简介：本资源面向无线传感器网络（WSN）方向的本科生、研究生及科研初学者，聚焦能量受限场景下路由算法的设计与性能验证，解决传统分簇路由易导致能量热点、网络寿命短的核心问题。压缩包共2个文件（7KB），含MATLAB主程序main.m——实现节点部署、动态簇头选举、能量感知数据转发及生命周期统计等关键逻辑；另附README.md文档，系统说明算法原理、参数配置依据与仿真结果分析方法，便于理解能量均衡优化策略如何通过负载再分配抑制局部能耗过载。已有47人学习下载，内容精炼但逻辑完整，覆盖从建模、编码到对比评估的全流程，特别适合用于课程设计复现、算法改进基线或毕业设计快速搭建仿真框架。
1. 项目概述与核心价值
最近在复现和优化无线传感器网络（WSN）的经典算法时，我又把“能量均衡优化的分簇路由算法”拿出来折腾了一遍。这几乎是每个做WSN仿真研究的人都绕不开的课题，但真正能把仿真做扎实、把能量均衡的“门道”讲清楚的人并不多。很多同学拿到题目，要么直接套用现成的LEACH代码，跑个图就完事；要么在MATLAB里写了一堆循环，结果网络生命周期和理论值差了一大截，还找不到原因。
这个项目的核心，就是利用MATLAB，从零构建一个WSN仿真环境，并实现一种考虑能量均衡的分簇路由算法。它要解决的根本矛盾是：在传感器节点能量有限且通常无法补充的条件下，如何通过智能的组织（分簇）和通信路径选择（路由），让整个网络“活”得更久、数据传得更稳。这不仅仅是写个算法，更是对WSN底层通信模型、能耗计算、随机过程以及MATLAB高效数值仿真的一次综合实践。
你会发现，单纯实现分簇（比如选簇头）并不难，难的是如何将“能量均衡”这个优化目标，真正融入到簇头选举、簇的形成以及簇间路由的每一个决策环节中。这需要你清晰地定义什么是“均衡”（是剩余能量的方差最小？还是网络拓扑的负载均匀？），并用数学模型和程序逻辑将其表达出来。通过这个仿真，你不仅能得到漂亮的网络生命周期曲线和能量消耗对比图，更能深入理解WSN协议设计的精髓，以及如何用MATLAB这把“瑞士军刀”进行严谨的通信系统仿真。无论是为了课程设计、科研验证，还是工程预研，这套方法都具有很高的参考价值。
2. 仿真系统整体设计与建模思路
2.1 网络与能耗模型定义
仿真第一步，也是最重要的一步，就是建立贴近现实的模型。一个粗糙的模型会导致仿真结果毫无说服力。
1. 网络部署模型：我们通常在一个二维正方形监控区域内随机部署N个传感器节点。这里有个关键细节：要避免完全随机的“均匀分布”可能造成的局部过于稀疏或密集。我一般采用的方法是先随机生成坐标，然后加入一个最小距离约束，确保任意两个节点之间的距离大于某个阈值（例如0.5倍的理论通信半径），这样能更好地模拟实际撒布情况，并避免仿真初期因节点太近而产生的不必要的通信干扰或冗余。基站（Sink）的位置至关重要，通常固定在区域中心或边缘。放在中心，有利于平均化簇头到基站的距离；放在角落，则会显著考验路由算法的健壮性，因为边缘簇头的转发负载会剧增。在仿真中，我建议两种场景都试试，观察算法表现。
2. 无线通信能耗模型：这是仿真的基石，直接决定了你的能量消耗计算是否准确。最经典也最常用的是First Order Radio Model。
- 发射能耗：发送 k 比特数据到距离为 d 的接收方，能耗为：
E_Tx(k, d) = k * E_elec + k * ε_fs * d^2(当 d < d0)E_Tx(k, d) = k * E_elec + k * ε_mp * d^4(当 d >= d0) 其中，E_elec是发射电路消耗的能量（如50 nJ/bit），ε_fs和ε_mp分别是自由空间和多径衰减模型的放大器系数，d0是一个距离阈值（通常根据环境计算，约几十米）。这个模型意味着短距离通信能耗与距离平方成正比，长距离则与四次方成正比，清晰地解释了为什么多跳通信比单跳更省能。 - 接收能耗：接收 k 比特数据，能耗为：
E_Rx(k) = k * E_elec - 关键参数赋值：这些参数值不能乱设。参考广泛使用的仿真设置：
E_elec = 50 nJ/bit，ε_fs = 10 pJ/bit/m^2，ε_mp = 0.0013 pJ/bit/m^4，d0 = sqrt(ε_fs / ε_mp) ≈ 87.7米。在MATLAB中，注意单位统一（如全转换为焦耳）。
注意：很多初学者会忽略
d0的判断，或者ε_fs/ε_mp取值量级错误，导致能耗计算结果偏离数个数量级。务必仔细核对公式和参数单位。
2.2 分簇路由算法框架解析
分簇路由的核心是周期性地执行“轮”（Round）。每一轮包含两个阶段：簇建立阶段和稳定数据传输阶段。
1. 簇建立阶段：这是算法智慧的核心。我们的目标不再是像经典LEACH那样，仅以一定概率随机选举簇头，而是要引入能量状态作为权重。
