技术领域
[0001] 本
发明属于无线
传感器网络领域，具体涉及一种基于空间压缩的簇头优化选举算法。
背景技术
[0002]
无线传感器网络在监测、管理等多种智能服务中，发挥着越来越重要的作用，目前无线传感器网络已经应用于多个领域，其中包括军事、工业、环境监测以及医疗服务等。利用
压缩感知(Compressed Sensing，CS)技术挖掘无线传感器网络传输
信号空间相关性。而CS技术的应用前提要求原始采集信号在某些域内具有一定相关性，限制了CS技术的应用范围。
[0003] 对于簇头选举方式来说，由于传统的研究内容是从减少数据传输量的
角度出发，而忽略了网络自身的结构问题。从网络结构的角度，传统的簇头选举方案采用循环的方法平均网络能耗，但簇头的选择均为随机选择，其中每个感知
节点成为簇头的概率均相同。在完成一定的循环次数后，剩余
能量较多的感知节点与剩余能量较少的感知节点仍然具有相同的概率当选为簇头。若剩余能量较少的节点当选为簇头，则会
加速该节点的死亡，同时也影响网络的可靠性，缩短了网络生命周期。不仅如此，传统的簇头选举方案也无法保证簇头的
位置，簇的规模不受控制。
[0004] 为了有效的减少网络的能量消耗，实现对簇分布的有效控制，延长网络的生命周期，本方案考虑将压缩感知技术与簇头选举方式的优化技术结合在一起。
发明内容
[0005] 本发明的目的在于减少网络的能量消耗，实现对簇分布的有效控制，提出一种基于空间压缩的簇头优化选举算法，通过引入能量与距离两种约束参数优化无线传感器网络簇头选举方法，并且深入挖掘感知数据的空间相关性，实现网络中的簇头分布相对均匀以及进一步延长网络生命周期，解决簇头节点随机选举影响网络可靠性的技术问题。
[0006] 本发明采用如下技术方案，一种基于空间压缩的簇头优化选举算法，将N个感知节点随机散布在一个正方形的区域内，汇聚(sink)节点位于整个网络的正中心，传感器网络进入循环运行，每次循环运行包括以下步骤：
[0007] 1)簇的建立：利用粒子群算法优化簇头选举算法，通过优化的簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；
[0008] 2)数据传输：将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；
[0009] 3)数据重构：sink节点对数据进行实时重建。
[0010] 优选地，所述步骤1)中感知节点确
定位置后将包含感知节点剩余能量与位置信息的数据包LM发送至sink节点，sink节点得到感知节点传输数据所消耗的能量ECM和感知节点与sink节点之间的距离di-sink，在sink节点中执行优化的簇头选举算法搜索簇头节点的最佳位置，并将簇头节点的最佳位置向全网络广播。
[0011] 优选地，搜索簇头节点的最佳位置具体步骤为：
[0012] 11)初始化S个粒子，每个粒子包含K个随机的簇头节点；
[0013] 12)计算第i个感知节点与粒子p中簇头节点k的距离 并将第i个感知节点分配到距离最近的簇头节点；
[0014] 13)计算目标函数值cos t及适应值，并进行
迭代；
[0015] cos t＝β1f1+β2f2+β3f3
[0016]
[0017]
[0018]
[0019] 其中，f1代表簇内感知节点与簇头节点的距离适应值；f2代表簇头节点的能量适应值；f3代表簇头节点与sink节点的距离适应值；β1，β2，β3为各适应值函数的权重系数，β1+β2+β3＝1；Cp，k表示粒子p中簇Ck，|Cp，k|表示粒子p中簇Ck所拥有的感知节点数量，CHp，k表示粒子p中的簇头节点k，ni表示第i个感知节点，E(ni)表示第i个感知节点的剩余能量，E(CHp，k)表示粒子p中的簇头节点k的剩余能量，N表示感知节点的数量， 表示粒子p中簇头节点k与sink节点间的距离；
