Modelowanie nowatorskiego samooptymalizowanego optymalizatora Wolfa dla heterogenicznego modelu sieciowego do analizy energii i życia węzłów

Summary

Badania przedstawiają protokół implementacji i oceny samooptymalizowanego optymalizatora wilków (SOWO) dla energetycznego klastrowania i trasowania w bezprzewodowych sieciach czujników, z ustawieniami krok po kroku i powtarzalną oceną w celu poprawy czasu życia, przepustowości i energii resztkowej.

Abstract

Kluczowe usługi nadzoru, zbierania informacji i przesyłania danych z środowisk wysokiego ryzyka do bezpieczniejszych lokalizacji nadal świadczą bezprzewodowe sieci sensorowe (WSN). Usługi te są ulepszane przez większość energooszczędnych protokołów routingu zaprojektowanych w tym celu. Stosuje się jednorodny protokół trasowania, aby efektywniej zmniejszyć zużycie energii przez odległe huby; jednak wskaźnik zużycia energii jest wyższy dla tego protokołu, jest niższa niezawodność i bardziej niekorzystne informacje nadawane do routera bezprzewodowego (WR) lub stacji bazowej (BS) przy dłuższym użyciu. Aby przezwyciężyć te wady, w tych badaniach stosuje się zmodyfikowany Self-Optimized Wolf Optimizer (SOWO). Włączając heterogeniczne węzły do obecnego podejścia, wybór głowicy na podstawie pozostałej energii wprowadza wielopoziomową strategię interakcji w różnych połączeniach. Zastosowanie metody eliminacji energetycznych stanowi podstawę opracowanej techniki trasowania. Każde z tych podejść ma na celu wydłużenie żywotności sieci i zmniejszenie zużycia energii. Na podstawie tych wyników, proponowany schemat routingu wykazuje lepsze okresy spójności, energię resztkową, przepustowość oraz żywotność sieci w porównaniu z istniejącymi systemami. Badania rozwiązują klasyczny problem skupionych WSN, polegający na maksymalizacji czasu życia i stałej dostawy przy ograniczonych budżetach energetycznych na węzeł, przy jednoczesnym zachowaniu równowagi między obciążeniem a sprawiedliwością. Wyniki symulacji pokazują poprawę stabilności sieci i energii resztkowej odpowiednio o 3,4% i 32,22% w porównaniu z istniejącymi algorytmami.

Introduction

Bezprzewodowe sieci sensorowe (WSN) oraz Internet Rzeczy (IoT) są szeroko stosowane w różnych kwestiach technologicznych¹. WSN były wykorzystywane w różnych warunkach do przenoszenia przedmiotów, na przykład roboty wykonujące różne zadania. Od samego początku IoT udzielał podstawowej pomocy, szczególnie w zbieraniu danych z niebezpiecznych pól². Istnieją konkretne powody, dla których te techniki są obecnie stosowane w różnych systemach:^{3, na} przykład w ogrodnictwie, służbach medycznych, obserwacji ekologicznej, badaniach wojskowych, zarządzaniu konstrukcją, zarządzaniu ruchem, monitorowaniu zmian poziomu wody i tak dalej.

W środowisku sieci bezprzewodowej dane są zazwyczaj zbierane i nadawane do węzła odbiorczego znanego jako stacja bazowa (BS) w celu dalszego przetwarzania⁵. Węzły sensorów stale poprawiają wydajność sieci, efektywnie wykorzystując ograniczone zasoby. W odniesieniu do prac⁶, opracowanie mechanizmów zmniejszających zużycie energii węzłów i wydłużających żywotność sieci może poprawić wydajność bezprzewodowej sieci sensorowej⁷. Różne jednostki węzłów sensorów są wykorzystywane do wyższych energii: jednostki komunikacyjne, jednostki przetwarzania danych oraz czujniki. Pierwsza jednostka komunikacyjna jest najbardziej^{energochłonna 8}. W środowisku bezprzewodowych sieci sensorowych techniki o najwyższej efektywności energetycznej są powszechnie stosowane jako hierarchiczne protokoły routingu⁹. Ponieważ dane są odbierane od sąsiednich węzłów, Głowa Klastra (CH) wykorzystuje interakcje pojedynczych i wieloskokowych, aby raportować stan sieci do BS na podstawie ich oddalenia od BS. Tego typu techniki trasowania przedstawiono w badaniach¹⁰.

