面向輸變電場景的基于SSA的WSN分簇路由算法*

劉天凱，劉洪，鄭敏，譚沖?

(1 中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所， 上海 200050； 2 中國科學(xué)院大學(xué)， 北京 100049)

隨著供電需求的增大和技術(shù)的發(fā)展，電網(wǎng)的容量在不斷增加，維護和檢測的成本也不斷提高。因此，在變電站或輸電線路上建立各類檢測系統(tǒng)，通過傳感器收集各類環(huán)境信息，數(shù)據(jù)經(jīng)由無線網(wǎng)絡(luò)傳到監(jiān)測平臺，做到無人值守，實時監(jiān)控，可以很大地節(jié)約成本。無線傳感器網(wǎng)絡(luò)(wireless sensor network，WSN)[1]具有自組織、低功耗、高魯棒性的特點，適用于輸變電場景監(jiān)測區(qū)域廣、傳感器眾多的特點。WSN中的傳感器通常由電池供電[2]，且難以更換，能耗是主要研究的一個問題。

針對這一問題，許多學(xué)者做了大量的研究。LEACH(low-energy adaptive clustering hierarchy)是由Heinzelman等[3]提出的基于分簇的路由協(xié)議，網(wǎng)絡(luò)中的節(jié)點隨機選出簇首，其他節(jié)點選擇簇首加入簇中，以此延長網(wǎng)絡(luò)生命周期。但是，LEACH隨機選舉簇首，沒有考慮到節(jié)點能耗問題和位置因素，并且簇首到基站為單跳傳輸。對于上述問題，后來的學(xué)者從這幾個方面做了很多改進(jìn)，Heinzelman 等[4]考慮了剩余能量的問題，又提出LEACH-C選擇能量值高于平均能量的節(jié)點作為簇首的候選節(jié)點;黃利曉等[5]提出LEACH-improved加入距離因子和能量密度等因素去選舉簇首；Hu和Wang[6]提出EEUC，采用簇間多跳和非均勻分簇的方式，均衡了能耗；Lee和Kao[7]在分簇算法中引入邊緣度和雙能量閾值的算法考慮了各類節(jié)點的位置信息，同時對剩余能量的選擇進(jìn)行優(yōu)化；李安超和陳桂芬[8]提出一種3層結(jié)構(gòu)的分簇算法，改進(jìn)了分簇的模型，適用于大規(guī)模的無線傳感器網(wǎng)絡(luò)。同時，匯聚節(jié)點移動也作為一種平衡能耗的改進(jìn)方式，Gharaei等[9]采用移動匯聚節(jié)點的方法，并使用人工蜂群優(yōu)化算法規(guī)劃了最優(yōu)路徑，但并不適用于常處于室外或布線復(fù)雜的輸變電環(huán)境。群智能算法作為優(yōu)化多峰函數(shù)的算法，一些學(xué)者在簇首選舉的過程中引入了群智能算法，Daneshvar等[10]使用灰狼優(yōu)化算法選舉簇首，提出雙跳路由算法，均衡了能耗、戴劍勇等[11]引入螢火蟲算法和BP神經(jīng)網(wǎng)絡(luò)，考慮了簇首密度、簇首位置，對簇首選舉和路徑選擇進(jìn)行優(yōu)化；Singh等[12]引入粒子群算法，改善簇首分布不均的問題；武小年等[13]提出改進(jìn)粒子群優(yōu)化算法的分簇路由協(xié)議，把節(jié)點的剩余能量和位置因子作為粒子群優(yōu)化算法的目標(biāo)，通過自適應(yīng)學(xué)習(xí)因子對粒子群優(yōu)化算法做了改進(jìn)。麻雀搜索算法(sparrow search algorithm，SSA)是由Xue和Shen[14]提出的一種模擬麻雀覓食和警戒行為的智能算法，在高維多峰的優(yōu)化上其求解成功率、收斂速度等方面表現(xiàn)優(yōu)異，已應(yīng)用于圖像分割[15]、三維無人機航空優(yōu)化[16]等場景。而輸變電場景中節(jié)點個數(shù)眾多，對于最優(yōu)簇首集合的選舉問題，SSA算法尋優(yōu)精度高，具有一定優(yōu)勢，并且尚未應(yīng)用在簇首選舉當(dāng)中。

