基于生物启发占空比的节能无线传感器网络分簇方法

沙特国王大学学报DCC-IACJS：一种新的基于生物启发占空比的节能无线传感器网络分簇方法刘扬a，李超群a，张耀b，徐梦颖c，肖晶a，周杰a，d，周伟a石河子大学信息科学与技术学院，新疆石河子832000b菲律宾碧瑶市科迪勒拉大学2600c北京邮电大学，北京100876d新疆天福信息技术有限公司公司地址：新疆阿提奇莱因福奥文章历史记录：2022年8月23日收到2022年12月22日修订2023年1月20日接受2023年2月2日在线发布关 键 词 ：聚类占空比水母搜索优化器无线传感器网络A B S T R A C T分簇路由是延长电池供电的无线传感器网络生命周期的重要机制之一。然而，大多数现有的分簇方法未能利用无线传感器网络中的节点冗余的特点，这将导致不必要的能量浪费。为此，提出了一种基于占空比的分簇模型DCCM，以减少工作节点的数量，达到节能的目的。该模型通过设计一种新的覆盖关系矩阵和覆盖集，使节点能够交替工作以减缓能量消耗。设计了一种改进的自适应克隆水母搜索算法（DCC-IACJS）对该模型进行优化，以获得最佳聚类方案。为了提高其优越性的聚类计划，一个新的自适应参数的策略，以及一个新的克隆计划，设计了在DCC-IACJS。为了验证该方法的有效性，通过仿真实验将其与GA-CSO-LACH、FGF和O-LEACH等算法进行了比较.仿真结果表明，DCC-IACJS比O-LEACH、FGF和GA-CSO-LACH分别延长了10.24%、7.04%和8.54%的网络寿命©2023由Elsevier B.V.代表沙特国王大学出版。这是一篇开放获取的文章，CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 导言和背景1.1. 背景随着无线通信和电子元器件制造业的快速发展，无线传感器节点以其 低 成 本 的 优 异 特 性 推 动 了 无 线 传 感 器 网 络 （ Wireless SensorNetworks，WSNs）的应用（Jamshed et al.，2022），通用性，适应性强（刘，2021）。无线传感器网络已经应用于生活的各个方面，例如医疗服务（Wang和Zhang，2020），军事（Bharti等人，2021）和危险的工业环境（Karaagac等人，2020年）。怎么--*通讯作者：石河子大学信息科学与技术学院，石河子832000。E-mail ： ly17369279121@163.com （ Y. Liu ） ， 894068271@qq.com （ C. Li ） ，304233976@qq.com （ Y.Zhang ） ， xmy222@foxmail.com （ M.Xu ） ，xj_inf@shzu.edu.cn（J. Xiao），jiezhou@shzu.edu.cn（J.Zhou）。沙特国王大学负责同行审查制作和主办：Elsevier然而，无线传感器网络中节点的能量往往受到其内部结构的限制，并且电池更换往往是昂贵的或甚至不切实际的操作。因此，已经对WSN的低功率设计进行了广泛的研究（Oleiwi等人，2022年）。聚类和占空比是目前用于提高WSN的能量效率的两种最流行的方法（Wu，2022; Deng等人，2021年）。首先，前者是一种分层的管理方法，它选择一些有利的节点，如那些具有高剩余能量和附近的基站（BS），作为簇头（CH）节点。剩余的簇成员（CM）节点需要加入CH以形成不同的簇。与CM不同的是，CH负责接收和聚合来自CM的数据，然后将其发送到BS。这种方式可以减少由于远离基站的一些节点的长距离通信而导致的过多的能量消耗。另一方面，占空比的概念来源于无线传感器网络的K-覆盖问题。该方法在满足覆盖要求的前提下，使无线传感器网络中冗余节点进入非活动状态，降低网络能耗。需要说明的是，节点有三种不同的工作模式，活动模式、睡眠模式和关闭模式（Zhang等人，2018年）。具体地，主动模式是指节点处于正常工作状态，https://doi.org/10.1016/j.jksuci.2023.01.0151319-1578/©2023由Elsevier B. V.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.comY. Liu，C.Li，Y.Zhang等人沙特国王大学学报776而其它两种模式属于休眠状态。