門(mén)順治,孫順遠(yuǎn),徐保國(guó)

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122)

?

基于PSO的無(wú)線傳感器網(wǎng)絡(luò)非均勻分簇雙簇頭路由算法*

門(mén)順治,孫順遠(yuǎn),徐保國(guó)*

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122)

針對(duì)無(wú)線傳感器網(wǎng)絡(luò)中分簇路由算法簇頭負(fù)載過(guò)重,同時(shí)也為了提高無(wú)線傳感器網(wǎng)絡(luò)的能量利用效率,提出了一種基于PSO的非均勻分簇雙簇頭路由算法。該算法首先通過(guò)候選簇頭節(jié)點(diǎn)與基站距離的遠(yuǎn)近構(gòu)造出幾何規(guī)模不等的簇,然后根據(jù)簇的規(guī)模引進(jìn)PSO優(yōu)化算法最終選擇出主簇頭與副簇頭。主簇頭主要負(fù)責(zé)簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)的采集跟數(shù)據(jù)融合,副簇頭主要完成簇內(nèi)及簇間數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù),實(shí)現(xiàn)數(shù)據(jù)的單跳與多跳傳輸。仿真結(jié)果表明,該算法有效的減少了簇頭節(jié)點(diǎn)的能耗,在很大程度上均衡了整個(gè)網(wǎng)絡(luò)的能耗,實(shí)現(xiàn)了網(wǎng)絡(luò)生存周期的延長(zhǎng)。

無(wú)線傳感器網(wǎng)絡(luò);非均勻分簇;粒子群優(yōu)化算法;雙簇頭

無(wú)線傳感器網(wǎng)絡(luò)WSN[1](Wireless Sensor Network)是由部署在監(jiān)測(cè)區(qū)域內(nèi)大量能量有限的微型傳感器網(wǎng)絡(luò)節(jié)點(diǎn)組成,通過(guò)無(wú)線通信的方式形成一個(gè)網(wǎng)絡(luò)系統(tǒng),其目的是協(xié)作感知、采集和處理網(wǎng)絡(luò)覆蓋地理區(qū)域內(nèi)感知對(duì)象的信息,并發(fā)布給觀察者。近年來(lái),隨著傳感器技術(shù)、通信技術(shù)等技術(shù)的發(fā)展,WSN越來(lái)越廣泛的應(yīng)用于工業(yè)、農(nóng)業(yè)、環(huán)境監(jiān)測(cè)等方面。在WSN中,由于節(jié)點(diǎn)一般處于靜止?fàn)顟B(tài)且電池難以更新,如何設(shè)計(jì)出一種節(jié)約節(jié)點(diǎn)能量、延長(zhǎng)網(wǎng)絡(luò)生存周期的無(wú)線路由算法是當(dāng)前的熱點(diǎn)之一[2-3]。

1 相關(guān)工作

1.1 分簇算法的論述

2000年Heinzelman W R等人提出的LEACH[4](Low-Energy Adaptive Clustering Hierarchy)算法是一種經(jīng)典的低能量自適應(yīng)分簇路由算法。在LEACH算法中,簇頭節(jié)點(diǎn)跟基站采用的是單跳路由通信協(xié)議,離基站較遠(yuǎn)的簇頭能量消耗過(guò)大而過(guò)早死亡,影響整個(gè)網(wǎng)絡(luò)的生存周期,并且單跳傳輸不易于無(wú)線傳感器網(wǎng)絡(luò)的擴(kuò)展。針對(duì)LEACH算法中離基站較遠(yuǎn)的簇頭因發(fā)送數(shù)據(jù)能量消耗過(guò)多而過(guò)早死亡,文獻(xiàn)[5]采用了一種多跳通信方式,但是由于距離基站較近的簇頭承擔(dān)著更多的數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)而消耗過(guò)多能量,易形成“熱區(qū)”。EECS[6]算法采用的是分布式工作方式,節(jié)點(diǎn)僅需局部信息即可完成分簇,并且分簇充分考慮到節(jié)點(diǎn)的剩余能量及簇首間的負(fù)載平衡。但由于簇首到匯聚節(jié)點(diǎn)仍采用單跳傳輸方式,無(wú)法從根本上解決熱區(qū)問(wèn)題。EEUC[7](Energy-Efficient Uneven Clustering)算法通過(guò)構(gòu)造幾何規(guī)模不等的簇來(lái)改善“熱區(qū)”問(wèn)題,但當(dāng)簇規(guī)模過(guò)大時(shí),簇頭的選舉不當(dāng)也會(huì)使簇內(nèi)節(jié)點(diǎn)的能量消耗過(guò)快,從而影響網(wǎng)絡(luò)的生存周期。文獻(xiàn)[8]是在LEACH分簇算法基礎(chǔ)上,利用PSO優(yōu)化一個(gè)比較理想的簇頭來(lái)實(shí)現(xiàn)能耗較少,但由于簇頭任務(wù)過(guò)重,易造成能耗過(guò)快消失,加速網(wǎng)絡(luò)死亡。文獻(xiàn)[9]提出了雙簇頭的方法,主簇頭根據(jù)節(jié)點(diǎn)間的最大連通度和能量來(lái)選擇,相對(duì)于單簇頭,能有效減小簇頭負(fù)載,但廣播信息較多,能耗較大。