在輸變電的部分場景，如大型室外變電站，監(jiān)測區(qū)域大，傳感器眾多，難以供電，為了節(jié)約成本，傳感器的計算能力較低，不具有組網(wǎng)能力，無法成為“簇首節(jié)點”或中繼節(jié)點，只能以單跳的方式傳輸進(jìn)行數(shù)據(jù)傳輸。根據(jù)上述場景，提出一種解決方案，布置計算能力較高的節(jié)點作為傳感器的中繼節(jié)點，中繼節(jié)點進(jìn)行組網(wǎng)，并選舉出一個節(jié)點作為整個網(wǎng)絡(luò)的網(wǎng)關(guān)，稱為“無線網(wǎng)關(guān)”(wireless gateway)，傳感器傳輸數(shù)據(jù)到中繼節(jié)點，中繼節(jié)點收集數(shù)據(jù)后，進(jìn)行數(shù)據(jù)融合，通過中繼節(jié)點網(wǎng)絡(luò)傳輸?shù)綗o線網(wǎng)關(guān)節(jié)點，無線網(wǎng)關(guān)節(jié)點以無線的方式(如4G模塊)將數(shù)據(jù)傳輸?shù)奖O(jiān)測平臺。中繼節(jié)點近似于常見無線傳感器網(wǎng)絡(luò)中的匯聚節(jié)點[17](sink node)，具有以下功能：1)與傳感器通信；2)傳輸數(shù)據(jù)到監(jiān)測平臺。輸變電場景中，傳輸數(shù)據(jù)到監(jiān)測平臺的功能通常由4G模塊完成，4G模塊會定時向監(jiān)測平臺發(fā)送心跳和數(shù)據(jù)，產(chǎn)生的能耗較大，大于相同時間下與單個傳感器通信產(chǎn)生的能耗。而中繼節(jié)點間也可以通過與傳感器通信的方式進(jìn)行組網(wǎng)，并且產(chǎn)生的能耗會小于節(jié)點直接傳輸數(shù)據(jù)到監(jiān)測平臺的能耗。因此，本文主要研究的內(nèi)容為中繼節(jié)點間的組網(wǎng)，提出一種輪換無線網(wǎng)關(guān)節(jié)點的路由協(xié)議(LEACH-WGR-SSA)，防止無線網(wǎng)關(guān)節(jié)點過早死亡，并對無線網(wǎng)關(guān)節(jié)點的選舉進(jìn)行優(yōu)化。在LEACH的基礎(chǔ)上考慮了剩余能量、鄰接節(jié)點個數(shù)和位置信息，并引入麻雀搜索智能優(yōu)化算法對簇首選舉進(jìn)行優(yōu)化，同時，為避免SSA陷入局部收斂，加入Levy飛行策略，獲得了較優(yōu)的簇首分布，延長了網(wǎng)絡(luò)生存周期。

1 網(wǎng)絡(luò)模型

在輸變電場景中，大部分場景處于室外或因布線復(fù)雜，節(jié)點均由電池供電。與常見無線傳感器網(wǎng)絡(luò)的不同，本文中的網(wǎng)絡(luò)不包含能量無限的匯聚節(jié)點，所有中繼節(jié)點均可與傳感器通信，并具有與監(jiān)測平臺通信的功能，選舉出的無線網(wǎng)關(guān)節(jié)點將數(shù)據(jù)傳輸?shù)奖O(jiān)測平臺，其余中繼節(jié)點關(guān)閉該功能。圖1中的傳感器收集完變電站或輸電線路的環(huán)境信息后，接入到中繼節(jié)點。中繼節(jié)點之間進(jìn)行組網(wǎng)，網(wǎng)絡(luò)每一輪先在中繼節(jié)點中選舉出無線網(wǎng)關(guān)，再選舉出中繼節(jié)點的簇首節(jié)點，普通的中繼節(jié)點選擇加入到最近的簇中。中繼節(jié)點收集完傳感器的信息后，將數(shù)據(jù)傳輸?shù)酱刂械拇厥坠?jié)點，簇首節(jié)點再將數(shù)據(jù)傳輸?shù)綗o線網(wǎng)關(guān)。隨后，無線網(wǎng)關(guān)將整個網(wǎng)絡(luò)的信息上傳到監(jiān)測平臺。本文的主要研究內(nèi)容為中繼節(jié)點的組網(wǎng)和對應(yīng)的路由算法，暫不考慮傳感器的接入。

