基于PSO的信息熵數(shù)據(jù)融合非均勻分簇路由算法

蔡明偉 劉佳

摘 要：針對無線傳感器網(wǎng)絡(luò)分簇算法中能量分布不均衡導(dǎo)致的“熱區(qū)”和簇頭負載過重問題，提出了一種基于PSO算法優(yōu)化簇頭選舉的非均勻分簇算法。在候選簇頭選舉和競爭半徑計算過程中綜合考慮節(jié)點動態(tài)能量、節(jié)點密度和節(jié)點距基站距離，將網(wǎng)絡(luò)進行非均勻分簇，并引入PSO算法進行最終簇頭選舉。根據(jù)節(jié)點能量、節(jié)點密度和距基站距離確定簇間單跳多跳結(jié)合的路由規(guī)則，選取代價函數(shù)小的節(jié)點作為下一跳節(jié)點。基于節(jié)點信息熵確定融合閾值，進行簇內(nèi)數(shù)據(jù)融合剔除冗余數(shù)據(jù)。仿真結(jié)果表明，改進算法的數(shù)據(jù)傳輸量比EEUC算法和UCRA算法分別提高了20%和10%，提升了數(shù)據(jù)的融合效率，有效延長了網(wǎng)絡(luò)生命周期，簇頭能量消耗得到均衡，減少了網(wǎng)絡(luò)能量消耗，網(wǎng)絡(luò)的整體性能顯著優(yōu)于其他對比算法。

關(guān)鍵詞：計算機網(wǎng)絡(luò);無線傳感器網(wǎng)絡(luò);非均勻分簇算法;PSO算法;路由規(guī)則;信息熵

中圖分類號：TP273?文獻標志碼：A

doi： 10.7535/hbgykj.2019yx06008

文章編號：1008-1534（2019）06-0415-07

Abstract：?Aiming at solving the 'hot spots' and cluster head energy consumption problem in wireless sensor networks（WSNs）?caused by unbalanced energy consumption， an uneven clustering routing algorithm based on adaptive particle swarm optimization （PSO） is proposed. The node energy， node density and the distance to the BS are considered during the cluster head election and competition radius calculation. Network is divided into clusters of unequal size. The PSO is used to select the final cluster heads according to the cluster size. Meanwhile， hybrid routing rules of hop routing and multi-hop routing are adopted based on node energy， node destiny and the distance to BS， and the cluster heads of minimum cost function are chosen as the next hop. Data fusion in the cluster is conducted to eliminate redundant data based on entropy theory. Simulation results show that the data transmission amount of the improved algorithm is 20% and 10% higher than those of EEUC and UCRA algorithms. The lifetime of the improved algorithm is extended， the energy consumption of cluster head is balanced， the network energy consumption is effectively reduced， and the performance of the network is significantly better than the other comparison algorithms.

Keywords：computer network; wireless sensor network（WSN）;uneven clustering algorithm; PSO algorithm; routing rules; entropy theory

