基于虛擬區(qū)域劃分的wsn網(wǎng)絡(luò)非均衡簇路由算法

基于虛擬區(qū)域劃分的wsn網(wǎng)絡(luò)非均衡簇路由算法

1熱區(qū)問題的提出路算法在無(wú)線傳感器網(wǎng)絡(luò)中起著重要的作用。什么樣的路由算法決定了數(shù)據(jù)路徑，直接影響網(wǎng)絡(luò)的整體性能。根據(jù)傳感器網(wǎng)絡(luò)的能量和資源限制的特點(diǎn)，最佳路由協(xié)議是非常競(jìng)爭(zhēng)的。在以分簇方式組織的傳感器網(wǎng)絡(luò)中,傳感器節(jié)點(diǎn)的角色分為兩種:簇頭和簇成員.簇頭作為簇的中心負(fù)責(zé)簇結(jié)構(gòu)的建立,收集簇成員的數(shù)據(jù),經(jīng)融合處理后發(fā)送給匯聚節(jié)點(diǎn).由于簇頭距離匯聚節(jié)點(diǎn)的距離一般較遠(yuǎn),有研究表明,采用通過(guò)簇頭組成的骨干網(wǎng)實(shí)現(xiàn)多跳路由的方式更有利于節(jié)約能量.然而這種做法帶來(lái)了一個(gè)能量消耗不均衡的問題:靠近匯聚節(jié)點(diǎn)的簇頭節(jié)點(diǎn)由于需要轉(zhuǎn)發(fā)大量來(lái)自其它簇的數(shù)據(jù)而負(fù)擔(dān)過(guò)重,過(guò)早耗盡自身能量而失效,造成網(wǎng)絡(luò)分割,降低網(wǎng)絡(luò)存活時(shí)間.研究者稱這個(gè)問題為“熱區(qū)”(Hotspots)問題.在傳統(tǒng)的同構(gòu)網(wǎng)絡(luò)分簇協(xié)議中,通過(guò)周期性地重新選擇簇頭(如LEACH、HEED),可以平衡簇頭與簇成員節(jié)點(diǎn)之間的能量消耗,但不能解決上述的“熱區(qū)”問題.以節(jié)點(diǎn)的剩余能量為依據(jù)選擇簇頭的方法(如EECS)也不能完全解決這個(gè)問題,因?yàn)樗皇窃诰W(wǎng)絡(luò)的局部比較節(jié)點(diǎn)剩余能量,無(wú)法從整體上協(xié)調(diào)節(jié)點(diǎn)的能量消耗以解決“熱區(qū)”問題.可以認(rèn)為上述兩種方法都是以被動(dòng)的方式來(lái)均衡網(wǎng)絡(luò)中節(jié)點(diǎn)的能量消耗,即在網(wǎng)絡(luò)中出現(xiàn)能量消耗不均衡之后方采取措施來(lái)均衡能量消耗.在以周期性選擇簇頭的分簇協(xié)議中,往往是基于平衡簇頭與簇成員節(jié)點(diǎn)之間的能量消耗這一出發(fā)點(diǎn)考慮的,通常是所有傳感器節(jié)點(diǎn)動(dòng)態(tài)的形成多個(gè)簇,且經(jīng)過(guò)一段時(shí)間的數(shù)據(jù)傳輸之后,會(huì)進(jìn)行重新分簇.這樣一來(lái),在出現(xiàn)“熱區(qū)”問題的網(wǎng)絡(luò)中就會(huì)存在兩種情況:(1)整個(gè)網(wǎng)絡(luò)主動(dòng)進(jìn)行簇頭選舉工作,即存在簇頭節(jié)點(diǎn)即將能量耗盡之前發(fā)出重新選舉簇頭的請(qǐng)求,然后進(jìn)入新一輪簇頭選舉階段.但是處于“熱區(qū)”中的簇頭節(jié)點(diǎn)能量耗費(fèi)較高,當(dāng)進(jìn)行新一輪簇頭選舉時(shí),處于非“熱區(qū)”中的簇頭也許此時(shí)能量還很充裕.