圖1 輸變電網(wǎng)絡(luò)結(jié)構(gòu)組成Fig.1 Network structure of power transmission and substation

本文對輸變電網(wǎng)絡(luò)抽象并假設(shè)：網(wǎng)絡(luò)中有N個中繼節(jié)點，隨機分布在M×M的監(jiān)測區(qū)域，節(jié)點不會移動，節(jié)點初始能量相同，都具有位置信息、全局唯一ID、計算能力和數(shù)據(jù)融合能力，數(shù)據(jù)傳輸?shù)奖O(jiān)測平臺會產(chǎn)生一定的能耗。

由于變電站或者輸電線路監(jiān)測場景較大，如大型的室外變電站或者是多條輸電線路的交匯處，需要覆蓋的區(qū)域相對較大，因此，本文仿真選擇400 m×400 m的監(jiān)測區(qū)域。并且，輸變電場景中傳感器眾多，為減低能耗，通常通信半徑較小，仿真中設(shè)置傳感器的通信半徑20 m，根據(jù)正六邊形鑲嵌模型[18]計算出中繼節(jié)點最少為156個，但是中繼節(jié)點為隨機放置，為保證對傳感器的全覆蓋，同時也為了降低死亡節(jié)點對覆蓋率的影響，設(shè)置200個中繼節(jié)點在監(jiān)測場景當(dāng)中。

組網(wǎng)過程將通過網(wǎng)絡(luò)初始化階段、無線網(wǎng)關(guān)節(jié)點選舉階段、簇首選舉及分簇階段和路由傳輸階段4部分完成。

2 LEACH-WGR-SSA算法

2.1 網(wǎng)絡(luò)初始化階段

中繼節(jié)點部署后，將進(jìn)行網(wǎng)絡(luò)初始化。首次建網(wǎng)將預(yù)設(shè)一個中繼節(jié)點作為前無線網(wǎng)關(guān)節(jié)點。各個節(jié)點將自己的全局ID、剩余能量、地理位置等報文發(fā)送給前無線網(wǎng)關(guān)。在完成無線網(wǎng)關(guān)的選舉或簇首的選舉后，廣播計算結(jié)果，所有節(jié)點收到選舉結(jié)果信息。

2.2 無線網(wǎng)關(guān)節(jié)點選舉階段

為均衡能耗，無線網(wǎng)關(guān)節(jié)點采用輪換的方式，前無線網(wǎng)關(guān)節(jié)點對收集的數(shù)據(jù)進(jìn)行整合，進(jìn)行無線網(wǎng)關(guān)節(jié)點的選舉。提出一種算法WGR(wireless gateway rotation)，用于無線網(wǎng)關(guān)節(jié)點的選舉，考慮3個主要因素：

1) 中繼節(jié)點的剩余能量：無線網(wǎng)關(guān)節(jié)點選舉完成后，這個網(wǎng)絡(luò)將進(jìn)行分簇，無線網(wǎng)關(guān)節(jié)點也作為一個簇首。因此，無線網(wǎng)關(guān)節(jié)點的功能主要為以下3個：接收分簇后簇首的數(shù)據(jù)，接收簇內(nèi)節(jié)點的數(shù)據(jù)，傳輸數(shù)據(jù)到監(jiān)測平臺。無線網(wǎng)關(guān)節(jié)點產(chǎn)生的能耗遠(yuǎn)高于其他節(jié)點，因此，選擇剩余能量較高的節(jié)點作為無線網(wǎng)關(guān)節(jié)點，防止過早死亡。

2) 中繼節(jié)點鄰接節(jié)點數(shù)量：無線網(wǎng)關(guān)節(jié)點也作為一個簇首，接收普通中繼節(jié)點的數(shù)據(jù)，鄰接節(jié)點單跳傳輸?shù)酱厥桩a(chǎn)生的能耗較小，因此考慮鄰接節(jié)點的個數(shù)作為選舉無線網(wǎng)關(guān)節(jié)點的一個因素。其中節(jié)點i的鄰接節(jié)點集合表示為

Gi={j|d(i,j)≤R,j∈Galive},i∈Galive，

(1)

(2)

其中：d(i,j)為節(jié)點i和節(jié)點j之間的距離，R為鄰接節(jié)點的范圍半徑，N為節(jié)點數(shù)量，M為監(jiān)測區(qū)域變長，p為簇首節(jié)點和無線網(wǎng)關(guān)在所有節(jié)點中的占比，Galive是存活節(jié)點的集合。

