LEACH与HEED对比仿真:WSN分簇路由能耗均衡与MATLAB实现要点

简介:针对无线传感器网络中分簇路由协议的对比需求,这套基于Matlab 2021a的仿真资源主要面向本科与硕士阶段的教研学习,完整实现了Leach与Heed两种经典协议,围绕能耗、存活节点数、吞吐量三个核心指标进行性能比较。资源压缩包共7个文件,包含6个.m脚本和1个avi操作录像,整体仅6.17MB,轻量易获取。.m脚本涵盖主程序与辅助函数,直接运行即可得到仿真曲线与数据;avi录像则逐步演示了从打开代码到输出结果的全流程,适合跟着操作复现实验。已有240人学习下载,在同类主题中具备一定参考价值。通过运行这套仿真,读者既能直观理解两种协议在能耗均衡性、存活节点变化和吞吐量上的差异,也能基于代码调整参数或扩展对比场景,为课程设计、论文验证或毕业设计提供有力支撑。

1. 先弄清 Leach 和 HEED 在同一张 WSN 里争什么

无线传感器网络里,分簇路由协议的名字一抓一大把,但真正值得拿来做性能对比参照物的,绕不开 LEACH 和 HEED。做 WSN 仿真的人都有个共同体验:把两个协议各自跑通不难,难的是让它们在同一张拓扑、同一套能量模型、同一组随机种子下公平地打一场,然后把过程录成能放进论文或答辩 PPT 的仿真录像。这篇博文要解决的正是这件事:先把 LEACH 和 HEED 在机制上的关键差异挑明,再给出可复现的 MATLAB 仿真参数、脚本片段和录像生成方法,最后说说结果表怎么解读、哪些坑会让对比结论失真。适合正在做 WSN 课程设计、写协议对比章节论文,或者想评估自己改进协议的工程师阅读。

2. LEACH 和 HEED 的簇头选举机制,差在哪一层

2.1 LEACH 的轮询式随机选举,为什么省心却不省电

LEACH 的簇头选举只依赖一个概率公式。每一轮开始时,每个节点生成一个 0 到 1 之间的随机数,如果这个数小于阈值 T(n),节点就成为本轮簇头:

T(n) = p / (1 - p * (r mod (1/p)))    当 n 在本轮之前没有当过簇头
T(n) = 0                               否则

其中 p 是期望的簇头比例,r 是当前轮数。这个公式的意图是让节点轮流当簇头,把能耗摊到全网。实际仿真时,我一般把 p 设为 0.05,也就是 100 个节点里每轮期望产生 5 个簇头。LEACH 的簇内通信是单跳,簇头融合数据后直接发给基站,不走多跳中继。

LEACH 的优点是逻辑极简,节点不需要知道全网信息,每轮只做一次随机数判断就能进入角色。但它的随机性也是短板:某个能量很低的节点可能被随机选中成为簇头,导致提前死亡;簇头在空间上也可能扎堆,出现某片区域没有簇头覆盖的情况。这些特性会在仿真录像里表现得非常直观——你会看到 LEACH 的簇头分布点随时间有明显的随机漂移。

2.2 HEED 的双重判据,把剩余能量和通信代价拉进决策

HEED 的选举不是一轮随机数定终身,而是一个迭代收敛过程。它有两个准则:主准则用剩余能量决定节点进入候选簇头的初始概率,次准则用簇内平均可达距离(AMRP)决定最终谁胜出。

CH_prob = max(C_prob * E_residual / E_max, p_min)

C_prob 是初始概率,E_residual 是当前剩余能量,E_max 是初始能量,p_min 是保底概率,防止能量过低的节点完全丧失候选资格。节点以 CH_prob 的概率宣布自己是候选簇头,然后在若干轮迭代里,如果发现自己附近有代价更低的候选簇头,就退出竞争。AMRP 的计算方法是:节点统计通信半径内所有邻居到自己的平均距离,再折算成发射能耗,距离越近、代价越低,节点越容易当选。

HEED 的迭代次数有一个上限,仿真时常见做法是设置 3 到 5 轮迭代后强制收敛,避免协议在每轮开始阶段消耗过多控制报文。HEED 的簇头数量更接近理论最优,分布也更均匀,但它要求节点知道邻居信息,这在小规模仿真里可以通过广播探测报文实现,在真实节点上则意味着额外的邻居发现开销。

