吳佳楠, 吳 劍, 邸煥雙, 王玉英, 李念峰

(長(zhǎng)春大學(xué) 網(wǎng)絡(luò)安全學(xué)院, 長(zhǎng)春 130022)

以自主式水下航行器AUV(autonomous underwater vehicle)[1]為代表的水中機(jī)器人, 因具有良好的自主性和靈活性, 已成為一種行之有效的水下探索工具. 張晗等[2]研究了一種新的水下電場(chǎng)通信仿箱鲀機(jī)器魚, 其仿生對(duì)象箱鲀魚有一種特殊的電感知能力, 可通過(guò)特殊的放電器官發(fā)射一種稱為EOD(electric organ discharges)的脈沖式信號(hào), 與同類物種交流信息, 還能主動(dòng)探測(cè)周圍環(huán)境. 仿箱鲀機(jī)器魚具有體積緊湊、 能耗低、 全向性好等優(yōu)點(diǎn), 可只靠0.81 W的發(fā)射功率在3～5 m的通信距離上進(jìn)行約1 KB/s的數(shù)據(jù)傳輸. 實(shí)現(xiàn)多個(gè)仿生機(jī)器魚的智能集群, 協(xié)同完成復(fù)雜任務(wù)是該領(lǐng)域的研究熱點(diǎn)[2].

分簇思想是一種有效的群體控制方法, 目前存在的分簇協(xié)議從網(wǎng)絡(luò)拓?fù)浣嵌瓤煞譃閮煞N: 平面路由協(xié)議和分簇路由協(xié)議[3-4]. 常見的平面路由協(xié)議有DD(directed diffusion)[5],SAR(sequential assignment routing)[6],SPIN(sensor protocols for information via negotiation)[7]和K階生成簇算法等[8]. 該類協(xié)議的主要優(yōu)點(diǎn)是具有良好的健壯性和強(qiáng)連通性, 不易產(chǎn)生瓶頸效應(yīng), 適合小規(guī)模的網(wǎng)絡(luò)集群. 但無(wú)法針對(duì)特定環(huán)境進(jìn)行通信資源的優(yōu)化, 網(wǎng)絡(luò)中無(wú)管理節(jié)點(diǎn), 網(wǎng)絡(luò)的動(dòng)態(tài)變化反應(yīng)速度較慢[9]. 分簇協(xié)議的主要優(yōu)點(diǎn)是簇首負(fù)責(zé)管理, 大部分簇內(nèi)成員為“待機(jī)”狀態(tài), 可節(jié)省整個(gè)網(wǎng)絡(luò)的能量[10], 不同的簇相互組合便于分布式管理, 利于擴(kuò)展[11]. 常見的分簇協(xié)議包含簇首產(chǎn)生、 簇形成和數(shù)據(jù)傳輸3個(gè)階段. 針對(duì)簇首形成的算法[12-13]目前有LEACH(low-energy adaptive clustering hierarchy)[14]及其相關(guān)優(yōu)化算法LEACH-C(LEACH-centralized)[15],HEED(hybrid energy-efficient distributed clustering)[16]算法和CEFL(cluster-head election using fuzzy logic)[17]算法等, 其中LEACH將整個(gè)網(wǎng)絡(luò)的能量消耗分布到每個(gè)節(jié)點(diǎn)中, 從而有效延長(zhǎng)網(wǎng)絡(luò)生命周期. 針對(duì)形成簇階段的算法有ACMWN(adaptive clustering for mobile wireless networks)[18],PEGASIS(power-efficient gathering in sensor information systems)[19]和HYENAS(hybrid energy-aware sensor network)[20]等, 其中ACMWN算法更簡(jiǎn)單有效, 每個(gè)節(jié)點(diǎn)獨(dú)立運(yùn)行, 廣播交換信息, 基于最小ID選舉簇頭, 形成簇. 針對(duì)數(shù)據(jù)傳輸階段的算法有PEGASIS(power-efficient gathering in sensor information systems),TEEN(threshold sensitive energy efficient sensor network protocol)[21]和APTEEN(adaptive periodic threshold sensitive energy efficient sensor network protocol)[22]等. 上述分簇算法更注重于信息傳遞過(guò)程的優(yōu)化及基于強(qiáng)連通性的群體節(jié)點(diǎn)一體化控制, 雖能有效提高群體控制效率并改善網(wǎng)絡(luò)性能, 但缺少靈活性.

