EECS：一种无线传感器网络中节能的聚类方案

计算机科学与探索 ›› 2007, Vol. 1 ›› Issue (2): 170-179.

EECS：一种无线传感器网络中节能的聚类方案

陈贵海¹⁺,李成法¹,叶懋¹,吴杰²

1.南京大学计算机软件新技术国家重点实验室，南京 210093
2.美国佛罗里达大西洋大学计算机科学与工程系，佛罗里达波卡雷顿 33431

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-08-20 发布日期:2007-08-20
通讯作者: 陈贵海

EECS： an energy-efficient clustering scheme in wireless sensor networks

CHEN Guihai¹⁺,LI Chengfa¹,YE Mao¹,WU Jie²

1.State Key Laboratory for Novel Software Technology， Nanjing University， Nanjing 210093， China
2.Department of Computer Science and Engineering， Florida Atlantic University， Boca Raton， FL 33431， USA

Received:1900-01-01 Revised:1900-01-01 Online:2007-08-20 Published:2007-08-20
Contact: CHEN Guihai

摘要/Abstract

摘要： 在无线传感器网络中，节点聚类是一种有效的拓扑控制手段，可以增加网络的可扩展性以及延长网络寿命。LEACH是一个经典的延长网络寿命的聚类协议。提出了一种新颖的聚类策略EECS，它适用于周期性的数据收集应用。在聚类首领选举阶段本策略选取小部分节点参加竞选，采用无迭代过程的局部通信方式，而且总是选取剩余能量较多的节点担任聚类首领。进一步，在聚类建立阶段它创新地使用了一种聚类首领负载均衡的方法。EECS协议具有控制消息开销小，聚类在空间上分布近似均匀，网络能量有效利用率高等特点。模拟结果表明，与LEACH协议在相同假设的基础上，EECS方案延长网络寿命35%以上。

关键词: 无线传感器网络, 聚类, 节能设计

Abstract: Clustering is an effective topology control approach which can increase network scalability and lifetime in Wireless Sensor Networks（WSNs）. LEACH is an elegant clustering protocol that prolongs the network lifetime. The paper proposes a novel clustering scheme EECS for WSNs， which better suits the periodic data gathering applications. In the cluster head election phase it selects a small portion of nodes to join the election， adopts local radio communications method without iteration， and always selects cluster heads with more residual energy. Further， in the cluster set-up phase it uses a novel method for balancing the load of cluster heads. Its control message overhead is small， and the cluster head distribution is near uniform. EECS also has a high energy effective consuming rate across the network. Simulation results show that EECS outperforms LEACH more than 35% in prolonging the network lifetime under the same assumptions.

Key words: wireless sensor networks, clustering, energy-efficient design

陈贵海1+ ,李成法1 ,叶懋1 ,吴杰2 . EECS：一种无线传感器网络中节能的聚类方案[J]. 计算机科学与探索, 2007, 1(2): 170-179.

CHEN Guihai¹⁺,LI Chengfa¹,YE Mao¹,WU Jie². EECS： an energy-efficient clustering scheme in wireless sensor networks[J]. Journal of Frontiers of Computer Science and Technology, 2007, 1(2): 170-179.

[1]	陈俊芬, 张明, 赵佳成, 谢博鋆, 李艳. 结合降噪和自注意力的深度聚类算法[J]. 计算机科学与探索, 2021, 15(9): 1717-1727.
[2]	王大刚, 丁世飞, 钟锦. 基于二阶[k]近邻的密度峰值聚类算法研究[J]. 计算机科学与探索, 2021, 15(8): 1490-1500.
[3]	沈学利, 秦鑫宇. 密度Canopy的增强聚类与深度特征的KNN算法[J]. 计算机科学与探索, 2021, 15(7): 1289-1301.
[4]	范瑞东, 侯臣平. 鲁棒自加权的多视图子空间聚类[J]. 计算机科学与探索, 2021, 15(6): 1062-1073.
[5]	孙泽宇, 李传锋, 邢萧飞, 来纯晓. 传感网中带有可控阈值的优化协同覆盖算法[J]. 计算机科学与探索, 2021, 15(5): 893-906.
[6]	柏锷湘, 罗可, 罗潇. 结合自然和共享最近邻的密度峰值聚类算法[J]. 计算机科学与探索, 2021, 15(5): 931-940.
[7]	张倪妮, 葛洪伟. 稳定的K-多均值聚类算法[J]. 计算机科学与探索, 2021, 15(5): 941-948.
[8]	马瑞强, 宋宝燕, 丁琳琳, 王俊陆. 面向时间序列事件的动态矩阵聚类方法[J]. 计算机科学与探索, 2021, 15(3): 468-477.
[9]	薛红艳, 钱雪忠, 周世兵. 超簇加权的集成聚类算法[J]. 计算机科学与探索, 2021, 15(12): 2362-2373.
[10]	张培, 祝恩, 蔡志平. 单步划分融合多视图子空间聚类算法[J]. 计算机科学与探索, 2021, 15(12): 2413-2420.
[11]	姚晓红, 黄恒君. 非负半监督函数型聚类方法[J]. 计算机科学与探索, 2021, 15(12): 2438-2448.
[12]	刘娟, 万静. 自然反向最近邻优化的密度峰值聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1888-1899.
[13]	尤坊州, 白亮. 关键节点选择的快速图聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1930-1937.
[14]	黄宇翔, 黄栋, 王昌栋, 赖剑煌. 基于集成学习的改进深度嵌入聚类算法[J]. 计算机科学与探索, 2021, 15(10): 1949-1957.
[15]	屈晶晶, 蔡英, 范艳芳, 夏红科. 基于k-prototype聚类的差分隐私混合数据发布算法[J]. 计算机科学与探索, 2021, 15(1): 109-118.