基于地理位置的HEED非均勻分簇算法

渠帥軍，　呂紅芳，　趙　靜

(上海電機(jī)學(xué)院 電氣學(xué)院, 上海 201306)

?

基于地理位置的HEED非均勻分簇算法

渠帥軍，呂紅芳，趙靜

(上海電機(jī)學(xué)院 電氣學(xué)院, 上海 201306)

摘要HEED-M分簇算法中，簇首節(jié)點(diǎn)與匯聚節(jié)點(diǎn)采用多跳路由的方式進(jìn)行通信，距匯聚節(jié)點(diǎn)越近的節(jié)點(diǎn)越容易過(guò)早地耗盡能量而失效。針對(duì)上述問(wèn)題，提出基于地理位置的HEED非均勻分簇路由算法(LHEED)，根據(jù)簇首節(jié)點(diǎn)距離匯聚節(jié)點(diǎn)的距離動(dòng)態(tài)地調(diào)整簇半徑的大小。使距匯聚節(jié)點(diǎn)近的簇首簇半徑較小，距匯聚節(jié)點(diǎn)遠(yuǎn)的簇首簇半徑較大，從而有效地均衡網(wǎng)絡(luò)的能量消耗。仿真結(jié)果表明，該算法可有效延長(zhǎng)網(wǎng)絡(luò)的壽命。

關(guān)鍵詞地理位置; HEED; 非均勻分簇; 簇半徑

無(wú)線傳感網(wǎng)絡(luò)(Wireless Sensor Network, WSN)是由分布在被監(jiān)測(cè)區(qū)域內(nèi)的大量廉價(jià)的傳感器節(jié)點(diǎn)以自組織的形式構(gòu)成的網(wǎng)絡(luò)。設(shè)計(jì)能量高效的路由協(xié)議是WSN路由協(xié)議設(shè)計(jì)中需要重點(diǎn)考慮的一個(gè)問(wèn)題[1]。目前，在WSN路由協(xié)議研究領(lǐng)域中主要采用分簇的方法來(lái)解決這一問(wèn)題[2]，其基本思想是將WSN劃分為多個(gè)簇的結(jié)構(gòu)，由簇首節(jié)點(diǎn)負(fù)責(zé)搜集簇內(nèi)成員節(jié)點(diǎn)采集的數(shù)據(jù)，并進(jìn)行數(shù)據(jù)聚合處理，然后，簇首節(jié)點(diǎn)間通過(guò)協(xié)作的方式將融合后的數(shù)據(jù)傳送回sink節(jié)點(diǎn)。

針對(duì)分簇路由算法，國(guó)內(nèi)外學(xué)者進(jìn)行了許多研究。LEACH(Low Energy Adaptive Clustering Hierarchy)協(xié)議[3]是第一個(gè)提出數(shù)據(jù)聚合的分簇路由協(xié)議。在LEACH協(xié)議中，由于簇首是隨機(jī)選擇的，故簇首節(jié)點(diǎn)的分布是不均勻的。HEED(Hybrid, Energy-Efficient Distributed Clustering)[4]算法針對(duì)此問(wèn)題進(jìn)行了改進(jìn)，產(chǎn)生了分布均勻的簇首，以均衡全網(wǎng)能耗。但是，HEED算法也存在一些問(wèn)題，目前許多文獻(xiàn)對(duì)HEED算法進(jìn)行了改進(jìn)。文獻(xiàn)[5]中針對(duì)HEED協(xié)議中簇首與基站直接通信能量消耗過(guò)大的問(wèn)題，根據(jù)能耗模型與網(wǎng)絡(luò)模型提出了一種基于HEED的簇首多跳融合路由算法(HEED-M)，在簇首與基站之間采用多跳路由的方式通信。文獻(xiàn)[6]中提出了一種A-HEED算法，降低了各節(jié)點(diǎn)間廣播通信的能耗。文獻(xiàn)[7]中提出了一種基于HEED的多層分簇路由算法，在網(wǎng)絡(luò)拓?fù)涞牡讓訕?gòu)建了多個(gè)簇首節(jié)點(diǎn)的簇集合，在拓?fù)涞捻攲訕?gòu)建了多跳轉(zhuǎn)發(fā)機(jī)制。文獻(xiàn)[8]中提出了HEED-CHEE分簇算法，對(duì)于“孤兒”節(jié)點(diǎn)和“孤立”簇首節(jié)點(diǎn)，采用最優(yōu)鄰居中繼入簇策略加入鄰近簇，從而減少了簇首數(shù)目和簇首節(jié)點(diǎn)間的通信開銷。文獻(xiàn)[9]中使用非均勻分簇機(jī)制，計(jì)算得出最優(yōu)簇半徑并設(shè)定了上、下限，使得網(wǎng)絡(luò)中的節(jié)點(diǎn)分簇更合理。

