作為自己的臨時(shí)最優(yōu)簇頭。若在節(jié)點(diǎn)搜索半徑內(nèi)沒有非脂溶性節(jié)點(diǎn)或低濃度節(jié)點(diǎn)時(shí),節(jié)點(diǎn)根據(jù)自身的能量選擇概率性擴(kuò)散成為非脂溶性節(jié)點(diǎn)或保持不變。

3.4 高濃度非脂溶性節(jié)點(diǎn)的運(yùn)動(dòng)

高濃度非脂溶性節(jié)點(diǎn)在搜索半徑內(nèi)與所有低濃度節(jié)點(diǎn)比較載體因子(ε),若存在ε大于某個(gè)低濃度節(jié)點(diǎn)則運(yùn)動(dòng)成低濃度節(jié)點(diǎn),否則向半徑內(nèi)的L群節(jié)點(diǎn)中選擇一個(gè)最優(yōu)節(jié)點(diǎn),然后向其擴(kuò)散,成為脂溶性節(jié)點(diǎn)。

若搜索半徑內(nèi)沒有低濃度節(jié)點(diǎn),則與半徑距離內(nèi)所有非脂溶性節(jié)點(diǎn)的ε比較,若自己最大則執(zhí)行運(yùn)輸成為低濃度節(jié)點(diǎn)。否則保持非脂溶性節(jié)點(diǎn)不變。

高濃度非脂溶性節(jié)點(diǎn)運(yùn)動(dòng)存在2種類型的運(yùn)動(dòng)形式,一種是向低濃度節(jié)點(diǎn)方向的協(xié)助擴(kuò)散運(yùn)動(dòng),另一種是向當(dāng)前全局最優(yōu)節(jié)點(diǎn)方向的運(yùn)動(dòng)。

3.5 低濃度節(jié)點(diǎn)的運(yùn)動(dòng)

對(duì)于低濃度節(jié)點(diǎn),先判斷其能量是否滿足條件,若其不滿足大于平均能量的條件,直接變成脂溶性節(jié)點(diǎn),并在半徑內(nèi)尋找最優(yōu)L群和HF群節(jié)點(diǎn)作為自己的臨時(shí)最優(yōu)簇頭。

對(duì)于滿足能量條件的節(jié)點(diǎn),算法同樣引入載體因子,進(jìn)一步對(duì)低濃度節(jié)點(diǎn)的運(yùn)動(dòng)形式進(jìn)行限制。接著判斷其是否滿足ε條件,如是否滿足在半徑距離內(nèi)所有低濃度節(jié)點(diǎn)中ε最優(yōu),若滿足則依舊保留為低濃度節(jié)點(diǎn),否則運(yùn)動(dòng)為高濃度非脂溶性節(jié)點(diǎn)。

低濃度節(jié)點(diǎn)運(yùn)動(dòng)存在3種類型的運(yùn)動(dòng)形式:第1種是節(jié)點(diǎn)在搜索域的隨機(jī)運(yùn)動(dòng)成為脂溶性節(jié)點(diǎn);第2種是向高濃度節(jié)點(diǎn)方向運(yùn)動(dòng)的主動(dòng)運(yùn)輸成為高濃度非脂溶性節(jié)點(diǎn);第3種是向當(dāng)前全局最優(yōu)節(jié)點(diǎn)方向的運(yùn)動(dòng)并保持低濃度節(jié)點(diǎn)的性質(zhì)。

3.6 當(dāng)前最優(yōu)節(jié)點(diǎn)的循環(huán)運(yùn)動(dòng)

在優(yōu)質(zhì)節(jié)點(diǎn)附近往往會(huì)存在更優(yōu)的節(jié)點(diǎn),這樣不僅充分發(fā)掘當(dāng)前最優(yōu)節(jié)點(diǎn)鄰域內(nèi)的節(jié)點(diǎn)空間,有利于種群的進(jìn)化,更是對(duì)提高節(jié)點(diǎn)的精度有著重要的意義。

以低濃度節(jié)點(diǎn)作為當(dāng)前最優(yōu)節(jié)點(diǎn)并以其為中心,以半徑R進(jìn)行搜索,R為:

