網(wǎng)格優(yōu)化與模糊邏輯結(jié)合的WSNs路由算法

方旺盛，萬良香，王振東

(江西理工大學(xué) 信息工程學(xué)院，江西 贛州 341000)

0 引 言

無線傳感器網(wǎng)絡(luò)[1](wireless sensor networks，WSNs)中考慮到傳感器節(jié)點(diǎn)的能量有限且大部分情況下電池更換困難問題。路由協(xié)議根據(jù)節(jié)點(diǎn)間數(shù)據(jù)傳輸方式有多種分類[2]，層次型路由協(xié)議具備更佳節(jié)省能耗的工作模式。

其中，文獻(xiàn)[3]提到CHEF(cluster head election mechani-sm using fuzzy logic in wireless sensor networks)使用節(jié)點(diǎn)剩余能量及節(jié)點(diǎn)局部距離作為模糊推理系統(tǒng)(fuzzy inference system，F(xiàn)IS)的輸入，綜合兩個(gè)因素權(quán)衡得出簇頭節(jié)點(diǎn)，其能量利用效率相較于LEACH協(xié)議[4]大約高出22.7%；文獻(xiàn)[5,6]針對簇頭選取質(zhì)量不佳問題，提出節(jié)點(diǎn)能量、節(jié)點(diǎn)距離及節(jié)點(diǎn)度等信息作為模糊邏輯的輸入，以此提高簇頭質(zhì)量；文獻(xiàn)[7]使用FIS系統(tǒng)實(shí)現(xiàn)網(wǎng)絡(luò)簇頭選取及成簇的確定，提高選取簇頭節(jié)點(diǎn)質(zhì)量及成簇效果；文獻(xiàn)[8]對能量異構(gòu)網(wǎng)絡(luò)進(jìn)行區(qū)域劃分，改進(jìn)簇頭間通信方式；文獻(xiàn)[9]針對文獻(xiàn)[8]簇頭節(jié)點(diǎn)選舉改進(jìn)，使用FIS系統(tǒng)添加能量、距離等因素做出改進(jìn)。以上協(xié)議均利用模糊邏輯模型，權(quán)衡節(jié)點(diǎn)各方面條件用于提升簇頭選舉質(zhì)量或是網(wǎng)絡(luò)最終的成簇效果。但是，以上文獻(xiàn)每輪的成簇階段仍然需要通過與基站通信損耗大量能量獲取相關(guān)數(shù)據(jù)信息，且成簇效果仍然存在簇群分布不均、簇成員個(gè)數(shù)差異大的問題。

因此，本文在LEACH協(xié)議和CHEF協(xié)議基礎(chǔ)上，針對上述問題，提出一種算法GOCF(grid optimization combining fuzzy inference routing protocol for wireless sensor networks)。算法的基本思想是通過在網(wǎng)絡(luò)初始階段利用網(wǎng)格對區(qū)域進(jìn)行劃分，新加入的節(jié)點(diǎn)調(diào)整簇群成員變化及網(wǎng)格重心變化，最終形成不再變化的簇群；再結(jié)合節(jié)點(diǎn)剩余能量率、節(jié)點(diǎn)距離率、節(jié)點(diǎn)中心率作為模糊推理模型的輸入，提升簇群的簇頭節(jié)點(diǎn)質(zhì)量。

