合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN,heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA,simulated annealing)算法和改进灰狼优化器(GWO...合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN,heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA,simulated annealing)算法和改进灰狼优化器(GWO,grey wolf optimizer)的HWSN路由协议SA-MGWO(SA-modified grey wolf optimizer)。首先,该协议通过为能量异构的节点定义不同的适应度函数进行初始簇的选取;然后计算节点的适应值,并将其视为灰狼优化器中的初始权重;同时,根据狼群与猎物的距离以及系数向量对权重进行动态更新,提高灰狼优化器的寻优能力;最后,利用模拟退火算法保证异构网络中最优簇集的选取。仿真结果表明,相比于SEP(stable election protocol)、分布式能量有效成簇(DEEC,distribute energy efficient clustering)、M-SEP及FIGWO(fitness value based improved grey wolf optimizer)协议,SA-MGWO协议的网络生命周期分别提高了53.1%、31.9%、46.5%和27.0%。展开更多
文摘合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN,heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA,simulated annealing)算法和改进灰狼优化器(GWO,grey wolf optimizer)的HWSN路由协议SA-MGWO(SA-modified grey wolf optimizer)。首先,该协议通过为能量异构的节点定义不同的适应度函数进行初始簇的选取;然后计算节点的适应值,并将其视为灰狼优化器中的初始权重;同时,根据狼群与猎物的距离以及系数向量对权重进行动态更新,提高灰狼优化器的寻优能力;最后,利用模拟退火算法保证异构网络中最优簇集的选取。仿真结果表明,相比于SEP(stable election protocol)、分布式能量有效成簇(DEEC,distribute energy efficient clustering)、M-SEP及FIGWO(fitness value based improved grey wolf optimizer)协议,SA-MGWO协议的网络生命周期分别提高了53.1%、31.9%、46.5%和27.0%。