基于改进PSO 的铁路监测线性无线传感器网络路由算法

李翠然，王雪洁，谢健骊，吕安琪

（兰州交通大学电子与信息工程学院，甘肃 兰州 730070）

0 引言

近年来，无线传感器网络（WSN,wireless sensor network）在铁路、河流、矿井等链状区域的环境监测中得到了广泛应用[1-2]。在链状区域监测中，节点呈线性分布，构成线性无线传感器网络（LWSN,linear wireless sensor network），越靠近sink 节点能耗越大，由此导致了“能量空洞”问题[3]。此外，WSN 具有较强的应用相关性，铁路沿线环境监测场景下的LWSN 还需考虑数据传输的实时性要求[4]。如何有效地均衡节点能耗、降低传输时延是铁路沿线LWSN 高效数据传输亟待解决的关键问题。

分簇路由协议通过构建层次型网络结构实现资源的均衡分配，提高网络能效，以最大化网络生命周期[5]。已有不少学者基于深度强化学习[6]、模糊逻辑算法[7]及群智能优化算法[8-10]等对WSN分簇路由展开研究，但相比于平面网状拓扑结构，LWSN传输路径较单一。簇头是WSN 的重要节点，一旦簇头故障，易造成LWSN 数据传输中断；同时，簇头的能耗远大于簇成员节点，若没有合理的能耗均衡策略，易造成簇头的能量过早耗尽而死亡[11-12]。Ali 等[13]、Kong 等[14]分别对石油和天然气管道、超高压输电线路等链状区域进行能耗均衡的路由优化，但针对监测网络的负载不均衡及其数据的实时传输问题并未给出解决方法，对铁路监测环境的适应性较差。面向铁路监测场景提出的LWSN 路由算法较少考虑簇头负载、簇头间距等参数对能耗均衡的影响以及由此引起的监测网络生命周期特性的变化[15]，缺乏节点能耗与监测网络传输时延的定量分析[16]，在算法普适性方面有所欠缺。此外，在监测网络运行后期，由于个别节点能量耗尽可能导致数据传输中断，因此设计合理的备选路径更新与路由维护机制是十分必要的。以上研究内容对实现铁路沿线监测数据的高效可靠传输、保障乘客安全、降低列车事故或中断交通概率、促进高铁智能无线通信技术的发展具有重大意义。

基于此，本文根据铁路沿线LWSN 部署特点及应用需求，提出一种基于粒子群优化（PSO,particle swarm optimization）理论和广度优先搜索的节能路由算法。该算法研究思路为采用节点沿平行于轨道线两侧的非均匀部署方式；通过选取剩余能量较高的节点作为初始粒子并结合线性递减惯性权重策略，有效避免粒子群优化算法易陷入局部最优的缺陷；以均衡节点能耗为优化目标构建适应度函数并完成优化分簇。同时，考虑节点传输能耗与时延，构建路径成本函数并根据簇头剩余能量动态调整路径成本函数；采取低能量节点保护机制和基于Q-learning 的备选路径更新机制，缓解铁路环境监测区域狭长易造成的传输中断，在延长网络生命周期、降低网络时延的同时提高网络的可靠性。

1 相关工作

针对WSN 能耗问题，已有大量研究成果。文献[17]提出了基于等比数列递增的LWSN 能耗均衡部署策略，可有效提高网络能耗均衡性。LEACH（low energy adaptive clustering hierarchy）[18]协议通过周期性的簇头轮换平衡节点能耗，但仍存在簇头分布不均、网络负载不均等问题，导致靠近sink 节点的簇头能耗过大。文献[19]在LEACH 基础上提出了改进的EEUC（energy-efficient uneven clustering）非均匀分簇协议，成簇阶段考虑了节点剩余能量、簇头间负载以均衡簇头能耗，但不适用于大规模网络。文献[16]提出了铁路监测WSN 非均匀分簇协议，基于簇头能耗、簇头数目和簇成员节点数目间的关系，构建了直线轨道监测区域内的非均匀分簇模型以解决LWSN“能量空洞”问题，但未考虑簇头节点的更新。文献[20]在网络模型中引入了移动汇聚节点，可以沿着特定移动轨迹收集各个簇头节点的数据，优化了数据传输路径。然而，铁路沿线通常呈三维地形，无法支持汇聚节点的随机移动。文献[15]根据铁路沿线WSN 节点采集信息的重要等级，提出了数据包转发模型和数据包排队模型，以减小高优先级数据的传输时延，但忽略了转发节点的负载均衡问题，当个别节点负载过重死亡时，并没有备选路由维护传输路径。文献[21]提出了一种基于强化学习的路由协议，在路由协议设计中考虑节点剩余能量和链路质量，提高了网络对动态环境的适应能力并延长了网络寿命。