因此,這種情況下進(jìn)行這個(gè)網(wǎng)絡(luò)的簇頭選舉工作對(duì)于那些處于非“熱區(qū)”中的能量充裕的簇頭來(lái)說(shuō)是不公平的.(2)整個(gè)網(wǎng)絡(luò)被動(dòng)進(jìn)行簇頭選舉工作,即網(wǎng)絡(luò)運(yùn)行一段時(shí)間之后,不管網(wǎng)絡(luò)是否需要進(jìn)行重新選擇簇頭都會(huì)進(jìn)行一次新的簇頭選舉工作.此時(shí)處于“熱區(qū)”和非“熱區(qū)”的簇頭節(jié)點(diǎn)之間也會(huì)由于消耗能量的不同產(chǎn)生矛盾,當(dāng)兩次簇頭選舉工作的間隔較長(zhǎng)時(shí),處于“熱區(qū)”中的簇頭節(jié)點(diǎn)會(huì)因?yàn)槟芰肯倪^(guò)大而提前進(jìn)入失效狀態(tài),從而造成網(wǎng)絡(luò)分割,降低網(wǎng)絡(luò)存活時(shí)間;當(dāng)兩次簇頭選舉工作的間隔較短時(shí),整個(gè)網(wǎng)絡(luò)會(huì)因?yàn)轭l繁的進(jìn)行簇頭選舉工作而消耗過(guò)多的能量,從而造成網(wǎng)絡(luò)生存時(shí)間縮短.以上兩種情況都會(huì)造成節(jié)點(diǎn)(簇頭節(jié)點(diǎn)和普通節(jié)點(diǎn))寶貴能量的白白耗費(fèi).通過(guò)對(duì)傳感器節(jié)點(diǎn)能量消耗情況和無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議的研究,我們提出一種基于ARMA流量預(yù)測(cè)的單元格帶管理節(jié)點(diǎn)的分簇路由協(xié)議ACRP(ARMA-BasedClusterRoutingProtocol),該協(xié)議的主要思想是利用可補(bǔ)充能量的匯聚節(jié)點(diǎn)采用集中式方式將傳感器節(jié)點(diǎn)覆蓋的區(qū)域固定劃分為許多單元格,每個(gè)單元格作為一個(gè)簇.在每個(gè)簇中設(shè)置一個(gè)管理節(jié)點(diǎn),管理節(jié)點(diǎn)基于ARMA模型的流量預(yù)測(cè),以分布式方式實(shí)現(xiàn)每個(gè)簇中簇頭的重新選舉,以減少成簇的開銷,實(shí)現(xiàn)簇頭的均衡能量消耗,同時(shí)增強(qiáng)網(wǎng)絡(luò)的健壯性,延長(zhǎng)WSN網(wǎng)絡(luò)生存時(shí)間.2節(jié)點(diǎn)位置.假設(shè)傳感器節(jié)點(diǎn)隨機(jī)分布在一個(gè)正方形監(jiān)測(cè)區(qū)域內(nèi),并且該傳感器網(wǎng)絡(luò)具有以下性質(zhì):(1)以匯聚節(jié)點(diǎn)為中心建立無(wú)線傳感器網(wǎng)絡(luò)環(huán)境,節(jié)點(diǎn)均勻分布于匯聚節(jié)點(diǎn)四周,以匯聚節(jié)點(diǎn)為原點(diǎn)建立坐標(biāo)系.(2)匯聚節(jié)點(diǎn)具有較強(qiáng)的計(jì)算、存儲(chǔ)能力,且能量能無(wú)限制.(3)所有傳感器節(jié)點(diǎn)部署后靜止不動(dòng),并且具有相同的初始能量值,具有相似的處理通信能力,地位是對(duì)稱平等的.