- 候选簇头选举：每个节点根据一个与能量相关的概率
p_i决定自己是否成为候选簇头。p_i的计算是关键创新点。一种有效的设计是：p_i = p_opt * (E_i_current / E_i_initial) * (1 / (1 + density_i))其中，p_opt是网络最优簇头比例（如0.05），E_i_current / E_i_initial是当前剩余能量比例（能量越高，概率越大），density_i是该节点周围邻居节点的密度（避免簇头在密集区扎堆，实现空间均衡）。节点生成一个随机数，若小于p_i，则自荐为候选簇头。 - 最终簇头确定与簇形成：候选簇头通过广播竞选消息（包含ID、位置、剩余能量）宣告自己。普通节点收到多个候选簇头的消息后，需要做出“入簇”决策。这里同样要融入均衡思想。普通节点
j选择簇头i的代价函数（Cost）不应仅仅是距离，可以设计为：Cost(j, i) = α * d(j, i) / d_max + β * (1 - E_i_current / E_max) + γ * (size_i / size_max)其中，d(j,i)是距离，E_i_current是簇头i的剩余能量，size_i是簇头i当前已吸引的成员数（即簇规模）。α, β, γ是权重系数，d_max,E_max,size_max是归一化因子。这个函数同时考虑了通信代价、簇头能量负荷和簇规模负荷。普通节点选择Cost最小的候选簇头，并发送入簇请求。候选簇头确认成员，成为正式簇头。
2. 稳定数据传输阶段：
- 簇内通信：簇头为成员分配TDMA时隙，成员在各自时隙内将数据发送给簇头。簇头接收这些数据会产生接收能耗。
- 簇间路由（关键）：簇头在聚合（如压缩、去冗余）本簇数据后，需要将数据发往基站。如果采用单跳，边缘簇头能耗巨大。因此，我们需要构建一个以簇头为节点、以基站为根的多跳路由树。这里的目标依然是能量均衡。
- 路由度量：选择下一跳时，不能只看距离基站更近。一个更好的度量是考虑下一跳节点的“能量成本”，例如定义链路成本为：
Link_Cost(i, next) = E_Tx(k, d(i, next)) / E_next_current即，发送能耗与下一跳节点剩余能量的比值。这个比值越小，意味着用更少的发送能耗，去利用一个能量更充沛的节点进行转发，整体上更有利于均衡。 - 路由建立：可以从距离基站最近的簇头开始反向（向远离基站的方向）广播路由建立消息。每个簇头收到消息后，在所有“上游”（更靠近基站）的邻居簇头中，选择
Link_Cost最小的作为父节点，从而形成一棵多跳路由树。
- 路由度量：选择下一跳时，不能只看距离基站更近。一个更好的度量是考虑下一跳节点的“能量成本”，例如定义链路成本为：
3. MATLAB仿真实现核心细节
3.1 仿真环境初始化与参数设置
在MATLAB脚本开头，清晰地定义所有参数，并做好初始化。这不仅是好习惯，也便于后续参数调整和实验复现。
clear; clc; close all; %% 1. 网络参数 area_x = 100; % 区域长度 (m) area_y = 100; % 区域宽度 (m) n = 100; % 传感器节点总数 sink.x = area_x / 2; % 基站x坐标 sink.y = area_y / 2; % 基站y坐标 %% 2. 能量参数 (单位: Joules) E_init = 0.5; % 节点初始能量 (J) E_elec = 50e-9; % 发射/接收电路能耗每比特 (J/bit) E_fs = 10e-12; % 自由空间放大器系数 (J/bit/m^2) E_mp = 0.0013e-12; % 多径衰减放大器系数 (J/bit/m^4) d0 = sqrt(E_fs / E_mp);% 距离阈值 (m) EDA = 5e-9; % 数据聚合能耗每比特 (J/bit) %% 3. 数据包参数 packet_len = 4000; % 数据包长度 (bits) ctrl_len = 100; % 控制包长度 (bits) %% 4. 算法参数 p_opt = 0.05; % 最优簇头比例 rounds_max = 5000; % 最大仿真轮数 alpha = 0.5; beta = 0.3; gamma = 0.2; % 入簇代价函数权重 %% 5. 