一种鲁棒的中等规模分簇结构水下传感器网络精品

【关键字】历史、设计、情况、方法、前提、进展、空间、监测、运行、问题、系统、有效、继续、充分、均衡、合理、良好、优良、公平、执行、提升、发展、提出、发现、了解、研究、特点、位置、关键、稳定、网络、理想、思想、成果、基础、需要、环境、工程、资源、重点、能力、需求、方式、差距、作用、标准、规模、结构、速度、设置、分析、简化、逐步、保护、满足、管理、保证、维护、确保、指导、教育、优化、调整、加快、方向、适应、实现doi: 10.6043/一种鲁棒的中等规模分簇结构水下传感器网络张昊1，王世练1*，孙海信2（1.国防科学技术大学电子科学与工程学院，湖南长沙410073；2. 厦门大学信息科学与技术学院，水声通信与海洋信息技术教育部重点实验室，福建厦门361005）摘要：针对现有水下传感器网络分簇算法负载不均衡和生命周期较短的问题，基于粒子群优化算法和遗传算法的基本思想，提出一种全局优化的智能分簇算法。

为了使粒子初始化编码较为合理公平，根据节点近期当选过簇首的次数动态调整节点选举概率；通过对粒子整个编码区域进行循环搜索来捕获一个优良的随机交叉片段，保证了交叉后的粒子含有一定数量的历史较优簇首信息；通过节点编码位的变异提高算法的探索性，并确保解空间的存在性；在粒子评价函数中综合考虑簇首能量、负载均衡和分簇范围三个优化子目标。

仿真结果表明，提出的算法更好地均衡了簇首负载，同时有效减少了网络能耗，延长了网络生命周期大约三倍左右。

关键词：水下传感器网络；分簇算法；负载均衡；能量有效；离散粒子群优化；物联网；环境监测中国分类号：TP393 文献标识码：A随着社会经济的发展，人类对海洋资源和海洋航道的依赖日益增大，为了更好地勘探海洋资源，保护海洋环境，预防海洋灾难以及监测水下目标，各国政府和科学家都越来越重视对海洋的研究。

水下声学传感器网络通过在海底布设传感器节点和在水面部署浮标网关节点，将水下传感器收集到的信息通过单跳或多跳的方式，以声信号发送到下一个中继节点或海面网关，海面网关节点接收到声信号后，收稿日期：2016-04-20 录用日期：2016-09-19基金项目：国家自然科学基金()*通信作者：wangsl@再以无线电方式发送到岸基中心或卫星上。

因此可以很好地实现水下信息收集，并通过信号和数据分析实现灾害预警、港口监测以及水下导航、定位等业务。

由于水下环境的复杂性，水声通信信道是目前为止最为复杂的无线信道，其具有低速率、强多径、高噪声、大衰减以及时-空-频变的特征，这对水声通信系统性能和传感器组网带来了很大挑战[1-3]。

水下传感器网络作为一种特殊的无线网络，除了具有陆地无线传感器网络所具有的一般特性外，还具有高动态性、自组织能力、节点能量有限、传输高时延高误码等特性[4-7]。

网络拓扑结构是无线网络工作运行的基础，一个良好的拓扑结构为无线传感器网络的路由和MAC等协议的优化设计提供了前提。

无线网络的拓扑结构可以分为平面结构和分级结构。

其中，平面结构简单健壮，但是可扩展性差，主要适用于小规模网络；分级结构将网络节点分为不同的工作级别，使用簇首节点对成员节点进行管理和数据融合，简化了路由设计，对于节点较多的水下传感器网络有很好的研究价值。

分簇结构是一种主要的无线网络分级拓扑结构。

Leach算法错误!未找到引用源。

是最早的一种无线网络分簇结构协议，该算法实现了动态簇首选举，簇内进行数据融合，但是该算法存在簇首负载不均衡的问题，且在簇首选举中并未考虑节点能量。

HEED算法错误!未找到引用源。

是一种混合的无线网络分簇算法，簇首分布较均衡，在簇首选举中考虑了节点剩余能量，但是在分簇阶段需要进行多次迭代，导致控制开销很大。

EEUC算法错误!未找到引用源。

是一种非均匀无线网络分簇算法，使用迭代的方式竞选簇首，过多的交互信息增加了网络能耗。

EEMUC 算法错误!未找到引用源。

在水下环境中通过网络非均匀分层在区域内竞争簇首，减少了交互信息的开销，节省了网络能耗，但是该算法在大规模水下网络中更为适合，在目前以中小规模为主的水下网络中性能提升有限。

文献错误!未找到引用源。

提出了一种采用离散PSO算法并引入交叉和变异算子的集中式分簇算法，但是该算法只是为大规模的陆地传感器网络设计的，当节点数较少的时候性能会下降，同时并未考虑水下传感器网络的特点和算法需求，也未考虑水下节点通信时的能量消耗特点，且其中的交叉和变异算法也不适合于水下传感器网络分簇算法的需求。

这些问题导致以上的无线分簇网络应用到水声环境时生命周期较短，并且影响整个网络的实际应用效果。

针对上述算法中存在的不足，本文提出了一种新的水下传感器网络分簇优化算法，该算法采用全局优化的思想，有效提高了网络生命周期和负载均衡。

1 网络模型和能量消耗模型1.1 网络模型在本文提出的算法中，主要以浅海中等规模的二维分簇结构水下传感器网络为研究对象。

我们对该网络做出如下假设：1）水面浮标网关布置在网络区域中心，且能量没有限制；2）水面网关知道每个节点的剩余能量和位置坐标；3）各节点电池能量有限且初始能量相同，同时具有发射功率控制功能；1.2 能量消耗模型由于海洋环境的特殊性，水下远距离通信只能采用声信号进行通信，首先参考文献错误!未找到引用源。

