CN108512754B - 一种基于移动sink的无线传感网分簇方法 - Google Patents

Abstract

本发明公开了一种以移动sink在无线传感网中进行数据收集为前提，对无线传感网中的节点进行分簇的方法。首先，利用DBSCAN算法在空间上依据节点分布的密度进行粗略的分簇，将节点分布具有足够密度的区域划分为一个大簇，大簇由有限个小簇组成。小簇的半径为单跳传输距离，使得簇内节点到簇头节点单跳可达。然后以DBSCAN算法生成的小簇为基础利用萤火虫算法的亮度和吸引度概念对小簇进行组合优化生成最佳的小簇组合。小簇的核心点亮度由三个条件决定：剩余电量、单跳范围内覆盖的节点数量、非重复覆盖的节点数量。在充分考虑上述三个条件的基础上生成的小簇组合能够保证用最少的小簇覆盖所有等待数据收集的节点；并且簇头剩余电量多，能够承担起收集簇内节点采集的数据的任务。最终实现缩小移动sink访问规模、缩短数据传输时延的目标。

Description

一种基于移动sink的无线传感网分簇方法

技术领域

本发明涉及一种无线传感网络(Wireless Sensor Networks，WSN)，特别是一种基于移动sink在无线传感网中进行数据收集为前提，对无线传感网中的节点进行分簇的方法。

背景技术

无线传感网络是由大量的微型计算装置——传感器节点组成的，每个传感器节点的资源是有限的，例如，有限的数据存储能力、一定距离内的无线传输和有限的电池能量。根据应用环境的不同，节点配置相应的传感器来监测需要的参数(温度、湿度、气压等)并且将监测到的数据以单跳或者多跳的方式传送给特定的装置。在传统无线传感网中，sink位置固定，当节点采用多跳或者单跳的方式传送数据给sink时，靠近sink的传感器节点将消耗更多的能量。因为它们不仅要传送自己的数据，还要成为邻接节点的中继节点，传送邻接节点的数据。这些节点能量过早耗尽将导致sink被孤立、网络不能再运行。这是无线传感网中常见的hot-spot问题。

为了解决这一问题，引入了移动sink的概念。移动sink直接和传感器节点通信，单跳地收集节点数据，避免了多跳通信造成的节点能量消耗不均衡的问题。这样不仅可以均衡无线传感网络中节点的能量消耗，延长网络的生存时间，还可以与网络中孤立的节点通信并收集到它们采集的数据。缺点是需要增加额外的开销用于规划移动sink的访问路径并且数据传输时延非常大。

利用移动sink在无线传感网中进行数据收集将面临数据传输时延加剧的问题。因为移动sink是移动到每个节点的单跳传输距离内，直接收集每个节点存储的数据。不仅sink从一个节点移动到下一个节点需要耗费时间，而且移动sink在节点处停留收集数据也要耗费时间。在移动sink到来前，节点只能等待。所以数据传输时延主要由移动sink行进过程花费的时间和移动sink在停留点收集数据花费的时间组成。移动sink的运动速度、访问路径和在节点处的停留时间直接影响数据传输时延程度。例如，移动sink的运动速度慢将导致更多的时间花费在移动sink行进过程中，节点需等待更长的时间才能将数据传输给sink，时延也就相应增加了。同理，访问路径的设计也将影响移动sink在行进过程中花费的时间，优化访问路径将缩短数据传输时延。

发明内容

本发明提供了一种基于移动sink的无线传感网分簇方法，将节点和节点之间欧式距离小于预设扫描半径Eps的节点聚集成簇，由簇头节点收集簇内节点的数据，移动sink只需访问簇头节点即可完成对整个簇的数据收集，减少了移动sink的访问规模，降低数据传输时延。并且簇的大小控制在单跳传输距离内，避免多跳传输引起的hot-spot问题，延长网络的生存时间。利用上述方法本发明达到了网络生存时间和数据传输时延的折衷。

