基于遗传算法的移动汇聚节点优化

国际电子通信杂志（AEÜ）131 (2021) 153605

常规论文

基于遗传算法的汇聚节点移动性用于无线传感器网络中的高效能量数据路由

马尼什·库马尔·辛格 a,b,*，赛义德·因特克哈布·阿明 b，阿米特·乔杜里 b
a 电子与通信工程系，KIET 院校集团，印度加济阿巴德
b 电子与通信工程系，贾米亚·米利亚·伊斯兰利亚大学，印度新德里

A R T I C L E I N F O
关键词 ：无线传感器网络 遗传算法 聚类 汇聚节点移动性 簇头

摘要
在基于汇聚节点移动性的无线传感器网络中，汇聚节点在网络区域内沿轨迹移动，并收集其附近传感器节点的数据。汇聚节点移动性缩短了从平均源节点到汇聚节点的距离，节省了网络传输能量。本文提出一种基于遗传算法（GA）的汇聚节点移动技术，用于无线传感器网络。该方法将网络区域划分为最优数量的簇，并在之上构建汇聚节点移动轨迹。遗传算法过程确定每个簇在轨迹上的最优汇聚节点位置。移动的汇聚节点在这些最优位置停留，并收集相应簇内节点的数据。最优汇聚节点位置能够在数据传输中消耗最少的节点能量。为了确定每个簇的最优汇聚节点位置，遗传算法首先初始化一组染色体种群。此外，提出了一种网络能耗模型，用于实现遗传算法过程中的适应度评估算子。所开发的遗传算法模型收敛得到每条轨迹上的一组最优汇聚节点位置。结果表明，相比其他协议，基于遗传算法的汇聚节点移动性能够延长网络寿命。

1. 引言

无线传感器网络（WSN）包含多个部署在指定区域不同位置的节点，用于数据感知应用。传感器节点通常具备感知、计算和通信能力[1]。传感器节点将感知到的信息转换为数字数据包的形式，并将该数据包传输至中心汇聚节点。传感器节点通常使用小型电池，而为其充电是一项繁琐的工作[2]。因此，有必要延长网络节点的寿命[1,2]。传感器节点的寿命主要取决于数据感知、数据处理和数据通信操作中的能量消耗[3]。

传感器节点在数据通信上消耗的电池能量超过其总能量的70%[4,5]。

聚类是一种有效的数据传输方案，能够有效优化节点能耗并提供更长的网络寿命[6,7]。该方案将整个网络划分为多个由节点组成的簇。每个簇包含一个簇头（CH）节点及其子节点成员。簇头从其簇内节点收集数据包，对收到的数据包进行聚合，并将其转换为更小且更有意义的信息。簇头发送聚合后的信息传输到基站（汇聚节点）。数据聚合使聚类成为一种高效的能量数据传输技术，并延长了网络寿命。在[8]中，作者提出了移动簇头的概念，其中一些高能量簇头节点移动到感知区域。这减少了静态簇子节点在数据传输中的能量消耗，并均衡了整个网络的节点能量消耗。如果基于聚类的数据传输技术与基于占空比的时分多址调度相结合，则其能效更高且更可靠。在[9]中，作者采用了基于占空比的TDMA调度，节点处于睡眠模式，仅在其分配的TDMA时隙内激活。通过降低数据包碰撞的概率，占空比机制提高了网络吞吐量，并通过调节节点操作的激活与睡眠模式延长了网络寿命。在[10]和[11]中，作者应用了网络编码（NC），其中簇头节点将多个重传数据包编码为一个网络编码数据包。通过这种方式，由于编码后的信息在比特大小上被压缩，簇头节点节省了数据传输能量。

汇聚节点移动性是无线传感器网络中另一种节能技术，其中汇聚节点通过机器人或车辆沿汇聚节点移动轨迹移动。汇聚节点每隔固定时间间隔停止一次，并收集数据附近的传感器节点。移动汇聚节点方法减少了源节点与汇聚节点之间的平均距离，从而节省了大量源节点能量。移动汇聚节点还提高了网络吞吐量[12]。然而，移动汇聚节点应具备强大的计算、存储和通信能力，因为移动汇聚节点负责从传感器节点收集信息并将其发送到计算机[13–15]。

