基于改进鲸鱼算法的无线传感器网络能耗优化.pdf

第 41 卷 第 4 期2023 年 8 月石河子大学学报(自然科学版)Journal of Shihezi University(Natural Science)Vol.41 No.4Aug.2023收稿日期:2023-02-10 基金项目:河北省科技重大专项项目(22282203Z-01)作者简介:郑爱云(1971),女,副教授,从事物联网技术应用方向的研究。通信作者:刘伟民(1974),男,副教授,从事工业物联网技术应用方向的研究,e-mail:lzhjia 。DOI:10.13880/ki.65-1174/n.2023.23.023文章编号:1007-7383(2023)04-0519-10基于改进鲸鱼算法的无线传感器网络能耗优化郑爱云,张震,刘伟民,郑直(华北理工大学机械工程学院,河北 唐山 063210)摘要:k-means 聚类算法和鲸鱼算法(WOA)在应用于无线传感器网络(WSNs)时,k-means 算法存在需要准确输入聚类数目的问题,WOA 存在易陷入局部最优解的问题导致簇首(CH)表现不佳,而二者延长 WSNs 寿命的效果不明显。为了解决上述问题,提出 K-SAWOA-PSO 来延长网络寿命。首先,使用改进 k-means 聚类算法划分网络,使簇内节点的数量保持在合理范畴内;其次,使用模拟退火策略改进 WOA,结合簇内间隙、节点剩余能量寻找 CH;最后,基于上述结果,采用正态分布衰减惯性权重改进粒子群算法(PSO)来寻找辅助节点,利用 2 种节点联合优化网络能耗。结果证明:与 3 种路由协议、PSO 和 WOA 相比,K-SAWOA-PSO 将网络中出现 1%节点死亡的轮数分别提升了约 6.47%、10.1%、21.3%、7.46%和 23.4%,将 出现 25%节 点死 亡 的 轮 数 分 别 提 高 了 约 38.9%、116.7%、121.8%、55.2%和 9.5%。关键词:无线传感器网络;k-means 算法;鲸鱼算法;粒子群算法;能耗中图分类号:TP393文献标志码:AEnergy consumption optimization of wireless sensor networks based on improved whale optimization algorithmZHENG Aiyun,ZHANG Zhen,LIU Weimin,ZHENG Zhi(College of Mechanical Engineering,North China University of Science and Technology,Tangshan,Hebei 063210,China)Abstract:When k-means and whale optimization algorithm(WOA)were applied to wireless sensor networks(WSNs),k-means has the problem that the number of clusters needs to be accurately input,and WOA has the problem that it is easy to fall into the local opti-mal solution,which leads to the poor performance of network cluster head(CH).However,the effect of both algorithms on prolong the life of WSNs was not obvious.In order to solve the above problems,the K-SAWOA-PSO algorithm was proposed to extend the network lifetime.Firstly,the improved k-means was used to divide the network,so that the number of nodes in the cluster was kept within a reasonable category.Secondly,the simulated annealing strategy was utilized to improve