蔡明偉 劉佳

摘 要：針對(duì)無(wú)線傳感器網(wǎng)絡(luò)分簇算法中能量分布不均衡導(dǎo)致的“熱區(qū)”和簇頭負(fù)載過(guò)重問(wèn)題，提出了一種基于PSO算法優(yōu)化簇頭選舉的非均勻分簇算法。在候選簇頭選舉和競(jìng)爭(zhēng)半徑計(jì)算過(guò)程中綜合考慮節(jié)點(diǎn)動(dòng)態(tài)能量、節(jié)點(diǎn)密度和節(jié)點(diǎn)距基站距離，將網(wǎng)絡(luò)進(jìn)行非均勻分簇，并引入PSO算法進(jìn)行最終簇頭選舉。根據(jù)節(jié)點(diǎn)能量、節(jié)點(diǎn)密度和距基站距離確定簇間單跳多跳結(jié)合的路由規(guī)則，選取代價(jià)函數(shù)小的節(jié)點(diǎn)作為下一跳節(jié)點(diǎn)?；诠?jié)點(diǎn)信息熵確定融合閾值，進(jìn)行簇內(nèi)數(shù)據(jù)融合剔除冗余數(shù)據(jù)。仿真結(jié)果表明，改進(jìn)算法的數(shù)據(jù)傳輸量比EEUC算法和UCRA算法分別提高了20%和10%，提升了數(shù)據(jù)的融合效率，有效延長(zhǎng)了網(wǎng)絡(luò)生命周期，簇頭能量消耗得到均衡，減少了網(wǎng)絡(luò)能量消耗，網(wǎng)絡(luò)的整體性能顯著優(yōu)于其他對(duì)比算法。

關(guān)鍵詞：計(jì)算機(jī)網(wǎng)絡(luò);無(wú)線傳感器網(wǎng)絡(luò);非均勻分簇算法;PSO算法;路由規(guī)則;信息熵

中圖分類號(hào)：TP273?文獻(xiàn)標(biāo)志碼：A

doi： 10.7535/hbgykj.2019yx06008

文章編號(hào)：1008-1534（2019）06-0415-07

Abstract：?Aiming at solving the 'hot spots' and cluster head energy consumption problem in wireless sensor networks（WSNs）?caused by unbalanced energy consumption， an uneven clustering routing algorithm based on adaptive particle swarm optimization （PSO） is proposed. The node energy， node density and the distance to the BS are considered during the cluster head election and competition radius calculation. Network is divided into clusters of unequal size. The PSO is used to select the final cluster heads according to the cluster size. Meanwhile， hybrid routing rules of hop routing and multi-hop routing are adopted based on node energy， node destiny and the distance to BS， and the cluster heads of minimum cost function are chosen as the next hop. Data fusion in the cluster is conducted to eliminate redundant data based on entropy theory. Simulation results show that the data transmission amount of the improved algorithm is 20% and 10% higher than those of EEUC and UCRA algorithms. The lifetime of the improved algorithm is extended， the energy consumption of cluster head is balanced， the network energy consumption is effectively reduced， and the performance of the network is significantly better than the other comparison algorithms.

Keywords：computer network; wireless sensor network（WSN）;uneven clustering algorithm; PSO algorithm; routing rules; entropy theory

