基于改进pso的无线传感器网络聚类能量优化算法

摘要

无线传感器网络(Wireless Sensor Network, WSN)是由位于应用环境中的最多传感器节点组成的网络，用于监控目标区域的物理实体，如温度监测环境、水位、压力监测、医疗保健和各种军事应用等。传感器节点大多采用自备电池供电，可以在相邻节点之间进行充分的操作和通信。为了使无线传感器网络的生命周期最大化，采取节能措施是提高无线传感器网络性能的关键。本文提出了一种改进的基于粒子群优化(PSO)的无线传感器网络聚类能量优化(EPSO-CEO)算法，该算法利用粒子群优化(PSO)算法进行聚类和簇头选择，以最小化无线传感器网络的功耗。对性能指标进行了评价，并将结果与竞争的聚类算法进行了比较，验证了算法的节能效果。

1.介绍

无线传感器网络是一种网络，可以用大量的小传感器自动组织它们。这些传感器节点可以在他们的无线电范围内完成分组传输，并且它们以感知，观察和识别现实世界环境的物理实体的方式组织。WSN由无限数量的传感器节点组成，可以感知其附近并在本身或外部基站收发信台中通信。这些无线传感器节点的最佳特征包括小尺寸，低成本，低计算功率，多功能（可以执行传感，数据处理，路由等），并且在短距离内轻松通信。在无人看管的敌对地区，这些设备一般部署，使得传感器的电源难以充电。但是，进行各种研究工作和技术，用于保留传感器节点中的能量以扩展网络寿命[1］．长时间的网络寿命，可靠的数据传输，传感器节点的节能，可伸缩性是WSN应用的主要要求。由于传感器节点中的若干约束，WSN具有各种问题，例如覆盖区域，网络生命周期和调度和数据聚合。

无线传感器网络的结构如图所示1；它包括大量的无线传感器节点，这些节点已根据应用程序和位于非常接近或在无线电范围内的接收器或基站(BT)安排和安装。BT将查询发送给执行传感任务的相邻传感器节点，并将数据返回给BT作为对发送查询的回答。

在无线传感器网络中，节点利用不成比例的能量进行通信，根据发送端和接收端节点之间的距离，传输数据包所需的电池功率将不同;因此建议使用多跳通信。数据传输采用分层路由，通过将多个节点分组到集群中来增加传感器网络的生命周期。然后为每一簇选择一个簇头节点，收集其成员的数据并以最小的多跳传输成本发送到基站。

大多数算法和协议[2，3.为提高网络的性能和吞吐量，提出了低能量自适应聚类层次算法(LEACH)、混合能量分布式聚类算法(HEED)等。早期的研究文件[4- - - - - -8]提供了不同的高效能技术，通过使用不同的高效能路由算法和可靠通信路由协议，这些技术可以在网络层上使用。这些算法所描述的机制相对地提高了分组传输中功率的利用率，并延长了传感器网络的寿命。本文的研究工作实现了粒子群算法在聚类中的应用，通过向离BT非常近的簇头发送数据包来优化簇头的选择，以提高节点剩余能量的提高。

粒子群优化（PSO）是一种优化技术，其中天然物种的社会行为被认为是计算的目的[9］．它是以群体为基础，以优化适应度函数为目标进行优化过程的群体智能技术。该方法利用群算法对每个粒子进行搜索，记录每个粒子的适应度值。然后粒子与它们匹配的速度相连。通过考虑最优适应度函数的代价，可以帮助粒子移动到合适的位置[10，11］．最优位置从所有粒子的智能局部出发，通过对全局最优位置的优化来识别簇头位置，以最小化总体能耗。与其他数学方法和启发式方法相比，粒子群算法具有更高的效率和吞吐量。