水下智能集群在實(shí)現(xiàn)有效控制節(jié)點(diǎn)的前提下, 進(jìn)一步降低群體內(nèi)耗實(shí)現(xiàn)總體能量的最大化輸出, 是其面向?qū)嵱没囊豁?xiàng)重要目標(biāo). 為在實(shí)現(xiàn)群體的有效協(xié)同及靈活控制的同時(shí)盡可能減少網(wǎng)絡(luò)整體能耗, 提升續(xù)航能力, 本文提出一種基于邏輯分區(qū)的仿箱鲀魚群負(fù)載均衡分簇控制算法. 先采用改進(jìn)的ACMWN算法實(shí)現(xiàn)局部快速分簇, 減少節(jié)點(diǎn)間維護(hù)報(bào)文數(shù)量, 降低系統(tǒng)整體開銷； 再基于簇內(nèi)邏輯分區(qū)策略, 實(shí)現(xiàn)監(jiān)測(cè)、 保障和偵察多區(qū)域協(xié)同控制, 并結(jié)合最小響應(yīng)時(shí)間整編零散魚群, 優(yōu)化網(wǎng)絡(luò)控制體系的同時(shí)提高組網(wǎng)靈活性； 最后在維護(hù)過(guò)程中采用區(qū)域節(jié)點(diǎn)角色轉(zhuǎn)換機(jī)制, 實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)載均衡.

圖1 仿生魚體功能模塊Fig.1 Function module of bionic fish body

1 仿生魚體功能模塊設(shè)計(jì)

機(jī)器魚體主要包括初始化器、 事件生成器、 輸入/輸出模塊、 報(bào)文分類處理器、 群內(nèi)成員更新模塊、 鄰居群表更新模塊、 數(shù)據(jù)庫(kù)7個(gè)組成部分, 如圖1所示. 為提高處理效率并減輕系統(tǒng)負(fù)擔(dān), 整體設(shè)計(jì)為單進(jìn)程結(jié)構(gòu), 各模塊間的交互采用函數(shù)調(diào)用和數(shù)據(jù)傳輸?shù)姆绞? 仿生魚體各模塊功能如下.

1) 初始化器： 初始化機(jī)器魚的身份標(biāo)識(shí)和能量權(quán)值, 啟動(dòng)系統(tǒng).

2) 事件生成器： 生成事件, 驅(qū)動(dòng)算法正常執(zhí)行； 維護(hù)報(bào)文隊(duì)列, 提供函數(shù)接口.

3) 輸入/輸出模塊： 調(diào)用服務(wù), 解析報(bào)文.

4) 報(bào)文分類處理器： 從事件生成器接收?qǐng)?bào)文, 通過(guò)報(bào)文標(biāo)識(shí)判斷事件類型, 事件分為更新群內(nèi)成員事件和更新鄰居群表事件.

5) 群內(nèi)成員表更新模塊： 更新群內(nèi)成員表信息, 群內(nèi)成員表中信息包括網(wǎng)絡(luò)號(hào)、 群內(nèi)成員標(biāo)識(shí)、 區(qū)標(biāo)識(shí)、 響應(yīng)時(shí)間和能量權(quán)值.

6) 鄰居群表更新模塊： 更新鄰居群表信息, 鄰居群表信息主要包括鄰居群網(wǎng)絡(luò)號(hào)、 響應(yīng)時(shí)間、 網(wǎng)絡(luò)規(guī)模等.

2 基于邏輯分區(qū)的分簇算法

2.1 網(wǎng)絡(luò)參數(shù)與定義

本文用G表示圖,V表示頂點(diǎn)集,E表示邊集,C表示群集, ID表示身份標(biāo)識(shí),Wn表示能量權(quán)值, CH表示簇首標(biāo)識(shí), CRA表示中心簇首標(biāo)識(shí),T表示響應(yīng)時(shí)間, Msg表示信息報(bào)文.

網(wǎng)絡(luò)參數(shù)設(shè)定如下：

1) 簇內(nèi)機(jī)器魚數(shù)量區(qū)間設(shè)為[cl,cu], 其中cl為下限值,cu為上限值；

2) 機(jī)器魚的電量最低為Pmin, 簇首電量降到Pmin時(shí)與監(jiān)測(cè)區(qū)節(jié)點(diǎn)互換, 監(jiān)測(cè)區(qū)或偵察區(qū)節(jié)點(diǎn)電量降到Pmin時(shí)與保障區(qū)節(jié)點(diǎn)互換；

3) 每條魚的ID全網(wǎng)唯一；

4) 魚群采用水下電場(chǎng)通信的工作方式交互信息, 最大有效通信距離為8 m.

