WSN中基于改進(jìn)粒子群優(yōu)化算法的分簇路由協(xié)議

武小年，張楚蕓，張潤蓮,2，孫亞平

（1.桂林電子科技大學(xué)廣西密碼學(xué)與信息安全重點(diǎn)實驗室，廣西 桂林 541004；2.桂林電子科技大學(xué)廣西高校云計算與復(fù)雜系統(tǒng)重點(diǎn)實驗室，廣西 桂林 541004）

1 引言

在無線傳感器網(wǎng)絡(luò)（WSN,wireless sensor network）中，傳統(tǒng)分簇路由協(xié)議通過簇頭節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合并發(fā)給基站，以減少網(wǎng)絡(luò)通信量，降低網(wǎng)絡(luò)能耗。但由于簇頭節(jié)點(diǎn)承擔(dān)的任務(wù)過重，加快了其能量消耗，縮短了網(wǎng)絡(luò)生存周期。為分擔(dān)簇頭節(jié)點(diǎn)的任務(wù)并避免簇頭節(jié)點(diǎn)離基站太遠(yuǎn)而加劇消耗，現(xiàn)有的分簇路由協(xié)議通常會選擇離基站盡可能近的轉(zhuǎn)發(fā)節(jié)點(diǎn)，由簇頭節(jié)點(diǎn)將融合的數(shù)據(jù)發(fā)給轉(zhuǎn)發(fā)節(jié)點(diǎn)，再由轉(zhuǎn)發(fā)節(jié)點(diǎn)將數(shù)據(jù)發(fā)給基站。但若轉(zhuǎn)發(fā)節(jié)點(diǎn)數(shù)量太少，節(jié)點(diǎn)的任務(wù)將非常繁重；若采用單跳方式向基站發(fā)送數(shù)據(jù)，當(dāng)節(jié)點(diǎn)與基站距離超過閾值時，節(jié)點(diǎn)的通信開銷將激增。如何在WSN路由協(xié)議中合理選舉簇頭節(jié)點(diǎn)與轉(zhuǎn)發(fā)節(jié)點(diǎn)，并優(yōu)化轉(zhuǎn)發(fā)節(jié)點(diǎn)的傳輸路徑、均衡和降低網(wǎng)絡(luò)通信開銷、延長網(wǎng)絡(luò)生存周期是有待優(yōu)化的問題。

針對WSN路由協(xié)議面臨的上述問題，文獻(xiàn)[1]采用隨機(jī)分簇策略和周期性簇頭輪換維持節(jié)點(diǎn)的能量平衡；文獻(xiàn)[2]采用基于跳數(shù)和能量的分層自治系統(tǒng)實現(xiàn)合理的路由選擇；文獻(xiàn)[3]采用中繼節(jié)點(diǎn)分擔(dān)簇頭的數(shù)據(jù)傳輸任務(wù)以降低簇頭的能耗；文獻(xiàn)[4]采用基于虛擬交叉區(qū)域的樹型路由協(xié)議降低數(shù)據(jù)傳輸延遲；文獻(xiàn)[5]通過等間距環(huán)形劃分和等夾角扇形劃分的非均勻分簇方式保證源節(jié)點(diǎn)與基站的通信距離最短；文獻(xiàn)[6]采用基于節(jié)點(diǎn)接收基站信號強(qiáng)度和剩余能量的簇頭選擇方法避免頻繁更換簇頭；文獻(xiàn)[7]采用基于壓縮感知的聚類路由協(xié)議確定簇的通信半徑以延長網(wǎng)絡(luò)壽命。

粒子群優(yōu)化（PSO,particle swarm optimization）算法是一種基于種群的群智能優(yōu)化算法，具有實現(xiàn)簡單、收斂速度快和搜索精度高等特點(diǎn)，在解決組合優(yōu)化問題上相比其他算法有很大優(yōu)勢[8]。文獻(xiàn)[9]采用動態(tài)調(diào)節(jié)簇內(nèi)節(jié)點(diǎn)數(shù)的改進(jìn)粒子群算法減少簇頭節(jié)點(diǎn)能耗；文獻(xiàn)[10]采用基于粒子位置和速度的重編碼方式增加網(wǎng)絡(luò)覆蓋面積；文獻(xiàn)[11]通過優(yōu)化網(wǎng)絡(luò)覆蓋率和鏈路質(zhì)量的方式提高網(wǎng)絡(luò)能量效率，但這3個算法未考慮粒子群算法中相關(guān)因素對最優(yōu)分簇的影響。文獻(xiàn)[12]采用基于離散的粒子群算法選擇簇頭和中繼節(jié)點(diǎn)構(gòu)建最優(yōu)簇結(jié)構(gòu)；文獻(xiàn)[13]通過調(diào)整慣性權(quán)重系數(shù)避免算法陷入局部最優(yōu)；文獻(xiàn)[14]采用基于模糊和網(wǎng)絡(luò)編碼的改進(jìn)型粒子群算法構(gòu)建節(jié)點(diǎn)到基站的最佳傳輸路徑，并未考慮轉(zhuǎn)發(fā)節(jié)點(diǎn)的通信開銷。

綜上所述，現(xiàn)有簇頭節(jié)點(diǎn)選取方法主要根據(jù)剩余能量篩選，部分方法考慮了簇頭節(jié)點(diǎn)與基站的距離，但未考慮簇頭節(jié)點(diǎn)位置的均衡性，而位置分布均衡的簇頭節(jié)點(diǎn)，能夠有效縮短通信的總距離，降低網(wǎng)絡(luò)通信開銷；其次，現(xiàn)有分簇路由協(xié)議大多選取的轉(zhuǎn)發(fā)節(jié)點(diǎn)太少，加大了轉(zhuǎn)發(fā)節(jié)點(diǎn)的能耗，而部分增加了轉(zhuǎn)發(fā)節(jié)點(diǎn)的協(xié)議，主要采用隨機(jī)方式進(jìn)行選取，其有可能與簇頭節(jié)點(diǎn)重復(fù)，且未考慮被選取節(jié)點(diǎn)的剩余能量及位置是否均衡；第三，現(xiàn)有協(xié)議中轉(zhuǎn)發(fā)節(jié)點(diǎn)采用單跳與多跳相結(jié)合的方式發(fā)送數(shù)據(jù)，靠近基站的轉(zhuǎn)發(fā)節(jié)點(diǎn)采取單跳方式，采用多跳方式時主要考慮相鄰轉(zhuǎn)發(fā)節(jié)點(diǎn)的距離，缺乏考慮節(jié)點(diǎn)能量及面向基站的方向性，導(dǎo)致能量受限和路徑不合理增加開銷。基于粒子群算法的協(xié)議未能充分利用粒子群算法的優(yōu)勢，并對算法存在的不足進(jìn)行優(yōu)化，如粒子初始化的隨機(jī)性容易導(dǎo)致節(jié)點(diǎn)分布不均衡并陷入局部最優(yōu)；在速度更新計算中，固定的學(xué)習(xí)因子和慣性權(quán)重?zé)o法平衡局部搜索和全局搜索的能力，使算法的收斂速度緩慢，較難獲得高質(zhì)量的簇頭節(jié)點(diǎn)集等。

