CN103974367A - 无线传感器网络中基于heed算法的错误容忍和多路径优化方法 - Google Patents

Abstract

本发明公开了无线传感器网络中基于HEED算法的错误容忍和多路径优化方法。首先进行节点部署，节点先计算初始化参数，与邻居节点进入竞选簇头的第二阶段，确定节点自身是否应该当选簇头，之后等待一段时间t_wait，当收到所有的邻居节点的第二阶段完事广播消息。节点进入第三阶段，确定自己的身份。然后建立簇内路由和簇间路由。使用GG图论模型对网络中与基站通信的路由进行路径优化。本发明可以降低网络进行通信的能耗，提高网络工作的可靠性，延长网络的生存时间。

Description

无线传感器网络中基于HEED算法的错误容忍和多路径优化方法

技术领域

本发明是涉及无线传感器网络中簇头节点选择和路由路径优化的一种无线传感器网络中基于HEED算法的错误容忍和多路径优化方法。

背景技术

对于无线传感器网络，往往其中有一些会运行在比较恶劣的外部环境中，如应用于火山监测的传感网，其用来监测极端条件下火山的活动。另一方面，传感器节点携带的能源和存储资源都是受限的，在这些严酷的环境下传感器节点很容易失效。因此，无线传感器网络的生存性成为设计考虑的一个重要部分，同时也是研究无线传感器网络的关键问题之一。

目前，对于建立可靠的无线传感器网络的研究从硬件设计到软件设计，从协议栈的底层到高层，保障无线传感器网络生存的技术都在广泛的发展。其中针对建立可靠的节点间通信链路方面，主要有：在物理层上应用先进纠错编码通信技术，在链路上进行差错控制，以及在网络层上设计多路径路由等。但是与传统网络相比，无线传感器网络具有多跳，点对多，低能耗的链路通信特点，所以在网络层依靠多路径技术成为无线传感器网络的主要手段。

在无线传感器网络里数据通过内部节点以中继方式进行数据传递，路由协议应该为单个节点提供鲁棒性，防止单个节点的失效情况，同时因为无线传感器网络链路的丢包现象，路由协议要保证数据的传输不依赖单个数据包，所以依靠多路径技术同样可以带来源节点到汇聚节点间链路的可靠性。ARRIVE算法用基于拓扑结构的、树状的概率算法，获得容错性路由来预防链路的失败。但是其依靠定期洪泛的方法占用了大量的通信量，消耗资源太多。MAMP协议在HEED的基础上引进不相交多路径路由机制，提高簇间数据传送的可靠性。Ossama Younis等人继续对HEED算法进行相关的研究提出了REED路由协议，该算法以HEED算法为分簇拓扑基础，在它基础上设计了k-连通的具有很强鲁棒性的协议，该协议适合极其恶劣的环境。REED利用HEED基础拓扑控制算法得到k个独立的簇头集CSi,1≤i≤k，形成k个独立的覆盖拓扑，每个普通节点在k各独立的簇头集都有一簇头CHj,1≤j≤nchi，nchi为簇头集CSi的簇头数；并且REED簇内采用单跳路由，簇间采用多跳路由。这样当一个簇头集里的簇头CHj失效后，其成员节点很快可通过其他k-1簇头集的所属的簇头把数据转发到网络，但是REED过于复杂的成簇算法导致一部分重要的能量消耗在分簇阶段。

发明内容

本发明的目的是提供能在在簇头和基站之间采取优化的多路径进行通信的一种无线传感器网络中基于HEED算法的错误容忍和多路径优化方法。

本发明是通过以下技术方案实现的：

无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，包括以下几个步骤，步骤一：进行节点部署，整个网络记做S，网络节点数N＝|S|，在N个节点中选择出m个簇头节点，每个普通节点g_i∈S-CH,1≤i≤(N-m)都能被一个簇头节点c_j覆盖,CH为簇头集，c_j∈CH,1≤j≤m＝|CH|，每个节点按照等概率被部署到k个不同大小的带状区域A_i内，

$A_i\∈\mathrm{TMA},\mathrm{Are}{a}_{A_i}\≤{{\mathrm{Area}}_A}_{j}1\≤i\≤j\≤k,{\mathrm{Area}}_{\mathrm{TMA}}=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{{\mathrm{Area}}_A}_i=W\×L$

为带状区域A_i的面积，W为网络的径向长度，L为网络的径向宽度，TMA为总的带状区域，

带状区域A_i内的节点为a_j∈A_i,1≤j≤|A_i|,|A_i|为带状区域A_i内的节点总数，a_j的簇内竞选半径为带状区域A_i的竞选半径；

步骤二：更新节点的邻居节点信息列表S_nbr、剩余能量E_residual、本地平均剩余能量节点竞选等待时间t_wait、竞选阈值CH_prob和簇内代价EWNC；