然而，区别在于，处于睡眠模式的节点可以通过唤醒操作快速切换到活动模式，而处于关闭模式的节点完全关闭并且不能立即被唤醒。占空比操作能够延长网络寿命的原因可以归因于节点在睡眠模式中比在活动模式中消耗少得多的能量的事实。尽管它们在提高无线传感器网络的网络寿命方面具有优势，但大多数分簇和占空比方法尚未最大化生命周期。这是因为许多现有的聚类方法倾向于在整个网络生命周期内保持所有节点活跃，由于忽略了WSNs中的冗余节点部署而导致不必要的能量消耗（Naeem例如， 2021; Durairaj和Selvaraj，2021）。为此，一个潜在的改进可能是实现占空比机制，以进一步降低网络能耗。另一方面，WSN的大多数占空比方法仅仅在确保完全覆盖要求的同时减少活动节点的数量，而它们忽略了应用工作节点的聚类操作可以进一步延长网络寿命的可能性（Wang等人，2021年）。因此，通过合理整合集群和占空比的操作来提高WSNs的能源效率是非常紧迫的（Keshmiri和Bakhshi，2020;Wang和Zeng，2022）。1.2. 介绍为了填补上述研究空白，本文提出了一种新的分簇模型的占空比的基础上，以最大限度地减少能源消耗，延长无线传感器网络的工作寿命。总体而言，本文的主要贡献可以列举如下。1. 提出了一种新的基于占空比的能量有效分簇模型DCCM据作者所2. 针对现有聚类算法在获得更长网络生存期的聚类方案方面的局限性，提出了一种新的改进自适应克隆水母搜索算法DCC-IACJS算法能够获得近似最优的分簇方案，有效降低了无线传感器网络的通信能耗，提高了网络的生存时间。3. 设计了一种新的参数自适应更新策略和克隆策略，以提高DCC-IACJS在处理无线传感器网络分簇问题时的性能。通过结合这两种策略，基于DCC-IACJS的分簇方案有效地延长了无线传感器网络的生命周期。其余各节的组织安排如下。第二部分介绍了无线传感器网络分簇和占空比的相关研究。第三节介绍了聚类模型DCCM的设计方法。第4节说明了拟议的DCC-IACJS的方法，并执行相关的复杂性分析。第五节通过综合实验验证了DCC- IACJS的有效性.第六部分是本文的结论和未来的工作。2. 相关工作2.1. 无线传感器网络中的分簇和占空比聚 类 在 降 低 WSNs 的 能 耗 方 面 起 着 至 关 重 要 的 作 用 （ Sert ，2022）。例如，Yao等人（2022）提出了一种基于多节点的分簇路由协议（EERPMS）。阈值分割以提高网络寿命。在簇形成阶段，作者提出了以网络能耗最小为目标的CH数目和位置的优化计算理论。然后，他们提出了一种基于CH候选的剩余能量和位置的CH选举方法。为了增加CH选举的合理性，Hou et al. （2022）设计了一种用于无线传感器网络的节能模糊聚类路由（EFCR）算法。在选择CH候选时，综合考虑了节点能量、通信距离、密度和数据包数量等因素.类似地，Nandan等人（2022）提出了一种基于改进遗传算法（GA）的CH选举方法，该方法考虑了节点密度、距离和能量，以优化簇内距离、路由跳数和高效CH节点的选择。此外，Zhong等人（2022）提出了一种基于联合速率感知模糊聚类和稳定传感器关联的三层框架。该框架综合考虑了节点剩余能量、节点距离等因素，以降低节点能耗，延长网络寿命。然而，这些分簇方法并没有充分利用节点冗余的特点，这存在于大多数无线传感器网络，以进一步提高网络的生命周期。另一方面，占空比是使冗余节点进入睡眠模式以节省网络能量的原型（Zhang和Li，2019;Huang，2019）。在这方面，Shi et al.（2019）提出了一种称为ADCOCDS的方法，将占空比应用于连通支配集，该方法通过从集合中选择节点并依次旋转它们来构造CS。具体地，ADCOCDS关闭没有数据传输的节点的无线电发射机以节省能量。当有数据要传输时，它打开无线电发射机来完成任务。此外，Chakraborty等人（2020）提出了一种称为区域覆盖可靠性（ACR）的定量测量方法，以量化基于占空比的覆盖能力。设计了一种Monte Carlo模拟方法，利用能量矩阵来评估能量耗尽节点对网络寿命的影响与此不同，Shah（2020）提出了一种集中式方案来分析网络能耗以优化WSNs的占空比，其中sink节点周期性地为分配活动或休眠角色的每个节点提供服务，以确保网络寿命。然而，这些占空比方法没有实现无线传感器网络的分簇，从而未能最大限度地减少网络能耗。2.2. 