其中,r為半徑系數(shù),以pb=0.8的收縮速率進(jìn)行。在半徑小于等于pa時(shí)退出搜索。在搜索過程中若存在全局最優(yōu)解半徑和全局最優(yōu)分簇,則接收這個(gè)解空間。在全局解空間中保存這個(gè)解和解半徑。

主要思想是:在半徑為2r開始比較簇頭間的成簇能耗,隨機(jī)試探性地在收縮半徑內(nèi)把多個(gè)簇進(jìn)行合并,如果合并后的總能量消耗小于合并前的總能量消耗的90%以上,則把多個(gè)簇合并成一個(gè)簇,減少全局的能量消耗。合并會(huì)導(dǎo)致簇成員增加,所以選擇出主從簇頭,合并后的最優(yōu)主簇頭負(fù)責(zé)收集簇內(nèi)成員的信息并融合,在多個(gè)簇中選擇一個(gè)從簇頭擔(dān)任和基站的聯(lián)系,這樣會(huì)大大減少全局能量消耗。如果此時(shí)的全局解優(yōu)于前面的全局最優(yōu)解,則接受這個(gè)解并保存到全局最優(yōu)解與最優(yōu)半徑中。繼續(xù)循環(huán)直至到達(dá)退出條件。在全部循環(huán)結(jié)束以后會(huì)產(chǎn)生本次循環(huán)的最優(yōu)分簇和最優(yōu)半徑。在最大循環(huán)次數(shù)的時(shí)候輸出全局最優(yōu)分簇和最優(yōu)半徑。

3.7 節(jié)點(diǎn)更新

在更新節(jié)點(diǎn)步驟中,把新的當(dāng)前最優(yōu)解和解半徑與原來(lái)的比較,若當(dāng)前最優(yōu)則替換原來(lái)最優(yōu)解與解半徑,計(jì)數(shù)器重置為0;否則保留原最優(yōu)解與解半徑,計(jì)數(shù)器加1。由新的3種節(jié)點(diǎn)群替換原來(lái)各自舊的節(jié)點(diǎn)群。要注意的是,所有節(jié)點(diǎn)只有在節(jié)點(diǎn)更新步驟才能進(jìn)行更新節(jié)點(diǎn),這是為了保證前面節(jié)點(diǎn)運(yùn)動(dòng)的并行性,也就是說(shuō),當(dāng)代節(jié)點(diǎn)的產(chǎn)生只與上一代的節(jié)點(diǎn)有關(guān),不與當(dāng)代其他任何節(jié)點(diǎn)的變化有關(guān)。例如,在高濃度脂溶性節(jié)點(diǎn)運(yùn)動(dòng)的步驟中,高濃度脂溶性節(jié)點(diǎn)的運(yùn)動(dòng)需要低濃度節(jié)點(diǎn)和非脂溶性節(jié)點(diǎn)的參與,也可能產(chǎn)生非脂溶性節(jié)點(diǎn)。而在低濃度節(jié)點(diǎn)的運(yùn)動(dòng)中,也會(huì)產(chǎn)生脂溶性節(jié)點(diǎn)和非脂溶性節(jié)點(diǎn),它們之間存在著交叉依賴關(guān)系。若采用時(shí)時(shí)更新,那么節(jié)點(diǎn)運(yùn)動(dòng)步驟出現(xiàn)的先后順序?qū)⒂绊戇M(jìn)化的結(jié)果,同時(shí)也不利于算法的并行實(shí)現(xiàn)。

3.8 協(xié)議結(jié)束條件

在每次循環(huán)結(jié)束后都判斷計(jì)數(shù)器的值是否大于3(實(shí)驗(yàn)統(tǒng)計(jì)3次以后還會(huì)產(chǎn)生可替代最優(yōu)解的概率不到5%),大于3則認(rèn)為滿足最優(yōu)解條件或達(dá)到最大迭代次數(shù)Gmax(根據(jù)每個(gè)實(shí)驗(yàn)環(huán)境測(cè)試決定),如果沒有滿足最優(yōu)條件或未達(dá)到最大循環(huán)次數(shù)則轉(zhuǎn)到3.3節(jié)的步驟繼續(xù)執(zhí)行。否則結(jié)束本輪簇頭選擇,輸出本輪選擇出的最優(yōu)解和解半徑,作為本輪分簇的最優(yōu)分簇,并按這個(gè)解進(jìn)行分簇。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)定