步骤三：每个节点等待时间t_wait后，竞选簇头节点；每个节点有一个用于存储节点收到的其他节点的试探簇头消息和竞选簇头成功消息的簇头列表S_CH，当节点未收到邻居节点的试探簇头竞选消息时，节点以概率T_r广播成为试探簇头的消息，T_r≤CH_prob，所有的节点竞选簇头节点后，簇内代价最小的节点成为簇头节点并同时广播竞选簇头成功消息，从簇头节点的簇头列表S_CH中选出EWNC次低并且剩余能量最高的邻居节点作为副簇头节点；

步骤四：普通节点包括近亲成员节点和远亲成员节点，普通节点按照如下步骤选取并加入簇头：

4.1近亲成员节点直接加入邻居簇头；

4.2统计簇头节点c_j的近亲成员节点数num＝|{c_j.crm,s_i,s_i∈c_j.crm}|，c_j.crm为簇头c_j的近亲成员节点列表，计算并广播簇头c_j近亲负载矩close_Load_torques；

$\mathrm{close}\_{\mathrm{Load}}_{\mathrm{torques}}=\mathrm{num}\×{{\mathrm{EWNC}}_c}_j$

4.3远亲成员节点接收到簇头节点c_j的广播后，加入近亲负载矩最小的簇头；

步骤五：建立簇内路由；

对于簇头节点的近亲成员节点，建立单跳路由，对于簇头节点的远亲成员节点，采用GG邻近图算法形成多跳路由转发；

步骤六：建立簇间路由；

带状区域A_i内的簇头和下一带状区域A_i+1内的簇头进行消息交换，从带状区域A₁开始，每个带状区域的簇头节点和下一带状区域的簇头节点交换消息，获得带状区域A_i内的簇头节点在下一带状区域A_i+1的下一跳中继节点，利用GG邻近图算法形成多跳路由转发。

本发明无线传感器网络中基于HEED算法的错误容忍和多路径优化方法还可以包括：

1、带状区域A_i的竞选半径rA_i记为r_i，带状区域A_i产生的数据量D_i为：

$\left\{\begin{array}{c}{D}_1={2r}_1\×L\×\mathrm{\ρ}\×v\\ D_2={2r}_2\×L\×\mathrm{\ρ}\×v\\ .\\ .\\ .\\ D_n={2r}_n\×L\×\mathrm{\ρ}\×v\end{array}\right.$

网络总的发向基站的数据包的数量为D个，平均每个节点的数据量v＝^D/_N，L为网络的径向宽度，ρ为网络节点分布密度，

带状区域A_i内的簇头集转发的数据量D_i′为：

$\left\{\begin{array}{c}{D}_1^{\′}=\mathrm{\η}(D_1+D_2+...+D_n)\\ D_2^{\′}=\mathrm{\η}(D_2+D_3+...+D_n)\\ .\\ .\\ .\\ D_n^{\′}={\mathrm{\ηD}}_n\end{array}\right.$

η为网络簇头的融合系数，

带状区域A_i内的簇头集转发数据消耗的能量E_i为：

$\left\{\begin{array}{c}{E}_1=[\frac{(D_1^{\′}-D_1)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_1^{\′}}{k}{E}_{\mathrm{Tx}}(k,r_1+d_{\min })]\\ E_2=[\frac{(D_2^{\′}-D_2)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_2^{\′}}{k}{E}_{\mathrm{Tx}}(k,r_2+r_1)]\\ E_3=[\frac{(D_3^{\′}-D_3)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_3^{\′}}{k}{E}_{\mathrm{Tx}}(k,r_3+r_2)]\\ .\\ .\\ .\\ E_n=[\frac{(D_n^{\′}-D_n)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_n^{\′}}{k}{E}_{\mathrm{Tx}}(k,r_n+r_{n-1})]\\ \frac{E_1}{h_1}=\frac{E_2}{h_2}=...=\frac{E_n}{h_n}\\ w=2(r_1+r_2+...r_n)\end{array}\right.$

h_i为带状区域A_i分配的期望簇头节点数的上限E_i为带状区域A_i簇头集转发数据消耗的能量，为第一区域簇头集到基站的平均距离，为带状区域A_i簇头集到中转区域u的平均距离，两节点间的距离为d，单位时间内两节点间发送k bit数据，

节点发送能耗：

$E_{\mathrm{Tx}}(k,d)=\left\{\begin{array}{c}{\mathrm{kE}}_{\mathrm{elec}}+{\mathrm{k\&epsiv;}}_{\mathrm{fs}}{d}^2,d<d_0\\ {\mathrm{kE}}_{\mathrm{elec}}+{\mathrm{k\&epsiv;}}_{\mathrm{amp}}{d}^4,d>d_0\end{array}\right.$

