顏 清，劉 瑛，王國仕，張應斌

(1.海南電網(wǎng)有限責任公司 信息通信分公司，?？?570000；2.海南電網(wǎng)有限責任公司，海口 570000)

0 引言

隨著智能化時代的到來，無線傳感器網(wǎng)絡(WSN，wireless sensor network)在越來越多的領域得到應用，例如無人駕駛、醫(yī)療領域、軍事戰(zhàn)場、智能倉儲、環(huán)境監(jiān)測等[1]。WSN包含成百上千個傳感器節(jié)點，它們分布在指定區(qū)域中感知、評估和接受數(shù)據(jù)。這些傳感器節(jié)點價格低廉，在感知、處理和傳輸數(shù)據(jù)信息方面具有較高的能力。傳感器使用模擬數(shù)字轉換器收集數(shù)據(jù)，并對數(shù)據(jù)進行處理，然后傳輸至基站?；緯κ占降臄?shù)據(jù)進行分析，為各種應用做出相應的決定。然而，WSN中傳感器節(jié)點的能量有限且無法進行能量補充，因此提高能量利用率，延長網(wǎng)絡生存期是WSN中亟待解決的問題[2-3]。在現(xiàn)有的路由協(xié)議中，基于分簇的層次路由被證明是平衡網(wǎng)絡負載、延長網(wǎng)絡生存期的有效技術[4-5]。層次路由通過將傳感器節(jié)點分組，有效減少網(wǎng)絡能量的消耗，提高網(wǎng)絡的可擴展性，從而實現(xiàn)更長的網(wǎng)絡壽命，提高WSN的性能。網(wǎng)絡中的每個簇都有一個簇首，負責與網(wǎng)絡中的其他簇通信。由于直接將傳感數(shù)據(jù)傳輸?shù)交拘枰妮^高的能量，因此在基于簇的WSN中使用路由協(xié)議來確定簇首與基站之間的最佳傳輸路線以減少能量消耗。路由協(xié)議的特點包括容錯性、可靠性、信息積累、可擴展性等[6]。

經(jīng)典的分簇路由協(xié)議LEACH[7]將網(wǎng)絡節(jié)點進行分簇，并周期性輪換簇首，從而均衡網(wǎng)絡能耗，延長網(wǎng)絡生存期。但LEACH協(xié)議在選舉簇首時沒有考慮節(jié)點的剩余能量和位置信息，每個節(jié)點以相同的概率當選簇首。若剩余能量不足、地理位置不合理的節(jié)點當選簇首，將加速這部分節(jié)點的能量耗損，縮短網(wǎng)絡生存期。此外，簇間通信階段沒有使用任何路由算法，降低了網(wǎng)絡性能。為解決LEACH協(xié)議中存在的問題，研究人員采用群體智能算法解決最優(yōu)簇首選舉問題，并獲得了理想的結果。文獻[8]提出一種基于改進人工蜂群算法的分簇路由協(xié)議。首先對人工蜂群算法進行改進，提高了其全局搜索能力。然后使用改進的人工蜂群算法選擇最優(yōu)簇首，改善簇首質(zhì)量。簇間通信階段，構建了基于蟻群優(yōu)化的路由算法，均衡了簇首節(jié)點的網(wǎng)絡負載。文獻[9]使用由遺傳算法優(yōu)化的K-Medoids聚類對網(wǎng)絡節(jié)點分簇，并考慮節(jié)點的能量因素和地理位置選擇最優(yōu)簇首。仿真結果表明，所提協(xié)議有效延長了網(wǎng)絡生存期。但該協(xié)議沒有使用任何簇間路由，距離基站較遠的簇首將產(chǎn)生大量的能耗而過早死亡。文獻[10]首先使用粒子群算法優(yōu)化模糊C均值聚類，以改善聚類效果。其次，使用改進的聚類算法對傳感器網(wǎng)絡分區(qū)，形成網(wǎng)絡分簇。在每個簇內(nèi)，考慮節(jié)點的剩余能量和位置因素動態(tài)更新簇首。數(shù)據(jù)傳輸階段，提出一種基于貓群優(yōu)化算法的路由技術，為簇首構建最優(yōu)傳輸路徑。對所提協(xié)議進行仿真，實驗結果表明該協(xié)議優(yōu)于LEACH協(xié)議和改進的LEACH協(xié)議。但所提協(xié)議在簇內(nèi)通信階段采用TDMA機制，容易導致時隙浪費，降低能量效率。文獻[11]采用灰狼優(yōu)化算法選擇最優(yōu)簇首集合，有效提高了網(wǎng)絡了效率，延長了網(wǎng)絡生存周期。但所提協(xié)議沒有采用任何路由算法，簇首節(jié)點直接向基站發(fā)送數(shù)據(jù)將會產(chǎn)生大量的能量開銷，使其過早死亡。文獻[12]使用人工蜂群算法設計高效的分簇路由協(xié)議。在成簇階段，首先考慮傳感器節(jié)點當前剩余的能量、所處地理位置、成簇緊湊程度3種因素設計適應度函數(shù)，然后使用人工蜂群算法求解適應度函數(shù)，從而選出最優(yōu)簇首集合。在穩(wěn)定傳輸階段，為降低節(jié)點的能量消耗，構建了基于轉發(fā)代價的路由算法，確定節(jié)點到基站之間的傳輸路線，簇頭按照規(guī)劃好的路線以多跳方式將數(shù)據(jù)傳送至基站。仿真實驗證明，所提路由協(xié)議能夠延長WSN的網(wǎng)絡壽命，提高網(wǎng)絡吞吐量。但基本人工蜂群算法易陷入局部最優(yōu)，可能導致選出的簇首集合并非最優(yōu)解，從而降低WSN性能。

