田紀(jì)堯,劉廣鐘

(上海海事大學(xué) 信息工程學(xué)院,上海 201306)

0 概述

無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network,WSN)是一種分布式傳感網(wǎng)絡(luò),其由微小、能量有限的傳感器組成,主要應(yīng)用于環(huán)境監(jiān)測、軍事、航空、工業(yè)、商業(yè)等領(lǐng)域[1]。目前基于分簇的分層路由已經(jīng)被證明是提高網(wǎng)絡(luò)能量利用效率最有效的技術(shù)之一[2]。通過分簇,普通節(jié)點(diǎn)收集信息,簇頭對信息融合整理進(jìn)而傳輸至基站。傳統(tǒng)的LEACH[3]協(xié)議采用“隨機(jī)選取簇首,單跳傳輸至基站”的機(jī)制。由于簇首的選取帶有一定隨機(jī)性,簇首任務(wù)繁重,較其他的節(jié)點(diǎn)要消耗更多的能量,這樣會加快低能量節(jié)點(diǎn)的死亡。同時,在簇間路由階段,簇首選擇單跳方式直接與基站通信,導(dǎo)致距離較遠(yuǎn)的節(jié)點(diǎn)由于長距離傳輸而增加傳輸能耗,也會加快節(jié)點(diǎn)死亡。因此,無線傳感器網(wǎng)絡(luò)研究的主要目標(biāo)是最小化能量消耗并延長網(wǎng)絡(luò)壽命[4]。

模糊算法在無需建立數(shù)學(xué)建模基礎(chǔ)上[5],對多個因素綜合評價得出優(yōu)先級,并以傳統(tǒng)的蟻群優(yōu)化(Ant Colony Optimization,ACO)[6]算法作為路由選擇的基礎(chǔ)。由此,本文提出一種基于多因素的能量優(yōu)化分簇路由算法,利用模糊理論推選出最優(yōu)簇首,引入泰爾指數(shù)改進(jìn)蟻群算法的轉(zhuǎn)移概率函數(shù),并在信息素更新過程中建立多因素線性規(guī)劃模型提高能量優(yōu)化率,以延長整個網(wǎng)絡(luò)生命周期。

1 相關(guān)工作

針對LEACH分簇協(xié)議存在的不足,研究人員提出多種關(guān)于改進(jìn)的分層路由協(xié)議。文獻(xiàn)[7]提出LEACH-C協(xié)議,通過基站記錄所有節(jié)點(diǎn)的位置和能量狀況,依據(jù)數(shù)據(jù)信息求出網(wǎng)絡(luò)整體的能量剩余狀態(tài),然而每個節(jié)點(diǎn)需要與基站通信,簇首的選取過程采取集中式,由基站負(fù)責(zé)挑選簇首,從而增大整個網(wǎng)絡(luò)的能量消耗,并不適用大規(guī)模網(wǎng)絡(luò)。文獻(xiàn)[8]提出EEUC協(xié)議,該協(xié)議通過節(jié)點(diǎn)與基站之間不同距離劃分為規(guī)模的簇,然而在該協(xié)議的設(shè)計(jì)過程中并未將節(jié)點(diǎn)的剩余能量考慮其中,極易出現(xiàn)在后續(xù)輪的簇首推選中,使能量較低的節(jié)點(diǎn)成為簇首。文獻(xiàn)[9]為延長網(wǎng)絡(luò)生命周期提出了REAC-IN協(xié)議,然而結(jié)合節(jié)點(diǎn)剩余能量和區(qū)域平均能量確定簇首的方式極易造成距離基站遠(yuǎn)的節(jié)點(diǎn)承擔(dān)巨大的運(yùn)輸任務(wù)。文獻(xiàn)[10]以聚類方式按照節(jié)點(diǎn)之間的位置分為不同區(qū)域,以節(jié)點(diǎn)剩余能量確定區(qū)域之間的距離,但個別節(jié)點(diǎn)剩余能量較多,無法實(shí)現(xiàn)傳輸能量動態(tài)平衡。文獻(xiàn)[11]提出的BEERA協(xié)議改進(jìn)LEACH閾值和最優(yōu)半徑選擇簇頭,以跳數(shù)確定簇間路由,然而跳數(shù)小的2個簇頭之間會一直擔(dān)任轉(zhuǎn)發(fā)任務(wù),降低了網(wǎng)絡(luò)負(fù)載均衡性能。