針對(duì)上述問(wèn)題,本文提出了一種基于PSO的非均勻分簇雙簇頭路由算法(PSO-NUDC)。首先通過(guò)候選簇頭節(jié)點(diǎn)與基站距離的遠(yuǎn)近構(gòu)造出幾何規(guī)模不等的簇,然后在規(guī)模較大的簇內(nèi)采用PSO優(yōu)化算法重新選擇主副簇頭,主簇頭主要完成簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)的采集跟數(shù)據(jù)融合的任務(wù),副簇頭主要負(fù)責(zé)簇內(nèi)及簇間數(shù)據(jù)轉(zhuǎn)發(fā),實(shí)現(xiàn)數(shù)據(jù)的多跳傳輸。

1.2 PSO算法

粒子群優(yōu)化PSO(Particle Swarm Optimization)算法是由Eberhart博士和Kennedy博士提出,是一種模擬鳥(niǎo)類(lèi)覓食的群智能優(yōu)化算法。在算法中,每一個(gè)優(yōu)化問(wèn)題都是搜索空間一個(gè)粒子,所有的粒子都有一個(gè)被優(yōu)化的函數(shù)決定的適應(yīng)值,每一個(gè)粒子還有一個(gè)速度決定著他們的方向跟距離,粒子跟隨當(dāng)前的最優(yōu)粒子在解空間中搜索,不停的改變自己的方向以及速度大小。在這個(gè)過(guò)程中,開(kāi)始粒子比較分散,逐漸匯成一群,直到找到最優(yōu)解[10-11]。

PSO優(yōu)化算法將粒子群初始化為一組隨機(jī)粒子(隨機(jī)解),所有粒子在搜索空間中通過(guò)迭代找到最優(yōu)解。在迭代過(guò)程中,粒子根據(jù)個(gè)體極值與全局極值不斷調(diào)整自己的位置,不斷更新。個(gè)體極值指的是一個(gè)是粒子本身找到的最優(yōu)解,而全局極值為目前整個(gè)群體找到的最優(yōu)解。通過(guò)找到兩個(gè)極值后,粒子由式(1)～式(2)來(lái)更新自己的位置。

vij(t+1)=wvij(t)+c1r1[pij-xij(t)]+c2r2[pij-xij(t)]

(1)

xij(t+1)=xij(t)+vij(t+1)

(2)

其中,c1、c2為加速系數(shù),用于控制粒子的運(yùn)動(dòng)速度;r1、r2是[0,1]里的隨機(jī)數(shù);w是權(quán)重系數(shù),用于控制粒子歷史值對(duì)當(dāng)值的影響程度;vij(t)表示的是粒子i在第t次迭代過(guò)程中第j維的速度;xij(t)表示的是粒子i在第t次迭代過(guò)程中第j維的位置;pid(t)、pgd(t)分別為個(gè)體極值與全局極值。

2 PSO-NUDC算法

2.1 非均勻簇的建立階段

LEACH算法將單個(gè)節(jié)點(diǎn)的狀態(tài)作為簇頭選擇的度量標(biāo)準(zhǔn),沒(méi)有考慮剩余能量平衡問(wèn)題,為了避免能量低的節(jié)點(diǎn)成為簇頭,定義門(mén)限值τ如下:

(3)

式中,p是節(jié)點(diǎn)當(dāng)選為簇頭的概率,r為當(dāng)前循環(huán)的輪數(shù),En_max和E(ni)分別為節(jié)點(diǎn)的初始能量和當(dāng)前能量,G是最近1/p輪當(dāng)選為簇頭的節(jié)點(diǎn)集合。從式(3)中可以看出,當(dāng)選過(guò)的節(jié)點(diǎn)在接下來(lái)的1/p輪內(nèi)不能成為簇頭。網(wǎng)絡(luò)初始化時(shí),每一個(gè)普通節(jié)點(diǎn)都生成一個(gè)隨機(jī)數(shù)μ(0<μ<1)。若μ<τ,則該節(jié)點(diǎn)成為候選簇頭節(jié)點(diǎn);非候選簇頭節(jié)點(diǎn)將進(jìn)入休眠狀態(tài),直至初始簇頭競(jìng)選過(guò)程結(jié)束。同時(shí),通過(guò)候選簇頭節(jié)點(diǎn)設(shè)置的競(jìng)爭(zhēng)范圍Rc[12]來(lái)控制簇在網(wǎng)絡(luò)中分布。距離基站越近的簇的幾何半徑越小,簇的個(gè)數(shù)越多,以解決“熱區(qū)”問(wèn)題,相反的,離基站越遠(yuǎn)的簇的幾何半徑也越大,簇的個(gè)數(shù)越小,以平衡網(wǎng)絡(luò)節(jié)點(diǎn)能量。由此可見(jiàn)候選簇頭節(jié)點(diǎn)的競(jìng)爭(zhēng)半徑與基站的距離成正比例關(guān)系。假設(shè)Si為一個(gè)候選簇頭節(jié)點(diǎn),其競(jìng)爭(zhēng)半徑Rc為

(4)

2.2 PSO優(yōu)化主副簇頭選取階段

非均勻分簇階段完成后,根據(jù)簇幾何規(guī)模的大小引進(jìn)PSO算法選取最終的主副簇頭以減少算法的復(fù)雜度。設(shè)定一個(gè)門(mén)限制k,當(dāng)簇半徑大于門(mén)限值k時(shí),將運(yùn)用PSO選取最終的主副簇頭;當(dāng)簇半徑小于門(mén)限值k時(shí),初始主副簇頭將直接轉(zhuǎn)變?yōu)樽罱K簇頭。

為使原PSO適用于本問(wèn)題,需將原PSO中的式(1)和式(2)進(jìn)行改進(jìn),并得出一個(gè)合適的適應(yīng)值函數(shù)fit(x)。

假設(shè)n個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)處于平面坐標(biāo)內(nèi),網(wǎng)絡(luò)節(jié)點(diǎn)i的位置xid和速度vid分別由x,y兩個(gè)方向上的分量決定。所以式(1)被具體化為式(5)和式(6):

xxid(t)=xxid(t-1)+vxid(t)

(5)

xyid(t)=xyid(t-1)+vyid(t)

(6)

式(2)被具體化為式(7)和(8)

vxid(t)=wvxid(t-1)+c1r1[pid-xxid(t-1)]+
c2r2[pgd-xxid(t-1)]

(7)

vyid(t)=wvyid(t-1)+c1r1[pid-xyid(t-1)]+
c2r2[pgd-xyid(t-1)]

(8)

由于網(wǎng)絡(luò)節(jié)點(diǎn)是離散分布的,由式(5)～式(6)計(jì)算所得出的位置無(wú)法一一映射到相應(yīng)的實(shí)際節(jié)點(diǎn),因此需要進(jìn)行調(diào)整,xxid(t)∈{px1,px2,…,pxn},xyid(t)∈{py1,py2,…,pyn},其中pxi和pyi分別為簇內(nèi)節(jié)點(diǎn)上的x分量與y分量。

設(shè)Δpxi是xxid(t)跟i節(jié)點(diǎn)上的x分量差的絕對(duì)值,Δpyi是xyid(t)跟i節(jié)點(diǎn)上的y分量差的絕對(duì)值:

Δpxi=|xxid(t)-pxi|

(9)

