CN102917385B - 基于统计移动尺度的移动感知分簇方法 - Google Patents

Abstract

本发明公开了一种基于统计移动尺度的移动感知分簇方法，主要解决现有技术无法对Ad Hoc网络中的网络节点进行稳定地分簇组网的问题。其实现步骤为：（1）确定Ad Hoc网络应用环境，选取平滑的随机游走模型；（2）根据选取的模型构造出任意两个节点间距离期望值的表达式；（3）根据期望表达式构造出每个节点的统计移动尺度；（4）基于得到的统计移动尺度采用分布式方式选取高稳定的节点作为簇头并进行簇成员的分配，最终形成稳定的簇结构。本发明能适应移动节点运动速度和通信半径变化，且所形成的簇结构更加稳定，可用于在大型移动Ad Hoc网络中建立类似地面蜂窝网的分级网络结构，优化网络的路由查找、拓扑维护以及便于网络扩展。

Description

基于统计移动尺度的移动感知分簇方法

技术领域：

本发明属于无线通信领域，涉及到移动Ad Hoc网络中网络节点的分簇组网，可应用在大型移动Ad Hoc网络中建立类似地面蜂窝网的分级网络结构，优化网络的路由查找、拥塞控制、拓扑维护以及便于网络扩展。

背景技术：

移动Ad Hoc网络是一种多跳，无中心且没有有线基础设施支持的移动网络，网络中节点均由移动主机构成。Ad Hoc网络的组网通信无需依赖于任何预设的网络设施。结点通过自发的邻居发现，路由查找算法快速、自动地组成一个独立的网络。由于Ad Hoc网络诸多特性，它在军事战场、传感器网络以及紧急临时场合如灾难救援等有广泛的应用前景。

与地面蜂窝网和卫星通信系统相比，移动Ad Hoc网络具有部署方便且迅速，高性价比，覆盖范围广，传输延迟低，抗毁性和易扩展性等特点。同时Ad Hoc网络也面临诸多挑战，其中大规模问题是移动Ad Hoc网络走向实际应用中不得不解决的至关重要的难题。当网络包含大量移动通信节点时，拓扑维护、路由开销和拥塞控制等将消耗大量的有限网络资源，如能量和无线带宽等。分簇已经被证明是一种有效的解决上述大规模问题的方法。通过分簇将一个大型的网络划分为一个个互相连接的小型网络从而形成一个多级的网络结构。因为移动性是Ad Hoc网络的固有特性，节点的移动会导致网络拓扑的频繁改变从而限制网络容量和带宽，不仅如此，节点移动还会破坏原先的簇结构，引发频繁的分簇行为从而占用有限的网络资源。因此如何在网络节点不断移动的情况下建立一个稳定的分簇结构是移动Ad Hoc网络分簇算法的一个关键难题。

目前Ad Hoc网络中的移动感知分簇算法主要是基于移动尺度的方法。通过定义合适的移动尺度来衡量节点的移动性，以此来进行簇头节点的选举及簇的划分。因此移动尺度的准确性直接影响到后续分簇结构的稳定性。目前有多种移动尺度被提出来。早期，波士顿大学的Prithwish等人提出了一种累积移动尺度。每个节点发送两个连续的数据包给它所有邻居节点，这样每个节点就能通过前后接收到的数据包的强度差异来判断它与其邻居节点是相互靠近还是相互远离。累积移动尺度定义为节点接收到的来自所有邻居节点的前后数据包强度的比值之和。分簇算法选举累积移动尺度大的节点作为簇头来进行簇的划分。随后，新加坡南洋理工大学ZhangYan等人提出一种空间依赖尺度。它定义为两个节点相对速度大小和方向的夹角余弦的乘积并以此作为簇头选举的依据。东南大学Deng S.Z.等人在2011年提出一种基于移动的分簇协议，在该协议中，移动尺度被定义为节点间初始距离及预估的连接时间的归一化线性加权之和。