無線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）是由大量的靜止或移動的傳感器以自組織和多跳的方式構(gòu)成的無線網(wǎng)絡(luò)[1]。在傳統(tǒng)的無線傳感器網(wǎng)絡(luò)中主要是采用電池進行整個網(wǎng)絡(luò)的運行供應(yīng)，因此如何減少網(wǎng)絡(luò)中的能量消耗和平衡整個網(wǎng)絡(luò)中的能量消耗分布已經(jīng)成為無線傳感器網(wǎng)絡(luò)的研究熱點。無線傳感器網(wǎng)絡(luò)中的分簇策略是將節(jié)點按照簇進行分類，簇頭將簇內(nèi)的信息進行融合之后發(fā)送給基站，能夠有效減少網(wǎng)絡(luò)通信能量消耗，延長網(wǎng)絡(luò)生命周期。國內(nèi)外學者提出了多種分簇路由協(xié)議來延長網(wǎng)絡(luò)生命周期。HEINZELMAN等[2]提出的經(jīng)典低能耗自適應(yīng)路由協(xié)議LEACH（low energy adaptive clustering hierarchy）能夠有效延長網(wǎng)絡(luò)生命周期，但是由于簇頭選擇不合理和路由單跳導(dǎo)致簇頭過早死亡。盧先領(lǐng)等[3]針對LEACH算法簇頭分布不均勻問題，基于節(jié)點能量和通信代價問題選擇簇頭，由于采用的迭代方式增大了能量消耗造成網(wǎng)絡(luò)壽命縮短。非均勻分簇算法（energy-efficient unequal clustering，EEUC）針對網(wǎng)絡(luò)中存在的“熱區(qū)”問題，根據(jù)節(jié)點和基站的距離建立相應(yīng)范圍的簇以解決問題[4]。但EEUC算法中對候選簇頭的選舉過于隨機，簇頭規(guī)模較大時，簇頭選舉不當會出現(xiàn)網(wǎng)絡(luò)能量消耗不均衡。潘繼強等[5]引入簇半徑動態(tài)確定方式進行簇頭選舉，相對于LEACH延長了網(wǎng)絡(luò)的生命周期，但是算法采用簇間單跳路由方式導(dǎo)致簇頭能量消耗過重。SINHA等[6]在非均勻分簇的基礎(chǔ)上簇間采用多跳路由規(guī)則，但在候選簇頭選舉和競爭半徑計算過程中沒有綜合考慮節(jié)點能量、距基站距離和節(jié)點密度，不能很好地改善網(wǎng)絡(luò)“熱區(qū)”問題。張瑞華等[7]提出一種基于非均勻分簇的能量有效的無線傳感路由算法（UCRA），該算法采用加權(quán)進行非均勻分簇和簇間最小能量消耗多跳路由算法，但算法參數(shù)設(shè)置的局限性不能確定其最優(yōu)值。

針對以上算法存在的不足，本文提出了一種基于PSO算法優(yōu)化簇頭選舉的非均勻分簇算法，以解決“熱區(qū)”問題和延長網(wǎng)絡(luò)的生命周期。在文獻[7]的基礎(chǔ)上綜合考慮節(jié)點能量、節(jié)點距基站距離和節(jié)點密度，完成非均勻分簇，最后在規(guī)模較大的簇內(nèi)引入PSO優(yōu)化算法選舉最終簇頭，簇間采用單跳多跳結(jié)合的路由規(guī)則，并利用節(jié)點信息熵進行數(shù)據(jù)融合。

1?網(wǎng)絡(luò)系統(tǒng)

1.1?網(wǎng)絡(luò)模型

對本文中的網(wǎng)絡(luò)系統(tǒng)提出以下設(shè)定。

1）網(wǎng)絡(luò)中的各個工作節(jié)點隨機分布在整個網(wǎng)絡(luò)中，其中匯聚節(jié)點sink設(shè)置在待測網(wǎng)絡(luò)附近。

2）網(wǎng)絡(luò)中的各個傳感器節(jié)點都有其獨立ID，節(jié)點根據(jù)信號強度指示（RSSI）來感應(yīng)其節(jié)點的位置信息和節(jié)點能量，其中sink節(jié)點能夠獲得網(wǎng)絡(luò)全部節(jié)點的位置信息。

3）路由算法周期為輪，每輪分為節(jié)點分簇和數(shù)據(jù)通信傳輸2個階段。首先進行簇頭選舉，然后對網(wǎng)絡(luò)中每個簇內(nèi)的節(jié)點進行數(shù)據(jù)采集，經(jīng)過處理融合之后將信息傳輸給sink節(jié)點。

1.2?能量消耗模型

采用經(jīng)典的無線通信系統(tǒng)模型來作為路由算法的能量消耗模型，網(wǎng)絡(luò)中的節(jié)點根據(jù)需要通信的距離選擇相應(yīng)的模型[8]，算法通信過程中節(jié)點每發(fā)送k bit數(shù)據(jù)所需要消耗的能量為

