覃海生,何傳波,吳文俊,耿茂奎,蔣忠夏

(廣西大學(xué)計算機與電子信息學(xué)院,南寧530004)

基于細胞膜優(yōu)化算法的WSN分簇協(xié)議研究

覃海生,何傳波,吳文俊,耿茂奎,蔣忠夏

(廣西大學(xué)計算機與電子信息學(xué)院,南寧530004)

針對無線傳感器網(wǎng)絡(luò)能量受約束的問題,為實現(xiàn)節(jié)點均衡能耗,平衡網(wǎng)絡(luò)簇頭分布,并最大限度地延長網(wǎng)絡(luò)壽命,提出一種基于細胞膜優(yōu)化算法的無線傳感器網(wǎng)絡(luò)能量均衡分簇協(xié)議。細胞膜優(yōu)化算法具有良好的全局尋優(yōu)和快速收斂能力,通過濃度與能量因素對節(jié)點進行劃分,并結(jié)合距離因素完成全局均衡分簇,能夠解決傳感器網(wǎng)絡(luò)中簇頭分布不均勻、全局能耗不均衡等問題。實驗結(jié)果表明,該協(xié)議具有對無線傳感器網(wǎng)絡(luò)進行快速全局均衡分簇的能力,且與LEACH算法和LEAH-C算法相比,在均衡節(jié)點能耗和延長網(wǎng)絡(luò)生存周期等方面具有更好的性能。

無線傳感器網(wǎng)絡(luò);均衡能耗;細胞膜優(yōu)化算法;LEACH算法;LEACH-C算法

1 概述

無線傳感器網(wǎng)絡(luò)［1］(Wireless Sensor Network, WSN)通過傳感器節(jié)點感知、收集各種信息,并對其進行分析處理,從而實現(xiàn)遠程目標監(jiān)控,是集信息采集、信息處理、信息傳輸于一體的綜合智能信息系統(tǒng)。由于節(jié)點多部署于無人看守區(qū)域,而且網(wǎng)絡(luò)節(jié)點的能量、計算能力與存儲能力都十分有限,特別是能量的限制,決定了網(wǎng)絡(luò)的壽命。利用分簇的層次路由［2］已經(jīng)被證明在無線傳感網(wǎng)絡(luò)的擴展性、節(jié)點平衡能耗與網(wǎng)絡(luò)整體壽命的延長等方面有很好的優(yōu)勢。

LEACH［3］(Low-energy Adaptive Clustering Hierarchy)算法是最早提出的應(yīng)用于無線傳感網(wǎng)絡(luò)的層次路由算法。LEACH-C［4］(LEACH-Centralized)是一種集中式的簇頭選擇算法,將節(jié)點當(dāng)前能量作為簇頭選取的條件,在高于全網(wǎng)平均能量的節(jié)點中尋找最佳的分簇方案、最小化的通信能量消耗。近年來,隨著對群智能優(yōu)化算法的深入研究,結(jié)合群智能算法具有較好的自適應(yīng)性、魯棒性強和可擴展性等特點,對基于群智能優(yōu)化算法的無線傳感器網(wǎng)絡(luò)分簇路由算法的研究也取得了較大的成果。文獻［5］提出了基于動態(tài)人工魚群優(yōu)化的WSN分簇算法。文獻［6-7］分別提出了在節(jié)點群智能算法上改進的無線傳感器網(wǎng)絡(luò)分簇算法。文獻［8-9］提出基于蟻群算法的對WSN分簇路由進行改進的算法。文獻［10］在人體血管網(wǎng)絡(luò)特性引入到無線傳感器網(wǎng)絡(luò)拓撲結(jié)構(gòu)和分簇模式研究的基礎(chǔ)上進行了無線傳感器網(wǎng)絡(luò)非均勻等級分簇拓撲結(jié)構(gòu)的研究。細胞膜優(yōu)化［11］(Cell Membrane Optimization,CMO)算法通過研究細胞膜的特性及其物質(zhì)轉(zhuǎn)運方式,從中進行提取優(yōu)化模型,并結(jié)合全局優(yōu)化算法的基本思想,提出了一種新型的全局優(yōu)化算法,該算法具有很好的全局尋優(yōu)能力、快速的收斂能力和獲取高精度解的能力。本文根據(jù)細胞膜優(yōu)化算法的思想,提出了一種基于細胞膜優(yōu)化算法的無線傳感網(wǎng)絡(luò)分簇協(xié)議。