无线传感器网络分簇研究进展最近，Bhola等人（2020）提出了一种基于遗传算法的低能量自适应分簇层次方法，并将其命名为O-LEACH，该方法将节点的能量作为CH选举的重要指标，并将其集成到GA的适应度函数中。然而，由于O-LEACH在选择CH时只考虑能量而忽略了其他重要因素，因此无法通过合理规划来最小化通信能耗。在另一种情况下，Dattatraya和Rao（2022）设计了一种CH选择模型，该模型同时考虑了多个因素，如能量、簇内距离、BS距离和传输延迟。在此基础上，提出了一种基于萤火虫群优化算法和果蝇优化算法的混合群智能算法FGF，对模型进行优化。然而，FGF没有注意到无线传感器网络中存在冗余的主动节点，并带来不必要的能量浪费。与FGF算法类似，GA-CSO-LM算法是遗传算法和鸡群算法的混合算法。它是由Basha等人提出的。（2023）解决CH选举问题，而其聚类模型只涉及能量和距离因素。另外，上述分簇算法没有考虑通过任务分配Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报777ð Þ循环机制表1比较了不同WSNs分簇协议的特点表2.2.3. 本文的动机为了降低网络能耗，本文计划提出一种新的基于占空比的分簇模型（DCCM），以充分利用无线传感器网络中的冗余节点。在同类型的先进工程中，要么没有考虑目标覆盖要求，要么节点没有正确轮换或分簇，从而造成了不同程度的能量浪费。这在能量宝贵的无线传感器网络中是无法忍受的为了改善这种情况，建议DCCM进一步提高无线传感器网络的生命周期，综合考虑K覆盖，占空比，和clustering。此外，提出了一种新的生物启发算法，提高了聚类方案的合理性。3. 系统模型3.1. 网络模型本文采用的网络模型包括一组无线传感器节点和目标.它们均匀地分布在一个固定的区域。在无线传感器网络的工作过程中，整个网络被划分为不同的CS，其中一个是随机选择的分簇路由在每一轮的网络操作。为了增加模型的合理性，下面列出了一些必要的假设。1. 无线传感器网络中的所有节点都是同构的，即，每个节点具有相同的初始能量和通信半径。2. BS具有无限的能量，负责执行本文提出的生物启发聚类算法。3. 节点的坐标被BS预先知道，并且后者知道它与每个节点之间的距离。4. 无线传感器网络的分簇路由是按轮进行的。此外，一轮的跨度足够长，以确保团簇形成所消耗的能量远小于表2术语.符号描述无线传感器网络CS封面集CRM覆盖关系矩阵一种新的改进的自适应克隆水母搜索算法DCCM占空比聚类模型CH簇头节点CM群集成员节点BS基站d0不同类型能量损失d数据传输距离L数据传输大小M无线传感器网络中的目标数量N无线传感器网络中传感器节点的数量CRCH节点CH节点D所有CH节点与BS之间的总距离/i;j计算两点所有CH候选节点节点密度j感知半径Pc节点对目标EDA用于汇总数据的Eunit聚合1位数据ETX发送数据ERX接收数据efs自由空间能耗系数eamp多路径能耗系数f评价函数值n能量系数w密度系数是那个距离系数b分配系数c运动系数C时间控制自然对数3.2. 测量模型传感器节点的感知规则采用布尔感知模型。它要求目标只有在传感器的感测区域内才能被成功地感知。具体地，该感知模型可以被表示为Eq.1.一、的数据传输。图 1是本文所用网络模型的示意图。该网络由一个基站、多个CH、CM公司简介1;/i;j6j0;/i;j>jð1Þ和目标。该图的左侧是没有占空比和集群的WSNs，其中所有节点都处于活动模式。在BS对其执行占空比和分簇操作之后，形成图的中间侧在其中，一些节点进入睡眠模式和活动节点形成了不同的-其中Pc表示感知概率，j表示感知半径，并且是用于计算传感器节点i和目标j之间的距离的函数。该函数可以在等式中示出。二、ent集群。然后，源节点将收集到的数据发送到其对应的CH，并且后者将数据转发到其信道。/i;jqxi-xj2yi-yj2ð2Þ第三部分是更接近BS。最后，另一个CH将数据发送到BS，完成整个数据收集过程。表1不同无线传感器网络分簇协议的特点比较。其中，xi;yi是节点i的坐标，并且xj;yj是坐标。目标的坐标j.引用该方法考虑到剩余的能量考虑到节点密度考虑到BS距离使用占空比Yao等人（2022年）EERPMSYNYNHou等人（2022年）EFCRYYYNNandan等人（2022年）OptGACHEYYYNZhong等人（2022年）RFCSAYNYNBhola等人（2020年）O-LEACHYNNNDattatraya和RaoFGFYNYN（2022年）Basha等人（2023）GA-CSOLIDWORKSYNYN这项工作DCC-IACJSYYYY.Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报7781Y（是），N（否）。Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报779q欧洲议会CRM¼6727367Fig. 1. 本文所采用的网络模型的示意图。3.3. 能耗模型节点的能量消耗主要分为三部分，包括发送能量消耗ETX-1，接收能量消耗ERX，以及与信号放大相关的能量消耗ETX-1根据无线电能量耗散模型，ETX-1和ETX-2与发射端和接收端之间的距离密切相关。如果距离小于比阈值距离d0½efs，能量消耗满足自由空间能量损耗模型，否则采用多径衰落模型。当量图3示出了当L比特的数据以距离d被发送到接收器时由发送器消耗的能量。EL dEL dEL d其中L表示数据量，EDA是L比特数据聚合所需的能耗，ETX是L比特数据传输所需的能耗，d是数据传输距离。3.4. 基于占空比的聚类模型为了建立拟议的DCCM，应首先开发CRM，其可在等式中获得。7基于所建立的感知模型。c1; 1c1; 2···c1;N- 1c1;Nc1; 1 c1; 1···c2;N- 1c2;N..C.m; n.;ð Þ德克萨斯州;Þ ¼TX-100;ÞþTX-放大器;放大器46c cc c7（LωEefs ωL ωd2;如果dd0<ð3Þ4M-1; 1M-1; 2···M-1;N- 1M-1;N5¼LωEelec 电子放大器ωLωd;如果dPd0cM;1cM;2···cM;N-1cM;Ncm;n2f0;1gERX与传输距离无关，其可以由等式（1）表示。四、ERXLERX-LLωE4由方程式3和等式4，L表示传输的数据量，d表示传输距离，E TX和ERX分别是发送和接收L比特数据所需的能量消耗，E TX-amp表示功率放大器电路的能量消耗，E RX是发送或接收1比特数据所消耗的能量，efs 是自由空间的能量消耗系数和eamp 表示多路径能耗系数为了减少CH发送的数据的大小，它们需要对接收到的数据进行聚合。所涉及的公式表示为Eq.五、EDA¼L ωE单位：100000其中，E单位表示聚集单位比特数据所消耗的能量。基于等式5，CH消耗的能量可以在等式5中获得。六、ECHL; dL ωEDAE TXL;d6其中，M表示目标的数量，N表示节点的数量。如果cm;n=1，则意味着第m个目标可以被第n节点成功监控。传统的分簇模型直接对传感器网络中的所有节点进行分簇，而DCCM算法在保证K-覆盖的前提下，使冗余节点进入休眠模式以节省能量。DCCM定义了只有当每个目标同时被K个传感器节点覆盖时，无线传感器网络才能完成任务。 显然，K值越大，网络的鲁棒性越强，但同时网络的能量消耗也越大。满足要求的可行CS可以表示为Eq. 8 .第八条。CS<$fn1;n3;· ··;ni;ni2· · ·;nNg8其中CS是WSN的子集，并且它实现了网络中所有目标的K覆盖在获得满足K-覆盖的CS之后，需要将CS划分为不同的簇。聚类过程主要包括簇的形成和稳定的数据传输。在形成过程中，CH节点主要根据节点的剩余能量、距离和密度来选择。Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报780XXXX-E¼¼D0首先，用于计算节点的剩余能量的公式示于Eq. 9 .第九条。不ECHS¼ ECHi 91/1其中E CHS 表示所有CH候选者的总能量，表示CH的数目，CHi是第i个CH。其次，CH候选者与BS之间的总距离的计算公式在等式2中示出。10个。不D¼/NBS;CHi10mm1/1其中，D表示所有CH候选与BS之间的总距离，并且I是用于计算两个不同节点之间的距离的公式，其可以通过等式2获得二、最后，节点密度的计算公式示于等式（1）中。十一岁NfðiÞ¼nj;ð/ðnj;iÞwðiÞÞð11Þ<第1页其中，fnhi表示第i个节点的密度值，N表示传感器节点的数量，wnhi表示第i个节点的通信半径。所有CH候选的密度和可以在等式（1）中获得。12个。不f¼第12章1/1该模型中的评价函数是综合考虑E、CHS、D、f.但是，为了消除不同因素之间的数值差异对评价值的影响，需要对这些因素进行归一化运算，所涉及的方程如当量13、Eq。十五岁阴谋具体而言，丰富的能量意味着节点可以执行更多的高能量成本操作。