2.3 从对比角度重看这两种选型

做性能对比时,最忌讳的是把两个协议放在不同假设下跑。LEACH 假设所有节点同构、能量相同、基站较远、单跳通信;HEED 不强制单跳,簇头之间可以通过多跳中继把数据送到基站。如果你的仿真场景里基站位置很远,LEACH 的簇头能量会迅速耗尽,这不是协议“不行”,而是场景超出了它的适用边界。

我的建议是:对比实验统一使用基站位置固定、节点均匀分布的经典场景,这样 LEACH 和 HEED 的差异能真实反映选举机制带来的能耗均衡性差异,而不是反映单跳和多跳的传输策略差异。如果你想额外对比多跳版本,应该给两个协议都配置多跳路由层,而不是只给 HEED 开多跳。

3. 做 WSN 性能对比,仿真环境与实验参数怎么设

3.1 工具选型:MATLAB 够用,ns-3 则更接近真实信道

做 LEACH 和 HEED 的对比仿真,常见做法是 MATLAB,原因是两个协议的核心逻辑都是分布式决策,用脚本语言表达最直接,能量模型和存活节点统计也容易实现。MATLAB 的缺点是没有真实的无线信道模型,碰撞和干扰需要自己简化处理,但用于协议对比已经足够。如果你需要更精细的 MAC 层行为,ns-3 的 Zigbee 或 802.15.4 模块会更合适,代价是你得在 ns-3 里重写两个协议的完整路由逻辑,工程量翻倍。

通信仿真圈子里还有一个折中方案:用 OMNeT++ 加 INET 框架,它的事件驱动模型比 MATLAB 更严谨,但学习曲线陡。我的实际建议是:如果目标是论文里的对比曲线和仿真录像,MATLAB 是投入产出比最高的选择;如果目标是验证协议在真实网络协议栈下的可行性,再考虑 ns-3。

3.2 仿真场景参数表:直接照抄的一组基线配置

下面这组参数是我常用的一组基线配置,100 个节点散布在 100m×100m 区域,基站放在区域外上方,保证数据传输能耗远大于簇内通信能耗。

参数 值 说明
节点数量 100 均匀随机分布
部署区域 100m × 100m 经典仿真规模
基站位置 (50, 175) 区域外,加大发送能耗差异
初始能量 0.5 J 所有节点同构
Eelec 50 nJ/bit 发射/接收电路功耗
Eamp 100 pJ/bit/m² 发射放大器功耗
EDA 5 nJ/bit 数据融合功耗
数据包大小 500 B 感知数据
控制包大小 25 B 簇头通告、加入请求
LEACH p 0.05 期望簇头比例
HEED C_prob 0.05 初始候选概率
HEED p_min 0.0001 保底概率
仿真轮数 2000 或跑到 90% 节点死亡

这套参数下,每轮时隙内节点发完数据后更新能量,当节点能量低于发送一个控制包所需的能量时,判定为死亡。仿真终止条件一般设为网络剩余存活节点数低于节点总数的 10% 或 20%,具体看你想对比的是完全生命周期还是稳定期。

3.3 公平对比的三个约束,少一个结果都不可信

协议对比实验里,结果不可归因是最大的风险。我从实际跑实验的经验里提炼出三个必须遵守的约束:

第一个是同一套随机拓扑。用固定随机种子生成节点坐标,两个协议必须使用完全相同的坐标文件和相同的初始能量,否则存活曲线差异可能来自拓扑差异而不是协议差异。

第二个是同一套能量模型。LEACH 和 HEED 在能量计算上必须调用完全相同的函数,包括发射功耗、接收功耗、融合功耗和空闲监听功耗,任何一处参数不一致都会直接污染对比结论。

第三个是同一套轮转逻辑。两个协议都按轮推进,每轮包含簇建立阶段和稳定传输阶段,时间片的划分方式要一致。HEED 的簇建立阶段有多轮迭代,这段时间内节点也要消耗能量,仿真脚本里必须把这部分能耗算进去,否则 HEED 会因为“选举免费”而获得不公平优势。

% 初始化脚本片段:同一份拓扑喂给两个协议
rng(42);
node_x = rand(1, 100) * 100;
node_y = rand(1, 100) * 100;
energy = ones(1, 100) * 0.5;       % 初始能量
Eelec = 50e-9; Eamp = 100e-12; EDA = 5e-9;
data_len = 4000; ctrl_len = 200;   % 单位 bit