初始化节点结构体数组 for i = 1:n node(i).id = i; node(i).x = rand * area_x; node(i).y = rand * area_y; node(i).E = E_init; node(i).type = 'N'; % 'N': 普通节点, 'C': 簇头, 'D': 死亡节点 node(i).cluster_id = 0; % 所属簇头ID，0表示未入簇 node(i).dist_to_sink = sqrt((node(i).x - sink.x)^2 + (node(i).y - sink.y)^2); % 记录能量消耗详情，便于分析 node(i).energy_consumption = struct('tx', 0, 'rx', 0, 'agg', 0); end实操心得：使用结构体数组来管理节点属性比用多个独立数组更清晰，也更容易扩展。将能量消耗分类记录（发射、接收、聚合），在后期分析能量消耗分布时非常有用。
3.2 能量均衡分簇算法的MATLAB实现
每一轮仿真的核心逻辑都封装在一个主循环中。以下是簇建立阶段的关键代码片段和解析。
for r = 1:rounds_max % 检查是否有节点死亡，更新网络状态 alive_nodes = find([node.E] > 0); if length(alive_nodes) / n < 0.1 % 例如，当存活节点少于10%时停止仿真 fprintf('网络已失效，仿真结束于第 %d 轮。\n', r); break; end %% ========== 簇建立阶段 ========== % 1. 候选簇头选举 candidate_CHs = []; for i = alive_nodes % 计算能量因子 energy_factor = node(i).E / E_init; % 简单估算密度因子：计算一定范围内邻居数 neighbor_count = 0; for j = alive_nodes if i ~= j dist_ij = sqrt((node(i).x - node(j).x)^2 + (node(i).y - node(j).y)^2); if dist_ij < 20 % 假设邻居半径为20m neighbor_count = neighbor_count + 1; end end end density_factor = 1 / (1 + neighbor_count / 10); % 归一化近似 % 计算动态概率 p_i = p_opt * energy_factor * density_factor; p_i = min(p_i, 1); % 概率不能超过1 if rand() < p_i candidate_CHs = [candidate_CHs, i]; node(i).type = 'C'; % 标记为候选簇头 else node(i).type = 'N'; node(i).cluster_id = 0; % 重置簇ID end end % 2. 簇形成：普通节点选择簇头 for i = alive_nodes if node(i).type == 'N' % 只处理普通节点 min_cost = inf; chosen_CH = -1; % 计算到每个候选簇头的代价 for ch_idx = candidate_CHs ch_id = ch_idx; dist = sqrt((node(i).x - node(ch_id).x)^2 + (node(i).y - node(ch_id).y)^2); % 获取当前候选簇头的状态（需要预先计算或维护） % 假设我们维护了每个候选簇头的当前能量和临时成员数 E_ch = node(ch_id).E; cluster_size = node(ch_id).temp_member_count; % 需要额外字段 % 归一化因子（可用当前轮的最大值近似，或使用预设值） d_norm = dist / sqrt(area_x^2 + area_y^2); E_norm = 1 - (E_ch / E_init); size_norm = cluster_size / (n / length(candidate_CHs)); % 期望平均簇规模 cost = alpha * d_norm + beta * E_norm + gamma * size_norm; if cost < min_cost min_cost = cost; chosen_CH = ch_id; end end if chosen_CH > 0 node(i).cluster_id = chosen_CH; % 更新簇头的临时成员计数 node(chosen_CH).temp_member_count = node(chosen_CH).temp_member_count + 1; else % 如果没有收到任何候选簇头消息（理论上不会，但需容错），直接通信基站 node(i).cluster_id = -1; % 用-1表示直连基站 end end end % 清空临时成员计数，为下一轮准备 for i = candidate_CHs node(i).temp_member_count = 0; end %% ========== 稳定数据传输阶段 ========== % ... (数据传输与能耗计算，见下一节) %% ========== 能量更新与统计 ========== % ... (更新节点能量，记录本轮数据) end注意事项：在簇形成过程中，维护每个候选簇头的
