基于HABC-MBOA算法的无线传感器网络能量效率优化研究

沙特国王大学学报基于HABC-MBOA算法的无线传感器网络Bandi Rambabua，A.Venugopal Reddyb，Sengathir Janakiramanc，aCSE系，CVR工程学院，Mangalpally，Telangana 501510，印度bJNT University，Hyderabad，Telangana 500010，IndiacDepartment of IT，CVR College of Engineering，Mangalpally，Telangana 501510，India阿提奇莱因福奥文章历史记录：收到2019年2019年11月20日修订2019年12月13日接受在线预订2019年保留字：人工蜂群蝴蝶调节器员工调整蜜蜂阶段簇头A B S T R A C T能量效率被认为是无线传感器网络（WSNs）中最潜在的问题，因为它们包含有限大小的电池，无法充电或更换。为了在保证网络服务质量的前提下延长网络的生命周期，需要优化利用传感器节点的能量。针对分簇过程中簇头的优先选择问题，提出了一种基于混合人工蜂群和君主蝴蝶优化算法（HABC-MBOA）的簇头选择方案。本文提出的HABC-MBOA算法用MBOA的变异蝶形调整算子取代了ABC的雇员蜜蜂阶段，通过保持开发和探索之间的权衡，防止了早期陷入局部最优点和延迟收敛。提出的HABC-MBOA算法在消除ABC算法对全局搜索潜力的不足方面发挥了锚点作用。该算法还消除了簇头节点超负荷的可能性，避免了在部署无效簇头节点时传感器节点快速死亡的可能性。仿真结果证实，网络中的存活节点的数量被确定为18.92%优于基准簇头选择方法。©2019作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍基于无线传感器网络的生命周期，网络拓扑的质量被认为是可靠的量化。该网络生命周期通常受到网络的某个显著数量的传感器节点由于能量耗尽问题而到期的时间的影响（Jia等人，2016年）。拓扑控制问题是WSN中主要关注的问题，因为它在延长网络寿命和最小化通信中涉及的干扰程度方面起着锚定作用（Gautam和Pyun，2010）。在此背景下，聚类机制的特点，启发了层次*通讯作者。电子邮件地址：rambabubandi@gmail.com（B.Rambabu），j.sengathir@gmail.com（S. Janakiraman）。沙特国王大学负责同行审查制作和主办：Elsevier拓扑控制算法被确定为是重要的和常用的。确定簇头节点的选择，是分 层 拓 扑 控 制 算 法 不 可 或 缺 的 一 部 分 （ Murugaanandam 和Ganapathy，2019）。在过去的几十年中，提出了各种各样的聚类过程拓扑控制算法。其中占主导地位的是LEACH簇头选择技术，其具有以线性方式随机选择簇节点的潜力，其中能量均匀分布到整个网络的传感器节点（Krishna和Doja，2011）。LEACH的这一显著特性提高了整个网络的生命周期。然而，传感器节点之间能量的均匀分布导致传感器利用的剩余能量的更大不平衡，从而导致节点在较早的时间段死亡。此外，通过包括模拟退火（SA）的益处来实现选择最佳簇头节点的目标，提出了称为集中式LEACH（LEACH-C）的LEACH的增强版本（Ahmad等人，2014年）。在这种情况下，将元启发式算法引入到簇头选择过程中被认为具有很强的适应性和必要性。簇头选择问题也被确定为NP完全问题https://doi.org/10.1016/j.jksuci.2019.12.0061319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com1896年Rambabu等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）1895- 1905（Bharathy和Rao，2019）。此外，人工蜂群优化（ABCO）被认为是近年来流行的方法，当它被引入用于完成选择簇头节点以生成主要结果的任务时，具有引入有效性的附加能力（Jawhar和Agrawal，2011）。