TEO-MCRP：基于热交换优化的无线传感器网络移动汇聚分簇路由协议

沙特国王大学学报TEO-MCRP：基于热交换优化的无线传感器网络移动汇聚分簇路由协议Sercan Yalçına，1，Ebubekir Erdemb，，2aAdiyaman大学计算机工程系，Adiyaman，02040，土耳其bFirat大学计算机工程系阿提奇莱因福奥文章历史记录：2021年10月24日收到2022年1月17日修订2022年1月17日接受2022年1月24日在线提供保留字：异构无线传感器网络热交换优化分簇与路由协议移动路径规划A B S T R A C T在无线传感器网络中，由于传感器节点具有连续的感知、路由和内部循环机制，其能量消耗非常快。特别是，靠近汇聚节点的节点消耗能量更快，导致热点问题。在这个方向上，鲁棒的分簇和自适应移动路由方法的发展是非常重要的，以确保能源效率的无线传感器网络。为此，一个新的移动分簇路由协议的基础上热交换优化（TEO）的启发牛顿的冷却定律，称为TEO-MCRP，异构无线传感器网络。在本协议中，提出了两种不同的算法用于簇头（CH）选择和移动汇聚（MS）路径检测，目标函数包括独立的拟合参数。以最小化这些目标函数的方式，利用TEO算法中的温度方程，对每一个移动轮进行有效的CH选择和MS轨迹确定。并行地，MS节点从所有CH收集数据，并将所有数据发送到基站（BS）。实验结果表明，该协议的性能优于其他算法.由于最大限度地减少了数据包的冲突和丢失，网络版 权 所 有 ©2022 作 者 。 由 爱 思 唯 尔 公 司 出 版 代 表 沙 特 国 王 大 学 这 是 CC BY 许 可 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍近年来，低成本、高效率、自组织、高可靠性的传感器技术的出现，为无线传感器网络的应用开辟了广阔的领域。预计它将在未来技术方面带来根本性的变化，在无线传感器网络的许多应用领域，如医疗服务，虚拟现实，智能监控，智能家居，机器学习，军事系统，人工智能和 智 能 交 通 系 统 等 （ Vancin 和 Erdem ， 2017; Yarinezhad 和Hashemi，2019）。在无线传感器网络中，传感器节点的电池电量往往有限，要长时间组网，就*通讯作者。电子邮件地址：aberdem@firat.edu.tr（E. Erdem）。1http//orcid.org/0000-0003-1420-2490。2http//orcid.org/0000-0001-7093-7016。沙特国王大学负责同行审查生活节约节点能量的最重要的技术之一是网络中的分簇和路由协议的发展。因此，规划能量感知的路由机制是节省节点电池的基本方法之一。此外，无线传感器网络分为两组所谓的同构和异构网络的基础上，他们的性质- ties。同构网络包含具有相同物理、软件和能量特征的节点，而异构网络由具有不同特征的节点组成。更有用的是执行异构网络的安装以平衡网络的能量和负载，并提供网络中节点的不同特征和能量消耗量。分簇是根据给定的特征对网络中的传感器节点进行有组织的分组。每个组被定义为一个集群;集群头（CH）在每个集群中可用，其负责集群成员并从其他集群成员节点收集数据并将其转发到静态或移动汇聚节点（MS）。MS可以充当基站（BS），或者BS可以是具有高级能力的不同设备。分簇在保证无线传感器网络能耗均衡方面是非常有效的。在这个方向上，CH通过防止所有节点参与数据传输来减少能量消耗，因为集群节点收集它们从物理区域获得的数据。与此同时，CHhttps://doi.org/10.1016/j.jksuci.2022.01.0071319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. Yalçın和E. Erdem沙特国王大学学报5334通过相邻CH或单跳通信将它们收集的所有数据传递到BS但是，由于离收集器节点较近的节点不断接收和发送数据，因此网络中会出现所谓的热点问题因此，使用汇聚节点既节省了CH过多的工作量，又节省了能量和时间。