CN106550422B - 一种基于和声搜索算法的无线传感器网络分簇路由方法 - Google Patents

Abstract

本发明公开了一种基于和声搜索算法的无线传感器网络分簇路由方法，包括：(1)全局信息的传递和汇聚，获得全局信息，并将其传递到汇聚节点；(2)汇聚节点通过全局信息对整个传感器网络进行网络分簇路由的优化计算与配置；(3)普通传感器节点监测采集和处理应用信息，将其处理成数据包，转发到簇头节点，簇头节点进行数据融合，并向下一跳簇头节点发送数据包；(4)下一跳簇头节点接收到数据包后，将自身剩余能量信息加入到数据包中，并按照数据包中的最优路由，继续向下一跳簇头节点转发数据包。本发明的方法解决了无线传感器网络成员节点分配不合理簇头节点能耗不均匀等问题，提高了网络能效，延长了网络生命周期。

Description

一种基于和声搜索算法的无线传感器网络分簇路由方法

技术领域

本发明属于无线传感器网络拓扑控制领域，具体涉及一种基于和声搜索算法的无线传感器网络的分簇路由方法。

背景技术

无线传感器网络是下一代网络中的关键技术之一，也是21世纪最重要的新兴技术之一，已经广泛运用于军事领域以及经济和生活领域，以实现物理世界与人类社会的互连。

在无线传感器网络的应用场景中，通常有少则几十，多则成千上百个传感器节点布置在感知区域，这些传感器节点体积小，通常采用电池供电，传感器节点在有些场景中不可更换电池，因此，能量的高效利用对延长整个网络的生命周期至关重要。拓扑控制和路由算法是提高无线传感器网络能效，延长网络生命周期的两大关键技术。在层次型拓扑结构中，簇内节点(成员节点)负责数据采集，并将数据发送给所在簇的簇头节点，簇头节点负责数据融合以及将数据发送到基站，这样可以减少数据冗余，并减少数据通信量，从而延长网络的生命周期；好的能效路由算法可以保证数据沿着优化的路径转发，均衡整个网络的能耗，从而延长网络的生命周期。

在很多的层次型无线传感器网络应用中，簇头节点是从普通的传感器节点中选择，因此，这些簇头节点会因为频繁的数据接收、数据融合以及与基站通信而很快地将能量消耗完毕，从而减少整个网络的生命周期。目前，很多研究者采用一种特殊的节点(网关)作为簇头，如图1中的簇头节点所示，这些节点具有比普通传感器节点更多的能量，普通传感器节点可以加入任何一个在它通信范围内的簇头。这些网关一旦布置在场景中后，只有它们才能作为簇头，其它普通传感器节点不能成为簇头。如果某个簇内的普通传感器节点(成员节点)过多，则簇头节点的能量容易耗尽；如果成员节点离簇头节点太远，则成员节点容易因为长距离发送数据而很快将能量耗尽，这两种情况对整个网络的生命周期影响都很大。因此，即考虑簇头节点的能耗又考虑成员节点的能耗的拓扑控制算法对于整个网络生命周期显得特别关键。

EELBCA(Energy Efficient Load-Balanced Clustering Algorithm)是一种能量有效的负载均衡分簇方法，该方法在计算分簇阶段，建立了一个包含各簇头节点的最小堆，各簇头节点在该最小堆中按照成员节点数量从小到大的顺序排列，即最小堆的根节点为成员节点数量最少的簇头。当还存在未分配簇头的普通传感器节点时，从未分配簇头的普通传感器节点集合中选取离最小堆的根节点最近的节点，并把该节点分配到最小堆的根节点所在的簇，然后重新调整最小堆，使拥有最少成员节点数量的簇头成为最小堆的根节点，以此下去，使所有普通传感器节点完成分簇。该算法能够有效平衡整个网络的负载，并延长整个网络的生存时间。但是，该算法没有考虑簇头节点和成员节点的能耗，拥有较少能量的簇头节点容易较快耗尽能量而缩短整个网络的生命周期。

为此，2014年，出现了一种基于差分进化算法的分簇方法，即DECA(Differentialevolution based clustering algorithm)。DECA是一种基于差分进化算法的无线传感器网络分簇算法，该算法既考虑了簇头节点的能耗，也考虑了成员节点的能耗，可以有效延长整个网络的生存时间。但是，在该算法中，簇头节点是直接与基站通信，这会加快簇头能量的消耗，并且不适应于大规模无线传感器网路。

发明内容

本发明提出了一种基于和声搜索算法的无线传感器网络分簇路由方法，其基于改进的和声搜索算法进行无线传感网络分簇计算，得到各节点的分簇信息，建立了既考虑簇头节点剩余能量，又考虑普通传感器节点能耗的适应度函数，解决了无线传感器网络成员节点分配不合理，簇头节点能耗不均匀等问题，从而平衡无线传感器网络的能量消耗，有效提高网络能效，延长网络生命周期。

为实现上述目的，按照本发明，提供一种基于和声搜索算法的高能效无线传感器网络分簇路由方法，包括如下步骤：

(1)全局信息的传递和汇聚，具体为：

普通传感器节点收到第一个簇头广播后进行延时，延时结束后普通传感器节点向初始化簇头发送自身所有邻居簇头信息和距离信息，簇头节点将普通传感器所发送的信息、自身条数信息和邻居簇头信息进行数据融合，获得全局信息，并将全局信息传递到汇聚节点；

(2)汇聚节点通过所述全局信息，对整个传感器网络进行网络分簇路由的优化计算与配置，具体为：

分簇优化计算，得到整个传感器网络的最优分簇方案；

路由计算，得到每个簇头节点的最优转发路径，从而获得所有簇头节点到汇聚节点的最优路由方案；

汇聚节点使用上述最优路由方案向所有簇头节点发送最优转发路径信息，所有簇头节点收到最优转发路径后将其保存在路由表中；

汇聚节点根据上述最优分簇方案向所有簇头节点发送分簇信息，簇头节点收到并保存分簇信息，并向对应的普通传感器节点发送请求加入簇信息，普通传感器节点收到请求加入簇信息后，保存该簇头信息，加入到分簇当中；

(3)普通传感器节点监测采集和处理应用信息，将其处理成数据包，并将自身的剩余能量信息加入数据包中，然后根据自身保存的簇头节点信息，将上述数据包转发到簇头节点，所述簇头节点进行数据融合，并将自身的剩余能量信息和自身最优路由加入到数据包中，根据路由表中保存的最优路由，向下一跳簇头节点发送数据包；

(4)下一跳簇头节点接收到所述数据包后，将自身剩余能量信息加入到数据包中，并按照数据包中的最优路由，继续向下一跳簇头节点转发数据包，直到将数据包传送到汇聚节点为止。

作为本发明的进一步优选，所述步骤(2)中的全局信息可根据所述数据包中所有传感器节点的剩余能量信息进行周期更新，从而可实现传感器网络分簇路由的动态更新。

作为本发明的进一步优选，进行全局信息汇聚前，还包括将簇头以及普通传感器节点进行信息初始化，建立起所有簇头节点到汇聚节点的初始化路径，所述全局信息通过初始化路径传递到汇聚节点。

作为本发明的进一步优选，所述普通传感器节点收到第一个簇头广播后进行延时过程中，在没有延时结束之前，收到任何一个簇头广播则重置延时。

作为本发明的进一步优选，所述分簇优化计算得到整个传感器网络的最优分簇方案具体为：基站根据适应度函数f，运用改进的和声搜索算法计算最优解，其中最优解即最优和声中的各音调代表各普通传感器节点所属簇的簇头节点，从而得到整个传感器网络的最优分簇方案。