W powiązanej literaturze przewiduje się kilka algorytmów routingu opartych na klastrze dla WSN. W Moridi i ^in.11 zaproponowano hierarchiczny schemat routingu, który kolejno wydłuża żywotność sieci wspierającej. Rozważana sieć jest odpowiednio dobrana na podstawie badania^{egzaminacyjnego 12}, które opracowało technikę routingu do wyboru sieci.

Priyadharshini i ^in.13 opisują protokół klastrowania oparty na prawdopodobieństwie, znany jako rozproszone klasteryzowanie energooszczędne (DEEC). CH wybrany przez DEEC zależy od stosunku pozostałej energii do średniej energii każdego węzła w rozwiniętej sieci. Autorzy badali jednorodny system znany jako protokół adaptacyjnej hierarchii klastrów niskiej energii (LEACH) i badali jego heterogeniczność. Następnie autorzy opracowali LEACH, heterogeniczny system porównujący dwa systemy: jednorodny i heterogeniczny¹⁴. Proponowana jest metoda opracowana w oparciu o rozproszoną, energoszczędną technikę klastrowania dla heterogenicznych zdalnych sieci sensorów¹⁵. Jest to ulepszona odmiana klastrowania efektywnego energetycznie rozproszonego.

Eksperci zaproponowali kolejną technikę rozwoju¹⁶. Nowatorski algorytm zmienił średnie prawdopodobieństwo istnienia węzłów wyższych, których pozostała energia nie jest dokładnie wartością końcową resztkową, zależną od typowej przestrzeni między węzłami a BS, a nie od zwykłej energii sieci.

Rozproszone klasteryzowanie energetycznie^{efektywne 17} zwiększyło możliwość wyboru przez protokół, biorąc pod uwagę średnią przestrzeń między SN a WR oraz odległość między superwęzłami przy wyborze głowic klastrów. Lepsza efektywność E-DEEC pod względem przepustowości, czasu życia systemu i nadwyżki energii jest przedstawiona w wynikach symulacji. Prace Nurelmadiny i in. są kluczowym elementem, który zachęca badaczy do skupienia się na tej pracy¹⁸. Bezprzewodowe sieci sensorów (WSN) wymagają starannego rozmieszczenia węzłów, ponieważ losowe rozmieszczenie powoduje martwe punkty i zerwane łącza; Maksymalizacja zasięgu i zachowanie łączności razem jest więc głównym celem optymalizacji, a nie czymś przyjemnym. Wcześniejsze osiągnięcia pokazują, że klasyczne podejścia rojowe (np. PSO/ACO) oraz strategie ad-hoc często cierpią na powolną zbieżność i pułapki optymalnych lokalnych, co z kolei prowadzi do niskiego zasięgu i kruchej łączności¹⁹. Niedawny przegląd metaheurystyczny podkreśla, że takie niedociągnięcia zazwyczaj wynikają z niezrównoważonej dynamiki eksploracji i eksploatacji; Opowiada się za hybrydami, które wyraźnie równoważą globalne wyszukiwanie i lokalne udoskonalenie, oraz bada, jak można projektować hybrydowe schematy kontroli i sprzężenia, aby osiągnąć ten¹⁹. W testach wdrożenia węzłów specyficznych dla WSN, Improved Chaotic Grey Wolf Optimizer (ICGWO) osiągnął ≥99% pokrycia w wielu środowiskach, ze średnim wzrostem do ~16% względem silnych wartości bazowych, co pokazuje, że hybrydyzacja sterowana chaosem może znacząco poprawić zarówno zasięg, jak i łączność²⁰. Uzupełniająco, hybryda Grey Wolf-Particle Swarm (HGWPSO) waliduje tę samą logikę projektową w różnych zadaniach inżynierskich, raportując poprawę o 43-99% w kilku przypadkach benchmarków i podkreślając hybrydyzację jako solidną drogę do szybszej konwergencji i lepszych rozwiązań¹⁹. Opracowana technika, Self-optimized wolf optimizer (SOWO), wykorzystuje strategie interakcji pojedynczego i wieloskokowego z terenu do BS, które nie wystąpiły²¹. Ta strategia minimalizuje zużycie energii przez węzły, unikając nieistotnych informacji przesyłanych przez odległe węzły do odległych węzłów.