上述對(duì)HEED分簇算法的改進(jìn)，都是改變簇首與sink節(jié)點(diǎn)的通信方式，并沒(méi)有考慮內(nèi)層節(jié)點(diǎn)能量消耗過(guò)多這一問(wèn)題。本文將非均勻分簇的思想[10]運(yùn)用到HEED分簇算法中，研究了一種基于地理位置的HEED非均勻分簇算法(The HEED Non-uniform Clustering Algorithm Based on Geographic Loction, LHEED)分簇算法。該算法根據(jù)簇首節(jié)點(diǎn)與匯聚節(jié)點(diǎn)的距離動(dòng)態(tài)地調(diào)整簇半徑的大小，即距匯聚節(jié)點(diǎn)近的簇首，簇半徑較小，距匯聚節(jié)點(diǎn)遠(yuǎn)的簇首，簇半徑較大，從而均衡網(wǎng)絡(luò)的能量消耗，同時(shí)在簇間通信中引入了簇首通信代價(jià)函數(shù)，從而有效地延長(zhǎng)了網(wǎng)絡(luò)的壽命。

1能耗模型

1.1能耗模型

WSN中的節(jié)點(diǎn)在通信過(guò)程中的能耗模型采用自由空間模型和多路徑衰減模型[11]，如圖1所示。圖中，Eelec為電路處理單位比特?cái)?shù)據(jù)消耗的能量，Eamp為放大器的系數(shù)；d為發(fā)送器與接收器之間的距離；ETx、ERx分別為發(fā)送和接收單位比特?cái)?shù)據(jù)所消耗的能量；n=2或n=4。

圖1　WSN的能耗模型Fig.1　Energy consumption model of wireless sensor network

在WSN模型中，有

(1)

由式(1)可見，WSN節(jié)點(diǎn)發(fā)送的能耗隨著發(fā)送距離的增加而迅速增多。在HEED算法中，簇首的選擇主要依據(jù)主、次兩個(gè)參數(shù)[12]，其中主參數(shù)依賴于剩余能量，具有較多剩余能量的節(jié)點(diǎn)成為臨時(shí)簇首的概率更大，次參數(shù)為簇內(nèi)平均可達(dá)能量[4](Average Miximum Reachability Power, AMRP)。

(2)

式中，M為簇內(nèi)節(jié)點(diǎn)個(gè)數(shù)；Pri為節(jié)點(diǎn)與簇首節(jié)點(diǎn)間通信能耗。

由于簇首節(jié)點(diǎn)與sink節(jié)點(diǎn)直接通信，故距離sink節(jié)點(diǎn)遠(yuǎn)的簇首發(fā)送的能耗遠(yuǎn)大于距離sink節(jié)點(diǎn)近的簇首發(fā)送的能耗，從而造成距離遠(yuǎn)的簇首能量過(guò)早耗盡而死亡。在文獻(xiàn)[5]中提出的HEED-M分簇算法針對(duì)這一問(wèn)題進(jìn)行了改進(jìn)。該算法與HEED算法的唯一區(qū)別就是后者采用單跳的方式與sink節(jié)點(diǎn)通信，而前者采用多跳路由的方式與sink節(jié)點(diǎn)通信[13]，如圖2所示，其中，j、k、q為簇首節(jié)點(diǎn)。