無(wú)線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）是由大量的靜止或移動(dòng)的傳感器以自組織和多跳的方式構(gòu)成的無(wú)線網(wǎng)絡(luò)[1]。在傳統(tǒng)的無(wú)線傳感器網(wǎng)絡(luò)中主要是采用電池進(jìn)行整個(gè)網(wǎng)絡(luò)的運(yùn)行供應(yīng)，因此如何減少網(wǎng)絡(luò)中的能量消耗和平衡整個(gè)網(wǎng)絡(luò)中的能量消耗分布已經(jīng)成為無(wú)線傳感器網(wǎng)絡(luò)的研究熱點(diǎn)。無(wú)線傳感器網(wǎng)絡(luò)中的分簇策略是將節(jié)點(diǎn)按照簇進(jìn)行分類，簇頭將簇內(nèi)的信息進(jìn)行融合之后發(fā)送給基站，能夠有效減少網(wǎng)絡(luò)通信能量消耗，延長(zhǎng)網(wǎng)絡(luò)生命周期。國(guó)內(nèi)外學(xué)者提出了多種分簇路由協(xié)議來(lái)延長(zhǎng)網(wǎng)絡(luò)生命周期。HEINZELMAN等[2]提出的經(jīng)典低能耗自適應(yīng)路由協(xié)議LEACH（low energy adaptive clustering hierarchy）能夠有效延長(zhǎng)網(wǎng)絡(luò)生命周期，但是由于簇頭選擇不合理和路由單跳導(dǎo)致簇頭過(guò)早死亡。盧先領(lǐng)等[3]針對(duì)LEACH算法簇頭分布不均勻問(wèn)題，基于節(jié)點(diǎn)能量和通信代價(jià)問(wèn)題選擇簇頭，由于采用的迭代方式增大了能量消耗造成網(wǎng)絡(luò)壽命縮短。非均勻分簇算法（energy-efficient unequal clustering，EEUC）針對(duì)網(wǎng)絡(luò)中存在的“熱區(qū)”問(wèn)題，根據(jù)節(jié)點(diǎn)和基站的距離建立相應(yīng)范圍的簇以解決問(wèn)題[4]。但EEUC算法中對(duì)候選簇頭的選舉過(guò)于隨機(jī)，簇頭規(guī)模較大時(shí)，簇頭選舉不當(dāng)會(huì)出現(xiàn)網(wǎng)絡(luò)能量消耗不均衡。潘繼強(qiáng)等[5]引入簇半徑動(dòng)態(tài)確定方式進(jìn)行簇頭選舉，相對(duì)于LEACH延長(zhǎng)了網(wǎng)絡(luò)的生命周期，但是算法采用簇間單跳路由方式導(dǎo)致簇頭能量消耗過(guò)重。SINHA等[6]在非均勻分簇的基礎(chǔ)上簇間采用多跳路由規(guī)則，但在候選簇頭選舉和競(jìng)爭(zhēng)半徑計(jì)算過(guò)程中沒(méi)有綜合考慮節(jié)點(diǎn)能量、距基站距離和節(jié)點(diǎn)密度，不能很好地改善網(wǎng)絡(luò)“熱區(qū)”問(wèn)題。張瑞華等[7]提出一種基于非均勻分簇的能量有效的無(wú)線傳感路由算法（UCRA），該算法采用加權(quán)進(jìn)行非均勻分簇和簇間最小能量消耗多跳路由算法，但算法參數(shù)設(shè)置的局限性不能確定其最優(yōu)值。

針對(duì)以上算法存在的不足，本文提出了一種基于PSO算法優(yōu)化簇頭選舉的非均勻分簇算法，以解決“熱區(qū)”問(wèn)題和延長(zhǎng)網(wǎng)絡(luò)的生命周期。在文獻(xiàn)[7]的基礎(chǔ)上綜合考慮節(jié)點(diǎn)能量、節(jié)點(diǎn)距基站距離和節(jié)點(diǎn)密度，完成非均勻分簇，最后在規(guī)模較大的簇內(nèi)引入PSO優(yōu)化算法選舉最終簇頭，簇間采用單跳多跳結(jié)合的路由規(guī)則，并利用節(jié)點(diǎn)信息熵進(jìn)行數(shù)據(jù)融合。

1?網(wǎng)絡(luò)系統(tǒng)

1.1?網(wǎng)絡(luò)模型

對(duì)本文中的網(wǎng)絡(luò)系統(tǒng)提出以下設(shè)定。

1）網(wǎng)絡(luò)中的各個(gè)工作節(jié)點(diǎn)隨機(jī)分布在整個(gè)網(wǎng)絡(luò)中，其中匯聚節(jié)點(diǎn)sink設(shè)置在待測(cè)網(wǎng)絡(luò)附近。