2 基于細胞膜優(yōu)化算法的分簇協(xié)議思想

2.1 細胞膜優(yōu)化算法思想

細胞膜優(yōu)化算法是通過研究細胞膜的特性及其物質(zhì)轉(zhuǎn)運方式,從中進行提取優(yōu)化模型,并結(jié)合全局優(yōu)化算法的基本思想而提出的一種新型全局優(yōu)化算法。細胞膜(Cell Membrane,CM)是細胞表面的一層薄膜。它是保證細胞內(nèi)環(huán)境相對穩(wěn)定的屏障,使細胞的各種活動能夠有序地運行。物質(zhì)轉(zhuǎn)運方式主要有自由擴散、協(xié)助擴散、主動運輸、入胞和出胞等,前3種方式是重點研究的。脂溶性物質(zhì)由膜的高濃度側(cè)向低濃度側(cè)的擴散過程稱為自由擴散。非脂溶性物質(zhì)在膜蛋白(即載體)的幫助下,順濃度差跨膜擴散的程稱為協(xié)助擴散。離子或小分子物質(zhì)在膜上“泵”的作用下,被逆濃度差的跨膜轉(zhuǎn)運過程,稱為主動運輸。自由擴散不需要載體也不需要能量,協(xié)助擴散只需要載體不需要能量,主動運輸既需要載體也需要能量［12］。

根據(jù)細胞膜轉(zhuǎn)運物質(zhì)的過程,把物質(zhì)分為3種:高濃度脂溶性物質(zhì),高濃度非脂溶性物質(zhì)和低濃度物質(zhì)。在最優(yōu)化問題時,根據(jù)物質(zhì)的濃度因子大小劃分為高濃度物質(zhì)群和低濃度物質(zhì)群,接著再把高濃度物質(zhì)群進一步劃分為高濃度脂溶性物質(zhì)和高濃度非脂溶性物質(zhì)2個子物質(zhì)群。

2.2 優(yōu)化協(xié)議分簇流程

基于細胞膜優(yōu)化算法的一次分簇協(xié)議思想包括以下7個步驟:參數(shù)的設(shè)定和初始化,節(jié)點劃分,脂溶性節(jié)點的運動,高濃度非脂溶性節(jié)點運動,低濃度節(jié)點運動,當(dāng)前最優(yōu)節(jié)點循環(huán)運動和節(jié)點的更新。協(xié)議流程見圖1。

圖1 優(yōu)化協(xié)議流程

由協(xié)議可知,在每次循環(huán)結(jié)束后才對各節(jié)點群進行更新,算法結(jié)束的條件是滿足最優(yōu)條件或者達到最大循環(huán)次數(shù)。

3 基于CMO的分簇協(xié)議

3.1 參數(shù)設(shè)定與節(jié)點初始化

把無線傳感網(wǎng)絡(luò)中的每個節(jié)點都抽象成算法中的節(jié)點,有n個節(jié)點則節(jié)點總數(shù)量為n;每次選擇簇頭的最大迭代次數(shù)為Gmax;計算節(jié)點濃度采用的半徑系數(shù)為r;當(dāng)前最優(yōu)節(jié)點停止搜索的臨界值pa;搜索半徑的收縮率為pb。

在無線傳感網(wǎng)絡(luò)中隨機部署n個節(jié)點,根據(jù)半徑系數(shù)r計算每個節(jié)點半徑內(nèi)生存節(jié)點的濃度con。如節(jié)點i的濃度con定義為:其半徑內(nèi)包含的所有有效節(jié)點到i節(jié)點的距離總和除以總節(jié)點數(shù)n乘以半徑的比值,即:

e為每個節(jié)點的能量與網(wǎng)絡(luò)平均能量的比值。每個節(jié)點因子值(p)由節(jié)點的濃度con與節(jié)點能量比值e確定,即p=a·con+b·e,其中,a+b=1且a,b都大于0。引入載體因子來調(diào)節(jié)節(jié)點運動的軌跡。每個節(jié)點的載體因子ε定義為:在2倍搜索半徑(2r)內(nèi)所有有效節(jié)點到本節(jié)點距離的倒數(shù)和與總節(jié)點數(shù)n的比值。如式(2)所示:

ε為平均距離參數(shù),ε大則半徑內(nèi)的節(jié)點到本節(jié)點距離和較小,反之則較大。

3.2 節(jié)點的劃分

在n個節(jié)點中,按照因子值(p)的大小進行排序,根據(jù)表1的比例來劃分節(jié)點。

表1 節(jié)點劃分方式

按照表1的方式劃分出3種節(jié)點群,其中,X代表分配比例。最優(yōu)解要通過多次迭代才能出現(xiàn),所以不同的分配比例不會對每輪簇頭數(shù)量與最優(yōu)解產(chǎn)生太大的影響。不過偏低或過高的X都會導(dǎo)致3種節(jié)點群比例差距大、3種節(jié)點群間抖動頻繁,延長最優(yōu)解的迭代次數(shù)和3種節(jié)點群數(shù)穩(wěn)定不變的迭代次數(shù),增加計算量。綜合考慮在實驗中采用X為15%～20%的比例。

3.3 脂溶性節(jié)點的運動

每個高濃度脂溶性節(jié)點,如i節(jié)點,若半徑范圍內(nèi)有低濃度節(jié)點群L或高濃度非脂溶性節(jié)點群HF的節(jié)點,保持脂溶性節(jié)點不變,并選擇距離自己最近的一個節(jié)點作為自己的臨時最優(yōu)簇頭。若在節(jié)點搜索半徑內(nèi)沒有非脂溶性節(jié)點或低濃度節(jié)點時,節(jié)點根據(jù)自身的能量選擇概率性擴散成為非脂溶性節(jié)點或保持不變。

3.4 高濃度非脂溶性節(jié)點的運動

高濃度非脂溶性節(jié)點在搜索半徑內(nèi)與所有低濃度節(jié)點比較載體因子(ε),若存在ε大于某個低濃度節(jié)點則運動成低濃度節(jié)點,否則向半徑內(nèi)的L群節(jié)點中選擇一個最優(yōu)節(jié)點,然后向其擴散,成為脂溶性節(jié)點。

若搜索半徑內(nèi)沒有低濃度節(jié)點,則與半徑距離內(nèi)所有非脂溶性節(jié)點的ε比較,若自己最大則執(zhí)行運輸成為低濃度節(jié)點。否則保持非脂溶性節(jié)點不變。

高濃度非脂溶性節(jié)點運動存在2種類型的運動形式,一種是向低濃度節(jié)點方向的協(xié)助擴散運動,另一種是向當(dāng)前全局最優(yōu)節(jié)點方向的運動。

3.5 低濃度節(jié)點的運動

對于低濃度節(jié)點,先判斷其能量是否滿足條件,若其不滿足大于平均能量的條件,直接變成脂溶性節(jié)點,并在半徑內(nèi)尋找最優(yōu)L群和HF群節(jié)點作為自己的臨時最優(yōu)簇頭。

對于滿足能量條件的節(jié)點,算法同樣引入載體因子,進一步對低濃度節(jié)點的運動形式進行限制。接著判斷其是否滿足ε條件,如是否滿足在半徑距離內(nèi)所有低濃度節(jié)點中ε最優(yōu),若滿足則依舊保留為低濃度節(jié)點,否則運動為高濃度非脂溶性節(jié)點。

低濃度節(jié)點運動存在3種類型的運動形式:第1種是節(jié)點在搜索域的隨機運動成為脂溶性節(jié)點;第2種是向高濃度節(jié)點方向運動的主動運輸成為高濃度非脂溶性節(jié)點;第3種是向當(dāng)前全局最優(yōu)節(jié)點方向的運動并保持低濃度節(jié)點的性質(zhì)。

3.6 當(dāng)前最優(yōu)節(jié)點的循環(huán)運動

在優(yōu)質(zhì)節(jié)點附近往往會存在更優(yōu)的節(jié)點,這樣不僅充分發(fā)掘當(dāng)前最優(yōu)節(jié)點鄰域內(nèi)的節(jié)點空間,有利于種群的進化,更是對提高節(jié)點的精度有著重要的意義。

以低濃度節(jié)點作為當(dāng)前最優(yōu)節(jié)點并以其為中心,以半徑R進行搜索,R為:

其中,r為半徑系數(shù),以pb=0.8的收縮速率進行。在半徑小于等于pa時退出搜索。在搜索過程中若存在全局最優(yōu)解半徑和全局最優(yōu)分簇,則接收這個解空間。在全局解空間中保存這個解和解半徑。

