基于改進蟻群算法的無線傳感網(wǎng)絡(luò)路由算法研究

張文柱，孔維鵬，高 鵬，孫瑞華

(西安建筑科技大學 信息與控制工程學院，西安 710055)

0 引言

無線傳感網(wǎng)絡(luò)(wireless sensor network，WSN)通常由大量相對較小的節(jié)點組成，每個節(jié)點配備有傳感設(shè)備。大多數(shù)傳感網(wǎng)絡(luò)使用無線通信，節(jié)點通常由電池供電，且不可更換，一旦中斷，將對網(wǎng)絡(luò)的傳輸造成很大影響。WSN由傳感器節(jié)點和匯聚節(jié)點組成。傳感器節(jié)點負責收集和轉(zhuǎn)發(fā)數(shù)據(jù)，匯聚節(jié)點在本地分析數(shù)據(jù)并將數(shù)據(jù)轉(zhuǎn)發(fā)到基站(BS)。無線傳感網(wǎng)絡(luò)與有線傳感網(wǎng)絡(luò)的關(guān)鍵區(qū)別在于，無線傳感網(wǎng)絡(luò)中的傳感器節(jié)點僅依賴于自己的電池，因此功率、能耗、計算能力、儲存資源都是有限的[1]。所以如何降低網(wǎng)絡(luò)的能量消耗，延長網(wǎng)絡(luò)生命周期成為該領(lǐng)域的重中之重。

針對上述問題，已經(jīng)有許多專家學者對目前的路由算法進行改進，文獻[2]提出的ARA算法是最早將蟻群算法應(yīng)用到移動自組織網(wǎng)絡(luò)中，該算法減少了數(shù)據(jù)包類型，在節(jié)點信息素低于某個值時自動進入休眠狀態(tài)以減少不必要的能量消耗，但是該方法會產(chǎn)生冗余節(jié)點，增加算法的復(fù)雜度并產(chǎn)生無關(guān)路徑。隨后提出的IARA算法考慮到了鄰域冗余節(jié)點并進行篩選，并用角度和距離來限制節(jié)點間的傳輸，避免了無關(guān)路徑的產(chǎn)生，但是該算法在路徑?jīng)Q策時，增加了算法復(fù)雜度，收斂速度較慢。文獻[3]提出了基于改進蟻群算法的分簇路由協(xié)議LEACH-VA，它利用幾何關(guān)系將螞蟻的數(shù)據(jù)包結(jié)構(gòu)、信息素更新規(guī)則進行改進，并在簇內(nèi)運用多跳的路由傳輸方式，而且前向螞蟻具有收集跳數(shù)和所經(jīng)過路徑對其他路徑的負反饋條件，綜合多因素來調(diào)整路由，得到全局最優(yōu)解。但該算法存在頻繁的動態(tài)分簇導致能量消耗過多。文獻[4]提出一種基于蟻群算法的能量有效路由協(xié)議EEABR，將節(jié)點平均剩余能量和跳數(shù)加入到信息素增量中進行信息素更新。但是在信息素更新過程中，離Sink節(jié)點較近或者一些節(jié)點分布密集的區(qū)域存在頻繁的數(shù)據(jù)傳輸，僅僅靠增量公式的計算更新信息素不夠精確而且會消耗更多的能量。而且由于數(shù)據(jù)包中只有兩條節(jié)點的信息，容易形成環(huán)路，不利于能量的均衡。IEEABR針對EEABR存在的問題進行改進，分別定義前向螞蟻和后向螞蟻的數(shù)據(jù)結(jié)構(gòu)；啟發(fā)函數(shù)中加入鄰域節(jié)點的剩余能量，增加了高能量節(jié)點成為下一跳節(jié)點的概率；前向螞蟻和后向螞蟻采用不同的信息素更新，使后續(xù)螞蟻優(yōu)先選擇剩余能量較高的節(jié)點。但是由于信息素的更新是一個正反饋過程，這會導致大量螞蟻聚集在最佳路徑導致節(jié)點能量消耗過高而死亡，而非最優(yōu)路徑上的信息素濃度逐漸降低，出現(xiàn)荒廢路徑且有充足能量。