近年來,眾多學(xué)者將模糊理論和蟻群算法應(yīng)用于分簇路由協(xié)議。文獻(xiàn)[12-13]的2種協(xié)議采用模糊理論,基于距離和能量2個要素推選簇首,摒棄隨機(jī)概率選擇簇首,較LEACH相比有效延長了網(wǎng)絡(luò)壽命。CHBFT[14]雖采用模糊規(guī)則算法推選簇頭,然而在簇間路由確定中僅限于小規(guī)模網(wǎng)絡(luò)。文獻(xiàn)[15]對基于ACO的分簇路由協(xié)議進(jìn)行了全面審查,提到以能量為基礎(chǔ)的BABR、EEABR、ACO-QoSR等和以位置為基礎(chǔ)的ASTRL、UMM、ODTS等均未綜合考慮節(jié)點(diǎn)之間的相對距離和剩余能量,以致簇首能量消耗過快,從而縮減網(wǎng)絡(luò)整體生命周期。文獻(xiàn)[16]提出一種基于蟻群的新路由算法,考慮節(jié)點(diǎn)之間的通信距離、剩余能量,利用蟻群算法尋找到最優(yōu)路徑,此過程未考慮信息素更新帶來的局部消耗過快問題。文獻(xiàn)[17]提出CFEL協(xié)議,該協(xié)議應(yīng)用模糊規(guī)則并基于距離和能量2個要素推選合適的簇首。該協(xié)議要求每個節(jié)點(diǎn)配置GPS,但未考慮節(jié)點(diǎn)密度這個變量,一方面增加了節(jié)點(diǎn)的整體花銷,另一方面選取簇首中密度較大的簇可能會造成消耗能量快,同時,其對簇間路由階段沒有進(jìn)行改進(jìn),不利于提高網(wǎng)絡(luò)利用率。

本文提出一種基于多因素的能量優(yōu)化分簇路由算法。該算法通過將模糊理論和蟻群優(yōu)化相結(jié)合選取最優(yōu)簇首和簇間路由,從而加強(qiáng)簇首選舉質(zhì)量,提高負(fù)載均衡性能。

2 系統(tǒng)模型

2.1 網(wǎng)絡(luò)模型

本文算法采用與文獻(xiàn)[18]類似的網(wǎng)絡(luò)模型,MFEO協(xié)議對無線傳感器網(wǎng)絡(luò)作出以下假設(shè):

1)區(qū)域內(nèi)的所有節(jié)點(diǎn)隨機(jī)分布在檢測區(qū)域內(nèi),所有節(jié)點(diǎn)初始能量相同且基站能量無限。

2)節(jié)點(diǎn)數(shù)為100,檢測區(qū)域面積為100 m×100 m。

3)節(jié)點(diǎn)沒有配備GPS天線,因此它們無法感知位置信息,相反可以基于接收信號強(qiáng)度來計(jì)算節(jié)點(diǎn)之間的近似距離。

4)所有節(jié)點(diǎn)具有相同屬性和性能,既可以擔(dān)任普通節(jié)點(diǎn),也可以擔(dān)任簇首,簇首節(jié)點(diǎn)會進(jìn)行數(shù)據(jù)融合去除冗余。

2.2 能量模型

本文使用與經(jīng)典LEACH協(xié)議相同的一階無線電模型[19],根據(jù)發(fā)送點(diǎn)與接收點(diǎn)之間的距離采用自由空間和多路徑衰減模型,無線電模型如圖1所示。

圖1 無線電模型Fig.1 Radio model

節(jié)點(diǎn)將kbit數(shù)據(jù)發(fā)送到距離為d的節(jié)點(diǎn)消耗能量為:

(1)

節(jié)點(diǎn)接收kbit數(shù)據(jù)消耗的能量為:

Erx(k)=k×Eelec

(2)

由式(1)可知:

(3)

