面向結構健康監測WSNs的ACPSO-LEACH協議

摘 要：針對建筑結構健康監測（SHM）場景中無線傳感器網絡（WSNs）的能耗優化與生命周期拓展問題進行了深入研究。針對LEACH協議在能量調度和簇首選取策略上的局限性，提出了一種創新的ACPSO-LEACH融合算法，該算法能夠將自適應混沌粒子群優化方法與細粒度簇首更新機制相結合，系統地考慮節點間傳輸距離、剩余能量分配以及公平的簇首選擇原則，旨在實現網絡能耗的高效均衡分布并顯著延長網絡的整體運行壽命。利用MATLAB仿真平臺對一階無線電能消耗模型及實際構建的SHM-WSN網絡模型進行實驗驗證，實驗結果表明，所提出的ACPSO-LEACH優化協議在提升監測效能和節能效果方面展現出了優越性能。

關鍵詞：建筑結構健康監測；PSO算法；無線傳感器網絡；LEACH協議；混沌序列；能耗優化

中圖分類號：TP929.5 文獻標識碼：A 文章編號：2095-1302（2025）05-00-06

0 引 言

建筑安全對于民眾福祉及社會穩定具有深遠影響。近年來，國內外發生的一系列觸目驚心的建筑物坍塌事件揭示出：構件潛在損傷的檢測不及時以及監測手段的局限性是引發這類悲劇的重要原因[1-3]。建筑結構健康監測（Structural Health Monitoring， SHM）通過對建筑物進行實時的監測與分析，能夠有效地控制建筑結構在運行中可能出現的微小變動和潛在的安全風險。然而，SHM的關鍵是要構建性能均衡、節能高效的無線傳感器網絡（Wireless Sensor Networks， WSNs）。因此，在確保網絡穩定運行的前提下，如何平衡傳感器網絡以及各個節點的能量消耗進行網絡協議優化，對大規模SHM部署有很大參考意義。圖1所示為典型SHM平臺中所采用的網絡模型實例，直觀地展現了這一集成化監測體系的內在構造與運作機制。本文聚焦層次路由協議的優化研究，以應對這一領域內持續且深入的探討需求[4]。

近些年，相關領域的研究成果不斷涌現，文獻[5]利用改進后的K-means聚類方法對網絡進行初期分簇，并通過模糊層次綜合評價（FAHP）進一步提升簇首選擇的有效性，從而有效解決了能耗問題并延長了網絡生存周期[6]；文獻[7]則采用FCM聚類算法優化簇首分布均勻性；文獻[8]創新性地改良布谷鳥搜索算法，引入節點離散度作為選取簇首的重要因子，并結合節點剩余能量，實現了簇首節點的高效選擇[9]；文獻[10]推導出最優簇首比例，并運用粒子群優化算法（PSO）優化簇首生成過程；文獻[11]將PSO與改進后的蟻群算法（ACO）相結合，提出一種混合啟發式數據融合協議HHDAP，顯著提升了協議性能。

然而，面對能耗控制、網絡生命周期延長以及節點存活率提升等挑戰，應用需求的復雜性日漸增加，傳統優化算法不再能夠滿足這些需求。基于此，本文提出一種新型融合策略，將自適應混沌粒子群算法與引入了簇首更新機制的LEACH相結合。這種方法旨在克服局部最優陷阱，同時促使LEACH協議實現更優的簇首選擇，力求在降低傳輸能耗的同時大幅度提高網絡的整體效能[12]。

1 能耗模型與網絡模型建立

1.1 基于LEACH的能耗模型

本文采用如圖2所示的能耗模型。圖中接收端的能耗指無線電設備從開啟到數據解碼完成所需的能量。發送端能耗包含節點在發送數據過程中無線電設備運行的基本功耗及天線輻射等步驟的能耗。

隨著傳輸距離的增大，尤其是當其超過某一特定閾值時，節點的能耗將呈現明顯的指數級增長趨勢。為了管理能耗，應保持各節點通信距離小于閾值，以此應對遠程通信導致能源消耗急劇上升的問題。同時，在實施網絡部署和優化過程中，還應充分考慮各節點的實際剩余能量狀況。