这段初始化逻辑的重点是:随机种子固定、节点坐标和能量数组独立于协议代码存在。这样你跑 LEACH 时读一次这份数据,跑 HEED 时再读一次同样的数据,后续画存活曲线时就能确信差异源于协议本身。

4. 复现对比实验:MATLAB 脚本核心片段与结果解读

4.1 LEACH 的簇头选举与能耗更新核心代码

LEACH 的每轮选举逻辑在 MATLAB 里非常简短,核心就是阈值判断和簇头广播。这里给出一个可以直接嵌入主循环的片段:

% LEACH 簇头选举
for i = 1:num_nodes
    if alive(i) == 0
        continue;
    end
    % 记录该节点上次当选簇头的轮数
    if r - last_time_as_ch(i) >= 1 / p
        T = p / (1 - p * mod(r, 1/p));
        if rand() < T
            is_ch(i) = 1;
            last_time_as_ch(i) = r;
        end
    end
end

这段代码的逻辑是:存活节点判断自己距离上次当选是否满足阈值公式的周期条件,满足则参与本轮随机数竞争。rand() 每次调用都会产生新随机数,所以即使同一轮里多个节点落入同一条件分支,选举结果也是独立的。这里有一个容易忽略的细节:last_time_as_ch 数组必须在每一轮更新,否则重新当选的判定会失效,导致某些节点连续多轮当选,破坏能耗均衡。

4.2 HEED 的迭代选举核心代码

HEED 的代码复杂度比 LEACH 高一个数量级,核心是候选概率初始化和迭代竞争两个阶段:

% HEED 第一阶段:按剩余能量设置初始概率
CH_prob = zeros(1, num_nodes);
for i = 1:num_nodes
    if alive(i) ~= 0
        CH_prob(i) = max(C_prob * energy(i) / E_max, p_min);
    end
end
% HEED 第二阶段:迭代收敛
for iter = 1:3   % 迭代上限设为 3 轮
    for i = 1:num_nodes
        if alive(i) == 0 || is_ch(i) == 1
            continue;
        end
        % 检查通信半径内是否有代价更低的候选簇头
        [min_cost, min_idx] = find_min_cost_neighbor(i, node_x, node_y, alive, CH_prob);
        if min_cost < amrp(i)
            CH_prob(i) = 0;       % 放弃竞选
        else
            is_ch(i) = 1;         % 宣布自己是簇头
        end
    end
end

这段代码里 find_min_cost_neighbor 是你需要自行实现的函数,遍历邻居节点,计算邻居作为簇头时本节点的传输代价。这里有个性能问题:每次迭代都要计算节点间的距离矩阵,100 节点时开销不大,但节点规模上千后,这个 O(n²) 的遍历会成为仿真瓶颈。我一般会预计算一次距离矩阵,后续迭代只查表,能省下大量时间。

4.3 仿真录像怎么录:逐帧保存与 GIF 合成

“仿真录像”在这里指的并不是屏幕录制软件录屏,而是在仿真循环里逐轮绘制拓扑状态、保存帧图像、最后合成动态图或视频。MATLAB 里最常见的做法是用 drawnow 刷新画面,再用 exportgraphics 把每一帧写入文件:

frame_dir = './frames_leach';
if ~exist(frame_dir, 'dir')
    mkdir(frame_dir);
end
for r = 1:total_rounds
    % ... 运行一轮协议逻辑 ...
    clf;
    hold on;
    plot(node_x(alive==1), node_y(alive==1), 'bo');      % 存活普通节点
    plot(node_x(is_ch==1), node_y(is_ch==1), 'r^');      % 簇头
    plot(bs_x, bs_y, 'ks', 'MarkerSize', 10);            % 基站
    title(sprintf('Round %d, Alive: %d', r, sum(alive)));
    xlim([0 100]); ylim([0 200]);
    exportgraphics(gcf, fullfile(frame_dir, sprintf('frame_%04d.png', r)));
end

导出 PNG 帧之后,用 MATLAB 自带的 imwrite 配合 gif 编码,或者用 ffmpeg 把 PNG 序列合成 MP4。帧率我一般选 10 帧/秒,即每轮生成一帧、每秒播放 10 轮。如果仿真跑到 2000 轮,录像就有 2000 帧,文件体积会到几十 MB,所以通常的做法是每 5 轮或每 10 轮保存一帧,把录像压缩到 200 帧左右,既保留动态趋势又不会让文件失控。

