Modelado de un novedoso optimizador Wolf autooptimizado para un modelo de red heterogéneo para el análisis de energía y vida útil de nodos

Summary

La investigación presenta un protocolo para implementar y evaluar un optimizador wolf autooptimizado (SOWO) para el clúster y enrutamiento conscientes de la energía en redes inalámbricas de sensores, con ajustes paso a paso y evaluación reproducible para mejorar la vida útil, el rendimiento y la energía residual.

Abstract

Los servicios vitales de vigilancia, recogida de información y transmisión de datos desde entornos de alto riesgo hacia lugares más seguros siguen siendo proporcionados por las Redes de Sensores Inalámbricos (WSNs). Estos servicios se mejoran gracias a la mayoría de los protocolos de enrutamiento eficientes en energía estructurados para este propósito. Se aplica un protocolo de enrutamiento homogéneo para reducir de forma más eficiente la utilización de energía de los núcleos lejanos; sin embargo, la tasa de utilización de energía es mayor para este protocolo, menor fiabilidad y información más desfavorable que se transmite al Router Inalámbrico (WR) o a la estación base (BS) cuando se emplea durante un periodo de tiempo más largo. Para superar estos inconvenientes, se emplea en esta investigación un Optimizador Lobo Auto-Optimizado (SOWO) modificado. Incorporando nodos heterogéneos en el enfoque actual, seleccionar la cabeza en función de la energía restante introduce una estrategia de interacción multinivel a lo largo de las conexiones. El uso de un método de eliminación de agujeros de energía es la base de la técnica de enrutamiento desarrollada. Cada enfoque busca prolongar la vida útil de la red y reducir el consumo energético. Según los hallazgos, el esquema de enrutamiento propuesto demuestra periodos de consistencia, energía residual, rendimiento y vida útil superiores en comparación con los existentes. La investigación aborda el problema clásico de WSN agrupado de maximizar la vida útil y la entrega sostenida bajo presupuestos energéticos ajustados por nodo, manteniendo al mismo tiempo el equilibrio entre carga y equidad. Los resultados de la simulación muestran una mejora del 3,4% y 32,22% en la estabilidad de la red y la energía residual, respectivamente, respecto a los algoritmos existentes.

Introduction

Las Redes de Sensores Inalámbricos (WSN) y el Internet de las Cosas (IoT) se aplican ampliamente a diversos temas^{tecnológicos 1}. Los WSN se han utilizado en diferentes condiciones para ayudar a mover objetos, como robots realizando distintos recados. Desde su origen, el IoT ha proporcionado ayuda básica, especialmente en la recopilación de datos de campos inseguros². Existen razones específicas por las que estas técnicas se utilizan actualmente en diferentes sistemas³, por ejemplo, en horticultura, servicios médicos, observación ecológica, investigación militar, gestión estructural, gestión del tráfico, monitorización de cambios en la variación del nivel del agua, etc^{. 4}.

En un entorno de red inalámbrica, los datos suelen recopilarse y transmitirse a un nodo receptor conocido como estación base (BS) para su procesamiento^{posterior 5}. Los nodos sensores mejoran continuamente el rendimiento de la red utilizando eficientemente sus recursos limitados. En cuanto a los^{trabajos 6}, desarrollar mecanismos para reducir el agotamiento de energía de los nodos y mejorar la vida útil de la red puede mejorar el rendimiento de la red inalámbrica^{de sensores 7}. Las diferentes unidades de nodos sensores se utilizan para mayores energías: unidades de comunicación, unidades de procesamiento de datos y sensores. La primera unidad de comunicación es la que más consume^{energía, 8}. En el entorno de redes inalámbricas de sensores, las técnicas de máxima eficiencia energética se consideran protocolos de enrutamiento jerárquicos ampliamente^{utilizados 9}. A medida que los datos se reciben de los nodos vecinos, el Cabezal de Clúster (CH) utiliza interacciones de un solo salto y de múltiples saltos para informar de la condición de la red al BS en función de su distancia respecto al BS. Este tipo de técnicas de enrutamiento se presentan en la investigación¹⁰.

Se anticipan varios algoritmos de enrutamiento basados en clústeres para WSN en la literatura relacionada. Un esquema de enrutamiento jerárquico fue propuesto en Moridi et ^al.11, que incrementa consecutivamente la vida útil de la red de soporte. La red considerada se selecciona adecuadamente en base al estudio^{de examen 12}, que desarrolló una técnica de enrutamiento para la selección de la red.

