LEACH分簇路由协议原理与Python仿真实现详解

简介资源包提供LEACH低能量自适应分簇层次协议的MATLAB仿真代码面向无线传感器网络方向的研究者与学习者用于复现经典簇头选举机制并分析网络能耗均衡效果。包内仅含1个m脚本压缩后整体大小约3KB文件精简适合直接读取和修改节点数量、簇头选举概率、初始能量等核心参数快速开展协议对比实验。已有133人在线学习浏览是入门WSN分簇路由仿真的轻量级素材。代码覆盖网络初始化、基于概率p的簇头轮换、簇内数据汇聚与传输、节点死亡判定等完整流程运行后可以直观看到不同参数下节点生存时间与网络寿命变化有助于理解LEACH延长网络生命周期的核心思想也可为后续改进算法或与其他节能策略对比提供可复现的仿真基准。1. 从一个被低估的协议开始LEACH 为什么必须自己实现一次LEACH 是无线传感器网络里被介绍得最多、也最容易被跑错的分簇路由协议。拿它当论文对比基线的人很多能说清 T(n) 阈值公式里 r 是当前轮号还是上一轮号的人很少。如果你在做 WSN 能效仿真或者想设计低功耗多节点数据汇聚方案这篇讲原理也讲可复现的 Python 实现。LEACH 把静态网络的能耗问题拆成分簇和簇头轮换节点定期以概率 p 竞选簇头当选者在稳定时间内收集成员数据、聚合后单跳发给基站。机制听着简单但概率直觉、时序设计、能量账本直接决定仿真可信度。2. 实现 LEACH 之前需要吃透的四个机制阈值、时序、能耗与物理假设2.1 T(n) 阈值公式簇头选举概率怎么算出来的LEACH 的簇头选举不是简单掷硬币而是一个带记忆的概率过程。每个节点每轮生成一个 [0,1] 随机数小于阈值 T(n) 就宣布当选。阈值定义为T(n) p / (1 - p × (r mod (1/p)))条件是节点属于集合 GG 是最近 1/p 轮内没有当选过簇头的节点。r 从 0 开始计轮窗口期就是 1/p 轮。以 p0.05 为例窗口是 20 轮。第 0 轮 r mod 20 0阈值就是 0.05100 个节点的网络期望簇头数是 100×0.055到第 9 轮 r mod 20 9阈值变成 0.05/(1-0.05×9) ≈ 0.0909到第 19 轮阈值变成 0.05/(1-0.05×19)1。也就是说越接近窗口末尾还没当选过的节点被选中的概率越高最后几乎是必选。这保证了两件事每个节点在 20 轮里至少获得一次簇头机会以及长期来看网络里不会出现少数节点反复当选、提前耗尽能量的情况。这个「窗口 递增阈值」的设计是 LEACH 能延长网络生命周期的核心后面做任何改进动的最多的就是这一行公式。2.2 一轮通信从 ADV、JOIN-REQ 到 TDMA 调度的四段时序LEACH 把时间切成轮round每轮包含建立阶段和稳定阶段。建立阶段分三步簇头广播 ADVadvertisement消息宣告自己当选普通节点收到多个 ADV 后按信号强度仿真里一般用距离选择最近的簇头回发 JOIN-REQ簇头汇总成员列表生成 TDMA 时隙表广播给簇内成员。稳定阶段是数据面成员只在自己分配到的时隙发送数据其余时间休眠簇头收齐后做一次聚合把结果发给基站。一轮结束进入下一轮重新选举。常见消息长度可以直接参考原论文我平时拿来当仿真默认值消息方向作用长度字节ADV簇头 → 全网宣布当选20JOIN-REQ成员 → 簇头请求入簇20TDMA 调度簇头 → 成员分配发送时隙44DATA成员 → 簇头 / 簇头 → 基站感知数据500注意 TDMA 调度意味着 LEACH 隐含依赖全网时间同步真实嵌入式平台上做到微秒级同步并不容易这后来成了协议被批判的焦点之一。仿真可以忽略同步过程本身但不能忽略调度是整套协议成立的前提。2.3 能量账本E_elec、ε_fs、ε_mp 与 d0 的分界线LEACH 的能耗模型是后来大量协议复用的标准。发送 l 比特、距离 d 的数据能耗按距离分成两段E_Tx(l, d) l × E_elec l × ε_fs × d²d ≤ d0 E_Tx(l, d) l × E_elec l × ε_mp × d⁴d d0接收只看包长E_Rx(l) l × E_elec聚合时按数据量和合并流数再收一笔 E_DA。