为异构网络模型建模一种新型自优化的Wolf优化器，用于能源和节点寿命分析

Summary

本研究提出了一种方案，用于实现和评估一种自我优化的狼优化器（SOWO），用于无线传感器网络中的能量感知聚类和路由，通过逐步设置和可重复的评估，以提升使用寿命、吞吐量和残余能量。

Abstract

无线传感器网络（WSN）仍提供监控、信息收集和数据传输等关键服务，从高风险环境到更安全地点。这些服务通过大多数为此目的设计的节能路由协议得到改进。采用同质路由协议以更高效地降低远距离枢纽的能源利用;然而，该协议的能量利用率更高，可靠性较差，且在使用较长时间时，向无线路由器（WR）或基站（BS）广播的信息更不利。为克服这些缺点，本研究采用了改进型的自我优化狼优化器（SOWO）。将异构节点纳入当前方法，基于剩余能量选择头部，引入了贯穿连接的多层次交互策略。采用能量空洞消除方法是该布线技术的基础。每种方法都旨在延长网络寿命并减少能源消耗。基于研究结果，所提的路由方案在一致性周期、残余能量、吞吐量和网络寿命方面均优于现有方案。该研究解决了经典的聚类 WSN 问题，即在每节点的严格能量预算下最大化生命周期和持续传输，同时保持负载与公平性平衡。模拟结果显示，网络稳定性和残余能量分别比现有算法提升3.4%和32.22%。

Introduction

无线传感器网络（WSN）和物联网（IoT）被广泛应用于各种技术问题：¹.世界移动网络（WSN）在不同条件下被用于帮助搬运物品，比如机器人执行各种差事。物联网从一开始就提供了基本帮助，尤其是在收集不^{安全领域的数据}方面。这些技术目前被应用于不同系统有具体原因。³，例如园艺、医疗服务、生态观测、军事调查、结构管理、交通管理、水位变化监测等。

在无线网络环境中，数据通常被收集并广播到称为基站（BS）的接收节点进行^{进一步处理。}传感器节点通过高效利用有限资源不断提升网络性能。关于工作⁶，开发减少节点能量耗竭和延长网络寿命的机制可以提升无线传感器网络性能⁷.不同的传感器节点单元用于更高能量：通信单元、数据处理单元和传感器。第一个通信单元是耗能最高的⁸。在无线传感器网络环境中，最节能的技术被视为^{广泛使用的分}层路由协议。当数据从邻近节点接收时，集群头（CH）通过单跳和多跳交互，根据其与BS的距离向BS报告网络状态。这些类型的路由技术在研究¹⁰中有所介绍。

相关文献中预计将出现多种基于集群的WSN路由算法。Moridi 等人提出了一种分层路由^方案，可连续延长支持网络的寿命。根据研究¹²进行适当选择，该研究开发了一种网络选择路由技术。

Priyadharshini 等人¹³ 描述了一种基于概率的聚类协议，称为分布式节能聚类（DEEC）。DECC选择的CH取决于剩余能量与已开发网络中每个节点平均能量的比值。作者研究了一个被称为低能适应簇层级（LEACH）协议的均质系统，并考察了其异质性。作者随后开发了LEACH，这是一种异质系统，比较了同质和异质两个^系统。一种由分布式能效聚类技术开发的方法被提出用于异构远程传感器网络¹⁵。它是分布式高效聚类的升级版。

专家们提出了另一种发展技术¹⁶。该新算法改变了优越枢纽的平均概率，其剩余能量不完全符合阈值残余能量值，而阈值则依赖于枢纽与BS之间的典型空间，而非通常的网络能量。

