CN104936230A - 一种基于簇头期望的无线传感器网络能量均衡路由优化方法 - Google Patents

Abstract

本发明公开了一种基于簇头期望的无线传感器网络能量均衡路由优化方法，该算法在选举簇头时同时考虑分簇负载分布情况和节点剩余能量两个优化目标，通过改进选举簇头时的阈值来保证每一轮簇头数目在期望范围，以缓解簇头能量消耗不均衡的问题；同时通过控制不同位置簇头的覆盖范围，考虑距离权值和剩余能量权值，使得簇头的成员节点分布较为均匀，以提高节点能量效率。本发明提出的算法具有较高的能量利用率，很好地均衡了网络中节点的能量消耗，簇头分布和数量能更加稳定，可以提高数据传量、延长网络生命周期，更好地满足无线传感器网络在周期性监测环境中对网络生命周期的要求。

Description

一种基于簇头期望的无线传感器网络能量均衡路由优化方法

技术领域

本发明涉及一种无线传感器网络能量均衡路由优化方法，尤其涉及一种基于簇头期望的无线传感器网络能量均衡路由优化方法。

背景技术

无线传感器网络WSN(Wireless Sensor Networks)作为物联网的一个重要分支，其作用是在所监测环境中感知采集数据，相邻节点实时地感知同一对象信息，然后将其融合、压缩后通过无线自组多跳协议发送给基站。WSN分簇路由具有层次清晰、扩展性强、易实现相邻数据融合等优点，非常适合工业监测等应用领域。

分簇路由算法包含簇头的选举、簇头与基站之间的通信，可采用单跳和多跳两种通信方式。W.Heinzelman等人提出的LEACH(Low-energy Adaptive Clustering Hierarchy)算法是一种自组织、自适应的完全分布式分簇路由算法。为了延长第一个传感器节点的失效时间，LEACH算法利用随机性轮换簇头，从而达到平衡网络中节点能量负载的目的。成法等人针对热区问题，提出基于非均匀分簇的多跳路由算法，靠近基站的簇的规模小于远离基站的簇，因此靠近基站的簇头可以为簇间的数据转发预留能量，达到均衡簇头能量消耗的目的。吕涛等人针对LEACH算法存在极大簇和极小簇的情况，提出通过控制簇成员数和合并极小簇的方法使WSN中的各个分簇能量平衡；蒋畅江等人针对多跳方式的分簇网络中热区的问题，提出了一种高效的能量均衡、非均匀分簇和簇间多跳路由有机结合的分布式路由算法；HuiLin等人针对集成的拓扑结构和分簇路由问题，提出了一个混和整数线性规划模型，以确定最佳簇头位置；孙彦清等人针对节点负载不均而形成的热区问题，提出了一种基于动态分区负载均衡的分簇路由算法；苏金树等人针对簇间负载的不均衡性，提出了一个负载均衡感知的无线传感器网络容错分簇算法；胡峰松等人针对LEACH中多个簇头与基站远距离通信能量消耗过多的问题，考虑节点的能量和位置因素，以优化簇的结构；Aimin Wang等人在LEACH的簇头选举阈值上引入了能量信息，采用滑动窗口机制，可根据动态节点数目调整簇头数。

由于簇头既要管理簇内通信又要进行簇间通信，所以簇头的能耗将比簇内成员节点多，从而导致节点能量不均衡。如果簇头过早失效，将导致该簇在本轮失效，形成路由空洞，进而缩短了网络生命周期。以上分簇路由算法虽然在一定程度上是能量高效的，但是节点能量不均衡的问题尚未解决，虽然分簇路由算法可以优化数据的传输量，减少网络能耗，但是簇头负载的不均衡性会严重影响路由算法的性能。因此，选举簇头时如何考虑节点的剩余能量和平衡每个簇头的负载是至关重要的。

