基于自適應(yīng)螢火蟲的農(nóng)業(yè)傳感網(wǎng)絡(luò)均衡分簇算法

袁旭華， 惠小靜

(延安大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，陜西延安 716000)

為了對大棚農(nóng)業(yè)的精細(xì)管理，農(nóng)業(yè)物聯(lián)網(wǎng)(agriculture internet of things，AIoT)[1]應(yīng)運(yùn)而生。在大棚監(jiān)控系統(tǒng)中，運(yùn)用農(nóng)業(yè)物聯(lián)網(wǎng)西游中的各種傳感器(溫度、濕度、pH值、光和二氧化碳等)設(shè)備，監(jiān)測環(huán)境中的溫度、相對濕度、pH值、光照度和二氧化碳濃度等指標(biāo)，通過各種儀器實(shí)時顯示到大棚監(jiān)控中心，保證作物有一個良好的、適宜的生產(chǎn)環(huán)境，為精細(xì)農(nóng)業(yè)精準(zhǔn)控制提供科學(xué)依據(jù)，從而提高農(nóng)作物產(chǎn)量、調(diào)節(jié)作物生長周期、提高經(jīng)濟(jì)效益的目的。無線傳感器網(wǎng)絡(luò)(wireless sensor networks，WSNs)作為農(nóng)業(yè)物聯(lián)網(wǎng)推廣的重要載體、未來延伸Internet覆蓋范圍和實(shí)現(xiàn)普適計(jì)算的一項(xiàng)關(guān)鍵技術(shù)，得到國家、社會和學(xué)術(shù)界廣泛重視，必將在農(nóng)業(yè)生產(chǎn)、農(nóng)業(yè)經(jīng)濟(jì)和社會發(fā)展等各個領(lǐng)域顯示出巨大的應(yīng)用價值[2]。農(nóng)業(yè)WSNs通過對大棚監(jiān)測區(qū)域部署各種傳感器類型的節(jié)點(diǎn)，近距離多跳自組織的形式傳輸數(shù)據(jù)、節(jié)點(diǎn)之間相互協(xié)作、互相配合的智能網(wǎng)絡(luò)。將采集到的數(shù)據(jù)進(jìn)行初步預(yù)處理，以多跳自組織的形式發(fā)送給匯聚節(jié)點(diǎn)，匯聚節(jié)點(diǎn)再將收集到的信息傳輸給大棚監(jiān)控中心，大棚監(jiān)控中心進(jìn)行適當(dāng)?shù)奶幚?，最終將處理后的數(shù)據(jù)反饋給決策者并傳送給所需的用戶[3]。

農(nóng)業(yè)無線傳感器網(wǎng)絡(luò)以數(shù)據(jù)為中心，以完成規(guī)定的任務(wù)為目標(biāo)，當(dāng)傳感器網(wǎng)絡(luò)執(zhí)行具體應(yīng)用任務(wù)過程中，完成規(guī)定功能的任務(wù)主要由完成任務(wù)時間、網(wǎng)絡(luò)能量消耗情況、網(wǎng)絡(luò)生存時間、網(wǎng)絡(luò)內(nèi)部負(fù)載均衡性以及穩(wěn)定性和可靠性等性能決定，而這些參數(shù)都與大棚監(jiān)測區(qū)域的傳感器節(jié)點(diǎn)組成的網(wǎng)絡(luò)結(jié)構(gòu)息息相關(guān)，即與網(wǎng)絡(luò)分簇?cái)?shù)量、簇的結(jié)果相關(guān)。一般而言，大多傳感器網(wǎng)絡(luò)都是在經(jīng)典分簇低功耗自適應(yīng)集簇分簇型協(xié)議(LEACH，low energy adaptive clustering hierarchy)分簇架構(gòu)基礎(chǔ)上進(jìn)一步研究的。大棚網(wǎng)絡(luò)建立初期，分簇算法將監(jiān)測區(qū)域劃分為若干個區(qū)域(簇)，每個簇由簇頭節(jié)點(diǎn)和簇成員節(jié)點(diǎn)構(gòu)成，簇成員節(jié)點(diǎn)主要負(fù)責(zé)數(shù)據(jù)的感知、采集和預(yù)處理，之后將采集的數(shù)據(jù)發(fā)送給簇頭，簇頭對收集到簇成員節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，之后轉(zhuǎn)發(fā)給宿(sink)。簇頭的工作職責(zé)主要是簇之間的相互通信以及簇內(nèi)資源管理與分配，使簇內(nèi)傳感器節(jié)點(diǎn)負(fù)載均衡。簇結(jié)構(gòu)數(shù)量及大小很大程度上會影響整個傳感器網(wǎng)絡(luò)性能，因此基于負(fù)載均衡的無線傳感器網(wǎng)絡(luò)分簇算法的研究對提高網(wǎng)絡(luò)性能、延長網(wǎng)絡(luò)壽命和提高網(wǎng)絡(luò)壽命有著非常重要的意義[4]。

