Modéliser un nouvel optimiseur Wolf auto-optimisé pour un modèle de réseau hétérogène pour l’analyse de l’énergie et de la durée de vie des nœuds

Summary

La recherche présente un protocole pour implémenter et évaluer un optimiseur wolf auto-optimisé (SOWO) pour le clustering et le routage sensibles à l’énergie dans les réseaux de capteurs sans fil, avec des réglages étape par étape et une évaluation reproductible pour améliorer la durée de vie, le débit et l’énergie résiduelle.

Abstract

Les services essentiels de surveillance, de collecte d’informations et de transmission de données depuis des environnements à haut risque vers des lieux plus sûrs sont toujours assurés par les réseaux de capteurs sans fil (WSN). Ces services sont améliorés grâce à la majorité des protocoles de routage économes en énergie structurés à cet effet. Un protocole de routage homogène est appliqué pour réduire plus efficacement l’utilisation de l’énergie des hubs éloignés ; cependant, le taux d’utilisation de l’énergie est plus élevé pour ce protocole, une fiabilité moins élevée et des informations plus défavorables diffusées vers le routeur sans fil (WR) ou la station de base (BS) lorsqu’elles sont utilisées sur une période plus longue. Pour surmonter ces inconvénients, un Optimiseur de Loup Auto-Optimisé (SOWO) modifié est utilisé dans cette recherche. En intégrant des nœuds hétérogènes dans l’approche actuelle, choisir la tête en fonction de l’énergie restante introduit une stratégie d’interaction multi-niveaux à travers les connexions. L’utilisation d’une méthode d’élimination des trous d’énergie est la base de la technique de routage développée. Chaque approche vise à prolonger la durée de vie du réseau et à réduire la consommation d’énergie. Sur la base des résultats, le schéma de routage proposé démontre des périodes de cohérence, de l’énergie résiduelle, des débits et une durée de vie du réseau supérieurs à ceux des réseaux existants. La recherche aborde le problème classique des WSN en cluster, qui consiste à maximiser la durée de vie et la livraison soutenue sous des budgets énergétiques par nœud serrés tout en maintenant un équilibre charge/équité. Les résultats de la simulation montrent respectivement une amélioration de 3,4 % et 32,22 % de la stabilité du réseau et de l’énergie résiduelle par rapport aux algorithmes existants.

Introduction

Les réseaux de capteurs sans fil (WSN) et l’Internet des objets (IoT) sont largement appliqués à diverses questions^{technologiques 1}. Les WSN ont été utilisés dans différentes conditions pour aider à déplacer des objets, comme des robots effectuant différentes missions. Depuis ses débuts, l’IoT a apporté une aide fondamentale, notamment pour la collecte de données provenant de champs non^{sécurisés 2}. Il existe des raisons spécifiques pour lesquelles ces techniques sont actuellement utilisées dans différents^{systèmes 3}, par exemple en horticulture, services médicaux, observation écologique, enquête militaire, gestion structurelle, gestion du trafic, surveillance des variations du niveau d’eau, etc^{. 4}.

Dans un environnement réseau sans fil, les données sont généralement collectées et diffusées vers un nœud récepteur appelé station de base (BS) pour un traitement^{ultérieur 5}. Les nœuds capteurs améliorent continuellement les performances du réseau en utilisant efficacement leurs ressources limitées. Concernant les^{travaux 6}, développer des mécanismes pour réduire la déplétion d’énergie des nœuds et améliorer la durée de vie du réseau peut améliorer les performances des capteurs sans fil⁷. Les différentes unités de nœuds capteurs sont utilisées pour les énergies plus élevées : unités de communication, unités de traitement des données et capteurs. La première unité de communication est la plus gourmande^{en énergie 8}. Dans l’environnement des réseaux de capteurs sans fil, les techniques les plus économes en énergie sont considérées comme des protocoles de routage hiérarchique largement utilisés⁹. Au fur et à mesure que les données sont reçues des nœuds voisins, la tête de cluster (CH) utilise des interactions à un et à plusieurs sauts pour rapporter l’état du réseau au BS en fonction de leur éloignement par rapport au BS. Ces types de techniques de routage sont présentés dans la recherche¹⁰.

Plusieurs algorithmes de routage basés sur des clusters pour les WSN sont anticipés dans la littérature associée. Un schéma de routage hiérarchique a été proposé dans Moridi et ^al.11, qui augmente consécutivement la durée de vie du réseau de soutien. Le réseau considéré est sélectionné de manière appropriée sur la base de l’étude^{d’examen 12}, qui a développé une technique de routage pour la sélection du réseau.