Δpyi=|xyid(t)-pyi|

(10)

則:

(11)

Δpk=min(Δp1,Δp2,…,Δpn)

(12)

可以得出第k個(gè)節(jié)點(diǎn)的位置同xid(t)最為接近,所以調(diào)整后的值為

xxid(t)≈pxk

(13)

xyid(t)≈pyk

(14)

即搜索點(diǎn)現(xiàn)在位于節(jié)點(diǎn)k的位置上。

適應(yīng)值函數(shù)的確定是PSO算法中的一個(gè)重要的問(wèn)題。適應(yīng)值函數(shù)設(shè)定的理想程度直接決定了最終選取主副簇頭的優(yōu)劣。主簇頭節(jié)點(diǎn)的適應(yīng)值函數(shù)的確定要考慮兩個(gè)方面,一方面是主簇頭節(jié)點(diǎn)能量問(wèn)題,這主要是主簇頭節(jié)點(diǎn)負(fù)責(zé)數(shù)據(jù)收集跟轉(zhuǎn)發(fā)任務(wù),要比簇內(nèi)節(jié)點(diǎn)消耗更多能量;另一方面是簇頭節(jié)點(diǎn)離簇內(nèi)節(jié)點(diǎn)的距離問(wèn)題,由于主簇頭節(jié)點(diǎn)主要負(fù)責(zé)收集簇內(nèi)節(jié)點(diǎn)的信息,因此主簇頭節(jié)點(diǎn)與簇內(nèi)節(jié)點(diǎn)之間的平均距離越小越好。

考慮上述因素,可以采用下面的適應(yīng)函數(shù)f:

f=ε×f1+(1-ε)f2

(15)

(16)

(17)

其中,m是簇內(nèi)節(jié)點(diǎn)個(gè)數(shù);E(ni)是節(jié)點(diǎn)ni的能量;f1是主簇頭節(jié)點(diǎn)能量占簇內(nèi)節(jié)點(diǎn)能量的多少;f2是簇內(nèi)節(jié)點(diǎn)到主簇頭的平均距離的倒數(shù);di to H是節(jié)點(diǎn)i到主簇頭的距離。

由此可見(jiàn),f1表示是使主簇頭具有更多的能量,而f2表示的是使主簇頭到簇內(nèi)節(jié)點(diǎn)的平均距離最小。而由ε可以調(diào)節(jié)適應(yīng)函數(shù)f中f1和f2所占的比重。選擇使f值最大的節(jié)點(diǎn)作為主簇頭。

對(duì)于副簇頭,其任務(wù)是將數(shù)據(jù)傳輸至基站,因此它不僅需要具有較高的能量,而且距離基站越近越好。基于以上原因,副簇頭的選取應(yīng)采用下面的適應(yīng)值函數(shù)g:

g=λg1+(1-λ)g2

(18)

(19)

(20)

其中,g1與式(16)中f1一樣,是指副簇頭節(jié)點(diǎn)能量占簇內(nèi)節(jié)點(diǎn)總能量的比例;dH to BS是副簇頭到基站的距離;di to BS是節(jié)點(diǎn)i到基站的距離;g2則表示副簇頭到基站的距離占簇內(nèi)節(jié)點(diǎn)到基站距離總和的比例。g2越大則表示副簇頭離基站也越近。由λ調(diào)節(jié)適應(yīng)函數(shù)g中g(shù)1與g2所占比重,選擇使g值最大的節(jié)點(diǎn)為副簇頭。

簇內(nèi)應(yīng)用PSO優(yōu)化算法選取主簇頭流程圖如圖1所示,基本步驟如下:①初始化粒子群。在簇內(nèi)隨機(jī)初始化粒子i的位置xxid(t)、xyid(t)與速度vxid(t)、vyid(t),由式(9)～式(14)對(duì)粒子的位置進(jìn)行調(diào)整;②由式(15)～式(17)得出適應(yīng)值f,并且令粒子的個(gè)體極值pid=粒子當(dāng)前位置,全局極值pgd=取得最大適應(yīng)值的粒子的位置;③由式(5)～式(8)對(duì)每個(gè)粒子的位置xxid(t)、xyid(t)與速度vxid(t)、vyid(t)進(jìn)行更新,并由式(9)～式(14)對(duì)粒子的位置進(jìn)行調(diào)整;④由式(15)～式(17)得出各個(gè)粒子的適應(yīng)值f,同時(shí)更新個(gè)體極值與全局極值;⑤重復(fù)步驟③～步驟④,直到達(dá)到最大的迭代次數(shù)為止,選擇最優(yōu)解對(duì)應(yīng)的節(jié)點(diǎn)為主簇頭;⑥根據(jù)副簇頭適應(yīng)值函數(shù)式,重復(fù)以上操作,選擇最優(yōu)解對(duì)應(yīng)的節(jié)點(diǎn)為副簇頭。