針對上述協(xié)議數(shù)據(jù)傳輸過程中節(jié)點能量消耗大、對基站傳輸?shù)目倲?shù)據(jù)包數(shù)量小等問題，本文提出一種基于聚類的WSN節(jié)能路由協(xié)議。由于群體智能優(yōu)化算法的搜索能力強、魯棒性和較好的自適應性，本研究中主要使用群體智能優(yōu)化算法解決最優(yōu)聚類問題。首先對基本樽海鞘群算法進行改進，提出一種精英反向學習樽海鞘群算法，提高算法的全局搜索能力；其次根據(jù)節(jié)點的剩余能量和地理位置設計高效的適應度函數(shù)，并使用改進的樽海鞘群算法優(yōu)化節(jié)點適應度函數(shù)，選出最優(yōu)簇首集合。簇內(nèi)通信階段，設計一種基于最小生成樹的路由算法，為簇首節(jié)點構建最優(yōu)傳輸路徑，在緩解簇首負載的同時最小化中繼節(jié)點的能量消耗。最后，使用輪詢控制機制為簇內(nèi)成員節(jié)點構建數(shù)據(jù)傳輸調(diào)度，避免時隙浪費，進一步提高能量效率。

1 系統(tǒng)模型

1.1 網(wǎng)絡模型

為方便后續(xù)工作的進行，本文考慮以下要素構建WSN模型[13]：

1)傳感器節(jié)點具備全網(wǎng)唯一的ID號碼，且隨機分布在目標監(jiān)測區(qū)域內(nèi)。部署完成后節(jié)點的位置不再變動。

2)在WSN中，所有傳感器節(jié)點同構。即所有傳感器節(jié)點的初始能量和數(shù)據(jù)處理能力均相同。

3)傳感器節(jié)點之間的距離根據(jù)歐氏距離公式進行計算。

4)基站接收關于傳感器節(jié)點的剩余能量和距離信息。根據(jù)這些信息，通過使用既定的簇首選擇算法為節(jié)點選擇相應的簇首。路由算法則被用于規(guī)劃簇首到基站之間的傳輸路徑。

1.2 能耗模型

本文采用一階無線電能耗模型來計算發(fā)射機和接受機的能量損耗[14]。WSN的能耗主要來自于傳感器節(jié)點收發(fā)數(shù)據(jù)信息，節(jié)點發(fā)送kbit數(shù)據(jù)到距離自身為d的接收端所消耗的能量為：

(1)

ERx(m，d)=kEelec

(2)

ERx(k，d)=kEda

(3)

其中：Eda為節(jié)點融合每bit數(shù)據(jù)所需要的能量。

2 精英反向學習樽海鞘群算法

2.1 基本樽海鞘群算法

樽海鞘群算法(SSA，salp swarm algorithm)是Mirjalili等人受海洋生物樽海鞘的覓食和導航行為啟發(fā)所提出的新型群體智能算法[15]。該算法具有控制參數(shù)少、易于實現(xiàn)、優(yōu)化能力強等特點，已被成功應用于求解多個學科領域的優(yōu)化問題[16]。

SSA中，位于樽海鞘鏈最前面的個體被定義為領導者，其余個體為跟隨者。領導者的位置更新公式為：

(4)