1.2 網絡模型

本文以建筑結構健康監測系統作為平臺展開研究。在整個網絡體系中，各個節點均被賦予相同的初始能量儲備，一旦能量耗盡，則視為此節點將失效或者“死亡”，為模擬和評估網絡壽命奠定基礎。為了保障各傳感器節點之間的信息傳輸獨立性及可追溯性，本文為每個節點都提供了特殊且獨一無二的標識符（ID）。考慮到網絡整體效能的一致性與穩定性，所有WSN節點在計算處理能力方面保持一致。傳感器節點遵循隨機部署準則，且為了適應實際應用環境的需求，這些信息節點在部署完畢后其位置將不再發生改變。這一策略遵循實際場景中的布設要求，同時又有利于模擬不同部署環境下網絡性能的變化規律，為后續優化WSN架構與協議提供科學依據。

2 改進型ACPSO-LEACH協議

傳統粒子群優化算法（PSO）在面對較為復雜的優化問題時，會出現陷入局部最優解的問題。為克服這一局限性，引入了混沌理論的隨機性和遍歷性特點，通過將粒子的搜索軌跡進行混沌化處理，有效地拓寬了搜索空間，還全面提升了全局尋優的能力并有效降低了陷入局部最優陷阱的風險。同時，對LEACH協議中的簇首選擇策略進行了針對性改進，充分考慮了節點的能量消耗和與其他節點間的傳輸距離等因素。這種改進使得簇首的選擇更加均衡且節能，能夠更合理地分配網絡資源，從而使整個無線傳感器的生存期大幅度延長[13]。簡而言之，改進型ACPSO-LEACH算法既充分利用了混沌優化的優越特性以增強全局尋優能力，又結合了能量感知的簇首更新策略來優化網絡性能，實現了建筑結構健康監測系統中WSN能耗的有效管理和壽命的極大提升。

2.1 引入簇首更新的LEACH改進

LEACH通信過程包括簇構造與數傳階段。涉及多個相關環節，如簇首選舉、廣播通知、簇結構形成和數據調度機制等[14-16]。在每一輪開始時隨機生成0到1的概率值。若該節點生成的概率值小于預先設定的閾值，則此節點將在本輪中被選為簇首節點。這一過程在每一輪迭代中重復進行，直到所有節點都有至少一次機會成為簇首。LEACH協議通過隨機選擇的方式使各節點有相對均衡的機會成為簇首。T（n）公式如下：

在改進后的簇首更新公式中，摒棄了單純隨機選取簇首的方式，轉而在決策過程中加入節點間的距離及剩余能量因素。這一策略旨在確保簇首節點的選擇更加合理且節能，同時降低了因為隨機性所導致的能耗不均和網絡性能下降問題的出現概率。在新的計算公式中，通過引入與節點間的距離及節點能量相關的參數，同時借助于特定調節比例因子η的設定，可以精確且細致地控制簇首選擇的優先級和權重分配，從而在滿足通信效率的同時優化能源利用，并延長了無線傳感器網絡運行周期，提升了穩定性。

2.2 PSO優化算法

標準PSO是在PSO研究的基礎上進行的改進，其特點是借助速度和位置來定位搜索的距離和方向，且速度更新時引入了慣性系數ω。本文引入標準粒子群算法，原始更新公式如下：

2.3 自適應慣性權重

在粒子群算法的速度更新過程中對慣性權重ω進行優化調整。在初始階段，為了增強算法的全局探索能力，需要先設置一個較大的初始慣性權重值；而在搜索后期，則逐步傾向于強化局部尋優性能。在速度更新公式中引入了一個動態調整的自適應慣性權重ω：

2.4 適應度方差設定

為了衡量粒子群的聚集程度和多樣性，本文采用群體適應度方差來解決此問題。設fi為粒子群中第i個粒子的當前適應度值，favg為當前狀態下的適應度平均值，σ2為群體適應度方差。