temp_member_count是关键，它实现了对簇规模的实时感知。但要注意，这是一个“先到先得”的近似，因为节点是顺序决策的。更精确但复杂的方法是迭代多次，直到分配稳定。对于仿真来说，上述近似方法在大多数情况下是可接受的。
3.3 数据传输能耗计算与路由实现
在簇形成后，进入稳定阶段，计算能耗是仿真的重头戏。
%% ========== 稳定数据传输阶段 ========== % 假设每轮每个节点产生一个数据包 % 1. 簇内通信能耗 for i = alive_nodes if node(i).type == 'N' && node(i).cluster_id > 0 % 普通节点且有簇头 ch_id = node(i).cluster_id; dist = sqrt((node(i).x - node(ch_id).x)^2 + (node(i).y - node(ch_id).y)^2); % 计算发送能耗 E_tx = calc_tx_energy(packet_len, dist); node(i).E = node(i).E - E_tx; node(i).energy_consumption.tx = node(i).energy_consumption.tx + E_tx; % 簇头接收能耗 node(ch_id).E = node(ch_id).E - E_elec * packet_len; node(ch_id).energy_consumption.rx = node(ch_id).energy_consumption.rx + E_elec * packet_len; elseif node(i).type == 'N' && node(i).cluster_id == -1 % 直连基站的节点 dist = node(i).dist_to_sink; E_tx = calc_tx_energy(packet_len, dist); node(i).E = node(i).E - E_tx; node(i).energy_consumption.tx = node(i).energy_consumption.tx + E_tx; end end % 2. 簇头数据聚合与簇间路由能耗 % 首先，需要构建簇头到基站的路由树（假设已实现函数 build_routing_tree） % [parent, hop_count] = build_routing_tree(candidate_CHs, node, sink); for ch_idx = candidate_CHs ch_id = ch_idx; % a. 数据聚合能耗 (假设每个簇头聚合其所有成员的数据) member_ids = find([node.cluster_id] == ch_id); num_members = length(member_ids); if num_members > 0 E_agg = EDA * packet_len * num_members; % 简化聚合模型 node(ch_id).E = node(ch_id).E - E_agg; node(ch_id).energy_consumption.agg = node(ch_id).energy_consumption.agg + E_agg; end % b. 簇头发送聚合后的数据 (数据量 = 成员数 * 包长， 聚合后可能压缩，这里简化处理) data_len_agg = packet_len; % 假设聚合后仍为一个包的长度 % 查找下一跳 (父节点) next_hop_id = parent(ch_id); % parent数组从路由树构建函数获得 if next_hop_id == -1 % 直接发往基站 dist = node(ch_id).dist_to_sink; E_tx = calc_tx_energy(data_len_agg, dist); node(ch_id).E = node(ch_id).E - E_tx; node(ch_id).energy_consumption.tx = node(ch_id).energy_consumption.tx + E_tx; else % 发往下一跳簇头 dist = sqrt((node(ch_id).x - node(next_hop_id).x)^2 + (node(ch_id).y - node(next_hop_id).y)^2); E_tx = calc_tx_energy(data_len_agg, dist); node(ch_id).E = node(ch_id).E - E_tx; node(ch_id).energy_consumption.tx = node(ch_id).energy_consumption.tx + E_tx; % 下一跳节点接收能耗 node(next_hop_id).E = node(next_hop_id).E - E_elec * data_len_agg; node(next_hop_id).energy_consumption.rx = node(next_hop_id).energy_consumption.rx + E_elec * data_len_agg; end end % 独立的能耗计算函数 function E = calc_tx_energy(k, d) global E_elec E_fs E_mp d0; if d < d0 E = k * E_elec + k * E_fs * d^2; else E = k * E_elec + k * E_mp * d^4; end end实操心得：能耗计算函数
calc_tx_energy一定要独立出来，确保整个仿真中计算逻辑一致。在路由树构建函数build_routing_tree中实现基于Link_Cost的父节点选择算法。一个简单的实现思路是让所有簇头都知道彼此的位置和能量，然后从基站开始“泛洪”路由建立消息，每个簇头选择到基站路径上Link_Cost累积最小的上游节点作为父节点。这部分代码较长，但核心是遍历和比较Link_Cost。
4. 仿真结果分析与可视化技巧
仿真跑完后，如何从海量数据中提取有价值的信息并直观展示，是验证算法有效性的关键。
4.1 关键性能指标计算与对比
我们需要定义几个核心指标来评价算法：
网络生命周期：这是最重要的指标。通常定义三个关键时间点：
- FND (First Node Dies):第一个节点死亡的轮数。反映网络的初始健壮性。
- HNA (Half of Nodes Alive):一半节点存活的轮数。反映网络的整体稳定性。
- LND (Last Node Dies):所有节点死亡的轮数。反映网络的极限寿命。 在MATLAB中，只需在每轮结束后检查存活节点数，并记录达到上述阈值时的轮数即可。
网络总剩余能量与平均能量：绘制每轮结束后网络总剩余能量和节点平均剩余能量的变化曲线。一个好的能量均衡算法，其总能量下降曲线应该更平滑，平均能量在较长时间内维持在较高水平。
能量均衡度：量化能量消耗的均匀程度。一个常用的指标是剩余能量的标准差或变异系数。每轮计算所有存活节点剩余能量的标准差，绘制其变化曲线。曲线越低、越平稳，说明能量越均衡。
网络吞吐量：每轮成功传送到基站的数据包总量（比特数）。这反映了网络的数据收集效率。
4.2 可视化绘图与深度分析
MATLAB的绘图功能强大，用于WSN仿真结果展示再合适不过。
%% 结果可视化 figure('Position', [100, 100, 1200, 800]); % 1. 网络生命周期曲线 (存活节点数 vs. 轮数) subplot(2, 3, 1); plot(1:r, alive_counts(1:r), 'b-', 'LineWidth', 1.5); hold on; % 标记FND, HNA, LND plot([fnd_round, fnd_round], [0, n], 'r--'); plot([hna_round, hna_round], [0, n], 'g--'); plot([lnd_round, lnd_round], [0, n], 'k--'); legend('存活节点数', 'FND', 'HNA', 'LND', 'Location', 'best'); xlabel('轮数 (Round)'); ylabel('存活节点数'); title('网络生命周期曲线'); grid on; % 2. 网络总剩余能量变化 subplot(2, 3, 2); plot(1:r, total_energy(1:r), 'm-', 'LineWidth', 1.5); xlabel('轮数 (Round)'); ylabel('总剩余能量 (J)'); title('网络总剩余能量变化'); grid on; % 3. 