Coefficient of Variance-based Clustering Algorithm for Ulti-level Energy

Electrical Engineering and Automation September2015, Volume 4, Issue 3, PP.44-50

Coefficient of Variance-based Clustering Algorithm for Ulti-level Energy Heterogeneous Wireless Sensor Qian Wu College of Fundamental Education, Sichuan Normal University, Chengdu 610068, China Email: creative-wq@sina.com

Abstract Prolonging network lifetime and obtaining better monitor quality are important performance indexes to the clustering algorithm for wireless sensor networks. Based on the analysis of the existing clustering algorithms, a fuzzy logic-based clustering algorithm which adapts to multi-level energy heterogeneous sensor networks was proposed. For this algorithm, node density and node concentric, node energy consumption rate, the distance from the base station and their own current residual energy as fuzzy decision factor, nodes decide the possibility of becoming cluster heads based on fuzzy evaluation strategy. All nodes take turns to become cluster heads to share energy consumption. Simulation results show that in multi-level energy heterogeneous sensor networks, compared with the existing algorithms, this new clustering algorithm can prolong the lifetime and has better network monitor quality.

Keywords: Wireless Sensor Network; Multi-level Energy Heterogeneous; Fuzzy Decision; Clustering Algorithm

基于变异系数的异构传感器网络成簇算法研究* 吴倩 四川师范大学 基础教学学院，四川 成都 610068 摘 要：延长网络寿命并获得更好的监控质量是无线传感器网络成簇算法的重要性能指标。在分析现有主要成簇算法的基 础上，提出一种适用于多级能量异构传感器网络的基于变异系数的成簇算法 CVCA (COEFFICIENT OF VARIANCE CLUSTERING ALGORITHM)。算法中，节点根据通信范围内节点密集度和向心性、节点相对距离以及节点剩余能量、 节点能量消耗速率等因素作为模糊决策因子，采用变异系数评价策略计算节点成为簇头的概率。所有节点轮流成为簇头， 以分摊能量消耗。仿真实验结果表明，与现有主要聚簇算法相比，在多级能量异构环境下，新的成簇算法拥有更长的生 存时间和更优的网络监测质量。 关键词：无线传感器网络；多级能量异构；变异系数；成簇算法

引言 由装配了大量小型能量装置节点组成的无线传感器网络(WSN, Wireless Sensor Network)是近年来研究的 热点[1,2]。 WSNS 可以分为：同构无线传感器网络(Homogeneous WSNS)和异构无线传感器网络(Heterogeneous WSNS, HWSNS)。相对于同构无线传感器网络，HWSNS 是指由多种不同类型传感器节点构成的传感器网络 [1]

。本文着眼于能量异构网络，因为在传感器网络中，能量异构特征是普遍存在的，不同类型的传感器节点

配置不同的初始能量，即使是同种类型的传感器节点构成的传感器网络，为了延长网络寿命，而在原有节 点的基础上布置新的传感器节点，新加入的节点将拥有比老节点更多的能量[2]。由于节点消耗和补充能量的 - 44 www.ivypub.org/eea

不均衡，使整个网络呈现多级能量异构。多级能量异构传感器网络是节点能量呈现多个能量等级或在一定 范围内随机分布的网络[3]。多级能量异构是非常常见的。当前提出了许多分布式聚簇协议。Hernzelman 等人 在文献[4]中提出了 LEACH 簇选择算法，该算法设定每个节点具有相同的初始能量。节点随机产生一个 0-1 之间的随机概率。LEACH 按轮运行，每轮包括初始化和稳定运行 2 个阶段。初始化阶段，算法进行簇头选 择。当簇生成后，簇头将聚合其收到的各成员节点的采集信息，并将聚合信息直接传输到基站。但是， LEACH 只适合同构网络环境。文献[5]对 LEACH 算法进行了改进，并提出了一种根据节点剩余能量选举簇 头的算法 LEACH-E，但是该算法难以分布式实现。文献[2]针对二级异构网络提出 SEP 算法，但并不适用于 多级异构网络环境。文献[3]提出了适用于多级能量异构传感网络的负载均衡成簇算法 LBCA，该算法根据 传感器网络的能量分布情况选择簇头，但该算法的健壮性与可扩展性差。文献[6]提出了基于能量预测的可 靠聚簇路由算法 RCR，该算法通过建立相邻节点剩余能量预测机制使选举簇头节点的概率与节点当前剩余 能量直接相关，以优化数据传输路径，均衡传感器网络节点的能量消耗和延长网络寿命。此外，通过采用 多簇头机制来解决单个簇头因故障等原因导致的能量损失，但该算法未考虑簇头分布的均匀性给网络寿命 带来的影响。 从上述协议可以看出，以上聚簇路由协议的焦点都集中在簇头的选择以及成簇算法上。一个好的能量 异构分簇路由算法应该综合考虑节点的剩余能量、节点的能量消耗速率、节点的密集程度以及簇头的位置 分布等等因素。但上述协议均只考虑了某个方面，导致对簇头的选择不能最理想。基于此，本文提出了一 种适用于多级能量异构传感器网络的基于模糊决策的成簇算法 FLCA (FUZZY LOGIC CLUSTERING ALGORITHM)。FLCA 采用模糊评价策略计算各个节点成为簇头的选举概率，从中选择概率最大的节点成 为本轮簇头。利用节点剩余能量、节点能量消耗速率、节点密集度和节点向心性、节点相对距离等等因素 作为模糊决策因子。实验结果表明，该簇头选择算法比 LEACH-E，SEP 等主要成簇算法有更长的网络生命 周期和更优的网络监测质量。

