In wireless sensor networks (WSN), the data are collected from the sensor using the mobile sink for preventing the energy-hole or hotspot problem through traversing the network periodically. The mobile sink permits the node to visit only the fewest number of nodes or locations called rendezvous points (RPs) to minimize the energy utilization and delay by visiting all the cluster heads (CHs). Further, the CHs transmit the packets to its adjacent RP. Several approaches are employed for enhancing the network lifetime and reducing the energy utilization. This paper presents a new hybrid neural network based energy-efficient routing strategy through RPs. Initially, the sensor nodes are clustered utilizing the mean shift clustering methodology. Then, the new Bald Eagle Search algorithm selects the cluster head (CH) for the clustered nodes. Consequently, RPs are selected instead of visiting all the cluster heads. Here, RPs are elected based on the weights evaluation among number of transmitted data packets and hop distance. Finally, a hybrid neural network with Group Teaching Algorithm is introduced to determine the best path through the selected RPs that moderates the energy utilization in WSNs. The implementation of the introduced methodology is performed in the Matlab platform. The simulation results proves that the presented methodology provides better outcomes than the previous techniques in regards of energy utilization, throughput, packet delivery ratio, delay, packet loss ratio, jitter, latency and network lifetime.

在无线传感器网络（WSN）中，使用移动接收器从传感器收集数据，以通过定期遍历网络来防止出现能量孔或热点问题。移动接收器允许节点仅访问最少数量的节点或称为集合点（RP）的位置，以通过访问所有群集头（CH）来最大程度地减少能源利用和延迟。此外，CH将分组发送到其相邻的RP。采用了几种方法来延长网络寿命并降低能源利用率。本文提出了一种新的基于RP的基于混合神经网络的节能路由策略。最初，利用均值漂移聚类方法对传感器节点进行聚类。然后，新的秃头鹰搜索算法为聚类节点选择聚类头（CH）。最后，选择RP而不是访问所有群集头。在此，基于所发送的数据分组的数量和跳距离之间的权重评估来选择RP。最后，引入了一种具有小组教学算法的混合神经网络，以确定通过选定的RP的最佳路径，该路径可缓和WSN中的能量利用。所介绍方法的实现是在Matlab平台中执行的。仿真结果证明，在能量利用率，吞吐量，数据包传输率，延迟，数据包丢失率，抖动，等待时间和网络寿命方面，所提出的方法提供了比以前的技术更好的结果。最后，引入了一种具有小组教学算法的混合神经网络，以确定通过选定的RP的最佳路径，该路径可缓和WSN中的能量利用。所介绍方法的实现是在Matlab平台中执行的。仿真结果证明，在能量利用率，吞吐量，数据包传输率，延迟，数据包丢失率，抖动，等待时间和网络寿命方面，所提出的方法提供了比以前的技术更好的结果。最后，引入了一种具有小组教学算法的混合神经网络，以确定通过选定的RP的最佳路径，该路径可缓和WSN中的能量利用。所介绍方法的实现是在Matlab平台中执行的。仿真结果证明，在能量利用率，吞吐量，数据包传输率，延迟，数据包丢失率，抖动，等待时间和网络寿命方面，所提出的方法提供了比以前的技术更好的结果。