針對上述問題，本文提出一種基于改進(jìn)粒子群算法的分簇路由協(xié)議（CRIPSO,clustering routing protocol based on improved PSO algorithm in WSN），基于節(jié)點(diǎn)的能量和位置評估來篩選候選簇頭節(jié)點(diǎn)；通過優(yōu)化粒子群算法的慣性系數(shù)和學(xué)習(xí)因子，平衡算法的全局搜索與局部探索能力，選舉出能量和位置合理的簇頭節(jié)點(diǎn)，構(gòu)建最優(yōu)分簇；建立基于最小生成樹的轉(zhuǎn)發(fā)節(jié)點(diǎn)多跳數(shù)據(jù)傳輸路徑，縮短通信距離。

2 系統(tǒng)模型

2.1 網(wǎng)絡(luò)模型

首先對網(wǎng)絡(luò)模型做如下約定。

1)WSN的實驗區(qū)域形狀為平面規(guī)則圖形，傳感器節(jié)點(diǎn)在監(jiān)測區(qū)域中隨機(jī)不均勻分布且固定不動，每個節(jié)點(diǎn)由一個全局唯一的ID標(biāo)識。

2)基站的能量不受限，其他所有傳感器節(jié)點(diǎn)能量有限，但各節(jié)點(diǎn)的初始能量相同，處理能力和通信能力相等。

3)節(jié)點(diǎn)無線發(fā)射功率可以自我調(diào)控，可自主選擇發(fā)射功率。

2.2 能耗模型

WSN中，傳感器節(jié)點(diǎn)的能耗主要包括通信能耗（如數(shù)據(jù)發(fā)送能耗與數(shù)據(jù)接收能耗）和數(shù)據(jù)處理能耗（如數(shù)據(jù)融合能耗），通信能耗與通信環(huán)境、傳輸距離、數(shù)據(jù)分組的大小有關(guān)。本文采用低功耗自適應(yīng)分簇分層（LEACH,low energy adaptive clustering hierarchy）[1]的能耗模型，根據(jù)距離的不同分別采用自由空間模型或多路衰減模型。以d表示發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)之間的距離，d0表示門限距離；以Efs和Emp分別表示自由空間模型和多路衰減模型的功放因子參數(shù)；m表示一個數(shù)據(jù)分組的比特數(shù)，Eelec表示每傳輸1 bit數(shù)據(jù)的能耗，EDA表示每融合1 bit數(shù)據(jù)的能耗，則距離為d的2個節(jié)點(diǎn)傳輸mbit數(shù)據(jù)的發(fā)送能耗ETX(m,d)和接收能耗ERX(m,d)，以及融合mbit數(shù)據(jù)的融合能耗EDA(m,d)計算方法分別為

3 基于改進(jìn)粒子群算法的分簇路由算法

合理的分簇劃分及轉(zhuǎn)發(fā)節(jié)點(diǎn)選取，將有利于縮短通信距離，降低并均衡節(jié)點(diǎn)通信開銷，延長網(wǎng)絡(luò)生存周期。本文改進(jìn)粒子群算法選舉能量與位置最優(yōu)的簇頭節(jié)點(diǎn)和轉(zhuǎn)發(fā)節(jié)點(diǎn)，以降低和均衡網(wǎng)絡(luò)通信開銷。

3.1 簇頭選舉

3.1.1 簇頭初始化

由于粒子群算法計算相對復(fù)雜，為避免選舉計算增加節(jié)點(diǎn)的能耗，基于粒子群算法的分簇及路由選擇計算都將由能量不受限的基站完成。在初始化過程中，所有節(jié)點(diǎn)將自身剩余能量、位置和編號信息發(fā)送給基站，基站接收并保存各節(jié)點(diǎn)的信息。在基站完成基于粒子群算法的分簇計算后，將計算結(jié)果進(jìn)行廣播，每一個存活節(jié)點(diǎn)根據(jù)接收的廣播信息獲得被選舉節(jié)點(diǎn)及路由選擇節(jié)點(diǎn)的具體位置信息。由基站完成粒子群算法的計算工作，實現(xiàn)選舉和分簇的優(yōu)化；各節(jié)點(diǎn)則不用進(jìn)行復(fù)雜的計算，以有效節(jié)省節(jié)點(diǎn)的能耗。

粒子群算法采用隨機(jī)方式選取粒子，傳統(tǒng)的分簇路由協(xié)議也大多采用隨機(jī)方式選取簇頭，這容易陷入局部最優(yōu)，導(dǎo)致簇內(nèi)節(jié)點(diǎn)分布不均衡；且若被選取的節(jié)點(diǎn)能量過低，其難以承擔(dān)簇頭節(jié)點(diǎn)的繁重任務(wù)。針對該問題，對參與簇頭節(jié)點(diǎn)選舉的節(jié)點(diǎn)能量進(jìn)行限制。

假設(shè)WSN中有N個存活節(jié)點(diǎn)，節(jié)點(diǎn)i的能量為E(i)，基站計算WSN中所有節(jié)點(diǎn)的平均剩余能量為

為保證選出的簇頭節(jié)點(diǎn)有充足的能量進(jìn)行簇內(nèi)數(shù)據(jù)的處理，基站將所有能量大于或等于Eavg的節(jié)點(diǎn)構(gòu)成一個集合EA，再采用隨機(jī)方式，從EA中選擇K個節(jié)點(diǎn)，存入候選簇頭節(jié)點(diǎn)集，構(gòu)成一個粒子。在初始確定了一組候選簇頭節(jié)點(diǎn)后，其他的非簇頭節(jié)點(diǎn)分別加入與其距離最近的簇頭節(jié)點(diǎn)，完成初始分簇的建立。

采用隨機(jī)方式在EA中繼續(xù)選擇K個節(jié)點(diǎn)，一共進(jìn)行M次篩選，最終生成M組初始簇頭節(jié)點(diǎn)集，即M個粒子，并形成M組的分簇。

3.1.2 適應(yīng)度函數(shù)

因簇頭節(jié)點(diǎn)能耗大，以節(jié)點(diǎn)剩余能量作為一個評價指標(biāo)有利于選出更高能量的簇頭節(jié)點(diǎn)；簇頭所在位置在網(wǎng)絡(luò)中分布越均衡，簇頭與非簇頭節(jié)點(diǎn)、基站的距離越小，通信開銷將越小。為從M組初始簇頭節(jié)點(diǎn)集中選舉出最優(yōu)的候選簇頭節(jié)點(diǎn)集作為簇頭節(jié)點(diǎn)集，以節(jié)點(diǎn)的剩余能量和位置作為評價指標(biāo)，構(gòu)建適應(yīng)度函數(shù)對各個候選簇頭節(jié)點(diǎn)集進(jìn)行評估。

