CN102158927A - 一种高能效的无线传感器网络非均匀分簇路由方法 - Google Patents

Abstract

本发明实例提出了一种高能效的无线传感器网络非均匀分簇路由方法，适用于分层结构的大规模无线传感器网络。传感器节点以一定比例成为候选簇首节点，候选簇首节点采集本地信息运用模糊逻辑的方法估计其成为最终簇首节点的概率和相应的簇的半径，经过局部竞争选出最优簇首进行非均匀簇的组建。簇间数据传输采用多跳模式，考虑多跳数据传输特性，簇首节点采用自适应最大-最小蚁群优化策略建立高能效的簇间路由。此路由方法能够提高节点的能量使用效率，均衡节点的能量消耗，延长网络的生命周期。

Description

一种高能效的无线传感器网络非均匀分簇路由方法

技术领域

本发明涉及无线传感器网络领域，尤其将模糊逻辑与自适应最大-最小蚁群优化策略相结合引用到了无线传感器网络非均匀分簇和簇间多跳通信中。

背景技术

无线传感器网络(wireless sensor network，WSN)是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式组成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者。无线传感器网络(WSN)具有大规模密集部署、节点资源有限、无线带宽小、拓扑结构动态变化等特点，可广泛用于教育、军事、医疗、交通等多领域，目前，对无线传感器网络的研究与开发是信息科技领域的一个热点，学术界和产业界对其学术价值和应用前景十分看好，国际上许多著名的大学和公司纷纷从不同的层次、角度对传感器网络进行了研究和开发。与传统的无线网络(如WLAN和蜂窝移动电话网络)相比，无线传感器网络有着不同的设计要求，前者在高速移动的环境中通过优化路由和资源管理策略最大化带宽的利用率，同时为用户提供一定的服务质量保证。而在无线传感器网络中，除了少数节点需要移动外，大部分节点都是静止的。因为它们通常运行在人无法接近的恶劣甚至危险的远程环境中，能源无法更换，设计有效的策略延长网络的生命周期成为无线传感器网络中的核心问题。当然，从理论上讲，太阳能电池能持久地补给能源，但工程实践中生产这种微型化的电池还有相当的难度。因此，如何在不影响功能的前提下，尽可能均衡无线传感器网络中节点的能量消耗，节约无线传感器网络的电池能量成为无线传感器网络软硬件设计中的核心问题，也是当前国内外研究机构关注的焦点。

目前在无线传感器网络网络协议研究中，分簇结构得到了广泛采用，分簇的基本思想是吧网络划分成互不重叠的若干部分及簇，使得数据通信形成簇内通信和簇间通信两个层次，每个簇选出一个节点充当簇首，负责簇内成员节点的管理和簇内数据的收集。和平面结构相比，分簇结构的网络协议具有更好的扩展性，更强的可伸缩性、灵活性，大大提高了系统的性能。基于合理与有效的网络分簇结构，可以建立高效的网络控制体系、实现包括带宽分配及频率复用等在内的有效的资源调度和应用、提供信道接入控制、高效路由计算、建立虚电路以及功率控制等功能，同时分簇机制使得网络中节点相对均衡的消耗能量，延长网络的生命周期。

LEACH(Low-Energy Adaptive Clustering Hierarchy)是第一个在无线传感器网络中提出的分簇式路由协议，在无线传感器网络路由协议中占有重要地位，LEACH节约能量的主要原因就是它运用了分簇动态路由技术，随机选举簇首节点，通过本地的联合工作来提高网络的可扩展性和鲁棒性，同时采用了簇内数据融合减少了发送的数据量，实现相对均衡的消耗能量，防止簇首节点的过快死亡，但随机选举簇首节点的方式没有考虑节点的能量等其他因素，将会导致低能量的节点成为簇首，同时簇首直接向基站传输数据也会导致能量的大量消耗。

HEED算法将节点最大剩余能量和平均最小可达能量作为选择簇首的参数，预先选择出一部分节点作为临时簇首，然后综合一个次要的参数，例如节点与邻居的临近度以及节点的连通度，来周期地选择簇首节点，使网络的能量均衡消耗，簇首的分别更合理，但由于簇首选举采用迭代的方式，增大了通信开销，同时簇间采用单跳的通信方式，距离基站远的节点容易过早死亡。