2）網(wǎng)絡(luò)中的各個(gè)傳感器節(jié)點(diǎn)都有其獨(dú)立ID，節(jié)點(diǎn)根據(jù)信號(hào)強(qiáng)度指示（RSSI）來(lái)感應(yīng)其節(jié)點(diǎn)的位置信息和節(jié)點(diǎn)能量，其中sink節(jié)點(diǎn)能夠獲得網(wǎng)絡(luò)全部節(jié)點(diǎn)的位置信息。

3）路由算法周期為輪，每輪分為節(jié)點(diǎn)分簇和數(shù)據(jù)通信傳輸2個(gè)階段。首先進(jìn)行簇頭選舉，然后對(duì)網(wǎng)絡(luò)中每個(gè)簇內(nèi)的節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集，經(jīng)過(guò)處理融合之后將信息傳輸給sink節(jié)點(diǎn)。

1.2?能量消耗模型

采用經(jīng)典的無(wú)線通信系統(tǒng)模型來(lái)作為路由算法的能量消耗模型，網(wǎng)絡(luò)中的節(jié)點(diǎn)根據(jù)需要通信的距離選擇相應(yīng)的模型[8]，算法通信過(guò)程中節(jié)點(diǎn)每發(fā)送k bit數(shù)據(jù)所需要消耗的能量為

同樣，節(jié)點(diǎn)每接受k bit的數(shù)據(jù)信息時(shí)需要消耗的能量為

式中：Eelec為無(wú)線模塊電路的能量;d為待測(cè)區(qū)域中節(jié)點(diǎn)之間的通信距離;Efs，Emp為路由通信系統(tǒng)中信道模型功率放大系數(shù)。

傳輸距離閾值系數(shù)：

2?算?法

為解決基站附近簇頭任務(wù)過(guò)重導(dǎo)致的“熱區(qū)”問(wèn)題和均衡網(wǎng)絡(luò)節(jié)點(diǎn)能量消耗以延長(zhǎng)網(wǎng)絡(luò)生命周期，提出的基于PSO算法的非均勻分簇算法分為基于粒子群優(yōu)化選舉簇頭的非均勻分簇階段;單跳多跳結(jié)合的路由通信階段;基于節(jié)點(diǎn)信息熵的數(shù)據(jù)融合階段。

2.1?非均勻分簇階段

非均勻分簇階段又分為簇頭選舉階段和成簇階段。首先在待檢測(cè)區(qū)域的全部節(jié)點(diǎn)中選擇簇頭，并綜合節(jié)點(diǎn)和基站距離、節(jié)點(diǎn)密度以及能量計(jì)算候選簇頭節(jié)點(diǎn)的競(jìng)爭(zhēng)半徑，完成簇的建立。候選簇頭節(jié)點(diǎn)的選舉方法采用LEACH算法的簇頭選舉方法：網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)在算法的初始化階段分別隨機(jī)生成一個(gè)隨機(jī)數(shù)μ，若0<μ<1，設(shè)置節(jié)點(diǎn)當(dāng)選為簇頭的閾值T[9];若μ<T則節(jié)點(diǎn)被選舉為候選簇頭，非候選簇頭節(jié)點(diǎn)休眠，直到算法中的初始簇頭選擇階段結(jié)束。對(duì)算法中閾值T進(jìn)行改進(jìn)，基于網(wǎng)絡(luò)中的各種因素，綜合考慮節(jié)點(diǎn)能量、節(jié)點(diǎn)密度、節(jié)點(diǎn)距基站距離3個(gè)因素進(jìn)行改進(jìn)。