PSO 算法具有实现容易、参数少、收敛速度快等优势，已广泛用于WSN 分簇路由算法[22]。文献[23]提出了POFC（PSO optimized fuzzy C-means）算法，基于PSO 优化模糊C均值的初始聚类中心，根据簇成员节点的剩余能量和相对距离构建适应度函数以更新簇头，并使用猫群算法搜索最优传输路径，但最优分簇数及最佳传输距离的值仅适用于平面拓扑WSN 场景，且选举簇头时并未考虑相邻簇头间距离的均衡性。文献[24]通过改进PSO 算法构建非均匀簇结构，并调整惯性权重，该算法在分簇和构建路径时未考虑簇头负载，能量有效性有待提高。文献[25]提出基于改进PSO 算法的分簇路由机制，利用节点剩余能量、位置构建适应度函数，优化簇头选举，并基于最小生成树建立平面拓扑结构下的多跳路径，但频繁的簇头轮换使转发节点及传输路径不断更新，会增加额外的能量消耗，且该算法未对网络时延性能进行分析。文献[26]分析了最小化最大能耗与最小化最大端到端时延之间的权衡关系，提出的分簇策略通过考虑能耗和时延找到最优簇头，但其研究的平面拓扑缺乏对铁路链状区域的适应性。

基于以上论述，现有WSN 分簇路由算法研究主要以节点能耗或负载均衡为优化目标，针对LWSN 监测场景综合考虑能耗与时延的研究较少，且均未考虑主路径故障时备选路径的维护，无法满足铁路沿线监测网络的应用需求。

2 算法模型与假设

在链状区域中，一般采用双侧节点部署[27]。双侧部署减少了节点数量，且避免了传输路径过于单一的问题。以铁路环境监测为应用场景的节点部署模型如图1 所示，令节点沿平行于轨道线的两侧部署，节点类型分为两类：簇头（CH,cluster head）节点和簇成员（CM,cluster member）节点。越靠近sink 节点的CH 节点通信负担越重，为避免个别节点因过早死亡而造成的传输中断，距离sink 节点越近则节点分布越密集。图1 中，节点以公比为q的等比方式部署，令 CH 节点数目为 N，记为c1,c2,…,cN，CM 节点数目为M，CM 节点n1、n2间的水平距离为dt1，则nj、nj+1间的水平距离dtj为

图1 节点部署模型

CM 将采集的信息发送至距离最近的CH 节点ci，ci在各自时分多址（TDMA,time division multiple access）时隙将接收的信息融合后传输至下一跳CH节点，并以多跳的方式传输至sink。

假设铁路环境监测LWSN 中的节点具有如下性质[16]：sink 节点能量不受限，各节点初始能量相同，且只考虑节点发送、接收数据时的能耗。根据节点能量消耗模型[28]，WSN 节点发送、接收lbit数据的能量消耗分别为

其中，Eelec为发送电路、接收电路传输单位比特数据的能耗；εfs和 εamp分别为自由空间信道和多径衰减信道模型的功率放大系数为距离阈值，d为收发端的距离。

3 算法设计

3.1 基于改进PSO 的非均匀分簇

3.1.1 传统PSO 算法

PSO 是一种群智能优化算法，利用个体间的协作与信息共享搜索局部最优值以获取全局最优值，可有效解决WSN 优化分簇问题[29]。基本PSO 算法的数学描述为[24]：设粒子群规模为K，搜索空间为D维，粒子i(1≤i≤K)的位置为Xi=(xi1,xi2,···,xiD)，且以Vi=(vi1,vi2,···,viD)的速度飞行。假设粒子i当前搜索到的局部最优解为Pi=(pi1,pi2,···,piD)，所有粒子获取的全局最优解为Pg=(pg1,pg2,···,pgD)。在迭代过程中，各粒子根据Pi和Pg更新其速度与位置，分别为

其中，φ1和 φ2分别为认知学习因子和社会学习因子，ω 为惯性权重，rand∈(0,1)。

3.1.2 改进PSO 算法与CH 选举

1) 粒子初始化

传统PSO 算法中随机选取初始粒子易使算法陷入局部最优。改进PSO 算法选取剩余能量较高的粒子优化分簇。各节点将剩余能量及其位置信息发送至sink 节点，由sink 节点实现分簇优化及路径选择。sink 节点读取各节点通信范围内邻节点的剩余能量，并筛选能量大于邻节点平均剩余能量Ebi的节点存入集合R。Ebi可表示为