1　網(wǎng)絡(luò)能耗模型及分簇算法

1.1　網(wǎng)絡(luò)能耗模型

無線傳感器網(wǎng)絡(luò)能耗模型采用與LEACH算法相同的無線通信模型，傳感節(jié)點(diǎn)無線通信能耗模型如圖1所示。

從圖1中可以看出，傳感節(jié)點(diǎn)發(fā)送數(shù)據(jù)能量消耗主要分布在發(fā)射電路和放大器電路2個部分，發(fā)射電路的能耗與發(fā)送數(shù)據(jù)包的長度l有關(guān)，放大器電路的能耗與數(shù)據(jù)包的長度和傳輸距離d有關(guān)。無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸能耗模型分2種，即自由空間傳輸模型和多路徑衰減模型，數(shù)據(jù)傳輸距離不同，采用的網(wǎng)絡(luò)能耗模型也不同。另外該模型根據(jù)傳輸距離的長度給出1個參考閾值d0，當(dāng)距離小于閾值d0時，采用自由空間傳輸能耗模型，發(fā)送數(shù)據(jù)所需能耗與距離的平方成正比。當(dāng)距離大于參考閾值d0時，采用多路徑衰減能耗模型，發(fā)送數(shù)據(jù)的能耗與距離的四次方成正比。傳感器節(jié)點(diǎn)發(fā)送數(shù)據(jù)能耗的公式如式(1)所示[5]。

(1)

式中：ETx(l)是發(fā)射電路發(fā)送數(shù)據(jù)包長度l的發(fā)射能耗；ETx(l，d)是將數(shù)據(jù)包長度l發(fā)送至距離d的放大器能耗。而節(jié)點(diǎn)接收數(shù)據(jù)后，網(wǎng)絡(luò)能耗為：

Erx(l)=l×Eelec。

(2)

簇頭節(jié)點(diǎn)進(jìn)行數(shù)據(jù)融合(l個簇頭和N/k-1個簇成員節(jié)點(diǎn))消耗的能量為

Eax=l×EDA(1=N/k-1)=l×EDA×N/k。

(3)

閾值d0由式(4)決定：

(4)

式中：Eelec與信道編碼、調(diào)制、濾波、擴(kuò)頻信號等因素有關(guān)，參數(shù)εfsd2和εampd4取決于特定誤比特率條件。節(jié)點(diǎn)發(fā)送或接收單位長度數(shù)據(jù)的能耗Eelec=50 nJ/bit，自由空間數(shù)據(jù)傳輸模型的放大器能耗參數(shù)εfs=10 pJ/(bit·m2)，多路徑衰減數(shù)據(jù)傳輸模型的放大器能耗參數(shù)εamp=0.001 3 pJ/(bit·m4)，簇頭數(shù)據(jù)融合的能量消耗EDA=5 pJ/bit。

