基于混合算法的无线传感器网络簇头优化

沙特国王大学学报基于混合算法的WSNKale Navnath Dattatraya，K.拉格哈瓦·拉奥部计算机科学与工程，Koneru Lakshmaiah教育基金会，Vaddeswaram，A.P.，印度阿提奇莱因福奥文章历史记录：收到2018年2019年3月14日修订2019年4月3日接受在线提供2019年保留字：无线传感器网络分簇簇头优化网络寿命A B S T R A C T无线传感器网络（WSN）包括更多的低成本和低功耗的传感器节点。所有的传感器节点都分布在一个特定的区域，通过自组织的方式形成一个无线网络。他们有能力在任何特殊或邪恶的环境中正常工作，人们无法关闭。然而，由于各种复杂的因素，在节点之间以有效的方式进行数据传输几乎是不可能的。聚类是一种使数据传输更有效的著名技术。分簇模型将传感器节点划分为不同的簇。网络中的每个簇都有唯一的簇头节点，簇头节点将信息发送给簇内的其他传感器节点。在这种情况下，如何在能量消耗、时延等约束条件下选择最优的簇头是任何分簇算法的关键，本文提出了一种新的簇头选择模型，以最大化网络的生命周期和能量效率。在此基础上，提出了一种基于适应度的萤火虫群与果蝇算法（FGF），该算法是萤火虫群优化算法（GSO）与果蝇优化算法（FFOA）的混合，用于选择最优的无线传感器网络CH。在活节点分析、能量分析和代价函数等方面，与粒子群优化算法（PSO）、遗传算法（GA）、人工蜂群算法（ABC）、GSO、蚁狮算法（ALO）、布谷鸟搜索算法（CS）、群搜索蚁狮算法（GAL-LF）、果蝇优化算法（FFOA）和蚱蜢优化算法（GOA）进行了比较，并证明了所提算法的优越性©2019作者（S）。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. 介绍在当今世界，无线传感器网络已经出现了作为一个有希望的模式。无线传感器网络通过检测监测区域内发生的变化来检查环境。引起的一些变化是振动、声音、压力、湿度、强度、温度和运动。无线传感器网络的应用被广泛地应用于军事招标、栖息地监测系统等领域的各种监测系统中（Madhuri等人，2013）、生物医学应用（Giorgio等人，2016;Guadagni等人，2000; Fiorentini等人，2015）、健康监测系统（Mambrini等人，二 ○ ○八年;*通讯作者。电 子 邮 件 地 址 ： piyushkale@gmail.com （ K.N.Dattatraya ） ， kluniversity.in（K.R.Rao）。沙特国王大学负责同行审查Müller 和 Guadagni 2008 ） ，智 能家 居监 控系 统和 库存 管理 系统（Sherifi和Baholli，2015）。聚类（Zhu和Ma 2018; Baradaran和Navi 2017; Ge例如，2018;Parvin等人，2015）是一种将地理区域划分为小扇区的方法，它帮助传感器节点在所有服务器节点之间均匀分配工作负载，并将其中一个节点指定为簇首，即as CH的选择对于更好的信息传输是主要的作用在实践中，CH在不同的迭代时进行重组，以获得最佳性能。独特的集群包括具有更多集群成员的CH。CH的责任是它应该协调存在于簇中的所有节点（Zhang等人，2015; Shanthi和Sundarambal，2018; Gavhale和Saraf 2016; Kalaikumar和Baburaj 2018）。然而，适当的CH选择（Singh等人，2018; Farmana等人，2018;Sahoo等人，2016; Rajpoot和Dwivedi，2018）以及最佳能力是平衡网络能效比的必要条件。因此，一些元启发式算法和计算智能（CI）模型，包括人工蜂群（ABC）、人工免疫系统（AIS），https://doi.org/10.1016/j.jksuci.2019.04.0031319-1578/©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/）。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.comK.N. Dattatraya，K.R.Rao/ Journal of King Saud University717Fig. 1.基于聚类算法的分类。