作为本发明的进一步优选，所述分簇优化计算中，改进的和声搜索算法具体为：

(01)设置和声搜索算法参数，并对和声记忆库HM中的每个和声初始化；

其中所述和声算法参数包括和声记忆库大小HMS，最大迭代次数iter_max，最大选择概率HMCR_max和最小选择概率HMCR_min；

(02)使用公式适应度函数f＝ω₁f₁+ω₂f₂，计算和声记忆库HM中所有和声的适应度，得到和声记忆库中每条和声的适应度F＝{fit₁,fit₂,…,fit_i,…,fit_HMS}；

其中，fit_i为第i个和声的适应度，ω₁、ω₂分别为f₁和f₂的权重系数；

f₁表示各簇头节点生命期的标准差：m为簇头节点数量，L(g_i)表示簇头节点g_i的生命期，μ_L为所有簇头节点生命期的均值，E_r(g_i)是簇头节点g_i的剩余能量，E_c(g_i)是簇头节点g_i在单轮数据发送过程中消耗的能量，E_c(g_i)＝n_i×E_Rx+n_i×E_DA+E_Tx，n_i表示簇头节点g_i的成员节点数量，E_Rx表示簇头节点g_i接收普通传感器节点数据消耗的能量，E_Rx(k)＝E_elec*k，k为接收数据量大小(接收数据比特数)，E_DA表示簇头节点g_i融合各普通传感器节点发送来的数据所消耗的能量，E_Tx表示簇头节点发送数据到它的初始下一跳节点所消耗的能量，d为两个簇头节点之间的距离，d₀为所述距离的门阀值，k为传输数据量大小(传输数据比特数)，E_elec表示传感器节点中接收和传送电路工作时所消耗的能量，ε_fs和ε_mp分别为自由空间损耗模型和多径衰落信道模型中，传感器节点中传送放大器工作时所消耗的能量；

f₂表示所有普通传感器节点到其簇头节点距离的均值和方差：n为普通传感器节点的数量，D(s_i)表示普通传感器节点s_i到其簇头节点的距离，μ_D为普通传感器节点到其簇头节点距离的均值，

(03)设置迭代次数iter＝1；

(04)生成候选和声X'＝(x₁',x'₂,…,x_i',…,x'_n)；

(05)使用公式f＝ω₁f₁+ω₂f₂计算候选和声的适应度fit'；

(06)将iter+1赋值给iter；

(07)找到和声记忆库中适应度最差的和声X_min，得到其适应度为fit_min，若fit'优于fit_min，则转步骤(08)，否则，转步骤(09)；

(08)将和声记忆库中适应度最差的和声X_min替代成候选合和声X'；

(09)若iter不大于最大迭代次数iter_max，则转步骤(010)，否则转步骤(016)；

(010)找到和声记忆库中适应度最优的和声X_max，对该和声进行邻域搜索，生成新和声X”＝(x₁”,x₂”,…,x_i”,…,x_n”)：

(011)使用公式f＝ω₁f₁+ω₂f₂计算新和声X”的适应度fit”；

(012)将iter+1赋值给iter；

(013)若新和声X”适应度优于最优和声，则转步骤(014)；否则转步骤(015)；

(014)将和声记忆库中的最优和声X_max替换成新和声X”；

(015)若iter不大于最大迭代次数iter_max，则转步骤(04)，否则转步骤(016)；

(016)选择和声记忆库中适应度最优的和声，作为当前最优分簇方案。

作为本发明的进一步优选，所述步骤(04)中生成生成候选和声具体为：

(041)利用下述公式计算本次迭代过程的HMCR(iter)，HMCR(iter)随着迭代次数的变化而变化：

(042)设置候选和声音调序号i＝1；

(043)生成0到1的随机数P，若P小于HMCR(iter)，在集合{x_1,i,x_2,i,…,x_HMS,i}中随机一个赋值给x_i'，转步骤(049)；若P不小于HMCR(iter)，转步骤(044)；

(044)通过全局信息，获得普通传感器节点s_i与通信范围内簇头节点集合中每个簇头的距离d(s_i,ng_*)，u_i为普通传感器节点s_i的通信范围内的簇头节点数量，并得到MaxDist和MinDist，即普通传感器节点s_i通信范围内的簇头节点与普通传感器节点s_i距离的最大值和最小值；

(045)设置可通信簇头序号k＝1；

(046)通过下述公式，计算第k个簇头的选择概率：

其中MaxDist和MinDist分别为普通传感器节点s_i通信范围内的簇头节点与普通传感器节点s_i距离的最大值和最小值，d(s_i,ng_k)为普通传感器节点s_i到簇头节点ng_k的距离；

(047)生成0到1的随机数R，然后用R减去第k个簇头的选择概率，若差值小于0，则音调x_i'设置为CrGate(s_i)内第k簇头的序号，转步骤(049)；若差值不小于0，将k+1的值赋给k，转步骤(048)；

(048)计算第k个簇头的选择概率，将所述差值继续减去第k个簇头的选择概率，若差值小于0，则音调x_i'设置为CrGate(s_i)内第k簇头的序号，转步骤(049)；若差值不小于0，将k+1的值赋给k，转步骤(048)；

(049)将i+1赋值给i，若i不大于HMS，则转步骤(043)；否则完成对候选和声生成。

作为本发明的进一步优选，所述步骤(010)中进行和声进行邻域搜生成新和声的具体过程为：

(101)通过公式计算所有簇头节点的生命期，找到具有最小生命期的簇头节点g_ml：

(102)从簇头节点g_ml的簇Clu(g_ml)＝{s_*,…,s'_*|g_ml}(即加入簇头节点g_ml的普通传感器节点集合)中随机选取一个普通传感器节点s_r；

(103)从节点s_r通信范围内的簇头节点集合CrGate(s_r)中找到离普通传感器节点s_r最近的非g_ml簇头节点g_c；

(104)生成新和声X”＝(x₁”,x₂”,…,x_i”,…,x_n”)，将最优和声X_max复制到X”中；

(105)将g_c赋值给x_r”，即将普通传感器节点s_r加入簇头节点g_c，即完成对最优和声进行邻域搜索，生成新的和声。

作为本发明的进一步优选，所述步骤(01)中对和声记忆库HM＝[X₁,X₂,…,X_i',…,X_HMS]^T中的每个和声X_i'＝(x_i',1,x_i',2,…,x_i',j',…,x_i',n)初始化包括下述过程：

(11)设置和声序号变量i’＝1；

(12)设置音调序号变量j’＝1；

(13)通过全局信息，获得普通传感器节点s_i与通信范围内簇头节点集合CrGate(s_j')中每个簇头的距离d(s_j',ng_*)，并得到MaxDist和MinDist，即普通传感器节点s_j通信范围内的簇头节点与普通传感器节点s_j’距离的最大值和最小值；

(14)设置可通信簇头序号k’＝1；

(15)通过下述公式，计算第k个簇头的选择概率：

(16)生成0到1的随机数R，然后用R减去第k’个簇头的选择概率，若差值小于0，则音调x_i',j'设置为CrGate(s_j')内第k’簇头的序号，即普通传感器节点s_j'加入CrGate(s_j')内第k’簇头，转步骤(18)；若差值不小于0，将k’+1的值赋给k’，转步骤(17)；

(17)计算第k’个簇头的选择概率，将所述差值继续减去第k’个簇头的选择概率，若差值小于0，则音调x_i',j'设置为CrGate(s_j')内第k簇头的序号，即普通传感器节点S_j加入CrGate(s_j')内第k’簇头，转步骤(18)，音调x_i',j'被初始化为CrGate(s_j')中的一个簇头；若差值不小于0，将k’+1的值赋给k’，转步骤(17)；