為了測(cè)試基于CMO算法的分簇協(xié)議的性能,本文算法的仿真測(cè)試在處理器為英特爾G530、內(nèi)存2 GB的PC上,基于Matlab R2009a的環(huán)境模擬實(shí)現(xiàn)。仿真參數(shù)設(shè)置如下:在［200,200］m區(qū)域內(nèi)隨機(jī)部署200個(gè)節(jié)點(diǎn),Sink的初始位置在(0,0)m。半徑系數(shù)r=40 m,節(jié)點(diǎn)的初始能量都為1 J。本文實(shí)驗(yàn)中所有輪數(shù)都是一次分簇包括5次數(shù)據(jù)傳送。

4.2 結(jié)果分析

圖2是本文算法的一次簇頭分布,其中,星號(hào)表示簇頭;圈表示普通節(jié)點(diǎn)。由圖2可以看出,該算法在簇頭節(jié)點(diǎn)的分布上相對(duì)比較均勻,這樣有利于全局能耗的均衡。

圖2 仿真模擬節(jié)點(diǎn)分布

為了解不同半徑對(duì)本文協(xié)議的影響情況,實(shí)驗(yàn)對(duì)不同半徑下的網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)進(jìn)行了比較。

根據(jù)圖3的實(shí)驗(yàn)結(jié)果表明,不同半徑對(duì)網(wǎng)絡(luò)的壽命還是有比較大的影響,因而在實(shí)際應(yīng)用中針對(duì)實(shí)際的網(wǎng)絡(luò)情況,通過比較選擇出一個(gè)比較適合的半徑也相當(dāng)重要。在本文實(shí)驗(yàn)中半徑在30 m左右取得比較好的使用壽命。

圖3 本文協(xié)議在不同半徑下的存活節(jié)點(diǎn)數(shù)比較

圖4和圖5分別給出了不同半徑下每輪的簇頭數(shù)。根據(jù)比較可以看出,在半徑為30 m時(shí),大部分時(shí)候簇頭數(shù)目穩(wěn)定在12個(gè)～18個(gè),簇頭數(shù)占總節(jié)點(diǎn)數(shù)0.6%～1%。但是半徑為40的時(shí)候簇頭數(shù)波動(dòng)比較大,簇頭數(shù)目相對(duì)于30 m時(shí)少了2個(gè) ～3個(gè)。2個(gè)簇頭數(shù)的比較:在半徑為30 m的簇頭數(shù)在300多輪的時(shí)候還保持了相對(duì)的穩(wěn)定,而半徑為40 m的時(shí)候,簇頭數(shù)在200多輪的時(shí)候開始出現(xiàn)下滑趨勢(shì),表明了網(wǎng)絡(luò)中開始出現(xiàn)死亡節(jié)點(diǎn),也體現(xiàn)出半徑為30 m時(shí)能更好地延長(zhǎng)整個(gè)網(wǎng)絡(luò)的壽命。

圖4 半徑為30 m的簇頭數(shù)目

圖5 半徑為40 m的簇頭數(shù)目

針對(duì)不同網(wǎng)絡(luò)節(jié)點(diǎn)分布情況下最優(yōu)簇頭出現(xiàn)的迭代次數(shù)進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn),最優(yōu)的迭代次數(shù)多為6次～9次,而算法中3種節(jié)點(diǎn)穩(wěn)定不變的迭代次數(shù)為10次～14次,表明了在產(chǎn)生最優(yōu)解的時(shí)候3種節(jié)點(diǎn)還沒有穩(wěn)定,而在隨后的迭代中沒有產(chǎn)生更優(yōu)的解。在這一方面還要做進(jìn)一步的研究,以使算法在節(jié)點(diǎn)群沒有穩(wěn)定的時(shí)候產(chǎn)生更優(yōu)解或者在節(jié)點(diǎn)群穩(wěn)定的時(shí)候才應(yīng)該產(chǎn)生最優(yōu)解。