在本研究工作中，我们提出了一种基于分层聚类的数据路由协议用于无线传感器网络。所提协议结合了基于遗传算法（GA）的移动汇聚节点技术。该协议将传感器节点区域划分为最优数量的节点簇。每个簇具有矩形尺寸，并包含相同数量的成员节点。在感知区域内为汇聚节点移动建立基于轨道的轨迹。该轨迹穿过每个簇的至少一个边界。汇聚节点以恒定速度沿轨迹移动，在轨迹上的最优位置暂停，并从各个簇的节点收集数据包。簇内节点通过簇头节点将数据发送至汇聚节点。

遗传算法过程确定了汇聚节点移动轨迹上每个簇的最优数据收集点。本文提出了一种包含四个基因的独特染色体结构，用于构建GA种群。遗传算法种群中每条染色体的前两个基因表示随机汇聚节点位置的坐标，其余基因则表示簇内随机簇头位置的坐标。

此外，本文提出了一种网络能耗模型，用于实现遗传算法的适应度评估算子。所开发的GA模型收敛于每个簇的一组最优数据收集点。这些最优数据收集点在数据传输过程中消耗最少的节点能量。因此，本文提出的基于遗传算法的移动汇聚节点方法显著提高了无线传感器网络的能量效率。

本研究论文的其余部分组织如下。在第2节中，介绍了相关工作和问题描述。能耗模型在第3节中进行了讨论。第4节描述了本文提出的基于遗传算法的移动汇聚节点方法。在第5节中，给出了性能参数和仿真结果。最后，在第6节中对研究论文进行了总结。

2. 相关工作和问题描述

本节展示了相关文献，并讨论了所提出工作中的研究问题。本节最后简要讨论了遗传算法（GA），这是一种全局优化启发式算法。

2.1. 相关工作

在[16]中，作者展示了低能耗自适应聚类分层（LEACH）协议，其中无线传感器网络的节点被划分为不同的簇。簇内的数据传输过程由其簇头控制。簇头节点基于概率权重函数的方法在每轮传输时重新选举。

在[17]中，作者提出了稳定选举协议（SEP），其中簇头根据节点能量动态选择。

在[12]中，作者提出了一种基于汇聚节点移动性的无线传感器网络协议。该汇聚节点以恒定角速度沿圆形轨迹移动。汇聚节点向所有传感器节点广播其初始位置和角速度。当汇聚节点移动到距离各节点最近的位置时，节点便向其发送数据。结果表明，基于移动汇聚节点的方法能够降低能量消耗和延迟。

在[15]中，作者提出了一种用于延迟敏感型无线传感器网络的分布式数据采集协议。该协议设计了汇聚节点移动性的轨迹，以最小化能量消耗和延迟。在[18]中，作者利用多个移动汇聚节点进行数据采集。多个移动汇聚节点提高了数据采集效率，减少了通信距离，并增强了网络可靠性。在[19]中，使用了移动汇聚节点用于以较低的延迟收集紧急数据。在[20]中，作者提出了利用移动簇头进行数据采集的方法。这些移动的簇头向不同的传感器位置移动，从而减少节点传输能量消耗，延长网络寿命。类似地，在[8]中，作者提出使用移动簇头来提高无线传感器网络的网络寿命。此外，还采用多种连接方法，通过快速变化的路由至汇聚节点来降低传输延迟。在[21]中，作者展示了一种基于遗传算法的网络能量优化方法，以降低整个网络的能量消耗。该遗传算法选择最优参数集，并提升无线传感器网络的寿命。在[22]中，作者提出了一种结合LEACH协议的基于遗传算法的优化过程，以改善无线传感器网络的寿命。LEACH协议选择能量高效的节点作为簇头，这些簇头从子节点收集信息，随后对信息进行压缩并发送至汇聚节点。遗传算法有助于确定从簇头到汇聚节点的最优路径。

在[23]中，作者提出了一种基于遗传算法的聚类算法，以实现负载均衡并提升网络寿命。仿真结果表明，与以往协议相比，该协议提高了无线传感器网络的稳定性和寿命。在[24]中，提出了一种基于遗传算法的聚类算法，通过根据传感器节点的剩余能量选择簇头，从而提高整个网络的寿命。在[25]中，作者展示了在能量高效的无线传感器网络中使用静态聚类和动态簇头选择的方法。在每轮结束时，非簇头节点可成为簇头节点。动态簇头的选择依据包括节点剩余能量、当前簇内节点以及簇中所有节点的总能量。

