【Leach协议】基于MATLAB中实现的无线传感器网络Leach协议

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

内容介绍

LEACH 协议简介

LEACH 协议（Low-Energy Adaptive Clustering Hierarchy）是一种分层聚类路由协议，用于无线传感器网络。该协议将传感器节点组织成簇，每个簇由一个簇头负责收集数据并将其发送到基站。簇头通过轮换的方式产生，以避免某个节点成为永久的簇头而耗尽能量。

LEACH 协议的主要优点是能够有效地平衡能量消耗，延长网络寿命。此外，LEACH 协议还具有自适应性强、鲁棒性好等优点。

LEACH 协议的具体实现

LEACH 协议的具体实现步骤如下：

1. 簇头选举

每个节点随机生成一个介于 0 和 1 之间的数。如果该数小于等于阈值 T，则该节点成为簇头。阈值 T 的计算公式为：

T = P / (1 - P * (r mod 1/P))

其中，P 是期望的簇头比例，r 是当前轮次。

1. 簇的形成

非簇头节点根据接收到的簇头广播信息，选择一个距离最近的簇头加入。

1. 数据收集

簇头收集簇内节点的数据，并将其聚合在一起。

1. 数据传输

簇头将聚合后的数据发送到基站。

1. 簇的解散

在每轮结束时，簇头解散，并重新进行簇头选举。

LEACH 协议的性能分析

LEACH 协议的性能主要体现在以下几个方面：

• 能量消耗：LEACH 协议能够有效地平衡能量消耗，延长网络寿命。

• 吞吐量：LEACH 协议的吞吐量随着网络规模的增大而减小。

• 时延：LEACH 协议的时延随着网络规模的增大而增大。

• 鲁棒性：LEACH 协议具有较强的鲁棒性，能够抵抗节点故障和信道干扰。

部分代码

% LEACH PROTOCOL FOR WIRELESS SENSOR NETWORKS%% IMPLEMENTED BY ZAIN EJAZ (Github ZainEjaz24)​​         Sum_DEAD(r+1)=deadNum;  %dead nodes in each rounds        SRP(r+1)=srp;           %SRP->number of sent routing packets in each round %%srp->number of sent routing packets in the current round.    RRP(r+1)=rrp;           %receiving routing packets    SDP(r+1)=sdp;           %sending data packets    RDP(r+1)=rdp;           %received data packets        CLUSTERHS(r+1)=countCHs;        %the number of cluster heads in each round        alive=0;   %variable alive that initially 0    SensorEnergy=0;     %variable SensorEnergy that initially 0​    for i=1:n       %loop to all nodes        if Sensors(i).E>0       %if energy is greater than 0            alive=alive+1;      %then node will alive            SensorEnergy=SensorEnergy+Sensors(i).E;     %adding energy        end    end    AliveSensors(r)=alive; % represents the number of alive nodes at the end of the current round.        SumEnergyAllSensor(r+1)=SensorEnergy; %stores the cumulative energy of all nodes        AvgEnergyAllSensor(r+1)=SensorEnergy/alive; %stores the average energy per node up to the current round (r+1).        ConsumEnergy(r+1)=(initEnergy-SumEnergyAllSensor(r+1))/n; %is an array that tracks the average energy consumption per node in each round.        En=0;  % 'En' would represent the sum of squared deviations of the remaining energy of alive nodes from the average energy.    for i=1:n        if Sensors(i).E>0            En=En+(Sensors(i).E-AvgEnergyAllSensor(r+1))^2;     %%node's remaining energy from the average energy.        end    end    %%calculates the energy heterogeneity​    Enheraf(r+1)=En/alive; % indicates greater heterogeneity in the remaining energy distribution among the nodes.        title(sprintf('Round=%d,Dead nodes=%d', r+1, deadNum))  %set the title of the plot       %dead   if(n==deadNum)       %all nodes are dead              lastPeriod=r;  %round set to variable lastPeriod       break;          end​​STATISTICS.Alive(r+1)=n-deadNum;        %Records the number of alive nodes in the networkSTATISTICS.Energy(r+1)=SumEnergyAllSensor(r+1);         % Records the total energy of all sensorsx=r+1;      %Sets the variable x to the current round number '(r+1)'end % for r=0:1:rmax​​r=1:x-1;        %Creates a vector r representing the rounds from 1 to 'x-1'figure(2)    %graph of statistics between alive nodes and roundsplot(r,STATISTICS.Alive(r+1));                          %plotting graphxlabel 'Rounds';            %x-axisylabel 'No of live sensor Nodes';           %y-axistitle('Life time of Sensor Nodes')      %title​​figure(3)    %graph showing how increase in rounds will affect the energy of nodesplot(r,STATISTICS.Energy(r+1));     %plotting graphxlabel 'Rounds';%x-axisylabel 'Energy(in j)';%y-axistitle('Avergae Residual energy ');%title​disp('End of Simulation');      %The disp function is used to display the message "End of Simulation" in the command window.toc;%toc is used to measure the elapsed time since the start of the timer created by tic​filename=sprintf('leach%d.mat',n) ;         %The sprintf function is then used to create a filename based on the value of n (number of nodes) for saving the simulation results in a MAT file.​%% Save Reportsave(filename);​

⛳️ 运行结果

LEACH 协议的应用

LEACH 协议已被广泛应用于各种无线传感器网络应用中，例如环境监测、工业自动化和医疗保健等。

总结

LEACH 协议是一种分层聚类路由协议，用于无线传感器网络。该协议能够有效地平衡能量消耗，延长网络寿命。此外，LEACH 协议还具有自适应性强、鲁棒性好等优点。LEACH 协议已被广泛应用于各种无线传感器网络应用中。

参考文献

部分理论引用网络文献，若有侵权联系博主删除

 关注我领取海量matlab电子书和数学建模资料

 私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合