负载均衡的无线传感器节点重部署算法_孙环.pdf

基金项目:国家自然科学基金资助项目(61671165),桂林电子科技大学研究生教育创新计划资助项目(2018YJCX39)收稿日期:2021-05-17 修回日期:2021-05-24 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0386-06负载均衡的无线传感器节点重部署算法孙 环,陈宏滨(桂林电子科技大学信息与通信学院,广西 桂林 541004)摘要:近年来,节点部署优化问题引起了越来越多的研究者的关注。针对无线传感器网络节点部署中存在的网络负载不均衡问题,提出了一种无线传感器网络中负载均衡的节点重部署(Load Balanced Node Redeployment,LBNR)算法。算法在网络初始化之后,利用 K-means 算法进行分簇,引入冗余节点,对负载大的簇进行拆分,对负载小的簇进行簇成员节点调整。其中,在减小簇规模阶段,利用帝王蝶优化算法对冗余节点进行移动,以进行簇拆分;在增大簇规模阶段,采用邻近运动方式,进行簇成员调整。上述算法通过有效地移动节点,均衡了网络负载,提高了网络能量使用效率。而且与其它节点部署方案相比,研究提出的方案采集数据量明显增加,网络负载更均衡,传感器网络的生命周期显著延长。关键词:无线传感器网络;节点重部署;负载均衡;帝王蝶优化;冗余节点中图分类号:TP393 文献标识码:BLoad Balancing Node Redeployment Algorithm Based onMonarch Butterfly OptimizationSUN Huan,CHEN Hong-bin(School of Information and Communication,Guilin University of Electronic Technology,Guilin Guangxi 541004,China)ABSTRACT:In recent years,node deployment optimization has attracted more and more researchers attention.ALoad Balanced Node Redeployment(LBNR)algorithm for wireless sensor networks is proposed to solve the problemof network Load imbalance in Node deployment.After network initialization,this algorithm uses the K-means algo-rithm to divide clusters,introduces redundant nodes,splits the clusters with large load,and adjusts the cluster mem-ber nodes for the clusters with small load.In the stage of reducing the cluster size,the Monarch Butterfly optimizationalgorithm is used to move the redundant nodes to split the clusters.In the stage of increasing the cluster size,thecluster members are adjusted by the adjacent motion.By effectively moving nodes,the algorithm balances the networkload and improves the efficiency of network energy use.Moreover,compared with other node deployment schemes,the proposed scheme significantly increases the amount of data collected,the network load is more balanced,and thelife cycle of the sensor network is significantly prolonged.KEYWORDS:Wireless sensor network(WSN);Node redeployment;Load balancing;Monarch butterfly optimiza-tion;Redundant nodes1 引言无线传感器网络(Wireless Sensor Networks,WSN)是由传感器节点以无线通信的方式,在监测区域内形成的自组织网络1。