基于改進Harris鷹優化的無線傳感器網絡分簇協議

摘要：針對無線傳感器網絡因能量效率低而導致網絡生命周期短的問題，提出一種新的基于改進Harris鷹優化算法的無線傳感器網絡分簇協議（improved Harris hawk optimization based clustering protocols for wireless sensor networks，IHHOC）.IHHOC采用改進的Harris鷹優化算法獲得最優簇頭集，首先通過Sobol序列初始化種群，并考慮剩余能量、與基站距離以及節點密度這3個參數定義適應度函數，通過探索、過渡和開發逐次迭代最終求得最優解；其次，采用高斯隨機游走策略避免IHHOC陷入局部最優.成簇后，在簇頭鄰近簇中基于剩余能量、與簇頭和基站距離找到最優轉發節點，進一步降低網絡能量消耗.仿真實驗結果表明，IHHOC能有效提高網絡能量效率，增大網絡吞吐量，延長網絡生命周期.

關鍵詞：無線傳感器網絡；分簇；Harris鷹優化；網絡生命周期

中圖分類號：TP393文獻標志碼：A文章編號：1671-5489（2024）05-1228-07

Improved Harris Hawk Optimization Based Clustering Protocolfor Wireless Sensor Networks

HU Huangshui，FANXinji，DENGYuhuan

（College of Com puter Science and Engineering，Changchun University of Technology，Changchun 130012，China）

Abstract：Aiming at the problem of short network life cycle due to low energy efficiency in wireless sensor networks，we proposed a novel improved Harris hawk optimization algorithm based clustering protocols for wireless sensor networks（IHHOC）.IHHOC adopted the improved Harris hawk optimization algorithm to obtain the optimal cluster head set.Firstly，the population was initialized by the Sobol sequence and the fitness function was defined by considering the three parameters of residual energy，the distance to the base station，and the density of nodes，and the optimal solution was finally obtained by iterating through the exploration，transition，and exploitation one after another.Secondly，Gaussian stochastic wandering strategy was used to avoid IHHOC falling into local optimum.Afterclustering，the optimal forwarding nodes were found in the neighboring clusters of the cluster head based on the residual energy，distance from the cluster head and base station to further reduce the network energy consumption.The simulation experiment results show thatIHHOC can effectively improve the network energy efficiency，increase the network throughput，and extend the network life cycle.

Keywords：wireless sensor network;clustering;Harris hawk optimization;network life cycle

隨著物聯網（Internet of Things，IOT）技術的迅速發展，無線傳感器網絡（wireless sensor networks，WSN）在軍事偵察、災害管理、安全監控、醫療衛生、工業自動化等領域應用越來越廣泛.無線傳感器網絡由大量資源受限且難以充電的傳感器節點組成，這些節點被隨機部署在目標區域執行監測任務。為完成指定任務，節點必須將感知的數據傳輸至基站，這將消耗大量能量.因此如何延長網絡生命周期已成為無線傳感器網絡面臨的最大挑戰[1-6].

分簇協議是延長網絡生命周期的最有效方法之一，LEACH（low energy adaptive clustering hierarchy）是無線傳感器網絡最經典的分簇協議.但由于LEACH協議中簇頭節點（cluster head，CH）的隨機選擇，低剩余能量節點和高剩余能量節點有相同的機會成為CH，導致能量消耗不均衡.為解決該問題，文獻[8-9]對LEACH協議進行了改進，在選擇CH時考慮了節點剩余能量、地理位置等參數，從而延長了網絡生命周期，文獻[10-11]提出了一種雙簇頭的分簇協議，通過備份簇頭分擔簇頭節點的任務，均衡了簇內能量消耗，有效提高了網絡性能。近年來，元啟發式算法的引入為形成最佳分簇并延長網絡生命周期提供了新思路，文獻[12]將動態人工魚群優化算法與無線傳感器網絡分簇協議相結合，通過動態調整人工魚的視野范圍和前進步長等參數，有效減少了網絡能耗.文獻[13]則使用改進的粒子群優化算法，將節點的剩余能量和位置信息作為適應度函數參數，計算節點的適應度值，并選出剩余能量更多且距離基站更近的節點為簇頭，仿真實驗結果表明，這些方法都能在一定程度上提高網絡性能，延長網絡生命周期，但由于算法自身的局限性，易使算法在尋優過程中陷入局部最優，從而無法得到全局最優解，Heidari等4提出了一種群體仿生智能優化算法，即Harris鷹優化（Harris hawks optimization，HHO）算法，該算法通過模仿Harris鷹的捕食特點，結合Lévy飛行實現對復雜多維問題的求解.此外，該算法調節參數少，且具有較強的全局搜索能力[5].

