Modelleren van een nieuwe zelfgeoptimaliseerde wolf-optimizer voor een heterogeen netwerkmodel voor energie- en knooplevensduuranalyse

Summary

Het onderzoek presenteert een protocol om een zelfgeoptimaliseerde wolf optimizer (SOWO) te implementeren en evalueren voor energiebewuste clustering en routering in draadloze sensornetwerken, met stapsgewijze instellingen en reproduceerbare evaluatie om levensduur, doorvoer en residuele energie te verbeteren.

Abstract

De essentiële diensten van surveillance, informatieverzameling en gegevensoverdracht van risicovolle omgevingen naar veiligere locaties worden nog steeds geleverd door Wireless Sensor Networks (WSN's). Deze diensten worden verbeterd door de meeste energiezuinige routeringsprotocollen die hiervoor zijn gestructureerd. Er wordt een homogeen routeringsprotocol toegepast om het energieverbruik van verre hubs efficiënter te verminderen; echter, het energieverbruik is hoger voor dit protocol, de betrouwbaarheid is slechter en de informatie wordt meer ongunstig naar de Wireless Router (WR) of basisstation (BS) gestuurd wanneer het langer wordt gebruikt. Om deze nadelen te overwinnen, wordt in dit onderzoek een aangepaste Self-Optimized Wolf Optimizer (SOWO) toegepast. Door heterogene knooppunten in de huidige aanpak te integreren, introduceert het selecteren van de kop op basis van resterende energie een meerlagige interactiestrategie in de verbindingen. Het toepassen van een methode voor het elimineren van energiegaten vormt de basis van de ontwikkelde routeringstechniek. Elke aanpak is gericht op het verlengen van de levensduur van het netwerk en het verminderen van het energieverbruik. Op basis van de bevindingen toont het voorgestelde routeringsschema superieure consistentieperioden, residuele energie, doorvoersnelheid en netwerklevensduur in vergelijking met bestaande. Het onderzoek behandelt het klassieke clustered-WSN-probleem van het maximaliseren van levensduur en duurzame levering onder krappe energiebudgetten per knooppunt, terwijl belasting/eerlijkheid in balans blijft. De simulatieresultaten tonen respectievelijk een verbetering van 3,4% en 32,22% in netwerkstabiliteit en residuele energie ten opzichte van bestaande algoritmen.

Introduction

Draadloze sensornetwerken (WSN) en het Internet of Things (IoT) worden op grote schaal toegepast op diverse technologische kwesties¹. WSN's zijn onder verschillende omstandigheden gebruikt om voorwerpen te verplaatsen, zoals robots die verschillende boodschappen uitvoeren. Vanaf het begin heeft IoT basisondersteuning geboden, vooral bij het verzamelen van gegevens uit onveilige velden². Er zijn specifieke redenen waarom deze technieken momenteel in verschillende systemen worden gebruikt³, bijvoorbeeld in tuinbouw, medische diensten, ecologische observatie, militair onderzoek, structureel beheer, verkeersbeheer, monitoring van veranderingen in waterstandvariatie, enzovoort⁴.

In een draadloze netwerkomgeving worden gegevens doorgaans verzameld en uitgezonden naar een ontvangerknooppunt dat bekendstaat als het basisstation (BS) voor verdere verwerking⁵. De sensorknooppunten verbeteren voortdurend de prestaties van het netwerk door hun beperkte middelen efficiënt te benutten. Wat betreft werk⁶ kan het ontwikkelen van mechanismen om het energieverbruik van knooppunten te verminderen en de levensduur van het netwerk te verbeteren de prestaties van draadloze sensornetwerken^{verhogen 7}. De verschillende eenheden van sensorknooppunten worden gebruikt voor hogere energie: communicatie-eenheden, dataverwerkingseenheden en sensoren. De eerste communicatie-eenheid is de meest energieverbruikende⁸. In de omgeving van draadloze sensornetwerken worden de maximaal energiezuinige technieken beschouwd als hiërarchische routeringsprotocollen die^{veel worden gebruikt}. Naarmate de gegevens van de naburige knooppunten worden ontvangen, gebruikt de Cluster Head (CH) single-hop- en multi-hop-interacties om de netwerkconditie aan de BS te rapporteren op basis van hun afstand tot de BS. Deze soorten routeringstechnieken worden gegeven in onderzoek¹⁰.