节点平均剩余能量变化 subplot(2, 3, 3); plot(1:r, avg_energy(1:r), 'c-', 'LineWidth', 1.5); xlabel('轮数 (Round)'); ylabel('平均剩余能量 (J)'); title('节点平均剩余能量变化'); grid on; % 4. 能量均衡度 (剩余能量标准差) subplot(2, 3, 4); plot(1:r, energy_std(1:r), 'r-', 'LineWidth', 1.5); xlabel('轮数 (Round)'); ylabel('剩余能量标准差 (J)'); title('能量均衡度变化'); grid on; % 5. 每轮簇头数量变化 subplot(2, 3, 5); plot(1:r, ch_counts(1:r), 'g-', 'LineWidth', 1.5); xlabel('轮数 (Round)'); ylabel('簇头数量'); title('簇头数量变化'); grid on; % 6. 某一特定轮次的网络拓扑快照 (例如第100轮) subplot(2, 3, 6); hold on; % 绘制普通节点 normal_nodes = find([node.type] == 'N' & [node.E] > 0); plot([node(normal_nodes).x], [node(normal_nodes).y], 'bo', 'MarkerSize', 6); % 绘制簇头节点 ch_nodes = find([node.type] == 'C' & [node.E] > 0); plot([node(ch_nodes).x], [node(ch_nodes).y], 'r^', 'MarkerSize', 10, 'MarkerFaceColor', 'r'); % 绘制基站 plot(sink.x, sink.y, 'ks', 'MarkerSize', 15, 'MarkerFaceColor', 'k'); % 绘制簇内连接（可选） for i = 1:length(ch_nodes) ch_id = ch_nodes(i); members = find([node.cluster_id] == ch_id); for m = members plot([node(ch_id).x, node(m).x], [node(ch_id).y, node(m).y], 'k:'); end end % 绘制簇间路由（可选） for i = 1:length(ch_nodes) ch_id = ch_nodes(i); if parent(ch_id) > 0 plot([node(ch_id).x, node(parent(ch_id)).x], [node(ch_id).y, node(parent(ch_id)).y], 'm-', 'LineWidth', 1.5); end end xlabel('X坐标 (m)'); ylabel('Y坐标 (m)'); title(sprintf('第 %d 轮网络拓扑快照', snapshot_round)); axis([0 area_x 0 area_y]); grid on; legend('普通节点', '簇头', '基站', '簇内连接', '簇间路由', 'Location', 'bestoutside');可视化技巧：使用
subplot将多个关键指标放在一张大图中，便于对比分析。拓扑快照图非常直观，能清晰展示分簇和路由效果。建议在仿真的不同阶段（如初期、中期、末期）各保存一张拓扑快照，动态观察网络结构的变化。使用不同的颜色和标记来区分节点状态（存活、死亡、簇头），用虚线表示簇内连接，实线表示簇间路由，这样信息层次分明。
5. 常见问题、调试技巧与算法优化方向
5.1 仿真调试中的典型问题
在实现过程中，你几乎一定会遇到下面这些问题：
网络过早死亡或生命周期异常长：
- 检查能耗模型参数：这是最常见的原因。确认
E_elec,E_fs,E_mp的单位（Joules）和量级（e-9, e-12）是否正确。一个错误的量级会导致能耗计算差上千倍。 - 检查数据包大小：
packet_len是比特（bits）还是字节（Bytes）？通信能耗公式通常按比特计算，如果误用字节，能耗会差8倍。 - 检查距离计算：确保节点间、节点到基站的距离计算正确，没有出现负数或异常大的值。
- 检查能耗模型参数：这是最常见的原因。确认
簇头分布不均或某些节点从未成为簇头：
- 检查概率计算：打印几轮中部分节点的
