无线传感器网络簇间数据传输方法.pdf

《无线传感器网络簇间数据传输方法.pdf》由会员分享，可在线阅读，更多相关《无线传感器网络簇间数据传输方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910422099.7 (22)申请日 2019.05.21 (71)申请人 昆明理工大学 地址 650221 云南省昆明市五华区学府路 253号 申请人 云南枭润科技服务有限公司 (72)发明人 喻小惠傅铁威张晶黄云明 唐恩熙刘炳颉 (74)专利代理机构 昆明人从众知识产权代理有 限公司 53204 代理人 沈艳尼 (51)Int.Cl. H04W 4/38(2018.01) H04W 40/10(2009.01) H04W 52/02(2009.01) H04W 52/。

2、46(2009.01) (54)发明名称 一种无线传感器网络簇间数据传输方法 (57)摘要 本发明涉及一种无线传感器网络簇间数据 传输方法， 属实时嵌入式领域。 蚁群算法具有分 布式， 正反馈等特点， 适合解决于组合优化问题。 首先初始化蚁群， 然后考虑可能会影响网络生存 周期的因素， 进而制定适应度函数， 并结合原有 经典蚁群算法制定新的状态转移概率计算公式。 对每个簇头计算状态转移概率值， 判断下一跳的 簇头， 并在单次迭代过程中更新局部信息素， 然 后依据此方法找到完整的遍历路径。 然后对每条 路径进行信息素更新， 将路径中最小剩余能量和 最大剩余能量的比值与能耗均衡因子最差， 并把 此。

3、差值融入更新规则， 控制信息素的增减。 此发 明建立簇头和蚁群节点之间的对应关系， 充分做 到节能与能耗均衡， 有效延长来网络的生命周 期。 权利要求书3页 说明书6页 附图3页 CN 110225478 A 2019.09.10 CN 110225478 A 1.一种无线传感器网络簇间数据传输方法， 其特征在于： 包括如下步骤： Step1、 设置初始参数， 在计算路径选择概率的时候的残留信息相对重要程度 ， 期望值 的相对重要程度 ， 信息素挥发因子 ， 信息素增加强度系数Q， 最大迭代次数N、 蚂蚁数量m， 然后初始化蚁群， 每只蚂蚁代表一个可行解； Step2、 随机地将A只蚂蚁放到B。

4、个传感器节点， 蚂蚁根据传感器节点之间的距离以及节 点度构造初始路径； Step3、 根据簇头之间的距离、 簇头剩余能量及每个簇头节点的节点度， 进而计算出适 应度函数， 并且根据适应度函数设置相对应的适应度函数因子； Step4、 根据期望信息、 信息素含量以及Step3中计算得到适应度函数构造状态转移概 率公式蚂蚁根据计算出的值选择下一簇头； Step5、 单次迭代过程结束之后， 依据适应度函数中的三个评判指标对该路径上的信息 素进行局部更新， 三个评判指标指的是节点度、 节点之间的距离、 节点剩余能量； Step6、 重复step4和step5两个过程， 以蚂蚁是否到达基站来判断一次完整。

5、的数据传输 过程是否结束， 若是， 则需要对本次所有蚂蚁的遍历路径进行全局信息素更新； Step7、 蚂蚁重复step3至step6， 然后判断是否达到设定的最大迭代次数， 若达到， 则满 足终止条件， 则根据信息素的积累量选出最优路径， 若没达到迭代次数， 则蚂蚁继续构造路 径进行下一次循环。 2.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述的 Step3中的簇头节点的节点度是指与该节点直接相连的节点数量。 3.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述的 step3中适应度函数构造， step5中局部信息素更新以及step6。

6、中全局信息素更新这三个步 骤中传感器节点的位置信息和剩余能量都通过基站实时获取。 4.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述 step1的具体步骤如下： 设定算法基本参数N和m， N为节点个数， m为蚂蚁数量， 并为状态转移和信息素更新时所 要使用到的参数赋值。 5.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述 step3的具体步骤如下： 为了使得蚂蚁在对下一簇头的选择考量多个控制因子， 从而实现负载均衡， 延长网络 生命周期的目的， 需要制定适应度函数， 其评价标准包括下一簇头的剩余能量， 两簇头之间 的距离以及簇头节点度。