本文將改進的Harris鷹優化算法應用于無線傳感器網絡的簇頭選舉中，提出一種新的基于改進Harris鷹優化算法的無線傳感器網絡分簇協議（improved Harris hawk optimization based clustering protocols for wireless sensor networks，IHHOC）.首先，在整個網絡區域中根據剩余能量、到基站的距離以及節點密度這3個參數定義適應度函數，采用改進Harris鷹算法選出適應度值最高的簇頭集；然后，根據節點剩余能量、與簇頭和基站距離定義一個權重函數，在簇頭鄰近的簇內選出函數值大的成員節點作為數據轉發節點.仿真實驗結果表明，IHHOC能有效提高網絡能量效率，延長網絡生命周期.

1系統模型1.1網絡模型

本文網絡模型如圖1所示.由圖1可見，N個節點隨機部署在目標監測區域內，唯一的基站（basestation，BS）是靜態的，位于區域中.先在監測區域中將節點劃分為n個簇，再從成員節點中選出轉發節點，BS負責接收由轉發節點和簇頭傳輸的數據，轉發節點負責接收由簇頭從簇內成員節點（clustermember，CM）處感知的數據，而CM則收集感知數據.此外，對網絡進行如下假設：

1）BS的能量不受限制；

2）每個節點都有自己唯一的ID；

3）所有節點都有相同的初始狀態；

4）所有節點均有能力調整其發射功率.1.2能量模型

本文采用與文獻[16-17]相同的能耗模型，由于節點之間的距離不同，節點之間的數據傳輸所選擇的能量消耗模型也不同.因此，向距離為d的目標節點發送k比特數據所消耗的能量表示為

其中Eeee表示發射設備每比特消耗的能量，e表示自由空間模型的能量消耗，Emp表示多路徑衰減模型的能量消耗，do=Ve/emp表示傳輸距離的閾值.節點接收k比特數據所消耗的能量為

節點融合k比特數據所消耗的能量為EpA=kXEpDb，其中E，pb表示融合單位數據所消耗的能量.

2 IHHOC設計

2.1簇頭選擇

Harris鷹優化算法是一種仿生智能優化算法.該算法通過模仿Harris鷹的捕食行為，結合Lévy飛行實現對復雜問題的求解，本文用每只Harris鷹表示優化問題的一個候選解，即一個簇頭集.而獵物表示每次迭代的最優解，即最優簇頭集.適應度函數值大的簇頭集可以更好地承擔簇頭職責，均衡網絡能耗.

2.1.1種群初始化

在原始HHO算法中，種群的產生采用隨機的方式.但這種偽隨機方式產生的種群個體分布不均勻，使算法難以對整個搜索空間進行搜索，影響了算法的收斂速度和精度.相比之下，Sobol序列是一種用確定性擬隨機數產生的低差異化序列，它能盡可能地將點均勻分布在搜索空間中，用Sobol序列生成種群的方式可表示為

其中ub和1b分別為搜索空間的上下界，S，E[0，1]為Sobol序列產生的隨機數.

種群初始化完成后，需定義一個適應度函數計算種群個體適應度并排序，以確定獵物位置，本文為更好地均衡網絡負載，完成數據傳輸任務，在網絡區域中，先將節點隨機劃分為n個簇，定義簇頭ID集合為CH=（CH，，CH2，，CH，），在選擇簇頭時傾向于選擇剩余能量多、節點密度大且距離基站較近的節點.因此定義適應度函數為

其中：a+β+x=1；E\"，表示簇頭節點剩余能量；Ds表示簇頭節點與基站之間的距離；N-表示簇頭節點的節點密度，

Nmm表示節點通信半徑內的節點數量，Nmax-num表示所有節點通信半徑內節點數量最大值.

