MATLAB仿真对比LEACH、LEACH-C与TS-I-LEACH协议性能与实现-育师

简介：本资源是一套面向本科及硕士阶段无线传感器网络（WSN）教学与科研的MATLAB仿真代码包，聚焦LEACH协议及其改进型——LEACH-C（集中式）与TS-I-LEACH（基于时间槽与改进簇首选举），解决WSN中能量高效路由与簇结构优化的核心问题。压缩包共13个文件，含4个核心MATLAB脚本（main.m、leach.m、Leach_Centralized.m、TSILEACH.m）、7张关键仿真结果图（如簇分布、剩余能量曲线、死亡节点演化等）、1个说明文档（txt）及1个备份脚本（asv），总大小仅493KB，轻量易部署。已有173人学习下载，代码兼容MATLAB 2014a/2019a，附带完整运行结果截图，便于初学者理解协议流程、对比三种算法在轮次寿命、能量消耗与网络存活时间上的差异，同时为后续算法改进提供可调试基线模型与模块化结构参考。

1. 项目概述：无线传感器网络中的能量管理博弈

在无线传感器网络（WSN）的研究和教学中，能量效率是永恒的核心议题。传感器节点通常由电池供电，部署在环境恶劣或难以接近的区域，更换电池几乎不可能。因此，如何设计高效的路由协议，最大化网络生命周期，就成了一个极具挑战性的问题。我手头这个项目，正是聚焦于这一领域的经典与演进——通过MATLAB仿真，对比分析LEACH、LEACH-C以及TS-I-LEACH三种协议的性能。

这个压缩包里的内容，对于从事物联网、无线自组织网络、分布式系统研究的学生和工程师来说，是一个宝贵的实操工具箱。它不仅仅是一段代码，更是一个完整的仿真实验平台，让你能够直观地看到不同协议如何影响网络的“生死存亡”。通过运行和修改这些代码，你可以深入理解从随机簇头选举到集中式优化，再到引入时间同步改进的完整技术演进脉络。无论你是想复现经典论文结果、完成课程大作业，还是为自己的研究寻找基线对比，这个项目都能提供一个坚实的起点。接下来，我将带你深入拆解这三种协议的核心思想、MATLAB实现的关键细节，并分享在仿真调试中积累的一手经验。

2. 协议核心思想与演进逻辑拆解

要理解仿真结果，必须先吃透协议本身的设计哲学。这三种协议代表了WSN分簇路由协议发展的三个典型阶段。

2.1 LEACH：开山鼻祖与随机轮转策略

LEACH协议是分簇路由的奠基之作。它的核心思想非常直观：通过随机轮换簇头来均衡整个网络的能量消耗。网络运行被划分为一个个“轮次”，每一轮都包含两个阶段：簇建立阶段和稳定数据传输阶段。

在簇建立阶段，每个节点会独立地产生一个0到1之间的随机数。如果这个随机数小于一个预设的阈值T(n)，该节点就在本轮宣布自己成为簇头。这个阈值计算公式是LEACH的精髓：

T(n) = P / (1 - P * (r mod (1/P))), 如果 n 属于 G，否则为 0

其中，P是期望的簇头比例（比如0.05），r是当前轮次索引，G是过去1/P轮内未当选过簇头的节点集合。这个公式确保了：

概率均衡：每个节点在短期内成为簇头的概率约为P。
轮转强制：一个节点在连续1/P轮内，一定会当选一次簇头，避免了某些节点永远“躲”在后面。
分布式：每个节点仅根据本地信息（自己的历史、当前轮次）即可做出决策，无需全局通信。

成为簇头的节点会广播通告，其他非簇头节点根据接收信号强度选择加入哪个簇，形成拓扑。在稳定阶段，成员节点将数据发送给簇头，簇头进行数据融合（如取平均值）后，再将聚合后的数据发送给远方的基站（Sink）。

注意：LEACH的“随机性”是一把双刃剑。它避免了固定簇头导致的能量空洞，但也可能造成簇头分布不均（比如所有簇头都挤在角落），或者某些节点因为过早成为簇头而耗能过快。在MATLAB仿真中，你会清晰地看到网络生命周期后期，节点死亡呈现随机但整体分散的分布。