在[26]中，作者提出了一种基于无人机（UAV）的无线传感器网络数据收集方案。该方案中，无人机从城市不同位置部署的无线传感器网络的簇头节点收集数据。蚁群优化算法用于确定无人机的最佳空中航线。本文提出的方案仅允许无人机从可信源收集数据。在[27]中，作者展示了在大范围地理区域（如城市）部署的无线传感器网络边缘安装物联网传感设备时，使用基于无人机的移动汇聚节点数据采集系统可改善连接性。

基于空中无人机的移动汇聚系统可以从传统的无线传感器网络收集数据，然而现有的无线传感器网络数据路由协议并不兼容基于无人机的汇聚节点与静态传感器节点之间的通信。为了成功实现并确保基于无人机的移动汇聚系统的正常运行，需要持续监控和频繁的技术支持。相比之下，本文提出的基于轨道的移动汇聚系统更加鲁棒，不需要频繁的技术支持，可用于复杂传感系统的部署。该系统维护需求极低，非常适合精准农业应用等低维护场景。

在[28]中，作者指出，由于“热点”问题，靠近汇聚节点的节点消耗更多能量。基于移动汇聚节点的技术为解决“热点”问题提供了另一种方案，并减少了多跳数据传输。该技术采用一种基于覆盖率的新型轨迹调度方法，用于多个移动汇聚节点。粒子群优化（PSO）算法结合变异算子，寻找具有最优覆盖率的停驻覆盖。随后，使用遗传算法（GA）为多个移动汇聚节点规划移动轨迹。在[29]中，采用了一种非均匀聚类方法，降低了基站周围区域节点的传输负载。该方法在最优哈密顿移动环路上部署移动代理，由移动代理负责从环路上的簇头收集和融合数据包。结果表明，该路由算法能够延长网络寿命并降低网络延迟。

2.2. 问题描述及所提出的工作的贡献

大多数现有的基于汇聚节点移动性的无线传感器网络路由协议采用传统的汇聚节点移动方法，其中汇聚节点以恒定速度在预定义移动轨迹上移动[18–20]。位于附近的节点通过多跳方式将其数据包传输至汇聚节点。此类传统汇聚节点移动方法未采用任何能效优化技术来确定汇聚节点移动轨迹上的最优数据收集点。本文提出的工作采用了先进的遗传算法优化方案，用于确定每个簇在移动汇聚节点轨迹上的“最优数据收集位置”。以下几点阐述了所提出的工作的贡献与创新性。

• 提出了一种四基因染色体结构用于建立遗传算法种群，其中前两个基因确定汇聚节点移动轨迹上的随机汇聚节点坐标，其余基因确定簇内随机的簇头坐标。
• 此外，当前工作提出了遗传算法的适应度评估算子，该算子根据网络传输能耗来评估染色体适应度。
• 开发的GA模型收敛到每个簇的一组最优汇聚点位置，从而最小化网络节点传输其数据包所消耗的能量。
• 除了优化汇聚节点位置外，本文提出的优化框架还为每个簇寻找最优的簇头节点位置。移动的汇聚节点在最优汇聚节点位置处停留，并收集相关簇内节点的数据。
• 本文提出的基于轨道的移动汇聚系统具有鲁棒性，不需要频繁的技术支持，可部署于低维护场景（如精准农业应用）中。

2.3. 遗传算法

优化问题需要对目标函数 f(x) 进行最大化或最小化。优化不等式可能受到约束，甚至可能是 gj(x)> 0，其中 j = 1, 2…J 和/或等式约束 hk(x)= 0，其中 k = 1, 2…K[30]。本研究采用遗传算法（GA）来解决无线传感器网络汇聚节点移动性的当前优化问题。遗传算法是一种全局搜索优化启发式方法，可为优化问题提供最优解。它易于实现，并且具有快速收敛性能。遗传算法遵循以下步骤。

