王彥峰，陳 錕，王興華

(廣東電網(wǎng)公司 電網(wǎng)規(guī)劃研究中心，廣東 廣州 510080)

0 引 言

作為無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks，WSNs)中的核心技術(shù)，分簇路由協(xié)議通過(guò)將傳感器節(jié)點(diǎn)分簇來(lái)提高網(wǎng)絡(luò)能量效率，從而延長(zhǎng)網(wǎng)絡(luò)生存期[1]。其中，能量效率是指網(wǎng)絡(luò)能量利用率。WSN中，通過(guò)提高能量使用的合理性，能夠改善能量利用率，即提高能量效率?；诜执氐腤SN中，選擇高質(zhì)量簇首，并規(guī)劃合理的傳輸路徑是提高網(wǎng)絡(luò)能量效率、延長(zhǎng)網(wǎng)絡(luò)生存期的關(guān)鍵[2-4]。

針對(duì)WSN分簇路由協(xié)議存在的能耗問(wèn)題，文獻(xiàn)[5]提出經(jīng)典的LEACH算法，采用隨機(jī)的方式對(duì)傳感器節(jié)點(diǎn)進(jìn)行分簇，并通過(guò)周期性輪換簇首均衡節(jié)點(diǎn)的能量消耗。文獻(xiàn)[6]采用人工蜂群算法優(yōu)化網(wǎng)絡(luò)分簇，并構(gòu)建基于最小生成樹(shù)的簇間路由以降低簇首負(fù)載。文獻(xiàn)[7]采用粒子群優(yōu)化算法選擇最優(yōu)簇首集合，并設(shè)計(jì)基于最小生成樹(shù)的路由方案，有效延長(zhǎng)了網(wǎng)絡(luò)生存期。文獻(xiàn)[8]運(yùn)用粒子群優(yōu)化模糊C均值進(jìn)行聚類，以優(yōu)化分簇效果。簇間路由階段，引入貓群算法構(gòu)建最優(yōu)傳輸路徑，以均衡簇首負(fù)載。文獻(xiàn)[9]利用蝴蝶優(yōu)化算法來(lái)解決最優(yōu)網(wǎng)絡(luò)分簇問(wèn)題，并采用蟻群優(yōu)化算法構(gòu)建簇間路由。該協(xié)議緩解了路由協(xié)議中普遍存在的“熱區(qū)”問(wèn)題，提高了網(wǎng)絡(luò)壽命。文獻(xiàn)[10]采用全局交叉人工蜂群算法對(duì)傳感器節(jié)點(diǎn)分簇，并采用改進(jìn)蟻群算法作為簇首節(jié)點(diǎn)去尋找最佳傳輸路徑，有效平衡了網(wǎng)絡(luò)能耗，進(jìn)而延長(zhǎng)了網(wǎng)絡(luò)生存期。

上述各項(xiàng)研究都試圖通過(guò)使用不同的人工智能算法來(lái)改善網(wǎng)絡(luò)性能，并取得了一定的成效。但上述協(xié)議仍然存在生存期短等缺陷。因此，本文提出了一種新的分簇路由協(xié)議FOFCA，該協(xié)議采用螢火蟲(chóng)優(yōu)化算法(firefly algorithm，F(xiàn)A)對(duì)模糊C均值(fuzzy C-means，F(xiàn)CM)進(jìn)行優(yōu)化。在成簇階段，使用FA選取FCM的初始聚類點(diǎn)，進(jìn)而解決網(wǎng)絡(luò)分簇問(wèn)題；簇劃分完成后，根據(jù)傳感器節(jié)點(diǎn)的能量等級(jí)和地理位置，分布式選定簇首。數(shù)據(jù)傳輸階段，簇首根據(jù)蟻群算法(ant colony optimization，ACO)構(gòu)造的多跳傳輸路徑與基站進(jìn)行通信，簇內(nèi)節(jié)點(diǎn)采用輪詢控制機(jī)制向簇首發(fā)送數(shù)據(jù)。

