Modellazione di un nuovo ottimizzatore Wolf auto-ottimizzato per un modello eterogeneo di rete per l'analisi dell'energia e della durata della vita dei nodi

Summary

La ricerca presenta un protocollo per implementare e valutare un ottimizzatore wolf auto-ottimizzato (SOWO) per il clustering e il routing consapevoli dell'energia nelle reti di sensori wireless, con impostazioni passo dopo passo e valutazione riproducibile per migliorare la durata della vita, la produttività e l'energia residua.

Abstract

I servizi vitali di sorveglianza, raccolta di informazioni e trasmissione di dati da ambienti ad alto rischio verso luoghi più sicuri sono ancora forniti dalle Reti di Sensori Wireless (WSN). Questi servizi sono migliorati dalla maggior parte dei protocolli di routing a risparmio energetico strutturati appositamente a questo scopo. Si applica un protocollo di instradamento omogeneo per ridurre in modo più efficiente l'utilizzo energetico degli hub lontani; tuttavia, il tasso di utilizzo energetico è più alto per questo protocollo, una maggiore affidabilità e più informazioni sfavorevoli trasmesse al Router Wireless (WR) o alla stazione base (BS) quando viene impiegato per un periodo di tempo più lungo. Per superare questi svantaggi, in questa ricerca viene utilizzato un Ottimizzatore Wolf Auto-Ottimizzato (SOWO) modificato. Incorporando nodi eterogenei nell'approccio attuale, selezionare la testa in base all'energia residua introduce una strategia di interazione multilivello attraverso le connessioni. L'impiego di un metodo di eliminazione dei fori di energia è la base della tecnica di routing sviluppata. Ogni approccio mira a prolungare la vita della rete e a ridurre il consumo energetico. Sulla base dei risultati, lo schema di routing proposto dimostra periodi di coerenza, energia residua, debiti e durata della rete superiori rispetto a quelli esistenti. La ricerca affronta il classico problema dei WSN clusterizzati che massimizza la durata della vita e la consegna sostenuta con bilanci energetici ristretti per nodo, mantenendo al contempo un bilancio tra carico ed equità. I risultati della simulazione mostrano rispettivamente un miglioramento del 3,4% e del 32,22% nella stabilità della rete e nell'energia residua rispetto agli algoritmi esistenti.

Introduction

Le Reti di Sensori Wireless (WSN) e l'Internet delle Cose (IoT) sono ampiamente applicate a varie questioni^{tecnologiche 1}. I WSN sono stati utilizzati in diverse condizioni per aiutare a spostare oggetti, come robot che svolgono diverse commissioni. Fin dall'origine, l'IoT ha fornito un aiuto di base, in particolare nella raccolta di dati da campi^{insicuri 2}. Ci sono ragioni specifiche per cui queste tecniche vengono attualmente utilizzate in diversi^{sistemi 3}, ad esempio in orticoltura, servizi medici, osservazione ecologica, indagini militari, gestione strutturale, gestione del traffico, monitoraggio delle variazioni del livello dell'acqua, e^{così via 4}.

In un ambiente di rete wireless, i dati vengono tipicamente raccolti e trasmessi a un nodo ricevitore noto come stazione base (BS) per ulteriori^{elaborazioni 5}. I nodi sensori migliorano continuamente le prestazioni della rete utilizzando in modo efficiente le loro risorse limitate. Per quanto riguarda i^{lavori 6}, sviluppare meccanismi per ridurre la deplezione dell'energia dei nodi e migliorare la durata della rete può migliorare le prestazioni della rete di sensori^{wireless 7}. Le diverse unità dei nodi sensori sono utilizzate per energie più elevate: unità di comunicazione, unità di elaborazione dati e sensori. La prima unità di comunicazione è la più consumante^{energeticamente 8}. Nell'ambiente delle reti di sensori wireless, le tecniche di massima efficienza energetica sono considerate protocolli di instradamento gerarchici ampiamente^{utilizzati 9}. Poiché i dati vengono ricevuti dai nodi vicini, la Cluster Head (CH) utilizza interazioni a singolo salto e multi-salto per riportare la condizione della rete al BS in base alla loro lontananza dal BS. Questi tipi di tecniche di instradamento sono forniti nella ricerca¹⁰.

Nella letteratura correlata si prevedono diversi algoritmi di routing basati su cluster per i WSN. Uno schema di instradamento gerarchico è stato proposto in Moridi et ^al.11, che aumenta consecutivamente la durata della rete di supporto. La rete considerata è selezionata in modo appropriato sulla base dello studio^{d'esame 12}, che ha sviluppato una tecnica di routing per la selezione della rete.

