基于人工智能算法的能量高效分簇路由協(xié)議

王彥峰，陳 錕，王興華

(廣東電網(wǎng)公司 電網(wǎng)規(guī)劃研究中心，廣東 廣州 510080)

0 引 言

作為無線傳感器網(wǎng)絡(luò)(wireless sensor networks，WSNs)中的核心技術(shù)，分簇路由協(xié)議通過將傳感器節(jié)點分簇來提高網(wǎng)絡(luò)能量效率，從而延長網(wǎng)絡(luò)生存期[1]。其中，能量效率是指網(wǎng)絡(luò)能量利用率。WSN中，通過提高能量使用的合理性，能夠改善能量利用率，即提高能量效率?；诜执氐腤SN中，選擇高質(zhì)量簇首，并規(guī)劃合理的傳輸路徑是提高網(wǎng)絡(luò)能量效率、延長網(wǎng)絡(luò)生存期的關(guān)鍵[2-4]。

針對WSN分簇路由協(xié)議存在的能耗問題，文獻[5]提出經(jīng)典的LEACH算法，采用隨機的方式對傳感器節(jié)點進行分簇，并通過周期性輪換簇首均衡節(jié)點的能量消耗。文獻[6]采用人工蜂群算法優(yōu)化網(wǎng)絡(luò)分簇，并構(gòu)建基于最小生成樹的簇間路由以降低簇首負載。文獻[7]采用粒子群優(yōu)化算法選擇最優(yōu)簇首集合，并設(shè)計基于最小生成樹的路由方案，有效延長了網(wǎng)絡(luò)生存期。文獻[8]運用粒子群優(yōu)化模糊C均值進行聚類，以優(yōu)化分簇效果。簇間路由階段，引入貓群算法構(gòu)建最優(yōu)傳輸路徑，以均衡簇首負載。文獻[9]利用蝴蝶優(yōu)化算法來解決最優(yōu)網(wǎng)絡(luò)分簇問題，并采用蟻群優(yōu)化算法構(gòu)建簇間路由。該協(xié)議緩解了路由協(xié)議中普遍存在的“熱區(qū)”問題，提高了網(wǎng)絡(luò)壽命。文獻[10]采用全局交叉人工蜂群算法對傳感器節(jié)點分簇，并采用改進蟻群算法作為簇首節(jié)點去尋找最佳傳輸路徑，有效平衡了網(wǎng)絡(luò)能耗，進而延長了網(wǎng)絡(luò)生存期。

上述各項研究都試圖通過使用不同的人工智能算法來改善網(wǎng)絡(luò)性能，并取得了一定的成效。但上述協(xié)議仍然存在生存期短等缺陷。因此，本文提出了一種新的分簇路由協(xié)議FOFCA，該協(xié)議采用螢火蟲優(yōu)化算法(firefly algorithm，F(xiàn)A)對模糊C均值(fuzzy C-means，F(xiàn)CM)進行優(yōu)化。在成簇階段，使用FA選取FCM的初始聚類點，進而解決網(wǎng)絡(luò)分簇問題；簇劃分完成后，根據(jù)傳感器節(jié)點的能量等級和地理位置，分布式選定簇首。數(shù)據(jù)傳輸階段，簇首根據(jù)蟻群算法(ant colony optimization，ACO)構(gòu)造的多跳傳輸路徑與基站進行通信，簇內(nèi)節(jié)點采用輪詢控制機制向簇首發(fā)送數(shù)據(jù)。

1 系統(tǒng)模型

本節(jié)對包括網(wǎng)絡(luò)模型和能耗模型在內(nèi)的系統(tǒng)模型進行了描述。其中，網(wǎng)絡(luò)模型指WSN中網(wǎng)絡(luò)節(jié)點的特性及工作場景的特征。能耗模型指WSN在假設(shè)的網(wǎng)絡(luò)模型中工作時消耗能量的依據(jù)。