因此，网络的可扩展性增加，网络效率得到保持（Mostafaei，2019;Verma等人， 2018年）。根据无线传感器网络的应用要求，可以在网络中操作静态和/或MS节点。例如，对于重要而非私人的应用，如森林火灾、滑坡和火山喷发的探测，使用静态汇是合适的。另一方面，使用MS对于具有关键和机密数据并且在时间方面有风险的应用程序更有利，例如军事安全和监视。然而，在网络中使用MS提供了快速数据采集、能量消耗、分组传输和安全性的优点，但是在节点的拓扑变化和适当路由方案的设计方面，与静态汇点相比，使得监视和/或管理网络非常具有挑战性（Daas等人，2021; Mitra等人， 2021年）。在具有MS的WSN场景中，为了使源节点将环境中检测到的数据转发到MS，需要更新MS朝向源传感器节点或CH的位置。否则，数据准确地传输到目标节点可能会出现一些问题.在这种情况下，网络上的分组丢失率高，并且不能执行有效的数据收集。虽然在小规模网络中没有太大问题，但是MS在整个网络内的位置减少了节点的快速能量消耗，并且防止了大规模网络中的高业务负载。为此，制定适当的移动路由策略，要求MS更新其在无线传感器网络中的位置一直是研究人员关注的焦 点 （ Mohemed 等 人 ， 2017; Khan 和 Pathan ， 2018; Afsar 和Tayarani-N，2014）。在网格、树、簇、环等虚拟层次或群结构的网络中，路由协议需要计算多条动态路由，以提高MS的移动性。当MS移动时，网络节点还需要知道MS的新位置。不直接知道MS的位置的节点可以从更高层或更高级别的节点获知位置。基于这些原因，无线传感器网络中需要研究能量有效的分簇和路由策略.设计适当的方法，促进网络中的平衡能量消耗，并延长网络寿命（Thomson等人，2021; Vançin和Erdem，2017）。1.1. 动机与解决方案建议的研究集中在两个真正的目标：作出公平和节能的CH选择和汇移动性。预计CH的选择可以通过优化方法来解决许多方法使用文献中的优化方法。进化算法（Rangel等人，2019年），和谐搜索算法（HSA）（Singh和Kumar，2019年），禁忌中的粒子群优化（PSO）（Vijayalakshmi和Anandan，2018年）和鲸鱼优化算法（WOA）（Ahmed等人，2019年）用于为无线传感器网络提供能源效率，服务质量，覆盖区域和网络寿命之间的平衡。这些方法在理论和实践上都有效地适用于WSN集群和路由问题（Velusamy和Pushpan，2019）。然而，在CH选择和路由算法的设计中，通常没有考虑非常详细的分析和在每一轮网络中，以公平和能量有效的方式选择CH，实现路由中的最佳路由，对于延长传感器网络的生命周期具有重要意义因此，研究点的诞生是为了这些原因。采用一种多目标的方法来优化网络中传感器节点之间的能量平衡在本文中，各种适应度参数时，选择CH，包括一个节点的剩余能量和平均这里的重点是：哪个参数更重要;它是突出显示该参数。例如，如果我们想要选择具有节点的高剩余能量的节点作为CH，则需要将该参数乘以目标函数中然而，在本文中，所有的健身参数被认为是同样重要的。为此，在提出的基于热交换优化的分簇和路由协议（TEO-MCRP）中，所有适应度参数以均衡的方式进行组合，并建立目标函数。通过最小化该函数的方式，选择属于每个簇的CH。此外，在所提出的研究中，各种拟合参数，包括剩余能量的CH，到MS的因此，所有CH可以由MS行进，并且网络上的所有数据可以通过适当且鲁棒的移动路由来收集。为了解释本工作的工作计划，图中的框图。1介绍。传感器节点分散在网络区域中。根据推荐的TEO-MCRP方法对节点进行聚类。然后，根据不同的目标函数定义，CH选择和移动路由执行。MS从所有CH收集数据并将其发送到BS。之后，所提出的方法进行性能分析与现有的算法。最后给出了仿真结果。已经运行了各种模拟实验来显示建议的TEO-MCRP方法相对于其他工程的成功。模拟结果与几种可用 的 方 法 进 行 了 比 较 ： 基 于 遗 传 算 法 （ GA ） （ Nayak 和Vathasavai ， 2017 ），基于蚁群优化（ ACO ）（ Wang 等人，2018）和PSO节能集群和汇移动性（PSO-ECSM）（Sahoo等人，2020）算法。