其中，Nbi为CM 节点ni的邻节点数，Er(i)和Er(j)分别为ni及其邻节点nj的剩余能量。sink 节点从集合R随机选择N个节点，作为一组候选CH，即一个粒子，多组候选CH 的集合即初始粒子群。

2) 基于能耗均衡的适应度函数

适应度函数可评估每组候选CH 与最优CH 集的接近程度，周期更新候选CH 集的局部最优与全局最优值。相比CM 节点，CH 承担的通信任务重、能耗大。CH 单跳传输距离的差异性越小，能耗越均衡，此外，簇规模（簇内节点数）也会影响CH能耗。因此，将候选CH 相对能耗、候选CH 间距标准差和候选CH 负载标准差作为粒子质量评价指标。

CH相对能耗是候选CH平均每轮次能耗与CM平均能耗的比值。令Ec(ci,ci+1)和Ec(ci,sink)分别为候选CH 节点ci传输数据至下一跳ci+1和sink 节点时的能耗，N个候选CH 的Ec(ci,ci+1)、Ec(ci,sink)之和为该组候选CH 总能耗为簇内CM节点发送数据至CH 的能耗，其总能耗为的表达式分别为

其中，Ncj为第j个簇内的成员节点数，di_ch为CM节点到各自CH 的距离，di和di_sink分别为当前候选CH 节点ci距下一跳ci+1和sink 节点的传输距离，di_sink具体计算式为

其中，W为图1 中的轨道宽度。则相对能耗Enc 为

候选CH 间距标准差Dist 反映了CH 间传输距离的差异性，其计算式为

其中，di差异越小，各CH 消耗的能量越均衡。表示各个候选CH 间距的均值。

当CH通信负担过重时，节点能耗较高。令Er(ci)为ci的剩余能量，则ci的负载wi可定义为

基于上述粒子质量评价指标，对候选CH 集采用加权方法建立多目标适应度函数

其中，α 、β 、γ∈(0,1)分别为能耗、间距及负载权重系数，α+β+γ=1。当候选CH 相对能耗、候选CH 间距标准差和候选CH 负载标准差越小，适应度函数值越小，分簇结果越优。

3) 线性分布约束下的粒子位置与速度更新

铁路沿线环境监测场景下，节点呈线性分布，粒子的搜索空间降为一维。算法迭代过程中，粒子的位置与速度更新式(4)和式(5)可分别简化为式(16)和式(17)

初始化后的粒子，根据式(15)计算其适应度函数，在迭代过程中根据式(17)更新粒子位置，并根据式(16)更新下次迭代时粒子的速度，所得适应度值最小的粒子即最优解，该组的候选CH 节点即最优CH 集。

4) 线性递减惯性权重

迭代计算时，式(18)中惯性权重ω 可依据前一轮速度调整本轮的搜索能力。ω 较大时，算法全局搜索能力较强；ω 较小时，算法局部搜索能力较强。针对PSO 算法易陷入局部最优，采用线性递减惯性权重法[25]，动态调整ω 以获取更均衡的CH 节点。ω 可表示为

其中，ωmin和ωmax分别为最大和最小惯性权重，fmin和favg分别为本轮迭代候选CH 适应度值的最小值和平均值。当初始时刻的候选CH 适应度值与全局最优粒子适应度fmin差值较大时，所得ω 较大；反之，当候选CH 趋于最优时，ω 向全局最优靠近的速度减小，以进行精细搜索。

基于改进PSO 的非均匀分簇算法如算法1 所示。

算法1基于改进PSO 的非均匀分簇算法

输入LWSN 节点{n1,n2,···,nN+M}

输出CH 节点{c1,c2,···,cN}

3.2 基于广度优先搜索的路由算法

铁路沿线 LWSN 可抽象为加权有向图G=(V,E)，CH 集是图G中的顶点V={c1,c2,···,cN}，图G中的边e={ci,cj}∈E 表示ci与cj间的传输路径。广度优先搜索基本思想为：V 可分为已求出最短路径的节点集合S与未确定节点集合U，从源节点出发依次搜索距离最小的下一跳CH 节点，更新与其相邻的节点的距离，并将其加入S，直至U为空[30]。与之不同的是，本文构建了能耗与时延驱动的路径成本函数，并将其作为广度优先搜索路由算法准则。