节点接收能耗：

E_Rx(k,d)＝E_Rx(k)＝k×E_elec

阈值d₀为：

$d_0=\sqrt{\frac{{\mathrm{\&epsiv;}}_{\mathrm{fs}}}{{\mathrm{\&epsiv;}}_{\mathrm{amp}}}}$

E_elec为节点处理能耗，ε_fs为自由空间天线损耗系数，ε_amp为衰落信道天线损耗系数。

2、本地平均剩余能量为：

${\stackrel{\&OverBar;}{E}}_{\mathrm{local}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^M{E_i}_r}{M},\left|S_{\mathrm{nbr}}\right|=M$

为第i个邻居节点剩余能量，M为邻居节点数，

节点竞选等待时间为：

$t_{\mathrm{wait}}=\left\{\begin{array}{c}0,E_{\mathrm{residual}}\&GreaterEqual;{\stackrel{\&OverBar;}{E}}_{\mathrm{local}}\\ {\mathrm{\&alpha;t}}_c,\mathrm{else}\end{array}\right.$

t_c为一次迭代的固定时间，α为常系数，E_residual是节点剩余能量，

竞选阈值CH_prob为：

${\mathrm{CH}}_{\mathrm{prob}}=\max (C_{\mathrm{prob}}\&times;\frac{E_{\mathrm{residual}}}{E_0},p_{\min })$

E₀是初始能量，p_min是常数，p_min＝10^-4，

簇内代价为：

$\mathrm{EWNC}=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({E_i}_{\mathrm{local}}/E_{\mathrm{CH}}\&times;\mathrm{dist}(\mathrm{CH},s_i))}{M}$

E_CH为簇头的剩余能量，为第i个邻居节点的本地平均能量，dist(CH,s_i)是簇头到第i个邻居节点的距离。

3、采用GG邻近图算法形成多跳路由转发，采用以下三个步骤从节点node_j的邻居节点中选则下一跳中继节点：

第一步：选择出作为下一跳中继节点的次数不超过2次的邻居节点node_q，

第二步：节点node_j从符合第一步的邻居节点里，选出dist(CH_i,node_q)²+dist(node_q,node_j)²最小的邻居节点，

第三步：节点node_j从符合第二步的邻居节点里，选出剩余能量最高的邻居节点作为下一跳中继节点；

如果节点node_j的邻居节点中没有选择出下一跳中继节点则选择单跳方式生成路由。

4、节点广播成为试探簇头的消息的内容格式为：节点编号NodeID，试探簇头标志tentative_CH，簇内代价EWNC，节点广播竞选簇头成功消息的内容格式为：节点编号NodeID，试探簇头标志final_CH，簇内代价EWNC。

本发明的有益效果是：

1、对于无线传感器网络能量的均衡性好。2、可以延长无线传感器网络的生存时间。3、技术复杂度低、易实现。4、对不同规模网络的适应性强。节点按照离基站的远近被预先部署在不同宽度的监测区域内，平衡不同距离上节点的能耗；簇内利用GG模型算法将簇成员分成近亲成员节点和远亲成员节点，远亲节点到簇头的路由设计成多跳；簇间利用网络的层级区域架构设计成多根树形式的多路径，簇间同样利用GG算法形成多跳路由；簇头的选取采用多种参数的不同级控制从而得到理想的簇头集。

附图说明：

图1为本发明方法的成簇模型图。

图2为本发明簇间路由的流程图。

图3为本发明使用的GG模型图。

具体实施方式

下面结合附图对本发明做进一步说明。

一种错误容忍和能量高效的多路径路由协议，涉及无线传感器网络中分簇结构簇头的选取和路由路径的优化两个方面。使用等待时延的不等优先级的方法选取网络簇头，之后通过网络非均匀区域的部署架构设计了簇内多跳路由和簇间多根树形式的多径路由，使用多种分步组合参数取得理想簇头集，使簇头分布均衡；使用GG图论模型对网络中与基站通信的路由进行路径优化。该方法很好地解决了无线传感器网络中距“热点”问题，可以降低网络进行通信的能耗，提高网络工作的可靠性，延长网络的生存时间。

(1)节点部署：设整个网络记作：S，其大小N＝|S|，N在个节点中选择出m个簇头节点，其能完全覆盖整个网络节点。每个普通节点g_i∈S-CH,1≤i≤(N-m),CH为簇头集，都能被一个簇头节点c_j，c_j∈CH,1≤j≤m＝|CH|覆盖。每个节点按照等概率被部署到k个不同大小的带状区域(Target monitoring area)：

$A_i\&Element;\mathrm{TMA},\mathrm{Are}{a}_{A_i}\&le;{{\mathrm{Area}}_A}_{j}1\&le;i\&le;j\&le;k,{\mathrm{Area}}_{\mathrm{TMA}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{{\mathrm{Area}}_A}_i=W\&times;L---\left(1\right)$

