基于時空加權目標函數的無線傳感網分簇協議

摘要：針對無線傳感器網絡中能量受限的特點，提出了基于時空相關加權目標函數粒子群優化算法（SC-WOFPSO）的分簇協議。首先，該協議使用Kohonen神經網絡提取節點間的數據相似性。在分簇過程中，該協議綜合考慮了節點間的數據相似性、節點間距離以及節點剩余能量等因素，使用PSO算法進行迭代尋優，尋找最優的簇頭集合；在成簇過程中，網絡中的非簇頭節點為每個簇頭分別計算goal函數值，選擇加入函數值最大的簇頭。最后從網絡總能量消耗、網絡壽命和網絡吞吐量三個性能指標出發，驗證了該協議能夠有效降低網絡能耗、提高網絡壽命、網絡吞吐量。

關鍵詞：無線傳感網；高能效；節點分簇；Kohonen神經網絡；粒子群優化算法

中圖分類號：TP393.04文獻標志碼：A

文章編號：1001-3695（2022）04-036-1173-05

doi：10.19734/j.issn.1001-3695.2021.09.0416

Clustering protocol for wireless sensor network based on spatio-temporal weighted objective function

Zhao Yuanliang，Wang Tao，Li Ping，Wu Yating，Sun Yanzan，Wang Rui

（School of Communication amp; Information Engineering，Shanghai University，Shanghai 200444，China）

Abstract：According to the characteristics of energy limitation in wireless sensor networks，this paper proposed a clustering protocol based on spatiotemporal correlation weighted objective function particle swarm optimization algorithm（SC-WOFPSO）.Firstly，this protocol used Kohonen neural network to extract the data similarity between nodes.In the process of clustering，this protocol comprehensively considered the data similarity between nodes，the distance between nodes and the residual energy of cluster head nodes，and used PSO algorithm for iterative optimization to find the optimal cluster head set.In the process of cluster，the non cluster head nodes in the network calculated the goal function value for each cluster head，and chose to join the cluster head with the maximum function value.Finally，this paper started from the three performance indicators of total network energy consumption，network life and network throughput to verify the protocol.The result shows that this protocol can effectively reduce network energy consumption，increase network life and network throughput.

Key words：wireless sensor network（WSN）；energy efficient；nodes clustering；Kohonen neural network；particle swarm optimization algorithm

0引言

無線傳感器網絡（wireless sensor network，WSN）是由許多具有感知、計算和無線通信能力的傳感器組成的，這些傳感器通過無線通信形成一個多跳的、自組織的網絡系統［1～4］。無線傳感器網絡應用于人們日常生活的方方面面，合理地使用無線傳感器網絡技術能夠在生產生活的各個領域更好地服務人民、造福人民［5～8］。近年來，采用基于分簇［9］的拓撲結構能夠很大程度上降低網絡能量和帶寬消耗，因此國內外學者針對降低基于分簇的無線傳感器網絡能耗這一問題進行了廣泛的研究。Heinzelman等人［10］提出的LEACH（low-energy adaptive clustering hierarchy）是最著名的基于分簇的層次路由協議，此后，許多研究者對經典的LEACH協議進行了改進。針對剩余能量無法充分利用的問題，Younis等人［11］提出了一種能量高效的成簇協議，隨機選擇簇頭節點，但是選擇的概率和節點的剩余能量直接相關，剩余能量越高的節點優先被選擇為簇頭。