上述移动尺度均是基于启发式定义而非理论推导出来的，因此不可避免的存在一些缺陷。例如，它们在定义中只考虑到某些要素如速率、方向或信号接收功率，而没有综合考虑影响节点运动的多种因素，所以不能准确反应节点之间的运动关系，此外它们都是通过节点的当前移动状态计算的，从而不能准确预测节点将来的运动状态，直接影响到簇结构的稳定性，而且不能满足簇结构随节点速度和通信半径变化自适应调整的需要。

发明内容：

本发明的目的在于解决现有Ad Hoc网络移动感知分簇算法的不足，提出一种基于统计移动尺度的移动感知分簇方法，能够使分簇算法最终所形成的簇结构更稳定，更能适应节点速度和通信半径的变化。

为实现上述目的，本发明包括如下步骤：

A.根据Ad Hoc网络应用环境，选取一个能准确模拟Ad Hoc网络节点运动的移动模型，即平滑的随机游走模型；

B.根据选取的平滑随机游走模型，得出移动节点的运动速率v_i(t)和方向的分布函数：

$v_i\left(t\right)=\left\{\begin{array}{cc}{v}_{i0}& N_1\left(t\right)=0\\ v^{\′}& N_1\left(t\right)\≠0\end{array}\right.$

其中，v_i0和分别为移动节点i初始速率和方向；v′为当移动节点的运动速率改变时所选取的新的速率变量，服从v_min到v_max均匀分布，即v′～U[v_min,v_max]；为当移动节点的运动方向改变时所选取的新的方向变量，服从0到2π的均匀分布，即N₁(t)为参数为λ₁的泊松过程，N₂(t)为参数为λ₂的泊松过程，N₁(t)与N₂(t)相互独立；

C.根据所得到的分布函数，根据随机过程和概率论知识得出移动节点运动速率v_i(t)的期望E[v_i(t)]，方向的正弦函数的期望及余弦函数的期望

$E\left[v_i\left(t\right)\right]=v_{i0}\·e^{-{\mathrm{\λ}}_{1}t}+\frac{v_{\max }+v_{\min }}{2}\·(1-e^{-{\mathrm{\λ}}_{1}t})$

其中，和分别为移动节点i的初始方向的正弦和余弦函数；E[v_i(t)]为节点速率随时间的期望值，和分别为节点运动方向的正余弦随时间的期望值；

D.根据所得到的三个期望：E[v_i(t)]、 构造出任意两移动节点间距离的期望值H_(i，j)(t)的表达式：

$H_{(i,j)}\left(t\right)=\sqrt{{[m_{x_i}\left(t\right)-m_{x_j}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_j}\left(t\right)]}^2},$

其中，H_(i，j)(t)为任意两移动节点i，j的距离的期望值，x_i(t)和y_i(t)为移动节点i的水平和垂直坐标，和为对应的水平和垂直坐标的期望值；

E.根据得到的任意两个移动节点间距离的期望值H_(i，j)(t)，计算每个移动节点i的统计移动尺度SMM(i,t)：

$\mathrm{SMM}(i,t)={\mathrm{\Σ}}_{j=1}^n[R-H_{(i,j)}\left(t\right)],$

其中，R为每个节点的通信半径，n为移动节点i的一跳邻居节点数目；

F.根据移动节点的统计移动尺度SMM(i,t)，所有移动节点每隔时间T，0.5秒，广播一个Hello数据包，Hello数据包包含了移动节点的节点标识ID和统计移动尺度值的信息；

G.根据接收到的来自一跳邻居节点的Hello包信息，移动节点i将自己的统计移动尺度值SMM(i,t)与其所有一跳邻居节点的统计移动尺度值作比较，若移动节点i的统计移动尺度值最大，则将节点i选作簇头，并将i的一跳邻居节点分配为移动节点i的簇成员，反之，则跳过移动节点i；如果该节点没有邻居节点，那么它将改变自身的状态成为簇头节点；