7、， 则适应度函数如下： 其中，ij(t)为簇头i针对于下一跳候选簇头j所计算的适应度函数， rankEre(j)表示 蚂蚁所在簇头i的所有邻接节点集合中簇头j的剩余能量所排的序号， kj表示簇头j的节点 度， dij表示簇头i和簇头j之间的距离。 6.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述 step4的具体步骤如下： 权利要求书 1/3 页 2 CN 110225478 A 2 由经典蚁群算法中给出的信息素函数 ij(t)和启发函数 ij(t)共同组成新的状态转移 概率： 其中，是簇头j成为簇头i的下一跳节点的转移概率，ij(t)是信息素函数， 为信息 素。

8、函数因子，ij(t)是启发函数， 为启发函数因子，ij(t)为适应度函数， 为适应度函数因 子， 分母中的s表示有可能成为节点i下一跳节点的节点集合，is(t)指簇头i和簇头s之间的 信息素函数， is(t)指簇头i和簇头s之间的启发函数， is(t)指簇头i和簇头之间的适应度 函数， 每只蚂蚁在在选择下一簇头的时候均要计算求得值越大者成为下一跳的几率 越高， 并在计算完成之后完成状态转移的过程。 7.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述 step5的具体步骤如下： 单次遍历更新函数中采用的公式如下： 其中，是路径k的信息素局部更新函数， Q*是信息素局。

9、部增强系数， 其结果为常 数， 为适应度函数因子， 传感器p， q之间线路的信息素变化同样需要将两传感器之间的间 隔dpq， 传感器q的度kq， 以及它的能量余值Ere(q)融入局部信息素的更新规则之中； 两节点之间的距离近， 减少数据传输和通信的距离， 起到节能的作用， 度大的节点与之 相连的节点也多， 能够缩短算法的收敛时间。 8.根据权利要求1所述的一种无线传感器网络簇间数据传输方法， 其特征在于： 所述 step6的具体步骤如下： 由于路径上信息素含量对蚂蚁的正反馈作用可能会导致算法收敛于局部最优解， 所以 对于信息素的更新规则充分考虑到网络负载均衡这个指标从而进行更改， 在原有的计算。

10、方 法中加入负载均衡函数： 其中， e为路径e上各节点剩余能量的均衡程度的计算函数， 是剩余能量权衡因子， 值 的范围为0到1之阿， Ere-min(e)表示完整路径e中所有节点中的最小剩余能量值， Ere-max(e)表 示该完整路径中所有节点中的最大剩余能量值， 通过人为动态设置 的值来控制 k值的正 负， 融入到信息素更新方法： 其中， ij-all(t+1)为簇头i和j之间的完整路径在t+1时刻中信息素的更新规则， 为信 息素挥发因子，ij-all(t)为该路径在t时刻的信息素含量， ij为新一轮增加的信息素含量 权利要求书 2/3 页 3 CN 110225478 A 3 将式(4)。

11、加入式(5)的计算中可以决定一条路径上信息素含量增加还是减少， 若某条路径中 的节点剩余能量相差较大， 则下次选择的几率就很低， 所以有效保护来低能量节点， 避免部 分节点快速失效。 权利要求书 3/3 页 4 CN 110225478 A 4 一种无线传感器网络簇间数据传输方法 技术领域 0001 本发明涉及一种无线传感器网络簇间数据传输方法， 属于实时嵌入式技术领域。 背景技术 0002 信息物理融合系统近年来被广泛应用于现实生活中， 其通过遍布在需感知环境地 传感器集合组成的无线传感器网络来感知获取数据， 并通过某种路由方式传输给观察者。 其目的是协作地感知、 采集、 处理和传输网络覆盖。

12、的地理区域内被感知对象的信息， 由于大 部分需要感知的环境都较为恶劣， 并且传感器是由嵌入在其中的微型电池提供， 一旦电池 能量耗尽， 就导致节点失效。 若要精确定位并替换新的传感器节点， 就是一件非常困难的事 情。 发明内容 0003 本发明涉及一种无线传感器网络簇间数据传输方法， 采用节能的分簇多跳机制， 然后通过优化的蚁群算法改变簇间数据传输方式， 使得更节点能耗均衡， 以达到延长网络 生命周期的目的， 用来解决数据在簇头间传输时如何选择下一转发簇头。 0004 本发明采用的技术方案是： 一种无线传感器网络簇间数据传输方法， 包括如下步 骤： 0005 Step1、 设置初始参数， 比如。

