基于非均匀分簇的WSN能量均衡路由协议设计

简介：无线传感器网络（WSN）由大量能量受限的节点组成，如何高效利用有限能量、延长网络生命周期是路由协议设计的核心挑战。分簇路由通过簇首数据融合有效降低传输能耗，但均匀分簇易导致Sink附近节点因过载而形成“热区效应”，造成能量空洞。针对这一问题，本文探讨一种非均匀分簇的WSN能量均衡路由协议设计思路：通过让簇大小随节点到Sink距离动态调整，并融合剩余能量感知的簇首选举与多跳中继选择策略，在降低通信开销的同时分散热点负载。结合Matlab仿真验证，该方案可显著推迟首个节点死亡时间，提升网络存活轮数。这类能量均衡算法在环境监测、智能农业等大规模无线传感器网络部署中具有重要的工程应用价值，也为相关路由优化研究提供了可复现的仿真实现参考。

1. 为什么做非均匀分簇：从WSN的能耗困境说起

无线传感器网络（WSN）的节点通常靠电池供电，部署在野外或者人类难以到达的区域，换电池几乎是不可能的事。所以，如何让整个网络的能量消耗得更均匀、让网络的生命周期尽可能延长，一直是WSN路由协议设计的核心命题。我在做这个项目之前，先花了不少时间梳理现有的分簇路由协议，搞清楚它们各自的优劣，才最终确定以非均匀分簇为突破口来设计路由方案。

1.1 平面路由与分簇路由的本质区别

早期WSN的路由协议大多是平面结构的，所有节点地位平等，数据通过多跳方式逐级转发到汇聚节点（Sink）。这种模式实现简单，但问题也很明显：靠近Sink的节点既要发送自己的数据，又要转发远处节点的数据，负载极大，能量消耗速度快。网络运行一段时间后，这些关键节点会率先耗尽能量，导致网络出现“能量空洞”，整个网络与Sink的连通性被切断。

分簇路由协议的出现缓解了这个问题。簇首节点负责收集簇内成员的数据，经过融合处理后直接或者通过其他簇首转发给Sink。这样一来，普通节点只需要把数据传给距离较近的簇首，传输距离大大缩短，能耗也因此降低。LEACH是这一类协议中最具代表性的经典方案，它通过随机轮换簇首来均衡节点能耗，但LEACH的问题在于簇首直接与Sink通信，远距离传输能耗太高，在大规模网络中并不实用。

1.2 均匀分簇的隐藏弊端：热区效应

很多基于分簇的改进协议仍然采用均匀分簇。所谓均匀分簇，就是每个簇的规模差不多、簇首数量在各区域分布也大致相同。可仔细想想，网络中的数据流是有方向性的——所有数据最终都要流向Sink。如果Sink位于网络区域的某个边缘或角落，那么靠近Sink的簇首不仅要转发自己簇内的数据，还要承担来自更远区域簇首的数据中继任务。这些靠近Sink的簇首长期处于高负载状态，能量衰减速度远超网络其他区域。

这就是WSN路由设计中著名的“热区效应”或者叫“Sink附近能量空洞问题”。我刚开始做这项研究时，第一版方案就是简单的均匀分簇加多跳路由，仿真结果很不理想。网络运行到大约60%生命周期时，Sink周围一圈的节点几乎全部死亡，而远端的节点还有40%左右的剩余能量。这种能量浪费非常可惜，也促使我去寻找更合理的路由方案。

1.3 借助Matlab仿真验证问题场景

在正式设计非均匀分簇协议之前，我习惯先用Matlab把基础场景搭建起来，方便直观观察热区效应的影响。我使用的网络参数如下：

在这个场景下做了两轮测试：第一轮采用均匀分簇加单跳传输，第二轮采用均匀分簇加多跳传输。结果很能说明问题——单跳模式下远端节点能量消耗极快，整体网络生命周期短；多跳模式下网络生命周期有所提升，但Sink近邻节点最早成批死亡，热区效应非常明显。

基于这些仿真观察，我确认了一个判断：在分簇路由的设计中，不能把目光局限在分簇算法本身，还得关注簇间路由的负载情况。非均匀分簇的核心思想就是：离Sink越近的区域，簇的规模越小；离Sink越远的区域，簇的规模越大。这样近Sink区域的簇首数量更多，可以把数据转发任务分摊到更多节点上，避免少数节点承担过多中继任务而过早耗尽能量。

