Wireless Sensor Network (WSN) is the one of the hot area of research in which energy stability and network lifetime are considered to be the twin challenges during its application. Clustering is the optimum energy efficiency strategy that organizes the sensor nodes into potential groups for the objective of attaining energy stability and network lifetime. In this energy potent clustering process, cluster head selection is determined to be highly significant in order to balance energy among the nodes sensor nodes. Moreover, two-tier cluster head selection that includes temporary and final cluster head is identified to be challenging in WSNs. In this paper, Hybrid Fuzzy Logic and Artificial Flora Optimization Algorithm (FL-AFA)-based Two Tier Cluster Head Selection is proposed for improving energy efficiency and prolog network lifetime. This FL-AFA scheme achieved the cluster head selection in two stages, such as, i) Temporary Cluster Head (TCH) selection using FL and, ii) Final Cluster Head (FCH) selection using AFA. In the first stage, the concept of fuzzy logic applied over the input parameters of residual energy (RE), distance to BS (DTBS), and node degree (NDE). In the second stage, the benefits of AFA is employed for computing the fitness function through distance to nearby nodes (DNN), cluster compactness estimation factor (CCEF), and position estimation (PE). Simulation experiments of the proposed FL-AFA scheme and the benchmarked schemes are conducted based on the evaluation metrics of energy efficiency, network lifetime, average delay, and packet delivery ratio (PDR) under the impact of different sensor nodes. .

无线传感器网络（WSN）是研究的热点之一，其中能量稳定性和网络寿命被认为是其应用过程中的双重挑战。群集是一种最佳的能源效率策略，该策略将传感器节点组织到潜在的组中，以达到能源稳定性和网络寿命的目的。在这种能量有效的群集过程中，群集头的选择被确定为非常重要的，以便在节点传感器节点之间平衡能量。此外，包括临时和最终群集头的两层群集头选择在WSN中被认为具有挑战性。本文提出了基于混合模糊逻辑和人工植物群优化算法（FL-AFA）的两层簇头选择方法，以提高能源效率和prolog网络寿命。这种FL-AFA方案分两个阶段实现了簇头选择，例如，i）使用FL的临时簇头（TCH）选择，以及ii）使用AFA的最终簇头（FCH）选择。在第一阶段，模糊逻辑的概念应用于剩余能量（RE），到BS的距离（DTBS）和节点度（NDE）的输入参数。在第二阶段，将AFA的优势用于通过到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）来计算适应度函数。基于能量效率，网络寿命，平均延迟和分组传输率（PDR）在不同传感器节点的影响下的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。例如，i）使用FL的临时簇头（TCH）选择，以及ii）使用AFA的最终簇头（FCH）选择。在第一阶段，模糊逻辑的概念应用于剩余能量（RE），到BS的距离（DTBS）和节点度（NDE）的输入参数。在第二阶段，将AFA的优势用于通过到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）来计算适应度函数。在不同传感器节点的影响下，基于能效，网络寿命，平均延迟和分组传输率（PDR）的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。例如，i）使用FL选择临时簇头（TCH），以及ii）使用AFA选择最终簇头（FCH）。在第一阶段，模糊逻辑的概念应用于剩余能量（RE），到BS的距离（DTBS）和节点度（NDE）的输入参数。在第二阶段，将AFA的优势用于通过到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）来计算适应度函数。在不同传感器节点的影响下，基于能效，网络寿命，平均延迟和分组传输率（PDR）的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。在第一阶段，模糊逻辑的概念应用于剩余能量（RE），到BS的距离（DTBS）和节点度（NDE）的输入参数。在第二阶段，将AFA的优势用于通过到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）来计算适应度函数。基于能量效率，网络寿命，平均延迟和分组传输率（PDR）在不同传感器节点的影响下的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。在第一阶段，模糊逻辑的概念应用于剩余能量（RE），到BS的距离（DTBS）和节点度（NDE）的输入参数。在第二阶段，将AFA的优势用于通过到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）来计算适应度函数。在不同传感器节点的影响下，基于能效，网络寿命，平均延迟和分组传输率（PDR）的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。AFA的优势可用于计算到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）的适应度函数。在不同传感器节点的影响下，基于能效，网络寿命，平均延迟和分组传输率（PDR）的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。AFA的优势可用于计算到附近节点的距离（DNN），群集紧密度估计因子（CCEF）和位置估计（PE）的适应度函数。在不同传感器节点的影响下，基于能效，网络寿命，平均延迟和分组传输率（PDR）的评估指标，对所提出的FL-AFA方案和基准方案进行了仿真实验。。