WOA,and the CH was found by combining the gap in the cluster and the residual energy of nodes.Finally,based on the above results,the particle swarm optimization(PSO)was improved by using normal distribution attenuation inertia weight to find assistant nodes.The two types of nodes were applied to jointly optimize the network energy consumption.The results show that:Compared with three widely used routing protocols,PSO and WOA,The number of rounds of 1%dead node is increased in the network by 6.47%,10.1%,21.3%,7.46%and 23.4%respectively by K-SAWOA-PSO.The number of rounds with 25%node death is increased in the network by about 38.9%,116.7%,121.8%,55.2%and 9.5%,respectively.Key words:wireless sensor networks;k-means algorithm;whale optimization algorithm;particle swarm optimization;energy consumption近年来,绿色低碳的观念深入人心,以物联网(Internet of Things,IOT)助力碳中和,已经成为发展中国家绿色发展的大势所趋,而无线传感器网络(Wireless Sensor Networks,WSNs)作为 IOT 的关键,被广泛应用于医疗、家居、农业、预测救援等各行各业1-3。WSNs 经常被部署于复杂环境中,节点能量难以补充,所以能量成为制约其发展的主要因素之一。启发式算法是 1 种解决全局优化问题的常用方法,对于优化网络能耗十分有效,例如 Tang 等4提出 1 种基于模拟退火(Simulated Annealing,SA)算520 石河子大学学报(自然科学版)第 41 卷法的高效资源分配策略,结合多目标资源分配模型,用来降低网络能耗;Tabibi 等5提出 1 种基于粒子群算法(Particle Swarm Optimization,PSO)的方法来选择网络中的最优交汇点,从而增强了网络的性能。对于一些新提出的算法,如 2015 年提出的帝王蝶优化(Monarch Butterfly Optimization,MBO)算法,其结构简单,参数根据蝴蝶在各地活动的月数来确定,在一定程度上优于其他算法中均匀对称的参数。但 MBO 在某些特定测试中存在收敛速度慢的问题,针对此问题 Wang 等6在 MBO 中引入自适应交叉算子,在后期提高算法的种群多样性,并通过贪婪策略仅选择更好适应度的个体用来传递给下一代,从而加速算法收敛。哈里斯鹰(Harris Hawks Optimizer,HHO)算法的提出,受到哈里斯鹰群体捕食行为的启发,其主要分为探索和开发 2 种阶段,其开发状态根据猎物的状态又分为 4 种策略进行局部搜索,在多种测试中该算法表现出强大的寻优能力,但是其算法过程十分复杂,存在易于早熟收敛、寻优精度差的缺点。Houssein 等7利用 HHO 算法来解决大规模网络下汇聚节点难以确定的问题,从而成功降低网络能耗。饥饿游戏搜索(Hunger Games Search,HGS)算法,具有结构简单、易于实现、高效特点,但也存在易陷入局部最优解和收敛速度慢的问题。针对此问题,张大明等8受到平衡优化器算法的启发,提出 1种动态更新策略增强 HGS 的全局搜索能力,并对其种群实施基于莱维飞行的变异操作,从而增强 HGS跳出局部最优解的能力;Yang 等9针对水下 WSNs的能耗问题,提出 1 种黑猩猩优化和 HGS 混合算法,用于聚类和构建路由过程,从而成功优化网络能耗。