1 系統(tǒng)模型

本節(jié)對(duì)包括網(wǎng)絡(luò)模型和能耗模型在內(nèi)的系統(tǒng)模型進(jìn)行了描述。其中，網(wǎng)絡(luò)模型指WSN中網(wǎng)絡(luò)節(jié)點(diǎn)的特性及工作場(chǎng)景的特征。能耗模型指WSN在假設(shè)的網(wǎng)絡(luò)模型中工作時(shí)消耗能量的依據(jù)。

1.1 網(wǎng)絡(luò)模型

首先對(duì)本文算法所使用的網(wǎng)絡(luò)模型做如下設(shè)定。

(1)具有全局唯一ID的傳感器節(jié)點(diǎn)隨機(jī)放置在監(jiān)測(cè)區(qū)域內(nèi)。

(2)所有節(jié)點(diǎn)同構(gòu)，即初始能量相同，計(jì)算能力與通信能力相當(dāng)。

(3)發(fā)送節(jié)點(diǎn)通過(guò)計(jì)算自身與接收節(jié)點(diǎn)之間的距離，實(shí)現(xiàn)了根據(jù)通信距離自主調(diào)節(jié)發(fā)射功率。

(4)不能對(duì)部署完成的WSN進(jìn)行人為干預(yù)。

1.2 能耗模型

本文采用一階無(wú)線電通信能耗模型，具體定義請(qǐng)參見(jiàn)文獻(xiàn)[11]。

2 FOFCA算法

FOFCA算法引入了LEACH協(xié)議中“輪”的概念。網(wǎng)絡(luò)初始化時(shí)期，基站執(zhí)行由FA優(yōu)化的FCM聚類算法為傳感器節(jié)點(diǎn)分簇。首輪簇首由距離聚類中心最近的節(jié)點(diǎn)擔(dān)任。此后每輪，成員節(jié)點(diǎn)根據(jù)當(dāng)前狀態(tài)計(jì)算自身權(quán)重值，并由權(quán)值最優(yōu)的節(jié)點(diǎn)擔(dān)任次輪簇頭。所提出的簇頭更換模式在提高簇首質(zhì)量的同時(shí)將簇頭更換次數(shù)維持在合理范圍內(nèi)，從而緩解簇首能耗，并延長(zhǎng)網(wǎng)絡(luò)生存期。

2.1 簇的構(gòu)建

2.1.1 最優(yōu)簇?cái)?shù)

基于分簇的WSN通過(guò)將傳感器節(jié)點(diǎn)劃分為指定數(shù)量的簇來(lái)降低網(wǎng)絡(luò)能耗。其中，分簇?cái)?shù)量對(duì)網(wǎng)絡(luò)性能有重要影響，因此本節(jié)考慮上述網(wǎng)絡(luò)模型和能耗模型計(jì)算最優(yōu)網(wǎng)絡(luò)簇?cái)?shù)。WSN工作一輪，所有網(wǎng)絡(luò)節(jié)點(diǎn)的總能耗為[12]

(1)

式中：N為WSN中傳感器節(jié)點(diǎn)的個(gè)數(shù)，dtoBS為節(jié)點(diǎn)與基站之間的歐氏距離。

Etotal對(duì)網(wǎng)絡(luò)簇?cái)?shù)k求偏導(dǎo)，得出最優(yōu)網(wǎng)絡(luò)簇?cái)?shù)為

(2)

2.1.2 FCM聚類算法

FCM算法是一種基于柔性劃分的模糊聚類算法，被廣泛應(yīng)用于圖像處理、機(jī)器學(xué)習(xí)等領(lǐng)域[13]。應(yīng)用FCM聚類算法解決WSN的最優(yōu)聚類問(wèn)題，網(wǎng)絡(luò)節(jié)點(diǎn)被劃分為k個(gè)緊致的均勻簇，從而最小化簇內(nèi)通信距離。

FCM通過(guò)迭代優(yōu)化目標(biāo)函數(shù)，將傳感器節(jié)點(diǎn)按位置相似度進(jìn)行劃分。目標(biāo)函數(shù)按照下式進(jìn)行計(jì)算

(3)

隸屬度按照下式進(jìn)行更新

(4)

聚類中心按照下式進(jìn)行更新

(5)