Protocol

Ta sekcja opisuje opracowany heterogeniczny protokół w tym segmencie. W tej technice organizacja dzieli huby sensorów na cztery obszary logiczne na podstawie wcześniej ustalonej odległości krawędzi. Węzły bram i stacja bazowa (BS) są umieszczone zewnętrznie w polu wykrywającym i osobno w punkcie centralnym sieci. Węzeł, którego odległość od węzła bramki jest mniejsza niż wcześniej ustalona odległość, jest przypisany do pól 1 i 2. W takiej sytuacji węzły nadają dane do węzła bramki lub do BS za pomocą bezpośredniej komunikacji. Te węzły reprezentują jednorodne węzły. Załóżmy, że przestrzeń międzywęzłowa jest większa niż ustalona przestrzeń progowa i bliżej węzła WR. W takim przypadku znajdują się one w obszarach 3 lub 4, jak przedstawiono na Rysunku 1. Te węzły nazywane są heterogenicznymi hubami. Wybory przeprowadzane są w obu regionach, a ich energia resztkowa jest wykorzystywana do wyboru CH. Informacje z tych obszarów są przesyłane do BS za pomocą podejścia wieloskokowej interakcji. CH w Regionie 3 dostarcza końcowy raport do węzłów bram i integruje informacje przed ich rozgłoszeniem do BS. Węzły w każdym obszarze komunikują swoje informacje z innymi węzłami w granicach swojego limitu energetycznego. Gdy węzły nie mogą wysyłać informacji, odpoczywają, by zachować energię.

Model sieciowy
Definicja struktury sieci przedstawiona jest na Rysunku 1. Ta sieć znana jest jako G(L, BS, H_o, GW, H_e), w której stacja bazowa jest dostarczana jako BS, brama sieciowa to GW, a jednorodne węzły są reprezentowane jako H_o, heterogeniczne jako H_e, a zestaw sieci komunikacyjnych łączący określone węzły (każdy węzeł zawiera BS, H_o, GW, H_e) są dane jako L. Cechy sieci są następujące: (i) Jak pokazano na Rysunku 1, sieć jest podzielona na cztery podsieci w regionach 1, 2, 3 i 4. (ii) Minimum 1 węzeł w obszarze 4 jest powiązany z węzłem w obszarze 3. (iii) WR jest połączony ze stacją bazową w obszarze 2. (iv) Teraz WR i stacja bazowa są połączone. Każdy węzeł w obszarze 1 jest powiązany z BS. (v) Każdy węzeł w obszarach trzy i cztery nie jest powiązany z BS.