1.2. 本文的主要贡献主要贡献说明如下：a) 该方法利用多目的优化辅助方法，以提高寿命和平衡的能量消耗的无线传感器网络。b) 据我们所知，这是第一次研究利用热交换优化（TEO）技术在无线传感器网络的集群和移动路由。c) 在该方案中，节点的剩余能量和平均能量，到汇聚节点的距离，以及邻居的数量被定义为多用途的适应度参数的分簇，并提出了一个强大的无线传感器网络的CH选择方法d) 在所提出的方案中，MS的轨迹检测，各种健身参数，包括剩余能量的CH，它到MS的距离，并在一个集群中的节点数被考虑在内，自适应MS路径规划在无线传感器网络中进行。e) 基于异构和移动sink的无线传感器网络已经被创建。因此，一个更兼容的工作计划，真正的传感器网络应用程序已被考虑。文章的其余部分如下：第2节调查文献。第3提供了拟定的TEO-MCRP方法及一些信息。仿真实验得到S. Yalçın和E. Erdem沙特国王大学学报5335Fig. 1. 目前的工作计划。性能结果在第4节中讨论。第五节是文章的结尾。2. 文献调查在文献中，在随后的几年中有许多聚类和路由算法，从低能量感知聚类层次（LEACH）开始（Heinzelman等人， 2000）协议，该协议是为无线传感器网络设计的，并随机执行CH选择。然而，在本节中，我们主要介绍基于优化的最新工作，总结如下。在Almiani et al. （2010），作者提出了一种能量有效的数据收集和路由方法与无线传感器网络中的移动元素具有有限的路径长度。在这种方法中，他们首先定义了周期性Renewal数据收集（PRDC）优化问题。在此之后，他们提出了一个线性规划（ILP）来解决这个问题。然后，提出了一种基于簇的算法，该算法将WSN中的节点以均衡的方式分组为簇，使得移动单元能够完成其循环，使得每个簇中只有一个CH被循环，并递归地改进了问题的解决方案在Lin等人（2013）的文章中，提出了基于最短轨迹数据传输模式的具有MS的路由根据MS节点的位置和网络中普通节点的位置信息，可以计算出无线传感器网络中其他节点的坐标值他们提出的方法的主要目的是比较坐标值，以最短的方式在网络上传输数据Ming等人（2013）的作者通过向WSN添加移动性特征，提出了一种在该方法中，为了方便起见，将称为M-collector的移动数据采集器引入为移动机器人或配备有强大收发器和电池的节点。该移动节点周期性地从静态sink开始数据收集轮，当其穿过通信范围时与每个节点通信，然后直接从单跳通信中的节点收集数据，并且最后将总数据递送到静态sink。Asgarali et al. （2015）提出了一种模糊C均值（FCM）算法来确定CH的最佳数量和位置。已经观察到，在WSNs中使用FCM允许在算法 的 操 作 期 间 改 变 和 使 用 LEACH 协 议 参 数 在 Xuelian et al.（2015）中，作者提出了Bee-Sensor- C，这是一种基于蜂群动态聚类和觅食方法的节能可扩展多路径路由算法。Bee-Sensor-C是一种受蜜蜂营养特性启发的无线传感器网络通过展示一种动态的聚类方法，实现了检测区域附近的数据传输。该方法不仅降低了路由开销，而且增强了网络的可扩展性。作者在Rone等人（2016）考虑了具有移动能力的无人机作为MS，用于WSN中的数据收集和路由。由于作者知道无人机的电池资源有限，限制了飞行时间，因此他们考虑了从WSN收集的数据包的组合数量，以及WSN和无人机的能源成本。总的来说，在他们的工作中，他们试验了在WSN中检测数据收集和路由的最佳无人机轨迹。Brar等人（2016）提出了一种基于定向传输的能量敏感路由算法。该算法具有能量有效的传感器信息采集系统和动态源路由协议的所有特点。此外，遗传算法和细菌觅食优化的混合性质已被应用到所提出的算法，以发现最佳的能源效率的路径。在Shankar等人（2016）中，使用HSA和提出了一种基于粒子群优化的信道选择方法。该方案充分利用了HSA在Rao等人（2017）中，作者提出了一种基于PSO的CH选择方法。