1．1.工作原理

为了适当提高网络的生存期，采用了多种路由协议和基于集群的算法来满足无线传感器网络的应用需求。从现有的研究方法来看，优化通信能耗变得非常重要。为了使传感器网络的生存期最大化，每个传感器节点的部分能量消耗在其他传感器节点之间的通信中起着重要的作用。本文采用基于粒子群算法的聚类和簇头选择能量优化算法，对各传感器节点进行节能研究。利用粒子群算法(PSO)根据簇成员节点到汇聚节点(sink node, BT)的距离和该节点的剩余能量选择簇头。仿真结果表明，该工作的动机大大提高了网络的预期寿命。

2.相关工作

传感器网络在部署传感器节点监测物理世界的过程中存在着许多研究挑战和网络问题。分层路由协议适合于节点的组织，以提高无线传感器网络的可扩展性。传统聚类算法LEACH [12]采用随机旋转，局部簇头均匀聚类，提高了可扩展性和网络性能。利用HEED集群协议延长了网络的生命周期[13];这就形成了基于传感器节点剩余能量和源到目的通信代价的聚类和簇头选择。

文献[14]提出的节能分层聚类（EEHC），其增加了传感器网络的寿命。但是，分层群集在群集头中进行过载，并将其优于其他节点更快。文献[15]提出了一种簇头分布方案，通过避免不必要的冗余来减少能量消耗，并与现有的LEACH相比，延长了网络生命周期。文献[16提出了能量高效的自适应多路径路由技术，以减少路由开销，有效利用能量可用性。在文献[17提出了具有sink移动性的竞争聚类(CC)算法，以增加传感器节点的剩余能量，提高网络性能。它根据候选人的剩余能量和竞争无线电的长度，从竞争候选人中选出最后的头名。该算法在固定汇聚节点附近形成较小的聚类，使得头节点更接近BS，聚类之间的数据采集能耗更低。

对于实现WSN中的单个传感器节点，更好的优化方法需要合理的内存空间和资源来产生更好的结果[18］．一种流行的优化技术叫做粒子群优化，它具有解的质量更好，计算效率更高，易于实现，收敛速度快的优点。PSO-clustering (14]有效地处理了NP-hard优化问题，利用基于邻近邻域的聚类，选择离基站更近的传感器节点成为该特定聚类的报头。PSO-C算法考虑了节点相对于簇头的可用能量和节点之间的距离[19］．[20.]的研究表明，PSO在网络跨度和总体吞吐量方面都优于LEACH和LEACH- c。

在[21提出了多跳传感器网络的路由图论和粒子群算法。为每一个第一轮，利用加权函数对簇头进行选择，加权函数记为，将以迭代的方式计算。根据数据包从源节点到目的节点的距离和剩余能量，利用适应度函数优化数据包的路由。用选择簇首的竞争聚类方法对仿真结果进行了评价，结果是正面的。基于移动传感器网络覆盖最大化的目标，[22]应用粒子群算法优化传感器部署策略。它是以集中式的方式执行的，这增加了BS的负担。

为了减少集群内的距离，[23]提出了一种基于粒子群算法的簇头选择方法，用于识别簇头节点的最佳位置，以定位簇密度中心。仿真结果与现有的LEACH-C和PSO-C进行了匹配，表明了网络生存期的提高和能源的节约。集群重构使得基站与传感器节点之间的集群信息通信产生了网络开销和额外的功耗。

本文提出了一种基于粒子群算法的改进聚类算法。采用粒子群算法对簇头进行优化选择，将数据包发送到各传感器节点的簇头，而不是直接转发到基站，从而降低了各传感器节点的功耗。

3.网络能量模型

在本文中，本文所提出的工作模拟了由使用矩形传感器网络的温度监测应用部署的传感器节点数量。对于节点的部署作了如下假设[12]的例子如下:(我)所有选择的节点在部署后都被认为是静态的。(2)两种类型的节点如下：一个是用于感测温度监测环境的传感器节点，另一种类型的节点是固定在传感器网络的中心的沉没或基站。(3)为传感器节点分配一个独特的标识(ID)和类似的初始能量。(iv)允许节点使用不同级别的传输功率，优先考虑与目标节点的距离。(v)BT每隔一段时间就根据数据包向簇头发送请求消息，从传感器获取采样数据。(vi)链接是对称的。