至今,无线传感器网络在军事、智慧交通、健康医疗2,3等方面越来越普及。通常情况下,大量的无线传感器节点随机部署在监测区域内,随着网络的运行,不可避免地产生网络负载不均衡问题。通过优化传感器节点的部署位置,可以有效地均衡网络负载,延长网络生命周期。近年来,许多学者对此问题进行了研究。由于传感器节点的可用资源有限,且在某些场景不能及时进行补充,因此需要对传感器节点的能量使用效率和部署进行优化。目前有许多研究者提出通过聚类技术均衡网络能耗,延长网络生命周期4,5。但当网络采用聚类技术之后,683在网络进行数据采集过程中,网络能耗和网络负载不均衡问题依然是延长网络生命周期的重要问题。文献6提出了一种新的基于能量感知的分层双层能源收集辅助的 WSNs 节点部署方案。该方案考虑了节点:常规电池供电的传感器节点和具有能量采集辅助数据的中继节点。根据概率密度函数,研究了最小神经网络个数,以最小化网络能耗。文献7提出了一种有效的负载均衡数据采集方案,该方案通过选择一组中继节点,引入移动汇聚节点,优化汇聚节点的移动路径,平衡网络负载,延长网络生命周期。文献8根据提高无线传感器网络生命周期的两种主要技术:最优的传感器激活;基于压缩感知的有效数据采集和转发,提出了一种迭代解决能量平衡问题的替代方法,有效地均衡了网络能量。文献9提出了一种新颖的 WSNs 数据传输负载均衡策略,即基于超级链路的数据引流,充分利用硬件更强大、通信能力更强的超级节点,实现数据流量的再分配。与传统的被动的晚期补救方法不同,这是一种积极的早期干预策略。但该策略对于基于部署的策略,通常在sink 周围部署额外的节点,以缓解 sink 周围节点的负载,没有考虑距离 sink 距离远的节点负载。为了解决 WSN 节点部署问题,近年来,有许多研究者采用智能优化算法来处理10。文献11通过利用粒子群优化算法有效地处理 WSN 节点部署优化问题,但粒子群优化算法迭代效率低,容易陷入局部最优值。在此基础上,文献12提出了一种全局优化的传感器节点部署策略,即基于蚁狮优化算法的无线传感器网络节点部署方案。首先该方案以传感器节点覆盖目标区域为目的,建立了相应的数学模型。然后将节点部署的优化问题转化为求函数最大值的问题。最后利用蚁狮算法得到最佳节点部署位置。但上述文献未考虑网络的实际负载以及能量消耗情况,部署后的节点由于可使用的能量有限,会出现网络负载不均衡问题。针对上述网络负载不均衡问题,本文综合考虑了节点初始部署后的网络负载和能量消耗,提出了一种负载均衡的无线 传 感 器 网 络 节 点 重 部 署(LoadBalancedNodeRedeployment,LBNR)算法。该算法主要对负载大的簇进行拆分,负载小的簇进行簇成员节点移动。在网络完成初始化之后,利用 k-means 算法13对网络中所有节点进行分簇,引入冗余节点14,冗余节点一开始处于休眠状态,根据平均簇负载大小,判别出重载簇和轻载簇,计算出最优簇头数,对传感器节点进行重部署。在减小簇规模阶段,利用帝王蝶优化算法15对冗余节点进行移动,以冗余节点为簇头,将规模大的簇进行拆分,增加簇的个数;在增大簇规模阶段,簇成员节点进行邻近运动,动态调整各簇规模。该算法最大限度地使簇负载均衡、能量均衡,延长网络生命周期。本文的主要贡献如下:1)本文在基于集群的数据收集过程中,研究了网络负载瓶颈问题,考虑到节点数据量的差异性,充分利用了初始随机部署过程中的冗余节点。2)为了解决网络负载不均衡问题,设计了一种负载均衡的传感器节点重部署算法,对网络的局部优化和全局优化进行平衡,高效能地移动冗余节点和簇内普通节点,实现簇负载与能量相匹配。3)仿真结果验证了所提算法能有效地均衡网络负载,提高网络资源利用率,增大数据采集量。2 系统模型2.1 无线传感器网络模型如图 1 所示,无线传感器网络模型主要由汇聚(sink)节点、簇头、普通节点、冗余节点组成。其中,汇聚节点负责收集分析网络中的所有数据,普通节点进行感知数据,簇头节点负责收集、融合、转发簇内所有普通节点的数据,冗余节点初始时处于休眠状态。网络执行过程以网络工作轮数的形式进行,每一轮都包含数据的通信阶段。图 1 无线传感器网络模型无线传感器网络节点部署过程如下:首先,在规模为 LL 的正方形监测区域内,随机部署 N 个传感器节点,利用 k-means 算法进行分簇。然后,普通节点将感知数据传输到自己所处簇的簇头处,簇头再进行数据融合和转发。