EEUC是由国内学者提出的非均匀分簇路由方法，该方法利用非均匀的成簇半径，使得靠近汇聚点的簇成员数目相对减少，并且在簇首选择路由下一跳时，考虑了候选节点剩余能量和候选节点相对于汇聚点的位置，有效平衡了簇首能耗，延长了网络的存活时间，但是该方法中簇的大小仅由距离基站的距离决定，同时参数主要由经验得出。

发明内容

本发明的目的在于针对现有技术的不足，为了解决无线传感器网络中能量消耗不均衡问题，将模糊逻辑系统用于最优簇首的选择及簇大小的估计，最终组建大小不一的簇，并用自适应最大-最小蚁群优化策略构建簇间路由，提高网络中能量的利用率，均衡节点的能量消耗，延长网络的生命周期。

本发明所采取的技术方案如下：

所述一种高能效的无线传感器网络非均匀分簇路由方法，包括如下主要步骤：

(1)网络初始化

网络部署完毕后，基站向网络中所有节点广播信标信号，每个节点根据接收到的信号强度计算与基站的距离。

(2)模糊逻辑成簇

网络中节点按比例T成为候选簇首节点，所有未成为候选簇首的普通节点向四周广播HELLO_MSG，接收到此消息的候选簇首节点结算与消息发送节点的距离，如果距离小于d，则将此发送节点加入本候选簇首的邻居节点集合中。最终每个候选簇首节点都获得如下本地信息：本候选簇首节点的剩余能量(ENERGY)、与基站的距离(DISTANCE)、邻居节点的数目(DENSITY)。

以上信息经过模糊化作为模糊输入变量，经过模糊推理，每个候选簇首节点计算自身成为簇首的概率和成簇竞争半径。通过局部竞争，成为簇首概率较高的节点最终当选为簇首节点。最终当选的簇首节点广播自己当选为簇首的消息；其他未当选为簇首的节点，按照就进原则，接收簇首发送的消息，并回复该广播消息加入到该簇。

(3)簇间路由的建立

每个簇首节点保留一个邻居簇首节点集合，在簇间路由建立初期，每个簇首节点广播一条信息，此信息包括簇首节点号、剩余能量以及该簇首节点与基站的距离。每个接收到此消息的簇首节点计算与发送节点的距离，将满足如下条件的发送节点S_j加入簇首节点S_i的邻居簇首节点集合N_i：

条件1：d(S_i，S_j)＜R

条件2：d(S_j，BS)＜d(S_i，BS)

每个簇首节点结合簇间数据传输特性，使用自适应最大-最小蚁群优化算法，在邻居簇首节点集合中寻找最优的下一跳簇首节点，建立起一条到基站的能量有效的簇间多跳路由。

本发明与现有技术相比，具有如下显著优点：利用模糊逻辑的方法选举簇首，进一步将无线传感器网络分为规模不一的簇结构，有利于优化簇首节点簇内和簇间数据传输能量消耗的分配，同时考虑节点本身的能量、局部密度等信息，降低和基站距离不同的簇首节点能量消耗的巨幅波动，均衡每个簇的负载；簇间数据采用多跳的方式，基于自适应最大-最小蚁群优化的簇间路由策略考虑到簇间数据传输特点，能够促使簇首节点寻找到一条到基站的高能效传输路径，降低簇首能量消耗，同时均衡簇首能量消耗。

本发明能够提高网络中节点的能量利用率，全局均衡网络中节点的能量消耗，缓解了多跳路由中和基站距离近的节点负载过重导致过早死亡的问题，提高了网络的健壮性，延长了整个网络的生命周期。本方法可以用于大规模以数据为中心的无线传感器网络的应用场合，具有较好的社会经济效益。

下面结合附图及具体实施方式对本发明做进一步的详细说明。

附图说明

为了使本发明容易理解和实现，现在通过参考附图进行说明，附图中相似的附图标记是指所有各个视图中同样的或功能相似的部件。这些附图和下面的详细说明一起被包含进来并形成说明书的一部分，以进一步示意这些实施例并解释各种原理和优点，其中：