其中，被部署到不同带状区域的节点具有不同的簇内通信范围(簇内竞选半径，对应以一个相应的离散发射功率)，即令a_j∈A_i,1≤j≤|A_i|,|A_i|为A_i区域内的节点总数，a_j的簇内竞选半径为区域A_i内节点的簇内竞选半径。，这里简记为r_i，按如下公式计算获得：

$\left\{\begin{array}{c}{D}_1={2r}_1\&times;L\&times;\mathrm{\&rho;}\&times;v\\ D_2={2r}_2\&times;L\&times;\mathrm{\&rho;}\&times;v\\ .\\ .\\ .\\ D_n={2r}_n\&times;L\&times;\mathrm{\&rho;}\&times;v\end{array}\right.---\left(2\right)$

其中，设网络总的发向基站的数据包的数量为D个，平均每个节点的数据量为v＝^D/_N，D_i,1≤i≤n为第i区域的产生的数据量。因为簇间转发采用区域间转发，所以有：

$\left\{\begin{array}{c}{D}_1^{\&prime;}=\mathrm{\&eta;}(D_1+D_2+...+D_n)\\ D_2^{\&prime;}=\mathrm{\&eta;}(D_2+D_3+...+D_n)\\ .\\ .\\ .\\ D_n^{\&prime;}={\mathrm{\&eta;D}}_n\end{array}\right.---\left(3\right)$

其中，η为网络簇头的融合系数，D_l′,1≤l≤n为第l区域簇头集转发的数据量，为以第l区域簇头集作为中转区域的第l_i区域的数据量。则各个区域的半径求取公式如下：

$\left\{\begin{array}{c}{E}_1=[\frac{(D_1^{\&prime;}-D_1)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_1^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_1+d_{\min })]\\ E_2=[\frac{(D_2^{\&prime;}-D_2)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_2^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_2+r_1)]\\ E_3=[\frac{(D_3^{\&prime;}-D_3)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_3^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_3+r_2)]\\ .\\ .\\ .\\ E_n=[\frac{(D_n^{\&prime;}-D_n)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_n^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_n+r_{n-1})]\\ \frac{E_1}{h_1}=\frac{E_2}{h_2}=...=\frac{E_n}{h_n}\\ w=2(r_1+r_2+...r_n)\end{array}\right.---\left(4\right)$

其中，h_i,1≤i≤n为第i区域分配的期望簇头数的上限E_i,1≤i≤n为第i区域簇头集转发数据消耗的能量，为第一区域簇头集到基站的平均距离，为第i区域簇头集到中转区域u的平均距离。其中能耗按如下一阶模型计算：

设两节点间的距离为d，单位时间内两节点间发送k bit数据，则能耗计算公式如下：

发送能耗：

$E_{\mathrm{Tx}}(k,d)=\left\{\begin{array}{c}{\mathrm{kE}}_{\mathrm{elec}}+{\mathrm{k\&epsiv;}}_{\mathrm{fs}}{d}^2,d<d_0\\ {\mathrm{kE}}_{\mathrm{elec}}+{\mathrm{k\&epsiv;}}_{\mathrm{amp}}{d}^4,d>d_0\end{array}\right.---\left(5\right)$

接收能耗：

E_Rx(k,d)＝E_Rx(k)＝k×E_elec (6)

其中阈值d₀：

$d_0=\sqrt{\frac{{\mathrm{\&epsiv;}}_{\mathrm{fs}}}{{\mathrm{\&epsiv;}}_{\mathrm{amp}}}}---\left(7\right)$

上式中：E_elec为节点处理能耗，ε_fs为一阶模型中自由空间天线损耗系数，ε_amp为一阶模型中衰落信道天线损耗系数。

(2)初始化阶段：首先要更新节点的邻居信息列表S_nbr，因为某些节点因为各种原因会在一段时间后失效或者暂时离开网络。这之后，节点要更新剩余能量E_residual，本地平均剩余能量节点竞选等待时间t_wait，还有竞选阈值CH_prob和簇内代价(EWNC)。初始化节点的S_CH列表。这里不需要广播簇内代价给邻居节点，因为在第二阶段竞选簇头是会广播的。

${\stackrel{\&OverBar;}{E}}_{\mathrm{local}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^M{E_i}_r}{M},\left|S_{\mathrm{nbr}}\right|=M---\left(8\right)$

其中，为节点i的剩余能量，M为邻居节点数。

$t_{\mathrm{wait}}=\left\{\begin{array}{c}0,E_{\mathrm{residual}}\&GreaterEqual;{\stackrel{\&OverBar;}{E}}_{\mathrm{local}}\\ {\mathrm{\&alpha;t}}_c,\mathrm{else}\end{array}\right.---\left(9\right)$

