一种适用于延长无线传感器网络寿命的蜂群聚类协议

摘要

在无线传感器网络中，在恶劣环境下更换节点电池是一项非常艰巨的任务。因此，使网络生存期最大化是最终的解决方案。将无线传感器网络的感知区域划分为簇是提高网络能量效率和延长网络生命周期的一种有效方法。另一方面，集群的头需要额外的能量，因为需要额外的工作，比如从其成员节点获取数据、聚合它们的数据并最终将其发送到基站。为了提高这些网络的寿命，头部的正确选择起着至关重要的作用。本文提出了基于人工蜂群算法的精通蜂群聚类协议(PBC-CP)。在PBC-CP方法中，我们考虑了节点能量、节点度、基站到节点的距离等重要因素来选择头。为了将簇头数据传输到基站，该算法选择了节能路径，进一步降低了传感器网络的能耗。仿真实验证明了该方法的有效性。

1.介绍

无线传感器网络（WSN）包含大量的微小传感器节点。这些微小节点具有传感，计算和无线通信功能[1］．WSN模型如图所示1．传感区域是传感器节点部署的区域TG.yD.F4y2Ba随机或手动安装。它们从传感区域收集信息，进行处理，然后无线发送到其他节点或外部基站(BS)。BS是网络中的集中控制点。它可以是一个静止的节点，也可以是一个活动的节点。BS连接到一个可访问的通信基础设施或互联网。

无线传感器网络已在商业、家庭、医疗、交通、工业生产、实时控制、国防、应急、救灾管理等领域得到应用。它们也用于监督远程或不可访问的环境应用程序[2，3.］．更换甚至更换节点的附加电池是一个非常繁琐的工作，特别是监督敌对环境。有限的能源是这些网络的主要限制[4，5］．延长网络生命周期的挑战引起了科学界越来越多的研究兴趣。因此，研究人员提出了许多提高网络生命周期的技术，如负载循环、数据缩减和拓扑管理。通过负载循环策略，允许传感器节点在不使用时进入睡眠状态，可以节省节点的能量[6- - - - - -10］．借助于最小化生成，处理和传输的信息量，数据减少方法还降低了能量消耗[11- - - - - -13］．拓扑管理通过构造和保存一个精简的节点集来节省节点的能量消耗[14- - - - - -16］．基于集群的路由技术似乎最适合延长无线传感器网络的生命周期[17- - - - - -19］．在聚类中，整个区域被分隔成不同的组，称为簇，所有组由一个称为簇头(CH)的特定头领导。这些leader负责从集群内部的成员节点收集信息，然后汇总接收到的数据，通过单跳传输模型或多跳传输模型发送给BS。在单跳传输模型中，CH直接向BS发送数据。在多跳传输模型中，CH使用一些中间节点，即其他CHs，将数据转发给BS。磁头的选择是提高网络生命周期的一项极其重要的任务。合适的选择对成员节点的能量守恒有一定的影响，对路由方法也有一定的影响。

低能量自适应聚类层次(LEACH)是一种可识别的WSNs聚类算法[20.］．CHs是基于概率选择的，并在每一轮中旋转以达到能量平衡。由于该协议是完全分布式的协议，因此可以取得部分成功。在分布式协议中，数据包的传输需要更多的能量。集群协议也已经用模糊逻辑实现[21- - - - - -25］．群体智能提供了可以在WSN中有效应用的熟练成果型工具。聚类是一个众所周知的优化问题。群体智能正在有效地解决了[26- - - - - -30.］．蚁群优化元启发式算法也被应用于聚类[31］．粒子群优化（PSO）算法也用于聚类优化。该协议介绍在[32利用PSO进行群集头选择，采用剩余能量，内部距离和节点度作为健身功能。混合集中式协议组合和声搜索算法（HSA）和PSO也用于传感器网络中的聚类[33］．蜂群元启发式算法成功解决了WSNs中的聚类问题[34- - - - - -38.］．

本文提出了一种熟练的蜂群聚类协议(PBC-CP)。簇首的选择是一个本质上NP-hard的优化问题。人工蜂群算法(ABC)是一种熟练的自然启发算法，因其易于实现、求解质量高而成为解决np困难问题的良好选择。该协议根据节点的能量、节点的度数和BS到节点的距离来选择簇首，从而获得最佳的簇首。节点到基站的数据高效传输进一步提高了其性能。相邻CHs之间的数据多跳传输是在节点剩余能量的基础上进行的，而不是直接从CH传输到BS。本文的主要贡献如下:(我)首先，考虑了蜂群模型在无线传感器网络聚类中的适用性，提出了蜂群模型。(2)其次，提出了熟练的蜂群聚类协议，重点研究了分阶段描述、功能伪代码步骤和网络模型。（iii）第三，考虑各种网络性能指标，所提出的聚类协议相对评估。