圖2　HEED-M算法中的簇間通信Fig.2　Communication between clusters and clusters of HEED-M

文獻(xiàn)[14]中研究表明，雖然多跳路由的通信方式可以從整體上降低網(wǎng)絡(luò)能量消耗，但是，由于距離sink節(jié)點(diǎn)近的簇首也會(huì)因轉(zhuǎn)發(fā)大量數(shù)據(jù)而消耗能量，這種內(nèi)層節(jié)點(diǎn)消耗的能量是不可忽略的。而非均勻分簇可以使內(nèi)層節(jié)點(diǎn)在分簇時(shí)通過(guò)控制成簇半徑來(lái)控制簇內(nèi)節(jié)點(diǎn)個(gè)數(shù)，若簇半徑相對(duì)較小，則簇內(nèi)成員節(jié)點(diǎn)數(shù)目就比較少，從而可減少簇首接收成員節(jié)點(diǎn)傳遞數(shù)據(jù)所消耗的能量，為內(nèi)層簇首轉(zhuǎn)發(fā)遠(yuǎn)端簇首的數(shù)據(jù)預(yù)留了能量。本文在HEED-M分簇算法的基礎(chǔ)上引入非均勻分簇機(jī)制，來(lái)均衡網(wǎng)絡(luò)能量的消耗。

2網(wǎng)絡(luò)模型與LHEED分簇算法

2.1網(wǎng)絡(luò)模型

WSN中的節(jié)點(diǎn)隨機(jī)分布，本文對(duì)網(wǎng)絡(luò)模型做如下假設(shè)：

(1) 由N個(gè)傳感器節(jié)點(diǎn)組成的網(wǎng)絡(luò)，節(jié)點(diǎn)隨機(jī)部署在監(jiān)測(cè)區(qū)域，所有節(jié)點(diǎn)地位平等；

(2) 各節(jié)點(diǎn)一旦部署就無(wú)法更換；

(3) 監(jiān)測(cè)區(qū)域中的無(wú)線傳感器節(jié)點(diǎn)位置固定；

(4) 整個(gè)網(wǎng)絡(luò)中只有一個(gè)sink節(jié)點(diǎn)，且sink節(jié)點(diǎn)是靜止的；

(5) 無(wú)線傳感器節(jié)點(diǎn)可以感知自身位置。

2.2算法的描述

本文研究的LHEED分簇算法根據(jù)節(jié)點(diǎn)與sink節(jié)點(diǎn)的距離動(dòng)態(tài)地調(diào)整簇半徑的大小，簇首距匯聚節(jié)點(diǎn)近，則簇半徑較小；簇首距匯聚節(jié)點(diǎn)遠(yuǎn)，則簇半徑較大，以此來(lái)均衡網(wǎng)絡(luò)的能量消耗。同時(shí)，在簇間通信時(shí)，簇首選擇下一跳節(jié)點(diǎn)應(yīng)考慮到該節(jié)點(diǎn)的地理位置和剩余能量，故引入了一種新的簇首間的通信代價(jià)函數(shù)，通過(guò)計(jì)算選擇中繼簇首。

2.3算法的實(shí)現(xiàn)

2.3.1初始化階段在隨機(jī)分布的WSN區(qū)域內(nèi)，首先匯聚節(jié)點(diǎn)向監(jiān)測(cè)區(qū)域內(nèi)的無(wú)線傳感器節(jié)點(diǎn)播報(bào)自己的地理位置，無(wú)線傳感器節(jié)點(diǎn)根據(jù)自身的地理位置計(jì)算出與匯聚節(jié)點(diǎn)的距離dto-sink，若該節(jié)點(diǎn)當(dāng)選為簇首節(jié)點(diǎn)，則計(jì)算得到該簇首的最優(yōu)簇半徑為[15]

(3)