参数含义常见取值E_elec收发电路能耗50 nJ/bitε_fs自由空间放大器系数10 pJ/bit/m²ε_mp多径衰落放大器系数0.0013 pJ/bit/m⁴E_DA数据聚合能耗5 nJ/bitd0平方/四次方模型切换距离≈87.7 md0 不是人设的是令 ε_fs × d² ε_mp × d⁴ 求出的切换点约 87.7m。簇内节点到簇头一般几十米以内用平方模型簇头到基站经常超过 87.7m四次方项会让能耗迅速上涨。理解这一点才能理解 LEACH 为什么必须靠聚合压缩数据来对抗长距离传输也才能理解后面所有多跳改进的动机。2.4 单跳与聚合LEACH 的两个设计支柱LEACH 的原始假设是基站固定且离网络较远、节点位置固定、所有节点同构且初始能量相同、链路对称、发射功率可调。在这些假设下它选择了「成员单跳到簇头 簇头单跳到基站」的拓扑。原因很务实感知数据在空间上高度相关温度、湿度、振动这类量在同一个簇内差别不大聚合后能大幅压缩送往基站的数据量省下的远距离传输能量远超分簇控制开销。单跳是这套设计的薄弱点簇头离基站太远时四次方能耗直接击穿能量预算。后面出现的多跳 LEACH、异构 LEACH、非均匀分簇本质上都是在动这两个支柱要么改传输路径要么改选举概率要么改簇半径。3. 用 Python 手写 LEACH从节点类到全生命周期指标的最小实现3.1 参数表和节点类把公式落成可运行代码仿真参数集中放在文件头部一次改动全链路生效。下面这段是我习惯的配置组织方式import numpy as np AREA_W AREA_H 100.0 # 网络区域 100m × 100m BS_POS (50.0, 175.0) # 基站放在区域外的常见基准位置 N 100 # 节点数 P 0.05 # 簇头概率 E0 0.5 # 初始能量单位 J PKT_DATA 4000 # 数据包长度bit PKT_CTRL 200 # 控制包长度bit E_ELEC 50e-9 # J/bit E_FS 10e-12 # J/bit/m^2 E_MP 0.0013e-12 # J/bit/m^4 E_DA 5e-9 # J/bit D0 np.sqrt(E_FS / E_MP) # 约 87.7m class Node: def __init__(self, idx, x, y): self.idx idx self.x, self.y x, y self.energy E0 self.role 0 # 1 簇头, 0 成员, -1 死亡 self.last_ch -10**9 # 上次当选簇头的轮号数据包长度 4000 bit 对应常见的 500 字节报文控制包 200 bit 用来做 ADV、JOIN-REQ 这类短消息的预算。Node 里的 last_ch 初值故意设成负大数保证第 0 轮所有节点都有选举资格。role 字段在每轮开始时会被重设避免上一轮角色残留影响判断。能耗函数也一并定义。三个函数对应 2.3 节的三种能耗来源tx_energy 按 d 与 D0 的关系切换平方/四次方模型def tx_energy(bits, d): if d D0: return bits * (E_ELEC E_FS * d * d) return bits * (E_ELEC E_MP * d ** 4) def rx_energy(bits): return bits * E_ELEC def agg_energy(bits, streams): return bits * E_DA * streamsagg_energy 里的 streams 参数表示聚合的数据流数量含义是每合并一条流付一次聚合费这是文献里最常见的线性近似。真要精细建模可以换成按 CPU 指令周期估算但对协议对比来说线性近似足够。3.2 选举、分簇、稳定传输三个核心函数簇头选举严格按阈值公式实现窗口判断用「当前轮号减上次当选轮号」而不是简单比较相等因为轮号每轮递增窗口资格才会自然滚动def elect_heads(nodes, r): window int(1.0 / P) r_mod r % window heads [] for n in nodes: if n.energy 0: n.role -1 continue n.role 0 # 先重置为普通节点 if r - n.last_ch window: # 窗口内已当过本轮无资格 continue th P / (1.0 - P * r_mod) if np.random.random() th: n.role 1 n.last_ch r heads.append(n) return heads这里有个明显的原版缺陷值得注意阈值 th 的计算没有考虑节点剩余能量一个快没电的节点和一个满电节点当选概率完全相同。