本文的其余部分组织如下。相关工作将在本节中描述2．节3.，提出了蜜蜂殖民地模型和PBC-CP的细节。部分4讨论了提出的PBC-CP的实验设置和性能评价。本节给出了结论和未来的范围5．

2.相关工作

节能对于延长整个网络的一生至关重要。可以定义网络生命周期，直到网络中的第一个节点耗尽它的能量[39.，40］．基于集群的路由技术似乎最适合延长无线传感器网络的生命周期[17- - - - - -19］．这些方法还通过执行数据聚合和融合降低了集群内的能耗。低能量自适应聚类层次(LEACH)协议20.是一种公认的聚类算法。然而，该协议也存在一定的缺陷。其中一些建议如下:（1）它根据概率选择CHS，导致两个不良后果。首先，由于网络中CHS均匀分布的非分析，CHS之间存在负载不平衡。第二，可以选择低能量节点作为CHS，其不能足够不足以做额外的头部工作，例如融合从其成员获得的数据并将该融合数据传送到BS。（2）CHS以一跳传输发送到BS的数据。它们承担了长距离传输的能源支出。远离BS的CH比网络中的其他CH减少了它的能量，这不是遥远的。（3）在每一轮中，协议必须完成选择新CHs和形成新集群的过程。这进一步增加了设置阶段的运营成本。

作者在[41.试图解决簇头负载分配不均匀的问题。然而，在[41.]需要一个节点定位系统，如GPS，导致系统昂贵。此外，GPS需要补充能耗;因此，它需要更大的硬件。作者在[42.]提出了一种基于阈值的节点数据发送新思路。然而，很难计算这些阈值的精确值，因为该协议不适用于监测数据不断报告给BS的应用程序。在[43.，提出了一种有效的聚集机制，在这种机制下，CH提名者很难被提升为负责人。如果一个节点找不到比自己剩余能量更多的节点，它就承担头部的责任。该算法使用与BS的距离作为度量来形成大小不同的集群。混合节能分布式集群[44.]根据两个重要参数决定CH:每个节点的剩余能量和集群内通信代价。节能分层集群协议[45.把网络划分成层次结构。最低级别的CHs从成员收集信息并将其聚合。从最低层聚集的信息然后被发送到随后层的头。此方法递归地重复自身，直到所有数据都到达BS。稳定选举规约[46.]强调了节点的异质性对节点能量的影响。通过等待定时器的聚类算法[47.[协议节点学位是否考虑了聚类头的选择。通过定向天线自主聚类[48.]算法采用定向天线来减少传感器网络中感知数据的冗余。两级过滤(49.]协议有两种类型的CHS，即主头和次要头部。网络分为外层和内层。主要头部负责聚合外层中的数据，辅助磁头负责内层。与距离的阈值浸出[50.算法以改进的概率选择CHs。这种方法最优地平衡了节点之间的能量消耗。在[51.]时，头部选择的参数依赖于相邻节点，如节点之间的距离和其通信可及范围内的相邻节点的数量。Ying等人算法的主要关注点[52.]是在网络中平衡具有均匀和不均匀的节点分布的负载。链接感知群集方法（LCM）[53.]启动一个名为预测传输计数（PTC）的新功能，以计算被提区条件。节点，传输功率，剩余能量和链路质量的位置用作导出PTC的参数。PTC展示了申请人对任何特定相邻节点的持久传输的潜力。在节能浸出（EE-LEACH）中[54.“协议”，头部选择的标准基于空间密度的函数。该协议考虑了用于部署传感器的高斯分布模型。因此，它不适合手动部署传感器节点的应用程序。

