CN110225569A - 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 - Google Patents
一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 Download PDFInfo
- Publication number
- CN110225569A CN110225569A CN201910496464.9A CN201910496464A CN110225569A CN 110225569 A CN110225569 A CN 110225569A CN 201910496464 A CN201910496464 A CN 201910496464A CN 110225569 A CN110225569 A CN 110225569A
- Authority
- CN
- China
- Prior art keywords
- node
- candidate
- cluster head
- collection
- leader cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000002245 particle Substances 0.000 title claims abstract description 27
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 138
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 18
- 230000013016 learning Effects 0.000 claims description 12
- 239000012141 concentrate Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009326 social learning Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/38—TPC being performed in particular situations
- H04W52/46—TPC being performed in particular situations in multi hop networks, e.g. wireless relay networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法，其特征是，包括如下步骤：（1）网络初始化；（2）簇头选举；（3）转发节点的选举与多跳传输。这种方法能解决在分簇路由协议中簇头节点和转发节点选举方法及转发节点通信路径选择不合理、节点能量消耗大的缺陷，能平衡提高全局搜索与局部探索能力、降低并均衡节点的能耗、延长WSNs的生存周期。
Description
技术领域
本发明涉及无线传感器网络路由协议技术，具体是一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法。
背景技术
无线传感器网络(Wireless Sensor Networks，简称WSNs)实现了数据的采集、处理和传输三种功能，它与通信技术和计算机技术共同构成信息技术的三大支柱。WSNs在环境监测、军事、国土安全、交通管制、医疗健康、社区安防、森林防火、目标定位等方面具有广泛的应用前景。
在WSNs中，传感器节点的能量由自身携带的微型电池提供，其使用时间受节点能量限制，且节点功率受限，通信半径和感知能力有限。传感器节点的能量消耗，主要包括通信能耗和数据处理能耗，通信能耗与通信环境、传输距离、数据包的大小有关。
现有WSNs路由协议采用分簇路由算法，通过选举更优的节点作为簇头节点和转发节点，但现有簇头节点选取方法主要根据剩余能量筛选，没有考虑簇头节点的位置对网络通信的影响，而位置分布均衡的簇头节点，能够有效缩短通信距离，降低网络通信开销；其次，现有分簇路由协议选举的转发节点太少，加大了转发节点的能耗；部分协议增加了选举的转发节点，但采用随机方式在所有节点中选取，其有可能与簇头节点重复，且未考虑被选取节点的剩余能量及位置是否均衡；大多协议的转发节点采用单跳方式发送数据，这种方式在转发节点与基站距离超过一定的范围时，其通信开销将成指数增加，部分多跳方式主要考虑相邻转发节点的距离，但没有考虑节点能量及面向基站的方向性，导致能量受限和路径不合理增加开销，最终缩短网络生存周期。
粒子群算法(particle swarm optimization，简称PSO)是一种基于种群的群智能优化算法，具有实现简单、收敛速度快和搜索精度高等特点，在解决组合优化问题上相比其它算法有很大优势，但PSO算法在实际应用中，存在一些不足，如粒子初始化的随机性，容易陷入局部最优，导致簇内节点分布不太均衡，且若被选取的节点能量过低，则会因开销大加速节点的死亡；在速度更新计算中，学习因子和惯性权重通常设置为固定值，无法平衡局部搜索能力和全局搜索能力，算法的收敛速度比较缓慢，较难获得高质量的簇头节点集等。
基于上述描述，将PSO算法应用到WSNs中建立分簇路由协议，有其优势，但也有诸多的不足。
发明内容
本发明的目的是针对现有技术的不足，而提供一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法。该方法能解决在分簇路由协议中簇头节点和转发节点选举方法及转发节点通信路径选择不合理、节点能量消耗大的缺陷，能平衡提高全局搜索与局部探索能力、降低并均衡节点的能耗、延长WSNs的生存周期。
实现本发明目的的技术方案是：
一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法，与现有技术不同是，包括如下步骤：
(1)网络初始化：对N个传感器节点依次编号，并随机不均匀分布在平面监测区域内且固定不动，组成一个WSNs，WSNs中所有传感器节点的能量有限，但所有节点初始能量相同、处理能力和通信能力相等，基站的能量不受限，且位于WSNs之外，在网络初始化过程中，所有存活节点将自身能量信息、位置和编号信息发送到基站，基站接收并保存各节点的信息，每轮的簇头选举与分簇、转发节点选举与多跳传输路径选择的计算过程，都由基站完成；
(2)簇头选举：簇头选举的过程包括：
(2.1)基站计算WSNs所有节点平均能量：设传感器节点i的能量为E(i)，WSNs中有N个存活节点，基站计算WSNs中所有节点的平均能量为：
(2.2)候选簇头节点初始化筛选：为避免粒子群算法采用随机方式选取的作为候选簇头节点集的节点能量过低，在运行过程中因开销大而加速节点的死亡，需要初始化选出的簇头节点有充足的能量进行簇内数据的处理，将所有能量大于或等于Eavg的节点筛选出来构成一个集合EA，再采用随机方式，从EA中选择K个节点，存入候选簇头节点集，构成一个粒子，在初始确定了一组候选簇头节点集后，其它的非簇头节点分别加入与其距离最近的簇头节点，完成初始分簇的建立，采用同样的方式，一共在EA中进行M次筛选，最终生成M组初始候选簇头节点集，即M个粒子，并形成M组的分簇；
(2.3)设计适应度函数评估候选簇头节点集：适应度函数是对候选簇头节点集中的所有候选簇头节点进行综合评估，因此需要考虑候选簇头节点的平均剩余能量与均衡位置，因簇头节点能耗大，以节点剩余能量作为一个评价指标有利于选出具有更高能量的簇头节点，簇头在WSNs中的位置分布越均衡，各簇头节点与基站的距离、各簇头与其簇内非簇头节点间的距离都相对更小，总的通信开销更小，依据节点的能量和位置分别设计对应的能量因子和位置均衡因子，构建适应度函数对初始候选簇头节点集进行评估，包括：
