《CMES - Computer Modeling in Engineering and Sciences》:Grey Wolf Optimizer for Cluster-Based Routing in Wireless Sensor Networks: A Methodological Survey
编辑推荐:
无线传感器网络(WSNs)已成为众多实际应用的基础,涵盖环境监测、工业自动化、医疗系统及智慧城市发展。随着这些网络的规模和复杂性持续增长,对节能、可扩展且鲁棒的通信协议的需求比以往任何时候都更为关键。元启发式算法在应对这些挑战方面展现出显著潜力,为优化WSN性
无线传感器网络(WSNs)已成为众多实际应用的基础,涵盖环境监测、工业自动化、医疗系统及智慧城市发展。随着这些网络的规模和复杂性持续增长,对节能、可扩展且鲁棒的通信协议的需求比以往任何时候都更为关键。元启发式算法在应对这些挑战方面展现出显著潜力,为优化WSN性能提供了灵活有效的解决方案。其中,灰狼优化器(GWO)算法因其简单性、快速收敛性及强大的全局搜索能力而受到越来越多关注。据此,本综述深入回顾了GWO及其变体在WSNs中用于聚类、多跳路由以及混合基于簇的路由的应用。研究人员对现有基于GWO的方法在这些关键网络优化任务中进行了分类和分析,讨论了所采用的不同问题表述、决策变量、目标函数及性能指标。在此过程中,研究人员考察了标准GWO、多目标GWO以及融合其他计算智能技术的混合GWO模型。每种方法均根据其有效解决WSNs核心约束(包括能耗、通信开销和网络寿命)的程度进行评估。最后,本综述概述了文献中存在的空白,并提出了旨在增强基于GWO的WSNs聚类和路由技术有效性及实际适用性的潜在未来研究方向。研究人员的目的是为研究人员和实践者提供关于GWO在WSNs中当前状态的清晰、结构化理解,并激发这一不断发展的领域中的进一步创新。
2. Taxonomy and Evaluation Parameters
本节对GWO及其变体在WSNs中用于基于簇的路由的应用进行了全面概述与分类。2.1 Classification of Existing Techniques 将现有方法分为三大类:(1)聚类方法,采用GWO选择簇头(CH)并形成簇;(2)路由方法,利用GWO确定最优簇间通信路径;(3)联合设计的聚类/路由方法,同时优化聚类和路由机制。该分类强调了GWO在提高WSNs能量效率、数据传输可靠性和可扩展性方面的多样化应用。此外,论文分别阐述了每类方法的关键能力与局限性:聚类方法专注于CH选择和负载均衡,利用GWO的探索-开发能力最小化簇内能耗并维持网络覆盖;路由方法强调GWO如何优化多跳路径构建和中继节点选择,受限于剩余能量、链路距离和延迟等约束;联合设计方法则同时优化两个阶段,捕获簇形成与数据传输之间的相互依赖关系,以实现整体能量效率提升。
2.2 Evaluation Parameters 基于网络参数和解决方案参数对各类方法进行分析。解决方案参数包括运行模式、运行状态、建模方法、目标(
s)及关键目标因素;网络参数则关注方法、网络类型、基础管理方法、网络规模、节点数量、仿真工具及GWO变体。论文引入了一个层次化评估框架,从顶层运行模式到具体解决方案参数和目标,再到网络参数如节点类型、网络规模和部署节点数,以及仿真工具和具体GWO变体,核心是指导优化过程朝向延长寿命、最小化能耗和提高通信效率等目标性能指标。
3. Overview of GWO Algorithm
GWO算法由Mirjalili等人提出,模拟灰狼的社会等级和狩猎策略。种群按适应度分为四组:α(最优解,领导者)、β(次优解,协助决策)、δ(第三优解,负责侦察和保护)以及ω(其余狼,跟随α、β、δ)。狩猎过程由α、β、δ引导,ω跟随。算法步骤包括:随机初始化种群、评估适应度、识别α、β、δ、根据公式更新位置、线性递减参数a
→以从探索转向开发,重复直至满足停止条件。3.1 Encircling Prey 通过公式计算狼与猎物(全局最优解)的距离,并更新位置,其中A
→和C
→为系数向量,a
→线性递减,r
1→和r
2→为[0,1]随机向量。3.2 Hunting Process 由α、β、δ引导,计算ω与三者的距离,进而得到新的位置,最终位置为三者平均值,以改善收敛性。3.3 Exploration-Exploitation Mechanisms 由系数向量A
→控制,当|A
→| < 1时加强开发,|A
→| > 1时促进探索,通过随机数r
1→和r
2→平衡探索与开发。
4. System Modeling for GWO-Based Clustering and Routing in WSNs