式中，α為距離調(diào)節(jié)因子(其值為0～1)的值，系統(tǒng)最優(yōu)值由仿真實(shí)驗(yàn)得出；dmax和dmin分別為所有節(jié)點(diǎn)距離sink節(jié)點(diǎn)的最大值和最小值；Rmax為節(jié)點(diǎn)的最大通信半徑。

各節(jié)點(diǎn)根據(jù)其最優(yōu)簇半徑確定其鄰居節(jié)點(diǎn)的個(gè)數(shù)，以及各自的AMRP，并根據(jù)系統(tǒng)規(guī)定的簇首比例Cprob計(jì)算得到該節(jié)點(diǎn)成為族首的概率為[10]

(4)

式中，Pmin為最小剩余能量比例；Eres為節(jié)點(diǎn)剩余能量；Emax為節(jié)點(diǎn)初始能量。

簇首選擇的主參數(shù)依賴于剩余能量，剩余能量多的節(jié)點(diǎn)將有較大的概率成為簇首。

2.3.2迭代階段每個(gè)節(jié)點(diǎn)在每輪的迭代過(guò)程中判斷鄰居節(jié)點(diǎn)中是否有臨時(shí)簇首節(jié)點(diǎn)，若有且該節(jié)點(diǎn)也是臨時(shí)簇首，則比較該節(jié)點(diǎn)與鄰居節(jié)點(diǎn)中臨時(shí)簇首的AMRP，若該節(jié)點(diǎn)的AMRP最小，則該節(jié)點(diǎn)就被推舉為最終簇首；否則，該節(jié)點(diǎn)的CHprob×2，并與1相比較，將兩者中的較小值賦予CHprob進(jìn)行下一輪迭代，直到CHprob為1，此時(shí)迭代結(jié)束。若該節(jié)點(diǎn)的鄰居節(jié)點(diǎn)中沒(méi)有臨時(shí)簇首，則該節(jié)點(diǎn)按照一定的概率成為臨時(shí)簇首。

2.3.3分簇完成若臨時(shí)簇首的鄰居節(jié)點(diǎn)中沒(méi)有臨時(shí)簇首或其他臨時(shí)簇首的AMRP都較該節(jié)點(diǎn)大，則該臨時(shí)簇首就宣布自己成為最終的簇首。若普通節(jié)點(diǎn)處于多個(gè)簇的覆蓋范圍，則加入簇首AMRP最小的簇。

本文研究的LHEED分簇算法具有以下特點(diǎn)： 節(jié)點(diǎn)先根據(jù)自身的地理位置計(jì)算出自己的最優(yōu)簇半徑，然后，根據(jù)最優(yōu)簇半徑進(jìn)行動(dòng)態(tài)分簇，在有限迭代次數(shù)內(nèi)完成簇首的選擇。

2.4簇間通信

圖3所示為L(zhǎng)HEED分簇算法的簇間通信過(guò)程。圖中，d(q，j)、d(q，k)為簇首節(jié)點(diǎn)q與j、k間的距離，dto-sink(q)、dto-sink(j)、dto-sink(k)分別為簇首節(jié)點(diǎn)q、j、k到sink節(jié)點(diǎn)的距離。利用LHEED分簇算法完成節(jié)點(diǎn)的分簇后，普通節(jié)點(diǎn)將采集到的數(shù)據(jù)傳輸給簇首節(jié)點(diǎn)，由簇首節(jié)點(diǎn)通過(guò)中繼簇首以多跳的方式將數(shù)據(jù)傳輸?shù)絪ink節(jié)點(diǎn)。當(dāng)簇首節(jié)點(diǎn)q向sink節(jié)點(diǎn)傳輸數(shù)據(jù)時(shí)，假設(shè)候選中繼簇首節(jié)點(diǎn)為j、k。由于簇首節(jié)點(diǎn)發(fā)送的能耗與該節(jié)點(diǎn)距sink節(jié)點(diǎn)的距離有很大關(guān)系，簇首之間的通信距離應(yīng)小于d0，本文所研究的網(wǎng)絡(luò)中sink節(jié)點(diǎn)在監(jiān)測(cè)區(qū)域附近，故WSN的能耗模型采用自由空間模型。圖3中，簇首節(jié)點(diǎn)q通過(guò)簇首j向sink節(jié)點(diǎn)傳輸單位bit數(shù)據(jù)消耗的能量為

