时间：2026-01-20 分类：通信
鉴于当前无线自组织网络路由算法未充分考虑移动通信节点所处环境的地形地物与电波传播损耗之间的关系，提出基于场强等值线滑动窗的方法对节点自动分簇并建立分层树状路由的算法。场强等值线滑动窗考虑了移动节点的电波传播损耗对信号强度与节点能耗的影响。算法通过等场强窗口确定各簇的节点群，并依据节点群中各节点的综合通信参数的加权和选举簇头继而建立分层树状路由。所提出的路由算法具有自适应分簇、分层树状路由的特点。群内节点为对等关系，任何节点根据选举规则均可被选为簇头，并在此基础上建立分层树状路由。仿真对比实验显示，算法的端到端平均延迟比贪婪蚁群优化算法、按需距离向量路由协议和动态源路由协议方法分别提高了18.35%、50.80%和49.59%，与无中心多代理路由协议相比平均能耗下降4.78%，与贪婪蚁群算法相比吞吐量提高了31.63%。该算法可用于无中心通信网络、应急通信和战术通信网等节点位置快速变化的组网环境。
关键词：移动通信;无线自组织网;路由协议;滑动窗
论文《无线移动网络的多层分簇等场强滑动窗路由算法》发表在《电讯技术》，版权归《电讯技术》所有。本文来自网络平台，仅供参考。
引言
在移动通信网络中，无线自组织网络具有节点移动性强、无需基础通信设施的优点，受到人们的广泛关注。网络节点、路由协议是无线自组织网的重要组成部分，其中路由算法是决定网络结构、通信规划和网络鲁棒性的关键技术。
文献[1]提出了一种基于集群和位置的多跳路由协议的集成方案，节点簇周期性地形成，由每个节点单独决定是否成为簇头(Cluster Head, CH)，避免了所选簇头到汇聚节点之间的长距离直接通信，以节省能量并最大限度地减少过度传输的影响。该算法从簇头到汇聚节点使用了单跳链路，基于集群的无线传感器网络建立了多跳集群的路由协议。文献[2]通过采用自组织映射神经网络和群智能算法中的萤火虫算法寻求最优解，从而获取合适的分簇，并且在数据传输阶段采用新的路由协议，通过这些方法可以延长节点的网络存活时间并均衡网络结构。
优化链路状态路由协议(Optimized Link State Routing, OLSR)是用于自组织网络的路由协议，作为主动路由协议与网络中的其他节点交换路由信息[3]。OLSR减少了传输所需要的控制数据包的数量及其大小，从而很大程度上减少了转发的信息。文献[4]提出了一种基于贪婪蚁群优化算法的路由策略，基于蚁群算法寻优，结合位置信息限制蚂蚁搜索方向，以加速蚁群算法收敛速度。文献[5]研究基于改进k-means算法的AODV路由协议，使用节点间距离、路由拥塞度等作为路由度量，利用密集度参数改进初始聚类中心的选择，减少不必要的路由请求的分组转发。文献[6]从满足高动态自组网的需求出发，改进优化链路状态路由协议，引入移动预测机制，在邻居发现过程中加入节点的位置和速度信息，在中继选择时考虑相邻节点的距离，选择不易中断的链路。文献[7]提出了基于萤火虫算法的飞行自组织网络路由协议，用于无人机自组网通信，通过节点之间的链路持续时间和链路质量信息，衡量节点之间的链路稳定性，将链路稳定性作为选择多点中继集合的准则。文献[8]提出了一种表驱动的自组织协议，将节点的邻居信息编码到整个网络，以保证所有节点都可以得到整个网络的拓扑。文献[9]将每个节点视为具有自主感知、独立决策和多跳通信能力的代理，从相邻节点接收具有多跳列表的广播信息，并利用多跳深度信息优化每个节点的通信负载与能量消耗，代理可以在连通矩阵和旋转规则下迭代更新并转发路由表。文献[10]借鉴能量依赖的思路对通信节点分簇，根据路由转发的需要，由簇头汇聚被审查节点的信息进行信任评估，再广播信任值进行分簇。动态源路由协议采用基于请求的路由方法，仅在源节点发送数据包时获取路由信息，从而减少网络开销[11]。文献[12]采用萤火虫算法对节点进行聚类，引入混沌理论优化算法的收敛速度和解的准确度，通过优化聚类中心的分布来均衡网络节点的负载，在每个簇内选取两个簇头，主簇头负责数据收集与融合，次簇头负责数据传输，并在数据传输阶段采用Bellman-Ford算法确定多跳路径。