其中，t_c为IHEED簇头选取算法第二阶段一次迭代的固定时间，α为常系数。

${\mathrm{CH}}_{\mathrm{prob}}=\max (C_{\mathrm{prob}}\&times;\frac{E_{\mathrm{residual}}}{E_0},p_{\min })---\left(10\right)$

其中，E_residual是节点剩余能量，E₀是初始能量，p_min是常数，p_min＝10^-4保证节点在能量剩余1％时仍在继续工作，直到低于1％初始能量。

$\mathrm{EWNC}=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({E_i}_{\mathrm{local}}/E_{\mathrm{CH}}\&times;\mathrm{dist}(\mathrm{CH},s_i))}{M}---\left(12\right)$

其中，E_CH为簇头的剩余能量，为第i个邻居节点本地平均能量，dist(CH,s_i)是簇头到第i个邻居节点的距离。

(3)迭代阶段：每个节点首先等待t_wait时间，然后才能进入竞选环节。在迭代环节为了减少竞争消息开销，每个节点有一个试探簇头S_CH列表，用于记录收到的竞选信息。当节点进入了这个环节且未收到邻居节点的试探簇头竞选消息时，以一定概率T_r,T_r≤CH_prob,宣布自己成为试探簇头，并广播消息，消息的内容格式为：NodeID节点编号，tentative_CH试探簇头标志，EWNC簇内代价。所有的节点竞选簇头节点后，当节点迭代变量CH_previous＝1且自己的簇内代价最小，簇内代价最小的节点指的是将所有节点的簇内代价相比较具有最小值的节点，广播竞选最终簇头成功消息，消息的内容格式为：NodeID节点编号，final_CH试探簇头标志，EWNC簇内代价。在这个环节里各个节点的收发机都是打开的，当节点收到试探簇头消息或者竞选成功消息都将信息记录到节点自己的一个S_CH列表里。

(4)最终状态确认阶段：在这个阶段节点要确定自己的最终状态，若节点的状态State＝is_final_CH,则它要选择出一个备选的副簇头节点，并且要等待其他普通节点加入，之后要把副簇头节点信息进行簇内广播。若节点的状态不是is_final_CH，则普通节点加入簇。

(5)副簇头选择策略：最终簇头从自己的簇头记录列表S_CH里选出EWNC次低的邻居节点作为副簇头，若存在多个EWNC次低的节点则选其中一个剩余能量最高的。

(6)普通节点加入簇头的策略：当普通节点的邻居范围内只有一个簇头选择时，把这种普通节点称为近亲成员节点,Close relatives members，直接加入邻居簇头；当节点的邻居范围内具有多个簇头时，把这种普通节点称为远亲成员节点，Distant relatives members，按簇间簇头负载的均衡来让节点选择合适一个簇头加入。具体加入步骤如下：

1)远亲成员节点先等待近亲成员节点加入簇；

2)簇头c_j统计近亲成员数num＝|{c_j.crm,s_i,s_i∈c_j.crm}|，c_j.crm为簇头c_j的近亲成员节点列表，并计算出近亲负载矩close_Load_torques,并进行广播；

$\mathrm{close}\_{\mathrm{Load}}_{\mathrm{torques}}=\mathrm{num}\&times;{{\mathrm{EWNC}}_c}_j---\left(12\right)$

3)远亲节点接到加入邀请后，将所有的簇头的近亲负载矩相比较，选择出具有最小值的近亲负载矩所对应的簇头，加入近亲负载矩最小的簇头。

(7)簇内路由和簇间路由的具体步骤如下：

1)针对簇头的近亲节点：由于近亲节点离簇头距离较近，专属一个簇头，通信干扰受限，所以直接采用单跳路由。

2)针对簇头的远亲节点：由于其远离簇头，通信距离较远，通信半径干扰较大，所以采用GG邻近图算法形成多跳路由转发。

3)簇间路由的策略：当簇拓扑建立完毕后，所有的簇头节点开始准备形成簇间路由。从离基站近的带状监测区域A₁开始，各层的簇头节点和下一层的簇头节点交换消息，例如A_i和A_j,j＝i+1之间交换消息使的A_j区域的簇头节点在A_i区域获得下一跳路由，i≤j,1＜i＜j＜k。具体原则如下：