2.2 LEACH-C：中心控制与优化布局

LEACH-C协议全称是LEACH-Centralized，它引入了基站的中心控制角色，旨在解决LEACH簇头分布可能不优的问题。其核心改进在于簇建立阶段。

在每一轮开始时，所有节点（无论剩余能量多少）都将自己的当前位置信息和当前剩余能量发送给基站。基站作为拥有全局信息的“上帝视角”，执行以下优化计算：

计算所有节点的平均剩余能量。
只从那些剩余能量高于平均能量的节点中，挑选出本轮预期的簇头集合。这保证了只有能量相对充足的节点才有资格担任簇头。
基站运行一个简单的优化算法（通常是模拟退火或其变种），以最小化所有非簇头节点到其所属簇头的距离平方和为目标，确定最终的簇头名单以及非簇头节点的分簇归属。

确定方案后，基站将分簇结果（谁是簇头，谁属于哪个簇）广播给全网。此后进入与LEACH类似的稳定数据传输阶段。

实操心得：在MATLAB实现LEACH-C时，最关键也是最耗时的部分就是基站端的优化算法。原论文使用的是模拟退火，但在教学仿真中，为了简化计算和加快速度，我们常常使用K-means聚类算法的变种。将节点位置作为数据点，以选定的簇头作为初始中心，进行迭代划分，效果接近且易于实现。这本质上是一个“设施选址”问题。

2.3 TS-I-LEACH：引入时间同步的改进

TS-I-LEACH是LEACH的一个改进版本，其全称是Time Synchronization-Improved LEACH。它的核心改进点在于稳定数据传输阶段，旨在减少簇内冲突和空闲侦听带来的能量浪费。

在经典LEACH中，簇头通常采用TDMA（时分多址）为簇内成员分配时隙。但这里有个隐含问题：如果不同簇的TDMA帧不同步，一个簇的节点在发送时，可能邻近簇的节点正处于空闲侦听状态，从而接收到无关信号并消耗能量。

TS-I-LEACH引入了全网或簇间的时间同步机制：

同步帧：在簇建立阶段结束后，基站或某个参考节点会广播一个同步信标。
时隙对齐：所有簇头根据这个同步信标，调整自己的TDMA调度表，使得不同簇的活跃发送时隙尽可能对齐。
目的：当A簇的节点在发送时，B簇的节点也大概率处于发送或接收状态，而非空闲侦听。这显著减少了因为“听到邻居说话但不是说给自己听”而产生的无效功耗。

此外，TS-I-LEACH通常还会结合其他改进，例如基于剩余能量的簇头选举阈值调整，使得能量高的节点有更高概率当选。

踩过的坑：在MATLAB仿真中实现时间同步逻辑时，要注意避免过度理想化。完全精确的同步在真实无线环境中需要复杂的协议（如IEEE 1588 PTP），会带来额外的控制开销。在仿真中，我们通常用一个简化的模型：假设同步信标完美广播，所有节点收到后立即对齐到一个统一的超帧结构。评估性能时，需要合理设置同步信标的能量开销，并与节省的空闲侦听能耗做比较，否则可能得出不切实际的乐观结论。

3. MATLAB仿真框架与核心模块解析

拿到这个项目的MATLAB代码，你会发现它通常由多个脚本和函数文件组成。一个结构清晰的仿真框架是理解一切的基础。下面我们来拆解典型的模块构成。

3.1 网络模型与参数初始化

所有仿真都始于对物理世界的抽象建模。在主脚本（例如main.m或sim_leach.m）的开头，你会看到一系列的参数定义。

% 网络参数 num_nodes = 100; % 传感器节点总数 field_dim = [100, 100]; % 部署区域 (单位：米) sink_pos = [50, 175]; % 基站位置 (通常位于区域外) % 能量模型参数 (基于经典无线电能耗模型) E_elec = 50e-9; % 发射/接收电路能耗，每比特 50 nJ/bit E_fs = 10e-12; % 自由空间信道放大器能耗，每比特每平方米 10 pJ/bit/m^2 E_mp = 0.0013e-12; % 多径衰落信道放大器能耗，每比特每平方米 1.3 pJ/bit/m^4 data_agg = 5e-9; % 数据融合能耗，每比特 5 nJ/bit/signal packet_len = 4000; % 数据包长度，单位：比特 % 协议参数 p = 0.05; % 期望簇头比例 (LEACH) rounds = 2000; % 仿真总轮数

