带有休眠机制的重叠分簇路由算法_赵贯通.pdf

2023 年第 2 期仪 表 技 术 与 传 感 器InstrumentTechniqueandSensor2023No2基金项目:国家自然科学基金项目(62173222)收稿日期:20220626带有休眠机制的重叠分簇路由算法赵贯通，陈蓓，黄帅博，高降宇(上海工程技术大学电子电气工程学院，上海201600)摘要:针对无线传感网络能量利用效率低及能耗不均衡的问题，提出具有节点休眠的重叠分簇路由算法。在成簇阶段，考虑节点剩余能量及与基站的距离因素构建适应度函数，通过设计非线性惯性权重系数结合自适应学习因子，优化 PSO 算法的收敛速度及搜索效果的均衡化，得到最优簇头集。综合簇头剩余能量、节点密度和与基站的距离，得到相应簇半径的大小，利用簇间重叠区域，设置用于分担簇头数据转发任务的节点。数据采集阶段，采取相似数据收集策略，筛选出符合条件的相似节点进行休眠调度，从而减少冗余数据收集。数据传输阶段，基于重叠区域节点，采用方位合适度函数得到最佳数据转发路径。实验仿真表明:与 LEACH 和 EEOC 算法相比，网络性能分别提升了 11866%、3534%。关键词:无线传感网络;PSO 算法;重叠区域;数据收集策略;节点休眠中图分类号:TP393文献标识码:A文章编号:10021841(2023)02010406Overlapping Cluster outing Algorithm with Dormancy MechanismZHAO Guan-tong，CHEN Bei，HUANG Shuai-bo，GAO Xiang-yu(School of Electronic and Electrical Engineering，Shanghai University of Engineering Science，Shanghai 201600，China)Abstract:Aiming at the problem of low energy efficiency and unbalanced consumption in wireless sensing networks，the o-verlapping cluster routing algorithm with node dormancy was proposedIn the cluster formation stage，the residual energy of nodesand the distance to base station were considered to construct the fitness function，and the optimal cluster head set was obtained bydesigning the nonlinear inertia weight coefficient combined with the adaptive learning factor to optimize the convergence speed andthe balance of the search effect of the PSO algorithmThe remaining energy of cluster head，node density and distance from thebase station were integrated to obtain the corresponding cluster radius size，and the nodes used to share the task of cluster headdata forwarding were set using the overlapping area between clustersIn the data collection，a similar data collection strategy wasadopted to filter out the eligible nodes for dormant scheduling，to reduce redundant dataIn the data transmission，the optimal dataforwarding path was obtained based on the overlapping area nodes using the orientation suitability functionExperimental simula-tions show that the network performance is improved by 11866%and 3534%compared with LEACH and EEOC algorithms，re-spectivelyKeywords:wireless sensor network;PSO algorithm;overlapping area;data collection strategy;nodes dormancy0引言无线传感网络(wireless sensor network，WSN)为物联网感知层，由大量随机部署的传感器节点通过无线通讯方式自组织形成一种单跳或多跳网络1，周期性采集和处理网络监测区域内的环境信息。但传感器节点由电池供电，网络的使用时长主要由节点的能量决定，且 WSN 经常部署在高危环境中，网络的维护难度极大。因此，如何均衡网络能耗及提高网络能量利用率，是研究的热点问题。分簇是延长网络寿命的有效方法，LEACH 协议是首个采用数据聚合的分簇路由策略，设定节点以相同的概率轮流成为簇头，但导致簇头产生存在很大随机性，难以保证分簇的合理性，易出现“热区现象”，造成网络局部瘫痪，采集的数据缺乏相对完整性。