2.1.2探索階段

在種群初始化完成后，進入探索階段，此時Harris鷹保持待命狀態，并在[lb，ub]空間中根據兩種策略隨機搜尋獵物，迭代時以概率q進行位置更新，可表示為

其中：X+1和X1分別為個體在第（t+1）次和第t次迭代時的位置；Xmbb為獵物位置，即當前最優簇頭集；q，r1，r2，r3，r4為（0，1）內隨機數；Xand.表示隨機選出的個體位置；Xm表示當前個體平均位置，即

X1為迭代t中每i個個體的位置，N為種群規模.

2.1.3過渡階段

該階段被用于維護探索和開發兩個階段的平衡.HHO通過下式完成從探索到開發的過渡：

其中：E表示獵物逃跑的能量；E。表示獵物能量的初始狀態，E。=2×rand-1，rand是（0，1）內的隨機數；T為最大迭代次數；t為當前迭代次數.當E≥1時，Harris鷹算法將執行探索；反之，則進行開發.

2.1.4開發階段

根據獵物的逃跑行為和Harris鷹的追逐策略，HHO算法提出了4種可能的策略模擬攻擊行為.設λ為（0，1）內隨機數，表示獵物成功逃脫的概率，用于選擇不同的開發策略.

1）軟圍攻.

當E≥0.5，λ≥0.5時，獵物有足夠的能量且以跳躍的方式逃脫追捕，而Harris鷹會逐漸消耗獵物的能量，然后選擇最佳的位置俯沖逮捕獵物.位置更新公式如下：

其中△X，表示最優個體和第t次迭代中個體的差值，J=2×（1-r3）表示獵物逃跑過程中的隨機跳躍距離，r3為（0，1）內隨機數.

2）硬圍攻.

當Elt;0.5，λ≥0.5時，獵物沒有足夠能量逃脫，Harris鷹選擇迅速突襲.位置更新公式如下：

3）累速俯沖式軟圍攻.

當E≥0.5，λlt;0.5時，獵物有足夠的能量E逃跑，Harris鷹在突襲前會建立一個軟圍攻.為模擬獵物的逃跑模式和跳躍動作，將Lévy函數LF集成在HHO算法中.更新位置的策略為

其中D為問題維度，S為D維隨機行向量，F為適應度函數.

4）累速俯沖式硬圍攻.

當Elt;0.5，λlt;0.5時，獵物能量低，Harris鷹在突襲前構建硬圍攻捕捉獵物.位置更新公式為

Lévy飛行函數如下：

其中u，v是（0，1）內隨機數，p=1.5.

2.1.5高斯擾動策略

在尋找最優適應度函數值的過程中，算法可能會陷入局部最優，此時算法是否陷入停滯可利用優勢種群的平均值判斷，如果在連續兩次的迭代過程中優勢種群的平均值未變化，則認為算法陷入停滯，此時利用高斯隨機游走策略通過生成新個體的方式幫助算法跳出此時狀態，用公式可表示為

其中X*為優勢種群中隨機選擇的一個個體，高斯隨機游走的步長調整是通過余弦函數cos在迭代前期施加較大擾動，而在后期擾動迅速減小，進而平衡算法的探索和開發能力.

當算法迭代次數達到最大迭代次數時，輸出結果為具有當前最優適應度值的個體，即最佳簇頭集.IHHOC算法流程如圖2所示，確定最佳簇頭集后，簇頭向網絡區域內廣播一條包含自身ID和身份的消息，成員節點根據接收信息強度選擇最近的簇頭加入，并向其簇頭發送一條消息表明身份，待成簇階段結束，簇頭開始在相鄰且距離基站更近的簇中選擇轉發節點.

2.2轉發節點選擇

轉發節點的主要任務是接收簇頭的數據并將接收到的數據傳輸給基站，因此，本文主要考慮了節點的剩余能量和位置信息.

轉發節點選擇如圖3所示，由圖3可見，將簇頭與基站連線，DMP為節點到連線的距離.對于CH2，CH，較CH，距離基站更近，因此CH，在CH，所在簇中搜尋轉發節點，而DMP，雖然長度小于DMP，，但由于CM，的剩余能量大于CM2，故CH2的轉發節點最終確定為CM，.定義如下權重函數：

由式（16）可見，F2由aXE.和（1-0）×兩部分組成，分別表示節點剩余能量和節點與連線之間的距離，其中a表示權重，其取值范圍為[0.1].

