✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
在无线传感器网络(WSN)中,路由协议的设计对于延长网络寿命、提高能效和确保数据传输的可靠性至关重要。LEACH(Low-Energy Adaptive Clustering Hierarchy)协议和EAMMH(Energy-Aware Multi-hop Multi-path Hierarchical)协议是两种具有代表性的层次路由协议,它们在WSN能效优化方面采取了不同的策略。本文将对这两种协议进行深入比较研究,从其基本原理、簇头选举机制、数据传输方式以及性能指标等方面进行详细分析,以期为WSN路由协议的选择与优化提供理论依据。
LEACH协议:低能耗自适应聚类层次路由协议
LEACH协议是一种经典的基于簇的路由协议,其核心思想是通过周期性地轮换簇头(Cluster Head, CH)来平衡网络中节点的能量消耗,从而延长网络寿命。
1. 基本原理
LEACH协议将网络操作划分为多个回合(Round),每个回合包含设置阶段(Setup Phase)和稳态阶段(Steady-State Phase)。在设置阶段,节点根据概率选择成为簇头,未被选中的节点选择最近的簇头加入,形成簇。在稳态阶段,簇内节点将数据传输给簇头,簇头对数据进行聚合后,再将聚合数据传输给基站(Base Station, BS)。
2. 簇头选举机制
LEACH协议的簇头选举是基于概率的。每个节点在每个回合开始时生成一个0到1之间的随机数,并与一个阈值T(n)进行比较。如果随机数小于T(n),则该节点成为簇头。阈值T(n)的计算公式为:
T(n) = P / (1 - P * (r mod (1/P))),如果n ∈ G
T(n) = 0,如果n ∉ G
其中,P是节点成为簇头的期望百分比,r是当前回合数,G是上一轮中没有成为簇头的节点集合。这种机制确保了每个节点都有机会成为簇头,从而实现了能量负载的均衡。
3. 数据传输方式
在LEACH协议中,数据传输是单跳的:簇内节点将数据直接传输给簇头,簇头再将聚合数据直接传输给基站。这种单跳传输方式在簇头距离基站较近时效率较高,但当簇头距离基站较远时,会消耗大量的能量。
4. 优点与局限性
LEACH协议的优点在于其简单性和有效性,通过簇头轮换机制有效地平衡了网络能量消耗,延长了网络寿命。然而,LEACH也存在一些局限性:
- 不考虑节点剩余能量:
簇头选举机制只考虑节点是否在最近的1/P个回合中成为簇头,而没有充分考虑节点的剩余能量,可能导致能量较低的节点成为簇头,从而加速其死亡。
- 单跳传输能耗高:
簇头到基站的单跳传输方式在距离较远时能耗高,尤其是在大规模网络中,这会成为一个瓶颈。
- 簇分布不均匀:
随机的簇头选举可能导致簇分布不均匀,出现簇头过少或过多,甚至存在没有簇头的区域。
EAMMH协议:能量感知多跳多路径层次路由协议
EAMMH协议是为了解决LEACH协议中存在的局限性而提出的一种改进协议,它引入了能量感知、多跳和多路径传输机制,旨在进一步提高网络的能效和可靠性。
1. 基本原理
EAMMH协议同样采用分层思想,但其在簇头选举和数据传输方面进行了优化。它在簇头选举时考虑节点的剩余能量,并在数据传输时允许簇头通过多跳和多路径的方式将数据传输给基站,以规避能耗热点。
2. 簇头选举机制
EAMMH协议的簇头选举机制在LEACH的基础上进行了改进,增加了能量感知的因素。它通常会倾向于选择剩余能量较高的节点作为簇头,以保证簇头的稳定性和长期运行能力。具体的簇头选举算法可能因不同的实现而异,但通常会包含以下考量:
- 节点剩余能量:
优先选择剩余能量高的节点。
- 节点位置:
考虑节点在网络中的地理位置,以确保簇的有效覆盖。
- 与邻居节点的距离:
避免孤立的簇头。
3. 数据传输方式
EAMMH协议的关键改进在于其多跳和多路径的数据传输机制。簇头不再是简单地将聚合数据单跳传输给基站,而是通过选择中间节点进行多跳传输。同时,为了提高可靠性和规避故障节点,EAMMH还支持多路径传输,即数据可以通过多条路径同时或交替传输到基站。这有以下几个优点:
- 降低传输能耗:
通过多跳传输,可以避免长距离单跳传输带来的高能耗,尤其适用于大规模网络。
- 提高可靠性:
多路径传输可以有效应对节点故障或链路中断,确保数据能够成功到达基站。
- 均衡网络负载:
多路径传输可以将数据流量分散到不同的路径上,避免某些节点成为能耗热点,进一步平衡网络负载。
4. 优点与局限性
EAMMH协议相较于LEACH协议具有显著的优点:
- 更长的网络寿命:
能量感知的簇头选举和多跳多路径传输机制,能够更有效地平衡网络能量消耗,显著延长网络寿命。
- 更高的可靠性:
多路径传输提高了数据传输的容错能力和可靠性。
- 适用于大规模网络:
多跳传输机制使其更适合大规模、高密度的WSN部署。
然而,EAMMH协议也存在一些挑战:
- 协议复杂性:
多跳和多路径路由的实现会增加协议的复杂性,对计算和存储资源要求更高。
- 路由开销:
维护多跳多路径信息和路径选择会引入额外的路由开销。
- 时延增加:
多跳传输可能会引入额外的传输时延。
结论
LEACH协议作为WSN分层路由的先驱,通过其简洁的簇头轮换机制,为延长网络寿命奠定了基础。然而,其在能量感知、多跳传输和可靠性方面的不足,限制了其在大规模、复杂WSN中的应用。
EAMMH协议在此基础上进行了显著改进,引入了能量感知的簇头选举和多跳多路径数据传输机制,使其在能效均衡、网络寿命和数据传输可靠性方面表现出更优越的性能。尽管EAMMH协议在复杂度、路由开销和时延方面有所增加,但这些代价在面对大规模、高可靠性要求的WSN应用时是值得的。
在实际应用中,路由协议的选择应根据WSN的具体需求和环境进行权衡。对于资源受限、规模较小、对时延不敏感的WSN,LEACH协议可能是一个简单有效的选择。而对于大规模、高密度、对能耗和可靠性有严格要求的WSN,EAMMH及其类似协议则能提供更 robust 的解决方案。未来的研究可以进一步探索如何融合两者的优点,例如,在EAMMH中引入更轻量级的路由维护机制,或在LEACH中适度引入能量感知和局部多跳传输,以期设计出更加高效和灵活的WSN路由协议。
⛳️ 运行结果


🔗 参考文献
[1] 章思青,陶洋,代建建,等.基于模糊逻辑的多跳WSNs分簇算法[J].传感技术学报, 2018, 31(7):6.DOI:CNKI:SUN:CGJS.0.2018-07-018.
[2] 徐佑宇,谭冲,刘洪,等.基于天牛须搜索的无线传感网分簇路由协议[J].信息技术, 2019, 43(10):5.DOI:CNKI:SUN:HDZJ.0.2019-10-002.
[3] 李猛坤,郭小民,张月,等.一种WSN消冗降耗多跳路由发现算法[J].天津师范大学学报:自然科学版, 2022(001):042.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、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、用电量预测、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
🌈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
🌈 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、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 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、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
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、水声通信、通信上传下载分配
🌈 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、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
634

被折叠的 条评论
为什么被折叠?