Priyadharshini et ^al.13 décrivent le protocole de clustering basé sur la probabilité connu sous le nom de clustering écoénergétique distribué (DEEC). Le CH choisi par le DEEC dépend du rapport entre l’énergie restante et l’énergie moyenne de chaque nœud du réseau développé. Les auteurs ont étudié un système homogène connu sous le nom de protocole de hiérarchie adaptative de cluster à basse énergie (LEACH) et ont examiné son hétérogénéité. Les auteurs ont ensuite développé le LEACH, un système hétérogène qui compare deux systèmes, homogène et^{hétérogène 14}. Une méthode développée par la technique de regroupement distribué à efficacité énergétique est proposée pour les réseaux de capteurs distants^{hétérogènes 15}. Il s’agit de la variante améliorée du clustering écoénergétique distribué.

Les experts ont proposé une autre technique^{de développement 16}. Le nouvel algorithme modifiait la probabilité moyenne de hubs supérieurs dont l’énergie restante n’est pas précisément la valeur résiduelle seuil, qui dépend de l’espace typique entre les hubs et le BS plutôt que de l’énergie réseau habituelle.

Le clustering Distributed Energy-Effective¹⁷ a augmenté la possibilité de l’élection du protocole en tenant compte de l’espace moyen entre les SN et les WR, ainsi que de la distance entre les super nœuds, lors du choix des têtes de cluster. La meilleure efficacité de l’E-DEEC en termes de débits, de durée de vie du système et d’énergie excédentaire est représentée à travers les résultats de la simulation. Le travail de Nurelmadina et al. est l’élément clé qui encourage les chercheurs à se concentrer sur ce^{travail 18}. Les réseaux de capteurs sans fil (WSN) exigent un placement soigneux des nœuds car un déploiement aléatoire produit des angles morts et des liens cassés ; Maximiser la couverture et préserver la connectivité ensemble est donc un objectif d’optimisation central plutôt qu’un avantage. Les avancées montrent que les approches classiques en essaim (par exemple, PSO/ACO) et les stratégies de déploiement ad hoc souffrent souvent de convergence lente et de pièges local-optimaux, ce qui entraîne à son tour une faible couverture et une connectivité fragile¹⁹. Une récente revue métaheuristique souligne que de telles lacunes proviennent généralement d’une dynamique déséquilibrée exploration-exploitation ; Il défend des hybrides qui équilibrent explicitement la recherche globale et le raffinement local, et analyse comment les schémas de contrôle/couplage hybrides peuvent être conçus pour atteindre ce¹⁹ objectif. Dans les tests de déploiement de nœuds spécifiques au WSN, l’Optimiseur Chaotique Grey Wolf Amélioré (ICGWO) a atteint ≥ 99 % de couverture dans plusieurs contextes, avec des gains moyens allant jusqu’à ~16 % sur des bases solides, démontrant que l’hybridation guidée par le chaos peut considérablement améliorer à la fois la couverture et la connectivité²⁰. De manière complémentaire, un hybride Grey Wolf-Particle Swarm (HGWPSO) valide la même logique de conception à travers diverses tâches d’ingénierie, rapportant des améliorations de 43 à 99 % dans plusieurs cas de référence et mettant en avant l’hybridation comme une voie robuste vers une convergence plus rapide et de meilleures^{solutions 19}. La technique développée, Self-optimized wolf optimizer (SOWO), utilise les stratégies d’interaction à un et à plusieurs sauts du champ vers le BS qui n’ont pas eu^{lieu 21}. Cette stratégie minimise l’utilisation d’énergie des nœuds en évitant la diffusion d’informations non pertinentes par les hubs éloignés vers les BS éloignés.

