基于WSN的核辐射监测系统路由算法研究

李洋伟 谭敏生 屈国普 谢腾飞

1南华大学计算机科学与技术学院 湖南 421001 2南华大学核科学技术学院 湖南 421001 3中核272铀业有限责任公司 湖南 421001

0 引言

无线传感器网络(WSN)是由大量廉价，低能耗的微型传感器节点部署在监测区域内，通过无线通信所形成一个多跳的自组织的网络系统。其目的是协作地感知、采集和处理监测区域内感知对象的信息，并发送给观察者。基于WSN的核辐射监测系统将核辐射探测器装置与传感器节点作为一个监测设备，探测器装置负责采集数据信息，传感器节点负责数据的无线收发。该系统存在大范围、多点位和实时监测等特点，但是网络覆盖区域内节点不能因能量耗尽而更换电池。因此，如何选取合适的路由路径，降低网络能耗，延长网络生存周期，成为近年来的研究热点之一。

1 相关工作

LEACH协议是一种低功耗、自组织的自适应分簇路由协议。每一个簇由一个簇头节点和若干个簇内成员节点组成。簇内成员节点负责数据的采集并发送给本簇的簇头节点，簇头节点接收簇内成员节点的信息，进行数据融合，减少数据通信量，最后以单跳方式发送给汇聚节点。其特点是簇头节点以等概率的形式随机选择簇头，每个节点都有一次成为簇头的机会，均衡了网络整体能耗，节约能量，避免节点能耗过高而死亡，延长了节点的生存时间。

粒子群优化算法(Particle Swarm Optimization，PSO)是一种新型的群智能优化算法，通过随机初始化一群粒子，然后粒子利用自身的经验积累和社会协作，在搜索空间中搜索全局最优解，具有简单、有效、收敛速度快的特性。

2 基于粒子群路由算法的改进

2.1 模型描述

2.1.1 网络模型

为简化问题模型，为此，本文对所研究的无线传感器网络做出以下假设：

(1) 网络中所有节点随机部署在监测区域，节点和基站的位置固定，基站距离传感器节点较远。

(2) 除基站外，所有传感器节点具有相等的初始能量值、信息处理能力，数据融合能力。

(3) 所有节点都知道自己的位置信息，并且可以感知剩余能量。

(4) 所有节点的发射功率调节可以根据通信距离的远近进行调节。

(5) 除基站外，所有节点的通信范围相同，节点间的数据通信是双向的。

2.1.2 能量模型

本文采用一介无线通信模型。当节点传输 k bit 的数据信息时，传感器节点间的能耗可表示为：

其中， ETx(k,d)表示发送 k bit数据时所消耗的能量，ERx(k)接收 k bit数据时所消耗的能量， Eelec表示发送 1bit数据所消耗的能量，εfs和εmp分别为自由空间模型和多路径衰减模型的功率放大电路能耗系数，d为数据发送距离，d0为距离设定门限：

2.2 算法描述

2.2.1 适应值函数的改进

适应值函数是评价最优解的关键因子，本文用适应值函数来评价所选簇头的质量(能量和位置因素)，主要考虑以下三个方面：一是簇头能量评价因子f1，取簇头节点能量占簇内节点总能量的比例的倒数，簇头节点剩余能量越大越好。二是簇内距离评价因子f2，表示簇内成员节点到簇头节点的平均距离，平均距离越小，节点间数据传输能量消耗越小。三是簇头节点到基站距离评价因子f3。簇头节点到基站的最佳路径越小，簇头节点消耗能量越小。假设，有网络包含M个节点，采用LEACH协议分为k个簇，其改进的适应值函数f如下：

其中，E(CHi)表示第i个簇的簇头节点 C Hi的剩余能量，E(nj)表示第i个簇的成员节点j的能量，d(nj, C Hi) 表示第i个簇内节点j到簇头节点 C Hi的距离，|Ci|表示第i个簇的成员节点数量。d(C Hi,B S)表示第 i个簇的簇头节点 C Hi到基站(BS)的距离。α，β，γ为个评价因子在公式(3)所占的比重，即权重系数， α +β+γ=1。

根据式公式(3)计算粒子的适应值函数值越小，说明簇头节点的剩余能量越大，或者簇内成员节点与簇头节点的距离越小，或者簇头节点距离基站的距离越近。

2.2.2 算法步骤

本文算法的执行过程是周期的，每个周期分为簇的建立和稳定数据传输阶段，其中数据传输阶段包括簇内路由和簇间路由数据传输。具体步骤如下：

(1) 利用 LEACH算法对网络进行初始分簇。设定能量阈值 ET，节点的剩余能量大于 ET时被选为候选簇头，只有候选簇头才有机会成为本轮的簇头。设 C Hcandidate表示候选簇头集合，则 C Hcandidate= ｛ni| Ei > ET｝，其中：

Ei表示节点i的当前剩余能量，M表示网络节点总数量。该阶段只考虑了节点的剩余能量，忽略了节点间的距离和数据传输能耗等因素，导致整个网络的能耗不均衡，因此需要通过改进适应值函数，从候选簇头集合中选取最优的簇头。