(2.3.1)确定能量因子：能量因子描述候选簇头节点集的剩余能量与非簇头节点的剩余能量的对应关系，以候选簇头节点集中所有候选簇头节点的平均剩余能量与所有非簇头节点的平均剩余能量的比值表示，以N表示网络中的存活节点数量，一个候选簇头节点集中有K个候选簇头节点，则非簇头节点为N-K个，以表示当前第r轮中簇头节点CHi的剩余能量，表示第r轮中非簇头节点NCHj的剩余能量，则候选簇头节点集的能量因子fech的计算如公式(1)所示：
(2.3.2)确定位置均衡因子：位置均衡因子通过通信距离描述候选簇头节点在WSNs中的均衡分布程度，以候选簇头节点集中所有候选簇头节点与基站的距离、每个候选簇头节点与该分簇内非簇头节点的距离与所有非簇头节点与基站距离的反比表示，以d(NCHi,BS)表示非簇头节点NCHi与基站BS之间的距离、d(CHj,BS)表示簇头节点CHj与基站BS之间的距离、d(NCHi,CHj)表示非簇头节点NCHi到其对应的候选簇头节点CHj的距离，则候选簇头节点集位置均衡因子fblch的计算如公式(2)所示：
其中，NCHi∈CHj表示非簇头节点NCHi位于候选簇头节点CHj所在的分簇内，候选簇头节点集距离基站越近，各分簇内非簇头节点到候选簇头节点的距离越小，网络通信距离越短，候选簇头节点集的位置分布越均衡，fblch的值越大；
(2.3.3)得到适应度函数：依据能量因子和位置均衡因子，采用加权方式计算候选簇头节点集的适应度，适应度函数Fch计算如公式(3)所示：
Fch＝a×fech+(1-a)×fblch (3)，
其中，a∈(0,1]是权重系数，依据WSNs对能量和位置分布的需求不同，可以调整权值，在适应度函数中，候选簇头节点集的剩余能量越大、位置分布越均衡，适应度值越大，选出的候选簇头节点集则越优；
(2.3.4)记录初始的局部最优位置和全局最优位置：针对M组初始簇头节点集，完成对其中各组候选簇头节点集的适应度计算后，记录每个候选簇头节点集本身适应度最大的位置为每一组候选簇头节点集的局部最优位置，及初始M组簇头节点集中最大适应度函数值的候选簇头节点集所在位置为全局最优位置；
(2.4)速度与位置的更新：依据初始适应度计算及初始产生的局部最优位置和全局最优位置，开始进行迭代计算，先对候选簇头节点集的位置更新，再计算位置更新后候选簇头节点的适应度，为完成对每一轮候选簇头节点集的位置更新并获得优化结果，设置一个速度来控制其变化过程，速度是矢量，设候选簇头节点在x和y方向上的速度分量分别为vxid和vyid，两个速度分量的计算，初始时随机生成，但在后续的每一轮迭代中依据候选簇头节点集前一轮的速度分量、局部最优位置pid(pxid,pyid)、全局最优位置pgd(pxgd,pygd)与候选簇头节点位置CHi(xxid,yyid)的变化关系确定，具体如公式(4)所示：
其中，w是惯性权值，表示候选簇头节点集前一轮t-1迭代的速度对本轮t迭代的候选簇头节点集的速度的影响程度，c1是认知学习因子，c2是社会学习因子，分别表示候选簇头节点集靠近局部最优位置和全局最优位置的加速权值，r1,r2∈(0,1)为随机数，借鉴仿生学中的变异性，使簇头节点集具有变异特性；
基于两个速度分量，候选簇头节点在x和y方向上的位置分量xxid和xyid如公式(5)所示：
速度的更新的过程包括：
(2.4.1)自适应学习因子计算：传统基于粒子群算法的路由协议中的学习因子c1和c2通常设置为固定值，无法平衡局部搜索能力和全局搜索能力，算法的收敛速度比较缓慢，较难获得高质量的簇头节点集，而在最优簇头节点集的选取过程中，前期的迭代侧重局部最优搜索，后期的迭代侧重全局最优搜索，为避免陷入局部最优解，扩大局部搜索范围，增强群体的多样性，设置认知学习因子c1从大到小变化，为在全局搜索中加快算法收敛，保持收敛速度和搜索效果的均衡，设置社会学习因子c2从小到大变化，结合传统学习因子的固定值设置结果，以迭代的变化情况构造自适应的学习因子，计算如公式(6)所示：
其中，t为本轮迭代次数，tmax为最大迭代次数，随着迭代次数的变化，c1和c2动态变化，满足其变化规律，使得本技术方案能够自适应地在迭代前期扩大局部搜索范围，在迭代后期能够加快全局收敛速度；
(2.4.2)自适应惯性权重计算：在每一轮迭代结束都会对选取的候选簇头节点集进行适应度函数计算，以适应度值的结果动态调整惯性权值，将会使得本轮迭代中选取的簇头节点集具有更均衡的位置，采用非线性自适应惯性权重策略计算惯性权值如公式(7)所示：
公式(7)中，wmax和wmin分别为设置的最大惯性权重和最小惯性权重，fi为候选簇头节点CHi的适应值，fmin、fmax和favg分别表示本轮候选簇头节点集的最小适应值、最大适应值和平均适应度值；
(2.5)确定位置映射策略：在每一轮迭代后，簇头节点集的位置都将被更新，可能会出现节点更新后的位置在WSNs中找不到位置相匹配的存活节点，此时，需要进行位置映射处理即采取就近原则，将更新后的位置映射到距离该位置最近的存活节点所在的位置，以Xxid、Xyid为更新后的节点坐标，CHnx、CHny为网络中存活节点CHn的坐标，位置映射如公式(8)所示：
若出现多个节点更新后的位置坐标一样时，需要在更新节点的同时设置一个标志位，在节点更新并进行位置映射时先检查标志位是否已经被标识为簇头节点，若是则依次选择距离次近的节点位置进行映射；
(2.6)迭代选出最优簇头节点集：完成位置映射后，将位置更新后的各候选簇头节点集作为优化的结果，计算各候选簇头节点集的适应度值，依据适应度值，更新每一组候选簇头节点集的局部最优位置以及本轮M组候选簇头节点集的全局最优位置，若迭代未结束，则继续进行候选簇头节点的位置更新、映射与适应度计算，否则，最后计算出的全局最优位置的候选簇头节点集为最优簇头节点集，完成簇头选举；
(2.7)分簇：依据选举的最优簇头节点集，基站计算非簇头节点到各个簇头节点的距离，将非簇头节点加入到距离最近的簇头节点，完成分簇，分簇后，传感器节点分别被称为簇头节点或普通节点，普通节点将监测的数据单跳发给簇头节点，簇头节点接收来自普通节点的数据后进行数据融合，再发给转发节点；
(3)转发节点的选举与多跳传输：转发节点的选举与多跳传输包括如下过程：
(3.1)确定转发节点的选举策略：采用步骤(2)中选举簇头节点的改进粒子群算法，为每个簇头节点在其分簇内的普通节点中选举一个转发节点，转发节点接收来自簇头的数据，采取相应的传输路径将数据发送给基站，将转发节点限制在每个分簇范围，保证了在最优分簇基础上，转发节点分布均衡，使得被选举的转发节点具有最优的剩余能量和位置关系，并避免WSNs中转发节点过少而加快其能耗损失；
(3.2)确定转发节点的适应度函数：由于转发节点只在一个分簇内选举，适应度函数中的能量因子和位置均衡因子的计算方法与簇头节点选举的计算方法不同，以N表示WSNs中的存活节点数量，被分为K个分簇，包含K个簇头节点，初始化时依据簇头节点筛选的方法，在各个分簇内筛选出候选转发节点，组成包含K个节点的候选转发节点集，在初始化后，普通节点数量为N-2K，以表示第r轮中候选转发节点RNi的剩余能量、表示第r轮中普通节点CNj的剩余能量，候选转发节点集的能量因子fern的计算如公式(9)所示：