最后,当簇的负载达到设定的阈值时,移动冗余节点进行簇拆分阶段,进而以冗余节点为簇头将原集群进行拆分,生成新的簇(此时簇数目1)。当网络中簇数达到最佳时,簇成员节点进行邻近运动,完成簇成员调整,从而实现网络负载均衡。为了更好地实现本文设计目标,本文中的节点位置信息都可以通过特殊方式获得。该网络的具体假设如下:1)每个节点都能通过全球定位系统(Global PositioningSystem,GPS)或其它一些特殊定位算法16知道自己的位置,相邻节点间可以互相通信,每个传感器节点有其唯一身份标识号(Identity Document,ID)。2)每个节点只被包含于一个簇中,且初始化时节点的属783性相同。3)所有簇头都以单跳方式向汇聚节点发送数据,簇内普通节点也以单跳方式向自己的簇头传输数据。4)汇聚节点位于网络中心,且没有能源限制。5)整个网络中的节点在初始部署后都是可移动的,并且簇与簇之间不存在信息的传递。2.2 能量消耗模型对于能量消耗程度的测量,使用一阶无线电模型17。假设通信距离为 d,比较发射机和接收机之间的距离与阈值d0的大小,分别采用自由空间信道和多路径衰减信道。例如,从发射节点距离为 d 的接收节点发送 m 比特数据时,所消耗的能量可以用公式表示为ETX(m,d)=mEelec+mfsd2,d d0mEelec+mampd4,d d0(1)d0=fsamp其中,d0为距离阈值;Eelec是发送/接收 1 bit 数据的能量消耗;fs表示当 dd0时,自由空间中发送电路的放大系数,其值设为 12pJ/bit/m2;amp为当 d d0时,多径信道中发送电路的放大系数,其值设为 0.0012pJ/bit/m4节点在感知过程中消耗能量忽略不计。节点接收 m bit 数据所需能量损耗 ERX(m)为ERX(m)=m Eelec(2)节点移动所消耗的能量 Emove可表示为:Emove=e dx(3)式(3)中 e 为单位距离内节点移动能耗,dx为节点移动距离。3 问题描述本章针对无线传感器网络负载不均衡问题,提出基于MBO 的负载均衡节点重部署的原因。首先,给出以下定义:定义 1 生命周期:当网络中死亡节点数目达到网络节点总数目的 40%时,表示该网络生命周期结束。定义 2 死亡率:死亡节点数目与节点数目 N 的比值。定义 3 传感器节点集合 S=S1,S2,SN,冗余节点的集合 R=R1,R2,Rx,且 RS。定义 4 邻居节点:节点 i 的邻居集定义为 N(i)=nS|de(i,j)Rc,ni,其中 de(i,j)为节点 i 与节点 j 之间的欧氏距离,Rs(i)为节点 i 的感知半径。因此,节点 i 为冗余节点的条件为:jN(i)Rs(j)Rs(i)。在无线传感器网络中,网络进行初始部署之后,由于节点能量有限且难以进行补充或替换、每个节点产生的数据量不一致,网络负载可能随时间变化而变化,容易导致负载大的节点能量消耗过快提前死亡,影响网络数据采集,甚至导致网络瘫痪,无法正常运行。因此,本文对网络负载不均衡问题进行了研究,考虑了节点的实际负载情况,在帝王蝶优化算法的基础上,提出了一种负载均衡的无线传感器网络节点重部署算法。本文为了平衡各簇的负载,不仅使最大负载簇最小化,而且还研究了所有簇之间的负载分配。因此,本文的适应度函数可以根据簇负载的标准差来建立。簇负载的标准差可以表示为=1NCHNCHi=0LCi-?LC()2(4)标准差越小,适应度值越好。因此适应度函数可以表示为Fit=1(5)其中,NCH为簇头数目,LCi为集群 Ci的负载,且 0i p 时xt+1i,k=xtr2,k(11)上式(10)中,rand 为服从均匀分布的随机数,t0为迁移周期;上式(11)中的 r2是从 NP2 中随机选择的。MBO 算法中通过调整迁移率 p 可以平衡迁移算子的方向。若 p 越大,则从 Land1 中选择更多帝王蝶,反之,则从Land2 中选择更多帝王蝶。2)蝶形调整算子对于帝王蝶 j 中的元素,如果随机生成的数字 rand 小于或等于 p,则可以将其更新为xt+1j,k=xtbest,k(12)其中,xbest是 Land1 和 Land2 中最好的帝王蝶。若 rand p,则有xt+1j,k=xtr3,k(13)若 rand BAR,则xt+1j,k=xt+1j,k+(dxk-0.5)(14)dx=Levy(xtj)(15)=Smax/t2(16)其中,r3是从 NP2 中随机选择的帝王蝶,BAR 为蝶形调整率,Smax为一个帝王蝶个体一步移动的最大距离,为加权因子,在本文中 Smax取值为 1.0,BAR=5/12,迁移周期 t0=1.2,迁移率 p=5/12。