3) 中繼節(jié)點到所有存活節(jié)點質(zhì)心的距離：為保證整個網(wǎng)絡(luò)能量負(fù)載的均衡，將無線網(wǎng)關(guān)節(jié)點放置于中心的位置可以減少平均的傳輸距離和跳數(shù)，因此，將中繼節(jié)點到所有存活節(jié)點質(zhì)心的距離作為一個考慮因素。

pWG(i)為無線網(wǎng)關(guān)節(jié)點選舉的權(quán)值函數(shù)：

(3)

(4)

(5)

(6)

其中：α+β+δ=1，α,β,δ∈(0,1)；Enode(i)是i節(jié)點的剩余能量；E(Enode)是節(jié)點平均剩余能量；Nneighbor(i)是i節(jié)點的鄰接節(jié)點個數(shù)；E(Nneigbor)為所有存活節(jié)點平均的鄰接節(jié)點數(shù)；dtoCT(i)是節(jié)點i距離存活節(jié)點集合質(zhì)心的距離；E(dtoCT)是所有存活節(jié)點距離存活節(jié)點集合質(zhì)心的距離平均值；n為所有存活節(jié)點個數(shù)；Galive是存活節(jié)點的集合。

iopt∈max(pWG(i),i∈Galive).

(7)

編號為iopt的節(jié)點成為無線網(wǎng)關(guān)節(jié)點，無線網(wǎng)關(guān)節(jié)點選舉完成。

α，β，δ的選擇對仿真的結(jié)果有重要的影響。其中α為中繼節(jié)點剩余能量因子的加權(quán)因子，在整個網(wǎng)絡(luò)的初期，各個節(jié)點剩余能量較多，對能量的敏感度較小，因此前期選擇降低剩余能量因子。網(wǎng)絡(luò)傳輸?shù)竭_(dá)一定的時間，各個節(jié)點的剩余能量所剩不多，容易死亡，因此剩余能量對網(wǎng)絡(luò)生命周期影響較大，應(yīng)提高α的大小。β為中繼節(jié)點鄰接節(jié)點數(shù)量因子的加權(quán)因子，對于分布不均勻的網(wǎng)絡(luò)，可以提高該因子。δ為中繼節(jié)點到所有存活節(jié)點質(zhì)心距離的加權(quán)因子，該因子影響這個網(wǎng)絡(luò)的平均傳輸距離，影響著每一輪的傳輸能耗，對于節(jié)點剩余能量較少的情況，為減少節(jié)點的死亡速度，均衡能耗，α重要性要高于δ。多次實驗表明：在節(jié)點總剩余能耗減少一半之前，設(shè)置α為0.3，β為0.2，δ為0.5；節(jié)點總能耗減少一半后，設(shè)置α為0.6，β為0.2，δ為0.2，仿真結(jié)果較優(yōu)。本文的仿真使用上述的參數(shù)和方法。

2.3 簇首選舉及分簇過程

無線網(wǎng)關(guān)節(jié)點選舉完成后，整個網(wǎng)絡(luò)的結(jié)構(gòu)與常見的傳感器網(wǎng)絡(luò)類似，采用分簇路由機制可以均衡網(wǎng)絡(luò)的能耗，防止無線網(wǎng)關(guān)周圍的“熱點節(jié)點”迅速死亡。

前無線網(wǎng)關(guān)節(jié)點選擇簇首并建立分簇。本文采用麻雀搜索算法對簇首的分布進(jìn)行優(yōu)化，優(yōu)化目標(biāo)為提高簇首節(jié)點的剩余能量在所有存活節(jié)點中的占比，減少每輪傳輸?shù)哪芎摹２⑶覟榧铀偈諗?，對種群初始化進(jìn)行優(yōu)化，考慮3個因素：中繼節(jié)點的剩余能量、中繼節(jié)點鄰接節(jié)點數(shù)、到無線網(wǎng)關(guān)節(jié)點的距離。雖然SSA具有強大的局部搜索能力，但與多種群智能優(yōu)化算法類似，容易陷入局部最優(yōu)，因此，使用Levy飛行策略進(jìn)行改進(jìn)。

2.3.1 麻雀搜索算法

該算法主要分為以下幾個步驟：

1) 種群初始化

(8)

i∈[1,dpop],j∈[1,Npop].