图1是一种高能效的无线传感器网络非均匀分簇路由方法的整体流程图；

图2是本发明实施例采用的基于模糊逻辑的非均匀分簇方法流程图；

图3是本发明实施例采用的基于模糊逻辑的非均匀分簇方法中输入变量ENERGY的隶属函数曲线；

图4是本发明实施例采用的基于模糊逻辑的非均匀分簇方法中输入变量DISTANCE的隶属函数曲线；

图5是本发明实施例采用的基于模糊逻辑的非均匀分簇方法中输入变量DENSITY的隶属函数曲线；

图6是本发明实施例采用的基于模糊逻辑的非均匀分簇方法中输出变量CHANCE的隶属函数曲线。

图7是本发明实施例采用的基于模糊逻辑的非均匀分簇方法中输出变量RADIUS的隶属函数曲线。

图8是本发明实施例采用的基于自适应最大-最小蚁群优化算法的簇间路由方法的流程图；

图9是本发明实施例采用的无线通信能耗模型；

图10是应用本发明提出的一种高能效的无线传感器网络非均匀分簇路由方法(图中以UCFIA表示)与应用传统路由分簇方法LEACH、EEUC的网络生命周期FND(第一节点死亡时间)和HND(半数节点死亡时间)比较；

图11是应用本发明提出的一种高能效的无线传感器网络非均匀分簇路由方法(图中以UCFIA表示)与应用传统路由分簇方法LEACH、EEUC的簇首消耗能量值比较曲线图；

图12是应用本发明提出的一种高能效的无线传感器网络非均匀分簇路由方法(图中以UCFIA表示)与应用传统路由分簇方法LEACH、EEUC的簇首消耗能量方差比较曲线图；

具体实施方式

首先，本发明的整个网络系统满足如下的假定：

(1)传感器节点和基站BS在部署完毕后不再发生位置移动。

(2)网络中的所有节点都是同质的，具有相同的性能，初始能量相等，每一个节点分配一个唯一的ID号。

(3)根据接收者的距离远近，节点可以自由调整其发射功率以节省能量消耗。

(4)链路是对称的，若已知对方发射功率，节点可以根据接收信号的强度RSSI计算出发送者到自己的近似距离。

所述一种高能效的无线传感器网络非均匀分簇路由方法主要有网络初始化、模糊逻辑成簇和簇间路由建立三部分组成，参考图1本方法的流程图，对上述三部分做具体说明：

(1)网络初始化

网络部署完毕后，基站向网络中所有节点广播信标信号，每个节点根据接收到的信号强度计算并记录与基站的距离。

(2)模糊逻辑成簇

图2给出了该模糊逻辑成簇模块的结构图。模糊逻辑成簇模块由本地信息采集、模糊化、模糊决策、解模糊、竞争成簇模块完成。

本地信息采集：本发明采用周期性重新成簇模型，每轮周期开始时，网络中节点按比例T成为候选簇首节点，所有未成为候选簇首的普通节点向四周广播HELLO_MSG，接收到此消息的候选簇首节点结算与消息发送节点的距离，如果距离小于d，则将此发送节点加入本候选簇首的邻居节点集合中。最终每个候选簇首节点都获得如下本地信息：本候选簇首节点的剩余能量(ENERGY)、与基站的距离(DISTANCE)、邻居节点的数目(DENSITY)。

模糊化：将精确输入变量ENERGY、DISTANCE、DENSITY映射到一个合适的响应论域的量程，然后精确的输入数据按照隶属函数的形状被变换为适当的模糊集合的标识符，图3-图5给出了本发明实施例所用的输入变量的隶属函数曲线图，每个输入变量对应的模糊集合如表1所示。

表1输入变量及其模糊集合

输入变量	模糊集合
		ENERGY	Low    Medium    High
DISTANCE	Near   Moderate  Far
		DENSITY	Low    Medium    High

模糊决策：模糊决策过程由推理机来实现，推理机根据规则库中定义的一系列模糊控制规则，使用模糊推理方法进行模糊推理(本发明实施例采用Mamdani推理方法)，检查每条规则的匹配程度，并聚集各规则的加权输出，产生一个输出空间的概率分布。模糊决策模块有如上所述的三个模糊输入变量ENERGY、DISTANCE和DENSITY，分别用x₁，x₂和x₃表示，有两个模糊输出变量CHANCE和RADIUS，分别代表候选簇首节点成为最终簇首的概率和其构建簇的竞争半径，用y₁和y₂表示，模糊规则的基本格式如下：

Rule(i)：IF x₁isA₁ ⁱAND x₂isA₂ ⁱAND x₃isA₃ ⁱTHENy₁isB₁ ⁱANDy₂isB₂ ⁱ其中i是该规则在模糊规则库中的编号，A₁、A₂和A₃分别表示模糊输入变量x₁...x₃对应的模糊集合。B₁、B₂分别表示模糊输出变量y₁和y₂对应的模糊集合，如表2所示，图6和图7给出了本发明实施例所用的输出变量的隶属函数曲线图。

