物联网已经广泛地应用在智慧城市中,比如智慧医疗、智能交通以及智能商场等。然而,随着物联网规模的增大,一些节点由于低效的能量消耗或物理攻击等引起的失效,严重影响网络的通信质量。物联网的鲁棒性是衡量网络拓扑结构是否稳定的重要特性,因此,构建一个具有高鲁棒的物联网拓扑结构是一个亟待解决的研究课题。目前物联网鲁棒性优化算法主要针对监测区域内的节点,采用启发式的方法优化低鲁棒性的网络拓扑,使网络结构遭受攻击时仍能具有良好的通信能力。现有拓扑优化算法主要针对无标度网络模型下的物联网拓扑结构进行鲁棒提升。无标度网络模型在随机攻击下具有很好的通信能力,但面对恶意攻击时非常脆弱。主流的进化算法与遗传算法可以提高无标度网络模型下物联网拓扑结构抵抗恶意攻击的鲁棒性,但随着网络规模的增长,优化计算的开销变大。针对以上问题,本文提出一种利用神经网络学习模型的鲁棒优化算法,以最大连通子图信息作为衡量网络拓扑结构是否鲁棒的标准,将无标度网络模型运用到鲁棒优化算法中,保证网络度数分布不变。同时,对网络拓扑结构数据进行预处理,使其适用于带有动量扰动因子的误差反向传播学习模型,提高网络拓扑结构的抗毁能力。本文利用神经网络学习模型,智能演化网络拓扑结构,提高了网络的计算效率。相比以往的遗传算法,基于神经网络学习模型的拓扑优化算法,在抵抗恶意攻击的能力方面有较大提升。