下载文档原格式
⽆线传感器⽹络数据融合概述⼀、数据融合。
所谓数据融合，就是将多份数据或信息进⾏处理，组合出更有效、更符合⽤户需求的结果的过程。
在⽆线传感器⽹络的研究中，数据融合起着⼗分重要的作⽤，主要表现在以下三个⽅⾯：1．节省能量在部署⽆线传感器⽹络时，需要使传感器节点达到⼀定的密度以增强整个⽹络的鲁棒性和监测信息的准确性，有时甚⾄需要使多个节点的监测范围互相交叠。
这种监测区域的相互重叠导致了邻近节点报告的信息存在⼀定程度的冗余。
数据融合就是要针对这种情况对冗余数据进⾏⽹内处理，即中间节点在转发传感器数据之前，⾸先对数据进⾏综合，去掉冗余信息，在满⾜应⽤需求的前提下将需要传输的数据量最⼩化。
2．获得更准确的信息由于⽆线传感器⽹络由⼤量低廉的传感器节点组成，部署在各种各样复杂的环境中，因⽽从传感器节点获得的信息存在较⾼的不可靠性。
由此可见，仅收集少数⼏个分散的传感器节点的数据较难确保得到信息的正确性，需要通过对监测同⼀对象的多个传感器所采集的数据进⾏综合，来有效地提⾼所获得信息的精度和可信度。
3．提⾼数据的收集效率在⽹内进⾏数据融合，可以在⼀定程度上提⾼⽹络收集数据的整体效率。
数据融合减少了需要传输的数据量，可以减轻⽹络的传输拥塞，降低数据的传输延迟；即使有效数据量并未减少，但通过对多个数据分组进⾏合并减少了数据分组的个数，可以减少传输中的冲突碰撞现象，所以也能够提⾼⽆线信道的利⽤率。
⼆、⽆线传感器⽹络应⽤层数据融合数据融合技术可以在传感器⽹络协议栈的多个层次中实现，既可以在MAC协议中实现，也可以在路由协议或应⽤层协议中实现。
传感器⽹络中的数据融合技术可以从不同的⾓度进⾏分类，介绍三种分类⽅法：依据融合前后数据的信息含量分类；依据数据融合与应⽤数据语义的关系分类；依据融合操作的级别进⾏分类。
1、根据数据进⾏融合操作前后的信息含量，可以将数据融合分为⽆损失融合和有损失融合两类。
(1)⽆损失融合⽆损失融合中，所有的细节信息均被保留。
新一代低功耗无线传感器网络路由协议设计与优化近年来，随着物联网技术的快速发展，低功耗无线传感器网络成为了一种新型的信息感知、数据采集、远程监控和控制等应用模式。
而这种无线传感器网络需要一个高效的路由协议，才能实现数据的快速、准确、稳定地传输。
因此，新一代低功耗无线传感器网络路由协议的设计和优化成为了当今研究的热点之一。
一、传感器网络的基本特点与要求低功耗无线传感器网络是由大量的小型节点组成的网络系统。
这些节点具有自主能源供应、自主感知和数据处理的能力，并通过无线通信技术实现相互之间的信息传输和共享。
因此，低功耗无线传感器网络具有天然的分布式、可扩展性和自组织特点。
但是，受到功耗、通信、计算和存储等方面的限制，传感器网络也存在一些技术难点和技术要求。
首先，传感器网络的节点需要具有低功耗、小型化、易于部署和安装等特点。
这要求路由协议要具有高效的能量管理和低功耗的通信机制，以延长网络的生命周期和提高系统的可靠性。
其次，传感器网络需要具备快速、准确、稳定地传输和处理数据的能力，以满足实时监控、数据采集和信息共享等应用需求。
这要求路由协议要具有良好的传输延迟、吞吐量和可靠性等性能指标，以保证数据传输的质量和效率。
最后，传感器网络还需要具备自组织和自适应的能力，以适应不同环境和应用场景的需求。
这要求路由协议要具有动态配置、自愈和优化等特性，以提高网络的稳定性和鲁棒性。
二、传感器网络路由协议的分类与特点传感器网络路由协议是指控制节点之间数据传输和路由的方式和规则。
根据路由协议的不同特点和功能，可以将其分为以下几类。
1.扁平式路由协议扁平式路由协议是一种简单、直接和易于实现的路由协议。
它将节点视为等级平等的节点，无需构建路由层次和拓扑结构，只需要在节点之间建立直接的连接，完成数据传输和处理。
这种路由协议具有低复杂性、低延迟和低劣化等优点，尤其适用于小规模、低密度和需求简单的传感器网络。
2.分层式路由协议分层式路由协议是一种基于层次拓扑结构的路由协议。
传感器网络的关键技术无线传感器网络作为当今信息领域新的研究热点，涉及多学科交叉的研究领域，有非感常多的关键技术有待发现和研究，下面仅列出部分关键技术。