定義1網(wǎng)絡(luò)拓?fù)淇梢暈橛晒?jié)點(diǎn)和鏈路構(gòu)成的圖, 記為G=(V,E), 其中:V表示節(jié)點(diǎn)集合;E表示鏈路集合. 任意節(jié)點(diǎn)Vi和Vj之間被稱為互相通信的一跳鄰居時(shí), 當(dāng)且僅當(dāng)Vi和Vj之間存在邊E(i,j).

定義2(鄰居簇) 兩個(gè)簇通過(guò)各自偵察區(qū)可建立連接, 即兩個(gè)簇互為鄰居簇.

定義3(簇連接度) 某簇的鄰居簇個(gè)數(shù)稱為該簇的簇連接度.

定義4(能量權(quán)值) 能量權(quán)值為區(qū)域角色轉(zhuǎn)換的參考值, 記為Wn. 當(dāng)簇首或偵察區(qū)節(jié)點(diǎn)電量降到Pmin時(shí), 選擇Wn最大的節(jié)點(diǎn)更換區(qū)域角色, 表示為

Wn=e1×σP-e2×τT,

(1)

e1+e2=1，

(2)

其中：Wn表示每個(gè)節(jié)點(diǎn)的權(quán)值；e1,e2為(可調(diào)節(jié))權(quán)值系數(shù)；σ,τ為歸一化系數(shù)；P表示節(jié)點(diǎn)當(dāng)前剩余電量；T表示與簇首的響應(yīng)時(shí)間, 反應(yīng)其與簇首的距離.

2.2 算法設(shè)計(jì)

2.2.1 基于ACMWN的快速分簇 該過(guò)程基于ACMWN算法分簇思想, 實(shí)現(xiàn)局部快速分簇, 減少節(jié)點(diǎn)間維護(hù)報(bào)文數(shù)量, 降低系統(tǒng)整體開銷. 基于ACMWN的快速分簇過(guò)程如下：

步驟1) 初始化信息, 每條魚Vi具有唯一的IDi；

步驟2) 如果E(i,j)≠?, 則Vi向Vj廣播自己的ID號(hào)；

步驟3) ID號(hào)比周圍低的節(jié)點(diǎn)被選舉為簇首CH, CH向鄰居節(jié)點(diǎn)廣播當(dāng)選簇首的信息MsgA, 收到MsgA的鄰居節(jié)點(diǎn)加入簇A, 并向簇首CH單播申請(qǐng)加入簇的消息MsgB；

步驟4) 簇首CH對(duì)收到消息的MsgB計(jì)數(shù), 如果數(shù)量達(dá)到cu, 則拒絕加入；

步驟5) 如果未達(dá)到cu, 則簇首CH對(duì)收到的申請(qǐng)節(jié)點(diǎn)進(jìn)行回復(fù), 收到回復(fù)的鄰居節(jié)點(diǎn)加入簇A, 并向附近廣播已加入簇A的消息；

步驟6) 其余未成簇的節(jié)點(diǎn)重復(fù)上述過(guò)程, 直至形成所有的簇.

圖2 邏輯分區(qū)示意圖Fig.2 Schematic diagram of logical partition

2.2.2 簇內(nèi)動(dòng)態(tài)邏輯分區(qū) 簇內(nèi)采用邏輯分區(qū)的思想, 劃分為監(jiān)測(cè)區(qū)MA(monitoring-area)、 保障區(qū)GA(guarantee-area)和偵察區(qū)RA(reconnaissance-area), 區(qū)域間在物理上無(wú)明顯界限, 個(gè)體節(jié)點(diǎn)按區(qū)域功能轉(zhuǎn)換角色, 不需要物理上的移動(dòng), 實(shí)現(xiàn)簇內(nèi)能量均衡, 以提高整體續(xù)航能力. 邏輯分區(qū)方式如圖2所示, 其中: 簇首CH具有維持簇內(nèi)基本管理的作用, 發(fā)布任務(wù), 確定魚群運(yùn)動(dòng)方向； 監(jiān)測(cè)區(qū)MA負(fù)責(zé)實(shí)時(shí)監(jiān)控簇首狀態(tài), 如果簇首CH電量達(dá)到Pmin值, 則與監(jiān)測(cè)區(qū)內(nèi)最大能量權(quán)值節(jié)點(diǎn)進(jìn)行角色更換； 偵查區(qū)RA負(fù)責(zé)外聯(lián), 并通過(guò)傳感器探測(cè)群體周圍環(huán)境； 保障區(qū)GA的主要功能是更換監(jiān)測(cè)區(qū)和偵察區(qū)能量到達(dá)Pmin的成員角色. 多區(qū)域協(xié)同及區(qū)域節(jié)點(diǎn)角色轉(zhuǎn)換機(jī)制, 實(shí)現(xiàn)了群體網(wǎng)絡(luò)的負(fù)載均衡.

