基于分級鄰近節(jié)點的無線傳感器網(wǎng)絡(luò)分簇路由算法

李洪兵,劉子路,陳 強,2,劉 莎,劉小龍,梁裕巧,楊 震,陳立萬

(1.三峽庫區(qū)地質(zhì)環(huán)境監(jiān)測與災(zāi)害預(yù)警協(xié)同創(chuàng)新分中心,重慶 404120;2.智能信息處理與控制重慶高校市級重點實驗室,重慶 404120; 3.物聯(lián)網(wǎng)與智能控制技術(shù)重慶市工程研究中心,重慶 404120)

0 概述

隨著泛在信息社會的到來,無線傳感器網(wǎng)絡(luò)[1](Wireless Sensor Network,WSN)已成為目前研究的熱點之一,其通常由大量的低能耗低成本的微型傳感器節(jié)點構(gòu)成,通過這些傳感器組成無線網(wǎng)絡(luò)實現(xiàn)對各種環(huán)境的監(jiān)控。作為泛在信息社會的基礎(chǔ),無線傳感器網(wǎng)絡(luò)被應(yīng)用于軍事領(lǐng)域、醫(yī)療領(lǐng)域、安防領(lǐng)域、智能家居[2]領(lǐng)域等。然而,其有限的能量資源和惡劣的環(huán)境為無線傳感器網(wǎng)絡(luò)的應(yīng)用帶來了巨大的挑戰(zhàn)[3]。其中,網(wǎng)絡(luò)的生存周期是無線傳感器網(wǎng)絡(luò)的主要問題,嚴重影響著網(wǎng)絡(luò)的服務(wù)質(zhì)量,因此,高效的路由協(xié)議[4]成為目前重要的研究方向。

無線傳感器網(wǎng)絡(luò)的路由協(xié)議根據(jù)拓撲結(jié)構(gòu)可以分為平面路由協(xié)議[5]和層次路由協(xié)議[6]。平面路由協(xié)議中節(jié)點間沒有等級劃分且作用相同,然而網(wǎng)絡(luò)中節(jié)點間距離比較小使得同一范圍內(nèi)節(jié)點的采集數(shù)據(jù)出現(xiàn)了大量重疊,在信息傳輸時浪費了大量能量[7],同時其網(wǎng)絡(luò)拓補靈活性也很差,隨著無線傳感器網(wǎng)絡(luò)規(guī)模的擴大,這些問題更加嚴重,導(dǎo)致平面路由協(xié)議不再適合大規(guī)模網(wǎng)絡(luò),層次路由協(xié)議[8]開始占據(jù)主導(dǎo)地位。層次路由協(xié)議是將網(wǎng)絡(luò)分為不同層次的簇,由簇首管理簇群,同時可以采用輪循的方式優(yōu)化簇的形成。其中LEACH[8-11](Low Energy Adaptive Clustering Hierarchy)協(xié)議是第一個層次性路由協(xié)議,通過根據(jù)概率選取簇首,并依據(jù)簇首建立簇群的方式將整個網(wǎng)絡(luò)分成了多個子網(wǎng)絡(luò)。

本文提出一種基于分級鄰近節(jié)點的分簇路由(Clustering Routing Based on Hierarchical Neighbor Nodes,CRBHNN)算法。該算法考慮鄰近節(jié)點狀態(tài)對初步選取的簇首進行再優(yōu)化,節(jié)點間通信采用中繼的方式,選取中繼節(jié)點對數(shù)據(jù)傳輸路徑進行優(yōu)化,以避免遠處孤立節(jié)點能耗過大的問題,同時通過中繼節(jié)點的選取均衡網(wǎng)絡(luò)能耗。