发明内容

发明的目的在于克服现有技术之不足，提供一种基于簇头期望的无线传感器网络能量均衡路由优化方法(CHEEB)，该算法在选举簇头时同时考虑分簇负载分布情况和节点剩余能量两个优化目标，通过改进选举簇头时的阈值来保证每一轮簇头数目在期望范围，以缓解簇头能量消耗不均衡的问题；同时通过控制不同位置簇头的覆盖范围，考虑距离权值和剩余能量权值，使得簇头的成员节点分布较为均匀，以提高节点能量效率。

本发明解决其技术问题所采用的技术方案是：提供一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于，包括：将簇数目、节点剩余能量以及簇的负载均衡等因素加入到簇头的选举中，将分簇的负载分布情况和节点剩余能量作为选举簇头的两个主要指标；所述簇头的选举的工作时间单位是轮，每一轮分为簇建立阶段和数据传输阶段两部分，通过调整阈值来保证每一轮簇头数目在期望范围，解决簇头能量消耗不均衡的问题；通过控制不同位置簇头的覆盖范围，计算距离权值和剩余能量权值，使得簇头的节点成员分布较为均匀，以提高节点能量效率。

优选的，Ci是节点i在当前周期是否成为过簇头的指示函数，所述簇建立阶段的步骤为：

A1、遍历每个未失效且Ci＝1的节点，节点i随机生成[0,1]间的实数j；

A2、计算节点i的阈值Pi，判断Pi与j的大小关系；如果j<Pi，则进入步骤A3，否则转到步骤A4；

A3、节点i当选为本轮簇头，Ci置为0；簇头广播当选簇头信息；进入步骤A5；

A4、节点i未当选本轮簇头，Ci置为1；接收所有簇头发来的当选簇头信息；进入步骤A5；

A5、未当选为簇头的非簇头节点依据接收到的每个簇头发来的当选簇头信息的信号强度，选择信号强度最大的簇头作为本轮所要加入的簇；非簇头节点将连接请求信息反馈给选定的簇头；

A6、簇头接收非簇头节点的连接请求信息，根据簇内节点的数量，簇头创建一个告知节点何时能传输数据的时间表，并且将这个时间表广播到簇内的节点；

A7、簇内的节点接收时间表并进入数据传输阶段。

优选的，所述数据传输阶段的步骤为：

B1、判断节点i是否是簇头；如果不是则进入步骤B2，如果是则进入步骤B3；

B2、每个簇内的节点的无线电关闭直到分配给该节点的传输时间到来；Ci＝1的节点在自己的最后一个时隙里发送剩余能量信息的数据包给簇头；Ci＝0的节点在自己的最后一个时隙里发送不含剩余能量信息的数据包给簇头，转到步骤B3；

B3、簇头打开接收器接收簇内节点发来的数据包；簇头接收到所有簇内节点的数据包后先进行数据融合，再将捎带剩余能量信息发送给基站；

B4、基站接收簇头发来的信息并计算Ci＝1节点的平均能量，再广播给全网；

B5、节点接收计算阈值所必须的平均能量；

B6、新一轮开始，判断是否是新周期，如果是新的周期则将所有节点的Ci重置为1，转入步骤A1；如果判断为否则转入步骤B1。

优选的，步骤A3中簇头广播当选簇头信息包含当选簇头节点的ID和用于区分该消息是否为公告信息的首部。

优选的，所述步骤A2中的阈值Pi的计算公式为：

$P_i=\frac{k*C_i}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{E_i}{E_{C_i=1}}---\left(1\right)$

因为只有当前周期还未成为簇头的节点可以参加簇头选举，所以(1)式中能量比例因子的分母不是全体节点的平均能量，而是有资格参加选举的节点平均能量；同时(1)式可以使得期望簇头数目保持k不变；簇头期望公式为：

$E[\#\mathrm{CH}]=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i---\left(2\right)$

将(1)式代入(2)式得：

$\begin{array}{c}E[\#\mathrm{CH}]\\ =\frac{k}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\stackrel{\&OverBar;}{E_{C_i=1}}}\\ =\frac{k}{n-k\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{C}_i}}\\ =\frac{k*\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{C}_i}{n-k\left(r\mathrm{mod}\frac{n}{k}\right)}\end{array}---\left(3\right)$