Priyadharshini et ^al.13 describen el protocolo de agrupamiento basado en probabilidades conocido como agrupamiento eficiente en energía distribuida (DEEC). La CH elegida por DEEC depende de la relación entre la energía restante y la energía media de cada nodo en la red desarrollada. Los autores investigaron un sistema homogéneo conocido como protocolo de jerarquía adaptativa de conglomerados de baja energía (LEACH) y examinaron su heterogeneidad. Los autores desarrollaron entonces el LEACH, un sistema heterogéneo que compara dos sistemas, el^{homogéneo y el heterogéneo 14}. Se propone un método desarrollado mediante la técnica de agrupamiento distribuido y eficiente energéticamente para redes remotas heterogéneas^{de sensores 15}. Es la variante mejorada del agrupamiento de Energía Eficiente Distribuido.

Los expertos propusieron otra técnica de avance¹⁶. El novedoso algoritmo modificó la probabilidad media de hubs superiores cuya energía restante no es precisamente el valor residual umbral, que depende del espacio típico entre los hubs y el BS en lugar de la energía habitual de la red.

El agrupamiento Distribuido de Eficiencia Energética¹⁷ aumentó la posibilidad de elección del protocolo al considerar el espacio medio entre los SN y los WR, así como la distancia entre supernodos, al seleccionar cabezas de clúster. La mejor eficiencia de E-DEEC en términos de rendimiento, vida útil del sistema y excedente de energía se representa a través de los resultados de la simulación. El trabajo de Nurelmadina et al. es el elemento crítico que anima a los investigadores a concentrarse en este^{trabajo 18}. Las redes inalámbricas de sensores (WSN) exigen una colocación cuidadosa de los nodos porque el despliegue aleatorio produce puntos ciegos y enlaces rotos; Maximizar la cobertura y preservar la conectividad juntos es, por tanto, un objetivo central de optimización más que algo agradable de tener. El arte previo muestra que los enfoques clásicos de enjambre (por ejemplo, PSO/ACO) y las estrategias de despliegue ad hoc a menudo sufren de convergencia lenta y trampas de óptimos locales, que a su vez proporcionan baja cobertura y conectividad frágil¹⁹. Una revisión metaheurística reciente destaca que tales deficiencias suelen derivarse de una dinámica desequilibrada entre exploración y explotación; Defiende los híbridos que equilibran explícitamente la búsqueda global y el refinamiento local, y analiza cómo se pueden diseñar esquemas híbridos de control/acoplamiento para lograr este¹⁹. En pruebas de despliegue de nodos específicas para WSN, el Optimizador Mejorado de Lobos Grises Caóticos (ICGWO) ha alcanzado una cobertura ≥99% en múltiples entornos, con ganancias medias de hasta ~16% sobre líneas base fuertes, demostrando que la hibridación guiada por el caos puede mejorar significativamente tanto la cobertura como la^{conectividad 20}. De forma complementaria, un híbrido de enjambre de lobo gris y partículas (HGWPSO) valida la misma lógica de diseño en diversas tareas de ingeniería, reportando mejoras del 43-99% en varios casos de referencia y destacando la hibridación como un camino robusto hacia una convergencia más rápida y mejores^{soluciones 19}. La técnica desarrollada, Optimizador de lobo autooptimizado (SOWO), utiliza las estrategias de interacción de un solo salto y de múltiples saltos desde el campo hasta el BS que no ocurrieron^{en 21}. Esta estrategia minimiza la utilización de energía de los nodos evitando la difusión de información irrelevante por los centros lejanos hacia los nodos lejanos.