4.4 结果指标与示意数据解读

对比实验的经典指标是 FND(第一个节点死亡轮数)、HND(半数节点死亡轮数)和 LND(最后一个节点死亡轮数),再加上每轮存活节点数和网络剩余总能量。下面是一组典型仿真结果的示意数据:

指标 LEACH HEED
FND(第一个节点死亡) 第 780 轮 第 1020 轮
HND(半数节点死亡) 第 1150 轮 第 1380 轮
LND(最后一个节点死亡) 第 1530 轮 第 1600 轮
每轮平均簇头数 4.8 5.3
簇头数标准差 2.1 0.8

这组数据透露出两个重要信息。第一,LEACH 的 FND 比 HEED 提前约 240 轮,说明随机选举确实会让低能量节点过早成为簇头而死亡,这是 LEACH 能耗不均衡的直接证据。第二,HEED 的簇头数标准差只有 0.8,说明它的簇头数量非常稳定,对数据传输的负载均衡是有利的。但注意,LND 两个协议差距不大,这说明后期剩余能量低的节点无论如何都会很快耗尽,协议对末期生命周期的改善空间有限。

4.5 录像里最常被误解的三个现象

看录像时,LEACH 画面里簇头分布会出现明显的“空洞区”,这是随机数分布不均造成的视觉假象,不代表协议失效,但恰好也是 LEACH 的软肋。HEED 录像里簇头位置每轮变化不大,迭代选举让节点倾向于选择代价最低的邻居当选,整体簇头布局保持稳定,这种视觉差异本身就是协议机制差异的体现。

第三个现象是 HEED 在每轮簇建立阶段会有一段“停顿感”,因为迭代选举要交换多轮控制消息,录像帧速慢下来是正常的。如果你在录像里看到 HEED 的簇头在轮内反复变化,那说明你的迭代收敛条件写得太宽松,或者 AMRP 计算忽略了链路方向性,需要检查通信半径内邻节点集合的对称性。

5. 验证对比有效性的两个收尾技巧

5.1 用多次随机实验的均值曲线替代单次录像结论

仿真录像适合展示过程,但不适合作为结论的唯一依据。原因是 LEACH 的随机选举导致单次运行结果方差很大,FND 可能在第 700 轮到 900 轮之间剧烈波动。如果你只跑了一次,录像里看到 LEACH 比 HEED 差很多,这可能是运气问题。

正确做法是固定 10 个随机种子,每个种子生成不同的节点分布,两个协议共用这 10 个拓扑各跑一遍,最后输出存活节点数的均值曲线和标准差带。画图时均值为实线、标准差为半透明阴影区,这样论文里的对比图既有趋势又有波动信息,比单次录像更有说服力。验证标准是:如果均值曲线交叉,说明两个协议在不同阶段互有胜负,你需要在正文里解释原因,而不是简单地说“HEED 全面优于 LEACH”。

5.2 把录像帧与数值日志对齐的自检方法

录像生成完毕后,我强烈建议做一个帧与日志的对齐检查:在保存每帧图像的同时,把该轮的存活节点数、簇头数、平均剩余能量写入一个 CSV 文件。然后用代码随机抽取若干帧,比对画面里的簇头数是否与 CSV 中该轮的记录一致。这个习惯看起来多此一举,但能一次性排除两类问题:画图时用了未更新的变量,以及帧序号和轮序号错位。仿真录像最容易犯的错误是循环里先画图后更新状态,导致录像里看到的簇头分布比实际运行晚了一轮。

顺带提醒一个细节:如果你用 exportgraphics 按轮导出 PNG,一定在文件名里补零位对齐,否则 ffmpeg 合成视频时会按字典序排列导致帧序混乱。例如 frame_1.png、frame_2.png、frame_10.png 会被排列成 1、10、2,录像看起来就是乱跳的。

验证通过后,把均值曲线、标准差和一段代表性录像组合使用。曲线支撑结论,录像帮助观众建立对协议行为的直观感受——录像里 LEACH 簇头跳跃、HEED 簇头稳定,这两幕画面远比表格里的数字更容易留在评委和读者的印象里。最后在你自己的协议改进方案中,用同样一套对比流程作为基准线,这样你加的任何优化都能被准确归因到机制本身,而不是被仿真噪声掩盖。