主要思想是:在半徑為2r開始比較簇頭間的成簇能耗,隨機試探性地在收縮半徑內(nèi)把多個簇進行合并,如果合并后的總能量消耗小于合并前的總能量消耗的90%以上,則把多個簇合并成一個簇,減少全局的能量消耗。合并會導(dǎo)致簇成員增加,所以選擇出主從簇頭,合并后的最優(yōu)主簇頭負責(zé)收集簇內(nèi)成員的信息并融合,在多個簇中選擇一個從簇頭擔(dān)任和基站的聯(lián)系,這樣會大大減少全局能量消耗。如果此時的全局解優(yōu)于前面的全局最優(yōu)解,則接受這個解并保存到全局最優(yōu)解與最優(yōu)半徑中。繼續(xù)循環(huán)直至到達退出條件。在全部循環(huán)結(jié)束以后會產(chǎn)生本次循環(huán)的最優(yōu)分簇和最優(yōu)半徑。在最大循環(huán)次數(shù)的時候輸出全局最優(yōu)分簇和最優(yōu)半徑。

3.7 節(jié)點更新

在更新節(jié)點步驟中,把新的當(dāng)前最優(yōu)解和解半徑與原來的比較,若當(dāng)前最優(yōu)則替換原來最優(yōu)解與解半徑,計數(shù)器重置為0;否則保留原最優(yōu)解與解半徑,計數(shù)器加1。由新的3種節(jié)點群替換原來各自舊的節(jié)點群。要注意的是,所有節(jié)點只有在節(jié)點更新步驟才能進行更新節(jié)點,這是為了保證前面節(jié)點運動的并行性,也就是說,當(dāng)代節(jié)點的產(chǎn)生只與上一代的節(jié)點有關(guān),不與當(dāng)代其他任何節(jié)點的變化有關(guān)。例如,在高濃度脂溶性節(jié)點運動的步驟中,高濃度脂溶性節(jié)點的運動需要低濃度節(jié)點和非脂溶性節(jié)點的參與,也可能產(chǎn)生非脂溶性節(jié)點。而在低濃度節(jié)點的運動中,也會產(chǎn)生脂溶性節(jié)點和非脂溶性節(jié)點,它們之間存在著交叉依賴關(guān)系。若采用時時更新,那么節(jié)點運動步驟出現(xiàn)的先后順序?qū)⒂绊戇M化的結(jié)果,同時也不利于算法的并行實現(xiàn)。

3.8 協(xié)議結(jié)束條件

在每次循環(huán)結(jié)束后都判斷計數(shù)器的值是否大于3(實驗統(tǒng)計3次以后還會產(chǎn)生可替代最優(yōu)解的概率不到5%),大于3則認為滿足最優(yōu)解條件或達到最大迭代次數(shù)Gmax(根據(jù)每個實驗環(huán)境測試決定),如果沒有滿足最優(yōu)條件或未達到最大循環(huán)次數(shù)則轉(zhuǎn)到3.3節(jié)的步驟繼續(xù)執(zhí)行。否則結(jié)束本輪簇頭選擇,輸出本輪選擇出的最優(yōu)解和解半徑,作為本輪分簇的最優(yōu)分簇,并按這個解進行分簇。

4 實驗結(jié)果與分析

4.1 實驗環(huán)境與參數(shù)設(shè)定

為了測試基于CMO算法的分簇協(xié)議的性能,本文算法的仿真測試在處理器為英特爾G530、內(nèi)存2 GB的PC上,基于Matlab R2009a的環(huán)境模擬實現(xiàn)。仿真參數(shù)設(shè)置如下:在［200,200］m區(qū)域內(nèi)隨機部署200個節(jié)點,Sink的初始位置在(0,0)m。半徑系數(shù)r=40 m,節(jié)點的初始能量都為1 J。本文實驗中所有輪數(shù)都是一次分簇包括5次數(shù)據(jù)傳送。

4.2 結(jié)果分析

圖2是本文算法的一次簇頭分布,其中,星號表示簇頭;圈表示普通節(jié)點。由圖2可以看出,該算法在簇頭節(jié)點的分布上相對比較均勻,這樣有利于全局能耗的均衡。

圖2 仿真模擬節(jié)點分布

為了解不同半徑對本文協(xié)議的影響情況,實驗對不同半徑下的網(wǎng)絡(luò)存活節(jié)點數(shù)進行了比較。

根據(jù)圖3的實驗結(jié)果表明,不同半徑對網(wǎng)絡(luò)的壽命還是有比較大的影響,因而在實際應(yīng)用中針對實際的網(wǎng)絡(luò)情況,通過比較選擇出一個比較適合的半徑也相當(dāng)重要。在本文實驗中半徑在30 m左右取得比較好的使用壽命。