式中：p是待測(cè)區(qū)域中的節(jié)點(diǎn)被選為簇頭的概率;r為算法的輪數(shù);G為網(wǎng)絡(luò)中最近1/p輪被選為簇頭的所有傳感器節(jié)點(diǎn)的集合;dmin和dmax分別為在網(wǎng)絡(luò)所有節(jié)點(diǎn)中和sink節(jié)點(diǎn)最近的距離和最遠(yuǎn)的距離;di為節(jié)點(diǎn)與sink節(jié)點(diǎn)的距離;E0和Ei為網(wǎng)絡(luò)中節(jié)點(diǎn)的初始能量和當(dāng)前能量;Qi為節(jié)點(diǎn)附近網(wǎng)絡(luò)范圍內(nèi)的密度。Neighbor（i）alive為節(jié)點(diǎn)附近存活節(jié)點(diǎn)數(shù)目;Networkalive為網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)目。

為了實(shí)現(xiàn)非均勻分簇，對(duì)候選簇頭節(jié)點(diǎn)引入不同的競(jìng)爭(zhēng)半徑。根據(jù)網(wǎng)絡(luò)中節(jié)點(diǎn)的當(dāng)前剩余能量、一定范圍內(nèi)的節(jié)點(diǎn)密度以及節(jié)點(diǎn)距基站距離設(shè)計(jì)競(jìng)爭(zhēng)半徑。為了減少基站附近節(jié)點(diǎn)的能量消耗過(guò)多導(dǎo)致的“熱區(qū)”問(wèn)題，剩余能量相同的情況下，距離基站越近的節(jié)點(diǎn)成簇半徑越小[10]。簇半徑的減小可使基站附近的簇內(nèi)能量減少，簇頭有更多的能量進(jìn)行簇間通信。另外，節(jié)點(diǎn)簇中能量的消耗還和節(jié)點(diǎn)密度有關(guān)系，密度越大能量消耗越快，相應(yīng)的競(jìng)爭(zhēng)半徑也就越小。

競(jìng)爭(zhēng)半徑的計(jì)算公式為

式中：R為傳感器節(jié)點(diǎn)的最大覆蓋半徑;c為（0～1）之間的常數(shù);候選簇頭i以Rc為半徑廣播網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)的數(shù)據(jù)信息，分別為節(jié)點(diǎn)ID，節(jié)點(diǎn)當(dāng)前剩余能量，節(jié)點(diǎn)競(jìng)爭(zhēng)半徑R。其中候選節(jié)點(diǎn)通過(guò)接收到的數(shù)據(jù)信息建立節(jié)點(diǎn)信息集，并且根據(jù)所接收的信息選擇鄰居節(jié)點(diǎn)中剩余能量最多的節(jié)點(diǎn)作為初始簇頭。一旦初始簇頭被選擇，則網(wǎng)絡(luò)中其周圍Rc范圍內(nèi)的所有候選節(jié)點(diǎn)都不可再被選為初始簇頭。

初始簇頭確定之后廣播簇頭信息，非候選簇頭停止休眠，選擇通信代價(jià)最小的簇頭加入，完成簇的建立。

2.2?PSO優(yōu)化簇頭選舉階段

進(jìn)行初始簇頭的選舉之后，在PSO算法的基礎(chǔ)上選擇最終簇頭來(lái)降低路由算法的復(fù)雜度[11]。對(duì)閾值k進(jìn)行區(qū)分，如果網(wǎng)絡(luò)中簇的半徑大于閾值k，則引用PSO算法對(duì)簇頭選取進(jìn)行最終優(yōu)化。對(duì)PSO基本算法進(jìn)行改進(jìn)使其適用于本算法中，并對(duì)適值函數(shù)進(jìn)行改進(jìn)。

傳感器節(jié)點(diǎn)分布于平面坐標(biāo)內(nèi)，網(wǎng)絡(luò)節(jié)點(diǎn)的位置由x，y坐標(biāo)上的分量決定：

適應(yīng)值函數(shù)的確定主要考慮以下幾個(gè)要素。

1）簇頭能量因子

選簇時(shí)應(yīng)首先考慮簇頭的能量問(wèn)題，簇頭負(fù)責(zé)本簇全網(wǎng)通信部分，相對(duì)消耗的能量較多?，F(xiàn)考慮節(jié)點(diǎn)剩余能量和網(wǎng)絡(luò)中所有節(jié)點(diǎn)的能量關(guān)系，將簇頭能量因子引入適應(yīng)值函數(shù)中：

