基于蚁群粒子适应机制的移动传感网簇头生成算法

李文

关键词：移动传感网;簇头生成;蚁群粒子;感知覆盖;极限标准差

目前，移动传感网技术（ Mobile Sensor Network，MSN）作为“中国制造2025”计划重要组成部分，正在实践中得到日益重视的推广应用。移动传感网结合了无线传感网、新一代移动通信技术优势，通过在一定地理分布区间内部署可移动节点的方式实现数据感知，并利用无线信道技术实现数据汇聚传输，具有成本低廉、部署便捷特点，可实现大规模部署应用。不过，由于移动传感网节点同时存在移动特性，传输路径稳定性较差，链路及节点抖动现象严重，需要通过网络分区方式实现数据中继传输。因此，采取一定的簇头生成算法并稳定数据传输链路，成为当前MSN研究领域内的热点。

在簇头生成算法研究领域内，研究者多利用传感节点存在的聚类特性，采取区域分割方式高效选取簇头节点。Sanu等提出了一种基于主备动能切换机制的移动传感网簇头生成算法，算法引入能量排序机制，通过周期性选取具有较高剩余能量节点并设定为簇头节点，可实现簇头快速化选取，所选簇头抗抖动性能较强。然而，该算法对中继传输现象考虑不足，簇头节点需要通过直传模式将数据投送至sink节点，存在链路抖动较高的不足，难以适应超宽带数据传输场景。Peng等提出了一种基于超聚类节点更新机制的移动传感网簇头生成算法，算法将具有较高传输性能的节点设定为超聚类节点，采取周期引力机制进行节点聚类生成流程，定时选取具有较高链路稳定性能的节点作为超聚类节点，可降低区域分割失败而导致簇头性能不稳定的问题。不过，算法执行过程中易致使节点能量消耗速度较快，簇头节点受限概率较高，降低了算法的网络传输性能。Sanu等提出了一种基于周期路由更新机制的移动传感网簇头生成算法，算法优选路由交叉度较高的节点为簇头节点，引入能量最优机制筛选备份节点，所选节点具有传输路径较为稳定的特点，抗网络拓扑抖动性能较强。然而，该算法也存在节点切换过程较为复杂的特点，特别是节点处于移动状态时易发生严重的数据重传输现象，使得算法在节点处于移动状态时难以进一步提升数据传输带宽。

针对上述情况，考虑到传统方法不能解决所示不足，因此提出了一种基于蚁群粒子适应机制的移动传感网簇头生成算法。首先，根据能量最优原则并基于迭代方式设计了基于蚁群粒子感知覆盖机制的簇头生成方法，采用周期迭代方式来进行粒子感知覆盖，获取性能优越的节点作为备选簇头节点，可显著提升簇头分布密度。随后，通过粒子进化方案设计了基于极限标准差优选机制的簇头稳定方法，进一步优化节点传输质量，改善能量受限现象，具有较好的数据传输性能。最后通过MATLAB仿真实验环境，证明了算法的性能。

1基于蚁群自适应机制的移动传感网簇头生成算法

为提高MSN网络簇头生成质量，提出了一种基于蚁群自适应机制的移动传感网簇头生成算法。该算法主要由基于蚁群粒子感知覆盖机制的簇头生成和基于极限标准差优选机制的簇头稳定两部分构成。

1.1基于蚁群粒子感知覆盖机制的簇头生成

网络初始化完成后，网络选取具有较高能量值的节点作为初始簇头节点，sink节点将初始簇头节点视为移动蚁群并通过监测移动过程获取感知覆盖范围。首先按如下模型获取初始簇头节点的拓扑轨迹：

其中， g1、g2。、g3表示权重系数，权重系数覆盖初始簇头节点当前更新时刻t及前后两个更新时刻。

Sink节点对模型（3）进行判断，当仅当按模型（3）进行粒子进化过程时出现数值上升现象时，将重新选取区域内能量最强的节点作为簇头节点，见图1。

1.2基于极限标准差优选机制的簇头稳定

采取基于蚁群粒子感知覆盖机制的簇头生成方法后，sink节点可以动态选取具有能量较高的节点作为簇头节点。不过，由于移动传感网具有的拓扑高变动特性，频繁进行粒子进化过程将会导致簇头节点出现能量消耗加剧的现象，导致进化过程将提前结束，陷入局部最优困境。因此，算法在粒子进化过程结束后，设计基于极限标准差优选机制的簇头稳定方法用以增强粒子收敛速度，具体设计如下：

