摘要
移动无线传感器网络需要自适应路由和汇聚节点移动策略来减少能量不平衡、拥塞和通信延迟。在本研究中，我们提出一种名为 TrajGNN-RL 的新方法，该方法结合了基于图神经网络的拓扑学习方法和深度强化学习方法，以协调的方式规划移动汇聚节点的轨迹并对数据包进行路由。动态通信图建模了剩余能量、链路质量、邻居连通性和流量状况，强化学习通过多目标方法优化汇聚节点移动和转发决策。图在网络运行期间发生变化，以处理拓扑和流量变化。通过使用不同数量的汇聚节点和不同的汇聚节点移动性进行实验评估，将所提出路由方案的性能与评估的路由方案的性能进行了比较。所提出的 TrajGNN-RL 分别将生命周期、能效、吞吐量、数据包投递率、路由可靠性和延迟降低的归一化得分提高了 98.34%、97.86%、98.12%、98.57%、98.83% 和 96.75%。与实验中使用的最佳对应基准相比，归一化生命周期、能效、吞吐量、数据包投递率和延迟降低的相对改进分别约为 1.47%、1.55%、0.68%、1.19% 和 1.07%。