(4)所有節(jié)點(diǎn)都是同構(gòu)的,具備數(shù)據(jù)融合的功能.(5)根據(jù)接收者的距離遠(yuǎn)近,節(jié)點(diǎn)可以自由調(diào)節(jié)其發(fā)送功率以節(jié)約能量消耗.(6)所有節(jié)點(diǎn)可以獲知自己的坐標(biāo)位置.2.1穩(wěn)定的流量模型簇頭更新存在的問題有網(wǎng)絡(luò)中每個(gè)簇的簇頭是否有權(quán)利發(fā)起更換簇頭的請(qǐng)求;每個(gè)簇的簇頭在什么樣的情況之下才能發(fā)起更換簇頭的請(qǐng)求;簇頭的更換是集中進(jìn)行還是分布進(jìn)行等.比如在簇頭與匯聚節(jié)點(diǎn)之間通信采用多跳方式(即通過(guò)簇頭組成的骨干網(wǎng)實(shí)現(xiàn)的多跳路由)更有利與節(jié)約能量,但是這種做法也帶來(lái)了一個(gè)能量消耗不均衡的問題:在這種所有傳感器節(jié)點(diǎn)的數(shù)據(jù)都發(fā)送到匯聚節(jié)點(diǎn)的“多對(duì)一”數(shù)據(jù)傳輸模式中,靠近匯聚節(jié)點(diǎn)的簇頭由于需要轉(zhuǎn)發(fā)大量來(lái)自其它簇的數(shù)據(jù)而負(fù)擔(dān)過(guò)重,在該節(jié)點(diǎn)擔(dān)當(dāng)簇頭的一輪中,會(huì)因?yàn)楦鼡Q簇頭的時(shí)間未到,或者是沒有單獨(dú)更換簇頭的權(quán)利(即分布式簇頭更替,每個(gè)簇的簇頭更替是根據(jù)自身情況進(jìn)行),而過(guò)早耗盡自身能量而失效.本文基于ARMA流量預(yù)測(cè)模型應(yīng)用到了主簇頭節(jié)點(diǎn)的更換過(guò)程中,提出了一種基于ARMA流量預(yù)測(cè)機(jī)制的主簇頭節(jié)點(diǎn)更換策略.流量模型必須有可管理的參數(shù)個(gè)數(shù),參數(shù)估計(jì)必須簡(jiǎn)單.有許多隨機(jī)模型用于描述網(wǎng)絡(luò)流量,通信網(wǎng)絡(luò)中的流量模型可以分為穩(wěn)定的和不穩(wěn)定的兩種,穩(wěn)定的流量模型又分為兩類:短相關(guān)和長(zhǎng)相關(guān).短相關(guān)模型包括馬爾可夫過(guò)程和自回歸模型(AR),自回歸滑動(dòng)平均模型(ARMA),以及自回歸求和滑動(dòng)平均模型(ARIMA);長(zhǎng)相關(guān)流量模型包括:F-ARIMA和FractionalBrownianMotion,我們采用ARMA模型,它不能建立長(zhǎng)相關(guān)的模型,因此只能進(jìn)行短期實(shí)時(shí)預(yù)測(cè).假設(shè)數(shù)據(jù)流量序列為Χ0,Χ1,…Χi…,Xn,我們這里采用ARMA(2,1)來(lái)進(jìn)行預(yù)測(cè)據(jù),其模型為其中B是后移算子,ai是白噪聲.φ1,φ2,θ1,σ2a2a(白噪聲方差)為估計(jì)參數(shù).ARMA相關(guān)矩估計(jì)方法主要有最小二乘估計(jì)方法,最大似然估計(jì),最大熵估計(jì)等等,考慮到傳感器節(jié)點(diǎn)的計(jì)算能力,這里我們采用最小二乘估計(jì)方法可解出?φ1,?φ2,?θ1,?σ2a.φ?1,φ?2,θ?1,σ?2a.判斷時(shí)間序列的穩(wěn)定性,其穩(wěn)定性條件為?