如何通過群體智能和遺傳算法去推算WSNs能耗優化的關鍵技術？
群體智能(SwarmIntelligence，SI)和遺傳算法(GeneticAlgo⁃rithm，GA)都屬于人工智能領域研究的範疇。
SI是一類分散自組織系統的集體智能行為的總稱，即基于個體群成員的聚集表現出獨立的智能，适合求解優化問題，有助于實作多項式時間複雜度無法解決的NP問題。GA是模拟自然界生物進化過程與機制求解最優問題的一類自組織、自适應人工智能技術。
通過編碼組成初始群體後，遺傳操作的任務是按照群體中個體的環境适應度對個體施加一定的操作，進而實作優勝劣汰的進化過程。
許多WSNs應用中數目巨大分布廣泛的傳感器節點基于電池供電且難于補充能量,存在嚴重的能量限制。減少和平衡節點能耗,最大化網絡生存期成為WSNs的首要設計目标。
節點能耗與WSNs網絡協定密切相關，設計良好的路由算法可以在很大程度上降低和平衡節點能耗，延長網絡生存期。利用SI和GA等自然元啟發智能算法實作WSNs路由協定對各類在網傳感節點資料通信和計算處理的綜合協調排程，優化網絡能耗意義重大。
一、WSNs能耗優化關鍵技術
WSNs分簇協定綜合考慮節點發送、接收資料的固定能耗和跟随傳輸距離遠近改變的發送端無線功放能耗，将網絡劃分為若幹本地簇。
每個簇中的簇頭節點消耗額外能量負責接收簇成員資料并發往基站。分簇結構使得網絡整體擴充性良好，相比節點與基站直接通信和節點間最小傳輸能量路由性能更優，已經成為WSNs路由算法的研究重心。
分簇協定的兩個核心問題是：
①形成簇；
②建立簇頭和基站之間的資料多跳轉發路徑。
小面積監測環境基站通信範圍覆寫整個監測區域，簇頭和基站不需要經過中繼節點轉發資料，隻需要考慮“形成簇”，随後簇頭與基站單跳通信；中等面積和大面積監測環境基站通信範圍無法覆寫整個監測區域，簇頭和基站通過中繼節點轉發資料，需要綜合考慮上述2個問題。
二、建立基于節點剩餘能量名額的WSNs數學模型和能耗模型
一階無線電模型是WSNs的通用能耗模型，在該模型架構内定義了資料發送、接收、融合、計算、感覺的能耗公式用來模拟網絡真實能耗。将WSNs劃分為節點初始能量相等的同構WSNs和節點初始能量不同的異構WSNs。
借助于對節點剩餘能量和分輪次建簇的深入分析，把各種WSNs數學模型均映射到多級異構模型。
WSNs節點通常情況下随機散布在監測區域内且靜止不動，節點位置、節點度、與其他節點距離、與基站距離等名額随機分布。
盡管同構WSNs節點的初始能量相等，采用的網絡協定也意圖保持每個輪次各個節點能耗一緻，但是因為上述名額的差異，每輪各節點實際耗能不可能相同，
故同構WSNs在本質上是異構WSNs的特例。在建立網絡協定的過程中，隻要充分考慮節點剩餘能量，即能将同構和異構WSNs統一于多級能量異構WSNs數學模型。
1、簇間單跳路
由場景的最優簇頭數量在本場景中成員節點與所在簇頭、簇頭與基站之間均是直接通信，鍊路跳數為2，網絡拓撲結構相對固定，如下圖所示。
影響簇間單跳路由場景中最優簇頭數量計算公式的因素包括基站相對監測區域的位置、主副簇頭機制、控制包、自由空間模型和多路徑衰減模型等，綜合運用微積分、極坐标、機率分布等數學工具和概念，可以計算16種因素組合的最優簇頭數量和一個輪次網絡總能耗的數學公式，如下表。
2、簇間單跳路
由場景中基于自然元啟發的分簇算法簇間單跳路由場景隻需要考慮分簇過程，自然元啟發智能算法搜尋空間的一個粒子對應優化問題的一個解，既映射為監測區域内的全體簇頭集合，解的品質由多目标适應度函數評估。
PSO、ABC和FA三種SI算法分别将解稱為粒子、螢火蟲和蜜蜂對應的蜜源位置（以下統稱粒子），通過粒子間的互相協作、學習和吸引，尋找更優的解。上述過程必須建立連續量的粒子到離散量的簇頭集合的映射關系，當粒子代表的解的位置在連續空間内移動時，需要按照一定的規則找到對應的離散化的簇頭集合。GA算法的解稱為染色體，通過染色體的選擇、交叉和變異操作不斷進化，進而搜尋解空間尋找更優解。
CLON⁃ALG算法模拟人體免疫機理，引入抗體的選擇、複制、克隆增值超變異、變異等操作保留和搜尋優質抗體，快速尋找更優解。在算法實作過程中，如何确定Pareto多目标适應度函數及其權重系數是一個難點，對于算法的性能影響較大，還需要考慮簇頭和基站距離對成簇規模的影響。
3、簇間多跳路
因為簇頭和基站間的跳數無法事先确定，是以不可能形式化地數學推導最優簇頭數量。為了生成動态數量的優選簇頭集合，在染色體或抗體初始化時将全部節點納入簇頭的候選集合進行計算極大地增加了運算負載，并不可取。可以依據一定的過濾規則，有條件地确定簇頭候選節點集合，該集合元素數量遠小于全體節點數量。