上述介紹的分簇協議是采用分布式計算的協議，但是在無線傳感器網絡中，傳感器節點具有有限的存儲和計算能力，并且只具有有限的能量，如果傳感器節點一直在進行復雜的運算，會消耗過多的能量，從而影響網絡壽命。因此，研究人員提出了采用中心化的分簇協議應用于無線傳感網中。Rao等人［12］提出的PSO-ECHS（particle swarm optimization-energy efficient cluster head selection）考慮傳感器節點的剩余能量和各種距離參數來進行分簇，其包括傳感器節點之間的平均簇內距離及其距離接收器的距離；但是該方法在節點分簇的過程中沒有考慮節點間的數據相似性，網絡能耗還是較高。Zhang等人［13］提出了基于加權的K-means分簇協議（WK-means），該協議有初始簇頭選擇、節點分簇算法和簇頭選舉算法三個步驟，但是該方法在節點初始簇頭選擇過程中僅僅考慮節點的剩余能量，這樣使得隨機部署的傳感器網絡的簇結構分布較為隨機，不能夠很好地適應多個場景的傳感器網絡。

針對現有協議存在的問題，本文提出了基于時空相關性的加權目標函數粒子群優化（spatiotemporal correlation-weighted objective function particle swarm optimization，SC-WOFPSO）協議，通過使用Kohonen神經網絡提取節點間的數據相似性，并基于節點間的數據相似性利用WOFPSO算法來實現網絡分簇，進一步降低網絡能耗。

1系統模型

1.1網絡模型

無線傳感器網絡中的傳感器節點密集部署在監測區域，周期性地感知環境信息，并且將信息發送給sink節點或者基站；sink節點或者基站通過連接外部網絡（衛星網絡或者互聯網）實現了與外部網絡之間的信息交互，用戶通過訪問外部網絡就能夠得到所需要的環境信息。無線傳感器網絡結構圖如圖1所示。

為了實現本文的技術方案，對網絡模型作如下假設：a）網絡中的傳感器節點隨機分布，并且只有有限的能量，而sink節點具有持續的能量供應；b）sink節點的通信范圍能夠覆蓋所有的傳感器節點，傳感器節點能夠根據要發送到簇頭或sink節點數據的距離，選擇使用不同級別的傳輸功率；c）傳感器節點配置有節點定位模塊，能夠獲得自身的位置；d）所有傳感器節點都是靜止的，并且每個傳感器節點都能夠切換為簇頭節點；e）每個節點周期性地采集環境信息，并且始終將信息發送給簇頭節點或者sink節點。

1.2能耗模型

無線傳感器網絡中的能耗主要由無線通信模塊產生［6］，因此減小無線傳感網中的通信能耗能夠很大程度提升節能效率，提高網絡壽命。無線傳感器網絡中的通信能耗主要由數據發送能耗和接收能耗組成，其中數據發送能耗的表達式為[6]

ETX（k，d）=kEelec+kεampdn=（Eelec+εfsd2）kdlt;d0

（Eelec+εmpd4）kd≥d0（1）

其中：Eelec（nJ/bit）表示發送電路或者接收電路工作時所需要的能耗；k（bit）表示發送數據或者接收數據的長度；d（m）表示發送節點與接收節點間的距離；εfs和εmp表示功率放大倍數，如果距離d小于節點的距離閾值d0，發送能耗遵循自由空間模型，使用εfs作為功率放大倍數，否則發送能耗遵循多徑衰落信道模型，使用εmp作為功率放大倍數。

數據接收能耗的表達式為

ERX（k）=kEelec（2）

距離閾值d0的表達式為

d0=εfsεmp（3）

1.3數據模型

本文使用一種常用于連續對象建模的高斯煙雨模型來產生大量具有時空相關性的數據集［14］。所述高斯煙雨模型的坐標系如圖2所示。其中，原點為排放點，x軸方向為風速方向，y軸在水平面上垂直于x軸，正向在x軸左側，z軸垂直于平面xoy，向上為正向。在此坐標系中，煙流中心線在x軸方向上的投影與x軸重合。

