构建一种新型自优化狼群优化器以用于异构网络模型的能耗与节点寿命分析

摘要

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。

摘要

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%。

引言

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。此类路由技术已在相关研究中提出¹⁰。

相关文献中提出了多种针对无线传感器网络（WSNs）的基于簇的路由算法。Moridi 等人¹¹提出了一种分层路由方案，可连续延长支持网络的使用寿命。所选网络是根据文献¹²中的研究分析适当确定的，该研究开发了一种用于网络选择的路由技术。

Priyadharshini 等人¹³描述了一种基于概率的聚类协议，称为分布式能量高效聚类（DEEC）。DEEC 所选择的簇头（CH）取决于网络中各节点剩余能量与其平均能量的比值。作者研究了一种称为低能量自适应聚类层次结构（LEACH）协议的同构系统，并分析了其异构性。随后，作者开发了 LEACH 的异构系统版本，用于比较同构与异构两种系统¹⁴。该研究提出了一种由分布式能量有效聚类技术发展而来的方法，适用于异构远程传感器网络¹⁵。这是分布式能量有效聚类协议的一个升级变体。

专家们提出了一种新的改进技术¹⁶。该新型算法改变了剩余能量并非恰好等于阈值残余能量的优质集线器的平均可能性，这一可能性取决于集线器与基站之间的典型距离，而非传统的网络能量。

分布式能量有效聚类¹⁷在选择簇头时，通过考虑传感器节点（SNs）与无线接收器（WR）之间的平均距离以及超级节点之间的间距，提高了协议选举的可能性。仿真结果表明，E-DEEC在吞吐量、系统寿命和剩余能量方面具有更优的效率。Nurelmadina 等人的研究是激励研究人员关注此项工作的关键因素¹⁸。无线传感器网络（WSNs）需要精心的节点部署，因为随机部署会产生盲区和链路中断；因此，最大化覆盖范围并同时保持连通性是一项核心优化目标，而非可有可无的附加条件。已有研究表明，传统的群智能方法（如PSO/ACO）和临时部署策略通常存在收敛速度慢以及陷入局部最优的问题，从而导致覆盖范围低和连通性脆弱¹⁹。最近的一项元启发式综述指出，这些缺陷通常源于探索与开发之间的不平衡动态；该综述主张采用能够显式平衡全局搜索与局部优化的混合策略，并系统分析了如何设计混合控制或耦合机制以实现这一目标¹⁹。在针对WSN节点部署的测试中，改进的混沌灰狼优化器（ICGWO）在多种场景下实现了≥99%的覆盖率，相较于强基线方法平均提升约16%，表明基于混沌引导的混合策略可显著增强覆盖范围和连通性²⁰。互补地，灰狼-粒子群混合算法（HGWPSO）在多种工程任务中验证了相同的設計逻辑，在多个基准案例中报告了43%-99%的性能提升，突显出混合化是实现更快收敛和更优解的可靠路径¹⁹。所提出的自优化灰狼优化器（SOWO）采用了从现场到基站（BS）的单跳与多跳交互策略，而这些交互在以往并未发生²¹。该策略通过避免远距离中心节点向远距离基站广播无关信息，从而最小化节点的能量消耗。

方案

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, H_o, GW, H_e)，其中BS表示基站，GW表示网络网关，H_o表示同质节点，H_e表示异质节点，L表示连接特定节点（包括BS, H_o, GW, H_e的所有节点）的通信网络集合。该网络具有以下特征：(i) 如图1所示，网络被划分为区域1、2、3和4中的四个子网络。(ii) 区域4中至少有1个节点与区域3中的某个节点相连。(iii) 区域2中的WR与基站相连。(iv) 此时，WR与基站已建立连接，区域1中的每个节点均与BS相连。(v) 区域3和区域4中的所有节点均不与BS直接连接。

能量消耗
本研究中的能量利用技术如下：无线传感器网络（WSNs）的节点随机分布，且没有预设的位置。根据节点之间的间距，通信会导致节点大量能量损耗。两种类型的信息传输与收集均会消耗能量。因此，传输一个长度为（m）比特的数据包所需能量与传输距离相关：

   (1)

其中，E_TX 表示节点在数据传输过程中消耗的能量，发送和接收 1 比特数据的过程能耗为 E_elec，ε_fs 为自由空间模型下的能耗系数，ε_mp 表示多径衰落模型下的能耗系数，传输距离以交叉距离表示，其计算公式如下：

    (2)

接收节点接收一个 m 比特数据包所需的能量消耗确定如下：

    (3)

上述模型可用于确定簇头（CH）所消耗的能量。簇头消耗的能量主要包括三个方面：接收用户节点数据包的能量消耗、信息融合的能量消耗，以及将融合后的信息发送至无线接收器（WR）的能量消耗。其估算公式如下：

 (4)

成员节点数量用 CM_num 表示，E_DA 是聚合 1 比特数据所需的开销；数据包长度为 m。非簇头节点的集线器消耗的能量仅为向 WR 传输信息时的能量消耗，其数值公式如下：

    (5)

以下是计算第 r^th 轮剩余能量的完整方法：

 (6)

剩余的全部能量以四舍五入方式给出 E_tohR(r - 1），该轮次中存在的 CH 数量表示为 CH_数量(r），该 N_alive(r) 解决所提供网络在该轮中的总活跃节点数问题， E_Ch (i）表示能量利用情况 i^th CH 和 E_非CH(j) 表示非CH所消耗的能量j).