其中：Fj為食物源在第j維搜索空間的位置；c2和c3為隨機值，取值[0，1]之間；c1是控制領導者移動的重要參數(shù)，按照下式進行計算：

c1=2e-(4t/T)2

(5)

其中：t為當前迭代次數(shù)，T為最大迭代次數(shù)。

跟隨者的位置更新方程為：

(6)

2.2 精英反向學習樽海鞘群算法

基本SSA算法具有較好的性能，能夠有效解決全局優(yōu)化問題。然而，基本SSA算法與其他群體智能算法類似，在搜索過程中存在全局勘探與局部開發(fā)不平衡、易收斂至局部最優(yōu)的缺陷[17-18]。為解決基本SSA中存在的缺陷，本文提出一種精英反向學習的樽海鞘群算法(OSSA，opposition-based)。

2.2.1 反向學習

(7)

其中：aj和bj分別為搜索空間的上下限。

2.2.2 動態(tài)學習策略

基本SSA中，跟隨者根據(jù)式(6)更新自身位置，該位置更新機制較為單一，缺少參數(shù)控制其移動方向和移動速度[16]。為解決這一問題，將領導者位置更新公式中的參數(shù)c1引入跟隨者位置更新公式中，幫助控制跟隨者的位置更新。改進的跟隨者位置更新公式為：

(8)

根據(jù)式(8)可知，引入控制參數(shù)c1能夠幫助跟隨者實現(xiàn)有效跟隨，幫助算法在全局搜索和局部勘探之間獲得穩(wěn)定的平衡，從而改進了基本SSA的整體性能。

2.3 OSSA算法步驟

所提OSSA算法步驟如下：

Step 1：設置算法參數(shù)：種群規(guī)模N、最大評估次數(shù)T、搜索空間上下限[ub，lb]；

Step 2：隨機初始化種群，根據(jù)個體適應值將其分為領導者和跟隨者；

Step 3：根據(jù)式(4)更新領導者位置，并執(zhí)行OOBL，生成反向個體。根據(jù)適應值選擇較優(yōu)個體進入后續(xù)迭代。

復方阿膠漿生產(chǎn)原料包括紅參、黨參、熟地黃和山楂等，經(jīng)過水提取后的藥渣中除了含有較多的粗纖維外，還包括復雜多樣的蛋白質(zhì)、氨基酸、微量元素及殘留的活性成分等多種物質(zhì)。

Step 4：根據(jù)式(8)更新跟隨者位置；

Step 5：評價種群適應值，將最優(yōu)個體指定為當前食物源；

Step 6：判斷是否達到最大評估次數(shù)，若達到，輸出食物源位置，否則返回Step 3繼續(xù)迭代。

3 基于OSSA的分簇路由協(xié)議

本節(jié)對所提出的基于OSSA的分簇路由協(xié)議進行詳細介紹。網(wǎng)絡運行初期，首先采用OSSA算法選擇最優(yōu)簇首集合，成員節(jié)點選擇距離最近的簇首入簇，至此成簇階段結束。數(shù)據(jù)傳輸階段，構造最小生成樹，為簇首節(jié)點尋找中繼，簇首沿最優(yōu)傳輸路徑以多跳方式將數(shù)據(jù)分簇發(fā)往基站。簇內(nèi)通信階段，采用輪詢控制機制幫助成員節(jié)點完成數(shù)據(jù)傳輸。

3.1 成簇階段

成簇階段，使用OSSA算法選擇最優(yōu)簇首集合，普通成員就近入簇，形成網(wǎng)絡分簇。簇首選舉時，OSSA中的每個個體代表一種聚類結果，個體適應值反映當前聚類效果，最終輸出的食物源即為最優(yōu)聚類。在進化過程中，OSSA迭代的準則為最優(yōu)化適應度函數(shù)。因此，設計高效的適應度函數(shù)對于選擇最優(yōu)簇首具有重要意義。本文綜合考慮節(jié)點的能量因素和地理位置，設計了新穎的適應度函數(shù)，用于評價OSSA生成的解的質(zhì)量。

3.1.1 能量因子

在WSN中，簇首執(zhí)行多項任務，包括收集普通節(jié)點的數(shù)據(jù)、與基站通信等。簇首需要較高的能量來完成這些任務，因此，需要選擇剩余能量充足的節(jié)點擔任簇首，以此延長網(wǎng)絡生存期。本文將能量因子定義為當前簇首集合的總能量與網(wǎng)絡總能量的比值，按照下式進行計算：