綜合考慮多種路由算法，本文提出一種新的基于改進蟻群算法的路由算法。在網(wǎng)絡(luò)結(jié)構(gòu)方面，加入網(wǎng)絡(luò)分隔帶和搜索角，并結(jié)合節(jié)點剩余能量，共同限制下一跳節(jié)點的轉(zhuǎn)移概率；同時改進啟發(fā)函數(shù)，加入能量影響因子，增強算法尋優(yōu)，避免陷入局部最優(yōu)；在信息素更新方面，引入閾值機制并設(shè)立最優(yōu)路徑權(quán)重值來尋找最優(yōu)路徑。

1 無線傳感網(wǎng)絡(luò)模型

1.1 網(wǎng)絡(luò)模型

為了簡化無線傳感網(wǎng)絡(luò)的節(jié)點，對每個節(jié)點進行以下假設(shè)：

假設(shè)監(jiān)測區(qū)域為一個二維平面區(qū)域，N個傳感器節(jié)點隨機分布在該區(qū)域，且只有一個基站。任何一個節(jié)點都能被監(jiān)測到，并且擁有唯一的ID號：1,2,3,4,5,n,同時與Sink節(jié)點構(gòu)成一個集合N={n1,n2,n3…,sink}。每個傳感器節(jié)點的通信半徑、感知半徑、初始能量都是相同的，節(jié)點被部署后，網(wǎng)絡(luò)拓撲結(jié)構(gòu)將不再發(fā)生變化。在信息傳輸過程中，傳感器節(jié)點與Sink節(jié)點將不會有能量補充，且Sink節(jié)點具有無限的能量。用于發(fā)送和接收信息的的無線鏈路是對稱的[5-6]。

1.2 數(shù)學模型

無線傳感網(wǎng)絡(luò)可以被看成一個賦權(quán)無向圖，由式(1)表示出：

G=

(1)

其中：V表示無線傳感網(wǎng)絡(luò)的節(jié)點集合，E表示無線傳感網(wǎng)絡(luò)的通信鏈路集合。

V可以具體表示為：

V={v1,v2,…,vn,vsink}

(2)

上式中，表示無線傳感網(wǎng)絡(luò)的Sink節(jié)點，其他節(jié)點用表示。

E可以具體表示為：

E={e1,e2,e3,…,en}

(3)

假設(shè)無線傳感網(wǎng)絡(luò)的節(jié)點有效傳輸距離為，代表傳感器節(jié)點a、b之間的距離，E將進一步表示為：

E={ei|D(va,vb)≤R0,va,vb∈V}

(4)

在無線傳感網(wǎng)絡(luò)中通過以下公式來判斷兩個節(jié)點之間的有效鏈路是否存在，可表示為：

(5)

式(5)中，當i，j之間存在在有效鏈路時表示為1，否則表示為0。

1.3 能耗模型

對于能量有限的無線傳感網(wǎng)絡(luò)，節(jié)點能耗主要集中在節(jié)點的發(fā)送和接收狀態(tài)下，WSN的路由算法設(shè)計與信道能量損失模型密切相關(guān)[7]，因此本文采用的能耗模型如下。

其中，節(jié)點i到節(jié)點j傳輸數(shù)據(jù)過程中消耗能量的具體公式如下：

(6)

其中：d是通信距離，k的單位bit，是節(jié)點發(fā)送數(shù)據(jù)包的長度；Eelec指收發(fā)電路的功耗系數(shù)，εfs和εamp分別是自由空間和多徑衰減信道模型功率放大器的能耗系數(shù)；d0為閾值，由以下公式表示：

(7)

節(jié)點收發(fā)1 kb數(shù)據(jù)傳感器節(jié)點的能耗為：

Erv(k,d)=k*Eelec

(8)

由以上公式可以看出，數(shù)據(jù)傳輸過程中消耗的能量主要由傳輸距離和經(jīng)過的節(jié)點數(shù)目決定。

2 改進的WSN路由優(yōu)化模型

2.1 基本蟻群算法介紹

蟻群算法(ant colony algorithm，ACA)是通過觀察自然界中螞蟻的覓食行為而啟發(fā)產(chǎn)生的群智能算法[8]。大量的螞蟻會從不同的路徑去尋找食物，尋徑過程中每只螞蟻會釋放信息素來記錄走過路徑的信息，后續(xù)的螞蟻會更傾向于選擇信息素濃度較高的路徑，這樣源節(jié)點和目的節(jié)點之間的較短路徑由于經(jīng)過的螞蟻數(shù)量較多會有更高的信息素濃度，所以經(jīng)過大量的螞蟻尋徑，就會產(chǎn)生一條最優(yōu)路徑。該算法所具有的自組織性、并行性和正反饋性適用于在無線傳感網(wǎng)絡(luò)中尋找最佳路由。