1.1 網(wǎng)絡(luò)模型

首先對本文算法所使用的網(wǎng)絡(luò)模型做如下設(shè)定。

(1)具有全局唯一ID的傳感器節(jié)點隨機放置在監(jiān)測區(qū)域內(nèi)。

(2)所有節(jié)點同構(gòu)，即初始能量相同，計算能力與通信能力相當(dāng)。

(3)發(fā)送節(jié)點通過計算自身與接收節(jié)點之間的距離，實現(xiàn)了根據(jù)通信距離自主調(diào)節(jié)發(fā)射功率。

(4)不能對部署完成的WSN進行人為干預(yù)。

1.2 能耗模型

本文采用一階無線電通信能耗模型，具體定義請參見文獻[11]。

2 FOFCA算法

FOFCA算法引入了LEACH協(xié)議中“輪”的概念。網(wǎng)絡(luò)初始化時期，基站執(zhí)行由FA優(yōu)化的FCM聚類算法為傳感器節(jié)點分簇。首輪簇首由距離聚類中心最近的節(jié)點擔(dān)任。此后每輪，成員節(jié)點根據(jù)當(dāng)前狀態(tài)計算自身權(quán)重值，并由權(quán)值最優(yōu)的節(jié)點擔(dān)任次輪簇頭。所提出的簇頭更換模式在提高簇首質(zhì)量的同時將簇頭更換次數(shù)維持在合理范圍內(nèi)，從而緩解簇首能耗，并延長網(wǎng)絡(luò)生存期。

2.1 簇的構(gòu)建

2.1.1 最優(yōu)簇數(shù)

基于分簇的WSN通過將傳感器節(jié)點劃分為指定數(shù)量的簇來降低網(wǎng)絡(luò)能耗。其中，分簇數(shù)量對網(wǎng)絡(luò)性能有重要影響，因此本節(jié)考慮上述網(wǎng)絡(luò)模型和能耗模型計算最優(yōu)網(wǎng)絡(luò)簇數(shù)。WSN工作一輪，所有網(wǎng)絡(luò)節(jié)點的總能耗為[12]

(1)

式中：N為WSN中傳感器節(jié)點的個數(shù)，dtoBS為節(jié)點與基站之間的歐氏距離。

Etotal對網(wǎng)絡(luò)簇數(shù)k求偏導(dǎo)，得出最優(yōu)網(wǎng)絡(luò)簇數(shù)為

(2)

2.1.2 FCM聚類算法

FCM算法是一種基于柔性劃分的模糊聚類算法，被廣泛應(yīng)用于圖像處理、機器學(xué)習(xí)等領(lǐng)域[13]。應(yīng)用FCM聚類算法解決WSN的最優(yōu)聚類問題，網(wǎng)絡(luò)節(jié)點被劃分為k個緊致的均勻簇，從而最小化簇內(nèi)通信距離。

FCM通過迭代優(yōu)化目標(biāo)函數(shù)，將傳感器節(jié)點按位置相似度進行劃分。目標(biāo)函數(shù)按照下式進行計算

(3)

隸屬度按照下式進行更新

(4)

聚類中心按照下式進行更新

(5)

當(dāng)隸屬度矩陣uij更新至最優(yōu)值時，迭代結(jié)束，輸出聚類中心。

2.1.3 FA優(yōu)化FCM算法

FCM算法聚類機制靈活，收斂效果優(yōu)越，然而，由于聚類性能容易受初始聚類中心的影響，導(dǎo)致算法易陷入局部最優(yōu)[14]。為了解決這一問題，本文采用FA對FCM的初始聚類中心進行優(yōu)化。

FA是一種受自然界中螢火蟲發(fā)光特性啟發(fā)而提出的新型啟發(fā)式優(yōu)化算法，具有設(shè)定參數(shù)少、協(xié)作能力強、魯棒性強等特點，被廣泛應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、系統(tǒng)和工程設(shè)計等領(lǐng)域[15]。該算法模擬了螢火蟲之間相互吸引和位置迭代更新的過程，將其應(yīng)用于搜索和優(yōu)化。使用螢火蟲的亮度表示問題解的優(yōu)劣，亮度最大的螢火蟲即為最優(yōu)解[16]。螢火蟲熒光亮度的更新方式如式(6)所示

