【正文】 )：a + b = 1 ()湖 南 大 學(xué) 畢 業(yè) 論 文 第 20 頁顯然，a=0 ， b=1 時，式()將簡化為以下式()： ()()1(mod()0pHnGrTn???????： 若： 否 則即 只 在 LEACH 算 法 中 進 一 步 考 慮 剩 余 能 量 與 工 作 能 耗 對 網(wǎng) 絡(luò) 生 命 周 期 的 影 響 。而當 a=1，b=0 時，式()將簡化為以下式()： ()()1(mod()0pFnGrTn???????： 若： 否 則即只在 LEACH 算法中進一步考慮節(jié)點分布密度對網(wǎng)絡(luò)生命周期的影響。 算法性能分析為了說明上述算法的性能，下面仍以第 節(jié)中圖 所示網(wǎng)絡(luò)為例，來計算采用新算法時整個網(wǎng)絡(luò)的生命周期。(1) 假設(shè)傳感器節(jié)點的基本通訊半徑設(shè)置為 10，所以可以很容易的計算出各節(jié)點的鄰居節(jié)點總數(shù)，如表 所示：表 鄰居節(jié)點表節(jié)點 鄰居節(jié)點總數(shù)A 6B 6C 6D 7E 8F 9G 5H 3(2) 根 據(jù) 節(jié) 點 的 鄰 居 節(jié) 點 總 數(shù) 計 算 出 各 節(jié) 點 的 密 度 調(diào) 節(jié) 參 數(shù) F(n)， 如 表 所 示 ：表 各節(jié)點密度調(diào)節(jié)參數(shù)表節(jié)點 H(n)A 5/6B 5/6湖 南 大 學(xué) 畢 業(yè) 論 文 第 21 頁C 5/6D 6/7E 7/8F 8/9G 4/5H 2/3(3) 由于只有 D，F(xiàn)，H 三個節(jié)點為最近 1/p 輪未當選簇頭的節(jié)點，因此只需要計算這 3 個候選簇頭節(jié)點的 T(n)值。因為對于 D，F(xiàn) ，H 而言， 的值均相1(mod)pr?同，故令 =K，則 D，F(xiàn)，H 三點的 T(n)值分別為： ， ， 。1(mod)pr? 67K8923(4) 根據(jù)概率論，D，F(xiàn) ，H 三點中，F(xiàn) 點成為簇頭的概率最大，H 點成為簇頭的概率最小。如果假設(shè)在三點中只能有兩個點成為簇頭，依據(jù)上面的計算結(jié)果，F(xiàn) 和 D 兩節(jié)點是最有可能的組合。在圖 中不難看出，F(xiàn) 和 D 正是位于節(jié)點密集分布的區(qū)域，而H 則是位于節(jié)點稀疏分布的區(qū)域。正好可以保證使節(jié)點密集區(qū)域的簇頭數(shù)量比節(jié)點稀疏區(qū)域的簇頭數(shù)量多。有效避免了節(jié)點密集分布區(qū)域簇的規(guī)模過大，能量消耗不均勻的現(xiàn)象。 小結(jié)本章在分析 LEACH 算法存在問題的基礎(chǔ)上提出了節(jié)點分布密度數(shù)學(xué)模型，并將其與每輪平均工作能耗的簇頭選取算法結(jié)合起來，既把節(jié)點平均能耗因素作為選取簇頭的考慮對象，又將節(jié)點實際部署的拓撲結(jié)構(gòu)也納入到簇頭選取的考慮范疇。采用該算法選取出來的簇頭比采用 LEACH 算法選取出的簇頭更為合理。湖 南 大 學(xué) 畢 業(yè) 論 文 第 22 頁 5. 算法仿真實驗 實驗平臺開發(fā)一個操作簡單，使用方便，直觀的傳感器節(jié)點部署及分簇的系統(tǒng)仿真平臺。C語言是一個很好的選擇。C CLR 上的應(yīng)用程序語言之一，是 Microsoft Framework 平臺而創(chuàng)建的完全的面向?qū)ο蟮恼Z言。從語法上看，C 非常類似于 C++和 JAVA，許多關(guān)鍵字都是相同的。其設(shè)計與現(xiàn)代開發(fā)工具的適應(yīng)性要比其它語言更高，同時具有 Visual Basic 的易用性、高性能以及 C++的低級內(nèi)存訪問性。