在無線傳感網(wǎng)絡(luò)中，假設(shè)節(jié)點的個數(shù)為n，螞蟻的個數(shù)為m，采用蟻群算法對WSN進行優(yōu)化，主要算法步驟如下。

1)假設(shè)當前尋徑螞蟻為k，此時螞蟻正位于i節(jié)點，它轉(zhuǎn)移到下一節(jié)點j的概率為Pij(t)，公式如下：

(9)

(10)

其中:dij表示節(jié)點i和節(jié)點j之間的距離。

2)當螞蟻k完成覓食之后，需要更新它所經(jīng)過路徑的信息素濃度，用公式可以表示為:

τij(t+1)=τij(t)*(1-ρ)+Δτij(t)

(11)

(12)

上式中，ρ表示信息素的蒸發(fā)系數(shù)，且ρ∈[0-1],1-ρ則表示信息素持久性系數(shù)，信息素的濃度會隨著時間的推移不斷蒸發(fā)，從而調(diào)節(jié)路徑上的信息素濃度平衡。其中，信息素濃度更新采用蟻周系統(tǒng)[9](Ant-cycle System)，是在螞蟻到達目的后進行信息素濃度的調(diào)整，即

(13)

式中，Q為常數(shù)，Lk表示螞蟻k在此次尋徑過程中的路徑總長度。

2.2 改進蟻群算法的設(shè)計

基礎(chǔ)蟻群算法的局部尋優(yōu)能力較強，但全局搜索能力較差。當算法運行一段時間后，會出現(xiàn)停滯不前，且搜索速度也會相應(yīng)的降低。為了提升最佳路徑的搜尋速度，在其已有優(yōu)勢的基礎(chǔ)上進行改進，來獲得性能更好的蟻群算法。

2.2.1 網(wǎng)絡(luò)分隔帶和搜索角

經(jīng)典蟻群算法里螞蟻的下一跳由轉(zhuǎn)移概率函數(shù)決定，這種概率取決于下一跳節(jié)點對螞蟻的啟發(fā)作用、信息素濃度[10]。信息素會隨著時間的增加而慢慢揮發(fā)，為了及時利用這些信息素，降低網(wǎng)絡(luò)延遲造成的轉(zhuǎn)移概率不確定性，在蟻群路由優(yōu)化算法中提出網(wǎng)絡(luò)分隔帶的概念[11]，使尋徑螞蟻能夠有目的地尋找下一跳節(jié)點，其原理如圖1所示。

圖1 網(wǎng)絡(luò)分隔帶原理圖

假設(shè)處于n層的節(jié)點i為源節(jié)點，它在選擇下一跳節(jié)點時，只能從當前層n或者鄰近層n+1、n-1內(nèi)的節(jié)點進行選擇。i的鄰近節(jié)點只有A，B，C，D，E，F(xiàn)，和j等節(jié)點。按照以上規(guī)則，i的下一跳節(jié)點只能從鄰近層的節(jié)點中選取，如A，B，C，D，E，F(xiàn)和j等而不能選擇G節(jié)點。這樣能夠使尋徑螞蟻盡可能的向Sink節(jié)點靠攏，減少不必要的跳數(shù)和消耗的能量。

然而，只依賴網(wǎng)絡(luò)分隔帶螞蟻無法精確的選擇最優(yōu)路徑，因為在下一跳節(jié)點選取的時候并沒有考慮該節(jié)點是否靠近Sink節(jié)點，所以有可能選擇與Sink節(jié)點相反方向的節(jié)點。所以在網(wǎng)絡(luò)分隔帶的基礎(chǔ)上，提出搜索角的概念。其原理如圖2所示。

圖2 搜索角原理圖

圖2中，采用源節(jié)點i到Sink節(jié)點的連線與源節(jié)點i到下一跳節(jié)點連線的夾角，與距離因子共同限制下一跳的選擇，來選擇最佳路徑方向。夾角通常限制在，角度越小，則尋徑螞蟻從源節(jié)點到目的節(jié)點之間的距離越接近直線，這樣更容易找到最優(yōu)路徑，能量消耗也更少。從圖中可以看出θ1最小，那么j節(jié)點作為下一跳節(jié)點的概率就更大。