模糊逻辑依赖聚类协议在[21］．LEACH-fuzzy逻辑22计算选择CHs的机会。作者在[23]利用模糊逻辑在剩余能量预测的基础上选择水头。作者在[55.已经拍摄了节点度和节点中心，作为模糊变量。最初，每个节点计算其成本。在[56.[作者]作者呈现了一种使用蚁群优化的群集头选择算法，在网络中构建负载平衡群集。在[57.[作者]作者使用PSO呈现聚类算法。他们认为两种类型的节点：正常节点和高能量节点。高能量节点充当网络中的集群头，而普通传感器节点充当集群的成员。另一个基于蚂蚁的聚类（反级）方法描述于[58.］．ANTCLUST协议通过传感器节点之间的局部交互对节能集群进行分类。采用Harmony搜索算法(HSA)和粒子群算法(PSO)相结合的混合协议进行聚类优化[33］．蜜蜂优化也被用来在WSNs中形成集群[34- - - - - -38.］．使用人工蜂菌落算法（WSNCABC）的无线传感器网络聚类[34]使用人工蜂群，利用节点剩余能量和BS到节点的距离等参数计算CH的适应度。然而，该算法面临着数据从磁头直接传输到基站的高成本问题。Bee-Sensor-C [59.当某一事件发生时，它们会形成群集并选择头部。在bee - c中提出了激励聚类算法的蜜蜂交配优化[60.］．在[61.]，利用分数阶人工蜂群算法发现CHs后，解决了路径发现问题。载于[62.基于ABC和遗传算法(GA)。CHs由GA制定，其成员由ABC决定。另一种基于蜜蜂算法的聚类算法(BeeWSN)在[63.]，基于节点，度，速度和方向的能量创造集群。

3.蜜蜂殖民地模型

蜂群算法是由蜜蜂的智能觅食行为驱动的。蜂群有三组蜜蜂，即工蜂、旁观蜂和侦察蜂。优化问题的可能解决方案由食物来源的位置表示，而相关解决方案的质量(适合度)对应于花蜜量。这里，蜂群的大小等于工蜂的数量，也等于旁观的蜜蜂的数量。食物源初始位置随机生成，每只工蜂指定一个食物源。在此之后，每只工蜂在所有迭代中找到一个新的食物来源并计算其质量。如果新食物源的花蜜量高于前一食物源，工蜂就会前往新食物源，否则工蜂就会选择旧食物源。这个过程由 在哪里是介于[−1,1]之间的随机数，V._一世是新的食物来源，X_一世是当前的食物来源，X_K.是邻居来源，而且jє{1,2，...，D}是随机选择的索引D作为食物源向量的维度。在工蜂完成搜寻程序后，它们与旁观的蜜蜂分享食物来源的信息。然后，旁观的蜜蜂评估花蜜信息，并根据与花蜜数量相关的概率选择食物来源 在哪里F_一世解决方案的适应度值是多少一世这与该位置的食物来源的花蜜量成比例一世和m是食物来源的数量。

所有的旁观者蜂找到一个新的邻近食物来源作为各自选择的食物来源，并分析其花蜜量。这个过程持续预定的周期数。如任何地点不能进一步改善，食物来源会被分配为弃置。然后，函数变换;那个来源的工蜂变成了侦查蜂。在那个位置，侦察蜂产生一个新的解决方案，并给出如下 废弃源在哪里用X_一世．

３.１.精通Bee Colony-Clustering Protocol (PBC-CP)

由于传感器节点的能量来源有限，提高网络生存期仍然是一个重要问题。本文主要研究无线传感器网络中节能策略的需求。我们提出了一种熟练的蜂群聚类协议(PBC-CP)，以提高无线传感器网络的生存期(算法)1）.该协议支持在无法更换节点电池甚至无法为其电池充电的恶劣环境中进行监控。通常，在监视应用程序时，各个节点的数据通常是相互关联的。将所有节点的数据发送到BS不是一种节能的方法。因此，发送显示区域中发生的事件的聚合数据是有益的。我们选择集群基础设施作为PBC-CP的基础，因为来自彼此靠近的节点的统计数据之间有很强的相关性。并不是所有的节点都将它们的数据直接发送到BS。他们将数据发送到各自的CH;然后，CH聚合来自其成员节点的数据并将其发送给BS。因此，只向BS传输聚合的数据，不传输单个节点的数据。 In this way, transmission energy is saved.

蜜蜂是高度有组织的生物体，具有个体认知能力和自我组织能力。他们表现出个体特征和社会合作的结合。我们采用集中式的聚类机制，在基站进行管理和控制，而路由则采用分布式的方式进行。因此，该协议以半分布式的方式系统地运行。

为了平衡网络的负载，需要选择具有重要参数的簇头。需要选择一个能量较高的节点作为CH，因为它需要承担头部额外的责任。因此，我们考虑了剩余能量。为了使传递能量最小，距离也作为重要参数。为了使负荷在各水头之间均匀分布，应考虑连接到CH的节点数(即节点度)。