2.5 基于Tent映射的混沌序列

混沌序列以其內在的持續無規律性和非線性特性，為優化算法提供高效的隨機搜索工具。在混沌優化方法中，Logistic映射被廣泛應用。其表達式為：

2.6 改進ACPSO優化算法步驟

3 仿真實驗與性能分析

3.1 仿真參數設置

為了驗證本文所提出的改進協議在實際應用中的效果，借助MATLAB仿真平臺開展了詳盡的模擬實驗。實驗設計將原始LEACH協議、其增強版LEACH-E、LEACH-CUTOUT變種，以及PSO-LEACH算法與本文提出的改進型ACPSO-LEACH協議進行了比較。在對比評估中，包含整個網絡生命周期內的能耗總和、節點剩余能量的偏差值、節點存活數量等指標。具體的各項參數配置見表1。

3.2 實驗結果與分析

實驗結果表明，在仿真過程中，改進型ACPSO-LEACH協議相較于傳統的LEACH、LEACH-E、LEACH-CUTOUT以及PSO-LEACH協議，在多個關鍵性能指標上表現出了顯著的優化效果。具體體現在：節點能耗得到大幅降低（如圖3所示），存活節點數量有所增加（如圖4所示），網絡吞吐量也實現了顯著提升（如圖5所示）。在同樣的運行環境下，采用改進ACPSO-LEACH協議的網絡整體能耗更低，同時保持了更高的節點生存率和更優的傳輸效率。

通過引入簇首更新策略和自適應混沌粒子群算法的改進措施，改善效果顯著并且可以有效地延長其生命周期。分析原因如下：改進后的協議中融入了簇首更新機制，該機制充分考慮了各個節點的實際能耗狀況和剩余能量水平，這樣可確保如果每個節點成為簇首的話，其概率會更加均衡且節能，并且提高了整個網絡的穩定性。對粒子群算法進行了創新性改良，引入了自適應權重和混沌序列。在搜索初期階段，加大了對全局范圍內的探索力度，而在后期則側重于對局部最優解的精細化搜尋。本文采用Tent映射的混沌序列的分布比較均勻，并且具有隨機性，從而有助于降低粒子群在尋優過程中過早收斂的可能性。

4 結構健康監測WSNs模型仿真驗證

本研究選取了一座高層醫院的其中一層的實際建筑數據作為模型參照。該樓層建筑面積超過2 000 m2，內部部署了全方位的環境監測系統，包括但不限于溫濕度、PM2.5濃度以及光照強度感應器等。此外，本案例中采用了某單位開發的SHM平臺進行建筑物結構健康狀況的監測。為了方便本文的模擬和分析，將上述監測手段做合理簡化分類：將與環境相關的監測節點統一劃分為“普通信息節點”，其負責收集傳統的環境參數；而針對建筑結構狀態進行監測的節點則被定義為“結構健康監測（SHM）信息節點”。圖6所示為某超高層建筑信息點位分布圖，其中圖上各個點位為結構健康監測節點及普通信息節點。

從圖6中可以看出，在實際建筑中，普通信息點位的布置位置基本呈現均勻分布；但結構健康監測的節點基本都分布在墻體連接處或是墻體應變程度較大的位置，由于各墻受力情況均有所不同，其整體節點分布具有隨機性。

為驗證所提出的改進ACPSO-LEACH協議的適用性，在MATLAB軟件環境中進行了模擬實驗。實驗布置共計200個節點，其中包含了100個按均勻規律分布的普通信息節點以及100個根據實際受力情況隨機布局的結構健康監測節點。結合網絡模型，運用改進型自適應混沌粒子群優化算法（ACPSO-LEACH）對構建的無線傳感器網絡進行處理。經過算法優化后，生成了新的節點分布模擬結果，如圖7所示。其中深灰色表示普通信息節點，黑色代表結構健康監測節點，展現了兩種不同類型的節點的分布格局。