2.2.2 改進啟發(fā)函數(shù)

基本蟻群算法早期用來解決旅行商(TSP)問題，僅僅考慮節(jié)點之間的距離因素[12]。但是將該算法應(yīng)用到無線傳感網(wǎng)絡(luò)中，不僅要考慮距離因素，傳輸方向和剩余能量也要考慮到其中，需要綜合以上因素來改進蟻群算法。本文將重新定義新的啟發(fā)函數(shù)，如下公式所示：

(14)

其中:R為節(jié)點通信半徑；ei為節(jié)點i的剩余能量；Ei為節(jié)點i的初始能量；ej為節(jié)點j的剩余能量；Ej為節(jié)點j的初始能量；θ是節(jié)點i到Sink節(jié)點的連線與節(jié)點j到Sink節(jié)點的連線的夾角；γ1、γ2、γ3分別代表上式中三項的權(quán)重值。θ角的定義由2.2.1給出，如圖2所示，搜素角越小，下一跳節(jié)點越接近Sink節(jié)點，避免了節(jié)點回旋，產(chǎn)生不必要的路徑。

上式中，改進的啟發(fā)函數(shù)不僅把下一跳節(jié)點的能量考慮進去，同時也考慮了發(fā)送節(jié)點的能量，除此之外，將發(fā)送節(jié)點的剩余能量與節(jié)點之間的傳輸距離相結(jié)合，共同限制下一跳。當節(jié)點i的剩余能量很小的時候，距離節(jié)點i更近的點將會有更高的概率被選中為下一跳節(jié)點，j節(jié)點的剩余能量大小和θ角對啟發(fā)函數(shù)的影響力就會減小。由于γ2和γ3的設(shè)置值不同，當節(jié)點i的剩余能量較多時，j節(jié)點的剩余能量和θ角的大小對啟發(fā)函數(shù)的影響力會更高。在無線傳感網(wǎng)絡(luò)工作的初始階段，各個節(jié)點的初始能量都很充足，能量因素對節(jié)點的選擇影響較小，改進后的啟發(fā)函數(shù)對尋徑螞蟻進行方向限制，減少經(jīng)過的節(jié)點數(shù)目，降低傳輸消耗的能量。

2.2.3 改進能量影響因子

基礎(chǔ)蟻群算法中，尋徑螞蟻在確定下一跳時會考慮信息素濃度和路徑啟發(fā)因子，但是沒有將節(jié)點的能量對路由選取的影響考慮進去，這樣會使部分關(guān)鍵節(jié)點過早消耗完能量，降低網(wǎng)絡(luò)性能，縮短網(wǎng)絡(luò)生命周期[13]，因此在基礎(chǔ)蟻群算法中，加入能量影響因子ω，公式如下：

(15)

上式中，ω表示了節(jié)點能量對轉(zhuǎn)移概率的影響，E0、Ej分別代表了節(jié)點的初始能量和當前剩余能量。由公式可知，節(jié)點當前的剩余能量越高，能量影響因子就小，隨著網(wǎng)絡(luò)的運行，節(jié)點能量逐步被消耗，能量影響因子變大，螞蟻下一跳受能量因素影響的概率也逐步變大。

把能量因子引入到轉(zhuǎn)移概率公式中去，如下式所示：

(16)

(17)

以上兩個公式分別是先驗路徑和變異路徑選擇的概率公式，其中，α、β、γ分別代表信息素濃度、啟發(fā)函數(shù)、能量影響因子的權(quán)重系數(shù)，系數(shù)越大說明下一跳轉(zhuǎn)移的概率受該項的影響越大。其中，q是尋徑螞蟻在選擇下一跳節(jié)點之前產(chǎn)生的一個隨機數(shù)，且q∈(0,1]q0∈[0,1]。當q≤q0時，則選擇[τij(t)]α[ηij(t)]β[ωis(t)]γ中最大的節(jié)點作為下一跳，若q>q0，則按照公式(17)進行下一跳的選擇。對于α、β、γ的取值，應(yīng)該綜合考慮，不能有一個因子為零，否則該算法將無法收斂，太大或太小都會影響算法的收斂速度，而且更容易陷入局部最優(yōu)，當前兩項的值較大時，可以酌情降低其系數(shù)，將轉(zhuǎn)移重心放在能量因子上，權(quán)衡整個網(wǎng)絡(luò)的每個影響因素。