1、网络拓扑控制对于无线的自组织的传感器网络而言，网络拓扑控制具有特别重要的意义。
通过拓扑控制自动生成的良好的网络拓扑结构，能够提高路由协议和MAC协议的效率，可为数据融合、时间同步和目标定位等很多方面奠定基础，有利于节省节点的能量来延长网络的生存期。
所以，拓扑控制是无线传感器网络研究的核心技术之一。
传感器网络拓扑控制目前主要研究的问题是在满足网络覆盖度和连通度的前提下，通过功率控制和骨干网节点的选择，剔除节点之间不必要的无线通信链路，生成一个高效的数据转发的网络拓扑结构。
拓扑控制可以分为节点功率控制和层次型拓扑结构形成两个方面。
功率控制机制调节网络中每个节点的发射功率，在满足网络连通度的前提下，减少节点的发送功率，均衡节点单跳可达的邻居数目；已经提出了COM POW等统一功率分配算法，LINT／LIL T和LM N／LMA等基于节点度数的算法，CBTC、LMST、RNG、DRNG 和DL SS等基于邻近图的近似算法。
层次型的拓扑控制利用分簇机制，让一些节点作为簇头节点．由簇头节点形成一个处理并转发数据的骨干网，其他非骨干网节点可以暂时关闭通信模块，进入休眠状态以节省能量；目前提出了Top Disc成簇算法，改进的GAF虚拟地理网格分簇算法，以及LEACH和HEED等自组织成簇算法。
除了传统的功率控制和层次型拓扑控制，人们也提出了启发式的节点唤醒和休眠机制。
该机制能够使节点在没有事件发生时设置通信模块为睡眠状态，而在有事件发生时及时自动醒来并唤醒邻居节点，形成数据转发的拓扑结构。
网络结构鲁棒性指标及应用研究杜巍;蔡萌;杜海峰【摘要】为了更好地测度网络抵御破坏的能力,基于网络连通和恢复能力提出了连接鲁棒性和恢复鲁棒性两种指标.运用这两种指标,以网络规模为500,取20次独立实验的均值,对ER随机网络、规则网络、BA无标度网络以及WS小世界网络4种典型网络结构进行仿真.实验结果表明:ER随机网络对于恶意攻击的鲁棒性要优于其他3种网络;BA无标度网络仅节点恢复鲁棒性较好,边恢复鲁棒性和连接鲁棒性最差;规则网络拥有很好的连接鲁棒性但恢复鲁棒性最差;WS小世界网络受其参数影响,鲁棒性介于ER随机网络和规则网络之间.同时还发现,网络结构鲁棒性的下降随着去除节点个数的增加和网络结构参数的改变而呈现出一定的"涌现"现象.【期刊名称】《西安交通大学学报》【年(卷),期】2010(044)004【总页数】5页(P93-97)【关键词】鲁棒性;复杂网络;小世界网络;无标度网络【作者】杜巍;蔡萌;杜海峰【作者单位】西安交通大学管理学院,710049,西安;西安交通大学公共管理与复杂性科学研究中心,710049,西安;西安交通大学管理学院,710049,西安;西安交通大学公共管理与复杂性科学研究中心,710049,西安;西安交通大学公共管理与复杂性科学研究中心,710049,西安【正文语种】中文【中图分类】TN711.1不论是互联网络等技术网络,还是人际互动形成的社会网络,在运行中经常会受到干扰或破坏,从而导致其性能降低甚至功能完全丧失.网络结构对外界破坏的抵抗能力,即结构鲁棒性,已经成为复杂网络研究的重要特征之一[1-2].关于网络节点随机故障或遭受恶意攻击的结构鲁棒性研究已经受到广泛关注[3-6].Kwon等人[3]通过研究反馈结构和网络鲁棒性之间的关系,指出无标度网络模型能比随机图模型演化出更多的反馈结构,同时系统的鲁棒性也得到了更大的提高.Ash等人[4]采用进化算法来优化网络结构,发现聚类、模块性和长路径长度都对网络鲁棒性有重要影响.Gao等人[5]采用居间中心性研究网络鲁棒性,揭示对于大多数食物网来说,基于居间中心性的攻击比基于度的攻击更为有效[5].Wang等人[6]认为,通过优化网络效率(平均倒置路径长度)可以提高网络对随机故障的鲁棒性.虽然目前对网络结构鲁棒性的影响因素从理论分析和攻击策略等方面进行了有益探讨,但还缺乏对网络结构鲁棒性指标及其在不同网络中应用的研究.就度量指标而言,一般都是通过探测网络连通性作为鲁棒性的判断依据,而较少考虑网络受到破坏后的恢复能力,而且有关指标分析主要集中在无标度网络.