3.1。能源模型

WSN中物理层的能量模型[12用于计算各传感器节点在与其他传感器节点通信时的能量损失。使用的两个信道传播模型是空闲空间(功率损失)，用于单跳或直接传输，多径衰落信道(功率损失)通过多跳包传输。因此，为这种传输耗尽能量的一种-比特包超过距离是计算 在哪里为自由空间能量损失，为多径能量损失，源节点和目标节点之间的距离，和是交叉距离: 无线电接收这条信息所消耗的能量是 因此，在无线传感器网络的物理层和Mac层设计了发射功率和接收功率的能级[21］．

4.提出一种基于粒子群算法的聚类算法

在本节中，我们提出了一种增强的基于pso的聚类能量优化(EPSO-CEO)算法，采用集中式和分布式相结合的方法，使用静态汇聚节点进行聚类和簇头选择。

4．1.粒子群算法(PSO)

粒子群算法(PSO)是一种基于种群的优化方案。用种群初始化系统的随机解，每代搜索最优解[20.］．每一代的潜在解称为粒子。PSO中的每个粒子都保存了其所有坐标的存储记录，这些坐标与跟随当前最佳粒子获得最佳解有关。

执行每个粒子的适应度函数，计算并存储适应度值(最佳解)。当前最优粒子的适应度值称为“pbest”。粒子群算法优化的是到目前为止在邻居中任何粒子所获得的最佳种群值，其位置称为lbest。

当所有生成的种群被一个特定的粒子视为拓扑邻居时，在生成的种群中选择最优值，这个最优值就是最优解，称为gbest。数字2显示了粒子群算法粒子在二维空间中的运动。

粒子群算法总是试图改变每个粒子的速度，使其朝着最优和最优方向移动。速度是由随机术语决定的，这是随机生成的速度朝着pbest和lbest位置。

从生成的大量解中，选择最佳解来解决问题。PSO算法总是存储和维护三个全局变量的结果记录，如目标值或条件、gbest和停止值。

得到的PSO的每一个粒子都包含以下细节。(我)可以代表全局解决方案的数据。(2)值表示要更改的数据量。(3)磅值。

4．2．集群的形成

集群是由基站或sink在集中式集群的基础上形成的。集群时，基站(sink)向所有传感器节点广播信息收集消息。传感器节点收到此消息后，开始发送其节点信息，如节点id、位置(到基站的距离)和位置)，能量损耗和能量损耗比(速度)，以及发送基站的电流能量。然后基站启动集群过程步骤如下。

步骤1。将问题转化为粒子群粒子空间，其中粒子具有粒子位置和速度两个维度。

步骤2。用适应度函数估计适应度值。

4．3．适应度函数

我们提出的基于PSO的聚类的适合功能是优化成员节点的平均距离和平均能量，并从当前的集群头和头部。数字3.显示了粒子群算法的簇形成。

粒子的适应度值计算公式如下: 在哪里和称重参数(归一化值)和表示集群中涵盖的成员数量。

步骤3。从初始溶液中生成新的粒子。旧粒子生成新粒子就是新粒子的生成。
一步3.1．新速度的估计:所取粒子的当前速度被认为是粒子位置改变的速率。新速度计算如下: 在哪里为惯性权重，和是PSO的基本调谐参数。
一步3.2．粒子的新位置估计如下: 最后，新的粒子(新的速度和新的位置)出现了。

步骤4。计算新粒子的适应度值。

利用Step中的适应度函数估计新粒子的适应度值以新的速度，新的位置。

第5步。比较旧粒子和新粒子的适应度值，选出最优的粒子进行下一次迭代:如果新适应度值>旧适应度值选择新粒子;其他的旧粒子被转发到下一个迭代。

步骤6。对于每一次迭代，选择一个最优解作为局部最优解。
选取当前迭代中适应度值最大的粒子作为lbest解。

步骤7。从粒子的所有迭代中选取解中有最大值的局部最优解作为全局最优解。最终的解决方案被解码成集群。

基站使用PSO形成集群，向包含集群信息的传感器节点广播集群公告消息，如图所示3.．每个传感器节点存储此消息并启动轮程序来执行簇头选择。

4．4.簇头的选择

群集后，每个传感器节点都维护“my_cluster_list”。它包括当前的群集ID，速度，位置和能量。然后启动舍入过程以执行群集头选择。通过实现PSO算法的群集头选择如图所示4．

