1.简介
物联网（IoT）是一个动态广泛的网络，包括各种移动和静态传感器、数据收集设备，如全球定位系统（GPS）传感器、射频识别（RFID）传感器，激光和红外传感扫描仪通过互联网连接，并根据协议相互交换信息[1,2]. 无线传感器网络（WSN）是一组静态传感器节点，用于收集信息并将其传递给基站。一些静态传感器节点收集的数据可能不精确，可能会出现网络故障，从而影响网络的连通性和可靠性。因此，它的应用有限。由于物联网和移动互联网技术的快速发展，移动无线传感器网络（MWSN）已成为研究和替代静态WSN的热门领域。MWSN是一组微小的移动传感器尘粒的集合，旨在从环境中感知数据并有效地传送基站。这些移动节点保持相邻节点之间的通信链路，同时收集和处理数据以实现高效通信，提高网络性能[三]. MWSN可分为三类[4]，具体如下。 移动基站和移动传感器节点
移动基站和静态传感器节点
静态基站和移动传感器节点
MWSN和WSN的主要区别在于传感器节点的移动性，这增强了传感器网络的连通性、网络适应性和可靠性。同时，MWSN稳定了能量利用率并提高了传感器网络的寿命[1]. 然而，由于不同应用中拓扑和复杂环境的频繁变化，MWSN面临着与能效、数据交付和数据聚合相关的挑战[5,6]. MWSN具有广泛的应用程序，这些应用程序取决于环境和设置。空间任务传感器机器人[7]、边境监测移动传感器[8]、飞蜂机器人传感器（ROBOBEE）[9]以及通过移动传感器节点检测水下潜艇的运动[10]是MWSN的常见示例。 路由是各种网络的核心，用于在移动传感器节点和基站之间发送（感知到的）数据。这需要高效可靠的沟通。在文献中，已经研究了无线传感器网络的几种路由方案，例如洪水、多径、服务质量（QoS）、分层和地理路由等。最近，针对静态和移动网络的基于分层的路由协议已经做了大量工作。由于它选择了一条相对较短的路径进行路由，因此能够抵抗故障并有效地利用剩余能量[11,12]. 在层次结构中，传感器节点根据其同质属性被划分为最优组。然后，这些组成员选择一个Cluster Leader（CL）来帮助成员节点将感知到的数据传输到基站。 低能自适应聚类层次（LEACH）是层次路由协议族中一种基本的节能路由协议[13]，其中传感器节点保持静态。因此，它实现了更高的能效，但应用范围有限。然而，移动传感器有多种应用，但也带来了许多挑战，如能源消耗和棚户区网络寿命。LEACH-Mobile是第一个基于移动的LEACH路由协议[14]CL必须等待两个连续的时分多址（TDMA）失败周期，然后才能将移动节点声明为非成员。尽管这样的移动节点可能成为另一个CL的成员，但两个TDMA时隙的数据会丢失。因此，这种方法增加了开销，降低了能效。图1显示了单跳移动LEACH路由协议的示例，其中基站是静态的，传感器节点是移动的。 移动性模型在MWSN性能中的作用非常重要。移动传感器节点的分布和选择合适的移动模型不仅可以提高整体性能，还可以改进路由协议的分簇过程[15,16]. 确定特定无线传感器网络应用中的最佳移动性模型仍然是一个复杂的问题。机动性模型包括MWSN的运动顺序、位置和加速度，显示了随时间变化的最大和最小速度。因此，它将有助于评估MWSN路由协议的性能。在[17]讨论了移动模型对基于距离向量（DV）跳的定位算法的影响。在[18]在三种不同的移动性模型下，分析了低功耗有耗网络（RPL）路由算法的路由协议性能。有各种流动模型，但在本研究中，我们考虑了四种流动模型：参考点组流动模型（RPGM）、随机航点流动模型（RWP）、高斯-马尔可夫流动模型（G-M）和曼哈顿网格流动模型（MG）[19]. 在战场、救灾任务和其他危险任务等领域，移动传感器节点已经得到了应用，每个成员（移动传感器）节点都必须跟随组长才能成功完成任务[1]. 在RWP模型中[20]，节点在模拟区域内随机移动，不跟随任何组长。在GM模型中[21]，任何节点在特定时间的方向和速度值都会根据前一个值进行更新。在MH模型中[22]，将模拟区域划分为水平和垂直路径线。