本文从网络抵御连接破坏的能力以及受到破坏后结构恢复能力两个方面,分别提出连接鲁棒性和恢复鲁棒性两种网络结构鲁棒性测度指标,并采用新的结构鲁棒性指标,从网络结构的角度对ER随机网络、规则网络、BA无标度网络以及WS小世界网络等几种典型网络的鲁棒性进行实验分析,验证了本文鲁棒性指标的可用性和有效性,探讨了网络结构鲁棒性和网络结构特征之间的关系.1 结构鲁棒性指标定义鲁棒性用来表示系统在被干扰情况下保持其功能或性质的能力.在遭受外界干扰或破坏时,网络结构鲁棒性不但要反映网络结构本身对于破坏的抵御能力,而且还要体现遭受破坏后结构的恢复能力.本文将前者定义为连接鲁棒性,将后者定义为恢复鲁棒性.1.1 连接鲁棒性网络中某些节点在遭受攻击破坏后,剩余的节点之间仍然能够继续保持连通的能力,称为连接鲁棒性.现实中对网络进行攻击的方式很多,比较典型的是随机攻击和恶意攻击.与随机攻击相比,恶意攻击破坏度较大的节点,对网络造成的危害更大,因此本文采用恶意攻击的破坏方式进行实验.从特定网络中去除度最大的 Nr个节点及其相应的边,在破坏过程中,采用的是一次性破坏方式,即同时破坏Nr个符合条件的节点而不是依次破坏.基于上述破坏方式,本文采用的连接鲁棒性的指标为[7]式中:N表示初始网络的规模;Nr表示从网络中去除的节点个数;C表示当节点被去除后网络中最大连通子图(即成分)中的节点个数.1.2 恢复鲁棒性社会互动中,如果很难获得特定个人的信息,一种可行的方法是通过询问与该个体有关系的人群,在一定程度上恢复该个体的信息.类似策略已经用于通过网络方法寻找恐怖集团中的关键人物[8].基于上述社会现实,本文将恢复鲁棒性定义为:当一个网络中部分节点被破坏后,能够通过某些简单的策略将消失的网络结构元素(包括边和节点)进行恢复的能力.针对节点和边两种情况,恢复鲁棒性指标分别定义为式中:D表示节点恢复鲁棒性指标;E表示边恢复鲁棒性指标;Nd表示通过某种策略恢复的节点个数;M表示初始网络中边的数量;Mr为从网络中去除的边的个数;Me 表示通过某种策略恢复的边的数量.一般地,网络的节点恢复鲁棒性要高于边恢复鲁棒性.因为要完全破坏一个节点使之不能恢复,必须要将网络中与之相关的信息全部去除,即要同时破坏所有与之相连的边,而使网络中的一条边无法恢复,则只需要将这条边连接的两个节点去除就可以了,因为该边在网络中的相关信息仅保留在其两端的节点上.由于难以利用解析关系描述上述指标和网络拓扑结构之间的关系,因此从理论上探讨上述指标的性质比较困难,本文主要基于典型网络的仿真实验加以分析和验证.2 4种典型网络结构采用本文的结构鲁棒性指标对ER随机网络、最近邻耦合规则网络、BA无标度网络和WS小世界网络等4类典型网络进行结构鲁棒性分析.2.1 随机网络ER随机网络模型[4](Random Network)是网络研究的主要参考模型之一.对一个具有N个节点的网络,按照一定的概率 p连接其中任意一对节点,即可构成 ER随机网络,其网络密度ρ=[pN(N-1)]/[N(N-1)]=p.2.2 规则网络如果将网络视为节点与连线的集合,那么节点按确定的规则连线,所得到的网络可称为规则网络(Regular Network).本文中所使用的规则网络模型为最近邻耦合规则网络[9],即对于一个给定的k值(k为偶数),将网络中的N个节点围成一个环,其中每个节点只与两边的k/2个邻居节点相连.2.3 无标度网络网络的节点度服从幂律分布则可称为无标度网络(Scale-free Network).本文采用Barabasi和Albert[10]提出的经典的BA无标度网络模型,其构造算法如下. (1)增长:网络的初始节点数为m0,每经过一个时间t0引入一个新的节点,将该节点连接到m个已存在的节点上,其中m≤m0.(2)择优连接:一个新的节点与网络中已存在的节点i相连的概率为式中:ki表示节点k的度.2.4 小世界网络作为从完全规则网络向完全随机网络的过渡,Watts和Strogatz[11]提出了小世界网络模型(Small-world Network).本文采用经典的WS小世界网络模型,其构造算法如下.