所提出的方法设计了一个有效的粒子编码和适应度方法。在所提出的CH选择中使用了几个参数，包括簇内距离、节点的剩余能量和汇聚距离。在Rao和Banka（2017）的文章中，已经提出了基于化学反应优化（nCRO）的聚类和路由算法来提出热点问题的解决方案。在分簇方法中，一个无线传感器网络被划分成不等的集群，这样就有较小规模的集群附近的汇和较大规模的集群远离汇。在Gupta和Jha（2018）的文章中，提出了一种用于CH分布的基于cuckoo搜索的高级聚类方法，以解决CH和sink之间的能量平衡节点聚类和路由问题。此外，作者提出了一种先进的和谐搜索为基础的路由方法之间的CH和汇的数据传输。Deng等人（2018）研究了多汇数据收集问题。为此，已经开发了一个在线算法与第一个二进制的方法。从理论上推导了该算法的竞争率，并找到了具有近似比的最佳汇点位置。在（Wen et al.（2018），已经提出了一种能量敏感路径生成算法，该算法创建数据收集路由并选择合适的数据收集集群代表。该算法基于当前数据采集代理到下一点的路径代价和传输节点的负载。在Cheng和Yu（2018）中，作者提出了一种具有多跳传输的移动数据收集方法，以减少数据收集中的延迟时间。他们在提出的方法中增加了一个有限的中继组合减少功能。由于这一特点，收敛区域的通信间隔的节点旅行，以减少访问地址的数量。该方法已经与路径调整机制协调地操作，该路径调整机制可以进一步缩短规划的行进路径。 Gu et al. （2018）提出了一种带时延约束的改进混合蛙跳算法。在该算法中，混沌技术被用来解决NP难问题并提出了一种自适应步长更新策略以提高收敛速度。此外，贝叶斯压缩检测（BCD）的数据收集方法已经开发。在求和节点的选择中，考虑了节点的剩余能量和它们到分布区域的中心被一起考虑。在Thair等人（2018）中，提出了一种基于PSO和GA的节能路由方法，用于云架构下的Vancin和Erdem的作者S. Yalçın和E. Erdem沙特国王大学学报5336我我2¼● ð - Þ●ð - Þð Þ我我我我.Σ（2018）提出了一种分布式节能聚类协议，该协议源自节能三级异构聚类方法（DEEC）。在该协议的能耗模型中，除了考虑传统分簇中的参数外，还考虑了采样阈值平衡阈值的影响。 在Darabkh et al.（2019），提出了一种具有能量敏感和基于密度的态度的聚类和路由算法，以收集无线传感器网络中的数据。提供了一个网络图，用于确定如何有效地将网络区域划分为无线传感器网络中的中继和路由方法。TEO中的温度概念反映了WSN中节点的交互特征（Mani等人，2020年）。冷却对象是指节点的位置，环境温度是指邻近节点。这些物体被假定为无线传感器网络中的传感器节点。因此，将节点定义为对象或反之亦然将是准确的解释。为了解释算法1，所有节点的初始温度被确定为等式1。（一）.大小相等的层和子层。在分割的子图层中，它将在列表中按降序排序的所有集群成员中旋转T0¼Tmin rndxMax -TminÞ ð1Þ基于CH的重量在Yalçın和Erdem（2019）中，针对异构移动网络提出了两种CH选择和路由方法该方法基于能量节点度、交互适应度和与 邻 居 节 点 的 距 离 ， 采 用 贪 婪 策 略 进 行 CH 选 择 Karthick 和Palanisamy（2019）的作者推荐了一种基于Krill herd算法的聚类方法。该方法克服了节点分布和能量敏感分簇等困难，实现了CH的最优选择 在Vijayashreeet al. （2019），提出了一种基于能量平衡聚类和人工蜂群的多MS节点数据收集方法。在该方法中，CH选择是基于节点的剩余能量，而本文考虑了三个阶段来提供MS平衡：最大化数据聚集、减少移动路由长度和优化网络稳定性。在Yalçén和Erdem（2020）中，为了防止网络中的数据包冲突和丢失，提出了一种新的移动路由规划方法，该方法通过为无线传感器网络提出优先级排序依赖非参数树（PoDNT）在该方法中，一个具有层次和依赖的无限树结构的拓扑，其中T0是节点i的第一个解向量。Tmin和Tmax是温度变量的极限。此外，rnd是任意向量，其中每个分量在范围[0，1]内。