聚类方法可以有效降低网络能耗10-12,其将网络划分为多个簇,通过簇首(Cluster Head,CH)来接收成员节点的数据,但随机选取的 CH 会带有不确定性和不均匀性13,为了进行合理的聚类得到 CH,国内外学者利用聚类方法和启发式算法对 WSNs 能耗问题进行了相当多的研究。在国内,王宗山等14利用人工蜂群和模糊 C 均值(Fuzzy C-Means,FCM)算法结合的方式对网络进行聚类,从而选出 CH,再利用改进蚁群算法得到传输的最佳路由,降低了传输代价;余修武等15使用 FCM 算法来对网络进行聚类,并利用萤火虫算法对其进行优化,根据能量和距离得到 CH,从而成功降低网络能耗。而在国外,Heidari 等16提出了 1 种基于鲸鱼算法(Whale Opti-mization Algorithm,WOA)的路由协议,其采用 WOA根据能量级别、CH 到其他节点的距离和能量来对网络进行聚类,并根据距离和能量准则来选择 CH,最终降低传输能耗;Hu 等17提出了 1 种基于亲和力和混沌狮子优化算法,首先利用亲和力传播构造聚类拓扑,并根据能量和距离形成初始聚类,其次使用狮子算法寻找最优 CH,最后利用混沌映射优化算法的收敛速度,从而延长了网络寿命。k-means 算法作为聚类中的经典的算法,多年以来被学者广泛应用,但是其需要在聚类前确定聚类数目,因此,贾瑞玉等18将 1 种确定初始中心的方法和聚类有效性标准进行结合,从而提出 1 种确定聚类数的方法;Fahim 等19提出在 k-means 开始前,使用 1 种基于密度的方法获得初始聚类,不再需要确定聚类数。WOA 虽然具有原理简单且参数少的优点,但也存在跳出局部最优解能力差的缺点,于是在 WSNs领域,许多学者对其进行改进研究。Xiao 等20采用1 种新的克隆算子和基于离散的二进制编码方式来改进 WOA,从而降低了网络能耗;赵锋等21利用WOA 来选取 CH,并利用天牛须搜索算法来避免WOA 陷入局部最优解,从而延长了网络寿命。将 k-means 算法和 WOA 用来解决 WSNs 中的能耗问题,其效果并不理想,所以提出 1 种新的方法在解决 k-means 和 WOA 缺点的同时,对 WSNs 的能耗问题进行优化是十分有必要的。针对上述问题,本文提出 K-SAWOA-PSO 方法,该方法可以很好的解决 k-means 和 WOA 算法中难以确定的分簇数量和跳出局部最优解能力较差的问题,此方法从以下4 个方面进行改进:(1)通过簇内节点标准阈值和三分簇方法使 k-means 算法不再需要确定聚类数,进而使网络聚类更加合理;(2)使用模拟退火策略改进 WOA 来选择 CH,增强 WOA 跳出局部最优解的能力;(3)利用 k-means 中寻找到的聚类中心替换 WOA 中的超界种群,提 高 WOA 的寻优能力;(4)PSO 算法寻找合适位置的辅助节点用来减少CH 的传输距离,从而降低能耗。通过对网络生命周期、节点死亡情况和网络剩余能量进行分析,结果表明经 K-SAWOA-PSO 优化后的网络在减少传输能耗方面具有有效性。1 资料与方法1.1WSN 模型1.1.1模型设定模型设定于 FF 的范围内,并将 N 个传感器节第 4 期郑爱云,等:基于改进鲸鱼算法的无线传感器网络能耗优化521 点随机部署于该 区域,且设置 BS 的 位置在(50,110)处,并且当节点被判定为死亡时,节点剩余能量并不为零,而是处于较低的水平不能正常工作。现对传感器节点进行如下假设:(1)同型同构;(2)唯一身份 ID;(3)不可移动;(4)能量有限,而基站能量无穷;(5)单跳传输。1.1.2能耗模型网络通信能量消耗模型表达式如下:ETX=aEelec+afsd2,d d0;aEelec+ampd4,d d0。(1)d0=fsmp。(2)式中 ETX为数据发送能量消耗,a 为数据量,Eelec表示每 bit 数据接收或发送消耗的能量,fs为自由空间放大电路参数,mp为多路径衰减空间放大电路参数,d0为阈值,d 为传输距离。接收数据能量消耗表达如下ERX=a Eelec。(3)现对该模型中的能耗计算进行说明,对于普通节点与 CH 节点之间的能耗计算,要根据两者之间的距离来确定能耗计算公式,能耗公式如式(1)所示;CH 节点接收能耗计算如式(3)所示;CH 节点发送能耗计算如式(1)所示;CH 节点中的数据处理的能耗,使用数据融合 Eda 进行计算。