Protocol

Cette section décrit le protocole hétérogène développé dans ce segment. Dans cette technique, l’organisation partitionne les hubs de capteurs en quatre zones logiques basées sur une distance d’arête préétablie. Les nœuds passerelle et la station de base (BS) sont placés à l’extérieur du champ de détection et séparément au point central du réseau. Le hub dont la distance par rapport au nœud passerelle est inférieure à la distance prédéfinie est attribué aux champs 1 et 2. Dans cette situation, les nœuds diffusent les données soit vers le nœud passerelle, soit vers le BS via une communication directe. Ces nœuds représentent les nœuds homogènes. Supposons que l’espace de l’entre-œuf soit plus grand que l’espace seuil prédéterminé et plus proche du nœud WR. Dans ce cas, ils se trouvent dans les zones 3 ou 4, comme représenté à la Figure 1. Ces nœuds sont appelés hubs hétérogènes. Les élections sont menées dans les deux régions, et leur énergie résiduelle est utilisée pour sélectionner le CH. Les informations provenant de ces zones sont transmises à BS en utilisant l’approche d’interaction multi-sauts. Le CH de la Région 3 fournit le rapport final aux nœuds passerelles et intègre les informations avant de les transmettre au BS. Les nœuds de chaque zone communiquent leurs informations avec d’autres nœuds dans leur limite d’énergie. Lorsque les nœuds ne peuvent pas envoyer d’informations, ils se reposent pour préserver leur énergie.

Modèle réseau
La définition de la structure du réseau est donnée à la Figure 1. Ce réseau est connu sous le nom de G(L, BS,_{H O}, GW,_{H E}) dans lequel la station de base est fournie comme BS, la passerelle réseau est GW, et les nœuds homogènes sont représentés comme H_o, les nœuds hétérogènes sont représentés comme H_e et l’ensemble des réseaux de communication reliant les nœuds définis (chaque nœud incluant BS, H_o, GW,_{H e}) sont donnés comme L. Les caractéristiques du réseau sont les suivantes : (i) Comme illustré à la Figure 1, le réseau est divisé en quatre sous-réseaux dans les régions 1, 2, 3 et 4. (ii) Un minimum de 1 nœud dans la zone 4 est associé à un nœud dans la zone 3. (iii) Le WR est connecté à la station de base dans la zone 2. (iv) Désormais, le WR et la station de base sont connectés. Chaque nœud de la zone 1 est associé au BS. (v) Chaque nœud des zones trois et quatre n’est pas lié au BS.

Consommation d’énergie
Dans cette recherche, la technique d’utilisation de l’énergie est la suivante : les nœuds des WSN sont partagés de manière aléatoire et n’ont pas de localisation prédéterminée. En fonction de l’espace inter-espace entre les nœuds, la communication fait perdre une part importante de l’énergie d’un nœud. Les deux types de transmission et de collecte d’informations consomment de l’énergie. Par conséquent, l’énergie requise pour transmettre un paquet de données d’une longueur de (m) bits sur la distance est :

(1)

Alors que E_TX indique l’énergie utilisée lors de la transmission des données du nœud, le processus de transmission et de réception d’un bit de données a une dissipation d’énergie d’E_elec, _{ε fs} le coefficient d’énergie en espace libre, ε_mp représente la dissipation d’énergie de la technique à coefficients multi-voies, et l’espace de transmission est donné comme un crossover, calculé comme suit :

(2)

L’utilisation d’énergie attendue par le nœud récepteur pour obtenir un paquet de données de m -bits est déterminée comme suit :

(3)

Le modèle mentionné peut déterminer l’énergie utilisée par le CH. L’énergie utilisée par les CH intègre fondamentalement trois points de vue : l’utilisation de l’énergie pour obtenir les paquets de données des nœuds utilisateurs, l’association d’informations, et l’envoi des informations fusionnées au WR. La formule d’estimation est donnée comme suit :

(4)

Le nombre de nœuds membres est représenté par _{le numéro} CM, et E_DA est la dépense nécessaire pour agréger 1 bit de données ; La longueur du paquet est m. L’énergie consommée par le hub non-CH est simplement l’utilisation de l’énergie de transmission d’informations au WR, et la formule numérique est donnée comme suit :

(5)

Voici comment l’énergie résiduelle entière pour le r^ième tour est calculée :

(6)

Lorsque l’énergie totale restante est donnée comme dans le tour E_tohR(r - 1), le nombre de CH présents dans le tour est représenté par CH_num(r), le N_alive(r) s’adresse au total des nœuds actifs dans le cycle du réseau fourni, E_Ch (i) représente l’utilisation d’énergie de i^ième CH et _{E non-CH(j)} indique l’énergie utilisée par les non-CH(j).

Sélection de cluster
L’algorithme utilise les interespaces calculés du nœud au WR et l’énergie pour choisir les clusters principaux du système, restreignant ainsi les CH totaux dans les clusters comme suit : Selon le score croissant de fitness des SN, le cluster des SN actifs est divisé en sous-ensembles égaux de m (où m est le nombre de clusters désiré équivalent à N/p, N indique le nombre de nœuds capteurs et la portion p CH. Dans chaque sous-ensemble, la première tête de cluster est choisie pour le nœud capteur près de la position centrale. Chaque nœud est ajouté à la tête de groupe la plus proche pour créer le cluster initial basé sur la distance euclidienne. L’espace entre le nœud, le BS et l’énergie résiduelle détermine le score de fitness du nœud.