步骤1。当前节点所覆盖的成员相互通信以选择一个簇头，如下所述步骤所示。

步骤2。适应度函数: 在哪里，为当前集群节点的成员数，和称重参数(标准化值)，和表示在比赛范围内的成员数目。

步骤3。从初始溶液中生成新的粒子。
一步3.1．新速度的估算如下: 在哪里为惯性权重，和是PSO的基本调谐参数。

一步3.2．用新速度估计新位置如下:新位置=旧位置+新速度。最后，新的粒子(新的速度和新的位置)出现了。

步骤4。计算新粒子的适应度值。
利用Step中给出的适应度函数估计新粒子的适应度值以新的速度，新的位置。

第5步。比较旧粒子和新粒子的适应度值，选出最优的粒子进行下一次迭代:如果新适应度值>旧适应度值选择新粒子;其他的旧粒子被转发到下一个迭代。

步骤6。对于每一次迭代，选择一个最优解作为局部最优解。
选取当前迭代中适应度值最大的粒子作为lbest解。

步骤7。在所有迭代过程中都找到一个局部最优解，并选取局部最优解中最大的粒子作为全局最优解。最后，选择全局最优解的粒子作为当前簇头，如图所示4．

4．5.使用多跳路由协议的数据传输

4.5.1。集群内多跳路由设置

集群化后，在数据传输过程中调用路由过程。路由由两个步骤组成;一个是建立路由，另一个是转发感知到的数据。按需距离矢量路由协议用于路由建立[24]之间的传感器节点的两种情况:初步路线建立及不可用。

在路由建立阶段，通过单跳传输将路由请求消息广播到所有节点[20.]，单播路由应答消息以反向路径发送到源节点。一旦建立了路由，就开始使用多跳路由协议进行数据传输。

在本工作中，采用多跳通信协议进行数据传输[5- - - - - -8]在节点之间到群集头（内部板路由）和簇头到BT（目的地）。数据聚合由每个群集中的头部完成，以便保存剩余能量并设置阈值阈值。当簇头节点与基站之间的传输距离小于阈值时;然后让簇头通过单跳传输将计算出的聚合数据发送到簇头。否则，簇头将找到开销最小的邻居作为中继节点的下一跳[12］．同时，根据距离和剩余能量选择节点。最小代价路径和最大剩余能量节点的计算公式如下: 在哪里为随机调谐参数，，为成员节点和当前头节点，SN为汇聚节点。

以最小的开销选择中继簇头节点向目的地发送数据，一旦选择簇头节点就建立簇间路由。

5.结果和讨论

5．1.仿真结果

利用网络模拟器(NS-2.34)设计网络场景，执行PSO算法形成簇并选择簇头，以降低传感器节点的能量节约。仿真结果是通过在a平方米面积。传感器节点的部署任务是感知物理参数。