一种基于移动sink的无线传感网分簇方法具体包含如下步骤：

步骤1，所有存储的数据量达到阈值的节点向基站发出数据收集请求，基站获取到这些节点的坐标；

步骤2，基站利用DBSCAN算法进行空间上的初步分簇；DBSCAN算法有2个预设参数：扫描半径Eps＝单跳传输距离，最小包含节点数MinPts＝3；由算法生成若干大簇，每个大簇由有限个小簇组成。

步骤3，大簇中的小簇相互重叠、重复覆盖，统计整个大簇的节点个数N_s、以及每个小簇的节点个数，计算小簇包含的平均节点数N_A，计算一个大簇理论上合理的簇数k；一开始在大簇中选取剩余电量排名前k的核心点组成初始小簇组合C；

步骤4，整个大簇内的节点分为被k个小簇覆盖的节点集合P_in和未被小簇覆盖的节点集合P_out；然后由集合P_in生成大簇内被小簇覆盖的核心点集合P_in-c和普通节点集合P_in-g、由集合P_out生成未被覆盖的核心点集合P_out和普通节点集合P_out-g；

步骤5，利用萤火虫算法在未被覆盖的核心点集合P_out-c中找亮度最大的核心点，用它对应的簇替换P_in-c中最被吸引的核心点对应的簇，完成一次小簇集合C的优化；

步骤6，重复步骤4、5，直到集合P_out-c为空；

步骤7，若集合P_out-g不为空，令其中的节点与离它最近的核心点通信，其数据将上传至该核心点，令P_out-g＝NULL；

步骤8，每个大簇完成k个小簇的划分，每个小簇进行簇头、簇内节点的身份确认。

本发明进一步限定的技术方案为：

进一步的，在步骤2中，利用DBSCAN算法进行分簇时，将扫描半径Eps设为单跳传输距离，这样生成的小簇的半径为单跳传输距离——保证簇内节点到簇头节点单跳可达，避免多跳引起的节点能量损耗不均衡的问题。

进一步的，步骤2中，采用DBSCAN算法在空间上依据节点分布的密度进行粗略的分簇，将节点分布具有足够密度的区域划分为一个大簇；大簇由有限个小簇组成，每个小簇都至少覆盖MinPts个节点。这些小簇即为候选簇，以它们为基础进行组合优化生成最佳的小簇组合。

进一步的，在步骤3中，统计每个候选小簇包含的节点个数算出平均数N_A，用大簇中的总节点数N_s除以平均节点数N_A后四舍五入得出理论上合理的簇数k，公式为：

进一步的，在步骤3中，在每个大簇中取剩余电量排名前k的核心点对应的小簇组成初始簇集合C。

进一步的，在步骤5中，利用萤火虫算法中的亮度和吸引度概念进行簇组合的优化，在大簇中存在未被k个小簇覆盖的核心点，计算这些核心点的亮度，亮度公式为：

其中E(s_i)为该核心点点的剩余电量，N_g(s_i)为核心点单跳范围内覆盖的节点数量，N₁(s_i)为仅被核心点对应的簇覆盖而未被其他簇重复覆盖的节点数量。

进一步的，剩余电量、单跳范围内覆盖的节点数量、非重复覆盖的节点数量这3个条件决定一个核心点的亮度。

进一步的，在步骤5中，未被覆盖核心点中亮度最大的核心点会吸引k个小簇中的核心点，吸引度受彼此之间的距离影响，吸引度公式为：

r为亮度最大核心点s_i和其它核心点之间的欧式距离。距离s_i越近的核心点越被吸引，并被核心点s_i对应的簇替换。

进一步的，算法要求一个簇头节点必须具备三个条件，即剩余电量多、单跳范围内覆盖的节点多、其对应的簇与其它簇的重叠范围少。要求簇头节点剩余电量多是因为簇头节点需要负责收集簇内节点采集到的数据，实现移动sink只要访问簇头节点就可以收集到整个簇的数据，能够有效降低移动sink访问路由规划的复杂度和数据传输的时延；要求覆盖的节点数量多是因为一个簇覆盖的节点数越多、簇数就相应越少，可以缩小移动sink的访问规模，也就缩短了数据传输时延；要求簇与簇的重叠范围少，是为了实现用最少的小簇覆盖整个大簇。