分布式能效聚类¹⁷ 通过考虑SN与WR之间的平均空间以及超级节点之间的距离，在选择集群头时提高了协议选择的可能性。模拟结果展示了E-DEEC在吞吐量、系统寿命和剩余能量方面的更好效率。Nurelmadina 等人的工作是促使研究人员专注于^{这项工作的关键}因素。无线传感器网络（WSN）需要谨慎的节点布置，因为随机部署会产生盲区和断开链路;因此，最大化覆盖范围和保持连接性是核心优化目标，而非一个“可有可无”的目标。现有技术表明，经典群体方法（如PSO/ACO）和临时部署策略常常存在收敛缓慢和局部最优陷阱，导致覆盖率低且连接性脆弱¹⁹。一项最新的元启发式综述指出，这类缺陷通常源于探索与开发动态的不平衡;它主张应有明确平衡全局搜索和局部细化的混合方案，并探讨了如何设计混合控制/耦合方案以^{实现这一目标}。在WSN特定节点部署测试中，改进型混沌灰狼优化器（ICGWO）在多种环境中实现了≥99%的覆盖率，平均在强基线上提升高达16%，证明混沌引导杂交能显著提升覆盖率和连接性²⁰。此外，灰狼-粒子群混合体（HGWPSO）在多种工程任务中验证了相同的设计逻辑，报告在多个基准案例中提升了43%-99%，并强调混合化是实现更快收敛和更好解决方案的稳健路径¹⁹。开发的技术是自优狼优化器（SOWO），采用了从场到BS的单跳和多跳交互策略，这些策略在²¹中未出现。该策略通过避免远端枢纽向远端BS广播无关信息，最大限度地减少节点的能量消耗。

Protocol

本节介绍本节开发的异构协议。在该技术中，组织将传感器枢纽根据预先确定的边缘距离划分为四个逻辑区域。网关节点和基站（BS）分别置于检测场外部，并分别置于网络中心点。距离网关节点小于预定距离的枢纽被分配到字段1和2。在这种情况下，节点通过直接通信向网关节点或BS广播数据。这些节点代表齐次节点。假设节点间空间大于预定阈值空间，且更靠近WR节点。在这种情况下，它们位于图 1所示的区域3或4。这些节点称为异构枢纽。在这两个区域进行选举，利用其残余能量选择CH。这些区域的信息通过多跳交互方法发送给BS。区域3的CH向网关节点提供最终报告，并在向BS广播前整合信息。每个区域的节点在其能量限制内与其他节点传递信息。当节点无法发送信息时，它们会休息以保存能量。

网络模型
网络结构的定义如图1所示。该网络称为 G（L， BS， H_o， GW，_{H e}），其中基站为 BS，网络网关为 GW，同质节点表示为 H_o，异构节点表示为 H_e，连接确定节点的通信网络集合（包含 BS 的每个节点， H_o、GW、H_e）均表示为 L。网络的特点如下：（i） 如图1所示，网络被划分为区域1、2、3和4的四个子网络。（ii） 区域4中至少有1个节点与区域3的节点关联。（iii） WR连接到第2区的基站。（iv） 现在，WR和基站已连接。区域1中的每个节点都关联到BS。（v）区域3和4的每个节点都不关联到BS。

能耗
本研究中，能量利用技术如下：WSN节点是随机共享的，没有预设位置。基于节点之间的空间，通信会导致节点大量能量损失。信息传输和收集两种方式都消耗能量。因此，传输长度为（m）位的数据包所需的能量为：

(1)

其中E_TX表示节点数据传输过程中所消耗的能量，传输和接收一个比特数据的过程能量耗散为E_电，ε_fs为自由空间能量耗散系数，_{ε mp}表示多路系数技术的能量耗散，传输空间为交叉点，计算公式为：

(2)

接收节点为获取 m 位数据包时预期的能量利用量如下：

(3)

上述模型可以确定CH所利用的能量。CH所使用的能量基本上包含三个视角：获取用户节点数据包的能量利用、关联信息以及将融合信息发送给WR。估计公式为：

(4)

成员节点的计数用CM_数表示，E_DA是聚合1位数据所需的费用;该数据包的长度为 m。非CH枢纽消耗的能量仅为向WR传输信息时的能量利用，数值公式为：

(5)

