面向结构健康监测WSNs的ACPSO-LEACH协议

摘 要：针对建筑结构健康监测（SHM）场景中无线传感器网络（WSNs）的能耗优化与生命周期拓展问题进行了深入研究。针对LEACH协议在能量调度和簇首选取策略上的局限性，提出了一种创新的ACPSO-LEACH融合算法，该算法能够将自适应混沌粒子群优化方法与细粒度簇首更新机制相结合，系统地考虑节点间传输距离、剩余能量分配以及公平的簇首选择原则，旨在实现网络能耗的高效均衡分布并显著延长网络的整体运行寿命。利用MATLAB仿真平台对一阶无线电能消耗模型及实际构建的SHM-WSN网络模型进行实验验证，实验结果表明，所提出的ACPSO-LEACH优化协议在提升监测效能和节能效果方面展现出了优越性能。

关键词：建筑结构健康监测；PSO算法；无线传感器网络；LEACH协议；混沌序列；能耗优化

中图分类号：TP929.5 文献标识码：A 文章编号：2095-1302（2025）05-00-06

0 引 言

建筑安全对于民众福祉及社会稳定具有深远影响。近年来，国内外发生的一系列触目惊心的建筑物坍塌事件揭示出：构件潜在损伤的检测不及时以及监测手段的局限性是引发这类悲剧的重要原因[1-3]。建筑结构健康监测（Structural Health Monitoring， SHM）通过对建筑物进行实时的监测与分析，能够有效地控制建筑结构在运行中可能出现的微小变动和潜在的安全风险。然而，SHM的关键是要构建性能均衡、节能高效的无线传感器网络（Wireless Sensor Networks， WSNs）。因此，在确保网络稳定运行的前提下，如何平衡传感器网络以及各个节点的能量消耗进行网络协议优化，对大规模SHM部署有很大参考意义。图1所示为典型SHM平台中所采用的网络模型实例，直观地展现了这一集成化监测体系的内在构造与运作机制。本文聚焦层次路由协议的优化研究，以应对这一领域内持续且深入的探讨需求[4]。

近些年，相关领域的研究成果不断涌现，文献[5]利用改进后的K-means聚类方法对网络进行初期分簇，并通过模糊层次综合评价（FAHP）进一步提升簇首选择的有效性，从而有效解决了能耗问题并延长了网络生存周期[6]；文献[7]则采用FCM聚类算法优化簇首分布均匀性；文献[8]创新性地改良布谷鸟搜索算法，引入节点离散度作为选取簇首的重要因子，并结合节点剩余能量，实现了簇首节点的高效选择[9]；文献[10]推导出最优簇首比例，并运用粒子群优化算法（PSO）优化簇首生成过程；文献[11]将PSO与改进后的蚁群算法（ACO）相结合，提出一种混合启发式数据融合协议HHDAP，显著提升了协议性能。

然而，面对能耗控制、网络生命周期延长以及节点存活率提升等挑战，应用需求的复杂性日渐增加，传统优化算法不再能够满足这些需求。基于此，本文提出一种新型融合策略，将自适应混沌粒子群算法与引入了簇首更新机制的LEACH相结合。这种方法旨在克服局部最优陷阱，同时促使LEACH协议实现更优的簇首选择，力求在降低传输能耗的同时大幅度提高网络的整体效能[12]。

1 能耗模型与网络模型建立

1.1 基于LEACH的能耗模型

本文采用如图2所示的能耗模型。图中接收端的能耗指无线电设备从开启到数据解码完成所需的能量。发送端能耗包含节点在发送数据过程中无线电设备运行的基本功耗及天线辐射等步骤的能耗。

随着传输距离的增大，尤其是当其超过某一特定阈值时，节点的能耗将呈现明显的指数级增长趋势。为了管理能耗，应保持各节点通信距离小于阈值，以此应对远程通信导致能源消耗急剧上升的问题。同时，在实施网络部署和优化过程中，还应充分考虑各节点的实际剩余能量状况。

1.2 网络模型

本文以建筑结构健康监测系统作为平台展开研究。在整个网络体系中，各个节点均被赋予相同的初始能量储备，一旦能量耗尽，则视为此节点将失效或者“死亡”，为模拟和评估网络寿命奠定基础。为了保障各传感器节点之间的信息传输独立性及可追溯性，本文为每个节点都提供了特殊且独一无二的标识符（ID）。考虑到网络整体效能的一致性与稳定性，所有WSN节点在计算处理能力方面保持一致。传感器节点遵循随机部署准则，且为了适应实际应用环境的需求，这些信息节点在部署完毕后其位置将不再发生改变。这一策略遵循实际场景中的布设要求，同时又有利于模拟不同部署环境下网络性能的变化规律，为后续优化WSN架构与协议提供科学依据。