然而，作为独立算法的ABCO方案面临着与延迟收敛和将解决方案捕获到局部最优点相关的挑战（Singh和Lobiyal，2012）。这些ABCO方法缺乏在为簇头选择而调用的搜索过程期间维持利用和探索之间的偏差。因此，基于ABCO的簇头选择方案是理想的探索或开发，但不是两者兼而有之。 因此，将局部或全局元启发式方法集成到它们中的需要对于维持簇头选择过程中的探索和利用速率是必不可少的（Wang等人，2017年）。在这个时候，Monarchy ButterflyOptimization Algorithm（MBOA）、Harmony Search Algorithm、Bacterial Foraging Optimization Algorithm和Artificial ImmuneSystem Optimization Algorithm等局部优化技术被认为有可能将其与用于簇头选择的基线ABCOA算法集成（Arora and Singh，2017）。提出了一种基于混合人工蜂群和Monarchy Bottom Optimization算法（HABC-MBOA）的簇头选择方案，以便于在分簇过程中有效地选择簇头。该算法利用MBOA的变异蝴蝶调整算子（BAR）对经典ABC的雇员蜜蜂阶段进行了改进，以防止解过早陷入局部最优。它也是有效的，在处理延迟收敛的问题，保持开发和探索之间的权衡。通过引入一个改进的算子，该算法有效地提高了ABC搜索过程的多样性。通过改变传感器节点的数量、用于实现的迭代次数和相应的sink位置，使用吞吐量、能耗和网络寿命对所提出的HABC-MBOA方案进行了模拟实验到传感器节点。1.1. 动机簇头选择问题被认为是一个重要的问题，因为它是平衡网络中的能量消耗的关键。频繁的簇头选择也是另一个需要高度关注的问题，因为簇头的选择通常会导致能量不平衡和最小化网络寿命。大多数簇头选举机制在维持资源利用和资源探索之间的平衡方面都不具有可持续性。在这种情况下，局部搜索和全局搜索算法的集成被认为是潜在的，以保持开发和探索之间的平衡程度。在该方案中，局部搜索ABC和全局潜在的MBO相结合，实现潜在的选择在网络中的簇头，以提高网络的生命周期。1.2. 论文的主要贡献本文的主要贡献如下：i) 在所提出的HABC-MBOA中，基于在每一轮实现中确定的ABC的位置和速度来更新ABC的普通性ii) 传统的ABC算法作为一个独立的实体，无法探索搜索空间的可能区域，因为它面临着高维优化的挑战因此，在本发明中，具有高搜索计算重要性的MBO的利用有助于在考虑所有现有解之后产生产生新解的解。iii) MBO的缺点是在搜索过程中仅限于特定的区域。ABC算法克服了目标优化的问题，在开发和探索的过程中，尽管面临目标优化的问题，但它从一个区域过渡到另一个区域以寻找最优解，并导致更多的时间达到局部极小或极大值。iv) 因此，建议的混合HABC-MBOA方法结合了显着的搜索效率的目标结合ABC的动态特性。2. 相关工作提出了一种基于粒子群算法和模糊算法的簇头选择算法，以延长网络生命周期（Ni例如，2017年）。该算法利用粒子群优化算法的优点，根据地理位置信息进行初始分簇。然后，它包括改进的粒子群算法来确定潜在的簇头节点从分层拓扑网络。认定以提高网络的生命周期，降低传感器节点的死亡率。然后，提出了一种集成的模拟退火和基于差分进化的簇头选择方案，用于为分簇过程选择最优的簇头节点数量（Potthuri等人，2018年）。该集成方案主要集中在防止簇头节点过早死亡，以达到延长网络生命周期的目的。与LEACH算法、和声搜索算法（HSA）、改进的HSA算法和差分进化算法相比，该算法具有70%、50% 、 40% 和 60% 的 优 势 。 提 出 了 一 种 增 强 型 人 工 鱼 群 算 法（EAFSA），用于通过有效的簇头选择过程最小化网络的整体能耗（Sengottuvelan和Prasath，2016）。该算法利用鱼群觅食特征提取可能的特征数量，从而实现对簇头的优势选择。它包括评估和验证传感器节点的资格，对他们的簇头转换的适应性。