(9)

2) 計算適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是智能優(yōu)化算法不斷迭代優(yōu)化的指標(biāo)。定義適應(yīng)度函數(shù)為

(10)

其中,f(x)為每個種群向量的適應(yīng)度函數(shù)。根據(jù)適應(yīng)度對種群i進(jìn)行排序。

3) 更新發(fā)現(xiàn)者位置

算法中包含3個角色:發(fā)現(xiàn)者、加入者和警戒者。發(fā)現(xiàn)者和加入者是可以相互轉(zhuǎn)化的，但是總比例不變。發(fā)現(xiàn)者負(fù)責(zé)覓食并為加入者找到尋優(yōu)方向，發(fā)現(xiàn)者更新的公式如下

(11)

4) 更新加入者位置

加入者的更新公式為

(12)

其中:Xbest為當(dāng)前最優(yōu)位置，Xworst為最差位置;A+為1×dpop的矩陣，矩陣的值為1和-1隨機分布，并且滿足A+=AT(AAT)-1。當(dāng)i>Npop/2時，表示未獲得食物，將會去其他位置搜索。

5) 更新警戒者位置

警戒者的更新公式為

(13)

其中:χ～N(0,1)作為步長，H為-1到1的隨機數(shù)；fi，fw，fg分別為當(dāng)前種群麻雀的適應(yīng)度值，當(dāng)前最差的適應(yīng)度值和最佳的適應(yīng)度值。fi>fg表示麻雀在整個種群中處于較差的位置；fi=fg表示麻雀意識到危險，靠近其他的麻雀。

6) 迭代并更新位置

重復(fù)步驟3)～步驟5)直至低于閾值或達(dá)到迭代次數(shù)。

2.3.2 Levy飛行策略優(yōu)化

Levy飛行屬于馬爾可夫過程，這是一種特殊的隨機游走策略，它結(jié)合了短距離搜索和偶爾的跳遠(yuǎn)。因此，Levy飛行策略[19]可以增加種群的多樣性。Levy飛行策略遵循如下公式

L(S)～|S|-1-η(0<η<2).

(14)

由于其分布較為復(fù)雜，常使用Mantegna算法進(jìn)行模擬。

(15)

(16)

δv=1.

(17)

其中：S為隨機步長，θ和ω服從正態(tài)分布，τ為標(biāo)準(zhǔn)gamma函數(shù)。

由于發(fā)現(xiàn)者經(jīng)常引導(dǎo)其他麻雀對位置進(jìn)行更新，而實驗表明，Levy飛行對其他的角色影響很小，因此只使用Levy飛行策略用來更新發(fā)現(xiàn)者的位置。

將公式(11)更新為

(18)

(19)

其中ξ為步長。2.3.1中步驟3)中式(11)更為式(18)。

2.3.3 簇首選舉

簇首選舉過程按照麻雀搜索的優(yōu)化算法的步驟進(jìn)行：

1) 種群初始化

為均衡能耗并加速智能算法的收斂，對種群初始化階段進(jìn)行優(yōu)化，將考慮3個因素：節(jié)點的剩余能量、節(jié)點到基站的距離、節(jié)點的鄰接節(jié)點的個數(shù)。與上文無線網(wǎng)關(guān)節(jié)點選舉類似：

(20)

(21)

其中：ο+ρ+υ=1，ο,ρ,υ∈(0,1)；Enode(i)是i節(jié)點的剩余能量，E(Enode)是節(jié)點平均剩余能量；Nneighbor(i)是i節(jié)點的鄰接節(jié)點個數(shù)，E(Nneigbor)為所有存活普通節(jié)點平均的鄰接節(jié)點數(shù)；dtoWG(i)是節(jié)點i距離無線網(wǎng)關(guān)節(jié)點的距離，E(dtoWG)是所有存活普通節(jié)點距離無線網(wǎng)關(guān)節(jié)點的距離平均值；Gnode是普通節(jié)點的集合。pcluster(i)是簇首的選舉公式。

根據(jù)pcluster(i)對節(jié)點由大到小排序，選擇前50%的節(jié)點作為候選節(jié)點。對于每一個種群從候選節(jié)點隨機取出不重復(fù)的K個值，作為單個種群的一個向量。構(gòu)建種群初始值之后，為了防止局部最優(yōu)，將UB、LB即節(jié)點編號的上下界，設(shè)置為整個存活節(jié)點的編號區(qū)間。其中根據(jù)文獻(xiàn)[20]，較優(yōu)的簇首個數(shù)為

