如何通过群体智能和遗传算法去推算WSNs能耗优化的关键技术？
群体智能(SwarmIntelligence，SI)和遗传算法(GeneticAlgo⁃rithm，GA)都属于人工智能领域研究的范畴。
SI是一类分散自组织系统的集体智能行为的总称，即基于个体群成员的聚集表现出独立的智能，适合求解优化问题，有助于实现多项式时间复杂度无法解决的NP问题。GA是模拟自然界生物进化过程与机制求解最优问题的一类自组织、自适应人工智能技术。
通过编码组成初始群体后，遗传操作的任务是按照群体中个体的环境适应度对个体施加一定的操作，从而实现优胜劣汰的进化过程。
许多WSNs应用中数目巨大分布广泛的传感器节点基于电池供电且难于补充能量,存在严重的能量限制。减少和平衡节点能耗,最大化网络生存期成为WSNs的首要设计目标。
节点能耗与WSNs网络协议密切相关，设计良好的路由算法可以在很大程度上降低和平衡节点能耗，延长网络生存期。利用SI和GA等自然元启发智能算法实现WSNs路由协议对各类在网传感节点数据通信和计算处理的综合协调调度，优化网络能耗意义重大。
一、WSNs能耗优化关键技术
WSNs分簇协议综合考虑节点发送、接收数据的固定能耗和跟随传输距离远近改变的发送端无线功放能耗，将网络划分为若干本地簇。
每个簇中的簇头节点消耗额外能量负责接收簇成员数据并发往基站。分簇结构使得网络整体扩展性良好，相比节点与基站直接通信和节点间最小传输能量路由性能更优，已经成为WSNs路由算法的研究重心。
分簇协议的两个核心问题是：
①形成簇；
②建立簇头和基站之间的数据多跳转发路径。
小面积监测环境基站通信范围覆盖整个监测区域，簇头和基站不需要经过中继节点转发数据，只需要考虑“形成簇”，随后簇头与基站单跳通信；中等面积和大面积监测环境基站通信范围无法覆盖整个监测区域，簇头和基站通过中继节点转发数据，需要综合考虑上述2个问题。
二、建立基于节点剩余能量指标的WSNs数学模型和能耗模型
一阶无线电模型是WSNs的通用能耗模型，在该模型框架内定义了数据发送、接收、融合、计算、感知的能耗公式用来模拟网络真实能耗。将WSNs划分为节点初始能量相等的同构WSNs和节点初始能量不同的异构WSNs。
借助于对节点剩余能量和分轮次建簇的深入分析，把各种WSNs数学模型均映射到多级异构模型。
WSNs节点通常情况下随机散布在监测区域内且静止不动，节点位置、节点度、与其他节点距离、与基站距离等指标随机分布。
尽管同构WSNs节点的初始能量相等，采用的网络协议也意图保持每个轮次各个节点能耗一致，但是因为上述指标的差异，每轮各节点实际耗能不可能相同，
故同构WSNs在本质上是异构WSNs的特例。在建立网络协议的过程中，只要充分考虑节点剩余能量，即能将同构和异构WSNs统一于多级能量异构WSNs数学模型。
1、簇间单跳路
由场景的最优簇头数量在本场景中成员节点与所在簇头、簇头与基站之间均是直接通信，链路跳数为2，网络拓扑结构相对固定，如下图所示。
影响簇间单跳路由场景中最优簇头数量计算公式的因素包括基站相对监测区域的位置、主副簇头机制、控制包、自由空间模型和多路径衰减模型等，综合运用微积分、极坐标、概率分布等数学工具和概念，可以计算16种因素组合的最优簇头数量和一个轮次网络总能耗的数学公式，如下表。
2、簇间单跳路
由场景中基于自然元启发的分簇算法簇间单跳路由场景只需要考虑分簇过程，自然元启发智能算法搜索空间的一个粒子对应优化问题的一个解，既映射为监测区域内的全体簇头集合，解的质量由多目标适应度函数评估。
PSO、ABC和FA三种SI算法分别将解称为粒子、萤火虫和蜜蜂对应的蜜源位置（以下统称粒子），通过粒子间的互相协作、学习和吸引，寻找更优的解。上述过程必须建立连续量的粒子到离散量的簇头集合的映射关系，当粒子代表的解的位置在连续空间内移动时，需要按照一定的规则找到对应的离散化的簇头集合。GA算法的解称为染色体，通过染色体的选择、交叉和变异操作不断进化，从而搜索解空间寻找更优解。
CLON⁃ALG算法模拟人体免疫机理，引入抗体的选择、复制、克隆增值超变异、变异等操作保留和搜索优质抗体，快速寻找更优解。在算法实现过程中，如何确定Pareto多目标适应度函数及其权重系数是一个难点，对于算法的性能影响较大，还需要考虑簇头和基站距离对成簇规模的影响。
3、簇间多跳路
因为簇头和基站间的跳数无法事先确定，所以不可能形式化地数学推导最优簇头数量。为了生成动态数量的优选簇头集合，在染色体或抗体初始化时将全部节点纳入簇头的候选集合进行计算极大地增加了运算负载，并不可取。可以依据一定的过滤规则，有条件地确定簇头候选节点集合，该集合元素数量远小于全体节点数量。