3.2.1 路径成本函数

为实现对监测的有效预警，铁路沿线LWSN 应具备较高的实时性。路径的端到端时延与转发次数即传输跳数成正比[26]，因此，本文以传输跳数来衡量网络传输时延。此外，由式(2)和式(3)可知，WSN 节点接收、发送数据的能耗与节点间的距离及数据量有关。在构建LWSN 路径成本函数时，可通过调节接收、发送节点间距从而改变传输跳数，同时为延长网络生命周期，路径成本还应考虑节点能耗的均衡性。

ci接收数据的能耗为

ci发送数据至cj的能耗为

其中，dij为ci到cj的传输距离，可以表示为

ci的总能耗Ec(ci,ci+1)可以表示为

综合考虑传输过程中CH 剩余能量、能耗、每跳CH 间的传输距离，构建CH 路径成本函数costij为

其中，λ1、λ2∈(0,1)分别为能耗因子、距离因子，E0为节点初始能量。网络运行后期，节点剩余能量逐渐减少，λ1、λ2需动态更新，可表示为

3.2.2 路由算法设计

本文设计的路由算法同时考虑节点传输能耗与时延，基于广度优先搜索选取最优的多跳主路径，并在主路径失败后选择备选路径，以实现高效可靠的数据传输。

基于广度优先搜索的路由算法如算法2 所示。

算法2基于广度优先搜索的路由算法

输入利用算法 1 选取的最优 CH 节点{c1,c2,···,cN}

输出c1至sink 节点的最优路径

3.3 基于离散MDP 的Q-learning 备选路径更新与路由维护

铁路环境监测区域狭长，当个别CH 能量过低或出现故障时，易造成传输中断。为此，将LWSN 路由维护问题建模为离散Markov 决策过程（MDP,Markov decision process）模型，并设计了基于Q-learning 的低能量节点保护与备选路径更新机制，如图2 所示。

3.3.1 基于Q-learning 的备选路径更新

Q-learning 的基本思想是Agent 通过不断与环境交互，以达到自主选择最优动作的目标[31]。每个CH 可视为一个Agent，LWSN 即建模为多Agent系统，每个Agent 在其邻近的CH 中选择下一跳，以建立最优的备选路径。在LWSN 中，状态Sc(i)为ci及其相邻簇头的剩余能量、传输距离等信息；CH在 t 时刻根据环境状态Sc(i)选择动作ac(ij)，分别表示选择cj作为下一跳的立即奖赏和累计奖赏，则

t+1 时刻Q值更新为

其中，δ 为路径更新学习因子。初始时刻Q值为0，各CH 收到相邻CH 的学习信息，并根据信息选择下一跳，Agent 根据接收的反馈信息获得立即奖赏值来更新Q值，并不断重复执行动作和状态转移，直至Q(Sc(ij),ac(ij))满足终止条件。

3.3.2 路由维护

为避免低能量节点担任CH，在每一轮数据传输完成后，sink 节点将CH 剩余能量Er(ci)与能量阈值Eth进行比较，若Er(ci)小于Eth，则簇内更新CH。Eth可表示为

设定路径更新阈值 Δe，Δe 表示ci传输数据至下一跳所需的最小能量，可表示为

若ci满足式(30)，即说明主路径失败，从集合S中删除该节点。

为了减少分簇过程中的能量消耗，不改变网络分簇结构，在该簇内找到竞选能力值CE最大的cj担任新簇头，CE如式(31)所示。主路径失败后执行3.3.1 节的Q-learning 路由算法，完成备选路径更新。

基于Q-learning 的备选路径更新与路由维护算法如算法3 所示。

算法3基于Q-learning 的备选路径更新与路由维护算法

输入算法2 选取的S中各节点的Er(ci)，dij

输出备选路径

图2 备选路径更新与路由维护模型

4 仿真结果及分析

利用MATLAB 仿真工具对本文设计的算法进行仿真分析，比较EEUC 算法[19]、分组传输机制[4]、POFC 算法[23]、IPSO（improved PSO）分簇路由算法[24]与本文算法的性能，并验证本文算法在均衡节点能耗、延长网络生命周期、降低传输时延等方面的有效性。具体仿真参数如表1 所示。