2SC-WOFPSO協議

2.1協議概述

SC-WOFPSO協議主要包括網絡初始化、相似性提取子算法、最優簇頭選舉子算法和成簇子算法。所述網絡初始化過程是網絡中的傳感器節點與sink節點通信，將自身的基本信息如位置信息和剩余能量等信息發送給sink節點并且由sink節點保存的過程。算法在真實網絡環境中的部署和運行方法簡述如下：網絡中的傳感器節點周期性地采集環境信息，并且將信息發送給sink節點，由sink節點完成相似性提取和簇頭選舉，并且將簇頭選舉結果發送給所有傳感器節點，傳感器節點根據所選簇頭調用成簇算法完成簇結構的構建；相似性提取子算法基于相鄰的傳感器節點間存在的時空相關性［15］，通過使用Kohonen神經網絡提取節點采集數據的相似性；最優簇頭選舉子算法基于節點間的數據相似性、節點的剩余能量和節點間距離設計了一種加權目標函數，根據所設計的目標函數使用PSO算法來進行迭代尋優，找到最優的簇頭集合；成簇子算法根據所得到的簇頭集合，使網絡中非簇頭節點通過計算所設計的goal函數選擇最優的簇頭加入，從而構建簇結構。

2.2網絡初始化

在網絡初始化階段，網絡中所有的傳感器節點需要跟sink節點通信，發送自身的位置信息和剩余能量等信息給sink節點，并且由sink節點存儲所有的傳感器節點的信息。 網絡初始化之后，所有的傳感器節點都能夠與sink節點建立連接，維持正常的通信。

2.3相似性提取子算法

在無線傳感網中，相鄰節點所采集數據的變化趨勢是一致的，但是網絡中的不同區域所采集數據的變化程度是不同的。因此可以通過測量節點間采集數據的相似性去除冗余的節點，從而降低網絡能耗，提高網絡壽命。但是在現有技術中，大多沒有考慮提取節點間的數據相似性來去除冗余數據，本文所選用的Kohonen神經網絡在學習算法上模擬生物神經元之間的興奮、協調與抑制、競爭作用的信息處理的動力學原理來指導網絡的學習與工作，能夠很好地提取節點間的數據相似性。Kohonen神經網絡的拓撲結構如圖3所示。

Kohonen神經網絡是結構包含輸入層和輸出層的兩層前饋神經網絡。網絡的第一層為輸入層，輸入層的神經元個數與輸入向量的維度一致，取輸入層節點的個數為m；網絡的第二層為輸出層（競爭層），輸出層的節點呈二維陣列分布，取輸出層節點的個數為n。輸入與輸出節點間以可變權值全連接，連接權值為ωij（i=1，2，…，m；j=1，2，…，n）。基于Kohonen神經網絡實現相似性測量的過程如算法1所示。

算法1基于Kohonen神經網絡實現相似性測量

輸入：所有傳感器節點采集數據的集合S1={X1，X2，…，Xp}。

輸出：分類結果。

for每個Xq∈S1 do

對Xq進行最大最小歸一化Xq，并將Xq放入集合S2中；

end for

初始化網絡，初始化權值ωij；

for g=1，2，…，G1max do

for每個輸入向量Xq∈S2 do

for每個競爭神經元j do

計算每個輸入向量與競爭神經元之間的歐幾里德距離dj，距離最小的神經元為獲勝神經元；

end for

獲取獲勝神經元在競爭神經元中的位置；

計算學習速率和領域半徑，找出獲勝神經元的領域內神經元，并且更新權值；

end for

end for

在算法1中，g表示當前迭代次數。網絡迭代的過程中，需要不斷地更新學習速率和領域半徑，從而找到獲勝神經元的領域內神經元，并且調整網絡權值。學習速率和領域半徑的更新公式如下所示：

R=Rmax-gG1max×（Rmax-Rmin）（4）

r=rmax-gG1max×（rmax-rmin）（5）

其中：R為網絡的學習速率；r為網絡的領域半徑；Rmax和Rmin分別表示學習速率的最大值和最小值。

根據獲勝神經元位置和領域半徑找出相應的神經元，并且更新權值。具體公式如式（6）（7）所示。

I=find（dist（［d1，d2］，λ′）lt;r）（6）

wi，I（t）=wi，I（t）+R×（xi-wi，I（t））（7）

其中：1≤i≤m；I為獲勝神經元的領域內神經元在競爭層中的位置索引；t為領域內神經元的數量；dist（）為歐幾里德距離計算函數；find（）為查詢函數；λ為競爭層神經元排序矩陣。在每一次迭代的開始階段都需要判斷當前的迭代次數是否大于設置的最大迭代次數，如果是則結束訓練，否則繼續進行迭代。