其中,Eelec為節(jié)點(diǎn)發(fā)送或接收1 bit數(shù)據(jù)所消耗的能量,εf-s與εm-p分別為自由空間模型和多路徑衰減模型中功率放大的能量損耗,單位分別為J/(bit·m2)和J/(bit·m4),d為兩節(jié)點(diǎn)之間距離,d′為傳輸距離閾值,當(dāng)消息傳輸距離小于d′時采用自由空間模型,否則使用多徑衰落模型。

3 算法描述

本文算法每輪分為分簇階段和數(shù)據(jù)傳輸階段。在分簇階段,一方面完成網(wǎng)絡(luò)分簇,另一方面選出簇首。通過改進(jìn)的模糊規(guī)則算法,綜合考慮節(jié)點(diǎn)因素推選出合適的簇首,在每個簇中只有一個簇首,完成數(shù)據(jù)收集、轉(zhuǎn)發(fā)和數(shù)據(jù)融合去除冗余傳至基站。在數(shù)據(jù)傳輸過程中,傳統(tǒng)意義的“蟻群算法”設(shè)計(jì)中缺少能耗與通信質(zhì)量均衡,通過對蟻群算法中的概率轉(zhuǎn)移模型進(jìn)行優(yōu)化并且在信息素更新過程中建立能量消耗與通信質(zhì)量線性規(guī)劃,從而優(yōu)化全局信息素的更新。

3.1 網(wǎng)絡(luò)分簇

采用非均勻分簇方式將網(wǎng)絡(luò)分為大小不同的區(qū)域,首先選出部分節(jié)點(diǎn)作為候選節(jié)點(diǎn),存儲于集合TC(i),其次基站通過給定的功率向所有的節(jié)點(diǎn)發(fā)送廣播,按照式(4)中的能量競爭半徑分簇[20]。

c1+c2=1

(4)

3.2 簇首選取

模糊控制器通過使用模糊思維對建立的數(shù)學(xué)模型進(jìn)行控制,其結(jié)構(gòu)包括模糊變量輸入、建立隸屬度函數(shù)、模糊規(guī)則表和解模糊過程[21]。MFEO算法在簇頭選取階段以候選節(jié)點(diǎn)的相對剩余能量、相對中心度、節(jié)點(diǎn)所在簇相對密度3個變量作為輸入變量,通過變量模糊化、模糊規(guī)則制定、解模糊化,得到一個機(jī)會變量,從而推出最優(yōu)簇頭。

3.2.1 模糊變量的確定

確定模糊變量主要有以下3點(diǎn):

1)相對剩余能量

節(jié)點(diǎn)的相剩余能量是指候選節(jié)點(diǎn)TTC(i)的剩余能量和所在簇中的所有節(jié)點(diǎn)平均剩余能量之比。在網(wǎng)絡(luò)的運(yùn)行過程中,能量作為網(wǎng)絡(luò)生命周期持續(xù)運(yùn)行的基本條件,只有相對剩余能量較多,成為簇首的可能性更大,則相對剩余能量為:

(5)

2)相對中心度

節(jié)點(diǎn)的相對中心度計(jì)算公式為[22]:

(6)

其中,xi和yi代表候選節(jié)點(diǎn)i的橫坐標(biāo)和縱坐標(biāo)。

候選節(jié)點(diǎn)的相對中心度是指節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)的緊密程度,緊密程度越高,節(jié)點(diǎn)之間通信距離越短,消耗的能量越少,則相對中心度為:

(7)

其中,D(X)為當(dāng)前候選節(jié)點(diǎn)的中心度,Dmax和Dmin分別代表所在簇內(nèi)最大、最小中心度。

3)相對密度

節(jié)點(diǎn)密度是指在一定的通信范圍內(nèi)節(jié)點(diǎn)附近密集程度(具體而言是指一個節(jié)點(diǎn)在信息交流范圍內(nèi)節(jié)點(diǎn)的數(shù)目),節(jié)點(diǎn)密度計(jì)算公式為:

(8)

其中,Sum(i)為當(dāng)前候選節(jié)點(diǎn)i通信范圍內(nèi)的鄰居數(shù)目,RRD代表式(7)中的相對中心度。

針對一個簇內(nèi)的候選節(jié)點(diǎn),簇頭擔(dān)任的任務(wù)是將各節(jié)點(diǎn)收集到的數(shù)據(jù)進(jìn)行融合進(jìn)而轉(zhuǎn)發(fā)至基站,若鄰居多的節(jié)點(diǎn),其任務(wù)工作量更加艱巨,因而考慮相對密度這一變量,如式(9)所示。