(5)

圖3　LHEED算法中的簇間通信Fig.3　Communication between clusters and clusters of LHEED

q的路由代價(jià)也就越小。由于簇首節(jié)點(diǎn)通過(guò)多跳路由的方式向sink節(jié)點(diǎn)傳輸數(shù)據(jù)，故在選擇中繼簇首時(shí)應(yīng)考慮該節(jié)點(diǎn)的剩余能量，以及其與sink節(jié)點(diǎn)的距離?；诖?，本文引入了簇首間的路由通信代價(jià)函數(shù)

(6)

式中，β、λ分別為距離均衡因子、能量均衡因子，最優(yōu)值由仿真實(shí)驗(yàn)得出；Emax(j)為中繼簇首j的最大能量。每個(gè)簇首依次計(jì)算其到其他簇首的路由通信代價(jià)，cost(q，j)大的簇首節(jié)點(diǎn)將更容易成為簇首節(jié)點(diǎn)的中繼簇首。

分簇完成后，在開始傳送數(shù)據(jù)之前所有簇首節(jié)點(diǎn)向全網(wǎng)中節(jié)點(diǎn)廣播一條包含其節(jié)點(diǎn)ID、剩余能量和至sink節(jié)點(diǎn)距離的信息。

3仿真驗(yàn)證與分析

為分析LHEED算法的性能，分析該算法與HEED算法的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，比較其與HEED-M及HEED算法的節(jié)點(diǎn)存活個(gè)數(shù)，本文使用MATLAB軟件作為仿真平臺(tái)，在100m×100m的區(qū)域內(nèi)，取100個(gè)節(jié)點(diǎn)進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)參數(shù)如表1所示。

表1　試驗(yàn)參數(shù)Tab.1　Experimental parameters

圖4給出了HEED和LHEED分簇算法的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。由圖可見，LHEED分簇算法中采用基于地理位置的非均勻分簇，所形成的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與HEED分簇算法不同。HEED算法中，簇首節(jié)點(diǎn)的分布是隨機(jī)的，簇的大小也都相同。而LHEED算法中，簇的大小根據(jù)簇首節(jié)點(diǎn)與sink間的距離動(dòng)態(tài)地調(diào)整，簇首節(jié)點(diǎn)距匯聚節(jié)點(diǎn)較近，則其簇半徑較??；簇首節(jié)點(diǎn)距匯聚節(jié)點(diǎn)較遠(yuǎn)，則其簇半徑較大。由于α的取值直接影響最優(yōu)簇半徑，進(jìn)而對(duì)網(wǎng)絡(luò)的拓補(bǔ)結(jié)構(gòu)產(chǎn)生影響，通過(guò)大量仿真實(shí)驗(yàn)得到當(dāng)α=0.6時(shí)，網(wǎng)絡(luò)分簇比較均衡(見圖4(b))。

圖4　HEED和LHEED分簇算法的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.4　Network topology of HEED and LHEED clustering algorithm