1.2　分簇算法

無線傳感器網(wǎng)絡(luò)分簇算法主要針對監(jiān)測區(qū)域中的傳感器節(jié)點(diǎn)，通過何種方法對監(jiān)測區(qū)域中的所有傳感節(jié)點(diǎn)進(jìn)行分簇，使簇內(nèi)成員節(jié)點(diǎn)以最少的能量完成網(wǎng)絡(luò)數(shù)據(jù)的采集、處理和傳輸，最終傳送給宿節(jié)點(diǎn)?，F(xiàn)有的分簇方法大都偏重于算法的網(wǎng)絡(luò)能耗、計(jì)算復(fù)雜度、網(wǎng)絡(luò)數(shù)據(jù)傳輸時延等方面，但很難保證適當(dāng)?shù)拇財(cái)?shù)量、簇內(nèi)成員節(jié)點(diǎn)之間的通信質(zhì)量以及簇之間的負(fù)載均衡性問題。監(jiān)測區(qū)域中的簇頭節(jié)點(diǎn)數(shù)過多或者過少都會導(dǎo)致網(wǎng)絡(luò)出現(xiàn)各種問題，性能下降，降低網(wǎng)絡(luò)壽命。如監(jiān)測區(qū)域中的簇頭節(jié)點(diǎn)數(shù)過多，不方便宿節(jié)點(diǎn)的管理，導(dǎo)致和宿節(jié)點(diǎn)直接通信的簇頭節(jié)點(diǎn)太多，造成數(shù)據(jù)傳輸擁塞，延長數(shù)據(jù)傳輸時延和增加通信能耗。如監(jiān)測區(qū)域中的簇頭節(jié)點(diǎn)數(shù)過少，會導(dǎo)致簇內(nèi)成員節(jié)點(diǎn)過多，造成簇頭節(jié)點(diǎn)能耗過多，管理難度增大，最終導(dǎo)致負(fù)載不均衡，造成部分節(jié)點(diǎn)能量消耗過快而過早失效，影響整個網(wǎng)絡(luò)的連通性和可靠性。

目前已經(jīng)有很多專家學(xué)者在無線傳感器網(wǎng)絡(luò)分簇算法中展開深入的研究，并取得了一些成果。最典型的則屬于低功耗自適應(yīng)集簇分簇型協(xié)議LEACH分簇算法，現(xiàn)在許多算法都是基于此方法開展進(jìn)一步工作的。如Yue等對無線傳感器網(wǎng)絡(luò)分簇方法進(jìn)行了整理總結(jié)，分別從平面路由層分簇協(xié)議和異構(gòu)路由分簇方法進(jìn)行總結(jié)[6]。Liu等針對分布式傳感器網(wǎng)絡(luò)提出了一種基于聚類的負(fù)載均衡分簇算法，構(gòu)建了一種更加穩(wěn)定的分簇架構(gòu)，延長了網(wǎng)絡(luò)壽命[7]。Javaid等針對異構(gòu)無線傳感器網(wǎng)絡(luò)分簇算法，提出一種EDDEEC(enhanced developed distributed energy-efficient clustering)分簇方法，提高了網(wǎng)絡(luò)工作效率，節(jié)省了網(wǎng)絡(luò)能耗，延長了網(wǎng)絡(luò)壽命[8]。在文獻(xiàn)[9]中，針對無線傳感器網(wǎng)絡(luò)非均勻分簇問題，提出一種能量模糊感知分簇方法，節(jié)約了網(wǎng)絡(luò)能耗，提高了網(wǎng)絡(luò)壽命。Bagci等提出一種新的路由分簇協(xié)議ECHERP(equalized cluster head election routing protocol)，大大提高了工作效率，節(jié)省了網(wǎng)絡(luò)能耗[10]。Nikolidakis等結(jié)合群智能仿生優(yōu)化算法，提出一種基于人工蜂群算法的無線傳感器網(wǎng)絡(luò)路由分簇算法，仿真結(jié)果表明該方法非常成功地應(yīng)用于WSNs分簇方法中，節(jié)省了網(wǎng)絡(luò)能耗，延長了網(wǎng)絡(luò)壽命[11]。從以上研究成果來看，上述這些算法都從網(wǎng)絡(luò)能耗、網(wǎng)絡(luò)壽命角度出發(fā)，對其進(jìn)行優(yōu)化和改善。但上述方法要求傳感器網(wǎng)絡(luò)簇頭節(jié)點(diǎn)需要較強(qiáng)的計(jì)算能力、通信能力和存儲能力，整個計(jì)算過程網(wǎng)絡(luò)能耗開銷非常大，同時沒有考慮網(wǎng)絡(luò)簇內(nèi)成員節(jié)點(diǎn)的多跳數(shù)據(jù)傳輸情況。因此，本研究綜合考慮負(fù)載均衡和能量消耗2個優(yōu)化目標(biāo)，搜索過程充分考慮了網(wǎng)絡(luò)分簇的負(fù)載均衡性、簇內(nèi)數(shù)據(jù)傳輸距離、跳數(shù)、時延和帶寬等因素，將群智能螢火蟲算法與無線傳感器網(wǎng)絡(luò)分簇路由算法相結(jié)合，提出一種新的自適應(yīng)螢火蟲WSNs負(fù)載均衡分簇算法。