(9)

從式(5)、式(7)、式(9)可知,在簇首選取過程中,綜合考慮節(jié)點(diǎn)的剩余能量、中心度、密度3個因素,候選節(jié)點(diǎn)的相對剩余能量越大,與鄰居節(jié)點(diǎn)越緊密以及密度越大,成為簇首的可能也越大。下文將對3個模糊變量模糊化,即建立隸屬度函數(shù)和模糊規(guī)則庫。

3.2.2 模糊變量的模糊化

模糊規(guī)則控制即通過輸入精確值,模糊處理綜合多個指標(biāo)進(jìn)行分析,最后經(jīng)過解模糊過程輸出精確值。候選節(jié)點(diǎn)相對剩余能量、相對中心度、相對密度3個變量作為模糊輸入值,機(jī)會變量作為輸出變量。中間的模糊化過程包括建立隸屬度函數(shù)和模糊規(guī)則庫。

在建立隸屬度函數(shù)過程中,通過輸入變量和輸出變量確定參數(shù)及等級,如表1所示。

表1 隸屬度函數(shù)參數(shù)及等級Table 1 Parameters and levels membership function

隸屬度函數(shù)的確定帶有一定的主觀性,需要參考一定的經(jīng)驗(yàn)。相對剩余能量采取梯形隸屬度函數(shù);相對中心度和相對密度采用梯形隸屬度函數(shù)和高斯隸屬函數(shù),如圖2所示。

圖2 變量隸屬度函數(shù)的輸入Fig.2 Input of variable membership function

3個變量作為輸入值進(jìn)行模糊運(yùn)算,通過模糊規(guī)則將輸出變量即機(jī)會變量Chance分為7個等級,如圖3所示。

圖3 機(jī)會變量隸屬度函數(shù)的輸出Fig.3 Output of the membership function of the chance variable

模糊規(guī)則的制定基于3條輸入變量,共有3×3×3=27條規(guī)則。MFEO算法采用“IF-THEN”規(guī)則,即IFX、Y、Z、THENC,其中,X代表相對剩余能量模糊集合,Y代表相對中心度模糊集合,Z代表相對密度模糊集合,C代表機(jī)會變量對應(yīng)的模糊集合。如對于簇內(nèi)的每個節(jié)點(diǎn),相對剩余能量越多,相對中心度越緊密以及相對密度越大,則成為簇頭的機(jī)會更大。模糊規(guī)則如表2所示,其中括號中數(shù)字為節(jié)點(diǎn)數(shù)。

表2 模糊規(guī)則Table 2 Fuzzy rules

3.2.3 解模糊化

解模糊化的過程則是把經(jīng)過模糊規(guī)則處理的數(shù)據(jù)通過一定方法轉(zhuǎn)變成具體的數(shù)值,MFEO算法采用式(10)提出的重心法COG(Centre of Gravity)[23],計(jì)算公式如下:

(10)

重心法為每一個節(jié)點(diǎn)求出一個確定的數(shù)值,數(shù)值的大小說明了簇首當(dāng)選的優(yōu)先級,則通過綜合考慮節(jié)點(diǎn)的剩余能量、鄰居節(jié)點(diǎn)的緊密程度及相對密度,從而確定最優(yōu)簇首。此時,在通信半徑d范圍內(nèi),最佳的簇頭選取完畢并存儲于集合CH(i)中,范圍內(nèi)的其他節(jié)點(diǎn)自動轉(zhuǎn)為普通節(jié)點(diǎn)。之后,簇首進(jìn)行發(fā)送廣播,普通節(jié)點(diǎn)收到廣播后選擇最近范圍內(nèi)的簇首發(fā)送請求入簇請求,簇首收到廣播后將請求的節(jié)點(diǎn)加入到自己的鄰居表中,隨后向簇中的成員發(fā)送確認(rèn)消息并分配TDMA時隙,簇頭則會通過計(jì)算自己的時隙大小,根據(jù)其時隙的數(shù)值大小向簇首發(fā)送數(shù)據(jù)。