模拟结果根据以下性能指标进行评估。

接收报文总数．宿节节点接收的数据分组总数计算群集头节点发送并由宿节点（基站）接收的数据分组总数的计数值。

包交货率．成功接收的数据包数量与传输的总数据包数量的比值称为数据包传输比。

规范化的开销(NRO)．规范化开销定义为控制包数与数据包数之间的计算比率。

端到端延迟．数据包从源节点路由到目标节点的平均时间以时延(秒)计算。

吞吐量．它是每秒传输的数据包数量的度量。

丢包数．它是指发送的数据包总数与接收的数据包总数的差值。

包下降比率．它是丢包数和发送包数之间的比率。

网络生命周期．该度量评估由于电池充电放电而发生第一个节点故障的时间。每一轮活动节点的数量如图所示

相对能源消耗．它给出了总能量消耗和总数据包传输的比率。

能源消费总量．通过模拟计算节点传输数据包所消耗的总能量。

平均能量消耗．它给出了接收总数据包所消耗的总能量与节点传输数据包所消耗的总能量之间的关系。

总剩余能量．它是每个传感器节点的初始能量与当前能量之差。

平均剩余能量．它是所有传感器节点在整个仿真时间内的总剩余能量。

网络仿真参数和PSO参数如下所示。

5.2。仿真参数

仿真参数如下:迭代次数:100次。节点数量:100个。区域（部署）：平方米。初始能量:3焦耳。能量放纵运行无线电设备（): 50 n焦耳/位。覆盖面积:91米²．MAC类型:802.11。天线型号:全向天线。传播模型:自由空间/双射线地面。队列类型:优先队列。传输功率:0.02瓦。接收功率:0.01瓦。应用类型:传感应用(温度)。连接类型:UDP。传输时长:155秒。模拟时间:200秒。

5.3。性能分析

在本研究工作中，采用以下性能指标对无线传感器网络进行评估，通过节能来提高网络效率。从25、50、75到200轮的度量被评估，相应的输出被描述为一个图表(图)5- - - - - -17)．表1和2给出了采用竞争聚类算法和基于粒子群算法的簇头选择算法所获得的仿真结果的评价。表1和2提供50到200轮的数值数据。

根据汇聚节点接收包数、端到端时延、按包数计算的丢包数、丢包比、丢包比、归一化开销等性能指标对仿真结果进行评估。本文提出的基于粒子群算法的聚类算法与竞争算法的吞吐量对比如表所示1．

对总剩余能、平均能耗、相对能耗、平均剩余能、总能耗、寿命等指标进行比较，结果如表所示2．

从这些表中，我们观察到通过使用基于PSO的簇头选择方案增强聚类算法，增加了WSN的整体网络性能。具体地，平均能耗和总能量利用率降低了40％，寿命增强了70％。

下面将讨论与图相关的各种性能指标。

数字5显示了在50、75、100、125、150、175到200的不同轮数下，BT接收到的数据包数量。从结果可以看出，与竞争聚类算法相比，所提出的pso聚类算法随着簇头方案的最优选择而增加了接收包数。

数字6表明，与现有系统相比，基于粒子群算法的能量优化算法得到的包分发率有了明显提高。

数字7描绘了使用竞争聚类和增强的PSO聚类算法对归一化开销的比较。在提出的系统中，控制分组的数量和整个网络传输的归一化开销都显着减小。对于增加的数据分组，整体网络控制分组的标准化开销减小。

数字8显示了基于粒子群算法的能量算法的端到端延迟，与竞争的聚类算法相比最小。

数字9与现有算法相比，在不同轮的吞吐量上有很大的提高。

在图10比较了PSO聚类算法与竞争聚类算法在网络整体包传输中的丢包数。可以观察到，数据包丢弃量大大减少。

与竞争的聚类算法相比，所提出的PSO聚类算法降低了丢弃率，如图所示11．

数字12结果表明，与竞争聚类方法相比，利用粒子群算法选择最优簇头，减少了每个传感器节点的能量消耗，从而提高了网络的生存期。每轮活动节点的数量增加，这表明网络的生命周期增加。