它也被确定为是显着的遗传算法和变异LEACH为基础的簇头选择方法。提出了一种基于ABC的簇头选择算法，基于多目标适应度函数的估计提高构建的聚类的有效性（Mann和Singh，2016）。这种基于ABC的方案利用最小跳数的标准来提供潜在的数据传输。它被确定为减少平均能耗，提高吞吐量，分组投递率和网络寿命。提出了一种集成的基于PSO和ACO的聚类方案，以有效地提高数据和能量耗散率（Kaur和Mahajan，2018）。它利用原始参数的剩余能量和簇内距离的适应度函数，帮助实现卓越的数据聚合过程的制定该算法利用传感器节点的多维特征对其重要性进行评估，从而确定其在网络中的簇头角色它还证实了与其他考虑用于调查的群体智能方法相比，网络寿命的显着提出了一种基于Tabu和PSO的综合簇头选择方案，通过选择潜在的传感器节点作为簇头来实现网络中的能量平衡（Vijayalakshmi和Anandan，JMINC¼CMaxB. Rambabu et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1895-190518972018年）。该算法利用了一个基于剩余能量、节点间距离和节点与基站间距离的适应度函数。与经典的粒子群算法、蚁群算法和基于ABC的簇头选择算法相比，该算法具有显著的然后，提出了一种改进的基于Cuckoo和Harmony搜索的簇头选择方案（CHS-CHSS），用于平衡节点能量，重点是改善网络寿命（Gupta和Jha，2018）。这种CHS-CHSS使用了一个潜在的目标函数，集中在均匀分布的簇头。在簇头和基站之间采用改进的谐波搜索算法来实现重要数据的路由。在基于活节点百分比、网络寿命、死节点百分比和能量消耗进行的评估中，估计该算法优于ACO和PSO方法。提出了一种集成的基于谐波搜索算法和粒子群优化（HSA-PSO）的簇头选择方案，用于实现具有快速收敛速率的全局搜索（Shankar等人，2016年）。该HSA-PSO方案结合了HSA的动态潜力和PSO的显着搜索效率的过程中，确定有能力的传感器节点作为簇头在网络中。该算法的吞吐量和剩余能量分别提高了83.21%和29.14%，优于独立的PSO和HSA算法。它也被确定为有效的平衡网络的能量效率，以提高网络的生命周期的目标。提出了基于FireFly优化循环冗余（FFOCR）的簇头选择方案，用于通过潜在能量平衡来提高网络寿命（Baskaran和Sadagopan，2015）。它被确定为在独立萤火虫算法施加的偏差的搜索区域的准确探索中是重要的。与LEACH、C-LEACH、TL-LEACH方案相比，FFOCR的性能被认为提高了9.76%的能量效率，平均丢包率降低了10.21%此外，还提出了基于萤火虫循环灰狼优化（FFCGWO）的簇头选择方案，以稳定能量，从而提高网络寿命（Murugan和Sarkar，2018）。该算法利用基于时延最小化的适应度函数，减少了节点间距离和能量，实现了理想的簇头节点选择过程。它被认为是潜在的超过现有的独立ABC和FF与FCR计划，因为搜索空间的簇头选择是缩小了取决于传感器节点网络中提出了一种基于综合果蝇和萤火虫群算法（FFGWSA）的簇头选择，以延长网络寿命并提高能效（Dattatraya和Rao，2019）。这种FFGWSA被认为是改进的，由于它的能力，在平衡程度的探索和exploitation确定在网络中的簇头。然而，这种改善还不够大。然后，提出了基于Krill Herd和遗传算法的簇头选择方案，以充分提高勘探和开发之间的平衡程度（Karthick和Palanisamy，2019）。KH-GA算法的结果证明了它的潜力，网络寿命和能源效率。然而，文献中现有方案的主要局限性是i) 在混合现有生物启发算法以识别潜在解的过程中，维持开发和探索之间的折衷的能力没有最大化。ii) 现有的生物启发算法所保证的能量平衡不足以提高或维持网络的生命周期。上述限制形成了所提出的ABC-IMBO簇头选择技术的制定背后的基础和动机。3. HABC-IMBO簇头选择技术ABC-IMBOA算法继承了ABC算法和IMBO算法的基本特征，在簇头选择过程中保持了簇头的开发和探索程度。