但是，以上各文献所研究的路由方法未能考虑电磁波的传播特性以及节点所处环境的地形地物对节点间通信的影响，未能对网络结构进行分层，降低通信节点的通信延迟，减小移动节点能量消耗。为了进一步增强无线自组织网络节点能量的利用率，减小数据传播的延迟，增加节点组网的灵活性，并与军事及行政管理的层次化特点相结合，本文通过场强等值线考虑电磁波的传播特性以及地形地物对节点间通信链路的影响，建立立体树状分层结构的网络路由，提出基于电场场强等值线滑动窗构造移动通信网络节点簇并建立分层树状路由的方法，适用于移动节点的无线自组织网络，具有自适应节点簇构建、自动分层、树状拓扑、立体组网的特点。
1 滑动窗自主分簇及立体树状路由建立
在自组织网络中，路由算法是影响网络延迟和节点能耗、吞吐量等性能的重要因素。为了提高网络性能，基于等场强滑动窗提出具有自适应节点分簇、立体组网、分层树状路由等特点的路由算法。
本算法由4个部分组成，包括滑动窗移动、节点自主分簇并建立树状路由、节点自主分层、节点路由输出。窗口在节点所处的区域进行滑动的过程中对移动节点进行分簇，簇内节点形成树状路由，根据节点规模由簇头自主形成高层群并建立高层路由，滑动窗根据节点的位置变化动态地调整滑动区域。
1.1 节点自主分簇
分布在较大地理范围中的多个随机分布的移动通信节点的自主分簇过程，将生成各个节点簇，并自动选举出每个节点簇的簇头。
在通信节点的网络初始化阶段，每个节点都发送Hello消息，该消息包含节点编号、电池容量、节点地理位置坐标、剩余能量等信息。
在选举簇头时，计算节点的剩余能量、地理位置等综合通信参数的加权和，记作Ab，如式(1)所示，并将Ab最大的节点选举为簇头。
[Ab=frac{gamma R}{d}+frac{varphi E}{E_{0}}-(1-gamma-varphi) ln left(frac{L}{L_{0}} ight)]
式中：d是节点簇中节点的位置距该节点群的几何中心的距离;E是电池剩余能量;L是节点到节点位置的几何中心的无线电波传播损耗;γ和φ分别是节点归一化距离和归一化剩余能量的对应权重;R是节点簇所在区域的最大半径;(E_{0})是节点的初始储存能量;(d/R)表征的是节点距离节点群中心的程度即归一化距离;(E/E_{0})是节点相对初始能量的剩余储能比值即归一化能量;(L/L_{0})为电波总损耗相对于自由空间损耗的比值，即归一化传播损耗，反映了电波传播受地形、地物等环境因素的影响的程度。这些归一化参数的作用是用于选取相对优势的节点作为簇头。
根据经验数据选择γ=0.25、φ=0.5具有较好的效果，这是因为γ和φ分别是节点距离和剩余能量的对应权重，移动节点的综合通信能力受剩余能量的影响比节点的通信距离以及无线电波损耗的影响要大。如果剩余能量接近零，节点所有功能都将停止，因此φ的权值相对较大。由于通信节点间的距离影响电波传播损耗，位于节点簇中心位置附近的节点用较小的功率发射电磁波，也可以保证本节点簇中的其他节点能够接收到该节点发射的信号，因此该节点作为簇头时可以用较低的功率与该节点所在群中的其他节点通信，从而增加该节点的电池续航时间。由于背负式移动通信节点是基于电池供电的终端，节点的能量储备将决定节点能否继续工作。
当无线电波传播损耗L增加时，目的节点接收到的信号的信噪比将会下降。无线电波传播损耗主要由源节点到目的节点之间的距离、地形起伏、植物遮挡、建筑物分布、土壤特性、气象、水系等因素决定，因此在选择簇头时，只有处于最靠近节点群中心的位置且具有较多相对剩余能量、电波损耗较小的节点才有机会被选为簇头。按照式(2)选择簇头：