1.2k-means 聚类原理假设样本集合 YB=yb1,yb2,yb3,yb5存在 5 个样本,每个样本存 在 2 个 参 数 特 征,ybj=ybj 1,ybj 2,随机选定 h 个样本 Centre=Centre1,Centre2,Centreh作为初始中心点。dis(ybj,Centrew)=(ybj 1-Centrew1)2+(ybj2-Centrew2)2,(4)YS=hsh=1cyclu(cy-Centreh)。(5)式中 Centrew为选定的某一样本;cy 为与 Centreh相对应的簇内样本。首先,随机选择初始点为聚类中心;其次,使用公式(4)计算样本点与聚类中心的距离,根据结果形成聚类簇;最后,聚类中心不再改变或到达迭代次数停止,其约束函数如公式(5)所示。1.3SA 策略原理SA 策略因其可以在概率下使当前最优个体能够接受一个比自己差的解,所以在一定情况下可以跳出局部最优解。本文利用此特性根据 SA 中的Metropolis 准则,计算接受次解的概率,并根据每次迭代更新温度,从而控制产生的概率。1.4WOA 算法原理WOA 因为具有强大的寻优能力,且参数易于调控,所以受到研究界学者们的广泛关注。(1)包围阶段被包围对象的位置通常为最优解的位置,而此阶段目的就是使鲸鱼个体不断在搜索空间逼近最优解,其位置更新如下所示。A=|CD(t)-D(t)|,(6)D(t+1)=D(t)-BA,(7)B=2br-b,(8)C=2r。(9)式中 A 为 D(t)与当前鲸鱼之间的距离;D(t+1)表示第 t+1 次迭代的位置;D(t)为当前最好的位置;t 为目前的迭代次数;B 和 C 为系数变量;b 随迭代的增加而线性减少从 2 到 0;r 为 0 至 1 间的随机值。(2)狩猎阶段在此阶段鲸鱼以螺旋的方式逼近被包围对象,其表达式如下所示。A=|D(t)-D(t)|,(10)D(t+1)=D(t)+Aeglcos(2l)。(11)式中 A表示当前鲸鱼到当前最优解的距离;g和 l 分别为影响螺旋线形状的常数和-1 至 1 之间的随机值。鲸鱼在以螺旋方式更新位置时也要减少与最优解间的距离,所以以概率的形式来确定是螺旋更新位置还是减少与最优解间的距离,本文此概率为50%,此阶段的数学模型表达如下所示。D(t+1)=D(t)+Aeglcos(2l),p 0.5;D(t)-BA,p 0.5。(12)式中 p 为 0 至 1 间的随机值。(3)搜寻阶段为了更好的得到最优解,鲸鱼需要扩大搜索范围,所以采用随机选择鲸鱼来指导其他鲸鱼的方式来更新位置。A=|CDrand(t)-D(t)|,(13)D(t+1)=Drand(t)-BA。(14)式中 Drand(t)为选择到的随机鲸鱼位置。1.5PSO 算法原理PSO 是 1 种以鸟群觅食为原型的启发式算法,其中每一个粒子都是 1 组解,PSO 通过控制粒子的飞行来寻找最优解。522 石河子大学学报(自然科学版)第 41 卷粒子的位置和速度更新如下所示。Xqm=Xq-1m+Vq-1m,(15)Vqm=Vq-1m+c1r1(pbestq-1-Xq-1m)+c2r2(gbestq-1-Xq-1m)。(16)式中 Xqm表示第 m 个粒子第 q 代的位置;Vqm表示第 m 个粒子第 q 代的速度;为惯性权重;c1和 c2为学习因子;r1和 r2为0,1之间的随机值;pbest 为个体最优解;gbest 为全局最优解。1.6算法改进1.6.1改进 k-meansk-means 聚类在用于 WSNs 时,需要提前确定聚类数,而聚类数对于网络能耗十分重要,在聚类数不确定时,可能造成额外的能量消耗。以二分 k-means22为启发,将每次聚类由二分簇改为三分簇。这是因为在簇内节点阈值约束下三分簇更加不易分簇,不会使簇内节点过少,而对于单簇内节点数量过多的情况下,对其进行聚类更易接近簇内节点标准阈值。在每次使用 k-means 聚类时根据簇内节点标准阈值对聚类对象进行三分簇,直至分簇对象不可再分,从而得到聚类结果。改进 k-means 不再需要设定固定分类数目,使节点数量合理分配成簇,减少网络能耗,改进 k-means 流程如图 1 所示。图 1改进 k-means 流程图由于低能量自适应聚类分层(Low-Energy A-daptive Clustering Hierarchy,LEACH)协议常设置成为 CH 概率为 10%,在 100 个节点的情况下,理论上CH 的数量为 10 个,则在均衡的角度,簇内节点标准阈值为 10。