该算法在给定的不同阶段工作。我们将单独讨论以下各自：(一)网络初始化:初始时，传感器节点随机部署在传感区域。BS向所有节点发送信标信号。这些信标信号包含了基站的位置信息。然后，各节点分别计算到基站的欧氏距离。然后，根据信号到达的强度及其相对坐标计算相邻节点之间的距离。(b)群集头选择阶段：簇头的选择取决于BEE菌落算法计算的健身功能。(c)招募集群成员阶段:所有被选中的头向其余传感器节点发送信息信息。这个信息传达了关于他们被选为头像的信息。当非集群头节点得到此消息时，它们必须决定是否成为特定头下的成员。这取决于到达消息的信号强度。基于这个决定，非ch节点然后向适当的头报告成为其集群的成员。此外，CH创建一个基于时分多址访问(TDMA)的调度，并将其分配给集群的成员。（d）数据收集：在群集中，每个簇成员通过基于TDMA的方法将其信息传输到其各自的磁头。我们假设它是完美的传输，并且不需要重传。（e）数据聚合:当从所有成员接收到数据时，CHs将所有传入的数据与自己的数据聚合在一起。这样，如果有冗余，就会减少。（F）数据传输:簇头将聚合后的数据以高效的方式传输到下一个CH或BS。首先，CH检查其相邻CHs与BS之间的距离。CH选择距离较小的那个。如果是BS，则集群头传输它的数据。但如果是另一个头，则发送者簇头检查相邻头的剩余能量，并将其数据发送给较高的头。（G）簇头的旋转：CH的能量耗尽更快，因为与其他传感器节点相比，它们涉及执行从成员节点，数据聚合和数据中继的数据收集的附加任务。因此，需要旋转其作用。在每轮数据传输之后触发重新选择过程，以平衡所有传感器节点的能量消耗。但是，重新选择将根据健身功能完成。

适合功能，代表为指定如下: 在哪里K.是缩放因素;节点的剩余能量（R._E.）是节点中的初始能量的剩余能量与初始能量的比率;节点学位（N_D）是将节点连接到其传输范围内的特定节点的数量;和距离节点的欧几里德距离一世对基站的表示为 ．

3.2。网络模型

在本文中，我们使用[41.，如图所示2．在无线电模型中，在从发射器中传输的接收器处接收的信号D.是（谁）给的 在哪里为接收天线增益，为发射机天线增益，λ为载波波长，β是传播损耗因子，以及传输数据包的任何额外损失都表示损失．

无线电传播模型有自由空间模型和双射线地面传播模型。在自由空间传播模型中，发射功率的传播损耗与发射机与接收机距离的平方成反比。在双射线地面传播模型中，发射功率的传播损耗与发射器(Tx)与接收器(Rx)距离的四次方成反比。传输的能量消耗L.-bit packet from Tx to Rx at the distanceD.在地方给出E_E.是认为能量/位吸收在收发电路和第二因素或被认为是功率放大器中吸收的能量/钻头。交叉距离D._O.可以从

如果是值D._O.大于Tx与Rx之间的距离值，则利用空闲空间模型;否则，采用双射线地面模型。接收a的能量消耗L.位信息(41.)是

4.实验装置

所有实验在MATLAB 2009a中实现，运行在Windows 7上，使用Intel (R) Core (TM) 2 Duo T6570 CPU@2.10 GHz。我们假设所有的传感器节点具有相同的初始能量，所有节点的处理、通信等能力是相似的。它们没有配备全球定位系统，也就是说，它们没有能够移动的天线。我们还假设基站是固定的，在能量、内存和计算能力方面不受限制。LEACH协议被认为是比较分析实验结果的基础，重点是在与协议集成时以集群为中心的好处。各算法所需的仿真参数如表所示1[20.，33- - - - - -35］．

4.1。绩效评估

我们模型的性能是根据剩余能量(再保险)，吞吐量(thr)，死节点数(NND.)，以及活节点的数量(南)进行不同的数据传送。

我们比较了PBC-CP与三个标准协议的结果，即LEACH [20.]，PSO [32]和HSA-PSO [33]为活节点、死节点、剩余能量和不同轮的吞吐量，如图所示3.．从图中可以明显看出3(一个)PBC-CP协议在活节点数量方面的性能优于其他协议。LEACH、PSO和HSA-PSO的活节点分别在255轮、1300轮和1700轮后开始下降，PBC-CP的活节点在1800轮后开始下降。接下来，我们比较不同轮数下网络中死节点的结果，如图所示3（b）．在LEACH中，第一个节点死亡发生在206轮左右，原因是CHs的概率选择。HSA-PSO和PSO的性能优于LEACH。PSO中第一个死节点出现在1238轮左右，而HSA-PSO中第一个死节点出现在1632轮左右。从现在的结果来看，PBC-CP表现更好，因为第一个节点在1730轮左右死亡。