以d(CNk,CHj)表示普通节点CNk到对应的簇头节点CHj之间距离、d(RNi,BS)表示候选转发节点RNi到基站BS的距离、d(RNi,CHj)表示候选转发节点RNi到对应的簇头节点CHj的距离、d(RNi,RNm)表示候选转发节点RNi和RNm之间的距离，候选转发节点的位置均衡因子fblrn计算如公式(10)所示：
其中，CNk∈CHj表示普通节点CNk位于簇头节点CHj所在的分簇内、RNi∈CHj表示候选转发节点RNi对应于簇头节点CHj，候选转发节点集距离基站越近，各分簇内簇头节点与候选转发节点的距离越小，候选转发节点集中各节点之间的距离越小，则通信路径越短，候选转发节点集的位置分布越均衡，fblrn值也越大；
依据转发节点选举的能力因子和位置均衡因子，采用加权方法构建的对候选转发节点集评价的适应度函数Frn如公式(11)所示：
Frn＝b×fern+(1-b)×fblrn (11)，
其中，b∈(0,1]为权值，表示节点剩余能量与节点位置均衡性对适应度函数的影响程度，候选转发节点集剩余能量越高，位置越均衡，则候选转发节点集的适应度值将越大，这将表明候选转发节点集越优，在候选转发节点集的多次迭代过程中，采用与簇头节点选举同样的基于自适应学习因子与惯性权重的速度更新及位置映射方法，选出最优的转发节点集；
(3.3)确定转发节点的通信传输路径：采用LEACH能耗模型，以d表示发射节点和接收节点之间的距离、d0表示门限距离，以Efs和Emp分别表示自由空间模型和多路衰减模型的功放因子参数，m表示一个数据包的比特数、Eelec表示每传输一比特数据的能耗，则距离为d的两个节点传输m比特数据、发送能耗ETX(m,d)计算如公式(12)所示：
若转发节点到基站的距离大于门限距离d0，则转发节点的能耗将急剧消耗，为降低转发节点的发送能耗，依据转发节点与基站的距离确定转发节点采用单跳还是多跳方式向基站传输数据，若d＜d0，该转发节点采用单跳方式传输，否则该转发节点采用基于最小生成树的多跳传输路径；
(3.4)基于最小生成树的转发节点多跳传输路径选择：转发节点之间的路由以基站为树根，开始时将每个转发节点抽象为点，把转发节点用边连接起来，构造一个带权的连通图G＝(V,E)，其中，V包括所有转发节点，E包括V中任意两个节点间的边的集合，为搜索某个转发节点到基站的最优路径，需要综合考虑在每一跳中相邻两个转发节点间的距离与剩余能量，假设以转发节点RNi为起点，要搜索到基站所途径的下一跳节点，若转发节点RNj为RNi的一个邻居，为评估节点RNj能否作为下一跳节点，在这两个节点的边上构建一个评价权值，权值由两个节点的距离与剩余能量确定，并以wi,j表示，若节点RNj到基站的距离dj,BS大于等于节点RNi到基站的距离di,BS，则节点RNj不能作为下一跳节点，设置wi,j为∝，否则以两个节点的距离与剩余能量计算wi,j，计算如公式(13)所示：
其中，di,j表示转发节点RNi与RNj之间的距离，和分别表示当前第r轮中转发节点RNi和转发节点RNj的剩余能量，若两个转发节点的距离越大，剩余能量越小，则两个节点的权值越大，该转发节点RNj被选为下一跳的概率越小；
若转发节点RNi有多个邻居转发节点，则分别计算转发节点RNi与其它邻居节点的权值，并选取权值最小的转发节点作为其下一跳节点，在每轮转发节点选举结束后，都将采用上述的最小生成树方式建立转发节点到基站的多跳路径；
基于最小生成树的多跳路径建立方法具体过程为：在上述构造的带权连通图G＝(V,E)中，将基站v0作为树的根节点加入V中，以U记录最小生成树的节点集合，W记录待计算下一跳的转发节点与其邻居节点所构成边的权值集合，T记录最小生成树中边的权值集合：
(3.4.1)初始地，将根节点v0加入到集合U中，集合T和W均置空；
(3.4.2)根据设置的门限距离d0，依次计算V中某节点vi到v0的距离di,0，若di,0≤d0，则vi将采用单跳方式向基站传输数据，将vi加入到U中，设置vi与v0的边的权值wi,0＝0，并将wi,0加入T，转(3.4.5)，否则，需要建立vi到v0的多跳路径，转(3.4.3)；
(3.4.3)依据公式(13)计算vi到其它所有转发节点的边的权值，并将其加入W中；
(3.4.4)在W中选出最小的权值wi,k，将节点vi加入U中，并将wi,k加入T中，并置W为空；
(3.4.5)若U＝V，结束搜索，转(3.4.6)，否则，转(3.4.2)；
(3.4.6)对于T中权值为0且后一个节点为v0的权值，将该权值对应边的前一个节点作为单跳节点输出，否则，将权值对应边的前一个节点作为起点，后一个节点作为下一跳节点，继续查找下一跳节点，直到下一跳节点为v0，形成多跳路径输出，依据上述过程可以选举出具有最优能量与最短路径的转发节点集，并确定转发节点的多跳路径，结合簇头节点集的位置，建立WSNs的路由。
本技术方案的有益效果是：
(1)采用改进粒子群的WSNs分簇多跳路由协议，综合考虑节点剩余能量和位置均衡因素，通过对粒子群算法的优化和改进，能够选举出最优的节点作为簇头节点并完成分簇；基于设计的基于最小生成树的多跳路径选择方法，优化转发节点的通信传输路径，协议有效降低和均衡了节点的能耗，延长了WSNs的生存周期；
(2)协议基于节点剩余能量，优化了初始化时对簇头的选择，保证了候选簇头节点的能量需求；基于节点剩余能量与位置关系，设计了基于能量因子与位置均衡因子的适应度函数，在候选簇头节点集中筛选出剩余能量更高、位置分布更均衡的簇头节点集，缩短网络通信距离，降低网络通信开销，并避免候选簇头节点因能量不足而过早死亡；在簇头节点的位置更新中，设计自适应的学习因子优化更新速度，在迭代初期扩大局部搜索范围，增强群体的多样性，在后期全局搜索中加快算法收敛，保持收敛速度和搜索效果的均衡，有效避免陷入局部最优解并在全局搜索出高质量的簇头节点集。簇头节点的优化选举，保证了节点工作的能量支持，并通过缩小通信路径，降低通信开销，延长网络生存周期；
(3)采用改进粒子群算法，并根据转发节点的设置特点优化适应度函数，并选举出具有最优剩余能量和位置关系的转发节点集，并避免WSNs网络中转发节点过少而加快其能耗损失；
(4)采用最小生成树的转发节点多跳传输路径选择方法，根据节点与基站的距离，灵活地选择单跳或多跳传输方式，在多跳传输路径选择中，构造一个带权的连通图，基于节点间的距离与剩余能量，设计每两个节点间边的权值的计算方法，为每个节点的下一跳选择倾向于基站并具有最小权值的节点，从而构造转发节点的多跳优化路径，保证了转发节点的能量需求，缩短了通信距离，降低了通信开销，延长了网络生存周期；
(5)采用改进粒子群算法的WSNs分簇多跳路由协议，主要计算由基站完成，对传感器节点的消耗小，能够建立高效的WSNs路由，适用于不同WSNs的部署环境，针对传感器节点移动的场景，通过信息的反馈和协议的少量修改，同样适用，具有应用的广泛性。
这种方法能解决在分簇路由协议中簇头节点和转发节点选举方法及转发节点通信路径选择不合理、节点能量消耗大的缺陷，能平衡提高全局搜索与局部探索能力、降低并均衡节点的能耗、能延长WSNs的生存周期。
附图说明
图1为实施例中改进粒子群算法的簇头选举流程示意图；
图2为实施例中最小生成树的转发节点多跳传输路径选择流程示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述，但不是对本发明的限定。
实施例：
一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法，包括如下步骤：
(1)网络初始化：对N个传感器节点依次编号，并随机不均匀分布在平面监测区域内且固定不动，组成一个WSNs，WSNs中所有传感器节点的能量有限，但所有节点初始能量相同、处理能力和通信能力相等，基站的能量不受限，且位于WSNs之外，在网络初始化过程中，所有存活节点将自身能量信息、位置和编号信息发送到基站，基站接收并保存各节点的信息，每轮的簇头选举与分簇、转发节点选举与多跳传输路径选择的计算过程，都由基站完成；