强化学习（RL），进化算法被用于聚类过程中，以克服NP-难优化问题。通过选择最佳CH从传感器节点向基站的数据传输（Xie等人，2015;Mohanasundaram和Periasamy 2015; Kumar等人，2015; Mehra和Alam 2017; Han和Zhang 2018; Yadav等人，2018年; Jesus et al.，2015; Kumar andKumar，2015）是路由协议面临的巨大挑战。最优信道选择框架的目标是能量、时延、距离等的最小化，在众多的信道选择算法中，大多数都被用于无线传感器网络中的最优信道选择。总体审查如图1所示。这些算法已经取得了一定的贡献和结果也显示了他们的非凡的性能方面选择最优CH.然而，该算法往往遭受各种缺点，如开发阶段，收敛速度慢，进一步它有能力在解决多目标。因此，为了克服这些挑战，本文提出了一种新的簇头选择模型，选择一个最佳的无线传感器网络CH。本文采用一种新的FGF算法来选择最优簇头。论文的其余部分安排如下：第二部分回顾了文献工作。第3节描述了所提出的CH选择模型。第4节解释了所提出的CH选择模型的参数或约束评估。第5解释通过考虑分配给每个传感器节点的概率。最后，测试结果验证了在稳定期，延长网络的生命周期和巨大的数据量传输到汇点方面的性能。2015年，Kannan和Raja（2015）引入了一种CH选择算法，即他们将网络细分为两个轮胎：主要和次要，这种划分是基于所获得的节点的信号强度。这在完美的CH分布和重复的CH选择下是可能的。CH选择基于“接收信号强度指示（RSSI）”进行。为了检查预测的方法，RSSI的值作为模拟器的输入。最后，调查是发生在现实世界的情况下，并制定了开发模型的效率2018年，Priyadarshini和Sivakumar（2018）通过模拟Adelson-Velskii和Landis（AVL）树旋转聚类模型实现了负载平衡。作者通过一种新的改进的K-均值聚类模型将单个大区域网络划分为多个簇。此外，他们通过构建两个模型来最小化计算负担。他们还实现了簇头（CH）分类的机制，以找到传感器节点的最大覆盖集的计数。最后，实验结果证明了实现模型的有效性，优于其他传统方法在延长网络寿命方面。在2017年，Mann和Singh（2017）提出了一种改进的ABC，它具有增强的解搜索方程，以提高使用能力。此外，他们还通过学生分布引入了一个人口抽样模型这是为了提高已开发的元启发式方法的全局收敛性。实验结果表明，该方法在保持有效平衡的同时，减少了内存需求。在此基础上，提出了一种基于iABC元启发式模型的能量有效的聚类算法-最后，该模型已被证明在吞吐量，数据包传输等方面优于其他传统的方法。在2016年，Ke等人（2016）提出了一种新的基于能量感知的分层聚类（NEAHC）路由协议，该协议有两个目标：减少能量的总使用量和确保节点之间的消耗（能量）的良好性。他们还制定了通过模拟工作开发的算法。2014年，Mahajan等人（2014）开发了一种称为“集群链权重选择方法（CCWM）”的CH权重选择模型在这项工作中，CH选择是一个主要的关注点，这也是基于权重度量选择的之后，集群的形成过程。该模型的引入是为了满足节能和负载均衡两个方面的考虑。减少提出的杂交模型。第4描述了第7总结了论文的结论。2. 文献综述2.1. 选择模板2018年，Mehra et al. （2018）提出了一种基于模糊的平衡成本CH选择算法（FBECS），该算法将剩余能量、距离和节点密度作为模糊推理系统的输入。为了选择最佳CH，他们评估了每个节点的资格指数。各协议通过选择最优的节点进行集群协调，保证了负载均衡这只有在制定和沟通的成本，他们已经通过了局部聚类方法。与现有的模型进行了比较，发现所提出的方法在延长寿命和降低能耗方面有了很大的改进。2018年，Elhabyan等人（2018）开发了一种基于帕累托优化的方法来解决与识别最佳网络配置相关的问题。为了评估所开发的模型已经考虑了限制，如CH 的计数，集群节点的计数，集群成员（CM）之间的链路质量。为了选择最佳的最优结果，他们通过两种传统的多目标进化算法（MOEAs）解决了这个问题。此外，开发的协议进行了评估下的实时措施，这是基于Chipcon CC2420无线收发器characteris。718K.N. Dattatraya，K.R.Rao/ Journal of King Saud University抽搐最后，研究结果证明了开发的协议比其他现有协议的效率。