目标函数计算每个节点的成本值。本文提出了一种存储器，它分层存储最佳T向量和与这些向量相关的目标函数值，在不增加计算量的情况下，可以提高算法的性能。在这个方向上，热存储器（TM）被用来保存一些目前最好的解决方案。因此，在这一步，保存在TM中的解向量被转移到群体中。此外，不考虑相同数量的可用最差节点。最后，节点根据其各自的目标函数值以升序排序。节点被分成两个相等的组。这些节点对可以如图2所示。例如，T1是Tn 1冷却对象的环境对象，反之亦然。通常，当物体的b值较低时改变温度。受这一特点的启发，本文提出了一个类比.每个节点的值根据Eq. （二）、因此，较低成本节点的b值具有较低的值并且稍微改变节点位置。在节点之间提供强连接，要重新选择的祖先节点。成本节点成本节点ð2Þ表1给出了无线传感器网络中基于分簇和路由的一些最新工作的比较表2列出了拟议研究与其他研究的差异时间取决于迭代次数。每个节点的t时间值被计算为Eq. （三）、比较算法。Nayak和Vathasavai（2017）的作者提出了一种基于GA的聚类方法，该方法计算适应度功能有两个主要参数，以确保能量平衡。tNiterNmax-iterð3Þ该方法是一种基于进化原理和自然选择的概率搜索方法 Wang等人（2018年），作者提出了一种用于WSNs的路由协议，其中 Niter和 Nmax-iter分别定义了当前和最大迭代次数。环境温度由Eq.（四）、这里，c1和c2是控制变量。MS，考虑基于改进的Tenv¼1-c1c2x 1-txrndxTp-envð4Þ蚁群优化算法在该协议中，无线传感器网络被分成几个簇，我我Tp-env是更改为Tenv的节点的先前温度。每个簇中有一个CHCH之间的距离被带入ii经典的ACO算法。 然而，改进ACO算法用于MS节点与CH通信，从而产生移动路由约束。Sahoo等人（2020）提出了一种使用PSO方法的CH选择和MS路由协议。所提出的方法在网络中以多跳方式与MS路由一起执行数据收集3. 拟议的系统模型本文基于Winterton（1997）的传热定律和Winterton（1999）的牛顿冷却定律，并受到Kaveh和Dadras（2017）的优化方法的启发，为无线传感器网络设计了分簇和移动路由方案。3.1. TEO-MCRP：基于TEO的集群和路由协议本节的主要目的是使名为热交换优化（TEO）的元启发式方法适用于俱乐部。已知1t通过接近最后的迭代来减少随机性。随着过程接近其结束，t增加，导致随机性线性减小。● c1检查随机步长的大小。此外，当不使用下降过程（c2= 0）时，c1包括c2控制1 t。例如，在不需要减少的情况下，这可以被认为等于零。其中，C= 0（c1=c2= 0）的情况下，先前的温度乘以与以前的步骤和Eq.在等式（4）中，根据等式（5）确定每个节点的更新温度。（五）、Tnew¼TenvTprev-Tenvexp-bt5（0，1）中的Pr参数确定是否应替换每个节点的组件。对于每个节点，将Pr与rndii<$1; 2;···;n进行比较，rndi i <$1; 2;··· ; n是均匀分布在（0，1）中的随机数如果rnd iPr，则节点i的维度被随机选择，并且其值被重新确定，如在等式（1）中。<（六）、b¼S. Yalçın和E. Erdem沙特国王大学学报5337表1无线传感器网络中基于分簇和路由的研究比较参考编号方法名称目标性能属性主要结果研究缺陷（Almiani等人，（2010年）（Lin等人， 2013年度）定期Renaissance数据收集（PRDC）MS路由算法递归地改进聚类问题的解决方案。最小化传感器节点寻找最短的路每个阶段计算每个移动元素的游览长度是有限的。能耗性能度量是网络无线传感器网络中的其他节点有限和分析结果（Ming等人， 2013年度）数据收集方法一种新的数据收集方法使用移动采集器不足利用静电汇，能量（Asgarali等人，（2015年）模糊C均值算法对于大型网络确定最佳延长网络的生命周期，效率没有太多的分析算法社区卫生服务中心的数量和位置与LEACH算法的比较与其他方法的区别，除了LEACH。（Xuelian et al.