適應(yīng)度函數(shù)要對初始簇頭節(jié)點(diǎn)集中的所有候選簇頭節(jié)點(diǎn)進(jìn)行綜合評估，這需要考慮所有候選簇頭節(jié)點(diǎn)的平均能量與均衡位置。適應(yīng)度函數(shù)值越大，表明選出的簇頭節(jié)點(diǎn)集越優(yōu)。

1)能量因子

能量因子是候選簇頭節(jié)點(diǎn)集中所有候選簇頭節(jié)點(diǎn)的平均剩余能量與所有非簇頭節(jié)點(diǎn)的平均剩余能量的比值。候選簇頭節(jié)點(diǎn)集的平均剩余能量越大，能量因子的值越大。以N表示W(wǎng)SN中的存活節(jié)點(diǎn)數(shù)量，一個候選簇頭節(jié)點(diǎn)集中有K個候選簇頭節(jié)點(diǎn)，則非簇頭節(jié)點(diǎn)為N-K個；以表示第r輪中候選簇頭節(jié)點(diǎn)CHi的剩余能量，表示第r輪中非簇頭節(jié)點(diǎn)NCHj的剩余能量，則能量因子f1的計算式為

2)位置均衡因子

位置均衡因子通過通信距離來描述候選簇頭節(jié)點(diǎn)在WSN中的分布狀態(tài)，是候選簇頭節(jié)點(diǎn)集中所有候選簇頭節(jié)點(diǎn)與基站的距離與每個候選簇頭節(jié)點(diǎn)與該分簇內(nèi)非簇頭節(jié)點(diǎn)的距離之和，與所有非簇頭節(jié)點(diǎn)與基站距離的反比。對于具有N個存活節(jié)點(diǎn)的WSN，有K個候選的簇頭節(jié)點(diǎn)，N–K個非簇頭節(jié)點(diǎn)；以d(NCHi,BS)表示非簇頭節(jié)點(diǎn)NCHi與基站BS之間的距離，d(CHj,BS)表示簇頭節(jié)點(diǎn)CHj與基站BS之間的距離，d(NCHi,CHj)表示非簇頭節(jié)點(diǎn)NCHi到其對應(yīng)的候選簇頭節(jié)點(diǎn)CHj的距離，則候選簇頭節(jié)點(diǎn)集位置均衡因子f2的計算式為

其中，非簇頭節(jié)點(diǎn)NCHi位于簇頭節(jié)點(diǎn)CHj所在的分簇內(nèi)。候選簇頭節(jié)點(diǎn)集距離基站越近，各分簇內(nèi)非簇頭節(jié)點(diǎn)到簇頭節(jié)點(diǎn)的距離越小，則網(wǎng)絡(luò)通信距離越短，候選簇頭節(jié)點(diǎn)集的位置在WSN中分布越均衡，f2的值越大。

基于能量因子和位置均衡因子，對候選簇頭節(jié)點(diǎn)集采用加權(quán)方式計算適應(yīng)度，適應(yīng)度值函數(shù)F1計算方法為

其中，a∈(0,1]是權(quán)重系數(shù)，根據(jù)WSN對剩余能量和位置均衡的需求不同，可以調(diào)整權(quán)值。在適應(yīng)度函數(shù)中，候選簇頭節(jié)點(diǎn)集的剩余能量越大，位置分布越均衡，則適應(yīng)度值越大，選出的候選簇頭節(jié)點(diǎn)集越優(yōu)。

針對M組初始簇頭節(jié)點(diǎn)集，完成對其中各組候選簇頭節(jié)點(diǎn)集的適應(yīng)度函數(shù)計算后，記錄每個候選簇頭節(jié)點(diǎn)集本身適應(yīng)度最大的位置作為每一組候選簇頭節(jié)點(diǎn)集的局部最優(yōu)位置（初始時為每個候選簇頭節(jié)點(diǎn)集自身的位置），初始M組簇頭節(jié)點(diǎn)集中最大適應(yīng)度函數(shù)值的候選簇頭節(jié)點(diǎn)集所在的位置為全局最優(yōu)位置。

3.1.3 速度與位置的更新方法

根據(jù)初始適應(yīng)度計算及初始產(chǎn)生的局部最優(yōu)位置和全局最優(yōu)位置，開始進(jìn)行一輪迭代計算，首先對候選簇頭節(jié)點(diǎn)集的位置更新，再計算位置更新后候選簇頭節(jié)點(diǎn)的適應(yīng)度。為完成對候選簇頭節(jié)點(diǎn)集的位置更新并獲得優(yōu)化結(jié)果，設(shè)置一個速度來控制其變化過程。速度是矢量，設(shè)候選簇頭節(jié)點(diǎn)在x和y方向上的速度分量分別為vxid和vyid，位置分量分別為xxid和xyid。2個速度分量的計算，初始時通過隨機(jī)生成，但在后續(xù)的每一輪迭代中根據(jù)候選簇頭節(jié)點(diǎn)集前一輪的速度分量與局部最優(yōu)位置(pxid,pyid)和全局最優(yōu)位置(pxgd,pygd)的變化關(guān)系確定，具體計算方法[15]為

其中，w是慣性權(quán)值，表示候選簇頭節(jié)點(diǎn)集前一輪t–1迭代的速度對本輪t迭代的候選簇頭節(jié)點(diǎn)集的速度的影響程度；c1是認(rèn)知學(xué)習(xí)因子，c2是社會學(xué)習(xí)因子，分別表示候選簇頭節(jié)點(diǎn)集靠近局部最優(yōu)位置和全局最優(yōu)位置的加速權(quán)值；r1,r2∈(0,1)為隨機(jī)數(shù)，借鑒仿生學(xué)中的變異性，使簇頭節(jié)點(diǎn)集具有變異特性。

基于2個速度分量，候選簇頭節(jié)點(diǎn)在x和y方向上的位置分量xxid和xyid的計算方法為

3.1.4 具有自適應(yīng)的學(xué)習(xí)因子和慣性權(quán)重

在上述速度更新計算中，傳統(tǒng)基于粒子群算法的路由協(xié)議中的學(xué)習(xí)因子和慣性權(quán)重通常設(shè)置為固定值，無法平衡局部搜索能力和全局搜索能力，算法的收斂速度比較緩慢，較難獲得高質(zhì)量的簇頭節(jié)點(diǎn)集。

在最優(yōu)簇頭節(jié)點(diǎn)集的選取過程中，前期的迭代側(cè)重局部最優(yōu)搜索，后期的迭代側(cè)重全局最優(yōu)搜索。局部最優(yōu)搜索若搜索范圍小，算法將容易陷入局部最優(yōu)解，因此需要盡可能地擴(kuò)大尋找最優(yōu)候選簇頭節(jié)點(diǎn)集的局部搜索范圍，以增強(qiáng)群體的多樣性；全局搜索則需要加快算法收斂，保持收斂速度和搜索效果的均衡。為達(dá)到該目標(biāo)，設(shè)置認(rèn)知學(xué)習(xí)因子c1和社會學(xué)習(xí)因子c2動態(tài)變化，在逐步迭代過程中，使c1從大到小變化，c2從小到大變化。