2 改进型ACPSO-LEACH协议

传统粒子群优化算法（PSO）在面对较为复杂的优化问题时，会出现陷入局部最优解的问题。为克服这一局限性，引入了混沌理论的随机性和遍历性特点，通过将粒子的搜索轨迹进行混沌化处理，有效地拓宽了搜索空间，还全面提升了全局寻优的能力并有效降低了陷入局部最优陷阱的风险。同时，对LEACH协议中的簇首选择策略进行了针对性改进，充分考虑了节点的能量消耗和与其他节点间的传输距离等因素。这种改进使得簇首的选择更加均衡且节能，能够更合理地分配网络资源，从而使整个无线传感器的生存期大幅度延长[13]。简而言之，改进型ACPSO-LEACH算法既充分利用了混沌优化的优越特性以增强全局寻优能力，又结合了能量感知的簇首更新策略来优化网络性能，实现了建筑结构健康监测系统中WSN能耗的有效管理和寿命的极大提升。

2.1 引入簇首更新的LEACH改进

LEACH通信过程包括簇构造与数传阶段。涉及多个相关环节，如簇首选举、广播通知、簇结构形成和数据调度机制等[14-16]。在每一轮开始时随机生成0到1的概率值。若该节点生成的概率值小于预先设定的阈值，则此节点将在本轮中被选为簇首节点。这一过程在每一轮迭代中重复进行，直到所有节点都有至少一次机会成为簇首。LEACH协议通过随机选择的方式使各节点有相对均衡的机会成为簇首。T（n）公式如下：

在改进后的簇首更新公式中，摒弃了单纯随机选取簇首的方式，转而在决策过程中加入节点间的距离及剩余能量因素。这一策略旨在确保簇首节点的选择更加合理且节能，同时降低了因为随机性所导致的能耗不均和网络性能下降问题的出现概率。在新的计算公式中，通过引入与节点间的距离及节点能量相关的参数，同时借助于特定调节比例因子η的设定，可以精确且细致地控制簇首选择的优先级和权重分配，从而在满足通信效率的同时优化能源利用，并延长了无线传感器网络运行周期，提升了稳定性。

2.2 PSO优化算法

标准PSO是在PSO研究的基础上进行的改进，其特点是借助速度和位置来定位搜索的距离和方向，且速度更新时引入了惯性系数ω。本文引入标准粒子群算法，原始更新公式如下：

2.3 自适应惯性权重

在粒子群算法的速度更新过程中对惯性权重ω进行优化调整。在初始阶段，为了增强算法的全局探索能力，需要先设置一个较大的初始惯性权重值；而在搜索后期，则逐步倾向于强化局部寻优性能。在速度更新公式中引入了一个动态调整的自适应惯性权重ω：

2.4 适应度方差设定

为了衡量粒子群的聚集程度和多样性，本文采用群体适应度方差来解决此问题。设fi为粒子群中第i个粒子的当前适应度值，favg为当前状态下的适应度平均值，σ2为群体适应度方差。

2.5 基于Tent映射的混沌序列

混沌序列以其内在的持续无规律性和非线性特性，为优化算法提供高效的随机搜索工具。在混沌优化方法中，Logistic映射被广泛应用。其表达式为：

2.6 改进ACPSO优化算法步骤

3 仿真实验与性能分析

3.1 仿真参数设置

为了验证本文所提出的改进协议在实际应用中的效果，借助MATLAB仿真平台开展了详尽的模拟实验。实验设计将原始LEACH协议、其增强版LEACH-E、LEACH-CUTOUT变种，以及PSO-LEACH算法与本文提出的改进型ACPSO-LEACH协议进行了比较。在对比评估中，包含整个网络生命周期内的能耗总和、节点剩余能量的偏差值、节点存活数量等指标。具体的各项参数配置见表1。

3.2 实验结果与分析

实验结果表明，在仿真过程中，改进型ACPSO-LEACH协议相较于传统的LEACH、LEACH-E、LEACH-CUTOUT以及PSO-LEACH协议，在多个关键性能指标上表现出了显著的优化效果。具体体现在：节点能耗得到大幅降低（如图3所示），存活节点数量有所增加（如图4所示），网络吞吐量也实现了显著提升（如图5所示）。在同样的运行环境下，采用改进ACPSO-LEACH协议的网络整体能耗更低，同时保持了更高的节点生存率和更优的传输效率。

通过引入簇首更新策略和自适应混沌粒子群算法的改进措施，改善效果显著并且可以有效地延长其生命周期。分析原因如下：改进后的协议中融入了簇首更新机制，该机制充分考虑了各个节点的实际能耗状况和剩余能量水平，这样可确保如果每个节点成为簇首的话，其概率会更加均衡且节能，并且提高了整个网络的稳定性。对粒子群算法进行了创新性改良，引入了自适应权重和混沌序列。在搜索初期阶段，加大了对全局范围内的探索力度，而在后期则侧重于对局部最优解的精细化搜寻。本文采用Tent映射的混沌序列的分布比较均匀，并且具有随机性，从而有助于降低粒子群在寻优过程中过早收敛的可能性。

4 结构健康监测WSNs模型仿真验证

本研究选取了一座高层医院的其中一层的实际建筑数据作为模型参照。该楼层建筑面积超过2 000 m2，内部部署了全方位的环境监测系统，包括但不限于温湿度、PM2.5浓度以及光照强度感应器等。此外，本案例中采用了某单位开发的SHM平台进行建筑物结构健康状况的监测。为了方便本文的模拟和分析，将上述监测手段做合理简化分类：将与环境相关的监测节点统一划分为“普通信息节点”，其负责收集传统的环境参数；而针对建筑结构状态进行监测的节点则被定义为“结构健康监测（SHM）信息节点”。图6所示为某超高层建筑信息点位分布图，其中图上各个点位为结构健康监测节点及普通信息节点。