1 相關(guān)研究

在所有的分簇路由協(xié)議中,LEACH協(xié)議是第一個層次型路由協(xié)議,其輪循成簇的思想被諸多層次型路由協(xié)議所引用。

PROPOSED[12]協(xié)議是一種基于粒子群算法聚類的路由協(xié)議,該協(xié)議通過粒子群算法先對網(wǎng)絡(luò)節(jié)點進行聚類分簇,再對已形成的簇群進行簇首選取,仿真結(jié)果表明該協(xié)議提高了網(wǎng)絡(luò)的能量利用率,延長了網(wǎng)絡(luò)壽命。然而先成簇后選取簇首的操作使得簇首成為其鄰近節(jié)點的最優(yōu)簇首,但未必是其他簇群成員節(jié)點的最優(yōu)簇首,本文通過先選取簇首再成簇的方式,優(yōu)化簇群的形成來提高簇首的優(yōu)越性。NR-LEACH[13]協(xié)議是一種基于節(jié)點排序的改進LEACH協(xié)議,該協(xié)議通過節(jié)點間路徑開銷和節(jié)點間鏈路數(shù)來確定簇首,克服了簇首依概率選取的缺點,仿真結(jié)果表明該協(xié)議延長了網(wǎng)絡(luò)壽命。然而,該協(xié)議過于倚重特殊節(jié)點會導(dǎo)致網(wǎng)絡(luò)能耗均衡上的劣勢,本文通過對簇首進行再選取的方式來避免簇首選取的完全隨機性,在提高網(wǎng)絡(luò)壽命的同時有效地均衡了網(wǎng)絡(luò)能耗。SEPFL[14]協(xié)議是一種基于模糊邏輯控制的分級路由協(xié)議,通過對節(jié)點到基站的位置、節(jié)點密度以及節(jié)點能量這3個變量進行模糊邏輯控制,提高了網(wǎng)絡(luò)壽命和吞吐量,然而因為該算法使用了模糊控制導(dǎo)致感知節(jié)點計算量增大,本文通過對這些變量進行分級排序來進行控制,有效地減低了感知節(jié)點的計算量。

OCRP[15]協(xié)議是一種基于最優(yōu)分簇的能量異構(gòu)路由協(xié)議,該協(xié)議通過最優(yōu)簇首數(shù)K將待測區(qū)域劃分為K個固定分區(qū),改進簇頭選舉機制,減少了網(wǎng)絡(luò)能耗,提高了網(wǎng)絡(luò)壽命,然而該算法的固定分區(qū)導(dǎo)致了整個網(wǎng)絡(luò)成簇的固定,一定程度上限制了網(wǎng)絡(luò)拓撲結(jié)構(gòu)的變化,本文通過簇首的輪循選取對簇群進行調(diào)整,使簇群的形成更加多樣和靈活,有效地提高了網(wǎng)絡(luò)拓撲結(jié)構(gòu)的靈活性。ABC[16]協(xié)議是一種基于蜂群算法的能量優(yōu)化路由協(xié)議,該協(xié)議通過蜂群算法計算出傳感器網(wǎng)絡(luò)中能量最優(yōu)的簇首節(jié)點組合,同時簇首節(jié)點輪流選擇最近的簇內(nèi)節(jié)點構(gòu)建路由,仿真結(jié)果表明該協(xié)議具有能量消耗速度慢、能量均衡等優(yōu)點,有效地延長了無線傳感器網(wǎng)絡(luò)壽命,然而該算法需要整合整個網(wǎng)絡(luò)的信息并應(yīng)用蜂群算法計算,使得該網(wǎng)絡(luò)需要極大的計算能力,本文通過依據(jù)概率選取簇首,并使每個節(jié)點可以借助鄰近節(jié)點信息進行分布式計算的方式,有效地降低了整個網(wǎng)絡(luò)的計算負載。

2 網(wǎng)絡(luò)模型

2.1 部署模型

場景部署模型[17-18]是由一個基站和部署在一片區(qū)域內(nèi)的多個傳感器節(jié)點構(gòu)成,如圖1所示,傳感器感知節(jié)點從監(jiān)測區(qū)域內(nèi)收集數(shù)據(jù),然后將數(shù)據(jù)發(fā)送給基站。其中節(jié)點的位置是隨機固定的,并且每個傳感器節(jié)點都是相同的,所有的傳感器節(jié)點具有相同的初始能量,當初始能量耗盡后傳感器節(jié)點死亡,基站的能量是無限的,傳感器節(jié)點可以依據(jù)傳輸距離調(diào)整傳輸功率。