，（2015年）（Rone等人，（2016年）蜜蜂传感器-C无人机数据之一种节能的可扩展多路径路由算法被认为是一架无人机，实现了在探测区域附近的数据传输减少了路由开销，增强了网络的可扩展性数据收集由于它与其他方法的不同，目前还没有对它的延迟和数据包转发等性能进行详细的分析。路由处理;收集作为MS用于数据收集和路由和无线传感器网络聚类和高效数据通信不（Brar等人，（2016年）定向传输-无线传感器网络中节能收集获得最佳能效考虑了路由处理;（Shankar等人，（ 2016年）能量敏感路由算法HSA和基于PSO的方法传感器信息系统与动态源路由协议利用HAS的提高了粒子群算法在无线传感器网络中的路径延长了网络节点没有考虑集群和有效的只关注CH选择，不进行能量消费和端到端（Rao等人，（2017年）CH选择方法基于设计一个高效的节点的剩余能量，以及sink延迟聚类处理;（Rao和Banka，2017）PSO化学反应粒子编码适应度法提供解决方案，距离用于CH的建议选择。剩余能量，网络寿命，没有考虑路由和有效的延迟和数据包传输基于优化（nCRO）点问题活动节点数、数据包数未考虑（Gupta和Jha，2018）分簇路由算法基于Cuckoo搜索提供解决方案，由BS接收，以及收敛速率。计算平均能量延迟和数据包传输（Deng等人， 2018年）基于分簇和协调搜索的路由数据的在线算法能量均衡的节点分簇和路由为了解决数据收集消耗，存活节点的数量，死亡节点的数量和网络寿命。找到最佳水槽位置，未考虑使用多个接收器中的多个接收器收集无线传感器网络问题近似比增加了成本（Wen等人，2018年）WSNs能量敏感路径创建数据收集路由延长网络寿命，延迟和数据包传输（Cheng和Yu，2018）生成算法（EAPC）移动数据收集并选择合适的数据集合为了减少延迟时间，能耗缩短了计划中的移动出行未考虑不注重能源方法数据收集节点，算法在行进路径、延迟时间、网络寿命和缓冲区大小要求。消费与集群（Gu等人， 2018年）（Thair等人， 2018年）基于改进蛙跳算法和贝叶斯压缩检测的数据采集方法一种集中式路由协议给出了一种自适应步长更新策略以提高收敛速度负载均衡的集群表，在SDN下创建大规模节点的剩余能量和它们到分布区域中心的距离被一起考虑。防止簇头和所有节点的大量能耗，一般通过调度整个网络不关注能耗和数据包交付不关注集群和准确的数据传输（Vancin和Erdem，分布式节能云架构抽样的影响显著增加了传感器无移动节点和详细2018年）分簇协议阈平衡阈网络寿命。性能分析（Darabkh等人， 2019年度）能源意识和密度-考虑到能量敏感和密度-提供了一个网络图，延迟和数据包传输基于集群和中继协议（EA-DB-CRP）基于态度的数据收集方法，WSNs确定网络区域的效率。延长网络寿命，降低能耗。未考虑（Yalçın和Erdem，信道选择和路由获得高效的移动获得了高效的移动轨迹采用贪婪的方法2019年度）方法轨迹和CH选择基于能量节点度S. Yalçın和E. Erdem沙特国王大学学报5338（Karthick和Palanisamy，2019年）磷虾群算法节点分布和能量-敏感聚类最优CH选择聚类分析已经做（接下页）S. Yalçın和E. Erdem沙特国王大学学报5339表1（续）参考编号方法名称目标性能属性主要结果研究缺陷（Vijayashree等人， 2019年度）（Yalçın和Erdem，利用人工蜂群算法进行数据采集优先级顺序依赖能量均衡聚类获取具有最大化数据聚合，减少移动路由长度，优化网络稳定性。提供一个强大的连接之间的未考虑该算法消耗一个2020年）无线传感器网络的非参数树层次依赖无限树结构节点，允许重新选择祖先节点。很多时间表2与其他比较算法的不同之处参考编号方法名称目标性能属性主要结果研究缺陷Nayak和Vathasavai（2017）遗传算法确保能量平衡延长网络寿命。对于它与其他方法的区别，除了Wang等人（2018年）基于ACO提高网络效率，找到了最佳移动轨迹LEACH。所提出的基于ACO的方法具有Sahoo等人（2020年）拟定研究方法PSO-ECSM方法TEO-MCRP使用ACO算法减少CH之间的距离以多跳方式与网络执行有效CH为移动汇，实现能源效率。