依据上述要求，本发明将分簇的实现分为二个阶段。

第一阶段利用DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)算法在空间上依据节点分布的密度进行粗略的分簇。因为WSN中等待收集数据的节点不一定是均匀分布的，如图1所示。例如在路网监控中，观察车辆轨迹热点图(Trajectory heat map)会发现群聚现象(cluster phenomenon)——中心区域、热门路段交通流量大，存储数据量达到阈值的节点远远多于偏远区域、冷门路段。DBSCAN算法可以有效过滤空间中的低密度区域，发现任何形状的稠密区域，根据节点分布的密度分簇。算法有两个重要参数：扫描半径Eps和最小包含点数MinPts。DBSCAN算法依据聚类空间中一定区域内(扫描半径Eps内)所包含对象的数目不小于给定阈值(最小包含点数MinPts)这一准则将具有足够密度的区域划分为簇，对应为密度相连的点的最大集合。其核心思想是：任选一个未被访问的点，找出与其距离在Eps之内(包括Eps)的所有附近点。如果附近点的数量大于等于MinPts，则当前点与其附近点形成一个簇，并且出发点被标记为已访问。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展。如果附近的点数量小于MinPts，则该点暂时被标记为噪声点。如果簇充分地被扩展，即簇内的所有点被标记为已访问，接着用同样的算法去处理未被访问的点。通过不断向密度可达的区域扩张，得到一个包含最多节点数的区域，区域中任意两点密度可达。所以DBSCAN算法形成的大簇是由若干彼此覆盖有重合的小簇组成。第一阶段完成空间上的粗略分簇后，WSN中需要进行数据收集的节点被归在几个大簇中；大簇中的每个小簇半径为单跳传输距离，包含一定数量的传感器节点，被当作候选簇。

第二阶段利用萤火虫算法(Firefly algorithm)对每个大簇中的小簇组合进行优化，实现用尽可能少的小簇完成整个大簇的覆盖。萤火虫算法在DBSCAN算法产生的小簇基础上找到最优的小簇组合。该算法是通过模拟萤火虫的群体行为构造出的一类随机优化算法。其仿生原理是用搜索空间中的点模拟自然界中的萤火虫个体，将搜索和优化过程模拟成萤火虫个体的吸引和移动过程，将求解问题的目标函数度量成个体所处位置的优劣，将个体的优胜劣汰过程类比为搜索和优化过程中用好的可行解取代较差可行解的迭代过程。萤火虫彼此吸引主要取决于两个因素：亮度和吸引度。其中，萤火虫发出荧光的亮度取决于自身所在位置的目标值，亮度越高表示所处的位置越好，即目标值越佳。吸引度与亮度相关，越亮的萤火虫拥有越高的吸引力，可以吸引亮度比其弱的萤火虫往其方向移动。其假设为：

1)萤火虫不分性别，它会被吸引到比它更亮的萤火虫那去；

2)萤火虫的吸引力和亮度成正比，对于任何两只萤火虫，其中一只会向着比它更亮的另一只移动。吸引力是随着距离的增加而减少的。

本发明将每个核心点(簇头)作为一个萤火虫个体，因为小簇和小簇之间的覆盖范围彼此有重合，需要通过萤火虫算法相互吸引这一特性来将和其他簇重叠的簇替换成离它距离近、剩余电量多、与其他簇重复覆盖少的簇，实现小簇组合的优化。通过有限次的迭代，最终生成的小簇组合是由剩余电量多、单跳传输距离内节点数量可观、彼此覆盖范围较少重叠的小簇组成。