3.3 簇間路由

在分簇完成后,選擇合適的簇間路由是數(shù)據(jù)傳輸階段的關(guān)鍵。為實(shí)現(xiàn)能量消耗的均衡,提高網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)挠行?采用蟻群算法作為路由選擇的基礎(chǔ),引入經(jīng)濟(jì)學(xué)中的泰爾指數(shù)綜合考慮剩余能量與簇首間的距離,進(jìn)而優(yōu)化轉(zhuǎn)移概率模型,并且在信息素更新過程中引入能耗因子建立多因素線性規(guī)劃模型。

3.3.1 蟻群算法轉(zhuǎn)移概率函數(shù)的優(yōu)化

基于傳統(tǒng)的轉(zhuǎn)移概率函數(shù),數(shù)據(jù)包傳輸過程假設(shè)為“螞蟻”尋徑過程,t時刻螞蟻k從節(jié)點(diǎn)m選擇下一跳為n的概率函數(shù)為:

(11)

其中,τmn為路徑(m,n)上的信息素,m和n分別代表2個簇首,初始信息素為τ0,存儲在簇首的路由表中,ηm,n為局部啟發(fā)因素,α和β分別為信息素權(quán)重、啟發(fā)因子權(quán)重,q代表下一跳的節(jié)點(diǎn),Mi代表下一跳集合。“螞蟻”可以根據(jù)信息素及局部的啟發(fā)因素確定下一跳。

經(jīng)濟(jì)學(xué)中的泰爾指數(shù)是一種度量個人或社會人均經(jīng)濟(jì)分配不均的方法,計(jì)算公式如式(12)所示。

(12)

其中,xi、pi分別代表第i個樣本單位指標(biāo)值和人口,X、P分別代表總體樣本單位的指標(biāo)值和人口綜合[24]。簇首選擇下一跳過程中需要考慮多種因素,簇內(nèi)節(jié)點(diǎn)將數(shù)據(jù)傳輸至簇首時,簇首的剩余能量不均以及各簇首之間相對距離不同,從而簇間路由的確定涉及到多因素不均的情形。因此,將泰爾指數(shù)引入到簇間路由確定過程中,即:

(13)

(14)

(15)

在新的轉(zhuǎn)移概率函數(shù)中,優(yōu)化局部啟發(fā)因素,綜合考慮簇首的剩余能量與相對距離,防止在下一跳簇首選取過程中存在選擇的節(jié)點(diǎn)剩余能量高且相對距離遠(yuǎn)的情況,進(jìn)而選擇下一跳更具有針對性。最后選取的簇首按照概率大小依次存入集合Mnext。

Mnext=argmax(Pm,q),?q∈Mi

(16)

3.3.2 信息素更新

前向螞蟻從初始地到目的地后,后向螞蟻完成信息素的更新。由于“正反饋”的特性,最短路徑上的信息素含量會升高,導(dǎo)致會有更多的螞蟻通過此路徑,這樣帶來的結(jié)果使得該路徑的能量不斷地被消耗,加速該路徑上的節(jié)點(diǎn)快速死亡。此外,由于非最優(yōu)路徑上的信息素會隨時間不斷揮發(fā),最初找到的最佳路徑不再是需要的“合適路徑”。因而,在信息素更新過程中,為提高全局路徑的利用性,信息素更新采用局部和全局相互結(jié)合的規(guī)則。

局部更新公式為:

(17)

為防止信息素更新過程中出現(xiàn)局部更新滯留或者全局更新?lián)]發(fā)過快的情況,綜合網(wǎng)絡(luò)能量和通信距離建立一個線性規(guī)劃模型,提高整體網(wǎng)絡(luò)的通信效率。路徑的通信能量取決于簇首與下一跳的相對能量值,通信距離則需要當(dāng)前節(jié)點(diǎn)與下一跳之間的相對距離值表示,為兩者建立的線性規(guī)劃問題如式(18)所示。

α+β=1,m,n∈Mi

(18)

當(dāng)一次迭代后所有的螞蟻到達(dá)目的地,將式(18)引入其中,進(jìn)行全局信息素更新。

(19)