为什么是这些值？这些参数值大多来源于WSN研究领域的经典论文（如Heinzelman的LEACH原文）。E_elec,E_fs,E_mp构成了著名的第一阶无线电模型。发送k比特数据到距离d外的能耗计算公式为：

如果d < d0(临界距离，通常d0 = sqrt(E_fs/E_mp)):E_Tx(k, d) = k * E_elec + k * E_fs * d^2
如果d >= d0:E_Tx(k, d) = k * E_elec + k * E_mp * d^4接收数据的能耗为：E_Rx(k) = k * E_elec。这个模型将通信能耗分为电路固有消耗和随距离急剧增大的信号放大消耗，是仿真能量消耗的基石。

3.2 节点数据结构与状态管理

在MATLAB中，通常用结构体数组或矩阵来管理所有节点的动态属性。这是仿真的“状态机”。

% 初始化节点结构体数组 for i = 1:num_nodes node(i).id = i; node(i).x = rand * field_dim(1); % 随机x坐标 node(i).y = rand * field_dim(2); % 随机y坐标 node(i).energy = 0.5; % 初始能量，例如 0.5 焦耳 node(i).type = 'N'; % 节点类型: 'N'普通, 'C'簇头, 'D'死亡 node(i).cluster_id = 0; % 所属簇ID，0表示未分簇 node(i).dist_to_sink = sqrt((node(i).x - sink_pos(1))^2 + ...); node(i).CH_history = []; % 记录历史当选簇头的轮次 end

关键设计：CH_history这个字段对于实现LEACH的阈值公式T(n)至关重要。在每一轮开始时，需要根据它来判断节点n是否属于集合G（过去1/P轮内未当选过簇头的节点）。管理好这个历史记录，是保证LEACH随机轮转正确性的关键。

3.3 协议核心循环与轮次逻辑

仿真的主循环是“轮次”驱动的。每一轮都依次执行簇建立、稳定传输、能量更新和统计记录。

for round = 1:rounds % 1. 检查节点存活状态 alive_nodes = find([node.energy] > 0); if length(alive_nodes) / num_nodes < 0.1 % 例如存活节点少于10%则停止 break; end % 2. 簇建立阶段 (根据不同协议调用不同函数) if strcmp(protocol, 'LEACH') node = leach_cluster_setup(node, round, p, sink_pos); elseif strcmp(protocol, 'LEACH-C') node = leach_c_cluster_setup(node, round, p, sink_pos); elseif strcmp(protocol, 'TS-I-LEACH') node = tsi_leach_cluster_setup(node, round, p, sink_pos); end % 3. 稳定数据传输阶段 node = steady_state_transmission(node, sink_pos, E_elec, E_fs, E_mp, packet_len); % 4. 统计与记录 alive_count(round) = length(alive_nodes); total_energy(round) = sum([node.energy]); % ... 记录其他指标，如每轮数据包送达量等 % 5. 可视化 (可选，每N轮或关键轮次绘图) if mod(round, 100) == 0 plot_network_status(node, sink_pos, round); end end

注意事项：稳定传输阶段的能量计算是仿真的性能核心，必须严格按照无线电能耗模型实现。常见的错误是只计算了发送能耗，漏算了接收能耗和簇头的数据融合能耗。对于簇头节点，其能耗包括：接收所有成员数据的能耗、进行数据融合的能耗、以及将聚合数据发送给基站的能耗。