本发明在分簇、优化小簇组合过程中，充分考虑待选小簇的簇头剩余电量和其覆盖节点的数量。因为簇头节点需要负责收集簇内节点的数据，只有剩余电量足够多的节点才不会因此耗光电量而导致网络瘫痪。覆盖节点数量多可以使一个小簇包含相当数量的节点，进而减少小簇的数量，缩小移动sink的访问规模，降低数据传输延迟。为避免多跳传输引起的hot-spot问题，小簇的半径控制在单跳传输距离，使得簇内节点到簇头节点单跳可达。

数学模型：

针对每个大簇，利用萤火虫算法得出最佳的小簇组合，实现用k个小簇覆盖整个大簇。萤火虫算法的目标函数f_o为：

其中，s_i代表一个簇头节点，i∈[1，k]；假设每个节点初始电量都是满的，设为E₀；E(s_i)为该节点的剩余电量；N_max为所有候选小簇覆盖的节点数中最大值；N_g(s_i)为节点s_i单跳范围内覆盖的节点数量；一个大簇中的总节点数为N_s；因为小簇和小簇之间可能会有重合区域，存在一些节点可能被不止一个簇覆盖。簇头节点s_i对应的小簇，其包含的节点中有且仅属于该簇的节点数量为N₁(s_i)。ω₁∈(0，1)、ω₂∈(0，1)、ω₃∈(0，1)为函数权值，ω₁+ω₂+ω₃＝1。目标函数表明算法的目标是找到k个簇头节点，它们的剩余电量多、单跳范围内覆盖的节点数量多且k个簇之间尽可能没有重叠区域(重叠区域小才能实现用最少数量的小簇覆盖整个大簇)。

在萤火虫算法中，亮度体现了萤火虫所处位置的优劣。吸引度与亮度相关，越亮的萤火虫拥有越高的吸引力，可以吸引亮度比其弱的萤火虫。萤火虫个体亮度I表达式为：

也就是说，剩余电量、单跳范围内覆盖的节点数量、非重复覆盖的节点数量这3个条件决定一个节点的亮度。

吸引度β只与发光强度和距离有关，发光强的萤火虫会吸引周围发光弱的萤火虫，但吸引度随着距离的增大而减少。吸引度公式为：

其中，r为簇头节点s_i和其它节点之间的欧式距离。γ是亮度衰减系数，γ∈[0.01，100]，本发明中γ＝1。

为了解决数据传输时延大的问题，需要为移动sink规划出最少数量的访问节点和最短的访问路径，使得移动sink能够花费最短的时间收集到所有节点的数据，缩短数据传输时延。本发明将无线传感网中传感器节点分簇，构建一种三层网络模型——簇内节点组成网络模型的第一层，簇头节点组成网络模型的第二层，位置固定的基站是网络模型的第三层。无线传感网依据分簇算法被分成若干个簇，簇的大小设计为单跳传输半径以内。每个簇有一个簇头节点，其余节点为簇内节点。簇头节点单跳地收集簇内节点的数据，移动sink只需要直接访问簇头节点即可完成对整个簇内节点的数据收集，有效减少移动sink需要访问的节点数量，缩短数据传输时延，降低规划移动sink访问路径的复杂度。

附图说明

图1是传感器节点分布图。

图2是DBSCAN算法形成的大簇和候选小簇。

图3是其中的一个大簇及其包含的候选小簇。

图4是萤火虫算法进行小簇组合的优化过程。

图4(a)是初始小簇组合；

图4(b)～4(d)是利用萤火虫算法进行小簇组合优化过程示意图；

图4(e)是将未在小簇中的节点与离它最近的节点建立通信；

图4(f)是最终的分簇结果。

图5是整个小簇建立的流程示意图。

具体实施方式

本发明主要解决的是在移动sink对节点进行数据收集之前，将节点进行分簇，以剩余电量多的节点作为每个簇的簇头，收集单跳传输距离内的节点的数据，等待移动sink的访问。设计先利用DBSCAN算法进行粗略分簇，生成候选小簇；再利用萤火虫算法进行候选小簇的筛选组合。目标是减少簇的数量、减小簇与簇之间的重叠区域，用尽量少的簇覆盖尽量多的节点。

