基于簇結(jié)構(gòu)優(yōu)化的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)非均勻分簇路由算法.pdf

1、無(wú)線(xiàn)傳感器網(wǎng)絡(luò)是由大量傳感器節(jié)點(diǎn)組成動(dòng)態(tài)的多跳通信網(wǎng)絡(luò)，通常節(jié)點(diǎn)攜帶板上電源，能量受限。在大多數(shù)應(yīng)用場(chǎng)合下，傳感器節(jié)點(diǎn)無(wú)法充電或更換電池。一旦節(jié)點(diǎn)能量耗盡，就會(huì)影響整個(gè)網(wǎng)絡(luò)的功能，繼而加速網(wǎng)絡(luò)死亡。而網(wǎng)絡(luò)的重建，需要耗費(fèi)大量人力和財(cái)力，因此，如何優(yōu)化網(wǎng)絡(luò)能耗，使網(wǎng)絡(luò)生存周期最大化是傳感器網(wǎng)絡(luò)的核心問(wèn)題之一。
　　作為能耗優(yōu)化策略，分層路由算法被認(rèn)為是無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中高效的節(jié)能方法之一，本文在研究隨機(jī)分簇路由算法、均勻分簇路由算法和

2、非均勻分簇路由算法的基礎(chǔ)上，提出了基于簇結(jié)構(gòu)優(yōu)化的分簇路由算法，算法包括最優(yōu)分簇?cái)?shù)目計(jì)算、簇頭選舉、簇半徑計(jì)算、孤立節(jié)點(diǎn)處理等多個(gè)方面內(nèi)容，算法從多方面綜合考慮來(lái)達(dá)到簇結(jié)構(gòu)優(yōu)化的目的。①最優(yōu)分簇?cái)?shù)目計(jì)算部分：重新建立了能耗模型，并推導(dǎo)了最優(yōu)分簇?cái)?shù)目計(jì)算公式。②簇頭選舉部分：算法提出了兩種選舉方法，第一是基于概率的迭代簇頭選舉方法，算法綜合考慮了剩余能量、節(jié)點(diǎn)密度、節(jié)點(diǎn)能耗速度等多種因素，使簇頭選舉算法更合理，第二是根據(jù)節(jié)點(diǎn)能量的迭代選舉

3、方法，，方法改善了前一種簇頭選舉方法迭代次數(shù)過(guò)多，能耗較大的問(wèn)題，不再比較節(jié)點(diǎn)的成簇概率而是直接比較包括節(jié)點(diǎn)剩余能耗、節(jié)點(diǎn)密度的影響因子，比基于概率的迭代簇頭選舉方法更直接更有效，減少了迭代過(guò)程的次數(shù)，達(dá)到了延長(zhǎng)網(wǎng)絡(luò)生命周期的目的。③簇半徑計(jì)算部分：在原自適應(yīng)分簇算法基礎(chǔ)上添加了節(jié)點(diǎn)密度并重構(gòu)了簇半徑計(jì)算公式使計(jì)算公式更合理。④孤立節(jié)點(diǎn)處理部分：提出了一種孤立節(jié)點(diǎn)多跳加入鄰居簇的算法，降低了孤立節(jié)點(diǎn)獨(dú)立成簇的能耗。
　　最后，為了

4、優(yōu)化全局參數(shù)，對(duì)應(yīng)兩種簇頭選舉方法，提出了基于量子遺傳的路由優(yōu)化算法，包括基于量子遺傳的非均勻分簇路由算法 QGCRA(Quantum Genetic Uneven Clustering Routing Algorithm)和基于量子遺傳的能量高效的迭代選簇路由算法 QGEEIC(Quantum Genetic Energy Efficient Iteration Clustering Routing Algorithm)，算法基于雙鏈

5、量子遺傳理論，改進(jìn)了適應(yīng)度函數(shù)、量子旋轉(zhuǎn)門(mén)的旋轉(zhuǎn)角，使整體算法更適合整體參數(shù)的優(yōu)化，快速準(zhǔn)確的求取最優(yōu)參數(shù)組合。
　　仿真結(jié)果顯示算法在網(wǎng)絡(luò)生存周期，基站接收數(shù)據(jù)包個(gè)數(shù)，以及網(wǎng)絡(luò)總能耗速度等方面都有提高。QGEEIC算法的生命周期比LEACH算法延長(zhǎng)了77.60％，比HEED算法延長(zhǎng)了67.25%，比EEUC算法延長(zhǎng)了54.20%，比UCRA算法延長(zhǎng)了35.89%，比QGCRA算法延長(zhǎng)了23.04%，比EEIC算法延長(zhǎng)了12.74