[CH=underset{j=1}{argmax}left(Ab_{j} ight)]
式中：n是单个群中的节点数量;j是节点编号。
式(2)中并没有限定节点所在的区域范围，但是不可能将所有通信终端构建为单一的庞大的簇，而是需要分化为多个较小的簇，这就需要对节点簇的所处范围进行限制，于是本文提出了基于场强等值线滑动窗的节点簇构建方法。
节点发送的信号受到地形、植被、气象、建筑物等因素的影响，其等场强线一般不是圆形，而是类似于地形等高线的一组封闭线条。从源节点发送的无线电波，电场场强随着传播距离自然衰减。在理想的平坦开阔场环境下，等场强线是一组同心圆，等场强线以内的节点，因为信号强度较之等场强线外区域的节点的信号强度为大，节点之间通信具有更高的信噪比、更小的能耗以及更短的延迟。因此在网络初始化时，用等场强线构成的窗口作为滑动窗选择簇内的节点群具有更好的合理性。
通过式自适应地确定节点的中心位置c，以C为中心点确定场强等值线：
[left( longi _{c}, lati _{c} ight)=underset{h=1}{argmin}left(| longi _{k}- mean ( longi ) ight|+left| lati _{k}- mean ( lati ) ight|]
式中：longi和lati分别是节点所处位置的经度和纬度，经纬度的下标c是指对应于中心点的经纬度;M是簇内的最大节点数。
在非开阔场的环境下，电波传播损耗受到地表起伏的影响，因此地表圆周上的节点到圆心的传播损耗并非相同，等场强线在平面上呈现为不规则的封闭曲线。
场强等值线滑动窗节点簇自主分簇算法如下：
输入：单个群内最大允许节点数M、最小成群节点数(N_{min})、从中心点到等场强线的最大距离，即最大节点簇等场强半径R
输出：节点自动分簇后形成的节点簇c及簇头CH
1. 未入群的节点j编制Hello消息，消息内容包含该节点的标识符ID、剩余能量(E_{j})、节点所处位置的经纬度坐标(X_{j})，(Y_{j})，标注该节点是否簇头的字段H为“否”;
2. 窗内节点广播Hello消息;
3. 等场强滑动窗内节点个数大于(N_{min})时，在半径R的滑动窗内选择节点数量最多时的节点群记作C.M;
4. 根据Hello消息中的各节点位置((X_{j}, Y_{j}))，将在半径R的滑动窗内的节点群CM构成簇c，标注CM中各个节点为已经入群;
5. 如果半径R内的节点数量大于M，该群分裂成两个子群;如果子群中的节点数量仍然大于M，循环执行第5步;
6. 按照式(1)计算加权和Ab;
7. 按照式(2)选举簇头CH;
8. 簇头节点的信息是否簇头为“是”;
9. 簇头节点广播已经作为簇头的消息，收到该消息的所有群内节点，H为“否”;
10. (j=j+1)，回到第1步直到所有节点入群。
1.2 立体分层树状路由拓扑的建立
在节点分簇并形成簇头后，自主建立该簇内所有节点之间的树状路由，并根据节点的数量进一步建立更高层节点的树状路由。初始节点簇形成后，每个节点都是其所属节点簇内的待建立路由节点，同一簇中的非簇头节点只在簇内相互通信。所有低层簇头形成更高层的群，实现在更大的范围通信。高层群中的簇头也同样通过选举产生，选举过程与低层簇头的选举规则相同。低层不同节点簇中的非簇头节点，需通过节点所在簇的簇头进行通信，上层簇的每个节点都是下层对应簇的簇头。簇头分别以不同的信道与簇内成员以及其他簇的簇头通信，以避免彼此之间的通信干扰。
树状路由的形成过程中，所有路由只允许通过邻近节点接力，不允许跨越邻近节点直接连通到其他任何节点。建立分层路由时，不同簇中的节点通过所在簇的簇头与其他簇中的节点通信。