同樣，節(jié)點每接受k bit的數(shù)據(jù)信息時需要消耗的能量為

式中：Eelec為無線模塊電路的能量;d為待測區(qū)域中節(jié)點之間的通信距離;Efs，Emp為路由通信系統(tǒng)中信道模型功率放大系數(shù)。

傳輸距離閾值系數(shù)：

2?算?法

為解決基站附近簇頭任務(wù)過重導(dǎo)致的“熱區(qū)”問題和均衡網(wǎng)絡(luò)節(jié)點能量消耗以延長網(wǎng)絡(luò)生命周期，提出的基于PSO算法的非均勻分簇算法分為基于粒子群優(yōu)化選舉簇頭的非均勻分簇階段;單跳多跳結(jié)合的路由通信階段;基于節(jié)點信息熵的數(shù)據(jù)融合階段。

2.1?非均勻分簇階段

非均勻分簇階段又分為簇頭選舉階段和成簇階段。首先在待檢測區(qū)域的全部節(jié)點中選擇簇頭，并綜合節(jié)點和基站距離、節(jié)點密度以及能量計算候選簇頭節(jié)點的競爭半徑，完成簇的建立。候選簇頭節(jié)點的選舉方法采用LEACH算法的簇頭選舉方法：網(wǎng)絡(luò)中的傳感器節(jié)點在算法的初始化階段分別隨機生成一個隨機數(shù)μ，若0<μ<1，設(shè)置節(jié)點當選為簇頭的閾值T[9];若μ<T則節(jié)點被選舉為候選簇頭，非候選簇頭節(jié)點休眠，直到算法中的初始簇頭選擇階段結(jié)束。對算法中閾值T進行改進，基于網(wǎng)絡(luò)中的各種因素，綜合考慮節(jié)點能量、節(jié)點密度、節(jié)點距基站距離3個因素進行改進。

式中：p是待測區(qū)域中的節(jié)點被選為簇頭的概率;r為算法的輪數(shù);G為網(wǎng)絡(luò)中最近1/p輪被選為簇頭的所有傳感器節(jié)點的集合;dmin和dmax分別為在網(wǎng)絡(luò)所有節(jié)點中和sink節(jié)點最近的距離和最遠的距離;di為節(jié)點與sink節(jié)點的距離;E0和Ei為網(wǎng)絡(luò)中節(jié)點的初始能量和當前能量;Qi為節(jié)點附近網(wǎng)絡(luò)范圍內(nèi)的密度。Neighbor（i）alive為節(jié)點附近存活節(jié)點數(shù)目;Networkalive為網(wǎng)絡(luò)存活節(jié)點數(shù)目。

為了實現(xiàn)非均勻分簇，對候選簇頭節(jié)點引入不同的競爭半徑。根據(jù)網(wǎng)絡(luò)中節(jié)點的當前剩余能量、一定范圍內(nèi)的節(jié)點密度以及節(jié)點距基站距離設(shè)計競爭半徑。為了減少基站附近節(jié)點的能量消耗過多導(dǎo)致的“熱區(qū)”問題，剩余能量相同的情況下，距離基站越近的節(jié)點成簇半徑越小[10]。簇半徑的減小可使基站附近的簇內(nèi)能量減少，簇頭有更多的能量進行簇間通信。另外，節(jié)點簇中能量的消耗還和節(jié)點密度有關(guān)系，密度越大能量消耗越快，相應(yīng)的競爭半徑也就越小。

競爭半徑的計算公式為

式中：R為傳感器節(jié)點的最大覆蓋半徑;c為（0～1）之間的常數(shù);候選簇頭i以Rc為半徑廣播網(wǎng)絡(luò)中傳感器節(jié)點的數(shù)據(jù)信息，分別為節(jié)點ID，節(jié)點當前剩余能量，節(jié)點競爭半徑R。其中候選節(jié)點通過接收到的數(shù)據(jù)信息建立節(jié)點信息集，并且根據(jù)所接收的信息選擇鄰居節(jié)點中剩余能量最多的節(jié)點作為初始簇頭。一旦初始簇頭被選擇，則網(wǎng)絡(luò)中其周圍Rc范圍內(nèi)的所有候選節(jié)點都不可再被選為初始簇頭。