表1 仿真参数

4.1 适应度权重系数对分簇的影响

适应度权重系数α、β及γ分别体现了CH 能耗、CH 间距及CH 负载对分簇的影响。节点剩余能量均方差越小，网络中节点能耗越均衡。

4.1.1 剩余能量均方差

为均衡网络整体能耗，比较不同适应度权重系数值对网络剩余能量均方差的影响，以得到合理的适应度函数权重系数。图3 中，当主要分析CH 能耗对分簇的影响时，能耗系数α取值较大，取α=0.7，令β=0.2、γ=0.1；当主要考虑CH 间距对分簇的影响时，间距系数β较大，取β=0.7，令α=0.2、γ=0.1；当主要考虑CH 负载对分簇的影响时，负载系数γ较大，取γ=0.7，令α=0.2、β=0.1；当α、β及γ对分簇的影响较均衡时，权重系数取值差距减小，令α=0.4、β=0.3、γ=0.3，并与α=β=γ=1/3 时的情况进行对比。

图3 节点剩余能量均方差对比

由图3 可知，当α较小时，曲线变化幅度较大，表明节点的剩余能量均方差较大；当α较大，但β、γ较小时，曲线变化幅度有所减小；当权重系数α、β、γ的差异性较小时，曲线变化平缓；当权重系数取值为α=0.4、β=0.3、γ=0.3 时对应的均方差最小，此时网络生命周期最长。

4.1.2 分簇结构

图4 为不同适应度权重系数值对分簇结果的影响。表2 给出了不同分簇结果中ci距相邻下一跳ci+1的最大和最小CH 间距max(di)和min(di)，最多和最少CM 节点数目max(Nci)和min(Nci)。表2 数据显示，当α值较大，但β、γ对分簇影响较小时，max(di)与min(di)之间的差值为229.58 m，max(Nci)与min(Nci)之间的差值为16，由于CH 间距差异较大且CM 节点数目差异较大造成CH 负载不均衡，如图4(a)所示；当β值较大时，CH 间距缩小，规模最小的簇仅加入了6 个CM 节点，3 个规模较大的簇吸引了53%的节点，导致CH 负载不均衡，如图4(b)所示；当γ值较大，但α、β对分簇影响较小时，CM 节点数目差异较小，但CH 位置趋于单侧部署且CH 间距差异大、传输路径单一，导致网络稳健性差，如图4(c)所示；当权重系数α、β、γ取值的差异性较小时，CH 节点位置分布均匀且CM 节点数目差异小，CH 负载较均衡，如图4(d)和图4(e)所示，且图4(d)的CH 负载均衡性能最优。因此，在后面的仿真分析中，选取适应度权重系数值为α=0.4、β=0.3、γ=0.3。

图4 不同适应度权重系数值对分簇结果的影响

表2 不同分簇结果对比

图5 为CH 节点能耗随迭代次数的变化。由图5 可知，不同权重系数对应的CH 平均最低能耗分别为：α=0.7，β=0.2，γ=0.1 的CH 能耗为0.026 6 J；α=0.2，β=0.7，γ=0.1 的CH 能耗为0.028 5 J；α=0.2，β=0.1，γ=0.7 的CH 能耗为0.031 4 J；α=0.4，β=0.3，γ=0.3 的CH 能耗为的CH 能耗为0.024 7 J。α=0.4，β=0.3，γ=0.3的CH 能耗值相比其他权重系数对应的CH 能耗值分别降低了11.28%、17.19%、24.84%、4.45%。

图5 CH 节点能耗随迭代次数的变化

4.2 节点剩余能量

网络运行过程中节点平均剩余能量对比如图6所示。EEUC 算法根据概率选取簇头时仅考虑了CH与sink 节点的距离；IPSO 算法基于改进粒子群算法优化分簇，在CH 选取及构建路径时忽略了整体负载均衡；在分组传输机制中，网络中的数据通过多跳独立路径传输至sink 节点，CH 位置固定且各节点能耗不均匀；POFC 算法计算最优分簇数时，假设CH 与sink 节点的距离均小于d0，所得最优分簇数不适用于链状监测区域，导致CH 分布不合理，且分簇数发生变化时，重新成簇会增加额外的能量消耗。图6 表明，与EEUC 算法、IPSO 算法、分组传输机制和POFC 算法相比，本文算法选择CH及构建非均匀分簇时考虑了网络能耗均衡，且根据节点剩余能量动态调整传输路径，并对低能量节点建立保护机制，因此能量消耗速度较慢，节点具有较多的剩余能量。

