Modelando um novo otimizador Wolf Auto-Otimizado para um Modelo de Rede Heterogêneo para Análise de Energia e Vida de Nós

Summary

A pesquisa apresenta um protocolo para implementar e avaliar um otimizador wolf auto-otimizado (SOWO) para clustering e roteamento conscientes de energia em redes de sensores sem fio, com configurações passo a passo e avaliação reprodutível para melhorar a vida útil, o throughput e a energia residual.

Abstract

Os serviços vitais de vigilância, coleta de informações e transmissão de dados de ambientes de alto risco para locais mais seguros ainda são fornecidos pelas Redes de Sensores Sem Fio (WSNs). Esses serviços são aprimorados pela maioria dos protocolos de roteamento energeticamente eficientes estruturados para esse fim. Um protocolo de roteamento homogêneo é aplicado para diminuir a utilização de energia dos hubs distantes de forma mais eficiente; no entanto, a taxa de utilização de energia é maior para esse protocolo, menor confiabilidade e informações mais desfavoráveis transmitidas ao Roteador Sem Fio (WR) ou estação base (BS) quando empregadas por um período mais longo. Para superar essas desdesvanecimentos, um Otimizador Wolf Auto-Otimizado (SOWO) modificado é empregado nesta pesquisa. Incorporando nós heterogêneos à abordagem atual, selecionar a cabeça com base na energia restante introduz uma estratégia de interação multinível ao longo das conexões. O uso de um método de eliminação de buracos de energia é a base da técnica de roteamento desenvolvida. Cada abordagem visa estender a vida útil da rede e reduzir o consumo de energia. Com base nos achados, o esquema de roteamento proposto demonstra períodos de consistência superiores, energia residual, throughputs e vida útil da rede em comparação com os existentes. A pesquisa aborda o problema clássico do WSN clusterizado de maximizar a vida útil e a entrega sustentada sob orçamentos energéticos apertados por nó, mantendo o equilíbrio entre carga e justiça. Os resultados da simulação mostram uma melhora de 3,4% e 32,22% na estabilidade da rede e na energia residual, respectivamente, em relação aos algoritmos existentes.

Introduction

Redes de Sensores Sem Fio (WSN) e a Internet das Coisas (IoT) são amplamente aplicadas a várias questões^{tecnológicas 1}. As WSNs já foram usadas em diferentes condições para ajudar a mover itens, como robôs realizando diferentes tarefas. Desde o inizo, a IoT tem oferecido ajuda básica, especialmente na coleta de dados de campos inseguros². Existem razões específicas pelas quais essas técnicas estão sendo atualmente utilizadas em diferentes^{sistemas 3}, por exemplo, em horticultura, serviços médicos, observação ecológica, investigação militar, gestão estrutural, gestão de tráfego, monitoramento de mudanças na variação do nível da água,^{entre outros.}

Em um ambiente de rede sem fio, os dados normalmente são coletados e transmitidos para um nó receptor conhecido como estação base (BS) para processamento^{adicional 5}. Os nós sensores aumentam continuamente o desempenho da rede ao usar eficientemente seus recursos limitados. Sobre os^{trabalhos 6}, desenvolver mecanismos para reduzir o esgotamento de energia dos nós e melhorar a vida útil da rede pode melhorar o desempenho da rede de sensores^{sem fio 7}. As diferentes unidades de nós sensores são usadas para energia mais alta: unidades de comunicação, unidades de processamento de dados e sensores. A primeira unidade de comunicação é a que consome mais^{energia 8}. No ambiente de redes de sensores sem fio, as técnicas de máxima eficiência energética são consideradas protocolos de roteamento hierárquicos amplamente^{utilizados 9}. À medida que os dados são recebidos dos nós vizinhos, o Cluster Head (CH) utiliza interações de salto único e múltiplo para relatar a condição da rede ao BS com base em sua distância do BS. Esses tipos de técnicas de roteamento são apresentados na pesquisa¹⁰.

Vários algoritmos de roteamento baseados em clusters para WSNs são previstos na literatura relacionada. Um esquema de roteamento hierárquico foi proposto em Moridi et ^al.11, que aumenta consecutivamente a vida útil da rede de suporte. A rede considerada é selecionada adequadamente com base no estudo^{de exame 12}, que desenvolveu uma técnica de roteamento para seleção da rede.