(1)构造规则网络:将一个包含N个节点的最近邻耦合网络围成一个环,其中每个节点与它左右相邻的k/2个节点相连,k为偶数.(2)随机重连:以概率 p随机地重新连接网络中的每条边,即将边的一个端点保持不变,而将另一个端点随机放在一个新的位置上,但要排除自身与自身的连线以及重复的连线.4种典型网络结构如图1所示.3 仿真实验与讨论仿真实验均在IntelRCoreTM22.00 GHz的PC上采用Matlab7.0编程实现,所采用的4种网络规模均从50递增至650,其中50至100步长为10,100至300步长为20,300至650步长为50,这些网络均为无自环无向0-1网络.其中:ER随机网密度从0.001以步长0.001递增至1;BA无标度网络初始节点数m0为20,增长率m 从2以步长2递增至20;WS小世界网络平均度k从2以步长2递增至30,重连概率p从0.000 2以步长0.000 2递增至0.1;规则网络平均度k从2以步长2递增至30.图1 4种典型网络结构图需要说明的是,实验结果均为20次独立随机实验的统计平均值.由于实验发现网络规模对于网络结构鲁棒性指标变化趋势影响不大,因此本文仅以网络规模为500进行分析.3.1 连接鲁棒性实验分析图2中给出了网络规模为500时,几种具有代表性网络参数的连接鲁棒性指标随网络节点破坏数目增加而变化的情况.对于ER随机网络,网络的连接能力在去除节点数目的一定范围内下降很快,表现出“涌现”现象,网络密度的增大可以提高连接鲁棒性.实验发现规模为500的ER随机网络,当密度不小于0.3时,网络的连通性不会遭到破坏,定义该密度为ER随机网连接鲁棒性的临界密度.图3显示了不同网络规模的ER随机网络临界密度,可以看出,随着网络规模的增大,临界密度呈下降趋势.对于BA无标度网络,随着从网络中去除节点数目的增多,网络的连接能力的下降同样具有“涌现”现象,而随着网络密度的增大,网络的连接鲁棒性也随之增强.对于WS小世界网络,在网络节点度和重连概率固定时,其连接鲁棒性R与网络节点度和重连概率p的关系如表1所示.对于规则网络,在一次性破坏中,选取连续节点进行去除,规则网络的连接能力不会遭到破坏.由图2还可以发现,规则网络和ER随机网络对于恶意攻击的连接鲁棒性最好,而BA 无标度网络面对恶意攻击则表现得较为脆弱,WS小世界网络作为规则网络向随机网络的过渡,其鲁棒性介于两者之间.对于固定规模的4种典型网络,其连接鲁棒能力的改变不仅随着去除节点个数的变化而呈现出“涌现”现象,而且随着其参数(主要是密度)的改变也呈现出“涌现”现象.表1 小世界网络连接鲁棒性指标与结构参数的关系连接鲁棒性网络节点度p∈[0.0002,0.01) p∈[0.01,0.1]k∈[2,8]R∝1 p ,R∝1 k R∝1 p ,R∝kk∈[8,30]R∝1 p ,R∝1 k R∝p,R∝k图2 不同参数下4种典型网络的连接鲁棒性图3 不同网络规模时ER随机网络的临界密度3.2 节点恢复鲁棒性实验分析依然采用1.1节中恶意攻击破坏策略,节点恢复策略是:如果节点i和节点j直接相连,那么当节点i被去除时,如果j还在剩余网络中,那么可以通过j的信息将节点i及它们之间的边进行恢复.图4所示的是网络规模为500,具有代表性网络参数的节点恢复鲁棒性指标随网络节点破坏数目增加而变化的情况.图4 不同参数下4种典型网络的节点恢复鲁棒性由图4可以发现,对于ER随机网络,当密度较小时,随着从网络中去除节点数的增多,越来越多的丢失节点得不到恢复.当网络密度增大至0.3时,ER随机网络中遭到破坏的节点可以完全恢复,本文称这个密度为节点恢复鲁棒性的临界密度.与连接鲁棒性临界密度类似,ER随机网络节点恢复鲁棒性临界密度也随着网络规模的增大而呈下降趋势.对于BA无标度网络,当去除节点较少时,网络可以完全恢复,随着网络中去除节点数的增加,当到达某一临界值时,不能得到恢复的丢失节点快速增加;随着网络密度的增大,节点的恢复鲁棒性得到增强.对于WS小世界网络,如果固定重连概率p,则随着去除节点的增多,恢复能力的下降具有“涌现”现象.节点度数k的增大,可以使节点恢复鲁棒性得到提升.若固定节点度数k,随着重连概率 p的增大,节点恢复鲁棒性得到提升.