这就是 LEACH 生命周期曲线末尾出现拖尾的一个原因也是第 5 章异构协议要解决的痛点。分簇用「欧氏距离最近」代替原协议里的 RSSI 判断仿真里没有信道衰减模型时这是最合理的近似。稳定传输阶段按角色记账簇头要付三笔费用成员只付一笔漏掉任何一笔都会让生命周期曲线失真def join_cluster(nodes, heads): clusters {h.idx: [] for h in heads} for n in nodes: if n.role ! 0: continue dists [((n.x - h.x)**2 (n.y - h.y)**2) ** 0.5 for h in heads] if not dists: # 没有可用的簇头 n.role -1 continue h heads[int(np.argmin(dists))] clusters[h.idx].append(n) return clusters def steady_state(nodes, heads, clusters): for h in heads: members clusters[h.idx] h.energy - rx_energy(len(members) * PKT_DATA) h.energy - agg_energy(PKT_DATA, len(members) 1) d_bs np.hypot(h.x - BS_POS[0], h.y - BS_POS[1]) h.energy - tx_energy(PKT_DATA, d_bs) for m in members: d_ch np.hypot(m.x - h.x, m.y - h.y) m.energy - tx_energy(PKT_DATA, d_ch)注意聚合能耗里成员数加 1表示簇头自己的数据也要参与聚合。控制包 PKT_CTRL 在这个简化版本里没有计入能耗因为每轮控制包总量远小于数据包如果真的要计较 p 很大时的开销占比可以把 ADV、JOIN-REQ、TDMA 三条消息按对应距离加进对应节点的能耗函数里。3.3 主循环跑出 FND、HND、LND 曲线主循环的核心就是每轮「选举 → 分簇 → 稳态传输 → 统计存活数」判断顺序有一个约束能量扣减必须在统计 alive 之前否则会把本轮的死亡推迟到下一轮才记录def run(max_round2000, seed0): rng np.random.default_rng(seed) nodes [Node(i, rng.uniform(0, AREA_W), rng.uniform(0, AREA_H)) for i in range(N)] fnd hnd lnd -1 alive_curve [] for r in range(max_round): heads elect_heads(nodes, r) if heads: clusters join_cluster(nodes, heads) steady_state(nodes, heads, clusters) alive sum(1 for n in nodes if n.energy 0) alive_curve.append(alive) if fnd 0 and alive N: fnd r if hnd 0 and alive N / 2: hnd r if alive 0: lnd r break return {fnd: fnd, hnd: hnd, lnd: lnd, alive: alive_curve, rounds: r 1}三个生命周期指标的定义在论文里非常常见含义却经常被用混列成表比较清楚指标定义用途FND第一个节点能量耗尽的轮号网络最早失效点HND半数节点死亡的轮号协议对比最常用指标LND全部节点死亡的轮号反映能耗曲线尾部跑完代码后你会发现同一组参数不同随机种子下 FND 和 HND 的差距很大。