Priyadharshini et ^al.13 descrivono il protocollo di clustering basato sulla probabilità noto come distributed energy efficient clustering (DEEC). Il CH scelto dal DEEC dipende dal rapporto tra l'energia residua e l'energia media di ciascun nodo nella rete sviluppata. Gli autori hanno indagato un sistema omogeneo noto come protocollo LEACH (gerarchia adattiva di cluster a bassa energia) e ne hanno esaminato l'eterogeneità. Gli autori hanno quindi sviluppato il LEACH, un sistema eterogeneo che confronta due sistemi,^{omogeneo ed eterogeneo 14}. Un metodo sviluppato con la tecnica di clustering distribuito a efficacia energetica è proposto per reti di sensori remote^{eterogenee 15}. È la variante aggiornata del clustering Distributed Energy-Efficient.

Gli esperti hanno proposto un'altra tecnica di sviluppo¹⁶. Il nuovo algoritmo ha modificato la probabilità media di hub superiori la cui energia residua non corrisponde esattamente al valore residuo di soglia, che dipende dallo spazio tipico tra i hubs e il BS invece che dall'energia di rete usuale.

Il clustering Distributed Energy-Effective¹⁷ ha aumentato la possibilità di scelta del protocollo considerando lo spazio medio tra SN e WR, così come la distanza tra i super nodi, nella selezione delle teste di cluster. La migliore efficienza dell'E-DEEC in termini di throughput, durata del sistema e surplus di energia è rappresentata attraverso i risultati della simulazione. Il lavoro di Nurelmadina et al. è l'elemento critico che incoraggia i ricercatori a concentrarsi su questo^{lavoro 18}. Le reti di sensori wireless (WSN) richiedono un posizionamento accurato dei nodi perché il dispiegamento casuale produce punti ciechi e collegamenti interrotti; Massimizzare la copertura e preservare la connettività insieme è quindi un obiettivo centrale di ottimizzazione piuttosto che un vantaggio da avere. L'arte precedente mostra che gli approcci classici a sciame (ad esempio, PSO/ACO) e le strategie di distribuzione ad hoc spesso soffrono di convergenza lenta e trappole locali-ottimi, che a loro volta producono una copertura bassa e una connettività fragile¹⁹. Una recente revisione metaeuristica evidenzia che tali carenze derivano tipicamente da una dinamica squilibrata tra esplorazione e sfruttamento; Sostiene ibridi che bilanciano esplicitamente la ricerca globale e il raffinamento locale, e esamina come gli schemi di controllo/accoppiamento ibridi possano essere progettati per raggiungere questo¹⁹. Nei test di dispiegamento dei nodi specifici per WSN, l'Ottimizzatore Improved Chaotic Grey Wolf (ICGWO) ha raggiunto una copertura ≥99% in più contesti, con guadagni medi fino al ~16% su solide baseline, dimostrando che l'ibridazione guidata dal caos può migliorare significativamente sia la copertura che la^{connettività 20}. Complementariamente, un ibrido Grey Wolf-Particle Swarm (HGWPSO) valida la stessa logica di progettazione in diversi compiti ingegneristici, riportando miglioramenti del 43-99% in diversi casi di riferimento e evidenziando l'ibridazione come percorso robusto verso una convergenza più rapida e soluzioni^{migliori 19}. La tecnica sviluppata, Self-optimized wolf optimizer (SOWO), utilizza le strategie di interazione single-hop e multi-hop dal campo al BS che non si sono^{verificate 21}. Questa strategia minimizza l'utilizzo energetico dei nodi evitando la trasmissione di informazioni irrilevanti dagli hub lontani verso i BS lontani.