规则网络的节点恢复鲁棒性可近似于重连概率极小时的小世界网络,随着去除节点个数的增加鲁棒性的下降呈“涌现”现象,可以发现增加网络的平均度k可以提高规则网络的节点恢复鲁棒性.对于固定规模的4种典型网络,其节点恢复鲁棒能力的改变不仅随着去除节点个数的变化而呈现出“涌现”现象,而且随着其参数(主要是密度)的改变也呈现出“涌现”现象.3.3 边恢复鲁棒性实验分析采用与3.2节同样的实验策略,图5给出了网络规模为500时,几种具有代表性网络参数的边恢复鲁棒性指标随网络节点破坏数增加而变化的情况.图5 4种典型网络的边恢复鲁棒性对于ER随机网络,随着网络密度的提高,边恢复鲁棒性得到增强.当网络密度达到一定临界值时,边恢复鲁棒性几乎与密度无关,原因是不能恢复的边为丢失节点间的相互联系,边恢复鲁棒性定义为对于BA无标度网络,具有不同增长率的线几乎完全重叠.边恢复鲁棒性指标和去除节点数 Nr呈线性负相关,且与密度的变化关系不大.对于WS小世界网络,若固定重连概率p,随着去除节点的增多,边的恢复能力下降同样具有“涌现”现象.节点度数k的增大,可以使边恢复鲁棒性得到提升.若固定节点度数k,随着重连概率p的增大,边恢复鲁棒性得到提升.与节点恢复鲁棒性一样,增加网络的平均度k可提高规则网络的边恢复鲁棒性,但并不十分显著.总的来说,ER随机网络对于恶意攻击的节点恢复鲁棒性和边恢复鲁棒性都最好,规则网络则最差.WS小世界网络受其参数影响,其鲁棒性介于上述二者之间.BA无标度网络的边恢复鲁棒性和规则网络一样差,但节点恢复鲁棒性较好.4 结论本文定义了连接鲁棒性和恢复鲁棒性两类指标,分别反映了网络抵御破坏的能力和受到破坏后网络的重构能力.仿真实验表明:ER随机网络对于恶意攻击的鲁棒性要优于其他3种网络;BA无标度网络仅节点恢复鲁棒性较好,边恢复鲁棒性和连接鲁棒性最差;规则网络拥有很好的连接鲁棒性但恢复鲁棒性最差;WS小世界网络受其参数影响,鲁棒性介于ER随机网络和规则网络之间.同时还发现,网络结构鲁棒性的下降不仅随着去除节点个数的增加而呈现出“涌现”现象,而且随着网络结构参数的改变也表现出一定的“涌现”现象.对于不同的网络规模,出现“涌现”现象的临界网络参数也不同.本文定义的指标可以刻画不同网络结构的鲁棒性,丰富了网络结构指标体系,有利于全面揭示互联网络和人际关系网络等现实网络的结构稳定性.对于不同参数、不同网络的结构鲁棒性的数学解析表达和定量描述,是后续进一步研究的内容.参考文献:【相关文献】[1]NEWMAN M E J,BARABASI A L,Watts D J.The structure and dynamic ofnetworks[M].Princeton,NJ,USA:Princeton University Press,2006.[2]ALBERT R,JEONG H,BA RABASI A L.Attack and error tolerance in complexnetworks[J].Nature,2000,406(6794):387-482.[3]KWON Y K,CHO K H.Analysis of feedback loops and robustness in network evolution based on Boolean models[J].BMC Bioinformatics,2007,8(9):430-438.[4]ASH J,NEWT H D.Optimizing complex networks for resilience against cascading failure[J].Physica A:Statistical Mechanics and its Applications,2007,380(7):673-683.[5]GAO Liang,LI Menhui,WU Jinshan,et al.Betweenness-based attacks on nodes and edges of food weds.dynamics of continuous[J].Discrete and Impulsive Systems:SeriesB,2006,13(3):421-428.