(i) 种群初始化 ：目标优化问题的一个初始可行解称为染色体。遗传算法对一组染色体进行种群初始化，记为P=(x1,x2,x3⋯xn)，其中n表示种群大小。每个随机解包含固定数量的决策变量，即xi=(gi1,gi2,⋯..gim)。染色体的一个决策变量称为其基因。所有基因均在其固定的上下界范围内进行初始化。

(ii) 适应度评估 ：目标函数 f(x) 用于评估染色体的适应度值。适应度更高的染色体更有可能被选为父代染色体，进行交叉并为下一代种群生成子代染色体[30]。

(iii) 选择 ：此步骤从当前种群中选择适应度值较高的染色体进入交叉阶段。通常使用锦标赛选择算子，即从当前种群中随机选取两条染色体，适应度较高的染色体将被选中参与交叉。

(iv) 交叉 ：这是一种通过合并两条父代染色体的遗传信息来产生下一代染色体的技术。交叉通过两条父代染色体[18]生成两条新的子代染色体（后代）。

(v) 突变 ：用于将染色体中的基因值从当前状态[19]进行改变。

(vi) 精英保留 ：完成突变步骤后，遗传算法将当前种群与子代种群合并。然后从合并后的种群中选取适应度较高的解复制到新种群中。新种群中的解数量不超过n个。 表示遗传算法的流程图。

3. 能耗模型

无线通信模型[24]用于计算节点在发射器与接收节点之间通信时消耗的能量。根据该模型，将一个k比特的数据包发送到距离为d的接收节点所需的能量如下所示。

$$
E_{TX}(k, d) = k \cdot E_{elec} + k \cdot \varepsilon_{fs} \cdot d^2, \quad \text{where } d \leq d_0 \tag{1}
$$
$$
E_{TX}(k, d) = k \cdot E_{elec} + k \cdot \varepsilon_{mp} \cdot d^4, \quad \text{where } d \geq d_0
$$

这里 $E_{elec}$ 是发射器或接收器电路运行所需的每比特能耗。参数 $\varepsilon_{fs}$ 和 $\varepsilon_{mp}$ 分别表示自由空间和多径通信的放大系数。公式 $d_0$ 在公式 (1) 中是阈值距离，可计算为 $d_0 = \sqrt{\frac{\varepsilon_{fs}}{\varepsilon_{mp}}}$。

根据一阶无线通信模型，接收k比特数据包所需的能量如下。

$$
E_{RX}(k) = k \cdot E_{elec} \tag{2}
$$

根据一阶无线通信模型，聚合k比特数据包所需的能量如下。

$$
E_{Aggregation}(k) = k \cdot E_{DA} \tag{3}
$$

此处 $E_{DA}$ 是聚合单比特数据所需消耗的能量。

4. 本文提出的基于遗传算法的移动汇聚节点协议

本文提出的协议分为三个阶段。在第一阶段，所提协议建立基于遗传算法的初始网络。在第二阶段，所提协议进行实时簇头选择。在第三阶段，所提协议执行数据传输。基于遗传算法的移动汇聚节点协议工作流程如下。

4.1. 无线传感器网络模型与假设

所提出的工作中的无线传感器网络包含128个传感器节点和一个移动汇聚节点。目标无线传感器网络被划分为最优簇数。无线传感器网络中的最优簇数可以按如下方式估计。

$$
p_{opt} = \frac{n}{d_{max} \sqrt{3\rho}} + 0.5 \tag{4}
$$

其中 $n$ 表示整个网络中的节点数量。变量 $d_{max}$ 是网络节点的最大传输距离。变量 $\rho$ 是网络中的节点密度。对于目标无线传感器网络，$n$ 为 128。节点密度为 $\rho = \frac{128}{100 \times 100} = 0.0128$ 个/m²。节点的最大传输距离为 $d_{max} = 40$ m。因此，最优簇数变为 $p_{opt} = 16$。于是，所提协议将目标无线传感器网络划分为 16 个簇。每个簇为矩形尺寸，包含 8 个节点。汇聚节点沿穿过每个簇边界的轨迹移动。 显示了在100 × 100 m²网络区域中实现的无线传感器网络的节点位置。以下是实现本文提出的研究工作所作的假设。

(i) 每个传感器节点初始携带0.6 J的节点能量。
(ii) 与源节点相比，汇聚节点具有非常大的能量和计算资源。
(iii) 汇聚节点知道每个传感器节点的空间坐标。