4. 关键函数实现细节与避坑指南

让我们深入到几个核心函数的内部，看看具体实现时有哪些门道。

4.1 LEACH簇头选举函数的实现

leach_cluster_setup函数是LEACH协议的灵魂。其伪代码逻辑如下：

function node = leach_cluster_setup(node, round, p, sink_pos) % 计算阈值公式中的分母项 r_mod = mod(round, round(1/p)); % 当前轮次在一个循环中的位置 for i = 1:length(node) if node(i).energy <= 0 continue; % 死亡节点不参与 end % 判断节点i是否在集合G中（过去1/p轮未当过簇头） if isempty(node(i).CH_history) || (round - node(i).CH_history(end)) > (1/p) T_n = p / (1 - p * r_mod); else T_n = 0; end % 随机选举 if rand() < T_n node(i).type = 'C'; % 标记为簇头 node(i).cluster_id = i; % 簇ID通常用自己的ID node(i).CH_history = [node(i).CH_history, round]; % 更新历史 else node(i).type = 'N'; node(i).cluster_id = 0; % 清空，等待加入簇 end end % 非簇头节点选择加入哪个簇（基于接收信号强度，简化为最小距离） for i = 1:length(node) if node(i).type == 'N' && node(i).energy > 0 min_dist = inf; chosen_ch = -1; for j = 1:length(node) if node(j).type == 'C' && node(j).energy > 0 d = sqrt((node(i).x-node(j).x)^2 + (node(i).y-node(j).y)^2); if d < min_dist min_dist = d; chosen_ch = j; end end end if chosen_ch ~= -1 node(i).cluster_id = chosen_ch; else % 如果没有发现任何簇头，可能直接与基站通信（单跳） node(i).cluster_id = 0; % 或一个特殊标记 end end end end

避坑指南1：阈值T(n)的计算时机。一定要在每一轮开始时为每个节点重新计算T(n)。有些实现错误地将阈值计算放在循环外或初始化时，导致整个仿真过程中选举概率固定不变，完全违背了LEACH轮转的初衷。

避坑指南2：集合G的判断。CH_history记录的是当选轮次。判断条件(round - node(i).CH_history(end)) > (1/p)是关键。node(i).CH_history(end)获取最近一次当选的轮次。这里必须用>而不是>=，因为如果刚好等于1/p，意味着该节点在1/p轮前刚当过簇头，本轮仍应被排除在外，T_n应为0。

4.2 LEACH-C的集中式优化实现

leach_c_cluster_setup函数的核心在于基站端的优化计算。

function node = leach_c_cluster_setup(node, round, p, sink_pos) % 所有存活节点向基站报告状态（在仿真中，我们直接访问数据） alive_idx = find([node.energy] > 0); alive_positions = [[node(alive_idx).x]', [node(alive_idx).y]']; alive_energy = [node(alive_idx).energy]; % 1. 计算平均能量，筛选候选簇头 avg_energy = mean(alive_energy); candidate_idx = alive_idx(alive_energy >= avg_energy); % 期望簇头数 expected_CHs = round(p * length(alive_idx)); num_CHs = min(expected_CHs, length(candidate_idx)); % 候选者可能不足 % 2. 从候选者中随机选择num_CHs个作为初始簇头（简化版，更优的是用优化算法选择） % 更优方案：使用K-means++初始化，然后运行K-means if length(candidate_idx) >= num_CHs selected_CH_indices = candidate_idx(randperm(length(candidate_idx), num_CHs)); else selected_CH_indices = candidate_idx; % 全部当选 end % 3. 为每个非簇头节点分配最近的簇头 for i = 1:length(alive_idx) nid = alive_idx(i); if ismember(nid, selected_CH_indices) node(nid).type = 'C'; node(nid).cluster_id = nid; node(nid).CH_history = [node(nid).CH_history, round]; else node(nid).type = 'N'; % 寻找最近簇头 min_dist = inf; chosen_ch = -1; for ch_id = selected_CH_indices d = sqrt((node(nid).x-node(ch_id).x)^2 + (node(nid).y-node(ch_id).y)^2); if d < min_dist min_dist = d; chosen_ch = ch_id; end end node(nid).cluster_id = chosen_ch; end end % 处理未被选为簇头的候选节点和死亡节点 for i = 1:length(node) if node(i).energy <= 0 node(i).type = 'D'; node(i).cluster_id = 0; elseif node(i).type ~= 'C' node(i).type = 'N'; end end end