数据传输主要在节点所在最小子树内传送，最小子树外的节点路由通过汇聚节点即子树的根节点进行。不同簇中的节点通过簇头进行通信。该路由结构具有立体性与层次性，便于在单兵、装甲车等节点之间进行分层通信，或地面节点与空域节点例如直升机、无人机进行通信，符合在作战指挥、行政管理等的分级管理机制，具有普遍的适用性。
基于等场强滑动窗的路由建立算法如下：
输入：
路由树分支的最大分支数B;待建立路由的节点簇(C_{k})及簇头(CH_{k});k=1 to m，m是簇的总数量
输出：
分层树状路由表T
1. (k=1)
2. 设置路由树的初始层数L=1;簇(C_{k})内节点的“已建路由”信息设置为“否”;
3. 分支节点(Br=CH_{k});分支节点数(N_{Br}=0);
4. Br发送广播Hello消息，含该节点的簇号、节点号、经纬度;
5. (C_{k})内尚未建立路由的节点(即“已建路由”为“否”)的节点接收Br发送的广播消息并广播本节点的Hello消息;
6. Br接收群内其他节点的广播消息;
7. Br与“已建路由”为“否”的信号最强的节点(N_{i})建立路由并将其作为本节点的子节点，(N_{i})的“已建路由”信息设置为“是”;
8. (N_{Br}=N_{Br}+1)，如果(N_{Br}
9. 将Br节点的子节点中剩余能量最大的节点设置为新的Br，跳到第4步;
10. 当(C_{k})内已建路由节点不再接收到群内“已建路由”为“否”节点的广播消息时，树状路由建立完毕;
11. (L=L+1)，对第L层的簇头(CH_{k})执行算法步骤1-10，得到第L+1层的由L层簇头构成的树状路由拓扑;
12. (k=k+1)，跳到第2步直到所有节点建立路由。
为了减少簇头节点的能量消耗，路由树的最大分支B设置为8。以下树状路由不仅适用于节点数较少的无线网络，也适用于节点数量繁多的大型网络。当节点数量增加时，如果使用单一的树状路由，必然会导致网络的深度过大，信号传输延迟会随着树的深度成正比递增。同时越靠近树根的节点，汇聚形成的数据流量就会越高。在极端情况下，过大的数据量甚至会造成通信信道的阻塞。如果到达根节点的路由出现阻塞或故障，则整个路由树都将瘫痪，这对通信网络将是灾难性的。所以树状路由深度的选择应该是适中的，在实践中选择深度不大于4。因此，树状路由必须由多个较小的树状路由单元构成。
该路由算法还具有单个节点群内节点较少、灵活分簇的特点。树状路由结构作为基本路由单元，形成了一个自组织无中心的分层立体树状通信网络，具有比星形网络抗毁性强、比网状网的通信成本小的特点。
执行滑动节点窗分簇与分层路由树建立的算法后，生成树状路由拓扑。图中实心圆点是移动节点，红色圆圈内的实心圆点是选举出的簇头，封闭曲线是场强等值线。不同位置的等场强线，随着地形地物的变化，形状会有所变化。图中示例构建了两个簇的路由树，用箭线表示。在滑动窗内的所有节点，均按照上述算法自主形成树状路由，根节点为节点簇的簇头。当路由的下一跳跳出该节点所在路由树时，该簇头就通过与其他簇的簇头通信，建立起与其他簇内节点的通信链路。
使用等场强滑动窗确定初始簇，使得簇内节点与簇头之间的通信所需的发射功率较低，降低了作为中心节点的簇头的能耗，增加了簇头的续航时间。如果通过地理上的等距离线选择节点构成节点簇，由于节点与中心节点的通信可能会因为地物遮挡、地势起伏的影响，存在节点之间无法通信的情况，会造成重新分簇，从而增加节点簇的建立时间和节点的能量消耗。
分层路由算法的数据传送主要在节点的子树范围内进行，减少了不必要的路由信息传送开销，从而降低所需传送的数据量。在子树间的数据传输过程中，通信数据包通过路由访问子树的汇聚节点，从该汇聚节点逐跳传输到目标节点，避免了传统路由算法中自组织网络的邻居节点之间频繁地交换着大量的路由信息而产生大量的数据传送开销的问题。
