【LEACH协议】网络路由协议实验（含前后对比）【含Matlab源码 3303期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab信号处理仿真内容点击👇
①Matlab信号处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、网络路由协议实验简介

LEACH（Low Energy Adaptive Clustering Hierarchy）是一种应用于无线传感器网络的分层路由协议。它的主要目标是通过自适应地创建和调整集群来延长网络的生命周期。LEACH的实现基于以下原理和数学公式。

LEACH的原理在于它将传感器节点分为两类：簇头节点和普通节点。普通节点将数据发送给距离自己最近的簇头节点，然后簇头节点将收集到的数据融合后发送给基站。这种机制可以减少网络中节点的能耗，并且能够提高数据融合比例，减少传输数据量。

在LEACH中，每个节点都有一个阈值，当节点的能量低于这个阈值时，该节点就会停止作为簇头节点的工作，转为普通节点。这个阈值是通过以下公式计算的：

Threshold = P * num_of_cluster_heads

其中，P是一个预先设定的常量，num_of_cluster_heads是网络中簇头节点的数量。

在LEACH中，节点首先随机选择是否成为簇头节点。如果它选择成为簇头节点，那么它会向网络中所有其他节点广播一个包含自己ID和成为簇头节点意愿的消息。当消息收到时，普通节点会根据距离簇头节点的远近，以及节点的剩余能量来选择加入哪个簇。

在仿真过程中，我们需要考虑以下几个性能指标：
1 数据量
在LEACH中，每个簇头节点收集并融合其所属簇内所有节点的数据，然后发送给基站。因此，数据量的大小与簇内节点的数量以及每个节点发送的数据量有关。我们可以使用以下公式来计算数据量：
Data = num_of_cluster_heads * num_of_nodes_per_cluster * data_per_node

其中，num_of_cluster_heads是簇头节点的数量，num_of_nodes_per_cluster是每个簇内的节点数量，data_per_node是每个节点发送的数据量。

2 能耗
在LEACH中，节点的能耗主要来自于发送和接收数据，以及进行数据融合的能耗。我们可以使用以下公式来计算网络的总能耗：
Total_Energy = Energy_Transmit + Energy_Receive + Energy_Fusion

其中，Energy_Transmit是发送数据的能耗，Energy_Receive是接收数据的能耗，Energy_Fusion是进行数据融合的能耗。这些能耗可以通过每个节点的传输距离、传输速率、处理能力等因素计算得出。

3 存活节点
在仿真过程中，我们需要追踪网络中存活节点的数量。存活节点是指其能量仍高于阈值的节点。在LEACH中，如果节点的能量低于阈值，它会停止作为簇头节点的工作，转为普通节点。我们可以通过以下公式来计算存活节点的数量：
Num_Alive_Nodes = num_of_nodes - num_of_dead_nodes

其中，num_of_nodes是网络中总节点的数量，num_of_dead_nodes是网络中已经死亡的节点的数量。
以上就是基于LEACH路由协议的网络性能的matlab仿真的基本原理、数学公式以及性能指标的详细介绍。在实际仿真过程中，还需要考虑其他许多因素，例如节点的分布、传输模型的选取、数据融合算法的优化等。这些因素都会对仿真结果产生影响，因此需要根据实际应用场景进行合理的设定和分析。

⛄二、部分源代码

%% 清空环境变量
clear;
clc;

%% 初始化参数
xm = 100; % x轴范围
ym = 100; % y轴范围
sink.x = 50; % 基站x轴
sink.y = 125; % 基站y轴
n = 40; % 节点总数
p = 0.08; % 簇头概率
Eelec = 5010^(-9);
Efs=1010^(-12);
Emp=0.001310^(-12);
ED=510^(-9);
d0 = 87;
packetLength = 4000;
ctrPacketLength = 100;
rmax = 2000; % 迭代次数
E0 = 0.5; % 初始能量
Emin = 0.001; % 节点存活所需的最小能量
Rmax = 15; % 初始通信距离
figure;
%% 节点随机分布
for i = 1:n
Node(i).xd = rand(1,1)*xm;
Node(i).yd = rand(1,1)*ym; % 随机产生100个点
Node(i).d = sqrt((Node(i).xd-sink.x)^{2+(Node(i).yd-sink.y)}2); % 节点距基站的距离
Node(i).Rc = Rmax; % 节点的通信距离
Node(i).temp_rand = rand; % rand为(0,1)的随机数
Node(i).type = ‘N’; % 进行选举簇头前先将所有节点设为普通节点
Node(i).selected = ‘N’;
Node(i).power = E0; % 初始能量
Node(i).CH = 0; % 保存普通节点的簇头节点，-1代表自己是簇头
Node(i).flag = 1; % 1代表存活；0代表死亡
Node(i).N = zeros(1, n); % 邻居节点集
Node(i).Num_N = 0; % 邻居节点集个数
Node(i).FN = zeros(1, n); % 前邻节点集
Node(i).Num_FN = 0; % 前邻节点集个数
Node(i).CN = zeros(1, n); % 前簇头节点集
Node(i).Num_CN = 0; % 前簇头节点集个数
plot(Node(i).xd, Node(i).yd, ‘o’, sink.x, sink.y, ‘p’, ‘LineWidth’, 2);
hold on;
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 宁杰琼,何庆.混合策略改进的蝴蝶优化算法[J].计算机应用研究,2021,38(06)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合