本节介绍了GWO-based聚类和路由技术的基础系统框架,包括操作流程和能量消耗模型。4.1 Operational Workflow of the Clustering and Routing Framework 描述了多阶段流程:初始化、CH选择、路由路径构建和稳态通信。设置阶段包括CH选择(基于节点位置和状态,可集中或分布式)、簇形成(非CH节点根据信号强度加入最近CH,CH创建TDMA调度表)、中继选择(为远距离CH选择中继节点以减少能量消耗)和路由(建立从源到目的地的全局最优路径)。稳态阶段,非CH节点在分配时隙内向CH发送数据,CH聚合后发送至基站(BS)。4.2 Mathematical Model for Data Transmission 采用一阶无线电能量模型,给出了传输和接收能量计算公式,考虑了自由空间和多径模型,以及数据聚合策略。详细推导了成员节点、CH(含/不含聚合)以及整个簇在一个运行轮次中的总能量消耗。4.3 Connection between Energy Model and Performance Metrics 将能量模型与网络寿命指标(FND、HND、LND)关联,给出了公式,并指出GWO的适应度函数通常基于这些指标或总剩余能量/总消耗能量构建。
5. GWO-Driven Clustering Techniques
本节深入探讨了GWO及其变体在增强WSNs聚类技术中的应用。聚类通信中,SNs组成局部簇,由CH管理,SNs向CH发送数据,CH聚合后转发至BS。GWO通过优化CH选择来平衡能量使用并延长网络寿命。5.1 DBSCDS-GWO 引入Dominator Lifetime Index (DLI)和CH Lifetime Index (CLI)以均衡负载并最小化数据传输距离。5.2 GWO-CH 考虑剩余能量、簇内距离和到sink的距离,通过权重函数优化CH选择。5.3 GWO-C 引入CH平衡因子,基于平均簇内距离、sink距离、剩余能量和平衡因子选择CH。5.4 HGWSFO 将GWO与Sunflower Optimization (SFO)混合,平衡探索与开发。5.5 GWLBC 基于改进GWO实现能量高效负载均衡聚类,考虑异构网络。5.6 EOAMRCL 结合MAC/Routing跨层设计,利用GWO选择CH并优化睡眠调度。5.7 CH-GWO 使用包含11个属性(包括有益和非有益属性)的适应度函数进行CH选择。5.8 EGWO 通过余弦型凹衰减函数改进GWO的利用机制,优化传输功率。5.9 MRTH-URWSN 针对智能农业中UAV辅助可充电WSN,提出离线GWO优化超参数和在线启发式阶段的混合协议。5.10 Classification of GWO-Driven Clustering Techniques 通过表格(表2、表3)比较了各方法的解决方案参数和网络参数,指出聚类方法主要在CH选择编码和能量平衡方面存在差异。
6. GWO-Driven Routing Techniques
本节探讨了GWO及其变体在增强WSNs路由协议中的应用。多跳路由通过优化跳数和路径长度来均衡负载并减少延迟。6.1 GWM 结合GWO和模糊A-star移动sink定位,优化移动sink轨迹。6.2 GWORP 采用统计最优路径发现,重复使用理想路由以平衡能耗。6.3 I-GWO & Ex-GWO 引入增量GWO和扩展GWO,利用集成剩余能量、流量状态、缓冲区大小和跳数的适应度函数寻找最优路径。6.4 Co-BGWO 采用协同进化二元GWO,通过三个目标函数优化CH选择以提升路由性能。6.5 GWOLA 结合GWO与学习自动机(LA),先由GWO建立邻居列表,再由LA自适应选择下一跳。6.6 HABCGWO 混合ABC和GWO,增强收敛速度并避免局部最优,优化网络寿命。6.7 Classification of GWO-Driven Routing Techniques 通过表格(表4、表5)比较了各方法,指出路由方法从局部能量平衡转向全局网络优化。
7. GWO-Driven Co-Designed Clustering/Routing Techniques
本节研究了GWO在联合设计聚类和路由协议中的应用。数据先由SNs发送至CH,然后CH间通过多跳通信直至BS,实现分层传输。7.1 FIGWO 基于适应度值改进GWO,平衡簇结构并延长网络寿命,考虑距离和剩余能量。7.2 CA-GWO 复用聚类配置以节省能量,并采用双跳路由。7.3 FGWSTERP 集成模糊推理系统(FIS)和扩展GWO,利用事件驱动反应式传输。7.4 HMGWO 针对异构WSN,引入不同适应度函数,动态更新权重。7.5 GWOC-QOS 考虑QoS,通过线性规划设计适应度函数,解决热点问题。7.6 MOGWO-DRS 采用多目标GWO选择最优Rendezvous Points (RPs),利用Pareto支配识别非支配解。7.7 QAMO-GWO 多目标适应度函数平衡数据延迟率、交付率和节点能耗。7.8 PMR-GWO 采用四层网络架构,改进GWO选择CH,考虑覆盖、负载均衡等参数。