Protocol

Esta sección describe el protocolo heterogéneo desarrollado en este segmento. En esta técnica, la organización divide los núcleos de sensores en cuatro áreas lógicas basadas en una distancia de borde preestablecida. Los nodos de la puerta de enlace y la estación base (BS) se colocan externamente al campo de detección y por separado en el punto central de la red. El hub cuya distancia al nodo gateway es menor que la distancia preestablecida se asigna a los campos 1 y 2. En esta situación, los nodos transmiten los datos ya sea al nodo de la puerta de enlace o al BS mediante comunicación directa. Estos nodos representan a los nodos homogéneos. Supongamos que el espacio del entrenudo es mayor que el espacio umbral predeterminado y más cercano al nodo WR. En ese caso, se encuentran en las áreas 3 o 4, como se representa en la Figura 1. Estos nodos se denominan núcleos heterogéneos. Se llevan a cabo elecciones en ambas regiones y su energía residual se emplea para seleccionar CH. La información de estas áreas se envía a BS usando el enfoque de interacción multi-hop. El CH en la Región 3 proporciona el informe final a los nodos de enlace e integra la información antes de transmitirla al BS. Los nodos de cada área comunican su información con otros nodos dentro de su límite de energía. Cuando los nodos no pueden enviar información, descansan para conservar su energía.

Modelo de red
La definición de la estructura de la red se da en la Figura 1. Esta red se conoce como G(L, BS,_{H o}, GW,_{H e}) en la que la estación base se proporciona como BS, la pasarela de red es GW, y los nodos homogéneos se representan como H_o, los nodos heterogéneos se muestran como H_e y el conjunto de redes de comunicación que conecta los nodos definidos (cada nodo que incluye BS, H_o, GW, H_e) se indican como L. Las características de la red son las siguientes: (i) Como se muestra en la Figura 1, la red está dividida en cuatro sub-redes en las regiones 1, 2, 3 y 4. (ii) Un mínimo de 1 nodo en el área 4 está asociado a un nodo en el área 3. (iii) El WR está conectado a la estación base en el área 2. (iv) Ahora, el WR y la estación base están conectados. Cada nodo en el área 1 está asociado con el BS. (v) No todos los nodos en las áreas tres y cuatro están vinculados al BS.

Consumo energético
En esta investigación, la técnica de utilización de energía es la siguiente: los nodos de los WSN se comparten aleatoriamente y no tienen ubicaciones predeterminadas. Según el interespacio entre los nodos, la comunicación provoca que se pierda una cantidad significativa de energía de un nodo. Los dos tipos de transmisión y recopilación de información consumen energía. Por lo tanto, la energía necesaria para transmitir un paquete de datos con una longitud de (m) bits a lo largo de la distancia es:

(1)

Donde E_TX indica la energía utilizada durante la transmisión de datos del nodo, el proceso de transmisión y recepción de un bit de datos tiene una disipación de energía de E_elec, ε_fs el coeficiente de disipación de energía en espacio libre, ε_mp representa la disipación de energía de la técnica de coeficientes multivía, y el espacio de transmisión se da como crossover, que se calcula como:

(2)

La utilización de energía que espera el nodo receptor para obtener un paquete de datos de m -bit se determina de la siguiente manera:

(3)

El modelo mencionado puede determinar la energía que utiliza el CH. La energía utilizada por los CH incorpora fundamentalmente tres puntos de vista: la utilización de la energía para obtener paquetes de datos de nodos de usuario, asociar información y enviar la información fusionada al WR. La fórmula de estimación se da como:

(4)

El número de nodos miembros se representa usando _{el número} CM, y E_DA es el gasto necesario para agregar 1 bit de datos; La longitud del paquete es M. La energía consumida por el hub no CH es simplemente la utilización de energía de transmitir información al WR, y la fórmula numérica se da como:

(5)

A continuación se calcula toda la energía residual para la ^r-ésima ronda:

(6)

Cuando se da toda la energía restante como en la ronda E_tohR(r - 1), el conteo de CHs presentes en la ronda se representa como CH_num(r), el _{N alive(r)} se dirige al total de nodos activos en la ronda de la red proporcionada, _{E Ch} (i) representa la utilización de energía de i^ésimo CH y _{E no CH(j)} indica la energía utilizada por el no CH(j).

Selección de clústeres
El algoritmo utiliza los interespacios calculados desde el nodo hasta el WR y la energía para elegir los clústeres primarios del sistema, restringiendo así el total de CHs en los conglomerados que son los siguientes: Según la puntuación ascendente de aptitud de los SN, el grupo de SN activos se divide en subconjuntos iguales de m (donde m es el conteo deseado de clústeres equivalente a N/p, N indica el número de nodos sensores y p la parte de CHs. En cada subconjunto, se elige la primera cabeza de clúster para el nodo sensor cerca de la posición central. Cada nodo se añade al cabezal de clúster más cercano para crear el clúster inicial basado en la distancia euclidiana. El espacio entre el nodo, BS y la energía residual determina la puntuación de aptitud del nodo.