最初，ABC和IMBO算法的混合此外，目标优化算法具有潜力，在一个完整的搜索空间，以一种有效的方式，促进快速的全局优化过程。然而，本地搜索或利用似乎是漫长和时间昂贵的，因为更新运营商随机使用利维航班。类似地，由于延迟收敛的问题，与搜索空间的探索相比，在所提出的HABC-IMBO簇头选择方案中，预处理步骤是在传感器节点随机分布在感测区域后启动的首先，基站将Hello消息广播到以特定能量水平存在的节点的完整集合然后，每个传感器节点通过估计接收信号强度（RSS）计算该计算有助于选择用于建立与BS的通信的确切功率电平，使得其基于谱聚类的过程来估计节点的不同位置。在该方案中，基站采用谱聚类的方法构造传感器网络的图模型。3.1. 初始化阶段最初，传感器网络与这种具有其固有的簇头选举的簇构造在这种情况下，网络的每个单独的传感器节点的位置被评估用于基于“D”维度的簇头选择过程，其使用等式（1）来（一）以维持勘探和开发之间的平衡。 它的实施容易和高质量，以实现快速iJjMIN randMax -C最小值为100收敛，有可能从局部极小点逃逸。为了提高传感器网络的能效，提出了一种使用Moth火焰优化的簇头选择方案（Mittal，2018）。该CH选择方案使用飞蛾火焰的搜索潜力来确定传感器网络中高度可能网络中的传感器节点的网络寿命和能量被确定为提高与基准算法看齐。其中，C jc j被认为是下限和上限通过3.2. 员工蜂调整阶段在该雇员蜂调整阶段中，每个雇员蜂被分配给每个传感器节点以用于确定新的传感器节点。Ji;j最好的;j;i最好的;ji;j1898年Rambabu等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）1895- 1905传感器的位置，利用Levy飞行或突变算子。Levy飞行或变异算子的这种利用又取决于两个重要的控制因素，即控制限制1和控制限制2。这些重要的控制因素在全局搜索过程中起到了微调开发和探索程度以增强多样性的锚点该雇员蜂调整阶段主要用于更新在D维向量中表示的传感器节点的位置其中，Ct 1是传感器节点C i在时间t 1的“第j”位置，其描绘了传感器节点的位置，当C t是“第j”位置时，传感器节点C的“第j”位置最佳在上一代t.这个C t 表示最佳传感器节点在基于等式（1）导出的网络中可用的传感器节点的完整集合中的位置。（3）当rand变量的值大于limit1时。C t10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000ð2Þ如果randPlimit1，则rd¼round循环次数为NSωrand循环次数0：5参数列表人工蜂群优化1.传感器节点数（NS）2.最大回合数（MNR）3.待优化的传感器节点尺寸4.每个传感器节点的下限和上限1.员工和员工蜂的数量等于NS的数量2.最大回合数（MNR）3.每个传感器节点的适应度评估初始化Round = 1Round = Round +1员工蜜蜂调整阶段（君主蝴蝶优化算法-MBOA）最好的;j适合度概率的计算适合度概率=单个传感器节点的适合度/传感器节点的适合度总和）ABC的旁观者蜜蜂阶段确定最佳值传感器直到MNR？1.基于适应度概率选择传感器节点2.生成新群集3.评估新选择的传感器节点的适合度概率4.If（旧簇头的适应性概率新选择的簇头的适应性概率）5.然后用新选择的簇头替换旧的簇头优化的簇头选择ABC的Scout Bee阶段图1.一、所提出的基于HABC-MBOA的簇头选择方案的流程图不JJ不i;jJ¼fi;ji;jB. Rambabu et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1895-19051899如果rand变量的值小于limit1，则最优簇头的位置基于等式2来确定。（四）3.4. 侦察蜂阶段雇员蜂阶段转换为侦察蜂阶段C t100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000： 5ωrandω-C-CÞ如果兰特当解向量（传感器节点的集合）从未出现时，i;jrd;j最差;jr2;j最好的;j簇头节点。 