其中,Qk為螞蟻k釋放的信息素濃度,Lk為螞蟻k從目的地到終點(diǎn)所記錄的最佳路徑。

通過上述公式可知,在信息素更新過程中,綜合考慮簇首之間的相對能量值及距離問題,同時采用局部和全局更新方式,可有效保持信息素更新的動態(tài)平衡。

3.4 復(fù)雜度分析

時間復(fù)雜度是衡量算法計(jì)算量的標(biāo)準(zhǔn),本節(jié)主要分析MFEO算法的時間復(fù)雜度。MFEO算法將整個分簇路由協(xié)議分為2個階段:利用模糊算法進(jìn)行簇首的選舉與優(yōu)化蟻群算法的轉(zhuǎn)移概率函數(shù),完成簇間路由的確定。2個階段的偽代碼如下:

偽代碼1簇首選舉過程

Begin

1.For i=1 to S(i)

2.Sink node broadcast to each node i with a given power

3.Calculate the R(i) based on 式(1)

4.End For

5.For i=1 to TC(i)

6.Launch fuzzy logic to calculate RE(TC)、RD、RCD based on 式(5)、式(7)、式(9)

7.Output Chance variable for each TC(i)

8.End For

9.Select Cluster Headers saved in CH(i)

10.For i=1 to CH(i)

11.Each Cluster Header sends message to ordinary nodes in R(i)

12.Sensor nodes join cluster and allocate the TDMA

13.End For

End

偽代碼2簇間路由過程

Begin

1.For each Cluseter Header in CH(i)

2.Compute pm,n(t) based on 式(15)

3.Stored by probability in Mnext(i)

4.End For

5.While (Mnext(i)≠?)

6.Update pheromone based on 式(19)

7.Each Cluster Header establish inter-cluster routing dynamically based on 式(18)

8.End While

End

在第1階段中,核心部分為第5步～第12步。初始化階段基站發(fā)布消息通過RSSI測出每個節(jié)點(diǎn)到基站的距離。假設(shè)參與簇首競選的有NNT個,通過模糊算法有M個候選簇首競選成功,簇首發(fā)布M條廣播,通信半徑內(nèi)其他N-M個節(jié)點(diǎn)自動轉(zhuǎn)為普通節(jié)點(diǎn),發(fā)布入簇的消息,從而分簇階段完成。在第2階段中,M個簇首通過蟻群算法發(fā)布M條消息,按照轉(zhuǎn)移概率大小進(jìn)行排序,進(jìn)而建立M條簇間路由,因此,整個網(wǎng)絡(luò)復(fù)雜度為:O(N)=1+NNT+M+N-M+M=(T+1)N+M+1。

4 仿真結(jié)果與分析

4.1 參數(shù)設(shè)置

采用Matlab平臺對本文提出的MFEO和已有的LEACH、CFEL算法進(jìn)行仿真。仿真環(huán)境是在一個長和寬為100 m的正方形區(qū)域內(nèi)隨機(jī)部署100個無線傳感器節(jié)點(diǎn)。部分參數(shù)如表3所示,無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署仿真模型如圖4所示。

表3 部分仿真參數(shù)Table 3 Part of simulation parameters

圖4 無線傳感器節(jié)點(diǎn)部署示意圖Fig.4 Wireless sensor node deployment

4.2 仿真性能指標(biāo)分析

MFEO算法在簇首選取階段采用模糊規(guī)則算法,以“輪”為基礎(chǔ),與CFEL算法相比加入“相對密度”要素,與LEACH相比未采用隨機(jī)概率選取簇首,以提高簇首選擇的針對性;在簇間路由階段,采用優(yōu)化的蟻群算法,同時考慮簇首能量與相對距離,此外,建立線性規(guī)劃問題,加強(qiáng)“信息素”更新過程,提高下一跳選擇的針對性。實(shí)驗(yàn)分別從網(wǎng)絡(luò)生命周期、網(wǎng)絡(luò)能耗、網(wǎng)絡(luò)的負(fù)載均衡3個方面進(jìn)行討論分析。