(2) 根据改进的适应值函数，利用粒子群优化算法选取最优的簇头。对候选簇头粒子群进行初始化，计算各个粒子的适应值函数值，通过迭代的方法不断更新粒子的速度和位置，持续搜索网络空间区域，直到达到最大的迭代次数时算法终止，将全局最优解作为本轮的簇头节点。

基本步骤如下：

Step1：初始化粒子群。初始化候选簇头集合中的粒子的速度和位置。根据公式(3)计算每个粒子的适应值，将粒子的初始位置作为每个粒子的个体最优解Pid，选择其中适应值最小的粒子作为整个粒子群的全局最优解Pgd。

Step2：更新粒子的位置和速度。并计算出新的适应值函数值fi。

Step3：个体最优解的更新。将第i个粒子的当前适应值fi与该粒子的个体最优解Pid作比较，若fi< Pid,则更新Pid，否则，保持Pid不变。

Step4：全局最优解的更新。将当前粒子群中所有粒子的最小个体最优解与整个粒子群的初始全局最优解Pgd作比较，若小于Pgd，则将粒子的个体最优解作为整个粒子群的全局最优解Pgd，否则，保持Pgd不变。

Step5：重复步骤Step2，Step3和Step4，直到达到最大迭代次数，结束循环。选取最优解作为簇头节点。

其算法流程图如图1。

图1 改进算法选取簇头流程图

(3) 最优簇的形成。选取最优簇头节点后，候选簇头将簇头节点的消息发送给簇内成员节点，每个成员节点根据接收到的信号强度选择自己所属的簇，并将自身的剩余能量和位置信息发送给本簇的簇头节点，然后簇头节点给簇内成员节点分配TDMA时隙。

(4) 稳定数据传输阶段。

① 簇内数据传输阶段。该阶段主要是在最优簇结构形成后，网络处于稳定的数据传输，簇内成员节点在相应的时槽内将采集的数据传输给本轮簇的簇头节点，其余时间簇内成员节点处于睡眠状态，以节约能量。

② 簇间数据传输阶段。假设限定距离值 d0，一般取各个簇头节点到基站的平均距离。若簇头节点到基站的距离d >d0，簇头节点则以多跳方式将融合后的数据传送给基站。若簇头节点到基站的距离d < d0，簇头节点则直接以单跳的方式将融合后的数据传输给基站。

当簇头节点能量低于设定的限定能量阈值TE时，则进行簇头的重新选择。这样选取剩余能量高的节点作为簇头节点，延长了数据稳定传输阶段，均衡了网络的能耗，从而有效地延长了网络生存周期。

3 仿真与结果分析

本文主要从网络节点存活数和网络节点剩余总能量两方面与LEACH协议作比较。将100个传感器节点随机分布在100 x100的正方形区域内，基站位于(X=50，Y=150)。假设节点间不出现数据传输的错误和重发等现象，簇内成员节点在不传输数据时处于睡眠状态。粒子群优化算法的各参数为：α=0.35，β=0.35，γ=0.3，ω=0.9，学习因子 c1=2，c2=2。仿真能耗各参数为：节点总能量elecE 为50nJ/bit，单个节点初始能量0E为0.5J，数据融合能耗DAE 为5nJ/bit/singal，功率放大器能耗fsε为10pJ/bit/m2，信号放大器倍数mpε为0.0013pJ/bit/m4，数据包长度为4000bits。

网络中存活节点数与仿真轮数的关系如图 2所示。与LEACH算法相比较，随着轮数的进行，改进算法的中第一个节点出现死亡的时间比较晚，并且当20%的节点数目出现死亡时，节点经历的轮数比LEACH算法中节点经历的轮数多了25%左右，也就是说当经历相同轮数时，节点的生存周期相对延长了 25%左右。由此可知，本文改进算法相比LEACH算法，节省了节点的能量，显著地延长了网络的生存周期。

图2 存活节点数与仿真轮数的关系图

网络节点剩余总能量与仿真轮数的关系如图3所示。仿真结果表明，当经过相同的轮数时，改进算法中节点的能耗相比LEACH算法中节点的能耗相对要小，即网络节点的剩余总能量相对较高，明显的延长了网络的生存周期，并且改进算法中节点剩余总能量的曲线相比之下较为平缓。

图3 网络节点剩余能量与仿真轮数关系图

4 结束语

本文根据核辐射环境的特殊性及无线传感器网络传感器节点能量的有限性，在LEACH协议的基础上提出一种路由改进算法。仿真结果表明，与LEACH算法相比较，改进路由算法明显的减少了网络能耗，有效地延长了网络的生命周期。使得基于无线传感器网络的核辐射监测系统能够高效、稳定地实时监测环境。

[1]孙利民,李建中,陈渝等.无线传感器网络[M].北京:清华大学出版社.2005.

[2]Tubaishat M,Madria S.Sensor Networks：an Overview[J].IEEE Potenial.2003.

[3]W.Heinzelman,A.Chandrakasan,H. BalakrishLnan. Energyefficient communication Protocol for wireless microsensor networks. Proceedings of the 33rd Hawaii International Conference on System Sciences.Maui:IEEE Computer Society.2000.

[4]J.Kennedy, R.C. Eberhart. Particle swarm optimization. IEEE International Conference on Neural Networks.1995.

[5]Russell Eberhart, James Kennedy. A new Optimizer Using Particle Swarm Theory. Sixth International Symposium on Micro Machine and Human Science.1995.