数字13结果表明，所提出的PSO聚类相对能耗小于竞争聚类。

在图14当与竞争性聚类相比相比，观察到通过使用所提出的PSO聚类来减少通过使用所提出的PSO聚类来传播分组的各种圆形的总能耗。

在图15观察到，通过使用所提出的PSO聚类而不是竞争性聚类，所有节点的能量消耗不太相当大。

与图中所示的竞争聚类相比，所提出的PSO聚类的总体剩余能量有了很大的改善16．

数字17结果表明，与竞争聚类相比，PSO聚类的平均剩余能量有所增加。

从仿真结果和性能分析可以看出，PSO聚类算法对簇头的最优选择在节省能量和增加网络生存期方面是高效的，从而提高了WSNs的性能。

6。结论

通过各种基于pso的聚类和簇头选择算法，从提高吞吐量、分组分发率、剩余能量和活动节点数等方面提高了无线传感器网络的网络性能。改进的粒子群算法在基站内集中构造聚类，并利用粒子群算法分布式地选择簇头。传感器节点感知到的数据由头部聚合，根据采用多跳路由协议的阈值直接或通过中继节点发送给BT。评估了吞吐量、分组传输比、网络生存期、标准化开销、延迟、剩余能量和总能量消耗等性能指标，并与具有竞争力的聚类方法进行了比较。仿真结果表明，投影(ECPSO-CEO)方案在减小总能量消耗和延长无线传感器网络生存期方面具有较好的性能。在未来，这项工作可以扩展到使用多sink或移动sink来提高网络生存期和数据传输[25]及利用数据聚合有效收集数据[6，因为在拟议的制度中，延误减少了一定程度。

6．1.对知识的贡献

采用基于粒子群算法的聚类和簇头选择能量优化算法，实现了各传感器节点的节能。利用粒子群算法(PSO)根据簇成员节点到汇聚节点(sink node, BT)的距离和该节点的剩余能量选择簇头。为了提高无线传感器网络的寿命，加强了节能措施和能量优化技术。