由W.Heinzelman等人研究的文献《An application-specific protocol architecture forwireless microsensor networks》可知：

$E\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_i\right]=n-k*\left(r\mathrm{mod}\frac{n}{k}\right)---\left(4\right)$

由(4)式和(3)式可得:

$E[\#\mathrm{CH}]=\frac{k*[n-k*\left(r\mathrm{mod}\frac{n}{k}\right)]}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}=k---\left(5\right)$

为了节点能量均衡，要多让高能量节点当选簇头，每个候选簇头将自身的地址位置、剩余能量、节点与簇头的距离以及簇头与基站的距离等消息广播给其他节点；令节点i的初始能量为E_i0，在第r轮分簇之前的剩余能量权值F(E_ir)为

$F\left(E_{i^r}\right)=\left\{\begin{array}{c}1,r=1\\ \frac{E_{i^{r-1}}}{\frac{1}{N(m,r-1)}\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}{E}_{j^{r-1}}}\&CenterDot;\frac{E_{i^{r-1}}}{E_{i^0}},r>1\end{array}\right.---\left(6\right)$

F(E_ir)越大，说明该节点在此时的剩余能量越大；

节点i到簇头CH_i的通信范围越小，簇头与节点之间的能耗越小；同样如果节点i到基站BS的通信范围越小，数据传输的能耗也越小。根据自由传播能量模型可知，则综合距离权值可以表示为

$D\left(v_i\right)=1-\frac{d{(i,{\mathrm{CH}}_i)}^2}{\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}d{(j,{\mathrm{CH}}_i)}^2}-\frac{d{(i,\mathrm{BS})}^2}{\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}d{(j,\mathrm{BS})}^2}---\left(7\right)$

结合公式(5)，同时加入综合距离权值使得簇头尽量靠近基站，减少数据传输消耗的能量；节点i成为簇头的概率由式(8)计算：

$P_{i-\mathrm{ch}}=\mathrm{\&alpha;F}\left(E_{i^r}\right)+\mathrm{\&beta;D}\left(v_i\right)---\left(8\right)$

设α、β为调节节点剩余能量权值和综合距离权值在簇头竞争时所占的概率比值，且α+β＝1。

本发明的有益效果是：本发明的算法在选举簇头时同时考虑分簇负载分布情况和节点剩余能量两个优化目标，通过改进选举簇头时的阈值来保证每一轮簇头数目在期望范围，以缓解簇头能量消耗不均衡的问题；同时通过控制不同位置簇头的覆盖范围，考虑距离权值和剩余能量权值，使得簇头的成员节点分布较为均匀，以提高节点能量效率。本发明提出的算法具有较高的能量利用率，很好地均衡了网络中节点的能量消耗，簇头分布和数量能更加稳定，可以提高数据传量、延长网络生命周期，更好地满足无线传感器网络在周期性监测环境中对网络生命周期的要求。

以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于簇头期望的无线传感器网络能量均衡路由优化方法不局限于实施例。

附图说明

图1是本发明的基于簇头期望的能量均衡路由优化算法的分簇阶段流程图；

图2是本发明的基于簇头期望的能量均衡路由优化算法的数据传输阶段流程图；

图3是本发明的三种算法每轮的总能耗比较；

图4是本发明的三种算法的网络生命周期比较；

图5是本发明的三种算法的数据传输量比较；

图6是本发明的三种算法的簇头数量分布比较；

图7是本发明的簇头数目为8的CHEEB分簇效果。

具体实施方式

实施例1

参见图1和图2所示，本发明的一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于，包括：将簇数目、节点剩余能量以及簇的负载均衡等因素加入到簇头的选举中，将分簇的负载分布情况和节点剩余能量作为选举簇头的两个主要指标；所述簇头的选举的工作时间单位是轮，每一轮分为簇建立阶段和数据传输阶段两部分，通过调整阈值来保证每一轮簇头数目在期望范围，解决簇头能量消耗不均衡的问题；通过控制不同位置簇头的覆盖范围，计算距离权值和剩余能量权值，使得簇头的节点成员分布较为均匀，以提高节点能量效率。