Protocol

Questa sezione descrive il protocollo eterogeneo sviluppato in questo segmento. In questa tecnica, l'organizzazione suddivide gli hub dei sensori in quattro aree logiche basate su una distanza di bordo prestabilita. I nodi gateway e la stazione base (BS) sono posizionati esternamente al campo di rilevamento e separatamente nel punto centrale della rete. L'hub la cui distanza dal nodo gateway è inferiore alla distanza predefinita viene assegnato ai campi 1 e 2. In questa situazione, i nodi trasmettono i dati o al nodo gateway o al BS tramite comunicazione diretta. Questi nodi rappresentano i nodi omogenei. Supponiamo che lo spazio internodo sia più grande dello spazio soglia predefinito e più vicino al nodo WR. In tal caso, si trovano nelle aree 3 o 4, come rappresentato nella Figura 1. Questi nodi sono chiamati hub eterogenei. Le elezioni si svolgono nelle due regioni e la loro energia residua viene impiegata per selezionare CH. Le informazioni di queste aree vengono inviate a BS utilizzando l'approccio multi-hop interaction. Il CH nella Regione 3 fornisce il rapporto finale ai nodi gateway e integra le informazioni prima di trasmetterle al BS. I nodi in ogni area comunicano le loro informazioni con altri nodi entro il loro limite di energia. Quando i nodi non possono inviare informazioni, si riposano per preservare la loro energia.

Modello di rete
La definizione della struttura della rete è fornita nella Figura 1. Questa rete è conosciuta come G(L, BS,_{H o}, GW,_{H e}) in cui la stazione base è fornita come BS, il gateway di rete è GW, e i nodi omogenei sono rappresentati come H_o, i nodi eterogenei sono mostrati come H_e e l'insieme delle reti di comunicazione che collega i nodi definiti (ogni nodo che include BS, H_o, GW,_{H e}) sono indicati come L. Le caratteristiche della rete sono le seguenti: (i) Come mostrato nella Figura 1, la rete è suddivisa in quattro sotto-reti nelle regioni 1, 2, 3 e 4. (ii) Un minimo di 1 nodo nell'area 4 è associato a un nodo nell'area 3. (iii) Il WR è collegato alla stazione base nell'area 2. (iv) Ora, il WR e la stazione base sono collegati. Ogni nodo nell'area 1 è associato al BS. (v) Ogni nodo nelle aree tre e quattro non è collegato al BS.

Consumo energetico
In questa ricerca, la tecnica di utilizzo dell'energia è la seguente: i nodi dei WSN sono condivisi casualmente e non hanno posizioni predeterminate. Basandosi sull'interspazio tra i nodi, la comunicazione provoca la perdita di una quantità significativa di energia di un nodo. I due tipi di trasmissione e raccolta di informazioni consumano energia. Pertanto, l'energia richiesta per trasmettere un pacchetto dati con una lunghezza di (m) bit sulla distanza è:

(1)

Dove E_TX indica l'energia utilizzata durante la trasmissione dei dati del nodo, il processo di trasmissione e ricezione di un bit di dati ha una dissipazione di energia di E_elec, _{ε fs} il coefficiente di dissipazione energetica dello spazio libero, ε_mp rappresenta la dissipazione di energia della tecnica multi-via dei coefficienti, e lo spazio di trasmissione è indicato come crossover, calcolato come:

(2)

L'utilizzo energetico atteso dal nodo ricevente per ottenere un pacchetto dati di m -bit è determinato come segue:

(3)

Il modello menzionato può determinare l'energia che il CH utilizza. L'energia utilizzata dai CH incorpora fondamentalmente tre punti di vista: l'utilizzo dell'energia per ottenere pacchetti dati dei nodi utente, l'associazione delle informazioni e l'invio delle informazioni fuse al WR. La formula di stima è data come:

(4)

Il numero dei nodi membri è rappresentato tramite _{CM num}, ed _{E DA} è la spesa necessaria per aggregare 1 bit di dati; La lunghezza del pacchetto è M. L'energia consumata dall'hub non-CH è semplicemente l'utilizzo energetico trasmettendo informazioni al WR, e la formula numerica è fornita come:

(5)

Segue come viene calcolata l'intera energia residua per il r^round r:

(6)

Dove l'intera energia rimanente è data come nel round E_tohR(r - 1), il conteggio dei CH presenti nel round è rappresentato come CH_num(r), il N_alive(r) indirizza il totale dei nodi attivi nel round della rete fornita, E_Ch (i) rappresenta l'utilizzo energetico di i^th CH e _{E non-CH(j)} indica l'energia utilizzata dai non-CH(j).

Selezione del cluster
L'algoritmo utilizza gli interspazi calcolati dal nodo al WR e l'energia per scegliere i cluster primari del sistema, limitando così il totale dei CH nei cluster come segue: Secondo il punteggio crescente di fitness dei SN, il cluster di SN attivi è suddiviso in sottoinsiemi uguali di m (dove m è il conteggio desiderato del cluster equivalente a N/p, N indica il numero dei nodi sensori e la parte di p CH. In ogni sottoinsieme, la prima testa del cluster viene scelta per il nodo sensore vicino alla posizione centrale. Ogni nodo viene aggiunto alla testa del cluster più vicina per creare il cluster iniziale basato sulla distanza euclidea. Lo spazio tra il nodo, BS e l'energia residua determina il punteggio di fitness del nodo.