它具有以下的一些特性：(1) 完全支持類和面向?qū)ο缶幊?，包括接口和繼承、虛函數(shù)和運算符重載的處理。(2) 對自動生成 XML 文檔說明的內(nèi)置支持。(3) 自動清理以及動態(tài)分配內(nèi)存。(4) 基類庫進行完全的訪問， Framework 代碼庫提供的每種功能。并且還能容易的訪問 Windows API。(5) 組件庫，該組件庫可以用于 ActiveX 控件(COM 組件)相同的方式由其它代碼調(diào)用。湖 南 大 學(xué) 畢 業(yè) 論 文 第 23 頁(6) C可以編寫 的動態(tài) Web 頁面和 XML Web 服務(wù)。本課題使用 Microsoft Visual Studio .NET 工具，利用 C語言進行仿真系統(tǒng)開發(fā)，并使用系統(tǒng)對提出的理論進行驗證。 實驗設(shè)計(1) 在生成節(jié)點的過程中首先必須構(gòu)造節(jié)點類，由于假設(shè)所有的節(jié)點都是同構(gòu)的，所以只需構(gòu)造一個節(jié)點類。該類包括節(jié)點 ID(唯一 )，節(jié)點當前能量，節(jié)點相對位置以及節(jié)點的密度等關(guān)鍵屬性。(2) 為模擬節(jié)點隨機分布，首先確定傳感器節(jié)點的部署區(qū)域的大小，即區(qū)域的長度和寬度，然后分別產(chǎn)生兩個隨機數(shù) x，y，其中 x 的取值范圍應(yīng)該是介于 0 到區(qū)域長度之間，而 y 的取值范圍介于 0 到區(qū)域?qū)挾戎g。最后將 x 和 y 作為節(jié)點的坐標，從而確定節(jié)點的位置。由于 x 和 y 是隨機生成的，故可以將節(jié)點視為隨機分布的。(3) 為確定節(jié)點的密度屬性，計算該節(jié)點和其它所有節(jié)點的直線距離，并統(tǒng)計距離小于指定值的節(jié)點的總數(shù)，再計算出該節(jié)點的密度。(4) 通過實例化節(jié)點并為每個節(jié)點對象的相關(guān)屬性賦值即可產(chǎn)生節(jié)點，而產(chǎn)生節(jié)點的個數(shù)也可由實例化的次數(shù)來控制。(5) 每個節(jié)點獨立運算簇頭的閥值計算公式，并產(chǎn)生一個 0 到 1 之間的隨機數(shù)，并比較該隨機數(shù)與閥值的大小。根據(jù)比較結(jié)果確定自己是否成為簇頭。(6) 非簇頭節(jié)點計算自己與該輪產(chǎn)生的所有的簇頭之間的距離，并選擇距離自己最近的簇頭加入，形成簇拓撲結(jié)構(gòu)。(7) 在分簇過程中，每個節(jié)點都有計算開銷，同時還有廣播等通訊消耗，通過減少各節(jié)點的當前能量屬性來體現(xiàn)能量的消耗。(8) 每輪分簇完成后，判斷所有節(jié)點的當前能量，若當前能量小于 0，則表示該節(jié)點能量耗盡，否則繼續(xù)實驗并統(tǒng)計分簇的輪數(shù)。 實驗過程在輸入要進行部署的傳感器節(jié)點個數(shù)，區(qū)域大小，初始能量和調(diào)節(jié)參數(shù)等相關(guān)數(shù)據(jù)后，可以根據(jù)這些數(shù)據(jù)產(chǎn)生指定個數(shù)的節(jié)點，并且為每個節(jié)點隨機分配一個坐標。隨后仿真實驗平臺將生成節(jié)點分布的模擬圖。接下來采用 EECHS 算法在剛才模擬部署的傳感器節(jié)點中選擇簇頭并成簇，實驗平臺將以直觀的方式顯示簇頭選取的結(jié)果。最湖 南 大 學(xué) 畢 業(yè) 論 文 第 24 頁后實驗平臺還將記錄每輪分簇過程中產(chǎn)生的簇頭的坐標，并以列表的方式顯示出來。具體的操作界面如圖 ，圖 ，圖 ，圖 ，圖 所示。圖 獲取初始參數(shù)界面圖圖 為仿真系統(tǒng)中獲取部署節(jié)點參數(shù)數(shù)據(jù)的截圖，取得相應(yīng)的數(shù)據(jù)后即可對節(jié)點進行部署，其中能量調(diào)節(jié)參數(shù)和密度調(diào)節(jié)參數(shù)的取值范圍為 0~1 之間。