更进一步，Ci是节点i在当前周期是否成为过簇头的指示函数，所述簇建立阶段的步骤为：

A1、遍历每个未失效且Ci＝1的节点，节点i随机生成[0,1]间的实数j；

A2、计算节点i的阈值Pi，判断Pi与j的大小关系；如果j<Pi，则进入步骤A3，否则转到步骤A4；

A3、节点i当选为本轮簇头，Ci置为0；簇头广播当选簇头信息；进入步骤A5；

A4、节点i未当选本轮簇头，Ci置为1；接收所有簇头发来的当选簇头信息；进入步骤A5；

A5、未当选为簇头的非簇头节点依据接收到的每个簇头发来的当选簇头信息的信号强度，选择信号强度最大的簇头作为本轮所要加入的簇；非簇头节点将连接请求信息反馈给选定的簇头；

A6、簇头接收非簇头节点的连接请求信息，根据簇内节点的数量，簇头创建一个告知节点何时能传输数据的时间表，并且将这个时间表广播到簇内的节点；

A7、簇内的节点接收时间表并进入数据传输阶段。

更进一步，所述数据传输阶段的步骤为：

B1、判断节点i是否是簇头；如果不是则进入步骤B2，如果是则进入步骤B3；

B2、每个簇内的节点的无线电关闭直到分配给该节点的传输时间到来；Ci＝1的节点在自己的最后一个时隙里发送剩余能量信息的数据包给簇头；Ci＝0的节点在自己的最后一个时隙里发送不含剩余能量信息的数据包给簇头，转到步骤B3；

B3、簇头打开接收器接收簇内节点发来的数据包；簇头接收到所有簇内节点的数据包后先进行数据融合，再将捎带剩余能量信息发送给基站；

B4、基站接收簇头发来的信息并计算Ci＝1节点的平均能量，再广播给全网；

B5、节点接收计算阈值所必须的平均能量；

B6、新一轮开始，判断是否是新周期，如果是新的周期则将所有节点的Ci重置为1，转入步骤A1；如果判断为否则转入步骤B1。

优选的，步骤A3中簇头广播当选簇头信息包含当选簇头节点的ID和用于区分该消息是否为公告信息的首部。

实施例2

LEACH算法采用了轮换簇头方法，工作时间单位是轮，每一轮分为簇建立阶段和数据传输阶段两部分。簇建立阶段，节点i随机生成一个小于1的正数，如果其小于阈值P_i，那么节点i当选为本轮簇头。阈值P_i为：

$P_i=\left\{\begin{array}{cc}\frac{k}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)},& C_i=1\\ 0,& C_i=0\end{array}\right.---\left(1\right)$

其中n为节点总数，期望的簇头数目为k(k是自定义参数，如k＝5％*n)，r为当前轮数，定义n/k轮为一个周期。C_i是节点i在当前周期是否成为过簇头的指示函数，即如果节点i在当前周期还未成为过簇头，那么C_i＝1，否则C_i＝0。为了便于运算及证明，将(1)式改写为(2)式：

$P_i=\frac{k*C_i}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}---\left(2\right)$

有许多改进方法如Md.Solaiman Ali等人提出的ALEACH算法在选举簇头的时候考虑剩余能量，其阈值为：

$P_i=\frac{k*C_i}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}+\frac{E_i}{E_{\max }}*\frac{k}{n}---\left(3\right)$

然而，其簇头期望值大于最优簇头数目，并且随着轮数增加，节点i的能量E_i逐渐减少，使得P_i逐渐减小，这将导致期望的簇头数目越来越少。但是ALEACH算法破坏了W.Heinzelman等人已经证明的LEACH的簇头个数期望，出现了簇头个数在同一个周期内递减、各个周期间锯齿形波动的问题。LEACH算法在选举簇头的时候并没有考虑节点剩余能量，这样剩余能量少的节点也会被选为簇头，从而该簇头能量过早耗尽，导致该簇失效。