和错误!未找到引用源。

分析水声通信机发射和接收信号时的能量消耗模型：1）被动声呐公式被动声呐接收端信号的信噪比为:SNR SL TL NL DI =--+ （1）其中，SL 为发射声源级，TL 是传输损耗，NL 是背景噪声级，DI 是方向系数。

所有量的单位是dB 。

2）传输损耗在浅海水域，声信号传输损耗近似为：310log 10TL d d α-=+⨯ （2）其中d 是收发距离，单位是m ，α是海水吸收系数，单位是dB/km 。

吸收系数α一般的计算公式为：2242220.140 2.75100.00314100f f f f fα-=++⨯+++ （3） 其中f 表示通信频率，单位是kHz 。

一般水声通信系统使用的通信频率为8~15kHz ，且通信带宽很窄。

3）传输功率在浅海水域，距离声源d m 处信号强度T I 时声源传输功率(d)=2d T TP H I π⨯⨯⨯ （4） 其中/1018100.6710SL T I -=⨯⨯，单位为2/W m 。

H 是海水深度，单位是m 。

（4）发射机的能量消耗节点发送k bit 数据包到d m 距离，消耗的能量为(d)+E ele T c T T E P T k =⨯ （5）T T 是发送k bit 数据所需的时间，单位是s 。

E elec 是处理1 bit 信息电路所消耗的能量。

（5）接收机的能量消耗接收机接收k bit 数据消耗的能量为E =+E R R R elec T k P ⨯（6）其中R P 是接收功率，R T 为接收k bit 数据所需的时间。

2 分簇优化算法为了有效提高水下传感器网络的负载均衡和延长其生命周期，本文针对水下传感器网络的特点，基于粒子群优化算法（Particle Swarm Optimization ，PSO ）和遗传算法（Genetic Algorithm ，GA ）的基本思想，针对浅海中等规模的水下传感器网络提出了一种改进的分簇算法。

2.1 基本的粒子群优化算法在PSO 算法中，每个优化问题的解都是搜索空间中的一个“粒子”。

所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们搜索的方向和距离。

PSO 初始化为一群随机粒子（随机解），然后通过迭代找到最优解。

在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。

第一个是粒子本身所找到的最优解，即个体极值pBest 。

另一个极值是整个种群目前找到的最优解，即全局极值gBest 。

基本粒子群优化算法的流程图如图1所示，其中粒子位置和速度的更新方程如下：()()11122t t t t i i i i i V w V c r pBest X c r gBest X +=⨯+-+- （7）11t t t i i i X X V ++=+ （8）图1基本的粒子群优化算法流程图Fig. 1 Flow chart of basic particle swarm optimization algorithm2.2 改进的全局优化分簇算法虽然PSO 算法具有算法实现简单、收敛速度快和效率高等很多优点，但是该算法只适用于求解实数型连续优化问题，而水下传感器网络分簇优化是一个离散的优化问题。

为了充分利用PSO 算法的优点，本文将遗传算法中染色体互相共享信息的思想引入该离散问题的求解中，将节点进行离散编码映射，然后针对水下传感器网络分簇问题的特点采用改进的交叉、变异算子和评价函数，以此实现了水下传感器网络分簇拓扑结构高效、合理的优化。

该算法使得粒子在初始编码时比较合理公平，交叉变换后保证了粒子含有一定数量的历史较优簇首信息，并通过变异操作提高了算法的探索性和确保了解空间的存在性。

文章首先叙述了对水下传感器节点的离散化编码，为后面以交叉和变异为核心的算法的操作提供了基础；然后论述了结合遗传算法原理改进的交叉和变异算法，最后为了评价每次迭代得到的粒子性能的优越性，提出了本文研究课题中需要的适应度函数。

2.2.1 节点编码假设水下传感器网络中有n 个水下节点，我们为每个传感器节点赋予一个ID 号码，即1，2，···，n 。

我们用每一个粒子表示簇首选举问题中的一个可行解，粒子在某时刻的位置表示成一个n 维的-1-0-1序列，例如粒子i 在t 时刻可以表示为()12,,,t t t ti i i in X x x x =，其中()1,2,,tik x k n =表示第k 个节点的编码位，-1表示该节点能量耗尽（已经死亡），0表示该节点为存活的普通成员节点，1表示该节点被选为簇首节点。

每个节点初始化的时候都设置编码位为0，同时设置一个簇首选举比例1P _,0,12*i i i pc nc nc p ⎛⎫⎢⎥=∈ ⎪⎢⎥+⎣⎦⎝⎭ （9）其中p 是预先设定的簇首比例，i nc 是该节点在一段时间内当选过簇首节点的次数，节点每当选过一次簇首，则该值加1。

对每个存活节点随机初始化一个0到1之间的随机数，如果该数小于P _i c ，则该节点的编码位被置为1。

粒子i 在t 时刻的个体极值表示为()12,,,t t t ti i i in pBest pBest pBest pBest =，全局指导粒子表示为()12,,,t t ttn gBest gBest gBest gBest =。

假设有16个传感器节点，其ID 依次为1，2，···，16，其中节点9和16在当前时间已经死亡，节点1、3、6、13被选举为簇首节点，编码后粒子如图2所示。