圖3 本文協(xié)議在不同半徑下的存活節(jié)點數(shù)比較

圖4和圖5分別給出了不同半徑下每輪的簇頭數(shù)。根據(jù)比較可以看出,在半徑為30 m時,大部分時候簇頭數(shù)目穩(wěn)定在12個～18個,簇頭數(shù)占總節(jié)點數(shù)0.6%～1%。但是半徑為40的時候簇頭數(shù)波動比較大,簇頭數(shù)目相對于30 m時少了2個 ～3個。2個簇頭數(shù)的比較:在半徑為30 m的簇頭數(shù)在300多輪的時候還保持了相對的穩(wěn)定,而半徑為40 m的時候,簇頭數(shù)在200多輪的時候開始出現(xiàn)下滑趨勢,表明了網(wǎng)絡(luò)中開始出現(xiàn)死亡節(jié)點,也體現(xiàn)出半徑為30 m時能更好地延長整個網(wǎng)絡(luò)的壽命。

圖4 半徑為30 m的簇頭數(shù)目

圖5 半徑為40 m的簇頭數(shù)目

針對不同網(wǎng)絡(luò)節(jié)點分布情況下最優(yōu)簇頭出現(xiàn)的迭代次數(shù)進行統(tǒng)計發(fā)現(xiàn),最優(yōu)的迭代次數(shù)多為6次～9次,而算法中3種節(jié)點穩(wěn)定不變的迭代次數(shù)為10次～14次,表明了在產(chǎn)生最優(yōu)解的時候3種節(jié)點還沒有穩(wěn)定,而在隨后的迭代中沒有產(chǎn)生更優(yōu)的解。在這一方面還要做進一步的研究,以使算法在節(jié)點群沒有穩(wěn)定的時候產(chǎn)生更優(yōu)解或者在節(jié)點群穩(wěn)定的時候才應(yīng)該產(chǎn)生最優(yōu)解。

經(jīng)過300次節(jié)點隨機分布進行實驗統(tǒng)計,圖6給出本文協(xié)議、LEACH算法和LEACH-C算法每輪節(jié)點存活數(shù)的比較,大部分LEACH算法第1個節(jié)點死亡的輪數(shù)是105輪左右,LEACH-C算法第1個節(jié)點死亡的輪數(shù)是176輪左右,而本文算法的第1個節(jié)點死亡集中在300輪左右,很好地延長了第1個節(jié)點的死亡時間。在網(wǎng)絡(luò)覆蓋上,LEACH算法和LEACH-C算法網(wǎng)絡(luò)的節(jié)點死亡都是在遠離基站的節(jié)點先死亡,導(dǎo)致在網(wǎng)絡(luò)節(jié)點數(shù)目下降的時候出現(xiàn)了覆蓋漏洞,而本文算法的節(jié)點死亡是隨機分布的,所以在較多的節(jié)點死亡情況下還能保持較好的覆蓋率。根據(jù)圖6也可以看出本文算法在網(wǎng)絡(luò)的整體壽命上也有較好的表現(xiàn),延長了網(wǎng)絡(luò)壽命。

圖6 算法仿真比較

5 結(jié)束語

本文通過分析細胞膜算法的特點并與無線網(wǎng)絡(luò)分簇機制相結(jié)合,提出了一種基于細胞膜算法的無線傳感網(wǎng)絡(luò)分簇協(xié)議,對網(wǎng)絡(luò)分簇與全局能耗進行優(yōu)化。協(xié)議通過節(jié)點的覆蓋率和剩余能量作為因子,利用細胞膜算法的全局尋優(yōu)能力,在全局范圍中進行最優(yōu)的分簇和簇內(nèi)最低能耗的簇頭選擇方式,克服了網(wǎng)絡(luò)簇頭分布不均衡、各分簇能量消耗不平衡、總體網(wǎng)絡(luò)能耗達不到最優(yōu)等問題。

通過實驗證明,基于細胞膜算法的分簇協(xié)議不僅均衡了全局網(wǎng)絡(luò)節(jié)點的能耗,還快速地對網(wǎng)絡(luò)進行全局分簇,降低網(wǎng)絡(luò)的總體能耗,延長了網(wǎng)絡(luò)的壽命。但是其在分簇過程中沒有考慮消息的路由傳送,今后將進一步優(yōu)化分簇協(xié)議,研究節(jié)點跳數(shù)與最優(yōu)路徑間的關(guān)系。

［1］ 鄔春學(xué),肖 麗.基于蟻群算法的低能耗LEACH協(xié)議分析［J］.上海理工大學(xué)學(xué)報,2010,32(1):99-102.