圖1 部署模型

2.2 能耗模型

本文使用一種簡單的無線電模型[19]作為能耗模型,如圖2所示,在發(fā)射數(shù)據(jù)時,節(jié)點使用發(fā)射電路發(fā)射數(shù)據(jù),同時使用放大電路對信號進行功放;在接收數(shù)據(jù)時,節(jié)點使用接收電路接收數(shù)據(jù)。

圖2 能耗模型

傳輸[20]d距離的k比特數(shù)據(jù)的能耗ETx(k)為:

(1)

門限距離d0為:

(2)

接收k比特數(shù)據(jù)的能耗ERx(k)為:

ERx(k)=kEelec

(3)

融合k比特數(shù)據(jù)的能耗Ef(k)為:

Ef(k)=kEda

(4)

因此,節(jié)點發(fā)射控制報文的能耗ETx_CM為:

(5)

節(jié)點接收控制報文的能耗ERx_CM為:

ERx_CM=CMEelec

(6)

簇首節(jié)點接收本簇內(nèi)n個簇成員節(jié)點(不經(jīng)過中繼,直接向簇首通信的成員節(jié)點)的數(shù)據(jù)并融合的能耗ERx_f_CH(k,n)為:

ERx_f_CH(k,n)=nkEelec+(n+1)kEda

(7)

簇首向上一級節(jié)點發(fā)射數(shù)據(jù)的能耗ETx_CH(k)為:

(8)

成員節(jié)點向上一級節(jié)點發(fā)射數(shù)據(jù)的能耗ETx_non_CH(k)為:

(9)

中繼節(jié)點接收n個下級成員節(jié)點的數(shù)據(jù)并融合的能耗ERx_f_RE(k,n)為:

ERx_f_RE(k,n)=nkEelec+(n+1)kEda

(10)

其中,Eelec表示運行發(fā)射機和接收機(ETx和ERx)所消耗的能量,εfs和εmp分別為發(fā)射機放大器的自由空間模型和多徑衰減模型功率能耗。數(shù)據(jù)發(fā)送低于d0距離時使用自由空間模型,否則使用多徑模型,Eda為融合1 bit數(shù)據(jù)的能耗。

為了分析和驗證本文算法的優(yōu)越性、有效性和合理性,從簇首分布密度、網(wǎng)絡(luò)能量利用率、節(jié)點剩余能量等因素對算法進行評價。

以簇首間距來映射,間距越大密度越小,n個簇首的簇首間距dCH(n)為:

(11)

第n輪后i節(jié)點剩余能量Ei_n為:

Ei_n=Ei_n-1-Ei_ues

(12)

其中,Ei_ues為節(jié)點i在本輪中消耗的能量。

以網(wǎng)絡(luò)剩余總能量映射,相同周期內(nèi)網(wǎng)絡(luò)剩余總能量越大,利用率越高,網(wǎng)絡(luò)剩余總能量Etotal為:

Etotal=∑Ei_n

(13)

2.3 模型參數(shù)

本文仿真分析所用的模型參數(shù)如表1所示。

表1 模型參數(shù)

依據(jù)n、M、εfs和εmp可得簇首最優(yōu)個數(shù)kopt[21-22]為:

(14)

其中,dtoBS為節(jié)點到基站的距離。

由n和kopt得到簇首選簇概率p為:

(15)