(22)

其中：n為存活節(jié)點個數(shù)，εfs和εmp分別為自由空間模型和多路衰減模型的功放因子參數(shù)，M為監(jiān)測區(qū)域邊長，Eelec為電路損耗能量，dtoWG為節(jié)點到無線網(wǎng)關(guān)的距離期望[21]。

2) 計算適應(yīng)度函數(shù)

適應(yīng)度函數(shù)的確定是算法中最為重要的步驟，不斷迭代得到較低的適應(yīng)度值是麻雀尋優(yōu)算法的優(yōu)化目標(biāo)。選舉簇首的優(yōu)化目標(biāo)有以下3個：

① 提高簇首節(jié)點的剩余能量占所有存活節(jié)點的比例：為防止節(jié)點迅速死亡，簇首節(jié)點應(yīng)具有較高的能耗，因此，定義能量適應(yīng)度函數(shù)為

(23)

其中：Enode為普通節(jié)點的能量，ECH為簇首節(jié)點的能量。

② 降低簇內(nèi)數(shù)據(jù)傳輸?shù)哪芎模捍貎?nèi)數(shù)據(jù)傳輸?shù)哪芎呐c簇內(nèi)節(jié)點到簇首的距離正相關(guān)，因此，定義簇間距離的適應(yīng)度函數(shù)為

(24)

其中：d(j,i)表示第j個簇中第i個節(jié)點到簇首的距離，nc(j)表示第j個簇內(nèi)的節(jié)點個數(shù)。

③ 降低簇間數(shù)據(jù)傳輸?shù)哪芎模捍厥组g傳輸數(shù)據(jù)的能耗與到無線網(wǎng)關(guān)節(jié)點的距離正相關(guān)，因此，定義距離無線網(wǎng)關(guān)節(jié)點距離的適應(yīng)度函數(shù)為

(25)

其中：dtoWG(i)為第i個簇首到無線網(wǎng)關(guān)節(jié)點的距離。因此適應(yīng)度函數(shù)為

F=φf1+φf2+γf3.

(26)

其中：φ，φ，γ為3類適應(yīng)度函數(shù)的權(quán)重，φ+φ+γ=1，φ,φ,γ∈(0,1)。計算每個種群的適應(yīng)度值，進(jìn)行排序。

φ，φ，γ這3個權(quán)重對仿真有重要的影響，與無線網(wǎng)關(guān)的選舉類似，經(jīng)過多次試驗，對這3個參數(shù)的選擇采取以下策略：設(shè)置φ為0.3，φ為0.5，γ為0.2；節(jié)點總能耗減少一半后，設(shè)置φ為0.5，φ為0.3，γ為0.2。

3) 更新位置

按照2.3.1中步驟3)～步驟6)進(jìn)行。

4) 選出簇首

迭代完成后，選出較優(yōu)的簇首。

本文提出的SSA簇首選舉的算法框架如表1所示。

表1 SSA簇首選舉算法框架Table 1 SSA cluster head election algorithm framework

2.3.4 分簇建立

簇首選舉完成后，前無線網(wǎng)關(guān)節(jié)點通過廣播

的方式通知所有節(jié)點新的無線網(wǎng)關(guān)節(jié)點和簇首。普通節(jié)點選擇距離最近的簇首或無線網(wǎng)關(guān)節(jié)點進(jìn)行接入。

2.4 路由傳輸階段

簇內(nèi)節(jié)點通過單跳的方式將數(shù)據(jù)傳輸?shù)酱厥祝厥讓?shù)據(jù)進(jìn)行數(shù)據(jù)融合。如果簇首距離無線網(wǎng)關(guān)節(jié)點過遠(yuǎn)，會產(chǎn)生大量的能耗，因此，采用簇首間多跳的方式傳輸數(shù)據(jù)。簇首和無線網(wǎng)關(guān)節(jié)點按照prim算法計算最小生成樹，無線網(wǎng)關(guān)節(jié)點作為根節(jié)點。

考慮到簇首間的傳輸能耗和剩余能量，防止中繼節(jié)點能耗過低還要承擔(dān)轉(zhuǎn)發(fā)的能耗。因此，定義簇首間的權(quán)值為

(27)