Zużycie energii
W tych badaniach technika wykorzystania energii wygląda następująco: węzły WSN są współdzielone losowo i nie mają wcześniej określonych lokalizacji. Na podstawie przestrzeni między węzłami komunikacja powoduje utratę znacznej części energii węzła. Oba rodzaje transmisji i zbierania informacji zużywają energię. Dlatego wymagana energia do przesłania pakietu danych o długości (m) bitów na tej odległości wynosi:

   (1)

Gdzie E_TX oznacza energię zużytą podczas transmisji danych węzła, proces przesyłania i odbioru jednego bitu danych ma rozpraszanie energii E_elec, _{ε fs} to współczynnik swobodnej przestrzeni rozpraszania energii, ε_mp oznacza rozpraszanie energii techniki wielokierunkowej, a przestrzeń transmisyjna jest podana jako przejście, który oblicza się jako:

    (2)

Zużycie energii oczekiwane przez odbierający węzeł do otrzymania pakietu danych o wartości m -bitów jest określane w następujący sposób:

    (3)

Wspomniany model może określić energię, którą wykorzystuje CH. Energia zużywana przez CHS zasadniczo obejmuje trzy punkty widzenia: wykorzystanie energii do pobierania pakietów danych od węzłów użytkowników, łączenie informacji oraz przesyłanie połączonych informacji do WR. Wzór estymacyjny jest dany jako:

 (4)

Liczba węzłów członkowskich jest reprezentowana za pomocą CM_num, a E_DA to koszt potrzebny do agregacji 1 bitu danych; Długość pakietu wynosi M. Energia zużywana przez węzł nie-CH to po prostu zużycie energii przesyłanej do WR, a wzór numeryczny podaje się jako:

    (5)

Oto sposób obliczania całej energii resztkowej dla ^r-tego rundy:

 (6)

Gdy cała pozostała energia jest podana jako w rundzie _{E tohR}(r - 1), liczba CH obecnych w rundzie jest przedstawiana jako _{CH numer}(r), N_{alive(r) adresuje} łączną liczbę aktywnych węzłów w rundzie podanej sieci, E_Ch (i) oznacza zużycie energii i^tego CH, a _{E nie-CH(j)} oznacza energię zużytą przez nie-CH( j).

Selekcja klastrów
Algorytm wykorzystuje przestrzenie wyliczone od węzła do WR oraz energię do wyboru klastrów pierwotnych systemu, ograniczając tym samym łączną liczbę klastrów w klastrach następująco: Zgodnie ze wzrostowym wskaźnikiem przydatności SN, klaster aktywnych SN jest podzielony na równe podzbiory m (gdzie m to pożądana liczba klastrów równoważna N/p, N oznacza liczbę węzłów sensorów oraz część p CH. W każdym podzbiorze pierwsza głowica klastra jest wybierana dla węzła czujnika blisko pozycji środkowej. Każdy węzeł jest dodawany do najbliższej do niego głowicy klastra, tworząc początkową grupę opartą na odległości euklidesowej. Odległość między węzłem, BS i energią resztkową decyduje o ocenie sprawności węzła.

  (7)

Gdy waga jest podana jako ₁, energia pierwotna to E_i, energia resztkowa jako E_r, a przestrzeń od węzła do WR jako d_BS. d_maxBS to maksymalna przestrzeń między SN a WR, a d_MinBS oznacza minimalną przestrzeń między SN a WR.

Samooptymalizowany optymalizator wilków (SOWO)
CH-y są wybierane za pomocą SOWO. W optymalizatorze wilków lokalizacja ofiary jest identyfikowana na podstawie średniej masy trzech wilków (α, β i δ), jak pokazano na Rysunku 2. Biorąc pod uwagę różniczkowanie między BS a węzłem oraz przestrzeń między energią resztkową, wynik fitness węzła jest traktowany jako główna waga optymalizacji szarego wilka, która jest określana za pomocą równania (8). Początkowa lokalizacja ofiary jest obliczana na podstawie równań (8) do (11) oraz techniki optymalizacji SOWO.