圖1 基于PSO優(yōu)化選擇主簇頭的流程

2.3 多跳傳輸

在數(shù)據(jù)傳輸階段,副簇頭接收來(lái)自主簇頭的數(shù)據(jù)后,將根據(jù)自身離匯聚節(jié)點(diǎn)的距離選擇單跳或多跳傳輸至基站。在數(shù)據(jù)傳輸開(kāi)始階段,每個(gè)副簇頭向全網(wǎng)廣播消息,包含其ID、當(dāng)前剩余能量和距匯聚點(diǎn)的距離。副簇頭Si收到副簇頭Sj廣播的消息后,可以計(jì)算出它們之間的近似距離。假設(shè)Si選擇Sj作為數(shù)據(jù)轉(zhuǎn)發(fā)副簇頭,并且Sj直接將lbit數(shù)據(jù)傳輸給基站,采用文獻(xiàn)[13]所提出的一階無(wú)線通信能耗模型,根據(jù)能耗公式得:

(21)

(22)

其中,α可根據(jù)具體的應(yīng)用環(huán)境進(jìn)行設(shè)置;當(dāng)Si選擇剩余能量大于自身,并且到基站的通信開(kāi)銷(xiāo)低于Si的副簇頭Sj為下一跳路由。各個(gè)副簇頭從Wnext大于1的副簇頭中選擇權(quán)值最大的副簇頭為下一跳節(jié)點(diǎn),進(jìn)而形成到基站的多跳路由路徑,Wnext最大的節(jié)點(diǎn)將收集的監(jiān)測(cè)數(shù)據(jù)傳輸給基站。如果副簇頭找不到Wnext大于 1的下一跳節(jié)點(diǎn),則該副簇頭節(jié)點(diǎn)就直接與基站進(jìn)行單跳數(shù)據(jù)傳輸。這樣就形成了副簇頭到基站的單跳與多跳相結(jié)合的路由路徑。

3 仿真結(jié)果及分析

3.1 仿真環(huán)境

本文采用MATLAB仿真平臺(tái),如圖2所示將200個(gè)傳感器節(jié)點(diǎn)均勻散布在200 m×200 m網(wǎng)絡(luò)中,基站位于0 m,100 m。每個(gè)節(jié)點(diǎn)的初始能量為0.5 J,控制包大小為100 byte,數(shù)據(jù)包大小為4000 byte,門(mén)限值τ為0.4,PSO優(yōu)化算法的各參數(shù)為:ε=0.6,εfs=10 pJ/(b·m-2),εamp=0.0013 pJ/(b·m-4),λ=0.3,c1=c2=2,w=0.9,α=0.4,Eelec=50 nJ/bit。

圖2 節(jié)點(diǎn)分布圖

3.2 仿真結(jié)果及分析

為了對(duì)PSO-NUDC算法的有效性跟可用性進(jìn)行評(píng)估,將其與文獻(xiàn)[4]中的LEACH算法和文獻(xiàn)[7]中的EEUC算法進(jìn)行仿真對(duì)比,以不同輪中簇頭節(jié)點(diǎn)的能耗之和、網(wǎng)絡(luò)的生存周期和網(wǎng)絡(luò)剩余總能量為評(píng)價(jià)標(biāo)準(zhǔn)。