表2输出变量及其模糊集合

输出变量	模糊集合
		CHANCE	Low，Little Low，Medium，Little High，High
RADIUS	Small，Little Small，Medium，Little Large，Large

本发明实施例定义的模糊控制规则如表3所示。

表3模糊规则库

No.	ENERGY	DISTANCE	DENSITY	CHANCE	RADIUS
						1	Low	Near	Low	Low	Small
2	Low	Moderate	Low	Low	Little Small
						3	Low	Far	Low	Low	Medium
4	Low	Near	Medium	Low	Small
						5	Low	Moderate	Medium	Low	Little Small
6	Low	Far	Medium	Low	Medium
						7	Low	Near	High	Low	Small
8	Low	Moderate	High	Low	Little Small
						9	Low	Far	High	Low	Medium
No.	ENERGY	DISTANCE	DENSITY	CHANCE	RADIUS
						10	Medium	Near	Low	Little Low	Small
11	Medium	Moderate	Low	Little Low	Medium

12	Medium	Far	Low	Little Low	Medium
						13	Medium	Near	Medium	Little Low	Small
14	Medium	Moderate	Medium	Medium	Medium
						15	Medium	Far	Medium	Medium	Little Large
16	Medium	Near	High	Little Low	Small
						17	Medium	Moderate	High	Medium	Medium
18	Medium	Far	High	Medium	Little Large
						19	High	Near	Low	Little Low	Small
20	High	Moderate	Low	Little Low	Medium
						21	High	Far	Low	Little High	Medium
22	High	Near	Medium	Little Low	Little Small
						23	High	Moderate	Medium	Little High	Medium
24	High	Far	Medium	Little High	Little Large
						25	High	Near	High	Medium	Medium
26	High	Moderate	High	High	Little Large
						27	High	Far	High	High	Large

解模糊：模糊决策模块的输出是模糊集合，为了得到与模糊集合相对应的精确数值，需要进行解模糊处理，本发明实施例采用面积中心(center of area，COA)法实现，用面积的重心来代表整个的模糊输出量，即

$Z_{\mathrm{COA}}=\frac{{\∫}_Z\mathrm{\μ}\left(z\right)\mathrm{zdz}}{{\∫}_Z\mathrm{\μ}\left(z\right)\mathrm{dz}}$

μ(z)是通过模糊推理所得到的结论集成之后的隶属度。

竞争成簇：经过解模糊模块后，每个候选簇首节点获得其成为最终簇首的概率和相应的竞争半径，之后开始在其竞争半径内广播簇首竞争消息COMPETE_CH_MSG，该消息包含节点ID号及其成为簇首的概率值。接收到竞争消息的候选簇首一旦发现在其竞争范围内存在其他成为簇首概率较高的候选簇首，则在其竞争范围内广播退出竞争消息QUIT_COMPETE_MSG，否则它将成为最终的簇首。簇首选举结束后，每个簇首广播成为簇首的消息，接收到此消息的普通节点选择最近的簇首加入，成为该簇的一个成员节点。

(3)簇间路由建立

图8是本发明实施例所采用的基于自适应最大-最小蚁群优化算法的簇间路由建立流程图。结合图8，下面详细叙述本发明实施例簇间路由建立过程。

(a)完成相关参数的初始化。簇首节点以一定的功率向四周广播消息NEIGHBOR_DISCOVERY_MSG，该消息包含簇首节点的ID号、剩余能量以及其与基站的距离。我们考虑节点s_i接收到节点S_j1，S_j2，S_j3...发送的消息，根据接收信号的强度，S_i可以计算出与发送者的距离，满足如下条件的发送节点S_j将被S_i加入其邻居簇首节点集合N_i。

条件1：d(S_i，S_j)＜R

条件2：d(S_j，BS)＜d(S_i，BS)

条件1中R为预先设定的值，避免单跳传输过长的距离，d(S_i，S_j)、d(S_j，BS)、d(S_i，BS)分别表示节点i与节点j的距离、节点i与基站的距离、节点j与基站的距离，条件2保证数据传输方向为基站方向。