从图6中可以看出，在实际建筑中，普通信息点位的布置位置基本呈现均匀分布；但结构健康监测的节点基本都分布在墙体连接处或是墙体应变程度较大的位置，由于各墙受力情况均有所不同，其整体节点分布具有随机性。

为验证所提出的改进ACPSO-LEACH协议的适用性，在MATLAB软件环境中进行了模拟实验。实验布置共计200个节点，其中包含了100个按均匀规律分布的普通信息节点以及100个根据实际受力情况随机布局的结构健康监测节点。结合网络模型，运用改进型自适应混沌粒子群优化算法（ACPSO-LEACH）对构建的无线传感器网络进行处理。经过算法优化后，生成了新的节点分布模拟结果，如图7所示。其中深灰色表示普通信息节点，黑色代表结构健康监测节点，展现了两种不同类型的节点的分布格局。

图8所示为各个节点在成簇过程中的具体情况，清楚地展现了通过改进ACPSO-LEACH算法动态更新后的簇首节点分布状况，较为直观地验证了该算法在复杂节点分布场景下的性能优势。

图9所示为基于所构建模型的五种不同协议在生存周期方面的对比分析。与其他四种算法进行比较，可以看到应用了改进型ACPSO-LEACH协议的无线传感器网络生命周期显著延长。实验结果表明，在优化网络资源分配方面，改进后的协议很大程度延长了整个网络系统的运行寿命；同时在实际工程应用层面，对于设计和部署高耐久性的无线传感器网络来说，这样的改进具有实践指导意义。

5 结 语

本文对LEACH路由协议进行了创新性改进，采用了优化过的ACPSO算法。这一改进的ACPSO-LEACH融合了自适应权重策略与混沌序列机制，并且融入了节点簇首更新原则。通过这种方法，不仅能够在充分考虑簇首节点剩余能量的基础上实现动态更新，还能引导寻优过程向全局最优方向发展，降低簇间通信的能量消耗的同时，还提升了节点的存活率，进而显著延长了整个无线传感器网络的生存周期。

参考文献

[1]李栋.面向超高层建筑结构健康监测的WSNs研究与设计[D] .西安：长安大学，2020.

[2] TONG Y. Research and improvement of energy balance in wireless sensor network based on LEACH [J]. Journal of physics： conference series， 2021， 1738（1）： 012077.

[3]吴天俊.高层建筑结构健康监测的研究与应用 [J].工程建设与设计， 2020（24）： 22-23.

[4] SUN H， PAN D. Research on optimisation of energy efficient routing protocol based on LEACH [J]. International journal of ad hoc and ubiquitous computing， 2022， 41（2）： 92-107.

[5]贾惠丽，范训礼，吕艳峰.能量高效的无线传感器网络分簇路由协议[J].传感器与微系统，2018，37（8）：116-119.

[6] ELSAYED A， SHARAF M. MA-LEACH： energy efficient routing protocol for WSNs using particle swarm optimization and mobile aggregator [J]. International journal of computer networks and applications， 2018， 5（1）： 1-8.

[7] 赵立新，董朝贤，赵丽.基于FCM聚类的WSN加权概率簇首选择算法[J].控制工程，2019， 26（6）： 1211-1215.

[8] 包天悦，高剑飞，王永咏，等.基于动态布谷鸟算法的无线传感网能量优化方法研究[J].自动化与仪器仪表，2022（9）：22-25.

[9] EINAVI P S， REZA J. A new energy aware cluster head selection for LEACH in wireless sensor networks [J]. IET wireless sensor systems， 2021， 11（1）： 45-53.

[10]张德晶. 无线传感器网络节能分簇路由算法研究[D].西安：长安大学，2020.

[11]田思琪. 基于粒子群—蚁群算法的无线传感网络路由协议研究[D].长春：长春理工大学， 2018.

[12] LIANG Z X， FAN Y Y， YI Y F. Routing algorithm for wireless sensor network based on GA-LEACH [C]// Proceedings of the 11th International Conference on Computer Engineering and Networks（CENet2021）PartII. Hechi， Guangxi， China： [s.n.]， 2021： 166-178.

[13] DU Y， ZHANG Z ， LI Y， et al. Research on edge nodes of substation auxiliary services based on an improved LEACH protocol [J]. Electric power systems research， 2022， 210.

[14] 陈朕浩. 无线传感器网络层次型分簇路由协议的研究[D].赣州：江西理工大学，2019.

[15] MAHAK K， ANIL V， NIKHIL M. LEACH based hybrid energy efficient routing algorithm for dynamic cognitive radio networks [J]. Measurement： sensors， 2022， 24.

[16] 邓斯宇. 基于LEACH协议的优化簇首选择和平衡网络能量的研究[D]. 上海：上海师范大学，2018.