當(dāng)隸屬度矩陣uij更新至最優(yōu)值時(shí)，迭代結(jié)束，輸出聚類中心。

2.1.3 FA優(yōu)化FCM算法

FCM算法聚類機(jī)制靈活，收斂效果優(yōu)越，然而，由于聚類性能容易受初始聚類中心的影響，導(dǎo)致算法易陷入局部最優(yōu)[14]。為了解決這一問(wèn)題，本文采用FA對(duì)FCM的初始聚類中心進(jìn)行優(yōu)化。

FA是一種受自然界中螢火蟲(chóng)發(fā)光特性啟發(fā)而提出的新型啟發(fā)式優(yōu)化算法，具有設(shè)定參數(shù)少、協(xié)作能力強(qiáng)、魯棒性強(qiáng)等特點(diǎn)，被廣泛應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、系統(tǒng)和工程設(shè)計(jì)等領(lǐng)域[15]。該算法模擬了螢火蟲(chóng)之間相互吸引和位置迭代更新的過(guò)程，將其應(yīng)用于搜索和優(yōu)化。使用螢火蟲(chóng)的亮度表示問(wèn)題解的優(yōu)劣，亮度最大的螢火蟲(chóng)即為最優(yōu)解[16]。螢火蟲(chóng)熒光亮度的更新方式如式(6)所示

(6)

式中：I0為螢火蟲(chóng)的最大熒光亮度，即自身的無(wú)衰減的熒光亮度，γ為光吸收因子，反映光在傳播過(guò)程中的衰減損耗，rij為螢火蟲(chóng)i與螢火蟲(chóng)j之間的距離，按照下式進(jìn)行計(jì)算

(7)

式中：d表示待求解問(wèn)題的維度，xi，k表示螢火蟲(chóng)i在第k維搜索空間的位置。

FA中，亮度較弱的螢火蟲(chóng)會(huì)受到亮度較強(qiáng)個(gè)體的吸引，并向其移動(dòng)。個(gè)體j向i移動(dòng)的數(shù)學(xué)模型如下

xi(t+1)=xi(t)+βFA×(xj(t)-xi(t))+αFA(rand-1/2)

(8)

式中：xi(t) 為t時(shí)刻螢火蟲(chóng)i的位置，αFA為步長(zhǎng)因子，取值為[0，1]之間的常數(shù)，rand為[0，1]上服從均勻分布的隨機(jī)數(shù)，βFA表示吸引度，代表螢火蟲(chóng)之間感受彼此亮度的能力，會(huì)隨距離的增加而逐漸減小，計(jì)算方式如下

(9)

式中：β0表示r=0時(shí)的吸引度。

FA優(yōu)化FCM算法的步驟如下：

步驟1 初始化FA，以隨機(jī)的方式在搜索空間內(nèi)生成初始種群。

步驟2 基于適應(yīng)度函數(shù)1/Jm計(jì)算種群適應(yīng)值，適應(yīng)值越大，螢火蟲(chóng)個(gè)體的亮度越強(qiáng)。

步驟3 根據(jù)式(7)計(jì)算兩個(gè)個(gè)體之間的距離。

步驟4 根據(jù)式(8)更新個(gè)體之間的吸引度。

步驟5 根據(jù)式(9)更新個(gè)體位置，其中最亮的螢火蟲(chóng)(適應(yīng)度值最優(yōu)個(gè)體)不受其它螢火蟲(chóng)吸引，并以隨機(jī)方式更新自身位置。

步驟6 重復(fù)執(zhí)行步驟2至步驟5，直到滿足迭代結(jié)束的條件。

步驟7 將FA算法輸出的最優(yōu)解用作FCM算法的初始聚類中心，并執(zhí)行FCM算法。

步驟8 輸出聚類結(jié)果。

2.2 簇首選舉

成簇階段，基站采用由FA優(yōu)化的FCM算法對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)分簇。第一輪，距離簇中心最近的傳感器被指定為簇首。在后續(xù)輪次中，簇首根據(jù)節(jié)點(diǎn)的能量狀態(tài)和位置信息計(jì)算簇內(nèi)節(jié)點(diǎn)的適應(yīng)值，并選擇適應(yīng)值最優(yōu)的節(jié)點(diǎn)作為下一輪簇首。節(jié)點(diǎn)的適應(yīng)值按照下式進(jìn)行計(jì)算

fi=αf1+βf2

(10)