在这种情况下，员工蜜蜂阶段需要<限制为14另一方面，如果随机选择的传感器节点的适应度值大于控制变量limit2，则基于Eq.（五）迭代地评估传感器节点的适应度，当量（10）分簇过程中簇头的选择过程。C i¼C j随机数0; 1 <$ω <$C-CÞð 10ÞC t100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000： 5ωrandω-C-CÞ ð5Þj MINMaxMINi;jrd;j最好的;jr3;j最差;j这个侦察蜂阶段被迭代，直到最大数量的在这个时刻，Levy飞行步骤是从MBOA中导出的，具有较低的执行概率，以最小化对开发过程的影响。此外，考虑到执行已分别通过控制限1和控制限2参数的测试，采用BAR参数进行随机验证。然后，Ct 1的值基于等式（1）中表示的参数确定性地改变。（六）Ct1Ct1wfωwsk-0： 56循环在以最优方式估计最大代数方面是足够有效的。此外，一个限制因子也被用来确定显着的世代的数量，直到传感器节点的效率没有提高作为簇头节点。这种限制因子的利用在从传感器节点的完整种群中识别较差的传感器节点以防止它们被选为簇头节点方面起着至关重要的作用。4. 模拟结果和讨论wskLevyct7使用MATLAB R2015 a进行的仿真实验，所提出的HABC-MBOA-CHSS方案的性能进行评估。仿真环境用于实现wMWdt2ð8Þ最后，所提出的HABC-MBOA-CHSS 方案由随机分布在大小为400*400平方米的地形区域中的1000个传感器节点该网络的基站被认为是其中，在此背景下，Wsk是被考虑用于改进所提出的方案的调整蜂阶段中的蝶形调整算子的Levy Flights3.3.蜜蜂阶段本阶段的员工蜜蜂阶段在员工蜜蜂调整阶段之后启动。在该阶段中，使用雇员蜜蜂阶段从网络提取的最大量的信息（诸如剩余能量、簇头之间的距离、基站和簇间距离）被传送到网络的所有传感器节点。传感器节点需要传播与其位置和传感器节点的位置坐标相关的更新的适应度值。蜜蜂阶段还调查每个传感器节点所拥有的信息，并基于概率PFIT选择合适的传感器节点。Fitnessval i不不不不P被认为是位于网络的中心网络的初始能量为0.5，自由空间模型的能量为10 pJ/bit/ m2。此外，功率放大器的能量被设置为0：0013pJ/bit/m2，发送器能量被设置为50 nJ/bit/m2，并且数据聚合能量被设置为5 nJ/bit/signal。开发的CH选择执行了2000轮。用于实现所提出的HABC-MBOA和基准FFCGWO、FFOCR和HSA-PSO簇头选择方案的仿真参数如表1所示。在该模拟研究中，在不同数量的传感器节点和宿位置下，使用多个存活节点、死节点、平均吞吐量、平均剩余能量、网络寿命和通信开销来评估所提出的HABC-MBOA-CHSS方案（Shankar等人，2016年）。仿真研究已经调查了上述参数，因为无效的簇头选择过程完全减少了存活节点的数量，平均剩余能量，网络寿命，同时增加了死亡节点的数量和通信开销。在调查的第一部分，图。图2和图3展示了所提出的HABC-MBOA-CHSS方案的优势PFIT¼NS系列ð9ÞFitnessvalBaghdad1/1由方程式适应度值对应于为每个单独的第i个传感器节点确定的适应度值。一个集群蜜蜂负责更新和存储新的传感器节点的位置在其内存中，具有最大的概率被选为簇头。如果一个传感器的适应度概率节点大于当前传感器节点的适应度概率，则将其视为簇头。在这种情况下，集群蜜蜂阶段记住具有最高适应度值的新传感器节点，并丢弃不能被考虑用于簇头选择过程的传感器节点。被丢弃的传感器节点被认为是侦察蜂阶段，以调查其在第二层的潜力，如图所示。1.