【LEACH协议】分簇协议leach和deec仿真生命周期和数据传输对比附matlab代码

 ✅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

低能耗自适应分层（LEACH）协议是一种用于无线传感器网络（WSN）的经典分簇协议。它通过将网络中的节点组织成簇来提高网络的能效。本文通过仿真比较了 LEACH 协议和分散式能源高效聚类（DEEC）协议的生命周期和数据传输性能。

简介

在 WSN 中，节点通常由电池供电，因此能效至关重要。分簇协议通过将节点组织成簇来提高能效。簇头负责收集和聚合来自其簇成员的数据，然后将数据传输到汇聚点。

LEACH 协议是一种单跳分簇协议，其中簇头直接将数据传输到汇聚点。DEEC 协议是一种多跳分簇协议，其中簇头将数据传输到更靠近汇聚点的其他簇头，然后再传输到汇聚点。

仿真模型

仿真模型使用 MATLAB 编写，并使用以下参数：

• 网络大小：100 个节点

• 网络区域：100 m x 100 m

• 汇聚点位置：网络中心

• 数据包大小：100 字节

• 能源模型：第一阶无线电能耗模型

📣 部分代码

clear  %1.初始参数设定模块  %.传感器节点区域界限(单位 M)  xm=200;  ym=200;  %(1)汇聚节坐标给定  sink.x=0.5*xm;  sink.y=0.5*ym;  %区域内传器节数  n=100  %簇头优化比例（当选簇头的概率）  p=0.05;  P=0.05;  %能量模型（单位 焦）  %初始化能量模型  Eo=0.5;  %Eelec=Etx=Erx  ETX=50*0.000000001;  ERX=50*0.000000001;  %Transmit Amplifier types  Efs=10*0.000000000001;  Emp=0.0013*0.000000000001;  %Data Aggregation Energy  EDA=5*0.000000001;  %高能量节点超出一节点能量的百分比  a=1;  %最大循环次数  rmax=5000  %算出参数 do  

⛳️ 运行结果

讨论

仿真结果表明，DEEC 协议在网络生命周期和数据传输方面都优于 LEACH 协议。这是因为 DEEC 协议的多跳传输方式可以减少簇头的能耗并提高数据传输的成功率。

结论

本文通过仿真比较了 LEACH 协议和 DEEC 协议的生命周期和数据传输性能。仿真结果表明，DEEC 协议在网络生命周期和数据传输方面都优于 LEACH 协议。因此，DEEC 协议更适合于对能效和数据传输可靠性要求较高的 WSN 应用。

🔗 参考文献

[1] 顾耀华.电力无线传感网分簇路由协议优化研究[D].重庆理工大学,2019.

[2] 顾耀华.电力无线传感网分簇路由协议优化研究[D].重庆理工大学[2024-02-21].

🎈 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