(7)

Quando il peso è dato come ₁, l'energia primaria è E_i, l'energia residua è indicata come E_r, e lo spazio dal nodo al WR è mostrato come d_BS. d_maxBS è lo spazio inter-spazio massimo tra SN e WR, e d_MinBS indica lo spazio minimo tra SN e WR.

Ottimizzatore wolf auto-ottimizzato (SOWO)
I CH vengono scelti usando il SOWO. Nel wolf optimizer, la posizione della preda viene identificata usando la massa media dei tre lupi (α, β e δ) come mostrato nella Figura 2. Considerando la differenziazione tra BS e il nodo e lo spazio tra l'energia residua, il punteggio di fitness del nodo è considerato il peso primario dell'ottimizzazione del lupo grigio, che viene determinato tramite l'Equazione (8). La posizione iniziale della preda viene calcolata in base alle Equazioni (8) a (11) e alla tecnica di ottimizzazione SOWO.

(8)

(9)

(10)

(11)

Dove la massa primaria dei lupi α, β e δ sono rispettivamente ω_Iα, ω_Iβ e ω_Iδ, il miglior punteggio di fitness per α lupo è F_α, F_β e F_δ calcolati usando l'Equazione 11. I singoli nodi equivalenti ai tre punteggi di fitness più alti sono α, β e δ lupi. Il protocollo sviluppato non modifica il peso dell'ottimizzazione del lupo grigio perché il punteggio di fitness del nodo cambia dopo il completamento di una trasmissione dei dati. Per creare la capacità di ricerca mondiale dell'ottimizzatore grey wolf, i carichi vengono modificati attivamente dai vettori A e D. Qui, A indica il vettore coefficiente, e la lontananza dal lupo alla preda è D. Le equazioni (12) e (15) sono utilizzate per determinare A e D. La posizione della preda e la formula di aumento del carico sono descritte come segue: la (t + 1)^esima:

(12)

(13)

(14)

(15)

Quando specificano le posizioni del α lupo, β lupo e δ lupo nell'iterazione (t+1), queste posizioni vengono calcolate usando l'Equazione (15). Durante la fase finale dell'iterazione, il CH sceglie quale nodo è più vicino alla preda tra i nodi presenti. Il compito del CH è più complicato, quindi l'energia residua non può completare il compito, il che porta alla terminazione del nodo. Quindi, selezionare il nodo con la massima energia residua ed essere più vicino alla preda è essenziale. L'energia residua del nodo e la lontananza dal nodo alla preda sono usate come parametri per il punteggio di fitness utilizzato per scegliere il CH. Il nodo con un punteggio di fitness inferiore viene identificato come cluster head. La funzione utilizzata per calcolare il valore di fitness è indicata come:

(16)

Quando il peso è indicato _{come 2}, l'energia residua del nodo è rappresentata come E_x, E_max è l'energia residua massima e E_min è l'energia minima rimasta nei nodi del cluster. La distanza tra la preda e il nodo è d_p, d_Maxp è lo spazio massimo tra il nodo rilevante e la preda, e d_Minp è lo spazio minimo tra SN e preda.

Agente wolf auto-ottimizzazione
Gli agenti software monitorano e gestiscono le dimensioni delle reti e i nodi gateway. Gli agenti software sostituiscono client e server tradizionali, che differiscono per strategia di comunicazione locale e mobilità del codice. Il monitoraggio è un fattore cruciale per comprendere i sistemi di gestione. A causa di questa importanza, è stata suggerita la tecnologia degli agenti software per monitorare i nodi gateway all'interno della rete mesh. Oltre al monitoraggio, è responsabilità degli agenti aggiornare l'elenco dei nodi di rete. Questi dati sono essenziali a causa della dimensione della rete, così il processo di autoconfigurazione può configurare dinamicamente i parametri del protocollo di instradamento. Nel contesto di questo lavoro, queste sono le caratteristiche più desiderabili tra molte riscontrate nel comportamento degli agenti software. Gli agenti wireless sono installati nelle associazioni dei nodi client tra un router mesh e il router stesso. Nel identificare la densità della rete, l'agente svolge compiti particolari su scala piccola, standard e grande. Sono rappresentati i punteggi delle tre scale (piccola, standard e grande). Gli agenti modellano la premessa della capacità di auto-progettazione dei protocolli proposti. Questi agenti si assumono la responsabilità della verifica del comportamento della rete, insieme al throughput, al rapporto di perdita dei pacchetti dati, all'interruzione, al throughput, al tempo d'inattività, agli hub dinamici e dormienti, e ai dati sulla connessione. Gli agenti di rete sono stabili presso i router mesh e forniscono la capacità di auto-ottimizzazione dei protocolli proposti. L'auto-associazione emerge nelle organizzazioni remote di rete impiantando capacità self-x (ottimizzazione, configurazione, fix e^{sicurezza 19}) nel protocollo di instradamento. Queste capacità permettono ai protocolli di routing di essere autonomi, migliorando le prestazioni della rete, la tolleranza ai guasti e la protezione. Di seguito è riportata una descrizione dell'esecuzione delle suddette capacità, con un'enfasi sull'auto-configurazione e sull'auto-ottimizzazione. In particolare, le auto-funzioni sono state eseguite a livello di rete come estensioni di servizi standard per protocolli di routing (File Supplementare 1).