其中：ETx(i,j)為i傳輸?shù)絡(luò)的能量；Enode(i)，Enode(j)為節(jié)點i，j的剩余能量。按照該權(quán)值構(gòu)成簇首間的生成樹。

3 仿真與結(jié)果分析

3.1 能耗模型

本文采用LEACH的能耗模型，根據(jù)不同的距離采用自由空間模型或多路衰減模型。其中d為節(jié)點間的距離，k為一組數(shù)據(jù)的比特數(shù)，d0為距離門限，εfs和εmp分別為自由空間模型和多路衰減模型的功放因子參數(shù)，Eelec為每傳輸1 bit數(shù)據(jù)產(chǎn)生的能耗，EDA為每融合1 bit數(shù)據(jù)的能耗，距離為d傳輸kbit數(shù)據(jù)的發(fā)送能耗和接收能耗分別為ETx(k,d)和ERx(k)，融合kbit的融合能耗為分別為：

(28)

ERx(k)=kEelec.

(29)

EDA(m)=mEDA.

(30)

(31)

仿真初始化的過程中，傳輸自身剩余能量和位置信息大小為200 bit，無線網(wǎng)關(guān)廣播的無線網(wǎng)關(guān)選舉結(jié)果的信息大小為100 bit，廣播簇首選舉結(jié)果信息大小為200 bit，無線網(wǎng)關(guān)廣播的距離為覆蓋所有節(jié)點的最大半徑。

無線網(wǎng)關(guān)傳輸數(shù)據(jù)到檢測平臺每一輪的能耗同樣滿足上述的能耗模型，仿真中，假設(shè)每隔200 m存在一個基站用來接收無線網(wǎng)關(guān)的數(shù)據(jù)，設(shè)置無線網(wǎng)關(guān)上傳經(jīng)過數(shù)據(jù)融合的數(shù)據(jù)的大小為4 000 bit，傳輸半徑為200 m，計算出無線網(wǎng)關(guān)傳輸?shù)奖O(jiān)測平臺每輪傳輸能耗為8.52×106nJ。

3.2 仿真結(jié)果

分別使用LEACH，LEACH-WGR，LEACH-WGR-SSA，LEACH-WGR-PSO等4種算法在相同參數(shù)下進(jìn)行模擬。PSO算法作為群智能優(yōu)化算法，被多位學(xué)者引入到分簇路由算法當(dāng)中，比較適用于輸變電場景監(jiān)測區(qū)域大，節(jié)點數(shù)量多的特點，因此選擇PSO算法進(jìn)行對比。本文使用網(wǎng)絡(luò)模型與常用模型有所不同，通常LEACH算法中匯聚節(jié)點位置不變且能量無限，本文對應(yīng)的無線網(wǎng)關(guān)節(jié)點能量有限、可以輪轉(zhuǎn)，并且會產(chǎn)生傳輸數(shù)據(jù)到監(jiān)測平臺的能耗。因此，本文基于LEACH的仿真，對于無線網(wǎng)關(guān)節(jié)點的處理為隨機選舉。網(wǎng)絡(luò)的相關(guān)實驗環(huán)境和參數(shù)設(shè)置如表2所示。

表2 仿真參數(shù)表Table 2 Simulation parameters

表3和圖2(a)為4種算法下節(jié)點死亡率的對比。仿真結(jié)果表明，當(dāng)50%的節(jié)點死亡時，LEACH-WGR的輪數(shù)相較于LEACH延長35.1%。同時，采用麻雀搜索算法優(yōu)化的LEACH-WGR-SSA相較于LEACH和LEACH-WGR提高121.6%和64.1%，比同類智能算法PSO(粒子群優(yōu)化算法)增加6.5%，延長了業(yè)務(wù)較多的網(wǎng)絡(luò)前期，從而增加了整個網(wǎng)絡(luò)的業(yè)務(wù)量。WGR的算法綜合考慮到無線網(wǎng)關(guān)節(jié)點的剩余能量、地理位置及鄰接節(jié)點個數(shù)，減少了整個網(wǎng)絡(luò)傳輸?shù)木嚯x和跳數(shù)，均衡了能耗，減緩了節(jié)點的死亡。采用麻雀搜索算法對簇首選舉進(jìn)行優(yōu)化，在種群初始化和適應(yīng)度函數(shù)的選取上，均考慮了剩余能量因素、簇內(nèi)節(jié)點傳輸距離和到無線網(wǎng)關(guān)節(jié)點的距離，做到減少每輪傳輸?shù)哪芎暮湍芰康木?，同時麻雀搜