2　改進(jìn)的螢火蟲算法

英國劍橋大學(xué)Yang博士對螢火蟲發(fā)光行為進(jìn)行抽象，于2007年提出了螢火蟲算法(glowworm swarm optimization，GSO)[12]，該算法是一種新元啟發(fā)式群智能算法，具有操作簡單、并行魯棒性較強(qiáng)等特點(diǎn)，在高維空間復(fù)雜函數(shù)優(yōu)化方面得到成功應(yīng)用[13]。一般典型的螢火蟲優(yōu)化算法由算法初始化、熒光素更新、飛行位置更新以及螢火蟲決策域更新4個部分構(gòu)成[14]。螢火蟲i在尋找食物過程中，種群個體之間都會相互溝通與協(xié)作，主要通過飛行過程中發(fā)出熒光素向周圍傳送食物源信息，食物源越大，熒光素則越濃，吸引其他螢火蟲飛往食物源較多的地方。螢火蟲的決策范圍根據(jù)式(5)進(jìn)行確定。

(5)

(6)

式中：xi(k)為第k次迭代計(jì)算中螢火蟲i位置；li(k)表示第k次迭代中螢火蟲i熒光素值；在第k次迭代中，螢火蟲i向鄰居螢火蟲個體j運(yùn)動的概率用pij(k)表示，由式(7)表示為：

(7)

螢火蟲i向熒光素多的地方運(yùn)動后的位置由式(8)得到：

(8)

式中：S表示螢火蟲搜索食物源的運(yùn)動步長。

螢火蟲i搜索食物源運(yùn)動到新地方后，按照式(9)對螢火蟲發(fā)出的熒光素值進(jìn)行更新：

li(k)=(1-λ)li(k-1)+ωf[xi(k)]。

(9)

式中：li(k)表示在第k次迭代計(jì)算中螢火蟲個體i熒光素值；λ∈(0，1)[15]。

在螢火蟲算法中，由于算法本身在搜索最優(yōu)解過程中容易陷入局部最優(yōu)以及尋優(yōu)速度較慢等問題。同時，搜索過程中如果步長較大，則容易尋找到全局最優(yōu)解，但與之付出的是搜索精度大大降低，還會出現(xiàn)較大的波動情況；如果搜索過程中如果步長較小，搜索最優(yōu)解的速度降低，搜索精度明顯提高。這是一個相互影響、相互制約的關(guān)系，必須在它們二者之中進(jìn)行權(quán)衡，由此提出自適應(yīng)搜索的改進(jìn)螢火蟲算法，同時引入螢光因子Yi

(10)

式中：φi表示第i頭螢火蟲的當(dāng)前狀態(tài)；φmax表示熒光素濃度最高時種群個體當(dāng)前狀態(tài)；dmax為最佳螢火蟲到其他螢火蟲個體之間的距離最大值。

基于螢火蟲算法中的螢光因子自適應(yīng)調(diào)整搜索步長最佳策略為

si=smin+(smax-smin)Yi。

(11)

式中：smin、smax分別是搜索步長的最小值、最大值。

根據(jù)前面的(10)、(11)計(jì)算公式自適應(yīng)調(diào)整搜索步長。當(dāng)種群個體第i頭螢火蟲靠近熒光素濃度最大的螢火蟲區(qū)域時，距離越近，那么‖φi-φmax‖越小，另外可通過計(jì)算公式(10)可知，所求得的螢光因子Yi值越小，而根據(jù)計(jì)算公式(11)得出的自適應(yīng)調(diào)整搜索步長最佳策略si也越小。

因此，為了保證搜索過程中盡快尋找到全局最優(yōu)解，在搜索最優(yōu)解過程中必須進(jìn)行動態(tài)調(diào)整，采取以下措施：自適應(yīng)調(diào)整步長的螢火蟲算法在搜索最優(yōu)解初期，采取步長較大的搜索方式，進(jìn)行第1步精度較差的大范圍搜索，盡快完成全局搜索最優(yōu)解，在最優(yōu)解鄰域附近進(jìn)行步長較小的精度搜索，即局部搜索，搜索更精確的最優(yōu)解。