一、表1用于所提出的HABC-MBOA-CCHS方案的模拟参数模拟参数用于模拟的值传感器节点数网络地形面积400*400平方米2000年使用的子弹传感器节点的初始能量0.5焦耳数据包的长度（位）4096位组组长人数传感器节点的最小和最大位置【0,200】移动模型随机路径点模型用于数据聚合的能量5 nJ/bit/signal用于传输的能量50 pJ/bit/m2用于功率放大的能量10 pJ/bit/m2公元前1900年Rambabu等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）1895- 1905使用以从0到2000轮变化的不同轮数实现的活节点和死节点的数量来评估在网络中的活节点是高度持续的到期，因为该计划的收敛是快速估计的最佳解决方案（有效的传感器节点作为簇头之前，在网络性能下降）。此外，所提出的方案防止了无能的传感器节点被选择为簇头，从而维持网络的生命周期。由所提出的HABC-MBOA-CHSS方案维持的存活节点的百分比被确定为维持12%。15%和19%，显著高于基准的FFCGWO-CHSS、FFOCR-CHSS和HSA-PSO-CHSS方案。该算法通过选择具有能量潜力的传感器节点作为簇头节点，使能量最小的传感器节点不至于失效，100908070拟议的HABC-MBOA-CHSSHSA-PSO-CHSS南60504030201000 200 400 600 800 1000 1200 1400 1600 1800 2000轮数图二、提议的HABC-MBOA-CHSS-具有不同轮次的存活节点的1009080706050403020.拟议的HABC-MBOA-CHSSFFCGWO-CHSS10FFOCR-CHSS0HSA-PSO-CHSS0 200 400 600 800 1000 1200 1400 1600 1800 2000轮数图3.第三章。建议的HABC-MBOA-不同轮次的死节点存活节点的百分比死节点数B. Rambabu et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1895-19051901目标是在网络中建立负载平衡，使得能量较少的传感器节点不会很快死亡。提出的HABC-MBOA-CHSS方案也高度防止了死节点进入网络的百分比，最大水平为15%，18%和23%，显著优于基准的FFCGWO-CHSS，FFOCR-CHSS和HSA-PSO-CHSS方案。在第二折的分析，性能的建议ABC-IMBOA-CHSS使用平均吞吐量和平均可用剩余能量的百分比增加与不同数量的传感器节点。图图4和图5展示了所提出的ABC-IMBOA-CHSS和基准的FFCGWO-CHSS、FFOCR-CHSS和HSA-PSO-CHSS方案的性能，这些方案根据网络中部署的不同数量的传感器节点的平均吞吐量和平均可用剩余能量的百分比增加来量化。所提出的ABC-IMBOA-CHSS技术的平均吞吐量勘探和开发没有任何偏差。类似地，ABC-IMBOA-CHSS技术的平均可用剩余能量百分比的百分比增加也被估计为是显著的，因为三个控制参数被用于在簇头选择期间强化利用过程。ABC-IMBOA-CHSS所提出的ABC-IMBOA-CHSS技术实现的平均可用剩余能量的百分比增加也是显著 的 ， 分 别 为 8% 、 10% 和 14% ， 优 于 基 准 的 FFCGWO-CHSS 、FFOCR-CHSS和HSA-PSO-CHSS阴谋图图6和图7突出了建议的ABC-IMBOA-CHSS和基准的FFCGWO-CHSS、FFOCR-CHSS和HSA-PSO-CHSS方案的性能， 这 些 方 案 根据 网 络 寿 命 的 百 分 比 增 加 和 网 络 寿 命 的 百 分 比 减 少 来 量 化 。60504030201001002003004005006007008009001000增加节点数量拟议的HABC-MBOA-CHSS图四、建议ABC-IMBOA-CHSS-不同传感器节点数的平均吞吐量25201510501002003004005006007008009001000增加节点数量拟议的HABC-MBOA-CHSS图五、建议ABC-IMBOA-CHSS-不同数量的传感器节点的平均可用剩余能量的百分比增加平均吞吐量（Mbps）平均可用剩余能量增加百分比公元1902年Rambabu等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）1895- 19054035302520151050100 200 300 400 500 600 700 800 900 1000增加节点数量拟议的HABC-MBOA-CHSS见图6。