为了解决这个问题，本发明提出的CHEEB算法的阈值P_i设为：

$P_i=\frac{k*C_i}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{E_i}{\stackrel{\&OverBar;}{E_{C_i=1}}}---\left(4\right)$

因为只有当前周期还未成为簇头的节点可以参加簇头选举，所以(4)式中能量比例因子的分母不是全体节点的平均能量，而是有资格参加选举的节点平均能量。同时(4)式可以使得期望簇头数目保持k不变。簇头期望公式为：

$E[\#\mathrm{CH}]=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i---\left(5\right)$

将(4)式代入(5)式得：

$\begin{array}{c}E[\#\mathrm{CH}]\\ =\frac{k}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\stackrel{\&OverBar;}{E_{C_i=1}}}\\ =\frac{k}{n-k\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{C}_i}}\\ =\frac{k*\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{C}_i}{n-k\left(r\mathrm{mod}\frac{n}{k}\right)}\end{array}---\left(6\right)$

由W.Heinzelman等人研究的文献《An application-specific protocol architecture forwireless microsensor networks》可知：

$E\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_i\right]=n-k*\left(r\mathrm{mod}\frac{n}{k}\right)---\left(7\right)$

由(6)式和(7)式可得:

$E[\#\mathrm{CH}]=\frac{k*[n-k*\left(r\mathrm{mod}\frac{n}{k}\right)]}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}=k---\left(8\right)$

综上，已经证明本发明提出的CHEEB算法的簇头个数的期望都为k，说明CHEEB算法保持了LEACH算法的最优簇头数目。

为了节点能量均衡，要多让高能量节点当选簇头，每个候选簇头将自身的地址位置、剩余能量、节点与簇头的距离以及簇头与基站的距离等消息广播给其他节点。令节点i的初始能量为E_i0，在第r轮分簇之前的剩余能量权值F(E_ir)为

$F\left(E_{i^r}\right)=\left\{\begin{array}{c}1,r=1\\ \frac{E_{i^{r-1}}}{\frac{1}{N(m,r-1)}\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}{E}_{j^{r-1}}}\&CenterDot;\frac{E_{i^{r-1}}}{E_{i^0}},r>1\end{array}\right.---\left(9\right)$

F(E_ir)越大，说明该节点在此时的剩余能量越大。

节点i到簇头CH_i的通信范围越小，簇头与节点之间的能耗越小；同样如果节点i到基站BS的通信范围越小，数据传输的能耗也越小。根据自由传播能量模型可知，则综合距离权值可以表示为

$D\left(v_i\right)=1-\frac{d{(i,{\mathrm{CH}}_i)}^2}{\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}d{(j,{\mathrm{CH}}_i)}^2}-\frac{d{(i,\mathrm{BS})}^2}{\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}d{(j,\mathrm{BS})}^2}---\left(10\right)$

结合公式(8)，同时加入综合距离权值使得簇头尽量靠近基站，减少数据传输消耗的能量。节点i成为簇头的概率由式(11)计算。

$P_{i-\mathrm{ch}}=\mathrm{\&alpha;F}\left(E_{i^r}\right)+\mathrm{\&beta;D}\left(v_i\right)---\left(11\right)$

设α、β为调节节点剩余能量权值和综合距离权值在簇头竞争时所占的概率比值，且α+β＝1。

实施例3

本发明所提出的CHEEB算法的伪代码如下：

实施例4

为了证明本发明的有效性，采用MATLAB仿真工具进行实验，比较了ALEACH、EEUC和CHEEB三种路由算法。具体仿真参数如表1所示。

表1 参数设置表

(1)网络能耗

网络能耗的高低直接影响了路由的性能，网络能耗相对于轮数的斜率越小，能耗就越小，能量越高效。图3比较了三种算法每轮的总能耗，从图中可以看出，CHEEB的能耗均小于ALEACH和EEUC的能耗。由于CHEEB在选举簇头时不仅考虑了节点的剩余能量，还保证了每一轮簇头数目在期望范围，所以CHEEB比ALEACH和EEUC的能量更高效。