簇內(nèi)動(dòng)態(tài)邏輯分區(qū)過(guò)程如下：

步驟1) 在形成簇首CH過(guò)程中, 簇首CH的群內(nèi)成員表具有每個(gè)成員的ID號(hào), 簇首CH向每個(gè)成員點(diǎn)名, 收到的成員進(jìn)行回復(fù), 簇首可測(cè)算出每條魚的響應(yīng)時(shí)間T(CH,j)；

步驟2) 簇首CH根據(jù)響應(yīng)時(shí)間T(CH,j)大小, 將簇內(nèi)成員進(jìn)行邏輯分區(qū), 分為監(jiān)測(cè)區(qū)MA、 保障區(qū)GA和偵察區(qū)RA, 并廣播分區(qū)信息, 收到信息后的簇內(nèi)成員Vj根據(jù)該信息修改區(qū)號(hào)標(biāo)識(shí)Tagj.

2.2.3 零散簇間整編 在分簇過(guò)程中, 簇的數(shù)量區(qū)域?yàn)閇cl,cu], 首次分簇后會(huì)留下數(shù)量小于cl的魚群Ci. 為進(jìn)一步優(yōu)化控制體系, 結(jié)合最小響應(yīng)時(shí)間對(duì)零散魚群進(jìn)行整編, 優(yōu)化網(wǎng)絡(luò)控制體系的同時(shí)提高了組網(wǎng)的靈活性.

零散簇間整編過(guò)程如下：

步驟1) 魚群Ci通過(guò)偵察區(qū)向周圍廣播申請(qǐng)加入信息MsgC, MsgC中包含群內(nèi)節(jié)點(diǎn)數(shù)量；

步驟2) 附近偵察區(qū)的機(jī)器魚收到并發(fā)現(xiàn)不同于自身網(wǎng)絡(luò)號(hào)的MsgC信息時(shí), 將請(qǐng)求發(fā)送給簇首, 簇首判斷MsgC中Ci內(nèi)的節(jié)點(diǎn)數(shù)量小于等于cl, 則批準(zhǔn)加入；

步驟3) 魚群Ci收到多個(gè)反饋信息時(shí), 選擇響應(yīng)時(shí)間最短的魚群加入；

步驟4) 如果無(wú)法聯(lián)系到其他魚群, 則將成為孤立魚群, 自主向目標(biāo)節(jié)點(diǎn)行進(jìn).

2.2.4 中心簇選舉 該過(guò)程用于尋找群中簇連接度最大的簇, 作為群體控制中心.

中心簇選舉過(guò)程如下：

步驟1) 每個(gè)簇通過(guò)交互信息獲得鄰居簇的數(shù)目, 得到自己的簇連接度；

步驟2) 每個(gè)簇將自己的簇連接度向鄰居簇廣播；

步驟3) 具有簇連接度最大的簇被選為中心簇CRA；

步驟4) 中心簇CRA的一跳鄰居簇成為中心簇所組織的成員；

步驟5) 重復(fù)上述過(guò)程直到所有的簇加入.

3 仿真實(shí)驗(yàn)與性能評(píng)價(jià)

3.1 分簇仿真實(shí)驗(yàn)

用MATLAB軟件對(duì)分簇過(guò)程進(jìn)行仿真, 結(jié)果如圖3所示, 其中： 藍(lán)色圓點(diǎn)表示初始節(jié)點(diǎn)； 黑色圓點(diǎn)表示簇內(nèi)普通成員； 紅色節(jié)點(diǎn)表示簇首(CH)； 藍(lán)色星形表示監(jiān)測(cè)區(qū)(MA)成員； 黑色圓圈表示保障區(qū)(GA)成員； 藍(lán)色三角形表示偵查區(qū)(RA)成員. 圖3(A)為模擬魚群入水后的初始隨機(jī)分布位置； 圖3(B)表示快速分簇結(jié)果； 圖3(C)表示簇內(nèi)分區(qū)過(guò)程： 簇首基于成員節(jié)點(diǎn)響應(yīng)時(shí)間, 將整個(gè)簇劃分為監(jiān)測(cè)區(qū)、 保障區(qū)和偵察區(qū)； 圖3(D)表示簇間整編過(guò)程.