式中：fi表示節(jié)點(diǎn)i的適應(yīng)值，f1為能量因子，f2為位置因子，α和β為權(quán)重系數(shù)，用于調(diào)整能量因子和位置因子的權(quán)重。

簇首節(jié)點(diǎn)相較于成員節(jié)點(diǎn)，需要執(zhí)行更多的任務(wù)，因此其能耗也更大。因此，在計(jì)算節(jié)點(diǎn)適應(yīng)值時(shí)充分考慮了節(jié)點(diǎn)的剩余能量，以使簇首有充足的能量執(zhí)行各類任務(wù)。節(jié)點(diǎn)的能量因子f1設(shè)計(jì)為

(11)

式中：Eres(i) 和Eave(i) 分別表示節(jié)點(diǎn)i當(dāng)前的能量值和該簇的平均能量值。由式(11)可知，節(jié)點(diǎn)i的能量值越高，對(duì)應(yīng)的f1值也越大，當(dāng)選簇首的概率越高。

成員節(jié)點(diǎn)感知到數(shù)據(jù)信息后，發(fā)送給對(duì)應(yīng)簇首。簇首對(duì)數(shù)據(jù)進(jìn)行融合，并發(fā)送給基站。簇首距離基站越近，則通信距離越短，通信能耗相應(yīng)較低。因此，選擇簇首時(shí)需要考慮節(jié)點(diǎn)的地理位置?；谏鲜龇治?，節(jié)點(diǎn)的距離因子設(shè)計(jì)為

(12)

式中：di表示節(jié)點(diǎn)i與基站之間的距離，dmax和dmin分別表示節(jié)點(diǎn)i所在的簇內(nèi)中所有節(jié)點(diǎn)到基站距離的最大值和最小值。上式設(shè)計(jì)的優(yōu)勢(shì)在于同一個(gè)簇內(nèi)的節(jié)點(diǎn)的位置相對(duì)集中，這使得其與基站之間的距離相近，采用余弦函數(shù)可以使同一簇內(nèi)不同節(jié)點(diǎn)的距離因子有較大的區(qū)分度。節(jié)點(diǎn)距離基站較近，則對(duì)應(yīng)的f2值越大，當(dāng)選簇首的概率就越高。

權(quán)重系數(shù)的更新方式如下式所示

α=1/(1+Eres(i)/Eave(i))

(13)

β=1-α

(14)

權(quán)重系數(shù)更新方式的好處為：隨網(wǎng)絡(luò)的運(yùn)行，節(jié)點(diǎn)能量不斷耗損，在簇首選舉時(shí)需要重點(diǎn)考慮節(jié)點(diǎn)的剩余能量因素。而α隨節(jié)點(diǎn)能量的降低動(dòng)態(tài)增加，很好滿足了這一需求。

簇首更新時(shí)，節(jié)點(diǎn)之間需要交換大量控制包，從而產(chǎn)生能量損耗。為解決這一問(wèn)題，本文降低了簇首更新的頻率，在每輪最后，當(dāng)前簇首根據(jù)下式?jīng)Q定次輪是否需要更換簇首

fCH≤λfmax(i)，λ∈(0，1]

(15)

式中：λ為網(wǎng)絡(luò)系數(shù)，決定簇首更新頻率。若簇首的適應(yīng)值滿足上式，則需要根據(jù)節(jié)點(diǎn)適應(yīng)值來(lái)更新下一輪次的簇首。否則，下一輪次不需要更新簇首。這樣就避免了因頻繁更換簇首而產(chǎn)生的不必要能量開(kāi)銷。