4.2. 初始网络设置阶段

基于遗传算法的优化过程确定每个簇的汇聚节点最优位置，即在汇聚节点移动轨迹上的最优数据收集点。本文提出的遗传算法通过以下步骤来寻找簇1的最优汇聚节点位置。

(1) 种群初始化

GA使用预定义的种群大小（n）初始化染色体种群，即 $P = (x_1, x_2, x_3 \cdots x_n)$。初始种群中的每条染色体定义了轨迹上的一个随机汇聚节点位置和簇1内的一个随机簇头位置。每条染色体包含四个基因，即 $G_{ij}$；$i = 1, 2, 3… n$ 和 $j = 1, 2, 3, 4$，其中 $G_{i1}$ 和 $G_{i2}$ 表示汇聚节点在汇聚节点轨迹上的坐标，$G_{i3}$ 和 $G_{i4}$ 表示簇1内簇头位置的坐标。每个基因 $G_{ij}$ 在其上下界范围内初始化为一个随机数，如下所示：$0 < G_{i1} \leq 25$, $G_{i2} = 25$, $0 < G_{i3} \leq 25$, $0 < G_{i4} \leq 25$。 显示了初始GA种群。

(2) 适应度评估

本文提出的GA优化框架根据染色体-xi在当前种群 $P = (x_1, x_2, x_3 \cdots x_n)$ 所定义的网络能量消耗 $(E_{Loss-i})$ 来确定其适应度。本文提出的遗传算法通过寻找汇聚节点移动轨迹上的最优汇聚点位置，并确定簇1的最优簇头节点位置，以减少数据传输过程中的能量消耗。用于预测全局网络能量消耗的本文提出模型如下所示。

首先，遗传算法确定簇1的簇内子节点向簇头（CH）节点传输数据的传输能量消耗。CH节点的坐标为 $(G_{i3}, G_{i4})$。假设U表示簇内子节点的集合。设簇内子节点的传输能量消耗用 $E_{L1-i}$ 表示。公式(5)对 $E_{L1-i}$ 进行建模

4.2. 初始网络设置阶段（续）

$$
E_{L1-i} = \sum_{\forall j \in U} \left( E_{elec} + k \varepsilon_{AMP} d_{j,CH}^\eta \right) \tag{5}
$$

这里 $d_{j,CH}$ 是传感器节点 $j$ 与簇头节点之间的距离 ($d$)。放大系数 $\varepsilon_{AMP}$ 在 $d \leq d_0$ 时为 $\varepsilon_{fs}$，在 $d \geq d_0$ 时为 $\varepsilon_{mp}$。路径损耗指数 $\eta$ 在 $d \leq d_0$ 时为 2，$d \geq d_0$ 时为 4。其他参数与公式 (1) 中给出的相同。

现在，遗传算法确定簇头节点接收簇内节点数据、将数据包聚合为单个数据包并发送聚合后的数据包到基站（汇聚节点）时的能量消耗。汇聚节点坐标为 $(G_{i1}, G_{i2})$。假设簇头节点的传输能量消耗用 $E_{L2-i}$ 表示。公式(6)对 $E_{L2-i}$ 进行建模

$$
E_{L2-i} = E_{elec}(m - 1)k + E_{DA}mk + \left(E_{elec} + k \varepsilon_{AMP} d_{CH,sink}^\eta \right) m \delta k \tag{6}
$$

此处 $d_{CH,sink}$ 表示簇头节点与汇聚节点之间的距离 ($d$)。变量 $\delta$ 表示数据压缩比。参数 $m$ 表示簇1中簇内子节点的数量。

现在，由染色体-xi定义的网络目标函数即能量消耗（$E_{Loss-i}$）如下所示。

$$
E_{Loss-i} = E_{L1-i} + E_{L2-i} \tag{7}
$$

遗传算法通过选择、交叉、突变和精英保留步骤进行迭代。这些步骤已在第2.3小节中讨论。基于汇聚节点移动性的簇形成遗传算法的伪代码如下所示：

用于簇 − 1 的最优汇聚节点和簇头位置的遗传算法

迭代次数 = α
种群大小 = n
染色体基因数 = 4
交叉率 = ρc
变异率 = ρm

/* 种群初始化 */
For i = 1: n
    POP(i,1) = 0到25之间的随机数;
    POP(i,2) = 25;
    POP(i,3) = 0到25之间的随机数;
    POP(i,4) = 0到25之间的随机数;
End For