圖3 簇的形成與整編Fig.3 Formation and integration of clusters

圖4為中心簇選舉過(guò)程示意圖, 其中中心簇首CRA所在簇為中心簇, 每個(gè)簇與自己的鄰居簇交換簇連接度信息, 簇連接度最大的簇當(dāng)選為中心簇. 中心簇一跳范圍內(nèi)的簇加入該群, 其他簇通過(guò)偵察區(qū)找到自己的上級(jí)簇, 最終整個(gè)魚群建立聯(lián)系.

3.2 網(wǎng)絡(luò)性能分析

為驗(yàn)證本文算法在延長(zhǎng)網(wǎng)絡(luò)能量消耗、 網(wǎng)絡(luò)生命周期和能量均衡性方面的特性, 選取LEACH算法[14]和LEACH-C算法[17]進(jìn)行對(duì)比實(shí)驗(yàn). 使用MATLAB進(jìn)行仿真分析, 在300 m×300 m內(nèi), 隨機(jī)模擬400個(gè)節(jié)點(diǎn), 每個(gè)節(jié)點(diǎn)的初始能量為0.5 J, 簇?cái)?shù)量上限為20, 下限為5, 共進(jìn)行1 800輪實(shí)驗(yàn), 節(jié)點(diǎn)每次發(fā)送4 000 bit的數(shù)據(jù).

3.2.1 網(wǎng)絡(luò)能量消耗 下面用Efs表示自由空間能量,Emp表示衰減空間能量,do表示通信半徑,Ei表示節(jié)點(diǎn)i的當(dāng)前能量，ETX表示發(fā)射單位報(bào)文損耗能量,k表示數(shù)據(jù)包大小, disij表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的距離,ERX表示接收單位報(bào)文損耗的能量，EDA表示多路徑衰減能量. 則通信半徑為

(3)

發(fā)送數(shù)據(jù)為

(4)

接收數(shù)據(jù)為

Ei=Ei-(ERX+EDA)×k.

(5)

圖4 中心簇選舉過(guò)程示意圖Fig.4 Schematic diagram of election process of central cluster

圖5為3種算法網(wǎng)絡(luò)總能量隨運(yùn)行周期(輪數(shù))的變化曲線. 由圖5可見, LEACH和LEACH-C算法隨著輪數(shù)的增加, 能量下降趨勢(shì)明顯快于本文算法, 在約800輪時(shí)所有的節(jié)點(diǎn)能量為0, 而本文算法采用能量均衡措施, 能量下降趨勢(shì)更平緩, 約運(yùn)行1 000輪時(shí)能量為0. 圖6為不同算法發(fā)送給簇首的報(bào)文總數(shù). 由圖6可見, 本文算法在初期階段發(fā)送給簇首的報(bào)文相對(duì)較多, 這主要是由于中心簇形成過(guò)程相對(duì)復(fù)雜, 維護(hù)報(bào)文較多； 隨著輪數(shù)的增加, 報(bào)文數(shù)量相對(duì)變少, 最終達(dá)到的峰值明顯低于其他兩種對(duì)比算法, 從而減少了網(wǎng)絡(luò)總體能耗.

圖5 不同算法的總能量變化曲線Fig.5 Total energy change curves of different algorithms

圖6 不同算法發(fā)送給簇首的報(bào)文總數(shù)Fig.6 Total number of messages send to cluster head of different algorithms

3.2.2 網(wǎng)絡(luò)生命周期 網(wǎng)絡(luò)生命周期[23]能反應(yīng)執(zhí)行算法過(guò)程的節(jié)點(diǎn)運(yùn)行時(shí)間, 是評(píng)價(jià)網(wǎng)絡(luò)性能的一個(gè)重要指標(biāo), 而負(fù)載均衡有助于延長(zhǎng)網(wǎng)絡(luò)生命周期. 節(jié)點(diǎn)的初始化能量為

(6)