实操心得：上述代码中的簇头选择是“随机选择”，这并不是LEACH-C论文中的最优方式。论文中使用的是模拟退火算法来寻找能最小化簇内节点到簇头距离总和的簇头集合。在MATLAB中，你可以使用simulannealbnd函数来实现，但计算量较大。一个在效果和效率间折中的好方法是使用K-means聚类：直接将所有存活节点的位置作为输入，聚类数设为expected_CHs，运行K-means后，将每个簇的中心点（或离中心点最近的候选节点）指定为簇头。这种方法得到的簇头分布通常比随机选择好得多，更贴近LEACH-C的优化思想。

4.3 稳定传输与能量计算模型

这是所有协议共用的核心函数，其正确性直接决定仿真结果的可信度。

function node = steady_state_transmission(node, sink_pos, E_elec, E_fs, E_mp, packet_len) % 定义临界距离 d0 d0 = sqrt(E_fs / E_mp); % 第一遍：成员节点向簇头发送数据，消耗能量 for i = 1:length(node) if node(i).energy > 0 && node(i).type == 'N' && node(i).cluster_id > 0 % 找到所属簇头 ch_id = node(i).cluster_id; if node(ch_id).energy <= 0 % 如果簇头已死亡，本节点本轮不传输或直接传基站 % 处理异常，这里简化处理，视为传输失败，不耗能或直接传基站（耗能更大） % 为简化，我们假设本轮它不发送数据 continue; end d = sqrt((node(i).x-node(ch_id).x)^2 + (node(i).y-node(ch_id).y)^2); % 计算发送能耗 if d < d0 E_tx = packet_len * E_elec + packet_len * E_fs * (d^2); else E_tx = packet_len * E_elec + packet_len * E_mp * (d^4); end node(i).energy = node(i).energy - E_tx; % 簇头接收数据，消耗能量 (注意：这里每个成员发送，簇头都要接收一次) % 接收能耗在第二遍循环中统一计算更清晰，避免重复计算。 % 我们可以在节点结构体中增加一个`packets_to_receive`计数器。 if isfield(node(ch_id), 'packets_to_receive') node(ch_id).packets_to_receive = node(ch_id).packets_to_receive + 1; else node(ch_id).packets_to_receive = 1; end end end % 第二遍：簇头处理数据并发送给基站 for i = 1:length(node) if node(i).energy > 0 && node(i).type == 'C' % 1. 接收所有成员数据的能耗 if isfield(node(i), 'packets_to_receive') num_rx_packets = node(i).packets_to_receive; else num_rx_packets = 0; end E_rx = num_rx_packets * packet_len * E_elec; node(i).energy = node(i).energy - E_rx; % 2. 数据融合能耗 (假设融合后数据包长度不变，或按比例缩减) % 假设融合能耗与接收的数据量成正比 E_da = num_rx_packets * packet_len * data_agg; % data_agg是融合能耗系数 node(i).energy = node(i).energy - E_da; % 3. 将融合后的数据发送给基站 d_to_sink = sqrt((node(i).x-sink_pos(1))^2 + (node(i).y-sink_pos(2))^2); % 簇头发送的数据包，通常认为已经融合，长度仍为packet_len（或更小） aggregated_packet_len = packet_len; % 简化处理 if d_to_sink < d0 E_tx_to_sink = aggregated_packet_len * E_elec + aggregated_packet_len * E_fs * (d_to_sink^2); else E_tx_to_sink = aggregated_packet_len * E_elec + aggregated_packet_len * E_mp * (d_to_sink^4); end node(i).energy = node(i).energy - E_tx_to_sink; % 清除临时字段 if isfield(node(i), 'packets_to_receive') node(i) = rmfield(node(i), 'packets_to_receive'); end end end % 第三遍：处理那些没有加入任何簇的存活节点（直接与基站通信） for i = 1:length(node) if node(i).energy > 0 && node(i).type == 'N' && node(i).cluster_id == 0 d_to_sink = sqrt((node(i).x-sink_pos(1))^2 + (node(i).y-sink_pos(2))^2); if d_to_sink < d0 E_tx = packet_len * E_elec + packet_len * E_fs * (d_to_sink^2); else E_tx = packet_len * E_elec + packet_len * E_mp * (d_to_sink^4); end node(i).energy = node(i).energy - E_tx; end % 检查能量是否耗尽 if node(i).energy <= 0 node(i).type = 'D'; node(i).cluster_id = 0; node(i).energy = 0; % 防止出现负能量 end end end