[0020] 14)确定每个粒子的个体最优簇头组位置Pj＝(pj1，pj2，…，pjd)以及全局最优簇头组位置Po＝(po1，po2，…pod)，更新每个粒子速度vjd与位置ljd，
[0021] vjd＝αvjd+c1r1(pjd-ljd)+c2r2(pod-ljd)
[0022] ljd＝ljd+vjd
[0023] 其中，第j个粒子的位置向量表示为lj＝(lj1，lj2，…ljd)，ljd为d维空间中第j个粒子的位置向量，第j个粒子的个体最优簇头组位置即为第j个粒子经历过的最佳位置Pj＝(pj1，pj2，…，pjd)，pjd为d维空间中第j个粒子经历过的最佳位置，全局最优簇头组位置即为所有粒子中经历过的最佳位置Po＝(po1，po2，…pod)，pod为d维空间中所有粒子中经历过的最佳位置，第j个粒子的飞行速度为Vj＝(vj1，vj2，…，vjd)，j＝1，2，…S，vjd为d维空间中第j个粒子的飞行速度，α为惯性权重，r1与r2是0～1间的随机数，c1与c2为加速系数；
[0024] 若粒子所处位置没有簇头节点，则将粒子移动至最近的簇头节点，即粒子的位置向量中存在位置分量不在节点位置，则将粒子的位置向量中相应的位置分量设置为最近的节点位置；
[0025] 15)重复步骤12)至步骤14)，直至最大迭代次数，计算出全局最优簇头组位置，即最优的K个簇头节点位置。
[0026] 优选地，所有感知节点的剩余能量基于一阶无线通信模型，具体为：
[0027] 发送数据的能量消耗ET为：
[0028]
[0029] 接收数据的能量消耗ER为：
[0030] ER＝(ERX+EDA)×L
[0031] 其中，L为数据包长度，ETX为传输数据时每比特的能量消耗，ERX为接收数据时每比特的能量消耗，ERX的值与ETX的值相等，Efs为自由空间模型下每比特的能量消耗，Emp为多径模型下每比特的能量消耗，Efs与Emp均为固定常数，EDA为数据融合的能量消耗，dnode表示两个感知节点间的距离，dthreshold为距离
阈值。
[0032] 优选地，所述步骤2)具体步骤为：
[0033] 21)簇Ck∈{1，2，...，K}包含n个感知节点，每个感知节点在t个时隙内采集t个数据，簇Ck中感知节点i在t时隙内采集的感知数据xk，i并传输至簇头节点k，簇头节点k接收到所有簇内感知节点发送的感知数据xk，
[0034] xk，i＝[xk，i1 xk，i2 xk，i3 ... xk，it]T
[0035] 其中，xk，i1xk，i2xk，i3和xk，it分别表示簇Ck内的感知节点i在时隙1、时隙2、时隙3以及时隙t采集的感知数据；
[0036] xk＝[xk，1 xk，2 xk，3 ... xk，n]
[0037] 其中，xk，1 xk，2 xk，3和xk，n分别表示簇Ck内的感知节点1、感知节点2、感知节点3以及感知节点n在t时隙内采集的感知数据；
[0038] x′k，j＝[xk，1j xk，2j xk，3j ... xk，nj]T
[0039] 其中，x′k，j，j∈{1，2，...，t}表示在簇Ck内所有感知节点在同一时隙j采集的感知数据，xk，1j xk，2j xk，3j和xk，nj分别表示簇Ck内感知节点1、感知节点2、感知节点3以及感知节点n在时隙j采集的感知数据；
[0040] 22)采用m×n阶
观测矩阵Φ对矩阵x′k进行
空域压缩，矩阵x′k为感知数据xk的转置矩阵，矩阵x′k被压缩为m×t的矩阵yk∈Rm×t，yk为空间压缩数据；
[0041] 23)簇头节点k将空间压缩数据yk传输至sink节点。
[0042] 优选地，采用m×n阶观测矩阵Φ对矩阵x′k进行空域压缩具体为，
[0043] yk＝Φ·x′k
[0044] ＝Φ·[x′k，1 x′k，2 x′k，3 ... x′k，t]
[0045] ＝Φ·Ψ·[θk，1 θk，2 θk，3 ... θk，t]
[0046] ＝Φ·Ψ·θk＝Θ·θk