2016年，Ray和De（2016）引入了一种聚类算法，该算法基于K均值算法，即“EECPK-means”。在这里，中心的协议被用来改进的第一质心选择过程。在k-均值算法的参数基础上，加入了剩余能量作为参数进行CH选择。基于与BS的距离，多跳消息已经发生。最后，提出的模型实现了负载均衡的均衡集群，也延长了网络的生命周期。在2018年，Murugan 和 Sarkar （ 2018 ） 提 出 了 萤 火 虫 循 环 灰 狼 优 化（FCGWO），以选举最佳簇头，以实现能量稳定，能量最大化和延迟最小化。2017年，AchyutShankar和Jaisankar（2016）提出了双更新过程（FFDUP）算法，以最小化能量，延迟和距离，并最大化安全性。2.2. 审查表1显示了各种聚类算法及其优缺点。FBECS（Mehra等人，2018）增加稳定性，并可提供高剩余能量。然而，通过这种方法延长网络寿命并不令人满意。Kannan和Raja，2015年）的作者提出了层次聚类，它可以延长节点的生命周期，并可以进行适当的能量管理。该模型对噪声和异常值敏感。Priyadarshini和Sivakumar（2018）的AVL树聚类模型可以增加网络的生命周期，也可以节省最大的能耗。然而，该模型不涉及网络的安全性。 改进的ABC（Mann和Singh 2017）减少了端到端延迟，可以传输更多的数据包。然而，实时应用是不可能的。NEAHC（Ke等人，2016）最大化存活节点的计数，并且分组递送也更好。加权聚类/加权质心（Mahajan等人，2014）可以减少开销并且还最小化通信成本。然而，该模型需要更多的时间来执行。MOEA（Elhabyan等人，2018）最小化了消耗能量，并且该模型在进行集群间通信方面是有效的。然而，该模型需要找到最佳传输功率。K-means算法（Ray表1传统簇头选择模型的特点和挑战。和De，2016年）消耗更少的能量，并延长网络寿命。然而，它是复杂的预测K值，也有较少的性能与全球集群。Murugan和Sarkar（2018）以及Shankar和Jaisankar（2016）的作者介绍了一种创新算法，以最大限度地提高能量，安全性和最小化延迟。然而，它不是有效的与当前的聚类模型。因此，必须引入一些新的、先进的聚类模型来解决这些问题.3. 一种无线传感器网络CH选择模型一般来说，无线传感器网络包含大量的传感器节点。这些节点位于网络中，用于主动地将数据路由到汇聚节点。由于传感器和基站之间的距离较远，集群中的每个节点消耗更多的能量网络寿命的增加是可能的，具有高能量保存，更多的活节点的存在，更少的延迟等。为了有效地节省节点能量，最优簇头以最小的能量向汇聚节点发送数据。假设WSN具有n个C簇，其中簇被称为cli，其中i^l;：n个C。在此，Di j指示任何现有集群中的节点，其中i^l; 2;：：L和j^l; 2;：：M。在集群节点中，选择集群头CHi在选择CH时，还考虑了能量、节点间距离、分组时延等参数。只有簇头与基站B进行直接通信。本文提出了一种新的混合优化算法，通过综合考虑时延、距离和能量等参数来选择最优CH，以提高网络的生存时间。3.1. 目标函数为了选择最优的CH，无线传感器网络的主要参数，如距离，延迟和能量被用来执行有效的簇头选择。此外，这项工作还考虑了QoS参数作为有效的网络性能的主要参数。事实上，如果网络具有高的QoS和能量，并且具有较小的延迟，则网络性能会增强。当量（1）示出了所提出的模型的目标函数，其中b是设置作者[引文]采用的方法特点挑战Mehra等人（ 2018）FBECS●增加稳定性。● 高剩余能量Kannan和Raja（2015）分层聚类●延长传感器节点的寿命● 节点级的适当能量管理● 优化概念的实现可能会增加网络的生命周期。● 对噪声和离群值的● 它会破坏大的星系团● 它不能执行撤消功能Priyadarshini和Sivakumar（2018）AVL树分簇模型●增加网络生命周期。● 节省的最大残余能耗● 无法考虑网络安全。Mann和Singh（2017）改进的ABC●最小端-端延迟● 随着更多数据包计数的传输，生命周期延长。Ke等人（2016）NEAHC●增加活动 节点 的数量● 数据包传输更好。● 无法在真实的传感器● 在延长网络生命周期方面需要改进。