網絡通過不斷地訓練，各神經元的連接權值具有了一定的分布，使得輸入數據之間具有的相似性通過神經元的分布體現出來，具體表現為同類神經元具有相近的權值，不同類的神經元之間的權值差別較大。因此能輕易地得出輸入數據的相似性提取結果。

2.4最優簇頭選舉子算法

現有的簇頭選舉算法大多是根據節點的局部信息來進行簇頭選舉，而不考慮整個網絡的節點分布，這樣的算法會使簇頭分布不均勻，從而導致簇結構大小和位置分布不均勻，產生更大的能耗。本文提出了加權目標函數粒子群優化（weighted objective function particle swarm optimization，WOFPSO）算法。該算法基于節點間數據相似性和距離以及節點的剩余能量設計了一種加權適應度函數。PSO算法基于該適應度函數來進行迭代尋優，從而選舉出最優的簇頭集合。WOFPSO算法的實現過程如算法2所示。

算法2WOFPSO最優簇頭選舉算法

輸入：所有傳感器節點的位置信息、剩余能量和相似性信息。

輸出：簇頭選舉結果。

初始化參數配置；

for 每個粒子P do

初始化每個簇頭的x坐標和x方向的速度，初始化每個簇頭的y坐標和y方向的速度；

end for

for b=1，2，…，G2max do

for每個粒子P do

計算粒子P中每個簇頭的加權目標函數值，將粒子P中所有簇頭的加權目標函數值相加，得到粒子P的目標函數值；

更新粒子P中每個簇頭的x和y方向的速度以及粒子P中的每個簇頭的x和y坐標，并且更新個體最優粒子和全局最優粒子；

end for

得到當前輪數最優粒子中所有簇頭的x和y坐標所組成的集合；

end for

根據最大輪數時最優粒子中所有簇頭的x和y坐標所組成的集合給出最優簇頭選舉結果。

在算法的初始階段進行參數的初始化配置，之后需要隨機產生粒子種群。本文中每個粒子都表示簇頭選擇的完整解決方案，粒子種群可以由式（8）表示。

pop=P1P2PM=p1，1p1，2…p1，L

p2，1p2，2…p2，L

pM，1pM，2…pM，L（8）

其中：M表示種群規模；L表示簇頭數；在迭代尋優的過程中，pu，v代表包含簇頭位置坐標的二元組。

對于初始化之后的每個粒子P需要計算其目標函數值。粒子根據計算得到的局部最優和全局最優目標函數值來迭代尋優，從而給出最終的簇頭選擇，因此目標函數的設計至關重要。

在無線傳感網中，網絡能耗主要是由節點間的信息傳輸產生，因此降低簇內節點與簇頭節點、簇頭節點與sink節點的距離能夠降低網絡能耗。同時，將具有數據相似性的節點分到一個簇中，能夠通過去除冗余數據來減小簇內傳輸的數據包數量從而降低能耗。由于簇頭需要收集所有簇內節點的信息，并且將信息發送給sink節點，所以需要選擇剩余能量高的節點作為簇頭來提高網絡壽命。為此，本文設計了基于節點采集數據的相似性信息、節點間的距離以及節點剩余能量的加權目標函數。