3 無線傳感器網(wǎng)絡(luò)分簇路由算法

3.1 分簇優(yōu)化

3.1.1 LEACH分簇算法

經(jīng)典LEACH協(xié)議是通過閾值T(n)隨機選取網(wǎng)絡(luò)簇首,并通過已選取的簇首形成簇群,再通過簇首調(diào)度自身簇群成員節(jié)點,最終將數(shù)據(jù)傳輸?shù)交?這樣網(wǎng)絡(luò)工作一輪。LEACH協(xié)議通過這樣不斷輪循來均衡和節(jié)約網(wǎng)絡(luò)能耗,延長網(wǎng)絡(luò)壽命。

閾值T(n)為:

(16)

其中,p為簇首在網(wǎng)絡(luò)總節(jié)點中存在的數(shù)量百分比,r為當前進行的輪數(shù),G為上一個1/p輪中沒有成為過簇首的感知節(jié)點集合。

3.1.2 分簇優(yōu)化思路

通過最優(yōu)簇首個數(shù)kopt可以知道理想的簇群數(shù)量,假設(shè)感知區(qū)域是M×M,則理想中的最優(yōu)簇群面積SCH為:

SCH=M2/kopt

(17)

進而得到理想中每個簇首節(jié)點所管理的簇群半徑R為:

(18)

本文算法中將距離某個簇首節(jié)點R0(設(shè)R0=3R/4)距離的普通節(jié)點視為一級簇群成員節(jié)點,如圖3所示。其中,A、B、C為3個簇首節(jié)點,理論上其最優(yōu)簇群范圍分別對應(yīng)圖3中的3個虛線線圈?？梢钥吹?簇首A、B的一級簇群成員節(jié)點范圍(實線圈)出現(xiàn)了重疊區(qū)(AB區(qū),2個實線圈的重疊部分)。通過避免這種重疊區(qū)的出現(xiàn)來避免簇首選取過密造成的簇群不均勻,進而提高簇首節(jié)點的工作效率。

圖3 簇首和理想簇群分布

3.1.3 分簇算法描述

算法1分簇算法

輸入n個感知節(jié)點隨機部署在M×M的感知區(qū)域上,基站位于感知區(qū)域的中心

輸出簇首分布位置和簇群成員

步驟1在每輪開始時,采取和LEACH協(xié)議相同的方法確定候選簇首,其中簇首概率為2p(避免候選簇首選取過少)。

步驟2候選簇首節(jié)點與鄰近的候選簇首節(jié)點通信,如果2個鄰近簇首節(jié)點距離小于3R/2,則表示不同簇內(nèi)的一級成員節(jié)點出現(xiàn)重合,將其中一個候選簇首節(jié)點定為一級簇首節(jié)點,另一個定為二級簇首節(jié)點,確定一級簇首的簇成員范圍和二級簇首的簇成員范圍,其中一級成員確定有更高的優(yōu)先級,即如果一個普通節(jié)點是一級簇首的成員同時也是一個二級簇首的成員,則視其為一級簇首的成員。

步驟3如果存在二級簇首的成員節(jié)點,則這些二級簇首的成員節(jié)點進行第一步操作,即再次進行候選簇首選取,新選取的候選簇首節(jié)點和已確定的一級候選簇首進行鄰近簇首間通信,根據(jù)步驟2的規(guī)則對新的候選簇首節(jié)點進行一級簇首節(jié)點和二級簇首節(jié)點的分類,同時確定相應(yīng)的成員節(jié)點范圍。重復(fù)步驟3直到不存在二級簇首的成員節(jié)點或無法選出新的候選簇首節(jié)點。

步驟4確定一級簇首為優(yōu)化后的最終簇首,進行成簇操作。

步驟5輪循前4步操作,實現(xiàn)簇首和簇群的不斷更新。

3.1.4 分簇優(yōu)化仿真分析

為分析和驗證分簇優(yōu)化的合理性和有效性,下面從簇首的分布位置、簇首分布密度、網(wǎng)絡(luò)剩余總能量分析其合理性,從網(wǎng)絡(luò)壽命驗證其有效性。