1

多级能量异构网络模型和模糊决策因子计算

1.1 多级能量异构网络模型 本文设定 N 个传感器节点随机分布在一个 M  M (m)的正方形区域内，节点周期性地采集数据发送给簇 头，所有节点是微移动或者静止不动的，Sink 节点远离监测区域。假定所有节点能量异构，我们区分节点 为普通节点和高能节点两种。普通节点的初始能量为 Einit ，高能节点的初始能量为 Einit (1  ki ) ， ki 表示高能 节点超过普通节点能量的倍数。因此节点的初始能量可以描述为在区间  Einit , Einit (1  kmax ) 内随机分布。对 于任意节点 i ，其初始能量为 Einit (1  ki ) ，则多级能量异构网络总的初始能量为 N

Etotal   Einit (1  ki )

(1)

i 1

(a) 100 个异构节点随机分布的网络模型

(b) FLCA 算法形成的网络分

图1

同时假设节点通信链路对称；节点没有任何位置信息，但是节点可根据接受信号的强度计算发送节点 的相对距离；除初始能量不同外，所有节点具有相同的计算、存储、通信等能力；节点失效全部由能量耗 - 45 www.ivypub.org/eea

尽造成。 图 1(a)给出了 100 个能量异构节点随机分布在 100m*100m 的正方形区域中的网络模型，图 1(b)给出了 采用 FLCA 算法所形成的网络分簇结果。可以看出，根据网络内各节点间模糊决策因子计算，FLCA 算法将 网络分为了若干簇。

1.2 能量模型 本文使用简单能量消耗模型 [5],忽略节点进行计算、存储等过程中的能量消耗，仅计算节点的通信消耗， 在传输 l 比特信息经过距离 d 的过程中，发送端能量消耗为： 2  lE  l fs d , d  d0   ETx (l , d )  ETx _ elec (l )  ETx _ amp (l , d )   elec  4 lE  l  d , d  d mp 0  elec  

(2)

接收端能量消耗为 ERx (l )  ERx _ elec (l )  lEelec

(3)

其中， Eelec 表示发送或接收每比特数据时的电路能量消耗，  fs d 2 和  mp d 4 是发送每比特数据放大器的 能量消耗。d0 为通信阈值。显然，当网络中消息长度一致时，节点能耗与节点间的相对距离直接相关。

1.3 相对距离计算 网络中节点可以利用信号强度在传输过程中的衰减来感知相互距离。在成簇初始阶段，网络中所有节 i ,tran 点使用一定的传输能量进行广播。若节点 i 使用一定的传输能量 ETx _ amp 发送信息，节点 j 在接收到信息的 j , recv 同时探测接收信号强度 Esenstive ，传输能量和接收能量存在以下关系[7]： j , recv Esenstive 

K di, j

i ,tran  ETx _ amp

(4)

K 是常数， di , j 是节点 i,j 之间的相对距离，  是距离-能量梯度，  的取值范围在 1-6 之间，依赖于传

感器网络所处的具体物理环境。因此可根据式(4)，得出相对距离公式： di , j  

i ,tran K  ETx _ amp

(5)

j , recv Esenstive

因为节点之间可能存在障碍物，所以根据式(5)计算出的距离并不是节点之间物理距离，而是两个节点 之间的相对距离，但该相对距离并不影响计算节点发送端能量消耗。对任意节点，以 di , BS 表示 i 到基站的距 离，以 di , j 表示节点 i 到节点 j 的距离。