3　基于改進(jìn)螢火蟲算法的分簇算法

假定在邊長為M的正方形傳感器網(wǎng)絡(luò)監(jiān)測區(qū)域中，隨機(jī)部署N個傳感器感知節(jié)點(diǎn)，簇頭節(jié)點(diǎn)到宿節(jié)點(diǎn)之間的距離為dChtoBS。另外，假定監(jiān)測區(qū)域中N個傳感器感知節(jié)點(diǎn)均勻劃分為k個簇區(qū)域，每個簇成員節(jié)點(diǎn)的個數(shù)為(N/k-1)，并參考“1.1”中的網(wǎng)絡(luò)能耗模型可知，簇頭的能耗ECH主要由以下2個部分組成：接收簇成員節(jié)點(diǎn)的能耗和向宿節(jié)點(diǎn)轉(zhuǎn)發(fā)數(shù)據(jù)產(chǎn)生的能耗。其他的簇內(nèi)成員節(jié)點(diǎn)的能耗ENEN主要由感知節(jié)點(diǎn)感知數(shù)據(jù)產(chǎn)生的能耗以及向簇頭轉(zhuǎn)發(fā)數(shù)據(jù)產(chǎn)生的能耗。

假定傳感器感知節(jié)點(diǎn)在監(jiān)測區(qū)域中服從泊松分布，每個簇所占區(qū)域S面積可以計(jì)算為M2/k，監(jiān)測區(qū)域中傳感器節(jié)點(diǎn)的密度函數(shù)為

(12)

傳感器節(jié)點(diǎn)到簇頭節(jié)點(diǎn)距離的平方數(shù)學(xué)期望為

E[dtoCH2]=E[x2+y2]=M2/2kπ。

(13)

無線傳感器網(wǎng)絡(luò)整個監(jiān)測區(qū)域總的能量消耗為

Etotal=k×Ecluster=k×ECH+k×(N.k-1)×ENEN；

(14)

(15)

將式子(13)代入(15)，可以計(jì)算得到網(wǎng)咯總能量消耗為

(16)

對于式(16)，關(guān)于k的計(jì)算，求k的一階導(dǎo)數(shù)，可以得到下式

(17)

本研究通過求取最佳的分簇?cái)?shù)目k值，運(yùn)用改進(jìn)的螢火蟲算法對網(wǎng)絡(luò)總能量消耗最小，也就是傳感器網(wǎng)絡(luò)總能耗最小對應(yīng)的分簇最佳數(shù)值?；诟倪M(jìn)螢火蟲算法的WSNs分簇算法尋找最佳分簇值k的工作流程如圖2所示。

4　仿真結(jié)果與分析

4.1　仿真環(huán)境設(shè)置

為了測試本研究提出的負(fù)載均衡分簇算法性能，用Matlab 2014b仿真軟件進(jìn)行仿真試驗(yàn)和性能分析。假設(shè)無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)隨機(jī)均勻分布在(500×500)m2的二維空間中，傳感器節(jié)點(diǎn)規(guī)模200個。仿真輪詢次數(shù)設(shè)為100，每次仿真中傳感節(jié)點(diǎn)均有10個數(shù)據(jù)包從源節(jié)點(diǎn)向移動Sink傳送，每個數(shù)據(jù)包容量4 kb。了使模型的結(jié)果更有說服力，本研究給出的結(jié)果都是100次試驗(yàn)的平均結(jié)果。仿真環(huán)境參數(shù)設(shè)置如表1所示。

表1　仿真環(huán)境參數(shù)設(shè)置

為了更好地說明本研究提出算法的優(yōu)越性，對LEACH算法[16]、ACO蟻群算法[17]、PSO粒子群算法[18-19]和本研究提出的改進(jìn)螢火蟲算法(IGSO)算法4種數(shù)據(jù)融合算法進(jìn)行對比。首先給出無線傳感器網(wǎng)絡(luò)分簇圖，具體如圖3所示。