1 模型簡介

1.1 系統(tǒng)模型

本文設(shè)定傳感器節(jié)點(diǎn)部署于n×n的方形區(qū)域后不可再移動，且基本符合均勻分布模型。此次網(wǎng)絡(luò)模型特征如下：①節(jié)點(diǎn)類型分為：普通節(jié)點(diǎn)、簇頭節(jié)點(diǎn)，所有節(jié)點(diǎn)具備相同的靈敏度；②節(jié)點(diǎn)能量：每個(gè)節(jié)點(diǎn)能量相同即該網(wǎng)絡(luò)為能量同構(gòu)網(wǎng)絡(luò)；③傳輸方式：普通節(jié)點(diǎn)通過簇頭節(jié)點(diǎn)將收集信息發(fā)出，簇頭節(jié)點(diǎn)間通過預(yù)備節(jié)點(diǎn)或直接與Sink節(jié)點(diǎn)通信，即單跳或多跳傳輸；④節(jié)點(diǎn)標(biāo)識號：每個(gè)節(jié)點(diǎn)具有固定且唯一的標(biāo)識號I(I=1,2,3,4,5…,N)， 并且每個(gè)節(jié)點(diǎn)坐標(biāo)為NI(XI,YI)； ⑤通信無區(qū)分：所有節(jié)點(diǎn)均可相互通信，且均可與Sink節(jié)點(diǎn)直接通信；⑥數(shù)據(jù)融合：所有節(jié)點(diǎn)均有融合數(shù)據(jù)的能力，僅當(dāng)選簇頭節(jié)點(diǎn)可融合成員數(shù)據(jù)，簇頭節(jié)點(diǎn)或預(yù)備節(jié)點(diǎn)均不融合其它多跳傳階段傳遞的數(shù)據(jù)包；⑦Sink節(jié)點(diǎn)位于傳感器節(jié)點(diǎn)區(qū)域之外，且根據(jù)場景不同坐標(biāo)可變動。

1.2 無線通信能耗模型

傳感器節(jié)點(diǎn)在無線通信過程中采用的無線通信模型與文獻(xiàn)[10]相同，節(jié)點(diǎn)發(fā)送l比特?cái)?shù)據(jù)至距離d處位置節(jié)點(diǎn)時(shí)所消耗的能量如下所示

(1)

在式(1)中，Eelec表示傳感器節(jié)點(diǎn)發(fā)送數(shù)據(jù)所需電能，其值取決于數(shù)字編碼、調(diào)制與濾波，dc表示發(fā)射端與接收端間的距離臨界值，其計(jì)算式如下

(2)

當(dāng)傳輸距離d小于臨界值dc時(shí)，節(jié)點(diǎn)間數(shù)據(jù)傳輸能耗計(jì)算采用自由空間模型；否則節(jié)點(diǎn)間傳輸數(shù)據(jù)的過程中采用多路徑衰減模型，εfs和εmp分別表示兩模型中功率放大所需要消耗的能量，其值取決于傳感器的靈敏度。

1.3 數(shù)據(jù)融合模型

層次型路由協(xié)議中選舉的簇頭節(jié)點(diǎn)需要將簇內(nèi)成員發(fā)送的信息量壓縮為lbits，既避免冗余信息占用信道，又能節(jié)省簇頭節(jié)點(diǎn)發(fā)送信息時(shí)所消耗能量。節(jié)點(diǎn)對數(shù)據(jù)融合所需能耗EDA由式(3)計(jì)算可得

EDA(l)=l*5nJ/bit

(3)

2 GOCF路由算法

GOCF路由算法針對CHEF算法考慮選舉簇頭節(jié)點(diǎn)的因素仍然不夠全面的問題，以及對于LEACH算法中存在成簇效果差，節(jié)點(diǎn)成員個(gè)數(shù)差異明顯，簇群分布不均衡導(dǎo)致的節(jié)點(diǎn)間能量差異明顯等問題做出了相應(yīng)改進(jìn)。在GOCF算法中，網(wǎng)絡(luò)初期簇群形成階段，利用網(wǎng)格優(yōu)化簇群效果；簇頭節(jié)點(diǎn)選取利用模糊推理系統(tǒng)，為使模型輸入可隨時(shí)根據(jù)場景變化而更改，將節(jié)點(diǎn)能量、節(jié)點(diǎn)鄰居距離、節(jié)點(diǎn)與基站距離均歸一化后，作為模糊邏輯系統(tǒng)輸入，達(dá)到提升簇頭節(jié)點(diǎn)質(zhì)量的目的。

本文的GOCF算法給出的相應(yīng)改善方法，其運(yùn)轉(zhuǎn)方式與LEACH協(xié)議相同，采用“輪”運(yùn)轉(zhuǎn)方式，每輪分為3個(gè)階段：簇群分配階段、簇頭競選階段、穩(wěn)定傳輸階段，其示意如圖1所示。