1.4 节点密集度和节点向心性度量 定义 1.节点探测区域.传感器网络中，任意节点以自身为中心，以探测范围 R 为半径形成的圆形区域， 就是该节点的探测区域。 定义 2.节点向心性.是指节点靠近簇的中心程度，用该节点到簇内其他节点的距离平方和来度量。任意 n

节点 i 的向心度为  di2, j j 1

假设以节点 i 为中心的探测区域内有 n+1 个节点，节点 i 为簇头节点，其余 n 个节点为普通传感器节点。 根据式(2)和式(3)，可计算出探测区域的总能耗 Etotal 为： n

n

Etotal  Eheader   Esensor  nERx (l )  ETx (l , di, BS )  nE fusion (l )   ETx (l , di, j )  (2n  1)lEelec  j 1

j 1

n

l mp di4, BS  nE fusion (l )  l fs  di2, j j 1

- 46 www.ivypub.org/eea

(6)

从上式中可以看出，探测区域的总能量消耗主要受到两个参数影响，一个是簇头节点 i 到基站的距离 n

di , BS ，另一个是簇头节点 i 到探测区域内其他节点的距离平方和  di2, j 。为了减少探测区域的总能耗，应选 j 1

择向心度小的节点为簇头节点。但节点探测区域内的节点总数并不相同，若节点探测区域内节点数越多， n

节点越密集，则簇头向心度  di2, j 越小，因此探测区域的总能耗越小。 j 1

2

基于模糊综合评价的成簇算法

2.1 确定目标特征值矩阵 FLCA 算法按轮(round)进行，在成簇阶段，n 个节点均是待选簇头构成决策集，所有节点首先向探测区 域广播剩余能量信息并监听其他节点发送的能量信息。节点根据收集到的信息计算相对距离，探测区域节 点总数，自身向心度等数据形成 m 个指标构成评价目标集。根据对每个指标的量化值可以得到目标特征值 矩阵（决策矩阵），即： xmn

 x11 , x12 ...x1n   x , x ...x    21 22 2 n   ( xij ) ......  xm1 , xm 2 ...xmn 

(7)

式中： xij 为节点 j 在 i 指标下的量值。

2.2 基于变异系数法的指标权重确定 变异系数法是一种客观赋权法。设决策矩阵为 X  ( xij )mn

(8)

记

xi 

1 n  xij n j 1

(i=1,2,…,m)

(9)

1/2

 1  n Si    j 1 ( xij  xi )2   n 1 

则 bi 

Si xi

(10)

(i=1,2,…,m)为指标 xi 的变异系数。

此时第 i 个指标的权重为

wi 

bi

m

 bi

(i=1,2,…,m)

(11)

i 1

从而得到目标优属度矩阵为： Rmn

 r11 , r12 r1n  r , r r    21 22 2 n   (rij )  rm1 , rm 2 rmn 

(12)

2.3 标准模糊物元与简单绝对值复合模糊物元 由目标优属度矩阵可构成标准方案，标准方案的 n 维标准模糊物元由 Rmn 中各评价指标的优属度的最 大值或最小值确定。本文以最小值作为簇头节点的最优结果，即最优模糊物元中各指标优属度均为 1，则构 成简单绝对值符合模糊物元，即： - 47 www.ivypub.org/eea

 11 , 12 1n   ,  2n  R   21 22    m1 ,  m 2  mn 

(13)

式中， ij  1  rij

2.4 基于欧式贴近度复合模糊物元的综合决策 综合评判多因素影响的事物时，不同的因素具有不同的权重。系统中 m 个指标的权重量已经确定： w  (w1 , w2 ,…,wm )T

(14)

考虑到本文具有综合评价的意义，采用 M(*,+)算法即先乘后加运算欧式贴近度  H j ,  H j 为第 j 个评价 方案与标准方案接近的程度： m

 H j  1  ( wi ij )1/2

(15)

i 1

以此来构造欧式贴近度复合模糊物元 R H 即：

M M2 R H   1   H1  H 2

Mn 

(16)