(6)

式中：I0為螢火蟲的最大熒光亮度，即自身的無衰減的熒光亮度，γ為光吸收因子，反映光在傳播過程中的衰減損耗，rij為螢火蟲i與螢火蟲j之間的距離，按照下式進行計算

(7)

式中：d表示待求解問題的維度，xi，k表示螢火蟲i在第k維搜索空間的位置。

FA中，亮度較弱的螢火蟲會受到亮度較強個體的吸引，并向其移動。個體j向i移動的數(shù)學(xué)模型如下

xi(t+1)=xi(t)+βFA×(xj(t)-xi(t))+αFA(rand-1/2)

(8)

式中：xi(t) 為t時刻螢火蟲i的位置，αFA為步長因子，取值為[0，1]之間的常數(shù)，rand為[0，1]上服從均勻分布的隨機數(shù)，βFA表示吸引度，代表螢火蟲之間感受彼此亮度的能力，會隨距離的增加而逐漸減小，計算方式如下

(9)

式中：β0表示r=0時的吸引度。

FA優(yōu)化FCM算法的步驟如下：

步驟1 初始化FA，以隨機的方式在搜索空間內(nèi)生成初始種群。

步驟2 基于適應(yīng)度函數(shù)1/Jm計算種群適應(yīng)值，適應(yīng)值越大，螢火蟲個體的亮度越強。

步驟3 根據(jù)式(7)計算兩個個體之間的距離。

步驟4 根據(jù)式(8)更新個體之間的吸引度。

步驟5 根據(jù)式(9)更新個體位置，其中最亮的螢火蟲(適應(yīng)度值最優(yōu)個體)不受其它螢火蟲吸引，并以隨機方式更新自身位置。

步驟6 重復(fù)執(zhí)行步驟2至步驟5，直到滿足迭代結(jié)束的條件。

步驟7 將FA算法輸出的最優(yōu)解用作FCM算法的初始聚類中心，并執(zhí)行FCM算法。

步驟8 輸出聚類結(jié)果。

2.2 簇首選舉

成簇階段，基站采用由FA優(yōu)化的FCM算法對網(wǎng)絡(luò)節(jié)點分簇。第一輪，距離簇中心最近的傳感器被指定為簇首。在后續(xù)輪次中，簇首根據(jù)節(jié)點的能量狀態(tài)和位置信息計算簇內(nèi)節(jié)點的適應(yīng)值，并選擇適應(yīng)值最優(yōu)的節(jié)點作為下一輪簇首。節(jié)點的適應(yīng)值按照下式進行計算

fi=αf1+βf2

(10)

式中：fi表示節(jié)點i的適應(yīng)值，f1為能量因子，f2為位置因子，α和β為權(quán)重系數(shù)，用于調(diào)整能量因子和位置因子的權(quán)重。

簇首節(jié)點相較于成員節(jié)點，需要執(zhí)行更多的任務(wù)，因此其能耗也更大。因此，在計算節(jié)點適應(yīng)值時充分考慮了節(jié)點的剩余能量，以使簇首有充足的能量執(zhí)行各類任務(wù)。節(jié)點的能量因子f1設(shè)計為

(11)

式中：Eres(i) 和Eave(i) 分別表示節(jié)點i當(dāng)前的能量值和該簇的平均能量值。由式(11)可知，節(jié)點i的能量值越高，對應(yīng)的f1值也越大，當(dāng)選簇首的概率越高。

成員節(jié)點感知到數(shù)據(jù)信息后，發(fā)送給對應(yīng)簇首。簇首對數(shù)據(jù)進行融合，并發(fā)送給基站。簇首距離基站越近，則通信距離越短，通信能耗相應(yīng)較低。因此，選擇簇首時需要考慮節(jié)點的地理位置?；谏鲜龇治?，節(jié)點的距離因子設(shè)計為