步骤1：每个传感器节点都有一个统一的数据量阈值，节点收集的数据量达到阈值就会向基站请求移动sink进行数据收集。基站在派遣移动sink之前，根据请求数据采集的节点的坐标进行分簇。等待移动sink数据收集的节点分布如图1所示。

步骤2：基站利用DBSCAN算法进行空间上的初步分簇。DBSCAN算法是一种典型的基于密度聚类的方法，有两个重要参数：扫描半径Eps和最小包含节点数MinPts需要预先设定。本发明将Eps设为单跳传输距离、MinPts设为3。每个节点以自己为圆心、Eps为半径形成一个圆，计算其包含的节点数目，若数目大于等于3，则该节点为核心点，即图2红色点。一个核心点的簇中包含的节点与该核心点是直接密度可达。若簇内节点是其它簇的核心点，则可实现从一个核心点出发，不断向密度可达的区域扩张，最终得到一个包含最多节点数的区域，即为一个大簇，它由有限个小簇重叠形成，如图2所示。

步骤3：在每个大簇中，为每个核心点s_i生成簇成员集合P_imem，簇成员分为两类，一个是仅被核心点s_i对应的簇覆盖的节点集合P_imem1，另一个是核心点s_i对应的簇和其他簇重复覆盖的节点集合P_imem2。

步骤4：统计大簇的总节点数N_s和其中每个小簇包含的节点数目N_g(s_i)，求出平均节点数N_A和所有小簇覆盖的节点数中最大值N_max。用大簇的总节点数N_s除以平均节点数N_A后四舍五入得出理论上合理的簇数k，即

也就是说，理论上是可以用k个小簇覆盖一个大簇。

步骤5：针对每个大簇中的小簇，利用萤火虫算法得出最佳的小簇组合，实现用k个小簇覆盖整个大簇。

萤火虫算法的初始化：将DBSCAN算法中产生的核心点s_i按照剩余电量从高到低排序，选取前k个核心点，k个核心点对应的小簇组成小簇集合C的初始组合。如图4(a)所示前k个核心点为5、6、7，初始小簇组合为C＝{s₅，s₆，s₇}。

步骤6：簇集合C中k个簇彼此有很大概率重复覆盖，未能实现覆盖整个大簇，如图4(a)所示。整个大簇内的节点分为被k个小簇覆盖的节点集合P_in和未被小簇覆盖的节点集合P_out；然后由集合P_in生成被小簇覆盖的核心点集合P_in-c和普通节点集合P_in-g、由集合P_out生成未被覆盖的核心点集合P_out-c和普通节点集合P_out-g。根据集合P_out-c是否为空执行不同的步骤。

(1)若P_out-c≠NULL，如图4(a)所示，P_out-c＝{s₁，s₂，s₃}，转步骤7；

(2)若P_out-c＝NULL，即核心点都在k个簇中，如图4(d)所示，转步骤10。

步骤7：计算集合P_out-c中各个核心点的亮度，亮度公式为：

其中，N_g(s_i)＝Num(P_imem)，N₁(s_i)＝Num(P_imem1)。得到亮度最高的节点s_max，如图4(b)中的核心点s₁。亮度高说明该节点剩余电量多、作为簇头对应的簇包含的节点数量多、非重复覆盖的节点数量多。

步骤8：计算s_max对集合P_in-c中各核心节点的吸引度，吸引度的计算公式是：

其中，r是节点s_max和P_in-中核心节点的欧式距离。说明吸引度与节点s_max的亮度相关，但同时受两节点之间的距离影响，随着距离增加而减少。γ是亮度衰减系数，γ＝1。