另外，较高的节点密度意味着在CH的感测范围内存在更多的节点因此，可以看出，归一化距离出现在等式（1）中。16作为分母，因为距离越小越有利于数据传输。当量17是为了控制不同因素系数对Eq. 十六岁此外，Eq. 18是为了表明在所设计的聚类模型中，距离对聚类方案的影响大于其他两个因素。在通过Eq. 16、BS向当前启用的CS发送控制分组，以广播方式通知相应的CH。然后，这些CH向其他节点发送请求，并且其他活动节点根据请求加入CH。接收信号的强度。簇形成之后的阶段是数据传输，包括簇内和簇间的数据传输。前者是指CM将其收集的信息发送到相应的CH，后者将数据聚合并发送到BS以完成数据收集。需要说明的是，本文采用的两种数据传输方式分别是簇内单跳和簇间多跳。实现多跳传输的具体步骤是CH广播一个包含自身与BS之间距离信息的然后，接收到广播分组的其他CH如果另一个CH具有较短的BS距离，则它用控制分组来应答，以通知原始CH可以通过它转发数据。随后，原始CH在接收到第一应答分组之后将其数据发送到该CH，并且停止处理其它应答分组。算法1是DCCM的伪代码算法1. DCCM的伪代码E0¼ ECHS最小CHSð13Þ要求：无线传感器网络中节点的位置;位置的目标;CHSE最大-E最小确保：基于占空比的聚类模型（DCCM）;CHSCHS1、获取无线传感器网络的覆盖关系矩阵CRMD0D-DminD最大-D最小f0f-fminf最大值- f最小值ð14Þð15Þ根据等式7;2：根据等式2获得覆盖集合CS8; 3：准备集群CS;4：首先根据等式4计算所有候选CH节点的总剩余能量。9;其中，变量名带min表示它是同一类型的最小值，变量名带max表示它是同一类型的最大值。在获得标准化变量之后，可以在等式中获得评估函数十六岁5：根据等式5计算所有候选CH节点的总BS距离。10人;6：根据等式6计算所有候选CH节点的总密度。11、Eq。12岁;7：通过等式将这些因素13、Eq。十五岁;最大 f<$nωE0CHwωf0ð16Þ8：根据等式（1）计算集群方案的评估值。十六岁其中，f是评价函数值，n是能量系数，w是密度系数，m是距离系数。n、w和m需要满足等式（1）的约束。17、Eq。十八岁电话：021- 8888888传真：021 - 8888888m>nw18值得注意的是，所提出的聚类评价函数的设计概念可以解释如下。一个理想的分簇方案应该使数据传输的能量消耗最小化，避免CH节点过早死亡在这种情况下，Eq。16取归一化的节点能量和节点密度作为分子，因为这两个因子的值越大，对一个聚类9.根据评价值选择CS的最佳聚类方案;10：进入数据稳定传输阶段;12、CH对数据进行处理后发送给BS;13：根据等式13更新数据传输阶段中的节点的能量。3、Eq。6;图2是所提出的聚类方案的流程图。从图中可以看出，DCC-IACJS主要分为四个阶段。第一阶段是无线传感器网络的准备阶段它主要负责生成基本的网络信息和CRM。第二阶段，即，CS选择阶段基于第一个Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报781图二、所提出的DCC-IACJS方案的流程图阶段，选择优秀的节点作为CH。随后，DCC-IACJS对获得的CS进行分簇优化，以获得接近最优的分簇方案。最后一个是数据传输阶段，将CM采集到的数据传输到BS。4. 拟议的DCC-IACJS在这一节中，一个新的生物启发的聚类方法被设计来优化建议DCCM，以获得一个近似的最佳能源效率的无线传感器网络的聚类方案。以来Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报782表3仿真的相关参数设置参数值MAC协议IEEE 802.15.4初始能量0.5J传感器分布面积100mω 100m传感器节点数量目标节点数量最大回合数4000节点感知半径40mCH节点比例人口规模MaxIt50BS位置（50，150）数据包大小3000bits控制数据包大小200位ef10pJ=b=m2eamp0.0013pJ=b=m4rda5nJ=位ETX50nJ=bitERX50nJ=bit涉及选择CS和CH候选的聚类问题是NP难的，传统的确定性算法难以在给定的时间要求下获得期望的聚类方案（Nandan等人，2022年）。相比之下，群智能算法可以为问题提供最优或近似最优的解决方案。问题（Qu等人，2021年）。