[0047] ＝[yk，1 yk，2 yk，3 … yk，t]
[0048] 其中，Φ为独立零均值的高斯矩阵，Ψ∈Rn×n为给定矩阵，x′k，j＝Ψθk，j；θk，j∈Rn为系数列向量，yk，1 yk，2 yk，3和yk，t分别表示簇Ck内所有感知节点在时刻1、时刻2、时刻3以及时刻t的压缩数据。
[0049] 优选地，所述步骤3)中采用压缩
采样匹配追踪算法进行数据重建
[0050] 发明所达到的有益效果：本发明提出一种基于空间压缩的簇头优化选举算法，优化无线传感器网络簇头选举方法，并且深入挖掘感知数据的空间相关性，实现网络中的簇头分布相对均匀以及进一步延长网络生命周期，解决簇头节点随机选举影响网络可靠性的技术问题；本发明通过定义多个适应值函数确定最优的簇头位置，有效地控制了簇的规模并使簇头的分布更加合理；利用sink节点能量不受限且计算能
力较强的优势，在sink节点执行簇头选举算法并将最终结果向全网络广播；基于能量与距离模型
优化算法动态的选择簇头，使网络在每一次循环运行时，都能获得最小的能量消耗；运用压缩感知理论充分挖掘感知数据的空间相关性，并在簇头和感知节点处实现了空间压缩，达到减少冗余数据传输的目的；在相同网络环境下，对比其他方案方法，具有更低的能量消耗和生命周期优势，有效延长了网络的生命周期。
附图说明
[0051] 图1是本发明的基于空间压缩的簇头优化选举算法网络模型的平面示意图；
[0052] 图2是本发明的基于空间压缩的簇头优化选举算法网络模型的立体示意图；
[0053] 图3是本发明的簇头选举方式与传统的两种簇头选举方式中关于网络剩余总能量随时间变化的比较示意图；
[0054] 图4是本发明的簇头选举方式与传统的两种簇头选举方式中存活节点数量随循环次数变化的比较示意图；
[0055] 图5是本发明的簇头选举方式与传统的两种簇头选举方式中在生命周期的比较示意图；
具体实施方式
[0057] 下面根据附图并结合
实施例对本发明的技术方案作进一步阐述。
[0058] 本发明采用如下技术方案，一种基于空间压缩的簇头优化选举算法，传感网络包括底部感知层、
中间层和汇聚层三层结构，底部感知层中包括N个感知节点，K个簇，各个簇分别包含1个簇头节点和I个感知节点；中间层中包含至少一个中间节点，将底部感知层中的K个簇划分为至少一个簇组，簇组的数量与中间节点的个数相等，汇聚层包含一个sink节点，如图1、2所示，基于空间压缩的簇头优化选举算法，传感器网络进入循环运行，每次循环运行具体步骤如下，如图6所示：
[0059] 1)簇的建立：利用粒子群算法优化簇头选举算法，通过优化的簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；
[0060] 感知节点确定位置后将包含感知节点剩余能量与位置信息的数据包LM发送至sink节点，sink节点得到感知节点传输数据所消耗的能量ECM和感知节点与sink节点之间的距离di-sink，利用sink节点能量不受限且计算能力较强的优势，在sink节点中执行优化的簇头选举算法搜索簇头节点的最佳位置，并将簇头节点的最佳位置向全网络广播。
[0061] 搜索簇头节点的最佳位置具体步骤为：
[0062] 11)初始化S个粒子，每个粒子包含K个随机的簇头节点；
[0063] 12)计算第i个感知节点与粒子p中簇头节点k的距离 并将第i个感知节点分配到距离最近的簇头节点；
[0064] 13)计算目标函数值cos t及适应值，并进行迭代；
[0065] cos t＝β1f1+β2f2+β3f3
[0066]
[0067]
[0068]
[0069] 其中，f1代表簇内感知节点与簇头节点的距离适应值；f2代表簇头节点的能量适应值；f3代表簇头节点与sink节点的距离适应值；β1，β2，β3为各适应值函数的权重系数，β1+β2+β3＝1；Cp，k表示粒子p中簇Ck，|Cp，k|表示粒子p中簇Ck所拥有的感知节点数量，CHp，k表示粒子p中的簇头节点k，ni表示第i个感知节点，E(ni)表示第i个感知节点的剩余能量，E(CHp，k)表示粒子p中的簇头节点k的剩余能量，N表示感知节点的数量， 表示粒子p中簇头节点k与sink节点间的距离；