(18)将j’+1赋值给j’，若j’不大于n，则转步骤(13)，否则转步骤(19)；

(19)将i’+1赋值给i’，若i’不大于HMS，则转步骤(12)，否则和声记忆库初始化过程完成。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1)本发明的方法在分簇优化中引入改进的和声搜索算法，并构建了合适的适应度函数。建立的适应度函数即考虑了簇头节点的剩余能量，又考虑了普通传感器节点的能耗，分簇算法通过此适应度函数求得的最优解能够尽量均衡簇头节点的能耗，同时降低普通传感器节点的能耗，从而延长整个网络的生存时间。

2)改进的和声搜索算法具有参数少，迭代规则简单，全局搜索能力强等特点，在生成候选和声阶段，取消和声搜索算法生产候选和声步骤中造成巨大计算量的音调调整步骤，并且实现对HMCR的动态调整，使其在迭代前期具有较好的全局搜索能力，避免陷入局部最优，在迭代后期加强其局部搜索能力。候选和声X'＝(x'₁,x'₂,…,x'_i,…,x'_n)中音调x'_i的生成公式其中参数HMCR设计公式为

3)本发明的方法引入领域搜索策略，可以延长最小生命期簇头节点的生命期，平衡传感器节点的能耗，延长整个网络的生命周期。每次迭代过程中，选择和声记忆库中的最优和声中剩余能量最少(最小生命期)的簇头，在其成员普通传感器节点集合中随机选择其成员传感器节点，使其加入到其他簇头节点中，其中被随机选出的成员节点会加入离它距离最近的非原簇头节点中，得到一个新的和声，计算该和声的适应度，若该和声优于原和声，则将原和声替代为该和声。

4)本发明的方法在簇间路由阶段，引入的路由算法能够有效平衡簇头节点在转发数据时的能量消耗，从而有利于进一步延长网络生命周期。

附图说明

图1层次型无线传感器网络示意图；

图2为本发明实施例流程示意图；

图3为本发明实施例中传递全局信息步骤的流程示意图；

图4为本发明实施例中分簇路由配置步骤的流程示意图；

图5为本发明实施例中计算最优分簇的流程示意图；

图6为本发明实施例简单示意图；

图7为本发明实施例中和声记忆库初始化的流程示意图；

图8为本发明实施例初始化过程中的某一分簇方案示意图；

图9为本发明实施例中生成候选和声的流程示意图；

图10为本发明实施例中生成的候选和声对应的分簇方案示意图；

图11为本发明实施例中参数HMCR的变化规律示意图；

图12为本发明实施例中最优和声邻域搜索的流程示意图；

图13为本发明实施例中邻域搜索实施示意图；

图14(a)为本发明实施例中随机生成的包括100个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(b)为本发明实施例中随机生成的包括200个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(c)为本发明实施例中随机生成的包括300个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(d)为本发明实施例中随机生成的包括400个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(e)为本发明实施例中随机生成的包括200个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(f)为本发明实施例中随机生成的包括300个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(g)为本发明实施例中随机生成的包括400个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(h)为本发明实施例中随机生成的包括500个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(200，100)的位置)的无线传感器网络；

图14(i)为本发明实施例中随机生成的包括100个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(j)为本发明实施例中随机生成的包括200个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(k)为本发明实施例中随机生成的包括300个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(l)为本发明实施例中随机生成的包括400个普通传感器节点和30个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(m)为本发明实施例中随机生成的包括200个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(n)为本发明实施例中随机生成的包括300个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(o)为本发明实施例中随机生成的包括400个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图14(p)为本发明实施例中随机生成的包括500个普通传感器节点和50个簇头节点(其中汇聚节点位于坐标为(100，100)的位置)的无线传感器网络；

图15(a)为本发明实验场景WSN#1实施例1到4中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的网络生命周期对比实验结果；

图15(b)为本发明实验场景WSN#1实施例5到8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的网络生命周期对比实验结果；

图15(c)为本发明实验场景WSN#2实施例1到4中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的网络生命周期对比实验结果；

图15(d)为本发明实验场景WSN#2实施例5到8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的网络生命周期对比实验结果；

图16(a)为本发明实验场景WSN#1实施例1到4中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的FGD与LGD的轮数间隔对比实验结果；

图16(b)为本发明实验场景WSN#1实施例5到8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的FGD与LGD的轮数间隔对比实验结果；

图16(c)为本发明实验场景WSN#2实施例1到4中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的FGD与LGD的轮数间隔对比实验结果；

图16(d)为本发明实验场景WSN#2实施例5到8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的FGD与LGD的轮数间隔对比实验结果；

图17(a)为本发明实验场景WSN#1实施例3中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的轮活动节点数量对比实验结果；

图17(b)为本发明实验场景WSN#2实施例3中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的轮活动节点数量对比实验结果；

图17(c)为本发明实验场景WSN#1实施例8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的轮活动节点数量对比实验结果；

图17(d)为本发明实验场景WSN#2实施例8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的轮活动节点数量对比实验结果；

图18(a)为本发明实验场景WSN#1实施例3中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的能量消耗对比实验结果；

图18(b)为本发明实验场景WSN#2实施例3中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的能量消耗对比实验结果；

图18(c)为本发明实验场景WSN#1实施例8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的能量消耗对比实验结果；

图18(d)为本发明实验场景WSN#2实施例8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的能量消耗对比实验结果；

图19(a)为本发明实验场景WSN#1实施例3中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的算法收敛性对比实验结果；

图19(b)为本发明实验场景WSN#2实施例3中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的算法收敛性对比实验结果；

图19(c)为本发明实验场景WSN#1实施例8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的算法收敛性对比实验结果；

图19(d)为本发明实验场景WSN#2实施例8中，本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇算法基于传统DE的分簇算法的算法收敛性对比实验结果；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为便于理解本发明，首先以下对本发明实施例中出现的有关术语进行统一说明和解释：

簇头节点：节点能量较多，且具有一定的计算能力的传感器节点；

普通传感器节点：只进行信息的采集和向簇头发送信息的节点，节点能量较小，且计算能力有较大限制；

分簇：将若干个普通传感器节点分配到某一个簇头节点形成簇，簇完成簇内的信息汇聚，并有簇头进行信息融合并将其发送到汇聚节点；

距离：传感器节点之间的欧式距离；

跳数：当前传感器节点发送数据包到汇聚节点需要经过的最少传感器节点数；

剩余能量：传感器节点(包括普通传感器节点和簇头节点)的电量剩余值；

全局信息：包括普通传感器节点的邻居簇头节点集合、普通传感器节点与簇头节点的距离、簇头节点之间的距离、各传感器节点(包括普通传感器节点和簇头节点)的现有能量以及簇头节点到汇聚节点的跳数；