改善稳定期、半节点失效、网络生命周期和吞吐量提高网络寿命，与很少的方法进行比较，没有多个性能指标未考虑延迟和数据包传输速率sink移动性对网络无线传感器网络中的移动台选择和移动台数据包传输速率，降低能耗和端到端延迟由于本工作图二. 传热组和冷却及环境节点对。Ti;j<$Tj;minrndxTj;max-Tj;min6定义了用于CH选择的TERS。适应度参数是其中Ti;j 是节点i的变量j。不j;min 和Tj;max 是较低用于延长网络寿命和减少能量消耗的兼容性因素因此，适应度参数是有效的和变量j的上限。只有一个尺寸是改变以保持节点的结构。该系统的优点是节点可以在搜索区域内移动，并获得更好的多样性。利用目标函数，经过多次迭代，优化过程得以完成.如果没有找到合适的CH，则目标函数计算下一轮迭代的节点3.2. 建议方案在CH选择中。适应度参数的描述如下。i) 传感器节点的剩余能量其中一个适应度参数是Fres。节点i的剩余能量之比的和与Eri和网络的总能量Et相关联。需要计算每轮每个节点的剩余能量。以这种方式，在网络中实现平衡的能量消耗。该参数的计算如方程式所示。（七）、nFres¼XErið7Þ目标函数的任务是根据算法中温度的变化将代价最小的节点分配为CH，并使用不同的适应度参数来提高网络性能。在这个方向上，各种健身参数-i¼1Et其中n是节点的总数具有低Fres的节点增加了选择CH的概率。S. Yalçın和E. Erdem沙特国王大学学报5340X1¼英寸avgiþþX¼ð Þ我Xii) 节点的平均能量另一个适应度参数是节点的平均能量Favg该参数指示具有高初始能量的节点Favg通过等式计算。（8）并归一化为0和1之间的值。这里Ei是节点i的剩余能量。nF E8ni¼1iii) 节点与MS的距离另一个适应性参数是节点与MS的距离（Fdist）。更因此，有必要采取这一算法1：所提出的用于WSNs的基于TEO的聚类1：输入：Niter1/40;c1;c2;Pr2：输出：Cc set3：对于i= 1到n，4：根据等式2初始化节点。（1）5：更新技术备忘录第六章：创建相等的群集7：while（Niter≤Nmax-iter）8：根据等式计算b和t。（2）和（3）。9：Niter ;10：结束时十一日：根据等式更新环境值。（四）12：根据等式11更新温度值。（5）和（6）13：使用等式13确定目标函数（十一）十四日：确定（Fobj（T新的目标参数作为基础，以便更精确的目标函数新我新可以计算。Fdist在等式中给出。 （九）、15：最小值 （Fobj （Ti中文（简体）ÞÞ16：如果nimin（Fobj（Tnew））的F obj（Tnew），则我n个新我新F区dnitoMSdnavgitoMSð9Þ17：min（F obj（TiF obj（T i）n i的最大值18：CHi←ni1/119：Cc/Cc[CHi]其中dnito MS和dnavgito MS是欧几里得距离，节点i到MS的平均距离。假设节点根据GPS（全球定位系统）知道它们的位置，n定义节点的总数。节点与MS节点的距离越小，该节点越有可能是CH。iv) 节点的邻居另一个适应度参数是集群中节点随着集群中节点数量的因此，在CH选择中，有必要考虑节点周围的邻居的数量。由方程式（10）中，给出了表示节点的邻居数目的适应度参数Fneig20：如果结束第二十一章：端22：返回Cc set3.3. 所提出方案所定义的MS路径检测目标函数的任务是根据算法中的温度变化使用各种拟合参数来更新MS到CH的准确路径，并找到最小代价的方法来提高网络性能。为此，各种适应性参数用于MS路径检测。PNCLdði;jÞncl适应度参数是有效的相容性因子F阴性¼i/1;j/1ð10Þ在MS路由中，通过延长网络寿命、降低能耗消耗，并确定尽可能短的路径其中d i;j表示节点i和j之间的距离，ncl为集群中节点的数量。该参数也应该被最小化，以便可以进行最佳CH选择最后，将目标函数与适应度参数相结合，计算公式如下：（十一）、Fobju ωFresc ωFavgd ωFdist# ωFneig11其 中 u;c;d 和 # 加 权 系 数 乘 以 拟 合 参 数 ， 并 且 它 们 的 和 为 1（u;c;d+#= 1）。