根據節點采集數據的相似性信息，本文設計了f1函數，該函數由當前節點通信范圍內與當前節點具有數據相似性的節點比例以及網絡中與當前節點具有數據相似性的節點數量兩個部分組成。f1函數如式（9）所示。

f1=∑Lj=1（（1-NjcolNall）+1Njcol）（9）

其中：j表示所選簇頭節點ID；Nall表示所選簇頭節點通信范圍內的節點總數；Njcol表示在所選簇頭節點通信范圍內與其具有數據相似性的節點總數。

根據節點間的距離，本文設計了f2函數，該函數主要考慮簇頭節點通信范圍內的節點與簇頭節點的距離與簇頭節點到sink節點的距離，為了進行加權，對這兩個元素進行歸一化。f2函數如式（10）所示。

f2=∑Lj=1（1kj（∑kji=1dis2（si，CHj）R21）+dis2（CHj，sink）R22）（10）

其中：i表示所選簇頭節點通信范圍內的非簇頭節點ID；j表示所選簇頭節點ID；L表示簇頭節點總數；kj表示所選簇頭節點通信范圍內的節點總數；si表示所選簇頭節點通信范圍內的非簇頭節點；CHj表示ID為j的簇頭節點；R1表示傳感器節點的通信范圍；R2表示sink節點的通信范圍。

根據節點的剩余能量，本文設計了f3函數，該函數主要考慮簇頭節點的剩余能量。f3函數如式（11）所示，其中Eres表示當前節點的剩余能量。

f3=1∑Lj=1Eres（CHj）（11）

綜上所述，本文所設計的加權目標函數是由上述f1、f2和f3函數的加權求和得到的，具體表達式為

FCH=ωCH1×f1+ωCH2×f2+ωCH3×f3（12）

其中：ωCH1、ωCH2和ωCH3分別表示f1、f2和f3函數的加權系數，并且ωCH1+ωCH2+ωCH3=1。在簇頭選擇過程中，粒子中的每個簇頭計算其加權目標函數值FCH，將粒子中所有簇頭節點的加權目標函數值FCH相加得到粒子的目標函數值F，通過選擇函數值最小的粒子來得到個體最優粒子和全局最優粒子。在不斷的迭代過程中，更新粒子中每個簇頭x和y方向的速度以及x和y坐標。粒子中所有簇頭x方向的速度所組成的集合的更新表達式如式（13）所示。粒子中所有簇頭y方向的速度所組成的集合的更新表達式與x方向的速度所組成的集合的更新表達式類似，在此不再贅述。

vi，x（t+1）=vi，x（t）+c1×rand（）×（XPbesti，x-Xi，x）+

c2×rand（）×（XGbesti，x-Xi，x）（13）

其中：i表示粒子編號；x表示粒子中每個簇頭的x方向；vi，x（t）表示粒子i中所有簇頭更新前x方向的速度所組成的集合；vi，x（t+1）表示粒子i中所有簇頭更新后x方向的速度所組成的集合；c1和c2是學習因子；rand（）表示（0，1）的隨機數；XPbesti，x表示當前粒子的個體最優粒子中所有簇頭的x坐標所組成的集合；XGbesti，x表示全局最優粒子中所有簇頭的x坐標所組成的集合；Xi，x表示當前粒子中所有簇頭的x坐標所組成的集合。

粒子中每個簇頭根據更新后的x方向和y方向的速度來更新自身的x和y坐標，粒子中所有簇頭x坐標所組成的集合的更新表達式如式（14）所示。粒子中所有簇頭y坐標所組成的集合的更新表達式與x坐標所組成的集合的更新表達式類似，在此不再贅述。

Xi，x（t+1）=Xi，x（t）+vi，x（t+1）（14）

其中：Xi，x（t+1）表示粒子i中所有簇頭更新后的x坐標所組成的集合；Xi，x（t）表示粒子i中所有簇頭更新前的x坐標所組成的集合。

在每一輪的迭代之后，找出當前輪數最優粒子中每個簇頭的x和y坐標，當達到最大迭代次數時，就能得到最大輪數時最優粒子中每個簇頭的x和y坐標，從而給出簇頭的選舉結果。

2.5成簇子算法

在得到簇頭選舉結果后，網絡中的非簇頭節點需要選擇加入最佳的簇。成簇過程中為了降低能耗，非簇頭節點需要考慮與簇頭節點間的距離，選擇加入距離最近的簇頭節點所在的簇，并且如果能夠將盡可能多的具有數據相似性的節點分到一個簇中，就可以通過去除冗余數據來進一步降低網絡能耗。本文定義了goal函數，該函數綜合考慮了簇內節點間的數據相似性以及非簇頭節點到簇頭節點間的距離。goal函數為