H．对已被选为簇头或分配为簇成员的其它移动节点执行步骤F中同样的判断过程，最终完成簇头节点的选举和簇的划分。

上述步骤D中根据所得到的三个期望：E[v_i(t)]、 构成出任意两移动节点间距离的期望值H_(i，j)(t)的表达式，按如下步骤进行：

D1）考虑一个非常短的时间Δt，设为10^-6秒，在Δt内将节点速率和方向看作是不变的，得出：

${\stackrel{\→}{v}}_{\mathrm{rel}}\·\mathrm{\Δt}+{\stackrel{\→}{S}}_0={\stackrel{\→}{\tilde{S}}}_{(i,j)}\left(\mathrm{\Δt}\right)---\left(1\right)$

${\stackrel{\→}{v}}_{\mathrm{rel}}\·\mathrm{\Δt}+{\stackrel{\→}{\tilde{S}}}_{(i,j)}\left(t\right)={\stackrel{\→}{\tilde{S}}}_{(i,j)}(t+\mathrm{\Δt})---\left(2\right)$

其中，表示任意两个节点i与节点j之间的相对速度向量；表示任意两个节点i，j之间的相对距离向量；表示任意两个节点i与节点j之间的初始距离向量；

D2）根据式（1）和（2），对式（2）两边取期望，得出任意两节点间距离的向量随时间期望为：

其中，和分别为移动节点i的速率和方向的分布函数；和分别为的正弦和余弦函数；为速度向量的标量值；表示任意两个节点i,j之间的相对速度向量的期望值；表示任意两个节点i与节点j之间的相对距离向量的期望值；

D3）根据物理学中物体的运动距离与运动速度和时间的关系，得出节点i的水平坐标期望和垂直坐标期望

其中，x_i0和y_i0分别表示移动节点i的初始水平和垂直坐标；x_i(t)和y_i(t)表示节点i的水平和垂直坐标；

D4）将式（3）展开，并将式（4）和（5）代入，得出任意两个节点i,j之间的相对距离向量的期望值

D5）对式（6）两边的距离向量取标量，得出任意两节点间距离的期望值H_(i，j)(t)的表达式：

$H_{(i,j)}\left(t\right)=|(m_{x_i}\left(t\right),m_{y_i}\left(t\right))-(m_{x_j}\left(t\right),m_{y_j}\left(t\right))|$ （7）

$=\sqrt{{[m_{x_i}\left(t\right)-m_{x_j}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_j}\left(t\right)]}^2}.$

上述步骤G所述的若移动节点i的统计移动尺度值最大，则将节点i选作簇头，并将i的一跳邻居节点分配为移动节点i的簇成员，按如下步骤进行：

G1）移动节点i向其一跳邻居节点广播一个JoinRequest消息包的簇邀请，JoinRequest消息包包含节点i的ID标识Node-ID_i；

G2）处于未分配状态的移动节点j收到来自其一跳邻居节点i的JoinRequest簇邀请消息后，向移动节点i发送一个Accept应答消息包，并将其所属簇标识CH_j设置为节点i的ID标识Node-ID_i，以表明自身属于移动节点i所代表的簇，所述的Accept应答消息包，包含移动节点j的ID标识Node-ID_j。