并对以下符号进行定义：

S＝{s₁,s₂,…,s_i,…,s_n}：S表示普通传感器节点的集合，n为普通传感器节点的数量，s₁为第i个普通传感器节点；

G＝{g₁,g₂,…,g_i,…,g_m}：G表示簇头节点的集合，m为簇头节点的数量，g_i为第i个簇头节点；

HM＝[X₁,X₂,…,X_i,…,X_HMS]^T：HM为和声记忆库，X_i为第i个和声，HMS为和声记忆库的大小；

X_i＝(x_i,1,x_i,2,…,x_i,j,…,x_i,n)：X_i表示和声记忆库中第i个和声，n为和声的维度，其取值为普通传感器节点的数量，X_i,j为和声X_i的第j个音调，其值为传感器节点S_j所加入的簇头节点的序号，其取值范围为{1，m}；

d(s_i,g_j)：表示普通传感器节点s_i和簇头节点g_j之间的距离；

E_r(g_j)：表示簇头节点g_j的剩余能量；

表示普通传感器节点s_i的通信范围内簇头节点集合u_i为普通传感器节点s_i的通信范围内的簇头节点数量；

Clu(g_i)＝{s_j,…,s_k|g_i}：表示一个簇，该簇的簇头节点为g_i，簇的普通传感器节点成员为{s_j,…,s_k}；

f：表示分簇优化中的适应度函数；

P(s_i,ng_j)：表示普通传感器节点s_i选择加入簇头为ng_j的簇的选择概率函数；

MaxDist、MinDist：表示一个普通传感器节点通信范围内的簇头节点与该普通传感器节点距离的最大值和最小值；

HMCR：和声记忆库选择概率，HMCR_max和HMCR_min分别为HMCR的最大值和最小值；

Iter：表示和声搜索算法的迭代次数；

如图2所示，按照本发明实施例的一种基于和声搜索算法的高能效无线传感器网络分簇路由方法，包括传递全局信息步骤、分簇及路由配置步骤、发送数据包步骤、传递数据包步骤和更新全局信息及分簇路由动态更新步骤。

(1)传递全局信息步骤，如图3所示，具体包括：

a.唯一标识确定：对网络中包括汇聚节点、簇头节点和普通传感器节点的所有传感器节点进行编号，作为它们的唯一标识。

b.簇头信息初始化：将汇聚节点设置成与簇头节点相同的发送功率；汇聚节点在网络内向通信范围内的簇头节点广播路由消息，其中包括各簇头节点到汇聚节点的跳数(初始化为1)；收到广播路由消息的簇头节点，保存自身跳数信息和接收到的距离信息，并将该跳数加1，向自身通信范围内的簇头节点广播路有消息；每个簇头节点保存所有接收到的簇头节点发送的广播信息的距离信息，并以接收的最小跳数，作为自身跳数信息进行保存，且将传递该条广播信息的簇头节点设置为初始化父节点；

由上述步骤建立起所有簇头节点到汇聚节点的初始化路径；

c.普通传感器节点信息初始化：簇头节点向通讯范围内的普通节点广播簇头消息；普通节点保存所有收到的簇头消息，记录所有邻居簇头信息和距离信息，并将收到的第一个簇头消息的簇头设置为初始化簇头；

d.全局信息汇聚：普通传感器节点，收到第一个簇头广播后进行一定时长的延时，再没有延时结束之前，收到任何一个簇头广播，重置延时；当延时结束后，普通传感器节点向初始化簇头发送自身所有邻居簇头信息和距离信息。簇头节点，将普通传感器所发送的信息、自身条数信息和邻居簇头信息(包括簇头编号信息和距离信息)进行一定程度的数据融合(本发明不定义数据融合方式)，并将这些消息根据初始化路径传递到汇聚节点。

通过a～d步骤，完成全局信息的传递和汇聚。

(2)分簇路由配置步骤，汇聚节点通过上一步得到的全局信息，对整个传感器网络进行网络分簇路由的优化计算与配置，如图4所示，具体包括：

a.簇间路由优化计算：

基站运行改进的和声搜索算法(专利号为CN201410705802.2)计算出每个簇头节点的最优转发路径，其中本发明的簇头节点认为是上述专利中的传感器节点，进行路由计算，得到所有簇头节点到汇聚节点的最优路由方案；

b.分簇优化计算：

基站根据适应度函数f，运用改进的和声搜索算法计算最优解，其中最优和声的各音调代表各普通传感器节点所属簇的簇头节点，最终得到整个传感器网络的最优分簇方案；

分簇优化计算流程如图5所示，包含下述子步骤：

本实施例中从传递全局信息步骤获得信息：簇头节点数量m＝5，普通传感器节点数量n＝12，簇头g_j与普通传感器节点s_i距离d(s_i,g_j)，j∈[1,5],i∈[1,12]，以及节点s_i通信范围内的簇头节点集合CrGate(s_i)，i∈[1,12]，簇头节点的剩余能量E_r(g_j)，j∈[1,12]，实施例如图6所示。

子步骤1、设置和声记忆库HM大小HMS＝6，最大迭代次数iter_max＝20000，参数HMCR_max＝0.99，参数HMCR_min＝0.2，并对和声记忆库HM中的每个和声初始化，具体初始化流程(如图7所示)如下：

(1.1)设置和声序号变量i’＝1；

(1.2)设置音调序号变量j’＝1；

(1.3)通过全局信息，获得普通传感器节点s_i与通信范围内簇头节点集合CrGate(s_j')中每个簇头的距离d(s_j',ng_*)，并得到MaxDist和MinDist，即普通传感器节点s_j通信范围内的簇头节点与普通传感器节点s_j’距离的最大值和最小值，如实施例图6所示，当i＝1，j＝1时，CrGate(s₁)为{ng₁＝g₁，ng₂＝g₂，ng₃＝g₃}，MaxDist＝d(s₁,g₃)，MaxDist＝d(s₁,g₂)；

(1.4)设置可通信簇头序号k’＝1；

(1.5)通过下述公式，计算第k’个簇头的选择概率：

如实施例图6所示，当i＝1，j＝1时，CrGate(s₁)为{ng₁＝g₁，ng₂＝g₂，ng₃＝g₃}，MaxDist＝d(s₁,g₃)，MinDist＝d(s₁,g₂)，u₁＝3，则簇头g₁的选择概率计算公式为：

(1.6)生成0到1的随机数R，然后用R减去第k’个簇头的选择概率，若差值小于0，则音调x_i',j'设置为CrGate(s_j')内第k’簇头的序号，即普通传感器节点s_j'加入CrGate(s_j')内第k’簇头，转步骤(1.8)；若差值不小于0，将k’+1的值赋给k’，转步骤(1.7)；

(1.7)计算第k’个簇头的选择概率，将所述差值继续减去第k’个簇头的选择概率，若差值小于0，则音调x_i',j'设置为CrGate(s_j')内第k簇头的序号，即普通传感器节点S_j加入CrGate(s_j')内第k’簇头，转步骤(1.8)，音调x_i',j'被初始化为CrGate(s_j')中的一个簇头；若差值不小于0，将k’+1的值赋给k’，转步骤(1.7)；

(1.8)将j’+1赋值给j’，若j’不大于n，则转步骤(1.3)，否则转步骤(1.9)；

(1.9)将i’+1赋值给i’，若i’不大于HMS，则转步骤(1.2)，否则和声记忆库初始化过程完成。

本实施例中共生成6个和声(分簇方案)，分别为X₁＝(2,3,4,2,3,5,1,3,1,4,5,5)，X₂＝(1,1,4,2,3,3,2,5,4,4,5,4)，X₃＝(2,3,2,2,3,5,2,1,4,4,5,5)，X₄＝(2,3,4,2,3,3,4,3,5,4,5,4)，X₅＝(3,1,2,2,3,5,1,3,1,4,5,5)，X₆＝(2,3,2,2,3,5,1,1,5,4,5,5)，其中X₁的初始化分簇简图如图8所示；