每个节点必须根据概率值在交叉点改变方向（它可以左转、右转或直行）。在与集群过程非常相似的RPGM移动性模型中，每个节点组与成员节点都有一个逻辑中心（组长）[17,23]. RPGM用于模拟实时应用程序，如战场、边境监控和救灾任务，其中移动传感器节点需要以小组的形式移动，同时跟随小组组长的移动[24]. 因此，RPGM显示出比其他移动性模型更高的连接性[25,26]. 传感器节点连接被指定为可以与基站进行主动通信的传感器节点数量与传感器节点总数的比率。在MWSN中，连通性和覆盖因子是相互关联的。为了有效地感知任何事件，需要具有动态覆盖的确保连接。连通性取决于几个方面，如传感器节点分布、通信能量、移动性、传感器节点之间的距离、信号传播介质、信号传播损失等[27]. 由于移动性，传感器节点在初始分布后会改变其位置。传感器节点移动性和节点故障会影响传输路径，从而影响MWSN中的连接性[28]. 计划外流动可能会造成覆盖问题[29]，而计划的移动性（移动性模型）可以应用于改善连接性和延长网络寿命[30]. 据我们所知[31]到目前为止，只提出了两种基于连通性的LEACH算法：基于节点分布密度的LEACH-D[32]和孤儿-LEACH（O-LEACH）[33]. 然而，这两项研究都是针对静态传感器节点提出的。 本文提出了一种新的基于连通性的LEACH-Mobile Energy Efficient and Connected（LEACH-MEEC）算法。使用二进制磁盘感应模型计算邻域密度。我们提出了一种概率连通性模型来计算相邻节点之间的连通性。本文的主要贡献如下。
论文的其余部分组织如下。第2节包括相关工作。第3节讨论了LEACH-MEEC的拟议框架。第4节给出了仿真和结果。第5节论文的结论。 2.相关工作
在中提出了异构移动LEACH协议[34]. 它包含带有移动基站的静态传感器节点，其中根据概率函数选择CL，并根据能量函数将数据传输到基站。通过初始移动LEACH-mobile-Enhanced（LEACH-ME）路由协议，为CL选择引入了一个移动性因子参数[16]. 然而，该协议增加了复杂性和能量消耗，但在高移动性下表现良好。Deng等人提出了另一个基于移动的聚类（MBC）协议[35]，他使用两个指标来选择CL，即剩余能量和节点速度。它在大规模网络中有应用，但由于高移动性，节点之间的距离变化很快。CL节点可以选择具有最大剩余能量和迁移因子的成员节点，但它也可以与CL节点具有最大距离。Souid等人提出了一种适用于大规模网络的移动LEACH算法[36]，其中能量被视为主要成分，定义了三个能量水平，具有一个圆形的时间长度。然而，它仅适用于小规模静态传感器网络。Khushbu和Khunteta提出了一种节能的LEACH-1R[37]，其中仅当剩余能量小于阈值时，才在第一轮之后执行CL选择。然而，作者没有具体说明流动模型。同样，Corn和Bruce提出了LEACH-中心簇头（LEACH-CCH）[38]其中，通过预测移动传感器节点的位置并相应地重建簇来降低能量利用率。然而，节点分布是随机的，并且没有提到移动性模型。基于LEACH-Mobile Average Energy（LEACH-MAE）的路由协议在[39]，根据剩余能量度量选择CL。在这里，CL可以在集群中添加剩余能量最大的成员节点，但它们与CL节点的距离也可能最大。因此，CL节点在聚合成员节点的数据时可能会损失大量能量。泄漏距离-M[40]针对MWSN提出，其中CL的选择基于剩余能量、上下限阈值距离和最小迁移率。然而，它只假设30%的传感器节点是移动的，而其余的传感器节点则是静态的。 上述方法[35,36,37,38,39]基于剩余能量选择CL。能量度量在MWSN中的重要性至关重要，然而，移动传感器的相对位置、无线电覆盖和空间密度也分别是CL稳定性、一致性和可靠性的重要度量。MWSN中的连通性是三个重要因素的函数：传输范围、传感器速度和空间密度[41,42]. 因此，节点之间的连接实现了健壮的通信、能源效率、减少的通信开销和网络可扩展性。WSN中的连接性概念用于不同的角度。在[43]Abdel-Mageid等人使用势场理论和局部虚拟力来计算移动邻居节点之间的移动性和位置，从而改进了连通性。调查文章中讨论了基于条件连通性的算法[44]，其中无线电范围被认为大于传感范围的两倍，因此它们以能源效率为代价实现了高连通性。据我们所知，连接性作为移动LEACH中CL选择的度量尚未探索，然而，MWSN从不同角度讨论了连接性。因此，这项工作的动机是在CL选择中结合连通性和剩余能量。 3.拟议框架