近年来提出了许多新的群体智能算法例如，人工水母搜索（JS）优化器由Chou和Truong（2021）于2020年提出在解决某些问题时，它比传统的群智能算法（如GA、PSO）和鲸鱼优化算法（WOA）具有更好的优化性能在此背景下，为了获得具有较长网络生存期的近似最优聚类方案，提出了一种改进的自适应克隆水母搜索（DCC-IACJS）算法.其主要步骤可表述如下。4.1. 初始化DCC-IACJS解决DCCM聚类问题的第一步是初始化操作。它包括编码方法和所需初步参数的确定用于算法操作。在建议的DCC-IACJS中，采用二进制编码，因为存在一个布尔属性是否节点被选为CH或没有。在确定编码方法之后，DCC-IACJS需要初始化部署位置传感器网络中的节点和目标的数量、种群S的大小以及每个个体的初始位置（Xi;i= 1，2.. . ，S）、最大迭代次数MaxIt、当前迭代次数It、最大分布系数bmax、最小分布bmin，最大运动系数cmax，最小运动图3.第三章。阶段1中存活节点数量的变化Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报图四、阶段1中出现指定数目的死节点的轮数78323671/4fg664775系数cmin、上界Ub、下界Lb和覆盖关系矩阵CRM。4.2. CS计算和适应度计算由于所提出的DCC-IACJS在WSNs的聚类路由中是分轮进行的，因此在每一轮中需要从所构造的CRM中找出一个符合目标K覆盖要求的CS。值得注意的是，CRM的行号表示无线传感器网络中的节点编号，矩阵的列号表示目标编号。为了便于描述该过程，下面给出一个可行的示例。假设6个节点和6个目标，则可能的CRM如等式2所示。十九岁10110 01 1 1 1 1 11 0 1 1 1 1CS的选举基于已建立的CRM，具体操作如下。DCC-IACJS首先找出CRM中每列中1位置的序列号。然后，它对每列的这些数字进行置乱，并将置乱结果中的前K个节点添加到CS中。值得注意的是，CS只存储非重复的换句话说，在执行操作之前，必须确定节点是否已经被添加到CS在DCC-IACJS遍历CRM中的所有列之后，它获得满足K覆盖率要求的合格CS。为了便于理解，基于Eq. 19、我的爱如果K= 2，假设DCC-IACJS在第一列中选择编号为2和5的节点，在第二列中选择编号为2和5的节点，在第三列中选择编号为1和2的节点，在第四列中选择编号为1和2的节点，在第五列中选择编号为2和3的节点，在第六列中选择编号为2和3的节点。第五列，以及第六列中编号为2和3的节点，然后是最终的CS1;2; 3; 5。假设仅需要从CH节点中选出一个CH节点，客户关系管理00111 011000 111000 1ð19Þ获得的CS，两个可能的单独的代码可以在等式中示出。20、Eq.21、分别单位：d1/4/20;1;0;0]20其中矩阵的第一列示出编号为1的目标在编号为1、2、3、5和6的传感器节点的覆盖范围内。第二列表明目标编号2在编号为2、5和6的传感器节点的覆盖范围内。类似地，剩余的列可以通过类推来推导。单位：d2¼½0;0;1;0]21为了计算两个个体的适应度，假设ind1归一化后的ECHS;D和f分别为0.81、0.90和0.12;ind2归一化后的ECHS;D和f为0.91，Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报783ðÞð Þ我知道了。1-MaxItð24Þ0.63和0.09;n、w和m分别为0.3、0.1和0.6。根据等式16，ind1和ind2的适合度分别为0.77和0.88。4.3. 自适应参数更新和时间控制计算为了提高DCC-IACJS算法在解决无线传感器网络分簇问题中的全局搜索能力，提出了一种新的自适应参数更新策略。通过使用该策略，DCC-IACJS中的两个最重要的参数，即，可以利用迭代过程动态地更新分布系数B和运动系数C1。自适应计算公式如方程式所示。22、Eq.23分别。达到了前期注重全局搜索，后期注重局部搜索的目的。在DCC-IACJS中，水母个体通过位置更新操作获得食物，这意味着问题的最优聚类解。有两种方式可以做到这一点，一种是水母种群内部的运动，另一种是朝着洋流的DCC-IACJS设置水母个体协调并通过在两种运动之间切换来完成位置更新。值得注意的是，个体跟随洋流的位置更新属于探索阶段，而被动运动的位置更新属于开发阶段。