《Symmetry》：FGOGNN: An Energy-Efficient and Intelligent Cluster-Based Routing Protocol for Wireless Sensor Networks
编辑推荐：
节能且鲁棒的路由仍是无线传感器网络（WSNs）中的一个关键问题，其中有限的能量资源和动态拓扑阻碍了性能。为应对这一挑战，本文提出了一种新型分簇路由协议FGOGNN，它集成了用于自适应簇头（CH）选择的真菌生长优化器（FGO）和用于簇间路由的图神经网络（GNN）
节能且鲁棒的路由仍是无线传感器网络（WSNs）中的一个关键问题，其中有限的能量资源和动态拓扑阻碍了性能。为应对这一挑战，本文提出了一种新型分簇路由协议FGOGNN，它集成了用于自适应簇头（CH）选择的真菌生长优化器（FGO）和用于簇间路由的图神经网络（GNN）。FGO模拟真菌生长过程，确保平衡且节能的CH选择，同时避免过早收敛。在路由阶段，GNN通过利用节点能量、连通性和方向性边特征动态调整路由路径，提供低计算开销的同时保持准确性。大量仿真表明，FGOGNN优于现有路由协议，网络寿命延长了高达75%，吞吐量提高了38%，并减少了端到端延迟。这些结果证明了FGOGNN在实时WSN应用中的部署潜力，其中能量效率和动态适应性至关重要。
无线传感器网络（WSNs）在精准农业、栖息地监测、医疗监控和自动驾驶等实际应用中发挥着关键作用，但节点电池容量有限、动态拓扑和不可预测的部署环境严重制约了网络的长期运行。现有分簇路由协议虽能通过组织节点分层、减少通信开销来提升能效，但基于元启发式算法（如粒子群优化PSO、遗传算法GA）的方法常依赖手工设计的适应度函数，在大规模动态网络中易陷入早熟收敛，缺乏实时适应性。基于强化学习（RL）的方法（如深度Q网络DQN）虽能动态学习策略，但计算复杂度高、收敛缓慢，且多将聚类与路由分离处理。基于深度学习（DL）的方案（如图神经网络GNN）能捕捉拓扑特征，但模型参数多、部署成本高。因此，亟需一种轻量级、生物启发且完全集成的聚类与路由协议，能在资源受限条件下实现动态自适应。
为应对上述挑战，研究人员提出了一种新型节能智能分簇路由协议FGOGNN，该协议将真菌生长优化器（FGO）用于自适应簇头（CH）选择，将图神经网络（GNN）用于智能簇间路由。FGO模拟真菌菌丝的生长与分支机制，通过能量密度驱动和拓扑感知自适应分支，实现平衡且节能的CH部署，避免早熟收敛。GNN路由模块利用节点能量、连通性和方向性边特征，动态推断最优多跳转发路径，具备低计算开销且能保持精度。FGOGNN将聚类与路由统一优化，在网络寿命、能耗、端到端延迟和吞吐量方面均显著优于现有协议。该论文发表在《Symmetry》期刊上。
为开展研究，研究人员主要采用了以下关键技术方法：1）基于改进FGO的聚类机制，引入能量密度驱动生长和拓扑感知自适应分支，实现CH选择；2）基于轻量级GNN的路由模型，利用节点能量、连通性和方向性特征推断簇间路径，配合优先经验回放（PER）机制提升学习效率；3）集成FGOGNN框架，统一优化聚类与路由阶段。仿真基于MATLAB和Python实现，采用IEEE 802.15.4 MAC协议，与GNN、DMPGNN、Q-learning和WOAD3QN等基线协议比较，网络规模从100到900节点，基站（BS）位置分别设置在中心、边缘和角落，以评估不同配置下的性能。
研究结果部分包括以下内容：