goal（i，j） = μCM1nicolnjall+μCM2R21dis2（i，CHj）（15）

其中：i表示非簇頭節點ID；j表示簇頭節點ID；nicol表示簇頭節點j所在的簇中與節點i具有數據相似性的節點總數；niall表示簇頭節點j所在的簇中的節點總數；R1表示傳感器節點的通信范圍；dis（i，CHj）表示節點i與簇頭節點j之間的距離；μCM1和μCM2表示加權系數，并且μCM1+μCM2=1。

網絡中的非簇頭節點通過計算goal函數值選擇函數值最高的簇加入。根據上述算法，所建立的簇結構具有簇內節點間的距離更近、簇內具有數據相似性的節點數量更多的特點，使得網絡能耗更低。

3仿真結果與分析

本章將在MATLAB平臺上對本文所提出的SC-WFFPSO協議進行仿真，并與PSO-ECHS協議［12］、WK-means協議［13］和LEACH協議［10］在網絡總能量能耗、網絡壽命和網絡吞吐量三個方面的仿真結果進行比較分析。

3.1仿真環境與參數設置

本文假設網絡中的傳感器節點隨機部署在200×200 m2的網絡中，網絡中節點的初始能量為3 J。為了多方面地驗證本文所提協議的有效性，本文設置了兩個場景來進行仿真分析。其中，場景1的sink節點的坐標為（100，100），網絡中傳感器節點的數量為200；場景2的sink節點的坐標為（0，0），網絡中傳感器節點的數量為200。針對式（12）（15）的參數設置，本文進行了多次實驗，實驗結果表明，當ωCH1=0.3、ωCH2=0.4、ωCH3=0.3時，所選簇頭能夠均勻地分布在網絡中，并且所選簇頭通信范圍內的節點間采集數據的相似度較高，能夠取得較好的簇頭選舉結果。同時，當μCM1=0.5且μCM2=0.5時，網絡中的非簇頭節點能夠選擇距離較近且簇內相似度較高的簇頭加入，這樣形成的簇結構能夠降低網絡能耗，提高網絡壽命。其余參數設置如表1所示。

3.2仿真結果分析

3.2.1網絡壽命

網絡壽命可以分為穩態壽命和網絡總壽命，其中，穩態壽命通常指的是網絡從部署到第一個節點死亡所經歷的時間；網絡總壽命通常指的是網絡從部署到最后一個節點死亡所經歷的時間。由于無線傳感網是密集部署的網絡，個別冗余節點的死亡不影響網絡的整體壽命，所以本文將從網絡部署到死亡節點個數為網絡中總節點個數的10%所經歷的時間作為穩態壽命。

根據上述分析，本節分別使用SC-WFFPSO、WK-means、PSO-ECHS和LEACH協議在3.1節所設置的網絡環境中進行了仿真。圖4為上述四種協議在場景1、2下網絡壽命的仿真結果。由圖4可知，在場景1中，與PSO-ECHS協議相比，使用SC-WOFPSO協議能夠使穩態壽命延長62.92%，能夠使網絡總壽命延長49.97%；與WK-means協議相比，SC-WOFPSO協議能夠使穩態壽命延長37.49%，網絡總壽命延長19.33%；與LEACH協議相比，SC-WOFPSO協議能夠使穩態壽命延長81.05%，網絡總壽命延長76.60%。在場景2中，與PSO-ECHS協議相比，SC-WOFPSO協議能夠使穩態壽命延長112.44%，網絡總壽命延長49.93%；與WK-means協議相比， SC-WOFPSO協議能夠使穩態壽命延長74.13%，網絡總壽命延長18.13%；與LEACH協議相比，SC-WOFPSO協議能夠使穩態壽命延長112.44%，網絡總壽命延長73.88%。