2.3 簇間路由

基于上述網(wǎng)絡(luò)模型與能耗模型，隨通信距離增加，節(jié)點(diǎn)的通信能耗成指數(shù)型增長(zhǎng)。簇首采集簇內(nèi)節(jié)點(diǎn)感知到的數(shù)據(jù)后，對(duì)冗余數(shù)據(jù)進(jìn)行壓縮并將其發(fā)送到基站。如果簇首選擇單跳方式向基站發(fā)送數(shù)據(jù)，會(huì)出現(xiàn)“熱區(qū)”問(wèn)題。針對(duì)這一問(wèn)題，本文提出一種基于蟻群算法[17]的簇間路由方法，用于平衡網(wǎng)絡(luò)節(jié)點(diǎn)的負(fù)載。

簇首節(jié)點(diǎn)選取下一跳的轉(zhuǎn)移概率函數(shù)為

(16)

簇首i到j(luò)的啟發(fā)值按照下式進(jìn)行計(jì)算

(17)

式中：Ej-rem表示j的能量值，dij為i與j之間的歐式距離，Nj為下一跳簇首j所在簇的成員節(jié)點(diǎn)數(shù)，θ為簇首i到下一跳簇首j的連線與簇首i到基站的連線的夾角，ω1和ω2為權(quán)重系數(shù)。根據(jù)式(17)，可以得知，待選下一跳的節(jié)點(diǎn)能量越高、距離基站越近，則當(dāng)前簇首到該下一跳簇首的啟發(fā)值越大。此外，當(dāng)前簇首到下一跳簇首的連線與當(dāng)前簇首到基站連線所構(gòu)成的夾角越小，其余弦值就越大，兩簇首之間的啟發(fā)值也越大，這代表更靠近當(dāng)前簇首與基站連線的下一跳將得到支持，此時(shí)通信距離也較短。而遠(yuǎn)離當(dāng)前簇首與基站的連線的下一跳將被拒絕。基于上述分析，角度因子能夠避免簇首向下一跳節(jié)點(diǎn)發(fā)送數(shù)據(jù)時(shí)出現(xiàn)回旋式跳轉(zhuǎn)問(wèn)題。通過(guò)考慮多種因素，極大地提高了路徑啟發(fā)因子的功能性，使下一跳節(jié)點(diǎn)的選取更具針對(duì)性，從而提高路由效率。

信息素的更新方式在路徑選擇中起著至關(guān)重要的作用。本文提出一種新穎的信息素更新方式，包括全局信息素更新和局部信息素更新，分別記為階段1和階段2，以提高路由發(fā)現(xiàn)效率，其計(jì)算方式如下

τij(t+1)=(1-ρ)τij(t)+ρΔτij(t)

(18)

式中：ρ與Δτij(t) 分別表示信息素的揮發(fā)系數(shù)與增量。

階段1：搜索代理由i移動(dòng)至j，并根據(jù)下式完成局部信息素更新

(19)

式中：Qlocal為局部信息素濃度。由上式可知，局部信息素濃度更新時(shí)，綜合考慮了到下一跳簇首的距離和下一跳簇首的剩余能量，在縮短通信距離的同時(shí)保證下一跳簇首有充足的能量完成數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)。

階段2：搜索代理到達(dá)終點(diǎn)后原路返回，同時(shí)按照下式完成全局信息素的更新

(20)

式中：Qglobal表示全局信息素濃度，為控制參數(shù)，Emin和L分別為路徑中的最小能量值和路徑長(zhǎng)度。

根據(jù)局部信息素和全局信息素更新方式可知，長(zhǎng)度短、能量均衡的路徑在信息素更新時(shí)將會(huì)得到一個(gè)較大的值，這能夠使路由發(fā)現(xiàn)階段選擇合適的路徑來(lái)傳輸數(shù)據(jù)，提高路由效率。