 H n 

 H 值即表示节点 j 成为簇头的概率值 Pj。此值排列由大到小就形成了节点成为簇头的概率优先级，基 于此优先级可以很好的选择本探测区域的簇头节点。 在 FLCA 算法中，簇头节点产生的流程如图 2 所示。 通过节点间广播，获知节点间剩余能量信息 计算与探测范围内其他节点及基站的平均距 离，自身节点的向心度及密度等因素值 计算成为簇头节点的概率Pi 计算成为簇头节点的概率门限T(i)

T(i)!=0

是

否

Pi<T(i) 根据收到的广播，成为距 离最近的簇头节点的成员

广播成为簇头消息 接受簇内成员节点 发送的数据

图 2 簇头节点产生流程图

3

仿真实验

3.1 仿真环境 表 1 仿真实验参数表 参数

值

d0(m) 节点初始能量(J)

75 1-3

Eelec

 fs

5nJ/bit 2

10pJ/bit/m 0.0013pJ/bit/m4 4000bits

 mp 消息大小

- 48 www.ivypub.org/eea

为了评价和分析 FLCA 的性能，本文使用 Matlab 进行仿真实验。实验环境如下：100 个传感器节点随 机均匀散步于 100m*100m 的正方形区域中，基站位于网络中心，忽略信号碰撞和无线信道干扰等随机因素 的影响，实验中使用的其他重要参数见表 1。本文比较 FLCA 与 LEACH、LEACH-E、SEP 等算法的性能。 所有的实验结果如未特别说明，均为 100 次独立实验结果的均值。

3.2 实验结果及分析 仿真实验首先考察默认网络环境下，FLCA 与 LEACH、SEP 和 LEACH-E 算法死亡节点随时间的变化 情况。图 3 的仿真结果显示了各个算法在默认实验环境下，死亡节点数量随时间的演化结果。可以看出，在 异构环境下，LEACH 节点生存时间最短。由于 FLCA 算法充分考虑了节点相对距离、剩余能量以及节点向 心度等因素对能量消耗的影响，使网络能耗被均匀的分布到异构网络的各个节点上，所以 FLCA 的曲线也 是一条相对于 X 轴斜率更低的直线。 可利用基站收到的消息总数来评价算法的监控性能。图 4 描述了在所有节点异构、50%的节点为数据获 取规律性节点的网络中时，FLCA 算法在相当长的时间内基站收到的消息数量成线性增长，而其他算法在较 早时间收到的消息数量增长速率便开始下降。

ROUND

消 息 数 量

round

图 3 节点死亡时间图

4

图 4 基站收到的消息数量

结束语 本文在多级能量异构环境下，提出了一个基于模糊决策的成簇算法 FLCA。FLCA 根据节点剩余能量，

节点能量消耗速率，节点间相对距离，节点探测区密度及向心度等因素来衡量节点成为簇头的概率。仿真 实验验证了该算法的有效性和良好性能。

REFERENCES [1]

Ahmavaara K, Haverinen H, Pichna R. Interworking architecture between 3GPP and WLAN systems[J]. IEEE Communications Magazine , 2003, 41(11): 74-81

[2]

Bai R, Singhal M. DOA: DSR over AODV Routing for Mobile Ad Hoc Networks[J]. IEEE Transactions on Mobile Computing, 2006, 5(10): 1403-1416

[3]

王向辉, 张国印, 谢晓芹. 多级能量异构传感器网络的负载均衡成簇算法. 计算机研究与发展, 2008, 45(3): 392-399

[4]

Dietrich I, Dressler F. On the lifetime of wireless sensor networks[J].ACM Transactions on Sensor Networks, 2009, 5(1): 1-39

[5]

Heinzelman W R, Chandrakasan A P, Balakrishnan H. An application specific protocol architecture for wireless microsensor networks[J].Wireless Communications, 2002, 1(4): 660-670

[6]

蔡海滨, 琚小明, 曹奇英. 多级能量预测和可靠聚簇路由协议. 计算机学报, DEC. 2009, Vol. 32 No. 12

[7]

S Doshi, S Bhandare, T Brown. An on-demand minimum energy routing protocol for a wireless ad hoc network[J].ACM - 49 www.ivypub.org/eea

SIGMOBILE Mobile Computing and Communications Review, 2002, 6(3): 50-66

【作者简介】 吴倩（1978-），女，汉，硕士研究生，讲师，无线传感器网络，四川师范大学，计算机科学学院硕士。 Email: creative_wq@sian.com

- 50 www.ivypub.org/eea