这是 LEACH 的随机分簇特性决定的不是 bug。所以后面做参数对比时必须多次运行取平均并记录方差单次运行结果没有对比意义。4. LEACH 仿真参数怎么调才合理p、d0 与能量预算的联动4.1 p 的取值窗口为什么 0.05 是 100 节点网络的经验下限p 是 LEACH 里最敏感的参数。期望簇头数是 N×pp0.05 时每轮平均 5 个簇头p 太低保不住簇头数量簇成员离簇头远、聚合负担重、控制包占比上升p 太高则每个簇只覆盖两三个节点而每个簇头都要用远距离链路向基站发包总能耗反而上涨。原系列论文在 100 节点、100m 见方场景下验证过的取值范围基本在 0.050.1这已经是多年沿用的经验窗口。调 p 的正确姿势是扫面而不是拍脑袋对 [0.01, 0.03, 0.05, 0.08, 0.1] 各跑 1020 个随机种子画存活节点曲线族看 FND 和 HND 的峰值出现在哪。注意 p 跟网络面积强耦合区域变大时最优 p 通常会下降因为簇头到基站的平均距离变长簇头自身发射成本抬高再密集地设簇头会浪费能量。4.2 d0 与能量预算联动何时真的会触发四次方模型d0 由两个放大器系数决定按 2.3 节的公式算出来约 87.7m。这里常见的错误是把 d0 当成网络半径以为区域小于 100m 就不会进入四次方区。实际要看链路长度基站放在 (50, 175) 时区域边缘节点到基站的距离可以接近 150m远超 d0这时单跳发送的能量是平方模型的数倍。我一般先按网络规模定一组起点参数再根据曲线形状微调。下面是一个经验配置参考表不是定理但能帮你少走弯路网络规模初始能量建议 p观察重点100m×100mBS 在区域外0.250.5 J0.050.1单跳为主簇头能耗占比高200m×200mBS 在区域外0.51 J0.030.05远端簇头触发四次方可试多跳500m×500m12 J0.010.03单跳基本不可行必须分层或多跳区域扩大后只增加 E0 不是好办法。四次方模型下的能耗增长远快于线性增加电池容量应该优先改拓扑策略比如引入分层或中继。4.3 三个高频翻车的设置问题仿真协议对比最怕的不是跑不通而是跑通了数据看着合理、账目实际是错的。我常遇到的翻车点有三个把通信距离 d 写成常量。每个节点每次传输都应按实际坐标实时计算距离否则所有链路能耗一样簇头离基站多远都被抹平曲线会平滑得不真实。只算发送能耗、漏算接收能耗。簇头是流量汇聚点接收费用按包长计费成员越多接收账越重。漏算接收把 HND 明显延后看起来像性能更好其实是假象。随机种子设置走极端。完全不设种子两次对比实验方差太大固定一个种子结果又只代表一种随机拓扑。建议每组参数用 1020 个种子跑均值与标准差并在论文里写明 seed 集合方便别人复现。提示对比多组参数时把 seed 集合统一成一批固定整数例如 0 到 19让每组参数共用同一批随机拓扑这样差异才真的来自参数而不是随机噪声。5. 从 LEACH 出发的三条进阶路线多跳、异构与非均匀分簇把原版 LEACH 跑通之后你会发现瓶颈总是固定的两个离基站远的簇头先死以及能量较少的节点因为随机当选太频繁而早死。文献里的改进路线基本围绕这两点展开彼此之间不互斥可以按场景叠加。5.1 多跳 LEACH远端簇头不再单跳硬顶基站多跳的思路是把「簇头 → 基站」的单跳改成「簇头 → 中继簇头 → … → 基站」。簇头保留聚合功能远端簇头把压缩后的数据沿链路接力转发代价是中间簇头要额外承担转发流量形成热区。典型实现是在稳态传输之后加一步中继选择# 伪代码为簇头 h 挑选转发中继 def choose_relay(h, heads, bs_pos): candidates [x for x in heads if x is not h and dist(x, bs_pos) dist(h, bs_pos)] if not candidates: return None # 没有更近的簇头仍直接发基站 return min(candidates, keylambda x: dist(h, x))转发条件里「比当前簇头更靠近基站」是为了避免回环。伪代码只演示选择逻辑实际系统还要把中继剩余能量、队列负载和跳数一并纳入评分否则热区节点会更快被拖垮。5.2 异构 LEACH让能量多的节点多当几次簇头异构路线承认节点初始能量不均的事实把 T(n) 里的固定概率 p 替换成与剩余能量挂钩的加权概率典型代表是 SEP 和 DEEC。