圖4為CRBHNN算法30輪時的簇首分布示意圖,圖4(a)為依據(jù)CRBHNN算法的初次候選簇首分布(簇首概率為2p),圖4(b)為依據(jù)CRBHNN算法優(yōu)化完成后的簇首分布,圖5為LEACH算法在30輪時的簇首分布(簇首概率為p)。由圖4(b)與圖5的對比可知,LEACH算法因為簇首是完全隨機選擇的,所以造成有些簇首間相互距離過近,而CRBHNN算法將簇首的成員節(jié)點進行了分級,對某些密集的簇首進行再選舉,使得新算法得到的簇首分布更加均勻。圖6為簇首間距隨周期的變化,簇首間距映射簇首密度的變化。從圖6可以看出,實線大部分分布于虛線上方,表明CRBHNN算法生成的簇首密度明顯小于LEACH算法,驗證了圖4、圖5的分析結(jié)果,證實了CRBHNN算法生成的簇首分布更加均勻;同時圖6中周期的最后不再出現(xiàn)實線線條并不是CRBHNN算法沒有產(chǎn)生簇首,可能是只產(chǎn)生了一個簇首,這主要是因為大量節(jié)點死亡,存活節(jié)點過少,使得簇首出現(xiàn)的概率大幅下降。

圖4 CRBHNN算法在30輪時的簇首分布

圖5 LEACH算法在30輪時的簇首分布

圖6 簇首間距隨周期的變化

圖7為網(wǎng)絡(luò)剩余總能量隨周期的變化,網(wǎng)絡(luò)剩余總能量映射網(wǎng)絡(luò)能量利用率。由圖7可知,實線在初始時位于虛線的上方并保持較長的周期,表明CRBHNN算法在相同的周期內(nèi)消耗的能量更少,證實了CRBHNN算法的網(wǎng)絡(luò)能量利用率比LEACH算法更高,說明CRBHNN的成簇更加合理,簇內(nèi)成員通信的能耗更少;同時周期的最后實線與虛線出現(xiàn)相交,一部分實線處于虛線的下方,這是因為節(jié)點大量死亡后,節(jié)點成為簇首的概率大幅下降,使得一部分節(jié)點直接向基站通信,LEACH算法中這些節(jié)點集中在基站附近,RBHNN算法則分布比較均勻,表明了RBHNN算法選取的簇首更加合理,網(wǎng)絡(luò)能量更加均衡。

圖7 網(wǎng)絡(luò)剩余總能量隨周期的變化

圖8為節(jié)點生存周期。從圖8可以看出,實線在初始時位于虛線的上方并保持了很長的周期,由此可知,在CRBHNN算法中第一個節(jié)點(First Node,FND)死亡和半數(shù)節(jié)點 (Half of all Node,HND) 死亡的出現(xiàn)比在LEACH中更晚,這驗證了算法優(yōu)化的有效性,證明CRBHNN算法的簇首選取優(yōu)于LEACH算法;同時在周期的最后實線與虛線出現(xiàn)相交,實線出現(xiàn)在了虛線的下方,主要是因為節(jié)點存活過少,并且LEACH算法中存活節(jié)點大部分都分布在基站附近,進一步證明了RBHNN算法選取的簇首更加均勻,基站附近的節(jié)點選為簇首的概率大于LEACH算法。該算法優(yōu)化的局限性是遠處的節(jié)點向簇首或者基站通信時會造成能耗的不必要浪費。