φ1+?φ2<1,?φ2-?φ1<1,|?φ2|<1φ?1+φ?2<1,φ?2?φ?1<1,|φ?2|<1,如果滿足此條件則視為平穩(wěn)序列.則得出ARMA擬和模型為:Xt=?φ1Xt-1+?φ2Xt-2+at-?θat-1(2)Xt=φ?1Xt?1+φ?2Xt?2+at?θ?at?1(2)進(jìn)一步地,我們利用逆函數(shù)法進(jìn)行一步預(yù)測(cè),ARMA的逆函數(shù)記為I1,I2,…,In,Ι1=?φ1-?θ1,Ι2=?φ2-Ι1?θ2,Ι3=Ιj?θ1?(j＞3)(3)I1=φ?1?θ?1,I2=φ?2?I1θ?2,I3=Ijθ?1?(j＞3)(3)則一步預(yù)測(cè)模型如式(14)所示,其中m為Xt之前m次觀測(cè)值,可根據(jù)預(yù)測(cè)精度的要求取值.Xt(1)=∑m∑mIjXt+1-j(4)其多步預(yù)測(cè)模型為:?Xt(l)=?φ1?Xt(l-1)+?φ2?Xt(l-2)(5)X?t(l)=φ?1X?t(l?1)+φ?2X?t(l?2)(5)在基于ARMA模型的主簇頭節(jié)點(diǎn)更換算法中,主簇頭節(jié)點(diǎn)根據(jù)數(shù)據(jù)流量的預(yù)測(cè),一經(jīng)發(fā)現(xiàn)數(shù)據(jù)流量將超過(guò)本節(jié)點(diǎn)負(fù)載的電池能量消耗,則立即發(fā)送更替主簇頭節(jié)點(diǎn)的請(qǐng)求.主簇頭節(jié)點(diǎn)更換算法的主要思想,引入預(yù)測(cè)機(jī)制,主簇頭節(jié)點(diǎn)在預(yù)測(cè)其自身能量將要消耗殆盡前發(fā)出更換主簇頭節(jié)點(diǎn)的請(qǐng)求,從而避免了主簇頭因?yàn)槟芰客耆亩劳?也避免了因?yàn)橹鞔仡^死亡而造成網(wǎng)絡(luò)分割,降低網(wǎng)絡(luò)的生存時(shí)間.為判斷模型的預(yù)測(cè)精度,我們利用Matlab7.0進(jìn)行了仿真驗(yàn)證.如圖1(a)所示為一個(gè)WSN中主路由上的某一傳感器節(jié)點(diǎn)的真實(shí)網(wǎng)絡(luò)流量,從任意時(shí)刻起在256s內(nèi),每秒采樣數(shù)據(jù)流量1一次,利用本模型可計(jì)算出其估計(jì)值,其一步預(yù)測(cè)的比較圖如圖1(b)所示.從圖中可以看出,預(yù)測(cè)曲線和真實(shí)網(wǎng)絡(luò)流量曲線比較吻合,說(shuō)明ARMA預(yù)測(cè)模型能夠有效預(yù)測(cè)WSN網(wǎng)絡(luò)流量,作為一種短時(shí)相關(guān)預(yù)測(cè)模型,ARMA預(yù)測(cè)模型的一步預(yù)測(cè)取得了較好的預(yù)測(cè)效果,且模型簡(jiǎn)單,運(yùn)算為線性運(yùn)算,復(fù)雜度低,能夠作為一種實(shí)時(shí)網(wǎng)絡(luò)流量預(yù)測(cè)模型預(yù)測(cè)WSN網(wǎng)絡(luò)流量.2.2節(jié)點(diǎn)信息傳遞在某一普通節(jié)點(diǎn)完成數(shù)據(jù)監(jiān)測(cè)任務(wù)后,將會(huì)傳送監(jiān)測(cè)數(shù)據(jù)至主簇頭節(jié)點(diǎn),然后主簇頭節(jié)點(diǎn)收集簇內(nèi)監(jiān)測(cè)節(jié)點(diǎn)采集數(shù)據(jù)后,進(jìn)行數(shù)據(jù)融合,再將融合數(shù)據(jù)發(fā)送到匯聚節(jié)點(diǎn).