.png){kind=icon}
返回
Adaptive learning FOA algorithm with energy consumption balancing for coverage optimization in WSNs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.adhoc.2025.103958.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线传感器网络（WSNs）广泛应用于环境监测、工业制造、灾害救援、医疗保健和能源管理。然而，WSNs的发展仍面临许多与分布式节点覆盖和能量平衡相关的挑战。为解决上述问题，我们提出了一种自适应学习果蝇优化算法（FOA），以优化节点在2D及更复杂的3D环境中的覆盖和能量平衡。自适应学习FOA融合了自适应虚拟力建模和自适应小生境技术，以增强初始搜索能力并在后期阶段保持搜索平衡。此外，我们采用动态反向学习（DOL）和自适应维度学习（ADL）以避免陷入局部最优并提高搜索精度。另外，我们引入了一个实时节点能量消耗模型，用于计算节点在移动、覆盖和迭代过程中的能量消耗。该模型能够实现对节点能量的持续监测，帮助防止能量损耗和节点失效，从而提升WSNs的整体性能和稳定性。仿真结果表明了该方法的有效性：在2D场景中，自适应学习FOA实现了94.86%的最大覆盖率和94.18%的平均覆盖率，而在3D场景中，其最大覆盖率达到97.68%，平均覆盖率为96.32%。这些结果凸显了覆盖和能量平衡方面的显著改进，证实了该方法在多样化环境中优化WSNs性能的潜力。
期刊
IF:
4.8
论文数:
550
被引数:
6.2K
机构
引用论文
Wireless Sensor Network Deployment of 3D Surface Based on Enhanced Grey Wolf Optimizer.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Energy-Efficient Connected-Coverage Scheme in Wireless Sensor Networks无线传感器网络中节能的连通覆盖方案SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏On Nodes Placement in Energy Harvesting Wireless Sensor Networks for Coverage And Connectivity能量收集无线传感器网络中覆盖和连通性的节点放置研究
PREAI
分享收藏Applications of Wireless Sensor Networks and Internet of Things Frameworks in the Industry Revolution 4.0: A Systematic Literature Review无线传感器网络和物联网框架在工业革命4.0中的应用: 系统文献综述SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容