Mahajan等人（2014年）加权聚类/加权质心● 减少的开销● 降低通信成本● 适用于实时交通● 在开始聚类过程● 需要更多时间执行Elhabyan等人（2018）MOEAs●减少能源消耗。● Ray and De（2016）K-means算法●最小能耗● 延长网络寿命● 可能会对网络产生很大的干扰。● 需要确定最佳传输功率。● K值难以预测● 全局群集Murugan和Sarkar（2018）Achyut Shankar et.2016年●能量稳定● 延迟最小化FFDUP算法●最小化能耗● 最大化安全性● 需要提高能效的性能● 需要最优的簇头选择K.N. Dattatraya，K.R.Rao/ Journal of King Saud University719ð Þð Þð Þ.ΣLX1½jj-j¼ð Þð ÞXX.Σð ÞÞÞ ω我我我ð Þ¼ðENIMax第1页jð Þ.1/1第1页1/1第1页距离：Eq. （8）定义了距离其中f_dist_q指示正常节点与CH之间以及CH与网络在Eq中给出。fdistp指定两个正常节点之间的距离，其在等式（9）（十）、fdist q的值应在[0，1]范围内。改编自（Kumar和Kumar，2015）。f区f区q2018年12月28日L MfdistqXXkDi-CHjkkCHj-Bsk9L MfdistpXXkDi-Djk10图二. 开发CH选择模型的艺术。延迟：节点的数据传输延迟在等式中指定。其中，延迟的值应当在范围[0，1]中。如果集群中的节点数量减少，那么延迟也会大大减少。由方程式在（11）中，无线传感器网络中的CH表示分子值，并且总节点计数表示分母值。该值为0.3，采用Kumar and Kumar（2015）。由方程式在等式（2）中，c1、c2和c3分别表示距离、能量和延迟的参数，并且在等式（2）中，（3）指明─f延迟MMax CHj联系 我们在公共节点和基站之间传输。此外，图2显示了开发的CH模型。OF¼b ×f21-bf1;0b11<<服务质量：服务质量包括上述所有所有的约束都应该得到满足，以定义高QoS。简而言之，通过考虑诸如能量、距离、延迟和QOS的约束来选择CH。CH选择-f1<$c1ωfdist<$c2ωf能量<$c3ωf延迟ð2Þ过程如图所示。3.第三章。nCf2D B 3nCr14. 簇头选择模型中的参数估计在这项工作中数学定义的参数建模如下：能量：WSN所利用的能量由等式确定其中，ENDi和ENCHj表示第i个法线的能量，节点以及第j个簇头的能量。能源f<$q <$，也是指正常节点之间的能量作为CH，并且在CH和网络的BS之间（5）可以用Eq。并且f能量 p指定两个正常节点之间的能量，其在等式（6）中给出。（七）、f能f能量q1/4f能源Mf能源第1页LuENj1-ENDiωENCHj; 16jM6<1/1i2jf能量pMLEN DMCH107图3.第三章。示例性表示CH选择过程。ωðMax1/1720K.N. Dattatraya，K.R.Rao/ Journal of King Saud University. .ΣΣ第2页，西蒂华纳ee.Σee-.2017年12月28日ee.Σe.Σ.Σ见图4。 所提出的算法的解决方案编码。4.1.解编码本研究的主要贡献是在网络中选择最佳CH。为了选择最优解，本文提出了一种新的混合优化算法FGF。溶液LUgt1-tLUgt-1gJ Xgt12运动：在这个阶段，所有的萤火虫选择他们的邻居，并遵循它与一个独特的可能性。g的近邻萤火虫需要满足两个条件：第一个条件是该萤火虫在g的决策域中;第二个条件是该萤火虫的搜索值要大于g的搜索值.此外，g萤火虫以承诺概率PT gj t向从N gt开始的w个邻居移动，并且其公式化为等式（1）中给出的公式。（十三）、LUwt-LUgt所提出的算法给出了图中所示。 四、PTgjLUlt-LUgt135. 一种新的最优簇头选择混合算法本文提出了一种新的混合算法FGF，一旦萤火虫的运动发生，位置或位置就被更新，并且位置更新的评估在等式中给出。（14），其中size指示步长。Xt 1 Xt尺寸ω。Xwt-Xgt14混合了传统的GSO和Fruitfly优化算法，Rithms此外，杂交是通过连接字符-jjXwt-Xgtjj这两种算法的特点。该算法能使CH的最优选择更加准确。本节首先解释传统的GSO和FruitFly算法。随后，提出的混合算法解释的好处，选择最佳的无线传感器网络的CH。