7.9 ML-AEFA 混合Moth Levy适应的AEFA和自定义GWO(CGWO)优化CH选择和传输路径。7.10 CMROCS 引入中继节点,通过三种聚类方案减轻CH负担。7.11 EECHIGWO 改进GWO解决探索-开发不平衡和早熟收敛问题。7.12 EEC-GWO 在软件定义WSN中最大化覆盖、最小化盲点并节约能量。7.13 CBGWOA 引入Dead Time (TD)参数,最大化节点平均TD,并分配中继节点。7.14 GWFPO 结合Type-2模糊逻辑和GWO-FPO混合优化,确定最优传输路径。7.15 MOGWO 多目标二元GWO,通过Pareto支配识别最优聚类中心。7.16 GWO-SMSLO 结合GWO和修改的Sea Lion Optimization (SLO),并采用椭圆曲线密码(ECC)保证安全。7.17 CGA-GWO 结合混沌遗传算法和GWO,最小化总体能耗。7.18 PUAG 分区不均匀聚类,引入Next CH (NCH)概念减少重聚类。7.19 MOGWO-C 多目标GWO,最小化最大平均传输距离、跳数和簇内节点距离。7.20 CRGA 改进GWO融合差分进化,针对空海跨域异构网络优化。7.21 MQAGWO-EECR 引入量子计算和自适应调整,联合优化CH选择、睡眠调度和QoS路由。7.22 DC-GWO 结合Dijkstra算法和增强GWO,形成空间均衡簇并自适应选择CH。7.23 GWFCCV 融合Fuzzy C-Means (FCM)和GWO,采用多准则决策选择CH和路由。7.24 Classification of GWO-Driven Co-Designed Clustering/Routing Techniques 通过表格(表6、表7)比较了各方法,并指出联合设计方法能更好捕获聚类与数据传输的相互依赖关系。7.25 Multi-Objective GWO in WSNs 总结了多目标GWO方法,包括MOGWO-DRS、QAMO-GWO、MOGWO、MOGWO-C和MQAGWO-EECR,使用Pareto前沿或加权和策略处理目标冲突。
8. Discussion
本节对GWO在三个关键领域的应用进行了综合分析。8.1 Quantitative Performance Analysis 通过表格(表9-11)提取了各方法的数值结果,包括FND、HND、LND、总剩余能量等指标,显示聚类方法在中小规模网络中具有较长的稳定期,路由方法在分组交付和剩余能量保持方面表现优异,联合设计方法在最长网络寿命和最高数据交付量方面一致领先,但增加了算法复杂性。8.2 Functional Roles of GWO in Reviewed Categories 分析了GWO在聚类、路由和联合设计中的功能角色。聚类中,GWO优化CH配置,增强簇内能量平衡;路由中,GWO发现能量高效路径,减少传输能耗;联合设计中,GWO同时优化CH选择和路由决策,实现全局能量效率。8.3 Computational Complexity Analysis 给出了计算复杂度分析,聚类方法复杂度为O(P×I×N×C),路由方法为O(P×I×N×H),联合设计方法为O((P×I×N×C)+(P×I×N×H)),并指出混合方法会增加常数因子。8.4 Overall Comparison of Different Categories 通过表12进行了跨类别综合比较,涵盖优化焦点、搜索空间维度、计算成本、控制信令开销、能源效率影响、可扩展性等维度。
9. Limitations and Future Research Directions
本节指出了现有GWO方法的局限性,包括迭代优化带来的计算和内存开销、周期性全局信息交换导致的通信开销、在动态场景中性能下降以及混合/多目标扩展的高维计算成本。未来研究方向包括:建立标准化基准数据集和仿真框架;开发混合GWO算法集成机器学习或深度学习;多目标变体优化能量效率、负载均衡和网络寿命;应用于异构WSNs;考虑实时条件的路由协议;联合优化聚类和路由的轻量级框架;能量感知策略如能量收集、睡眠调度和数据聚合;去中心化和自组织GWO框架;与5G、边缘计算、区块链、联邦学习、量子计算等先进技术集成;在智慧城市、工业物联网、医疗、灾害管理等实际应用中的验证;以及通过高级初始化、自适应参数调整、混沌理论、混合元启发式和并行/分布式计算提高收敛速度。
10. Conclusion
本综述全面分析了GWO及其变体在WSNs中解决基于簇的路由挑战的应用,聚焦于聚类、路由和联合设计三个关键领域。GWO在聚类中优化CH选择和负载均衡,在路由中改善能耗和延迟,在联合设计中实现全局能量效率。尽管取得了这些成就,但仍存在可扩展性、计算开销和动态适应性等局限性。未来研究应关注混合GWO算法、机器学习集成、标准化基准、实际应用验证以及与新兴技术的融合。