/* 遗传算法迭代运行 */
For i = 1: α
    /* 适应度评估 */
    For k = 1: n
        评估簇拓扑结构中数据传输的节点能量损耗 染色体-k 即 ELoss−k，使用公式(5)–(7)；
    End For

    /* 锦标赛选择 */
    交叉次数 ← 四舍五入(ρc * n);
    For m = 1: 交叉次数
        选择两条染色体 POP(i,:) 和 POP(j,:);
        If 染色体 POP(i,:) 的适应度 fitnessELoss−i < 染色体 POP(j,:) 的适应度 fitnessELoss−j Then
            父代(m,:) ← POP(i,:);
        Else
            父代(m,:) ← POP(j,:);
        End If
    End For

    /* 交叉 */
    For j = 1: 交叉次数
        从交配池中随机选择两个父代染色体。
        随机选择一个交叉点。
        /* 通过单点交叉生成后代染色体 */
        交叉点前的后代基因 ← 父代-1 交叉点前的基因
        交叉点后的后代基因 ← 父代-2 交叉点后的基因
        /* 用新的后代替换父代染色体 */
        将父代1染色体替换为新的后代，并创建新的后代种群 POP_后代
    End For

    /* 突变 */
    突变次数 ← 四舍五入(ρm * n);
    For j = 1: 突变次数
        从随机选择的染色体中随机选择一个基因
        用其上下界之间的随机值替换所选基因的值
    End For

    /* 精英保留 */
    将子代种群与当前种群合并
    合并种群 ← [POP; POP_后代];
    对 POP_merged 中的染色体重复进行适应度评估。
    从适应度最低的染色体开始，从 POP_merged 中复制解 into 一个新的种群 POP_new，直到其种群大小不超过 n。
End For
/* 遗传算法迭代终止 */

本文提出的遗传算法形式被应用于图2的无线传感器网络的簇1。 表1 列出了遗传算法的仿真参数。

)、)、) 和 ) 分别显示了初始、第5代、第10代和最终遗传算法代的染色体种群。结果表明，随着进化代数的增加，GA种群中染色体之间的平均距离逐渐减小。在每一次迭代中，遗传算法对种群中的染色体进行微调，以降低能量消耗。

展示了本文提出的遗传算法的收敛曲线。当满足预定义终止准则时，遗传算法停止，并给出簇1的最优汇聚点和簇头位置。

现在，以类似的方式，本文提出的遗传算法优化每个簇的汇聚节点 & 和簇头位置。 展示了每个簇的优化后的汇聚节点和簇头位置。

4.3. 实时簇头选择与数据传输阶段

第一轮传输使用遗传算法建议的拓扑结构进行。然而，由于静态簇头节点承担大量的数据聚合和中继负载，能量消耗迅速。因此，网络在每一轮传输时重新选举簇头节点。动态的簇头选择能够实现均衡负载分配，并延长网络寿命[25]。

簇头节点的动态选择基于节点的剩余能量、节点到最优簇头位置（由遗传算法建议）的距离，以及节点在先前的数据传输轮次中的簇头选举次数。簇头节点的动态选择由汇聚节点按如下方式进行。

汇聚节点沿汇聚节点移动轨迹旋转，并在遗传算法建议的优化汇聚节点位置处停止，针对簇1。随后，它向簇1的节点广播HELLO消息。该HELLO消息携带汇聚节点和簇1的ID。簇1的簇内节点接收到汇聚节点的HELLO消息后，回复确认消息，其中包含节点ID、节点剩余能量（$E_{Ri}$；i=1,2…m）水平以及节点成为簇头的次数（$N_{CHi}$；i=1, 2…m）。此处 $m$ 表示簇1中的节点数量。节点基于时分多址方式发送其确认消息。