每个簇首节点保留一个路由表，表中记录着如上所述的相邻节点相关信息(如与邻居簇首节点的距离，邻居簇首的能量信息，与基站的距离等)以及相邻节点间的链路的相关信息(如链路上的信息素浓度)，此阶段完成该路由表中信息的初始化。

(b)m只蚂蚁随机从每个簇首节点出发，根据各条路径上的信息素浓度决定转移方向，转移概率由以下公式定义：

$p_{\mathrm{ij}}^k=\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{\mathrm{ij}}\right]}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{s\∈N_i}{\left[{\mathrm{\τ}}_{\mathrm{is}}\left(t\right)\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{\mathrm{is}}\right]}^{\mathrm{\β}}}$

是第k只蚂蚁选择从节点i到节点j的概率，k＝1，2，3...m；N_i是簇首节点i的邻居簇首集合，也是蚂蚁k可以选择的下一跳节点的集合；τ_ij(t)是节点i到节点j的信息素浓度；η_ij为启发函数，表示蚂蚁从节点i转移到节点j的期望程度，η_ij定义如下。

${\mathrm{\η}}_{\mathrm{ij}}=\frac{E_j}{{\mathrm{\Σ}}_{s\∈N_i}{E}_s}\·\frac{1}{d^2(i,j)+d^2(j,\mathrm{BS})}$

其中E_j、E_s分别为节点j和节点s的能量，节点s为节点i的邻居簇首集合中的元素。d(i，j)和d(j，BS)分别表示节点i和节点j的距离，节点j和基站BS的距离。

α为信息启发式因子，表示信息素浓度的相对重要程度，反映了蚂蚁在运动过程中所积累的信息在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间的协作性越强，β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度。

(c)第k只蚂蚁到达基站后，基站开始分析该蚂蚁携带的路径信息，该路径信息可描述为如下形式：

即该蚂蚁所经过的节点号及其相邻节点间的距离，S₀为该蚂蚁出发时的源节点，S_l为基站。每条路径按照如下定义的评价函数计算路径评价函数值。

$F=\frac{Q}{\mathrm{Cost}\·\mathrm{Balance}}$

式中Q为常数值，Cost与路径通信代价成正比，考虑到多跳网络中数据流的特性，即基站附近的节点不仅传输本簇内成员节点的数据，而且要传输上游簇首节点的数据，数据量与节点和基站间的跳数成反比，定义Cost的形式如下：

$\mathrm{Cost}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{C}_i=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}i{d}_{S_{i-1},S_i}^2$

其中

i＝1，2，3...l，为边(S_i-1，S_i)上的能量消耗。

Balance为衡量蚂蚁经过路径上每条边上能量消耗均衡程度的标准差值，其定义如下：

$\mathrm{Balance}=\sqrt{\frac{1}{l}\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{(C_i-\frac{1}{l}\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{C}_i)}^2}$

经过每次迭代后，基站按照每条路径的评价函数值，挑选出本次迭代最优的

条路径和临时最优路径，之后广播消息通知最优条路径上的节点按照如下公式更新信息素浓度：

式中ρ为信息素挥发系数，传统的蚁群优化算法中ρ为一个常数，为了提高全局搜索能力，避免过早陷入局部最优解，本发明中采用了按照下式自适应调节ρ策略：

为轨迹(i，j)被排名第μ的最好蚂蚁利用时其信息素增加量，

为轨迹(i，j)被临时最优蚂蚁利用时其信息素增加量。F_μ和F_global-best分别为排名第μ的最好路径和临时最优路径的评价函数值。

另外，为了加快收敛速度，本发明采用了对出现优于上代解的本代解给予激励，对劣于上代解的本代解给予惩罚的策略，激励与惩罚措施如下式所示：

${\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}={\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}+{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}\·\frac{F_{\mathrm{new}}-F_{\mathrm{old}}}{F_{\mathrm{old}}}$

最后，将各条寻优路径上可能的残留信息素数量限制在[τ_min，τ_max]，τ_min可以有效地避免算法停滞；τ_max可以避免某条路径上的信息量远大于其他路径，使所有的蚂蚁都集中到一条路径上面，从而限制了算法的扩散。

通过若干次迭代执行(b)(c)两步，基站计算获知每个簇首节点到基站的最优路径，并通过广播告知每个簇首节点，至此完成簇间路由建立，簇首节点开始采集并融合簇内成员节点的数据，簇首节点沿着最优簇间路径向基站传输数据，直至本轮周期结束进入下一个周期。