2）分簇緊湊性因子

網(wǎng)絡(luò)節(jié)點(diǎn)成簇過(guò)程中，應(yīng)給予位置較優(yōu)的節(jié)點(diǎn)更多成為簇頭的機(jī)會(huì)，簇頭距離簇內(nèi)節(jié)點(diǎn)的平均距離越小，則通信消耗越小?？紤]節(jié)點(diǎn)分布，將分簇緊湊性因子引入適應(yīng)值函數(shù)中：

3）簇頭距離基站因子

f3（pj）為網(wǎng)絡(luò)中各個(gè)簇頭之間距離的評(píng)價(jià)因子，表示基站到各個(gè)簇首的平均歐氏距離與基站到網(wǎng)絡(luò)區(qū)域中心的歐氏距離的比值。

2.3?路由通信階段

本算法采用簇內(nèi)單跳，簇間單跳多跳結(jié)合的路由規(guī)則[12]來(lái)避免路由通信中“熱區(qū)”問(wèn)題和減少數(shù)據(jù)傳輸能量消耗問(wèn)題。簇頭對(duì)成員節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行融合處理之后，如果簇頭和基站之間距離小于單跳通信閾值d0，則選擇單跳方式，否則采用多跳通信方式。在數(shù)據(jù)傳輸之前，簇內(nèi)的簇頭節(jié)點(diǎn)先廣播自己的信息，其中包括簇頭節(jié)點(diǎn)ID、簇內(nèi)包含節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)內(nèi)當(dāng)前節(jié)點(diǎn)的能量和位置信息。簇頭節(jié)點(diǎn)根據(jù)接收到的廣播信息建立一張鄰居簇頭信息表[13]。

簇頭Hi根據(jù)貪婪算法在網(wǎng)絡(luò)中鄰居簇頭群中進(jìn)行下一跳節(jié)點(diǎn)的選擇，選擇算法節(jié)點(diǎn)中代價(jià)函數(shù)最小的節(jié)點(diǎn)為算法的下一跳節(jié)點(diǎn)。如式（14）所示：

式中：dCHi為簇頭Hi到基站的距離;max dCH為各個(gè)鄰居簇頭節(jié)點(diǎn)到基站距離的最大值;ECHi為簇頭Hi的當(dāng)前剩余能量;max ECH為鄰居簇頭節(jié)點(diǎn)中當(dāng)前剩余能量的最大值;NCHi為簇頭Hi的簇內(nèi)節(jié)點(diǎn)數(shù);max NCH為鄰居簇頭節(jié)點(diǎn)中簇內(nèi)節(jié)點(diǎn)數(shù)的最大值;α，β，γ為權(quán)重因子，α+β+γ=1。代價(jià)函數(shù)的設(shè)計(jì)基于節(jié)點(diǎn)的剩余能量、距基站的距離和節(jié)點(diǎn)密度，簇頭節(jié)點(diǎn)剩余能量越大、距離基站越近、節(jié)點(diǎn)密度越大則其代價(jià)函數(shù)值越小，被選為下一跳節(jié)點(diǎn)的可能性越大。

2.4?數(shù)據(jù)融合階段

基于節(jié)點(diǎn)的信息熵對(duì)簇內(nèi)數(shù)據(jù)進(jìn)行融合處理，有效剔除簇內(nèi)節(jié)點(diǎn)冗余數(shù)據(jù)，提高節(jié)點(diǎn)數(shù)據(jù)信息融合效率。信息熵是一種基于信息表現(xiàn)特征的統(tǒng)計(jì)形式，反映信息中平均信息量的多少[14]。在本算法中節(jié)點(diǎn)的信息熵值所體現(xiàn)的是網(wǎng)絡(luò)中節(jié)點(diǎn)之間數(shù)據(jù)信息的相似程度，為算法的數(shù)據(jù)融合提供有效依據(jù)。通常來(lái)說(shuō)信息熵越小系統(tǒng)越有序，信息熵越大系統(tǒng)越無(wú)序。