1.6.2改进 WOA(1)改进采用 SA 策略来改善 WOA 跳出局部最优解能力差的问题,并且对于超出界限的种群个体利用改进 k-means 方法中生成的聚类中心来更新,从而使超界种群恢复为正常种群,并且更利于找到全局最优解,改进 WOA 的具体流程如图 2 所示。图 2改进 WOA 流程图SA 策略中接受次解的概率表达如式(17)所示,温度如式(18)所示。PSA=1expfch(t+1)-fch(t)T(),(17)T=T0。(18)式中 fch(t)为第 t 次迭代式(21)的适应度值;T为 SA 策略中的温度参数;T0为初始温度;为温度衰减因子,设为 0.96。(2)选择 CH从减少簇间能量消耗和节点剩余能量的角度出发,将式(19)与式(20)进行归一化处理得到式(21)作为改进 WOA 选择 CH 的目标函数。f1=1hsn-1hsnx=1Dis(SNX,CH),(19)f2=hsnx=1ES(x)EC(ch),(20)f3=uf1+(1-u)f2。(21)式中 hsn为簇内普通节点总数;Dis(SNX,CH)表示簇内非 CH 节点到 CH 的距离;ES(x)表示节点第 4 期郑爱云,等:基于改进鲸鱼算法的无线传感器网络能耗优化523 剩余能量;EC(ch)为 CH 的剩余能量;u 为0,1间的常数。1.6.3改进 PSO(1)惯性权重改进惯性权重 可以影响 PSO 的搜索能力,采用基于正态分布衰减惯性权重23来调节,表达式如下所示。=min+(max-min)12 e-(It/Itmax)222。(22)式中 max=0.9;min=0.4;=0.443 3;It 为迭代次数;Itmax为最大迭代次数。(2)选择辅助节点辅助节点(Assistant Nodes,AN)的作用是用来降低 CH 向 BS 传输数据时的能耗,在此阶段使用改进PSO 来寻找 AN,并以 AN 与 CH 间的距离和 AN 与 BS之间的距离作为目标函数,其数学表达式如下所示。f4=kv=1Dis(CHv,ANv),(23)f5=kv=1Dis(ANv,BS),(24)f6=pf4+(1-p)f5。(25)式中 k 为簇的数量;Dis(CHv,ANv)为 CH 到AN 的距离;Dis(ANv,BS)为 AN 到 BS 的距离;p 为0 到 1 间的常数。1.7K-SAWOA-PSO 方法本文所提的 K-SAWOA-PSO 方法主要由以下 3个阶段组成:(1)使用改进 k-means 聚类算法,使网络被合理划分,簇内节点数量合理,CH 的能量消耗不会过量,保证了 CH 的工作时长;(2)根据聚类结果,改进 WOA 以簇内间隙和节点剩余能量为目标,建立目标函数最终找到 CH;(3)改进 PSO 基于上述结果将 AN 到 CH 间的距离和 AN 到 BS 间的距离作为目标函数,从而找到 1 组合适的 AN 来减少 CH的能量消耗,算法流程如图 3 所示。图 3K-SAWOA-PSO 流程本文所提出的 K-SAWOA-PSO 方法的伪代码如表 1 所示。表 1K-SAWOA-PSO 伪代码K-SAWOA-PSO 算法Begin/分簇阶段 Zone=sensorsXY/输入节点信息 While 1/三分簇+k-means newZone=;flag=0;for i=1 to length(Zone)domaxZone=三分簇下最小数 ifmaxZone =1 newZone=newZone;Zonei end ifflag=1;k-means(Zonei,maxZone);/分簇 if 分簇结果簇内节点标准阈值 flag=0;重新归属节点 end if 保存聚类结果至 newZone end for i if flag=0 break;elseZone=newZone;end if end WhileEndBegin /SAWOA 阶段寻找簇首输入 Zone 聚类结果初始化鲸鱼参数、SA 初始温度、SA 种群等While t最大迭代/t=0 for i=1 to Max_iter 检查鲸鱼种群是否超界 if 超界 聚类中心更新超界种群 end if 式(19)、(20)、(21)计算适应度值寻找最佳 式(19)、(20)、(21)计算 SA 种群适应度值 if WOA 适应度值随机值 更新 SA 种群 else 返回计算 WOA 适应度值阶段 end if 式(18)更新温度 T,计算 