2.2.4 改進信息素更新規(guī)則

在經(jīng)典蟻群算法中，每個節(jié)點的初始信息素濃度均為零，當前向螞蟻從源節(jié)點到目的節(jié)點完成信息傳輸時，目的節(jié)點也就是Sink節(jié)點會根據(jù)尋徑螞蟻所攜帶的信息計算螞蟻經(jīng)過的不同路徑長度和路徑信息素濃度，把結(jié)果反饋給后向螞蟻，完成信息素的更新。當后向螞蟻回到源節(jié)點時，算法完成一次路徑尋優(yōu)，后向螞蟻消失，同時產(chǎn)生新的前向螞蟻進行下一輪的路徑尋優(yōu)，如此循環(huán)該過程，直至達到算法設(shè)置的最大迭代次數(shù)，找到最優(yōu)路徑[14]。

但是由于經(jīng)典蟻群算法的信息素更新是一個正反饋過程，當前向螞蟻搜索到最短路徑后，那么該條路徑上的信息素濃度會增高，會有更多的螞蟻選擇該路徑，從而造成最佳路徑擁堵，使路徑上的節(jié)點過早消耗完能量而死亡，而非最佳路徑上的信息素濃度逐漸降低，隨著算法的進行，導致路徑荒廢但節(jié)點能量卻很充足[15-18]。此時算法將會陷入局部最優(yōu)，導致算法出現(xiàn)過早停滯，為了解決此問題，本文將建立閾值機制來影響信息素濃度的大小，且同時考慮路徑的長度，跳數(shù)和節(jié)點的剩余能量等因素。具體如下所示：

(18)

(19)

參數(shù)τmax表示信息素的閾值，Y代表信息素強度，m是螞蟻的總個數(shù)，Lm表示第m只螞蟻走過的路徑，ρ是信息素蒸發(fā)系數(shù)，ρ∈[0,1]。每次尋優(yōu)過后，每只尋徑螞蟻各自對應(yīng)著一條走過的路徑，本文將提出一個能夠選擇最佳路徑的權(quán)重公式計算所有尋徑螞蟻走過的路徑，該公式如下：

(20)

3 改進蟻群算法的流程

3.1 改進蟻群算法的實現(xiàn)步驟

本文提出的改進蟻群算法的實現(xiàn)步驟如下。

Step1:初始化各項參數(shù)。在t=0時刻，設(shè)置節(jié)點初始能量為E0，信息素濃度τij，迭代次數(shù)為N=0，運行最大迭代次數(shù)為Nmax。

Step2:把m只螞蟻隨機部署在n個節(jié)點，直至遍歷完這n個節(jié)點，每只螞蟻都有自己的禁忌表tabuk，且每只螞蟻的tabuk里放置不同的初始地點。

Step3:迭代次數(shù)按照N=N+1進行。

Step4:尋徑螞蟻遵循K=K+1進行路徑尋優(yōu)。

Step5:根據(jù)網(wǎng)絡(luò)分隔帶、搜索角和節(jié)點剩余能量等因素，尋找下一跳節(jié)點的最佳路徑范圍。若產(chǎn)生的隨機數(shù)q≤q0，則按照下一跳節(jié)點概率公式(16)進行節(jié)點j轉(zhuǎn)移；否則按照公式(17)轉(zhuǎn)移，其中j∈allowedk。

Step6:更新節(jié)點的禁忌表tabuk。

Step7:如果k

Step8:利用公式(20)計算走過路徑對應(yīng)的最優(yōu)路徑度量值。

Step9:繼續(xù)執(zhí)行Step4—Step8，直到m只螞蟻到達Sink節(jié)點。

Step10:每輪迭代結(jié)束后，比較各路徑上的最優(yōu)路徑度量值，將最大返回值所對應(yīng)的路徑當成最優(yōu)路徑，并利用公式(18)、(19)進行信息素更新。