(7)

Cuando el peso se da como ₁, la energía primaria es E_i, la energía residual se da como E_r, y el espacio desde el nodo hasta el WR se muestra como d_BS. d_maxBS es el espacio máximo entre el SN y el WR, y d_MinBS indica el espacio mínimo entre el SN y el WR.

Optimizador de lobo autooptimizado (SOWO)
Los CH se eligen usando el SOWO. En el optimizador de lobos, la ubicación de la presa se identifica usando la masa media de los tres lobos (α, β y δ) como se muestra en la Figura 2. Considerando la diferenciación entre BS y el nodo, y el espacio entre la energía residual, la puntuación de aptitud del nodo se considera el peso primario de la optimización de lobo gris, que se determina mediante la Ecuación (8). La ubicación inicial de la presa se calcula basándose en las ecuaciones (8) a (11) y la técnica de optimización de SOWO.

(8)

(9)

(10)

(11)

Donde la masa primaria de los lobos α, β y δ son ω_Iα, ω_Iβ y ω_Iδ respectivamente, la mejor puntuación de aptitud para α lobo es F_α, F_β y F_δ que se calculan usando la Ecuación 11. Los nodos individuales equivalentes a las tres puntuaciones de fitness más altas son α, β y δ lobos. El protocolo desarrollado no cambia el peso de la optimización de lobo gris porque la puntuación de aptitud del nodo cambia tras completar una transmisión de datos. Para crear la capacidad de búsqueda mundial del optimizador de lobo gris, las cargas se modifican activamente mediante los vectores A y D. Aquí, A indica el vector de coeficientes, y la distancia entre el lobo y su presa es D. Las ecuaciones (12) y (15) se utilizan para determinar A y D. La posición de la presa y la fórmula de mejora de carga se describen de la siguiente manera: la (t + 1)^ª iteración:

(12)

(13)

(14)

(15)

Cuando especifican las ubicaciones del α lobo, β lobo y δ lobo en la iteración (t+1), estas ubicaciones se calculan usando la Ecuación (15). Durante la etapa final de la iteración, el CH elige qué nodo está más cerca de la presa entre los nodos presentes. La tarea del CH es más complicada, por lo que la energía residual no puede completar la tarea, lo que conduce a la terminación del nodo. Por eso, seleccionar el nodo con la mayor energía restante y estar más cerca de la presa es esencial. La energía restante del nodo y la distancia entre el nodo y la presa se utilizan como parámetros para la puntuación de aptitud que se utiliza para elegir el CH. El nodo con una puntuación de aptitud menor se identifica como cabeza de grupo. La función utilizada para calcular el valor de aptitud se da como:

(16)

Cuando el peso se da como ₂, la energía restante del nodo se representa como E_x, E_max es la energía residual máxima y E_min es la energía mínima restante en los nodos del clúster. La distancia entre la presa y el nodo es d_p, d_Maxp es el espacio máximo entre el nodo detectador y la presa, y d_Minp es el espacio mínimo entre el SN y la presa.

Agente wolf de auto-optimización
Los agentes de software monitorizan y gestionan los tamaños de red y los nodos gateway. Los agentes de software sustituyen a los clientes y servidores tradicionales, que difieren en la estrategia de comunicación local y la movilidad del código. La monitorización es un factor crucial para entender los sistemas de gestión. Debido a esta importancia, se sugirió la tecnología de agentes de software para monitorizar las pasarelas de nodos dentro de la malla de red. Además de la monitorización, es responsabilidad de los agentes actualizar la lista de nodos de red. Estos datos son esenciales debido al tamaño de la red, por lo que el proceso de autoconfiguración puede configurar dinámicamente los parámetros del protocolo de enrutamiento. En el contexto de este trabajo, estas son las características más deseables entre muchas que se encuentran en el comportamiento de los agentes de software. Los agentes inalámbricos se instalan en las asociaciones de nodos cliente entre un router mesh y el propio router. Al identificar la densidad de la red, el agente realiza tareas particulares a escalas pequeñas, estándar y grandes. Se representan las puntuaciones de las tres escalas (pequeña, estándar y grande). Los agentes moldean la premisa de la capacidad de autodiseño de los protocolos propuestos. Estos agentes se encargan de la verificación del comportamiento de la red, junto con el rendimiento, la relación de pérdida de paquetes de datos, la interrupción, el rendimiento, la inactividad, los hubs dinámicos y inactivos, y los datos sobre la conexión. Los agentes de red son estables en los routers mesh y proporcionan la capacidad de auto-optimización de los protocolos propuestos. La autoasociación surge en organizaciones remotas de red implantando capacidades self-x (optimización, configuración, corrección y^{seguridad 19}) en el protocolo de enrutamiento. Estas capacidades permiten que los protocolos de enrutamiento sean autónomos, mejorando el rendimiento de la red, la tolerancia a fallos y la protección. A continuación se describe la ejecución de las capacidades mencionadas, con énfasis en la autoconfiguración y la auto-optimización. Cabe destacar que las autofunciones se han ejecutado en capas de red como extensiones de servicios estándar para protocolos de enrutamiento (Archivo Suplementario 1).