圖3為3種算法的簇頭節(jié)點(diǎn)在不同輪中能耗之和的對(duì)比。為了減小實(shí)驗(yàn)的偶然性,在前50輪中每隔5輪進(jìn)行一次能耗對(duì)比。從圖(3)可以看出,PSO-NUDC算法的簇頭節(jié)點(diǎn)能耗在0.01 J～0.05 J之間,并且較為平緩,遠(yuǎn)遠(yuǎn)好于EEUC與LEACH算法。這主要是由于PSO-NUDC算法根據(jù)簇頭的任務(wù)不同,選取最優(yōu)主簇頭負(fù)責(zé)數(shù)據(jù)的收集與融合,最優(yōu)副簇頭通過(guò)多跳負(fù)責(zé)數(shù)據(jù)的轉(zhuǎn)發(fā),有效的減輕了簇頭負(fù)載,而LEACH算法的簇頭是隨機(jī)產(chǎn)生,并且采用單跳與基站傳輸數(shù)據(jù),離基站較遠(yuǎn)的簇頭由于能量消耗過(guò)大會(huì)導(dǎo)致過(guò)早死亡。

圖3 每輪簇頭能耗總和比較

網(wǎng)絡(luò)的生存周期是衡量傳感器網(wǎng)絡(luò)質(zhì)量的一個(gè)重要指標(biāo),本文以第1個(gè)節(jié)點(diǎn)死亡時(shí)間作為網(wǎng)絡(luò)生命周期的評(píng)價(jià)標(biāo)準(zhǔn)。由圖4可以看出,LEACH算法第1個(gè)節(jié)點(diǎn)死亡出現(xiàn)在第147輪,EEUC算法出現(xiàn)在第324輪,PSO-NUDC算法出現(xiàn)在第564輪。其中,PSO-NUDC算法與LEACH算法和EEUC算法相比,網(wǎng)絡(luò)生存周期分別延長(zhǎng)了41.7 %和24 %。這是因?yàn)镻SO-NUDC算法中非均勻簇的建立以及最優(yōu)主副簇頭的不同分工可以更有效的均衡簇內(nèi)和簇間的能耗。

圖4 網(wǎng)絡(luò)剩余存活節(jié)點(diǎn)數(shù)

圖5 網(wǎng)絡(luò)總能耗

較小的坡度表示了總能量消耗的較慢跟較長(zhǎng)的生存周期,由圖5可以看出,PSO-NUDC算法的坡度明顯小于其余兩種。在第400輪時(shí),PSO-NUDC算法的剩余能量比較LEACH算法與EEUC算法分別增加了39.58 %和15.52 %。非均勻簇的建立以及利用PSO選擇最優(yōu)主副簇頭能夠更好的提高整個(gè)網(wǎng)絡(luò)的能量使用效率。

通過(guò)MATLAB仿真與LEACH算法、EEUC算法相比可以看出,PSO-NUDC算法能夠更好的提高能量使用效率,顯著的延長(zhǎng)網(wǎng)絡(luò)的生存周期。

4 結(jié)論

針對(duì)WSN網(wǎng)絡(luò)中分簇路由算法的不足,本文提出了一種基于PSO的非均勻分簇雙簇頭路由算法。該算法通過(guò)MATLAB仿真實(shí)驗(yàn)與其他算法比較表明,PSO-NUDC算法較好的改善了“熱區(qū)”問(wèn)題,副簇頭的存在減輕了主簇頭的能量消耗,更好的均衡了整個(gè)網(wǎng)絡(luò)的能量能耗,延長(zhǎng)網(wǎng)絡(luò)的生存周期。但是在一些比較小的簇里面,沒(méi)有必要設(shè)置副簇頭。因此今后的重點(diǎn)是研究簇頭數(shù)目的彈性設(shè)置問(wèn)題以及算法中各參數(shù)的選擇對(duì)結(jié)果的影響問(wèn)題。

[1] 彭力. 無(wú)線傳感器網(wǎng)絡(luò)技術(shù)[M]. 北京:冶金工業(yè)出版社,2011:1-5.

[2]唐勇,周明天,張欣. 無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議研究進(jìn)展[J]. 軟件學(xué)報(bào),2006,17(3):410-421.

[3]宮鵬. 無(wú)線傳感器網(wǎng)絡(luò)技術(shù)環(huán)境應(yīng)用進(jìn)展[J]. 遙感學(xué)報(bào),2010,14(2):387-388.