其中和声记忆库的每个和声都表示一个完整的分簇方案，即每个和声描述了所有普通传感器节点分配到各个簇头节点的具体方案。每个和声的编码为：X_i＝(x_i,1,x_i,2,…,x_i,j,…,x_i,n)，其中X_i表示和声记忆库中第i个和声，n为和声的维度，其取值为普通传感器节点的数量，X_i,j为和声X_i的第j个音调，表示普通传感器节点S_j所加入的簇头节点，其值为普通传感器节点S_j所加入的簇头节点的序号，其取值范围为{1，m}。例如本实施例中，簇头节点集合为：G＝{g₁,g₂,g₃,g₄,g₅}；普通传感器节点集合为：S＝{s₁,s₂,s₃,s₄,s₅,s₆,s₇,s₈,s₉,s₁₀,s₁₁,s₁₂}；本实施例初始化的和声记忆库中其中一个和声X₁＝(2,3,4,2,3,5,1,3,1,4,5,5)，所表示分配方案为：S₁加入簇头为g₂的簇中，S₂加入簇头为g₃的簇中，以此类推。

子步骤2、使用公式适应度函数f＝ω₁f₁+ω₂f₂，计算和声记忆库HM中所有和声的适应度，得到和声记忆库中每条和声的适应度F＝{fit₁,fit₂,…,fit_i,…,fit_HMS}；

其中，fit_i为第i个和声的适应度，ω₁、ω₂分别为f₁和f₂的权重系数，本实施例中ω₁设置为0.7，ω₂设置为0.2；

f₁表示各簇头节点生命期的标准差：本实施例中，簇头节点数量m＝5，L(g_i)表示簇头节点g_i的生命期，μ_L为所有簇头节点生命期的均值，E_r(g_i)是簇头节点g_i的剩余能量，由全局信息提供，E_c(g_i)是簇头节点g_i在单轮数据发送过程中消耗的能量，E_c(g_i)＝n_i×E_Rx+n_i×E_DA+E_Tx，n_i表示簇头节点g_i的成员节点数量，如和声(分簇方案)X₁中，对于簇头节点g₁的n₁值为2，E_Rx表示簇头节点g_i接收普通传感器节点数据消耗的能量，E_Rx(k)＝E_elec*k，k为接收数据量大小(接收数据比特数)，E_DA表示簇头节点g_i融合各普通传感器节点发送来的数据所消耗的能量，设置为5nJ/bit，E_Tx表示簇头节点发送数据到它的初始下一跳节点所消耗的能量，d为两个簇头节点之间的距离，d₀为所述距离的门阀值，k为传输数据量大小(传输数据比特数)，E_elec表示传感器节点中接收和传送电路工作时所消耗的能量，设置为50nJ/bit，ε_fs和ε_mp分别为自由空间损耗模型和多径衰落信道模型中，传感器节点中传送放大器工作时所消耗的能量，设置为ε_fs＝10pJ/bit/m²，ε_mp＝0.0013pJ/bit/m⁴；

f₂表示所有普通传感器节点到其簇头节点距离的均值和方差：本实施例中，普通传感器节点的数量n＝12，D(s_i)表示普通传感器节点s_i到其簇头节点的距离，μ_D为普通传感器节点到其簇头节点距离的均值，

子步骤3、设置迭代次数iter＝1；

子步骤4、生成候选和声X'＝(x₁',x'₂,…,x_i',…,x'_n)，具体生成候选和声流程(如图9所示)如下：

(4.1)使用公式：

计算本次迭代过程的HMCR(iter)，HMCR(iter)随着迭代次数的变化而变化如图11所示；

(4.2)设置候选和声音调序号i＝1；

(4.3)生成0到1的随机数P，若P小于HMCR(iter)，在集合{x_1,i,x_2,i,…,x_HMS,i}中随机一个赋值给x_i'。具体地，本实施例的上述初始化和声记忆库中，当i＝1时，则在集合{2,1,2,2,3,2}中随机选择，若i＝2，则在集合{3,1,3,3,1,3}中随机选择……转过程(4.9)；若P不小于HMCR(iter)，转过程(4.4)，图11为参数HMCR(iter)随着迭代次数iter的变化而变化的规律；

(4.4)通过全局信息，获得普通传感器节点s_i与通信范围内簇头节点集合中每个簇头的距离d(s_i,ng_*)，u_i为普通传感器节点s_i的通信范围内的簇头节点数量，并得到MaxDist和MinDist，即普通传感器节点s_i通信范围内的簇头节点与普通传感器节点s_i距离的最大值和最小值；

(4.5)设置可通信簇头序号k＝1；

(4.6)通过下述公式，计算第k个簇头的选择概率：

(4.7)生成0到1的随机数R，然后用R减去第k个簇头的选择概率，若差值小于0，则音调x_i'设置为CrGate(s_i)内第k簇头的序号，转过程(4.9)；若差值不小于0，将k+1的值赋给k，转过程(4.8)；

(4.8)计算第k个簇头的选择概率，将所述差值继续减去第k个簇头的选择概率，若差值小于0，则音调x_i'设置为CrGate(s_i)内第k簇头的序号，转过程(4.9)；若差值不小于0，将k+1的值赋给k，转过程(4.8)；

(4.9)将i+1赋值给i，若i不大于HMS，则转过程(4.3)；否则完成对候选和声生成；

本实施例中，首次迭代过程中生成的候选和声为X’＝(2,3,4,2,3,5,1,3,1,4,5,4)，其所对应的分簇方案如图10所示；

子步骤5、使用公式f＝ω₁f₁+ω₂f₂计算候选和声的适应度fit'；

子步骤6、将iter+1赋值给iter；

子步骤7、找到和声记忆库中适应度最差的和声X_min，得到其适应度为fit_min，若fit'优于fit_min，则转子步骤8,；否则，转子步骤9；

子步骤8、将和声记忆库中适应度最差的和声X_min替代成候选合和声X'；

子步骤9、若iter不大于iter_max，则转子步骤10，否则转子步骤16；

子步骤10、找到和声记忆库中适应度最优的和声X_max，对该和声进行邻域搜索，生成新和声X”＝(x₁”,x₂”,…,x_i”,…,x_n”)，具体领域搜索流程(如图12所示)如下：

(10.1)通过公式计算所有簇头节点的生命期，找到具有最小生命期的簇头节点g_ml：

(10.2)从簇头节点g_ml的簇Clu(g_ml)＝{s_*,…,s'_*|g_ml}(即加入簇头节点g_ml的普通传感器节点集合)中随机选取一个普通传感器节点s_r；

(10.3)从节点s_r通信范围内的簇头节点集合CrGate(s_r)中找到离普通传感器节点s_r最近的非g_ml簇头节点g_c；

(10.4)生成新和声X”＝(x₁”,x₂”,…,x_i”,…,x_n”)，将最优和声X_max复制到X”中；

(10.5)将g_c赋值给x_r”，即将普通传感器节点s_r加入簇头节点g_c，即完成对最优和声进行邻域搜索，生成新的和声。

如图13(a)～图13(b)表示了最优和声X_best＝(1,3,2,2,3,5,1,5,4,4,5,5)邻域搜索的过程，邻域搜索的结果为X”＝(1,3,2,2,3,5,1,3,4,4,5,5)；