13、在计算路径选择概率的时候的残留信息相对重要程度 ， 期望值的相对重要程度 ， 信息素挥发因子 ， 信息素增加强度系数Q， 最大迭代次数N、 蚂 蚁数量m， 然后初始化蚁群， 每只蚂蚁代表一个可行解。 0006 Step2、 随机地将A只蚂蚁放到B个传感器节点， 蚂蚁根据传感器节点之间的距离以 及节点度构造初始路径。 0007 Step3、 根据簇头之间的距离、 簇头剩余能量及每个簇头节点的节点度， 进而计算 出适应度函数， 并且根据适应度函数设置相对应的适应度函数因子。 0008 Step4、 根据期望信息、 信息素含量以及Step3中计算得到适应度函数构造状态转 移概率公式蚂蚁根据计算出的值。

14、选择下一簇头。 0009 Step5、 单次迭代过程结束之后， 也依据适应度函数中的三个评判指标(节点度、 节 点之间的距离、 节点剩余能量)对该路径上的信息素进行局部更新。 0010 Step6、 重复step4和step5两个过程， 以蚂蚁是否到达基站来判断一次完整的数据 传输过程是否结束， 若是， 则需要对本次所有蚂蚁的遍历路径进行全局信息素更新。 0011 Step7、 蚂蚁重复step3至step6， 然后判断是否达到设定的最大迭代次数， 若达到， 则满足终止条件， 则根据信息素的积累量选出最优路径， 若没达到迭代次数， 则蚂蚁继续构 造路径进行下一次循环。 0012 所述的Step。

15、3中簇头节点的节点度是指与该节点直接相连的节点数量。 0013 所述的step3中适应度函数构造， step5中局部信息素更新以及step6中全局信息 素更新这三个步骤中传感器节点的位置信息和剩余能量都通过基站实时获取。 说明书 1/6 页 5 CN 110225478 A 5 0014 所述step1的具体步骤如下： 0015 设定算法基本参数N和m， N为节点个数， m为蚂蚁数量， 并为状态转移和信息素更新 时所要使用到的参数赋值。 0016 所述step3的具体步骤如下： 0017 各个簇头都可能担任簇间数据传输的任务， 但临近基站的簇头传输的频率更高， 所以能量消耗的更快。 如果不对节。

16、点的剩余能量， 距离， 节点度进行综合考虑， 很有可能会 导致转发任务大的节点因能量耗尽而快速失效。 0018 为了使得蚂蚁在对下一簇头的选择考量多个控制因子， 从而实现负载均衡， 延长 网络生命周期的目的， 需要制定适应度函数。 其评价标准包括下一簇头的剩余能量， 两簇头 之间的距离以及簇头节点度。 则适应度函数如下： 0019 0020 其中，ij(t)为簇头i针对于下一跳候选簇头j所计算的适应度函数， 0021 rankEre(j)表示蚂蚁所在簇头i的所有邻接节点集合中簇头j的剩余能量所排的 序号， kj表示簇头j的节点度， dij表示簇头i和簇头j之间的距离。 0022 所述step4。

17、的具体步骤如下： 0023 由经典蚁群算法中给出的信息素函数 ij(t)和启发函数 ij(t)共同组成新的状态 转移概率： 0024 0025其中，是簇头j成为簇头i的下一跳节点的转移概率，ij(t)是信息素函数， 为 信息素函数因子，ij(t)是启发函数， 为启发函数因子，ij(t)为适应度函数， 为适应度函 数因子。 分母中的s表示有可能成为节点i下一跳节点的节点集合，is(t)指簇头i和簇头s之 间的信息素函数， is(t)指簇头i和簇头s之间的启发函数， is(t)指簇头i和簇头之间的适 应度函数。 每只蚂蚁在在选择下一簇头的时候均要计算求得值越大者成为下一跳的 几率越高， 并在计算完。