Priyadharshini et ^al.13 descrevem o protocolo de clustering baseado em probabilidade conhecido como clustering distribuído de eficiência energética (DEEC). A CH escolhida pelo DEEC depende da razão entre a energia restante e a energia média de cada nó na rede desenvolvida. Os autores investigaram um sistema homogêneo conhecido como protocolo de hierarquia adaptativa de clusters de baixa energia (LEACH) e examinaram sua heterogeneidade. Os autores então desenvolveram o LEACH, um sistema heterogêneo que compara dois sistemas, homogêneo e^{heterogêneo 14}. Um método desenvolvido pela técnica de agrupamento distribuído e energeticamente eficiente é proposto para redes remotas heterogêneas^{de sensores 15}. É a variante atualizada do agrupamento Distribuído de Eficiência Energética.

Os especialistas propuseram outra técnica de avanço¹⁶. O algoritmo inovador alterou a probabilidade média de hubs superiores cuja energia restante não é precisamente o valor residual de energia limiar, que depende do espaço típico entre os hubs e o BS, em vez da energia usual da rede.

O agrupamento Distribuído Energeticamente^{Eficiente 17} aumentou a possibilidade de eleição do protocolo ao considerar o espaço médio entre os SNs e os WR, bem como a distância entre super nós, ao selecionar cabeças de cluster. A melhor eficiência do E-DEEC em termos de throughputs, vida útil do sistema e energia excedente é representada pelos resultados da simulação. O trabalho de Nurelmadina et al. é o elemento crítico que incentiva os pesquisadores a se concentrarem nesse^{trabalho 18}. Redes de sensores sem fio (WSNs) exigem posicionamento cuidadoso dos nós porque a implantação aleatória produz pontos cegos e links quebrados; Maximizar a cobertura e preservar a conectividade juntos é, portanto, um objetivo central de otimização, e não um recurso agradável. A arte prévia mostra que abordagens clássicas de enxame (por exemplo, PSO/ACO) e estratégias de implantação ad hoc frequentemente sofrem de convergência lenta e armadilhas locais-ótimas, que por sua vez geram baixa cobertura e conectividade^{frágil 19}. Uma revisão metaheurística recente destaca que tais deficiências tipicamente decorrem de uma dinâmica desequilibrada de exploração e exploração; Defende híbridos que equilibram explicitamente busca global e refinamento local, e analisa como esquemas híbridos de controle/acoplamento podem ser projetados para alcançar esse¹⁹. Em testes específicos de implantação de nós para WSN, o Otimizador Improved Chaotic Grey Wolf (ICGWO) alcançou ≥99% de cobertura em múltiplos ambientes, com ganhos médios de até ~16% em bases fortes, demonstrando que a hibridização guiada pelo caos pode aumentar significativamente tanto a cobertura quanto a conectividade²⁰. Complementarmente, um híbrido Grey Wolf-Particles Swarm (HGWPSO) valida a mesma lógica de projeto em diversas tarefas de engenharia, relatando melhorias de 43-99% em vários casos de referência e destacando a hibridização como um caminho robusto para convergência mais rápida e melhores^{soluções 19}. A técnica desenvolvida, Otimizador de lobo auto-otimizado (SOWO), utiliza as estratégias de interação de salto único e múltiplo do campo para a BS que não ocorreram²¹. Essa estratégia minimiza a utilização de energia dos nós ao evitar a transmissão de informações irrelevantes pelos hubs distantes para os BS distantes.