圖8 分簇算法節(jié)點生存周期

3.2 路由優(yōu)化

3.2.1 LEACH路由優(yōu)化方法

在經(jīng)典的LEACH算法中,簇首節(jié)點與基站之間和成員節(jié)點與簇首之間是直接通信的,不存在中繼節(jié)點。

本文算法通過將鄰近節(jié)點進行分級來確定節(jié)點的中繼節(jié)點。將距離某個節(jié)點小于d的節(jié)點視為該節(jié)點的鄰近節(jié)點,將節(jié)點剩余能量劃分為6個等級,大于E1(E1=0.8×E0,E0為節(jié)點初始能量)的為一級,小于E1大于E2(E2=0.6×E0)的為二級,小于E2大于E3(E3=0.4×E0)的為三級,小于E3大于E4(E4=0.2×E0)的為四級,小于E4大于E5(E5=0.1×E0)的為五級,小于E5的為六級。同時將節(jié)點i的鄰近節(jié)點中所有Ei_j(Ei_j為節(jié)點i向節(jié)點j通信的能耗)與Ej_BS(Ej_BS為節(jié)點j向基站通信的能耗)的和小于Ei_BS(Ei_BS為節(jié)點i向基站通信的能耗)的節(jié)點j視為節(jié)點i的前向節(jié)點,否則視為后向節(jié)點。

3.2.2 路由算法描述

算法2路由算法

輸入n個感知節(jié)點隨機部署在M×M的感知區(qū)域上,基站位于感知區(qū)域的中心

輸出每個節(jié)點的中繼節(jié)點

步驟1節(jié)點進行鄰近節(jié)點廣播并接收鄰近節(jié)點(通過信號強度確定距離)的廣播信息。

步驟2根據(jù)鄰近節(jié)點信息確定前向節(jié)點和后向節(jié)點,同時對節(jié)點剩余能量進行分級,建立包含前后向節(jié)點標識、能量等級、節(jié)點間距離的鄰近節(jié)點信息表。

步驟3在鄰近節(jié)點中依據(jù)一定的規(guī)則確定自身的中繼節(jié)點或確定自身直接向基站通信。最小能級節(jié)點擁有一級優(yōu)先權(quán),前繼節(jié)點擁有二級優(yōu)先權(quán),自身擁有三級優(yōu)先權(quán),后繼節(jié)點擁有四級優(yōu)先權(quán),節(jié)點距離(中繼節(jié)點離自身的距離)為五級優(yōu)先權(quán),其中距離越短優(yōu)選級越高。以此規(guī)則確定中繼節(jié)點,若最終確定為自身則直接向基站通信,否則向中繼節(jié)點通信。

步驟4輪循前3步操作,實現(xiàn)中繼節(jié)點的不斷更新。

3.2.3 路由優(yōu)化仿真分析

為分析和驗證路由優(yōu)化的合理性和有效性,下文從路由路徑、網(wǎng)絡(luò)剩余能量分析其合理性,從網(wǎng)絡(luò)壽命驗證其有效性。

圖9和圖10分別為CRBHNN和LEACH算法的路由路徑。從圖9和圖10可以看出,CRBHNN算法中遠處的節(jié)點都是通過多個中繼節(jié)點向基站進行通信,而LEACH算法中簇群成員節(jié)點是經(jīng)過簇首向基站通信,簇首節(jié)點是直接向基站通信,因此LEACH算法中遠處的節(jié)點能耗更大;同時CRBHNN算法中數(shù)據(jù)在眾多中繼節(jié)點處進行數(shù)據(jù)融合,進一步提高了能量利用效率。

圖9 CRBHNN算法路由路徑

圖10 LEACH算法路由路徑

圖11為網(wǎng)絡(luò)剩余總能量隨周期的變化。從圖11可以看出,實線在初始時位于虛線的上方并保持了較長的周期,由此可知,CRBHNN算法的能量利用率比LEACH算法更高,進一步證實了圖9和圖10的分析結(jié)果,同時圖中實線與虛線發(fā)生相交后,虛線處在了實線上方,這是因為節(jié)點大量死亡后LEACH算法中留下的節(jié)點大部分位于基站附近,進一步證實了RBHNN算法能量均衡性優(yōu)于LEACH算法。

圖11 路由算法中網(wǎng)絡(luò)剩余總能量隨周期的變化

圖12為第一個節(jié)點死亡時的節(jié)點剩余能量。從圖12可以看出,虛線大部分位于實線上方并且虛線起伏明顯大于實線,由此可知,CRBHNN算法的能量均衡性明顯優(yōu)于LEACH算法,這是由于CRBHNN算法在選取中繼節(jié)點時對節(jié)點剩余能量進行了分級,使高能量節(jié)點有更大的概率為負載的中繼節(jié)點工作,通過增大高能量節(jié)點的負載、減少低能量節(jié)點的能耗來均衡網(wǎng)絡(luò)能耗,而LEACH算法是完全隨機選取的簇首,并未考慮能耗方面,進一步證實了圖11的分析結(jié)果。