經(jīng)過300次節(jié)點(diǎn)隨機(jī)分布進(jìn)行實(shí)驗(yàn)統(tǒng)計(jì),圖6給出本文協(xié)議、LEACH算法和LEACH-C算法每輪節(jié)點(diǎn)存活數(shù)的比較,大部分LEACH算法第1個(gè)節(jié)點(diǎn)死亡的輪數(shù)是105輪左右,LEACH-C算法第1個(gè)節(jié)點(diǎn)死亡的輪數(shù)是176輪左右,而本文算法的第1個(gè)節(jié)點(diǎn)死亡集中在300輪左右,很好地延長(zhǎng)了第1個(gè)節(jié)點(diǎn)的死亡時(shí)間。在網(wǎng)絡(luò)覆蓋上,LEACH算法和LEACH-C算法網(wǎng)絡(luò)的節(jié)點(diǎn)死亡都是在遠(yuǎn)離基站的節(jié)點(diǎn)先死亡,導(dǎo)致在網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目下降的時(shí)候出現(xiàn)了覆蓋漏洞,而本文算法的節(jié)點(diǎn)死亡是隨機(jī)分布的,所以在較多的節(jié)點(diǎn)死亡情況下還能保持較好的覆蓋率。根據(jù)圖6也可以看出本文算法在網(wǎng)絡(luò)的整體壽命上也有較好的表現(xiàn),延長(zhǎng)了網(wǎng)絡(luò)壽命。

圖6 算法仿真比較

5 結(jié)束語(yǔ)

本文通過分析細(xì)胞膜算法的特點(diǎn)并與無(wú)線網(wǎng)絡(luò)分簇機(jī)制相結(jié)合,提出了一種基于細(xì)胞膜算法的無(wú)線傳感網(wǎng)絡(luò)分簇協(xié)議,對(duì)網(wǎng)絡(luò)分簇與全局能耗進(jìn)行優(yōu)化。協(xié)議通過節(jié)點(diǎn)的覆蓋率和剩余能量作為因子,利用細(xì)胞膜算法的全局尋優(yōu)能力,在全局范圍中進(jìn)行最優(yōu)的分簇和簇內(nèi)最低能耗的簇頭選擇方式,克服了網(wǎng)絡(luò)簇頭分布不均衡、各分簇能量消耗不平衡、總體網(wǎng)絡(luò)能耗達(dá)不到最優(yōu)等問題。

通過實(shí)驗(yàn)證明,基于細(xì)胞膜算法的分簇協(xié)議不僅均衡了全局網(wǎng)絡(luò)節(jié)點(diǎn)的能耗,還快速地對(duì)網(wǎng)絡(luò)進(jìn)行全局分簇,降低網(wǎng)絡(luò)的總體能耗,延長(zhǎng)了網(wǎng)絡(luò)的壽命。但是其在分簇過程中沒有考慮消息的路由傳送,今后將進(jìn)一步優(yōu)化分簇協(xié)議,研究節(jié)點(diǎn)跳數(shù)與最優(yōu)路徑間的關(guān)系。

［1］ 鄔春學(xué),肖 麗.基于蟻群算法的低能耗LEACH協(xié)議分析［J］.上海理工大學(xué)學(xué)報(bào),2010,32(1):99-102.

［2］ 閆效鶯,程國(guó)建,孫 濤.一種能耗均衡的WSN分簇路由算法［J］.計(jì)算機(jī)工程,2012,38(14):79-81.

［3］ Heinzelman W,Chandrakasan A,Balakrishnan H.An Application-specific Protocol Architecture for Wireless MicrosensorNetworks［J］.IEEE Transactionson Wireless Communications,2002,1(4):660-670.

［4］ Siva D M G,Ma D C F.A Centralized Energy Efficient Routing Protocol for Wireless Sensor Networks［J］.IEEE Radio Communications,2005,43(3):8-13.