从图3（c），显然PBC-CP表明聚类WSN中的能量优化的卓越结果。的价值再保险在Leach算法中，早期阶段跌至零（大约650轮）。由于在算法中随机选择头部的原因。PSO算法由于其动态功能仅持续约1400轮，而HSA-PSO算法由于PSO的动态性质，HSA-PSO算法持续近1753轮。在PBC-CP中，价值再保险由于使用适合度函数来选择CHS，大约2500轮后滴到零。

吞吐量(thr)的无线传感器网络的LEACH, PSO, HSA-PSO, PBC-CP如图所示3（d）．thr随着网络中活跃节点数量的增加，网络的属性也随之提高。所有算法的最大值为thr相当于0.41 Mbps。然而，当轮数增加时，thr减少了。380发子弹，相当于thr与其他方法相比，在浸出下降52.27％thr相当于0.2 mbps。的价值thr在PSO中，将其最大值保持在1100轮，并在HSA-PSO中保持其最大值，直到1700轮。相比之下，PBC-CP算法保持了值thr超过2500发子弹的0.41 Mbps。

5.结论和未来的工作

在本文中，我们提出了一种熟练的蜂群聚类协议(PBC-CP)，其灵感来自于蜜蜂的无线传感器网络的觅食原则，其目标是延长网络的生命周期。利用蜂群优化算法的快速搜索特性来选择簇首，并通过高效路径将簇首数据传输到基站。仿真结果表明，PBC-CP算法优于LEACH算法、PSO算法和HSA-PSO算法。虽然PBC-CP是一种有效的协议，但在该协议中可能还有更多需要改进的地方，以使其更广泛地适用。在目前的PBC-CP实现中，节点定期将它们的数据发送到各自在指定槽位上的头部。节点可能只在注意到事件后才发送数据。我们已经在静态无线网络中测试了PBC-CP。我们也可以研究移动传感器网络中的聚类。