圖12 第一個節(jié)點死亡時的節(jié)點剩余能量

圖13為節(jié)點生存周期。從圖13可以看出,實線在初始時位于虛線的上方并保持了很長的周期,由此可知,CRBHNN算法的FND和HND比LEACH算法晚出現(xiàn)很多,這驗證了CRBHNN算法可以更有效地均衡節(jié)點能耗,提高節(jié)點的能量利用率,延長網(wǎng)絡(luò)壽命,證實了CRBHNN算法在路由方面優(yōu)于LEACH算法;同時在網(wǎng)絡(luò)后期實線與虛線出現(xiàn)相交并且實線處于虛線的下方,這是因為節(jié)點大量死亡后,LEACH算法中存活的節(jié)點大部分位于基站附近,使其死亡速度減緩,而CRBHNN算法存活的節(jié)點更加均勻,進一步證實了RBHNN算法有更好的能量均衡性。該路由優(yōu)化的局限性是當鄰近節(jié)點范圍定義過大時會造成一定程度的通信延遲。

圖13 路由算法節(jié)點生存周期

3.3 CRBHNN算法

3.3.1 CRBHNN算法優(yōu)化方法

本文算法綜合考慮簇首優(yōu)化算法和路由優(yōu)化算法的優(yōu)缺點,通過整合這2種算法來達到最優(yōu)化。在簇首選取階段是通過改進的分簇優(yōu)化方法對整個無線傳感器網(wǎng)絡(luò)中的節(jié)點進行分簇,通過限定簇群范圍來限定鄰近節(jié)點范圍;在簇內(nèi)成員與簇首的通信階段是依據(jù)路由優(yōu)化算法對數(shù)據(jù)傳輸路徑進行優(yōu)化,如圖14所示,將圖10中的虛線路徑優(yōu)化為圖14中的虛線路徑,使遠處的成員節(jié)點通過中繼節(jié)點向簇首通信;在簇首與基站間通信階段同樣是依據(jù)路由優(yōu)化算法對數(shù)據(jù)傳輸路徑進行優(yōu)化,如圖14所示,將圖10中的虛點線路徑優(yōu)化為圖14中的虛點線路徑,使遠處的簇首通過中繼節(jié)點向基站通信,最終達到延長網(wǎng)絡(luò)壽命的目的。

圖14 CRBHNN算法的數(shù)據(jù)傳輸路徑

3.3.2 CRBHNN算法描述

算法3CRBHNN算法

輸入n個感知節(jié)點隨機部署在M×M的感知區(qū)域上,基站位于感知區(qū)域的中心

輸出簇首分布位置、簇群成員和每個節(jié)點的中繼節(jié)點

步驟1依據(jù)CRBHNN分簇算法選取簇首同時確定各自的簇群成員。

步驟2依據(jù)CRBHNN路由算法確定每個簇群中成員節(jié)點的中繼節(jié)點,簇群成員以此路徑向簇首傳輸數(shù)據(jù);依據(jù)CRBHNN路由算法確定每個簇首的中繼節(jié)點,簇首以此路徑向基站傳輸數(shù)據(jù)。

步驟3輪循步驟1、步驟2的操作,實現(xiàn)網(wǎng)絡(luò)拓撲的不斷更新。

3.3.3 仿真結(jié)果與分析

為驗證本文CRBHNN算法的有效性、可行性和優(yōu)越性,從網(wǎng)絡(luò)剩余總能量、節(jié)點剩余能量和節(jié)點生存周期來對算法進行評價,并與LEACH算法、LEACHC算法、DEEC算法和CECA算法進行對比。