(12)

式中：di表示節(jié)點i與基站之間的距離，dmax和dmin分別表示節(jié)點i所在的簇內(nèi)中所有節(jié)點到基站距離的最大值和最小值。上式設(shè)計的優(yōu)勢在于同一個簇內(nèi)的節(jié)點的位置相對集中，這使得其與基站之間的距離相近，采用余弦函數(shù)可以使同一簇內(nèi)不同節(jié)點的距離因子有較大的區(qū)分度。節(jié)點距離基站較近，則對應(yīng)的f2值越大，當(dāng)選簇首的概率就越高。

權(quán)重系數(shù)的更新方式如下式所示

α=1/(1+Eres(i)/Eave(i))

(13)

β=1-α

(14)

權(quán)重系數(shù)更新方式的好處為：隨網(wǎng)絡(luò)的運行，節(jié)點能量不斷耗損，在簇首選舉時需要重點考慮節(jié)點的剩余能量因素。而α隨節(jié)點能量的降低動態(tài)增加，很好滿足了這一需求。

簇首更新時，節(jié)點之間需要交換大量控制包，從而產(chǎn)生能量損耗。為解決這一問題，本文降低了簇首更新的頻率，在每輪最后，當(dāng)前簇首根據(jù)下式?jīng)Q定次輪是否需要更換簇首

fCH≤λfmax(i)，λ∈(0，1]

(15)

式中：λ為網(wǎng)絡(luò)系數(shù)，決定簇首更新頻率。若簇首的適應(yīng)值滿足上式，則需要根據(jù)節(jié)點適應(yīng)值來更新下一輪次的簇首。否則，下一輪次不需要更新簇首。這樣就避免了因頻繁更換簇首而產(chǎn)生的不必要能量開銷。

2.3 簇間路由

基于上述網(wǎng)絡(luò)模型與能耗模型，隨通信距離增加，節(jié)點的通信能耗成指數(shù)型增長。簇首采集簇內(nèi)節(jié)點感知到的數(shù)據(jù)后，對冗余數(shù)據(jù)進行壓縮并將其發(fā)送到基站。如果簇首選擇單跳方式向基站發(fā)送數(shù)據(jù)，會出現(xiàn)“熱區(qū)”問題。針對這一問題，本文提出一種基于蟻群算法[17]的簇間路由方法，用于平衡網(wǎng)絡(luò)節(jié)點的負載。

簇首節(jié)點選取下一跳的轉(zhuǎn)移概率函數(shù)為

(16)

簇首i到j(luò)的啟發(fā)值按照下式進行計算

(17)

式中：Ej-rem表示j的能量值，dij為i與j之間的歐式距離，Nj為下一跳簇首j所在簇的成員節(jié)點數(shù)，θ為簇首i到下一跳簇首j的連線與簇首i到基站的連線的夾角，ω1和ω2為權(quán)重系數(shù)。根據(jù)式(17)，可以得知，待選下一跳的節(jié)點能量越高、距離基站越近，則當(dāng)前簇首到該下一跳簇首的啟發(fā)值越大。此外，當(dāng)前簇首到下一跳簇首的連線與當(dāng)前簇首到基站連線所構(gòu)成的夾角越小，其余弦值就越大，兩簇首之間的啟發(fā)值也越大，這代表更靠近當(dāng)前簇首與基站連線的下一跳將得到支持，此時通信距離也較短。而遠離當(dāng)前簇首與基站的連線的下一跳將被拒絕?；谏鲜龇治觯嵌纫蜃幽軌虮苊獯厥紫蛳乱惶?jié)點發(fā)送數(shù)據(jù)時出現(xiàn)回旋式跳轉(zhuǎn)問題。通過考慮多種因素，極大地提高了路徑啟發(fā)因子的功能性，使下一跳節(jié)點的選取更具針對性，從而提高路由效率。