3.2.2網絡總能量消耗

圖5為分別使用SC-WFFPSO協議、WK-means協議、PSO-ECHS協議和LEACH協議在場景1、2下，當網絡處于穩態時網絡總能量消耗方面的仿真結果。

由圖5可知，當網絡處于穩態時，SC-WOFPSO協議能夠有效地降低網絡能耗。在場景1中，SC-WOFPSO協議與WK-means協議相比，網絡總能量消耗降低了11.33%；與PSO-ECHS協議相比，SC-WOFPSO協議的網絡總能量消耗降低了14.91%；與LEACH協議相比，SC-WOFPSO協議的網絡總能量消耗降低了10.88%。在場景2中，與WK-means協議相比，使用SC-WOFPSO協議能夠使網絡總能量消耗降低37.71%；與PSO-ECHS協議相比，SC-WOFPSO協議能夠使網絡總能量消耗降低45.32%；與LEACH協議相比，SC-WOFPSO協議能夠使網絡總能量消耗降低39.64%。

3.2.3網絡吞吐量

圖6為分別使用SC-WFFPSO協議、WK-means協議、PSO-ECHS協議和LEACH協議在場景1、2下網絡吞吐量方面的仿真結果。

由圖6可知，SC-WOFPSO協議能夠很好地提高網絡吞吐量。在場景1中，與WK-means協議相比，SC-WOFPSO協議使得網絡吞吐量提高了25.81%；與PSO-ECHS協議相比，網絡吞吐量提高了59.07%；與LEACH協議相比，網絡吞吐量提高了84.46%。在場景2中，與WK-means協議相比，SC-WOFPSO協議使得網絡吞吐量提高了31.54%；與PSO-ECHS協議相比，網絡吞吐量提高了69.00%；與LEACH協議相比，網絡吞吐量提高了90.49%。

4結束語

本文提出了一種基于時空相關加權目標函數粒子群優化算法的分簇協議（SC-WOFPSO）。協議通過使用Kohonen神經網絡提取了節點間的數據相似性，并且基于節點間的數據相似性和節點間距離使用WOFPSO算法進行了節點分簇，網絡中的節點根據成簇算法選擇加入最優的簇。通過使用本文所提協議，網絡中形成了多個簇結構，在這些簇結構中，幾乎所有的簇頭都位于簇中心，簇內節點間具有較高的數據相似性，并且網絡中的非簇頭節點都被分到了附近的簇中。在數據傳輸的過程中，非簇頭節點與簇頭節點間的距離相對較短，并且基于節點間的數據相似性能夠有效地去除冗余數據，從而降低網絡中傳輸的數據包數量，達到降低網絡能耗的目的。經過仿真驗證，本文所提協議與WK-means、PSO-ECHS和LEACH協議相比能夠有效降低網絡能耗、提高網絡壽命、提高網絡吞吐量。

參考文獻：

［1］衛嵐寧，林海，王磊.基于改進近鄰傳播算法的無線傳感網分簇與節能［J］.計算機應用與軟件，2018，35（5）：196-201.（Wei Lanning，Lin Hai，Wang Lei.Wireless sensor network clustering and energy saving based on improved affinity propagation［J］.Computer Applications and Software，2018，35（5）：196-201.）

［2］Cao Li，Cai Yong，Yue Yinggao，et al.A novel data fusion strategy based on extreme learning machine optimized by bat algorithm for mobile heterogeneous wireless sensor networks［J］.IEEE Access，2020，8：16057-16072.

［3］潘玉蘭，劉廣聰.一種能量高效的無線傳感網分簇路由算法［J］.計算機應用研究，2020，37（9）：2827-2830，2843.（Pan Yulan，Liu Guangcong.Energy-efficient clustering routing algorithm for wireless sensor network［J］.Application Research of Computers，2020，37（9）：2827-2830，2843.）

［4］Jan S R U，Jan M A，Khan R，et al.An energy-efficient and congestion control data-driven approach for cluster-based sensor network［J］.Mobile Networks amp; Applications，2019，24（4）：1295-1305.