B、C if 随机值=1 式(13)、(14)更新 WOA 种群 else 式(6)、(7)更新 WOA 种群 end if else 式(10)、(11)更新 WOA 种群524 石河子大学学报(自然科学版)第 41 卷表1(续)K-SAWOA-PSO 算法end ifend for i t=t+1输出 SA 最优解作为簇首 end WhileEndBegin/PSO 寻找辅助节点初始化设置,输入簇首式(23)、(24)、(25)计算粒子适应度值寻找适应度最小的粒子作为 gbest for d=1 to 迭代次数 式(22)更新惯性权重 for i=1 to 粒子数式(15)、(16)更新粒子的位置和速度 调整超界粒子 式(23)、(24)、(25)重新计算适应度 寻找最小适应度值的粒子赋值 gbest end for i 更新 gbest end for dEnd输出辅助节点复杂度是用来衡量算法优劣的标准之一,分为时间复杂度和空间复杂度,对于当前计算机性能的提高,空间复杂度似乎不是那么重要了,所以本文仅对时间复杂度进行分析,本文时间复杂度如表 2所示。表 2算法时间复杂度名称时间复杂度PSOO(ItmaxPs)WOAO(Wstmaxdw)k-meansO(Msdktk1/10Nf)表中 Nf为节点数;Itmax为 PSO 最大迭代次数;Ps 为 PSO 的粒子数;Ws 为鲸鱼规模;tmax为 WOA的最大迭代次数;dw 为 WOA 中鲸鱼的空间维度;Ms 为样本个数;dk 为维数;tk 为迭代次数。对于本文算法 K-SAWOA-PSO 的时间复杂度,其主要由改进 k-means、改进 WOA 和改进 PSO 所决定。改进 k-means 与 k-means 的复杂度差别不大,所以改进 k-means 的复杂度仍为 O(Msdktk1/10Nf)。改进 PSO 的复杂度与惯性权重无关,其复杂度仍为 O(ItmaxPs)。对于改进 WOA 而言,由于在 WOA 中加入了 SA 策略,寻找最优解的能力得到了提升,所以 tmax减小,改进 WOA 的复杂度应小于 O(Wstmax dw),K-SAWOA-PSO 的复杂度O=O(Msdktk1/10Nf)+O(ItmaxPs)+O(Wstmaxdw)O(Msdktk1/10Nf),在此复杂度中除 Nf外皆为定量,所以 K-SAWOA-PSO 的时间复杂度为 O(Nf),由复杂度可知 K-SAWOA-PSO 性能较优。2 结果与分析为了验证 K-SAWOA-PSO 的有效性,决定采用网络生命周期、节点死亡情况、网络剩余能量 3 个衡量标准进行验证。2.1数据传输方式及实验设计仿真阶段的数据传输方式如下:如图 4 所示,在网络建立开始,簇内节点已知簇内 CH 位置,再将数据传输给 CH,此时 CH 将数据进行聚合,减少冗余,再将数据发送给 AN 来减少自身到 BS 的距离,最后 AN 将数据发送给 BS。如果普通节点距离 BS 较近,可直接发送数据到 BS。图 4数据传输方式由图 5 所示,使用改进 WOA 通过簇内距离和剩余能量因素得到 CH,而 CH 在左上区域分布较为稀疏,在其他部分较为均匀,这是因为在选 CH 时考虑了节点的剩余能量,并且左上部区域离基站较近,直接传输给 BS 更为合理。使用改进 PSO 得到的 AN 的分布主要在中上部区域,AN 对于 BS 和 CH 来说相当于中继节点作用,所以 AN 的分布主要处于 CH 与 BS 之间,这样有利于减少数据传输距离。CH 和 AN 的分布情况体现了使用改进 WOA 和改进 PSO 的合理性。图 5节点分布图第 4 期郑爱云,等:基于改进鲸鱼算法的无线传感器网络能耗优化525 实验设计:为验证 K-SAWOA-PSO 的有效性,通过与传感器信息采集系统节能收集(Power-Efficient Gathering in Sensor Information Systems,PEGASIS)、低能量中心自适应聚类分层(Low-Energy Adaptive Clustering Hierarchy-Central,LEACH-C)、LEACH、PSO和WOA 进行对比。实验条件如表 3 所示。表 3实验条件设定参数名称取值网络分布区域100 m 100 m普通节点数量100BS 位置(50,110)网络总能量50 J数据包大小4 000 bit数据融合 Eda5 nJ bit-1Eelec50 nJ bit-1fs10 pJ/bit/m2mp0.001 3 pJ/bit/m4本文算法中出现的符号说明如表 4 所示。