关键细节与常见错误：

能量耗尽判断：必须在每一轮能量扣除后立即检查，并将节点标记为死亡('D')。死亡节点不应再参与后续任何通信活动，包括被选为簇头或为其他节点转发数据。
簇头接收能耗：这是一个极易遗漏的点。簇头接收每个成员的数据包都要消耗packet_len * E_elec的能量。如果成员有10个，这部分能耗就是10倍。必须在代码中显式地累加。
数据融合：数据融合(data aggregation)是分簇协议节能的重要假设。在仿真中，我们通常假设簇头能将收到的N个数据包融合成1个（或固定大小）的数据包再转发，从而节省了N-1个数据包的远程传输能耗。融合本身也有能耗 (data_agg)，但通常远小于传输能耗。
临界距离d0：它是自由空间模型和多径衰落模型的分界点，由E_fs和E_mp的比值决定。在仿真中，必须根据d_to_sink或d与d0的比较，选择正确的能耗计算公式 (d^2或d^4)。用错模型会导致能量计算严重失真。

5. 性能评估、结果分析与可视化技巧

仿真跑完后，我们得到的是海量的原始数据。如何从中提取有意义的结论，并直观地展示出来，是项目价值的最终体现。

5.1 核心性能指标定义与计算

通常，我们会关注以下几个指标来评估协议性能：

网络生命周期：这是最重要的指标。它有三种常见定义：
- 首节点死亡时间：第一个节点能量耗尽所在的轮次。它反映了网络的覆盖完整性开始受损的时间。
- 半数节点死亡时间：50%的节点死亡所在的轮次。它反映了网络大规模失效的时间点。
- 末节点死亡时间：最后一个节点死亡所在的轮次。它反映了网络的极限生存时间。
在MATLAB中，我们已经在主循环里记录了每一轮存活的节点数alive_count。绘制alive_count随轮次变化的曲线，就能清晰地看到网络“死亡”的过程。
网络总剩余能量：每一轮所有存活节点能量之和total_energy。它的下降曲线斜率反映了网络整体的能耗速率。一个高效的协议，其曲线应该下降得更平缓。
基站接收的数据总量：衡量网络的数据收集效率。在稳定传输阶段，每成功向基站发送一个数据包（无论是簇头发送的聚合包，还是节点直传的包），就累加一次。可以在steady_state_transmission函数中，每当有数据包发送给基站时，对一个全局计数器进行累加。
能量效率：通常用“每焦耳能量所能传送至基站的数据比特数”来衡量。计算公式为：总接收数据量(比特) / 网络初始总能量(焦耳)。这个指标综合了生命周期和数据吞吐量。

5.2 结果可视化与对比分析

MATLAB的强大绘图功能在此大显身手。建议至少生成以下三张图进行对比：

图1：存活节点数随时间（轮次）变化曲线将LEACH、LEACH-C、TS-I-LEACH三条曲线画在同一张图上。使用不同的线型和颜色区分。可以清晰看出哪种协议的首节点死亡、半数节点死亡时间更晚。通常LEACH-C的曲线会最靠右（表现最好），因为它的簇头分布更优。TS-I-LEACH可能略优于或与LEACH-C持平，取决于同步开销的设置。

figure; hold on; plot(1:rounds, alive_count_leach, 'b-', 'LineWidth', 1.5, 'DisplayName', 'LEACH'); plot(1:rounds, alive_count_leachc, 'r--', 'LineWidth', 1.5, 'DisplayName', 'LEACH-C'); plot(1:rounds, alive_count_tsi, 'g-.', 'LineWidth', 1.5, 'DisplayName', 'TS-I-LEACH'); xlabel('轮次 (Round)'); ylabel('存活节点数'); title('网络生命周期对比'); legend('Location', 'best'); grid on; hold off;