2.4 改進(jìn)簇內(nèi)通信機(jī)制

一般的分簇路由協(xié)議在完成簇構(gòu)建之后，簇內(nèi)成員節(jié)點(diǎn)在自己的時(shí)隙內(nèi)處于喚醒狀態(tài)，并將過(guò)去一段時(shí)間內(nèi)采集到的數(shù)據(jù)信息發(fā)送給簇首，其余時(shí)間進(jìn)入休眠狀態(tài)，以節(jié)省能量[18，19]。但TDMA機(jī)制不能鑒定節(jié)點(diǎn)是否需要被喚醒以履行數(shù)據(jù)發(fā)送任務(wù)，即不需要發(fā)送數(shù)據(jù)的節(jié)點(diǎn)在時(shí)隙到來(lái)時(shí)仍會(huì)被喚醒，執(zhí)行與簇首通信的任務(wù)從而導(dǎo)致不必要的能量損耗。為了解決這一問(wèn)題，本文引入了輪詢控制機(jī)制，用來(lái)替代TDMA機(jī)制以完成簇內(nèi)通信。在簇構(gòu)建完成之后，簇首節(jié)點(diǎn)創(chuàng)建記錄成員節(jié)點(diǎn)忙閑狀態(tài)和訪問(wèn)順序的輪詢表，并將其分配給成員節(jié)點(diǎn)。其中，簇首根據(jù)忙閑狀態(tài)判斷節(jié)點(diǎn)是否有數(shù)據(jù)信息需要發(fā)送。簇首通過(guò)辨別當(dāng)前輪次中需要訪問(wèn)的成員節(jié)點(diǎn)來(lái)針對(duì)性的喚醒部分節(jié)點(diǎn)，以降低節(jié)點(diǎn)能耗，同時(shí)避免了時(shí)隙的浪費(fèi)。

3 仿真實(shí)驗(yàn)及結(jié)果分析

3.1 參數(shù)設(shè)置

為測(cè)試所提協(xié)議的有效性，使用Matlab R2016b軟件對(duì)FOFCA、FIGWO[20]和GAFCMCR[21]協(xié)議在不同網(wǎng)絡(luò)環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。監(jiān)測(cè)區(qū)域的范圍、基站位置和傳感器節(jié)點(diǎn)的個(gè)數(shù)是影響協(xié)議性能的主要因素[22，23]，因此在不同網(wǎng)絡(luò)環(huán)境下對(duì)協(xié)議進(jìn)行仿真實(shí)驗(yàn)，WSN的場(chǎng)景參數(shù)見(jiàn)表1，仿真參數(shù)請(qǐng)參見(jiàn)文獻(xiàn)[24]，螢火蟲(chóng)算法和蟻群算法用到的參數(shù)見(jiàn)表2[25，26]。

表1 網(wǎng)絡(luò)場(chǎng)景參數(shù)

表2 FA與ACO算法參數(shù)

3.2 網(wǎng)絡(luò)穩(wěn)定期對(duì)比

網(wǎng)絡(luò)穩(wěn)定期的定義是網(wǎng)絡(luò)中首個(gè)節(jié)點(diǎn)的死亡時(shí)間，是評(píng)估協(xié)議能耗均衡性的指標(biāo)。在場(chǎng)景1中，網(wǎng)絡(luò)中部署100個(gè)節(jié)點(diǎn)時(shí)，F(xiàn)OFCA、FIGWO和GAFCMCR的網(wǎng)絡(luò)穩(wěn)定期分別為221輪、56輪、89輪；網(wǎng)絡(luò)中部署200個(gè)節(jié)點(diǎn)時(shí)，3種協(xié)議的網(wǎng)絡(luò)穩(wěn)定期分別為241輪、56輪、91輪；網(wǎng)絡(luò)中部署300個(gè)節(jié)點(diǎn)時(shí)，3種協(xié)議的網(wǎng)絡(luò)穩(wěn)定期分別為229輪、73輪、129輪。在場(chǎng)景2中，3種協(xié)議的網(wǎng)絡(luò)穩(wěn)定期分別為32輪、7輪、8輪。為方便比較分析，將場(chǎng)景1和場(chǎng)景2中的網(wǎng)絡(luò)穩(wěn)定期分別繪制于圖1和圖2。圖1為3種協(xié)議在場(chǎng)景1中的網(wǎng)絡(luò)穩(wěn)定期對(duì)比。場(chǎng)景1規(guī)模較小，節(jié)點(diǎn)之間的通信距離相應(yīng)較短，網(wǎng)絡(luò)節(jié)點(diǎn)能夠正常工作較長(zhǎng)的時(shí)間。從圖1中可以明顯看出，F(xiàn)OFCA相較于其它兩種算法在網(wǎng)絡(luò)穩(wěn)定期指標(biāo)上具有顯著優(yōu)勢(shì)。這一優(yōu)勢(shì)得益于本文算法在分簇效果上的良好表現(xiàn)，成功縮短了簇類節(jié)點(diǎn)之間的通信距離從而降低通信損耗。此外，F(xiàn)OFCA在簇間通信階段構(gòu)造了高效的路由算法，簇首節(jié)點(diǎn)根據(jù)路由路徑完成數(shù)據(jù)傳輸，有效降低了其能量消耗?；谏鲜鲈颍現(xiàn)OFCA能夠有效均衡網(wǎng)絡(luò)能耗，從而延長(zhǎng)了網(wǎng)絡(luò)穩(wěn)定周期。圖2為3種協(xié)議在場(chǎng)景2中的網(wǎng)絡(luò)穩(wěn)定期對(duì)比。場(chǎng)景2規(guī)模較大，簇首與基站之間的距離相對(duì)較遠(yuǎn)，遠(yuǎn)程通信給簇首帶來(lái)了巨大的能量損耗，導(dǎo)致其過(guò)早死亡。但本文協(xié)議使用改進(jìn)的蟻群算法為簇首節(jié)點(diǎn)規(guī)劃最優(yōu)傳輸路徑，均衡了簇首負(fù)載，緩解了簇首的能量損耗。因此，在大規(guī)模場(chǎng)景下本文協(xié)議的網(wǎng)絡(luò)穩(wěn)定期比對(duì)比算法更長(zhǎng)。