4.2　算法仿真對比分析

4.2.1網(wǎng)絡(luò)總能耗對比傳感器網(wǎng)絡(luò)總的能量消耗定義為整個網(wǎng)絡(luò)傳感器節(jié)點(diǎn)所消耗的能量總和。網(wǎng)絡(luò)的總能量消耗越小，表明該網(wǎng)絡(luò)工作效率越高，傳輸?shù)臄?shù)據(jù)量越少， 網(wǎng)絡(luò)的生命周期也就越長。以傳感器總能量消耗作為衡量指標(biāo)，4種算法的網(wǎng)絡(luò)總能耗如圖4所示。

從圖4可以看出，隨著仿真輪數(shù)的增加，4種算法的網(wǎng)絡(luò)能耗都在逐漸增加，但LEACH算法增長幅度最大，本研究提出的算法的增長幅度最小。另外，LEACH路由協(xié)議的能耗最大，ACO算法較大，PSO算法能耗較小，改進(jìn)的螢火蟲算法最小。以60輪數(shù)為參考，本研究提出的算法比LEACH協(xié)議、ACO算法和PSO算法的能耗分別節(jié)省了32.8%、22.8%和12.8%。

4.2.2網(wǎng)絡(luò)負(fù)載均衡性對比網(wǎng)絡(luò)負(fù)載均衡是影響網(wǎng)絡(luò)生存周期的重要指標(biāo)，網(wǎng)絡(luò)負(fù)載越均衡，網(wǎng)絡(luò)的生存周期越長。網(wǎng)絡(luò)負(fù)載均衡一般用負(fù)載均衡因子(load balancing factor，LLBF)來表示。LLBF定義為監(jiān)測區(qū)域中網(wǎng)絡(luò)所有感知節(jié)點(diǎn)(包括簇頭節(jié)點(diǎn))方差的倒數(shù)。具體計(jì)算為

(18)

式中：參數(shù)nc為傳感器節(jié)點(diǎn)個數(shù)；xi為第i個簇頭成員中感知節(jié)點(diǎn)數(shù)；u為所有簇頭節(jié)點(diǎn)的平均節(jié)點(diǎn)數(shù)。4種算法的網(wǎng)絡(luò)負(fù)載平衡性能對比結(jié)果如圖5所示。

圖5顯示，隨著仿真輪數(shù)的增加，LEACH分簇協(xié)議的網(wǎng)絡(luò)負(fù)載均衡性在不斷增大，網(wǎng)絡(luò)的負(fù)載均衡性能逐漸變差。其余3種算法的負(fù)載均衡性能較好，但是3種算法的負(fù)載均衡性能相差不大。整體來看，本研究提出的改進(jìn)螢火蟲算法的網(wǎng)絡(luò)負(fù)載均衡能力最好，ACO算法和PSO算法區(qū)別很小。

4.2.3簇頭個數(shù)對比LEACH協(xié)議、ACO算法和PSO算法和本研究提出的螢火蟲算法產(chǎn)生的簇頭節(jié)點(diǎn)個數(shù)如圖6所示。通常最佳的簇頭節(jié)點(diǎn)數(shù)是總的傳感節(jié)點(diǎn)數(shù)的6%～10%，簇頭數(shù)越多，且保持恒定，網(wǎng)絡(luò)性能越好。經(jīng)統(tǒng)計(jì)，本研究提出算法的簇頭節(jié)點(diǎn)數(shù)幾乎都保持在15～24個。LEACH協(xié)議的簇頭節(jié)點(diǎn)數(shù)在11～28個之間波動劇烈。ACO算法和PSO算法的簇頭節(jié)點(diǎn)數(shù)保持在13～26個，但是由于存活的節(jié)點(diǎn)數(shù)減少，簇頭節(jié)點(diǎn)數(shù)也隨之減少，保持在20個左右，波動較大。由此可以看出，本研究提出的算法性能最好。

4.2.4簇頭節(jié)點(diǎn)能耗對比由于簇頭節(jié)點(diǎn)承擔(dān)著數(shù)據(jù)采集、融合和傳輸?shù)榷嘀厝蝿?wù)，因此能量消耗最大。通過簇頭節(jié)點(diǎn)的能量消耗情況可知整個網(wǎng)絡(luò)能量消耗情況，4種算法每一輪簇頭節(jié)點(diǎn)能量消耗如圖7所示。