信息素的更新方式在路徑選擇中起著至關(guān)重要的作用。本文提出一種新穎的信息素更新方式，包括全局信息素更新和局部信息素更新，分別記為階段1和階段2，以提高路由發(fā)現(xiàn)效率，其計算方式如下

τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)

(18)

式中：ρ與Δτij(t) 分別表示信息素的揮發(fā)系數(shù)與增量。

階段1：搜索代理由i移動至j，并根據(jù)下式完成局部信息素更新

(19)

式中：Qlocal為局部信息素濃度。由上式可知，局部信息素濃度更新時，綜合考慮了到下一跳簇首的距離和下一跳簇首的剩余能量，在縮短通信距離的同時保證下一跳簇首有充足的能量完成數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)。

階段2：搜索代理到達終點后原路返回，同時按照下式完成全局信息素的更新

(20)

式中：Qglobal表示全局信息素濃度，為控制參數(shù)，Emin和L分別為路徑中的最小能量值和路徑長度。

根據(jù)局部信息素和全局信息素更新方式可知，長度短、能量均衡的路徑在信息素更新時將會得到一個較大的值，這能夠使路由發(fā)現(xiàn)階段選擇合適的路徑來傳輸數(shù)據(jù)，提高路由效率。

2.4 改進簇內(nèi)通信機制

一般的分簇路由協(xié)議在完成簇構(gòu)建之后，簇內(nèi)成員節(jié)點在自己的時隙內(nèi)處于喚醒狀態(tài)，并將過去一段時間內(nèi)采集到的數(shù)據(jù)信息發(fā)送給簇首，其余時間進入休眠狀態(tài)，以節(jié)省能量[18，19]。但TDMA機制不能鑒定節(jié)點是否需要被喚醒以履行數(shù)據(jù)發(fā)送任務(wù)，即不需要發(fā)送數(shù)據(jù)的節(jié)點在時隙到來時仍會被喚醒，執(zhí)行與簇首通信的任務(wù)從而導(dǎo)致不必要的能量損耗。為了解決這一問題，本文引入了輪詢控制機制，用來替代TDMA機制以完成簇內(nèi)通信。在簇構(gòu)建完成之后，簇首節(jié)點創(chuàng)建記錄成員節(jié)點忙閑狀態(tài)和訪問順序的輪詢表，并將其分配給成員節(jié)點。其中，簇首根據(jù)忙閑狀態(tài)判斷節(jié)點是否有數(shù)據(jù)信息需要發(fā)送。簇首通過辨別當(dāng)前輪次中需要訪問的成員節(jié)點來針對性的喚醒部分節(jié)點，以降低節(jié)點能耗，同時避免了時隙的浪費。

3 仿真實驗及結(jié)果分析

3.1 參數(shù)設(shè)置

為測試所提協(xié)議的有效性，使用Matlab R2016b軟件對FOFCA、FIGWO[20]和GAFCMCR[21]協(xié)議在不同網(wǎng)絡(luò)環(huán)境下進行仿真實驗。監(jiān)測區(qū)域的范圍、基站位置和傳感器節(jié)點的個數(shù)是影響協(xié)議性能的主要因素[22，23]，因此在不同網(wǎng)絡(luò)環(huán)境下對協(xié)議進行仿真實驗，WSN的場景參數(shù)見表1，仿真參數(shù)請參見文獻[24]，螢火蟲算法和蟻群算法用到的參數(shù)見表2[25，26]。

表1 網(wǎng)絡(luò)場景參數(shù)

表2 FA與ACO算法參數(shù)

