该研究提出了一种在无线传感器网络中实现并评估自优化狼群优化算法（SOWO）的协议，用于能量感知的聚类与路由，通过逐步设置和可重复的评估，以提高网络寿命、吞吐量和剩余能量。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
该研究提出了一种在无线传感器网络中实现并评估自优化狼群优化算法（SOWO）的协议，用于能量感知的聚类与路由，通过逐步设置和可重复的评估，以提高网络寿命、吞吐量和剩余能量。
无线传感器网络（WSNs）仍在向更安全的位置提供来自高风险环境的监控、信息采集和数据传输等关键服务。大多数为实现此目标而设计的节能路由协议可提升这些服务的性能。虽然采用同构路由协议能更有效地降低远距离集线器的能量消耗，但该协议在长期使用时存在能耗速率较高、可靠性较差以及向无线路由器（WR）或基站（BS）广播信息效果不佳等问题。为克服上述缺陷，本研究引入了一种改进的自优化狼群优化算法（Self-Optimized Wolf Optimizer, SOWO）。通过在现有方法中引入异构节点，根据剩余能量选择簇头，并在整个连接中实施多层级交互策略。所提出的路由技术以能量空洞消除方法为基础，旨在延长网络寿命并降低能耗。研究结果表明，与现有方案相比，所提出的路由机制在稳定性周期、剩余能量、吞吐量和网络寿命方面均表现出更优性能。该研究解决了传统聚类式WSN中的经典问题，即在严格的单节点能量预算下，最大化网络寿命和持续数据传输能力，同时保持负载均衡与公平性。仿真结果显示，与现有算法相比，网络稳定性和剩余能量分别提升了3.4%和32.22%。
无线传感器网络（WSN）和物联网（IoT）已广泛应用于各种技术领域1。在不同场景中，无线传感器网络已被用于协助物品移动，例如机器人执行不同的任务。从起源来看，物联网尤其在从不安全区域收集数据方面提供了基本支持2。目前这些技术被应用于多种系统中，其背后存在特定原因3，例如在园艺、医疗服务、生态监测、军事侦察、建筑管理、交通管理以及监测水位变化等领域4。
在无线网络环境中，数据通常被收集并广播到一个称为基站（BS）的接收节点，以进行进一步处理5。传感器节点通过高效利用其有限资源，持续提升网络性能。根据相关研究6，开发降低节点能量消耗并延长网络寿命的机制，可有效提升无线传感器网络的性能7。传感器节点的不同单元中，通信单元、数据处理单元和传感器消耗的能量较高，其中通信单元的能耗最高8。在无线传感器网络环境中，最节能的技术被认为是广泛使用的分层路由协议9。当从相邻节点接收到数据后，簇头（CH）根据其与基站的距离，采用单跳或多跳方式将网络状态信息上报至基站。此类路....
访问受限。请登录或开始试用以查看此内容。
本节描述了该部分开发的异构协议。在该技术中，根据预设的边缘距离，将传感器中心划分为四个逻辑区域。网关节点和基站（BS）被置于检测区域外部，并分别位于网络的中心点。距离网关节点小于预设距离的中心节点被分配至区域1和区域2。在该情况下，节点通过直接通信方式将数据发送至网关节点或基站。这些节点属于同构节点。若节点间距离大于预设的阈值距离且更靠近WR节点，则它们被划归至区域3或区域4，如图1所示。这些节点被称为异构中心节点。在两个区域内进行选举，利用节点的剩余能量来选择簇头（CH）。来自这些区域的信息通过多跳交互方式发送至基站。区域3中的簇头将最终报告发送给网关节点，并在向基站广播前对信息进行整合。各区域内的节点在其能量限制范围内与其他节点交换信息。当节点无法发送信息时，将进入休眠状态以保存能量。
网络模型
网络结构的定义如图1所示。该网络表示为G(L, BS, Ho, GW, He)，其中BS表示基站，GW表示网络网关，Ho表示同质节点，He表示异质节点，L表示连接特定节点（包括BS, Ho, GW, He<....
访问受限。请登录或开始试用以查看此内容。
本研究中，使用 MATLAB R2024a 通过仿真比较所开发的异构路由协议与现有路由协议的性能。在仿真中，随机部署由 100 个检测节点组成的网络，节点分布密度为每 100 米一个节点。WR 节点位于网络中的 (50 m, 120 m) 和 (50 m, 50 m) 处。大约 20% 的同构节点（其中 m 取值为 0.2 和 1）的能量低于异构节点。部署完成后，所有节点保持静止。本研究所采用的仿真变量如 表 1 所示。
如预测所示，网关节点和簇头（CHs）在传输前成功聚合了报告。因此，本次演示未使用融合测试。然而，这将是未来探索的最佳贡献。所列出的性能指标构成了评估的基础。该性能是多维度的，并由给定因素计算得出。
1. 集群迭代中的总活动节点数。该数值根据网络中剩余的能量，显示单次集群迭代中的总活动网络节点数。
2. 每个簇轮中存在的总休眠节点数。在网络存续期间，网络中的节点会调整其能量水平。此外，这还反映了网络的潜在.......
访问受限。请登录或开始试用以查看此内容。
所提出的SOWO采用WR和同构节点。稳定的选举协议使用异构节点作为簇头（CH），并在簇中心包含一个基站（BS）节点，周围环绕着传感器节点。如果将基站置于区域外部，则需要消耗更多能量14。这会导致能量迅速降低，并在很短时间内降至零。与传统方法相比，所提出的技术具有更低的能量消耗速率。这证明所开发的模型中已实现并采用了能量节约机制。此外，对图9的仔细分析表明，与其他算法相比，所提出的SOWO算法实现了更低的能量消耗速率。
值得注意的是，所开发的路由算法中网络的活跃节点数量更高，且在所有路由轮次中非活跃节点的数量最少17。此外，与现有的稳定选举协议相比，在所有路由迭代过程中广播至WR的数据包数量始终最高。所开发的SOWO模型实现了这些特性，网络节点保持了比其他算法更高的势能（即更活跃）。本研究采用了一种异构路由协议，以解决传统协议的不足之处14,
访问受限。请登录或开始试用以查看此内容。
作者无任何利益冲突需要披露。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 第12代英特尔(R)酷睿(TM) i5-1235U (1.30 GHz) | Intel Corporation, USA | – | 用于运行仿真的硬件 |
| 16 GB DDR4 内存 | Kingston Technology, USA | – | 仿真运行期间使用的内存 |
| MATLAB | MathWorks USA | R2024a | 用于实现算法、运行无线传感器网络仿真及分析结果 |
| Microsoft Windows 11 家庭版 | Microsoft Corporation, USA | Build 22631 | 用于运行仿真的操作系统 |
| 在 MATLAB 中生成的合成数据集 | MathWorks, USA | R2024a | 为算法测试创建的自定义数据集 |
访问受限。请登录或开始试用以查看此内容。