圖1 3種協(xié)議在場(chǎng)景1中的網(wǎng)絡(luò)穩(wěn)定期對(duì)比

圖2 3種協(xié)議在場(chǎng)景2中的網(wǎng)絡(luò)穩(wěn)定期對(duì)比

3.3 網(wǎng)絡(luò)生存期對(duì)比

網(wǎng)絡(luò)生存期用于評(píng)價(jià)協(xié)議的能量效率，其指的是75%的節(jié)點(diǎn)的死亡的時(shí)間。在場(chǎng)景1中，網(wǎng)絡(luò)中部署100個(gè)節(jié)點(diǎn)時(shí)，F(xiàn)OFCA、FIGWO和GAFCMCR的網(wǎng)絡(luò)生存期分別為983輪、457輪、579輪；網(wǎng)絡(luò)中部署200個(gè)節(jié)點(diǎn)時(shí)，3種協(xié)議的網(wǎng)絡(luò)生存期分別為991輪、538輪、827輪；網(wǎng)絡(luò)中部署300個(gè)節(jié)點(diǎn)時(shí)，3種協(xié)議的網(wǎng)絡(luò)生存期分別為1083輪、550輪、866輪。在場(chǎng)景2中，3種協(xié)議的網(wǎng)絡(luò)生存期分別為615輪、257輪、396輪。為方便比較分析，將場(chǎng)景1和場(chǎng)景2中的網(wǎng)絡(luò)生存期分別繪制于圖3和圖4。圖3為3種協(xié)議在場(chǎng)景1中的網(wǎng)絡(luò)生存期對(duì)比。由于場(chǎng)景1規(guī)模較小，所有節(jié)點(diǎn)短距離通信，能量耗損較小，3種協(xié)議均有較長(zhǎng)的網(wǎng)絡(luò)生存期。但本文協(xié)議分簇效果理想，并且簇首在簇間通信階段采用了合理的多跳傳輸路徑，降低了網(wǎng)絡(luò)能耗，使本文所提出的協(xié)議在網(wǎng)絡(luò)生存期指標(biāo)上表現(xiàn)出顯著的優(yōu)勢(shì)。圖4顯示了3種協(xié)議在大規(guī)模網(wǎng)絡(luò)場(chǎng)景下的網(wǎng)絡(luò)生存期對(duì)比。在這種大規(guī)模場(chǎng)景下，高效的路由算法對(duì)協(xié)議的性能有重要意義。若簇首節(jié)點(diǎn)單跳向基站發(fā)送數(shù)據(jù)，遠(yuǎn)距離通信會(huì)導(dǎo)致簇首節(jié)點(diǎn)產(chǎn)生大量的能耗，從而縮短網(wǎng)絡(luò)生存期。本文提出的協(xié)議采用基于蟻群優(yōu)化的簇間路由算法，有助于為簇首節(jié)點(diǎn)找到合適的傳輸路徑，簇首通過(guò)多跳將數(shù)據(jù)發(fā)往基站，從而降低了網(wǎng)絡(luò)能耗。因此，本文所提FOFCA協(xié)議在大規(guī)模場(chǎng)景下的網(wǎng)絡(luò)生存期比對(duì)比協(xié)議更長(zhǎng)。