3.2 網(wǎng)絡(luò)穩(wěn)定期對比

網(wǎng)絡(luò)穩(wěn)定期的定義是網(wǎng)絡(luò)中首個節(jié)點的死亡時間，是評估協(xié)議能耗均衡性的指標(biāo)。在場景1中，網(wǎng)絡(luò)中部署100個節(jié)點時，F(xiàn)OFCA、FIGWO和GAFCMCR的網(wǎng)絡(luò)穩(wěn)定期分別為221輪、56輪、89輪；網(wǎng)絡(luò)中部署200個節(jié)點時，3種協(xié)議的網(wǎng)絡(luò)穩(wěn)定期分別為241輪、56輪、91輪；網(wǎng)絡(luò)中部署300個節(jié)點時，3種協(xié)議的網(wǎng)絡(luò)穩(wěn)定期分別為229輪、73輪、129輪。在場景2中，3種協(xié)議的網(wǎng)絡(luò)穩(wěn)定期分別為32輪、7輪、8輪。為方便比較分析，將場景1和場景2中的網(wǎng)絡(luò)穩(wěn)定期分別繪制于圖1和圖2。圖1為3種協(xié)議在場景1中的網(wǎng)絡(luò)穩(wěn)定期對比。場景1規(guī)模較小，節(jié)點之間的通信距離相應(yīng)較短，網(wǎng)絡(luò)節(jié)點能夠正常工作較長的時間。從圖1中可以明顯看出，F(xiàn)OFCA相較于其它兩種算法在網(wǎng)絡(luò)穩(wěn)定期指標(biāo)上具有顯著優(yōu)勢。這一優(yōu)勢得益于本文算法在分簇效果上的良好表現(xiàn)，成功縮短了簇類節(jié)點之間的通信距離從而降低通信損耗。此外，F(xiàn)OFCA在簇間通信階段構(gòu)造了高效的路由算法，簇首節(jié)點根據(jù)路由路徑完成數(shù)據(jù)傳輸，有效降低了其能量消耗?；谏鲜鲈?，F(xiàn)OFCA能夠有效均衡網(wǎng)絡(luò)能耗，從而延長了網(wǎng)絡(luò)穩(wěn)定周期。圖2為3種協(xié)議在場景2中的網(wǎng)絡(luò)穩(wěn)定期對比。場景2規(guī)模較大，簇首與基站之間的距離相對較遠，遠程通信給簇首帶來了巨大的能量損耗，導(dǎo)致其過早死亡。但本文協(xié)議使用改進的蟻群算法為簇首節(jié)點規(guī)劃最優(yōu)傳輸路徑，均衡了簇首負載，緩解了簇首的能量損耗。因此，在大規(guī)模場景下本文協(xié)議的網(wǎng)絡(luò)穩(wěn)定期比對比算法更長。

圖1 3種協(xié)議在場景1中的網(wǎng)絡(luò)穩(wěn)定期對比

圖2 3種協(xié)議在場景2中的網(wǎng)絡(luò)穩(wěn)定期對比

3.3 網(wǎng)絡(luò)生存期對比

網(wǎng)絡(luò)生存期用于評價協(xié)議的能量效率，其指的是75%的節(jié)點的死亡的時間。在場景1中，網(wǎng)絡(luò)中部署100個節(jié)點時，F(xiàn)OFCA、FIGWO和GAFCMCR的網(wǎng)絡(luò)生存期分別為983輪、457輪、579輪；網(wǎng)絡(luò)中部署200個節(jié)點時，3種協(xié)議的網(wǎng)絡(luò)生存期分別為991輪、538輪、827輪；網(wǎng)絡(luò)中部署300個節(jié)點時，3種協(xié)議的網(wǎng)絡(luò)生存期分別為1083輪、550輪、866輪。在場景2中，3種協(xié)議的網(wǎng)絡(luò)生存期分別為615輪、257輪、396輪。為方便比較分析，將場景1和場景2中的網(wǎng)絡(luò)生存期分別繪制于圖3和圖4。圖3為3種協(xié)議在場景1中的網(wǎng)絡(luò)生存期對比。由于場景1規(guī)模較小，所有節(jié)點短距離通信，能量耗損較小，3種協(xié)議均有較長的網(wǎng)絡(luò)生存期。但本文協(xié)議分簇效果理想，并且簇首在簇間通信階段采用了合理的多跳傳輸路徑，降低了網(wǎng)絡(luò)能耗，使本文所提出的協(xié)議在網(wǎng)絡(luò)生存期指標(biāo)上表現(xiàn)出顯著的優(yōu)勢。圖4顯示了3種協(xié)議在大規(guī)模網(wǎng)絡(luò)場景下的網(wǎng)絡(luò)生存期對比。在這種大規(guī)模場景下，高效的路由算法對協(xié)議的性能有重要意義。若簇首節(jié)點單跳向基站發(fā)送數(shù)據(jù)，遠距離通信會導(dǎo)致簇首節(jié)點產(chǎn)生大量的能耗，從而縮短網(wǎng)絡(luò)生存期。本文提出的協(xié)議采用基于蟻群優(yōu)化的簇間路由算法，有助于為簇首節(jié)點找到合適的傳輸路徑，簇首通過多跳將數(shù)據(jù)發(fā)往基站，從而降低了網(wǎng)絡(luò)能耗。因此，本文所提FOFCA協(xié)議在大規(guī)模場景下的網(wǎng)絡(luò)生存期比對比協(xié)議更長。