此外，利用时间控制来决定个体采取何种运动方式来更新位置，并给出b ¼bþðbmax-bminÞ×It2þ2ðbmin-bmaxÞ×Itð22Þ由方程式24岁Max其中bMaxIt2MaxIt它..b的最小值;它代表当前迭代次数，MaxIt是最大迭代次数。其中C代表时间控制，rand0; 1代表[0，1]中的随机数。c/ cþðcmax-cminÞ×It2þ2ðcmin-cmaxÞ×Itð23ÞMaxMaxIt2MaxIt4.4. 通过洋流更新位置其中，cmax是c的最大值，cmin表示c的最小值。Eq.的设计原则。22、Eq. 23是让b和c随着迭代次数的增加而逐渐减小，从而实际上，当C tP0： 5时，DCC-IACJS算法在解决基于DCCM的无线传感器网络分簇问题时，使个体能够跟随洋流更新位置，实现全局搜索.更新前图五. 总网络能量在第1阶段发生变化。Max表示b的最大值;bmin表示所述Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报784ð Þ我J我J位置，洋流的趋势需要根据方程计算。二十五趋势<$X ω-b×rand0; 1×l25然后，基于海流趋势的个体位置更新公式在等式中示出。26岁XiIt1XiItrand0;1× Xω-b×rand0;1×l26主动运动是指个体通过群体中的另一个体更新其首先，需要通过等式计算单个运动的步长。28岁步骤1/4和1/4 ×方向2/28其中，方向可以通过等式（1）计算。第二十九章。.X j It-X i it 如果f<$Xi<$Pf <$Xj<$由方程式25、Eq.26，Xω是具有最佳适应度的个体方向¼XIt-XItiffXfX<ð29Þ在目前的人口中， 是当前迭代次数，其中X是另一个随机选择的个体，X是个体。rand= 0;1 n用于生成[0，1]之间的随机数，bji是分布系数，l是所有个体的平均位置。4.5. 通过人口如果C t0： 5，DCC-IACJS跟随种群更新每个个体的位置，达到局部搜索的目的。<在这个过程中，个体有两种不同的行为，分别是被动运动和主动运动。被动运动指的是个体围绕其位置的运动，其可以由等式2描述。27岁。XiIt1XiItc×rand0; 1×Ub-Lb27其中Ub和Lb是搜索al，其位置将被更新，并且f是等式2中的评估函数。十六岁然后，个人通过主动运动更新位置的公式如等式所示。30.Xiit1XiIt步骤 304.6. 二进制转换和适应度计算在处理基于DCCM的WSNs分簇问题时，DCC-IACJS使用二进制对个体进行编码，而个体在先前更新过程中产生的位置是十进制的。因此，需要将个体的更新位置转换为二进制形式。相应的31、Eq. 32岁空间，并且c是运动系数。见图6。 平均节点能量在阶段1中变化。Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报785ðð þ联系我们2½]ð þÞ¼ þð ω ωÞðω ω ωÞST X IT111 exp-Xiit1ð31Þ8：对于每个i1，S做9：根据公式计算时间控制C其中，ST是根据Xi It1计算的[0，1]之间的中间变量，并且exp是以自然对数e为底的指数函数。当量二十四岁;10：如果C> 1/40： 5，则11：根据等式11更新第i个个体的位置。25、Eq. 二十六岁;X0表示它是1的1/2。1ifrand0;16STXiit1ð32Þ12：如果结束0否则在DCC-IACJS的群体中的所有个体已经完成位置更新之后，需要根据等式2计算更新的群体的拟合度。16、保存结果4.7. 克隆操作克隆操作使DCC-IACJS能够复制显性个体，然后以高概率突变。从而达到增强DCCM聚类问题解空间克隆操作的具体步骤可以分为三个部分。第一种方法是根据拟合度值对群体进行排序，并从排序后的群体中选择M随后，对克隆的种群进行高概率变异操作，以防止种群落入局部最优聚类解。最后，DCC-IACJS将克隆的种群与原种群合并，根据适应度值对新生成的种群中的个体进行排序，选择适应度最优的个体组成新的种群。它等于原始种群的大小，并将作为初始种群进入下一次4.8. 终止操作如果当前迭代It满足最大迭代次数MaxIt，则终止迭代过程，并将最优个体携带的聚类序列输出到BS的控制端。然后，基站将分簇结果通过广播信号发送给无线传感器网络，开始新一轮的分簇。另一方面，如果它MaxIt，则它1并返回到<步骤2. 算法2是DCC-IACJS的伪代码。算法2. DCC-IACJS的伪代码13：如果C0： 5，则<14：根据等式更新第i个个体的位置27、Eq。