表 4符号说明参数名称解释AD(t)与当前鲸鱼间的距离A当前鲸鱼到最优解的距离a数据量B鲸鱼系数变量b线性减少从 2 到 0Centrewk-means 中的某一样本cyCentreh对应的簇内样本c1PSO 学习因子c2PSO 学习因子D(t+1)第 t+1 次迭代的位置D(t)鲸鱼当前最好的位置Dis(ANv,BS)AN 到 BS 的距离Dis(CHv,ANv)CH 到 AN 的距离Dis(SNX,CH)普通节点到 CH 的距离Drand(t)随机鲸鱼位置d传输距离d0传输阈值EC(ch)CH 的剩余能量Eelec50 nJ bit-1ERX接收数据能量消耗ES(x)节点剩余能量ETX发送数据能量消耗fch(t)第 t 次迭代式(18)适应度值g螺旋线形状的常数gbestPSO 全局最优解hsn簇内普通节点总数ItPSO 迭代次数k簇的数量表4(续)参数名称解释l-1 至 1 之间的随机值p0 至 1 间的随机值pbestPSO 个体最优解r0 至 1 间的随机值r10 至 1 间的随机值r20 至 1 间的随机值T0SA 初始温度t鲸鱼的迭代次数u0 至 1 间的常数Vqm第 m 个粒子第 q 代的速度Xqm第 m 个粒子第 q 代的位置温度衰减因子,设为 0.96PSO 的惯性权重0.4433为了使仿真结果更具有说服性,将本文算法和对比算法进行了多次仿真,多次仿真结果如图 6所示。图 6多次仿真结果本文计算出多次仿真结果的平均值,并选择最靠近平均值的仿真结果作为最终的对比。2.2网络生命周期对比由图 7 所示,将 K-SAWOA-PSO 应用于 WSN 模型中,可以看到网络在 800 轮左右开始出现死亡节点,而 使 用 PEGASIS、LEACH-C、LEACH、PSO 和WOA 的网络模型开始出现死亡节点大约在 750、730、660、650 和 750 轮,经 K-SAWOA-PSO 优化后的网络模型在 2000 轮左右节点全部死亡,而使用 PE-GASIS、LEACH-C、LEACH、PSO 和 WOA 的网络模型在大约 1 200、900、870、1 300 和 1 950 轮节点全部死亡。对图 7 结果进行分析,由于 LEACH 算法中 CH的选取是随机的,并且没有考虑节点的剩余能量,可能会出现某能量过低的节点成为 CH,最终影响到网络生命周期。LEACH-C 则在 LEACH 的基础上考526 石河子大学学报(自然科学版)第 41 卷图 7生命周期对比虑了节点的能量因素,其表现要好于 LEACH 算法。对于 PEGASIS 算法采用链的方式来传输数据,这样可以缩短传输距离,从而减少能耗,但在构建链的动态过程中,会造成额外的能量消耗。对于 PSO 算法的表现稍逊色于 PEGASIS,这是因为 PSO 在寻找CH 的过程中可能陷入了局部最优解,从而导致 CH的选择并非最优解,使得簇内能耗增大,而 WOA 算法寻优能力要强于 PSO,其找到的 CH 可以很好的减少簇内能耗。本文提出的 K-SAWOA-PSO 充分考虑了节点剩余能量和簇内间隙,并且使用 SA 策略来提高算法跳出局部最优解的能力,使用 k-means算法中的聚类中心替换超界种群提高算法的寻优能力,所以 K-SAWOA-PSO 的表现强于其余几种算法。2.3 节点死亡情况对比由图 8 所示,使用 K-SAWOA-PSO 的网络模型出现 1%死亡节点在 806 轮,25%节点死亡在 1 615轮,50%节 点 死 亡 在 1 933 轮,100%节 点 死 亡 在1 978 轮,而经 PEGASIS、LEACH-C、LEACH、PSO 和WOA 优化过的网络模型开始出现死亡节点分别在757、732、664、653 和 750 轮,25%节点死亡分别在1 162、745、728、1 040 和 1 475 轮,50%节点死亡分别在 1 178、748、752、1 054 和 1 789 轮,节点 100%死亡分别在 1 190、893、877、1 303 和 1 928 轮。图 8节点死亡情况对比由上述可知,使用 K-SAWOA-PSO 优化过的网络模型在死亡节点数 1%、25%、50%、100%这 4 个阶段的表现均优于其余 5 种算法优化过的模型,这是因为 K-SAWOA-PSO 采用 AN 节点缩短了 CH 的传输距离,降低了 CH 的能量消耗。