［5］李良，吳念，王崢，等.適用于智能間隔棒的雙集群無線傳感網高效節能分簇算法［J］.電子技術與軟件工程，2021（4）：35-38.（Li Liang，Wu Nian，Wang Zheng，et al.Energy efficient clustering algorithm for dual cluster wireless sensor networks suitable for intelligent spacer［J］.Electronic Technology amp; Software Engineering，2021（4）：35-38.）

［6］Mittal N，Singh S，Singh U，et al.Trust-aware energy-efficient stable clustering approach using fuzzy type-2 cuckoo search optimization algorithm for wireless sensor networks［J］.Wireless Networks，2021，27（1）：151-174.

［7］Alarifi A，Tolba A.Optimizing the network energy of cloud assisted Internet of Things by using the adaptive neural learning approach in wireless sensor networks［J］.Computers in Industry，2019，106（4）：133-141.

［8］Wang Jin，Gao Yu，Liu Wei，et al.An intelligent data gathering schema with data fusion supported for mobile sink in wireless sensor networks［J］.International Journal of Distributed Sensor Networks，2019，15（3）：15501477198.

［9］Rawat P，Chauhan S，Priyadarshi R.Energy-efficient clusterhead selection scheme in heterogeneous wireless sensor network［J］.Journal of Circuits，Systems and Computers，2020，29（13）：2050204.

［10］Heinzelman W R，Chandrakasan A，Balakrishnan H.Energy-efficient communication protocol for wireless microsensor networks［C］//Proc of the 33rd Annual Hawaii International Conference on System Sciences.Washington DC：IEEE Computer Society，2000.

［11］Younis O，Fahmy S.HEED：a hybrid，energy-efficient，distributed clustering approach for Ad hoc sensor networks［J］.IEEE Trans on Mobile Computing，2004，3（4）：366-379.

［12］Rao P C S，Jana P K，Banka H.A particle swarm optimization based energy efficient cluster head selection algorithm for wireless sensor networks［J］.Wireless Networks，2017，23（10）：2005-2020.

［13］Zhang Licui，Wang Pengcheng，Zhang Chunxia.SC-EEDC：similarity based clustering for energy efficient data collection in WSN［J］.Wireless Personal Communications，2021，117（3）：655-687.

［14］Abdel-Wahab M，Essa K S M，Embaby M，et al.Some characteristic parameters of Gaussian plume model［J］.MAUSAM，2012，63（1）：123-128.

［15］張譽凡.無線傳感網中基于壓縮感知的數據收集算法研究［D］.西安：西安電子科技大學，2020.（Zhang Yufan.Research on data collection algorithm based on compressed sensing in wireless sensor networks［D］.Xi’an：Xidian University，2020.）

收稿日期：2021-09-29；修回日期：2021-11-26基金項目：國家自然科學基金資助項目（61671011，61771299）

作者簡介：趙遠亮（1997-），男，山西晉城人，碩士研究生，主要研究方向為無線傳感器網絡；王濤（1980-），男（通信作者），湖北武漢人，教授，博導，博士，主要研究方向為高能效無線通信和信號處理系統的優化設計等（twang@shu.edu.cn）；李平（1993-），男，浙江臺州人，博士研究生，主要研究方向為模式識別；吳雅婷（1984-），女，江西撫州人，副教授，碩導，博士，主要研究方向為無線通信與光通信融合；孫彥贊（1982-），男，山東滕州人，副教授，碩導，博士，主要研究方向為物聯網技術、體域網技術及LTE-A異構網絡中的干擾協調技術；王瑞（1982-），男，山西運城人，教授，博導，博士，主要研究方向為無線傳感器網絡、幾何代數和多媒體信號處理.