Step11:繼續(xù)執(zhí)行Step2～Step10，直到迭代次數(shù)N

Step12:輸出最優(yōu)路徑。

3.2 改進蟻群算法流程圖

改進蟻群算法實現(xiàn)的流程圖如圖3所示。

圖3 改進蟻群算法流程圖

4 實驗仿真與結(jié)果分析

本文改進的蟻群算法的仿真實驗選擇在Matlab2014b環(huán)境中進行，并與IEEABR算法，和IARA算法進行對比。為了確保仿真結(jié)果的穩(wěn)定性與可靠性，取多次仿真結(jié)果的平均值。分別從路徑的平均跳數(shù)、節(jié)點平均能量消耗、網(wǎng)絡(luò)生命周期等3個方面進行對比分析。仿真參數(shù)如表1所示，仿真環(huán)境設(shè)置為100 m＊100 m的區(qū)域，隨機分布150個節(jié)點。

1)路徑平均跳數(shù)：

路徑平均跳數(shù)顯示了算法的尋優(yōu)能力，圖4顯示了IARA算法、IEEABR算法和改進的蟻群算法的平均路徑條數(shù)的趨勢對比圖。隨著迭代次數(shù)的增加，平均跳數(shù)漸漸減小并趨于穩(wěn)定，從圖中可以看出，改進蟻群算法的平均跳數(shù)始終低于IARA和IEEABR算法，在迭代初始階段，IEEABR算法和IARA算法的跳數(shù)降低較為明顯，且收斂速度也相對較快，但是最終的收斂跳數(shù)維持在一個較高的水平，這樣對網(wǎng)絡(luò)資源的占用會更高。而本文提出的改進蟻群算法的最終收斂跳數(shù)則明顯低于以上兩種算法，這說明該算法能夠減少丟包率，提高網(wǎng)絡(luò)傳輸效率，減少路徑堵塞。

表1 仿真參數(shù)設(shè)置

圖4 路徑平均跳數(shù)的對比

2)節(jié)點平均能量消耗：

網(wǎng)絡(luò)節(jié)點的平均能量消耗直接影響了整個網(wǎng)絡(luò)的生命周期，節(jié)點能量消耗越小，則網(wǎng)絡(luò)生命周期越長。圖5顯示了3種算法的節(jié)點平均能量消耗隨著仿真時間變化的仿真結(jié)果。從圖中可以看出，本文提出的改進蟻群算法隨著仿真的進行，平均能量消耗始終低于EEIBR和AIRA算法，這得益于本算法考慮到節(jié)點能量對轉(zhuǎn)移概率的影響，將節(jié)點之間的距離與剩余能量相結(jié)合，同時限制了傳輸方向，避免節(jié)點回旋傳輸，產(chǎn)生與最佳路徑偏差較遠的路徑。

圖5 節(jié)點平均能耗隨的對比

3)網(wǎng)絡(luò)生命周期：

仿真實驗將第一個網(wǎng)絡(luò)節(jié)點的死亡時間定義為網(wǎng)絡(luò)周期，通過增加節(jié)點數(shù)量，來對比各算法的網(wǎng)絡(luò)生命周期。如圖6所示，當網(wǎng)絡(luò)節(jié)點數(shù)量相同時，EEABR和IARA算法的第一個節(jié)點死亡時間總是低于本文所提出的算法，這說明改進的蟻群算法能夠有限的延長網(wǎng)絡(luò)生命周期。這是因為該算法中同時考慮節(jié)點剩余能量、路徑長度和跳數(shù)，同時建立一個能夠選擇最優(yōu)路徑的權(quán)重公式去更新信息素，避免了冗余節(jié)點的產(chǎn)生，延長了網(wǎng)絡(luò)生命周期。

圖6 網(wǎng)絡(luò)生命周期的對比

5 結(jié)束語

本文在經(jīng)典蟻群算法的基礎(chǔ)上，提出改進的蟻群算法來解決無線傳感網(wǎng)絡(luò)的路由能耗問題，從網(wǎng)絡(luò)結(jié)構(gòu)、啟發(fā)函數(shù)、能量因子、信息素更新規(guī)則等方面進行改進，解決蟻群算法在無線傳感網(wǎng)絡(luò)中出現(xiàn)局部最優(yōu)、能量消耗過多、節(jié)點過早死亡等問題。仿真實驗表明，改進后的蟻群算法能夠有效均衡能量消耗，提高節(jié)點存活數(shù)量，延長了網(wǎng)絡(luò)生命周期。