其中，F表示簇头节点m表示备用簇头节点的重心，F表示备用簇头节点的重心，F表示sink节点与簇头节点的平均距离。三者可由如下模型获取：

Step2针对备选簇头，逐个按模型（5）校验收敛标准差，选取标准差最低的节点作为备选簇头，若当前簇头出现受限时将进行节点更换操作，见图2，方法结束。

网络初始化过程完毕后，按照网络传输周期执行极限标准差优选机制，逐次遍历各网络分区，即可从备选节点中优选性能较为稳定的簇头节点，从而提升网络传输性能。

2实验与分析

为对比所提算法的性能，设置MATLAB 8.5仿真实验环境。仿真参数表见表1。对照组实验设置为当前移动传感网领域常用的基于改进能量均衡机制的传感网簇头生成算法（ImprovedClustering Optimization Algorithm for WirelessSensor Network Energy Balance，IC（）算法）和基于能量优化回收机制的传感网簇头生成算法（Novel

PEECRP-Based Clustering

Routing

Approach，NPEECR算法）。仿真参数为簇头节点密度、网络传输带宽两项，具体情况如下：

2.1簇头节点密度测试

图3为所提算法与ICO算法和NPEECR算法在高抖动信道环境和低抖动信道环境下簇头密度的仿真测试结果。由图可知，所提具有簇头节点密度较高的特性，显示了较高的网络覆盖能力。这是由于所提算法考虑到簇头节点具有的移动特性，设计了基于蚁群粒子感知覆盖机制的簇头生成方法，在优选具有能量较优节点作为簇头节点的基础上，进一步通过极限标准差优选机制稳定选取传输性能较高的节点作为簇头节点，因而簇头节点密度较高，体现了较为突出的网络覆盖能力。ICO算法考虑到单纯采用能量方式生成簇头节点存在的不足，建立了节点聚集度与剩余能量之间的权重函数。在簇头选择中减少迭代次数和能量消耗，簇头节点能耗水平较低。然而，该算法仅采取单纯备份机制用以筛选备用簇头节点，选取过程中易导致节点重复选取现象，因而簇头节点生成质量不高，易发生抖动现象，降低了簇头节点密度。PEECR算法基于节点度、相对距离和剩余能量筛选簇头节点，保证了簇头分布均匀，簇规模均衡，优选传输质量较高的节点作为簇头节点。不过，该算法采用周期轮询方案更新簇头节点，当簇头节点发生受限现象时易导致出现节点大面积失效现象，降低了簇头节点密度。

2.2网络传输带宽测试

图4为所提算法与与ICO算法和N-PEECR算法在高抖动信道环境和低抖动信道环境下网络传输带宽的仿真测试结果。由图可知，所提算法具有网络传输带宽较高的特点，说明了所提算法网络传输性能卓越。这是由于所提算法考虑到网络拓扑易变动的特性，涉及了基于蚁群粒子感知覆盖机制的簇头生成方法，采取蚁群粒子感知方式固定簇头节点定位位置，降低拓扑移动程度，因而网络传输路径较为稳定。特别是所提算法通过极限标准差优选机制稳定选取传输性能较高的节点作为簇头节点，簇头节点密度较高，网络节点有更高概率选取传输能力较强的节点作为中继节点，因而所提算法网络传输带宽较高。ICO算法建立了节点聚集度与剩余能量之间的权重函数，将剩余能量设为较高的权重系数，对节点间拓扑移动考虑不足，所选节点抖动性较高，使得网络传输链路亦有较高概率发生抖动，降低了该算法的网络传输带宽。NPEECR算法基于节点度、相对距离和剩余能量筛选簇头节点，主要采取均匀分布模式设置簇头节点，存在簇头节点密度较低的不足，因而网络传输链路的长度高于本文算法，使得该算法网络传输带宽性能较差，降低了网络传输带宽。

3结论

为提高移动传感网部署性能，提出了一种基于蚁群粒子适应机制的移动传感网簇头生成算法。算法主要由基于蚁群粒子感知覆盖机制的簇头生成方法和基于极限标准差优选机制的簇头稳定方法两部分构成。可显著降低链路抖动现象，提高簇头节点生成质量，增强网络传输性能。

下一步，将针对所提算法对高节点部署环境适应性较低的不足，拟引入欧里几何拓扑映射机制稳定网络传输链路，扩大所提算法对各种复杂环境的適应能力。