以下是计算第r个轮剩余能量的过程：

(6)

当剩余能量如轮E _tohR（r - 1）所示时，轮中存在的CH计数表示为CH_num（r），N个_{活体（r）}指该轮的总活跃节点，E_Ch（i）表示i^th CH的能量利用，E_非CH（j）表示非CH（j）的能量消耗。

簇选择
该算法利用从节点到WR和能量计算的间空间来选择系统的主要聚类，从而限制聚类中的总CH如下：根据SNs的适应度分数递增，活跃SN的聚类被划分为 m的相等子集（其中m是期望的聚类计数，等价于 N/p， N 表示传感器节点计数， p表示CH部分。在每个子集中，第一个聚集成簇头会被选定为靠近中心位置的传感器节点。每个节点会被添加到最近的星团头部，以基于欧几里得距离创建初始星团。节点、BS和残余能量之间的空间决定了节点的适应度得分。

(7)

当权重为₁时，主能量为E_i，剩余能量为E_r，节点到WR的空间表示为d_BS。d_maxBS 是 SN 与 WR 之间的最大间距，d_MinBS 表示 SN 与 WR 之间的最小间距。

自优化狼优化器（SOWO）
CH是通过SOWO选出的。在狼优化器中，猎物的位置是通过三只狼（α、β和δ）的平均体重确定，如 图2所示。考虑到BS与节点之间的微分以及残余能量之间的空间，节点的适应度得分被视为灰狼优化的主要权重，该权重通过方程（8）确定。猎物的初始位置基于方程（8）至（11）和SOWO的优化技术计算。

(8)

(9)

(10)

(11)

其中狼的α、β和δ的主质量分别为ω_Iα、ω_Iβ和ω_Iδ，α狼的最佳适应度得分为F_α、F_β和F_δ，这些均通过方程11计算。对应三个最高适应度分数的节点分别是α、β和δ狼。开发的协议不会改变灰狼优化的权重，因为节点的适应度分数在一次数据传输完成后会发生变化。为了实现灰狼优化器的全球搜索能力，载荷会被向量A和D主动修改。这里，A表示系数向量，狼与猎物的距离为D。方程（12）和（15）用于确定A和D。猎物的位置和负载升级公式描述如下：（t + 1）^次迭代：

(12)

(13)

(14)

(15)

其中 指定了α 狼、 β 狼和 δ 狼在迭代中的位置（t+1），这些位置 使用公式（15）计算。在迭代的最后阶段，CH选择当前节点中离猎物更近的节点。CH的任务更为复杂，因此残余能量无法完成任务，导致节点终止。因此，选择剩余能量最大且靠近猎物的节点至关重要。节点剩余能量和节点到猎物的距离作为选择CH的适应度评分参数。适应度较低的节点被称为簇头。用于计算适应度值的函数如下：

(16)

其中权重为₂，节点剩余能量表示为E_x，最大E为最大剩余能量，E_最小为簇节点剩余的最小能量。猎物与节点之间的距离为d_p，d最大值为探测节点与猎物之间的最大距离，d最小_值为SN与猎物之间的最小距离。

自优化狼代理
软件代理监控和管理网络规模及节点网关。软件代理取代了传统的客户端和服务器，后者在本地通信策略和代码移动性上有所不同。监控是理解管理系统的关键因素。鉴于这一重要性，建议采用软件代理技术监控网络网格中的节点网关。除了监控外，代理还负责更新网络节点列表。由于网络规模的限制，这些数据至关重要，因此自我配置过程可以动态配置路由协议参数。在这项工作的背景下，这些是软件代理行为中最理想的特征。无线代理安装在网状路由器和路由器本身的客户端节点关联处。在确定网络密度时，代理在小规模、标准规模和大规模上执行特定任务。三种评分（小量、标准和大）均有代表性。这些代理塑造了拟议协议自动设计能力的前提。这些代理负责网络行为验证，以及吞吐量、数据包丢失比率、中断、吞吐量、空闲、动态和休眠枢纽以及连接相关数据。网络代理稳定地存在于网状路由器上，并提供所提协议的自我优化能力。自关联通过在路由协议中植入自X能力（优化、设置、修复和安全¹⁹）来实现。这些能力使路由协议能够自主运行，提升网络性能、容错能力和保护性。以下是上述能力执行过程的描述，重点是自我配置和自我优化。值得注意的是，自函数作为路由协议标准服务的扩展，在网络层中被执行（补充文件1）。