本发明与现有技术相比较具有如下优点：

a)本发明由于利用了对移动节点网络环境准确模拟的移动模型，因此最大程度利用了关于移动节点运动的先验知识，使得它更能适应移动节点速度或通信半径的变化。

b)本发明由于使用的统计移动尺度是通过任意两个移动节点间相对距离的期望计算出来的，因此它描述了统计意义上对移动节点间未来关系的预测，更精确的反应了移动节点间的运动关系。

c)本发明由于是基于统计移动尺度来进行簇头选举和簇的划分，因此最终形成的簇结构更稳定，簇头生存时间更长。

附图说明

图1是本发明基于统计移动尺度的移动感知分簇方法框图；

图2是本发明与其它三种分簇方法在节点平均驻留时间下的性能对比图；

图3本发明与其它三种分簇方法在簇离开率下的性能对比图；

图4是本发明与其它三种分簇方法在平均簇头生存时间下的性能对比图。

具体实施方式：

本发明的核心思想是基于对Ad Hoc网络节点移动模型的分析从理论上推导出一个统计移动尺度来评估移动节点的运动，基于该统计移动尺度来完成簇头选举和簇的划分，最终形成一个更稳定的簇结构。首先选取一个能准确模拟Ad Hoc网络移动节点运动的移动模型，即平滑的随机游走模型，然后根据该移动模型构造出任意两个节点的距离随时间的期望，根据得到的期望构造出每个节点的统计移动尺度，最后基于该移动尺度完成簇头选举和簇的划分，生成稳定的簇结构。

参照图1，为本发明的实现是：确定Ad Hoc网络应用环境，选取节点移动模型，构造出任意两个节点间距离期望值的表达式；根据得到的期望表达式构造出每个节点的统计移动尺度；最后基于该移动尺度完成簇头选举和簇的划分。具体步骤如下：

一.选取移动模型

根据Ad Hoc网络移动节点实际运行环境选取相应移动模型来模拟节点运动。现有多种移动模型被用来模拟Ad Hoc网络移动节点的运动，如随机游走模型、随机路径点模型、组移动模型和平滑的随机游走模型。平滑的随机游走模型是随机游走模型的改进模型，由于平滑的随机游走模型对节点运动的模拟更真实且产生的节点空间分布更均匀，仿真结果稳定性更高，所以选用平滑的随机游走模型来模拟Ad Hoc网络移动节点的运动。

二.构造出任意两个节点间距离期望值的表达式

根据选取的平滑随机游走模型，首先得出移动节点的运动速率v_i(t)和方向的分布函数；然后根据所得到的分布函数，得出节点运动速率的期望E[v_i(t)]，方向正弦函数的期望以及余弦函数的期望最后根据所得到的三个期望：E[v_i(t)]、 构造出任意两移动节点间距离的期望值H_(i，j)(t)的表达式，具体步骤如下：

1.获得移动节点速率及方向分布函数

根据平滑随机游走模型，节点的运动速率和方向的改变遵从两个独立的泊松过程：{N₁(t),t≥0}参数为λ₁和{N₂(t),t≥0}参数为λ₂。在平滑随机游走模型下节点速率及方向分布函数可表示为：

$v_i\left(t\right)=\left\{\begin{array}{cc}{v}_{i0}& N_1\left(t\right)=0\\ v^{\′}& N_1\left(t\right)\≠0\end{array}\right.$ 和

其中，v_i0和分别为移动节点i初始速率和方向；v′为当移动节点的运动速率改变时所选取的新的速率变量，服从v_min到v_max均匀分布，即v′～U[v_min，v_max]；为当移动节点的运动方向改变时所选取的新的方向变量，服从0到2π的均匀分布，即N₁(t)为参数为λ1的泊松过程，N₂(t)为参数为λ₂的泊松过程，N₁(t)与N₂(t)相互独立；

2.获得移动节点运动速率及方向正、余弦函数的期望

根据（8）式可知，节点以p(N₁(t)=0)及p(N₂(t)=0)的概率保持初始速率和方向，当节点在任意时刻速率和方向变化时，新的速率和方向服从均匀分布。将节点速率和方向看成两个离散随机过程，则移动节点速率的期望E[v_i(t)]可表示为：

$E\left[v_i\left(t\right)\right]=v_{i0}\·p(N_1\left(t\right)=0)+\frac{v_{\max }+v_{\min }}{2}\·p(N_1\left(t\right)\≠0)$ （9）