5.1. 常规GSO在GSO中（Zhou等人， 2013年）算法，也称为群邻域范围更新：在更新萤火虫的位置之后，它会跟随邻域范围的更新。如果邻域的范围只覆盖了很小的萤火虫密度，那么邻域的范围就会增加，否则邻域的范围就会最小化。更新公式在Eq. 其中k表示常数参数。这里，nut被指定为控制邻居计数的参数。算法1给出了GSO的伪代码。G M g不超过1000分钟。G Mu;max.0;GM gtkjNgtj15e e一群萤火虫随机分布在搜索空间各自的萤火虫表达了一种发光的量，即与它们“共融”。此外，萤火虫还自己做决定方面的决定域GMg0GMg6GMu.<萤火虫之间相互作用背后的策略如下：萤火虫的光强度与相关的荧光素成正比，并且它们与在适应性邻域中可用的其他萤火虫进行相互作用此外，在很大程度上与当前位置的适合度相关的干扰强度当且仅当发光强度较大时，识别出最佳发光虫的位置假设一个g萤火虫，当且仅当w在它的邻域范围内时，它指示w是它的近邻大多数情况下，邻域被定义为沿着GMg的局部决策域，其范围为径向传感器范围GMu0GMg6GMu.<萤火虫的选择是在一个精确的设置：具有最大的萤火虫比当前萤火虫的值的邻域萤火虫被选中，并向其转发。一般来说，GSO算法包括四个阶段：（i）初始化（ii）荧光素更新（iii）运动（iv）邻域范围更新。图：在这里，萤火虫随机分布在搜索空间中。随后，萤火虫具有相似的荧光素强度，具有相似的决策域GM0。荧光素更新：一般来说，萤火虫的攻击强度与地点的适应度有很大的关系。如果强度值较大，就能达到最佳位置，也就是最佳目标值。否则，该目标被视为较差。萤火虫的位置会随着迭代次数的增加而变化，并且Replain的值会自动更新。在t时刻的g萤火虫位置或定位是Xgt，并且相关联的目标函数g值萤火虫在t的位置 是J Xg t.此外，把J Xgt到LUgt，这是与t处的g辉光相关的发光水平，并且它在等式（1）中定义。（12）其中t指定luci-算法1：GSO算法Setds countof dimensions Setng count ofglowworms Setsize as stepsize设Xgt是g萤火虫在时间t的位置随机安排g=1到ng的代理做LUg0<$LU0GMg 0<$GM0设置MAX为最大迭代设置t=1段时间t6MAXit多对于每个g萤火虫，评估LUgt，如等式2中所示。（12）对于每g萤火虫，{Ngtw：egjtGMgt：LUgtLUjt;<<对于每个g2Ng t，按照等式（1）评估PTgt（13）j=选择萤火虫（P！T）用公式表示Xgt1，（14）如等式（1）中所示，评估GMgt1（十五）}end fort1/}5.2. 常规FFOA一般来说，FFOA（Pan 2012）是基于以下行为的费林衰减常数改进常数2000<<年1月， g指到荧光素果蝇在寻找食物的时候。 该算法包括三个阶段{K.N. Dattatraya，K.R.Rao/ Journal of King Saud University721我我ðÞe我e-.Σe(i) 第二阶段：在此阶段，果蝇已随机分散，如X轴 和Ya xis，其在等式中给出。（16）和（17），其中rv是指随机值随机值指示从均匀分布采样的Xi¼Xa xisrv16YiYaxisrv17(ii) 路径构建阶段：在此，根据等式（1）进行每只果蝇的距离和气味浓度值（18）和（19）。5.3. 该算法本节解释所提出的混合优化概念。实际上，所提出的FGF是GSO和FFOA算法的混合尽管GSO可以处理非线性、多模型问题，但该模型在解决高维问题时存在缺陷。此外，该算法计算速度较慢，局部搜索能力差。同样，FFOA算法也存在搜索空间收敛速度慢等缺点.因此，为了克服传统算法的所有问题，所提出的算法杂交给定算法的最佳特性。所提出的FGF将FFOA的概念并入GSO中，这在算法3中给出。这里首先对适应度进行评价，然后对评价后的适应度安排健身，选择Distancei<$qX2Y2ð18Þ最佳五个适应度（选择指数）。如果索引号大于5，则如等式2中所示进行FFOA更新。（23）和（24），否则如等式（24）中那样执行GSO更新（十四）、开发的FGF流程图SMC¼1ð19Þ算法在图中给出。 五、iDistancei其中，Distancei表示第i个个体与食物位置之间的距离，SMC表示气味浓度的判断值，并且这是距离的倒数。