زمینه: یکی چالش ­های مهم و محدود کننده در شبکه­ های حسگر بی­ سیم­، انرژی باتری غیرقابل شارژ و محدود حسگر می­ باشد. در اکثر کاربردها، حسگرها در محیط­ های نامناسب و ناهموار بصورت تصادفی و نامنظم توزیع می­ شوند که تعویض یا شارژ دوباره باطری حسگرها غیرممکن است. بنابراین بایستی به دنبال روش ­های بود که مصرف انرژی حسگرها را کاهش دهد.

هدف: خوشه­ بندی و انتخاب گره حسگر مناسب برای سرخوشه شدن در شبکه­ های حسگر بی­ سیم تاثیر به سزای در کاهش مصرف انرژی گره ­های حسگر دارد. استفاده از مسیرهای چندگامی برای ارسال اطلاعات جمع­ آوری شده توسط سرخوشه­ ها نیز در مصرف انرژی سرخوشه­ ها نقش فراونی دارد، بنابراین مسیریابی چندگامی به نسبت مسیریابی تک­ گامی عملکرد مناسب ­تری را می­ تواند در شبکه داشته باشد.

روش ­ها: در این مقاله بعد از توزیع گره­ های حسگر در محیط برای انتخاب سرخوشه ­های مناسب از بین گره­ های حسگر موجود از الگوریتم بهینه سازی مبتنی بر آموزش یادگیری (TLBO) ^[1]  استفاده می­ کنیم. فلسفه فرآیند آموزش-یادگیری در یک کلاس درس الهام گرفته شده است و از تاثیر معلم روی خروجی یادگیرندگان تقلید می ­کند. بعد از جمع­ آوری داده­ های هر خوشه توسط سرخوشه برای ارسال اطلاعات به سینک، سرخوشه­ ها از الگوریتم جستجوی ممنوع (TS)^[2]استفاده می­ کنند و گام بعدی برای ارسال اطلاعات را مشخص می ­کنند.

یافته­ ها: نتایج شبیه سازی نشان می­ دهد که پروتکل پیشنهادی ما ( TLSIA^[3] ) در مرگ آخرین گره، نسبت به الگوریتم LEACH ، 75 درصد، ALSPR  25درصد و نسبت به  COARP 10درصد بیشتر می ­باشد.

نتیجه­ گیری: با توجه به انرژی محدود حسگرها و غیرقابل شارژ بودن باتری­ها ارائه الگوریتم­ های هوش ازدحامی در شبکه­ های حسگر بی­سیم می­ توان باعث کاهش مصرف انرژی نودهای حسگر و درنهایت افزایش طول عمر شبکه حسگر بی­ سیم شود.