Set di cluster (CS)
L'informatica è una raccolta di più cluster in una rete, e l'algoritmo di clustering permette di dividere una rete in vari cluster. In questa ricerca, i primi cluster selezionati sono chiamati primi CS, considerati l'attuale CS ideale, e viene calcolato il punteggio della funzione obiettivo del CS attuale e perfetto. Il Modified Grey Wolf Optimizer (MGWO) può modificare arbitrariamente tutti i cluster nel CS perfetto attuale per produrre un altro cluster, e la maggior parte dei cluster di nuova formazione inquadra un altro CS; di nuovo, viene determinato il punteggio della funzione obiettivo dell'ultimo CS. Quando il punteggio della funzione obiettivo del cluster ottimale attuale è maggiore di quello del cluster più recente, il cluster di nuova determinazione viene preso come il CS ideale presente. Il CS perfetto viene inquadrato verso la fase finale della terminazione. La funzione obiettivo è descritta come:

(17)

Dove il peso è rappresentato come ₃, la somma dello spazio tra i cluster nel CS è data come d_TCH e l'intera lontananza tra CH e WR è mostrata come d_TBS. Il cluster e la distanza di comunicazione tra il CH e il BS sono la base per il monitoraggio remoto e la progettazione del tracciamento dei bersagli. Se il punteggio della funzione obiettivo è più basso, dimostra che la determinazione della testa cluster è più sensata, il CH è ideale nel cluster e il visore del cluster è perfetto rispetto all'intera rete. L'Algoritmo 2 (File Supplementare 2) descrive il pseudocodice SOWO.

Results

Qui, MATLAB R2024a confronta i protocolli di routing eterogenei sviluppati utilizzando simulazioni con protocolli di instradamento. Nella simulazione, la rete di 100 nodi rilevanti viene impiegata arbitrariamente con una dimensione di un nodo ogni 100 m. I nodi WR si trovano nella rete a (50 m, 120 m) e (50 m, 50 m). Circa il 20 percento dei nodi omogenei con (m come 0,2 e come 1) ha meno energia rispetto ai nodi eterogenei. Dopo il dispiegamento, tutti i nodi rimangono fermi. L...

Discussion

Il SOWO proposto utilizza WR e nodi omogenei. Il protocollo di elezione stabile utilizza nodi eterogenei come CH e contiene un nodo BS al centro del cluster circondato dai nodi sensori. È richiesta una maggiore energia se la stazione base viene posizionata esterna alla regione¹⁴. Questo porta a una riduzione dell'energia, e il livello energetico raggiunge lo zero in un periodo molto breve. La tecnica proposta ha un tasso di riduzione dell'energia basso rispetto ai...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel(R) Core(TM) di 12ª generazione i5-1235U (1,30 GHz)	Intel Corporation, USA	–	Hardware utilizzato per l'esecuzione della simulazione
16 GB di RAM DDR4	Kingston Technology, USA	–	Memoria utilizzata durante le esecuzioni di simulazione
MATLAB	MathWorks USA	R2024a	Utilizzato per implementare algoritmi, eseguire simulazioni WSN e analizzare i risultati
Microsoft Windows 11 Home	Microsoft Corporation, USA	Build 22631	Sistema operativo utilizzato per eseguire simulazioni
Dataset sintetico generato in MATLAB	MathWorks, USA	R2024a	Dataset personalizzato creato per il testing degli algoritmi