(2)簇头选举：簇头选举的过程如图1所示，包括：
(2.1)基站计算WSNs所有节点平均能量：设传感器节点i的能量为E(i)，WSNs中有N个存活节点，基站计算WSNs中所有节点的平均能量为：
(2.2)候选簇头节点初始化筛选：为避免粒子群算法采用随机方式选取的作为候选簇头节点集的节点能量过低，在运行过程中因开销大而加速节点的死亡，需要初始化选出的簇头节点有充足的能量进行簇内数据的处理，将所有能量大于或等于Eavg的节点筛选出来构成一个集合EA，再采用随机方式，从EA中选择K个节点，存入候选簇头节点集，构成一个粒子，在初始确定了一组候选簇头节点集后，其它的非簇头节点分别加入与其距离最近的簇头节点，完成初始分簇的建立，采用同样的方式，一共在EA中进行M次筛选，最终生成M组初始候选簇头节点集，即M个粒子，并形成M组的分簇；
(2.3)设计适应度函数评估候选簇头节点集：适应度函数是对候选簇头节点集中的所有候选簇头节点进行综合评估，因此需要考虑候选簇头节点的平均剩余能量与均衡位置，因簇头节点能耗大，以节点剩余能量作为一个评价指标有利于选出具有更高能量的簇头节点，簇头在WSNs中的位置分布越均衡，各簇头节点与基站的距离、各簇头与其簇内非簇头节点间的距离都相对更小，总的通信开销更小，依据节点的能量和位置分别设计对应的能量因子和位置均衡因子，构建适应度函数对初始候选簇头节点集进行评估，包括：
(2.3.1)确定能量因子：能量因子描述候选簇头节点集的剩余能量与非簇头节点的剩余能量的对应关系，以候选簇头节点集中所有候选簇头节点的平均剩余能量与所有非簇头节点的平均剩余能量的比值表示，以N表示网络中的存活节点数量，一个候选簇头节点集中有K个候选簇头节点，则非簇头节点为N-K个，以表示当前第r轮中簇头节点CHi的剩余能量，表示第r轮中非簇头节点NCHj的剩余能量，则候选簇头节点集的能量因子fech的计算如公式(1)所示：
(2.3.2)确定位置均衡因子：位置均衡因子通过通信距离描述候选簇头节点在WSNs中的均衡分布程度，以候选簇头节点集中所有候选簇头节点与基站的距离、每个候选簇头节点与该分簇内非簇头节点的距离与所有非簇头节点与基站距离的反比表示，以d(NCHi,BS)表示非簇头节点NCHi与基站BS之间的距离、d(CHj,BS)表示簇头节点CHj与基站BS之间的距离、d(NCHi,CHj)表示非簇头节点NCHi到其对应的候选簇头节点CHj的距离，则候选簇头节点集位置均衡因子fblch的计算如公式(2)所示：
其中，NCHi∈CHj表示非簇头节点NCHi位于候选簇头节点CHj所在的分簇内，候选簇头节点集距离基站越近，各分簇内非簇头节点到候选簇头节点的距离越小，网络通信距离越短，候选簇头节点集的位置分布越均衡，fblch的值越大；
(2.3.3)得到适应度函数：依据能量因子和位置均衡因子，采用加权方式计算候选簇头节点集的适应度，适应度函数Fch计算如公式(3)所示：
Fch＝a×fech+(1-a)×fblch (3)，
其中，a∈(0,1]是权重系数，依据WSNs对能量和位置分布的需求不同，可以调整权值，在适应度函数中，候选簇头节点集的剩余能量越大、位置分布越均衡，适应度值越大，选出的候选簇头节点集则越优；
(2.3.4)记录初始的局部最优位置和全局最优位置：针对M组初始簇头节点集，完成对其中各组候选簇头节点集的适应度计算后，记录每个候选簇头节点集本身适应度最大的位置为每一组候选簇头节点集的局部最优位置，及初始M组簇头节点集中最大适应度函数值的候选簇头节点集所在位置为全局最优位置；
(2.4)速度与位置的更新：依据初始适应度计算及初始产生的局部最优位置和全局最优位置，开始进行迭代计算，先对候选簇头节点集的位置更新，再计算位置更新后候选簇头节点的适应度，为完成对每一轮候选簇头节点集的位置更新并获得优化结果，设置一个速度来控制其变化过程，速度是矢量，设候选簇头节点在x和y方向上的速度分量分别为vxid和vyid，两个速度分量的计算，初始时随机生成，但在后续的每一轮迭代中依据候选簇头节点集前一轮的速度分量、局部最优位置pid(pxid,pyid)、全局最优位置pgd(pxgd,pygd)与候选簇头节点位置CHi(xxid,yyid)的变化关系确定，具体如公式(4)所示：
其中，w是惯性权值，表示候选簇头节点集前一轮t-1迭代的速度对本轮t迭代的候选簇头节点集的速度的影响程度，c1是认知学习因子，c2是社会学习因子，分别表示候选簇头节点集靠近局部最优位置和全局最优位置的加速权值，r1,r2∈(0,1)为随机数，借鉴仿生学中的变异性，使簇头节点集具有变异特性；
基于两个速度分量，候选簇头节点在x和y方向上的位置分量xxid和xyid如公式(5)所示：
速度的更新的过程包括：
(2.4.1)自适应学习因子计算：传统基于粒子群算法的路由协议中的学习因子c1和c2通常设置为固定值，无法平衡局部搜索能力和全局搜索能力，算法的收敛速度比较缓慢，较难获得高质量的簇头节点集，而在最优簇头节点集的选取过程中，前期的迭代侧重局部最优搜索，后期的迭代侧重全局最优搜索，为避免陷入局部最优解，扩大局部搜索范围，增强群体的多样性，设置认知学习因子c1从大到小变化，为在全局搜索中加快算法收敛，保持收敛速度和搜索效果的均衡，设置社会学习因子c2从小到大变化，结合传统学习因子的固定值设置结果，以迭代的变化情况构造自适应的学习因子，计算如公式(6)所示：
其中，t为本轮迭代次数，tmax为最大迭代次数，随着迭代次数的变化，c1和c2动态变化，满足其变化规律，使得本技术方案能够自适应地在迭代前期扩大局部搜索范围，在迭代后期能够加快全局收敛速度；
(2.4.2)自适应惯性权重计算：在每一轮迭代结束都会对选取的候选簇头节点集进行适应度函数计算，以适应度值的结果动态调整惯性权值，将会使得本轮迭代中选取的簇头节点集具有更均衡的位置，采用非线性自适应惯性权重策略计算惯性权值如公式(7)所示：
公式(7)中，wmax和wmin分别为设置的最大惯性权重和最小惯性权重，fi为候选簇头节点CHi的适应值，fmin、fmax和favg分别表示本轮候选簇头节点集的最小适应值、最大适应值和平均适应度值；
(2.5)确定位置映射策略：在每一轮迭代后，簇头节点集的位置都将被更新，可能会出现节点更新后的位置在WSNs中找不到位置相匹配的存活节点，此时，需要进行位置映射处理即采取就近原则，将更新后的位置映射到距离该位置最近的存活节点所在的位置，以Xxid、Xyid为更新后的节点坐标，CHnx、CHny为网络中存活节点CHn的坐标，位置映射如公式(8)所示：
若出现多个节点更新后的位置坐标一样时，需要在更新节点的同时设置一个标志位，在节点更新并进行位置映射时先检查标志位是否已经被标识为簇头节点，若是则依次选择距离次近的节点位置进行映射；
(2.6)迭代选出最优簇头节点集：完成位置映射后，将位置更新后的各候选簇头节点集作为优化的结果，计算各候选簇头节点集的适应度值，依据适应度值，更新每一组候选簇头节点集的局部最优位置以及本轮M组候选簇头节点集的全局最优位置，若迭代未结束，则继续进行候选簇头节点的位置更新、映射与适应度计算，否则，最后计算出的全局最优位置的候选簇头节点集为最优簇头节点集，完成簇头选举；
(2.7)分簇：依据选举的最优簇头节点集，基站计算非簇头节点到各个簇头节点的距离，将非簇头节点加入到距离最近的簇头节点，完成分簇，分簇后，传感器节点分别被称为簇头节点或普通节点，普通节点将监测的数据单跳发给簇头节点，簇头节点接收来自普通节点的数据后进行数据融合，再发给转发节点；