4.2 邻近运动在本小节中,通过利用 MBO 算法移动冗余节点,以拆分负载大的簇,实现最小化最大簇负载。此外,为了所有簇之间的负载分配,当簇头数目达到最优时,利用邻近运动进行簇成员节点的移动,以实现网络负载均衡。邻近运动如图 2所示,假设簇 D 是负载最小的簇,簇 B 是负载最大的簇,负载C 是第二大的簇,此时需要平衡簇 D 的负载。因节点的数据产生量在每次迭代中不同,故以节点 i 的实际负载、剩余能量和距离相邻簇的欧氏距离为判定标准,先从簇 B 中选择适合的成员节点移动到簇 C 中,然后再将簇 C 中选择符合条件的节点移动到簇 D。邻近运动有利于平衡各簇负载,减少移动能耗。在增大簇规模阶段,通过函数值动态调整成员节点,以平衡各簇负载,节点 i 的函数表达形式如下f=1vL+2er+3ditoh(17)其中,1,2,3分别为节点的实际负载、剩余能量以及节点间距离在函数所占的权重因子,且 1+2+3=1。vL为节点i 当前的实际负载,er为节点 i 的剩余能量,ditoh为节点 i 到相邻簇簇头的欧氏距离。4.3 LBNR 算法步骤本章节为了提高网络数据收集率,引入了 k-means 聚类算法,但随着网络的运行,由于每个节点的数据产生量不同,图 2 邻近运动会出现负载瓶颈问题,需对网络节点进行重新部署。近年来,智能优化算法已广泛应用于无线传感器网络中,而 MBO算法作为有前景的智能优化算法之一,在节点部署优化问题上具有很大的潜力。利用其迁移算子,根据节点的实际负载,剩余能量以及具体位置,移动网络中的冗余节点,完成簇的拆分。此外,该算法结合本章节所提的邻近运动,能有效地调动冗余节点,移动簇内普通节点,使节点的能量与其负载相匹配,提高网络数据采集量。根据 MBO 算法,设置 sink与簇头的通信距离阈值为 Dth,sink 节点与簇头节点的实际距离为 Dch,若 Dch小于或等于 Dth的集群称为相邻 sink 簇,反之为远离 sink 簇,将相邻 sink 簇和远离 sink 簇分别作为 Area1和 Area2。具体的算法步骤如下:Step 1:初始化。设置迭代次数 t=1,初始化种群整体数量 NP,设置最大迭代次数 Tmax,Area1 中的节点数量为 NP1和 Area2 中的节点数量为 NP2,帝王蝶调整率 BAR,迁移时间 t0和迁移率 p,以及通信距离阈值 Dth(sink 与所有簇头之间的平均距离)和集群负载阈值?LC(网络中所有集群负载的平均值);Step 2:利用 k-means 算法进行分簇;Step 3:标出所有冗余节点,且其一开始处于睡眠状态,所消耗的能量忽略不计;Step 4:计算出每个簇的实际负载;Step 5:根据网络中簇是否存在数据量异常现象,来判断网络中簇数目是否达到最佳簇数;Step 6:通过 MBO 算法进行负载均衡:Step 6.1:根据负载阈值判别出重载簇和轻载簇;根据平均每个簇的负载:?LC=网络总负载(Lsd)/簇头数目(NCH);若簇 LCi?LC,则称为重载集群 CW,反之,为轻载集群 CL。Step 6.2:网络中存在数据量异常的簇,则网络中簇数未达到最佳簇数,利用冗余节点进行拆簇;Step 6.2.1:首先根据适应度对所有节点进行排序,然后根据通信距离阈值 Dth,将网络中所有簇分为 Area1 和 Are-a2;Step 6.2.2:若 LCi-?LC0,则该簇为重载簇,需进行以下983操作:先遍历 Area1 中的所有节点,并对节点的剩余能量,实际负载以及位置等信息进行统计排序。然后通过均匀分布随机生成数字 rand,并根据式(10)计算出 r 的值。最后比较r 和迁移率 p 的大小,若 r BAR,节点根据式(14)进行位置更新。所需移动的节点数目x=LCi-?LCvmax(18)其中,vmax为节点的最大负载。Step 6.3:若网络中簇数达到最佳簇数,网络中还有剩余的冗余节点,则移动冗余节点增加簇规模;反之,若没有冗余节点,则根据邻近运动调整最小簇规模。主要根据网络实际负载平衡比率 LBR 与负载平衡阈值 Q 的关系,若 LBR Q,通过邻近运动方式,即负载大的簇向低于此负载簇的簇进行移动一个节点,直到移动到最小负载簇中,调整簇内普通节点,每进行一次调整,根据式(6)和式(7)分别计算 LBR 值与能量均衡条件比值 Eeb。当比值达到预先设定的负载阈值 Q和能量平衡阈值值 Eth时,就不再移动簇成员节点。步骤 7:更新所有节点位置信息,然后根据更新后的节点部署评估网络性能;步骤 8:重复步骤 2 到步骤 7 的步骤,直到网络生命结束。具体的 LBNR 算法流程图如图 3 所示。