圖 生成節(jié)點部署模擬圖代碼。湖 南 大 學(xué) 畢 業(yè) 論 文 第 25 頁圖 節(jié)點部署模擬圖圖 為模擬 100 個節(jié)點部署的截圖，其中每個小圈代表一個傳感器節(jié)點。圖 簇頭選取模擬圖，最后一輪分簇時選取的簇頭截圖，其中比較粗的小圈表示當選為簇頭的節(jié)點，較細的圈表示普通節(jié)點。圖 分簇結(jié)果圖湖 南 大 學(xué) 畢 業(yè) 論 文 第 26 頁圖 為在指定參數(shù)的情況下分簇結(jié)果圖，在圖 中可通過選擇左側(cè)窗格中的分簇輪數(shù)來查看該輪產(chǎn)生的簇頭節(jié)點的個數(shù)及各簇頭的坐標，同時還可以查看總的分簇輪數(shù)，從而與采用 LEACH 算法時傳感器網(wǎng)絡(luò)的生命周期進行比較。 實驗結(jié)果在實驗過程中隨機生成若干個點，代表隨機分布的傳感器，假定 p=，節(jié)點初始能量均為 2022。當傳感器節(jié)點個數(shù)固定為 200，而部署區(qū)域大小分別取 800 800，900 900，1000 1000，1100 1100，1200 1200 時，得到的仿真實驗結(jié)果如圖 所示： 0204060801001200 800 900 1000 1100 1200Border Length Of Disposed AreaNumber Of ClusteringRoundEECHS(a=,b=)EECHS(a=0,b=1)EECHS(a=1,b=0)LEACH圖 部署區(qū)域大小變化時 EECHS 與 LEACH 算法實驗對比圖在圖 中，橫坐標為正方形部署區(qū)域的邊長，縱坐標為采用 LEACH 算法或EECHS 算法時成簇的輪數(shù)(即網(wǎng)絡(luò)的生命周期)。由圖 知，當節(jié)點數(shù)量不變，隨部署區(qū)域面積的擴大，僅考慮節(jié)點的分布密度(a=0，b=1)、或僅考慮節(jié)點的剩余能量及其工作能耗(a=1 ，b=0)、或綜合考慮節(jié)點的分布密度以及節(jié)點的剩余能量及其工作能耗(a=，b=) 時，采用 EECHS 算法，傳感器網(wǎng)絡(luò)的生命周期均比采用 LEACH 算法時更長。特別地，當綜合考慮節(jié)點的分布密度、節(jié)點的剩余能量及其工作能耗(a=，b=) 時，傳感器網(wǎng)絡(luò)的生命周期延長了近 150%。若隨機生成 100，150，200……個點，而部署區(qū)域大小固定為 1000 1000 時，p=，則仿真實驗結(jié)果如圖 所示。0204060801000 100 150 200 250 300Number Of NodesNumber Of ClusteringRoundsEECHS(a=,b=)EECHS(a=0,b=1)EECHS(a=1,b=0)LEACH湖 南 大 學(xué) 畢 業(yè) 論 文 第 27 頁圖 節(jié)點個數(shù)變化時 EECHS 與 LEACH 算法實驗對比圖在圖 中，橫坐標為部署的節(jié)點個數(shù)，縱坐標為采用 LEACH 算法或 EECHS 算法時成簇的輪數(shù)( 即網(wǎng)絡(luò)的生命周期)。由圖 知，當部署區(qū)域面積一定，隨部署的節(jié)點數(shù)增加，僅考慮節(jié)點的分布密度(a=0，b=1)、或僅考慮節(jié)點的剩余能量及其工作能耗(a=1，b=0)、或綜合考慮節(jié)點的分布密度以及節(jié)點的剩余能量及其工作能耗(a=，b=) 時，采用 EECHS 算法，傳感器網(wǎng)絡(luò)的生命周期均比采用 LEACH 算法時更長。特別地，當綜合考慮節(jié)點的分布密度、節(jié)點的剩余能量及其工作能耗(a=，b=) 時，傳感器網(wǎng)絡(luò)的生命周期延長了近 100%。 