由于環(huán)境等各種因素給采集節(jié)點(diǎn)數(shù)據(jù)造成一些誤差，所以利用格羅貝斯準(zhǔn)則對(duì)數(shù)據(jù)進(jìn)行預(yù)處理（格羅貝斯準(zhǔn)則可以有效剔除疏失誤差，從而將遠(yuǎn)離真實(shí)值的數(shù)據(jù)相對(duì)減少），這樣就可以采用信息熵進(jìn)行數(shù)據(jù)融合，提高數(shù)據(jù)融合的精確性。

選擇所接收節(jié)點(diǎn)的加權(quán)數(shù)據(jù)均值為空間特征量，并根據(jù)所接收數(shù)據(jù)計(jì)算網(wǎng)絡(luò)節(jié)點(diǎn)i的加權(quán)數(shù)據(jù)均值di和簇內(nèi)節(jié)點(diǎn)的加權(quán)數(shù)據(jù)均值d′i，組成二元特征組（di，d′i）。聯(lián)合概率密度為

設(shè)定二維信息熵的閾值H0，當(dāng)H<H0時(shí)，數(shù)據(jù)中存在異變極值數(shù)據(jù)。當(dāng)簇內(nèi)傳感器節(jié)點(diǎn)數(shù)據(jù)有趨同性時(shí)，求出簇內(nèi)節(jié)點(diǎn)數(shù)據(jù)閾值{L，H}，對(duì)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行有序融合。其中L為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)群中的下限閾值，H為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)群中的上限閾值。當(dāng)簇內(nèi)傳感器節(jié)點(diǎn)具有趨異性時(shí)，根據(jù)閾值{L，H}對(duì)趨同數(shù)據(jù)進(jìn)行數(shù)據(jù)融合。

3?算法仿真結(jié)果

在Matlab平臺(tái)上進(jìn)行改進(jìn)算法、EEUC算法和UCRA算法的多項(xiàng)性能對(duì)比。將400個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在200 m×200 m的區(qū)域中，實(shí)驗(yàn)參數(shù)如表1所示。

3.1?網(wǎng)絡(luò)生命周期對(duì)比

首先對(duì)3種算法的生命周期和穩(wěn)定期進(jìn)行比較，如圖1所示，改進(jìn)算法比EEUC算法和UCRA算法有效延長(zhǎng)了網(wǎng)絡(luò)的生命周期。圖2選擇了網(wǎng)絡(luò)中死亡節(jié)點(diǎn)分別為1，100，200，300，400時(shí)網(wǎng)絡(luò)算法的運(yùn)行輪數(shù)。

3.2?網(wǎng)絡(luò)能量消耗對(duì)比

圖3對(duì)EEUC算法、UCRA算法和改進(jìn)算法的網(wǎng)絡(luò)中總剩余能量進(jìn)行了對(duì)比， EEUC算法的能量最先耗盡，UCRA算法也在1 400余輪耗盡。相比于EEUC算法和UCRA算法，改進(jìn)算法的剩余能量最多，而且能量消耗趨近于直線。改進(jìn)算法在非均勻分簇階段引入PSO算法優(yōu)化了選舉簇頭，減少了簇內(nèi)節(jié)點(diǎn)的能量消耗，且簇頭采用單跳和多跳結(jié)合的路由規(guī)則，減少了簇頭能量消耗。采用基于信息熵的數(shù)據(jù)融合方法，降低簇內(nèi)節(jié)點(diǎn)能量消耗，使整個(gè)網(wǎng)絡(luò)生命周期中的能量消耗較為均衡，網(wǎng)絡(luò)生命周期得到顯著延長(zhǎng)。