圖1 “輪”運(yùn)轉(zhuǎn)方式

2.1 網(wǎng)格聚類優(yōu)化成簇效果

2.1.1 簇頭節(jié)點(diǎn)個(gè)數(shù)G的確定

網(wǎng)絡(luò)初始劃分成簇需先確定簇頭節(jié)點(diǎn)個(gè)數(shù)G，網(wǎng)格數(shù)量劃分根據(jù)簇頭數(shù)劃分，簇頭數(shù)的確定根據(jù)能耗式(1)、式(2)計(jì)算一個(gè)簇群的能耗大小ECluster，當(dāng)能耗最小時(shí)的簇頭個(gè)數(shù)作為網(wǎng)絡(luò)最終的簇頭數(shù)[11]，簇群能耗由簇頭能耗ECH及成員能耗ECM組成，表達(dá)式如式(4)、式(5)所示

(4)

(5)

式(4)中，dtoBS為簇頭節(jié)點(diǎn)至基站距離(或Sink節(jié)點(diǎn)距離)，dtoCH表示成員節(jié)點(diǎn)至簇頭節(jié)點(diǎn)的距離；NF表示簇群F的成員節(jié)點(diǎn)個(gè)數(shù)，為方便計(jì)算假定每個(gè)簇群成員個(gè)數(shù)均相等，則每簇群成員個(gè)數(shù)為 (N/G-1), 將該值帶入式(4)與式(5)相加計(jì)算得簇群總能耗ECluster約為式(6)，如下所示

(6)

為使得每個(gè)簇群的能耗值最小則需滿足式(7)條件

(7)

式(7)求導(dǎo)后的最終結(jié)果為式(8)

(8)

最終G值根據(jù)求導(dǎo)結(jié)果確定，其表達(dá)式為式(9)

(9)

式中：N為網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)，D為區(qū)域邊長，簇頭節(jié)點(diǎn)數(shù)G與區(qū)域邊長、網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)成正比，即存活節(jié)點(diǎn)越多或區(qū)域面積越大簇頭數(shù)均增加。

2.1.2 網(wǎng)格優(yōu)化成簇效果

根據(jù)式(9)計(jì)算出簇頭節(jié)點(diǎn)數(shù)G，并將網(wǎng)絡(luò)大小為n×n的方形區(qū)域劃分為G個(gè)面積大小相同的網(wǎng)格。網(wǎng)格優(yōu)化成簇規(guī)則為：以每個(gè)網(wǎng)格重心作為簇群初始成簇的簇群中心點(diǎn)，節(jié)點(diǎn)加入與其距離最近的中心點(diǎn)為簇群成員(節(jié)點(diǎn)與中心距離表示為Discenter)，以此形成初始簇群，(若存在節(jié)點(diǎn)與多個(gè)網(wǎng)格重心距離相等時(shí)，則隨機(jī)選取其中一個(gè)網(wǎng)格加入即可)；每個(gè)網(wǎng)格根據(jù)加入節(jié)點(diǎn)的坐標(biāo)計(jì)算出該網(wǎng)格區(qū)域新的重心，節(jié)點(diǎn)根據(jù)更新的重心坐標(biāo)選擇距離最近的重心所在網(wǎng)格加入成簇。其中，每個(gè)簇群的標(biāo)識號為F(F=1,2,3…,G)， 其重心坐標(biāo)QF(XF,YF) 變化公式為式(10)

(10)

上述公式中，Counter表示簇群F中的成員個(gè)數(shù)，由上述過程可知，網(wǎng)格區(qū)域的重心坐標(biāo)的變化與每次加入簇群的成員直接相關(guān)。

GOCF路由的網(wǎng)格優(yōu)化成簇算法為算法1。

Input:NI(XI,YI) and intial center of the mesh

Output:Fclusters

(1)DistributeNnodes randomly and uniformly;

(2)Set up the enviroment with initial center of the mesh;

(3)Node(i) joins closest center to form cluster

(4)the initial center formed;

(5)Flag=true;

(6)while(Flag==true)

(7)Calculate the New Center;

(8)If (d(QF,NI)==min(Discenter))

(9)AddNItoQF;

(10)End if;

(11)If (New center==Initial center)

(12)Flag=false;

(13)end while;

(14)For(x=1;x<=Mesh_number;x++)