在LEACH協(xié)議中，簇頭節(jié)點(diǎn)須要傳輸所有的感知數(shù)據(jù)，能量消耗較多，感知數(shù)據(jù)量急劇減少，簇頭能量消耗也快速降低。在ACO算法和PSO算法的負(fù)載均衡分簇算法中，由于在分簇過程中考慮到簇內(nèi)成員節(jié)點(diǎn)的能耗均衡問題，使得簇內(nèi)成員節(jié)點(diǎn)相互協(xié)作，簇頭能耗也較小，PSO算法的簇頭能耗比ACO算法小一些。在本研究提出的算法中，簇頭節(jié)點(diǎn)能量消耗相對較小，并且比較平穩(wěn)。

4.2.5存活節(jié)點(diǎn)數(shù)對比網(wǎng)絡(luò)存活節(jié)數(shù)是反映WSNs網(wǎng)絡(luò)性能的重要指標(biāo)之一，網(wǎng)絡(luò)的存活節(jié)點(diǎn)數(shù)越多，證明網(wǎng)絡(luò)能夠更長時間地執(zhí)行監(jiān)測任務(wù)，避免頻繁地更換電池。通過與其他3種算法比較，圖8對本研究所提出的負(fù)載均衡分簇算法進(jìn)行了性能評估，該圖主要對不同負(fù)載均衡分簇算法的存活節(jié)點(diǎn)數(shù)隨輪次增加而變化的曲線圖進(jìn)行比較。

從圖8可以看出，在LEACH協(xié)議中，50%的傳感節(jié)點(diǎn)的死亡時間為47輪。在ACO分簇算法中，50%的傳感節(jié)點(diǎn)的死亡時間為45輪。PSO算法在網(wǎng)絡(luò)運(yùn)行100輪時，節(jié)點(diǎn)死亡率為70.3%，本研究提出的算法為55.7%。由于本研究提出的算法考慮了無線傳感器網(wǎng)絡(luò)的剩余能量和到匯聚節(jié)點(diǎn)的距離等因素，且將每個節(jié)點(diǎn)的感知數(shù)據(jù)協(xié)同通信，均衡分簇，通過簇頭節(jié)點(diǎn)傳遞給匯聚節(jié)點(diǎn)，網(wǎng)絡(luò)能量消耗較小。

4.2.6網(wǎng)絡(luò)傳輸時延對比筆者用成功接收到的數(shù)據(jù)包的傳輸時延來衡量協(xié)議的實(shí)時性。一個數(shù)據(jù)在源節(jié)點(diǎn)的發(fā)送時刻記為Ts，在宿節(jié)點(diǎn)的接收時刻記為Tr，則平均傳輸時延為：

(19)

式中：Nr為成功接收到的包的總數(shù)。

從圖9可以看出，隨著仿真輪數(shù)的增加，數(shù)據(jù)傳輸延時明顯增大，這主要因?yàn)殡S著算法的運(yùn)行，網(wǎng)絡(luò)節(jié)點(diǎn)能耗逐漸增大，剩余能量越來越少，沖突和重傳次數(shù)增加，產(chǎn)生較大的延遲，但是本研究提出負(fù)載均衡分簇算法的時延明顯比ACO分簇算法和PSO分簇方法小一些。LEACH協(xié)議數(shù)據(jù)傳輸量最大，網(wǎng)絡(luò)時延最大。

5　結(jié)束語

負(fù)載均衡分簇路由算法一直是農(nóng)業(yè)物聯(lián)網(wǎng)感知層傳感網(wǎng)絡(luò)關(guān)鍵技術(shù)之一，是農(nóng)業(yè)領(lǐng)域?qū)W者關(guān)注的重點(diǎn)。本研究將群智能螢火蟲算法與農(nóng)業(yè)WSNs分簇路由算法相結(jié)合，提出了一種基于自適應(yīng)螢火蟲的農(nóng)業(yè)WSNs負(fù)載均衡分簇算法。該算法綜合考慮負(fù)載均衡和能量消耗2個優(yōu)化目標(biāo)，搜索過程充分考慮了農(nóng)業(yè)網(wǎng)絡(luò)分簇的負(fù)載均衡性、簇內(nèi)數(shù)據(jù)傳輸距離等因素。試驗(yàn)表明，提出的算法在感知范圍內(nèi)自適應(yīng)地調(diào)整搜索步長，降低振蕩現(xiàn)象，提高求解精度。同時有效地減少簇首選舉和路由維護(hù)的開銷，提高網(wǎng)絡(luò)壽命，實(shí)時尋找性能更好的路由，具有較好的穩(wěn)定性。