若隨機生成 100 個點，而部署區(qū)域大小固定為 1000 1000，p= 時，節(jié)點的初始能量分別取 1000，1500，2022，2500，3000 則仿真實驗結(jié)果如圖 所示。 0204060801001000 1500 2022 2500 3000Inialized Energy Of NodesNumber Of ClusteringRoundsEECHS(a=,b=)EECHS(a=0,b=1)EECHS(a=1,b=0)LEACH圖 初始能量變化時 EECHS 與 LEACH 算法實驗對比圖在圖 中，橫坐標為節(jié)點的初始能量，縱坐標為采用 LEACH 算法或 EECHS 算法時成簇的輪數(shù)( 即網(wǎng)絡(luò)的生命周期)。由圖 知，當部署區(qū)域面積及節(jié)點個數(shù)一定，隨節(jié)點初始能量的增加，當僅考慮節(jié)點的分布密度(a=0，b=1)、或僅考慮節(jié)點的剩余能量及其工作能耗(a=1，b=0) 、或綜合考慮節(jié)點的分布密度以及節(jié)點的剩余能量及其工作能耗(a=， b=)時，采用 EECHS 算法，傳感器網(wǎng)絡(luò)的生命周期均比采用 LEACH 算法時更長。特別地，當綜合考慮節(jié)點的分布密度、節(jié)點的剩余能量及其工作能耗(a=，b=) 時，傳感器網(wǎng)絡(luò)的生命周期比采用 LEACH 算法時延長了近 90%。 小結(jié)理論分析和仿真實驗表明，將該算法應(yīng)用于傳感器網(wǎng)絡(luò)中，能更有效地降低與均衡網(wǎng)絡(luò)的能量消耗，與采用 LEACH 算法時相比較，傳感器網(wǎng)絡(luò)的生命周期有較大幅度的延長。湖 南 大 學(xué) 畢 業(yè) 論 文 第 28 頁結(jié) 論本文首先對傳感器網(wǎng)絡(luò)的各個發(fā)展階段進行了描述，并介紹了目前傳感器網(wǎng)絡(luò)在許多領(lǐng)域的實際應(yīng)用和各國對傳感器網(wǎng)絡(luò)的重視程度，從而闡明了傳感器網(wǎng)絡(luò)研究的重大意義。由于傳感器網(wǎng)絡(luò)是目前學(xué)術(shù)界研究的熱點，文中對目前國內(nèi)外關(guān)于傳感器網(wǎng)絡(luò)的研究成果進行了總結(jié)，著重對近年來提出的各種通信路由協(xié)議進行了簡要介紹，同時還對部分協(xié)議的優(yōu)缺點進行了分析。Heinzelman 等人提出的 LEACH 算法是關(guān)于傳感器網(wǎng)絡(luò)的最具代表性的一種算法，本文的研究也是基于 LEACH 算法的改進。因此，在對 LEACH 算法的簇頭選取過程和成簇過程進行說明后，本文仔細分析了 LEACH 算法中存在的問題。比如它沒有考慮簇頭節(jié)點在簇結(jié)構(gòu)中的位置；忽視節(jié)點的實際分布對算法的影響；采用能耗巨大的單跳路徑選擇模式進行通訊等。針對 LEACH 算法沒有考慮簇頭節(jié)點在簇結(jié)構(gòu)中位置時存在的問題，文中提出了一種基于節(jié)點平均能耗的分布式簇頭選取算法，通過引入平均能耗調(diào)節(jié)參數(shù)，提高每輪能耗較少的節(jié)點成為簇頭的機率，從而使靠近簇結(jié)構(gòu)地理中心位置的節(jié)點優(yōu)先成為簇頭，簇內(nèi)節(jié)點能量消耗更均衡?？紤]到傳感器網(wǎng)絡(luò)在實際部署過程中可能出現(xiàn)規(guī)模過大，節(jié)點個數(shù)過多的簇以及簇頭能量消耗不均衡的現(xiàn)象。本文還設(shè)計了一種基于傳感器網(wǎng)絡(luò)密度調(diào)節(jié)參數(shù)的數(shù)學(xué)模型，并通過將密度調(diào)節(jié)參數(shù)引入到 LEACH 算法中，使位于節(jié)點密集分布區(qū)域的節(jié)點較節(jié)點稀疏分布區(qū)域的節(jié)點有更高機率成為簇頭，有效的控制了簇的規(guī)