该路由算法同时具有防止路由闭环的优点，可有效防止网络拥塞。
2 仿真实验与结果分析
为验证所提出算法的有效性，搭建了实验平台，在Intel CPU i7-1260P、RAM 16 GB的环境下，使用MATLAB SIMULINK进行仿真。节点活动区域范围为1 km×1 km，节点最大通信距离为200 m，节点数量设置为20~100个，节点初始能量为10 J，详见表1。
表1 仿真参数设置
| 节点数据项 | 设置 |
| 节点数量 | 20~100 |
| 活动区域范围 / km | 1×1 |
| 节点最大通信距离 / m | 200 |
| MAC 层使用协议 | IEEE802.11b |
| 数据产生速率 / (Mb/s) | 2 |
| 数据包大小 / b | 512 |
| 载波频率 / GHz | 2.4 |
| 节点移动方式 | 随机移动 |
| 移动速度 / (m/s) | 0~30 |
| 节点初始能量 / J | 10 |
在此参数下，测试节点分簇并建立路由后的平均剩余能量、端到端时延、吞吐量并与现有算法比较，分别得到相应的运行结果。
图4是平均能量消耗比较实验结果。与文献[9]提出的方法相比较，本文方法在测试节点数增加时会更好地保存能量，减少能量消耗，因此节点的续航时间会更长。从图4可见，随着测试时间的推移，节点平均剩余能量的减少优于文献[9]所提出的方法，平均降幅4.78%。这是因为本文所提算法中的节点在滑动窗分簇和建立树状路由的过程中考虑了节点之间的地形地物，分簇的节点间的通信损耗下降;节点的分层树状路由减少了节点间的通信损耗，避免了长距离通信，减小了节点的发射功率，客观上降低了通信能耗，从而降低了节点的能量消耗。
图5是移动节点之间端到端平均时延对比试验结果。与文献[4]的贪婪蚁群优化算法、AODV、DSR相比较，本文方法具有更小的平均时延：节点间端到端平均延迟比文献[4]的算法节约了18.35%，比AODV减少了50.80%，比DSR减少了49.59%。这是因为树状路由的通信数据传输主要集中在簇内节点之间，而且簇内节点的路由原则上必须经过邻近节点，因此通信节点间的数据接力产生的延迟小，传播距离也相对较短，降低了移动节点端到端平均延迟。
吞吐量用于表征单位时间内源节点发送的数据包被目标节点成功接收的数量。本文方法与文献[4]的贪婪蚁群优化算法的吞吐量的比较结果如图6所示。由图6可知，本文算法的吞吐量较文献[4]的算法提高了31.63%。这是因为分层树状路由增加了节点间的通信效率，减小了路由建立的时间，尤其是在节点的位置出现变化时，节点仅在最小子树中通过邻近节点通信，降低了路由调整所需的管理开销。
从实验结果可见，本文提出的等场强滑动窗自动分簇与分层树状路由算法有效降低了节点端到端的延迟，减少了平均能耗，并提高了吞吐量。其主要原因是基于等场强滑动窗的分层树状路由算法充分考虑了地形地物的影响，提高了节点分簇的有效性，降低了电波传播的损耗，从而减小了节点能耗;分层树状路由减小了路由信息传播范围，增加了路由的稳定性和通信效率，降低了路由建立的开销，从而减小了传输延迟，并增加了吞吐量。
3 结束语
针对无线通信网络的现有自组织路由算法未能充分考虑电磁波传播损耗与地形地物的影响，未能考虑分层树状路由的优点的现状，本文提出了用等场强线滑动窗的方法对节点进行自动分簇，继而自动构建分层树状路由，以树状路由为基本单元，自动建立多层自适应的树状立体网络的路由算法。通过仿真实验，在时延、剩余能量、吞吐量性能上与现有算法作了比较，实验结果验证了本文所提方法的有效性与先进性。本文方法减小了路由拓扑的信息传递开销与路径冗余，降低了时延与能耗，增加了吞吐量，并使得与作战指挥、管理系统的层次管理机制保持一致。但是随着组网层数的不断增加，高层节点的间距会不断加大，使得对簇头节点的发射功率、能量储备都会有进一步的要求。下一步将进一步加强对多层组网的仿真分析，研究本文方法在非对等节点组网时的性能并对算法进行改进，并研究分层层数与节点储能要求之间的函数关系。