初始簇頭確定之后廣播簇頭信息，非候選簇頭停止休眠，選擇通信代價最小的簇頭加入，完成簇的建立。

2.2?PSO優(yōu)化簇頭選舉階段

進行初始簇頭的選舉之后，在PSO算法的基礎(chǔ)上選擇最終簇頭來降低路由算法的復(fù)雜度[11]。對閾值k進行區(qū)分，如果網(wǎng)絡(luò)中簇的半徑大于閾值k，則引用PSO算法對簇頭選取進行最終優(yōu)化。對PSO基本算法進行改進使其適用于本算法中，并對適值函數(shù)進行改進。

傳感器節(jié)點分布于平面坐標內(nèi)，網(wǎng)絡(luò)節(jié)點的位置由x，y坐標上的分量決定：

適應(yīng)值函數(shù)的確定主要考慮以下幾個要素。

1）簇頭能量因子

選簇時應(yīng)首先考慮簇頭的能量問題，簇頭負責本簇全網(wǎng)通信部分，相對消耗的能量較多。現(xiàn)考慮節(jié)點剩余能量和網(wǎng)絡(luò)中所有節(jié)點的能量關(guān)系，將簇頭能量因子引入適應(yīng)值函數(shù)中：

2）分簇緊湊性因子

網(wǎng)絡(luò)節(jié)點成簇過程中，應(yīng)給予位置較優(yōu)的節(jié)點更多成為簇頭的機會，簇頭距離簇內(nèi)節(jié)點的平均距離越小，則通信消耗越小?？紤]節(jié)點分布，將分簇緊湊性因子引入適應(yīng)值函數(shù)中：

3）簇頭距離基站因子

f3（pj）為網(wǎng)絡(luò)中各個簇頭之間距離的評價因子，表示基站到各個簇首的平均歐氏距離與基站到網(wǎng)絡(luò)區(qū)域中心的歐氏距離的比值。

2.3?路由通信階段

本算法采用簇內(nèi)單跳，簇間單跳多跳結(jié)合的路由規(guī)則[12]來避免路由通信中“熱區(qū)”問題和減少數(shù)據(jù)傳輸能量消耗問題。簇頭對成員節(jié)點的數(shù)據(jù)進行融合處理之后，如果簇頭和基站之間距離小于單跳通信閾值d0，則選擇單跳方式，否則采用多跳通信方式。在數(shù)據(jù)傳輸之前，簇內(nèi)的簇頭節(jié)點先廣播自己的信息，其中包括簇頭節(jié)點ID、簇內(nèi)包含節(jié)點數(shù)、網(wǎng)絡(luò)內(nèi)當前節(jié)點的能量和位置信息。簇頭節(jié)點根據(jù)接收到的廣播信息建立一張鄰居簇頭信息表[13]。

簇頭Hi根據(jù)貪婪算法在網(wǎng)絡(luò)中鄰居簇頭群中進行下一跳節(jié)點的選擇，選擇算法節(jié)點中代價函數(shù)最小的節(jié)點為算法的下一跳節(jié)點。如式（14）所示：

式中：dCHi為簇頭Hi到基站的距離;max dCH為各個鄰居簇頭節(jié)點到基站距離的最大值;ECHi為簇頭Hi的當前剩余能量;max ECH為鄰居簇頭節(jié)點中當前剩余能量的最大值;NCHi為簇頭Hi的簇內(nèi)節(jié)點數(shù);max NCH為鄰居簇頭節(jié)點中簇內(nèi)節(jié)點數(shù)的最大值;α，β，γ為權(quán)重因子，α+β+γ=1。代價函數(shù)的設(shè)計基于節(jié)點的剩余能量、距基站的距離和節(jié)點密度，簇頭節(jié)點剩余能量越大、距離基站越近、節(jié)點密度越大則其代價函數(shù)值越小，被選為下一跳節(jié)點的可能性越大。