2. 能量均衡方案的设计思路与实现路径

确定了非均匀分簇这个大方向之后，接下来要面对的是两个核心问题：簇首如何选取？簇间如何路由？这两个问题环环相扣，直接决定了协议的能量均衡效果。

2.1 竞争半径的确定：让簇大小与距离挂钩

非均匀分簇的第一步是给每个节点分配合适的竞争半径。竞争半径决定了节点在竞选簇首时的覆盖范围，半径越小，形成的簇也越小。为了让近Sink区域的簇更小、远Sink区域的簇更大，我需要设计一个与节点到Sink距离相关的竞争半径函数。

我参考了EEUC（Energy-Efficient Uneven Clustering）协议的思想，并结合仿真场景做了调整。竞争半径的计算公式可以表示如下：

% 计算节点到Sink的距离 distToSink = sqrt((nodes(i).x - sink.x)^2 + (nodes(i).y - sink.y)^2); dmax = sqrt(2) * fieldSize; % 网络对角线长度作为最大距离参考 % 非均匀竞争半径计算 Rmax = 90; % 最大竞争半径 c = 0.5; % 非均匀程度控制系数 Rcomp = Rmax * (1 - c * (distToSink / dmax));

这个公式的含义很直观：距离Sink越近的节点，Rcomp值越小，竞选簇首时覆盖的范围越小，形成的簇就越小；距离Sink越远的节点，竞争半径越大，可以覆盖更多成员节点，形成更大的簇。c系数调节非均匀的程度，c越大，近远区域的簇大小差异越明显。

实际调试时，我发现c取值需要根据网络规模和Sink位置动态调整。如果c取值过大，远端簇太大，簇首融合和传输负担过重；如果c取值过小，近Sink区域的簇没有足够小，热区效应又回来了。我最终的测试结果显示，在200m×200m、200个节点的场景下，c取0.4～0.6比较合适。

2.2 簇首选举：能量优先与随机竞争的结合

有了竞争半径，接下来就是簇首选举。一昧地根据剩余能量选簇首，会造成某些高能量节点反复当选，反而加快这些节点的能量消耗。更合理的做法是让节点在剩余能量满足一定门槛的前提下，通过随机延迟竞争机制自动推选出簇首。

我的实现思路是这样的：

1. 每轮开始时，每个节点根据自己的剩余能量计算一个竞选延迟时间：

% 节点竞选延迟时间计算 Eavg = mean([nodes.energy]); % 网络平均剩余能量 Eresidual = nodes(i).energy; % 延迟时间与剩余能量成反比，能量高者延迟短 Tdelay = Tmax * (1 - Eresidual / Eavg) * rand(1);

Eresidual/Eavg比值越大，节点延迟时间越短，意味着高能量节点更早广播竞选消息。

2. 节点在延迟时间内持续监听信道。如果收到其他节点广播的簇首竞选消息，而且该节点距离在自身竞争半径之内，节点自动放弃竞选，转为普通成员节点。如果延迟时间结束仍没有收到比自己更“强势”的竞选者，节点正式宣布成为簇首。

3. 簇首选举完成后，普通节点选择加入哪个簇：优先选择距离最近且通信代价最小的簇首。这里我用了一个简单的代价函数，综合考虑距离和簇首剩余能量：

% 节点选择簇首的代价函数 cost = distToCH^2 / (nodes(CH).energy + eps);

选择代价最小的簇首加入，这样可以在一定程度上避免低能量簇首因接纳过多成员而过早死亡。

2.3 簇间多跳路由：避开低能量节点

簇形成后，数据需要从远端簇首逐级转发到Sink。这一步如果处理不好，前面非均匀分簇的努力就白费了。簇间多跳路由的难点在于：选择哪一跳作为中继节点，才能让整条路径的能量消耗最小、各节点的负载相对均衡？

我采用了一种基于“最小化能耗与残余能量”的启发式选路策略。每个簇首在构建路由时，只需要在自己到Sink的“前半区域”寻找候选中继节点：

% 簇间路由选择 for j = 1:numCH % 候选中继：比自己更靠近Sink的簇首 if distToSink(CH(j)) < distToSink(CH(i)) % 计算中继代价 relayCost(j) = dist(CH(i), CH(j))^2 + dist(CH(j), sink)^2; relayCost(j) = relayCost(j) / (CH(j).energy + eps); end end % 选择代价最小的中继 nextHop = find(relayCost == min(relayCost));