子步骤11、使用公式f＝ω₁f₁+ω₂f₂计算新和声X”的适应度fit”；

子步骤12、将iter+1赋值给iter；

子步骤13、基于适应度判断，若新和声优于最优和声，则转子步骤14；否则转子步骤15；

子步骤14、将和声记忆库中的最优和声X_max替换成新和声X”；

子步骤15、若iter不大于iter_max，则转子步骤4，否则转子步骤16；

子步骤16、选择和声记忆库中适应度最优的和声，作为当前最优分簇方案；

c.配置网络路由：

根据上述计算的最优路由方案，汇聚节点使用最优路由向所有簇头节点发送最优转发路径信息；所有簇头节点收到本节点的最优转发路径后，在路由表中保存最优转发路径，用于后面数据包的转发；

d.配置网络分簇：

根据上述计算的最优分簇方案，汇聚节点根据最优分簇方案，使用最优路由向所有簇头节点发送分簇信息；簇头节点收到分簇信息后，保存其所有子传感器节点的信息，并向这些节点发送请求加入簇信息；普通传感器节点收到请求加入簇信息后，保存该簇头信息，加入到分簇当中；

(3)发送数据包步骤，具体包括：

上述步骤完成后，普通传感器节点按照特定应用要求监测、采集和处理应用信息，最后将其处理成数据包，并将自身的剩余能量信息加入数据包中，然后根据自身保存的簇头节点信息，将数据包转发到簇头节点；簇头节点，首先进行数据数据融合(本发明不定义数据融合方式)，将自身的剩余能量信息和自身最优路由加入到数据包中，根据路由表中保存的最优路由，向下一跳簇头节点发送数据包。

(4)传递数据包步骤：

下一簇头节点接收到所述数据包后，将自身剩余能量信息加入到数据包中，并按照数据包中的最优路由，继续向下一簇头节点转发数据包，直到将数据包传送到汇聚节点为止。

本方案中，优选地，在完成上述步骤后，还包括更新全局信息及分簇路由动态更新步骤。该更新步骤具体包括：

汇聚节点对数据包的应用信息进行处理，并发送到应用层；利用数据包中所有传感器节点的剩余能量信息更新自身保存的全局信息，剩余能量信息以所接收到的信息中最小值为有效值。

汇聚节点以一定周期，使用最新的全局信息，对分簇路由进行重新计算与配置，同步骤(2)，实现传感器网络分簇路由的动态更新。

本发明方案的效果可以通过以下仿真实验和比较进一步验证：

仿真实验中，我们会将所有传感器节点布置在200×200m²的区域中。为了仿真实验的综合比较效果，我们设计了两种场景。第一种场景WSN#1，汇聚节点定位于坐标为(200,100)的位置，即仿真区域的最左侧；第二种场景WSN#2，汇聚节点定位于坐标为(100,100)的位置，即仿真区域的中心位置。

图14(a)所示的正方形区域为本发明实施例中随机生成的包括100个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(b)所示正方形区域为本发明实施例中随机生成的包括200个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(c)所示正方形区域为本发明实施例中随机生成的包括300个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(d)所示正方形区域为本发明实施例中随机生成的包括400个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(e)所示正方形区域为本发明实施例中随机生成的包括200个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(f)所示正方形区域为本发明实施例中随机生成的包括300个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(g)所示正方形区域为本发明实施例中随机生成的包括400个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(h)所示正方形区域为本发明实施例中随机生成的包括500个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(200，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(i)所示正方形区域为本发明实施例中随机生成的包括100个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(j)所示正方形区域为本发明实施例中随机生成的包括200个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(k)所示正方形区域为本发明实施例中随机生成的包括300个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(l)所示正方形区域为本发明实施例中随机生成的包括400个普通传感器节点和30个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(m)所示正方形区域为本发明实施例中随机生成的包括200个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(n)所示正方形区域为本发明实施例中随机生成的包括300个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(o)所示正方形区域为本发明实施例中随机生成的包括400个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

图14(p)所示正方形区域为本发明实施例中随机生成的包括500个普通传感器节点和50个簇头节点(含1个汇聚节点，位于坐标为(100，100)的位置)的无线传感器网络，正方形的边长为200m；

表1无线传感网络实施例具体网络节点数据

如图14(a)～(p)，为按照上述网络节点数据随机生成的16个无线传感器网络，将本发明中的分簇算法与基于和声搜索算法的能量有效分簇路由方法，即HSCRA(HarmonySearch Based Energy-Efficient Clustering And Routing Algorithm)、能量有效的负载均衡分簇方法，即EELBCA(Energy Efficient Load-Balanced Clustering Algorithm)、基于差分进化算法的分簇方法，即DECA(Differential Evolution based ClusteringAlgorithm)、基于传统遗传算法(GA)的分簇方法和基于传统差分进化算法(DE)的分簇方法，在生命周期(本发明中的生命周期为传感器网络中出现的第一个能量耗尽的传感器节点时，消息发送的轮数)、The First Gateway Die(FGD)和The Last Gateway Die(LGD)之间的轮数间隔(即首个簇头节点死亡与最后一个簇头节点死亡之间的轮数间隔)、轮活动节点数量、能量消耗和收敛速度方面进行比较。仿真编程语言为C++，计算机配置为：intelI7-3610QM处理器、8GB内存、2GB独显、windows 10 64位操作系统。为了便于实验比较和作图，将本发明中的分簇算法记为IHSCRA；

实验：对本发明进行网络仿真测试，16个无线传感器网络中的每个传感器节点分别以一定周期向各自所在网络的汇聚节点发送数据包，直到满足实验参数的测量条件为止。所述仿真实验网络参数如表1所示：

表1仿真实验网络参数设置

所述仿真实验算法参数如表2所示：

表2算法参数设置

其中PopSize为种群规模，Cr为交叉比例，F为标度因子，P_c为交叉概率，P_m为变异概率；

网络生命周期实验：本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法在上述无线传感器网络中进行实施，实验终止条件为第一个簇头节点或者普通传感器节点死亡。图15(a)～图15(d)为网络生命周期实验数据对比的结果，从实验结果可看出，本发明HSCRA分簇算法在网络生命周期方面都优于上述其他算法，即本发明采用的分簇方法具有较长的网络生命周期。

FGD与LGD之间的消息发送轮数间隔实验：本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法在上述无线传感器网络中进行实施，实验终止条件为最后一个簇头节点死亡。图16(a)～图16(d)为FGD与LGD之间的消息发送轮数间隔实验数据对比的结果。其中FGD与LGD之间的轮数间隔参数可以用来度量分簇路由方法是否能平均整个网络生命周期，该值越小，代表该分簇路由算法在平衡网络生命周期的方面具有很优秀的性能。从实验结果可看出，本发明在较大规模的无线传感器网络中比上述其他分簇路由算法具有更好的效果，即本发明在较大规模无线传感器网络中具有优秀的平衡网络生命周期的性能。

轮活动节点数量实验：本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法在上述无线传感器网络中进行实施，实验终止条件为所有节点死亡或者网络瘫痪，其中实验所用的实施例为场景WSN#1的实施例3和场景WSN#2的实施例8。图17(a)～图17(d)为轮活动节点数量的实验数据对比结果，轮活动节点数量是每轮消息发送中活动节点节点的数量，用来描述分簇算法是否能平衡普通传感器节点的能量消耗的性能。其值越小，表明该方法在平衡普通传感器节点能量消耗的性能越差。从实验结果可以看出，本发明与EELBCA都显著优于HSCRA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法。而且从实验结果可以看出本发明所实现的分簇方法在平衡普通传感器节点能量消耗的性能上在所述场景中都略优于EELBCA所实现的分簇方法。

能量消耗实验：本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法在上述无线传感器网络中进行实施，实验终止条件为所有节点死亡或者网络瘫痪，其中实验所用的实施例为场景WSN#1的实施例3和场景WSN#2的实施例3。图18(a)～图18(d)为网络能量消耗的实验数据对比结果，网络能量消耗实验是用来测试整个网络的能量使用效率的。其增加得越缓慢，表明整个网络的能量使用效率越高。从实验结果可以看出，本发明与EELBCA都显著优于HSCRA、DECA、基于传统GA的分簇方法和基于传统DE的分簇方法。但是值得注意的是，在大型无线传感器网络的网络生命周期上EELBCA算法表现得比上述其他方法都差，因为他没有考虑剩余能量对网络生命周期的影响。