圖3 3種協(xié)議在場景1中的網(wǎng)絡(luò)生存期對比

圖4 3種協(xié)議在場景2中的網(wǎng)絡(luò)生存期對比

3.4 網(wǎng)絡(luò)吞吐量對比

部署WSN的目的是為了采集監(jiān)測區(qū)域的數(shù)據(jù)，因此網(wǎng)絡(luò)吞吐量是評價協(xié)議性能的一個關(guān)鍵性能指標(biāo)。網(wǎng)絡(luò)吞吐量越高，代表網(wǎng)絡(luò)采集到的數(shù)據(jù)越多。圖5為3種算法在場景1中的網(wǎng)絡(luò)吞吐量的對比結(jié)果。根據(jù)圖5，所提協(xié)議收集到的數(shù)據(jù)包個數(shù)遠多于其它兩種對比協(xié)議，這是因為FOFCA具有最長的網(wǎng)絡(luò)生存期，延長了傳感網(wǎng)的工作時間，故收集到了更多的數(shù)據(jù)包。此外，通過引入輪詢調(diào)度改善了時隙的利用率，使基站接收到了更多的數(shù)據(jù)包。在大規(guī)模的應(yīng)用場景中，F(xiàn)OFCA、FIGWO和GAFCMCR這3種協(xié)議的網(wǎng)絡(luò)吞吐量進行了對比，如圖6所示。在該場景中，本文所提出的協(xié)議具有最高的網(wǎng)絡(luò)吞吐量，這是因為較長的網(wǎng)絡(luò)生存期有助于基站接收更多的數(shù)據(jù)信息。此外，簇內(nèi)使用輪詢調(diào)度進一步改善了網(wǎng)絡(luò)吞吐量。

圖5 3種協(xié)議在場景1中的網(wǎng)絡(luò)吞吐量對比

圖6 3種協(xié)議在場景2中的網(wǎng)絡(luò)吞吐量對比

4 結(jié)束語

為了均衡WSN負載，本文提出一種基于人工智能算法的分簇路由協(xié)議FOFCA。在網(wǎng)絡(luò)分簇階段，首先利用FA優(yōu)化FCM聚類算法，克服了FCM受初始聚類中心的影響易陷入局部最優(yōu)的缺點；其次使用改進的FCM為傳感器節(jié)點聚類分簇，以最小化簇內(nèi)節(jié)點之間的距離；最后，考慮節(jié)點的能量和到基站的距離因素，動態(tài)更新簇首以提高其質(zhì)量。在簇間通信階段，采用基于改進蟻群優(yōu)化的簇間路由算法為簇首尋找傳輸路徑，以降低簇首的能耗。同時，通過使用輪詢調(diào)度完成簇內(nèi)通信，改善能量利用率。仿真實驗結(jié)果表明，F(xiàn)OFCA能夠有效延長網(wǎng)絡(luò)生存期，并提高網(wǎng)絡(luò)吞吐量。