[6]WANG Bing,TANG Huanwen,GUO Chonghui,et al.Optimization of network structure to random failures[J].Physica A:Statistical Mechanics and its Applications,2006,368(2):607-614.[7]DODDS S P,WATTS D J,SABEL F rmation exchange and robustness of organizational networks[J].Proceedings of the National Academy ofSciences,2003,100(21):12516-12521.[8]BOHANNON J.Counterterrorism's newtool:‘metanetwork'analysis[J].Science,2009,325(5939):409-411.[9]汪小帆,李翔,陈关荣.复杂网络理论及其应用[M].北京:清华大学出版社,2006.[10]BA RABASI A L,ALBERT R.Emergence of scaling in randomnetworks[J].Science,1999,286(5439):509-512.[11]WATTS D J,STROGATZ S H.Collective dynamics of‘small-world'networks[J].Nature,1998,393(6684):440-442.。
【关键字】历史、设计、情况、方法、前提、进展、空间、监测、运行、问题、系统、有效、继续、充分、均衡、合理、良好、优良、公平、执行、提升、发展、提出、发现、了解、研究、特点、位置、关键、稳定、网络、理想、思想、成果、基础、需要、环境、工程、资源、重点、能力、需求、方式、差距、作用、标准、规模、结构、速度、设置、分析、简化、逐步、保护、满足、管理、保证、维护、确保、指导、教育、优化、调整、加快、方向、适应、实现doi: 10.6043/一种鲁棒的中等规模分簇结构水下传感器网络张昊1，王世练1*，孙海信2（1.国防科学技术大学电子科学与工程学院，湖南长沙410073；2. 厦门大学信息科学与技术学院，水声通信与海洋信息技术教育部重点实验室，福建厦门361005）摘要：针对现有水下传感器网络分簇算法负载不均衡和生命周期较短的问题，基于粒子群优化算法和遗传算法的基本思想，提出一种全局优化的智能分簇算法。
为了使粒子初始化编码较为合理公平，根据节点近期当选过簇首的次数动态调整节点选举概率；通过对粒子整个编码区域进行循环搜索来捕获一个优良的随机交叉片段，保证了交叉后的粒子含有一定数量的历史较优簇首信息；通过节点编码位的变异提高算法的探索性，并确保解空间的存在性；在粒子评价函数中综合考虑簇首能量、负载均衡和分簇范围三个优化子目标。
仿真结果表明，提出的算法更好地均衡了簇首负载，同时有效减少了网络能耗，延长了网络生命周期大约三倍左右。
关键词：水下传感器网络；分簇算法；负载均衡；能量有效；离散粒子群优化；物联网；环境监测中国分类号：TP393 文献标识码：A随着社会经济的发展，人类对海洋资源和海洋航道的依赖日益增大，为了更好地勘探海洋资源，保护海洋环境，预防海洋灾难以及监测水下目标，各国政府和科学家都越来越重视对海洋的研究。
水下声学传感器网络通过在海底布设传感器节点和在水面部署浮标网关节点，将水下传感器收集到的信息通过单跳或多跳的方式，以声信号发送到下一个中继节点或海面网关，海面网关节点接收到声信号后，收稿日期：2016-04-20 录用日期：2016-09-19基金项目：国家自然科学基金()*通信作者：wangsl@再以无线电方式发送到岸基中心或卫星上。
因此可以很好地实现水下信息收集，并通过信号和数据分析实现灾害预警、港口监测以及水下导航、定位等业务。