在收到来自簇1中每个节点的确认消息后，汇聚节点计算簇1中每个簇节点到最优簇头位置的距离（$D_{CHi}$）。现在，汇聚节点为簇中每个节点计算一个代价函数值（$C_{Fi}$；i=1, 2…m）。公式（8）给出了节点-i的成本函数。

$$
C_{Fi} = \frac{E_{Ri}}{D_{CHi} \times N_{CHi}} \tag{8}
$$

现在，汇聚节点选择代价函数值最大的传感器节点作为当前传输轮次的簇头。汇聚节点广播一条CH_SELECTION消息，其中包含簇头节点ID和簇ID。随后，簇内节点基于TDMA技术将数据发送至选定的簇头节点，簇头节点将接收到的数据包合并为单个数据包，并将其重新传输至基站。

从第1簇接收到数据包后，汇聚节点向前移动到第2簇的最优数据收集位置，并以相同方式重复进行第2簇的簇头选择和数据传输过程。类似地，汇聚节点依次移动到每个簇并收集数据。由于汇聚节点移动性，网络节点与汇聚节点之间的平均距离减小。因此，它降低了网络传输能耗并提高了网络寿命。基于遗传算法的汇聚节点移动性协议的结果将在下一节中讨论。

4.4. 所提出的算法的复杂度

所提出的基于遗传算法的汇聚节点移动性算法的时间复杂度取决于执行该算法所需的算术运算次数。所提出的基于汇聚节点移动性的数据路由算法分为以下阶段：（i）基于遗传算法确定移动汇聚节点轨迹上用于数据采集的最优汇聚节点位置；（ii）汇聚节点进行动态簇头节点选择。对所提出算法的复杂度分析包含以下两个步骤：

(i) 基于遗传算法的优化阶段的时间复杂度：
遗传算法的时间复杂度是种群大小、染色体基因数量和迭代次数等遗传算法参数的函数。遗传算法的复杂性还取决于适应度评估、父代选择、交叉和突变所采用的过程。对于采用锦标赛选择、单点交叉和点变异的情况，遗传算法的复杂度为 $O(\varphi \cdot \chi \cdot \psi)$，其中 $\varphi$ 表示种群大小；$\chi$ 表示基因数量；$\psi$ 表示迭代次数。因此，基于遗传算法阶段优化的时间复杂度为 $O(n^3)$。

(ii) 簇头选择阶段的时间复杂度：
汇聚节点根据三个节点属性进行簇头节点选择：（i）节点剩余能量水平，（ii）节点成为簇头的次数，以及（iii）每个簇节点到最优簇头位置的距离。设簇成员节点的数量为 $\rho$，节点属性数量为 $\varsigma$（=3）。汇聚节点执行 $3\rho\varsigma$ 次操作进行属性归一化，并执行 $2\rho$ 次操作以计算簇成员节点的代价函数。因此，簇头选择过程阶段的计算复杂度为 $3\rho\varsigma + 2\rho$。因此，簇头选择阶段的时间复杂度为 $O(n^2)$。

5. 仿真结果

使用MATLAB软件对所提出的工作进行仿真。仿真结果以稳定期、网络寿命、网络剩余能量、发送到汇聚节点的数据包（吞吐量）以及端到端延迟（延迟）来衡量。仿真参数如 表2 所示。

5.1. 各种性能参数

在本小节中，讨论了适用于无线传感器网络数据路由协议性能的参数。

(i) 稳定区间 ：指网络中的节点全部保持正常工作的那段时间段。
(ii) 网络寿命 ：指网络中所有节点停止工作之前的时间段。
(iii) 吞吐量 ：网络吞吐量是成功数据包传输到汇聚节点的平均速率。
(iv) 端到端延迟 ：指在源节点和目的节点之间通过网络进行数据包传输时所观察到的延迟。

5.2. 仿真与分析

本文提出的工作的寿命、剩余能量以及传递到汇聚节点的数据包数量与LEACH[16]、SEP[17]、ECRP[31]和RAMSS[12]算法进行了比较。能量感知的基于簇的路由协议（ECRP）算法根据节点的剩余能量选择簇头，并且能够适应网络拓扑变化。ECRP提出了一种多跳路由算法，减少了网络的能量消耗并实现了能耗均衡[31]。具有移动汇聚节点支持的路由算法（RAMSS）结合了聚类和汇聚节点移动方案。汇聚节点沿圆形轨迹以恒定角速度移动。整个传感器区域被划分为多个扇区，每个扇区根据其成员权重选择簇头[12]。