(15)Counter=Number of Mesh_nodes[x++];

(16)if (Counter==zero)

(17)Delete the Mesh

(18)End if;

(19)If (Counter<3)

(20)The Node of the Mesh join to the nearest adjacent Mesh

(21)End if;

(22)End for;

2.2 簇頭選取優(yōu)化階段

2.2.1 模糊推理系統(tǒng)

模糊推理系統(tǒng)(FIS)有效的模仿了人的經(jīng)驗(yàn)和決策行為，因此利用該系統(tǒng)選取出更合適的節(jié)點(diǎn)，以發(fā)揮簇頭節(jié)點(diǎn)的作用。FIS基本結(jié)構(gòu)如圖2所示。

圖2 模糊推理系統(tǒng)模型

從圖2可知，模糊邏輯推理系統(tǒng)工作原理是將指定的決策因素作為輸入，先將輸入變量轉(zhuǎn)化為系統(tǒng)可操作的數(shù)據(jù)(即模糊化過程)，模糊推理器根據(jù)模糊規(guī)則庫內(nèi)設(shè)定的規(guī)則輸出綜合了多種決策因素的衡量標(biāo)準(zhǔn)指標(biāo)，根據(jù)輸出列表所列衡量指標(biāo)判斷某事物所含屬性(即對應(yīng)決策因素的值)，符合的是輸出列表哪項(xiàng)指標(biāo)，從而判別該事物好壞。

2.2.2 應(yīng)用FIS系統(tǒng)優(yōu)化簇頭選擇

在GOCF路由算法中，選取出節(jié)點(diǎn)剩余能量率ei、節(jié)點(diǎn)距離率di、節(jié)點(diǎn)中心率zi，作為FIS系統(tǒng)的輸入。

ei計(jì)算如式(11)所示

(11)

di計(jì)算如式(12)所示

(12)

zi計(jì)算如式(13)所示

(13)

式(13)中，同理，節(jié)點(diǎn)中心率利用節(jié)點(diǎn)i與所在簇群內(nèi)鄰居節(jié)點(diǎn)距離disij之和與此簇群內(nèi)某節(jié)點(diǎn)Nq(網(wǎng)格內(nèi)任意節(jié)點(diǎn)均可能)與鄰居節(jié)點(diǎn)距離disqj之和最大值成反比，節(jié)點(diǎn)i與鄰居節(jié)點(diǎn)距離之和越小，則表明其位置更偏向此塊區(qū)域中心處，因此稱zi為節(jié)點(diǎn)中心率。

綜上述知，輸入決策因素分別為：節(jié)點(diǎn)剩余能量率、節(jié)點(diǎn)距離率、節(jié)點(diǎn)中心率，通過FIS系統(tǒng)輸出節(jié)點(diǎn)當(dāng)選為簇頭節(jié)點(diǎn)的機(jī)會值：Chancei作為衡量標(biāo)準(zhǔn)。FIS系統(tǒng)決策因素的隸屬度函數(shù)如圖3所示，其輸入決策因素的模糊語言變量的隸屬度函數(shù)均服從梯形分布。其中，節(jié)點(diǎn)剩余能量率分別用：Low(低)、Medium(中)、High(高)這3種模糊語言變量表述，如圖3(a)所示；節(jié)點(diǎn)距離率使用：Close(近)、Average(中等)、Far(遠(yuǎn))這3種模糊語言變量表述，如圖3(b)所示；節(jié)點(diǎn)中心率的模糊語言變量用：Nearby(近)、Medium(中)、Faraway(遠(yuǎn))分別表述，如圖3(c)所示。

圖3 決策因素的隸屬度函數(shù)

輸入決策因素轉(zhuǎn)化為模糊語言變量后，通過模糊推理器使用模糊邏輯規(guī)則庫內(nèi)的規(guī)則判斷得出相應(yīng)條件下的節(jié)點(diǎn)成為簇頭的機(jī)會值Chancei，規(guī)則庫見表1。

模糊推理器利用表1內(nèi)的規(guī)則得知衡量節(jié)點(diǎn)成為簇頭節(jié)點(diǎn)的模糊指標(biāo)值為： {Very Best,Best,Far Better,Better,Good,Fair,Bad,Worse,Worst}， 其輸出隸屬度函數(shù)如圖4所示。