本节重点介绍LEACH-MEEC路由协议的准备工作、节点分布、能量模型和连接性模型。在LEACH-MEEC中，我们认为：
3.1. 移动传感器分布
我们认为N个传感器节点随机部署在一个方形区域（100×100 m)遵循高斯分布方法。方程式(1)定义节点分布的概率密度函数（PDF）。哪里和是定位点，以及和是的标准偏差和尺寸，分别[45]. 每个传感器节点都遵循具有不同平均值和方差的正态分布，这是因为不同的位置和随机移动取决于移动性模型，如所示图1.让部署点为（0,0）。然后，方程式(1)可以重写为， 3.2. 能量模型
本文考虑了移动传感器节点的三个层次的能量消耗模型，即无线无线电天线的传输能量，接收器能量[2,46]和移动能源.方程式(三)计算传输能量发送秒特定距离上的位消息.哪里是无线电耗散能量能量是传输电路的能量常数（它们的值在仿真参数中定义表1).是路径损耗指数，它取决于，即发送节点和接收节点之间的距离。距离与距离相比.在方程式中(4),计算，其中和是天线高度，SL是系统损耗，称为阿基米德常数（约等于3.14）是信号的波长。 如果，则自由空间模型是理想的.如果>，然后选择多径模型.接收器能量定义为接收所需的能量秒接收节点的位消息。它需要，是天线电路接收所花费的能量秒位消息，以及接收机的空闲特性和误差项被假定为能量损失的常量（由于两个传感器节点之间的障碍物阻塞视线）。具体如下： 传感器节点移动性引起的能量耗散表示为.移动传感器节点在两点之间的移动成本计算能量和每轮机动性导致的能量损失。它可以分解如下。哪里是由于在秒[47].是由于节点的移动性导致的能量消耗秒。和如下所示：哪里，表明每轮由10 s组成。方程式(7)和(8)显示当前的变化和电压变化由于之后的移动性秒。显示电流的初始值秒和显示之后的电流值秒。同样，显示电压值秒和显示之后的电压值秒。能源消耗由于移动性，可以改写为[48].哪里显示节点的移动性使用欧几里德距离计算秒。表示能耗率系数。因此，方程式(6)通过合并方程式得出(7)和(10).哪里是能量权重，假设为每一轮之后每个节点的能量成本。因此，根据方程式计算(12).是节点的初始能量和是节点的能量权重. 3.3. 连接性
两个移动传感器节点和如果它们位于无线电范围。这里考虑的是二进制光盘模型[44]. 它是最简单的传感模型，能够从其传感无线电范围内的任何点进行传感，而不是从其以外的任何点。移动传感器节点的传感能力相对于相邻节点在传输无线电范围内.距离两个传感器节点之间和由欧几里得距离给出因此，使用上述等式，传感能力由得出。哪里和Z轴是与移动传感器技术相关的参数。参数是目标移动传感器发射的能量，以及Z轴是能量释放系数，范围为2到5[49]. 传感器节点将发送“HELLO”数据包[50]，在圆形区域内R（右）半径。使用二进制磁盘感应模型，回复“HELLO”数据包的节点累加到相邻节点。这里，我们假设一个移动传感器节点在中无线电信号到传感器节点.如果，然后累积到; 否则，值保持不变。此过程将持续到计算它的所有邻居。算法1进一步解释了这个过程。 | 算法1。连通性算法。 |
![传感器18 04278 i001]() |
移动传感器节点密度相对于中的相邻节点射程由方程式给出(14) [51]，其中是传感器节点的密度和是位于圆形区域无线电范围内的节点数，表示空间密度。 节点设置为k个如果移除节点不会干扰其连接。使用方程式(15)，移动传感器节点的概率连接性由[52]. 概率连通性包括一组至少具有连接的传感器节点无线电范围。连接性在中作了进一步解释图2，其中圆形区域假定为径向范围移动传感器节点。移动节点位于将径向范围视为相邻节点。 算法1进一步给出了移动传感器节点确定连接以选择CL所遵循的步骤。