2.4?數(shù)據(jù)融合階段

基于節(jié)點的信息熵對簇內(nèi)數(shù)據(jù)進行融合處理，有效剔除簇內(nèi)節(jié)點冗余數(shù)據(jù)，提高節(jié)點數(shù)據(jù)信息融合效率。信息熵是一種基于信息表現(xiàn)特征的統(tǒng)計形式，反映信息中平均信息量的多少[14]。在本算法中節(jié)點的信息熵值所體現(xiàn)的是網(wǎng)絡(luò)中節(jié)點之間數(shù)據(jù)信息的相似程度，為算法的數(shù)據(jù)融合提供有效依據(jù)。通常來說信息熵越小系統(tǒng)越有序，信息熵越大系統(tǒng)越無序。

由于環(huán)境等各種因素給采集節(jié)點數(shù)據(jù)造成一些誤差，所以利用格羅貝斯準則對數(shù)據(jù)進行預(yù)處理（格羅貝斯準則可以有效剔除疏失誤差，從而將遠離真實值的數(shù)據(jù)相對減少），這樣就可以采用信息熵進行數(shù)據(jù)融合，提高數(shù)據(jù)融合的精確性。

選擇所接收節(jié)點的加權(quán)數(shù)據(jù)均值為空間特征量，并根據(jù)所接收數(shù)據(jù)計算網(wǎng)絡(luò)節(jié)點i的加權(quán)數(shù)據(jù)均值di和簇內(nèi)節(jié)點的加權(quán)數(shù)據(jù)均值d′i，組成二元特征組（di，d′i）。聯(lián)合概率密度為

設(shè)定二維信息熵的閾值H0，當H<H0時，數(shù)據(jù)中存在異變極值數(shù)據(jù)。當簇內(nèi)傳感器節(jié)點數(shù)據(jù)有趨同性時，求出簇內(nèi)節(jié)點數(shù)據(jù)閾值{L，H}，對節(jié)點數(shù)據(jù)進行有序融合。其中L為網(wǎng)絡(luò)節(jié)點數(shù)據(jù)群中的下限閾值，H為網(wǎng)絡(luò)節(jié)點數(shù)據(jù)群中的上限閾值。當簇內(nèi)傳感器節(jié)點具有趨異性時，根據(jù)閾值{L，H}對趨同數(shù)據(jù)進行數(shù)據(jù)融合。

3?算法仿真結(jié)果

在Matlab平臺上進行改進算法、EEUC算法和UCRA算法的多項性能對比。將400個傳感器節(jié)點隨機分布在200 m×200 m的區(qū)域中，實驗參數(shù)如表1所示。

3.1?網(wǎng)絡(luò)生命周期對比

首先對3種算法的生命周期和穩(wěn)定期進行比較，如圖1所示，改進算法比EEUC算法和UCRA算法有效延長了網(wǎng)絡(luò)的生命周期。圖2選擇了網(wǎng)絡(luò)中死亡節(jié)點分別為1，100，200，300，400時網(wǎng)絡(luò)算法的運行輪數(shù)。

3.2?網(wǎng)絡(luò)能量消耗對比

圖3對EEUC算法、UCRA算法和改進算法的網(wǎng)絡(luò)中總剩余能量進行了對比， EEUC算法的能量最先耗盡，UCRA算法也在1 400余輪耗盡。相比于EEUC算法和UCRA算法，改進算法的剩余能量最多，而且能量消耗趨近于直線。改進算法在非均勻分簇階段引入PSO算法優(yōu)化了選舉簇頭，減少了簇內(nèi)節(jié)點的能量消耗，且簇頭采用單跳和多跳結(jié)合的路由規(guī)則，減少了簇頭能量消耗。采用基于信息熵的數(shù)據(jù)融合方法，降低簇內(nèi)節(jié)點能量消耗，使整個網(wǎng)絡(luò)生命周期中的能量消耗較為均衡，網(wǎng)絡(luò)生命周期得到顯著延長。