算法收敛性实验：本发明IHSCRA与HSCRA、EELBCA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法在上述无线传感器网络中进行实施，实验终止条件为第一次迭代结束，其中实验所用实施例为场景WSN#1的实施例3和场景WSN#2的实施例8。图19(a)～图19(d)为算法收敛速度的实验数据对比结果，收敛速度是用来评判算法的找最优解的速度的，是评判算法好坏的标准之一。从实验结果可以看出，本发明收敛速度明显优于EELBCA、HSCRA、DECA、基于传统GA的分簇方法和基于传统DE的分簇方法。本发明的收敛分为4个阶段，首先是适应度随着HMCR的增加下降速度也不断增加，这是因为局部搜索能力在不断增强；其次，当HMCR增加到0.5的时候，收敛速度会降低；然后，当HMCR增加到0.9的时候，收敛速度会提高，因为其强大的局部搜索能力；最后，当HMCR增加到0.99，收敛速度会又一次降低，因为现在的适应度已经接近最优了。

综上所述，本发明IHSCRA，对比HSCRA、EELBCA、DECA、基于传统GA的分簇方法基于传统DE的分簇方法，在节省网络能量、均衡网络能量、延长网络生命周期，都有较优的性能。其主要原因包括下述四个方面：

(1)采用和声搜索算法的离散编码方式极大地减少了算法的搜索空间；

(2)普通传感器节点选择簇头(包括初始化和声记忆库阶段和生成候选和声阶段)采用的是轮盘选择方方法，能显著提高和声搜索算法的收敛速度；

(3)动态参数HMCR的引入，避免了迭代早期容易陷入局部最优的问题，并且同时加强了迭代早期的全局搜索能力和迭代晚期的局部搜索能力，使得算法能找到尽可能好的解；

(4)邻域搜索策略的引入，这使迭代过程中的最优和声能得到不断地优化，显著提高了和声搜索算法的优化质量。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于和声搜索算法的无线传感器网络分簇路由方法，包括如下步骤：

(1)全局信息的传递和汇聚，具体为：

普通传感器节点收到第一个簇头广播后进行延时，延时结束后普通传感器节点向初始化簇头发送自身所有邻居簇头信息和距离信息，簇头节点将普通传感器所发送的信息、自身条数信息和邻居簇头信息进行数据融合，获得全局信息，并将全局信息传递到汇聚节点；

(2)汇聚节点通过所述全局信息，对整个传感器网络进行网络分簇路由的优化计算与配置，具体为：

分簇优化计算，得到整个传感器网络的最优分簇方案；汇聚节点根据上述最优分簇方案向所有簇头节点发送分簇信息，簇头节点收到并保存分簇信息，并向对应的普通传感器节点发送请求加入簇信息，普通传感器节点收到请求加入簇信息后，保存该簇头信息，加入到分簇当中；

所述分簇优化计算得到整个传感器网络的最优分簇方案具体为：基站根据适应度函数f，运用改进的和声搜索算法计算最优解，其中最优解即最优和声中的各音调代表各普通传感器节点所属簇的簇头节点，从而得到整个传感器网络的最优分簇方案；

所述分簇优化计算中，改进的和声搜索算法具体为：

(01)设置和声搜索算法参数，并对和声记忆库HM中的每个和声初始化；

其中所述和声算法参数包括和声记忆库大小HMS，最大迭代次数iter_max，最大选择概率HMCR_max和最小选择概率HMCR_min；HM＝[X₁,X₂,…,X_i,…,X_HMS]^T：HM为和声记忆库，X_i为第i个和声；

(02)使用公式适应度函数f＝ω₁f₁+ω₂f₂，计算和声记忆库HM中所有和声的适应度，得到和声记忆库中每条和声的适应度F＝{fit₁,fit₂,…,fit_i,…,fit_HMS}；

其中，fit_i为第i个和声的适应度，ω₁、ω₂分别为f₁和f₂的权重系数；f₁表示各簇头节点生命期的标准差：m为簇头节点数量，L(g_i)表示簇头节点g_i的生命期，μ_L为所有簇头节点生命期的均值，E_r(g_i)是簇头节点g_i的剩余能量，E_c(g_i)是簇头节点g_i在单轮数据发送过程中消耗的能量，E_c(g_i)＝n_i×E_Rx+n_i×E_DA+E_Tx，n_i表示簇头节点g_i的成员节点数量，E_Rx表示簇头节点g_i接收普通传感器节点数据消耗的能量，E_Rx(k)＝E_elec*k，k为接收数据量大小，E_DA表示簇头节点g_i融合各普通传感器节点发送来的数据所消耗的能量，E_Tx表示簇头节点发送数据到它的初始下一跳节点所消耗的能量，d为两个簇头节点之间的距离，d₀为所述距离的门阀值，k为传输数据量大小，E_elec表示传感器节点中接收和传送电路工作时所消耗的能量，ε_fs和ε_mp分别为自由空间损耗模型和多径衰落信道模型中，传感器节点中传送放大器工作时所消耗的能量；

f₂表示所有普通传感器节点到其簇头节点距离的均值和方差：n为普通传感器节点的数量，D(s_i)表示普通传感器节点s_i到其簇头节点的距离，μ_D为普通传感器节点到其簇头节点距离的均值，

(03)设置迭代次数iter＝1；

(04)生成候选和声X'＝(x′₁,x′₂,…,x′_i,…,x′_n)；其中，n为和声的维度，其取值为普通传感器节点的数量；x′_i为和声X'的第i个音调，其值为第i个传感器节点S_i所加入的簇头节点的序号，其取值范围为{1，m}；

(05)使用公式f＝ω₁f₁+ω₂f₂计算候选和声的适应度fit'；

(06)将iter+1赋值给iter；

(07)找到和声记忆库中适应度最差的和声X_min，得到其适应度为fit_min，若fit'优于fit_min，则转步骤(08)，否则，转步骤(09)；

(08)将和声记忆库中适应度最差的和声X_min替代成候选合和声X'；

(09)若iter不大于最大迭代次数iter_max，则转步骤(010)，否则转步骤(016)；

(010)找到和声记忆库中适应度最优的和声X_max，对该和声进行邻域搜索，生成新和声X″＝(x″₁,x″₂,…,x″_i,…,x″_n)：

(011)使用公式f＝ω₁f₁+ω₂f₂计算新和声X”的适应度fit”；

(012)将iter+1赋值给iter；

(013)若新和声X”适应度优于最优和声，则转步骤(014)；否则转步骤(015)；

(014)将和声记忆库中的最优和声X_max替换成新和声X”；

(015)若iter不大于最大迭代次数iter_max，则转步骤(04)，否则转步骤(016)；

(016)选择和声记忆库中适应度最优的和声，作为当前最优分簇方案；

路由计算，得到每个簇头节点的最优转发路径，从而获得所有簇头节点到汇聚节点的最优路由方案；汇聚节点使用上述最优路由方案向所有簇头节点发送最优转发路径信息，所有簇头节点收到最优转发路径后将其保存在路由表中；

(3)普通传感器节点监测采集和处理应用信息，将其处理成数据包，并将自身的剩余能量信息加入数据包中，然后根据自身保存的簇头节点信息，将上述数据包转发到簇头节点，所述簇头节点进行数据融合，并将自身的剩余能量信息和自身最优路由加入到数据包中，根据路由表中保存的最优路由，向下一跳簇头节点发送数据包；