$=v_{i0}\·e^{-{\mathrm{\λ}}_{1}t}+\frac{v_{\max }+v_{\min }}{2}\·(1-e^{-{\mathrm{\λ}}_{1}t})$

移动节点的方向的余弦期望可表示为：

移动节点的方向的正弦期望可表示为：

3.构造出任意两节点间距离的期望

考虑一个非常短的时间Δt，设为10^-6秒，在Δt内节点速度和方向可以看作是不变的，因此有：

${\stackrel{\→}{v}}_{\mathrm{rel}}\·\mathrm{\Δt}+{\stackrel{\→}{S}}_0={\stackrel{\→}{\tilde{S}}}_{(i,j)}\left(\mathrm{\Δt}\right)---\left(12\right)$

${\stackrel{\→}{v}}_{\mathrm{rel}}\·\mathrm{\Δt}+{\stackrel{\→}{\tilde{S}}}_{(i,j)}\left(t\right)={\stackrel{\→}{\tilde{S}}}_{(i,j)}(t+\mathrm{\Δt})---\left(13\right)$

其中，表示任意两个节点i与节点j之间的相对速度向量；表示任意两个节点i，j之间的相对距离向量；表示任意两个节点i与节点j之间的初始距离向量；

根据式（12）和（13），任意两节点间距离的向量随时间期望可以表示为：

其中，和分别为移动节点i的速率和方向的分布函数；和分别为的正弦和余弦函数；为速度向量的标量值；表示任意两个节点i,j之间的相对速度向量的期望值；表示任意两个节点i与节点j之间的相对距离向量的期望值；

根据运动距离与运动速度和时间的关系，得出节点i的水平坐标期望和垂直坐标期望

其中，x_i0和y_i0分别表示移动节点i的初始水平和垂直坐标；x_i(t)和y_i(t)表示节点i的水平和垂直坐标；E[v_i(τ)]为移动节点的节点速率随时间的期望值，和分别为节点运动方向的正余弦随时间的期望值；

将式（14）展开，并将式（15）和（16）代入，得出任意两个节点i,j之间的相对距离向量的期望值

对式（17）两边的距离向量取标量，得出任意两节点间距离的期望值H_(i，j)(t)的表达式：

$H_{(i,j)}\left(t\right)=|(m_{x_i}\left(t\right),m_{y_i}\left(t\right))-(m_{x_j}\left(t\right),m_{y_j}\left(t\right))|$ （18）

$=\sqrt{{[m_{x_i}\left(t\right)-m_{x_j}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_j}\left(t\right)]}^2}$

其中，和为节点速率和方向正余弦的表达式，可以通过式（15）和（16）求出来。

三.构造节点统计移动尺度

在分簇开始阶段，根据得到的任意两节点间距离期望值的表达式，按如下步骤计算每个节点的统计移动尺度：

Step1：每个移动节点i与它们的一跳邻居节点交换各自初始状态信息，包括速率v_i0，方向和位置(x_i0,y_i0)；

Step2：移动节点i计算自身以及它的一跳邻居节点j的横纵坐标期望值然后根据式（18）计算自身与其一跳邻居节点j的相对距离期望值H_(i，j)(t)；

Step3：令H′_(i，j)(t)=R-H_(i，j)(t)，假设移动节点i的一跳邻居节点数目为n，通过对移动节点i与其所有一跳邻居节点的H′_(i，j)(t)值求和得到移动节点i的统计移动尺度值SMM(i,t)，即，其中，R为每个节点的通信半径。

从Step3可知，移动节点i的统计移动尺度值越大，表明移动节点i的一跳邻居集越大且移动节点i与它的一跳邻居节点的相对距离越小。而一个大的邻居集与一个小的相对距离意味着移动节点i与它的一跳邻居节点运动联系更紧密。因此，拥有最大统计移动尺度值的节点可以被选作簇头。