18、成之后完成状态转移的过程。 0026 所述step5的具体步骤如下： 0027单次遍历更新函数中采用的公式如下： 0028 0029其中，是路径k的信息素局部更新函数， Q*是信息素局部增强系数， 其结果为 常数， 为适应度函数因子， 传感器p， q之间线路的信息素变化同样需要将两传感器之间的 间隔dpq， 传感器q的度kq， 以及它的能量余值Ere(q)融入局部信息素的更新规则之中。 0030 两节点之间的距离近， 减少数据传输和通信的距离， 起到节能的作用， 度大的节点 与之相连的节点也多， 能够缩短算法的收敛时间。 0031 所述step6的具体步骤如下： 说明书 2/6 页 6 CN 。

19、110225478 A 6 0032 所述的全局信息素更新方法为获取一条完整路径中所涉及的全部节点的剩余能 量信息， 计算出最小剩余能量与最大剩余能量的比值。 将该比值再与设置的能耗均衡因子 做差， 以此来决定该条路径上信息素的增减。 0033 考虑到路径上信息素含量对蚂蚁的正反馈作用可能会导致算法收敛于局部最优 解， 所以对于信息素的更新规则充分考虑到网络负载均衡这个指标从而进行更改。 在原有 的计算方法中加入负载均衡函数： 0034 0035 其中， e为路径e上各节点剩余能量的均衡程度的计算函数， 是剩余能量权衡因 子， 值的范围为0到1之阿， Ere-min(e)表示完整路径e中所有节。

20、点中的最小剩余能量值， Ere-max (e)表示该完整路径中所有节点中的最大剩余能量值。 可以通过人为动态设置 的值来控制 k值的正负， 融入到信息素更新方法： 0036 0037 其中， ij-all(t+1)为簇头i和j之间的完整路径在t+1时刻中信息素的更新规则， 为信息素挥发因子， ij-all(t)为该路径在t时刻的信息素含量， ij为新一轮增加的信息 素含量将式(4)加入式(5)的计算中可以决定一条路径上信息素含量增加还是减少。 若某条 路径中的节点剩余能量相差较大， 则下次选择的几率就很低， 所以有效保护来低能量节点， 避免部分节点快速失效。 0038 所述step7的详细内容。

21、如下： 0039 蚂蚁在设置的最大迭代次数范围内一直重复step3至step6， 此时整个无线传感器 网络各簇头之间的链接链路基本都有遗留的信息素， 只是具体含量参差不齐。 此时则选择 一条信息素含量最多的路径为最优路径， 进行簇头之间的数据传输。 0040 本发明的有益效果是： 考虑到无线传感器网络中各传感器节点的能量的有限性， 且主要的能量消耗在传输数据和接受数据两个方面。 为了延长网络的生命周期， 找到一种 算法来减少节点的能量消耗以及使节点能耗均衡是十分具有积极意义的。 由于分簇多跳路 由两种机制经过验证可以有效节能， 所以将改进蚁群算法加入簇间数据传输， 将剩余能量， 距离， 节点度。

22、三个控制因子来共同起到决策作用。 通过这种启发式算法先找到一条适合传 输的路径， 然后再进行数据的传输。 经过实验证明， 该方法确实具有很好地延长了WSN的工 作时间， 增加了其监测和数据传输的周期。 附图说明 0041 图1为本发明的流程图； 0042 图2为本发明的全部实验参数； 0043 图3为网络中存活节点个数与轮数的关系； 0044 图4为当前轮数中最小剩余能量与平均剩余能量比值。 说明书 3/6 页 7 CN 110225478 A 7 具体实施方式 0045 下面结合附图和具体实施例， 对本发明作进一步说明。 0046 实施例1： 如图1-4所示， 一种无线传感器网络簇间数据传输。

23、方法， 步骤如下： 0047 Step1、 设置初始参数， 比如在计算路径选择概率的时候的残留信息相对重要程度 ， 期望值的相对重要程度 ， 信息素挥发因子 ， 信息素增加强度系数Q， 最大迭代次数N、 蚂 蚁数量m， 然后初始化蚁群， 每只蚂蚁代表一个可行解。 0048 Step2、 随机地将A只蚂蚁放到B个传感器节点， 蚂蚁根据传感器节点之间的距离以 及节点度构造初始路径。 0049 Step3、 根据簇头之间的距离、 簇头剩余能量及每个簇头节点的节点度， 进而计算 出适应度函数， 并且根据适应度函数设置相对应的适应度函数因子。 0050 Step4、 根据期望信息、 信息素含量以及Ste。