為滿足2個學(xué)習(xí)因子的上述變化規(guī)律，結(jié)合傳統(tǒng)學(xué)習(xí)因子的固定值設(shè)置情況，構(gòu)造動態(tài)變化的學(xué)習(xí)因子，計算方法為其中，t為本輪迭代次數(shù)，tmax為最大迭代次數(shù)。隨著迭代次數(shù)的變化，c1和c2動態(tài)變化，滿足其變化規(guī)律，使算法能夠自適應(yīng)地在迭代前期擴(kuò)大局部搜索范圍，在迭代后期加快全局收斂速度。

在迭代過程中，慣性權(quán)值可以根據(jù)上一輪的速度影響本輪的搜索范圍。在每一輪迭代結(jié)束都要對選取的候選簇頭節(jié)點(diǎn)集進(jìn)行適應(yīng)度函數(shù)計算，以適應(yīng)度值的結(jié)果動態(tài)調(diào)整慣性權(quán)值，使本輪迭代中選取的簇頭節(jié)點(diǎn)集具有更均衡的位置。在此，采用非線性自適應(yīng)慣性權(quán)重策略[16]計算慣性權(quán)值，方法為

其中，wmax和wmin分別為設(shè)置的最大和最小慣性權(quán)重，fi為候選簇頭節(jié)點(diǎn)CHi的適應(yīng)度值，fmin、fmax和favg分別表示本輪候選簇頭節(jié)點(diǎn)集的最小、最大和平均適應(yīng)度值。當(dāng)fi＞favg時，本次候選簇頭節(jié)點(diǎn)的速度主要參考上一輪的速度，增加候選簇頭節(jié)點(diǎn)集的活躍度；反之，本次候選簇頭節(jié)點(diǎn)的速度主要參考局部最優(yōu)位置和全局最優(yōu)位置，加速候選簇頭節(jié)點(diǎn)集向優(yōu)勢空間靠近。

3.1.5 位置映射策略

在每一輪迭代后，候選簇頭節(jié)點(diǎn)集的位置都將被更新，可能會出現(xiàn)更新后的節(jié)點(diǎn)位置在WSN中找不到匹配的存活節(jié)點(diǎn)。此時，需要進(jìn)行位置映射處理[11]，基本思路是采取就近原則，將更新后的位置映射到距離該位置最近的存活節(jié)點(diǎn)所在的位置。以Xxid、Xyid為更新后的節(jié)點(diǎn)坐標(biāo)，CMnx、CMny為網(wǎng)絡(luò)中存活節(jié)點(diǎn)CMn的坐標(biāo)，位置映射處理過程為

位置映射策略解決了網(wǎng)絡(luò)節(jié)點(diǎn)分布離散所帶來的更新后的位置與實際存活節(jié)點(diǎn)位置不匹配的情況。當(dāng)出現(xiàn)多個節(jié)點(diǎn)更新后的位置坐標(biāo)一樣時，需要在更新節(jié)點(diǎn)的同時設(shè)置一個標(biāo)志位，其他節(jié)點(diǎn)更新并進(jìn)行位置映射時先檢查標(biāo)志位是否已經(jīng)被標(biāo)識為簇頭節(jié)點(diǎn)，若是則依次選擇距離次近的節(jié)點(diǎn)位置進(jìn)行映射。

完成位置映射后，將位置更新后的各候選簇頭節(jié)點(diǎn)集作為優(yōu)化結(jié)果，計算各候選簇頭節(jié)點(diǎn)集的適應(yīng)度值。根據(jù)計算結(jié)果，更新每一組候選簇頭節(jié)點(diǎn)集的局部最優(yōu)位置以及本輪M組簇頭節(jié)點(diǎn)集的全局最優(yōu)位置。若迭代未結(jié)束，則繼續(xù)進(jìn)行候選簇頭節(jié)點(diǎn)的位置更新與映射；否則，最后計算出的全局最優(yōu)位置的候選簇頭節(jié)點(diǎn)集作為最優(yōu)簇頭節(jié)點(diǎn)集，簇頭選舉完成。

基站在完成簇頭選舉后，進(jìn)一步計算非簇頭節(jié)點(diǎn)到各個簇頭節(jié)點(diǎn)的距離，將非簇頭節(jié)點(diǎn)加入距離最近的簇頭節(jié)點(diǎn)，完成分簇。此時，傳感器節(jié)點(diǎn)分為簇頭節(jié)點(diǎn)和普通節(jié)點(diǎn)。普通節(jié)點(diǎn)僅進(jìn)行數(shù)據(jù)發(fā)送，將自身監(jiān)測的數(shù)據(jù)融合后單跳發(fā)送給簇頭節(jié)點(diǎn)；簇頭節(jié)點(diǎn)接收來自普通節(jié)點(diǎn)的數(shù)據(jù)后進(jìn)行數(shù)據(jù)融合，再發(fā)送給相應(yīng)的轉(zhuǎn)發(fā)節(jié)點(diǎn)。轉(zhuǎn)發(fā)節(jié)點(diǎn)需要進(jìn)一步從普通節(jié)點(diǎn)中選取，其接收來自簇頭的數(shù)據(jù)，并選擇到基站的最優(yōu)路徑，將數(shù)據(jù)發(fā)送給基站。

在上述基于粒子群算法的分簇計算中，每一次分簇都需要重新獲取各節(jié)點(diǎn)的剩余能量。針對下一次分簇的開啟和期間各節(jié)點(diǎn)的通信交互，在此采用捎帶技術(shù)以減少通信開銷，即各節(jié)點(diǎn)完成數(shù)據(jù)采集和處理后，將自身剩余能量添加在數(shù)據(jù)后面一起發(fā)送給簇頭節(jié)點(diǎn)；簇頭節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合，也將自身剩余能量與融合數(shù)據(jù)通過轉(zhuǎn)發(fā)節(jié)點(diǎn)發(fā)送到基站；同樣，轉(zhuǎn)發(fā)節(jié)點(diǎn)將自身剩余能量捎帶一起發(fā)送；基站在收到數(shù)據(jù)后，記錄收到的各節(jié)點(diǎn)的剩余能量信息和數(shù)據(jù)，根據(jù)收到的節(jié)點(diǎn)剩余能量信息進(jìn)行新一輪的分簇選舉。各節(jié)點(diǎn)捎帶的剩余能量信息為當(dāng)前節(jié)點(diǎn)能量減去本次數(shù)據(jù)發(fā)送需要消耗的能量。

3.2 轉(zhuǎn)發(fā)節(jié)點(diǎn)的選舉與多跳傳輸

3.2.1 選舉轉(zhuǎn)發(fā)節(jié)點(diǎn)