4)区域A₁的簇头节点的下一跳路由是基站；

5)其他区域的簇头节点利用区域间的簇头交换消息获得两个下一跳路由节点；

6)簇间中继节点的选择策略：采用GG邻近图算法形成多跳路由转发。

使用分簇算法是基于HEED算法的错误容忍和多路径优化算法，实现了网络能量消耗的均衡和有效降低，延长了整个网络的生存时间。

首先整个网络系统满足如下条件：

(1)传感器节点是固定的，传感器节点部署后位置保持不变，基站位于监测区域外且只有一个；

(2)节点是同构的，节点之间通信链路可以不对称，节点具有功率控制单元，可以进行多个离散功率级调节；

(3)所有的节点具有相同的信息采集能力，处理能力，具有融合功能，所有的节点同等重要，所以网络拓扑结构和路由算法设计要尽量延长每个节点的生存时间；

(4)网络的应用场景是周期性的数据采集，每一轮每个传感器节点发送若干个数据分组；

(5)节点不需要具有位置感知能力，或不需要GPS装备，节点间的距离可通过收发功率信号感知；

(6)不要求所有的节点具有可以与基站直接通信的能力，但是离基站近的节点具有与基站直接通信的能力；对网络的节点分布和节点密度不做要求。

如图1所示，本发明包括基站1、外网中继2、用户3、Internet外网4、普通节点5、簇间路由中继6、备用簇头节点7、簇头8、簇内多跳路由9、簇间多路径分支10。

网络节点满足以下的能量模型：

在无线传感器网络中一般都采用一阶无线通信能量模型。在这个模型中，能耗主要有两个部分：由功放产生的能耗和由电子电路产生的能耗。在无线传感器网络中，发送数据传感器由无线发送装置和放大器两部分产生能耗；接收信号的传感器只有接收装置产生能耗。在无线通信中，信号传输的距离不同，其能量衰减形式也不同，因此可以根据衰减的形式把功放分为自由空间模型和多路径衰减模型两种。

传感器传输和接收数据时电子电路单位数据上所消耗的能量为E_Tx＝E_Rx＝e_elec＝5×10^-8。自由空间下，传感器发射数量所消耗的能量系数为ε_fs＝1×10^-11J/(bit*m^-2)，多径衰落下，传感器发射能量的能耗系数为ε_mp＝1.3×10^-15J/(bit*m^-4)。节点进行单位数据融合的能耗为e_Da＝5×10^-9。

设置网络的规模为100*100平方米的区域内，把基站放在网络的(50,175)位置上。在网络范围内中随机放置200个无线传感器节点，每个节点初始带有0.2J能量。

网络部署好后，各个节点独立开始按照分布式算法开始簇的建立流程。节点先计算初始化参数，然后与邻居节点进入竞选簇头的第二阶段，确定节点自身是否应该当选簇头。之后等待一段时间t_wait，当收到所有的邻居节点的第二阶段完事广播消息。节点进入第三阶段，确定自己的身份：普通节点，簇头节点，备用副簇头节点，中继节点。

当所有的邻居节点在状态明确后，进入路由形成阶段，形成算法如流程图2所示：首先区域A_i的簇头开始向下一个区域A_i+1开始广播簇头信息。两个区域间的簇头采用三次握手通信规约完成信息的交换。等待簇头收集完毕所以的邻区域簇头广播消息。簇头进入簇间路由多根树的建立阶段。建立原则采用如下的方式：

节点按照说明书附图3所示的GG模型从它的邻居节点中选出中继节点node_q：第一原则，若簇内节点node_q作为中继次数不超过2次，则允许簇头node_j选择自己作为中继节点；第二原则，节点node_j从符合第一原则的节点里，选出dist(CH_i,node_q)²+dist(node_q,node_j)²最小的候选节点；第三原则，符合第二原则节点有多个时，从他们中选出一个剩余能量最高的。若不存在node_q或者没有符合条件的则选择单跳方式。

经过以上步骤，网络的分簇拓扑和路由建立完成，得到网络具有很好的规模适应性，可以在能量制约的网络中工作良好。簇头的选取所需的时延是固定的，分簇和分区域的架构易于形成简单的簇内簇间路由算法，网络采用多种参数和多种方式取得理想的簇头集，采用非概率的等待时延和“受限竞选”大大提高簇头选取的效率，使得到的簇头集稳定性很好，并且稳定的簇分布利于信道资源的分配和管理。簇内和簇间均采用GG模型获得简单的能量高效的多跳路由。大大提高了能效性和可靠性。

Claims (9)

1.无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：包括以下几个步骤，

步骤一：进行节点部署，整个网络记做S，网络节点数N＝|S|，在N个节点中选择出m个簇头节点，每个普通节点g_i∈S-CH,1≤i≤(N-m)都能被一个簇头节点c_j覆盖,CH为簇头集，c_j∈CH,1≤j≤m＝|CH|，每个节点按照等概率被部署到k个不同大小的带状区域A_i内，

$A_i\&Element;\mathrm{TMA},\mathrm{Are}{a}_{A_i}\&le;{{\mathrm{Area}}_A}_{j}1\&le;i\&le;j\&le;k,{\mathrm{Area}}_{\mathrm{TMA}}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{{\mathrm{Area}}_A}_i=W\&times;L$