四.选举簇头并分配簇成员

基于统计移动尺度，采用分布式方式来进行簇头选举和簇的划分，它的目的在于选取高稳定的节点作为簇头从而形成一个稳定的簇结构。具体步骤如下：

Step1：每个移动节点i初始时都处于未分配状态，它们每隔时间T，0.5秒，广播一个IntiHello数据包，IntiHello数据包包含了节点的ID标识Node-ID_i，初始位置坐标(x_i0,y_i0)和横纵坐标期望值及

Step2：根据接收到的来自一跳邻居节点的IntiHello包信息，每个处于未分配状态的节点计算它们的统计移动尺度值SMM(i,t)，如果未分配状态的节点没有邻居节点，则将该节点选为簇头节点；

Step3：所有移动节点每隔时间T，0.5秒，都向自身的邻居节点广播一个Hello数据包，Hello数据包包含了移动节点的节点标识ID和统计移动尺度值的信息；

Step4：根据接收到的来自一跳邻居节点的Hello包信息，节点i将自身的统计移动尺度值SMM(i,t)与其所有处于未分配状态的一跳邻居节点相比较，如果存在一个一跳邻居节点j满足SMM(i,t)＜SMM(j,t),则移动节点i任保持初始状态。反之，如果移动节点i具有最大的统计移动尺度值，则它被选为簇头节点，同时向其邻居节点广播一个JoinRequest消息包的簇邀请，JoinRequest消息包包含节点i的ID标识Node-ID_i；

Step5：如果处于未分配状态的节点j收到来自其邻居节点i的JoinRequest消息，则它将改变自身状态成为簇成员节点，同时向邻居节点i发送一个Accept应答消息包，并将其所属簇标识CH_j设置为节点i的ID标识Node-ID_i，以表面自身属于邻居节点i所代表的簇，所述的Accept应答消息包，包含移动节点j的ID标识Node-ID_j。

Step6：对已被选为簇头或分配为簇成员的其它移动节点重复执行Step4和Step5，直到所有移动节点都被选作簇头或被分配为簇成员，最终完成簇的划分。

本发明的效果通过以下仿真进一步说明：

1.仿真实验条件：

本实验考虑一个包含50个移动节点的Ad Hoc网络，移动节点初始位置随机分布在1000m乘1000m的平面内，移动节点的运动范围设置为3000m乘3000m的平面，移动节点的移动模型采用平滑的随机游走模型，仿真参数配置如表1所示。

表1：仿真参数

2.仿真内容：

仿真1，将移动节点的运动速率范围固定为[0，10m/s]，在不同的通信半径为：100m、150m、200m、250m和300m下，将本发明提出的基于统计移动尺度的移动感知分簇方法与其它现有三种分簇方法:MOBIC、DGMA和MBC作比较，得到不同簇结构稳定性评价指标下的性能对比图，如图2a、图3a和图4a所示，其中图2a为本发明与上述三种分簇方法在节点平均驻留时间下的性能对比图，图3a为本发明与上述三种分簇方法在簇离开率下的性能对比图，图4a为本发明与上述三种分簇方法在平均簇头生存时间下的性能对比图。

仿真2，将节点通信半径固定为300m，在不同节点移动速率范围：[0，10m/s]、[5,15m/s]、[10,20m/s]、[15,25m/s]和[20,30m/s]下，将本发明提出的基于统计移动尺度的移动感知分簇方法与其它现有三种分簇方法:MOBIC、DGMA和MBC作比较，得到不同簇结构稳定性评价指标下的性能对比图，如图2b、图3b和图4b所示，其中图2b为本发明与上述三种分簇方法在节点平均驻留时间下的性能对比图，图3b为在簇离开率下的性能对比图，图4b为在平均簇头生存时间下的性能对比图。