在完成簇頭節(jié)點(diǎn)選舉后，將為簇頭節(jié)點(diǎn)選擇對應(yīng)的轉(zhuǎn)發(fā)節(jié)點(diǎn)。若網(wǎng)絡(luò)中的轉(zhuǎn)發(fā)節(jié)點(diǎn)過少，多個簇頭節(jié)點(diǎn)通過少量轉(zhuǎn)發(fā)節(jié)點(diǎn)向基站發(fā)送數(shù)據(jù)，將加大轉(zhuǎn)發(fā)節(jié)點(diǎn)的能耗。針對該問題，現(xiàn)有的WSN路由協(xié)議采取一個簇頭節(jié)點(diǎn)對應(yīng)一個轉(zhuǎn)發(fā)節(jié)點(diǎn)的方式[11]，增加轉(zhuǎn)發(fā)節(jié)點(diǎn)的數(shù)量，但其采用隨機(jī)方式在所有節(jié)點(diǎn)中選取，未考慮被選取節(jié)點(diǎn)的剩余能量及位置是否均衡。

本文在轉(zhuǎn)發(fā)節(jié)點(diǎn)選舉時，采用上述簇頭節(jié)點(diǎn)選舉的改進(jìn)粒子群算法，為每個簇頭節(jié)點(diǎn)在其分簇內(nèi)的普通節(jié)點(diǎn)中選舉一個轉(zhuǎn)發(fā)節(jié)點(diǎn)，使被選舉出的轉(zhuǎn)發(fā)節(jié)點(diǎn)具有最優(yōu)的能量和位置關(guān)系，并避免WSN中轉(zhuǎn)發(fā)節(jié)點(diǎn)過少而加快其能量消耗。

在對轉(zhuǎn)發(fā)節(jié)點(diǎn)計算和評估中，由于轉(zhuǎn)發(fā)節(jié)點(diǎn)只能在一個分簇內(nèi)選舉，能量因子和位置均衡因子的計算方法與簇頭節(jié)點(diǎn)選舉的計算方法有所區(qū)別。

同樣以N表示W(wǎng)SN中的存活節(jié)點(diǎn)數(shù)量，在選舉出K個簇頭節(jié)點(diǎn)后，WSN被分為K個分簇，初始化時根據(jù)簇頭節(jié)點(diǎn)篩選的方法，在各個分簇內(nèi)篩選出較高剩余能量的候選轉(zhuǎn)發(fā)節(jié)點(diǎn)，組成候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集，每個候選集中包含K個節(jié)點(diǎn)。

在初始化后，普通節(jié)點(diǎn)數(shù)量為N–2K，以表示第r輪中候選轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi的剩余能量，表示第r輪中普通節(jié)點(diǎn)CNj的剩余能量，能量因子fit1的計算式為

以d(CNk,CHj)表示普通節(jié)點(diǎn)CNk到對應(yīng)的簇頭節(jié)點(diǎn)CHj之間距離，d(RNi,BS)表示轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi到基站BS的距離，d(RNi,CHj)表示轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi到對應(yīng)的簇頭節(jié)點(diǎn)CHj的距離，d(RNi,RNm)表示轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi和RNm之間的距離，轉(zhuǎn)發(fā)節(jié)點(diǎn)位置均衡因子fit2計算方法為

其中，普通節(jié)點(diǎn)CNk位于簇頭節(jié)點(diǎn)CHj所在的分簇內(nèi)；候選轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi對應(yīng)于簇頭節(jié)點(diǎn)CHj。候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集距離基站越近，各分簇內(nèi)簇頭節(jié)點(diǎn)與轉(zhuǎn)發(fā)節(jié)點(diǎn)的距離越小，候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集中各轉(zhuǎn)發(fā)節(jié)點(diǎn)之間的距離越小，候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集的位置分布越均衡，fit2值越大。

基于候選轉(zhuǎn)發(fā)節(jié)點(diǎn)選舉的能力因子和位置均衡因子，采用加權(quán)方法構(gòu)建的對候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集評價的適應(yīng)度函數(shù)F2為

其中，b∈(0,1]為權(quán)值。候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集剩余能量越高，位置越均衡，則候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集的適應(yīng)度值將越大，表明候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集越優(yōu)。

在候選轉(zhuǎn)發(fā)節(jié)點(diǎn)集的多次迭代選舉過程中，采用與簇頭節(jié)點(diǎn)選舉類似的速度更新及位置映射方法，選出最優(yōu)的轉(zhuǎn)發(fā)節(jié)點(diǎn)集。

3.2.2 轉(zhuǎn)發(fā)節(jié)點(diǎn)的多跳傳輸

基于LEACH能耗模型[1]，若基站遠(yuǎn)離WSN，轉(zhuǎn)發(fā)節(jié)點(diǎn)與基站的距離d大于門限距離d0，發(fā)送能耗量級為d4；但若d≤d0，則節(jié)點(diǎn)間數(shù)據(jù)傳輸能耗大大降低，其能耗級數(shù)為d2。在實際應(yīng)用中，基站通常遠(yuǎn)離WSN。現(xiàn)有WSN路由算法中轉(zhuǎn)發(fā)節(jié)點(diǎn)常采用單跳的方式向基站轉(zhuǎn)發(fā)數(shù)據(jù)[13]，能耗過大；而采用多跳方式的算法主要根據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)間的最短距離選擇多跳[17]，沒有考慮轉(zhuǎn)發(fā)節(jié)點(diǎn)的剩余能量；且未考慮基站方向，多跳路徑可能并非最短距離。

本文在選舉出最優(yōu)的轉(zhuǎn)發(fā)節(jié)點(diǎn)集后，將根據(jù)轉(zhuǎn)發(fā)節(jié)點(diǎn)與基站的距離d確定轉(zhuǎn)發(fā)節(jié)點(diǎn)采用單跳還是多跳方式向基站傳輸數(shù)據(jù)，若d＞d0，則該轉(zhuǎn)發(fā)節(jié)點(diǎn)采用多跳方式傳輸；否則該轉(zhuǎn)發(fā)節(jié)點(diǎn)采用單跳方式傳輸。

在轉(zhuǎn)發(fā)節(jié)點(diǎn)多跳路徑選擇中，本文利用構(gòu)造最小生成樹的方法搜索轉(zhuǎn)發(fā)節(jié)點(diǎn)多跳傳輸?shù)淖疃搪窂剑瑫r兼顧節(jié)點(diǎn)剩余能量，以在降低網(wǎng)絡(luò)能耗時，維持轉(zhuǎn)發(fā)節(jié)點(diǎn)消耗的均衡性。

轉(zhuǎn)發(fā)節(jié)點(diǎn)之間的路由以基站為樹根，開始時將每個轉(zhuǎn)發(fā)節(jié)點(diǎn)抽象為點(diǎn)，把轉(zhuǎn)發(fā)節(jié)點(diǎn)用邊連接起來，構(gòu)造為一個帶權(quán)的連通圖G=(V,E)，其中，V包括所有轉(zhuǎn)發(fā)節(jié)點(diǎn)，E包括V中任意2個節(jié)點(diǎn)間的邊的集合。為搜索某個轉(zhuǎn)發(fā)節(jié)點(diǎn)到基站的最優(yōu)路徑，需要綜合考慮在每一跳中相鄰2個轉(zhuǎn)發(fā)節(jié)點(diǎn)間的距離與剩余能量。