(7)

Lorsque le poids est donné comme _{un 1}, l’énergie primaire est E_i, l’énergie résiduelle est donnée par E_r, et l’espace entre le nœud et le WR est indiqué comme d_BS. d_maxBS est l’espace inter-espace maximal entre le SN et le WR, et d_MinBS indique l’espace minimum entre le SN et le WR.

Optimiseur de loup auto-optimisé (SOWO)
Les CH sont choisis à l’aide du SOWO. Dans l’optimiseur de loup, la position de la proie est identifiée à l’aide de la masse moyenne des trois loups (α, β et δ) comme illustré à la Figure 2. En considérant la différenciation entre BS et le nœud ainsi que l’espace entre l’énergie résiduelle, le score de fitness du nœud est considéré comme le poids principal de l’optimisation du loup gris, qui est déterminé à l’aide de l’Équation (8). La position initiale de la proie est calculée à partir des équations (8) à (11) et de la technique d’optimisation SOWO.

(8)

(9)

(10)

(11)

Lorsque la masse principale des loups α, β et δ est respectivement ω_Iα, ω_Iβ et ω_Iδ, le meilleur score de fitness pour α loup est F_α, F_β et F_δ calculés à l’aide de l’équation 11. Les nœuds individuels équivalents aux trois meilleurs scores de fitness sont α, β et δ loups. Le protocole développé ne modifie pas le poids de l’optimisation grey wolf car le score de fitness du nœud est modifié après l’achèvement d’une transmission de données. Pour créer la capacité de recherche mondiale de l’optimiseur de loup gris, les charges sont activement modifiées par les vecteurs A et D. Ici, A indique le vecteur coefficient, et l’éloignement du loup à sa proie est D. Les équations (12) et (15) sont utilisées pour déterminer A et D. La position de la proie et la formule de surclassement de charge sont décrites comme suit : la (t + 1)^-ième itération :

(12)

(13)

(14)

(15)

Lorsque spécifie les emplacements du α loup, β loup et δ loup dans l’itération (t+1), ces emplacements sont calculés à l’aide de l’équation (15). Lors de la dernière étape de l’itération, le CH choisit quel nœud est le plus proche de la proie parmi les nœuds présents. La tâche du CH est plus complexe, donc l’énergie résiduelle ne peut pas la compléter, ce qui conduit à la terminaison du nœud. Ainsi, choisir le nœud ayant le maximum d’énergie restante et être le plus proche de la proie est essentiel. L’énergie restante du nœud et l’éloignement entre le nœud et la proie sont utilisés comme paramètres pour le score de fitness utilisé pour choisir le CH. Le nœud avec un score de fitness inférieur est identifié comme la tête de cluster. La fonction utilisée pour calculer la valeur de fitness est donnée comme suit :

(16)

Lorsque le poids est donné en ₂, l’énergie restante du nœud est représentée par E_x, E_max est l’énergie résiduelle maximale, et E_min est l’énergie minimale restante dans les nœuds du cluster. La distance entre la proie et le nœud est d_p, d_Maxp est l’espace maximal entre le nœud détecteur et la proie, et d_Minp est l’espace minimum entre le SN et la proie.