为带状区域A_i的面积，W为网络的径向长度，L为网络的径向宽度，TMA为总的带状区域，

带状区域A_i内的节点为a_j∈A_i,1≤j≤|A_i|,|A_i|为带状区域A_i内的节点总数，a_j的簇内竞选半径为带状区域A_i的竞选半径；

步骤二：更新节点的邻居节点信息列表S_nbr、剩余能量E_residual、本地平均剩余能量节点竞选等待时间t_wait、竞选阈值CH_prob和簇内代价EWNC；

步骤三：每个节点等待时间t_wait后，竞选簇头节点；每个节点有一个用于存储节点收到的其他节点的试探簇头消息和竞选簇头成功消息的簇头列表S_CH，当节点未收到邻居节点的试探簇头竞选消息时，节点以概率T_r广播成为试探簇头的消息，T_r≤CH_prob，所有的节点竞选簇头节点后，簇内代价最小的节点成为簇头节点并同时广播竞选簇头成功消息，从簇头节点的簇头列表S_CH中选出EWNC次低并且剩余能量最高的邻居节点作为副簇头节点；

步骤四：普通节点包括近亲成员节点和远亲成员节点，普通节点按照如下步骤选取并加入簇头：

4.1近亲成员节点直接加入邻居簇头；

4.2统计簇头节点c_j的近亲成员节点数num＝|{c_j.crm,s_i,s_i∈c_j.crm}|，c_j.crm为簇头c_j的近亲成员节点列表，计算并广播簇头c_j近亲负载矩close_Load_torques；

$\mathrm{close}\_{\mathrm{Load}}_{\mathrm{torques}}=\mathrm{num}\&times;{{\mathrm{EWNC}}_c}_j$

4.3远亲成员节点接收到簇头节点c_j的广播后，加入近亲负载矩最小的簇头；

步骤五：建立簇内路由；

对于簇头节点的近亲成员节点，建立单跳路由，对于簇头节点的远亲成员节点，采用GG邻近图算法形成多跳路由转发；

步骤六：建立簇间路由；

带状区域A_i内的簇头和下一带状区域A_i+1内的簇头进行消息交换，从带状区域A₁开始，每个带状区域的簇头节点和下一带状区域的簇头节点交换消息，获得带状区域A_i内的簇头节点在下一带状区域A_i+1的下一跳中继节点，利用GG邻近图算法形成多跳路由转发。

2.根据权利要求1所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的带状区域A_i的竞选半径记为r_i，带状区域A_i产生的数据量D_i为：

$\left\{\begin{array}{c}{D}_1={2r}_1\&times;L\&times;\mathrm{\&rho;}\&times;v\\ D_2={2r}_2\&times;L\&times;\mathrm{\&rho;}\&times;v\\ .\\ .\\ .\\ D_n={2r}_n\&times;L\&times;\mathrm{\&rho;}\&times;v\end{array}\right.$

网络总的发向基站的数据包的数量为D个，平均每个节点的数据量v=^D/_N，L为网络的径向宽度，ρ为网络节点分布密度，

带状区域A_i内的簇头集转发的数据量D_i′为：

$\left\{\begin{array}{c}{D}_1^{\&prime;}=\mathrm{\&eta;}(D_1+D_2+...+D_n)\\ D_2^{\&prime;}=\mathrm{\&eta;}(D_2+D_3+...+D_n)\\ .\\ .\\ .\\ D_n^{\&prime;}={\mathrm{\&eta;D}}_n\end{array}\right.$

η为网络簇头的融合系数，

带状区域A_i内的簇头集转发数据消耗的能量E_i为：

$\left\{\begin{array}{c}{E}_1=[\frac{(D_1^{\&prime;}-D_1)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_1^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_1+d_{\min })]\\ E_2=[\frac{(D_2^{\&prime;}-D_2)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_2^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_2+r_1)]\\ E_3=[\frac{(D_3^{\&prime;}-D_3)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_3^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_3+r_2)]\\ .\\ .\\ .\\ E_n=[\frac{(D_n^{\&prime;}-D_n)}{k}{E}_{\mathrm{Rx}}\left(k\right)+\frac{D_n^{\&prime;}}{k}{E}_{\mathrm{Tx}}(k,r_n+r_{n-1})]\\ \frac{E_1}{h_1}=\frac{E_2}{h_2}=...=\frac{E_n}{h_n}\\ w=2(r_1+r_2+...r_n)\end{array}\right.$

h_i为带状区域Ai分配的期望簇头节点数的上限，E_i为带状区域A_i簇头集转发数据消耗的能量，为第一区域簇头集到基站的平均距离，为带状区域A_i簇头集到中转区域u的平均距离，两节点间的距离为d，单位时间内两节点间发送k bit数据，