表1中指標(biāo)值是模糊變量，根據(jù)文獻(xiàn)[12]可知，輸出模糊變量需去模糊化,最終每個(gè)節(jié)點(diǎn)得到一個(gè)確切的數(shù)值，即可衡量該節(jié)點(diǎn)成為簇頭節(jié)點(diǎn)的概率。語言變量去模糊化如式(14)所示

(14)

式中：μA(x) 表示語言變量所服從的隸屬度函數(shù)，基本的隸屬度函數(shù)有，Γ分布、柯西分布、矩形分布、正態(tài)分布等，GOCF協(xié)議中利用梯形分布作為變量隸屬度函數(shù),該分布是最常使用的模型，既可以轉(zhuǎn)化為三角分布，且存在多個(gè)變化區(qū)段更好地展示語言變量的變化狀態(tài)。

2.2.3 簇頭最終確定

根據(jù)上述2.2.2小節(jié)內(nèi)容可知，節(jié)點(diǎn)將自身的剩余能量率、距離率、中心率的確切數(shù)值傳遞至FIS系統(tǒng)作為輸入，經(jīng)過模糊化、模糊推理器、去模糊化操作后，最終節(jié)點(diǎn)可以獲得成為簇頭節(jié)點(diǎn)的確切數(shù)值。節(jié)點(diǎn)i競選先獲取鄰居節(jié)點(diǎn)列表，即通過節(jié)點(diǎn)i所屬網(wǎng)格F的標(biāo)記，若節(jié)點(diǎn)j標(biāo)記值為F，標(biāo)記相同則表明該節(jié)點(diǎn)為鄰居節(jié)點(diǎn)，而后兩節(jié)點(diǎn)比較機(jī)會值，機(jī)會值更大的繼續(xù)尋找鄰居節(jié)點(diǎn)競選簇頭節(jié)點(diǎn)，機(jī)會值更小的則退出競選，以此獲取最終的簇頭節(jié)點(diǎn)。

2.3 穩(wěn)定傳輸階段

簇頭節(jié)點(diǎn)確定后其數(shù)據(jù)傳輸方式仍舊采用TDMA方法，給每個(gè)簇成員分配一個(gè)時(shí)隙，每個(gè)節(jié)點(diǎn)在對應(yīng)時(shí)隙傳輸數(shù)據(jù)包，最終由簇頭節(jié)點(diǎn)融合相似數(shù)據(jù)包后直接傳送至Sink節(jié)點(diǎn)(基站)處。

3 實(shí)驗(yàn)仿真

此次模擬仿真實(shí)驗(yàn)應(yīng)用MATLAB R2017B仿真軟件對LEACH路由協(xié)議、CHEF路由協(xié)議、DUCF路由協(xié)議[13]、GOCF路由協(xié)議，4組協(xié)議進(jìn)行實(shí)驗(yàn)效果對比。仿真環(huán)境為200×200 m的方形區(qū)域，假定區(qū)域內(nèi)節(jié)點(diǎn)均勻分布，其它參數(shù)見表2。

表1 GOCF模糊語言變量規(guī)則庫

圖4 Chance值隸屬度函數(shù)

表2 仿真參數(shù)的設(shè)置

3.1 網(wǎng)格優(yōu)化成簇實(shí)驗(yàn)效果

該部分仿真實(shí)驗(yàn)展示GOCF協(xié)議與LEACH協(xié)議、CHEF協(xié)議的成簇效果，其中CHEF協(xié)議與GOCF均使用了FIS系統(tǒng)競選簇頭節(jié)點(diǎn)，可以直觀對比網(wǎng)格優(yōu)化成簇方法對路由協(xié)議簇群分布的改善情況。

3.1.1 GOCF成簇效果

根據(jù)表2參數(shù)設(shè)置的網(wǎng)絡(luò)參數(shù)，當(dāng)區(qū)域內(nèi)總結(jié)點(diǎn)數(shù)為200時(shí)，經(jīng)式(10)計(jì)算得區(qū)域內(nèi)最佳簇頭數(shù)為9個(gè)，因此將區(qū)域劃分為9個(gè)大小相同的方形區(qū)域，網(wǎng)格重心作為初始簇群中心點(diǎn)，節(jié)點(diǎn)加入成簇形成初始簇群，如圖5、圖6所示。