    (8)

    (9)

    (10)

    (11)

Gdy masa pierwotna wilków α, β i δ wynosi odpowiednio ω_Iα, ω_Iβ i ω_Iδ, najlepszy wynik przystosowości α dla wilka to F_α, F_β i F_δ które są obliczane za pomocą równania 11. Poszczególne węzły odpowiadające trzem najwyższym wynikom sprawności to wilki α, β i δ. Opracowany protokół nie zmienia wagi optymalizacji szarego wilka, ponieważ ocena sprawności węzła zmienia się po zakończeniu jednej transmisji danych. Aby zwiększyć światową przeszukiwacz optymalizatora wilka szarego, obciążenia są aktywnie modyfikowane przez wektory A i D. Tutaj A wskazuje wektor współczynników, a odległość od wilka do ofiary wynosi D. Równania (12) i (15) są używane do wyznaczania A i D. Pozycja ofiary oraz wzór na ulepszanie ładunku opisane są następująco: (t + 1^)-ta iteracja:

  (12)

 (13)

 (14)

 (15)

Gdy w iteracji (t+1) określa położenia α wilka, β wilka i wilka δ, te lokalizacje oblicza się za pomocą równania (15). Podczas końcowego etapu iteracji CH wybiera, który węzeł jest bliżej ofiary spośród obecnych węzłów. Zadanie CH jest bardziej skomplikowane, więc energia resztkowa nie jest w stanie go dokończyć, co prowadzi do zakończenia węzła. Dlatego wybór węzła o maksymalnej pozostałej energii i bycie bliżej ofiary jest niezbędny. Pozostała energia węzła oraz odległość od węzła do ofiary są wykorzystywane jako parametry oceny sprawności używanej do wyboru CH. Węzeł o niższym wskaźniku sprawności określany jest jako głowa klastra. Funkcja użyta do obliczenia wartości dopasowania jest dana jako:

  (16)

Gdy waga podana jest jako ₂, pozostała energia węzła jest reprezentowana jako E_x, E_max to maksymalna energia pozostała, a E_min to minimalna energia pozostała w węzłach klastra. Odległość między ofiarą a węzłem wynosi d_p, d_Maxp to maksymalna odległość między węzłem wykrywającym a ofiarą, a d_Minp to minimalna przestrzeń między SN a ofiarą.

Samooptymalizujący agent wilka
Agenci programowi monitorują i zarządzają rozmiarami sieci oraz bramami węzłów. Agenci oprogramowania zastępują tradycyjnych klientów i serwery, które różnią się lokalną strategią komunikacji i mobilnością kodu. Monitorowanie jest kluczowym czynnikiem w zrozumieniu systemów zarządzania. Ze względu na to znaczenie zasugerowano technologię agentów programistycznych do monitorowania bram węzłów w ramach siatki sieciowej. Oprócz monitoringu, to agenci odpowiadają za aktualizację listy węzłów sieciowych. Te dane są niezbędne ze względu na rozmiar sieci, dzięki czemu proces samodzielnej konfiguracji może dynamicznie konfigurować parametry protokołu routingu. W kontekście tych prac są to najbardziej pożądane cechy spośród wielu występujących w zachowaniu agentów oprogramowania. Agenci bezprzewodowi są instalowani w powiązaniach węzłów klienckich routera mesh oraz samego routera. Przy identyfikacji gęstości sieci agent wykonuje konkretne zadania na małej, standardowej i dużej skali. Przedstawione są wyniki dla trzech skal (małej, standardowej i dużej). Agenci kształtują założenie możliwości automatycznego projektowania proponowanych protokołów. Ci agenci odpowiadają za weryfikację zachowania sieci, a także za przepustowość, wskaźnik utraty pakietów danych, przerwania, przepustowość, bezczynność, dynamiczne i uśpione huby oraz dane o połączeniu. Agenci sieciowi są stabilni na routerach mesh i zapewniają samooptymalizację proponowanych protokołów. Samoasocjacja pojawia się w organizacjach zdalnych sieci poprzez wszczepienie pojemności self-x (optymalizacja, konfiguracja, poprawa i bezpieczeństwo¹⁹) do protokołu routingu. Te możliwości umożliwiają protokołom routingu autonomiczność, poprawiając wydajność sieci, odporność na awarie i ochronę. Poniżej znajduje się opis wykonania wymienionych możliwości, ze szczególnym uwzględnieniem samokonfiguracji i optymalizacji. Warto zauważyć, że samofunkcje były wykonywane na warstwach sieciowych jako rozszerzenia standardowych usług dla protokołów routingu (Plik Uzupełniający 1).