假設(shè)以轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi為起點(diǎn)，要搜索到基站所途經(jīng)的下一跳節(jié)點(diǎn)；若轉(zhuǎn)發(fā)節(jié)點(diǎn)RNj為RNi的鄰居轉(zhuǎn)發(fā)節(jié)點(diǎn)，則需要評估節(jié)點(diǎn)RNj能否作為下一跳節(jié)點(diǎn)，在此，以這2個節(jié)點(diǎn)的邊的權(quán)值來衡量，權(quán)值由2個節(jié)點(diǎn)的距離與剩余能量確定，并以wi,j表示。若節(jié)點(diǎn)RNj到基站的距離大于或等于節(jié)點(diǎn)RNi到基站的距離，則節(jié)點(diǎn)RNj不能作為下一跳節(jié)點(diǎn)，設(shè)置wi,j為∞；否則以2個節(jié)點(diǎn)的距離與剩余能量計算wi,j，計算方法為

其中，di,j表示轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi與RNj之間的距離，di,BS表示轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi與基站之間的距離，和分別表示第r輪轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi、RNj的剩余能量。若2個轉(zhuǎn)發(fā)節(jié)點(diǎn)的距離越大，剩余能量越小，則2個節(jié)點(diǎn)的權(quán)值越大，該鄰居轉(zhuǎn)發(fā)節(jié)點(diǎn)被選為下一跳的概率越小。若轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi有多個相鄰的轉(zhuǎn)發(fā)節(jié)點(diǎn)，則分別計算轉(zhuǎn)發(fā)節(jié)點(diǎn)RNi與其他相鄰節(jié)點(diǎn)的權(quán)值，并選取權(quán)值最小的轉(zhuǎn)發(fā)節(jié)點(diǎn)作為其下一跳節(jié)點(diǎn)。

在每輪轉(zhuǎn)發(fā)節(jié)點(diǎn)選舉結(jié)束后，將采用上述最小生成樹方式建立轉(zhuǎn)發(fā)節(jié)點(diǎn)到基站的多跳路徑。基于最小生成樹的多跳路徑建立方法具體過程如下所示。在上述構(gòu)造的帶權(quán)連通圖G=(V,E)中，將基站v0作為樹的根節(jié)點(diǎn)加入V中，以U記錄最小生成樹的節(jié)點(diǎn)集合，W記錄待選擇的轉(zhuǎn)發(fā)節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)所構(gòu)成邊的權(quán)值集合，T記錄最小生成樹中邊的權(quán)值集合。

步驟1初始將根節(jié)點(diǎn)v0加入集合U中，T和W為空。

步驟2根據(jù)設(shè)置的門限距離d0，依次計算V中除v0外的某節(jié)點(diǎn)vi到v0的距離di,0，若di,0≤d0，則vi將采用單跳方式向基站傳輸數(shù)據(jù)，將vi加入U中，設(shè)置vi與v0的邊的權(quán)值wi,0=0，并將wi,0加入T，轉(zhuǎn)至步驟5；否則，轉(zhuǎn)至步驟3，計算建立vi到v0的多跳路徑。

步驟3根據(jù)式(13)計算vi到其他所有轉(zhuǎn)發(fā)節(jié)點(diǎn)的邊的權(quán)值，并將其加入W中。

步驟4在W中選出最小的權(quán)值wi,k，此時，vi到v0的距離為di,0，vk到v0的距離為dk,0，計算vi到vk的距離di,k。若di,0≤di,k，或者ETX(m,di,BS)＜(ETX(m,di,j)+ETX(m,di,BS))，則由vi經(jīng)vk發(fā)送數(shù)據(jù)到v0的開銷更大，此時，vi將直接發(fā)送數(shù)據(jù)到v0，將節(jié)點(diǎn)vi加入U中，設(shè)置vi與v0的邊的權(quán)值wi,0=0，并將wi,0加入T，并置W為空；否則，將節(jié)點(diǎn)vi加入U中，并將wi,k加入T中，并置W為空。

步驟5若U=V，結(jié)束搜索，轉(zhuǎn)至步驟6；否則，轉(zhuǎn)至步驟2。

步驟6對于T中權(quán)值為0且后一個節(jié)點(diǎn)為v0的權(quán)值，將該權(quán)值對應(yīng)邊的前一個節(jié)點(diǎn)作為單跳節(jié)點(diǎn)輸出；否則，將權(quán)值對應(yīng)邊的前一個節(jié)點(diǎn)作為起點(diǎn)，后一個節(jié)點(diǎn)作為下一跳節(jié)點(diǎn)，繼續(xù)查找下一跳節(jié)點(diǎn)，直到下一跳節(jié)點(diǎn)為v0，形成多跳路徑輸出。

4 仿真實驗及結(jié)果分析

在Matlab中模擬生成WSN，基站位于網(wǎng)絡(luò)之外。在此環(huán)境下實現(xiàn)基于改進(jìn)粒子群算法的路由協(xié)議并進(jìn)行測試。測試計算機(jī)配置為2.3 GHz Intel Core i5，8 GB內(nèi)存，64位Windows10。WSN初始化、簇頭節(jié)點(diǎn)與轉(zhuǎn)發(fā)節(jié)點(diǎn)選舉、數(shù)據(jù)處理的相關(guān)實驗環(huán)境及參數(shù)設(shè)置如表1所示。

表1 實驗參數(shù)設(shè)置

考慮到WSN一般相對穩(wěn)定，數(shù)據(jù)采集與數(shù)據(jù)處理的頻率不高，在此主要根據(jù)WSN的數(shù)據(jù)處理頻率來開啟新一輪的分簇選舉，即當(dāng)簇頭節(jié)點(diǎn)完成對簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)的融合并發(fā)送給基站，基站收到數(shù)據(jù)后，將開始新一輪的分簇選舉。對于數(shù)據(jù)處理頻率較快的WSN情況，本文暫未考慮，但可以采用事件觸發(fā)發(fā)送，通過判斷簇頭節(jié)點(diǎn)的剩余能量來確定是否開啟新一輪的分簇選舉。

基于上述實驗環(huán)境，測試適應(yīng)度函數(shù)不同權(quán)值對網(wǎng)絡(luò)的影響及本文協(xié)議CRIPSO下的節(jié)點(diǎn)能耗及網(wǎng)絡(luò)生存周期變化情況，并與LEACH[1]、IPSOCH[12]和NAPSO[13]進(jìn)行對比測試。

4.1 適應(yīng)度函數(shù)權(quán)值的選取實驗

在式(4)和式(12)中，權(quán)值a與b體現(xiàn)能量因子與位置均衡因子對適應(yīng)度的影響程度。為設(shè)置合理的權(quán)值，根據(jù)節(jié)點(diǎn)剩余能量均方差評判協(xié)議采用不同權(quán)值進(jìn)行迭代計算和網(wǎng)絡(luò)運(yùn)行中節(jié)點(diǎn)能耗的均衡程度。均方差越小，不同節(jié)點(diǎn)的剩余能量差別較小，均衡性較好。基于上述仿真環(huán)境，測試了本文協(xié)議在不同權(quán)值下運(yùn)行的節(jié)點(diǎn)剩余能量均方差，結(jié)果如圖1所示。