节点发送能耗：

$E_{\mathrm{Tx}}(k,d)=\left\{\begin{array}{c}{\mathrm{kE}}_{\mathrm{elec}}+{\mathrm{k\&epsiv;}}_{\mathrm{fs}}{d}^2,d<d_0\\ {\mathrm{kE}}_{\mathrm{elec}}+{\mathrm{k\&epsiv;}}_{\mathrm{amp}}{d}^4,d>d_0\end{array}\right.$

节点接收能耗：

E_Rx(k,d)＝E_Rx(k)＝k×E_elec

阈值d₀为：

$d_0=\sqrt{\frac{{\mathrm{\&epsiv;}}_{\mathrm{fs}}}{{\mathrm{\&epsiv;}}_{\mathrm{amp}}}}$

E_elec为节点处理能耗，ε_fs为自由空间天线损耗系数，ε_amp为衰落信道天线损耗系数。

3.根据权利要求1或2所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的本地平均剩余能量为：

${\stackrel{\&OverBar;}{E}}_{\mathrm{local}}=\frac{{\mathrm{\&Sigma;}}_{i=1}^M{E_i}_r}{M},\left|S_{\mathrm{nbr}}\right|=M$

为第i个邻居节点剩余能量，M为邻居节点数，

节点竞选等待时间为：

$t_{\mathrm{wait}}=\left\{\begin{array}{c}0,E_{\mathrm{residual}}\&GreaterEqual;{\stackrel{\&OverBar;}{E}}_{\mathrm{local}}\\ {\mathrm{\&alpha;t}}_c,\mathrm{else}\end{array}\right.$

t_c为一次迭代的固定时间，α为常系数，E_residual是节点剩余能量，

竞选阈值CH_prob为：

${\mathrm{CH}}_{\mathrm{prob}}=\max (C_{\mathrm{prob}}\&times;\frac{E_{\mathrm{residual}}}{E_0},p_{\min })$

E₀是初始能量，p_min是常数，p_min＝10^-4，

簇内代价为：

$\mathrm{EWNC}=\frac{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}({E_i}_{\mathrm{local}}/E_{\mathrm{CH}}\&times;\mathrm{dist}(\mathrm{CH},s_i))}{M}$

E_CH为簇头的剩余能量，为第i个邻居节点的本地平均能量，dist(CH,s_i)是簇头到第i个邻居节点的距离。

4.根据权利要求1或2所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的采用GG邻近图算法形成多跳路由转发，采用以下三个步骤从节点node_j的邻居节点中选则下一跳中继节点：

第一步：选择出作为下一跳中继节点的次数不超过2次的邻居节点node_q，

第二步：节点node_j从符合第一步的邻居节点里，选出dist(CH_i,node_q)²+dist(node_q,node_j)²最小的邻居节点，

第三步：节点node_j从符合第二步的邻居节点里，选出剩余能量最高的邻居节点作为下一跳中继节点；

如果节点node_j的邻居节点中没有选择出下一跳中继节点则选择单跳方式生成路由。

5.根据权利要求3所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的采用GG邻近图算法形成多跳路由转发，采用以下三个步骤从节点node_j的邻居节点中选则下一跳中继节点：

第一步：选择出作为下一跳中继节点的次数不超过2次的邻居节点node_q，

第二步：节点node_j从符合第一步的邻居节点里，选出dist(CH_i,node_q)²+dist(node_q,node_j)²最小的邻居节点，

第三步：节点node_j从符合第二步的邻居节点里，选出剩余能量最高的邻居节点作为下一跳中继节点；

如果节点node_j的邻居节点中没有选择出下一跳中继节点则选择单跳方式生成路由。

6.根据权利要求1或2所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的节点广播成为试探簇头的消息的内容格式为：节点编号NodeID，试探簇头标志tentative_CH，簇内代价EWNC，节点广播竞选簇头成功消息的内容格式为：节点编号NodeID，试探簇头标志final_CH，簇内代价EWNC。

7.根据权利要求3所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的节点广播成为试探簇头的消息的内容格式为：节点编号NodeID，试探簇头标志tentative_CH，簇内代价EWNC，节点广播竞选簇头成功消息的内容格式为：节点编号NodeID，试探簇头标志final_CH，簇内代价EWNC。

8.根据权利要求4所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的节点广播成为试探簇头的消息的内容格式为：节点编号NodeID，试探簇头标志tentative_CH，簇内代价EWNC，节点广播竞选簇头成功消息的内容格式为：节点编号NodeID，试探簇头标志final_CH，簇内代价EWNC。

9.根据权利要求5所述的无线传感器网络中基于HEED算法的错误容忍和多路径优化方法，其特征在于：所述的节点广播成为试探簇头的消息的内容格式为：节点编号NodeID，试探簇头标志tentative_CH，簇内代价EWNC，节点广播竞选簇头成功消息的内容格式为：节点编号NodeID，试探簇头标志final_CH，簇内代价EWNC。