参考文献
[1] WASKITHO A, RADITYO W, TOHARI A. Position-based multi-hop routing protocol scheme for cluster-based wireless sensor networks[C]//The International 4th Conference on Wireless and Telematics. Bali: IEEE, 2018:1-6.
[2] 刘奇奇, 张曦煌. 基于萤火虫算法的无线传感器网络的分簇路由协议[J]. 传感器与微系统, 2015, 34(9):119-121.
[3] OO Z, OTHMAN M, M Performance comparisons of AOMDV mobile ad hoc network[C]//Conference on Computer Engineering and Applications. Bali: IEEE, 2010:129-133.
[4] 黎宁, 魏星. 基于贪婪蚁群算法的飞行自组网路由策略方法[J]. 桂林航天工业学院学报, 2024, 29(1):46-51.
[5] 陈成鹏, 查文文, 潘伟豪, 等. 基于改进k-means的AODV路由协议[J]. 合肥学院学报(综合版), 2024, 41(2):83-90.
[6] 邢娜, 王军, 王子心. 基于移动预测的移动自组网路由协议[J]. 南开大学学报(自然科学版), 2023, 56(6):5-10.
[7] 王红茹, 赵红硕. 一种基于萤火虫算法的飞行自组织网络路由协议[J]. 应用科技, 2023, 50(6):87-92.
[8] ZHANG X, CHEN K, ZHANG Y, et al. Self-organizing network communication protocol for embedded wireless communication system[C]//IEEE 6th International Conference on Pattern Recognition and Artificial Intelligence. Haikou: IEEE, 2023:1190-1194.
[9] LU D, WANG J, HUO C, et al. A non-central multi-agent routing protocol of wireless self-organized network[C]//IEEE 11th Data Driven Control, Learning and Systems Conference. Chengdu: IEEE, 2022:893-898.
[10] 杨磊, 龙伟. 无人机自组网中基于信任的路由机制[J]. 电讯技术, 2024, 64(7):1058-1064.
[11] JOHNSON D B, MALTZ D A. Dynamic source routing in ad hoc wireless networks[J]. Mobile computing, 1996, 353(5):153-181.
[12] 孙爱晶, 郑世鹏. 基于混沌优化萤火虫算法的WSN分簇算法[J]. 传感技术学报, 2021, 43(9):1224-1230.