图2：网络总剩余能量随时间变化曲线同样将三条曲线对比。观察曲线的下降速度。LEACH由于簇头随机分布，可能在某些轮次产生能量消耗“尖峰”（例如簇头离基站特别远），导致曲线有陡降。LEACH-C的曲线通常更平滑。

图3：簇头分布与节点死亡快照在仿真的特定轮次（例如第1轮、第500轮、第1000轮），绘制网络的拓扑快照。

用不同形状的散点表示节点状态：'o'表示存活普通节点，'s'表示簇头，'x'表示死亡节点。
用线条连接非簇头节点与其所属簇头。
用一个大星号'p'标记基站位置。这种图能非常直观地展示协议的行为：LEACH的簇头分布是否随机且可能不均？LEACH-C的簇头是否更均匀地覆盖了整个区域？节点死亡是从边缘开始还是随机出现？

5.3 参数敏感性分析

一个健壮的仿真项目不应只满足于一组默认参数。尝试改变关键参数，观察协议性能的变化趋势，能加深你对协议的理解。

改变期望簇头比例p：分别设置p=0.02, 0.05, 0.1, 0.2。你会发现存在一个最优的p值。p太小，簇头数量少，每个簇头负担的成员多，接收和融合能耗大，且成员到簇头的平均距离可能变长；p太大，簇头数量多，直接与基站通信的能耗高的节点增多，总能耗也可能上升。
改变网络规模num_nodes：例如从50个节点增加到200个节点。观察在更大规模网络中，LEACH-C的集中式计算开销（在仿真中体现为算法运行时间）是否成为瓶颈？TS-I-LEACH的同步优势是否更明显？
改变基站位置：将基站从区域外[50, 175]移到区域中心[50, 50]或角落[0, 0]。这会对协议产生巨大影响。当基站在中心时，单跳通信可能更优，分簇的优势减弱。LEACH-C能更好地适应这种变化吗？

个人经验：进行参数扫描时，一定要使用多次蒙特卡洛仿真取平均。因为LEACH协议具有随机性，单次运行的结果波动可能很大。对于每组参数，运行仿真10-20次，取性能指标（如首节点死亡轮次）的平均值和标准差，得到的结论才可靠。你可以写一个外层循环来自动化这个过程。

6. 常见问题排查与调试技巧

在编写和运行这类仿真时，你肯定会遇到各种奇怪的现象。下面是我总结的一些典型问题及其排查思路。

6.1 节点死亡过快或过慢

现象：仿真刚开始几十轮，节点就大片死亡；或者仿真了几千轮，所有节点能量几乎没变。
排查：
1. 检查能量单位：确认E_elec,E_fs,E_mp,data_agg的单位是否一致（通常是焦耳每比特，J/bit）。packet_len的单位是比特(bit)。确保计算时代入的数值量级正确。一个常见错误是把E_elec = 50e-9(50 nJ/bit) 误写成50e-6(50 μJ/bit)，导致能耗放大1000倍。
2. 检查距离计算：确认节点坐标、基站坐标的单位是米。计算距离d时是否进行了开方运算sqrt(dx^2 + dy^2)。
3. 检查能耗模型分支：确认d0计算正确，并且if d < d0的条件判断逻辑无误。可以打印几轮中典型通信距离d和d0的值进行核对。
4. 检查能量扣除逻辑：在steady_state_transmission函数中设置断点或打印日志，跟踪一个簇头节点在一轮中的能量扣除过程。确认接收能耗、融合能耗、发送能耗是否都被正确计算和扣除。

6.2 LEACH协议簇头数量波动巨大

现象：期望簇头比例是5%（100个节点期望5个），但实际仿真中某一轮可能选出1个簇头，另一轮选出15个。
排查：
1. 检查阈值公式T(n)：这是最可能出错的地方。重点检查r mod (1/P)的计算。在MATLAB中，1/p可能不是整数，需要使用round(1/p)或floor(1/p)。确保公式分母(1 - P * (r mod (1/P)))不会出现负数或零（当r mod (1/P)等于1/P时，分母为0，公式无定义）。原论文中，当r mod (1/P) == 0时，T(n) = P。
2. 检查集合G的判断：确保你正确记录了节点的簇头当选历史CH_history，并且判断“过去1/P轮内未当选”的逻辑是正确的。参考前面4.1节中的避坑指南。
3. 进行统计验证：单独测试簇头选举函数，运行大量轮次（如10000轮），统计每个节点当选簇头的频率。理论上，每个节点的长期频率应接近P。如果偏差很大，说明选举算法有偏。

