《Array》：Comprehensive Performance Evaluation of Nature-Inspired Optimization Algorithms for Multi-hop Dynamic Routing WSN
编辑推荐：
无线传感器网络（Wireless Sensor Networks，WSNs）在严格的能量约束下运行，使得簇头（Cluster Head，CH）选择和多跳路由对于延长网络寿命至关重要。尽管已有大量自然启发优化算法被提出，但现有研究通常仅在假设条件不一致和小规模网
无线传感器网络（Wireless Sensor Networks，WSNs）在严格的能量约束下运行，使得簇头（Cluster Head，CH）选择和多跳路由对于延长网络寿命至关重要。尽管已有大量自然启发优化算法被提出，但现有研究通常仅在假设条件不一致和小规模网络配置下比较有限的算法集合。本研究在均匀（Homogeneous）与异构（Heterogeneous）数据聚合条件下，对32种自然启发算法在动态聚类与路由中的性能进行了统一评估。实验采用一致的MATLAB框架，覆盖50至1000个节点的五种网络规模、五个独立随机种子、密度保持的部署区域，以及每种场景下多达5000个轮次。算法特定的种群规模与迭代次数通过敏感性分析确定。性能评估涵盖计算复杂度、按轮次归一化的运行时间、收敛行为、网络寿命里程碑（首个节点死亡（FND）、半数节点死亡（HND/D50）及90%节点死亡（D90））、归一化剩余能量曲线下面积（Area Under the Curve，AUC）以及能量耗竭速率。统计验证结合了Friedman检验与Nemenyi检验、Kendall协调系数（Kendall’s W）、Cliff’s delta效应量及Bootstrap置信区间。神经气体网络（NGN）取得了最强的最终收敛性能，但并未持续提供最佳的寿命或剩余能量结果。计算成本差异接近三个数量级，而网络规模的增大显著加速了节点能量耗竭。数据异构性对运行时间影响有限，但降低了能量保留率并重新组织了中间算法的排名。由此产生的决策框架将差分进化（DE）确定为强大的轻量级选择，将灰狼优化（GWO）与人工蜂群算法（ABC）确定为均衡的中等成本替代方案，从而支持面向网络规模、运行阶段和计算预算感知的优化器选择。
一、研究背景与问题提出
无线传感器网络（WSNs）由大量低功耗传感器节点组成，通过协作监测环境并将采集数据传输至汇聚节点（sink node）。由于节点依赖有限的电源供电，如何降低能耗并延长网络寿命成为核心挑战。现有解决方案主要分为两类：一是基于路由优化的方法，二是将节点分簇并选举簇头（CH）的多跳传输模型。尽管LEACH及其改进协议（如LEACH-B、MR-LEACH、Enhanced LEACH）和链式路由协议（如PEGASIS、E-PEGASIS）在一定程度上提升了能量效率，但均存在单跳传输假设、控制开销过大或对拓扑敏感等局限。近年来，自然启发优化算法因其多维搜索能力被广泛引入WSN优化，但已有研究普遍存在两个关键不足：其一，仅比较少量算法且缺乏统一框架，难以公平对比；其二，多依赖聚合寿命指标，掩盖了网络不同运行阶段的性能演化。因此，现有文献难以就网络规模、数据条件、寿命目标与计算预算等维度为优化器选择提供实用指导。
二、研究内容与主要结论