圖5給出了LHEED、HEED-M和HEED分簇算法的存活節(jié)點(diǎn)數(shù)比較。由圖可知，HEED算法中能量消耗最快，這是由于簇首節(jié)點(diǎn)與sink節(jié)點(diǎn)直接通信造成的。而在HEED-M算法中，簇首節(jié)點(diǎn)與sink節(jié)點(diǎn)采用多跳路由的方式通信，故能量消耗次之。在LHEED算法中，簇首節(jié)點(diǎn)距sink節(jié)點(diǎn)較近，則其簇半徑較??；簇首節(jié)點(diǎn)距sink節(jié)點(diǎn)較遠(yuǎn)，則其簇半徑較大。由于簇首節(jié)點(diǎn)在接收成員節(jié)點(diǎn)傳輸數(shù)據(jù)和傳輸其他簇首節(jié)點(diǎn)發(fā)送來(lái)的數(shù)據(jù)時(shí)，都要消耗能量，且當(dāng)簇半徑較小時(shí)，其覆蓋的成員節(jié)點(diǎn)就少，所消耗的能量就較少；而簇半徑較大時(shí)，其覆蓋的成員節(jié)點(diǎn)就多，所消耗的能量就較多；故距離sink節(jié)點(diǎn)近的簇首節(jié)點(diǎn)在接收成員節(jié)點(diǎn)傳輸數(shù)據(jù)上的能量消耗就較少，為距離sink節(jié)點(diǎn)遠(yuǎn)的簇首轉(zhuǎn)發(fā)數(shù)據(jù)預(yù)留了能量；同時(shí)，由于使用了路由代價(jià)函數(shù)來(lái)選擇中繼簇首，故該算法的能量消耗最慢。由大量仿真實(shí)驗(yàn)表明，當(dāng)β=0.6、λ=0.4時(shí)能量消耗最慢。

圖5　3種算法的存活節(jié)點(diǎn)數(shù)比較Fig.5　Comparison of three kinds of algorithm in the number of surviving nodes

表2給出了3種算法節(jié)點(diǎn)運(yùn)行周期的比較。由表可見，LHEED分簇算法運(yùn)行周期最長(zhǎng)，HEED-M分簇算法次之，HEED分簇算法運(yùn)行周期最短。這是由于LHEED分簇算法采用非均勻分簇機(jī)制有效地均衡了網(wǎng)絡(luò)的能量消耗；HEED-M分簇算法雖采用多跳路由的方式傳輸數(shù)據(jù)，但是也加重了內(nèi)層節(jié)點(diǎn)負(fù)擔(dān)；HEED分簇算法由于簇首節(jié)點(diǎn)與sink節(jié)點(diǎn)直接通信，使遠(yuǎn)離sink節(jié)點(diǎn)的簇首因能量消耗過(guò)快而較早死亡。

表2　3種算法節(jié)點(diǎn)運(yùn)行周期的比較Tab.2　Comparison of three kinds of algorithms of node operation cycle

4結(jié)語(yǔ)

本文研究了基于地理位置的HEED非均勻分簇算法，根據(jù)簇首節(jié)點(diǎn)距匯聚節(jié)點(diǎn)的距離動(dòng)態(tài)調(diào)整簇半徑的大小，距匯聚節(jié)點(diǎn)近的簇首簇半徑較小，距匯聚節(jié)點(diǎn)遠(yuǎn)的簇首，簇半徑較大，通過(guò)調(diào)整成簇半徑來(lái)均衡網(wǎng)絡(luò)的能量消耗，簇間通信也考慮到節(jié)點(diǎn)剩余能量和地理位置，從而有效的延長(zhǎng)了網(wǎng)絡(luò)的壽命。本文未能考慮整個(gè)網(wǎng)絡(luò)的連通性[16]，以及節(jié)點(diǎn)密度大的地區(qū)節(jié)點(diǎn)間的干擾，這些將在以后的工作中展開研究。

參考文獻(xiàn)

[1]YANG Shuang Hua.Wireless Sensor Networks： Principles，Design and Applications[M].[S.L.]Springer，2014： 7-15.

[2]宋寧博.基于能量?jī)?yōu)化的無(wú)線傳感器網(wǎng)絡(luò)分簇路由協(xié)議研究[D].重慶： 重慶大學(xué)，2014： 24-31.

[3]HEINZELMAN W R，CHANDRAKASAN A，BALAKRISHNAN H.Energy-Efficient communication protocol for wireless microsensor networks[C]∥Proceedings of the 33rd Annual Hawaii International Conference on System Science(HICSS 2000).[S.L.]: IEEE，2000: 1-10.