圖1 適應(yīng)度函數(shù)不同權(quán)值下的節(jié)點(diǎn)剩余能量均方差

圖1表明，能量因子和位置均衡因子在不同權(quán)值下，對網(wǎng)絡(luò)中節(jié)點(diǎn)的剩余能量與網(wǎng)絡(luò)生存周期的影響不同。當(dāng)能量因子與位置均衡因子對適應(yīng)度函數(shù)的影響不平衡時，即能量因子影響較大位置均衡因子影響較小，或者反過來，所測得的均方差都較大，表明網(wǎng)絡(luò)中節(jié)點(diǎn)的剩余能量差異較大，節(jié)點(diǎn)死亡較快，最終導(dǎo)致網(wǎng)絡(luò)生存周期下降。當(dāng)能量因子與位置權(quán)衡因子對適應(yīng)度函數(shù)的影響均衡，特別是當(dāng)a=b=0.5時，所測得的均方差最小，網(wǎng)絡(luò)迭代執(zhí)行的過程最長，網(wǎng)絡(luò)生存周期最長。在后續(xù)的實驗中，令a=b=0.5。

4.2 協(xié)議性能對比實驗與結(jié)果分析

實驗1協(xié)議運(yùn)行能耗與生存周期

本文協(xié)議通過改進(jìn)粒子群算法及設(shè)計的轉(zhuǎn)發(fā)節(jié)點(diǎn)多跳傳輸路徑選擇方法，力圖構(gòu)建最優(yōu)分簇和最短多跳傳輸路徑。在上述實驗環(huán)境下，對比測試了本文協(xié)議CRIPSO與LEACH、IPSOCH和NAPSO在2 500輪迭代中的節(jié)點(diǎn)存活數(shù)量及網(wǎng)絡(luò)生存周期的變化情況，實驗結(jié)果如圖2所示。

圖2 不同算法的網(wǎng)絡(luò)生存周期對比測試結(jié)果

圖2表明，隨著迭代次數(shù)的增加，4種協(xié)議的節(jié)點(diǎn)能耗增加，WSN中存活的節(jié)點(diǎn)數(shù)量逐漸減少，直至最終節(jié)點(diǎn)全部死亡。

LEACH協(xié)議中簇頭選舉采用基于閾值的方法且簇頭節(jié)點(diǎn)采用單跳傳輸，節(jié)點(diǎn)的能耗較大，在較短的時間內(nèi)，死亡的節(jié)點(diǎn)較多，WSN生存周期最短。IPSOCH協(xié)議利用改進(jìn)粒子群算法，通過節(jié)點(diǎn)的剩余能量信息和位置信息選擇簇頭和轉(zhuǎn)發(fā)節(jié)點(diǎn)，優(yōu)化了分簇，降低了節(jié)點(diǎn)能耗，相對LEACH協(xié)議節(jié)點(diǎn)死亡減緩，WSN生存周期延長。但I(xiàn)PSOCH協(xié)議在計算位置時僅考慮節(jié)點(diǎn)與基站的距離，其選舉出來的簇頭節(jié)點(diǎn)集難以達(dá)到全局最優(yōu)。NAPSO協(xié)議增加了對慣性權(quán)重的改進(jìn)，相比于IPSOCH協(xié)議進(jìn)一步優(yōu)化了分簇，降低了節(jié)點(diǎn)能耗，其WSN生存周期較IPSOCH協(xié)議有所延長。

本文協(xié)議CRIPSO基于能量因子與位置均衡因子評估候選簇頭節(jié)點(diǎn)集，并通過自適應(yīng)學(xué)習(xí)因子與慣性權(quán)重，選舉出最優(yōu)簇頭節(jié)點(diǎn)集和轉(zhuǎn)發(fā)節(jié)點(diǎn)集，并通過設(shè)計的最小生成樹多跳傳輸路徑選擇方法建立路由，并采用捎帶技術(shù)減少信息交互的開銷，相對于對比協(xié)議，降低了轉(zhuǎn)發(fā)節(jié)點(diǎn)的通信距離，降低并均衡了節(jié)點(diǎn)能耗，大大延長了WSN生存周期。

實驗2簇頭節(jié)點(diǎn)的位置均衡測試

位置均衡因子體現(xiàn)了簇頭節(jié)點(diǎn)集與轉(zhuǎn)發(fā)節(jié)點(diǎn)集在WSN中的分布均衡情況，節(jié)點(diǎn)分布的越均衡，則WSN通信中總的通信距離越小，節(jié)點(diǎn)能耗越低。基于上述實驗環(huán)境，分別測試了本文協(xié)議CRIPSO與LEACH、IPSOCH和NAPSO協(xié)議在多次迭代中所有普通節(jié)點(diǎn)到簇頭距離的總和、所有簇頭節(jié)點(diǎn)到基站距離的總和，實驗結(jié)果分別如圖3和圖4所示。

圖3 不同協(xié)議中普通節(jié)點(diǎn)到簇頭距離的總和

圖4 不同協(xié)議中簇頭到基站距離的總和

由圖3與圖4可知，隨著迭代次數(shù)的增加，4種協(xié)議中所有普通節(jié)點(diǎn)到簇頭的總距離、所有簇頭到基站的總距離都越來越小。

LEACH協(xié)議在簇頭選舉中未考慮節(jié)點(diǎn)的能量和位置，初始時圖3和圖4的2個距離都最大，但在987輪后2個距離迅速下降，這是因為其通信距離大，能耗大且不均衡，節(jié)點(diǎn)死亡較快，隨著存活節(jié)點(diǎn)大量減少，其通信距離減小，WSN生存周期大大縮短。IPSOCH協(xié)議考慮了位置信息，初始時其2個距離相對縮小，能耗有所降低，WSN生存周期延長。NAPSO協(xié)議在慣性權(quán)重中的優(yōu)化，使選舉的簇頭節(jié)點(diǎn)向全局最優(yōu)靠攏，初始時測得的2個距離低于IPSOCH協(xié)議，節(jié)點(diǎn)能耗降低，WSN生存周期較IPSOCH有所延長。IPSOCH和NAPSO協(xié)議同樣在迭代后期因死亡節(jié)點(diǎn)激增，存活節(jié)點(diǎn)較少，測得的2個距離都小于本文協(xié)議，但生存周期都更小。

本文協(xié)議CRIPSO在位置均衡因子中考慮了簇頭節(jié)點(diǎn)與基站的距離、每個簇頭節(jié)點(diǎn)與該分簇內(nèi)非簇頭節(jié)點(diǎn)的距離，以及所有非簇頭節(jié)點(diǎn)與基站的距離，且設(shè)計了優(yōu)化轉(zhuǎn)發(fā)節(jié)點(diǎn)通信路徑的多跳傳輸路徑選擇方法，使篩選的簇頭節(jié)點(diǎn)和轉(zhuǎn)發(fā)節(jié)點(diǎn)在WSN中位置均衡，初始時2個距離都最小，有效降低并均衡了節(jié)點(diǎn)能耗，死亡的節(jié)點(diǎn)數(shù)量呈線性緩慢下降，變化較為穩(wěn)定，延長了WSN生存周期。

