In wireless sensor networks for the Internet of Things (WSN-IoT), the topology deviates very frequently because of the node mobility. The topology maintenance overhead is high in flat-based WSN-IoTs. WSN clustering is suggested to not only reduce the message overhead in WSN-IoT but also control the congestion and easy topology repairs. The partition of wireless mobile nodes (WMNs) into clusters is a multiobjective optimization problem in large-size WSN. Different evolutionary algorithms (EAs) are applied to divide the WSN-IoT into clusters but suffer from early convergence. In this paper, we propose WSN clustering based on the memetic algorithm (MemA) to decrease the probability of early convergence by utilizing local exploration techniques. Optimum clusters in WSN-IoT can be obtained using MemA to dynamically balance the load among clusters. The objective of this research is to find a cluster head set (CH-set) as early as possible once needed. The WMNs with high weight value are selected in lieu of new inhabitants in the subsequent generation. A crossover mechanism is applied to produce new-fangled chromosomes as soon as the two maternities have been nominated. The local search procedure is initiated to enhance the worth of individuals. The suggested method is matched with state-of-the-art methods like MobAC (Singh and Lohani, 2019), EPSO-C (Pathak, 2020), and PBC-CP (Vimalarani, et al. 2016). The proposed technique outperforms the state of the art clustering methods regarding control messages overhead, cluster count, reaffiliation rate, and cluster lifetime.

中文翻译：

---

基于模因算法memeWSN的物联网无线传感器网络的最优聚类

在物联网（WSN-IoT）的无线传感器网络中，由于节点的移动性，拓扑结构非常频繁地偏离。在基于平面的WSN-IoT中，拓扑维护开销很高。建议使用WSN群集，不仅可以减少WSN-IoT中的消息开销，还可以控制拥塞并简化拓扑修复。在大型WSN中，将无线移动节点（WMN）划分为群集是一个多目标优化问题。应用了不同的进化算法（EA）将WSN-IoT划分为集群，但存在早期收敛的问题。在本文中，我们提出了基于模因算法（MemA）的WSN聚类，以通过利用局部探索技术来降低早期收敛的可能性。使用MemA可以动态平衡群集之间的负载，从而获得WSN-IoT中的最佳群集。本研究的目的是在需要时尽早找到簇头集（CH集）。在下一代中选择具有高权重的WMN代替新居民。一旦指定了两个成熟度，就会应用交叉机制产生新的染色体。启动本地搜索程序以提高个人的价值。建议的方法与MobAC（Singh and Lohani，2019），EPSO-C（Pathak，2020）和PBC-CP（Vimalarani等，2016）等最新方法相匹配。所提出的技术在控制消息开销，集群计数，重新隶属率和集群寿命方面优于最新的集群方法。在下一代中选择具有高权重的WMN代替新居民。一旦指定了两个成熟度，就会应用交叉机制产生新的染色体。启动本地搜索程序以提高个人的价值。建议的方法与MobAC（Singh and Lohani，2019），EPSO-C（Pathak，2020）和PBC-CP（Vimalarani等，2016）等最新方法相匹配。所提出的技术在控制消息开销，群集计数，重新隶属率和群集寿命方面优于现有的群集方法。在下一代中选择具有高权重的WMN代替新居民。一旦指定了两个成熟度，就会应用交叉机制产生新的染色体。启动本地搜索程序以提高个人的价值。建议的方法与MobAC（Singh and Lohani，2019），EPSO-C（Pathak，2020）和PBC-CP（Vimalarani等，2016）等最新方法相匹配。所提出的技术在控制消息开销，群集计数，重新隶属率和群集寿命方面优于现有的群集方法。启动本地搜索程序以提高个人的价值。建议的方法与MobAC（Singh and Lohani，2019），EPSO-C（Pathak，2020）和PBC-CP（Vimalarani等，2016）等最新方法相匹配。所提出的技术在控制消息开销，群集计数，重新隶属率和群集寿命方面优于现有的群集方法。启动本地搜索程序以提高个人的价值。建议的方法与MobAC（Singh and Lohani，2019），EPSO-C（Pathak，2020）和PBC-CP（Vimalarani等，2016）等最新方法相匹配。所提出的技术在控制消息开销，群集计数，重新隶属率和群集寿命方面优于现有的群集方法。