5 仿真结果与分析本文仿真在 Matlab R2014a 环境下运行。在仿真中,200个传感器节点随机分布在网络规模为 100m 的正方形区域内,仿真结果是节点进行重部署后的网络性能表现。基站位于网络中心,利用 k-means 算法进行分簇,各节点的初始能量都为 1J,每个节点采集数据量在 10002000 bit 内随机产生,节点的最大负载 vmax 为 2000bit,收发电路处理 1bit 的数据能耗 Eelec为 5010-9J/bit,簇头融合 1bit 的数据能耗为 5010-9J/bit,为了验证本文所提算法在负载均衡方面的优越图 3 算法流程图性,将本章节提出的 LBNR 算法和未进行重新部署的基于 k-means 聚类收集数据的方案(在下列仿真图描述中以 k-means 算法代替)和 NRBFA 算法14在网络总传输能耗、网络负载、死亡节点数、网络数据采集量四个方面进行比较。图 4 节点死亡率对比图 4 显示了网络运行过程中节点的死亡情况。本文把网络中死亡节点数目达到网络节点总数目的 40%定义为网络生命周期。由图 4 可知,网络一开始节点能量充足,可以正常的进行工作,但随着网络运行时间增加,节点能耗不均衡,导致负载大的节点提前死亡,k-means 算法大约从 110 轮开始出现死亡节点,NRBFA 算法 540 轮左右出现死亡节点,而本章所提 LBNR 算法在 950 左右才出现死亡节点,本章所提出的算法能有效地延长网络生命周期。图 5 显示了本文所提出算法的簇负载标准差基本都低于 NRBFA 算法,即网络负载均衡效果更好。这是因为网络在达到最优簇数后,考虑到节点感知数据量不一致,还进行了簇成员动态调整,不再单一的只关注簇头的负载,而是考虑了所有节点的实际负载情况。此外,因未进行重新部署的基于 k-means 聚类收集数据的方案中网络生命周期比较短,093图 5 网络负载均衡对比该仿真图中没有将其进行比较。图 6 网络总能耗随轮数的变化图 6 显示了网络总能耗随轮数变化。随着网络工作轮数的增加,网络的总传输能耗也呈增长的趋势。在网络运行的前 142 轮内,k-means 算法的网络能耗最大。但在 142 轮之后,k-means 算法不再工作,网络能耗不变,而 NRBFA 算法和本章所提算法在 500 轮以内,一直收集数据,网络能耗呈增长趋势,且本章所提算法节能效果更好。这是因为在NRBFA 算法中,随着网络运行,节点产生的数据量不同,簇负载不同,导致部分节点负载过大,冗余节点替换簇头越来越频繁,当所有冗余节点都替换完之后,网络的能耗会快速上升。而本文的算法考虑了所有簇的负载,使网络负载均衡,网络能耗消耗均衡。图 7 展示了网络总数据收集量随轮数变化。在网络运行的前 142 轮内,k-means 算法收集的数据量最大,但随着网络的运行,对于负载大的节点,没有可替换的方案,导致网络在 142 轮之后就不再进行工作,使得网络总数据量较低。而对于 LBNR 算法和 NRBFA 算法而言,随着网络轮数的增加,网络收集的数据量也呈增长趋势。但 NRBFA 算法所进行的部署方案,只考虑了簇头的负载,没有考虑到簇内成员节点负载大的情况,导致网络后期数据收集量减少。而本文的算法考虑了簇负载情况,以及簇内每个节点负载情况,更好地图 7 网络总数据量随轮数的变化均衡了网络负载,延长了网络生命周期,提高了网络中数据采集量。6 结束语合理的节点重部署方案对无线传感器网络中均衡节点能耗、平衡网络负载、延长网络生命周期具有十分重要的意义。针对网络中负载不均衡问题,本文提出了一种基于负载均衡的无线传感器网络节点重部署算法,考虑到节点产生的数据量不同,随着时间的推移,网络中簇负载会不同。当簇负载过大时,根据 MBO 算法移动冗余节点,进行簇的拆分。当网络达到最优簇头数时,对负载轻的簇进行簇成员移动,以最小化最大簇负载,考虑网络所有簇负载,实现网络负载均衡。仿真结果表明,相比 NRBFA 算法与 k-means 算法,在网络进行数据采集的情况下,本文所提出的 LBNR 算法使网络负载和能耗更均衡,网络生命周期更长。