［5］ 劉向東,宋 欣,王翠榮.基于動(dòng)態(tài)人工魚群優(yōu)化的WSN分簇算法［J］.微電子學(xué)與計(jì)算機(jī),2011,28(8): 43-46.

［6］ 范興剛,侯佳斌,介 靖,等.基于DPSO的智能WSN分簇路由算法［J］.傳感技術(shù)學(xué)報(bào),2011,24(4): 593-600.

［7］ 李洪兵,余成波,閆俊輝,等.基于改進(jìn)節(jié)點(diǎn)群聚類的無(wú)線傳感網(wǎng)絡(luò)能量均衡分簇策略［J］.計(jì)算機(jī)應(yīng)用研究,2011,28(2):657-660.

［8］ 廖明華,張 華,謝健全.基于蟻群算法的WSN能量預(yù)測(cè)路由協(xié)議［J］.計(jì)算機(jī)工程,2012,38(3):88-90.

［9］ 蘇 兵,黃 娟.一種基于蟻群算法的WSN能效均衡路由［J］.微電子學(xué)與計(jì)算機(jī),2012,29(11):50-52.

［10］ 李洪兵,熊慶宇,石為人.無(wú)線傳感器網(wǎng)絡(luò)非均勻等級(jí)分簇拓?fù)浣Y(jié)構(gòu)研究［J］.計(jì)算機(jī)科學(xué),2013,40(2): 49-52.

［11］ 譚世恒,余衛(wèi)宇.一種新型的全局優(yōu)化算法——細(xì)胞膜優(yōu)化算法［J］.計(jì)算機(jī)應(yīng)用研究,2011,28(2): 455-457.

［12］ 譚世恒.一種新型的群智能優(yōu)化算法——細(xì)胞膜優(yōu)化算法及其應(yīng)用［D］.廣州:華南理工大學(xué),2011.

編輯 任吉慧

Research on Clustering Protocol of WSN Based on Cell Membrane Optimization Algorithm

QIN Haisheng,HE Chuanbo,WU Wenjun,GENG Maokui,JIANG Zhongxia
(College of Computer and Electronic Information,Guangxi University,Nanning 530004,China)

Aiming at energy constrained problems in Wireless Sensor Network(WSN),in order to achieve a balanced energy consumption of nodes,balance cluster heads distribution,and maximize the network lifetime,this paper proposes a WSN energy balanced clustering protocol which is based on the Cell Membrane Optimization(CMO)algorithms.The CMO algorithm has good ability of global optimization,and fast convergence capability.The new clustering protocol divides the nodes through concentration and energy factors.Combined with the distance factor for global clustering balance,it can be a good solution to the uneven distribution for cluster head,imbalanced global energy and other issues.Experiments show that the protocol has the capability of balanced global clustering quickly.Compared with LEACH algorithm and LEACH-C algorithm,it has better performance in terms of balancing power consumption and prolonging the network lifetime.

Wireless Sensor Network(WSN);balanced energy consumption;Cell Membrane Optimization(CMO) algorithm;LEACH algorithm;LEACH-C algorithm

1000-3428(2014)11-0092-05

A

TP393

10.3969/j.issn.1000-3428.2014.11.018

國(guó)家自然科學(xué)基金資助項(xiàng)目(61262072)。

覃海生(1956-),男,教授,主研方向:網(wǎng)絡(luò)與信息安全;何傳波、吳文俊、耿茂奎、蔣忠夏,碩士研究生。

2013-09-27

2014-01-02E-mail:hechuanbo40701@126.com

中文引用格式:覃海生,何傳波,吳文俊,等.基于細(xì)胞膜優(yōu)化算法的WSN分簇協(xié)議研究［J］.計(jì)算機(jī)工程,2014, 40(11):92-96.

英文引用格式:Qin Haisheng,He Chuanbo,Wu Wenjun,et al.Research on Clustering Protocol of WSN Based on Cell Membrane Optimization Algorithm［J］.Computer Engineering,2014,40(11):92-96.