Verschillende clustergebaseerde routeringsalgoritmen voor WSN's worden verwacht in de gerelateerde literatuur. Een hiërarchisch routeringsschema werd voorgesteld in Moridi et ^al.11, dat de levensduur van het ondersteunende netwerk opeenvolgend verlengt. Het beschouwde netwerk wordt passend geselecteerd op basis van de examenstudie¹², die een routeringstechniek voor netwerkselectie ontwikkelde.

Priyadharshini et ^al.13 beschrijven het op waarschijnlijkheid gebaseerde clusteringprotocol dat bekendstaat als gedistribueerde energie-efficiënte clustering (DEEC). De door DEEC gekozen CH hangt af van de verhouding van de resterende energie tot de gemiddelde energie van elke knoop in het ontwikkelde netwerk. De auteurs onderzochten een homogeen systeem dat bekendstaat als het low-energy adaptive cluster hierarchy (LEACH) protocol en onderzochten de heterogeniteit ervan. De auteurs ontwikkelden vervolgens het LEACH, een heterogeen systeem dat twee systemen vergelijkt, homogeen en heterogeen¹⁴. Een methode ontwikkeld door de gededuceerde energie-effectieve clusteringtechniek wordt voorgesteld voor heterogene remote sensornetwerken¹⁵. Het is de verbeterde variant van Distributed Energy-Effective clustering.

De experts stelden een andere ontwikkelingsmethode^{voor 16}. Het nieuwe algoritme veranderde de gemiddelde kans van superieure hubs waarvan de resterende energie niet precies de drempelrestenergiewaarde is, die afhangt van de typische ruimte tussen de hubs en de BS in plaats van de gebruikelijke netwerkenergie.

Distributed Energy-Effective^{clustering 17} vergrootte de mogelijkheid van de selectie van het protocol door rekening te houden met de gemiddelde ruimte tussen de SN's en de WR, evenals de afstand tussen superknooppunten, bij het selecteren van clusterhoofden. De betere E-DEEC-efficiëntie qua doorvoer, systeemlevensduur en overtollige energie wordt weergegeven door de simulatieresultaten. Het werk van Nurelmadina et al. is het cruciale element dat onderzoekers aanmoedigt zich op dit werk^te concentreren. Draadloze sensornetwerken (WSN's) vereisen zorgvuldige plaatsing van knooppunten omdat willekeurige inzet dode vlekken en gebroken verbindingen veroorzaakt; Het maximaliseren van dekking en het behouden van connectiviteit samen is daarom een kernoptimalisatiedoel in plaats van een prettige toevoeging. Eerdere techniek toont aan dat klassieke zwermbenaderingen (bijv. PSO/ACO) en ad-hoc deploymentstrategieën vaak lijden onder trage convergentie en lokale-optima vallen, wat op hun beurt leidt tot een lage dekking en fragiele connectiviteit¹⁹. Een recente metaheuristische review benadrukt dat dergelijke tekortkomingen meestal voortkomen uit een onevenwichtige exploratie-exploitatiedynamiek; Het pleit voor hybriden die expliciet globale zoekopdrachten en lokale verfijning in balans brengen, en onderzoekt hoe hybride besturings-/koppelingsschema's kunnen worden ontworpen om dit^te bereiken. In WSN-specifieke node-deploymenttests heeft de Improved Chaotic Grey Wolf Optimizer (ICGWO) ≥99% dekking in meerdere settings bereikt, met gemiddelde winsten tot ~16% ten opzichte van sterke baselines, wat aantoont dat chaosgeleide hybridisatie zowel dekking^{als connectiviteit} aanzienlijk kan verbeteren. Complementair valideert een hybride van Grey Wolf-Particle Swarm (HGWPSO) dezelfde ontwerplogica over diverse engineeringtaken, met verbeteringen van 43-99% in verschillende benchmarkgevallen en benadrukken hybridisatie als een robuuste weg naar snellere convergentie en betere oplossingen¹⁹. De ontwikkelde techniek, Self-optimized wolf optimizer (SOWO), gebruikt de single-hop en multi-hop interactiestrategieën van het veld naar de BS die niet voorkwam²¹. Deze strategie minimaliseert het energieverbruik van de knooppunten door te voorkomen dat irrelevante informatie wordt uitgezonden door de verre knooppunten naar de verre BS.