参考文献:1 Akyildiz I F,Su W,Sankarasubramaniam Y,et al.A survey onsensor networksJ.IEEE Communications Magazine,2002,40(8):102-114.2 Wang J,Zhang Z,Li B,et al.An enhanced fall detection systemfor elderly person monitoring using consumer home networksJ.IEEE Trans on Consumer Electronics,2014,60(1):23-29.3 Song W Z,Huang R,Xu M,et al.Design and deployment of sen-sor network for real-time high-fidelity volcano monitoringJ.IEEE Trans on Parallel and Distributed Systems,2010,21(11):1658-1674.4 蔡秀梅,胡可欣,李伟,等.基于无线传感器网络分簇算法的能量优化研究J.计算机仿真,2020,37(12):253-257.5 Dehestani F,Jamali M A J.Load balanced clustering based on im-perialist competitive algorithm in wireless sensor networks J.Wireless Personal Communications,2020,112(20):371-385.(下转第 460 页)193wa,Japan:IEEE,2017:612-616.9 张松伟,冯常.基于 ROS 的四轴机械臂运动仿真与控制的研究J.电子设计工程,2018,26(10):124-128.10 刘磊,宁祎.基于 ROS 的六自由度机械臂轨迹规划J.自动化与仪表,2018,33(3):22-25.11 李凤.基于 ROS 的机械臂控制系统设计J.自动化技术与应用,2018,37(11):72-76.12孙兴伟,赵文涛,朱新华.基于激光位移传感器的倾角误差分析J.重型机械,2018,6(15):73-76.13 邓世燕,郭承军.基于多传感器融合的即时定位与地图构建方法研究C.成都:第十一届中国卫星导航年会,2020.14 Zhu Zhiming,Ma Guorui,Liu Yan,et al.The D-H model and con-tinuous trajectory planning of the box-type steel structure orbitalwelding robotJ.Journal of Welding,2017,38(12):95-98.15 Ana Selek,Marija Seder,Ivan Petrovic.Mobile robot navi-gationfor complete coverage of an environmentJ.IFAC Papers OnLine,2018,51(22):512-517.作者简介李志文(1997-),男(汉族),河南省周口市人,硕士研究生,主要研究领域为机器人开发。程志江(1977-),男(汉族),新疆乌鲁木齐市人,副教授,硕士研究生导师,主要研究领域为电力电子装置、嵌入式系统开发。杜一鸣(1994-),男(汉族),河北省石家庄市人,硕士研究生,主要研究领域为机器人开发。邓佳桐(1997-),女(汉族),四川省西充县人,硕士研究生,主要研究领域为机器人开发。(上接第 391 页)6Boukerche A,Sun P.A novel hierarchical two-tier nodedeployment strategy for sustainable wireless sensor networksJ.IEEE Transactions on Sustainable Computing,2018,3(4):236-247.7 Liao W H,Yen Y A,Kuai S C.An efficient load balance data col-lection scheme in wireless sensor networksC.Seventh Interna-tional Conference on Ubiquitous and Future Networks.Piscataway:IEEE,2015:618-623.8 Du R,Gkatzikis L,Fischione C,et al.On maximizing sensor net-work lifetime by energy balancing J.IEEE Transactions onControl of Network Systems,2018,5(3):1206-1218.9 Liu X,Zhang P.Data Drainage:a novel load balancing strategy forwireless sensor networks