(9)

其中：k和n分別表示簇首數(shù)量和網(wǎng)絡節(jié)點總數(shù)；Ech(i)和Ecm(j)分別表示簇首i和成員j的剩余能量。由能量因子表達式可以看出，當前簇首節(jié)點集合剩余總能量越多，f1越大，代表當前簇首集越優(yōu)。

3.1.2 位置因子

選取簇首時，分散簇首在網(wǎng)絡中的位置能夠幫助網(wǎng)絡分簇更加均勻，從而均衡簇間負載。本文將簇首的位置因子定義為基站到網(wǎng)絡中心的距離與簇首到基站平均距離的比值，按照下式進行計算：

(10)

其中：d(center，BS)和d(CHi，BS)分別為基站到網(wǎng)絡中心的距離和簇首到基站的平均距離。由位置因子表達式可以看出，簇首集合到基站的平均距離越短，簇首的通信距離也越短，此時f2較大，代表當前簇首集越優(yōu)。

適應度函數(shù)值是評價當前簇首集合質(zhì)量的基準，本文通過加權方式將能量因子和位置因子轉換為OSSA算法的適應度函數(shù)。簇首集合的剩余能量越高，距離基站越近，適應度函數(shù)值越優(yōu)。其計算方式如下：

fitness=αf1+(1-α)f2

(11)

其中：α為調(diào)節(jié)兩個因子重要程度的權重系數(shù)。隨網(wǎng)絡運行，節(jié)點的剩余能量越來越少，選擇簇首時節(jié)點能量因素的重要程度相應增加，因此，α應隨網(wǎng)絡運行動態(tài)變大。其計算方式如下：

(12)

其中：Econ和Etotal分別表示網(wǎng)絡節(jié)點消耗的總能量和網(wǎng)絡的初始總能量。根據(jù)上式可知，節(jié)點消耗的能量越多，則α越大，節(jié)點的能量因子的重要程度也就越大，最優(yōu)適應度值所對應的簇首集剩余總能量越多。初始階段，α取值1/2。

簇首選舉完成之后，當前簇首廣播自身成為簇首的消息，其余節(jié)點根據(jù)接收到的信號強度估算自身到每個簇首的距離，并加入最近的簇首形成分簇，完成簇的構建。

3.2 簇間路由

簇首選舉完成后，網(wǎng)絡進入穩(wěn)定傳輸階段。在該階段，簇首將收集到的數(shù)據(jù)包發(fā)送給基站。根據(jù)能耗模型可知，節(jié)點的能耗與通信距離呈指數(shù)相關[20]。因此，縮短通信距離能夠有效降低簇首節(jié)點的能量消耗。本文提出一種基于最小生成樹的簇間路由算法，幫助簇首構建最優(yōu)傳輸路徑，以此降低簇首能耗，均衡網(wǎng)絡節(jié)點的負載。

簇首收集簇內(nèi)信息后，按照式(13)計算各鄰居簇首的轉發(fā)代價值，并選擇具有最小轉發(fā)代價的簇首作為下一跳。

(13)

3.3 基于輪詢控制的簇內(nèi)通信機制

現(xiàn)有的分簇路由協(xié)議中，在簇構建完成后，簇首節(jié)點構建TDMA調(diào)度，成員節(jié)點根據(jù)調(diào)度表中的信息，在自己的時隙內(nèi)與簇首通信，其余時間則休眠，以降低能量耗損。這種機制有效降低了節(jié)點的能量損耗。然而，根據(jù)該機制，如果節(jié)點在自己的時隙到來時沒有數(shù)據(jù)需要發(fā)送，該節(jié)點仍要被喚醒，這就給節(jié)點帶來了不必要的能耗。為解決這一問題，本文引入輪詢控制機制[21]。在選出簇首節(jié)點后，成員節(jié)點加入距離最近的簇首。簇首節(jié)點根據(jù)簇內(nèi)成員節(jié)點的信息構建輪詢調(diào)度。輪詢表中記錄了節(jié)點的工作次序和對應的節(jié)點ID。其中，沒有數(shù)據(jù)需要發(fā)送的節(jié)點會被移出輪詢表，僅保留在當前輪次需要與簇首進行通信的節(jié)點。通過這種方式，節(jié)點僅在有數(shù)據(jù)需要發(fā)送的輪詢周期才會被喚醒，其余時間則處于休眠狀態(tài)，從而有效地避免了節(jié)點被不必要的喚醒，進而降低了節(jié)點的能量損耗。