Zbiór klastrów (CS)
CS to zbiór wielu klastrów w sieci, a algorytm klastrowania pozwala na podział sieci na różne klastry. W tych badaniach pierwsze wybrane klastry nazywane są pierwszym CS, uznawanym za obecny idealny CS, a obliczany jest wynik funkcji celowej obecnego doskonałego CS. Zmodyfikowany Optimizer Szarego Wilka (MGWO) może dowolnie modyfikować wszystkie klastry w obecnym doskonałym CS, tworząc kolejny klaster, a większość nowo powstałych klastrów tworzy ramę kolejnego CS; ponownie ustalany jest wynik funkcji celu najnowszego CS. Gdy wynik funkcji celu obecnego optymalnego klastra jest wyższy niż najnowszego, nowo określony klaster jest traktowany jako obecny idealny CS. Idealne CS jest skierowane do końcowego etapu zakończenia. Funkcję celu opisuje się jako:

(17)

Gdy waga jest przedstawiona jako ₃, suma przestrzeni między klastrami w CS jest dana jako d_TCH, a cała odległość między CH a WR jako d_TBS. Klaster i odległość komunikacyjna między CH a BS stanowią podstawę do zdalnego monitorowania i projektowania celów. Jeśli wynik funkcji celu jest niższy, oznacza to, że określenie głowicy klastra jest bardziej sensowne, CH jest idealny w klastrze, a zestaw słuchawkowy klastra jest idealny w porównaniu z całą siecią. Algorytm 2 (Plik Uzupełniający 2) opisuje pseudokod SOWO.

Results

Tutaj MATLAB R2024a porównuje opracowane heterogeniczne protokoły routingu za pomocą symulacji z protokołami routingowymi. W symulacji sieć 100 węzłów wykrywających jest arbitralnie używana z wymiarem jednego węzła na każde 100 m. Węzły WR znajdują się w sieci na odległościach (50 m, 120 m) i (50 m, 50 m). Około 20 procent jednorodnych węzłów z (m jako 0,2 i jako 1) ma mniej energii niż węzły heterogeniczne. Po wdrożeniu wszystkie węzły pozostają nieruchome. Zmienne symulacyjne użyte w tym badaniu zostały zilust...

Discussion

Proponowane SOWO wykorzystuje WR i jednorodne węzły. Stabilny protokół wyboru wykorzystuje heterogeniczne węzły jako CH-y i zawiera węzeł BS w środku klastra otoczonego przez sensory. Zwiększona energia jest wymagana, jeśli stacja bazowa jest umieszczona poza regionem¹⁴. Prowadzi to do obniżenia energii, a poziom energii w bardzo krótkim czasie spada do zera. Proponowana technika charakteryzuje się niską redukcją energii w porównaniu z tradycyjnymi metodami. Dowodzi to, że metody oszczędzania ener...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
12. generacja Intel(R) Core(TM) i5-1235U (1,30 GHz)	Intel Corporation, USA	–	Sprzęt używany do wykonywania symulacji
16 GB DDR4 RAM	Kingston Technology, USA	–	Pamięć używana podczas symulacji
MATLAB	MathWorks USA	R2024a	Wykorzystywany do implementacji algorytmów, uruchamiania symulacji WSN oraz analizy wyników
Microsoft Windows 11 Home	Microsoft Corporation, USA	Build 22631	System operacyjny używany do uruchamiania symulacji
Syntetyczny zbiór danych wygenerowany w MATLAB-ie	MathWorks, USA	R2024a	Niestandardowy zbiór danych stworzony do testowania algorytmów