数据可用性

支持本研究结果的数据可由通讯作者提供，考虑到在该领域的进一步研究中使用的目的。

的利益冲突

作者声明不存在利益冲突。

参考文献

1. O. Kaiwartya，A.H. Abdullah，Y.Cao等，“无线传感器网络中的虚拟化：用于互联网的容错抵消，”IEEE物联网期刊，第5卷，第5期。2，pp。571-580,2018。视图:出版商网站|谷歌学术
2. A. A. Ari, A. Gueroui, N. Labraoui，和B. O. Yenke，“无线传感器网络领域研究的概念和发展”，国际计算网络和通信杂志，第7卷，第5期1, pp. 81-98, 2015。视图:谷歌学术
3. O. Kaiwartya，A. H. Abdullah，Y.Cao等，“车辆互联网：动机，分层架构，网络模型，挑战和未来方面”，IEEE访问，第4卷，第5356-5373页，2016。视图:出版商网站|谷歌学术
4. A. Khatri，S.Kumar，O. Kaiwartya和A. H. Abdullah，“无线传感器网络的绿色计算：优化和霍夫曼编码方法”点对点网络和应用程序，第10卷，第5期。3，第592-609页，2017。视图:谷歌学术
5. L. Farhan，R.Kharel，O.Kaiwartya，M.Mamboudeh和B. Adebisi，“朝着绿色计算的东西：能量导向路径和信息调度方法”可持续城市与社会，第38卷，第195-204页，2018。视图:出版商网站|谷歌学术
6. W. Ye, J. Heidemann，和D. Estrin，“无线传感器网络的协调自适应睡眠介质访问控制”，IEEE/ACM网络汇刊，第12卷，第2期3，页493 - 506,2004。视图:出版商网站|谷歌学术
7. A.Khasawneh，M. S. B. A. Latiff，O. Kaiwartya和H. Chizari，“水下无线传感器网络的可靠节能压力路由协议”无线网络，卷。24，不。6，pp。2061-2075,2018。视图:出版商网站|谷歌学术
8. Liu H.， G. Yao, J. Wu, and L. Shi，“一种用于无线传感器网络的自适应节能和低延迟MAC协议，”中国通信与网络，第12卷，第2期5，页510-517,2010。视图:出版商网站|谷歌学术
9. A. Khasawneh, M. Latiff, O. Kaiwartya, H. Chizari，“水下无线传感器网络(UWSNs)下一个转发节点选择:技术和挑战”，信息，卷。8，不。1，pp。1-31,2016。视图:出版商网站|谷歌学术
10. M. M. Alam, E. Ben Hamida, O. Berder, D. Menard, and O. Sentieys，“资源受限WBAN系统的启发式自适应媒体访问控制”，IEEE访问，卷。4，pp。1287-1300,2016。视图:出版商网站|谷歌学术
11. R. Willett, A. Martin，和R. Nowak，“反向铸造:传感器网络的自适应采样”，刊于IEEE传感器网络信息处理国际研讨会论文集，页124-133，加州伯克利，美国，2004年4月。视图:出版商网站|谷歌学术
12. 谭磊，“无线传感器网络的数据简化:一种分层LMS预测方法，”IEEE传感器杂志，第16卷，第5期。6、pp. 1708-1715, 2016。视图:出版商网站|谷歌学术
13. 吴宁，“无线传感器网络中数据压缩的研究”IEEE信息技术会议的诉讼程序：编码和计算，PP。8-13，拉斯维加斯，NV，美国2005年4月。视图:出版商网站|谷歌学术
14. Y.刘，Q. Zhang和L. Ni，“无线传感器网络中基于机遇的拓扑控制”，IEEE并行和分布式系统汇刊，卷。21，不。3，pp。405-416，2010。视图:出版商网站|谷歌学术
15. R. Zhang和M. A.拉布拉多州“异构无线多跳网络中的能量感知拓扑控制”IEEE国际无线普及计算研讨会课程，pp.1-5，圣胡安，公关，美国2007年2月。视图:出版商网站|谷歌学术
16. O. Kaiwartya, S. Kumar, D. K. Lobiyal, P. K. Tiwari, A. H. Abdullah, A. N. Hassan，“基于粒子群优化的多目标动态车辆路径问题和时间种子解”，杂志上的传感器，第15卷，第5期。1, pp. 1 - 16, 2015。视图:谷歌学术
17. 刘旭东，“无线传感器网络中分簇路由协议研究”，传感器，第12卷，第2期8，pp。11113-11153，2012。视图:出版商网站|谷歌学术
18. O. Kaiwartya，S. Kumar，D. Lobiyal，A. Abdullah和A. Hassan，“车辆临时网络地理路线的性能改进”传感器第14卷第2期12, pp. 22342-22371, 2014。视图:出版商网站|谷歌学术
19. M. M. Afsar和M. h .Tayarani-N，“传感器网络的聚类:文献调查”，网络与计算机应用学报， 2014年，第46卷，第198-226页。视图:出版商网站|谷歌学术
20. W. R. Heinzelman, A. Chandrakasan，和H. Balakrishnan，“无线微传感器网络的节能通信协议”IEEE国际系统科学会议论文集，pp.10-20，毛伊，嗨，美国，2000年1月。视图:出版商网站|谷歌学术