轉發節點選擇完成后，進入數據傳輸階段.簇頭建立一個TDMA時間表分配間隙，并將此表廣播給簇內成員節點，避免消息沖突.在數據傳輸階段，普通節點根據TDMA時間表向其簇頭傳輸數據.簇頭則對數據進行融合，并將融合后的數據發送給轉發節點，轉發節點則負責將消息傳輸給基站.

3仿真分析

為驗證IHHOC的性能，在MATLAB 2022a環境下對其進行仿真，并與LEACH[7，UDCH[\"1]和IPSOCH[3]進行性能比較，網絡中節點數設為100，簇頭比設為10%，節點隨機分布在400 m×400 m的目標區域，基站位于網絡區域中心，仿真參數設置如下：節點初始能量為1J，Edee=50 nJ/bit，EpDb=5 nJ/bit，=10pJ/（bit·m-2），EMP=0.0013 pJ/（bit·m-4），d=87.7m，數據包大小為4000bit，控制包大小為200bit，網絡區域大小為400m×400m，BS位置為（200，200），轉發節點占比為0.1，節點通信范圍為50m.

3.1網絡生命周期

首先對網絡生命周期進行測試，網絡生命周期與存活節點的數量直接相關.IHHOC與 LEACH， UDCH，IPSOCH 的比較結果如圖 4 所示.由圖 4 可見：LEACH 協議由于其簇頭選擇的隨機性，導致能量消耗不均衡進而影響了整體網絡生命周期; UDCH 通過將簇頭能耗分攤的方式，相比 LEACH 延長了整體網絡生命周期;IPSOCH 則根據節點能量和位置信息使用改進后的粒子群優化（PSO）算法選出了最適合的節點完成數據傳輸任務;由于 IHHOC綜合考量了節點的能量、位置、節點密度等參數，且分擔了簇頭任務，因此可以更好地均衡網絡負載，延長了網絡生命周期.

3.2 網絡吞吐量

下面測試網絡吞吐量，其表示網絡節點向 BS 傳輸的數據量.吞吐量越高，說明網絡中能量的利用率越高.不同協議的網絡吞吐量對比結果如圖5 所示.由圖 5 可見，IHHOC 的網絡吞吐量比 IPSOCH，UDCH，LEACH 分別提高了 23.09%， 30.56%，49.13%.顯然，IHHOC不僅延長了網絡生命周期，而且增加了數據傳輸量，進一步提高了網絡的能量效率.

3.3網絡能量消耗

下面對網絡總能耗進行測試，以驗證網絡的整體性能.總能耗越小，網絡性能越好.測試結果如圖6所示.由圖6可見，網絡能耗隨著運行輪數的增加而增加，很明顯IHHOC的網絡能耗低于其他協議，且穩定性好.結果表明，在消耗1/2網絡能量時，IHHOC運行輪數比IPSOCH，UDCH，LEACH分別提高了9.04%，16.99%，63.58%.

綜上所述，IHHOC采用Sobol序列初始化種群和高斯擾動策略有效提高Harris鷹優化算法的全局尋優能力，從而選擇最優的簇頭集.此外，通過轉發節點和簇頭的配合使網絡能量消耗更均衡，延長了網絡生命周期.從網絡生命周期、吞吐量以及網絡的能量消耗方面對算法進行仿真分析的結果表明，IHHOC相比其他算法更能有效降低網絡能耗，具有更長的網絡生命周期.

參考文獻

[1]李雄.無線傳感器網絡分簇路由協議研究[D].西安：西安郵電大學，2022.（LIX.Research on Cluster RoutingProtocol for Wireless Sensor Networks[D].Xi'an：Xi'an University of Posts and Telecommunications，2022.

[2]楊詩雨.無線傳感器網絡中能量優化分簇路由算法研究[D].哈爾濱：黑龍江大學，2022.（YANGSY.Research on Energy-Optimized Cluster Routing Algorithm in Wireless Sensor Networks D].Harbin：Heilongjiang University，2022.）

[3]張銘悅.無線傳感器網絡分簇路由算法研究[D].長春：長春理工大學，2021.（ZHANGMY.ResearchonCluster Routing Algorithm for Wireless Sensor Networks[D].Changchun：Changchun University of Science and Technology，2021.）

[4]龔冬陽.無線傳感器網絡對農業電氣自動化播種設備的影響[J].南方農機，2023，54（8）：174-176.（GONG D Y.Impact of Wireless Sensor Networks on Agricultural Electrical Automation Seeding Equipment[J].Southern Agricultural Machinery，2023，54（8）：174-176.）

[5]WANG Y Z，ZHANG J D，QIAO J L.An Information Entropy-Based Method of Evidential Source Separation and Refusion[J].IEEE Sensors Journal，2020，20（1）：77-84.