图6 节点平均剩余能量对比

4.3 网络生命周期

网络生命周期对比如图7 所示。随着网络运行，网络中死亡节点数逐渐增加，直至节点全部死亡。本文将网络中30%节点死亡时的轮数定义为网络生命周期。相比于EEUC 算法、IPSO 算法、分组传输机制和POFC 算法，本文算法的网络生命周期分别延长155.8%、66.7%、36.5%和49.6%。这是因为本文算法结合PSO 及广度优先搜索思想，综合考虑CH 能耗、间距及负载对网络整体能耗的影响，并采用基于Q-learning 的备选路径更新机制，对低能量节点或故障节点进行路由维护，极大地延长了网络生命周期。

图7 网络生命周期对比

4.4 网络传输时延

式(24)中λ1和λ2分别体现了能耗因子和距离因子对路径成本的影响。当λ1取值较大时，改进路由算法趋于选取能耗较低的路径；当λ2取值较大时，改进路由算法趋于选取跳数较少的传输路径。图8、图9 分别对比了不同λ1、λ2取值下CH 节点平均剩余能量、节点平均跳数的变化情况。表3 给出了不同λ1、λ2取值下运行至1 000 轮时节点的平均剩余能量、前1 000 轮的数据传输平均跳数和网络生命周期。

图8 节点平均剩余能量对比

图9 节点平均跳数对比

表3 网络传输时延与能耗均衡

由图8、图9 及表3 数据可知，当λ1=1，λ2=0时，所选路径能耗最小（平均剩余能量最多），网络生命周期也最长，但此时的平均跳数最大；当λ1=0.2，λ2=0.8 时，平均跳数最少且在8 左右波动，但节点平均剩余能量最少，网络生命周期最短。相比于这2 种情况，当λ1=λ2=0.5 时，网络能耗与时延达到了一定程度的均衡；随着网络的运行，节点平均剩余能量对网络生命周期的影响更显著，当网络运行至约1 000 轮时，网络节点迅速死亡。若λ1、λ2动态更新，网络运行至1 000 轮时节点平均剩余能量为0.214 J，比λ1=0.2、λ1=0.5 时分别提高0.188 J、0.047 J，比λ1=1 时降低0.069 J。当λ1、λ2动态更新时，节点平均跳数为8.3，低于λ1=1、λ1=0.5 时的10.5 和9.1，高于λ1=0.2 时的7.6，因此，本文算法设计的路径成本函数权值动态更新，优化了CH 节点平均剩余能量与平均跳数的关系，在二者之间达到了良好的折中。

基于上述分析，令初始路径成本因子λ1=λ2=0.5，并自适应动态更新。EEUC 算法、分组传输机制、IPSO算法、POFC 算法与本文设计算法的平均跳数对比如图10 所示。EEUC、IPSO、POFC 算法在数据传输阶段仅以节点能耗均衡为目标优化传输路径；本文算法构建了能耗与时延驱动的路径成本函数，并基于广度优先搜索选取最优的多跳传输路径，前800 轮平均跳数最小。当网络运行至约1 100 轮时，EEUC 算法由于网络能量耗尽跳数减小至0；IPSO 算法部分CH 死亡，CH 负载及传输距离增大，跳数减少的同时能耗增加；POFC 算法根据预设的节点传输距离计算的初始跳数值较大，使参与数据传输的节点数目较多，随着网络运行轮次的增加节点能耗增加，维持正常通信的CH 数目减少，平均跳数也随之减少。分组传输机制中数据通过多条独立的路径传输至sink 节点，传输时延明显较小，但该算法中CH 位置固定，当网络运行至约1 600 轮时，部分CH 节点死亡，平均跳数减少，每一跳的传输距离将增大，节点能耗急剧增加。可见，本文算法在均衡网络能耗、延长网络生命周期、降低传输时延等方面具有明显优势。

图10 不同算法的平均跳数对比

5 结束语

本文提出了一种适用于链状监测区域的基于PSO 优化的线性WSN 分簇路由算法。改进PSO 算法综合考虑能耗、距离及负载多个因素构建非均匀分簇，低能量节点的保护机制也使网络能耗更加均衡；数据传输阶段基于节点剩余能量、能耗与传输距离规划路径，加入路径成本函数权重系数的动态更新后，可根据节点剩余能量自适应调整路径；考虑到路由维护，本文算法还建立了基于Q-learning的备选路径更新机制。仿真结果表明，本文算法与EEUC 算法、IPSO 算法、分组传输机制、POFC 算法相比，能够有效均衡全局网络能耗、延长网络生命周期、降低传输时延。下一步研究将借助强化学习工具对算法的拓扑网络进行优化设计，进一步加快成簇阶段的收敛速度、降低路由成本。