[0070] 通过定义多个适应值函数确定最优的簇头位置，有效地控制了簇的规模并使簇头的分布更加合理；基于能量与距离模型优化算法动态的选择簇头，使网络在每一次循环运行时，都能获得最小的能量消耗；
[0071] 14)确定每个粒子的个体最优簇头组位置Pj＝(pj1，pj2，…，pjd)以及全局最优簇头组位置Po＝(po1，po2，…pod)，更新每个粒子速度vjd与位置ljd，
[0072] vjd＝αvjd+c1r1(pjd-ljd)+c2r2(pod-ljd)
[0073] ljd＝ljd+vjd
[0074] 其中，第j个粒子的位置向量表示为lj＝(lj1，lj2，…ljd)，ljd为d维空间中第j个粒子的位置向量，第j个粒子的个体最优簇头组位置即为第j个粒子经历过的最佳位置Pj＝(pj1，pj2，…，pjd)，pjd为d维空间中第j个粒子经历过的最佳位置，全局最优簇头组位置即为所有粒子中经历过的最佳位置Po＝(po1，po2，…pod)，pod为d维空间中所有粒子中经历过的最佳位置，第j个粒子的飞行速度为Vj＝(vj1，vj2，…，vjd)，j＝1，2，…S，vjd为d维空间中第j个粒子的飞行速度，α为惯性权重，r1与r2是0～1间的随机数，c1与c2为加速系数，因为是在平面上，所以是二维空间，即d＝2；
[0075] 若粒子所处位置没有簇头节点，则将粒子移动至最近的簇头节点，即粒子的位置向量中存在位置分量不在节点位置，则将粒子的位置向量中相应的位置分量设置为最近的节点位置；
[0076] 15)重复步骤12)至步骤14)，直至最大迭代次数，计算出全局最优簇头组位置，即最优的K个簇头节点位置。
[0077] 所有感知节点的剩余能量基于一阶无线通信模型，具体为：
[0078] 发送数据的能量消耗ET为：
[0079]
[0080] 接收数据的能量消耗ER为：
[0081] ER＝(ERX+EDA)×L
[0082] 其中，L为数据包长度，ETX为传输数据时每比特的能量消耗，ERX为接收数据时每比特的能量消耗，ERX的值与ETX的值相等，Efs为自由空间模型下每比特的能量消耗，Emp为多径模型下每比特的能量消耗，Efs与Emp均为固定常数，EDA为数据融合的能量消耗，dnode表示两个节点间的距离，dthreshold为距离阈值。
[0083] 2)数据传输：将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；
[0084] 21)簇Ck∈{1，2，...，K}包含n个感知节点，每个感知节点在t个时隙内采集t个数据，簇Ck中感知节点i在t时隙内采集的感知数据xk，i并传输至簇头节点k，簇头节点k接收到所有簇内感知节点发送的感知数据xk，
[0085] xk，i＝[xk，i1 xk，i2 xk，i3 ... xk,it]T
[0086] 其中，xk，i1 xk，i 2xk，i3和xk，it分别表示簇Ck内的感知节点i在时隙1、时隙2、时隙3以及时隙t采集的感知数据；
[0087]
[0088] 其中，xk，1 xk，2 xk，3和xk，n分别表示簇Ck内的感知节点1、感知节点2、感知节点3以及感知节点n采集的感知数据；
[0089] x′k，j＝[xk，1j xk，2j xk，3j ... xk，nj]T
[0090] 其中，x′k，j，j∈{1，2，...，t}表示在簇Ck内所有感知节点在同一时隙j采集的感知数据，xk，1j xk，2j xk，3j和xk，nj分别表示簇Ck内感知节点1、感知节点2、感知节点3以及感知节点n在时隙j采集的感知数据；