[4]YOUNIS O，F(xiàn)AHMY S.Heed： A hybrid，Energy-efficient，Distributed clustering approach for ad-hoc sensor networks[J].IEEE Transactions on Mobile Computing，2004，3(4)： 366-379.

[5]姚新兵, 王向東.一種基于HEED的簇首多跳融合路由算法[J].通信技術(shù)，2011，44(4)： 106-108，111.

[6]李晶，史杏榮.無(wú)線傳感器網(wǎng)絡(luò)中改進(jìn)的 HeeD路由協(xié)議[J].計(jì)算機(jī)工程與應(yīng)用，2007，43(25)： 165-167.

[7]王秀花，張國(guó)榮.無(wú)線傳感器網(wǎng)絡(luò)中基于HEED的多層分簇路由算法[J].甘肅聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，25(1)： 78-81，90.

[8]尹安，汪秉文，戴志誠(chéng)，等.無(wú)線傳感器網(wǎng)絡(luò)HEED分簇協(xié)議的研究與改進(jìn)[J].小型微型計(jì)算機(jī)系統(tǒng)，2010，31(10)： 2002-2006.

[9]陳良文.無(wú)線傳感器網(wǎng)絡(luò)分簇式路由算法研究與改進(jìn)[D].合肥： 安徽理工大學(xué)，2014.

[10]劉佳，范書瑞，劉艷萍，等.基于非均勻分簇和信息熵的無(wú)線傳感網(wǎng)絡(luò)路由算法[J].傳感技術(shù)學(xué)報(bào)，2015，28(12)： 1867-1872.

[11]蘇兵，張鈺婧.基于非均勻分簇的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議[J].計(jì)算機(jī)測(cè)量與控制，2016，24(2)： 325-327.

[12]康瓊.無(wú)線傳感器網(wǎng)絡(luò)中分簇算法的研究[D].長(zhǎng)春： 吉林大學(xué)，2013： 10-12.

[13]趙海榮.無(wú)線傳感器網(wǎng)絡(luò)能量高效的分簇路由協(xié)議研究[D].上海： 東華大學(xué)，2013： 39-41.

[14]盧先領(lǐng)，王瑩瑩，王洪斌，等.無(wú)線傳感器網(wǎng)絡(luò)能量均衡的非均勻分簇算法[J].計(jì)算機(jī)科學(xué)，2013，40(5)： 78-81.

[15]張瑞華，賈智平，程合友，等.基于非均勻分簇和最小能耗的無(wú)線傳感網(wǎng)絡(luò)路由算法[J].上海交通大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，46(11)： 1774-1778.

[16]孫毅，孫躍，曾璐琨，等.基于最優(yōu)連通功率控制的WSNs跨層路由優(yōu)化算法[J].傳感器與微系統(tǒng)，2014，33(11)： 135-138.

收稿日期：2016-04-17

基金項(xiàng)目：上海市經(jīng)濟(jì)和信息化委員會(huì)專項(xiàng)資金項(xiàng)目資助(12AZ22)

作者簡(jiǎn)介：渠帥軍(1991-)，男，碩士生，主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)路由算法，E-mail： 523078212@qq.com

文章編號(hào)2095-0020(2016)03-0170-06

中圖分類號(hào)TP 212.9

文獻(xiàn)標(biāo)識(shí)碼A

HEED Non-uniform Clustering Algorithm Based on Geographic Location

QUShuaijun，LüHongfang，ZHAOJing

(School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China)

AbstractFor HEED-M clustering algorithm, cluster head nodes and sink node communicate in a multi-hop routing way so that energy easily depletes prematurely near the sink node more, causing system failure. To solve the problem, this paper proposes a HEED non-uniform clustering algorithm based on geographic location. The algorithm dynamically adjusts size of radius of the cluster according to the distance between cluster head nodes and sink node. Cluster of the head nodes near the sink node is small, and that of the head nodes far from the sink node is large. This way, energy consumption of the network is balanced effectively. Simulation results show that the algorithm is effective in prolonging the network life.

Keywordsgeographic location; HEED; non-uniform clustering; radius of cluster