［2］ 閆效鶯,程國建,孫 濤.一種能耗均衡的WSN分簇路由算法［J］.計算機工程,2012,38(14):79-81.

［3］ Heinzelman W,Chandrakasan A,Balakrishnan H.An Application-specific Protocol Architecture for Wireless MicrosensorNetworks［J］.IEEE Transactionson Wireless Communications,2002,1(4):660-670.

［4］ Siva D M G,Ma D C F.A Centralized Energy Efficient Routing Protocol for Wireless Sensor Networks［J］.IEEE Radio Communications,2005,43(3):8-13.

［5］ 劉向東,宋 欣,王翠榮.基于動態(tài)人工魚群優(yōu)化的WSN分簇算法［J］.微電子學(xué)與計算機,2011,28(8): 43-46.

［6］ 范興剛,侯佳斌,介 靖,等.基于DPSO的智能WSN分簇路由算法［J］.傳感技術(shù)學(xué)報,2011,24(4): 593-600.

［7］ 李洪兵,余成波,閆俊輝,等.基于改進節(jié)點群聚類的無線傳感網(wǎng)絡(luò)能量均衡分簇策略［J］.計算機應(yīng)用研究,2011,28(2):657-660.

［8］ 廖明華,張 華,謝健全.基于蟻群算法的WSN能量預(yù)測路由協(xié)議［J］.計算機工程,2012,38(3):88-90.

［9］ 蘇 兵,黃 娟.一種基于蟻群算法的WSN能效均衡路由［J］.微電子學(xué)與計算機,2012,29(11):50-52.

［10］ 李洪兵,熊慶宇,石為人.無線傳感器網(wǎng)絡(luò)非均勻等級分簇拓撲結(jié)構(gòu)研究［J］.計算機科學(xué),2013,40(2): 49-52.

［11］ 譚世恒,余衛(wèi)宇.一種新型的全局優(yōu)化算法——細胞膜優(yōu)化算法［J］.計算機應(yīng)用研究,2011,28(2): 455-457.

［12］ 譚世恒.一種新型的群智能優(yōu)化算法——細胞膜優(yōu)化算法及其應(yīng)用［D］.廣州:華南理工大學(xué),2011.

編輯 任吉慧

Research on Clustering Protocol of WSN Based on Cell Membrane Optimization Algorithm

QIN Haisheng,HE Chuanbo,WU Wenjun,GENG Maokui,JIANG Zhongxia
(College of Computer and Electronic Information,Guangxi University,Nanning 530004,China)

Aiming at energy constrained problems in Wireless Sensor Network(WSN),in order to achieve a balanced energy consumption of nodes,balance cluster heads distribution,and maximize the network lifetime,this paper proposes a WSN energy balanced clustering protocol which is based on the Cell Membrane Optimization(CMO)algorithms.The CMO algorithm has good ability of global optimization,and fast convergence capability.The new clustering protocol divides the nodes through concentration and energy factors.Combined with the distance factor for global clustering balance,it can be a good solution to the uneven distribution for cluster head,imbalanced global energy and other issues.Experiments show that the protocol has the capability of balanced global clustering quickly.Compared with LEACH algorithm and LEACH-C algorithm,it has better performance in terms of balancing power consumption and prolonging the network lifetime.

Wireless Sensor Network(WSN);balanced energy consumption;Cell Membrane Optimization(CMO) algorithm;LEACH algorithm;LEACH-C algorithm

1000-3428(2014)11-0092-05

A

TP393

10.3969/j.issn.1000-3428.2014.11.018

國家自然科學(xué)基金資助項目(61262072)。

覃海生(1956-),男,教授,主研方向:網(wǎng)絡(luò)與信息安全;何傳波、吳文俊、耿茂奎、蔣忠夏,碩士研究生。

2013-09-27

2014-01-02E-mail:hechuanbo40701@126.com

中文引用格式:覃海生,何傳波,吳文俊,等.基于細胞膜優(yōu)化算法的WSN分簇協(xié)議研究［J］.計算機工程,2014, 40(11):92-96.

英文引用格式:Qin Haisheng,He Chuanbo,Wu Wenjun,et al.Research on Clustering Protocol of WSN Based on Cell Membrane Optimization Algorithm［J］.Computer Engineering,2014,40(11):92-96.