圖5 網(wǎng)絡(luò)初始劃分

圖6 網(wǎng)絡(luò)初始成簇

圖5、圖6中，虛線用于模擬網(wǎng)格線，網(wǎng)絡(luò)劃分為大小相等的虛擬網(wǎng)格，將網(wǎng)格分成9個(gè)簇，每個(gè)簇使用不同的標(biāo)記區(qū)分。

重心作為初始的簇群中心點(diǎn)，利用網(wǎng)格的初始劃分可以保證簇群的分布位置均勻，而后簇群變化隨著加入的節(jié)點(diǎn)改變了簇群重心，簇群隨之重新形成，直至簇群沒有新的節(jié)點(diǎn)加入為止，最終效果如圖7所示。

圖7 網(wǎng)絡(luò)最終成簇

由圖7可看出，以不同標(biāo)記可以區(qū)分的簇群，圖中初始簇群中心點(diǎn)與最終簇群中心點(diǎn)的位置偏移并不大，最終的簇群不僅位置分布勻稱，且簇群的成員個(gè)數(shù)也差異隨著迭代過程而減小，最終呈現(xiàn)簇群成員個(gè)數(shù)為幾乎均勻狀態(tài)。

3.1.2 多算法簇頭與成簇效果對比實(shí)驗(yàn)分析

為更好衡量此次的GOCF算法的聚簇效果，將其成簇效果與LEACH協(xié)議及CHEF協(xié)議的成簇效果進(jìn)行對比，每個(gè)算法中隨機(jī)抽取4輪簇首分布及其成簇效果圖，如圖8～圖10所示。

圖8、圖9均分別隨機(jī)選取LEACH協(xié)議、CHEF協(xié)議中沒有死亡節(jié)點(diǎn)時(shí)抽取的隨機(jī)4輪聚簇效果。其中，圖8表現(xiàn)出LEACH協(xié)議的聚簇情況存在簇成員個(gè)數(shù)差異明顯，簇群分布散亂，容易造成節(jié)點(diǎn)間剩余能量差異大，網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定的問題；圖9中CHEF協(xié)議與LEACH協(xié)議相比較，簇群分布情況有所改進(jìn)，其簇群于網(wǎng)絡(luò)各處均有分布，但是仍然存在簇群間個(gè)數(shù)差異明顯問題；圖10中，GOCF協(xié)議明顯改善了以上問題，其簇頭和簇群位置均勻分布于網(wǎng)絡(luò)各處，且簇群規(guī)模基本相同，這樣的簇群不容易造成能量空洞，節(jié)點(diǎn)間能耗更均衡，有利于延長網(wǎng)絡(luò)生命周期。

3.2 網(wǎng)絡(luò)生命周期仿真分析

網(wǎng)絡(luò)隨輪次運(yùn)轉(zhuǎn)，節(jié)點(diǎn)能耗不斷下降，3個(gè)關(guān)鍵指標(biāo)指示網(wǎng)絡(luò)的性能是否穩(wěn)定，分別是：FND(首個(gè)死亡節(jié)點(diǎn))、HND(一半節(jié)點(diǎn)死亡)、AND(所有節(jié)點(diǎn)死亡)，上述指標(biāo)所連接線斜率的平緩或陡峭可以展示出節(jié)點(diǎn)間能耗是否均衡，當(dāng)線呈現(xiàn)平緩時(shí)，能耗更均衡，反之則節(jié)點(diǎn)間容易造成能量空洞。此次實(shí)驗(yàn)將LEACH協(xié)議、CHEF協(xié)議、DUCF協(xié)議、GOCF協(xié)議進(jìn)行比較，為去除簇頭節(jié)點(diǎn)數(shù)對此次對比實(shí)驗(yàn)的影響，所有協(xié)議的簇頭節(jié)點(diǎn)數(shù)均設(shè)置相同數(shù)目，其死亡節(jié)點(diǎn)輪次關(guān)系如圖11所示。