这个代价函数包含两项考量：一是路径的通信距离，距离越短，通信能耗越低；二是中继节点的剩余能量，剩余能量越多，被选中作为中继的优先级越高。两者结合，既能减少不必要的能量开销，又能避免低能量节点被频繁选中而加速死亡。

2.4 协议运行流程总览

整个协议的运行流程可以整理为以下步骤：

1. 网络初始化，节点随机部署，Sink广播自己的位置信息。
2. 每轮开始时，节点根据当前剩余能量和到Sink距离计算竞争半径。
3. 节点基于剩余能量计算竞选延迟时间，竞争产生本轮簇首。
4. 普通节点根据代价函数选择加入的簇，簇内成员向簇首发送数据。
5. 簇首收到成员数据后执行融合，然后根据簇间路由策略选择中继节点。
6. 数据经过多跳转发最终到达Sink。
7. 一轮数据采集完成后，如果节点能量仍有剩余，继续下一轮；否则节点死亡网络终止。

3. Matlab仿真的完整实现细节

3.1 仿真框架与主程序结构

Matlab是WSN路由算法验证的常用工具，代码编写效率高，适合快速迭代验证算法可行性。我的仿真主程序并没有用很复杂的工具箱，纯粹靠脚本逻辑模拟网络运行过程，方便二次开发和参数调整。

主程序核心结构如下：

% WSN非均匀分簇路由协议主程序 clc; clear; close all; % 参数初始化 fieldSize = 200; % 网络区域边长 numNodes = 200; % 节点数量 sinkPos = [100, 100]; % Sink位置 Einit = 0.5; % 节点初始能量 roundMax = 5000; % 最大轮数 packetLen = 4000; % 数据包长度 % 节点初始化 for i = 1:numNodes nodes(i).x = rand * fieldSize; nodes(i).y = rand * fieldSize; nodes(i).energy = Einit; nodes(i).type = 'N'; % N=普通节点, C=簇首 nodes(i).clusterHead = 0; nodes(i).distToSink = sqrt((nodes(i).x - sinkPos(1))^2 + ... (nodes(i).y - sinkPos(2))^2); end % 主循环 for r = 1:roundMax % 1. 检查节点存活情况 aliveNodes = find([nodes.energy] > 0); if length(aliveNodes) < 5 break; % 存活节点数不足，结束仿真 end % 2. 簇首选举（非均匀竞争） [nodes, CHSet] = clusterHeadSelection(nodes, sinkPos, fieldSize); % 3. 成员节点入簇 nodes = memberJoin(nodes, CHSet); % 4. 簇间多跳路由构建 [nodes, routingTable] = interClusterRouting(nodes, CHSet, sinkPos); % 5. 数据传输与能量更新 nodes = dataTransmission(nodes, CHSet, routingTable, packetLen); % 6. 记录本轮数据 record(r) = length(aliveNodes); end

3.2 能耗模型的建模与参数说明

能耗模型的准确性直接决定了仿真结果的可信度。我采用目前WSN路由协议文献中应用最广泛的一阶无线通信模型：

• 发送l bit数据，传输距离为d时的能耗为：

  • 当 d < d0（阈值距离）时，采用自由空间模型：Etx = l * Eelec + l * eps_fs * d²
  • 当 d ≥ d0 时，采用多径衰减模型：Etx = l * Eelec + l * eps_mp * d⁴

• 接收l bit数据的能耗为：Erx = l * Eelec

• 数据融合的能耗为：Eda = l * EDA

其中，阈值距离d0 = sqrt(eps_fs / eps_mp)。这个d0的意义在于判断信号在不同距离下的衰减特性：短距离传输时信号衰减相对平缓，按距离平方计算能耗；长距离传输时信号衰减加剧，按距离四次方计算能耗。

很多初学者容易忽略一个问题：d0的数值由两个功率放大系数决定。如果随意设置这两个系数，可能导致d0过大或过小，从而影响整个网络通信模式的选择。我的仿真参数中，d0的值约为87.7米，这说明在大多数簇内通信场景（通常簇成员到簇首距离不超过50米）下，能耗以d²为主；而簇首到Sink的远程传输，如果距离超过87.7米则需要采用d⁴模型。

