基于FSLOLEO混合优化的无线自组网能量感知路由多目标流量增强模型

为解决无线自组网(WANET)中因动态拓扑和能量限制导致的网络拥塞及寿命缩短问题，研究人员提出了一种融合雪豹优化与莲花效应算法(FSLOLEO)的混合优化模型。该研究通过多目标函数（剩余能量、链路稳定性等）实现最优路径选择，将网络吞吐量提升至97%，显著降低了能耗与路由开销。成果发表于《Sustainable Computing: Informatics and Systems》，为动态无线网络的QoS优化提供了新范式。

　　

在物联网和军事通信等领域，无线自组网(WANET)因其无需基础设施、动态组网的特点成为研究热点。然而，节点能量受限、拓扑动态变化导致的链路不稳定和网络拥塞问题长期困扰着该领域。传统路由协议往往仅关注单一能量指标，忽视流量均衡，造成高能耗节点过早失效或数据包丢失。更棘手的是，现有启发式算法如蚁群优化(ACO)存在搜索范围有限、收敛速度慢等缺陷，难以应对复杂动态环境下的多目标优化需求。

针对这些挑战，国内研究人员V.S Divya Sundar团队在《Sustainable Computing: Informatics and Systems》发表研究，创新性地将雪豹优化算法(SLOA)与莲花效应优化(LEOA)融合，提出FSLOLEO混合优化框架。该研究通过构建包含剩余能量、路由开销、链路稳定性等5项QoS参数的多目标函数，实现了动态环境下的最优路径选择。实验表明，新算法使网络吞吐量达到97%，较传统方法显著提升，同时将能耗降低23.5%。

关键技术包括：1) 基于MATLAB 2020a搭建WANET仿真环境，模拟节点动态行为；2) 设计融合SLOA全局搜索与LEOA局部规避特性的混合优化器；3) 引入多目标加权函数动态评估路径质量。

研究结果部分显示：

• Ad Hoc无线网络模型：构建包含地面参考站的动态网络架构，节点通过跳频通信避免干扰。
• FSLOLEO开发：新算法通过"雪豹跳跃"机制扩大搜索空间，结合"莲花表面"特性规避局部最优，迭代效率提升40%。
• 多目标函数：数学推导证明，当残差能量权重α=0.35、链路稳定系数β=0.28时，路径选择最优。
• 仿真验证：在8GB RAM的Intel i3平台测试，FSLOLEO在100节点场景下路由开销仅1.2ms，远低于PSO的4.7ms。

结论指出，该研究首次将生物启发算法组合应用于WANET多目标路由优化，通过能量-流量协同管理，使网络寿命延长3倍。未来可扩展至5G边缘计算场景，但需进一步研究移动速度对链路稳定性的影响。作者团队特别致谢父母支持，并声明无利益冲突。