圖8 LEACH協(xié)議成簇效果

圖9 CHEF協(xié)議成簇效果

圖10 GOCF成簇效果

圖11 FND、HND、AND輪次關(guān)系

由圖11可知，LEACH協(xié)議與CHEF協(xié)議的死亡節(jié)點(diǎn)連接線斜率較大，說明協(xié)議的節(jié)點(diǎn)間能耗差異明顯，DUCF協(xié)議死亡節(jié)點(diǎn)連接線的斜率更小，而GOCF協(xié)議連接線的斜率最平緩，可以驗(yàn)證GOCF協(xié)議能夠更好協(xié)調(diào)節(jié)點(diǎn)間的能耗使其均衡。

圖12展示出各協(xié)議隨輪次變化產(chǎn)生的死亡節(jié)點(diǎn)關(guān)系圖。當(dāng)運(yùn)行至500輪時(shí)可以看出，LEACH協(xié)議、CHEF協(xié)議已有接近一半的節(jié)點(diǎn)死亡，DUCF協(xié)議與GOCF僅少于20個(gè)節(jié)點(diǎn)死亡，說明DUCF協(xié)議與GOCF協(xié)議都能有效延長了網(wǎng)絡(luò)生命周期；當(dāng)輪次運(yùn)行至1000輪次時(shí)，DUCF協(xié)議的節(jié)點(diǎn)死亡數(shù)目接近原數(shù)目的75%，而GOCF協(xié)議此時(shí)的死亡節(jié)點(diǎn)數(shù)仍舊沒有過半，由此可以得出GOCF協(xié)議在均衡節(jié)點(diǎn)能耗及延長網(wǎng)絡(luò)生命周期方面均有極大的改善，有利于網(wǎng)絡(luò)長時(shí)間的運(yùn)轉(zhuǎn)。

圖12 死亡節(jié)點(diǎn)與輪次關(guān)系

3.3 剩余能量仿真分析

節(jié)點(diǎn)剩余能量可以判斷節(jié)點(diǎn)的能量利用率的好壞，總剩余能量由各節(jié)點(diǎn)剩余能量疊加而成，其可以判斷網(wǎng)絡(luò)整體的能量利用率如何，如圖13所示。

圖13 總剩余能量與輪次關(guān)系

圖13中顯示出LEACH協(xié)議與CHEF協(xié)議運(yùn)行500輪時(shí)，總能量已經(jīng)不足20 J，說明兩個(gè)協(xié)議的能量利用率低；DUCF協(xié)議相較于前面兩個(gè)協(xié)議，運(yùn)行至900輪左右網(wǎng)絡(luò)總能量才下降至此高度，提升了近1.8倍的能量利用率；GOCF協(xié)議相對于前面3個(gè)協(xié)議運(yùn)行至1200輪左右才下降至此低能量水平狀態(tài)，能量利用率相較于LEACH協(xié)議、CHEF協(xié)議提升了兩倍多，相較于DUCF協(xié)議也提升了1.3倍左右。由此可以得出GOCF協(xié)議性能明顯更佳。

4 結(jié)束語

本文為改進(jìn)網(wǎng)絡(luò)簇群分布和簇成員均衡達(dá)到提高網(wǎng)絡(luò)生命周期目的，提出了網(wǎng)格優(yōu)化和模糊邏輯相結(jié)合的WSNs路由協(xié)議——GOCF協(xié)議。利用網(wǎng)格和簇群重心來共同作用于簇群的形成，其形成的簇群有效改善了能量空洞的問題；利用模糊推理系統(tǒng)幫助競選簇頭節(jié)點(diǎn)，考慮到模糊推理系統(tǒng)的重復(fù)利用性，改進(jìn)了輸入變量的形式，全面考慮節(jié)點(diǎn)能量和節(jié)點(diǎn)位置因素，提升了網(wǎng)絡(luò)成簇性能，也延長了網(wǎng)絡(luò)生命周期。最終，仿真結(jié)果驗(yàn)證GOCF協(xié)議相較于LEACH協(xié)議、CHEF協(xié)議、GOCF協(xié)議，其節(jié)點(diǎn)能耗性能明顯更優(yōu)。