21. I. Gupta, D. Riordan，和S. Sampalli，“使用模糊逻辑的无线传感器网络簇头选举”，在IEEE通信网络和服务研究会议的载体（CNSR），页255-260，哈利法克斯，加拿大，2005年5月。视图:出版商网站|谷歌学术
22. G. RAN，H. Zhang和S. Gong，“使用模糊逻辑改善无线传感器网络的乳化议定书”，信息计算科学学报，第7卷，第5期1，页767-775,2010。视图:谷歌学术
23. js。李和w l。Cheng，“基于模糊逻辑的无线传感器网络聚类方法的能量预测，”IEEE传感器杂志，第12卷，第2期9, pp. 2891-2897, 2012。视图:出版商网站|谷歌学术
24. N. Nokhanji, Z. M. Hanapi, S. Subramaniam, M. A. Mohamed，“一种基于模糊逻辑的非均匀节点分布无线传感器网络的能量感知分布式聚类算法”，无线个人通信杂志(第84卷)1, pp. 395-419, 2015。视图:谷歌学术
25. P. Nayak和A. Devulapalli，“基于模糊的基于逻辑的聚类算法，用于扩展网络生命周期，”IEEE传感器杂志，第16卷，第5期。1, pp. 137-144, 2016。视图:出版商网站|谷歌学术
26. M. Mavrovouniotis, C. Li, S. Yang，“动态优化的群体智能研究综述:算法与应用”，群和进化计算，卷。33，pp。1-17,2017。视图:出版商网站|谷歌学术
27. S. ALAM，G. Dobbie，Y.S.Koh，P.谜语和S. Ur Rehman，“基于粒子群优化的聚类研究：对文献和技术的系统审查，”群和进化计算， vol. 17, pp. 1-13, 2014。视图:出版商网站|谷歌学术
28. S. J. Nanda和G. Panda，“自然启发的分区聚类元启发式算法调查”，群和进化计算，卷。16，pp。1-18,2014。视图:出版商网站|谷歌学术
29. D. Karaboga, B. Gorkemli, C. Ozturk，和N. Karaboga，《人工蜂群(ABC)算法和应用的综合调查》，人工智能审查，第42卷，第2期1, pp. 21-57, 2014。视图:出版商网站|谷歌学术
30. M. Karaboga, G. A. Di Caro, M. Farooq，“基于集群智能的无线传感器网络路由协议:调查和未来方向”，信息科学，第181卷，第2期。20, pp. 4597-4624, 2011。视图:出版商网站|谷歌学术
31. Wang J.， Cao J.， Li B.， S. Lee, R. S. Sherratt，“基于移动节点的仿生蚁群优化聚类算法在消费家庭自动化网络中的应用”，IEEE消费电子学报第61卷第1期4, pp. 438-444, 2015。视图:出版商网站|谷歌学术
32. B. Singh和D. K. Lobiyal，“基于PSO的新型能量感知群集头选择，”人类中心计算和信息科学杂志，第13卷，第2期2，pp。6-18,2012。视图:谷歌学术
33. T. Shankar, S. Shanmugavel，和A. Rajesh，“混合HSA和PSO算法在无线传感器网络中高效的簇头选择”，群和进化计算，第30卷，第1-10页，2016。视图:出版商网站|谷歌学术
34. 基于人工蜂群算法的无线传感器网络路由的研究，《中国机械工程》，2004IEEE进化计算国际会议的诉讼程序，第326-330页，新奥尔良，美国洛杉矶，2011年6月。视图:出版商网站|谷歌学术
35. D. Karaboga，S. Okdem和C. Ozturk，“基于集群的无线传感器网络路由，使用人造群落群算法，”无线网络第18卷第2期7，页847-860,2012。视图:出版商网站|谷歌学术
36. R. Kumar和D. Kumar，“无线传感器网络中的能量意识路由协议的多目标分数人工蜂窝群”，“无线网络第22卷第2期5、pp. 1461-1474, 2016。视图:出版商网站|谷歌学术
37. A. A. Ari, B. O. Yenke, N. Labraoui, I. Damakoa，和A. Gueroui，“一种高效的基于集群的无线传感器网络路由算法:基于蜂群智能的方法”，网络与计算机应用学报， 2016年，第69卷，第77-97页。视图:出版商网站|谷歌学术
38. C. Ozturk, E. Hancer, D. Karaboga，“基于改进二进制人工蜂群算法的动态聚类”，应用软计算， vol. 28, pp. 69-80, 2015。视图:出版商网站|谷歌学术
39. R. Madan和S. Lall，“无线传感器网络中最大生命周期路由的分布式算法”，无线通信的IEEE交易，第5卷，第5期。8，页2185-2193,2006。视图:出版商网站|谷歌学术
40. 李。Wang C.， Wang C. W.， Liu C. M.，“密集无线传感器网络的最优簇数:一种跨层方法”，车辆技术的IEEE交易，第58卷，第2期2, pp. 966-976, 2009。视图:谷歌学术
41. W. B. Heinzelman, A. P. Chandrakasan，和H. Balakrishnan，“无线微传感器网络的应用特定协议架构”，无线通信的IEEE交易， vol. 1, no. 14，页660 - 670,2002。视图:出版商网站|谷歌学术