针对网络能耗不均衡问题，WSN 分布式节能分簇算法2(DEEC)通过设置相应的簇群竞争半径形成非均匀分簇，缓解网络能耗不均衡问题，但未考虑节点与基站的位置因素，会导致簇头在网络中分布不均。基于分布式自组织的无线传感器网络负载均衡分簇算法3(DSBCA)是一种分布式自组织分簇协议，综合基站与簇头之间的距离、节点密度和剩余能量，随机选择节第 2 期赵贯通等:带有休眠机制的重叠分簇路由算法105点作为临时簇头来触发簇头选择过程。该协议一定程度上保证了网络的能耗均衡，但簇头轮换频繁，导致大量不必要的能量消耗。高效节能的重叠聚类协议4(EEOC)设计具有定向重叠区域的簇结构，从中选举剩余能量最高的节点作为数据转发的中继节点。但簇头将数据发送给中继节点后，直接发送给基站，会加速网络能耗，不利于网络能耗均衡及长期有效运行。为了得到基于不同因素下簇头选举的最优解，许多优化方法被用于簇头选举这一过程，其中粒子群算法(PSO)具有实现简单、收敛速度快等特点，在解决组合优化问题上具有较大优势5。文献 6 提出 PSO优化模糊 C 均值的 WSN 分簇路由算法，基于节点剩余能量和与簇内节点的相对距离构建适应度函数得到簇头，但簇头的选取未考虑与基站的距离，导致选出的簇头分布相对不均，且成簇的大小未作进一步考虑，不利于网络能耗均衡。基于上述分析，针对 WSN 能量利用率低及能耗不均衡的问题，提出带有休眠机制的重叠分簇路由算法 DOC(overlapping cluster routing algorithm with dor-mancy mechanism)，主要工作如下:(1)簇头选举阶段，考虑节点剩余能量及与基站的距离构建适应度函数，引入 PSO 算法，通过设计非线性惯性权重系数结合自适应学习因子优化其收敛速度和搜索效果的均衡，得到最优簇头集，并基于簇头剩余能量、节点密度及与基站的距离因素得到相应簇群半径的大小，使网络能耗均衡。(2)完成建簇后，对监测区域进行数据采集时，采用相似数据收集策略，计算出符合条件的相似节点并对其进行休眠调度，以降低簇群内的能量消耗，提高网络能量利用效率及延长网络寿命。(3)将簇间重叠区域中的节点定义为数据转发节点，承担簇头节点的数据转发任务，并通过方位合适度函数得到最佳数据转发路径。1系统模型11网络模型假设在监测区域内，随机分布 N 个传感器节点。同时，本文算法网络模型满足以下特性:(1)节点随机部署后不能移动且能量有限。(2)每个传感器节点都有唯一 ID，且都拥有相同的存储容量、初始能量和通信能力。(3)传感器节点根据接收到的信号强度(SSI)得到与发送者的距离7。(4)基站 BS 位于监控区域外，能源不受限。(5)传感器节点通信范围可以通过功率控制方式进行调节。12能耗模型本文参考文献 8的能耗模型，传感器节点之间发送 lbit 的数据，传输距离为 d 时，能量消耗为ET(l，d)=lEelec+lfsd2，ddthlEelec+lmpd4，ddth(1)dth=fs/mp(2)式中:d 为节点数据传输距离;dth为距离阈值;Eelec为发送或接收单位数据的能耗;fs为自由空间模型功率;mp为多路径衰减模型功率。节点接收 lbit 数据的能耗为EX(l)=lEelec(3)簇头节点 i 对簇群中 n 个簇成员节点采集数据nlbit做数据融合处理。则此过程簇头节点 i 的能量消耗 Ei(n，l)为Ei(n，l)=EDAln(4)式中 EDA为数据融合系数2DOC 算法设计DOC 算法的每个运行周期主要有簇头选举和建簇及数据路由的构建。图1 所示为本文算法的基本原理，基于与基站的距离及节点密度和剩余能量得到合理簇群半径实现非均匀分簇，利用重叠区域数据转发节点和簇头节点构建数据转发路由，通过单跳与多跳结合的方式将数据发送到基站。算法包含 5 个步骤:信息采集、簇头选举、簇群建立及重叠区域形成、节点休眠机制和簇间路由设计。图 1DOC 算法的基本原理图21信息采集传感器节点随机布置在监测区域后，基站向整个106Instrument Technique and SensorFeb2023监测区域广播一个“hello message”消息，节点在接收到基站广播的消息后，在其感知半径内广播“handshaking message”消息，该消息包含节点 ID 和剩余能量信息。每个节点保存收到的所有“hand shakingmessage”消息，节点的邻居节点数即节点密度，是由接收到的消息条数确定，且每个节点依据接收到的“hand shaking message”建立一个 MegTable 表格。最后，每个传感器节点把自己的相关信息发送给基站，基站通过接收到信息的强度，可计算出监测区域节点与自己的距离，并将距离基站最近和最远的节点距离记为 Dmin和 Dmax。22簇头选举最优簇头的选取是一个 NP 问题。为得到最优簇头集，通过引入粒子群算法可以有效地解决这一难题，但 PSO 算法易过早陷入局部最优，本文在原 PSO算法的基础上设计非线性动态的惯性权重系数并结合自适应学习因子，达到加快算法的收敛速度以及搜索效果均衡的目的。本文算法下的簇头选举，首先根据监测区域大小及区域中存活节点的数量得到与之匹配的最优簇头数，设定能量阈值对网络中存活节点数进行优化，得到节点剩余能量大于阈值的存活节点，接着通过改进的 PSO 算法得到最优簇头集。221最优簇头数设置根据监测区域大小及节点个数设定合理的簇头节点数量，最优簇头数 h 的计算为h=Nrfs2mpLD2ave(5)式中:Nr为第 r 周期的存活节点个数;Dave为监测区域当前存活节点到基站的平均距离。222基于改进 PSO 算法的簇头选择计算2221粒子初始化首先，对网络中存活节点群体进行优化，设置能量阈值 Eth，当节点的剩余能量大于 Eth时才有资格被选为候选簇头。接着从能量大于 Eth的节点中，随机选出 m 个节点，作为候选簇头节点构成初始粒子群，每个粒子的速度向量和位置向量分别为 vi=vi1，vi2，vid 和 xi=xi1，xi2，xi