由于水下环境的复杂性，水声通信信道是目前为止最为复杂的无线信道，其具有低速率、强多径、高噪声、大衰减以及时-空-频变的特征，这对水声通信系统性能和传感器组网带来了很大挑战[1-3]。
水下传感器网络作为一种特殊的无线网络，除了具有陆地无线传感器网络所具有的一般特性外，还具有高动态性、自组织能力、节点能量有限、传输高时延高误码等特性[4-7]。
网络拓扑结构是无线网络工作运行的基础，一个良好的拓扑结构为无线传感器网络的路由和MAC等协议的优化设计提供了前提。
无线网络的拓扑结构可以分为平面结构和分级结构。
其中，平面结构简单健壮，但是可扩展性差，主要适用于小规模网络；分级结构将网络节点分为不同的工作级别，使用簇首节点对成员节点进行管理和数据融合，简化了路由设计，对于节点较多的水下传感器网络有很好的研究价值。
分簇结构是一种主要的无线网络分级拓扑结构。
Leach算法错误!未找到引用源。
是最早的一种无线网络分簇结构协议，该算法实现了动态簇首选举，簇内进行数据融合，但是该算法存在簇首负载不均衡的问题，且在簇首选举中并未考虑节点能量。
HEED算法错误!未找到引用源。
是一种混合的无线网络分簇算法，簇首分布较均衡，在簇首选举中考虑了节点剩余能量，但是在分簇阶段需要进行多次迭代，导致控制开销很大。
EEUC算法错误!未找到引用源。
是一种非均匀无线网络分簇算法，使用迭代的方式竞选簇首，过多的交互信息增加了网络能耗。
EEMUC 算法错误!未找到引用源。
在水下环境中通过网络非均匀分层在区域内竞争簇首，减少了交互信息的开销，节省了网络能耗，但是该算法在大规模水下网络中更为适合，在目前以中小规模为主的水下网络中性能提升有限。
文献错误!未找到引用源。
提出了一种采用离散PSO算法并引入交叉和变异算子的集中式分簇算法，但是该算法只是为大规模的陆地传感器网络设计的，当节点数较少的时候性能会下降，同时并未考虑水下传感器网络的特点和算法需求，也未考虑水下节点通信时的能量消耗特点，且其中的交叉和变异算法也不适合于水下传感器网络分簇算法的需求。
这些问题导致以上的无线分簇网络应用到水声环境时生命周期较短，并且影响整个网络的实际应用效果。
针对上述算法中存在的不足，本文提出了一种新的水下传感器网络分簇优化算法，该算法采用全局优化的思想，有效提高了网络生命周期和负载均衡。
1 网络模型和能量消耗模型1.1 网络模型在本文提出的算法中，主要以浅海中等规模的二维分簇结构水下传感器网络为研究对象。
我们对该网络做出如下假设：1）水面浮标网关布置在网络区域中心，且能量没有限制；2）水面网关知道每个节点的剩余能量和位置坐标；3）各节点电池能量有限且初始能量相同，同时具有发射功率控制功能；1.2 能量消耗模型由于海洋环境的特殊性，水下远距离通信只能采用声信号进行通信，首先参考文献错误!未找到引用源。
和错误!未找到引用源。
分析水声通信机发射和接收信号时的能量消耗模型：1）被动声呐公式被动声呐接收端信号的信噪比为:SNR SL TL NL DI =--+ （1）其中，SL 为发射声源级，TL 是传输损耗，NL 是背景噪声级，DI 是方向系数。
所有量的单位是dB 。
2）传输损耗在浅海水域，声信号传输损耗近似为：310log 10TL d d α-=+⨯ （2）其中d 是收发距离，单位是m ，α是海水吸收系数，单位是dB/km 。
吸收系数α一般的计算公式为：2242220.140 2.75100.00314100f f f f fα-=++⨯+++ （3） 其中f 表示通信频率，单位是kHz 。
一般水声通信系统使用的通信频率为8~15kHz ，且通信带宽很窄。
3）传输功率在浅海水域，距离声源d m 处信号强度T I 时声源传输功率(d)=2d T TP H I π⨯⨯⨯ （4） 其中/1018100.6710SL T I -=⨯⨯，单位为2/W m 。
H 是海水深度，单位是m 。
（4）发射机的能量消耗节点发送k bit 数据包到d m 距离，消耗的能量为(d)+E ele T c T T E P T k =⨯ （5）T T 是发送k bit 数据所需的时间，单位是s 。
E elec 是处理1 bit 信息电路所消耗的能量。
