无线传感器网络（WSN）中 LEACH 协议的仿真与 AI 优化平台。
- 多 LEACH 变体：经典 LEACH、LEACH-C、LEACH-EE、LEACH-M
- 真实能量模型：First Order Radio Model
- AI 优化：sklearn / PyTorch 簇头选择器
- 事件驱动仿真：simpy 风格事件队列
- 并行实验：多参数组并行 + 自动汇总
- 动态可视化：matplotlib.animation 分簇动画
- 对比实验：一键生成多算法对比图
- 配置驱动：config.yaml 管理所有参数
pip install -e ".[all]" # 安装全部依赖
pip install -e ".[simulation]" # 仅仿真依赖
pip install -e ".[ai]" # AI依赖from src.models.network import Network
from src.leach.classic import ClassicLEACH
from src.energy.radio_model import FirstOrderRadioModel
# 初始化能量模型
energy_model = FirstOrderRadioModel()
# 创建网络
network = Network(
n_nodes=100,
area=(0, 100, 0, 100),
base_station_pos=(50, 50),
energy_model=energy_model
)
# 运行仿真
leach = ClassicLEACH(network)
results = network.simulate_network(rounds=5000)
# 查看结果
print(f"网络生命周期: {results['network_lifetime']} 轮")
print(f"总能耗: {results['total_energy']:.2f} J")# 运行经典 LEACH
python main.py --config config/config.yaml --output results/leach/
# 运行 AI 增强 LEACH
python main.py --config config/leach_ai.yaml --output results/leach_ai/
# 对比实验
python examples/compare_variants.py --output results/comparison/Protocol-algorithm/
├── src/
│ ├── leach/ # LEACH 协议变体
│ ├── models/ # 数据模型
│ ├── energy/ # 能量模型
│ ├── ai/ # AI 优化
│ ├── simulation/ # 仿真引擎
│ ├── visualization/ # 可视化
│ └── data/ # 数据生成
├── config/ # 配置文件
├── tests/ # 单元测试
├── docs/ # 文档
└── examples/ # 示例
| 算法 | 描述 |
|---|---|
| LEACH | 经典轮式簇头选择 |
| LEACH-C | 集中式簇头选择（基站优化） |
| LEACH-EE | 能量均衡分簇 |
| LEACH-M | 移动节点支持 |
| 特性 | 本项目 | Slipstream-Max/wsn | Nachi28/WSN_LEACH | Hzz-Git/WSN-Clustering-Benchmark |
|---|---|---|---|---|
| 协议变体 | 4种LEACH变体 | 仅经典LEACH | 仅经典LEACH | 多种协议 |
| AI优化 | sklearn + PyTorch | ❌ | ❌ | 部分支持 |
| 并行仿真 | 多进程+参数扫描 | ❌ | ❌ | ✅ |
| 可视化 | 图表+动画+对比图 | 简单拓扑图 | ❌ | 丰富的图表 |
| 代码质量 | 生产级架构 | 教学演示 | 原型级别 | 科研级 |
| 配置驱动 | YAML配置 | ❌ | ❌ | ✅ |
| 项目规模 | 企业级 | 小型 | 小型 | 中大型 |
- 生产级架构：遵循SOLID原则，分层清晰，支持插件化扩展
- 多协议+AI：完整协议仿真与机器学习优化的深度融合
- 高效仿真：多进程并行 + 参数扫描，适合批量实验
- 丰富可视化：网络拓扑动画、性能指标图、算法对比图
本项目从以下优秀开源项目中借鉴了设计理念和功能特性：
GitHub: https://github.com/Hzz-Git/WSN-Clustering-Benchmark
借鉴内容:
- 多协议对比实验设计
- YAML配置驱动实验参数
- 一键复现论文结果的脚本
- 完整的docs文档结构
集成方式: 在 examples/ 目录添加了 reproduce.py 风格的复现脚本
GitHub: https://github.com/apturner19/wsn-cluster-routing-ml
借鉴内容:
- 使用WSN-DS公开数据集进行模型验证
- 多ML模型对比实验（Neural Network, Random Forest, SVM, Logistic Regression）
- 完善的性能评估指标（Accuracy, Precision, Recall, F1-score）
- 数据预处理流程标准化
集成方式: 在 src/ai/ 目录添加了数据集兼容接口和评估模块
GitHub: https://github.com/AliAmini93/WSN-Scheduling-with-Reinforcement-Learning
借鉴内容:
- DQN强化学习算法思想
- Stable Baselines3集成
- 智能调度优化策略
集成方式: 在 src/ai/ 目录预留了强化学习接口，便于未来扩展
- Slipstream-Max/wsn: 简单直观的可视化设计
- Nachi28/WSN_LEACH: Excel导出功能集成到结果保存模块
- LEACH-PY: 经典协议实现的参考
基于借鉴内容，计划添加以下功能：
- 支持WSN-DS公开数据集训练AI模型
- 添加PDR(包投递率)、E2E延迟等网络性能指标
- 集成强化学习模块(DQN/PPO)用于智能调度
- 支持多基站部署场景
- 添加异构节点能量模型
- 完善交互式Jupyter Notebook演示
- 添加更多对比基准协议(HEED, PEGASIS等)
运行仿真后自动生成存活节点数随时间变化的曲线图：
from src.visualization.metrics_plots import MetricsPlotter
plotter = MetricsPlotter()
plotter.plot_network_lifetime(results)生成的能量消耗分布图，包含总能耗和每轮能耗变化率。
每轮簇头数量分布和簇大小分布的统计图表。
使用 Animator 类生成网络拓扑变化的动画：
from src.visualization.animator import NetworkAnimator
animator = NetworkAnimator(network)
animator.animate(num_frames=100, interval=100)MIT License