30岁;15：如果结束16：根据等式16将第i个个体解转换成31、Eq. 三十二岁;17：结束18：根据等式计算每个个体的适应度16岁;19：根据适应度值对种群进行排序; 20：选择排序种群中M%的个体，父母繁殖个体以形成克隆群体;21：对克隆种群进行高概率突变操作22：将克隆的种群与原始种群合并; 23：对新生成的种群中的个体进行排序根据其适应度值; 24：It=It+1;第25章：结束26：返回单个Xω;4.9. 复杂性分析本文提出的DCC-IACJS协议的计算复杂度根据分析，其最大时间复杂性是O2MaxIt S N，其中MaxIt是种群的最大迭代次数，S是种群大小，N是传感器节点的数量。此外，对于本文所选取的比较协议，包括O-LEACH、GA-CSO-LACH和FGF，它们的最大计算复杂度为O MaxIt S N。虽然DCC-IACJS的时间复杂度似乎是在其他三种比较算法中，要求：人口S的大小;每个个体的初始位置（X i; i = 1，2. . ，S）;最大迭代次数MaxIt;当前迭代次数It;最大分布系数bmax;最小分布系数bmin;最大运动系数cmax;最小运动系数cmin;上界Ub;下界Lb;覆盖关系矩阵CRM。确保：最优个体Xω;1：初始化节点和BS的位置2.初始化DCC-IACJS的种群和当前迭代次数;3：根据以下内容生成CRM和合适的CS：算法1;4：基于CRM和CS生成初始种群; 5：根据等式（1）计算每个个体的适应度16; 6：whileItMaxIt do<7：根据下式自适应地更新系数b和c：当量22、Eq. 二十三岁;相同数量级。5. 模拟与讨论5.1. 模拟的设置一系列的仿真结果表明，建议DCCM和DCC-IACJS在提高无线传感器网络的网络寿命的有效性仿真是在CPU为R7 4800H 2.9GHz的计算机上进行的将该方法与其他现有技术的对应物进行比较，这些对应物是O-LEACH（Bhola等人， 2020）、FGF（Dattatraya和Rao，2022）和GA-CSO-Lactobacillus（Basha等人，2023年）。值得注意的是，无线传感器网络的网络寿命被定义为当所有目标节点的K-覆盖的要求被打破时的轮数。此外，每个阶段的模拟将分为四种不同的K-覆盖情况，即K= 2、K= 3、K= 4和K= 5。这种方式可以全面展示DCC-IACJS对WSNs网络生命周期优化的有效性Y. Liu，C.Li，Y.Zhang等人沙特国王大学学报786表3给出了本节中使用的参数设置。此外，建议的DCC- IACJS的一些个别参数值陈述如下。上界Ub= 1，下界Lb= 0，能量系数n= 0.2，密度系数w= 0.2，距离系数m= 0.6，克隆比M= 0.2，克隆策略中的变异概率为0.4，最大分布系数bmax= 4，最小分布系数bmax= 1.0，最大分布系数bmax = 1.0，最小分布系数bmax = 1.0。c_b_min= 2，最大运动系数c_max= 0.15，最小运动系数cmin= 0.05。具体参数-比较算法的参数是从其相应论文中使用的值导出5.2. 模拟的第一阶段在第一阶段中，建议的DCC-IACJS与O-LEACH，FGF，GA-CSO-LCHTO的比较，证明DCCM在延长无线传感器网络的生命周期的有效性图3是阶段1中存活节点的数量的变化。从图中可以看出，随着K的增加，净工作寿命呈下降趋势。这是因为在模拟中设置的网络寿命是所有目标的K覆盖要求被打破的回合数。在这种情况下，K值越大意味着网络需要满足的条件越严格。具体而言，当K= 2时，基于DCCM的DCC-IACJS在提高网络寿命方面优于其他比较算法。其最终值为1735轮，而O-LEACH、FGF和GA-CSO-LS-R分别为1154、1067和1066发。这意味着基于DCC-IACJS的聚类方法分别比它们多了581、668和669轮。但从图中可以发现，随着K值的增加，DCC-IACJS的网络寿命改善优势逐渐减弱。这是因为CS中满足K-覆盖的节点越来越接近整个节点集合。因此，占空比的作用被削弱。特别是在K= 4和K= 5的情况下，DCC-IACJS的网络生存期仅比GA-CSO-LSTO长104轮和85轮，是比较算法中的最优算法图4示出了在阶段1中在不同条件下死节点出现的轮数。总的来说，在每种特定条件下，所提出的DCC-IACJS在净工作寿命方面优于O-LEACH、FGF和GA-CSO-LC 30。 然而，这四种算法可以实现