介绍
水声传感器网络（UASN）是由水下传感器节点通过水声通信形成的自组织网络。它是海洋资源开发和勘探的关键技术（Chen等人，2022）。目前，UASN已广泛应用于海洋地理信息采集、污染监测、军事入侵监测等许多水下场景（Zhao等人，2021）。因此，UASN已成为海洋物联网的研究热点。
然而，由于水下环境的特殊性和复杂性，UASN面临着许多严峻的挑战。例如，无人机网络中传感器的电池在水下不容易更换，因此传感器节点的能量有限（Su et al.，2022）。与陆地无线传感器网络（TWSN）不同（Liazid等人，2023），UASN中传感器之间的通信模型是水声通信，因为电磁波在水中严重衰减（Li等人，2019）。水声调制和传输需要更多的能量消耗（Lee-Leon等人，2021）。此外，恶劣的水下环境使节点更容易受到破坏。故障节点可能导致网络分区，从而降低网络的可用性和覆盖率，甚至导致网络故障（Akyildiz等人，2005）。因此，提高UASN中节点的能量效率和节点故障的容错能力非常重要。
拓扑控制是UASN的关键技术之一，可以生成性能良好的网络拓扑结构（Liu等人，2021）。合理的UASN拓扑结构可以延长网络寿命，提高网络容错能力（Saad等人，2018）。因此，获得一种高效节能的容错拓扑对于提高节点的能量效率和节点故障的容错能力具有重要意义。目前，关于TWSN的拓扑控制的研究很多，但关于UASN的拓扑控制研究很少，现有关于UASN的拓扑控制文献主要集中在提高网络连通性、覆盖率和通信性能上，没有考虑节点故障的容错性。因此，在拓扑控制中考虑容错对于提高UASN的容错性具有重要意义。优先增长机制生成的网络结构对节点故障具有更好的容错性（Wang等人，2021）。目前，优惠增长机制已在TWSN中得到广泛应用（Peng et al.，2016）。因此，可以引入并改进优先增长机制，将其应用于UASN，以提高容错性。
此外，目前UASN的节能拓扑控制算法主要考虑节点功率优化，以提高网络能效，而忽略了节点的负载。而节点负载对网络能耗有重要影响。高负载节点容易因能量耗尽而死亡，从而缩短网络寿命。此外，当前UASN的节能拓扑控制算法倾向于使用博弈论方法优化节点功率，以降低节点能耗。然而，博弈论的计算复杂度较高，适应性较差。学习自动机是一类机器学习算法，它可以通过不断与未知环境交互来获得最优值。它具有噪声鲁棒性好、全局优化能力强、收敛速度快等优点，Tekiyehband等人，2022年，Irandoost等人，2019年。因此，它非常适合于各种随机环境，可以广泛应用于许多领域。目前，学习自动机已经应用于无线传感器网络的最优覆盖、网络结构优化、最优路由策略设计等方面。然后我们可以应用学习自动机来优化节点的功率，从而提高UASN的能量效率。
根据上述分析，本文旨在获得一种节能和容错拓扑，以提高UASN中节点的能效和节点故障的容错能力。然后提出了一种节能容错的拓扑进化算法（ETFLA）。本文的主要贡献总结如下：
- •
改进的学习自动机有效地优化了UASN节点的传输功率。基于节点的优化功率，在UASN拓扑演化过程中考虑了节点的负载和剩余能量。因此，生成的拓扑可以有效地减少节点消耗，延长节点寿命。
- •
引入并改进了优先增长机制，提出了ETFLA拓扑演化算法。与以往的工作不同，ETFLA拓扑进化算法可以应用于具有不同优化功率的节点。这使得功率优化后的节点可以生成具有容错能力的节能拓扑。
- •
分析了与传输功率和节点负载有关的参数对拓扑性能的影响。根据参数分析，通过设置传输功率和节点负载相关参数的相应值，可以形成满足不同实际要求的相应拓扑结构。
本文的其余部分组织如下：第2节介绍了相关工作。第三节建立了UASN模型，提出了功率优化算法，然后提出了ETFLA拓扑演化算法。第四节讨论并分析了仿真结果。最后，本文在第5节中进行了总结。