集群集（CS）
CS是网络中多个集群的集合，聚类算法允许将网络划分为多个集群。在本研究中，最先选定的簇称为第一理想CS，即当前理想CS，并计算当前完美CS的目标函数分数。修改灰狼优化器（MGWO）可以任意修改当前完美CS中的所有簇，生成另一个簇，大多数新形成的簇会框架另一个CS;同样，确定了最新CS的目标函数分数。当当前最优簇的目标函数分数大于最新簇时，新确定的簇即为当前理想CS。完美的CS被设定在终结的最后阶段。目标函数描述为：

(17)

其中权重表示为_3，CS中簇间空间的和为d_TCH，CH与WR之间的全部远距离表示为d_TBS。CH与BS之间的集群和通信距离是远程监控和目标跟踪设计的基础。如果目标函数得分较低，则说明集群头的确定更合理，集群头显在集群中是理想的，集群头显相对于整个网络来说是完美的。算法2（补充文件2）描述了SOWO伪代码。

Results

在这里，MATLAB R2024a 比较了通过模拟与路由协议开发的异构路由协议。在模拟中，100个检测节点的网络被任意采用，维度为每100米一个节点。WR节点位于网络中的（50米、120米）和（50米、50米）。大约20%的齐次节点（m 为0.2，作为1）的能量低于异质节点。部署后，所有节点保持静止。本研究中使用的模拟变量如 表1所示。

网关节点和CH如预期般成功聚合报告。因此，此次演示未使用聚变测试。然而，这将是未来探索中最有益的贡献。列出的绩效指标成为评估的基础。熟练度是多维的，由给定因素计算。

1. 集群迭代中的总活跃节点数。它显示单次集群迭代中活跃网络节点的总数，基于网络中剩余的能量。

2. 每轮集群中存在的休眠节点总数。在网络存活时，网络中的节点会调整其能量水平。此外，这也表明了网络的潜在寿命。

Discussion

拟议的 SOWO 利用了 WR 和同质节点。稳定选举协议使用异构节点作为CH，并在集群中间包含一个BS节点，周围是传感器节点。如果基站位于¹⁴区外，则需要更高的能量。这导致能量减少，能级在极短时间内降为零。该技术的能量降低率低于传统方法。这证明了能耗守旧方法论在开发模型中得到了实现和应用。此外，仔细观察 图9 可以发现，所提出的SOWO算法相比其他算法实现的能量削减率更低。

值得注意的是，在开发的路由算法中，网络中的活跃节点数量更高，而在第¹⁷轮所有路由中，非活跃节点数量是最低的。此外，与现有稳定选举协议相比，向WR广播的包数量始终是所有路由迭代中最高的。开发的SOWO模型实现了这些特性，网络节点保持比其他算法更高的潜能（更活跃）。本研究采用了异构路由协议来解决传统协议^14,17

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
第12代Intel（R）核心（TM）i5-1235U（1.30 GHz）	英特尔公司，美国	–	用于仿真执行的硬件
16GB DDR4内存	美国金斯顿科技公司	–	模拟运行中使用的内存
MATLAB	美国数学作品	R2024a	用于实现算法、运行WSN模拟和分析结果
Microsoft Windows 11 家庭版	Microsoft公司，美国	构建22631	用于运行模拟的作系统
MATLAB生成的合成数据集	美国数学工坊	R2024a	为算法测试创建的自定义数据集