Agent loup d’auto-optimisation
Les agents logiciels surveillent et gèrent la taille des réseaux et les passerelles de nœuds. Les agents logiciels remplacent les clients et serveurs traditionnels, qui diffèrent par la stratégie de communication locale et la mobilité du code. La surveillance est un facteur crucial pour comprendre les systèmes de gestion. En raison de cette importance, la technologie agent logiciel a été suggérée pour surveiller les passerelles de nœuds au sein du maillage réseau. En plus de la surveillance, il incombe aux agents de mettre à jour la liste des nœuds réseau. Ces données sont essentielles en raison de la taille du réseau, ce qui permet au processus d’auto-configuration de configurer dynamiquement les paramètres du protocole de routage. Dans le contexte de ce travail, ce sont les caractéristiques les plus souhaitables parmi beaucoup dans le comportement des agents logiciels. Les agents sans fil sont installés aux associations de nœuds clients entre un routeur maillé et le routeur lui-même. En identifiant la densité du réseau, l’agent effectue des tâches particulières à petite, standard et grande échelle. Les scores des trois gammes (petite, standard et grande) sont représentés. Les agents façonnent le postulat de la capacité d’auto-conception des protocoles proposés. Ces agents sont responsables de la vérification du comportement réseau, ainsi que du débit, du rapport de perte des paquets de données, de l’interruption, du débit, de l’inactivité, des hubs dynamiques et dormants, ainsi que des données concernant la connexion. Les agents réseau sont stables au niveau des routeurs maillés et fournissent la capacité d’auto-optimisation des protocoles proposés. L’auto-association émerge dans les organisations distantes en réseau en implantant des capacités auto-x (optimisation, configuration, correction et^{sécurité 19}) dans le protocole de routage. Ces capacités permettent aux protocoles de routage d’être autonomes, améliorant ainsi les performances du réseau, la tolérance aux pannes et la protection. Ce qui suit est une description de l’exécution des capacités mentionnées, avec un accent sur l’auto-configuration et l’auto-optimisation. Notamment, des auto-fonctions ont été exécutées aux couches réseau comme extensions de services standards pour les protocoles de routage (Fichier Supplémentaire 1).

Ensemble de cluster (CS)
L’informatique est un ensemble de plusieurs clusters dans un réseau, et l’algorithme de clustering permet de diviser un réseau en plusieurs clusters. Dans cette recherche, les premiers clusters choisis sont appelés le premier CS, considéré comme le CS idéal actuel, et le score de fonction objectif du CS parfait présent est calculé. Le Grey Wolf Optimizer modifié (MGWO) peut modifier arbitrairement tous les clusters du CS parfait actuel pour produire un autre cluster, et la majorité des clusters nouvellement formés encadrent un autre CS ; de nouveau, le score de fonction objectif du dernier CS est déterminé. Lorsque le score de fonction objectif du cluster optimal actuel est supérieur à celui du cluster le plus récent, le cluster nouvellement déterminé est pris comme l’idéal CS présent. Le CS parfait est encadré vers la phase finale de la terminaison. La fonction objectif est décrite comme suit :

(17)

Lorsque le poids est représenté par _{un 3}, la somme de l’espace entre les clusters dans le CS est donnée par d_TCH et toute l’éloignement entre le CH et le WR est affichée par d_TBS. Le cluster et la distance de communication entre le CH et le BS constituent la base de la surveillance à distance et de la conception du suivi de cibles. Si le score de fonction objectif est plus bas, cela démontre que la détermination de la tête de cluster est plus sensée, que le CH est idéal dans le cluster, et que le casque du cluster est parfait comparé à l’ensemble du réseau. L’algorithme 2 (fichier supplémentaire 2) décrit le pseudocode SOWO.

Results

Ici, MATLAB R2024a compare les protocoles de routage hétérogènes développés en utilisant des simulations avec des protocoles de routage. Dans la simulation, le réseau de 100 nœuds détecteurs est utilisé arbitrairement avec une dimension d’un nœud tous les 100 m. Les nœuds WR sont situés dans le réseau à (50 m, 120 m) et (50 m, 50 m). Environ 20 % des nœuds homogènes avec (m comme 0,2 et comme 1) ont moins d’énergie que les nœuds hétérogènes. Après le déploiement, tous les nœuds ...

Discussion

Le SOWO proposé utilise des WR et des nœuds homogènes. Le protocole d’élection stable utilise des nœuds hétérogènes comme CH et contient un nœud BS au centre du cluster entouré des nœuds capteurs. Une augmentation de l’énergie est nécessaire si la station de base est placée à l’extérieur de la région¹⁴. Cela conduit à une réduction de l’énergie, et le niveau d’énergie atteint zéro en très peu de temps. La technique proposée présente un taux de réduction d’énergie ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel(R) Core(TM) i5-1235U 12e génération (1,30 GHz)	Intel Corporation, États-Unis	&ndash ;	Matériel utilisé pour l’exécution de simulations
16 Go de RAM DDR4	Kingston Technology, États-Unis	&ndash ;	Mémoire utilisée lors des simulations
MATLAB	MathWorks USA	R2024a	Utilisé pour implémenter des algorithmes, exécuter des simulations de WSN et analyser les résultats
Microsoft Windows 11 Home	Microsoft Corporation, États-Unis	Version 22631	Système d’exploitation utilisé pour exécuter des simulations
Jeu de données synthétique généré dans MATLAB	MathWorks, États-Unis	R2024a	Jeu de données personnalisé créé pour le test d’algorithmes