[4]Heinzelman W,Chandrakasan A,Balakrishnan H. Energy Efficient Communication Protocol for Wireless Microsensor Networks[C]//Proceedings of the 33rd Hawaii International Conference on System Sciences. Maui:IEEE Inc,2000:3005-3014.

[5]陸立芳,閆建國(guó). 無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議的優(yōu)化設(shè)計(jì)[J]. 計(jì)算機(jī)仿真,2010,27(12):125-128.

[6]Ye Mao,Li Chengfa,Chen Guihai,et al. EECS:An Energy Efficient Clustering Scheme in Wireless Sensor Networks[C]//Proceedings of 24th IEEE International Performance Computing and Communi-cations Conference(IPCCC). Phoenix,USA:IEEE Inc,2005:535-540.

[7]李成法,陳貴海,葉懋,等. 一種基于非均勻分簇的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議[J]. 計(jì)算機(jī)學(xué)報(bào),2007,30(1):27-36.

[8]劉志坤,劉忠,李朝旭. 基于混沌粒子群優(yōu)化的無(wú)線傳感器網(wǎng)絡(luò)分簇路由協(xié)議[J]. 傳感技術(shù)學(xué)報(bào),2011,24(10):1459-1463.

[9]徐丹丹,章勇. 一種基于最大連通度的雙簇頭分簇算法[J]. 傳感技術(shù)學(xué)報(bào),2008,21(11):1909-1912.

[10]蔣暢江,石為人,向敏,等. 基于PSO的無(wú)線傳感器網(wǎng)絡(luò)節(jié)能分簇協(xié)議[J]. 計(jì)算機(jī)工程,2010,36(8):15-17.

[11]蘇炳均,李林. 粒子群優(yōu)化的無(wú)線傳感器網(wǎng)絡(luò)仿真研究[J]. 計(jì)算機(jī)仿真,2010,27(9):150-152.

[12]鄒杰,史長(zhǎng)瓊,姬文燕. 基于粒子群優(yōu)化的非均勻分簇路由算法[J]. 計(jì)算機(jī)應(yīng)用,2012,32(1):131-133.

[13]Heinzelman W R. An Application-Specific Protocol Architecture for Wireless Microsensor Networks[J]. IEEE Transactions on Wireless Communications,2002,4(1):660-670.

門(mén)順治(1988-)男,山東煙臺(tái)人,碩士研究生,研究方向?yàn)橛?jì)算機(jī)控制,傳感器網(wǎng)絡(luò)應(yīng)用;

孫順遠(yuǎn)(1984-),男,博士研究生,主要從事計(jì)算機(jī)控制,無(wú)線傳感網(wǎng)絡(luò)應(yīng)用方面研究;

徐保國(guó)(1951-)男,教授,博士生導(dǎo)師,主要研究方向?yàn)檫^(guò)程控制、智能儀表及現(xiàn)場(chǎng)總線網(wǎng)絡(luò)等。

WirelessSensorNetworksNon-UniformClusteringandDclusterHeadsRoutingAlgorithmBasedonPSO*

MENShunzhi,SUNShunyuan,XUBaoguo*

(School of IOT Engineering,JiangNan University,WuXi Jiangsu 214122,China)

Because cluster heads of clustering routing algorithm have heave load in wireless sensor network(WSN),and in order to improve the energy efficiency in WSN,this paper proposes non-uniform clustering and double cluster heads routing algorithm based on PSO. Firstly,the proposed algorithm construct clusters with different geometric sizes according to the distance from the base station,then introduce PSO optimization algorithm according to the size of the cluster. The main cluster head is responsible for collecting the node data and data fusion,the deputy cluster heads is mainly completed the tasks of forwarding data between cluster and cluster,and the deputy cluster achieve multiple hop transmission of data. The simulation results show that the algorithm is effective to reduce the energy consumption of cluster head nodes,balance the energy consumption of the entire network in a large part,and prolong the life cycle of network.

Wireless Sensor Network(WSN);non-uniform clustering routing;Particle Swarm Optimization(PSO)algorithm;double cluster heads

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(21206053,21276111);中國(guó)博士后基金項(xiàng)目(2012M511678)

2014-04-16修改日期:2014-07-30

10.3969/j.issn.1004-1699.2014.09.022

TP393

:A

:1004-1699(2014)09-1281-06