表3 節(jié)點死亡率表Table 3 Percentage death nodes

索算法通過警戒和發(fā)現(xiàn)的模式，加入一些擾動，同時加入Levy飛行策略，避免尋優(yōu)過程陷入局部最優(yōu)，得到了較好的適應(yīng)度值。

LEACH-WGR延長了網(wǎng)絡(luò)的生存周期，相較于LEACH、LEACH-WGR、LEACH-WGR-PSO分別延長31.3%、8.5%、5.3%。相較于常見的無線傳感器網(wǎng)絡(luò)，增長效果有限，因為無線網(wǎng)關(guān)傳輸數(shù)據(jù)到監(jiān)測平臺每輪的損耗較高，即使進(jìn)行了優(yōu)化，節(jié)點的每輪能量損耗是固定的，過高的能耗導(dǎo)致節(jié)點的迅速死亡。

圖2(b)為傳輸數(shù)據(jù)包數(shù)的對比。當(dāng)網(wǎng)絡(luò)運轉(zhuǎn)結(jié)束，LEACH、LEACH-WGR、LEACH-WGR-PSO、LEACH-WGR-SSA傳輸?shù)臄?shù)據(jù)包數(shù)分別為3 339、4 267、8 878、9 788，LEACH-WGR-SSA相較于其他算法提高了193.1%、129.4%、10.3%，LEACH-WGR-SSA傳輸?shù)陌鼣?shù)遠(yuǎn)高于LEACH和LEACH-WGR。說明LEACH-WGR-SSA算法的能量效率較高，每輪數(shù)據(jù)傳輸?shù)哪芰枯^少，能量分配均衡，存活的節(jié)點越多，傳輸?shù)臄?shù)據(jù)也就越多。

圖2 節(jié)點存活數(shù)量和傳輸數(shù)據(jù)包數(shù)對比Fig.2 Comparison of number of alive nodes and transmission data among algorithms

圖3為LEACH-WGR-PSO和LEACH-WGR-SSA在相同條件下的收斂情況對比，LEACH-WGR-PSO在39輪后收斂，LEACH-WGR-SSA在34輪收斂。雖然收斂次數(shù)接近，但LEACH-WGR-SSA算法尋優(yōu)的最佳適應(yīng)度值優(yōu)于LEACH-WGR-PSO。因此，LEACH-WGR-SSA在此場景下具有一定的優(yōu)勢。

圖3 收斂情況對比Fig.3 Comparison of iterative convergence among algorithms

4 結(jié)論

本文針對輸變電場景傳感器眾多，并且沒有組網(wǎng)能力的特點，提出采用計算能力高的中繼節(jié)點收集傳感器信息，并對中繼節(jié)點進(jìn)行組網(wǎng)的解決方案，并根據(jù)這一方案，研究中繼節(jié)點間的組網(wǎng)，提出一種輪換無線網(wǎng)關(guān)節(jié)點的路由分簇算法，同時加入麻雀搜索的智能優(yōu)化算法，優(yōu)化簇首的選舉。對于無線網(wǎng)關(guān)節(jié)點的選舉考慮到了節(jié)點剩余能量、距離質(zhì)心的位置和鄰接節(jié)點個數(shù)；對于中繼節(jié)點的選舉同樣考慮了節(jié)點剩余能量和鄰接節(jié)點個數(shù)，也考慮到無線網(wǎng)關(guān)節(jié)點的距離。同時加入Levy飛行策略對SSA算法中發(fā)現(xiàn)者位置更新進(jìn)行優(yōu)化，防止算法陷入局部最優(yōu)。仿真結(jié)果表明，該算法延長了網(wǎng)絡(luò)的生存周期，均衡了能耗，同時改進(jìn)后的麻雀搜索算法尋優(yōu)能力在該場景下有一定的優(yōu)勢。

雖然LEACH-WGR-SSA算法在仿真中取得了較好的結(jié)果，但并未考慮到傳感器到中繼節(jié)點的接入，傳感器接入的個數(shù)和傳輸?shù)臄?shù)據(jù)量對整個網(wǎng)絡(luò)的能耗有一定的影響。后續(xù)的研究將考慮這一因素，對算法和模型進(jìn)行改進(jìn)，運用到真實的場景中。