(2)网络生命周期

从WSN的第一轮开始到第一个节点失效的时间定义为网络生命周期。图4比较了三种算法的网络生命周期，从图中可以看出，CHEEB的生命周期均长于ALEACH和EEUC的生命周期。其中CHEEB比ALEACH的生命周期长约25％，CHEEB比EEUC的生命周期长约10％。从存活节点的数量来看，CHEEB在第1000轮时的存活节点为90％以上，而ALEACH的节点已全部失效，EEUC的存活节点约为40％。这说明CHEEB很好地均衡了网络中节点的能量消耗。

(3)数据传输量

传感器节点采集到的信息最终都要发送给基站，数据传输量也成为路由算法效率的指标之一，在能量消耗相同的情况下，数据传输量越多越好。图5比较了三种算法的数据传输量，从图中可以看出，CHEEB数据传输量最多，EEUC次之，ALEACH最少。当所有节点能量耗尽时，CHEEB相对于ALEACH的数据传输增长量是EEUC相对于ALEACH的数据传输增长量的1.5倍，说明CHEEB比ALEACH和EEUC的算法效率更高。

(4)簇头数量分布

在期望范围内，越稳定的簇头数量将使得负载更加均衡。图6比较了三种算法的簇头数量，从图中可以看出，相对于ALEACH和EEUC，CHEEB算法产生的簇头数量更集中于簇头数量的期望值，主要原因是提出的基于簇头期望的阈值和距离权值能较为准确地描述网络特性，因此簇头分布和数量能更加稳定。

从图7可以看出，CHEEB算法中簇的大小整体比较均匀，同时簇在应用场景中的位置相对比较适当，这都对平衡簇头节点与非簇头节点的能量消耗差距和网络中整体的能量消耗速率起到了一定的效果

上述实施例仅用来进一步说明本发明的一种基于簇头期望的无线传感器网络能量均衡路由优化方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (5)

1.一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于，包括：将簇数目、节点剩余能量以及簇的负载均衡等因素加入到簇头的选举中，将分簇的负载分布情况和节点剩余能量作为选举簇头的两个主要指标；所述簇头的选举的工作时间单位是轮，每一轮分为簇建立阶段和数据传输阶段两部分，通过调整阈值来保证每一轮簇头数目在期望范围，解决簇头能量消耗不均衡的问题；通过控制不同位置簇头的覆盖范围，计算距离权值和剩余能量权值，使得簇头的节点成员分布较为均匀，以提高节点能量效率。

2.根据权利要求1所述的一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于：Ci是节点i在当前周期是否成为过簇头的指示函数，所述簇建立阶段的步骤为：

A1、遍历每个未失效且Ci＝1的节点，节点i随机生成[0,1]间的实数j；

A2、计算节点i的阈值Pi，判断Pi与j的大小关系；如果j<Pi，则进入步骤A3，否则转到步骤A4；

A3、节点i当选为本轮簇头，Ci置为0；簇头广播当选簇头信息；进入步骤A5；

A4、节点i未当选本轮簇头，Ci置为1；接收所有簇头发来的当选簇头信息；进入步骤A5；

A5、未当选为簇头的非簇头节点依据接收到的每个簇头发来的当选簇头信息的信号强度，选择信号强度最大的簇头作为本轮所要加入的簇；非簇头节点将连接请求信息反馈给选定的簇头；

A6、簇头接收非簇头节点的连接请求信息，根据簇内节点的数量，簇头创建一个告知节点何时能传输数据的时间表，并且将这个时间表广播到簇内的节点；

A7、簇内的节点接收时间表并进入数据传输阶段。

3.根据权利要求2所述的一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于：所述数据传输阶段的步骤为：

B1、判断节点i是否是簇头；如果不是则进入步骤B2，如果是则进入步骤B3；

B2、每个簇内的节点的无线电关闭直到分配给该节点的传输时间到来；Ci＝1的节点在自己的最后一个时隙里发送剩余能量信息的数据包给簇头；Ci＝0的节点在自己的最后一个时隙里发送不含剩余能量信息的数据包给簇头，转到步骤B3；