（5）接收机的能量消耗接收机接收k bit 数据消耗的能量为E =+E R R R elec T k P ⨯（6）其中R P 是接收功率，R T 为接收k bit 数据所需的时间。
2 分簇优化算法为了有效提高水下传感器网络的负载均衡和延长其生命周期，本文针对水下传感器网络的特点，基于粒子群优化算法（Particle Swarm Optimization ，PSO ）和遗传算法（Genetic Algorithm ，GA ）的基本思想，针对浅海中等规模的水下传感器网络提出了一种改进的分簇算法。
2.1 基本的粒子群优化算法在PSO 算法中，每个优化问题的解都是搜索空间中的一个“粒子”。
所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定它们搜索的方向和距离。
PSO 初始化为一群随机粒子（随机解），然后通过迭代找到最优解。
在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。
第一个是粒子本身所找到的最优解，即个体极值pBest 。
另一个极值是整个种群目前找到的最优解，即全局极值gBest 。
基本粒子群优化算法的流程图如图1所示，其中粒子位置和速度的更新方程如下：()()11122t t t t i i i i i V w V c r pBest X c r gBest X +=⨯+-+- （7）11t t t i i i X X V ++=+ （8）图1基本的粒子群优化算法流程图Fig. 1 Flow chart of basic particle swarm optimization algorithm2.2 改进的全局优化分簇算法虽然PSO 算法具有算法实现简单、收敛速度快和效率高等很多优点，但是该算法只适用于求解实数型连续优化问题，而水下传感器网络分簇优化是一个离散的优化问题。
为了充分利用PSO 算法的优点，本文将遗传算法中染色体互相共享信息的思想引入该离散问题的求解中，将节点进行离散编码映射，然后针对水下传感器网络分簇问题的特点采用改进的交叉、变异算子和评价函数，以此实现了水下传感器网络分簇拓扑结构高效、合理的优化。
该算法使得粒子在初始编码时比较合理公平，交叉变换后保证了粒子含有一定数量的历史较优簇首信息，并通过变异操作提高了算法的探索性和确保了解空间的存在性。
文章首先叙述了对水下传感器节点的离散化编码，为后面以交叉和变异为核心的算法的操作提供了基础；然后论述了结合遗传算法原理改进的交叉和变异算法，最后为了评价每次迭代得到的粒子性能的优越性，提出了本文研究课题中需要的适应度函数。
2.2.1 节点编码假设水下传感器网络中有n 个水下节点，我们为每个传感器节点赋予一个ID 号码，即1，2，···，n 。
我们用每一个粒子表示簇首选举问题中的一个可行解，粒子在某时刻的位置表示成一个n 维的-1-0-1序列，例如粒子i 在t 时刻可以表示为()12,,,t t t ti i i in X x x x =，其中()1,2,,tik x k n =表示第k 个节点的编码位，-1表示该节点能量耗尽（已经死亡），0表示该节点为存活的普通成员节点，1表示该节点被选为簇首节点。
每个节点初始化的时候都设置编码位为0，同时设置一个簇首选举比例1P _,0,12*i i i pc nc nc p ⎛⎫⎢⎥=∈ ⎪⎢⎥+⎣⎦⎝⎭ （9）其中p 是预先设定的簇首比例，i nc 是该节点在一段时间内当选过簇首节点的次数，节点每当选过一次簇首，则该值加1。
对每个存活节点随机初始化一个0到1之间的随机数，如果该数小于P _i c ，则该节点的编码位被置为1。
粒子i 在t 时刻的个体极值表示为()12,,,t t t ti i i in pBest pBest pBest pBest =，全局指导粒子表示为()12,,,t t ttn gBest gBest gBest gBest =。
假设有16个传感器节点，其ID 依次为1，2，···，16，其中节点9和16在当前时间已经死亡，节点1、3、6、13被选举为簇首节点，编码后粒子如图2所示。
