基于LEACH的无线传感器网络路由协议仿真附Matlab代码

✅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

无线传感器网络（WSN）由大量低成本、低功耗的传感器节点组成，广泛应用于环境监测、智能农业、工业监控等领域。路由协议作为 WSN 的核心技术之一，直接影响网络的能量消耗、生命周期与数据传输效率。低功耗自适应集簇分层协议（LEACH）是典型的分簇式路由协议，通过周期性簇头选举与簇内数据融合，实现网络能量均衡，有效延长 WSN 生命周期。

然而，LEACH 协议在实际应用中存在簇头分布不均、簇内通信能耗差异大、未考虑节点剩余能量等问题，需通过仿真验证协议性能、分析优化方向。本次仿真研究的核心目标包括：

1. 验证 LEACH 协议基本功能：模拟簇头选举、簇建立、数据传输全流程，确保协议逻辑正确实现；

1. 评估关键性能指标：量化分析 LEACH 协议在不同网络规模、节点分布、业务负载下的能量消耗、网络生命周期、数据投递率；

1. 对比优化空间：与传统平面路由协议（如 Direct Transmission、MTE）或改进 LEACH 协议（如 LEACH-C、LEACH-F）对比，明确 LEACH 的优势与不足，为协议优化提供数据支撑。

二、仿真平台选择与环境配置

1. 软件版本：NS-3.36（稳定版，支持完整的能耗与无线信道模型）、Python 3.9（数据处理）、Matplotlib 3.7（结果可视化）、Ubuntu 22.04（NS-3 推荐运行系统）；

1. 硬件要求：CPU 主频≥3.0GHz（多核心优先，支持并行仿真）、内存≥16GB（大规模网络仿真需足够内存）、硬盘≥50GB（存储仿真日志与临时数据）；

1. 关键模块依赖：

• ns3::EnergyModule：实现节点能耗计算（包括空闲、发送、接收、睡眠状态的功率消耗）；

• ns3::WifiModule：模拟无线通信链路（采用 802.15.4 协议，匹配 WSN 低功耗特性）；

• ns3::MobilityModule：定义节点移动模型（静态分布或随机移动，根据仿真场景选择）。

三、仿真模型构建

（一）网络场景与节点模型设计

四、仿真性能指标与结果分析方法

（一）核心性能指标定义

为全面评估 LEACH 协议性能，定义以下 5 项关键指标：

1. 网络生命周期：从仿真开始到网络死亡的总时间（或总轮次），反映协议的能量均衡能力；

1. 节点平均剩余能量：每轮周期结束后，所有存活传感器节点的剩余能量平均值，用于分析能量消耗速率；

1. 数据投递率：成功传输到汇聚节点的数据量与所有传感器节点生成的数据总量的比值（反映数据传输可靠性）；

1. 簇头分布均匀性：通过计算簇头在监测区域内的空间分布标准差（标准差越小，分布越均匀），评估簇头选举算法的公平性；

1. 平均端到端时延：数据从传感器节点生成到被汇聚节点接收的平均时间（反映协议的实时性）。

（二）对比仿真设计

为凸显 LEACH 协议的优势，设置以下 3 组对比实验：

1. 对比 1：LEACH vs 直接传输协议（Direct Transmission）

• 直接传输协议：所有传感器节点直接向汇聚节点发送数据，无簇头与数据融合；

• 目的：验证分簇与数据融合对降低能耗、延长生命周期的作用。

1. 对比 2：LEACH vs 最小传输能量协议（MTE）

• MTE 协议：节点选择能耗最小的路径（通常是距离最近的节点）转发数据，无周期性簇头选举；

• 目的：分析 LEACH 的周期性簇头轮换对能量均衡的提升效果。

1. 对比 3：LEACH vs 改进 LEACH-C（LEACH-Centroid）

• LEACH-C 协议：簇头选举由汇聚节点主导，根据节点位置选择簇中心作为簇头，确保簇头分布更均匀；

• 目的：明确 LEACH 分布式簇头选举的优缺点，为协议优化提供方向。

（三）结果分析与可视化方法

1. 数据记录：在 NS-3 仿真中，通过TraceSource与Sink机制，实时记录以下数据：

• 每轮周期的簇头数量与 ID、各节点剩余能量、成功传输的数据包数量、数据传输时延；

• 仿真结束后，将数据导出为 CSV 格式，用于后续分析。

1. 可视化图表设计：

• 网络生命周期对比图：以折线图展示不同协议的 “轮次 - 存活节点数” 曲线，直观对比生命周期长短；

• 能量消耗曲线：以折线图展示 “轮次 - 节点平均剩余能量”，分析各协议的能耗速率；

• 数据投递率对比图：以柱状图展示不同网络规模（50/100/200 节点）下各协议的数据投递率；

• 簇头分布热力图：以热力图展示 LEACH 协议每轮簇头在监测区域的分布，评估均匀性；

• 端到端时延箱线图：以箱线图展示不同业务负载（1/3/5 packet/s）下的时延分布，分析协议实时性。

五、仿真优化方向与扩展

（一）LEACH 协议仿真优化

基于基础仿真结果，可进一步开展以下优化方向的仿真验证：

1. 簇头比例自适应优化：仿真不同簇头比例（p=0.03/0.05/0.08/0.1）对性能的影响，寻找不同网络规模下的最优 p 值；

1. 能耗感知的簇头选举：在阈值计算中引入剩余能量权重，仿真该优化对延长网络生命周期的效果；

1. 多跳簇间路由：当前 LEACH 仿真默认簇头单跳传输到汇聚节点，可扩展为多跳路由（簇头通过其他簇头中继），仿真多跳对能耗与时延的影响；

1. 动态业务负载适应：模拟业务负载随时间变化（如监测区域突发事件导致数据量激增），仿真 LEACH 协议的动态适应能力。

（二）仿真平台扩展

1. 与真实硬件结合：将 NS-3 仿真中的 LEACH 协议代码移植到 TinyOS 平台，通过 Cooja 模拟器与真实传感器节点（如 TelosB）连接，实现 “仿真 - 硬件” 联合测试，提升仿真结果的可信度；

1. 大规模网络仿真优化：针对 200 节点以上的大规模网络，采用 NS-3 的并行仿真功能（基于 MPI），提升仿真效率；

1. 复杂信道模型引入：当前仿真采用对数距离路径损耗模型，可扩展为阴影衰落 + 多径衰落模型，更真实模拟实际无线环境对协议性能的影响。

六、总结

基于 NS-3 的 LEACH 协议仿真，通过构建贴近实际的 WSN 网络模型、完整实现协议核心流程、量化分析关键性能指标，可有效验证 LEACH 协议的优势与不足。

⛳️ 运行结果

🔗 参考文献

[1] 吴臻,金心宇.无线传感器网络的LEACH算法的改进[J].传感技术学报, 2006, 19(1):3.DOI:10.3969/j.issn.1004-1699.2006.01.008.

[2] 白凤娥,王莉莉,马艳艳,等.无线传感器网络路由协议LEACH的算法分析[J].太原理工大学学报, 2009(4):5.DOI:CNKI:SUN:TYGY.0.2009-04-007.

[3] 李钢.无线传感器网络路由协议的研究与仿真[D].北京邮电大学[2025-10-03].DOI:CNKI:CDMD:2.2008.139968.

📣 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

👇