3.3?引入PSO算法后的成簇效果對(duì)比

圖4為EEUC算法的成簇效果，圖5為改進(jìn)算法的成簇效果。改進(jìn)算法采用PSO算法進(jìn)行簇頭選舉，修正了簇頭分布不均的不足，簇內(nèi)節(jié)點(diǎn)分布合理，節(jié)點(diǎn)位置更加接近簇的幾何中心。

3.4?簇頭能量消耗對(duì)比

在網(wǎng)絡(luò)中隨機(jī)選擇其中10輪的運(yùn)行結(jié)果，對(duì)網(wǎng)絡(luò)中所有簇頭節(jié)點(diǎn)的總能量消耗進(jìn)行對(duì)比。如圖6所示，EEUC算法因其網(wǎng)絡(luò)中簇頭節(jié)點(diǎn)的分布不均勻使簇首能量消耗較高，UCRA算法基于加權(quán)的非均勻分簇相對(duì)減少了簇頭的能量消耗，改進(jìn)算法在UCRA算法的基礎(chǔ)上采用簇頭選舉方法和路由規(guī)則，更有效地降低了簇頭能量消耗。

3.5?基站接收數(shù)據(jù)量

圖7為算法穩(wěn)定期結(jié)束網(wǎng)絡(luò)中產(chǎn)生第1個(gè)死亡節(jié)點(diǎn)時(shí)，基站在4次運(yùn)行時(shí)的接收數(shù)據(jù)量。仿真結(jié)果顯示，改進(jìn)算法的數(shù)據(jù)傳輸量比EEUC算法和UCRA算法分別提高了約20%和10%，表明了改進(jìn)算法采用信息熵進(jìn)行數(shù)據(jù)融合提高了數(shù)據(jù)的融合效率，使算法在數(shù)據(jù)傳輸方面具有優(yōu)越性。

4?結(jié)?語(yǔ)

提出了基于PSO算法的信息熵?cái)?shù)據(jù)融合非均勻分簇路由算法。算法主要分為基于粒子群優(yōu)化選舉簇頭的非均勻分簇階段;單跳多跳結(jié)合的路由通信階段;基于節(jié)點(diǎn)信息熵的數(shù)據(jù)融合階段。對(duì)簇頭選舉和非均勻分簇的優(yōu)化均衡網(wǎng)絡(luò)的能量消耗進(jìn)行改進(jìn)，有效改善了“熱區(qū)”問(wèn)題。仿真結(jié)果表明，該算法有效地延長(zhǎng)了網(wǎng)絡(luò)穩(wěn)定期和生命周期，減少了網(wǎng)絡(luò)中節(jié)點(diǎn)能量消耗，并體現(xiàn)了數(shù)據(jù)傳輸?shù)膬?yōu)越性。本文的不足之處是在基于節(jié)點(diǎn)信息熵進(jìn)行數(shù)據(jù)融合階段的復(fù)雜度過(guò)高，在今后的工作中將主要對(duì)其進(jìn)行研究改進(jìn)，進(jìn)一步提高數(shù)據(jù)的融合效率。

參考文獻(xiàn)/References：

[1]孫利民. 無(wú)線傳感器網(wǎng)絡(luò)[M]. 北京： 清華大學(xué)出版社，2005.

[2]HEINZELMAN W R， CHANDRAKASAN A， BALAKRISHNAN H. Energy-efficient communication protocol for wireless microsensor networks[C]// Proceedings of the 33rd Hawaii International Conference on System Sciences.[S.l.]：[s.n.]，2000：3005-3014.

[3]盧先領(lǐng)，王瑩瑩，王洪斌，等.無(wú)線傳感網(wǎng)絡(luò)能量均衡的非均勻分簇算法[J].計(jì)算機(jī)科學(xué)，2013，40（5）：78-81.

LU Xianling， WANG Yingying， WANG Hongbin， et al.Energy-balanced unequal clustering algorithm in wireless sensor network[J].Computer Science，2013，40（5）：78-81.

[4]MHATRE V， ROSENBERG C. Design guidelines for wireless sensor networks： Communication， clustering and aggregation[J].Ad Hoc Networks，2004，2（1）：45-63.