Protocol

Deze sectie beschrijft het ontwikkelde heterogene protocol in dit segment. Bij deze techniek verdeelt de organisatie de sensorhubs in vier logische gebieden op basis van een vooraf vastgestelde randafstand. De gateway-nodes en het basisstation (BS) worden extern geplaatst op het detectieveld en apart op het centrale punt van het netwerk. De hub waarvan de afstand tot de gateway-node kleiner is dan de vooraf bepaalde afstand, wordt toegewezen aan velden 1 en 2. In deze situatie sturen de nodes de data via directe communicatie naar ofwel de gateway-node of de BS. Deze knooppunten vertegenwoordigen de homogene knooppunten. Stel dat de internoderuimte groter is dan de vooraf bepaalde drempelruimte en dichter bij de WR-knoop. In dat geval bevinden ze zich in gebieden 3 of 4, zoals weergegeven in Figuur 1. Deze knooppunten worden heterogene hubs genoemd. Verkiezingen worden uitgevoerd in beide regio's, en hun resterende energie wordt gebruikt om CH te selecteren. Informatie uit deze gebieden wordt naar BS gestuurd met behulp van de multi-hop interactie-methode. De CH in Regio 3 levert het eindrapport aan de gateway-nodes en integreert de informatie voordat deze wordt uitgezonden naar de BS. De knooppunten in elk gebied communiceren hun informatie met andere knooppunten binnen hun energielimiet. Wanneer de nodes geen informatie kunnen verzenden, rusten ze om hun energie te behouden.

Netwerkmodel
De definitie van de netwerkstructuur wordt gegeven in Figuur 1. Dit netwerk staat bekend als G(L, BS, H_o, GW, H_e), waarbij het basisstation wordt geleverd als BS, de netwerkgateway GW is, en homogene knooppunten worden weergegeven als H_o, heterogene knooppunten worden weergegeven als H_e en de verzameling communicatienetwerken die de bepaalde knooppunten verbindt (elke knoop inclusief BS, H_o, GW, H_e) worden gegeven als L. De kenmerken van het netwerk zijn als volgt: (i) Zoals weergegeven in Figuur 1, is het netwerk opgedeeld in vier subnetwerken in regio's 1, 2, 3 en 4. (ii) Minimaal 1 knoop in gebied 4 is gekoppeld aan een knoop in gebied 3. (iii) De WR is verbonden met het basisstation in gebied 2. (iv) Nu zijn de WR en het basisstation verbonden. Elke knoop in gebied 1 is geassocieerd met de BS. (v) Elke knoop in gebieden drie en vier is niet gekoppeld aan de BS.

Energieverbruik
In dit onderzoek is de energiebenuttingstechniek als volgt: de knooppunten van WSN's worden willekeurig gedeeld en hebben geen vooraf bepaalde locaties. Afhankelijk van de interspace tussen de knooppunten gaat communicatie een aanzienlijk deel van de energie van een knoop verloren. De twee soorten informatieoverdracht en het verzamelen van informatie verbruiken energie. Daarom is de benodigde energie om een datapakket met een lengte van (m) bits over de afstand te verzenden:

(1)