Conjunto de clústeres (CS)
CS es un conjunto de múltiples clústeres en una red, y el algoritmo de agrupamiento permite dividir una red en varios clústeres. En esta investigación, los primeros clústeres seleccionados se denominan primer CS, se consideran el CS ideal presente, y se calcula la puntuación de la función objetivo del CS perfecto presente. El Optimizador Grey Wolf Modificado (MGWO) puede modificar arbitrariamente todos los clústeres en el CS perfecto actual para producir otro clúster, y la mayoría de los clústeres recién formados enmarcan otro CS; de nuevo, se determina la puntuación de la función objetivo del último CS. Cuando la puntuación de la función objetivo del clúster óptimo actual es mayor que la del clúster más reciente, el clúster recién determinado se toma como el CS ideal presente. El CS perfecto se enmarca hacia la fase final de la terminación. La función objetivo se describe como:

(17)

Donde el peso se representa como _{un 3}, la suma del espacio entre los clústeres en el CS se da como d_TCH y toda la distancia entre el CH y el WR se muestra como d_TBS. El clúster y la distancia de comunicación entre el CH y el BS son la base para la monitorización remota y el diseño de seguimiento de objetivos. Si la puntuación de la función objetivo es menor, entonces demuestra que la determinación de la cabeza del clúster es más sensata, el CH es ideal en el clúster y el casco del clúster es perfecto en comparación con toda la red. El Algoritmo 2 (Archivo Suplementario 2) describe el pseudocódigo SOWO.

Results

Aquí, MATLAB R2024a compara los protocolos de enrutamiento heterogéneos desarrollados usando simulaciones con protocolos de enrutamiento. En la simulación, la red de 100 nodos detectores se emplea arbitrariamente con una dimensión de un nodo cada 100 m. Los nodos WR están ubicados en la red en (50 m, 120 m) y (50 m, 50 m). Aproximadamente el 20 por ciento de los nodos homogéneos con (m como 0,2 y como 1) tienen menos energía que los nodos heterogéneos. Tras el despliegue...

Discussion

El SOWO propuesto utiliza WRs y nodos homogéneos. El protocolo de elección estable utiliza nodos heterogéneos como CH y contiene un nodo BS en el centro del clúster rodeado por los nodos sensores. Se requiere un aumento de energía si la estación base se coloca fuera de la región¹⁴. Esto conduce a una reducción de la energía, y el nivel de energía alcanza cero en un periodo muy corto. La técnica propuesta tiene una tasa de reducción de energía baja en ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel(R) Core(TM) de 12ª generación i5-1235U (1,30 GHz)	Intel Corporation, EE. UU.	–	Hardware utilizado para la ejecución de simulaciones
16 GB de RAM DDR4	Kingston Technology, EE. UU.	–	Memoria utilizada durante las simulaciones
MATLAB	MathWorks USA	R2024a	Utilizado para implementar algoritmos, ejecutar simulaciones de WSN y analizar resultados
Microsoft Windows 11 Home	Microsoft Corporation, EE. UU.	Construcción 22631	Sistema operativo utilizado para ejecutar simulaciones
Conjunto de datos sintético generado en MATLAB	MathWorks, EE. UU.	R2024a	Conjunto de datos personalizado creado para pruebas de algoritmos