3.4. 集群领导者选择
在我们提出的算法中，CL选择过程从设置阶段开始，在之前的研究中，第一轮的CL选择如所述[13,16,34,35,39]. 在第一轮中，移动传感器节点选择0到1之间的随机值。所选值应小于定义的阈值通过方程式计算(16).哪里第页复制所需的CL百分比，n个反映节点数，u个是当前回合G公司是由某些节点组成的集合，这些节点从最后一个节点起未被指定为CL轮。在CL的选举之后，它向附近的所有传感器节点广播公告消息，以成为其集群的成员。 从第二阶段开始，根据剩余能量和连通性这两个指标进行CL选择。如果移动传感器节点具有最大剩余能量和相邻节点内最大连接性，将被提升用于CL选择过程。在本文中，我们考虑了移动LEACH路由协议的无线范围，据我们所知，这是移动LEACH的一种新方法，其中CL的选择基于值。内的所有节点无线电范围是通过它们的值。最大值为的一个节点被选为CL。通过方程式计算(17). 因此，所提出的CL选择过程是节能的，因为位于无线范围之外的节点不能成为集群的一部分。然后，新的CL创建TDMA时间表，以容纳所有新的传感器节点，并将其广播到邻近的所有集群节点。在稳态阶段，集群中的移动成员传感器节点通过打开各自时隙中的无线电向CL传输数据。CL将收集的数据从集群节点传输到BS。重复此过程，直到所有节点都失效。稳态阶段超出了本文的范围。
图3解释了拟议工作的流程图。它包括移动传感器节点分布、数据集生成、设置阶段（CL选择阶段）和稳态阶段。此过程将重复，直到所有节点都失效。 4.仿真结果与讨论
本节详细讨论了仿真环境和数据集、实验性质、性能参数和结果。讨论基于连通性特征及其对我们工作的影响。在这里，我们将在各种仿真环境中检验其前景和有用性。
4.1. 环境和数据集
模拟是在假定无障碍物目标区域为方形场的情况下进行的。所有模拟实验均在MATLAB（R 2013a）中进行，并使用IBM SPSS（版本23）进行统计分析。表1显示了用于仿真和实验的参数特性。使用四种流动模型（RPGM、RWP、GM和MH）生成了八个数据集。数据集包括一百个节点。对于个人机动性模型，考虑了两个速度范围：0.5–1.5 m/s和5–7.5 m/s。模拟时间为1000 s。请注意，模拟器的源代码尚未公开，但我们将根据保密协议，根据研究目的的要求共享它。 4.2. 实验
本节解释了针对文献中的三种算法（即LEACH-MAE、Mobile-LEACH和LEACHDistance-M）分析拟议LEACH-MEEC性能的三种类型的实验。
时间：研究了从0到1000秒的不同持续时间对LEACH-MEEC性能的影响。
节点数：研究了从0到100的不同节点数对测量LEACH-MEEC上数据包传递率重要性的影响。
敏感性分析：对结果应用了不同的统计估计技术，以衡量连通性特征对算法性能的重要性，从而加强我们的主张。
4.3. 性能指标
结果比较考虑了以下三个性能指标。
4.4. 结果讨论
使用上述参数将LEACH-MEEC的结果与LEACH-MAE、Mobile LEACH和LEACHDistance-M进行比较。
4.4.1. 活动节点数（NAN）
层次聚类的主要优点之一是通过有效利用能量提高了网络寿命。活动节点数（NAN）是计算网络寿命的重要性能参数[36].图4a–d和图5a–d分别指具有两种不同速度的RPGM、RWP、GM和MH数据集。它们显示了我们提出的算法与现有的基于活动节点数的路由协议LEACH-MAE、Mobile-LEACH和LEACHDistance-M的结果比较。在图4使用RPGM移动模型的LEACH-MEEC性能优于使用四种移动模型的LIACH-MAE、Mobile-LEACH和LEACHDistance-M。我们提出的算法的第一节点模（FND）和最后节点模（LND）性能优于所有其他算法。