本研究提出的螢火蟲智能分簇算法主要針對較大規(guī)模的農(nóng)業(yè)無線傳感器網(wǎng)絡(luò)，同時算法本身的能耗和仿真耗時也較多，都是在離線狀態(tài)下完成的，下一步將對算法進(jìn)一步優(yōu)化，以及重點(diǎn)考慮算法的實(shí)用性和擴(kuò)展算法的應(yīng)用領(lǐng)域。

參考文獻(xiàn)：

[1]Liu Y H，He Y，Li M，et al. Does wireless sensor network scale? a measurement study on GreenOrbs[J]. IEEE Transactions on Parallel and Distributed Systems，2013，24(10)：1983-1993.

[2]袁志強(qiáng). 基于ZigBee技術(shù)的溫室大棚無線監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2012，40(11)：396-397.

[3]Othman M F，Shazali K. Wireless sensor network applications：a study in environment monitoring system[J]. Procedia Engineering，2012，41：1204-1210.

[4]Suryadevara N K，Mukhopadhyay S C. Wireless sensor network based home monitoring system for wellness determination of elderly[J]. Sensors Journal，IEEE，2012，12(6)：1965-1972.

[5]Tyagi S，Kumar N. A systematic review on clustering and routing techniques based upon LEACH protocol for wireless sensor networks[J]. Journal of Network and Computer Applications，2013，36(2)：623-645.

[6]Yue Y，Li J Q，F(xiàn)an H H，et al. Optimization-based artificial bee colony algorithm for data collection in Large-Scale Mobile wireless sensor networks[J]. Journal of Sensors，2016(4)：1-12.

[7]Liu X. A survey on clustering routing protocols in wireless sensor networks[J]. Sensors，2012，12(8)：11113-11153.

[8]Liao Y，Qi H，Li W Q. Load-balanced clustering algorithm with distributed self-organization for wireless sensor networks[J]. IEEE Sensors Journal，2013，13(5)：1498-1506.

[9]Javaid N，Qureshi T N，Khan A H，et al. EDDEEC：enhanced developed distributed energy-efficient clustering for heterogeneous wireless sensor networks[J]. Procedia Computer Science，2013，19：914-919.

[10]Bagci H，Yazici A. An energy aware fuzzy approach to unequal clustering in wireless sensor networks[J]. Applied Soft Computing，2013，13(4)：1741-1749.

[11]Nikolidakis S A，Kandris D，Vergados D D，et al. Energy efficient routing in wireless sensor networks through balanced clustering[J]. Algorithms，2013，6(1)：29-42.

[12]Karaboga D，Okdem S，Ozturk C. Cluster based wireless sensor network routing using artificial bee colony algorithm[J]. Wireless Networks，2012，18(7)：847-860.

[13]Zainal N，Zain A M，Radzi N H M，et al. Glowworm swarm optimization (GSO) algorithm for optimization problems：a state-of-the-art review[C]//Applied Mechanics and Materials，2013：507-511.

[14]Huang K，Zhou Y. Improved variation step adaptive GSO algorithm[J]. Computer Engineering，2012，38(4)：185-187.

[15]Marinaki M，Marinakis Y. A glowworm swarm optimization algorithm for the vehicle routing problem with stochastic demands[J]. Expert Systems With Applications，2016，46：145-163.

[16]Jayakumar D N，Venkatesh P. Glowworm swarm optimization algorithm with topsis for solving multiple objective environmental economic dispatch problem[J]. Applied Soft Computing，2014，23：375-386.

[17]黃成，張潤，吳曉蓓，等. 三維空間下基于簇首優(yōu)化機(jī)制的LEACH路由算法[J]. 南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，39(2)：241-245.

[18]繆聰聰，陳慶奎，曹劍煒，等. 基于蟻群的無線傳感器網(wǎng)絡(luò)能量均衡非均勻分簇路由算法[J]. 計(jì)算機(jī)應(yīng)用，2013，33(12)：3410-3414.

[19]蘇金樹，郭文忠，余朝龍，等. 負(fù)載均衡感知的無線傳感器網(wǎng)絡(luò)容錯分簇算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2014，37(2)：445-456.