圖7為3種算法的死亡節(jié)點(diǎn)數(shù)量隨運(yùn)行周期的變化曲線. 由圖7可見, LEACH和LEACH-C算法隨著程序的運(yùn)行死亡節(jié)點(diǎn)的增幅明顯高于本文算法. 本文設(shè)網(wǎng)絡(luò)生命周期為所有節(jié)點(diǎn)失效的時(shí)間, 不同算法網(wǎng)絡(luò)生命周期的對(duì)比結(jié)果如圖8所示. 由圖8可見, LEACH和LEACH-C算法的生命周期均約為800輪, 而本文算法的生命周期約為1 000輪. 其他兩種算法均在100輪前出現(xiàn)首個(gè)失效節(jié)點(diǎn), 而本文算法的首個(gè)失效節(jié)點(diǎn)出現(xiàn)在500輪后, 相比其他兩種算法延遲很多, 表明本文算法群體能耗更少, 工作時(shí)間更長(zhǎng), 能有效提高群體協(xié)同續(xù)航能力.

圖7 不同算法死亡節(jié)點(diǎn)數(shù)隨運(yùn)行周期的變化曲線Fig.7 Curves of number of dead nodes of different algorithms with running cycle

圖8 不同算法的節(jié)點(diǎn)死亡周期Fig.8 Node death cycle of different algorithms

3.2.3 能量均衡性 本文將網(wǎng)絡(luò)的平均能量和能量方差相結(jié)合對(duì)網(wǎng)絡(luò)的能量均衡性進(jìn)行評(píng)價(jià). 能量均值函數(shù)為

(7)

能量方差函數(shù)為

(8)

其中Ei(o)為節(jié)點(diǎn)i的能量.ME(o)越大,DE(o)越小, 表明該時(shí)刻網(wǎng)絡(luò)的能量均衡性越好. 網(wǎng)絡(luò)能量的均衡性是對(duì)網(wǎng)絡(luò)負(fù)載的分配情況, 均衡效果越好, 越有利于實(shí)現(xiàn)最大輸出.

圖9為不同算法網(wǎng)絡(luò)均值能量隨運(yùn)行周期的變化曲線； 圖10為不同算法網(wǎng)絡(luò)能量方差隨運(yùn)行周期的變化曲線. 在某輪中, 均值能量越大、 方差越小, 表明該輪網(wǎng)絡(luò)能量的均衡性越好. 由圖9可見, 隨著輪數(shù)的變化, 本文算法的能量均值始終高于LELACH和LEACH-C算法. 由圖10可見： LEACH和LEACH-C算法能量方差開始階段變化較大, LEACH算法約在60輪到達(dá)最高點(diǎn), LEACH-C算法約在230輪到達(dá)最高點(diǎn), 這兩種算法在800輪后能量降為0, 總體上能量方差變化幅度較大； 本文算法開始階段增幅平緩, 約630輪達(dá)到最高點(diǎn), 1 000輪后降為0, 總體上能量方差變化幅度更小, 表明本文算法具有良好的能量均衡性.

圖9 不同算法網(wǎng)絡(luò)均值能量隨運(yùn)行周期的變化曲線Fig.9 Curves of network mean energy of different algorithms with running cycle

圖10 不同算法網(wǎng)絡(luò)能量方差隨運(yùn)行周期的變化曲線Fig.10 Curves of network energy variance of different algorithms with running cycle

綜上所述, 為降低節(jié)點(diǎn)間負(fù)載不均衡性所導(dǎo)致的能量損耗, 提升仿箱鲀魚群的協(xié)同續(xù)航能力, 本文設(shè)計(jì)了一種基于邏輯分區(qū)的仿箱鲀魚群負(fù)載均衡分簇控制算法. 該算法采用分簇方式, 減少了節(jié)點(diǎn)間的維護(hù)報(bào)文數(shù)量, 降低了系統(tǒng)整體開銷； 基于簇內(nèi)邏輯分區(qū)策略, 實(shí)現(xiàn)監(jiān)測(cè)、 保障和偵察多區(qū)域協(xié)同控制, 并結(jié)合最小響應(yīng)時(shí)間整編零散魚群, 優(yōu)化網(wǎng)絡(luò)控制體系的同時(shí)提高了組網(wǎng)靈活性； 在維護(hù)過(guò)程中采用區(qū)域節(jié)點(diǎn)角色轉(zhuǎn)換機(jī)制實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)載均衡. 仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性及可行性.