(3)转发节点的选举与多跳传输：转发节点的选举与多跳传输如图2所示，包括如下过程：
(3.1)确定转发节点的选举策略：采用步骤(2)中选举簇头节点的改进粒子群算法，为每个簇头节点在其分簇内的普通节点中选举一个转发节点，转发节点接收来自簇头的数据，采取相应的传输路径将数据发送给基站，将转发节点限制在每个分簇范围，保证了在最优分簇基础上，转发节点分布均衡，使得被选举的转发节点具有最优的剩余能量和位置关系，并避免WSNs中转发节点过少而加快其能耗损失；
(3.2)确定转发节点的适应度函数：由于转发节点只在一个分簇内选举，适应度函数中的能量因子和位置均衡因子的计算方法与簇头节点选举的计算方法不同，以N表示WSNs中的存活节点数量，被分为K个分簇，包含K个簇头节点，初始化时依据簇头节点筛选的方法，在各个分簇内筛选出候选转发节点，组成包含K个节点的候选转发节点集，在初始化后，普通节点数量为N-2K，以表示第r轮中候选转发节点RNi的剩余能量、表示第r轮中普通节点CNj的剩余能量，候选转发节点集的能量因子fern的计算如公式(9)所示：
以d(CNk,CHj)表示普通节点CNk到对应的簇头节点CHj之间距离、d(RNi,BS)表示候选转发节点RNi到基站BS的距离、d(RNi,CHj)表示候选转发节点RNi到对应的簇头节点CHj的距离、d(RNi,RNm)表示候选转发节点RNi和RNm之间的距离，候选转发节点的位置均衡因子fblrn计算如公式(10)所示：
其中，CNk∈CHj表示普通节点CNk位于簇头节点CHj所在的分簇内、RNi∈CHj表示候选转发节点RNi对应于簇头节点CHj，候选转发节点集距离基站越近，各分簇内簇头节点与候选转发节点的距离越小，候选转发节点集中各节点之间的距离越小，则通信路径越短，候选转发节点集的位置分布越均衡，fblrn值也越大；
依据转发节点选举的能力因子和位置均衡因子，采用加权方法构建的对候选转发节点集评价的适应度函数Frn如公式(11)所示：
Frn＝b×fern+(1-b)×fblrn (11)，
其中，b∈(0,1]为权值，表示节点剩余能量与节点位置均衡性对适应度函数的影响程度，候选转发节点集剩余能量越高，位置越均衡，则候选转发节点集的适应度值将越大，这将表明候选转发节点集越优，在候选转发节点集的多次迭代过程中，采用与簇头节点选举同样的基于自适应学习因子与惯性权重的速度更新及位置映射方法，选出最优的转发节点集；
(3.3)确定转发节点的通信传输路径：采用LEACH能耗模型，以d表示发射节点和接收节点之间的距离、d0表示门限距离，以Efs和Emp分别表示自由空间模型和多路衰减模型的功放因子参数，m表示一个数据包的比特数、Eelec表示每传输一比特数据的能耗，则距离为d的两个节点传输m比特数据、发送能耗ETX(m,d)计算如公式(12)所示：
若转发节点到基站的距离d大于门限距离d0，则转发节点的能耗将急剧消耗，为降低转发节点的发送能耗，依据转发节点与基站的距离确定转发节点采用单跳还是多跳向基站传输数据，若d＜d0，该转发节点采用单跳方式将数据传给基站，否则该转发节点采用基于最小生成树的多跳传输路径将数据传给基站；
(3.4)基于最小生成树的转发节点多跳传输路径选择：转发节点之间的路由以基站为树根，开始时将每个转发节点抽象为点，把转发节点用边连接起来，构造一个带权的连通图G＝(V,E)，其中，V包括所有转发节点，E包括V中任意两个节点间的边的集合，为搜索某个转发节点到基站的最优路径，需要综合考虑在每一跳中相邻两个转发节点间的距离与剩余能量，假设以转发节点RNi为起点，要搜索到基站所途径的下一跳节点，若转发节点RNj为RNi的一个邻居，为评估节点RNj能否作为下一跳节点，在这两个节点的边上构建一个评价权值，权值由两个节点的距离与剩余能量确定，并以wi,j表示，若节点RNj到基站的距离dj,BS大于等于节点RNi到基站的距离di,BS，则节点RNj不能作为下一跳节点，设置wi,j为∝，否则以两个节点的距离与剩余能量计算wi,j，计算如公式(13)所示：
其中，di,j表示转发节点RNi与RNj之间的距离，和分别表示当前第r轮中转发节点RNi和转发节点RNj的剩余能量，若两个转发节点的距离越大，剩余能量越小，则两个节点的权值越大，该转发节点RNj被选为下一跳的概率越小，
若转发节点RNi有多个邻居转发节点，则分别计算转发节点RNi与其它邻居节点的权值，并选取权值最小的转发节点作为其下一跳节点，在每轮转发节点选举结束后，都将采用上述的最小生成树方式建立转发节点到基站的多跳路径，
基于最小生成树的多跳路径建立方法具体过程为：在上述构造的带权连通图G＝(V,E)中，将基站v0作为树的根节点加入V中，以U记录最小生成树的节点集合，W记录待计算下一跳的转发节点与其邻居节点所构成边的权值集合，T记录最小生成树中边的权值集合：
(3.4.1)初始地，将根节点v0加入到集合U中，集合T和W均置空；
(3.4.2)根据设置的门限距离d0，依次计算V中某节点vi到v0的距离di,0，若di,0≤d0，则vi将采用单跳方式向基站传输数据，将vi加入到U中，设置vi与v0的边的权值wi,0＝0，并将wi,0加入T，转(3.4.5)，否则，需要建立vi到v0的多跳路径，转(3.4.3)；
(3.4.3)依据公式(13)计算vi到其它所有转发节点的边的权值，并将其加入W中；
(3.4.4)在W中选出最小的权值wi,k，将节点vi加入U中，并将wi,k加入T中，并置W为空；
(3.4.5)若U＝V，结束搜索，转(3.4.6)，否则，转(3.4.2)；
(3.4.6)对于T中权值为0且后一个节点为v0的权值，将该权值对应边的前一个节点作为单跳节点输出，否则，将权值对应边的前一个节点作为起点，后一个节点作为下一跳节点，继续查找下一跳节点，直到下一跳节点为v0，形成多跳路径输出，依据上述过程可以选举出具有最优能量与最短路径的转发节点集，并确定转发节点的多跳路径，结合簇头节点集的位置，建立WSNs的路由。
Claims (1)
1.一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法，其特征是，包括如下步骤：
(1)网络初始化：对N个传感器节点依次编号，并随机不均匀分布在平面监测区域内且固定不动，组成一个WSNs，WSNs中所有节点初始能量相同、处理能力和通信能力相等，基站位于WSNs之外，所有存活节点将自身能量信息、位置和编号信息发送到基站，基站接收并保存各节点的信息，每轮的簇头选举与分簇、转发节点选举与多跳传输路径选择的计算过程，都由基站完成；
(2)簇头选举：簇头选举的过程包括：
(2.1)基站计算WSNs所有节点平均能量：设传感器节点i的能量为E(i)，WSNs中有N个存活节点，基站计算WSNs中所有节点的平均能量为：
(2.2)候选簇头节点初始化筛选：将所有能量大于或等于Eavg的节点筛选出来构成一个集合EA，再采用随机方式，从EA中选择K个节点，存入候选簇头节点集，构成一个粒子，在初始确定了一组候选簇头节点集后，其它的非簇头节点分别加入与其距离最近的簇头节点，完成初始分簇的建立，采用同样的方式，一共在EA中进行M次筛选，最终生成M组初始候选簇头节点集，即M个粒子，并形成M组的分簇；
(2.3)设计适应度函数评估候选簇头节点集：依据节点的能量和位置分别设计对应的能量因子和位置均衡因子，构建适应度函数对初始候选簇头节点集进行评估，包括：