针对上述空白，本研究在统一仿真框架下对32种自然启发优化算法进行了全面评估。实验覆盖50、100、250、500和1000个节点的五种网络规模，在均匀与异构两种数据聚合条件下各采用五个匹配随机种子，每种子场景最多运行5000轮。所有算法共享相同的无线能量模型、路由逻辑、聚合假设与终止条件，部署区域按节点数量等比缩放以保持恒定节点密度。算法特定参数通过敏感性分析确定。性能评估涵盖计算复杂度、归一化运行时间、收敛行为、网络寿命里程碑（FND、HND/D50、D90）、归一化剩余能量AUC及能量耗竭速率，并采用Friedman检验、Nemenyi事后检验、Kendall’s W、Cliff’s delta及Bootstrap置信区间进行统计验证。
研究得出以下主要结论：神经气体网络（NGN）在最终收敛性能上表现最佳，但未能在网络寿命和剩余能量指标上持续领先；计算成本在不同算法间差异接近三个数量级；网络规模增大会显著加速节点能量耗竭；数据异构性对运行时间影响有限，但会降低能量保留率并改变中间排名。最终形成的决策框架将差分进化（DE）定位为轻量级优选算法，将灰狼优化（GWO）与人工蜂群算法（ABC）定位为均衡的中等成本替代方案，为不同网络规模、运行阶段与预算约束下的优化器选择提供了实证依据。
三、关键技术方法
本研究采用的主要技术方法包括：第一，统一的MATLAB仿真框架，所有算法在相同无线能量模型（一阶无线电模型，含自由空间与多径衰落分支）、路由逻辑（节点选择直传或经CH转发的低能耗路径）与终止条件（存活节点低于10%或达到5000轮）下运行；第二，密度保持的部署策略，部署区域边长按节点数的平方根缩放，使五种网络规模保持近似恒定的节点密度；第三，基于Sphere、Rosenbrock和Rastrigin基准函数的敏感性分析，为每种算法确定最优种群规模与迭代次数；第四，统一的适应度函数，综合归一化总能耗、簇内通信距离、最差节点剩余能量、能量均衡度、死亡节点惩罚及CH数量惩罚六个加权分量；第五，非参数重复测量统计框架，以25个网络规模×种子组合为匹配区组，结合Friedman检验、Kendall’s W、Nemenyi事后比较、Cliff’s delta效应量及匹配区组Bootstrap置信区间进行严格验证。
四、研究结果
4.1 计算成本
研究采用总优化器运行时间、按完成轮次归一化的运行时间及理论时间与空间复杂度三项指标评估计算成本，覆盖1600次仿真运行。结果显示，不同算法间的计算成本差异接近三个数量级，表明算法选择对实际部署的计算负担具有决定性影响。归一化运行时间分析进一步揭示了各算法在每轮优化中的效率差异。
4.2 网络寿命趋势
研究通过FND、HND/D50和D90三个寿命里程碑及归一化剩余能量AUC评估网络寿命表现。结果表明，NGN虽在收敛性能上最优，但并未持续提供最佳寿命或剩余能量结果。网络规模增大会显著加速节点能量耗竭，而数据异构性会降低能量保留率并重新组织中间算法的排名。
4.3 算法稳定性与阶段性表现
研究采用时间排名与热图分析考察算法在均匀与异构数据条件下的阶段性表现。结果显示，不同算法在网络运行的早期、中期与晚期阶段展现出不同的优势特征，单一聚合指标无法全面反映算法的阶段性适应能力。数据异构性对运行时间影响有限，但对能量保留和排名结构产生了显著影响。
五、讨论与结论
讨论部分指出，本研究的核心贡献在于建立了32种自然启发算法在统一框架下的系统基准，隔离了算法本身差异带来的性能变化，识别了计算权衡、数据异构性敏感性及网络寿命不同阶段的优势特征。这些发现为选择合适优化器及构建未来混合框架提供了证据基础。学习型控制器可依据剩余能量、节点存活状态、数据异构性与计算约束动态选择、组合或切换优化器。研究结论强调，DE作为轻量级选择在计算资源受限场景中具有突出优势，GWO与ABC作为中等成本替代方案在性能与开销间达到良好平衡。该决策框架支持面向网络规模、运行阶段与计算预算感知的优化器选择，为实际WSN部署提供了实用的算法选型指南，并为自适应或混合路由策略的未来研究奠定了基础。