4 實驗結果與分析

4.1 參數(shù)設置

為驗證本文所提協(xié)議的有效性，使用Matlab R2014b軟件對其進行仿真實驗，并與灰狼優(yōu)化算法[11]和遺傳算法[14]兩種基于群體智能算法的路由協(xié)議進行對比。為測試所提協(xié)議的可擴展性，本文考慮基站位置、網(wǎng)絡規(guī)模和網(wǎng)絡節(jié)點數(shù)設置了兩種不同的場景對協(xié)議進行仿真。場景參數(shù)如表1所示，仿真參數(shù)如表2所示。OSSA算法的參數(shù)設置為：種群規(guī)模為30，最大迭代次數(shù)T為200[22]。

表1 網(wǎng)絡場景參數(shù)

表2 實驗參數(shù)

4.2 網(wǎng)絡中首個節(jié)點的死亡時間對比

無線傳感網(wǎng)是由多個傳感器節(jié)點通過自組網(wǎng)的形式組成的網(wǎng)絡，所有節(jié)點協(xié)同工作，負責收集監(jiān)測區(qū)域內(nèi)的數(shù)據(jù)信息。當所有網(wǎng)絡節(jié)點均能正常工作時，監(jiān)測區(qū)域內(nèi)的信息會被完整的采集，一旦有節(jié)點死亡，就可能出現(xiàn)監(jiān)測盲區(qū)，使監(jiān)測到的數(shù)據(jù)不全面。因此，網(wǎng)絡中首個節(jié)點的死亡時間是評價協(xié)議性能的重要指標。根據(jù)實驗結果，在部署100個節(jié)點的小規(guī)模應用場景下，灰狼優(yōu)化算法、遺傳算法和本文協(xié)議的首個網(wǎng)絡節(jié)點死亡時間分別為56輪、89輪、258輪；當WSN中部署200個節(jié)點時，灰狼優(yōu)化算法、遺傳算法和本文協(xié)議的首個網(wǎng)絡節(jié)點死亡時間分別為56輪、89輪、231輪；當WSN中部署300個節(jié)點時，灰狼優(yōu)化算法、遺傳算法和本文協(xié)議的首個網(wǎng)絡節(jié)點死亡時間分別為73輪、129輪、285輪。為直觀反映3種協(xié)議在小規(guī)模監(jiān)測區(qū)域內(nèi)的首個網(wǎng)絡節(jié)點死亡時間對比，將穩(wěn)定期繪制于圖1。從圖中可以看出，相比于其他兩種協(xié)議，本文協(xié)議能夠有效延長首個節(jié)點的死亡時間。這是因為所提出的基于OSSA的簇首選取方法能夠通過迭代優(yōu)化選出最優(yōu)簇首集合，從而優(yōu)化聚類效果，將網(wǎng)絡能耗均衡給更多的節(jié)點。場景2規(guī)模較大，節(jié)點的通信距離相對較遠，通信產(chǎn)生的能耗也更大。在該場景中，3種協(xié)議的首個網(wǎng)絡節(jié)點死亡時間如圖2所示，分別為7輪、8輪、31輪。根據(jù)圖2，3種協(xié)議首個節(jié)點的死亡時間都隨著監(jiān)測場景的擴展而變短。然而，與兩種對比算法相比，本文協(xié)議能夠有效延長首個網(wǎng)絡節(jié)點的死亡時間，這是因為該協(xié)議在通信階段使用了高效的路由算法，幫助簇首尋找合理的傳輸路徑，避免了簇首直接與基站通信，從而緩解了其能量耗損。

