1.基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：包括以下步骤：步骤1：参数设置，具体的：

设定无线传感器网络监测区域为L×L的正方形区域，移动汇聚节点位于区域内根据具体运动模型进行移动；无线传感器网络中随机部署N个传感器节点，构成传感器节点集合并记为S＝{s1,…,si,…,sN}；i＝1,2,…,N；每个传感器节点si部署之后位置不再发生改变，且初始能量相同为E0；最优簇头选择概率为popt；最大运行轮数为rmax；

步骤2：计算能量密度函数因子，具体的：

计算传感器节点si到其他传感器节点sj的距离dij，i≠j&i,j＝1,2,…,N；根据传感器节点si与传感器节点sj的距离dij，计算邻域节点阈值 确定传感器节点si邻域节点集合Ni和非邻域节点集合Ni′；根据邻域节点集合Ni确定在当前轮r传感器节点si的邻域节点剩余能量集合Eir，其中Eir＝{Er(1),Er(2),…,Er(i)}，i∈Ni；结合初始能量E0计算得到传感器节点si能量密度函数因子fep(i)；

步骤3：计算运动性能函数因子，具体的：

根据移动汇聚节点在当前轮r的位置，计算传感器节点si到移动汇聚节点的距离dr(i)；

根据第r轮和第r‑1轮传感器节点si到移动汇聚节点的距离dr(i)和dr‑1(i)，r≥2，计算传感器节点si与移动汇聚节点的运动性能函数dΔr(i)；将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)；

步骤4：计算初始簇头选择阈值，具体的：

根据步骤2和步骤3得到归一化后的能量密度函数因子fep(i)和归一化的运动性能函数因子frd(i)，结合簇头选择最优概率popt，进行归一化处理计算得到传感器节点si初始簇头选择阈值T′(si)∈[0,1]；

步骤5：计算自适应调节函数，具体的：

根据当前轮r传感器节点死亡个数nr，结合总传感器节点个数N，计算得到传感器节点死亡概率p(r)；通过传感器节点死亡概率p(r)，结合sigmoid函数，计算得到当前轮r的自适应调节函数g(r)；

步骤6：构建自适应簇头选择阈值，具体的：

根据步骤4得到传感器节点si通过归一化处理后的初始簇头选择阈值T′(si)∈[0,1]，结合步骤5中得到的自适应调节函数g(r)，计算得到传感器节点si自适应簇头选择阈值T(si)∈[0,1]；

步骤7：选择簇头，具体的：

根据步骤6中得到的自适应簇头选择阈值T(si)∈[0,1]进行随机性簇头选择，即每个传感器节点si生成一个0～1之间的均分分布的随机数Trand(si)，并将随机数Trand(si)与其对应的阈值T(si)进行比较，若Trand(si)≤T(si)，则传感器节点si为簇头节点，加入簇头节点集合记为C；否则传感器节点si为非簇头节点，加入非簇头节点集合记为C′；

步骤8：簇的形成，具体的：

根据步骤7中得到的簇头集合C，每个簇头在整个监测区域广播自己成为簇头的消息，计算非簇 头节点sp (p∈C ′) 到每个簇 头节点sq (q∈C)的 距离集 合q∈C；将集合Dpq元素最小值对应的q记为离非簇头节点sp

最近的簇头，通过比较距离集合Dpq元素得到离非簇头节点sp最近的簇头之间的距离记为dscmin，比较dscmin与非簇头节点sp(p∈C′)到移动汇聚节点的距离 的大小，若则该非簇头节点sp(p∈C′)加入离自身最近的簇头节点q所在的簇，否则，该非簇头节点直接与移动汇聚节点进行通信，不加入任何其他簇；

步骤9：每个簇的簇内节点将自身监测到的数据发送给所在簇的簇头节点，簇头节点接收多个簇成员节点传输的数据并对这些数据进行融合处理；

步骤10：WSNs中每个簇头节点将自身融合处理后的数据发送给移动汇聚节点；

步骤11：重复步骤2至步骤10，直到达到预先设定的运行轮数r＝rmax或全部节点剩余能量为0焦耳。

2.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤2中所述每个传感器节点si到其他传感器节点sj的距离dij采用如下方法计算：其中，传感器节点si,sji≠j的坐标分别为(x(si),y(si))，(x(sj),y(sj))。

3.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤2中所述传感器节点si的邻域节点阈值 的计算方法为：其中，d0为传感器节点有效通信距离；当dij小于等于d0时，sj加入si邻域节点集合Ni；当dij大于d0时，sj加入si非邻域节点集合Ni′。

4.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤2中所述传感器节点si的能量密度函数因子feρ(i)的计算方法为：式中，

fe(i)＝(Er(i)‑Eavg)/Eavg

其中，Er(i)为传感器节点si当前剩余能量，fe(i)为传感器节点si的剩余能量率，fρ(i)为传感器节点si邻域节点密度，Eavg为传感器节点si邻域节点平均剩余能量， 为传感器节点si的邻域集合Ni节点总个数， 为传感器节点si的邻域节点阈值。

5.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤3中所述将传感器节点si与移动汇聚节点的运动性能函数dΔr(i)进行归一化为传感器节点si到移动汇聚节点的运动性能函数因子frd(i)计算方法为：frd(i)＝arctan(dΔr(i))/(π/2)

式中，

dΔr(i)＝dr(i)‑dr‑1(i)

其中，(xms(r),yms(r))为移动汇聚节点第r轮坐标位置、(xms(r‑1),yms(r‑1))为移动汇聚节点在第r‑1轮坐标位置，(x(si),y(si))传感器节点si的坐标。

6.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤4中所述进行归一化处理得到的传感器节点si初始簇头选择阈值T′(si)(i＝1,

2,…,N)的采用如下方法计算：

T′(si)＝αpopt+βfeρ(i)+γfrd(i)

其中，α,β,γ∈(0,1)分别为阈值T′(si)的加权系数，popt为最优簇头选择概率，feρ(i)能量密度函数因子，frd(i)为运动性能函数因子。

7.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤5中所述第r轮的自适应调节函数g(r)采用如下方法计算：(20p(r)‑10)

g(r)＝1/(1+e )

式中

p(r)＝nr/N

其中，nr为第r轮节点死亡个数，p(r)为传感器节点死亡个数占总个数的百分比，N为总传感器节点个数。

8.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤6中传感器节点si的自适应簇头选择阈值T(si)采用如下方法计算：T(si)＝g(r)T′(si)

其中，g(r)为第r轮的自适应调节函数，T′(si)为传感器节点si初始簇头选择阈值。

9.根据权利要求1所述的基于移动汇聚节点的WSNs改进分簇能耗优化方法，其特征在于：步骤8中非簇头节点到每个簇头节点的距离 p∈C′,q∈C采用如下方法计算：其中，(xs(p),ys(p))为传感器节点sp的坐标，(xc(q),yc(q))为簇头节点q的坐标。