描述了网络寿命和网络稳定期存活节点数量与传输轮次的关系。与稳定期和网络寿命相关的仿真统计如 表3 所示。仿真结果表明，所提协议的稳定期为1298轮，而SEP、LEACH、RAMSS和ECRP协议的稳定期分别为527、1095、1233和1185轮。类似地，所提协议的网络寿命约为3158个传输轮次，优于SEP、LEACH、RAMSS和ECRP协议。因此，实验结果表明，所提协议在网络寿命和稳定期方面优于LEACH、SEP、RAMSS和ECRP协议。

揭示了所提协议在使用和不使用汇聚节点移动技术时，通过网络寿命和稳定期进行的对比。采用汇聚节点移动技术的所提协议在稳定期和寿命方面表现更优。原因是当汇聚节点移动时，网络节点到汇聚节点的平均通信距离减小，从而降低了节点在数据传输中的能量消耗。

展示了所提协议与SEP、LEACH、RAMSS和ECRP协议在网络剩余能耗方面的比较。可以看出，与SEP、LEACH、RAMSS和ECRP协议相比，所提协议中的所有节点工作时间更长。在所提协议中，每轮动态选择合适的簇头，避免了网络中能量消耗不均的问题。因此，所提协议比SEP、LEACH、RAMSS和ECRP具有更长的寿命和更好的网络稳定性。

显示了不同协议下成功送达汇聚节点的数据包数量。结果表明，所提协议中成功送达汇聚节点的数据包数量多于SEP、LEACH、RAMSS和ECRP协议。因此，与前述协议相比，所提协议提供了更高的数据包成功投递率。从而，所提协议的吞吐量性能优于SEP、LEACH、RAMSS和ECRP。所提协议具有更高吞吐量的原因在于汇聚节点移动性。在汇聚节点移动性中，源节点与汇聚节点之间的平均数据传输距离减小。因此，传输数据包所经历的平均路径损耗也随之降低，从而提高了网络吞吐量。

展示了所提技术的端到端数据传输延迟。所提协议的端到-end数据传输延迟为0.15秒。如果汇聚节点以10米/秒的速度沿轨迹移动，则系统收集网络中所有节点的数据包需要40.15秒。因此，所提协议提供了可接受的网络延迟。

5.3. 实施各种算法的财务成本比较：

无线传感器网络的实施成本包括以下费用：
(iii) 传感器节点成本。
(iv) 汇聚节点成本。
(v) 在感知区域内构建汇聚节点移动轨迹的成本。
(vi) 杂项费用，包括节点电池充电成本、电池更换成本、软件实施成本等。

假设一个无线传感器节点的成本为 $C_n$，汇聚节点的成本节点为 $C_{sink}$，在移动汇聚节点轨迹上移动汇聚节点的机器人单元成本为 $C_r$，在感知区域中构建移动汇聚节点轨迹的每单位长度（米）成本为 $C_{mst}$。为了比较不同算法的财务成本，我们假设 $C_n$、$C_r$、$C_{sink}$ 和 $C_{mst}$ 对每种算法都是相同的。其他杂项成本被忽略。 表4 描述了当方形感知区域的维度为R时，不同算法的财务成本。

需要注意的是，RAMSS算法实现了半径为0.75 R的圆形移动汇聚点轨迹，且该圆形轨迹的中心与感知区域的中心相同。

6. 结论

在本研究论文中，提出了一种基于遗传算法的移动汇聚节点技术，用于无线传感器网络中的能量高效数据路由。所提出的算法将整个网络划分为最优数量的矩形簇。汇聚节点移动轨迹穿过每个簇的至少一个边界。所提出的基于遗传算法的技术确定了每个簇在汇聚节点移动轨迹上的最优数据收集点。该最优汇聚节点数据收集点可使簇内节点与汇聚节点之间的数据传输能量消耗最小。除了优化汇聚节点位置外，所提出的优化框架还找到了每个簇的簇头节点的最优位置。实时簇头选择基于节点的剩余能量、节点到最优簇头位置的距离以及节点在先前的数据传输轮次中的簇头选择次数。所提出的算法降低了整个网络的平均通信距离。因此，与最先进的现有协议相比，本文提出的基于移动汇聚节点的遗传算法在网络寿命、剩余能量和网络吞吐量方面取得了更好的结果。

利益冲突声明
作者声明，他们不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。