普通節(jié)點(diǎn)為了能夠?qū)?shù)據(jù)發(fā)送到主簇頭節(jié)點(diǎn),將需要維護(hù)自己鄰居節(jié)點(diǎn)的簡(jiǎn)單的路由信息表以及主簇頭節(jié)點(diǎn)和從簇頭節(jié)點(diǎn)的相關(guān)信息.當(dāng)自身的能量消耗超過(guò)預(yù)先設(shè)定的層次閾值ΔE時(shí),該節(jié)點(diǎn)會(huì)將其新的能量層次值進(jìn)行廣播(NOP消息),其鄰節(jié)點(diǎn)收到NOP消息后,便更新自己路由信息表中的數(shù)據(jù).在本文提出的簇內(nèi)數(shù)據(jù)傳遞規(guī)則中,簇內(nèi)節(jié)點(diǎn)并不像LEACH算法那樣采用單跳方式直接傳送采集數(shù)據(jù)到主簇頭節(jié)點(diǎn),它采用多跳路由的方式將數(shù)據(jù)傳送給主簇頭節(jié)點(diǎn).現(xiàn)在我們以圖2中的普通節(jié)點(diǎn)4例,來(lái)說(shuō)明如何實(shí)現(xiàn)以多跳的方式將數(shù)據(jù)傳遞給主簇頭節(jié)點(diǎn).第一步:節(jié)點(diǎn)4查找自己的路由信息表,獲取節(jié)點(diǎn)3和節(jié)點(diǎn)2的信息.第二步:設(shè)節(jié)點(diǎn)4和節(jié)點(diǎn)3的距離為d1,節(jié)點(diǎn)4和節(jié)點(diǎn)2的距離為d3,節(jié)點(diǎn)3和節(jié)點(diǎn)2的距離為d2.假設(shè)d2323<δ(d2121+d2222),那么節(jié)點(diǎn)4將數(shù)據(jù)傳遞給節(jié)點(diǎn)2.第三步:節(jié)點(diǎn)2檢查自距離主簇頭節(jié)點(diǎn)的距離l,發(fā)現(xiàn)l<3,則直接將數(shù)據(jù)傳遞給主簇頭節(jié)點(diǎn).采用如下步驟進(jìn)行處理:(1)如果l<3,(z,l)節(jié)點(diǎn)直接傳送數(shù)據(jù)到主簇頭節(jié)點(diǎn),否則轉(zhuǎn)入下一步.(2)計(jì)算節(jié)點(diǎn)(z,l)和節(jié)點(diǎn)(z,l-1)的距離d1,(θ,f,z,l)和節(jié)點(diǎn)(z,l-2)的距離d3,節(jié)點(diǎn)(z,l-1)和節(jié)點(diǎn)(z,-2)的距離d2.如果d2323>δ(d2121+d2222),δ是根據(jù)實(shí)際網(wǎng)絡(luò)情況確定,則傳送數(shù)據(jù)到節(jié)點(diǎn)(z,l-1),節(jié)點(diǎn)(z,l-1)將本身采集數(shù)據(jù)和所接收數(shù)據(jù)進(jìn)行數(shù)據(jù)融合,然后依據(jù)該數(shù)據(jù)傳遞規(guī)則繼續(xù)發(fā)送融合數(shù)據(jù)到下一跳節(jié)點(diǎn),否則轉(zhuǎn)入下一步.(3)如果l<3,則等同于第一步,否則以當(dāng)前節(jié)點(diǎn)為源節(jié)點(diǎn),轉(zhuǎn)入(2)操作.