随着物联网的发展,如何在低性能、低带宽的嵌入式环境下实现类似PC可靠长连接服务已经成为物联网领域的研究热点之一。心跳机制是目前应用较为广泛的维持通信双方长连接的方式,在尽可能少资源占用的情况下,实现可靠长连接,其中心跳间隔的动态优化是关键所在。本文针对传统心跳机制中所存在的灵活性差,资源浪费严重等问题,尝试用基于改进教与学优化算法(teaching-learning-based optimization algorithms,TLBO)的BP神经网络预测模型对适合当前网络状况的心跳间隔进行预测,实现心跳间隔适应网络状态变化的动态调整。对TLBO算法的改进首先是在教阶段引入因材施教的思想,增加考虑学生自身的学习水平,调整该阶段的位置置换公式;其次,在进入学阶段之前,采用分组的思想对种群进行分组学习,加强算法局部搜索能力,避免因过快向最优个体靠拢,而丢失关键特征;最后,根据学阶段所遇学习对象水平的不同采取不同的学习策略,使当前解始终向着最优方向进化,避免较差解破坏较优解。采用基于改进TLBO算法的BP神经网络模型,根据物联网环境下不断变化的网络参数,预测出合适的心跳间隔时间,实现心跳机制适应网络变化的动态调整,提高心跳机制的灵活性和对网络变化的适应性,减少传统算法寻找目标心跳过程中产生的流量和时间损耗。实验结果表明,采用基于改进TLBO算法的BP神经网络预测模型实现的动态心跳机制比采用传统算法的自适应心跳机制在寻优的迭代次数、流量和时间损耗方面都有着明显的优势。