[0091] 22)采用m×n阶观测矩阵Φ对矩阵x′k进行空域压缩，矩阵x′k为感知数据xk的转置矩阵，矩阵x′k被压缩为m×t的矩阵yk∈Rm×t，yk为空间压缩数据；
[0092] 采用m×n阶观测矩阵Φ对矩阵x′k进行空域压缩具体为，
[0093] yk＝Φ·x′k
[0094] ＝Φ·[x′k，1 x′k，2 x′k，3 ... x′k，t]
[0095] ＝Φ·Ψ·[θk，1 θk，2 θk，3 ... θk，t]
[0096] ＝Φ·Ψ·θk＝Θ·θk
[0097] ＝[yk，1 yk，2 yk，3 ... yk，t]
[0098] 其中，Φ为独立零均值的高斯矩阵，Ψ∈Rn×n为给定矩阵，x′k，j＝Ψθk，j；θk，j∈Rn为系数列向量，yk，1 yk，2 yk，3和yk，t分别表示簇Ck内所有感知节点在时刻1、时刻2、时刻3以及时刻t的压缩数据。
[0099] 23)簇头节点k将空间压缩数据yk传输至sink节点；
[0100] 运用压缩感知理论充分挖掘感知数据的空间相关性，并在簇头和感知节点处实现了空间压缩，达到减少冗余数据传输的目的。
[0101] 3)数据重构：sink节点采用压缩采样匹配追踪算法对数据进行实时重建。
[0102] 在仿真环境中，100个感知节点被随机分布在100m*100m的区域。sink节点的位置2
位于(50，50)，所有感知节点初始能量均为0.05J，ETX为50nJ/bit，Efs＝10pJ/bit/m ，Emp＝
0.0013pJ/bit/m2，EDA＝5nJ/bit，感知节点发送的数据包大小为8000bit，总体压缩率设定为0.5。无线传感网络循环运行次数为2000。
[0103] 基于上述本发明设计基于空间压缩的簇头优化选举算法在实际过程中的应用，图3至图5利用网络剩余能量、存活节点数和生命周期三个性能指标，与传统的基于LEACH协议(lowenergyadaptiveclustering hierarchy)的簇头选举方式(LEACH)以及基于LEACH的空间压缩簇头选举方式(Data spatial compression scheme based on LEACH，SCL)对比，本发明的基于空间压缩的簇头优化选举算法(spatial compression based selection algorithm for cluster heads，SCSA)在性能上具有明显的优势。
[0104] 如图3所示，LEACH方案中节点剩余能量曲线最陡峭，即该方案中各感知节点的平均能量消耗最大，SCL方案次之，本发明中各感知节点的平均能量消耗最小。因此与其他方案相比，本发明获得了最小的能量消耗速度，以延长网络的生命周期。
[0105] 图4展示了各方案存活节点数量随循环次数增加的变化情况，在循环400次之后，本发明的感知节点存活数量明显多于LEACH与SCL两种方案，这也意味着本发明能够传输更多的信息量。客观的说，本发明能够获得明显的性能优势。
[0106] 为了进一步展示本发明在生命周期方面的性能优势，图5展示了能反映网络生命周期的三项性能指标：第一个节点死亡的时间(First node death，FND)，一半节点死亡的时间(Half node death，HND)，80％节点死亡的时间(Eighty percent node death，END)，由图5可知，本发明的节点生命周期明显长于LEACH与SCL两种方案。仿真实验中，使用英特尔伯克利实验室收集的真实数据进行重建误差的仿真，本发明方法的平均重建误差为2.70*10-4，证明本发明设计方法具有较高的重建
精度，完全可以满足方案对于高重建精度的需求。
[0107] 综上所述，上述方法能合理地减少传感器网络中感知节点的能量消耗，在保证高重建精度的前提下有效地延长网络的生命周期。
[0108] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和
变形，这些改进和变形也应视为本发明的保护范围。