这里，F_obj的值应该是最小的，使得最适当的CH可以进行选择并且可以改善网络寿命性能。所提出的基于TE0的CH选择算法在算法1中呈现。对于n次，节点根据Eq. （1）TM已更新。在迭代次数达到最大迭代次数之前，根据下式计算b和t：于等式（2）和（3）。然后，环境（邻居）节点是根据Eqs. （4）、（5）和（6）。最后，它的目的是找到根据方程确定的目标函数的最小值（十一）、 作为算法1的输出，具有最小成本的温度的节点（min（F obj（T new）被分配为CH，并被包括在（C c/Cc[C i]）中：i) CH的剩余能量在使用算法1选择CH之后，所有CH的剩余能量以升序列出。这个适应性参数被定义为首先包括MS路径中具有最低剩余能量的CH。适应性参数之一Fresm与分别为CH节点i的剩余能量和总数定义的Ech-ri和Ncl相该参数对于在网络中以平衡的方式消耗能量是必要的。该参数的计算如方程式所示。（十二）、此参数越低，当前CH将成为MS的下一个目的地地址的机会就越高。NclFresm²Ech-ri12mm1/1ii) CH与MS另一个适应性参数是CH到MS的距离（Fdistm）。靠近MS的CH可以更有效地将其数据传递到MS。因此，也应将此参数作为依据S. Yalçın和E. Erdem沙特国王大学学报5341X¼区X1/4fg我obj我我我我MMMM图三. 拟议计划的方法。从而可以进行更公平MS路由。Fdistm在等式中给出。（十三）、NclMS节点知道每个CHi在C_c集合中的位置。图3以流程图的形式示出了本工作的方法。在节点被分配到网络后，如图所示。 3、CHFmd CH i to MSi/21davgCHi to MSð13Þ根据CH选择目标函数和算法1来选择。接下来，第一CH被分配为MS的路径开始。MS轨迹R_mob通过将CH分配给哪里Ncl是的总number的的CH，dCHito MS，davgCHi toMS是CH节点的距离和平均距离分别为MS。F_dist_m的较低值指示当前CH_i是MS的下一个地址的候选者iii) 群集中的节点数另一个适应度参数是网络中集群中的节点数量。集群越密集，集群消耗的能量就越高。因此，该参数也应该被最小化，使得沿着MS轨迹消耗的能量可以被减少。Fcmm在Eq. （十四）、这里，Ncm=CH节点i的集群成员节点NclFcmm²Ncmcm ²14mm1/1最后，将目标函数与适应度参数Fm组合，计算公式如下：（十五）、算法2和MS路由目标函数。计算每轮网络中的存活节点数。回声数据包不会被发送到消耗其能量的死节点，并且它们与网络的通信被切断。这些过程继续，直到能量模型中描述的每一轮的总能量耗尽。算法2：提出了基于TEO的无线传感器网络移动路由算法1：输入：Cc set2：输出：MS路径规划（R_mob）4：执行算法1 5：对于i= 1至N，第六章：计算Eqs（12）、（13）和（14）7：使用等式7确定目标函数（15）8：确定（F对象（T新的目标）9：min（F objm （Tnew←FobjmTnew10：如果CHimin（Fobjm（Tnew））的F obj m（Tnew），则FωFωFωFð15Þ我是新我是新objres距离厘米11：min（F obj（Ti中文（简体）（TiCH i的宽度其 中，u 、c 和 d 加 权系 数乘 以适 应度 参 数， 并且 它 们的 和为（u∈c∈d= 1）。这里，Fobjm的值为了找到最佳的MS路径，提高网络性能，应该使MS路径最小化。所提出的基于TEO的MS路由算法与算法2一起给出。在算法2中，在运行算法1之后，使用min（Fobjm（Tnew））来发现CHi的下一跳，找到MS轨迹Rmob。12：CHi←ni13：Cc^Cc-CHi14：CH i的检测下一跳，6i，1Si证明1：如果节点i仅将传输数据，即，如果节点i是标准集群成员节点，则根据等式（1），ndi=Si （十九）、因此，它根据等式1被计算为Er1/2 ETX