(iii) 适应性评估阶段：适应性公式定义为等式（1）。（20）和（21）。嗅觉功能SMC200米该算法根据簇内和簇间距离，实现了时延最小化和能量最大化等多个目标。如前所述，所提出的算法是萤火虫搜索行为和果蝇搜索行为的组合。换句话说，负搜索能力可以通过所提出的算法，而改进的搜索能力可以用于收敛。因此，多重目标得到了解决与传统算法相比，以一种有效的方式。这方面的理论已在仿真环境中得到验证，这是进一步讨论。气味最佳;索引最佳值最大值最大值算法3：用于最优CH选择的其中气味i指示所述气味的气味浓度值。着色果蝇、气味最佳和指数最佳是指气味向量的不同维度的最高元素及其相应指数，并且最大气味i指定果蝇中的最大气味浓度。(iv) 运动阶段：果蝇给出了气味浓度的最佳值，并通过Eq.（22），（23）和（24）。在算法2中给出了FFOA的伪代码。最好的气味最好的 气味22磅Xaxis¼X.indexbest 2016年10月 23日Yaxis¼Y。indexbest24小时算法2：FFOA算法步骤1初始化参数步骤2重复根据距离和气味浓度随机选择位置评估适应度函数SMC识别具有高气味浓度的果蝇果蝇群对解决方案进行排序，并更新最佳解决方案步骤3返回最佳解决方案Setds count of dimensionsSetng count of glowwormsSetsize为步长设Xgt是g萤火虫在时间t随机安排g=1到ng的代理做LUg0<$LU0GMg 0<$GM0设置MAX为最大迭代设置t=1适应度评估对评估的适应度进行选择最佳的五个指标（最佳适应度）如果（指标>5）根据FFOA更新进行位置更新（方程式（23）和（24））段时间t6MAXit多对于每个g萤火虫，评估LUgt，如等式2中所示。（12）对于每g萤火虫，{Ngtw：egjtGMgt：LUgtLUjt;<<对于每个g2Ngt，按照等式（1）评估PTgt（十三）j=选择萤火虫（P！T）用公式表示Xgt1，（14）如等式（1）中所示，评估GMgt1（十五）}end fort1/{我我}722K.N. Dattatraya，K.R.Rao/ Journal of King Saud University×CS，ALO，GSO，ABC，PSO和GA。此外，归一化能量的中值比GOA好12.16%，比FFOA好12.94%，比GAL-LF好14.57%，比CS好19.76%，比GSO好13.21%，比ABC好13.70%，比PSO好18.53%，比GA好18.47%。因此，总体分析结果表明，所提出的FGF达到高能量时，与其他传统的方法相比。6.3. 簇头距离在每次迭代中，CH基于能量以及距离而不同表3示出了所提出的方法和传统方法的各种簇头之间的距离采用最佳、最差、均数、中位数和标准差等情况进行分析 在最佳情况下，建议FGF的CH之间的距离分别比 GA ， PSO ， CS ， GAL-LF 和 FFOA 等 卷 积 方 法 好 6.12% ，76.31%，55.64%，46.92%和5.89%。然后，对于所有其他情况（如最差情况），所提出方法的平均值、中位数和标准差分别为44453、1728.9、1645.8和760.84。6.4. 延迟评估图五. 所提出的算法的流程图。6. 结果和讨论6.1. 仿真设置在MATLAB 2017中对WSN网络模型中基于FGF的CH选择进行了仿真。这里的节点分布在100m× 100m的区域内，具有BS在中心。网络的初始能量ENIn的值为0.5，自由空间模型ENfr的能量为10pJ=bit=m2 。 此 外 ， 功 率 放 大 器 的 能 量 Epower 被 设 置 为 0 ：0013pJ=bit=m2，发射器能量Etr被设置为50nJ=bit=m2，并且数据聚合能量EDa被设置为5nJ=bit=signal。开发的CH选择进行了2000轮。此外，所提出的FGF的性能进行了比较，与传统的遗传算法（Nayak和Vathasavai 2017），PSO（Ni等人，2017）、ABC（Karaboga和Basturk 2008 ） 、 GSO （ Zhou 等 人 ， 2013 ） ， ALO （ Chopra 和Mehta ， 2015 ） ， CS （ Yang 和 Deb 2010 ） ， GAL-LF （ Kale2018），FFOA（Pan2012）和GOA（Saremi等人，2017）基于簇头选择模型。6.2. 