一种适用于无线传感器网络（WSNs）的自适应决策机制：结合深度强化学习路由技术与基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的压缩算法，并通过改进的黏菌算法进行优化

《Expert Systems with Applications》：An Adaptive Decision Mechanism for WSNs: Integrating Deep Reinforcement Learning Routing with CNN-BiLSTM Compression Guided by Enhanced Slime Mold Algorithm

智能数据采集框架设计与优化|改进 slime 模型|双深度Q网络|CNN-BiLSTM|无线传感器网络优化|网络寿命延长|数据压缩感知|动态拓扑适应|能量效率提升|协同优化框架

　　
该研究针对无线传感器网络（WSNs）在物联网（IoT）感知层中面临的核心挑战，提出了一套基于群体智能优化与深度强化学习的全链路协同解决方案。研究聚焦于传统聚类路由协议存在的三大痛点：网络拓扑动态变化适应性不足、节点能耗分布失衡、数据传输冗余度高，通过创新性地将 slime mold 算法改进版（ISMA）、双深度Q网络（IDDQN）优化路由决策，以及卷积神经网络与双向长短期记忆网络结合的数据重建模型，构建了从网络组织优化到数据智能压缩的全流程协同框架。

在聚类优化环节，研究突破了传统群体智能算法（如粒子群优化、遗传算法等）的局限性。改进的 slime mold 算法通过引入动态策略调控机制，在迭代过程中实时评估种群多样性、收敛状态和轮次阶段，灵活组合高斯扰动、Lévy飞行、对立学习等策略。这种动态扰动机制有效平衡了全局探索与局部开发能力，避免陷入局部最优。同时，在目标函数设计上创新性地融合节点剩余能量与到基站距离的双重权重，使簇头选择不仅考虑网络覆盖范围，更兼顾能耗均衡。仿真数据显示，该机制可将簇头分布均匀性提升约37%，节点剩余能量方差降低29%，显著改善网络整体能效。

路由决策层采用双深度Q网络架构，通过三个核心模块实现突破性改进。首先，专家经验预训练模块将领域知识编码为网络初始权重，例如将高能效节点与低干扰区域的空间分布规律转化为特征表达；其次，多步时序差分机制突破传统单步Q值更新的局限，通过构建时序状态-动作-奖励序列提升决策连续性；最后，L2正则化约束有效抑制过拟合，确保模型在动态拓扑下的泛化能力。实验对比表明，该方案在动态环境下的路由成功率达到98.7%，较传统DDQN提升21.4%，且网络吞吐量增加15.6%的同时能耗降低18.9%。

数据重建环节的创新体现在构建了自适应超参数优化机制。通过ISMA算法在CNN-BiLSTM模型中自动搜索最优卷积核尺寸、池化步长、LSTM单元数等23个关键参数，解决了传统方法依赖人工调参导致的性能不稳定问题。在西藏彭波灌溉区土壤温度监测实验中，该模型在仅使用8%的原始数据量情况下，重建信号均方误差（RMSE）降至0.32℃，较传统CS方法提升42.7%。特别值得关注的是，在Keke Xili冻融滑坡监测的复杂噪声环境下，模型仍能保持89.3%的原始信号特征提取精度，验证了其鲁棒性。

全链路协同框架的核心突破在于建立了三阶段动态反馈机制：1）ISMA聚类结果作为路由决策的初始状态输入；2）IDDQN动态路由策略产生的能耗数据反向优化聚类过程；3）数据重建质量指标通过压缩感知模块实时反馈，形成"聚类-路由-重建"的闭环优化系统。这种设计使网络能效呈现指数级衰减趋势减缓，在10^6次数据传输周期内，节点剩余能量比传统方案多出41.2%。

研究特别针对WSN的动态拓扑特性设计了自适应学习机制。在路由决策层，网络拓扑每发生5%的节点移动或能耗阈值突破，系统触发增量式知识迁移，将稳定期的最优策略迁移至新拓扑状态。实验表明，该机制使网络在72小时内完成拓扑重构时的数据丢包率控制在2.3%以下，较静态策略降低65%。在能效管理方面，通过建立基于节点剩余能量的动态休眠-激活策略，使网络整体能耗降低28.6%，同时保持99.2%的监测数据完整性。

该研究在数据压缩与传输效率方面取得突破性进展。基于改进的压缩感知理论，研究团队构建了分层特征提取体系：CNN模块首先捕获空间分布特征，BiLSTM网络负责时间序列特征建模，最终通过注意力机制动态分配重构权重。在实测数据中，该方案成功将原始数据量压缩至14.3%，同时保持95.6%的原始信号保真度。更值得关注的是，通过建立数据质量与网络能耗的联合优化模型，在彭波灌溉区的实地部署中，实现了数据传输速率与网络寿命的帕累托最优——当数据速率提升至传统方案的2.3倍时，网络生命周期延长了19.4个月。

研究团队通过系统性对比实验验证了方案的有效性。在同等硬件配置（Intel Core i5-12490KF处理器，RTX 4060 Ti显卡）下，传统LEACH协议在100节点网络中平均生命周期为14.2天，而本文方案通过智能协同机制延长至26.8天，提升88.6%。在数据传输效率方面，IDDNQ路由算法使端到端时延降低至12.7ms（传统DQN为19.3ms），同时网络吞吐量提升至2.31Gbps。特别是在处理动态拓扑变化时，ISMA-IDDQN框架展现出显著优势——当网络中50%节点突然失效时，系统能在3个决策周期内（约4.2秒）完成拓扑重构，数据传输中断时间缩短至0.8秒。

该研究在学术创新方面实现了多项突破：首次将slime mold算法的路径演化机制引入WSN聚类优化，结合强化学习的在线学习特性，构建了具有生物智能特征的动态网络组织体系；提出的混合正则化约束有效解决了深度强化学习在复杂环境中的过拟合问题；创新性地将数据重建质量作为反向优化参数，实现了网络性能的全局协同提升。这些创新为物联网感知层的技术发展提供了新的方法论范式。

在工程应用层面，研究团队与西藏自治区气象局合作，在彭波灌区建立了基于该方案的示范性监测网络。实际运行数据显示，该方案使传感器节点的平均工作周期从传统方案的43天延长至67天，数据传输成功率达到99.8%，显著优于LEACH（97.2%）和PSO（96.5%）等主流算法。特别是在极端低温（-25℃）和强干扰环境下，系统仍能保持稳定的运行状态，验证了算法的工程适用性。

未来研究将重点拓展该框架的应用边界：1）在时空耦合优化方面，计划引入图神经网络建模节点时空关联性；2）在能耗感知层面，拟开发基于燃料电池特性的新型能量模型；3）在数据重建精度方面，探索量子神经网络的应用潜力。这些扩展将进一步提升系统在工业物联网、智慧农业等复杂场景中的适应能力。