从图2可以看出，与其它现有三种分簇方法:MOBIC、DGMA和MBC相比，本发明提出的基于统计移动尺度的移动感知分簇方法在不同的移动节点运动速度和通信半径下，都拥有更长的平均驻留时间，表明本发明更能适应移动节点速度或通信半径的变化。

从图3可以看出，与其它现有三种分簇方法:MOBIC、DGMA和MBC相比，本发明提出的基于统计移动尺度的移动感知分簇方法拥有更低的簇离开率，说明在同样时间内，由于移动节点的运动而离开原本所属簇的移动节点数量本发明最少，表明本发明所使用的统计移动尺度能更精确的反应移动节点间的运动关系。

从图4可以看出，与其它现有三种分簇方法:MOBIC、DGMA和MBC相比，本发明提出的基于统计移动尺度的移动感知分簇方法拥有更长的平均簇头生存时间，表明本发明最终形成的簇结构更稳定，簇头生存时间更长。

Claims (3)

1.一种基于统计移动尺度的移动感知分簇方法，包括如下步骤：

A.根据Ad Hoc网络应用环境，选取一个能准确模拟Ad Hoc网络节点运动的移动模型，即平滑的随机游走模型；

B.根据选取的平滑随机游走模型，得出移动节点的运动速率v_i(t)和方向的分布函数：

$v_i\left(t\right)=\left\{\begin{array}{cc}{v}_{i0}& N_1\left(t\right)=0\\ v^{\′}& N_1\left(t\right)\≠0\end{array}\right.$

其中，v_i0和分别为移动节点i初始速率和方向；v′为当移动节点的运动速率改变时所选取的新的速率变量，服从v_min到v_max均匀分布，即v′～U[v_min,v_max]；为当移动节点的运动方向改变时所选取的新的方向变量，服从0到2π的均匀分布，即N₁(t)为参数为λ₁的泊松过程，N₂(t)为参数为λ₂的泊松过程，N₁(t)与N₂(t)相互独立；

C.根据所得到的分布函数，根据随机过程和概率论知识得出移动节点运动速率v_i(t)的期望E[v_i(t)]，方向的正弦函数的期望及余弦函数的期望

$E\left[v_i\left(t\right)\right]=v_{i0}\·e^{-{\mathrm{\λ}}_{1}t}+\frac{v_{\max }+v_{\min }}{2}\·(1-e^{-{\mathrm{\λ}}_{1}t})$

其中，和分别为移动节点i的初始方向的正弦和余弦函数；E[v_i(t)]为节点速率随时间的期望值，和分别为节点运动方向的正余弦随时间的期望值；

D.根据所得到的三个期望：E[v_i(t)]、构造出任意两移动节点间距离的期望值Η_(i,j)(t)的表达式：

$H_{(i,j)}\left(t\right)=\sqrt{{[m_{x_i}\left(t\right)-m_{x_j}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_i}\left(t\right)]}^2},$

其中，Η_(i,j)(t)为任意两移动节点i,j的距离的期望值，x_i(t)和y_i(t)为移动节点i的水平和垂直坐标，和为对应的水平和垂直坐标的期望值；

E.根据得到的任意两个移动节点间距离的期望表达式Η_(i,j)(t)，计算每个移动节点i的统计移动尺度SMM(i,t)：

$\mathrm{SMM}(i,t)={\mathrm{\Σ}}_{j=1}^n[R-H_{(i,j)}\left(t\right)],$

其中，R为每个节点的通信半径，n为移动节点i的一跳邻居节点数目；

F.根据移动节点的统计移动尺度SMM(i,t)，所有移动节点每隔时间T，0.5秒，广播一个Hello数据包，Hello数据包包含了移动节点的节点标识ID和统计移动尺度值的信息；

G.根据接收到的来自一跳邻居节点的Hello包信息，移动节点i将自己的统计移动尺度值SMM(i,t)与其所有一跳邻居节点的统计移动尺度值作比较，若移动节点i的统计移动尺度值最大，则将节点i选作簇头，并将i的一跳邻居节点分配为移动节点i的簇成员，反之，则跳过移动节点i；如果该节点没有邻居节点，那么它将改变自身的状态成为簇头节点；

