基于多目标混合绿蟒优化算法的DTN-IoT网络能效与缓存QoS路由策略研究

为解决DTN-IoT网络中因资源受限和间歇性连接导致的数据传输效率低下问题，研究人员提出了一种融合绿蟒优化(GAO)与技能优化算法(SOA)的GASO模型，通过RRBFN能量预测和多目标CH选择机制，实现了0.253m传输距离、0.783J能耗及0.313Mbps吞吐量的优化，为延迟容忍网络提供了新型QoS路由解决方案。

　　

在物联网设备爆炸式增长的今天，传统网络架构面对偏远地区监测、应急通信等场景时，常因节点移动性强、连接不稳定而失效。延迟容忍网络(DTN)通过"存储-携带-转发"机制解决了这一难题，但现有路由协议在能效和缓存管理方面仍存在明显短板。Ashapu Bhavani团队注意到，现有算法如Epidemic、PROPHET等虽能提升投递率，却难以平衡能耗、延迟和吞吐量等关键指标，特别是在资源受限的IoT设备集群中。

针对这一挑战，研究人员开发了名为GASO（Green Anaconda Skill Optimization）的创新算法。该模型首先通过循环径向基函数网络(RRBFN)预测节点剩余能量，随后融合绿蟒优化(GAO)的全局搜索能力与技能优化算法(SOA)的局部精细化特性，在簇头(CH)选择阶段同步考量缓存比率、信任因子等7个目标参数。最终在《Sustainable Computing: Informatics and Systems》发表的研究表明，这种多目标优化策略显著提升了网络性能。

关键技术包括：1) 建立DTN-IoT仿真环境整合能量与移动性模型；2) 采用RRBFN进行动态能量预测；3) 设计基于GAO-SOA混合优化的CH选择机制；4) 实现多约束条件下的QoS路由决策。

能量预测与网络建模
通过RRBFN对节点能量消耗模式进行时序分析，解决了传统线性预测模型在动态环境中精度不足的问题。仿真显示该方法的预测误差较LSTM降低23%。

多目标簇头选择
GASO算法将CH选择转化为多目标优化问题，定义包含吞吐量、延迟等参数的适应度函数。实验表明该方案使簇头平均存活时间延长40%。

QoS路由优化
在路由阶段引入预测能量与实时缓存状态作为权重因子，使数据包投递率提升至89.7%，同时将端到端延迟控制在0.270秒以内。

这项研究的突破性在于首次将生物启发算法组合应用于DTN-IoT的联合优化问题。相比传统方案，GASO在保持低能耗(0.783J)的同时，实现了吞吐量(0.313Mbps)与距离(0.253m)的帕累托最优。Attada Venkataramana在讨论中指出，该算法为智慧农业、灾害监测等间歇性连接场景提供了可靠通信保障，其多目标优化框架也可扩展至5G边缘计算等领域。未来工作将重点研究动态权重调整机制，以应对更复杂的网络拓扑变化。