Protocol

Esta seção descreve o protocolo heterogêneo desenvolvido neste segmento. Nessa técnica, a organização divide os hubs dos sensores em quatro áreas lógicas baseadas em uma distância de borda pré-estabelecida. Os nós de gateway e a estação base (BS) são colocados externamente no campo de detecção e separadamente no ponto central da rede. O hub cuja distância ao nó gateway é menor que a distância pré-definida é alocado para os campos 1 e 2. Para essa situação, os nós transmitem os dados para o nó gateway ou para o BS usando comunicação direta. Esses nós representam os nós homogêneos. Suponha que o espaço do entrenudo seja maior que o espaço limiar pré-definido e mais próximo do nó WR. Nesse caso, eles estão localizados nas áreas 3 ou 4, conforme representado na Figura 1. Esses nós são chamados de hubs heterogêneos. Eleições são realizadas nas duas regiões, e sua energia residual é empregada para selecionar CH. Informações dessas áreas são enviadas para o BS usando a abordagem de interação multi-hop. O CH na Região 3 fornece o relatório final aos nós gateway e integra as informações antes de transmiti-las para a BS. Os nós em cada área comunicam suas informações com outros nós dentro do limite de energia deles. Quando os nós não conseguem enviar informações, eles descansam para preservar sua energia.

Modelo de rede
A definição da estrutura da rede está dada na Figura 1. Essa rede é conhecida como G(L, BS,_{H o}, GW,_{H e}), na qual a estação base é fornecida como BS, o gateway de rede é GW, e nós homogêneos são representados como H_o, nós heterogêneos são mostrados como H_e e o conjunto de redes de comunicação que conecta os nós definidos (todo nó que inclui BS, H_o, GW,_{H e}) são dadas como L. As características da rede são as seguintes: (i) Como mostrado na Figura 1, a rede é dividida em quatro sub-redes nas regiões 1, 2, 3 e 4. (ii) Um mínimo de 1 nó na área 4 está associado a um nó na área 3. (iii) O WR está conectado à estação base na área 2. (iv) Agora, o WR e a estação base estão conectados. Todo nó na área 1 está associado ao BS. (v) Todo nó nas áreas três e quatro não está ligado ao BS.

Consumo de energia
Nesta pesquisa, a técnica de utilização de energia é a seguinte: os nós dos WSNs são compartilhados aleatoriamente e não possuem localizações predeterminadas. Com base no interespaço entre os nós, a comunicação faz com que uma quantidade significativa da energia de um nó seja perdida. Os dois tipos de transmissão e coleta de informações consomem energia. Portanto, a energia necessária para transmitir um pacote de dados com comprimento de bits (m) ao longo da distância é:

(1)

Onde E_TX indica a energia utilizada durante a transmissão de dados do nó, o processo de transmissão e recepção de um bit de dados tem uma dissipação de energia de E_elec, _{ε fs} o coeficiente de dissipação de energia em espaço livre, ε_mp representa a dissipação de energia da técnica de coeficientes multiviais, e o espaço de transmissão é dado como crossover, que é calculado como:

(2)

A utilização de energia esperada pelo nó receptor para obter um pacote de dados de m -bit é determinada da seguinte forma:

(3)

O modelo mencionado pode determinar a energia que o CH utiliza. A energia usada pelos CHs incorpora fundamentalmente três pontos de vista: utilização de energia para obter pacotes de dados dos nós do usuário, associação de informações e envio das informações fundidas para o WR. A fórmula de estimativa é dada como:

(4)

A contagem de nós membros é representada usando _{CM num}, e _{E DA} é a despesa necessária para agregar 1 bit de dados; O comprimento do pacote é M. A energia consumida pelo hub não-CH é apenas a utilização de energia transmitida para o WR, e a fórmula numérica é dada como:

(5)

A seguir está como toda a energia residual para a ^{r rodada} é calculada:

(6)

Onde toda a energia restante é dada, como na rodada E_tohR(r - 1), a contagem de CHs presentes na rodada é representada como CH_num(r), o N_alive(r) dirige ao total de nós ativos na rodada da rede fornecida, _{E Ch} (i) representa a utilização de energia de i^ésimo CH e _{E não-CH(j)} indica energia usada pelo não-CH(j).

Seleção de clusters
O algoritmo utiliza os interespaços calculados do nó até o WR e energia para escolher os clusters primários do sistema, restringindo assim os CHs totais em clusters que são os seguintes: De acordo com a pontuação crescente de aptidão dos SNs, o cluster de SNs ativos é dividido em subconjuntos iguais de m (onde m é a contagem desejada de cluster equivalente a N/p, N indica a contagem de nós sensores e a parte de p CHs. Em cada subconjunto, a primeira cabeça de cluster é escolhida para o nó sensor próximo à posição central. Cada nó é adicionado à cabeça de cluster mais próxima para criar o cluster inicial baseado na distância euclidiana. O espaço entre o nó, BS e a energia residual determina a pontuação de aptidão do nó.