[6]QIAO J L，ZHANG J D，WANG Y Z.An Improved Multi-sensor D-S Rule for Conflict Reassignment of Failure Rate of Set[J].Soft Computing，2020，20：15179-15188.

[7]HEINZELMAN W R.CHANDRAKASAN A.BALAKRISHNAN H.Energy-Efficient Communication Protocol for Wireless Microsensor Networks[C]//Proceedings of the 33rd Annual Hawaii International Conference on System Sciences.Piscataway，NJ：IEEE，2000：1-10.

[8]黃利曉，王暉，袁利永，等.基于能量均衡高效WSN的LEACH協議改進算法[J].通信學報，2017，38（增刊2）：164-169.（HUANG L X，WANG H，YUAN LY，etal.Improved Algorithm for LEACH Protocol Based on Energy-Balanced Efficient WSN[J].Journal of Communication，2017，38（Suppl 2）：164-169.）

[9]謝佳，張玲華.基于能量均衡高效的LEACH改進算法[J].電子技術應用，2023，49（1）：63-68.（XIEJ，ZHANG L H.An Improved LEACH Algorithm Based on Energy Balanced and Efficient[J].Electronic Technology Applications，2023，49（1）：63-68.）

[10]劉壯，馮欣，王雁龍，等.基于雙簇頭聚類分簇和數據融合的無線傳感器網絡路由算法[J].吉林大學學報（理學版），2015，53（5）：1013-1017.（LIU Z，FENG X，WANG Y L，etal.An Improved Clustering Routing Algorithm Based on Duable-CH Clustering and Data Fusion in WSN[J].Journal of Jilin University（Science Edition），2015，53（5）：1013-1017.）

[11]ZHU F，WEI J F.An Energy-Efficient Unequal Clustering Routing Protocol for Wireless Sensor Networks[J].International Journal of Distributed Sensor Networks，2019，15（9）：1-15.

[12]劉向東，宋欣，王翠榮.基于動態人工魚群優化的WSN分簇算法[J].微電子學與計算機，2011，28（8）：43-46.（LIU X D，SONG X，WANG C R.WSN Clustering Algorithm Based on Dynamic Artificial Fish Population Optimization[J].Microelectronics and Computer，2011，28（8）：43-46.）

[13]王寧，周圓，劉敬浩.一種基于改進粒子群的無線傳感器網絡層次化分簇協議[J].傳感技術學報，2017，30（1）：120-125.（WANG N，ZHOU Y，LIU JH.An Improved Particle Swarm-Based Hierarchical Clustering Protocol for Wireless Sensor Networks[J].Journal of Sensing Technology，2017，30（1）：120-125.）

[14]HEIDARI A A，MIRJALILI S，FARIS H，etal.Harris Hawks Optimization：Algorithm and Applications[J].Future Generation Computer Systems，2019，97：849-872.

[15]展廣涵，王雨虹，劉昊.混合策略改進的哈里斯鷹優化算法及其應用[J].傳感技術學報，2022，35（10）：1394-1403.（ZHAN G H，WANG Y H，LIU H.Mixed-Strategy Improved Harris Hawk Optimization Algorithm and Its Application[J].Journal of Sensing Technology，2022，35（10）：1394-1403.）

[16]林新宇，李明.異構WSN中基于改進哈里斯鷹的分簇算法[J].計算機系統應用，2023，32（1）：233-240.（LIN X Y，LI M.Improved Harris Hawk-Based Clustering Algorithm in Heterogeneous WSNs[J].Computer System Applications，2023，32（1）：233-240.）

[17]HOUSSEIN E H.SAAD M R.HUSSAIN K，etal.Optimal Sink Node Placement in Large Scale Wireless Sensor Networks Based on Harris'Hawk Optimization Algorithm[J].IEEE Access，2020，8：19381-19397.

（責任編輯：韓嘯）