定量分析6.2.1. 活节点和归一化能量：统计分析表2显示了所有方法的分析从分析，它是观察到，开发的FGF已达到高能量时，与其他方法相比归一化能态的平均值分别为4.35%，5.62%，5.91%，9.44%，6.39%，GOA、FFOA、GAL-LF分别提高7.99%、9.85%、9.28%和10.89%，所提出的算法相对于其他卷积算法的每轮延迟调查如表4所示。在第一轮测试中，该算法比卷积GA、PSO、ABC、GSO和GOA分别提高了33.58%、17.22%、26.96%、58.06%和12.79%。第100轮，该模型比FFOA和GOA分别好50.60%和43.85%。同时，该模型的第225轮表现出2.38%和3.80%优于GA和ABC。第500轮的结果表明，该模型比GA算法的性能提高了11.58%。第725轮测试结果表明，该模型比GOA算法的性能提高了21.57%。对该模型进行了1225轮的仿真，结果表明，该模型比GA、PSO和ALO算法分别提高了47.61%、25.255和7.785. 1500轮的实验结果表明，该算法比GSO算法和GOA算法分别提高了2.28%和2.75%1725轮的实验结果表明，该模型比GA、PSO和ABC算法分别提高了47.95%、13.73%和25.86%。在2000轮的实验中，该模型的FGF算法比卷积GAL-LF、FFOA和GOA算法分别提高了23.34%、31.82%和19.51%。6.5. 时间复杂度所提出的FGF方法的时间复杂度是在卷积模型上根据最佳、最差、平均值、中值和标准差计算的，如表5所示。在最优情况下，该模型比已有的FFOA和GSO算法分别提高了54.21%和1.20%。最坏情况下的计算结果表明，该方法比FFOA和GSO方法分别提高了70.6%和47.65%。在 计算 中 值时 ， 该模 型 比卷 积 FFOA 和GSO 算 法分 别 好6.27% 和0.97%。此外，所提出的模型的标准偏差分别比卷积FFOA和GSO好87.05%和93.07%。6.6. 定性分析6.6.1. 收敛性分析本节解释FGF和传统方法的收敛速度（图6）。在这方面，与其他方法相比，所提出的方法的成本函数非常低。通过改变迭代计数（0-10）进行分析最初，成本函数在7 × 10- 3的范围内。之后，随着迭代的增加，成本函数会减小。特别是，在K.N. Dattatraya，K.R.Rao/ Journal of King Saud University723表2统计分析的建议和传统的方法在活节点和归一化能量。方法平均值中位数标准差活节点归一化能量活节点归一化能量活节点归一化能量GA（Nayak和Vathasavai 2017）63.80.20197850.1123143.1820.20933PSO（Ni等人，（ 2017年）630.20494760.1122541.1580.20576ABC（Karaboga和Basturk 2008）63.60.20387970.1170248.490.20952GSO（Zhou等人， 2013年度）64.60.20739880.1175343.2870.20536ALO（Chopra和Mehta，2015）67.60.2105780.1333736.0460.20443CS（Yang和Deb 2010）62.60.20465740.111140.790.20492GAL-LF（Kale 2018）64.20.21146720.1161338.0160.19992FFOA（Pan 2012）63.40.21204760.1178140.4080.20005GOA（Saremi等人，（2017年）630.21462730.1186339.90.19762FGF62.80.22397530.1330635.2660.18749表3不同的簇头之间的距离计算提出的和传统的方法。