(2.3.1)确定能量因子：能量因子以候选簇头节点集中所有候选簇头节点的平均剩余能量与所有非簇头节点的平均剩余能量的比值表示，以N表示网络中的存活节点数量，一个候选簇头节点集中有K个候选簇头节点，则非簇头节点为N-K个，以表示当前第r轮中簇头节点CHi的剩余能量，表示第r轮中非簇头节点NCHj的剩余能量，则候选簇头节点集的能量因子fech的计算如公式(1)所示：
(2.3.2)确定位置均衡因子：位置均衡因子以候选簇头节点集中所有候选簇头节点与基站的距离、每个候选簇头节点与该分簇内非簇头节点的距离与所有非簇头节点与基站距离的反比表示，以d(NCHi,BS)表示非簇头节点NCHi与基站BS之间的距离、d(CHj,BS)表示簇头节点CHj与基站BS之间的距离、d(NCHi,CHj)表示非簇头节点NCHi到其对应的候选簇头节点CHj的距离，则候选簇头节点集位置均衡因子fblch的计算如公式(2)所示：
其中，NCHi∈CHj表示非簇头节点NCHi位于候选簇头节点CHj所在的分簇内；
(2.3.3)得到适应度函数：依据能量因子和位置均衡因子，采用加权方式计算候选簇头节点集的适应度，适应度函数Fch计算如公式(3)所示：
Fch＝a×fech+(1-a)×fblch (3)，
其中，a∈(0,1]是权重系数，依据WSNs对能量和位置分布的需求不同，可以调整权值；
(2.3.4)记录初始的局部最优位置和全局最优位置：记录每个候选簇头节点集本身适应度最大的位置为每一组候选簇头节点集的局部最优位置，及初始M组簇头节点集中最大适应度函数值的候选簇头节点集所在位置为全局最优位置；
(2.4)速度与位置的更新：依据初始适应度计算及初始产生的局部最优位置和全局最优位置，开始进行迭代计算，先对候选簇头节点集的位置更新，再计算位置更新后候选簇头节点的适应度，设候选簇头节点在x和y方向上的速度分量分别为vxid和vyid，两个速度分量的计算，初始时随机生成，但在后续的每一轮迭代中依据候选簇头节点集前一轮的速度分量、局部最优位置pid(pxid,pyid)、全局最优位置pgd(pxgd,pygd)与候选簇头节点位置CHi(xxid,yyid)的变化关系确定，具体如公式(4)所示：
其中，w是惯性权值，表示候选簇头节点集前一轮t-1迭代的速度对本轮t迭代的候选簇头节点集的速度的影响程度，c1是认知学习因子，c2是社会学习因子，分别表示候选簇头节点集靠近局部最优位置和全局最优位置的加速权值，r1,r2∈(0,1)为随机数，使簇头节点集具有变异特性；
基于两个速度分量，候选簇头节点在x和y方向上的位置分量xxid和xyid如公式(5)所示：
速度的更新的过程包括：
(2.4.1)自适应学习因子计算：传统基于粒子群算法的路由协议中的学习因子c1和c2设置为固定值，设置认知学习因子c1从大到小变化、社会学习因子c2从小到大变化，结合传统学习因子的固定值设置结果，以迭代的变化情况构造自适应的学习因子，计算如公式(6)所示：
其中，t为本轮迭代次数，tmax为最大迭代次数；
(2.4.2)自适应惯性权重计算：采用非线性自适应惯性权重策略计算惯性权值如公式(7)所示：
公式(7)中，wmax和wmin分别为设置的最大惯性权重和最小惯性权重，fi为候选簇头节点CHi的适应值，fmin、fmax和favg分别表示本轮候选簇头节点集的最小适应值、最大适应值和平均适应度值；
(2.5)确定位置映射策略：在每一轮迭代后，簇头节点集的位置都将被更新，将更新后的位置映射到距离该位置最近的存活节点所在的位置，以Xxid、Xyid为更新后的节点坐标，CHnx、CHny为网络中存活节点CHn的坐标，位置映射如公式(8)所示：
若出现多个节点更新后的位置坐标一样时，需要在更新节点的同时设置一个标志位，在节点更新并进行位置映射时先检查标志位是否已经被标识为簇头节点，若是则依次选择距离次近的节点位置进行映射；
(2.6)迭代选出最优簇头节点集：完成位置映射后，将位置更新后的各候选簇头节点集作为优化的结果，计算各候选簇头节点集的适应度值，依据适应度值，更新每一组候选簇头节点集的局部最优位置以及本轮M组候选簇头节点集的全局最优位置，若迭代未结束，则继续进行候选簇头节点的位置更新、映射与适应度计算，否则，最后计算出的全局最优位置的候选簇头节点集为最优簇头节点集，完成簇头选举；
(2.7)分簇：依据选举的最优簇头节点集，基站计算非簇头节点到各个簇头节点的距离，将非簇头节点加入到距离最近的簇头节点，完成分簇，分簇后，传感器节点分别被称为簇头节点或普通节点，普通节点将监测的数据单跳发给簇头节点，簇头节点接收来自普通节点的数据后进行数据融合，再发给转发节点；
(3)转发节点的选举与多跳传输：转发节点的选举与多跳传输包括如下过程：
(3.1)确定转发节点的选举策略：采用步骤(2)中选举簇头节点的改进粒子群算法，为每个簇头节点在其分簇内的普通节点中选举一个转发节点，转发节点接收来自簇头的数据，采取相应的传输路径将数据发送给基站，将转发节点限制在每个分簇范围；
(3.2)确定转发节点的适应度函数：以N表示WSNs中的存活节点数量，被分为K个分簇，包含K个簇头节点，初始化时依据簇头节点筛选的方法，在各个分簇内筛选出候选转发节点，组成包含K个节点的候选转发节点集，在初始化后，普通节点数量为N-2K，以表示第r轮中候选转发节点RNi的剩余能量、表示第r轮中普通节点CNj的剩余能量，候选转发节点集的能量因子fern的计算如公式(9)所示：
以d(CNk,CHj)表示普通节点CNk到对应的簇头节点CHj之间距离、d(RNi,BS)表示候选转发节点RNi到基站BS的距离、d(RNi,CHj)表示候选转发节点RNi到对应的簇头节点CHj的距离、d(RNi,RNm)表示候选转发节点RNi和RNm之间的距离，候选转发节点的位置均衡因子fblrn计算如公式(10)所示：
其中，CNk∈CHj表示普通节点CNk位于簇头节点CHj所在的分簇内、RNi∈CHj表示候选转发节点RNi对应于簇头节点CHj，依据转发节点选举的能力因子和位置均衡因子，采用加权方法构建的对候选转发节点集评价的适应度函数Frn如公式(11)所示：
Frn＝b×fern+(1-b)×fblrn (11)，
其中，b∈(0,1]为权值，表示节点剩余能量与节点位置均衡性对适应度函数的影响程度，在候选转发节点集的多次迭代过程中，采用与簇头节点选举同样的基于自适应学习因子与惯性权重的速度更新及位置映射方法，选出最优的转发节点集；
(3.3)确定转发节点的通信传输路径：采用LEACH能耗模型，以d表示发射节点和接收节点之间的距离、d0表示门限距离，以Efs和Emp分别表示自由空间模型和多路衰减模型的功放因子参数，m表示一个数据包的比特数、Eelec表示每传输一比特数据的能耗，则距离为d的两个节点传输m比特数据、发送能耗ETX(m,d)计算如公式(12)所示：
若转发节点到基站的距离d大于门限距离d0，则该转发节点采用基于最小生成树的多跳传输路径向基站传输数据，否则该转发节点采用单跳方式传输；
(3.4)基于最小生成树的转发节点多跳传输路径选择：转发节点之间的路由以基站为树根，开始时将每个转发节点抽象为点，把转发节点用边连接起来，构造一个带权的连通图G＝(V,E)，其中，V包括所有转发节点，E包括V中任意两个节点间的边的集合，假设以转发节点RNi为起点，要搜索到基站所途径的下一跳节点，若转发节点RNj为RNi的一个邻居，评估节点RNj能否作为下一跳节点，在这两个节点的边上构建一个评价权值，权值由两个节点的距离与剩余能量确定，并以wi,j表示，若节点RNj到基站的距离dj,BS大于等于节点RNi到基站的距离di,BS，则节点RNj不能作为下一跳节点，设置wi,j为∝，否则以两个节点的距离与剩余能量计算wi,j，计算如公式(13)所示：