圖8所示為各個節點在成簇過程中的具體情況，清楚地展現了通過改進ACPSO-LEACH算法動態更新后的簇首節點分布狀況，較為直觀地驗證了該算法在復雜節點分布場景下的性能優勢。

圖9所示為基于所構建模型的五種不同協議在生存周期方面的對比分析。與其他四種算法進行比較，可以看到應用了改進型ACPSO-LEACH協議的無線傳感器網絡生命周期顯著延長。實驗結果表明，在優化網絡資源分配方面，改進后的協議很大程度延長了整個網絡系統的運行壽命；同時在實際工程應用層面，對于設計和部署高耐久性的無線傳感器網絡來說，這樣的改進具有實踐指導意義。

5 結 語

本文對LEACH路由協議進行了創新性改進，采用了優化過的ACPSO算法。這一改進的ACPSO-LEACH融合了自適應權重策略與混沌序列機制，并且融入了節點簇首更新原則。通過這種方法，不僅能夠在充分考慮簇首節點剩余能量的基礎上實現動態更新，還能引導尋優過程向全局最優方向發展，降低簇間通信的能量消耗的同時，還提升了節點的存活率，進而顯著延長了整個無線傳感器網絡的生存周期。

參考文獻

[1]李棟.面向超高層建筑結構健康監測的WSNs研究與設計[D] .西安：長安大學，2020.

[2] TONG Y. Research and improvement of energy balance in wireless sensor network based on LEACH [J]. Journal of physics： conference series， 2021， 1738（1）： 012077.

[3]吳天俊.高層建筑結構健康監測的研究與應用 [J].工程建設與設計， 2020（24）： 22-23.

[4] SUN H， PAN D. Research on optimisation of energy efficient routing protocol based on LEACH [J]. International journal of ad hoc and ubiquitous computing， 2022， 41（2）： 92-107.

[5]賈惠麗，范訓禮，呂艷峰.能量高效的無線傳感器網絡分簇路由協議[J].傳感器與微系統，2018，37（8）：116-119.

[6] ELSAYED A， SHARAF M. MA-LEACH： energy efficient routing protocol for WSNs using particle swarm optimization and mobile aggregator [J]. International journal of computer networks and applications， 2018， 5（1）： 1-8.

[7] 趙立新，董朝賢，趙麗.基于FCM聚類的WSN加權概率簇首選擇算法[J].控制工程，2019， 26（6）： 1211-1215.

[8] 包天悅，高劍飛，王永詠，等.基于動態布谷鳥算法的無線傳感網能量優化方法研究[J].自動化與儀器儀表，2022（9）：22-25.

[9] EINAVI P S， REZA J. A new energy aware cluster head selection for LEACH in wireless sensor networks [J]. IET wireless sensor systems， 2021， 11（1）： 45-53.

[10]張德晶. 無線傳感器網絡節能分簇路由算法研究[D].西安：長安大學，2020.

[11]田思琪. 基于粒子群—蟻群算法的無線傳感網絡路由協議研究[D].長春：長春理工大學， 2018.

[12] LIANG Z X， FAN Y Y， YI Y F. Routing algorithm for wireless sensor network based on GA-LEACH [C]// Proceedings of the 11th International Conference on Computer Engineering and Networks（CENet2021）PartII. Hechi， Guangxi， China： [s.n.]， 2021： 166-178.

[13] DU Y， ZHANG Z ， LI Y， et al. Research on edge nodes of substation auxiliary services based on an improved LEACH protocol [J]. Electric power systems research， 2022， 210.

[14] 陳朕浩. 無線傳感器網絡層次型分簇路由協議的研究[D].贛州：江西理工大學，2019.

[15] MAHAK K， ANIL V， NIKHIL M. LEACH based hybrid energy efficient routing algorithm for dynamic cognitive radio networks [J]. Measurement： sensors， 2022， 24.

[16] 鄧斯宇. 基于LEACH協議的優化簇首選擇和平衡網絡能量的研究[D]. 上海：上海師范大學，2018.