3.3?引入PSO算法后的成簇效果對比

圖4為EEUC算法的成簇效果，圖5為改進算法的成簇效果。改進算法采用PSO算法進行簇頭選舉，修正了簇頭分布不均的不足，簇內(nèi)節(jié)點分布合理，節(jié)點位置更加接近簇的幾何中心。

3.4?簇頭能量消耗對比

在網(wǎng)絡(luò)中隨機選擇其中10輪的運行結(jié)果，對網(wǎng)絡(luò)中所有簇頭節(jié)點的總能量消耗進行對比。如圖6所示，EEUC算法因其網(wǎng)絡(luò)中簇頭節(jié)點的分布不均勻使簇首能量消耗較高，UCRA算法基于加權(quán)的非均勻分簇相對減少了簇頭的能量消耗，改進算法在UCRA算法的基礎(chǔ)上采用簇頭選舉方法和路由規(guī)則，更有效地降低了簇頭能量消耗。

3.5?基站接收數(shù)據(jù)量

圖7為算法穩(wěn)定期結(jié)束網(wǎng)絡(luò)中產(chǎn)生第1個死亡節(jié)點時，基站在4次運行時的接收數(shù)據(jù)量。仿真結(jié)果顯示，改進算法的數(shù)據(jù)傳輸量比EEUC算法和UCRA算法分別提高了約20%和10%，表明了改進算法采用信息熵進行數(shù)據(jù)融合提高了數(shù)據(jù)的融合效率，使算法在數(shù)據(jù)傳輸方面具有優(yōu)越性。

4?結(jié)?語

提出了基于PSO算法的信息熵數(shù)據(jù)融合非均勻分簇路由算法。算法主要分為基于粒子群優(yōu)化選舉簇頭的非均勻分簇階段;單跳多跳結(jié)合的路由通信階段;基于節(jié)點信息熵的數(shù)據(jù)融合階段。對簇頭選舉和非均勻分簇的優(yōu)化均衡網(wǎng)絡(luò)的能量消耗進行改進，有效改善了“熱區(qū)”問題。仿真結(jié)果表明，該算法有效地延長了網(wǎng)絡(luò)穩(wěn)定期和生命周期，減少了網(wǎng)絡(luò)中節(jié)點能量消耗，并體現(xiàn)了數(shù)據(jù)傳輸?shù)膬?yōu)越性。本文的不足之處是在基于節(jié)點信息熵進行數(shù)據(jù)融合階段的復(fù)雜度過高，在今后的工作中將主要對其進行研究改進，進一步提高數(shù)據(jù)的融合效率。

參考文獻/References：

[1]孫利民. 無線傳感器網(wǎng)絡(luò)[M]. 北京： 清華大學出版社，2005.

[2]HEINZELMAN W R， CHANDRAKASAN A， BALAKRISHNAN H. Energy-efficient communication protocol for wireless microsensor networks[C]// Proceedings of the 33rd Hawaii International Conference on System Sciences.[S.l.]：[s.n.]，2000：3005-3014.

[3]盧先領(lǐng)，王瑩瑩，王洪斌，等.無線傳感網(wǎng)絡(luò)能量均衡的非均勻分簇算法[J].計算機科學，2013，40（5）：78-81.

LU Xianling， WANG Yingying， WANG Hongbin， et al.Energy-balanced unequal clustering algorithm in wireless sensor network[J].Computer Science，2013，40（5）：78-81.

[4]MHATRE V， ROSENBERG C. Design guidelines for wireless sensor networks： Communication， clustering and aggregation[J].Ad Hoc Networks，2004，2（1）：45-63.