圖3 3種協(xié)議在場(chǎng)景1中的網(wǎng)絡(luò)生存期對(duì)比

圖4 3種協(xié)議在場(chǎng)景2中的網(wǎng)絡(luò)生存期對(duì)比

3.4 網(wǎng)絡(luò)吞吐量對(duì)比

部署WSN的目的是為了采集監(jiān)測(cè)區(qū)域的數(shù)據(jù)，因此網(wǎng)絡(luò)吞吐量是評(píng)價(jià)協(xié)議性能的一個(gè)關(guān)鍵性能指標(biāo)。網(wǎng)絡(luò)吞吐量越高，代表網(wǎng)絡(luò)采集到的數(shù)據(jù)越多。圖5為3種算法在場(chǎng)景1中的網(wǎng)絡(luò)吞吐量的對(duì)比結(jié)果。根據(jù)圖5，所提協(xié)議收集到的數(shù)據(jù)包個(gè)數(shù)遠(yuǎn)多于其它兩種對(duì)比協(xié)議，這是因?yàn)镕OFCA具有最長(zhǎng)的網(wǎng)絡(luò)生存期，延長(zhǎng)了傳感網(wǎng)的工作時(shí)間，故收集到了更多的數(shù)據(jù)包。此外，通過(guò)引入輪詢調(diào)度改善了時(shí)隙的利用率，使基站接收到了更多的數(shù)據(jù)包。在大規(guī)模的應(yīng)用場(chǎng)景中，F(xiàn)OFCA、FIGWO和GAFCMCR這3種協(xié)議的網(wǎng)絡(luò)吞吐量進(jìn)行了對(duì)比，如圖6所示。在該場(chǎng)景中，本文所提出的協(xié)議具有最高的網(wǎng)絡(luò)吞吐量，這是因?yàn)檩^長(zhǎng)的網(wǎng)絡(luò)生存期有助于基站接收更多的數(shù)據(jù)信息。此外，簇內(nèi)使用輪詢調(diào)度進(jìn)一步改善了網(wǎng)絡(luò)吞吐量。

圖5 3種協(xié)議在場(chǎng)景1中的網(wǎng)絡(luò)吞吐量對(duì)比

圖6 3種協(xié)議在場(chǎng)景2中的網(wǎng)絡(luò)吞吐量對(duì)比

4 結(jié)束語(yǔ)

為了均衡WSN負(fù)載，本文提出一種基于人工智能算法的分簇路由協(xié)議FOFCA。在網(wǎng)絡(luò)分簇階段，首先利用FA優(yōu)化FCM聚類算法，克服了FCM受初始聚類中心的影響易陷入局部最優(yōu)的缺點(diǎn)；其次使用改進(jìn)的FCM為傳感器節(jié)點(diǎn)聚類分簇，以最小化簇內(nèi)節(jié)點(diǎn)之間的距離；最后，考慮節(jié)點(diǎn)的能量和到基站的距離因素，動(dòng)態(tài)更新簇首以提高其質(zhì)量。在簇間通信階段，采用基于改進(jìn)蟻群優(yōu)化的簇間路由算法為簇首尋找傳輸路徑，以降低簇首的能耗。同時(shí)，通過(guò)使用輪詢調(diào)度完成簇內(nèi)通信，改善能量利用率。仿真實(shí)驗(yàn)結(jié)果表明，F(xiàn)OFCA能夠有效延長(zhǎng)網(wǎng)絡(luò)生存期，并提高網(wǎng)絡(luò)吞吐量。