總之,節(jié)點(diǎn)(z,l)在傳送數(shù)據(jù)到主簇頭節(jié)點(diǎn)的時(shí)候,會(huì)依次判斷是否把節(jié)點(diǎn)(z,t),t<l作為下一跳節(jié)點(diǎn).如果是,則節(jié)點(diǎn)(z,l)傳送采集數(shù)據(jù)到節(jié)點(diǎn)(z,t),節(jié)點(diǎn)(z,t)將采集數(shù)據(jù)與接收數(shù)據(jù)進(jìn)行融合計(jì)算,進(jìn)行下一步傳送;否則,節(jié)點(diǎn)直接傳送數(shù)據(jù)到主簇頭節(jié)點(diǎn).在網(wǎng)絡(luò)運(yùn)行的穩(wěn)定階段也即數(shù)據(jù)傳輸階段,主簇頭節(jié)點(diǎn)負(fù)責(zé)收集簇內(nèi)普通節(jié)點(diǎn)采集的數(shù)據(jù),然后對(duì)數(shù)據(jù)進(jìn)行融合計(jì)算,然后通過(guò)多跳路由方式將融合數(shù)據(jù)通過(guò)鄰居主簇頭節(jié)點(diǎn)轉(zhuǎn)發(fā)至匯聚節(jié)點(diǎn).具體過(guò)程描述如下:假設(shè)需要傳輸數(shù)據(jù)的主簇頭節(jié)點(diǎn)為(0,2,0,0),記為MCHi,距離匯聚節(jié)點(diǎn)的距離記為Di;記主簇頭節(jié)點(diǎn)MCHi相鄰m個(gè)主簇頭節(jié)點(diǎn)集合為Sn={MCHj,…,MCHm},主簇頭節(jié)點(diǎn)MCHi,MCHj,…,MCHm和匯聚節(jié)點(diǎn)之間的距離分別為Di,Dj,…Dk.具體路由過(guò)程可描述如下:第一步:設(shè)存在主簇頭節(jié)點(diǎn)集合Sv={MCHv|MCHv∈SN&Dv<Di},如果集合Sv為空,則主簇頭節(jié)點(diǎn)直接傳送融合數(shù)據(jù)到匯聚節(jié)點(diǎn),否則轉(zhuǎn)到下一步).第二步:在集合Sv中選擇能量水平值最大的主簇頭節(jié)點(diǎn),如果能量水平值最大的節(jié)點(diǎn)是唯一的,則將該節(jié)點(diǎn)作為下一跳路由節(jié)點(diǎn),否則從多個(gè)能量相等的主簇頭節(jié)點(diǎn)中挑選Dv最小的主簇頭節(jié)點(diǎn)作為下一跳.第三步:將該主簇頭節(jié)點(diǎn)作為路由起始節(jié)點(diǎn),重復(fù)上述操作.這樣,在每個(gè)采集信息的普通節(jié)點(diǎn)和匯聚節(jié)點(diǎn)之間就形成了一條穩(wěn)定的路徑,如圖6所示.3節(jié)點(diǎn)位置仿真為了評(píng)價(jià)本文提出算法的性能,本文在NS2仿真軟件中對(duì)算法進(jìn)行仿真驗(yàn)證.仿真環(huán)境具體配置如下:在500m×500m的正方形區(qū)域內(nèi),假設(shè)匯聚節(jié)點(diǎn)的坐標(biāo)為(0,0),即坐標(biāo)原點(diǎn).以匯聚節(jié)點(diǎn)為原點(diǎn)建立坐標(biāo)系,則200個(gè)傳感器節(jié)點(diǎn)均勻的分布在匯聚節(jié)點(diǎn)周圍.