(7)

Quando o peso é dado como ₁, a energia primária é E_i, a energia residual é dada como E_r, e o espaço do nó ao WR é mostrado como d_BS. d_maxBS é o espaço máximo entre o SN e o WR, e d_MinBS indica o espaço mínimo entre o SN e o WR.

Otimizador de lobo auto-otimizado (SOWO)
Os CHs são escolhidos usando o SOWO. No otimizador de lobos, a localização da presa é identificada usando a massa média dos três lobos (α, β e δ), conforme mostrado na Figura 2. Considerando a diferenciação entre BS e o nó e o espaço entre a energia residual, a pontuação de aptidão do nó é considerada o peso primário da otimização do lobo cinzento, que é determinado usando a Equação (8). A localização inicial da presa é calculada com base nas Equações (8) a (11) e na técnica de otimização do SOWO.

(8)

(9)

(10)

(11)

Onde a massa primária dos lobos α, β e δ são ω_Iα, ω_Iβ e ω_Iδ, respectivamente, a melhor pontuação de aptidão para α lobo é F_α, F_β e F_δ, que são calculadas usando a Equação 11. Os nós individuais equivalentes às três maiores pontuações de aptidão são α, β e δ lobos. O protocolo desenvolvido não altera o peso da otimização do lobo cinzento porque a pontuação de aptidão do nó é alterada após a conclusão de uma transmissão de dados. Para criar a capacidade de busca mundial do otimizador grey wolf, as cargas são ativamente modificadas pelos vetores A e D. Aqui, A indica o vetor de coeficientes, e o isolamento do lobo até sua presa é D. As equações (12) e (15) são usadas para determinar A e D. A posição da presa e a fórmula de aumento de carga são descritas da seguinte forma: a (t + 1)^ª iteração:

(12)

(13)

(14)

(15)

Quando especifica as localizações do α lobo, β lobo e δ lobo na iteração (t+1), essas localizações são calculadas usando a Equação (15). Durante a etapa final da iteração, o CH escolhe qual nodo está mais próximo da presa entre os nós atuais. A tarefa do CH é mais complicada, então a energia residual não pode completar a tarefa, o que leva à terminação do nó. Portanto, selecionar o nó com a maior energia restante e estar mais próximo da presa é essencial. A energia restante do nó e o isolamento do nó até a presa são usados como parâmetros para a pontuação de aptidão usada para escolher o CH. O nó com pontuação de aptidão menor é identificado como cabeça de cluster. A função usada para calcular o valor de aptidão é dada como:

(16)

Quando o peso é dado como ₂, a energia restante do nó é representada como E_x, E_max é a energia residual máxima, e E_min é a energia mínima restante nos nós do cluster. A distância entre a presa e o nó é d_p, d_Maxp é o espaço máximo entre o nó detectante e a presa, e d_Minp é o espaço mínimo entre o SN e a presa.

Agente lobo de auto-otimização
Agentes de software monitoram e gerenciam os tamanhos das redes e os gateways de nós. Os agentes de software substituem clientes e servidores tradicionais, que diferem em estratégia de comunicação local e mobilidade de código. O monitoramento é um fator crucial para entender os sistemas de gestão. Devido a essa importância, foi sugerida a tecnologia de agentes de software para monitorar gateways de nós dentro da malha de rede. Além do monitoramento, é responsabilidade dos agentes atualizar a lista de nós da rede. Esses dados são essenciais devido ao tamanho da rede, então o processo de autoconfiguração pode configurar dinamicamente os parâmetros do protocolo de roteamento. No contexto deste trabalho, essas são as características mais desejáveis entre muitas encontradas no comportamento dos agentes de software. Agentes sem fio são instalados nas associações de nós clientes de um roteador mesh e do próprio roteador. Ao identificar a densidade da rede, o agente realiza tarefas específicas em escalas pequenas, padrão e grande. As pontuações das três escalas (pequena, padrão e grande) são representadas. Os agentes moldam a premissa da capacidade de auto-design dos protocolos propostos. Esses agentes assumem a responsabilidade pela verificação do comportamento da rede, juntamente com a taxa de transferência, taxa de perda de pacotes de dados, interrupção, throughput, ociosidade, hubs dinâmicos e inativos, e dados sobre a conexão. Agentes de rede são estáveis nos roteadores mesh e fornecem a capacidade de auto-otimização dos protocolos propostos. A auto-associação surge em organizações remotas em rede ao implantar capacidades self-x (otimização, configuração, correção e^{segurança 19}) no protocolo de roteamento. Essas capacidades permitem que protocolos de roteamento sejam autônomos, melhorando o desempenho da rede, a tolerância a falhas e a proteção. A seguir está uma descrição da execução das capacidades mencionadas, com ênfase na auto-configuração e auto-otimização. Notavelmente, auto-funções foram executadas em camadas de rede como extensões de serviços padrão para protocolos de roteamento (Arquivo Suplementar 1).

