استخراج الگوی نهفته داده ها در یک شبکه حسگر، تمرکز اصلی این پژوهش است. توزیع شدگی داده ها و منابع محاسباتی در سطح گره ها، در کنار محدودیت های منبع تغذیه و پهنای باند ارتباطی، از اصلی ترین چالش های فراروی این پژوهش اند. هر چند در علم یادگیری ماشین و داده کاوی رویکردهای شناخته شده ای برای این منظور وجود دارند، اما ماهیت متمرکز و پیچیدگی محاسباتی، استفاده مستقیم آنها در شبکه های حسگر را دشوار می کنند. رویکرد کشف الگوی داده ها با دیدگاه بهینه سازی راه حل مناسبی را پیشنهاد می کند که در آن، مسئله یادگیری مدل داده ها به یک مسئله بهینه سازی تبدیل می شود. به این ترتیب فرصت بکارگیری رویکردهای مختلف بهینه سازی با هدف مدل کردن داده ها در محیط شبکه های حسگر فراهم می شود. رویکردهای افزایشی مبتنی بر گرادیان و nelder-mead simplex، با دیدگاه بهینه سازی فوق و در یک رَویه گره به گره به یادگیری مدل داده ها می پردازند. دقت پایین این رویکردها در مقایسه با روش متمرکز و میزان تاخیر ساخت مدل، مشکل مشترک آنها و انگیزه ارائه این پژوهش هستند. شالوده راهکارهای پیشنهادی بر محاسبات تکاملی استوار است. بنابراین میزان مصرف انرژی جدی ترین چالشی است که در کنار اهداف فوق باید به دقت مورد بررسی قرار گیرد. از میان الگوریتم های تکاملی، روش بهینه سازی ذرات، با توجه به مدیریت بهتر آن در محیط های توزیع شده به عنوان پایه رویکرد پیشنهادی قرار داده شده است. با بهره گیری از مفاهیم بهینه سازی چندهدفی مسئله رگراسیون توزیع شده در قالب یک مسئله چندهدفه مدل شده و روش dvep روی مسیر هامیلتونی، به مانند دیگر روش های افزایشی، به یادگیری مدل داده ها می پردازد که به لطف استفاده از یک الگوریتم تکاملی، با پویش بهتر فضای جستجو به دقت بالاتری دست می یابد. با اجرای درون خوشه ای روش فوق، روش idvep ارائه می شود که بدلیل حضور همزمان بیش از یک مدل کاندید، دقت نهایی به میزان قابل ملاحظه ای بهبود می یابد. با حذف مسیر سریال بین گره ها، روش dp ارائه می شود که در دو گام عمده، یادگیری مدل خوشه ها و ترکیب آنها، رگراسور شبکه را بدست می آورد. با شناسایی نقاط ضعف روش dp، بهبودهایی در هر مورد پیشنهاد می شود. سپس با هدف حذف مهاجرتهای صریح ذرات، که یکی از چالشهای روش dp است، با بهره گیری از خصوصیات ویژه الگوریتم جستجوی هارمونی، مکانیزم هارمونیک مدیریت ذرات معرفی و روش hdp ارائه می شود. مکانیزم فوق، کاهش چشمگیر تعداد گامهای مهاجرت ذرات و پیامد آن مصرف انرژی را موجب می شود. در نهایت با بکارگیری و تطبیق تکنیک boosting، افت دقت مدل که حاصل شبیه سازی متمرکز عملکرد مکانیزم مهاجرت ذرات است، مدلی تقویت شده توسط روش bhdp بدست می آید. تمامی روش های ارائه شده در این پژوهش با روشهای افزایشی مبتنی بر گرادیان، سیمپلکس و متمرکز بر اساس دقت پیش بینی، تاخیر، میزان انرژی مصرفی، و تحمل پذیری خرابی مورد مقایسه قرار گرفته اند. به این منظور از داده های دو شبکه واقعی و مصنوعی، در مجموع سه مجموع? آموزشی، استفاده شده است. محیط توزیع شده و خصوصیات خاص شبکه های حسگر موجب می شود ارضاء همزمان معیارهای ارزیابی توسط هیچ یک از روش ها امکان پذیر نباشد. از اینرو انتخاب هر یک از روش های پیشنهادی بستگی به کاربرد و درجه اهمیت هر یک از معیارها از دید کاربر نهایی شبکه دارد.