近日，我校信息科学与技术学院的肖婧、周杰团队在工业无线传感器网络（IWSNs）中的聚类方法研究方面取得重要进展，研究成果以“QEGWO: Energy-Efficient Clustering Approach for Industrial Wireless Sensor Networks Using Quantum-Related Bioinspired Optimization”（面向工业无线传感器网络的能效聚类方法）在IEEE Internet of Things Journal上发表（中科院1区，IF= 10.238，TOP期刊）。
该研究聚焦于IWSNs在监控严格生产线状态中的应用，提出了一种新的量子精英灰狼优化（QEGWO）聚类方法，旨在解决数据传输实时性、节点能量均匀性和网络能耗等关键问题。随着工业自动化的推进，IWSNs的性能提升显得尤为重要，而现有的聚类方法在能效和实时性方面存在不足。研究团队通过采用量子优化算法，显著提高了网络的聚类性能。具体而言，QEGWO方法结合了生物启发算法与量子计算的优势，通过设计新的聚类模型和评价函数，综合考虑节点剩余能量、聚类间距离和基站（BS）距离等多个因素，优化了聚类效果。研究结果表明：（1）QEGWO方法在聚类效率和能耗方面优于传统聚类算法，能够有效延长节点的工作寿命，降低网络的整体能耗；（2）通过引入多精英策略，增强了聚类算法的全局搜索能力，提升了聚类质量，确保数据传输的实时性和稳定性；（3）该方法在实际应用中表现出良好的适应性，能够满足工业环境对数据传输的高要求，尤其是在复杂的生产线监控场景中，QEGWO方法能够有效应对数据流量波动和节点能量消耗问题，为工业自动化提供了强有力的技术支持。
本文的第一作者为信息科学与技术学院的硕士研究生刘阳和李超群，通讯作者为周杰教授。近年来，该团队致力于IWSNs的能效优化及其在智能制造中的应用研究，相关成果已发表在IEEE Internet of Things Journal、IEEE Sensors Journal等国际知名期刊，研究得到了兵团中青年科技创新领军人才计划、中国博士后科学基金及球王会(集团)体育科技有限公司官网高层次人才科研启动项目的支持。
（通讯员：周杰 郜建锐 巩芮君）