建议ABC-IMBOA-CHSS-不同数量的传感器节点的网络寿命的百分比改善。4035302520151050100 200 300 400 500 600 700 800 900 1000增加节点数量拟议的HABC-MBOA-CHSS见图7。建议ABC-IMBOA- CHSS-不同数量传感器节点的通信开销减少百分比。通信开销与部署在网络中的在所提出的ABC-IMBOA-CHSS技术中，网络生存时间的百分比增加是显著的，因为它使用BAR参数进行自适应开发，从而处理了ABC算法的经典收敛问题。同样，通信间接费用的减少百分比也被确定为大幅减少，因为它使用了征税航班来维持勘探和开采过程之间的平衡。ABC-IMBOA-CHSS技术的网络生命周期的百分比改善优于6%，8%和11%，优于基准FFCGWO-CHSS，FFOCR-CHSS和HSA-PSO-CHSS计划。每-与基准的FFCGWO-CHSS、FFOCR-CHSS和HSA-PSO-CHSS方案相比，所提出的ABC-IMBOA-CHSS技术实现的通信开销的百分比降低也是显著的，分别为5%、9%和13%。平均吞吐量，在不同数量的传感器节点下，所提出的方案的平均剩余能量和网络寿命被可视化为相对大于基准方法，因为由于显著的簇头选择过程而避免了分组丢弃量，从而基于传感器节点的固有能量水平来轮换要由传感器节点处理的负载的过程来防止传感器节点的能量消耗达到最大水平，并且通过网络中有效的基于能量的负载平衡过程来最大限度地保持活跃节点在研究的最后一部分，建议ABC-IMBOA-图图8和图9展示了所提出的 ABC-IMBOA-CHSS 和 基 准 FFCGWO-CHSS 、 FFOCR-CHSS 和HSA-PSO-CHSS的平均剩余能量和平均吞吐量网络生命周期的百分比改进通信间接费用减少百分比B. Rambabu et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1895-1905190312010080604020050-100100-100100-200150-50200-100不同的汇节点位置拟议的HABC-MBOA-CHSS见图8。 建议的ABC-IMBOA-平均剩余能量-不同的汇位置。181614121086420100- 100 100-200 150-50 200-100不同的汇节点位置拟议的HABC-MBOA-CHSS图9.第九条。建议的ABC-IMBOA-平均排放量-不同的汇位置。阴谋 实验结果表明，与现有的方法相比，本文提出的ABC-IMBOA-CHSS算法的性能更优越，与汇聚节点的位置无关。ABC-IMBOA-CHSS方案的这种潜在性能类似地，Fig. 10和图11例示了所提出的ABC-IMBOA-CHSS和基准FFCGW 0-CHSS、FFOCR-CHSS和HSA-PSO-CHSS方案的平均剩余能量的标准偏差和平均吞吐量的标准偏差结果还证实，所提出的ABC-IMBOA-CHSS的性能是显着将 所 提 出 的 HABC-MBOA-CHSS 方 案 的 时 间 复 杂 度 与 基 准FFCGWO-CHSS进行比较，FFOCR-CHSS和HSA-PSO-CHSS方案的最佳值、平均值、中位数和标 准 差 。 在 最 佳 情 况 下 ， HABC-MBOA-CHSS 模 型 比 FFCGWO-CHSS 、 FFOCR-CHSS 和 HSA-PSO-CHSS 方 案 分 别 好 59.21% 、43.76%和21.86%。在最坏情况下，HABC-MBOA-CHSS模型的性能分别 优 于 FFCGWO-CHSS 、 FFOCR-CHSS 和 HSA-PSO-CHSS 方 案 的78.21%、56.86%和52.32%。在平均算例中，HABC-MBOA-CHSS模型的计算精度分别比FFCGWO-CHSS、FFOCR-CHSS和HSA-PSO-CHSS方案提高了6.12%、1.23%和0.56%。