p_i值，看是否在合理范围（0~1之间）。能量因子和密度因子是否起到了调节作用？ - 检查随机数种子：为了结果可复现，有时会固定随机数种子（
rng(0)）。但这也可能导致某些节点因随机序列问题始终不被选中。可以尝试不同种子或多次实验取平均。 - 密度因子计算开销大：每轮为每个节点计算精确的邻居密度（需要计算所有节点间距离）复杂度是O(N^2)。对于大规模网络（如1000节点），这会成为性能瓶颈。可以采用网格法近似估算密度，或在一定通信半径内统计。
- 检查概率计算：打印几轮中部分节点的
路由环路或数据无法到达基站：
- 检查路由树构建逻辑：确保父节点选择逻辑不会形成环（例如，A选B为父，B又选A为父）。一个简单的方法是要求父节点必须比当前节点更靠近基站（距离或跳数）。
- 检查网络连通性：如果某些簇头距离基站和其他簇头都太远，超出通信半径，就会成为“孤岛”。需要在簇头选举或路由建立阶段考虑连通性约束，或者允许这些簇头以较大能耗直接通信基站。
仿真速度过慢：
- 向量化操作：MATLAB中应尽量避免在大型循环中进行标量计算。例如，计算所有节点到基站的距离，可以用向量运算一次完成：
dists_to_sink = sqrt(([node.x] - sink.x).^2 + ([node.y] - sink.y).^2);。 - 预计算距离矩阵：如果节点位置固定，可以在仿真开始前计算好所有节点两两之间的距离矩阵，后续直接查表，但会消耗 O(N^2) 内存。对于动态拓扑（节点移动）则不适用。
- 优化邻居发现：使用空间索引数据结构，如四叉树（Quadtree）或KD树，来快速查找某个节点一定半径内的邻居，而不是遍历所有节点。
- 向量化操作：MATLAB中应尽量避免在大型循环中进行标量计算。例如，计算所有节点到基站的距离，可以用向量运算一次完成：
5.2 算法优化与扩展方向
当你实现了基础版本后，可以尝试以下优化，这往往是论文的创新点所在：
更精细的簇头选举代价函数：除了能量和密度，还可以考虑节点的“中心度”（到簇内成员的平均距离）、历史担任簇头的次数（避免某些节点频繁当选）等。
非均匀分簇：靠近基站的簇头需要转发更多来自远方簇的数据，负载更重。可以让靠近基站的区域簇规模更小（簇内成员少），甚至让这些区域的节点有更低的概率成为簇头，从而节省能量用于转发。
动态调整簇半径：允许簇头根据其剩余能量和周围节点密度，动态调整其通信半径（即簇的范围），以实现局部负载均衡。
引入移动基站或移动节点：研究基站或部分节点移动对分簇路由算法的影响。这需要动态更新拓扑和路由。
跨层优化：将路由算法与MAC（媒体访问控制）层协议结合考虑。例如，考虑基于分簇的TDMA时隙分配如何避免簇间干扰。
与经典算法对比：务必在相同的仿真环境下，与经典算法如LEACH, SEP, DEEC等进行对比。对比指标应包括FND、HNA、LND、总吞吐量、能量均衡度等。用表格和对比曲线图来呈现结果，说服力更强。
% 示例：结果对比表格 algorithm_names = {'LEACH', 'SEP', 'Our Protocol'}; fnd_rounds = [850, 1100, 1350]; hna_rounds = [1200, 1500, 1800]; lnd_rounds = [2000, 2400, 2900]; fprintf('%-15s %-10s %-10s %-10s\n', 'Algorithm', 'FND', 'HNA', 'LND'); fprintf('%-15s %-10d %-10d %-10d\n', algorithm_names{1}, fnd_rounds(1), hna_rounds(1), lnd_rounds(1)); fprintf('%-15s %-10d %-10d %-10d\n', algorithm_names{2}, fnd_rounds(2), hna_rounds(2), lnd_rounds(2)); fprintf('%-15s %-10d %-10d %-10d\n', algorithm_names{3}, fnd_rounds(3), hna_rounds(3), lnd_rounds(3));实现一个考虑能量均衡的WSN分簇路由算法仿真，是一个从理论到实践、从建模到编码、从调试到分析的完整训练过程。它考验的不仅仅是MATLAB编程能力，更是对无线网络基础原理和优化思想的深入理解。当你看到自己设计的算法在仿真中显著延长了网络寿命，那种成就感是无可替代的。最重要的是，通过这个过程积累的建模思维、问题分解和调试方法，将会在你未来遇到更复杂的系统仿真问题时，成为你最得力的工具。
本文还有配套的精品资源，点击获取