J.IEEE Communications Letters,2018,22(1):125-128.10 O Kochan,H Sapojnyk and R Kochan.Temperature field controlmethod based on neural networkC.Proc of the 7th InternationalConference on Intelligent Data Acquisition and Advanced Compu-ting Systems(IDAACS).Piscataway:IEEE,2013:21-25.11Pratyay K,Prasanta K J.Energy efficient clustering and routingalgorithmsforwirelesssensornetworks:Particleswarmoptimization approachJ.Engineering Applications of ArtificialIntelligence:The International Journal of Intelligent Real-TimeAutomation,2014,6(9):127-140.12 Liu W,S Yang S,Sun S,et al.A node deployment optimizationmethod of WSN based on ant-lion optimization algorithmC.Proc of the 4th International Symposium on Wireless SystemswithintheInternationalConferencesonIntelligentDataAcquisition and Advanced Computing Systems(IDAACS-SWS).Piscataway:IEEE,2018:88-92.13 Tanr D,Nuriyeva F.An effective method determining the initialcluster centers for k-means for clustering gene expression dataC.Proc of the 2017 International Conference on Computer Sci-ence and Engineering(UBMK).Piscataway:IEEE,2017:751-754.14 孙环,陈宏滨.基于萤火虫算法的无线传感器网络节点重部署策略J.计算机应用,2021,41(2):492-497.15 Wang G G,Deb S,Cui Z,Monarch butterfly optimizationJ.Neural Computing and Applications,2015,31(7):1995-2014.16 Shah S F A,Srirangarajan Tewfik S A H.Implementation of a di-rectional beacon-based position location algorithm in a signal pro-cessing frameworkJ.IEEE Trans.Wireless Commun.,2010,9(3):1044-1053.17 Heinzelman W B,Chandrakasan A P,Balakrishnan H.An appli-cation specific protocol architecture for wireless microsensor net-works J.IEEE Transactions on Wireless Communications,2002,1(4):660-670.18 Goyal D,Tripathy M R.Routing protocols in wireless sensor net-works:A surveyC.Proc of the Second International Conferenceon Advanced Computing&Communication Technologies.Piscat-away:IEEE,2012:474-480.作者简介孙 环(1994-),女(汉族),四川省成都市人,硕士研究生,主要研究领域为无线传感器网络。陈宏滨(1981-),男(汉族),湖南省邵阳市人,博士,教授,主要研究领域为无线传感器网络、机器学习。064