4.2.1 網(wǎng)絡(luò)生命周期

圖5是MFEO與CFEL、LEACH算法在死亡節(jié)點(diǎn)數(shù)目的對比曲線。實(shí)驗(yàn)以4 000輪為基礎(chǔ),死亡節(jié)點(diǎn)數(shù)是網(wǎng)絡(luò)生命周期的體現(xiàn),死亡節(jié)點(diǎn)越少,則網(wǎng)絡(luò)的生命周期則越長。從圖5可知,3種算法出現(xiàn)死亡節(jié)點(diǎn)區(qū)間輪數(shù)分別為[1 500,1 800]、[1 800,2 000]、[2 500,3 000]。由于MFEO在簇首選取階段,綜合“相對能量”“相對中心度”“相對密度”3個要素。在距離普通節(jié)點(diǎn)遠(yuǎn)、處于稀疏的情況下提高簇首選取的高效性,所以節(jié)點(diǎn)相對剩余能量多、鄰居節(jié)點(diǎn)多、彼此之間相對距離近的節(jié)點(diǎn)更有可能成為簇首。同時,在簇間路由階段,對蟻群算法中的轉(zhuǎn)移概率函數(shù)進(jìn)行優(yōu)化,在選擇下一跳過程中,不僅考慮相對剩余能量,同時考慮簇首之間的相對距離,從而提高了選擇下一跳的合理性。因此,MFEO在能量的消耗方面較CFEL、LEACH算法有所提高,從而延長了整個網(wǎng)絡(luò)的生命周期。

圖5 LEACH、CFEL、MFEO 3種算法死亡節(jié)點(diǎn)數(shù)對比Fig.5 Comparison of the dead nodes number of LEACH, CFEL,MFEO algorithms

4.2.2 網(wǎng)絡(luò)能耗

維持無線傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)壽命主要是節(jié)點(diǎn)能量,因此,節(jié)點(diǎn)剩余能量越多,整個網(wǎng)絡(luò)維持的時間越久。圖6是MFEO與CFEL、LEACH三者的節(jié)點(diǎn)剩余能量對比。從圖6可知,在整個網(wǎng)絡(luò)的運(yùn)行過程中,MFEO在同一輪中與CFEL、LEACH相比,剩余能量較多,說明MFEO明顯降低了能量的消耗。這得益于在選取簇首過程中綜合考慮了多種因素,因而選出的簇首更具有合理性,其次在數(shù)據(jù)傳輸過程中,普通節(jié)點(diǎn)將數(shù)據(jù)傳輸至所在簇的簇首后,優(yōu)化搜索最佳路徑方式,減少了網(wǎng)絡(luò)傳輸中能量消耗。

圖6 LEACH、CFEL、MFEO 3種算法節(jié)點(diǎn)剩余能量對比Fig.6 Comparison of the remaining energy of nodes of LEACH,CFEL,MFEO algorithm

4.2.3 網(wǎng)絡(luò)負(fù)載均衡

圖7為MFEO與CFEL、LEACH算法節(jié)點(diǎn)平均方差對比。在初始的運(yùn)行過程中,三者具有相同的走向,MFEO與CFEL、LEACH相比,出現(xiàn)波峰的時間較晚,并且數(shù)值大于后者,從而說明了MFEO提高了負(fù)載均衡能力。這主要是由于在簇首路由建立過程中,不僅要考慮數(shù)據(jù)的傳輸,同時綜合考慮數(shù)據(jù)傳輸過程中通信質(zhì)量與能量消耗的均衡,為兩者建立線性規(guī)劃,從而減少數(shù)據(jù)傳輸造成的節(jié)點(diǎn)能耗不均的問題。

圖7 MFEO、CFEL、LEACH 3種算法節(jié)點(diǎn)平均方差對比Fig.7 Comparison of the average variance of MFEO,CFEL,LEACH algorithms

5 結(jié)束語

為降低WSN中的能量消耗、延長網(wǎng)絡(luò)的生命周期,本文提出一種基于多因素的能量優(yōu)化分簇路算法(MFEO)。綜合相對剩余能量、相對中心度、相對密度3個變量,利用模糊規(guī)則算法選出最優(yōu)簇首,引入經(jīng)濟(jì)學(xué)中的泰爾系數(shù)改進(jìn)概率轉(zhuǎn)移函數(shù)模型,優(yōu)化信息素的更新過程,同時建立通信質(zhì)量與能量消耗線性規(guī)劃模型,以選擇簇首之間的最佳路徑。仿真結(jié)果表明,與CFEL、LEACH算法相比,MFEO算法能明顯提高網(wǎng)絡(luò)生命周期并降低能量消耗。