Waar E_TX de energie aangeeft die tijdens de datatransmissie van de knoop wordt gebruikt, heeft het proces van het verzenden en ontvangen van één bit data een energiedissipatie van E_elec, ε_fs de vrije-ruimte coëfficiënt van energiedissipatie, ε_mp de energiedissipatie van de multi-way coëfficiënttechniek vertegenwoordigt, en de transmissieruimte wordt gegeven als crossover, die wordt berekend als:

(2)

Het energieverbruik dat het ontvangende knooppunt verwacht om een datapakket van m -bit te ontvangen, wordt als volgt bepaald:

(3)

Het genoemde model kan bepalen welke energie de CH gebruikt. De energie die door de CH's wordt gebruikt, omvat in wezen drie gezichtspunten: het energieverbruik van het ontvangen van datapakketten van gebruikersknooppunten, het koppelen van informatie en het verzenden van de gefuseerde informatie naar de WR. De schattingsformule wordt gegeven als:

(4)

Het aantal lidknopen wordt weergegeven met behulp van het_CM-num, en E_DA is de kosten die nodig zijn om 1 bit data te aggregeren; De lengte van het pakket is M. De energie die door de niet-CH-hub wordt verbruikt, is simpelweg het energieverbruik van het verzenden van informatie naar de WR, en de numerieke formule wordt gegeven als:

(5)

Hieronder wordt de volledige restenergie voor de ^r-de ronde berekend:

(6)

Waar de volledige resterende energie wordt gegeven als in de ronde _{E tohR}(r - 1), wordt het aantal CH's in de ronde weergegeven als CH_num(r), de N_levende(r) adresseert het totaal aantal actieve knooppunten in de ronde van het geleverde netwerk, E_Ch (i) het energieverbruik van ^i-de CH en E_non-CH(j) geeft de energie aan die door de niet-CH(j) wordt gebruikt.

Clusterselectie
Het algoritme gebruikt de interruimtes die van de knoop naar de WR zijn berekend en de energie om de primaire clusters van het systeem te kiezen, waardoor het totale aantal CH's in clusters als volgt wordt beperkt: Volgens de stijgende fitnessscore van de SNs wordt de cluster van actieve SN's opgedeeld in gelijke deelverzamelingen van m (waarbij m het gewenste clusteraantal is dat gelijk is aan N/p, N geeft het aantal sensorknopen en het deel p CH aan. In elke subset wordt de eerste clusterkop gekozen voor de sensornode nabij de middenpositie. Elke knoop wordt toegevoegd aan de clusterkop die het dichtst bij hem is om de initiële cluster te creëren op basis van de Euclidische afstand. De ruimte tussen de knoop, BS en restenergie bepaalt de fitnessscore van de knoop.

(7)

Waar het gewicht als _{een 1} wordt gegeven, de primaire energie E_i is, de residuele energie als E_r, en de ruimte van de knoop tot de WR wordt weergegeven als d_BS. d_maxBS is de maximale interruimte tussen de SN en de WR, en d_MinBS geeft de minimale ruimte tussen de SN en de WR aan.

Zelfgeoptimaliseerde wolf-optimizer (SOWO)
De CH's worden gekozen met behulp van de SOWO. In de wolf optimizer wordt de locatie van de prooi vastgesteld aan de hand van de gemiddelde massa van de drie wolven (α, β en δ) zoals weergegeven in Figuur 2. Rekening houdend met de differentiatie tussen BS en de knoop en de ruimte tussen de residuele energie, wordt de fitnessscore van de knoop beschouwd als het primaire gewicht van de grijze wolf-optimalisatie, die wordt bepaald met behulp van Vergelijking (8). De initiële locatie van de prooi wordt berekend op basis van vergelijkingen (8) tot (11) en de optimalisatietechniek van SOWO.