24、p3中计算得到适应度函数构造状态转 移概率公式蚂蚁根据计算出的值选择下一簇头。 0051 Step5、 单次迭代过程结束之后， 也依据适应度函数中的三个评判指标(节点度、 节 点之间的距离、 节点剩余能量)对该路径上的信息素进行局部更新。 0052 Step6、 重复step4和step5两个过程， 以蚂蚁是否到达基站来判断一次完整的数据 传输过程是否结束， 若是， 则需要对本次所有蚂蚁的遍历路径进行全局信息素更新。 0053 Step7、 蚂蚁重复step3至step6， 然后判断是否达到设定的最大迭代次数， 若达到， 则满足终止条件， 则根据信息素的积累量选出最优路径， 若没达到迭代次数，。

25、 则蚂蚁继续构 造路径进行下一次循环。 0054 进一步地， 所述的Step3中簇头节点的节点度是指与该节点直接相连的节点数量。 0055 进一步地， 所述的step3中适应度函数构造， step5中局部信息素更新以及step6中 全局信息素更新这三个步骤中传感器节点的位置信息和剩余能量都通过基站实时获取。 0056 进一步地， 所述step1的具体步骤如下： 0057 设定算法基本参数N和m， N为节点个数， m为蚂蚁数量， 并为状态转移和信息素更新 时所要使用到的参数赋值。 0058 进一步地， 所述step3的具体步骤如下： 0059 各个簇头都可能担任簇间数据传输的任务， 但临近基站的。

26、簇头传输的频率更高， 所以能量消耗的更快。 如果不对节点的剩余能量， 距离， 节点度进行综合考虑， 很有可能会 导致转发任务大的节点因能量耗尽而快速失效。 0060 为了使得蚂蚁在对下一簇头的选择考量多个控制因子， 从而实现负载均衡， 延长 网络生命周期的目的， 需要制定适应度函数。 其评价标准包括下一簇头的剩余能量， 两簇头 之间的距离以及簇头节点度。 则适应度函数如下： 0061 0062 其中，ij(t)为簇头i针对于下一跳候选簇头j所计算的适应度函数， rankEre(j) 表示蚂蚁所在簇头i的所有邻接节点集合中簇头j的剩余能量所排的序号， kj表示簇头j的 节点度， dij表示簇头i。

27、和簇头j之间的距离。 0063 进一步地， 所述step4的具体步骤如下： 说明书 4/6 页 8 CN 110225478 A 8 0064 由经典蚁群算法中给出的信息素函数 ij(t)和启发函数 ij(t)共同组成新的状态 转移概率： 0065 0066其中，是簇头j成为簇头i的下一跳节点的转移概率，ij(t)是信息素函数， 为 信息素函数因子，ij(t)是启发函数， 为启发函数因子，ij(t)为适应度函数， 为适应度函 数因子。 分母中的s表示有可能成为节点i下一跳节点的节点集合，is(t)指簇头i和簇头s之 间的信息素函数， is(t)指簇头i和簇头s之间的启发函数， is(t)指簇头。

28、i和簇头之间的适 应度函数。 每只蚂蚁在在选择下一簇头的时候均要计算求得值越大者成为下一跳的 几率越高， 并在计算完成之后完成状态转移的过程。 0067 进一步地， 所述step5的具体步骤如下： 0068单次遍历更新函数中采用的公式如下： 0069 0070其中，是路径k的信息素局部更新函数， Q*是信息素局部增强系数， 其结果为 常数， 为适应度函数因子， 传感器p， q之间线路的信息素变化同样需要将两传感器之间的 间隔dpq， 传感器q的度kq， 以及它的能量余值Ere(q)融入局部信息素的更新规则之中。 0071 两节点之间的距离近， 减少数据传输和通信的距离， 起到节能的作用， 度大。

29、的节点 与之相连的节点也多， 能够缩短算法的收敛时间。 0072 进一步地， 所述step6的具体步骤如下： 0073 所述的全局信息素更新方法为获取一条完整路径中所涉及的全部节点的剩余能 量信息， 计算出最小剩余能量与最大剩余能量的比值。 将该比值再与设置的能耗均衡因子 做差， 以此来决定该条路径上信息素的增减。 0074 考虑到路径上信息素含量对蚂蚁的正反馈作用可能会导致算法收敛于局部最优 解， 所以对于信息素的更新规则充分考虑到网络负载均衡这个指标从而进行更改。 在原有 的计算方法中加入负载均衡函数： 0075 0076 其中， e为路径e上各节点剩余能量的均衡程度的计算函数， 是剩余能。