H.对已被选为簇头或分配为簇成员的其它移动节点执行步骤F中同样的判断过程，最终完成簇头节点的选举和簇的划分。

2.根据权利要求1所述的方法，其中所述步骤D中根据所得到的三个期望：E[v_i(t)]、构成出任意两移动节点间距离的期望值Η_(i,j)(t)的表达式，按如下步骤进行：

D1)考虑一个非常短的时间Δt，设为10^-6秒，在Δt内将节点速率和方向看作是不变的，得出：

${\stackrel{\→}{v}}_{\mathrm{rel}}\·\mathrm{\Δt}+{\stackrel{\→}{S}}_0={\stackrel{\→}{\tilde{S}}}_{(i,j)}\left(\mathrm{\Δt}\right)---\left(1\right)$

${\stackrel{\→}{v}}_{\mathrm{rel}}\·\mathrm{\Δt}+{\stackrel{\→}{\tilde{S}}}_{(i,j)}\left(t\right)={\stackrel{\→}{\tilde{S}}}_{(i,j)}(t+\mathrm{\Δt})---\left(2\right)$

其中，表示任意两个节点i与节点j之间的相对速度向量；表示任意两个节点i,j之间的相对距离向量；表示任意两个节点i与节点j之间的初始距离向量；

D2)根据式(1)和(2)，对式(2)两边取期望，得出任意两节点间距离的向量随时间期望为：

其中，和分别为移动节点i的速率和方向的分布函数；和分别为的正弦和余弦函数；为速度向量的标量值；表示任意两个节点i,j之间的相对速度向量的期望值；表示任意两个节点i与节点j之间的相对距离向量的期望值；

D3)根据物理学中物体的运动距离与运动速度和时间的关系，得出节点i的水平坐标期望和垂直坐标期望

其中，x_i0和y_i0分别表示移动节点i的初始水平和垂直坐标；x_i(t)和y_i(t)表示节点i的水平和垂直坐标；E[v_i(τ)]为移动节点的节点速率随时间的期望值，和分别为节点运动方向的正余弦随时间的期望值；

D4)将式(3)展开，并将式(4)和(5)代入，得出任意两个节点i,j之间的相对距离向量的期望值

其中，x_j0和y_j0分别表示移动节点j的初始水平和垂直坐标；

D5)对式(6)两边的距离向量取标量，得出任意两节点间相对距离的期望值Η_(i,j)(t)的表达式：

$\begin{array}{c}{H}_{(i,j)}\left(t\right)=|({m_x}_i\left(t\right),m_{y_i}\left(t\right))-(m_{x_j}\left(t\right),m_{y_j}\left(\text{t}\right))|\\ =\sqrt{{[m_{x_i}\left(t\right)-m_{x_j}\left(t\right)]}^2+{[m_{y_i}\left(t\right)-m_{y_j}\left(t\right)]}^2}\end{array}.---\left(7\right)$

3.按照权利要求1所述的方法，其中步骤G所述的若移动节点i的统计移动尺度值最大，则将节点i选作簇头，并将i的一跳邻居节点分配为移动节点i的簇成员，按如下步骤进行：

G1)移动节点i向其一跳邻居节点广播一个JoinRequest消息包的簇邀请，JoinRequest消息包包含节点i的ID标识Node-ID_i；

G2)处于未分配状态的移动节点j收到来自其一跳邻居节点i的JoinRequest簇邀请消息后，向移动节点i发送一个Accept应答消息包，并将其所属簇标识CH_j设置为节点i的ID标识Node-ID_i，以表明自身属于移动节点i所代表的簇，所述的Accept应答消息包，包含移动节点j的ID标识Node-ID_j。