圖1 場景1網(wǎng)絡穩(wěn)定期對比

圖2 場景2網(wǎng)絡穩(wěn)定期對比

4.3 網(wǎng)絡生存周期對比

WSN的覆蓋范圍會隨著節(jié)點的死亡不斷降低，死亡節(jié)點過多會導致網(wǎng)絡癱瘓，殘余節(jié)點采集到的數(shù)據(jù)也不再有價值，此時認為網(wǎng)絡失效。因此，本文將網(wǎng)絡中有75%的節(jié)點死亡的時間定義為網(wǎng)絡生存周期，用來評價協(xié)議的性能。在部署100個節(jié)點的小規(guī)模監(jiān)測場景中，灰狼優(yōu)化算法、遺傳算法和本文協(xié)議的網(wǎng)絡生存期分別為457輪、579輪、1 033輪；部署200個節(jié)點時，灰狼優(yōu)化算法、遺傳算法和本文協(xié)議的網(wǎng)絡生存期分別為538輪、827輪、1 046輪；部署300節(jié)點時，灰狼優(yōu)化算法、遺傳算法和本文協(xié)議的網(wǎng)絡生存期分別為550輪、866輪、1 133輪。為直觀反映本文協(xié)議在網(wǎng)絡生存周期指標上的優(yōu)勢，將3種協(xié)議的網(wǎng)絡生存周期繪制于圖3。從圖中可以看出，本文所提協(xié)議的網(wǎng)絡生存周期遠長于對比協(xié)議，這得益于理想的分簇結果和高效的簇間路由。3種協(xié)議在大規(guī)模場景中的網(wǎng)絡生存周期分別為257輪、396輪、698輪，如圖4所示。從圖4可以看出，隨著網(wǎng)絡規(guī)模的增大，3種協(xié)議的網(wǎng)絡生存期均明顯縮短。但本文協(xié)議的網(wǎng)絡生存期仍遠長于其他兩種協(xié)議。這是因為在大規(guī)模場景中，簇首節(jié)點距離基站較遠，路由算法在簇間通信階段發(fā)揮著重要的作用。本文協(xié)議綜合考慮鄰居簇首的能量因素和地理位置構建了高效的簇間路由，簇首通過多跳方式將數(shù)據(jù)發(fā)往基站，有效降低了網(wǎng)絡能耗，使網(wǎng)絡能夠工作更長的時間。

圖3 場景1網(wǎng)絡生存期對比

圖4 場景2網(wǎng)絡生存期對比

4.4 基站接收到的數(shù)據(jù)包總量對比

在監(jiān)測區(qū)域內(nèi)部署WSN的目的是采集數(shù)據(jù)信息，以了解目標區(qū)域的情況。當區(qū)域內(nèi)出現(xiàn)危險信號，相關人員能夠根據(jù)現(xiàn)場情況做出即時動作。因此，基站接收到的數(shù)據(jù)分組總數(shù)是評價協(xié)議性能的重要指標。本文將基站接收到的數(shù)據(jù)包總量定義為網(wǎng)絡吞吐量。圖5為3種協(xié)議在小規(guī)模場景下的網(wǎng)絡吞吐量對比。從圖中可以看出，本文協(xié)議在該指標上具有較大優(yōu)勢，這代表著基站接收到的數(shù)據(jù)包總數(shù)更多，對監(jiān)測區(qū)域的了解也更加全面。圖6為大規(guī)模場景下3種協(xié)議的網(wǎng)絡吞吐量對比。根據(jù)圖6，本文協(xié)議在該指標上有明顯優(yōu)于對比協(xié)議，這是因為較長的網(wǎng)絡生存期使基站接收到了更多的數(shù)據(jù)分組。此外，簇內(nèi)使用的輪詢調(diào)度能夠避免時隙浪費，進一步提高了本文協(xié)議的網(wǎng)絡吞吐量。

圖5 場景1網(wǎng)絡吞吐量對比

圖6 場景2網(wǎng)絡吞吐量對比

5 結束語

為提高WSN的整體性能，，本文提出一種基于改進樽海鞘群算法的層次路由協(xié)議，該協(xié)議分別在成簇階段和穩(wěn)定傳輸階段進行了優(yōu)化。在成簇階段，提出一種精英反向學習SSA算法，穩(wěn)固基本SSA算法全局勘探與局部開發(fā)之間的平衡，增強算法的全局搜索能力，并將節(jié)點的剩余能量和地理位置引入精英反向學習SSA算法理論，使簇首剩余能量充足且分布均勻，均衡簇內(nèi)負載的同時最小化通信距離。在穩(wěn)定傳輸階段，構建基于最小生成樹的簇間路由，為簇首規(guī)劃最優(yōu)傳輸路徑，均衡網(wǎng)絡負載。簇內(nèi)通信階段，使用輪詢調(diào)度構建簇內(nèi)通信，避免節(jié)點被不必要的喚醒，進一步提高能量效率。最后，考慮節(jié)點數(shù)量、網(wǎng)絡覆蓋面積和基站的位置3種因素設置不同的應用場景對所提協(xié)議進行仿真測試，并與最新的基于群體智能算法的層次路由協(xié)議進行對比。實驗結果表明，相比于對比協(xié)議，所提協(xié)議在網(wǎng)絡穩(wěn)定期、網(wǎng)絡生存期和網(wǎng)絡吞吐量指標上均有明顯優(yōu)勢。