30、量权衡因 子， 值的范围为0到1之阿， Ere-min(e)表示完整路径e中所有节点中的最小剩余能量值， Ere-max (e)表示该完整路径中所有节点中的最大剩余能量值。 可以通过人为动态设置 的值来控制 k值的正负， 融入到信息素更新方法： 0077 0078 其中， ij-all(t+1)为簇头i和j之间的完整路径在t+1时刻中信息素的更新规则， 说明书 5/6 页 9 CN 110225478 A 9 为信息素挥发因子，ij-all(t)为该路径在t时刻的信息素含量， ij为新一轮增加的信息素 含量将式(4)加入式(5)的计算中可以决定一条路径上信息素含量增加还是减少。 若某条路 径中。

31、的节点剩余能量相差较大， 则下次选择的几率就很低， 所以有效保护来低能量节点， 避 免部分节点快速失效。 0079 进一步地， 所述step7的具体步骤如下： 0080 蚂蚁在设置的最大迭代次数范围内一直重复step3至step6， 此时整个无线传感器 网络各簇头之间的链接链路基本都有遗留的信息素， 只是具体含量参差不齐。 此时则选择 一条信息素含量最多的路径为最优路径， 进行簇头之间的数据传输。 0081 本文发明通过MATLAB平台的仿真， 100传感器节点被随机的遍布在200*200的环境 中， BS位于中心位置。 通过分析将改进后的蚁群融入簇间数据传输， 对WSN的能量消耗和在 同一时。

32、间下各节点的剩余能量状况， 进而验证本文方案相较于经典LEACH和HEED算法在节 能和能耗均衡两个方面的优势。 各实验参数的设置如图2所示。 0082 从图2看出， 三种方案在同样的环境布置下， 网络中节点的生存数量与轮数之间的 关系。 LEACH方案和HEED方案中所有节点能源耗尽分别是在实验进行到1700轮和2300轮时。 而当实验进行到2800轮， 本文算法中的所有传感器才全部因能量耗尽而不能工作。 并且本 文算法的下降速度在整个实验过程中明显低于其余两种算法。 由于本文中采用分簇传输和 多跳路由两种机制， 并将剩余能量， 连接距离， 节点度共同作为蚁群算法中路径转移概率值 计算的限制。

33、条件， 能计算出一条最优路径， 由此实现本文方案在节点节能方面的效果， 使得 网络整体工作时间得到延长。 0083 由图3可以看出,经典LEACH算法当进行到1200轮时， 第一个节点失效， 且最小剩余 能量与平均剩余能量的比值一直随着实验的进行在减少， 由此看出各节点的能量差值逐渐 增大。 HEED算法在1400轮时， 首次出现节点失效， 并且与LEACH算法比较， 最小剩余能量与平 均剩余能量的比值变化速度减慢， 说明确实减少了选择能量较少传感器的概率。 本文方案 ACO-WSN当进行到1800轮时， 才出现节点失效的情况， 并且在整各下降过程中， 曲线变化呈 现出较为平缓的下降趋势。 在。

34、前500轮中， 由于各传感器的初始能量一样， 固然趋向于选择 度大的节点。 在后1300轮中， 这些节点的剩余能量值已经较大程度低于平均值， 所以利用本 文方案后， 这些节点的剩余能量下降趋势变缓。 由此看出， 增加簇头和成簇的控制因子并且 将优化后的蚁群算法加入到簇间数据传输的路径选择中， 可以有效地做到各传感器能耗趋 于平均水平， 增加WSN持续工作时间。 0084 以上结合附图对本发明的具体实施方式作了详细说明， 但是本发明并不限于上述 实施方式， 在本领域普通技术人员所具备的知识范围内， 还可以在不脱离本发明宗旨的前 提下作各种变化。 说明书 6/6 页 10 CN 110225478 A 10 图1 说明书附图 1/3 页 11 CN 110225478 A 11 图2 图3 说明书附图 2/3 页 12 CN 110225478 A 12 图4 说明书附图 3/3 页 13 CN 110225478 A 13 。