實驗3自適應(yīng)學(xué)習(xí)因子的影響

在最優(yōu)簇頭節(jié)點(diǎn)集的選取過程中，前期的迭代側(cè)重局部最優(yōu)搜索，后期的迭代側(cè)重全局最優(yōu)搜索。在速度更新中，2個學(xué)習(xí)因子分別控制候選簇頭節(jié)點(diǎn)集靠近局部最優(yōu)位置和全局最優(yōu)位置的加速度。固定學(xué)習(xí)因子無法滿足迭代過程中的局部和全局最優(yōu)搜索變化需求，自適應(yīng)學(xué)習(xí)因子則給出了有效的解決方法?；谏鲜鰧嶒灜h(huán)境，分別對比測試了本文協(xié)議在固定學(xué)習(xí)因子和自適應(yīng)學(xué)習(xí)因子下的網(wǎng)絡(luò)生存周期變化情況。其中，固定學(xué)習(xí)因子時2個學(xué)習(xí)因子都設(shè)置為當(dāng)前常用的固定值，令c1=2，c2=2。實驗結(jié)果如圖5所示。

圖5表明，隨著迭代次數(shù)增加，2種協(xié)議下的網(wǎng)絡(luò)節(jié)點(diǎn)能耗增加，存活節(jié)點(diǎn)逐步減少。采用固定學(xué)習(xí)因子的協(xié)議在2 004輪節(jié)點(diǎn)全部死亡，采用自適應(yīng)學(xué)習(xí)因子的協(xié)議的網(wǎng)絡(luò)生存周期延長了100多輪。其原因在于自適應(yīng)學(xué)習(xí)因子在迭代前期加速候選簇頭節(jié)點(diǎn)集向局部最優(yōu)位置靠攏，擴(kuò)大了局部搜索能力，使選取的候選簇頭節(jié)點(diǎn)集能夠根據(jù)節(jié)點(diǎn)的剩余能量與位置均衡性進(jìn)行有效調(diào)整，并傾向于局部最優(yōu)；在迭代后期則逐步加速候選簇頭節(jié)點(diǎn)集向全局最優(yōu)位置靠攏，即加速算法進(jìn)行全局收斂，獲得節(jié)點(diǎn)剩余能量與位置均衡性全局最優(yōu)的簇頭節(jié)點(diǎn)，降低通信距離，降低并均衡網(wǎng)絡(luò)能耗，延長了WSN生存周期。

圖5 不同的學(xué)習(xí)因子值對網(wǎng)絡(luò)的影響

實驗4轉(zhuǎn)發(fā)節(jié)點(diǎn)傳輸路徑對比

轉(zhuǎn)發(fā)節(jié)點(diǎn)承擔(dān)了將WSN中的數(shù)據(jù)傳輸?shù)交镜娜蝿?wù)，數(shù)據(jù)量大且通信距離較長。根據(jù)LEACH能耗模型，若轉(zhuǎn)發(fā)節(jié)點(diǎn)與基站的距離d大于門限距離d0，則發(fā)送能耗激增?？s短轉(zhuǎn)發(fā)節(jié)點(diǎn)集與基站的通信距離，將可以大大降低網(wǎng)絡(luò)能耗，延長WSN生存周期。基于上述同樣的實驗環(huán)境，對比測試了本文協(xié)議CRIPSO與IPSOCH、NAPSO的轉(zhuǎn)發(fā)節(jié)點(diǎn)通信距離與網(wǎng)絡(luò)生存周期情況，實驗結(jié)果如圖6所示。

圖6 不同協(xié)議下的轉(zhuǎn)發(fā)節(jié)點(diǎn)到基站的總距離

圖6表明，隨著迭代次數(shù)的增加，3種協(xié)議中轉(zhuǎn)發(fā)節(jié)點(diǎn)到基站的總距離減少。IPSOCH協(xié)議和NAPSO協(xié)議在1 113輪后轉(zhuǎn)發(fā)節(jié)點(diǎn)到基站的總距離快速下降，低于本文協(xié)議CRIPSO，這是因為2種協(xié)議中轉(zhuǎn)發(fā)節(jié)點(diǎn)與基站均采用單跳方式進(jìn)行數(shù)據(jù)傳輸，遠(yuǎn)離基站的轉(zhuǎn)發(fā)節(jié)點(diǎn)在數(shù)據(jù)傳輸過程中采用多路衰減模型，節(jié)點(diǎn)能量衰減較快，轉(zhuǎn)發(fā)節(jié)點(diǎn)死亡較快，網(wǎng)絡(luò)中存活節(jié)點(diǎn)數(shù)量下降迅速，因此在開始時2種協(xié)議的總距離大于本文協(xié)議，在后期低于本文協(xié)議。

本文協(xié)議CRIPSO通過轉(zhuǎn)發(fā)節(jié)點(diǎn)的優(yōu)化選舉，及基于最小生成樹構(gòu)建轉(zhuǎn)發(fā)節(jié)點(diǎn)多跳傳輸路徑，大大縮短了轉(zhuǎn)發(fā)節(jié)點(diǎn)的通信距離，降低了網(wǎng)絡(luò)能耗，節(jié)點(diǎn)死亡速度較慢，故在0～1 002輪期間本文協(xié)議的總距離最?。缓笃谝虼婊罟?jié)點(diǎn)遠(yuǎn)多于2個對比協(xié)議，其通信距離高于2個對比協(xié)議，WSN生存周期更長。

5 結(jié)束語

針對WSN分簇路由協(xié)議的分簇優(yōu)化與轉(zhuǎn)發(fā)節(jié)點(diǎn)的通信傳輸方法問題，提出一種基于改進(jìn)粒子群算法的WSN分簇路由協(xié)議。該協(xié)議基于節(jié)點(diǎn)剩余能量和節(jié)點(diǎn)位置關(guān)系，優(yōu)化粒子群算法中的初始化篩選、適應(yīng)度函數(shù)及學(xué)習(xí)因子，實現(xiàn)簇頭節(jié)點(diǎn)的優(yōu)化選舉和分簇，保證簇頭節(jié)點(diǎn)的高能量，縮短網(wǎng)絡(luò)通信距離，均衡和降低通信開銷；并針對選舉的轉(zhuǎn)發(fā)節(jié)點(diǎn)，設(shè)計一種基于最小生成樹的多跳路徑選擇方法優(yōu)化通信路徑，降低節(jié)點(diǎn)通信能耗，以延長網(wǎng)絡(luò)生存周期。實驗測試結(jié)果表明，本文提出的協(xié)議前期的局部搜索明顯擴(kuò)大，后期迭代的收斂速度加快，選舉的簇頭節(jié)點(diǎn)能量高、位置分布較為均衡，轉(zhuǎn)發(fā)節(jié)點(diǎn)的傳輸路徑較短，網(wǎng)絡(luò)的能耗降低并比較均衡，延長了網(wǎng)絡(luò)生存周期。