**5.1 学习率对网络性能的影响**：通过设置不同学习率r（0.001、0.005、0.01、0.05、0.1）在两个网络场景下进行仿真，发现较大r值加剧网络波动，增加端到端延迟和能量消耗，而较小r值（如0.001）能延长网络寿命并维持较高吞吐量。具体而言，场景#1中r=0.001时最早死亡节点（FND）最晚，吞吐量最优；场景#2中r=0.001同样获得最长网络寿命和最低延迟。
**5.2.1 与基线协议的对比评估**：在网络寿命方面，FGOGNN在场景#1中FND为1045轮，高于GNN（984轮）和DMPGNN（655轮），半数节点死亡（HND）为2014轮，远高于EEMLCR（927轮），最后节点死亡（LND）达2478轮，仅次于WOAD3QN（？原文HOADRL？但WOAD3QN为2478？实际原文表5显示HOADRL LND 2478，FGOGNN LND 2478？仔细看：表5中Scenario #1 FGOGNN LND 2478，HOADRL LND 2478？但HOADRL未定义，可能是WOAD3QN？原文说"HOADRL achieves the highest LND (2478 rounds)"，但HOADRL是笔误？实际应为WOAD3QN？但根据表5，FGOGNN LND也是2478，所以并列。但解读中应准确：FGOGNN的LND为2478轮，与WOAD3QN相同，但HND更早。在端到端延迟方面，FGOGNN在两种场景下波动范围分别为0.125–0.175 s和0.13–0.18 s，均优于基线，且稳定性更高。在能量消耗方面，FGOGNN在场景#1中平均能耗约0.04 J，比DMPGNN和GNN低约0.03 J；场景#2中约0.1 J，比WOAD3QN低0.07 J，比EEMLCR低0.2 J。在吞吐量方面，FGOGNN在场景#1中达243.92 MB，比GNN高168 MB，比DMPGNN高67 MB，比WOAD3QN高41 MB；场景#2中达578.15 MB，比DMPGNN高253.19 MB，比WOAD3QN高145.89 MB。
**5.2.2 不同网络配置下的性能评估**：在不同节点数（100–500或100–900）和BS位置（中心、边缘、角落）下，FGOGNN的网络寿命、吞吐量、端到端延迟和最大能量消耗均表现出良好的鲁棒性和可扩展性。例如，在100×100网络中，随节点数增加，寿命稳步提升，BS位于中心时寿命最长；吞吐量从约120 Mb（100节点）增至600 Mb以上（500节点），但增速随密度增加而减缓；延迟保持在0.15–0.36 s，增长平缓；最大能量消耗从0.02 J增至0.10 J，分布均衡。在500×500网络中，性能趋势相似，但绝对数值更高，最大能量消耗在900节点时接近0.20 J，但仍保持稳定。
总结讨论部分：FGOGNN通过FGO聚类和GNN路由的协同优化，有效解决了现有方法在动态适应性、能效和可扩展性方面的不足。FGO的能量密度驱动分支策略确保了CH的空间分布均匀，避免早熟；GNN的轻量级设计使得路由决策具备拓扑感知且计算开销低。与基线相比，FGOGNN在延迟稳定性、能耗控制和吞吐量提升上优势明显，尤其在网络规模扩展时仍能保持性能。研究结论部分翻译如下：本文提出了FGOGNN，一种面向WSNs的新型节能智能分簇路由协议。该框架集成了用于自适应平衡CH选择的FGO和用于拓扑感知与能量感知路由的GNN。受真菌菌丝生长启发，FGO引入能量密度驱动分支策略，防止早熟收敛并确保簇分布均匀。在路由方面，轻量级GNN模型基于能量感知、跳数效率和交付可靠性动态推断最优多跳路径，从而以最小计算开销实现鲁棒自适应的路由决策。大量仿真结果表明，FGOGNN在网络寿命、能耗、端到端延迟和吞吐量等关键性能指标上始终优于EEMLCR、WOAD3QN、GNN和DMPGNN等最新基线方法。可扩展性分析进一步证实，FGOGNN在大规模部署下性能退化平缓，并在不同网络密度和BS位置下保持稳定运行。这些发现证实了通过生物启发与学习驱动机制联合优化聚类和路由的有效性。未来工作将专注于增强FGOGNN在高度动态和资源受限环境中的适应性，例如通过轻量级GNN部署、在线训练以及与安全性或跨层优化方案的集成。特别是，实现轻量级GNN模型，使其在易变拓扑下保持推理精度，同时在严格的节点级资源限制内运行，仍是实现完全自主WSN运行的关键障碍。