3.3 分簇算法的Matlab代码实现

簇首选举是非均匀分簇协议的核心环节，我在这里把关键代码贴出来，并配上设计意图说明：

function [nodes, CHSet] = clusterHeadSelection(nodes, sinkPos, fieldSize) numNodes = length(nodes); Rmax = 90; dmax = sqrt(2) * fieldSize; c = 0.5; Tmax = 1.0; % 最大竞选延迟时间 % 先计算各节点的竞争半径和剩余能量比 for i = 1:numNodes if nodes(i).energy <= 0 continue; end distToSink = nodes(i).distToSink; nodes(i).Rcomp = Rmax * (1 - c * (distToSink / dmax)); nodes(i).delayTime = Tmax * (1 - nodes(i).energy / mean([nodes.energy])) * rand; nodes(i).isCH = 0; end % 按延迟时间排序，时间短的先参与竞选 [~, order] = sort([nodes.delayTime]); CHSet = []; for idx = 1:numNodes i = order(idx); if nodes(i).energy <= 0 continue; end % 判断是否收到过其他簇首的竞选消息 if nodes(i).isCH == 1 continue; end % 成为簇首的条件：延迟时间结束，且竞争半径内没有其他簇首 canBeCH = true; for k = 1:length(CHSet) dist = sqrt((nodes(i).x - nodes(CHSet(k)).x)^2 + ... (nodes(i).y - nodes(CHSet(k)).y)^2); if dist < nodes(i).Rcomp canBeCH = false; break; end end if canBeCH nodes(i).isCH = 1; nodes(i).type = 'C'; CHSet = [CHSet, i]; end end end

这段代码执行后，网络中的节点会自动形成规模不等的簇：近Sink区域的节点竞争半径小，簇首密度高；远Sink区域的节点竞争半径大，簇首相对稀疏，每个簇覆盖的面积更大、成员更多。

3.4 数据分析与可视化

仿真结束后，我通常会绘制三张核心图表来评估协议性能：

第一张是存活节点数随时间变化曲线，这张图可以直观展示网络生命周期。曲线越平缓、下降越晚，说明能量均衡效果越好。

第二张是节点剩余能量分布图，我通常会在网络运行到50%节点死亡时，把每个节点的剩余能量画成热力图。这张图可以用来检验是否存在热区效应：如果Sink附近节点剩余能量明显低于远程区域，说明协议没有实现预期的能量均衡。

第三张是不同协议的生命周期对比图，我把LEACH、EEUC和本文协议放在同一条件下运行，统计首个节点死亡轮数（FND）和半数节点死亡轮数（HND），汇总成表格做对比分析。

4. 关键参数调试与对比实验结果

4.1 非均匀程度系数c的调节经验

c参数的调节是整个协议设计中最需要耐心的一环。我做了一组对比实验，在相同场景下分别令c=0（完全均匀分簇）、c=0.3、c=0.5、c=0.7，观察首节点死亡轮数变化：

从数据中可以看出：c从0增大到0.5时，首节点死亡时间明显延后，说明非均匀分簇确实缓解了热区效应；但c增大到0.7时，网络生命周期反而下降，原因是远端簇过大，簇首需要融合和处理的数据量过多，簇首自身能耗大幅上升，导致部分节点提前死亡。

这组实验告诉我们一个道理：非均匀分簇不是越“非均匀”越好，而是在“近Sink区域负载分摊”和“远端簇首数据负载”之间寻找平衡点。具体场景的最优c值，必须通过仿真实验来确定。

4.2 选举机制中Tmax的影响

Tmax是竞选延迟时间的尺度参数。Tmax过小，节点竞选消息可能在网络中传播不充分就结束了，导致簇首竞争不充分、选举结果偏随机；Tmax过大，选举阶段占用时间过长，导致每轮数据采集效率降低。

我在仿真测试中发现，只要Tmax设定在0.5～2.0秒之间，对最终网络生命周期的影响并不显著，主要影响的是运行速度。更大的问题是Tmax和随机数rand()结合后，会引入一定随机性，导致同样参数下多次仿真结果有波动。解决办法是把同一配置的仿真重复运行5次，取平均结果作为最终指标。

4.3 与LEACH协议的性能对比

我选取了LEACH和EEUC两个经典协议作为对比基准，在完全相同的网络场景下运行仿真，得到的生命周期数据如下：

从两个维度解读这组数据：

在网络存活初期，本文协议的首个节点死亡轮数比LEACH提高了约74%，比EEUC提高了约8%，说明它在缓解热区效应方面确实有效。在网络运行中后期，半数节点死亡轮数与EEUC相比提升幅度不大，说明在远端能量耗尽阶段，两者的能量消耗方式逐渐趋同。