这主要是因为LEACH-MAE、Mobile LEACH和LEACHDistance-M的通信成本与我们提出的算法相比要高得多。由于LEACH-MAE，Mobile-LEACH仅根据剩余能量选择CL，而LEACHDistance-M考虑到与基站的距离（基站位于传感器分布区域之外）和能量来选择CL[40]. 在LEACHDistance-M中，传感器节点具有较高的开销，从而缩短了网络寿命。在图5，提高了移动传感器节点的速度，该算法的网络生存期优于LEACH-MAE、mobile-LEACH和LEACHDistance-M。该算法引入了传感器节点之间的连通性特征，因此CL与成员节点通信所需的能量更少，这将导致剩余活动节点的最大数量。RPGM优于其他移动模型，如图所示图5. 4.4.2. 剩余能量（RE）
在MWSN中，与静态传感器网络相比，能量耗散率更高。在本研究中，CL的选择是基于连通性和RE进行的。该标准禁止节点成为剩余能量最大的CL，但它们远离其成员节点且未连接，导致网络寿命较长。因此，RE是评估路由协议能量效率的重要性能参数。我们的结果表明，提出的LEACH-MEEC在RE方面优于LEACH-MAE、Mobile-LEACH和LEACHDistance-M。图6a–d和图7a–d分别指具有两种不同速度的RPGM、RWP、GM和MH数据集。这些图进一步解释了RPGM移动性模型具有最大RE，因为作为该RPGM一部分的移动节点具有与组长速度类似的均匀反射速度，如CL。节点之间的节点间距离保持一致，因此节点连接良好。值得一提的是，速度的提高降低了能源效率，这可以从中看出图7a–d。 4.4.3. 数据包传递率（PDR）
MWSN节点由于移动性而遭受数据包丢失，这可能导致链路崩溃。速度和数据包传递率（PDR）之间存在反向关联[53]. 在RPGM中，移动传感器节点被牢固地分组在一起。因此，组成员之间的平均节点间距离远小于其他移动性模型。RPGM中的CL可以方便地向成员节点和基站接收和发送消息，从而降低了链路崩溃的可能性。其他具有随机移动的移动性模型可能导致链路崩溃。图8a–d和图9a–d分别指具有两种不同速度的RPGM、RWP、GM和MH数据集。图8结果表明，与LEACH-MAE、Mobile-LEACH和LEACHDistance-M相比，LEACH-MEEC PDR相对较高。LEACH-EECH的高PDR是由于CL的最优选择。还观察到PDR值随传输距离和速度的增加而波动。然而，CL的优化选择有助于移动传感器节点由于无线电径向连接而保持连接，从而提高传感器网络的可用性，并将丢包率降至最低。中PDR的比较图9显示LEACH-MEEC使用四个移动模型数据集优于LEACH-MAE、Mobile LEACH和LEACHDistance-M。 4.4.4. 敏感性分析
我们的仿真结果表明，对于四种移动性模型，使用三个性能参数，该算法的性能优于现有的LEACH-MAE、Mobile-LEACH和LEACHDistanc-M。为了进一步加强我们的索赔，我们进行了统计分析。
(一)找到与我们建议工作的性能参数相关的具有统计意义的迁移模型。
平均值差：表2报告了根据我们提出的工作的性能参数结果计算的平均值差异，这四个机动性模型的平均速度分别为1.5米/秒和7.5米/秒。第1列，共列表2报告了RPGM与RWP、GM和MH的平均值差异，涉及活动节点的平均数（ANAN）。结果表明，RPGM的平均活跃节点高于其他移动性模型，这在统计学上是显著的。第2列报告了RPGM的平均值与RWP、GM和MH在平均剩余能量方面的差异。发现基于RPGM的数据集的平均剩余能量（ARE）高于其他流动模型，这是非常显著的。第3列显示了RPGM与RWP、GM和MH的平均值在平均数据包传递率（APDR）方面的差异。结果表明，RPGM流动模型的APDR远高于其他流动模型，具有统计学意义。类似地，第4列比较了平均值的连接性度量差异。这里，仿真结果再次表明，与RWP和MH迁移模型相比，RPGM迁移模型的平均连通性（AC）具有较高的平均差异，而与GM迁移模型相比其平均差异略小，这一差异仍然显著。因此，与支持我们论点的其他移动模型相比，我们提出的算法在RPGM移动模型数据集方面表现出更好的性能。 (b条)验证组内自变量的显著差异。