SEP 按初始能量把节点分普通/高级两类高级节点获得更高当选概率DEEC 则参考全局平均剩余能量能量高于平均水平的节点后续轮次里概率更高。这个改进在实现上非常便宜改一行选举代码就行# 在 elect_heads 里把固定阈值替换为能量加权阈值 # p_i P * (n.energy / avg_energy) th p_i / (1.0 - p_i * r_mod)前提是节点能拿到网络平均剩余能量分布式场景下这需要额外广播轮控制开销要计入生命周期模型否则改进带来的增益会被高估。5.3 非均匀分簇热区问题的拓扑级解法多跳解决了远距离但热区仍在离基站近的簇头大量转发别人数据死得比谁都早。非均匀分簇的思路是做拓扑级调整让近基站的簇半径更小、远端簇半径更大近基站簇头收的数据少省下能量给转发。实现上可以通过按距离调整簇头当选阈值或者在分簇阶段直接微调簇半径。三条路线的取舍可以一张表看清路线核心改动主要收益主要代价多跳 LEACH簇头间接力转发降低远端簇头单跳损耗中继簇头形成热区异构 LEACH选举概率随剩余能量调整延迟 FND需要全网能量信息同步非均匀分簇簇半径随位置自适应均衡簇头能耗分布分簇过程变复杂实验顺序我建议是先用原版 LEACH 稳住基线再根据 FND 和 HND 的差距判断瓶颈在哪从上面选一条改进叠加。一上来就套复杂协议的论文往往连对照实验都解释不清。6. 用 tracer 表验证自己的 LEACH 实现没有悄悄跑偏6.1 tracer 表每轮记录角色、能量与窗口资格仿真跑出曲线不算数还得能向自己证明每个节点的能耗都按账本发生。我会在 elect_heads 入口记录一行状态把每轮每个节点的角色、剩余能量、距离上次当选的轮号写进 tracer 表import csv def trace_round(nodes, r): rows [] for n in nodes: rows.append((r, n.idx, n.role, round(n.energy, 6), r - n.last_ch)) return rows def dump_trace(nodes, max_round, fnametrace.csv): with open(fname, w, newline) as f: w csv.writer(f) w.writerow([round, node, role, energy, since_ch]) for r in range(max_round): w.writerows(trace_round(nodes, r))把 trace_round 的调用插进第 3 章 run 函数每轮 elect_heads 之后就得到完整时间线。这个 CSV 放到 pandas 里透视按节点画能量曲线、按轮次画簇头位置分布比只看存活数直观得多。6.2 能量守恒校验让每轮账目对上最容易出现的实现 bug 是账目漏记比如少收某条链路的接收费、聚合费用重复计算。校验方法很朴素对每轮前后做一次全局对账def energy_check(before, after): delta sum(b.energy - a.energy for b, a in zip(before, after)) # manual 由 steady_state 内部累计接收 聚合 发送 manual steady_state_round_fee return abs(delta - manual) 1e-9对不上的时候按三点排查簇头接收成员数据用的是成员数还是总包数聚合费用按流数算还是按包数算控制包能耗是否被忽略。浮点累加十几轮之后会有微小误差1e-9 的阈值就是为了容纳这种噪声。6.3 三个一眼不对劲的现象第一轮就死一批节点多半是距离单位混用把米写成了千米四次方项直接炸掉能量预算。FND 远早于 HND大概率是选举窗口判断写成了r - n.last_ch window而不是导致窗口末尾节点被漏选。存活曲线像一条光滑直线且几乎没有波动说明随机种子被固定得太死分簇结果丧失了随机性换几个种子重新跑。这三类问题从曲线形状很难直接确定根因打开 tracer 表按轮次逐行核对通常十分钟内能锁定。仿真协议最怕的不是出错而是账目错了曲线却看起来完全正常。本文还有配套的精品资源点击获取