GA统计（Nayak和Vathasavai2017）PSO（镍例如，（2017年）ABC（Karaboga和Basturk2008）GSO（Zhou等人， 2013年度）ALO（Chopra和Mehta，2015）CS（Yang和Deb2010）GAL-LF（Kale2018）FFOA（Pan2012）果阿（Saremi例如，（2017年）提出最佳119.17-29.949 185.65 205.09 148.4 81.254 86.077 119.43 176.01 126.47最差4737 4153.8 3576.7 4580.7 5543 4830.1 4196.6 4532.7 4944.2 4453平均值1942.4 1661.1 1380.2 1688.8 2254.7 1705.5 1473 1667.2 1767.2 1728.92019年12月18日16：00 - 17：00标准差741.55 637.88 509.75 688.93 955.86 760.36 642.53 731.03 793.59 760.84表4延迟计算建议超过传统的方法。迭 代 8 次 后， 该 方法 的收 敛 速度 为 5.32 ， 分别 比原 方法 提高 了31.26%、17.90%、27.71%、14.33%、13.91%和30.99分别来自GOA、FFOA、GAL-LF、CS、ALO、GSO和ABC在迭代9次时，所提出的方法比GOA、FFOA、GAL-LF、CS分别好29.96%、30.59%、16.40%、12.62%、8.62%和29.87%分别为阿拉伯劳工组织、地球观测组织和澳大利亚广播公司。同样，该方法已经证明了其优越性，比其他方法的所有其他迭代与较少的成本函数。6.6.2. 活节点分析FGF和传统方法的活节点分析在本节中给出。 从图中可以看出。图7示出了与其他方法相比，所提出的方法获得更多的存活节点。表5时间复杂度优于传统方法。措施FFOAGSOFGF最好3.16582.07752.0528最糟糕14.9866.50364.4046是说3.53942.51152.2235中值3.43592.33862.1305标准偏差0.439970.454120.23521轮GA（Nayak和Vathasavai 2017）PSO（镍例如，（2017年）ABC（Karaboga和Basturk 2008）GSO（Zhou等人， 2013年度）ALO（Chopra和Mehta，2015）CS（Yang和Deb 2010）GAL-LF（Kale2018）FFOA（Pan2012）GOA（Saremi等人，（2017年）提出10.918511.04670.966420.776281.23051.23971.13110.880271.08781.2271000.850481.1461.09550.914531.24241.07141.17491.07461.02640.713522251.04971.06421.26261.20321.15951.32481.13110.986211.09331.02525001.28471.25980.939751.25911.24240.929510.790650.852181.06191.18497250.83470.958161.09551.00910.730530.99931.09841.06141.07740.8862110001.20661.13670.98361.07741.14711.29541.05381.06850.830061.376112251.20951.02630.886961.07760.883170.849871.24091.02051.05280.8193515001.01121.02631.03211.20320.73410.887770.937750.938411.20871.176317251.32051.01511.12331.01341.06011.16161.220.868371.27110.89249724K.N. Dattatraya，K.R.Rao/ Journal of King Saud University方法.此外，分析是在一些回合。随着轮数的增加，存活节点计数会减少。然而，所提出的方法保持更多的活节点，在2000回合。在第1500 轮 ，该 图显 示， 就存 活节 点的 数 量而 言， FGF比 GOA 、FFOA、GAL好90.08%、63.37%、58.64%、68.02%、90.84%和72.67%。LF、CS、GSO和ABC。此外，在第2000轮，所提出的方法示出所提出的FGF具有在20至30的范围内的更多存活节点。然后，所提出的方法是15.36%，31.59%，8.97%，32.30%，27.53%和38.97%优于分别为GOA、FFOA、GAL-LF、CS、GSO和ABC总之，它是说，建议FGF是优于其他