本文档是一篇发表于 IEEE Sensors Journal, Vol. 24, No. 8, 15 April 2024 的学术研究文章，文章题为 “Environment Fusion Routing Protocol for Wireless Sensor Networks” (环境融合路由协议，用于无线传感器网络)，核心作者为 Fengbo Yang, Qian Sun, Zhiyao Zhao, Xiaoyi Wang, Jiping Xu, Ying Zheng, Huiyan Zhang 和 Li Wang，其主要隶属单位为 北京工商大学人工智能学院 与 北京智能环境保护实验室。本文提出了一种新型的无线传感器网络(Wireless Sensor Network, WSN)路由协议——环境融合路由协议 (Environment Fusion Routing Protocol, EFRP)，专注于解决无线传感器网络在复杂环境下的生存性和性能优化问题。以下为详细内容概述：
无线传感器网络 (WSN) 是物联网 (IoT) 中的关键技术，也是敌方目标监测、环境数据采集等领域的核心基础设施。这些传感器节点通常部署在无人值守的动态监测环境中，而外部环境的复杂性、大规模节点分布及能量约束会严重影响网络的可靠性和性能。传统路由协议仅从网络自身结构和能量效率优化入手，而忽视了外部环境的动态变化，从而在恶劣环境中表现欠佳。针对这一问题，本文创新性地提出 EFRP，该协议融合环境影响因子与传感器节点残余能量等信息，综合优化数据传输路径及网络分簇策略，从而显著提升网络的鲁棒性 (invulnerability) 和数据传输效率，延长网络生命周期。
研究的主要目标有以下几点： 1. 构建环境影响数学模型以量化环境对节点性能的影响； 2. 提出基于综合势场 (Comprehensive Potential Field) 的路由优化方法； 3. 在模拟实验中验证 EFRP 算法在恶劣环境下的数据传输效率、能量利用率及网络可靠性上的改进。
本文的研究工作流程包括以下几个主要步骤，每一步在方法设计上具有独特的创新性：
为了量化外部环境对传感器节点的影响，作者首先建立了“环境影响因子” (Environmental Impact Factor, U(i)) 的数学模型。以温度为例，节点的正常工作范围记为 [t_L, t_H]，生存范围记为 [t_min, t_max]。根据温度对节点性能的影响，环境因子采用分段函数建模：
这一模型扩展至多个环境参数 (如湿度、电磁干扰等)，将单一环境因子组合为综合环境因子 U_m(i)，用公式表示为： [ Um(i) = \prod{\alpha=1}^q U_\alpha(i) ] 其中 q 表示环境因子的种类。
为了降低数据传输冗余与能量消耗，作者采用聚簇算法进行数据聚合。EFRP 的聚簇核心在于优化簇头(Cluster Head, CH)的选举策略。具体方法如下： - 根据节点剩余能量 (E_i)、环境因子 U(i) 和网络平均能量 (\bar{E}) 的比率，以概率形式计算每个节点当选为簇头的概率： - [ Pi = \left[ \frac{P\text{opt} \cdot E_i®}{n \cdot \bar{E}®} \right] \cdot U_m(i) ] - 若 U_m(i)=0，表明节点不能正常工作，其簇头概率 P_i=0； - 若 U_m(i) 越大，P_i 越高。
该策略保证了网络中能量高且环境较优的节点有更高概率成为簇头，从而实现了“能量均衡”和“环境适应性”的结合。
在路由阶段，作者构建了基于综合势场 (Comprehensive Potential Field) 的路由优化方法。综合势场融合了以下三个子势场： - 距离吸引势场 (Distance Attractive Field)：节点到 Sink 的距离越远吸引力越大； - 能量吸引势场 (Energy Attractive Field)：节点剩余能量越高吸引力越大； - 环境排斥势场 (Environmental Repulsive Field)：环境越恶劣产生的排斥力越大。
最终的综合势场为上述三个势场的叠加结果： [ Us(i) = U\text{hm}(i) + U_d(i) + U_e(i) ] 节点在发送数据时选择综合势场影响下的最优路径，既规避危险区域，又能提升传输效率。
采用 MATLAB 针对以下场景进行实验仿真： - 在含四个危险区域的监测场地内部署 100 个传感器节点； - 对比传统 DEEC（Distributed Energy-Efficient Clustering）和 WSNCC 算法，验证 EFRP 在数据传输量、网络寿命、能量利用率、簇头分布等方面的优越性。
EFRP 算法显著延长了网络的生命周期。例如，在 100 个节点模拟场景中： - DEEC 全部节点失效发生于第 3200 次迭代，WSNCC 于第 3900 次失效，而 EFRP 延长至第 4300 次，比 DEEC 增长 34.4%。
在 5000 次迭代内，EFRP 总共传输了 176,677 bits 的数据，而 DEEC 仅为 65,686 bits，相当于提高了约 1.7 倍。WSNCC 的传输总量为 115,821 bits，亦低于 EFRP 方法。
EFRP 的能量消耗分布更均衡，尤其得益于其避开危险区域的能力，与 DEEC 和 WSNCC 相比，节省了 35.23% 和约 16.37% 的能耗。
EFRP 比 DEEC 多生成了 43.52% 的簇头，并且簇头的存活时间平均延长 1200 次迭代，显示出良好的能量负载均衡策略。
模拟表明，EFRP 能使网络负载平衡的时间延长约 600 次迭代，并在高效状态下工作更久。
本文提出的环境融合路由协议 EFRP，在数据聚合阶段综合考虑能量和环境因素，平衡了网络能耗；在路由阶段基于综合势场方法优化路径，避开危险区域并确保数据传输的鲁棒性。实验结果表明，该算法在延长网络寿命、提高数据传输效率及能量利用率等方面有显著优势。
本研究为 WSN 在复杂环境下的性能优化提供了一种全新的思路，具有重要的科学价值和实际应用意义，特别是在灾害预警、极端环境监测等领域，EFRP 的表现尤为突出。
未来工作方向包括进一步探讨环境因素对传感器模块的具体影响，以及综合势场中各子势场权重的优化。