利益冲突

提交人宣称，没有关于本文的出版物的利益冲突。

参考

1. G. Anastasi, M. Conti, M. Di Francesco，和a . Passarella，“无线传感器网络中的能源节约:一项调查”，ad hoc网络，第7卷，第5期3，第537-568页，2009。视图:出版商的网站|谷歌学者
2. A. Gupta和A. Nayyar，“无线传感器网络中基于集群的节能路由协议的综合综述”，国际计算机与通信技术研究杂志，第3卷，第2期。1, pp. 441-453, 2014。视图:谷歌学者
3. O. Younis和S. Fahmy，“HEED:一种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:出版商的网站|谷歌学者
4. M. Younis，I. F. Senturk，K.Akkaya，S. Lee和F. Senel，“拓扑管理技术，用于容忍无线传感器网络中的节点故障：调查”计算机网络， vol. 58, pp. 254-283, 2014。视图:出版商的网站|谷歌学者
5. Wang J.， Zhang Z.， Xia F.， Yuan W.， and S. Lee，“一种基于稳定选举的无线传感器网络路由算法，”传感器，第13卷，第2期11, pp. 14301-14320, 2013。视图:出版商的网站|谷歌学者
6. I. Ha, M. Djuraev，和B. Ahn，“无线多媒体传感器网络的节能数据收集方法”，国际分布式传感器网络杂志，卷。2014年，第698452号，8页，2014年。视图:出版商的网站|谷歌学者
7. H. R. Dhasian和P. Balasubramanian，“无线传感器网络中使用软计算的数据聚合技术综述”，专业信息安全，第7卷，第5期4, pp. 336-342, 2013。视图:出版商的网站|谷歌学者
8. 李俊杰，蒋旭东，i - t。基于虚拟MIMO方案的无线传感器网络能量平衡路由算法杂志上的传感器， 2014年第4卷，文章编号589249,8页，2014。视图:出版商的网站|谷歌学者
9. 王小玲，李淑娟，“基于粒子群算法的移动传感器网络节能部署”，科技进步与展望先进的Web和网络技术及应用:APWeb 2006国际研讨会:XRA, IWSN, MEGA，和ICSE，中国哈尔滨，2006年1月16-18日。诉讼年第3842卷计算机科学课堂讲稿，页373-382，施普林格，柏林，德国，2006。视图:出版商的网站|谷歌学者
10. B. Singh和D. K. Lobiyal，“基于粒子群优化的无线传感器网络能量感知簇头选择”，以人为中心的计算和信息科学，第2卷，第2期第13条，18页，2012年。视图:出版商的网站|谷歌学者
11. S. Thilagavathi和B. G. Geetha，“基于群间搜索的无线传感器网络能量感知群优化”，科学世界杂志， 2015年第3期，文章编号395256,8页，2015。视图:出版商的网站|谷歌学者
12. 王军，杨旭东，马涛，吴敏。Kim，“一种使用移动接收器的无线传感器网络的节能竞争聚类算法”，国际网格和分布式计算杂志，第5卷，第5期。4，第79-92页，2012。视图:谷歌学者
13. W. R. Heinzelman, A. Chandrakasan，和H. Balakrishnan，“无线微传感器网络的节能通信协议”第33届夏威夷国际系统科学年会论文集，页1-10，毛伊岛，夏威夷，美国，2000年1月。视图:谷歌学者
14. R. V. Kulkarni和G. K. Venayagamoorthy，“无线传感器网络中的粒子群优化:简要综述”，系统、人与控制论汇刊C辑号，第41卷。2, pp. 262-267, 2011。视图:出版商的网站|谷歌学者
15. S. Bandyopadhyay和E. J. Coyle，“一种高效的无线传感器网络层次聚类算法”IEEE计算机与通信第22届年度联合会议论文集。IEEE学会(INFOCOM '03)，第3卷，第1713-1723页，IEEE，旧金山，加利福尼亚，美国，2003年3 - 4月。视图:出版商的网站|谷歌学者
16. “无线传感器网络中高效路由的一种聚类方法”第六届电子、硬件、无线及光通信国际会议论文集，页133-138，冰岛科孚岛，希腊，2007年2月。视图:谷歌学者
17. R. Vidhyapriya和P. T. Vanathi，“无线传感器网络的节能自适应多路径路由”，国际计算机科学杂志，卷。34，不。1，p。56,2007。视图:谷歌学者
18. J. Kennedy和R. Eberhart，“粒子群优化”，刊于IEEE国际神经网络会议论文集1995年11月至12月，澳大利亚珀斯，第4卷，1942-1948页。视图:谷歌学者
19. S. M.Guru，S.K. Halgamuge和S.Fernando，“无线传感器网络中的集群形成的粒子群优化器”IEEE智能传感器、传感器网络和信息处理国际会议论文集(ISSNIP’05)， s.k. Halgamuge，页319-324，墨尔本，澳大利亚，2005年12月。视图:出版商的网站|谷歌学者
20. N. M. A. Latiff, C. C. Tsimenidis，和B. S. Sharif，“使用粒子群优化的无线传感器网络能量感知聚类”第十八届IEEE个人、室内和移动无线电通信国际研讨会论文集(PIMRC '07)，第1-5页，希腊雅典，2007年9月。视图:出版商的网站|谷歌学者
21. N. A. B. A. Aziz, A. W. mohammed，和B. S. Daya Sagar，“粒子群优化和Voronoi图的无线传感器网络覆盖优化”，在国际智能和先进系统会议论文集(ICIAS’07)，页961-965,IEEE，吉隆坡，马来西亚，2007年11月。视图:出版商的网站|谷歌学者
22. A. Gopakumar和L. Jacob，“使用粒子群优化的无线传感器网络定位”，发表于《无线传感器网络定位》无线、移动和多媒体网络国际会议论文集， pp. 227-230, IEEE，中国，2008年1月。视图:谷歌学者
23. M. Saravanan和M. Madheswaran，“无线传感器网络中最短路径选择的混合优化加权最小生成树”，工程数学问题，卷。2014年，第713427条，8页，2014年。视图:出版商的网站|谷歌学者
24. 朱超，舒立，原涛，王磊，西夫胜，杨立涛，“移动传感器网络中通信和数据管理问题研究”，无线通信和移动计算第14卷第2期1, pp. 19-36, 2014。视图:出版商的网站|谷歌学者
25. T. K. Jain, D. S. Saini, S. V. Bhooshan，“通过能量平衡的多sink无线传感器网络的寿命优化”，杂志上的传感器， vol. 2015, Article ID 921250, 6页，2015。视图:出版商的网站|谷歌学者

版权

版权所有©2016 C. Vimalarani等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。