[5]潘繼強(qiáng)，馮永政.改進(jìn)LEACH的傳感器網(wǎng)絡(luò)分簇路由算法[J]吉林大學(xué)學(xué)報(bào)（理學(xué)版），2018，56（6）：1476-1482.

PAN Jiqiang， FENG Yongzheng. Improved?LEACH clustering

routing algorithm of sensor network[J].Journal of Jinlin University

（Science Edition）， 2018，56（6）：1476-1482.

[6]SINHA A， LOBIYAL D K. An entropic approach to data aggregati

on with divergence measure based clustering in sensor network[J].

Advances in Computing and Communications，2011，192（7）：132-142.

[7]張瑞華，賈智平，程合友.基于非均勻分簇和最小能耗的無(wú)線傳感網(wǎng)絡(luò)路由算法[J].上海交通大學(xué)學(xué)報(bào)，2012，46（11）：1774-1778.

ZHANG Ruihua，JIA Zhiping，CHENG Heyou. The routing algorithm for WSNs based on unequal clustering and minimum energy consumption[J].Journal of Shanghai Jiaotong University，

2012，46（11）：1774-1778.

[8]蔣暢江，石為人，唐賢倫，等.能量均衡的無(wú)線傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議[J].軟件學(xué)報(bào)，2012，23（5）：1222-1232.

JIANG Changjiang， SHI Weiren， TANG Xianlun， et al. Energy-

balanced unequal clustering routing protocol for wireless sensor networks[J].Journal of Software，2012，23（5）：1222-1232.

[9]侯華，劉超，周武旸.能量高效均衡的動(dòng)態(tài)分簇路由設(shè)計(jì)[J].北京郵電大學(xué)學(xué)報(bào)，2013，36（3）：54-59.

HOU Hua， LIU Chao， ZHOU Wuyang. Design of a clustering and dynamic routing based on energy efficient and balanced[J].Journal of Beijing University of Posts and Tele-communications，

2013，36（3）：54-59.

[10]徐晶晶，張欣慧，許必宵，等.無(wú)線傳感器網(wǎng)絡(luò)分簇算法綜述[J].計(jì)算機(jī)科學(xué)，2017，44（2）：31-37.

XU Jingjing，ZHANG Xinhui，XU Bixiao，et al. Survey of clustering algorithms for wireless sensor networks[J].Computer Science，2017，44（2）：31-37.

[11]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.

ZOU Jie， SHI Changqiong， JI Wenyan. Uneven clustering routing

algorithm based on particle swarm optimization[J].Journal of

Computer Applications，2012，32（1）：131-133.

[12]MAO Song， ZHAO Chenlin， ZHOU Zheng， et al. An improved fuzzy unequal clustering algorithm for wireless sensor network[J].

Mobile Networks and Applications，2013，18（2）：206-214.

[13]尚靜，董增壽，康琳.基于非均勻分環(huán)與最小通信代價(jià)的路由算法[J].傳感技術(shù)學(xué)報(bào)，2018，31（3）：449-455.

SHANG Jing， DONG Zengshou， KANG Lin. A routing algorithm based on unequal ring and minimum communication cost[J].Chinese Journal of Sensors and Actuators， 2018，31（3）：449-455.

[14]劉雅娜，黃戰(zhàn)華.負(fù)載均衡的高效傳感器網(wǎng)絡(luò)非均勻路由算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2018，39（6）：1546-1552.

LIU Yana， HUANG Zhanhua. High efficiency non-uniformed load-balanced routing algorithm of WSN[J]. Computer Engineering and Design，2018，39（6）：1546-1552.

[15]LEE S，CHOE H， PARK B， et al. LUCA： An energy-efficient unequal clustering algorithm using location information for wireless sensor networks[J].Wireless Personal Communications，2011，56（4）：715-731.

[16]BAGCI H， ADNAN Y. An energy aware fuzzy approach to unequal clustering in wireless sensor networks[J].Applied Soft Computing，2013，13（4）：1741-1749.