其中，di,j表示转发节点RNi与RNj之间的距离，和分别表示当前第r轮中转发节点RNi和转发节点RNj的剩余能量，若转发节点RNi有多个邻居转发节点，则分别计算转发节点RNi与其它邻居节点的权值，并选取权值最小的转发节点作为其下一跳节点，在每轮转发节点选举结束后，都将采用上述的最小生成树方式建立转发节点到基站的多跳路径，
基于最小生成树的多跳路径建立方法具体过程为：在上述构造的带权连通图G＝(V,E)中，将基站v0作为树的根节点加入V中，以U记录最小生成树的节点集合，W记录待计算下一跳的转发节点与其邻居节点所构成边的权值集合，T记录最小生成树中边的权值集合：
(3.4.1)初始地，将根节点v0加入到集合U中，集合T和W均置空；
(3.4.2)根据设置的门限距离d0，依次计算V中某节点vi到v0的距离di,0，若di,0≤d0，则vi将采用单跳方式向基站传输数据，将vi加入到U中，设置vi与v0的边的权值wi,0＝0，并将wi,0加入T，转(3.4.5)，否则，需要建立vi到v0的多跳路径，转(3.4.3)；
(3.4.3)依据公式(13)计算vi到其它所有转发节点的边的权值，并将其加入W中；
(3.4.4)在W中选出最小的权值wi,k，将节点vi加入U中，并将wi,k加入T中，并置W为空；
(3.4.5)若U＝V，结束搜索，转(3.4.6)，否则，转(3.4.2)；
(3.4.6)对于T中权值为0且后一个节点为v0的权值，将该权值对应边的前一个节点作为单跳节点输出，否则，将权值对应边的前一个节点作为起点，后一个节点作为下一跳节点，继续查找下一跳节点，直到下一跳节点为v0，形成多跳路径输出，依据上述过程选举出具有最优能量与最短路径的转发节点集，并确定转发节点的多跳路径，结合簇头节点集的位置，建立WSNs的路由。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910496464.9A CN110225569B (zh) | 2019-06-10 | 2019-06-10 | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910496464.9A CN110225569B (zh) | 2019-06-10 | 2019-06-10 | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110225569A true CN110225569A (zh) | 2019-09-10 |
| CN110225569B CN110225569B (zh) | 2022-03-15 |
Family
ID=67816165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910496464.9A Active CN110225569B (zh) | 2019-06-10 | 2019-06-10 | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110225569B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111343704A (zh) * | 2020-02-29 | 2020-06-26 | 重庆邮电大学 | 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 |
| CN113347685A (zh) * | 2021-04-29 | 2021-09-03 | 全球能源互联网研究院有限公司 | 一种电力无线传感网路由分簇方法、装置及电子设备 |
| CN114125759A (zh) * | 2021-11-29 | 2022-03-01 | 南京华苏科技有限公司 | 一种基于改进粒子群的无线传感网络分簇方法 |
| CN116155329A (zh) * | 2023-04-23 | 2023-05-23 | 南京邮电大学 | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106658603A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 一种负载均衡的无线传感器网络路由节能方法 |
| CN107787021A (zh) * | 2016-08-26 | 2018-03-09 | 扬州大学 | 基于能量均衡的非均匀分簇多跳的无线传感网络路由协议 |
| CN108566663A (zh) * | 2018-01-10 | 2018-09-21 | 重庆邮电大学 | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 |
-
2019
- 2019-06-10 CN CN201910496464.9A patent/CN110225569B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107787021A (zh) * | 2016-08-26 | 2018-03-09 | 扬州大学 | 基于能量均衡的非均匀分簇多跳的无线传感网络路由协议 |
| CN106658603A (zh) * | 2016-11-17 | 2017-05-10 | 天津大学 | 一种负载均衡的无线传感器网络路由节能方法 |
| CN108566663A (zh) * | 2018-01-10 | 2018-09-21 | 重庆邮电大学 | 基于扰动粒子群优化的sdwsn能耗均衡路由算法 |
Non-Patent Citations (10)
| Title |
|---|
| D. MA ET AL.: "An adaptive node partition clustering protocol using particle swarm optimization", 《2013 10TH IEEE INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION (ICCA)》 * |
| DEXIN MA, PENGMIN XU AND JIAN MA: "An efficient node partition clustering protocol using Niching Particle Swarm Optimization", 《2013 IEEE 4TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE》 * |
| T. KAUR AND D. KUMAR: "Particle Swarm Optimization-Based Unequal and Fault Tolerant Clustering Protocol for Wireless Sensor Networks", 《IEEE SENSORS JOURNAL》 * |
| W. GUO, J. H. PARK, L. T. YANG, A. V. VASILAKOS, N. XIONG AND G.: "Design and Analysis of a MST-Based Topology Control Scheme with PSO for Wireless Sensor Networks", 《2011 IEEE ASIA-PACIFIC SERVICES COMPUTING CONFERENCE》 * |