[5]潘繼強，馮永政.改進LEACH的傳感器網(wǎng)絡(luò)分簇路由算法[J]吉林大學學報（理學版），2018，56（6）：1476-1482.

PAN Jiqiang， FENG Yongzheng. Improved?LEACH clustering

routing algorithm of sensor network[J].Journal of Jinlin University

（Science Edition）， 2018，56（6）：1476-1482.

[6]SINHA A， LOBIYAL D K. An entropic approach to data aggregati

on with divergence measure based clustering in sensor network[J].

Advances in Computing and Communications，2011，192（7）：132-142.

[7]張瑞華，賈智平，程合友.基于非均勻分簇和最小能耗的無線傳感網(wǎng)絡(luò)路由算法[J].上海交通大學學報，2012，46（11）：1774-1778.

ZHANG Ruihua，JIA Zhiping，CHENG Heyou. The routing algorithm for WSNs based on unequal clustering and minimum energy consumption[J].Journal of Shanghai Jiaotong University，

2012，46（11）：1774-1778.

[8]蔣暢江，石為人，唐賢倫，等.能量均衡的無線傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議[J].軟件學報，2012，23（5）：1222-1232.

JIANG Changjiang， SHI Weiren， TANG Xianlun， et al. Energy-

balanced unequal clustering routing protocol for wireless sensor networks[J].Journal of Software，2012，23（5）：1222-1232.

[9]侯華，劉超，周武旸.能量高效均衡的動態(tài)分簇路由設(shè)計[J].北京郵電大學學報，2013，36（3）：54-59.

HOU Hua， LIU Chao， ZHOU Wuyang. Design of a clustering and dynamic routing based on energy efficient and balanced[J].Journal of Beijing University of Posts and Tele-communications，

2013，36（3）：54-59.

[10]徐晶晶，張欣慧，許必宵，等.無線傳感器網(wǎng)絡(luò)分簇算法綜述[J].計算機科學，2017，44（2）：31-37.

XU Jingjing，ZHANG Xinhui，XU Bixiao，et al. Survey of clustering algorithms for wireless sensor networks[J].Computer Science，2017，44（2）：31-37.

[11]鄒杰，史長瓊，姬文燕. 基于粒子群優(yōu)化的非均勻分簇路由算法[J].計算機應(yīng)用，2012，32（1）：131-133.

ZOU Jie， SHI Changqiong， JI Wenyan. Uneven clustering routing

algorithm based on particle swarm optimization[J].Journal of

Computer Applications，2012，32（1）：131-133.

[12]MAO Song， ZHAO Chenlin， ZHOU Zheng， et al. An improved fuzzy unequal clustering algorithm for wireless sensor network[J].

Mobile Networks and Applications，2013，18（2）：206-214.

[13]尚靜，董增壽，康琳.基于非均勻分環(huán)與最小通信代價的路由算法[J].傳感技術(shù)學報，2018，31（3）：449-455.

SHANG Jing， DONG Zengshou， KANG Lin. A routing algorithm based on unequal ring and minimum communication cost[J].Chinese Journal of Sensors and Actuators， 2018，31（3）：449-455.

[14]劉雅娜，黃戰(zhàn)華.負載均衡的高效傳感器網(wǎng)絡(luò)非均勻路由算法[J].計算機工程與設(shè)計，2018，39（6）：1546-1552.

LIU Yana， HUANG Zhanhua. High efficiency non-uniformed load-balanced routing algorithm of WSN[J]. Computer Engineering and Design，2018，39（6）：1546-1552.

[15]LEE S，CHOE H， PARK B， et al. LUCA： An energy-efficient unequal clustering algorithm using location information for wireless sensor networks[J].Wireless Personal Communications，2011，56（4）：715-731.

[16]BAGCI H， ADNAN Y. An energy aware fuzzy approach to unequal clustering in wireless sensor networks[J].Applied Soft Computing，2013，13（4）：1741-1749.