提示:录像帧率不建议超过 15 帧/秒,过高的帧率在论文评审播放时反而看不出每轮簇头分布的变化节奏。

如果后续要扩大对比范围,可以继续在这套框架里加入基于剩余能量的阈值变体协议或基站位置扫描参数,但核心的公平约束和录像生成管线完全不需要改动。

本文还有配套的精品资源,点击获取 menu-r.4af5f7ec.gif

Verilator+VSCode实战:5分钟搞定Verilog语法检查与波形调试 本文详细介绍了如何将Verilator仿真器与VSCode编辑器高效集成,打造极速的Verilog开发工作流。通过环境配置、实时语法检查、一键仿真与波形生成等实战技巧,帮助IC设计工程师在几分钟内完成从代码编写到波形调试的全过程,大幅提升中小规模模块的验证效率。 阅读详情

相关推荐

用Multisim复刻经典收音机:从零搭建超外差中波调幅接收机(附仿真源文件)

本文详细介绍了如何使用Multisim软件从零搭建超外差中波调幅接收机,复刻经典收音机的设计过程。通过模块化搭建、稳定性优化和增益分配等实战指南,帮助读者掌握超外差架构的核心技术,并附赠仿真源文件供实践参考。

weixin_28744423的博客 478

基于LEACH和HEED的WSN路由协议研究与改进(Matlab代码实现)

无线传感器网络是不断发展的传感技术之一,也用于执行不同的任务。这些类型的网络在许多领域都是有益的,例如紧急情况,健康监测,环境控制,军事,工业,并且由于无线电范围,这些网络容易受到恶意用户和物理攻击。

2201_75535220的博客 1081

制造业私有化LLM部署实战:从RAG到智能体,构建企业专属知识大脑

大型语言模型(LLM)作为人工智能的核心技术,通过在海量文本数据上进行预训练,具备了强大的语言理解和生成能力。其原理在于基于Transformer架构,通过自注意力机制捕捉长距离语义依赖。这一技术价值在于能将非结构化信息转化为可计算、可推理的知识,从而赋能企业实现知识的高效管理与应用。在制造业等强数据安全与知识密集型领域,私有化部署的LLM结合检索增强生成(RAG)和智能体(Agent)技术,能够深入业务流程,构建安全、专属的智能知识中枢。本文聚焦于如何利用Qwen、LangChain、向量数据库等技术栈,

weixin_42523711的博客 250

【WSN】基于LEACH和HEED的WSN路由协议研究与改进附Matlab代码

无线传感器网络(Wireless Sensor Networks, WSNs)作为一种新兴的分布式感知网络,凭借其低功耗、自组织、大规模部署等特点,在环境监测、智能家居、军事侦察等领域展现出广阔的应用前景。然而,WSNs面临着诸多挑战,其中能量效率是影响其长期运行的关键因素。由于传感器节点通常由电池供电且难以更换,因此如何在有限的能量下尽可能延长网络寿命成为了WSNs路由协议设计的重要目标。分簇路由协议作为一种有效的能量管理策略,受到了广泛关注。

j_jinger的博客 1081

Selenium自动化测试遇到shadow-root元素?3种实用解决方案帮你搞定

本文针对Selenium自动化测试中遇到shadow-root元素难以定位的常见问题,提供了三种实用的解决方案。详细阐述了通过JavaScript直接穿透Shadow DOM、利用浏览器工具快速获取JS Path以及使用Python第三方库进行优雅封装的方法,并分享了提升脚本健壮性的实战策略与最佳实践,帮助测试人员有效应对现代Web组件化开发带来的挑战。

code8的博客 414

手把手教你用STM32实现SPWM逆变器控制(附完整代码)

本文提供了一份基于STM32实现SPWM逆变器控制的完整实战指南。文章从硬件选型(如STM32F103C8T6、IR2104驱动器)入手,详细解析了利用定时器TIM1生成SPWM波形的核心原理与代码实现,并涵盖了驱动电路、全桥功率电路及LC滤波器的设计要点与调试技巧,旨在帮助读者从零构建一个可靠的单相全桥逆变器系统。

weixin_29208327的博客 595
上一篇: Bash与sh核心差异及实战应用指南
下一篇: 四款民间神器实测:硬件检测、系统清理与性能调优全攻略
稚一
博客等级 码龄8年 57粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址