(4)下一跳簇头节点接收到所述数据包后，将自身剩余能量信息加入到数据包中，并按照数据包中的最优路由，继续向下一跳簇头节点转发数据包，直到将数据包传送到汇聚节点为止。

2.根据权利要求1所述的一种基于和声搜索算法的无线传感器网络分簇路由方法，其中，所述步骤(2)中的全局信息可根据所述数据包中所有传感器节点的剩余能量信息进行周期更新，从而可实现传感器网络分簇路由的动态更新。

3.根据权利要求1所述的一种基于和声搜索算法的无线传感器网络分簇路由方法，其中，进行全局信息汇聚前，还包括将簇头节点以及普通传感器节点进行信息初始化，建立起所有簇头节点到汇聚节点的初始化路径，所述全局信息通过初始化路径传递到汇聚节点。

4.根据权利要求1中任一项所述的一种基于和声搜索算法的无线传感器网络分簇路由方法，其中，所述普通传感器节点收到第一个簇头广播后进行延时过程中，在没有延时结束之前，收到任何一个簇头广播则重置延时。

5.根据权利要求1所述的一种基于和声搜索算法的无线传感器网络分簇路由方法，其中，所述步骤(04)中生成候选和声具体为：

(041)利用下述公式计算本次迭代过程的HMCR(iter)：

<mrow> <mi>H</mi> <mi>M</mi> <mi>C</mi> <mi>R</mi> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mfrac> <mrow> <mn>3</mn> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msub> <mi>HMCR</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>HMCR</mi> <mi>min</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>iter</mi> <mi>max</mi> </msub> </mrow> </mfrac> <mo>&amp;times;</mo> <mi>i</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>+</mo> <msub> <mi>HMCR</mi> <mi>min</mi> </msub> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>i</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>&lt;</mo> <msub> <mi>iter</mi> <mi>max</mi> </msub> <mo>/</mo> <mn>3</mn> <mo>)</mo> <mo>,</mo> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>HMCR</mi> <mi>max</mi> </msub> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> <mo>.</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>

(042)设置候选和声音调序号i＝1；

(043)生成0到1的随机数P，若P小于HMCR(iter)，在集合{x_1,i,x_2,i,…,x_HMS,i}中随机一个赋值给x′_i，转步骤(049)，若P不小于HMCR(iter)，转步骤(044)；其中，集合{x_1,i,x_2,i,…,x_HMS,i}表示和声记忆库中HMS个和声的第i个音调的集合；

(044)通过全局信息，获得普通传感器节点s_i与通信范围内簇头节点集合中每个簇头的距离d(s_i,ng_*)，u_i为普通传感器节点s_i的通信范围内的簇头节点数量，并得到MaxDist和MinDist，即普通传感器节点s_i通信范围内的簇头节点与普通传感器节点s_i距离的最大值和最小值；

(045)设置可通信簇头序号k＝1；

(046)通过下述公式，计算第k个簇头的选择概率：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>ng</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>+</mo> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>/</mo> <mn>10</mn> <mo>-</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>ng</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>*</mo> <mrow> <mo>(</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>+</mo> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>/</mo> <mn>10</mn> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>a</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>ng</mi> <mi>a</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

其中MaxDist和MinDist分别为普通传感器节点s_i通信范围内的簇头节点与普通传感器节点s_i距离的最大值和最小值，d(s_i,ng_k)为普通传感器节点s_i到簇头节点ng_k的距离；

(047)生成0到1的随机数R，然后用随机数R减去第k个簇头的选择概率，若差值小于0，则音调x′_i设置为CrGate(s_i)内第k簇头的序号，转步骤(049)；若差值不小于0，将k+1的值赋给k，转步骤(048)；

(048)计算第k个簇头的选择概率，将所述差值继续减去第k个簇头的选择概率，若差值小于0，则音调x′_i设置为CrGate(s_i)内第k簇头的序号，转步骤(049)；若差值不小于0，将k+1的值赋给k，转步骤(048)；

(049)将i+1赋值给i，若i不大于HMS，则转步骤(043)；否则完成对候选和声生成。

6.根据权利要求1所述的一种基于和声搜索算法的无线传感器网络分簇路由方法，其中，所述步骤(010)中进行和声进行邻域搜生成新和声的具体过程为：

(101)通过公式计算所有簇头节点的生命期，找到具有最小生命期的簇头节点g_ml：

(102)从簇头节点g_ml的簇Clu(g_ml)＝{s_*,…,s'_*|g_ml}即加入簇头节点g_ml的普通传感器节点集合中随机选取一个普通传感器节点s_r；

(103)从节点s_r通信范围内的簇头节点集合CrGate(s_r)中找到离普通传感器节点s_r最近的非g_ml簇头节点g_c；

(104)生成新和声X″＝(x″₁,x″₂,…,x″_i,…,x″_n)，将最优和声X_max复制到X”中；

(105)将g_c赋值给x″_r，即将普通传感器节点s_r加入簇头节点g_c，即完成对最优和声进行邻域搜索，生成新的和声。

7.根据权利要求1中任一项所述的一种基于和声搜索算法的无线传感器网络分簇路由方法，其中，所述步骤(01)中对和声记忆库HM＝[X₁,X₂,…,X_i',…,X_HMS]^T中的每个和声X_i'＝(x_i',1,x_i',2,…,x_i',j',…,x_i',n)初始化包括下述过程，其中，x_i',j'表示第i'个和声的第j'个音调：

(11)设置和声序号变量i’＝1；

(12)设置音调序号变量j’＝1；

(13)通过全局信息，获得普通传感器节点s_i与通信范围内簇头节点集合CrGate(s_j')中每个簇头的距离d(s_j',ng_*)，并得到MaxDist和MinDist，即普通传感器节点s_j通信范围内的簇头节点与普通传感器节点s_j’距离的最大值和最小值；

(14)设置可通信簇头序号k’＝1；

(15)通过下述公式，计算第k个簇头的选择概率：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>,</mo> <msub> <mi>ng</mi> <msup> <mi>k</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>+</mo> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>/</mo> <mn>10</mn> <mo>-</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>,</mo> <msub> <mi>ng</mi> <msup> <mi>k</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>u</mi> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>*</mo> <mrow> <mo>(</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>+</mo> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>/</mo> <mn>10</mn> <mo>)</mo> </mrow> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>a</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>u</mi> <mi>j</mi> </msub> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </msub> <mo>,</mo> <msub> <mi>ng</mi> <mi>a</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

(16)生成0到1的随机数R，然后用R减去第k’个簇头的选择概率，若差值小于0，则音调x_i',j'设置为CrGate(s_j')内第k’簇头的序号，即普通传感器节点s_j'加入CrGate(s_j')内第k’簇头，转步骤(18)；若差值不小于0，将k’+1的值赋给k’，转步骤(17)；

(17)计算第k’个簇头的选择概率，将所述差值继续减去第k’个簇头的选择概率，若差值小于0，则音调x_i',j'设置为CrGate(s_j')内第k簇头的序号，即普通传感器节点S_j加入CrGate(s_j')内第k’簇头，转步骤(18)，音调x_i',j'被初始化为CrGate(s_j')中的一个簇头；若差值不小于0，将k’+1的值赋给k’，转步骤(17)；

(18)将j’+1赋值给j’，若j’不大于n，则转步骤(13)，否则转步骤(19)；

(19)将i’+1赋值给i’，若i’不大于HMS，则转步骤(12)，否则和声记忆库初始化过程完成。