(8)

(9)

(10)

(11)

Waar de primaire massa van de wolven α, β en δ respectievelijk ω_Iα, ω_Iβ en ω_Iδ is, is de beste fitnessscore voor α wolf F_α, F_β en F_δ die worden berekend met behulp van Vergelijking 11. De individuele knooppunten die gelijk zijn aan de drie hoogste fitnessscores zijn α, β en δ wolven. Het ontwikkelde protocol verandert het gewicht van de grey wolf-optimalisatie niet, omdat de fitnessscore van de node wordt aangepast nadat één datatransmissie is voltooid. Om de wereldwijde zoekcapaciteit van de grey wolf-optimizer te creëren, worden de belastingen actief aangepast door vectoren A en D. Hier geeft A de coëfficiëntvector aan, en is de afstand van de wolf tot zijn prooi D. Vergelijkingen (12) en (15) worden gebruikt om A en D te bepalen. De positie van het prooi en de belastingsupgradeformule worden als volgt beschreven: de (t + 1)^de iteratie:

(12)

(13)

(14)

(15)

Waar de locaties van de α wolf, β wolf en δ wolf in de iteratie (t+1) specificeren, worden deze locaties berekend met behulp van Vergelijking (15). Tijdens de laatste fase van de iteratie kiest de CH welke knoop het dichtst bij de prooi ligt onder de huidige knooppunten. De taak van de CH is ingewikkelder, waardoor de restenergie de taak niet kan voltooien, wat leidt tot het beëindigen van de knoop. Dus het kiezen van de knoop met de maximale resterende energie en dichter bij de prooi is essentieel. De resterende energie van de knoop en de afstand van de knoop tot de prooi worden gebruikt als parameters voor de fitnessscore die wordt gebruikt om de CH te kiezen. De knoop met een lagere fitnessscore wordt geïdentificeerd als de cluster head. De functie die wordt gebruikt om de fitnesswaarde te berekenen wordt gegeven als:

(16)

Waar het gewicht als _{een 2} wordt gegeven, de resterende energie van de knoop wordt weergegeven als E_x, E_max de maximale residuele energie, en E_min de minimale energie die overblijft in de clusterknopen. De afstand tussen de prooi en de knoop is d_p, d_Maxp is de maximale ruimte tussen de detecterende knoop en de prooi, en d_Minp is de minimale ruimte tussen de SN en de prooi.

Zelfoptimalisatiewolf-agent
Softwareagenten monitoren en beheren de netwerkgroottes en node-gateways. De softwareagenten vervangen traditionele clients en servers, die verschillen in lokale communicatiestrategie en codemobiliteit. Monitoring is een cruciale factor bij het begrijpen van beheersystemen. Vanwege dit belang werd software agent-technologie voorgesteld om node-gateways binnen het netwerkmesh te monitoren. Naast monitoring is het de verantwoordelijkheid van de agenten om de lijst met netwerkknooppunten bij te werken. Deze gegevens zijn essentieel vanwege de netwerkgrootte, zodat het zelfconfiguratieproces de routeringsprotocolparameters dynamisch kan configureren. In de context van dit werk zijn dit de meest wenselijke kenmerken onder de vele die in het gedrag van softwareagenten voorkomen. Draadloze agenten worden geïnstalleerd bij de clientnode-associaties van een mesh-router en de router zelf. Bij het identificeren van de netwerkdichtheid voert de agent specifieke taken uit op kleine, standaard- en grote schaal. De partituren voor de drie toonladders (klein, standaard en groot) worden weergegeven. De agenten vormen het uitgangspunt van de auto-ontwerpcapaciteit van de voorgestelde protocollen. Deze agenten nemen verantwoordelijkheid voor de verificatie van netwerkgedrag, samen met de doorvoer, de verliesverhouding van datapakketten, onderbrekingen, doorvoer, inactiviteit, dynamische en slapende hubs, en gegevens over de verbinding. Netwerkagenten zijn stabiel bij de mesh-routers en bieden de zelfoptimalisatiemogelijkheid van de voorgestelde protocollen. Zelfassociatie ontstaat in netwerk-remote organisaties door zelf-x-capaciteiten (optimalisatie, setup, fix en beveiliging¹⁹) in het routeringsprotocol te implanteren. Deze mogelijkheden maken routeringsprotocollen autonoom, wat de netwerkprestaties, faaltolerantie en bescherming verbetert. Hieronder volgt een beschrijving van de uitvoering van de genoemde mogelijkheden, met nadruk op zelfconfiguratie en zelfoptimalisatie. Opmerkelijk is dat zelffuncties in netwerklagen zijn uitgevoerd als uitbreidingen van standaardservices voor routeringsprotocollen (Supplementary File 1).