B3、簇头打开接收器接收簇内节点发来的数据包；簇头接收到所有簇内节点的数据包后先进行数据融合，再将捎带剩余能量信息发送给基站；

B4、基站接收簇头发来的信息并计算Ci＝1节点的平均能量，再广播给全网；

B5、节点接收计算阈值所必须的平均能量；

B6、新一轮开始，判断是否是新周期，如果是新的周期则将所有节点的Ci重置为1，转入步骤A1；如果判断为否则转入步骤B1。

4.根据权利要求2所述的一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于：步骤A3中簇头广播当选簇头信息包含当选簇头节点的ID和用于区分该消息是否为公告信息的首部。

5.根据权利要求2所述的一种基于簇头期望的无线传感器网络能量均衡路由优化方法，其特征在于：所述步骤A2中的阈值Pi的计算公式为：

$P_i=\frac{k*C_i}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{E_i}{E_{C_i=1}}---\left(1\right)$

因为只有当前周期还未成为簇头的节点可以参加簇头选举，所以(1)式中能量比例因子的分母不是全体节点的平均能量，而是有资格参加选举的节点平均能量；同时(1)式可以使得期望簇头数目保持k不变；簇头期望公式为：

$E[\#\mathrm{CH}]=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_i---\left(2\right)$

将(1)式代入(2)式得：

$\begin{array}{c}E[\#\mathrm{CH}]\\ =\frac{k}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(C_i*E_i)}{E_{C_i=1}}\\ =\frac{k}{n-k\left(r\mathrm{mod}\frac{n}{k}\right)}*\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(C_i*E_i)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{C}_i}}\\ =\frac{k*\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{C}_i}{n-k\left(r\mathrm{mod}\frac{n}{k}\right)}\end{array}---\left(3\right)$

由W.Heinzelman等人研究的文献《An application-specific protocol architecture forwireless microsensor networks》可知：

$E\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_i\right]=n-k*\left(r\mathrm{mod}\frac{n}{k}\right)---\left(4\right)$

由(4)式和(3)式可得:

$E[\#\mathrm{CH}]=\frac{k*[n-k*\left(r\mathrm{mod}\frac{n}{k}\right)]}{n-k*\left(r\mathrm{mod}\frac{n}{k}\right)}---\left(5\right)$

为了节点能量均衡，要多让高能量节点当选簇头，每个候选簇头将自身的地址位置、剩余能量、节点与簇头的距离以及簇头与基站的距离等消息广播给其他节点；令节点i的初始能量为E_i0，在第r轮分簇之前的剩余能量权值F(E_ir)为

$F\left(E_{i^r}\right)=\left\{\begin{array}{c}1,r=1\\ \frac{E_{i^{r-1}}}{\frac{1}{N(m,r-1)}\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}{E}_{j^{r-1}}}\&CenterDot;\frac{E_{i^{r-1}}}{E_{i^0}},r>1\end{array}\right.---\left(6\right)$

F(E_ir)越大，说明该节点在此时的剩余能量越大；

节点i到簇头CH_i的通信范围越小，簇头与节点之间的能耗越小；同样如果节点i到基站BS的通信范围越小，数据传输的能耗也越小。根据自由传播能量模型可知，则综合距离权值可以表示为

$D\left(v_i\right)=1-\frac{d{(i,{\mathrm{CH}}_i)}^2}{\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}d{(j,{\mathrm{CH}}_i)}^2}-\frac{d{(i,\mathrm{BS})}^2}{\underset{j=1}{\overset{N(m,r-1)}{\mathrm{\&Sigma;}}}d{(j,\mathrm{BS})}^2}---\left(7\right)$

结合公式(5)，同时加入综合距离权值使得簇头尽量靠近基站，减少数据传输消耗的能量；节点i成为簇头的概率由式(8)计算：

P_i-ch＝αF(E_ir)+βD(v_i)   (8)

设α、β为调节节点剩余能量权值和综合距离权值在簇头竞争时所占的概率比值，且α+β＝1。