单向Anova和事后测试：我们使用单向方差分析（ANOVA）来检查RPGM平均值在四个性能参数方面是否与其他流动模型存在统计差异。在此，我们提出了一个无效假设，即“所有流动模型的平均值在四个性能参数方面相等”。另一种假设是，一组中至少有一个流动模型的平均值不同。表3报告称，基于四个性能参数，所有移动性模型都不同。然而，它并没有告诉我们流动模型的个体效应，也没有告诉我们一种流动模型与其他模型的差异有多大。因此，我们进行了两个事后检验（PHT），即Tukey检验和最小二乘差分（LSD）检验。表4表明RPGM在第页<0.05，且强于其他流动模型。同样，我们使用LSD PHT进一步研究了我们的结果。它还表明，RPGM流动性模型估计平均值的效果存在显著差异。原因是RPGM节点以组的形式移动。因此，它具有更高的邻域连通性，并平衡剩余能量。图10显示了基于四个参数估计平均值的移动性模型的性能。RPGM优于所有其他移动模型。它进一步强化了我们的说法，即RPGM移动模型在LEACH-MEEC中表现更好。 (c（c）)通过Heckman的两阶段统计测试进行选择偏差检查。
赫克曼的两阶段统计检验：我们的结果有可能是由选择偏见驱动的。大多数情况下，选择偏差源于模型或样本偏差。模型偏差是由于忽略了可能对因变量产生影响的重要变量，而样本偏差意味着我们的抽样选择过程可能导致模型中存在偏差。为了解决这个问题，我们使用了Heckman的两阶段模型[54]. 在第一步中，我们可以使用概率回归或逻辑回归，其中RPGM相对于ARE和ANAN相对于时间（秒）进行回归。我们还添加了一个工具变量。该工具变量必须与RPGM流动模型相关，但与连通性特征无关。因此，我们使用速度作为工具变量。Khan等人[52]表示RPGM机动性模型和速度之间存在直接关联。速度和连接性之间没有关联[55,56]. 如所示表5，首先应用probit模型得到修正因子反磨比的值，然后是添加到我们的主回归模型中。添加后发现t吨-的值不显著，RPGM系数仍为正且显著。因此，它表明连通性对我们建议工作的性能有影响。 5.结论
节点的移动性在无线传感器网络中有许多限制，能源效率就是其中之一。本研究提出了节能LEACH-MAE和Mobile-LEACH的改进方案。我们提出CL的选择基于两个参数，即剩余能量和相邻节点之间的概率连通性。我们基于无线电辐射范围计算了移动传感器节点的邻域连通性。因此，CL的改进选择提高了移动传感器节点的剩余能量，并提高了网络的生存时间。本研究使用三个性能参数（NAN、RE和PDR），使用LEACH-MAE、mobile-LEACH和LEACHDistance-M分析了所提算法。当使用来自四个不同速度的移动性模型的数据集时，所提出的工作优于其他算法。
本文的另一个贡献是选择了适合我们所提出的工作的移动模型。结果表明，RPGM移动模型的性能优于其他移动模型，因为它具有更高的连接性，并且所有节点都以组的形式移动。
为了进一步加强我们的说法，我们进行了四项统计测试（平均值差异、单向方差分析、事后检验（Tukey检验和LSD）和Heckman两阶段检验。研究发现，与其他流动模型相比，RPGM平均值（考虑ANAN、ARE、APDR和AC）的差异具有统计学意义。通过应用单向方差分析和事后检验（Tukey检验和LSD），我们验证了流动模型组内和组间在所有性能参数方面的显著差异。通过这两项测试证明，与其他流动模型相比，RPGM在组内和组间更具统计学意义。最后，我们通过Heckman的两阶段检验验证了我们提出的连通性参数没有选择偏向。此外，我们发现没有其他工具变量的影响。仿真结果和统计分析表明，RPGM移动性模型更适合于MWSN中的层次聚类。未来，可以通过在多跳环境中增加移动传感器节点的数量和速度来扩展此研究工作。我们还致力于公开完整的源代码。