并且所有的傳感器節(jié)點(diǎn)以固定的頻率采集數(shù)據(jù),即節(jié)點(diǎn)以固定的頻率發(fā)送采集數(shù)據(jù),帶寬為20kB,時(shí)延為0.1s,且數(shù)據(jù)包的大小是固定的,均為2000bit,所有節(jié)點(diǎn)的初始能量值相等,均為0.25J,每層簇頭個(gè)數(shù)actual-ΝCΗ(i)=α(ri+ri-1)ri-ri-1?4<α<3π?actual?NCH(i)=α(ri+ri?1)ri?ri?1?4<α<3π?仿真中α取2π,此處π為周期律,εamp=0.0013pJ/bit/m2,Eelec=50nJ/bit,β=6.3.1節(jié)點(diǎn)死亡節(jié)點(diǎn)描述在傳感器網(wǎng)絡(luò)中,傳感器節(jié)點(diǎn)一般采用電池供電且不可更換,因此,降低能量消耗,延長(zhǎng)網(wǎng)絡(luò)生命周期是設(shè)計(jì)網(wǎng)絡(luò)時(shí)要考慮的重要因素之一,網(wǎng)絡(luò)的存活節(jié)點(diǎn)數(shù)表明了隨著時(shí)間的推移,仍然存活的節(jié)點(diǎn)的總數(shù),是體現(xiàn)路由協(xié)議是否屬于能源有效性協(xié)議的一個(gè)重要指標(biāo).圖4表示隨時(shí)間推移網(wǎng)絡(luò)中處于存活狀態(tài)的節(jié)點(diǎn)個(gè)數(shù).根據(jù)仿真結(jié)果,LEACH算法在240s時(shí)出現(xiàn)第一個(gè)死亡節(jié)點(diǎn),LEACH-F算法在200s時(shí)出現(xiàn)第一個(gè)死亡節(jié)點(diǎn);本文提出的UCA-M算法的第一個(gè)死亡節(jié)點(diǎn)推遲在430s時(shí)出現(xiàn),因?yàn)閁CA-M算法利用非均衡簇結(jié)構(gòu)消除了多條路由算法中的“熱區(qū)”問題,網(wǎng)絡(luò)中簇頭節(jié)點(diǎn)能量消耗相對(duì)平衡,此外,算法還引入了主、從簇頭的概念,使網(wǎng)絡(luò)中簇頭的更換可以分布式的進(jìn)行,從而整個(gè)網(wǎng)絡(luò)的性能得到了良好的改善.從上圖中,在430s到920s之間,UCA-M算法節(jié)點(diǎn)死亡的速度明顯比前兩個(gè)算法要快,這是因?yàn)樵赨CA-M算法前期,盡量是網(wǎng)絡(luò)能量均衡消耗;而到了網(wǎng)絡(luò)運(yùn)行的后期階段,由于所有節(jié)點(diǎn)的剩余能量水平都很低,因此節(jié)點(diǎn)也會(huì)在這一階段相繼死亡,網(wǎng)絡(luò)質(zhì)量快速下降.3.2評(píng)估uca-m和letch-m的負(fù)載在分簇的傳感器網(wǎng)絡(luò)中,簇頭扮演著極其重要的角色,簇頭能量消耗的快慢直接影響著整個(gè)網(wǎng)絡(luò)的性能好壞.本文主要以網(wǎng)絡(luò)中簇頭節(jié)點(diǎn)的負(fù)載均衡度來(lái)衡量整個(gè)網(wǎng)絡(luò)的負(fù)載.具體計(jì)算公式如下:LBF=11+1mm∑i=1(ki-ˉ?)2(6)其中,ki表示第i個(gè)簇頭的負(fù)載,ˉ?表示平均負(fù)載.從圖5中我們可以很明顯的看出,UCA-M算法的LBF比LEACH算法和LEACH-C算法高,說(shuō)明了UCA-M算法中簇頭節(jié)點(diǎn)的的負(fù)載比較均衡.這是因?yàn)閁CA-M算法中,距離匯聚節(jié)點(diǎn)近的簇頭節(jié)點(diǎn)所管理的成員節(jié)點(diǎn)