此外，建议方案的标准偏差分别为89.215，93.42%和94.32%，优于基准方案。所提出的HABC-MBOA-CHSS方案的性能的主要改进主要是由于，i）在估计解（簇头）时维持开发和探索之间的偏差的能力，ii）网络的能量是高的，平均剩余能量（焦耳）平均吞吐量（Mbps）公元1904年Rambabu等人 /Journal of King Saud University- Computer and Information Sciences 34（2022）1895- 19059080706050403020100100- 100 100-200 150-50 200-100不同的水槽位置拟议的HABC-MBOA-CHSS图10个。建议的SABC-IMBOA-剩余能量汇位置的标准差181614121086420100- 100 100-200 150-50 200-100不同的水槽位置拟议的HABC-MBOA-CHSS图十一岁建议的ABC-IMBOA-吞吐量-汇位置的标准差由于防止最差适应度传感器节点被选择为簇头而平衡5. 结论本文提出了HABC-MBOA-CHSS方案，该方案利用ABC的动态特性，使其从一个区域移动到另一个区域，以确定具有更快收敛性的最优解，并通过在聚类过程中引入两个控制限，使MBOA更便于开发。仿真结果表明，提出的HABC-MBOA网络中的存活节点的数量被确定为18.92%优于基准FFCGWO，FFOCR和HSA-PSO簇头选择方案。HABC-MBOA-CHSS的平均通量变化仅为0.921%。而在实验室中平均值的变化-在不同的sink位置下，FFCGWO、FFOCR和HSA-PSO簇头选择方案的平均簇头选择率分别为6.32%、7.88%和8.43%作为未来计划的一部分，计划设计一种混合人工蜂群和细菌觅食算法，用于能量稳定的簇头选择，以比较其性能与贡献的研究课题。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Jia，D.，Zhu，H.，Zou，S.，Hu，P.，2016.一种无线传感器网络动态簇头选择方法。IEEE Sens. J. 16（8），2746-2754。Gautam，N.，Pyun，J.，2010年4月。无线传感器网络距离感知智能分簇协议。 J. Commun.Networks 12（2），122-129.通流中的标准偏差剩余能量的标准偏差B. Rambabu et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1895-19051905Murugaanandam，S.，Ganapathy，V.，2019年。基于可靠性的簇头选择方法，采用模糊逻辑提高无线传感器网络的性能。IEEEAccess 7，87357-87368。Krishna，M.B.，Doja，M.N.，2011.基于群体智能的无线传感器网络拓扑维护协议。IETWireless Sens. Syst. 1（4），181-190。艾哈迈德，N.，Javaid，Z.A.，Khan，U.Qasim，Alghamdi，T.A.，2014. (ACH)2：最大化无线传感器网络生存时间和吞吐量的路由方案。 IEEEJ. 14（10），3516Bharathy，M.V.，Rao，K.K.C.，2019年。提出了一种基于单跳模糊的水下无线传感器网络分簇技术，以提高节点的稳定性和能量消耗率。J. Phys. Conf. Ser. 1172，012080.Jawhar，N. Mohamed，Agrawal，D.P.，2011.线性无线传感器网络：分类与应用。 J.网络计算Appl. 34（5），1671-1682。Singh，Lobiyal，D.，2012.基于粒子群优化的无线传感器网络能量感知簇头选择。以人为中心的计算信息科学2（1），13。王，H.，陈玉，Dong，S.，（1991年），中国科学院，2017.基于改进人工蜂群算法的WSNs高效路由协议研究。IET无线传感器系统7（1），15-20。阿罗拉，S.，辛格，S.，2017. 一种有效的混合蝶形优化算法与人工蜂群数值优化。Int