K-SAWOA-PSO和 WOA 使网络出现死亡节点的轮数在此 4 个阶段呈逐步上升的趋势,并随死亡节点数的增加而逐渐平缓,而使用其余 4 种算法优化的网络模型在死亡节点出现的轮数方面,上升趋势不明显,更多的是趋于平缓,缓慢上升,表明 K-SAWOA-PSO 更加高效。2.4网络能量消耗对比由图 9 所示,经 PEGASIS、LEACH-C、LEACH 和PSO 算法优化过的网络模型,其剩余能量的下降趋势十分迅速,而与 K-SAWOA-PSO 和 WOA 对应的网络模型,其剩余能量的下降趋势相对较平缓。图 9网络能量消耗对比由上述可知,经 K-SAWOA-PSO 优化过的网络模型,其能耗得到了有效降低,这是因为在选取 CH时综合考虑了簇内距离和节点剩余能量,并且 AN的存在对于减少传输能耗也起着重要作用。3 结论k-means 聚 类 算 法 易 使 无 线 传 感 器 网 络(WSNs)分簇不稳定,导致簇内能耗过大;同时,鲸鱼算法(WOA)易陷入局部最优解,导致簇首(CH)选择不合理而消耗更多的能量。针对上述问题,对k-means 聚类和 WOA 进行改进,以优化 WSNs 当中的聚类和 CH 选择,形成 K-SAWOA-PSO 新方法,并得到以下结论:(1)使用改进 k-means 算法对网络进行聚类,解决了传统 k-means 中需要设定指定聚类数的问题,从而使网络分簇更加合理。(2)应用模拟退火策略来改善 WOA 跳出局部最优解的能力,使用聚类中心用来更新 WOA 中的第 4 期郑爱云,等:基于改进鲸鱼算法的无线传感器网络能耗优化527 超界个体,可以更加贴近簇间距离,从而增强 WOA后期的局部搜索能力,与 WOA 相比,经 K-SAWOA-PSO 优化过的网络模型在 1%、25%、50%和 100%节点死亡 的 轮 数 分 别 提 高 了 7.46%、9.5%、8%和2.6%。(3)利 用 k-means 算 法 中 的 聚 类 中 心 替 换WOA 中的超界种群,提升 WOA 算法的寻优能力。(4)CH 和辅助节点的存在可以提高网络寿命,与 PEGASIS、LEACH-C、LEACH、PSO 和 WOA 相比,经 K-SAWOA-PSO 优化过的网络模型,将出现1%节点 死 亡 的 迭 代 轮 数 分 别 提 高 了 约 6.47%、10.1%、21.3%、7.46%和 23.4%,而在 25%节点死亡的轮次分别提高了约 38.9%、116.7%、121.8%、55.2%和 9.5%,由此可见 K-SAWOA-PSO 对延长网络周期更有效。仿真结果表明,本文算法和其他算法相比,在延长网络寿命方面具有一定优势,但本文并没有考虑网络延迟问题,对于后续的研究,如何将网络能耗与延迟问题进行共同优化是一个重要的研究方向。参考文献(References)1 AR-REYOUCHI E,GHOUMID K,AR-REYOUCHI D,et al.Protocol wireless medical sensor networks in Iot for the efficiency of healthcare J.IEEE Internet of Things Journal,2022,9(13):10693-10704.2 CUI Y,ZHANG L J,HOU Y M,et al.Design of intel-ligent home pension service platform based on machine learning and wireless sensor networkJ.Journal of In-telligent&Fuzzy Systems,2021,40(2):2529-2540.3 GHEISARI M,YARAZIZ M S,ALZUBI J A,et al.An efficient cluster head selection for wireless sensor net-work-based smart agriculture systems J.Computers and Electronics in Agriculture,2022,198:107105.4 TANG M Q,XIN Y L,QIAO Y.Multi-objective re-source allocation algori