| 卢海龙: "基于粒子群算法的组网优化问题研究", 《 CNKI优秀硕士学位论文全文库》 * |
| 张晓丹: "WSN中基于改进粒子群优化算法的分簇拓扑算法研究", 《 CNKI优秀硕士学位论文全文库》 * |
| 朱夏冰: "蚁群算法结合粒子群算法的WSN路由优化", 《 CNKI优秀硕士学位论文全文库》 * |
| 董文永，康岚兰，刘宇航，李康顺: "带自适应精英扰动及惯性权重的反向粒子群优化算法", 《通信学报》 * |
| 解志斌等: "一种新的基于粒子群优化的双簇头分簇路由算法", 《传感技术学报》 * |
| 赵金铃等: "能量优化的无线传感器网络节点路由算法研究", 《计算机仿真》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111343704A (zh) * | 2020-02-29 | 2020-06-26 | 重庆邮电大学 | 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 |
| CN111343704B (zh) * | 2020-02-29 | 2022-03-22 | 重庆邮电大学 | 异构蜂窝网络中毫微微基站的联合休眠与功率控制方法 |
| CN113347685A (zh) * | 2021-04-29 | 2021-09-03 | 全球能源互联网研究院有限公司 | 一种电力无线传感网路由分簇方法、装置及电子设备 |
| CN114125759A (zh) * | 2021-11-29 | 2022-03-01 | 南京华苏科技有限公司 | 一种基于改进粒子群的无线传感网络分簇方法 |
| CN116155329A (zh) * | 2023-04-23 | 2023-05-23 | 南京邮电大学 | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 |
| CN116155329B (zh) * | 2023-04-23 | 2023-07-28 | 南京邮电大学 | 基于元启发算法的mMIMO-NOMA系统的用户分簇和功率分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110225569B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110225569A (zh) | 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法 | |
| CN103916942B (zh) | 一种降低功耗的leach协议改进方法 | |
| CN103906164B (zh) | 海上搜救无线传感器网络拓扑及拓扑控制方法 | |
| CN101835277B (zh) | 基于leach-ant算法的无线传感器网络拓扑控制方法 | |
| CN103052147B (zh) | 一种基于无线传感网的能量有效性多级环形组网的方法 | |
| CN110336751B (zh) | 基于隶属函数的低轨卫星网络路由策略 | |
| CN104410997B (zh) | 一种用于无线传感器网络的层次型拓扑结构构建方法 | |
| CN103929782B (zh) | 一种适用于工业无线传感器网络的资源均衡多径路由方法 | |
| CN108075975B (zh) | 一种物联网环境中的路由传输路径的确定方法及确定系统 | |
| CN106658603A (zh) | 一种负载均衡的无线传感器网络路由节能方法 | |
| CN108337166A (zh) | 一种面向航空集群网络的低时延高可靠路由协议 | |
| CN103095577B (zh) | 上下文相关的非均匀分簇路由算法 | |
| CN108900996A (zh) | 一种基于双层模糊算法的无线传感器网络数据传输方法 | |
| CN109673034A (zh) | 一种基于天牛须搜索的无线传感网络分簇路由方法 | |
| CN105517093A (zh) | 一种无线传感器网络中基于网络均衡性的节能路由方法 | |
| Wang et al. | Node energy consumption balanced multi-hop transmission for underwater acoustic sensor networks based on clustering algorithm | |
| CN111107602B (zh) | 一种无线体域网能耗和时延加权最小的安全路由选择方法 | |
| CN103220747A (zh) | 一种认知无线Mesh网络的路由设计方法 | |
| CN103781166B (zh) | 异构无线网络协作通信系统中的移动终端功率分配方法 | |
| CN110049526A (zh) | Wsn中基于改进分簇算法的数据收集方法及系统 | |
| CN111065108B (zh) | 一种基于能量和信任模型的低功耗自适应分簇路由方法 | |
| CN106102116A (zh) | 机会网络中基于节点传输性能的自适应转发方法 | |
| Satyanarayana et al. | Implementation of enhanced energy aware clustering based Routing (EEACBR) algorithm to improve network lifetime in WSN’s | |
| CN110868730A (zh) | 一种基于非合作博弈的移动传感器覆盖增强方法 | |
| CN111132064A (zh) | 一种基于水下航行器的水下传感器数据采集方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190910 Assignee: Guangxi Sujian Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046272 Denomination of invention: A Method for WSNs Clustered Multi hop Routing Protocol Based on Improved Particle Swarm Optimization Algorithm Granted publication date: 20220315 License type: Common License Record date: 20231108 Application publication date: 20190910 Assignee: Guangxi Huanzhi Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046248 Denomination of invention: A Method for WSNs Clustered Multi hop Routing Protocol Based on Improved Particle Swarm Optimization Algorithm Granted publication date: 20220315 License type: Common License Record date: 20231108 |