步骤9：用节点s_max对应的簇替换掉集合P_in-中最被它吸引的核心节点对应的簇，完成一次簇集合C的优化，如图4(b)所示，核心点s₁对应的簇替换了核心点s₆对应的簇，转步骤6。

步骤10：根据集合P_out-g是否为空执行不同的步骤。

(1)若P_out-g≠NULL，如图4(d)所示，转步骤11；

(2)若P_out-g＝NULL，如图4(d)所示，转步骤12。

步骤11：将P_out-g中的节点与离它最近的核心点通信，其数据将上传至该核心点，如图4(e)所示，令P_out-g＝NULL，转步骤10。

步骤12：此时P_out＝＝NULL，大簇内的节点都被分入k个小簇中，接下来要完成簇头节点和簇内节点的身份确认。将P_in-c中的核心点按照剩余电量从高到低排序，剩余电量多的核心点先发送BRO_MSG_H消息给单跳范围内的节点完成“簇头——簇内节点”身份的确认。BRO_MSG_H消息包含两部分内容：一个是核心点的ID，一个是跳数h；h的初始值为1，每传递到一个节点减1；h＝0时，消息不再传递。收到BRO_MSG_H消息的节点返回ASK消息给核心点，ASK消息包含节点的ID。通过上述过程k个簇完成“簇头——簇内节点”的身份确认，如图4(f)所示，簇内节点将采集到的数据上传给簇头。

本发明先利用DBSCAN算法将节点按照密度分为若干个大簇，即将节点分布具有足够密度的区域划分为一个大簇。DBSCAN算法会以每个节点为圆心形成半径为单跳传输距离的圆，统计圆内覆盖到的节点数量。小簇内的节点数量达到3，就认为此小簇为一个候选小簇，记录下来。然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展。通过不断向密度可达的区域扩张，得到一个包含最多节点数的区域。所以DBSCAN算法形成的大簇是由若干彼此覆盖有重合的、半径为单跳传输距离的小簇组成。

以DBSCAN算法产生的核心点(簇头)及核心点对应的小簇为基础，统计这些核心点的剩余电量，从高到低进行排序，选取排名前k的核心点，它们对应的小簇为初始小簇组合。因为簇头节点需要承担收集簇内节点数据的任务，一个好的小簇组合必然由簇头节点剩余电量多的小簇组成。以剩余电量排名前k的核心点作为起点，可以较快的找到最优的小簇组合。

初始化选取的k个小簇仅仅考虑了簇头节点的剩余电量，这k个小簇中会存在一些小簇彼此重复覆盖。因为小簇与小簇的重复覆盖，k个小簇不能覆盖整个大簇，需要利用萤火虫算法对小簇组合进行优化。萤火虫算法的亮度公式充分考虑了一个小簇的簇头节点剩余电量、包含的节点数量和簇中非重复覆盖节点占比。然后在大簇中未被小簇覆盖的区域内找亮度最大的核心点，用它对应的小簇替代原小簇组合中最被它吸引的核心点对应的小簇，完成一次优化。

Claims (4)

1.一种基于移动sink的无线传感网分簇方法，其特征在于：具体包含如下步骤：

步骤1，所有存储的数据量达到阈值的节点向基站发出数据收集请求，基站获取到这些节点的坐标；

步骤2，基站利用DBSCAN算法进行空间上的初步分簇；DBSCAN算法有2个预设参数：扫描半径Eps＝单跳传输距离，最小包含节点数MinPts＝3；由算法生成若干大簇，每个大簇由有限个小簇组成；

步骤3，大簇中的小簇相互重叠、重复覆盖，统计整个大簇的节点个数N_s、以及每个小簇的节点个数，计算小簇包含的平均节点数N_A，计算一个大簇理论上合理的簇数k；一开始在大簇中选取剩余电量排名前k的核心点组成初始小簇组合C；