Conjunto de clusters (CS)
CS é uma coleção de múltiplos clusters em uma rede, e o algoritmo de clustering permite dividir uma rede em vários clusters. Nesta pesquisa, os primeiros clusters escolhidos são chamados de primeiro CS, considerados o CS ideal presente, e a pontuação da função objetivo do CS perfeito presente é calculada. O Modified Grey Wolf Optimizer (MGWO) pode modificar arbitrariamente todos os clusters no CS perfeito atual para produzir outro cluster, e a maioria dos clusters recém-formados enquadra outro CS; novamente, é determinada a pontuação da função objetivo do último CS. Quando a pontuação da função objetivo do cluster ótimo atual é maior que a do cluster mais novo, o cluster recém-determinado é considerado o ideal presente CS. O CS perfeito é enquadrado na fase final da terminação. A função objetivo é descrita como:

(17)

Quando o peso é representado como ₃, a soma do espaço entre os clusters no CS é dada como d_TCH e toda a distância entre o CH e o WR é mostrada como d_TBS. O cluster e a distância de comunicação entre o CH e o BS são a base para o monitoramento remoto e o design de rastreamento de alvos. Se a pontuação da função objetivo for menor, então demonstra que a determinação da cabeça do cluster é mais sensata, o CH é ideal no cluster e o headset do cluster é perfeito em comparação com toda a rede. O Algoritmo 2 (Arquivo Suplementar 2) descreve o pseudocódigo SOWO.

Results

Aqui, o MATLAB R2024a compara os protocolos de roteamento heterogêneos desenvolvidos usando simulações com protocolos de roteamento. Na simulação, a rede de 100 nós detectores é empregada arbitrariamente com uma dimensão de um nó a cada 100 m. Os nós WR estão localizados na rede em (50 m, 120 m) e (50 m, 50 m). Cerca de 20% dos nós homogêneos com (m como 0,2 e como 1) têm menos energia do que os nós heterogêneos. Após o desdobramento, todos os nós permanecem estacionários. As va...

Discussion

O SOWO proposto utiliza WRs e nós homogêneos. O protocolo eleitoral estável utiliza nós heterogêneos como CHs e contém um nó BS no meio do cluster, cercado pelos nós sensores. É necessário aumento de energia se a estação base for colocada externamente à região¹⁴. Isso leva a uma redução da energia, e o nível de energia chega a zero em um período muito curto. A técnica proposta possui uma taxa de redução de energia baixa em comparação com métodos tradicionais. Isso...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Intel(R) Core(TM) de 12ª geração i5-1235U (1,30 GHz)	Intel Corporation, EUA	–	Hardware usado para execução de simulação
16 GB de RAM DDR4	Kingston Technology, EUA	–	Memória usada durante as execuções de simulação
MATLAB	MathWorks EUA	R2024a	Usado para implementar algoritmos, executar simulações de WSN e analisar resultados
Microsoft Windows 11 Home	Microsoft Corporation, EUA	Build 22631	Sistema operacional usado para rodar simulações
Conjunto de Dados Sintéticos Gerados no MATLAB	MathWorks, EUA	R2024a	Conjunto de dados personalizado criado para testes de algoritmos