本发明实施例设计了仿真模型，在区域为200m*200m的范围内部署400个传感器节点，基站位于(100m，250m)处，图9给出了本发明实施例的无线通信能耗模型，E_elec＝50nJ/bit/m，ε_friss-amp＝10pJ/bit/m²，ε_two-ray-amp＝0.0013pJ/bit/m⁴，E_DA＝5nJ，节点初始能量为0.5J，数据包长度为4000bits，控制包长度为100bits，设置自适应最大-最小蚁群优化算法的参数为：α＝1，β＝5，ρ＝0.2，ρ_min＝0.01，τ_min＝0.1，τ_max＝10，

Q＝6×10⁹，m＝15，NCmax＝20。

图10表明在相同仿真条件下，本发明实施例FND(第一节点死亡时间)和HND(半数节点死亡时间)较LEACH和EEUC都有了很大的提高，即网络的生命周期大幅度延长。

图11表明本发明实施例每轮簇首能量消耗较LEACH和EEUC大幅降低，且波动较小，避免了簇首能量的过度消耗导致的节点过早死亡的发生。

图12表明本发明实施例每轮簇首消耗的方差值较LEACH和EEUC大幅降低，即网络中簇首能量消耗更加均衡，有效缓解无线传感器网络多跳数据传输中存在的“热区”问题。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种高能效的无线传感器网络非均匀分簇路由方法，其特征在于：该方法主要包括网络初始化、模糊逻辑成簇和簇间路由的建立三个步骤。

2.如权利要求1所述的一种高能效的无线传感器网络非均匀分簇路由方法，其特征在于：所述网络初始化阶段基站完成信标信号的广播，网络中每个节点根据接收到的信号强度计算并保存与基站的距离。

3.如权利要求1所述的一种高能效的无线传感器网络非均匀分簇路由方法，其特征在于：所述模糊逻辑成簇阶段基于模糊逻辑系统完成最优簇首的选举并建立规模不一的簇。网络中节点按比例T成为候选簇首节点，通过本地消息的交换，每个候选簇首节点都获得如下本地信息：本候选簇首节点的剩余能量(ENERGY)、与基站的距离(DISTANCE)、邻居节点的数目(DENSITY)，簇首节点建立路由表，记录上述本地信息和与相邻节点间信息素浓度等链路信息。每个候选簇首节点将精确值ENERGY、DISTANCE和DENSITY模糊化作为模糊输入变量，根据设定的模糊规则，运用Mamdani推理方法进行推理，经过解模糊得出自身成为簇首的概率和相应的成簇竞争半径。之后进行局部竞争，成为簇首概率较高的节点当选为最终的簇首，其他未当选为簇首的节点，按照就进原则，接收簇首发送的消息，并回复该广播消息加入到该簇中。

4.如权利要求1所述的一种高能效的无线传感器网络非均匀分簇路由方法，其特征在于：所述簇间路由的建立基于自适应最大-最小蚁群优化策略完成，降低并均衡了簇首的能量消耗，有效缓解了多条数据传输中存在的“热区”问题。自适应最大-最小蚁群优化策略是针对传统蚁群优化算法收敛速度慢，过早陷入局部最优解的缺陷进行的改进。簇首节点通过运行自适应最大-最小蚁群优化算法建立起到基站的高能效簇间路由，采集并融合簇内成员节点的数据，簇首节点沿着最优簇间路径向基站传输数据，直至本轮周期结束进入下一个周期。

5.如权利要求1所述的一种高能效的无线传感器网络非均匀分簇路由方法，其特征在于：所述自适应最大-最小蚁群优化策略有如下特性：

(1)改进信息素更新规则，自适应调节信息素挥发系数，提高全局搜索能力，避免过早陷入局部最优解。

(2)设置各条边上的最大-最小信息素量。将各条寻优路径上可能的残留信息素数量限制在[τ_min，τ_max]，τ_min可以有效地避免算法停滞；τ_max可以避免某条路径上的信息量远大于其他路径，使所有的蚂蚁都集中到一条路径上面，从而限制了算法的扩散。

(3)算法采用精英策略，定义路径评价函数，综合考虑路径能量消耗及均衡，保留每次循环的最优的前几位，同时保留全局的最优解，将上述解路径上的信息素进行更新。同时为了加快其收敛速度，对更新过的路径采取激励与惩罚措施。

Images