6.3 LEACH-C性能反而不如LEACH

现象：在同样的参数下，LEACH-C的首节点死亡时间比LEACH还早。
排查：
1. 检查簇头选择算法：你是否使用了真正优化的簇头选择？如果只是从高于平均能量的节点中随机选，那么选出的簇头可能在空间上聚集，导致某些区域的节点不得不加入很远的簇头，反而增加了能耗。尝试实现基于位置的优化算法（如K-means）。
2. 检查“没有簇头”的情况：在LEACH-C中，如果某一轮所有节点的能量都低于平均能量（例如网络运行到后期），那么候选簇头集合为空。你的代码如何处理这种情况？一种策略是，如果候选集为空，则退化为LEACH协议进行随机选举，或者选择能量最高的前k个节点作为簇头。处理不当会导致该轮没有簇头，所有节点都直接与基站通信，能耗剧增。
3. 考虑控制开销：LEACH-C在每一轮都需要所有节点向基站发送位置和能量信息。这部分控制消息的能耗在你的仿真中建模了吗？如果忽略了这部分开销，LEACH-C的结果会过于乐观。一个简单的建模方法是，在簇建立阶段，为每个节点增加一次向基站发送一个短控制包的能耗。

6.4 仿真结果不稳定，每次运行差异大

现象：同一组参数，两次运行的网络生命周期曲线形状相似，但具体轮次差异很大。
原因与处理：这是正常现象，尤其是对于LEACH这类随机协议。无线信道、节点初始位置随机、簇头选举随机都会导致结果波动。
解决方案：如前所述，必须进行蒙特卡洛仿真。编写一个脚本，自动重复运行整个仿真过程N次（例如N=20），将每次运行记录的alive_count、total_energy等数组保存下来。最后，对所有N次运行的结果进行逐点平均，得到平均性能曲线。同时，可以计算标准差或绘制置信区间，以展示结果的波动范围。这才是科学的性能评估方法。

6.5 MATLAB仿真速度太慢

现象：当节点数量多（如500）、仿真轮次长（如5000轮）时，程序运行非常耗时。
优化技巧：
1. 向量化操作：尽量避免在循环中对每个节点进行标量计算。例如，计算所有节点到基站的距离，可以用矩阵运算一次完成：d_to_sink = sqrt(([node.x]' - sink_pos(1)).^2 + ([node.y]' - sink_pos(2)).^2);。
2. 预分配数组：在记录alive_count、total_energy等时间序列数据时，使用zeros(1, rounds)预分配足够大小的数组，而不是在循环中动态扩展[alive_count, new_value]。
3. 简化可视化：在调试阶段，关闭或减少实时绘图。plot_network_status这类函数每轮调用会严重拖慢速度。可以改为每100轮或500轮绘图一次。
4. 使用更高效的算法：在LEACH-C的优化步骤中，如果使用模拟退火，可以设置合理的迭代次数和停止条件。使用K-means通常比模拟退火快得多。
5. 并行计算：如果你需要进行大量的参数扫描蒙特卡洛仿真，可以考虑使用MATLAB的并行计算工具箱parfor循环，同时利用多核CPU运行多个独立的仿真实验。

通过这个项目，你不仅能得到三条对比曲线，更能深入理解无线传感器网络路由协议设计的核心权衡：分布式与集中式、随机性与确定性、性能与开销。亲手调试代码、分析异常、优化速度的过程，远比只看论文和结果图表来得深刻。希望这份详细的拆解和避坑指南，能帮助你更好地利用这个MATLAB仿真包，做出有价值的研究或完成出色的课程项目。

本文还有配套的精品资源，点击获取