我还额外统计了一个指标——网络死亡节点空间分布情况。LEACH的死亡节点在Sink附近高度集中，呈现出明显的“环状死亡带”；而本文协议和EEUC的死亡节点相对均匀地分布在整个网络区域。这个差异在热力图上肉眼可见，也验证了非均匀分簇在能量均衡方面的核心优势。

4.4 为什么选择Matlab而不是其他工具？

做WSN协议仿真，可选工具其实不少，比如NS-2、NS-3、OMNeT++，还有OMNeT++里比较流行的INES框架。Matlab在科研算法验证阶段有着独特的优势：

一是上手门槛低。Matlab的语法相对接近数学表达，不需要像NS-3那样写大量C++代码和TCL脚本。对于需要频繁调整算法逻辑的研究者来说，开发效率要高很多。

二是可视化方便。plot、scatter、imagesc等函数可以快速绘制节点分布、能耗热力图、生命周期曲线，做演示汇报时非常直观。

三是调试灵活。Matlab的断点调试和命令行交互模式让定位算法问题变得很快。这一点在调试分簇算法的边界条件时尤为重要。

当然，Matlab的缺点也很明显：大规模网络（上千个节点）的仿真速度偏慢，且无法模拟复杂的MAC层协议和物理层干扰。但如果只关注路由层算法设计，Matlab完全够用，是性价比最高的选择。

5. 仿真中遇到的典型问题与排查方法

5.1 节点能量计算出现负值

我在仿真中第一次跑完整流程时，发现部分节点能量变为负数。排查后确认原因是数据传输阶段能耗累加时，没有在发送前检查节点剩余能量是否充足。比如一个节点剩余能量只有0.002J，但这次发送需要消耗0.005J，节点直接进入负能量状态。

这个问题很隐蔽，因为它不会导致仿真崩溃，但会污染统计数据。最终的处理方式是：在能量扣减之前检查该次通信所需能量是否满足，如果不满足，节点缓存数据并进入休眠状态，等待下一轮再尝试发送。这样可以更真实地模拟节点在能量不足时的表现。

5.2 簇首选举陷入死循环

第二个问题是簇首选举阶段偶尔出现死循环。原因是节点A和节点B同时竞选簇首，两者的竞争半径互不覆盖，但在延迟时间先后顺序上存在竞争关系，导致节点在等待状态中无法做出最终决定。

我的解决办法是给选举阶段设置一个最大重试轮数。如果节点在设定时间内无法确定自己的角色，自动转为成员节点，保证整个流程可以继续推进。这也是实际网络协议设计中常见的兜底策略。

5.3 多跳路由出现回环

多跳路由构建时，如果只考虑“比自己更靠近Sink的节点作为中继”，理论上不会出现回环。但在仿真代码中，由于浮点数精度问题，个别节点可能会把“距离基本相等”的节点误判为更近节点，从而形成A→B→A的回环。

为了避免这类问题，我在路由选择中加了一个最小距离差阈值：候选中继节点的Sink距离必须比当前节点小至少1米才会被考虑。这个阈值虽小，却有效杜绝了回环现象。

5.4 常见问题速查表

5.5 对方案后续扩展的一些建议

这个协议后续还可以从几个方向继续优化：一是引入移动Sink或者多Sink机制，进一步均衡网络能耗；二是在簇首选举阶段引入更强的预测模型，比如基于历史能耗数据预测节点剩余寿命；三是将MAC层和传输层的能量开销纳入模型，让仿真更接近真实环境。这些方向都值得深入尝试。

从我个人经验来看，做WSN路由算法研究，最大的误区是一上来就钻进复杂的数学公式里。先把简单的均匀分簇方案吃透，亲眼看到热区效应给生命周期带来的负面影响，再做非均匀分簇优化，理解会深刻得多。Matlab仿真最大的价值不在于它能把算法跑得多快，而在于它能用直观的图表告诉你：你的算法设计到底是改善了问题，还是制造了新问题。我在调试c参数时最有感触——通过一组对照实验看到非均匀系数与生命周期之间的倒U型关系时，对协议设计的理解就完全不一样了。建议读者拿到这套代码后，先不要急着修改算法逻辑，而是把基础场景跑通、性能指标看明白，然后一点一点调整参数，观察每个参数对结果的影响。这个过程做完，收获会远远超过“能运行出结果”本身。

本文还有配套的精品资源，点击获取