Clusterset (CS)
CS is een verzameling van meerdere clusters in een netwerk, en het clustering-algoritme maakt het mogelijk een netwerk op te delen in verschillende clusters. In dit onderzoek worden de eerste gekozen clusters de eerste CS genoemd, beschouwd als het huidige ideale CS, en wordt de doelstellingsscore van de huidige perfecte CS berekend. Modified Grey Wolf Optimizer (MGWO) kan willekeurig alle clusters in de huidige perfecte CS aanpassen om een nieuwe cluster te produceren, en de meerderheid van de nieuw gevormde clusters kadert een andere CS; opnieuw wordt de doelfunctiescore van de laatste CS bepaald. Wanneer de doelfunctiescore van de huidige optimale cluster hoger is dan die van de nieuwste cluster, wordt de nieuw bepaalde cluster genomen als de huidige ideale CS. De perfecte CS wordt geraamd richting de laatste fase van de beëindiging. De doelfunctie wordt beschreven als:

(17)

Waar het gewicht wordt weergegeven als een₃, wordt de som van de ruimte tussen de clusters in de CS gegeven als d_TCH en de volledige afstand tussen de CH en de WR wordt weergegeven als d_TBS. De cluster en communicatieafstand tussen de CH en de BS vormen de basis voor remote monitoring en het ontwerp van doelvolging. Als de doelfunctiescore lager is, toont dit aan dat de bepaling van het clusterhoofd zinvoller is, de CH ideaal is in de cluster, en de clusterheadset perfect is vergeleken met het gehele netwerk. Algoritme 2 (Aanvullend Bestand 2) beschrijft de SOWO-pseudocode.

Results

Hier vergelijkt MATLAB R2024a de ontwikkelde heterogene routeringsprotocollen met behulp van simulaties met routeringsprotocollen. In de simulatie wordt het netwerk van 100 detecterende knooppunten willekeurig gebruikt met een dimensie van één knoop per 100 m. De WR-knooppunten bevinden zich in het netwerk op (50 m, 120 m) en (50 m, 50 m). Ongeveer 20 procent van de homogene knopen met (m als 0,2 en als 1) heeft minder energie dan de heterogene knopen. Na de uitrol blijven alle ...

Discussion

De voorgestelde SOWO maakt gebruik van WR's en homogene knooppunten. Het stabiele electieprotocol gebruikt heterogene knooppunten als CH's en bevat een BS-knoop in het midden van de cluster, omringd door de sensorknooppunten. Er is meer energie nodig als het basisstation buiten regio¹⁴ wordt geplaatst. Dit leidt tot verminderde energie, en het energieniveau bereikt in zeer korte tijd nul. De voorgestelde techniek heeft een lage energiereductiesnelheid vergeleken m...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
12th Gen Intel(R) Core(TM) i5-1235U (1.30 GHz)	Intel Corporation, USA	–	Hardware gebruikt voor simulatie-uitvoering
16 GB DDR4 RAM	Kingston Technology, USA	–	Geheugen gebruikt tijdens simulatie-runs
MATLAB	MathWorks USA	R2024a	Gebruikt voor het implementeren van algoritmen, het uitvoeren van WSN-simulaties en het analyseren van resultaten
Microsoft Windows 11 Home	Microsoft Corporation, USA	Build 22631	Besturingssysteem gebruikt om simulaties uit te voeren
Synthetic Dataset Generated in MATLAB	MathWorks, USA	R2024a	Aangepaste dataset gemaakt voor algoritmetesten