随着物联网技术的发展,无线传感器网络在人们日常生产生活中发挥着越来越重要的作用。无线传感器网络由个数众多、通信能力低、能量有限的传感器节点组成,能够实时采集感知对象数据,并通过网络将数据传输到远端。其与传统网络的一个主要区别在于节点能量有限。因此,如何降低节点能耗,提高节点能量利用率是当前无线传感器网络领域热点问题之一。在当前的无线传感器网络低能耗算法中,基于分簇算法和基于节点任务调度的低能耗算法是提高节点能量利用率、降低节点能耗的两类主要算法。然而现有分簇算法大多忽略了节点分布密度和节点自身能量状况,这容易导致簇头节点分布不合理或因能量耗尽而过早死亡;而基于Q-learning的节点任务调度算法虽然能获得较好的节点任务调度策略,但其算法时间和空间需求较高。针对这些问题本文进行了以下三个方面的研究:(1)针对LEACH算法在簇头选择上的不足,将机器学习算法——Mean Shift应用到分簇算法的簇头选择过程中,充分考虑节点分布密度和节点剩余能量等因素,提出了基于Mean Shift的低能耗分簇算法(M_LEACH)。算法在网络的每一数据传输周期内,基于节点自身剩余能量和周围节点分布密度竞选簇头,簇头节点收集簇成员节点数据进行去冗余处理并发送给基站或sink节点。算法仿真实验结果表明,相比于直接数据传输方式、LEACH算法和EAMMH算法,M_LEACH算法在解决低能耗问题上有更好的效果。(2)针对基于Q-learning的节点任务调度算法在时间和空间上的不足之处。通过对传感器节点的各模块进行建模,在马尔可夫决策过程模型基础上,利用深度神经网络建立节点状态和动作映射关系,解决传统的Q-learning算法需要遍历和存储大量经验数据的问题,提出了基于深度强化学习的低能耗节点任务调度算法。仿真实验结果表明,针对大型无线传感器网络,基于深度强化学习的节点任务调度算法在解决低能耗问题上有更好的效果。