簇的选择
该算法利用节点到WR的距离以及能量所计算出的间距，来选择系统的主簇，从而限制簇中总簇头（CHs）的数量。具体方法如下：根据传感器节点（SNs）的适应度评分升序排列，将活跃传感器节点的簇划分为数量相等的子集，每个子集包含 m 个簇（其中 m 是期望的簇数量，等于 N/p，N 表示传感器节点总数，p 表示簇头所占比例）。在每个子集中，选择位置最接近中心的传感器节点作为第一个簇头。然后根据欧几里得距离，将每个节点添加到距离其最近的簇头，以形成初始簇。节点的适应度评分由该节点与基站（BS）之间的距离以及其剩余能量共同决定。

  (7)

其中，权重表示为 a₁，初始能量为 E_i，剩余能量表示为 E_r，节点到WR之间的距离表示为 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。

自优化狼群优化算法（SOWO）
簇头（CHs）通过SOWO算法进行选择。在狼群优化算法中，猎物的位置由三只狼（α、β 和 δ）的平均位置确定，如图2所示。考虑到基站（BS）与节点之间的差异以及剩余能量的空间分布，节点的适应度评分被视为灰狼优化算法的主要权重，该评分由公式（8）确定。猎物的初始位置根据公式（8）至（11）以及SOWO的优化技术进行计算。

    (8)

    (9)

    (10)

    (11)

狼群主要聚集的地方 α, β, 和 δ 是 ω_Iα, ω_Iβ，以及 ω_Iδ 分别为适应度评分的最佳值 α 狼是 F_α, F_β 和 F_δ 使用公式11计算得出。对应于三个最高适应度得分的各个节点为 α, β，以及 δ 狼群。所开发的协议不会改变灰狼优化算法的权重，因为节点的适应度评分在一次数据传输完成后才会更新。为了实现灰狼优化器的全局搜索能力，负载通过向量被主动调整。 A 和 D此处， A 表示系数向量，狼与猎物之间的距离为 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)^th 迭代

  (12)

 (13)

 (14)

 (15)

何处  指定位置 α 狼， β 狼，和 δ 迭代中的狼（t+1），这些位置  使用公式（15）进行计算。在迭代的最后阶段，簇头（CH）选择当前节点中距离猎物更近的节点。由于簇头的任务较为复杂，若剩余能量不足以完成任务，将导致节点终止运行。因此，选择剩余能量最大且距离猎物较近的节点至关重要。节点的剩余能量及其与猎物之间的距离被用作计算适应度评分的参数，以确定簇头。适应度评分较低的节点被确定为簇头。用于计算适应度值的函数如下所示：

  (16)

重量以以下方式给出时 a₂，节点的剩余能量表示为 E_x, E_最大 是最大残余能量，且 E_分钟 是簇节点中剩余的最小能量。捕食者与节点之间的距离为 d_p，d_Maxp 是检测节点与猎物之间的最大距离，以及 d_Minp SN 与猎物之间的最小距离。

自优化狼代理
软件代理监控并管理网络规模和节点网关。这些软件代理取代了传统的客户端与服务器，其在本地通信策略和代码迁移性方面存在差异。监控是理解管理系统的关键因素。鉴于其重要性，已有研究提出采用软件代理技术来监控网络拓扑中的节点网关。除了监控功能外，代理还负责更新网络节点列表。由于网络规模较大，该数据至关重要，可使自配置过程动态调整路由协议参数。在本研究背景下，上述特性是软件代理行为中最理想的一系列特征。无线代理被部署于网状路由器的客户端节点关联处以及路由器本身。为识别网络密度，代理会在小规模、标准规模和大规模三种层级上执行特定任务，并输出对应评分。这些代理构成了所提出协议自动设计能力的基础。它们负责验证网络行为，包括吞吐量、数据包丢失率、中断情况、吞吐量、空闲状态、动态与休眠枢纽节点，以及连接相关数据。网络代理稳定运行于网状路由器上，赋予所提协议自优化能力。通过在路由协议中嵌入自-X能力（如自优化、自配置、自修复和自安全¹⁹），可在网络远程组织中实现自组织特性。这些能力使路由协议具备自主性，从而提升网络性能、容错能力与安全性。下文将描述上述能力的实现方式，重点聚焦于自配置与自优化。值得注意的是，这些自适应功能已在网络层中作为标准路由协议服务的扩展来实现（补充文件 1）。

聚类集合（CS）
CS 是指网络中多个聚类的集合，聚类算法可用于将网络划分为不同的聚类。在本研究中，首次选定的聚类称为第一 CS，被视为当前理想的 CS，并计算当前最优 CS 的目标函数得分。改进型灰狼优化算法（MGWO）可任意调整当前最优 CS 中的所有聚类以生成新的聚类，大多数新生成的聚类构成另一个 CS；随后再次计算最新 CS 的目标函数得分。当当前最优聚类的目标函数得分高于新生成聚类的得分时，将新确定的聚类作为当前理想的 CS。最优 CS 在算法接近终止的最终阶段形成。目标函数定义如下：

(17)

其中，权重表示为 a₃，簇间空间总和表示为 d_TCH，簇头（CH）与基站（WR）之间的总体远程距离表示为 d_TBS。簇内距离以及簇头与基站之间的通信距离是远程监控和目标跟踪设计的基础。若目标函数得分较低，则表明所确定的簇头更为合理，该簇头在簇内位置理想，且与整个网络相比，簇头的配置更为优化。算法 2（补充文件 2）描述了 SOWO 算法的伪代码。

结果

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...

讨论

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,

材料

本文使用的材料清单

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