42. A. Manjeshwar和D. Agrawal，“青少年：用于增强无线传感器网络效率的路由协议”国际IEEE并行和分布式处理研讨会论文集(IPDPS)， pp. 2009-2015，旧金山，加州，美国，2001年4月。视图:出版商网站|谷歌学术
43. M. J. Handy，M. Haase和D.Inmmermann，“具有确定性群集头选择的低能量自适应聚类层次结构”IEEE移动和无线通信网络国际会议论文集，pp.368-372，瑞典斯德哥尔摩，2002年9月。视图:出版商网站|谷歌学术
44. O. Younis和S. Fahmy，“留心:用于自组织传感器网络的混合、节能、分布式集群方法”，IEEE移动计算汇刊，第3卷，第2期。4, 2004。视图:出版商网站|谷歌学术
45. S. Bandyopadhyay和E. Coyle，“一种用于无线传感器网络的高效能量层次聚类算法”，发表于IEEE国际通信会议论文集，第1713-1723页，加州旧金山，美国，2003年3月。视图:出版商网站|谷歌学术
46. G. Smaragdakis, I. Matta，和A. Bestavros，“SEP:集群异构无线传感器网络的稳定选举协议”传感器与行动者网络协议与应用国际会议论文集，页5-31，波士顿，马萨诸塞州，美国，2004年8月。视图:谷歌学术
47. C. Wen和W. Sethares，“无线传感器网络自动分散聚类”，无线通信与网络期刊，第5卷，第5期。1，pp。686-697，2005。视图:谷歌学术
48. 研究。陈和彭译葶。“基于定向天线的无线传感器网络分布式聚类”，IEEE传感器杂志，第13卷，第2期6，pp。2166-2180,2013。视图:出版商网站|谷歌学术
49. V. Loscri, G. Morabito和S. Marano，“低能量自适应聚类层次结构的两级层次结构”，在IEEE国际汽车技术会议(VTC)论文集， 1809-1813页，美国德克萨斯州达拉斯，2005年9月。视图:谷歌学术
50. S. H. Kang和T. nguyen，“无线传感器网络中的群集头选择的距离基于阈值”，“IEEE通讯字母，第16卷，第5期。9, pp. 1396-1399, 2012。视图:出版商网站|谷歌学术
51. W. Zhuo，“基于邻域的无线传感器网络能量高效聚类算法”，上海交通大学学报，第15卷，第5期。2, pp. 150-153, 2011。视图:谷歌学术
52. L. Ying，H. Qi和W.LI，“具有无线传感器网络的分布式自组织”负载平衡聚类算法“，IEEE传感器杂志，第13卷，第2期5, pp. 1498-1506, 2013。视图:谷歌学术
53. s。小王和Z.-P。Chen，“LCM:无线传感器网络中用于高效路由的链路感知分簇机制”，IEEE传感器杂志，第13卷，第2期2，pp。728-736,2013。视图:出版商网站|谷歌学术
54. S. A. Gopi和T. ponnuchy，“EE-LEACH:用于WSN数据收集的节能LEACH协议的发展”，无线通信和网络欧洲兴普日报， vol. 1, no. 11，pp。1-9,2015。视图:谷歌学术
55. H. Taheri, P. Neamatollahi, O. M. Younis, S. Naghibzadeh，和M. H. Yaghmaee，“使用模糊逻辑的无线传感器网络中的能量感知分布式集群协议”，特设网络，第10卷，第5期。7，pp。1469-1481,2012。视图:出版商网站|谷歌学术
56. “一种构建负载均衡集群的混合蚁群优化方法”，刊于IEEE进化计算国际会议论文集(CEC 2005)， 2010-2017，爱丁堡，英国，2005年9月。视图:谷歌学术
57. M.Azharuddin和P. K.Jana，“用于最大化无线传感器网络的寿命的粒子群优化”，计算机与电气工程，卷。51，pp。26-42,2016。视图:出版商网站|谷歌学术
58. J. Kamimura, N. Wakamiya, M. Murata，“传感器网络中节能数据收集的分布式聚类方法”，国际无线和移动计算杂志， vol. 1, no. 12，页113-120,2006。视图:出版商网站|谷歌学术
59. 杨建平，“基于Bee-Sensor-C的无线传感器网络多路径路由协议”，分布式传感器网络国际期刊，第11卷，第5期。3，pp。1-14,2015。视图:出版商网站|谷歌学术
60. “蜜蜂交配优化算法在聚类中的应用”应用数学与计算第190卷第1期2，第1502-1513页，2007。视图:出版商网站|谷歌学术
61. R. Kumar, D. Kumar，“EACO和FABC在无线传感器网络中的多路径数据传输”，专业的沟通，第11卷，第5期。4, pp. 522-530, 2017。视图:出版商网站|谷歌学术
62. M. Asadi Zangeneh和M.Ghazvini，“使用人工蜂殖民地和遗传算法的WSN的基于能量的聚类方法”IEEE群智能与进化计算会议论文集，pp.35-41，克尔曼，伊朗，2017年3月。视图:出版商网站|谷歌学术
63. M. Ahmad, A. A. Ikram, I. Wahid, N. Inam, and S. Ali，“无线传感器网络中的生物启发聚类方案:BeeWSN，”Procedia计算机科学，第130卷，第206-213页，2018。视图:出版商网站|谷歌学术

版权

版权所有©2020 Aruna Tavak。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。