步骤4，整个大簇内的节点分为被k个小簇覆盖的节点集合P_in和未被小簇覆盖的节点集合P_out；然后由集合P_in生成大簇内被小簇覆盖的核心点集合P_in-c和普通节点集合P_in-g、由集合P_out生成未被覆盖的核心点集合P_out-c和普通节点集合P_out-g；

步骤5，利用萤火虫算法在未被覆盖的核心点集合P_out-c中找亮度最大的核心点，用它对应的簇替换P_in-c中最被吸引的核心点对应的簇，完成一次小簇集合C的优化；在步骤5中，利用萤火虫算法中的亮度和吸引度概念进行簇组合的优化，在大簇中存在未被k个小簇覆盖的核心点，计算这些核心点的亮度，亮度公式为：

其中E(s_i)为该核心点点的剩余电量，N_g(s_i)为核心点单跳范围内覆盖的节点数量，N₁(s_i)为仅被核心点对应的簇覆盖而未被其他簇重复覆盖的节点数量，ω₁∈(0，1)、ω₂∈(0，1)、ω₃∈(0，1)为函数权值，s_i代表一个簇头节点，i∈[1，k]；假设每个节点初始电量都是满的，设为E₀；E(s_i)为该节点的剩余电量；N_max为所有候选小簇覆盖的节点数中最大值；N_g(s_i)为节点s_i单跳范围内覆盖的节点数量；一个大簇中的总节点数为N_s；

剩余电量、单跳范围内覆盖的节点数量、非重复覆盖的节点数量这3个条件决定一个核心点的亮度；

在步骤5中，未被覆盖核心点中亮度最大的核心点会吸引k个小簇中的核心点，吸引度受彼此之间的距离影响，吸引度公式为：

r为亮度最大核心点s_i和其它核心点之间的欧式距离；距离s_i越近的核心点越被吸引，并被核心点s_i对应的簇替换，γ是亮度衰减系数；

步骤5中，算法要求一个簇头节点必须具备三个条件，即剩余电量多、单跳范围内覆盖的节点多、其对应的簇与其它簇的重叠范围少；要求簇头节点剩余电量多是因为簇头节点需要负责收集簇内节点采集到的数据，实现移动sink只要访问簇头节点就可以收集到整个簇的数据，能够有效降低移动sink访问路由规划的复杂度和数据传输的时延；要求覆盖的节点数量多是因为一个簇覆盖的节点数越多、簇数就相应越少，可以缩小移动sink的访问规模，也就缩短了数据传输时延；要求簇与簇的重叠范围少，是为了实现用最少的小簇覆盖整个大簇

步骤6，重复步骤4、5，直到集合P_out-c为空；

步骤7，若集合P_out不为空，令其中的节点与离它最近的核心点通信，其数据将上传至该核心点，令P_out-g＝NULL；

步骤8，每个大簇完成k个小簇的划分，每个小簇进行簇头、簇内节点的身份确认。

2.根据权利要求1所述的一种基于移动sink的无线传感网分簇方法，其特征在于：在步骤2中，利用DBSCAN算法进行分簇时，将扫描半径Eps设为单跳传输距离，这样生成的小簇的半径为单跳传输距离——保证簇内节点到簇头节点单跳可达，避免多跳引起的节点能量损耗不均衡的问题。

3.根据权利要求1所述的一种基于移动sink的无线传感网分簇方法，其特征在于：步骤2中，采用DBSCAN算法在空间上依据节点分布的密度进行粗略的分簇，将节点分布具有足够密度的区域划分为一个大簇；大簇由有限个小簇组成，每个小簇都至少覆盖MinPts个节点；这些小簇即为候选簇，以它们为基础进行组合优化生成最佳的小簇组合。

4.根据权利要求1所述的一种基于移动sink的无线传感网分簇方法，其特征在于：在步骤3中，统计每个候选小簇包含的节点个数算出平均数N_A，用大簇中的总节点数N_s除以平均节点数N_A后四舍五入得出理论上合理的簇数k，公式为：

Images