圖15為網(wǎng)絡(luò)剩余總能量隨周期的變化。從圖15可以看出,無標記的實線在初始時位于其他線的上方并保持了很長的周期,在網(wǎng)絡(luò)能量利用率上CRBHNN算法明顯優(yōu)于其他算法,這是因為在數(shù)據(jù)傳輸階段,數(shù)據(jù)的傳輸經(jīng)過了大量的中繼節(jié)點,只需相對短的路徑就可以完成傳輸,同時數(shù)據(jù)也在中繼節(jié)點進行了融合,進一步減少了數(shù)據(jù)傳輸?shù)哪芎?明顯優(yōu)于其他算法的直傳方式,同時在后期無標記的實線與其他線相交后處于其他線下方,也是因為其他算法的存活節(jié)點大部分位于基站附近,進一步證明了CRBHNN算法的能量均衡性優(yōu)于其他算法。

圖15 不同算法網(wǎng)絡(luò)剩余總能量隨周期的變化

圖16為首節(jié)點死亡時的節(jié)點剩余能量。從圖16可以看出,無標記的實線大部分位于其他線的下方并且無標記的實線的起伏明顯小于其他線,由此可知,在能量負載均衡上CRBHNN算法明顯優(yōu)于其他算法,這是因為對節(jié)點剩余能量進行了分級,使得剩余能量多的節(jié)點更易于成為中繼節(jié)點,減少剩余能量少的節(jié)點的通信負載,對節(jié)點能量進行了一定程度的均衡,而其他算法只在簇首選取時考慮了能量這一因素,并未進行全面考慮。

圖16 首節(jié)點死亡時的節(jié)點剩余能量

圖17為節(jié)點生存周期。從圖17可以看出,無標記的實線在初始時位于其他線的上方并保持了很長的周期,由此可知,CRBHNN算法的FND和HND比其他算法晚出現(xiàn)很多,證實了其生存周期明顯優(yōu)于其他算法,這也充分證明了CRBHNN算法的有效性和優(yōu)越性,這主要是因為CRBHNN算法在進行隨機選取簇首后又對其分布位置進行優(yōu)化,使其分簇更加均勻,實現(xiàn)了簇首選取的優(yōu)化,同時考慮能量等因素采用中繼方式進行信息傳輸,均衡了網(wǎng)絡(luò)負載,提高了能量利用率;同時在后期無標記的實線與其他線相交后處于其他線的下方,也是因為其他算法的存活節(jié)點大部分位于基站附近,這進一步證明了CRNHNN算法能量均衡性優(yōu)于其他算法。

圖17 CRBHNN算法節(jié)點生存周期

4 結(jié)束語

為延長網(wǎng)絡(luò)壽命提高網(wǎng)絡(luò)服務(wù)質(zhì)量,本文對無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)傳輸能耗模型進行研究,提出一種基于分級鄰近節(jié)點的分簇路由算法。在分簇階段通過對簇群成員進行分級,對不合理的簇首進行再選舉,解決了簇首分布的完全隨機性問題,使得簇首可以更均勻地分布在感知區(qū)域中。在數(shù)據(jù)傳輸階段通過對鄰近節(jié)點進行分級,確立各個節(jié)點對應(yīng)的中繼節(jié)點,解決遠處孤立節(jié)點傳輸能耗過大和網(wǎng)絡(luò)能量不均衡的問題,同時多次的數(shù)據(jù)融合也提高了能量利用率。仿真結(jié)果表明,與LEACH、CECA、DEEC等算法進行對比,該算法可以有效減少和均衡網(wǎng)絡(luò)負載能耗,提高能量利用率,最終達到延長網(wǎng)絡(luò)壽命的目的。CRBHNN為分布式路由算法,是基于一定范圍內(nèi)的鄰近節(jié)點信息進行的優(yōu)化,可能會導(dǎo)致部分范圍內(nèi)的優(yōu)化在整體上不夠突出,下一步將與集中式算法結(jié)合來優(yōu)化路由算法。