Моделирование нового самооптимизируемого оптимизатора Wolf для гетерогенной сетевой модели для анализа энергии и срока службы узлов

Summary

В исследовании представлен протокол для внедрения и оценки самооптимизируемого оптимизатора волка (SOWO) для энергоэффективного кластерирования и маршрутизации в беспроводных сенсорных сетях с пошаговыми настройками и воспроизводимой оценкой для улучшения срока службы, пропускной способности и остаточной энергии.

Abstract

Жизненно важные услуги по наблюдению, сбору информации и передаче данных из высокорисковых сред в более безопасные места по-прежнему предоставляются беспроводными сенсорными сетями (WSN). Эти сервисы улучшаются большинством энергоэффективных протоколов маршрутизации, структурированных для этой цели. Для более эффективного снижения энергопотребления удалённых хабов применяется однородный протокол маршрутизации; однако уровень энергопотребления для этого протокола выше, ниже надежность и более неблагоприятная информация, передаваемая на беспроводной маршрутизатор (WR) или базовую станцию (BS) при длительном использовании. Для преодоления этих недостатков в исследовании используется модифицированный самооптимизированный оптимизатор волков (SOWO). Включение гетерогенных узлов в текущий подход, выбор головы на основе оставшейся энергии вводит многоуровневую стратегию взаимодействия между соединениями. Применение метода устранения энергетических отверстий лежит в основе разработанной техники маршрутизации. Каждый подход направлен на продление срока службы сети и снижение энергопотребления. Основываясь на результатах, предлагаемая схема маршрутизации демонстрирует лучшие периоды согласованности, остаточную энергию, пропускную способность и срок службы сети по сравнению с существующими. Исследование рассматривает классическую проблему кластерного WSN, направленную на максимизацию срока службы и устойчивую доставку при ограниченных энергетических бюджетах на узл при сохранении баланса нагрузки и справедливости. Результаты моделирования показывают улучшение стабильности сети и остаточной энергии на 3,4% и 32,22% соответственно по сравнению с существующими алгоритмами.

Introduction

Беспроводные сенсорные сети (WSN) и Интернет вещей (IoT) широко применяются к различным технологическим вопросам^{. 1}. WSN использовались в разных условиях для помощи в перемещении предметов, например, роботы выполняли разные поручения. С самого начала IoT оказывал базовую помощь, особенно в сборе данных из небезопасных^{полей 2}. Существуют конкретные причины, по которым эти методы сейчас применяются в различных^{системах, например}, в садоводстве, медицинских услугах, экологическом наблюдении, военных расследовании, структурном управлении, управлении движением, мониторинге изменений уровня воды и так^{далее. 4}.

В среде беспроводной сети данные обычно собираются и транслируются на приёмный узел, известный как базовая станция (BS), для дальнейшей^{обработки 5}. Сенсорные узлы постоянно повышают производительность сети, эффективно используя ограниченные ресурсы. Что касается^{работ 6}, разработка механизмов для снижения истощения энергии узлов и увеличения срока службы сети может повысить производительность беспроводной сенсорной^{сети 7}. Различные единицы сенсорных узлов используются для получения более высокой энергии: коммуникационные блоки, блоки обработки данных и датчики. Первая единица связи — самая^{энергозатратная 8}. В среде беспроводных сенсорных сетей методы максимальной энергоэффективности рассматриваются как широко используемые иерархические протоколы^{маршрутизации 9}. Поскольку данные поступают от соседних узлов, Голова Кластера (CH) использует одноразовые и многохоповые взаимодействия, чтобы сообщать о состоянии сети BS на основе их удаленности от BS. Эти методы маршрутизации приведены в^{исследовательской статье 10}.

В соответствующей литературе ожидается несколько кластерных алгоритмов маршрутизации для WSN. Иерархическая схема маршрутизации была предложена в Мориди и ^{др. 11}, которая последовательно увеличивает срок службы поддерживающей сети. Рассматриваемая сеть выбирается соответствующим образом на основе экзаменационного^{исследования 12}, которое разработало метод маршрутизации для выбора сети.

Приядхаршини и ^{др. 13} описывают протокол кластеризации на основе вероятностей, известный как распределённая энергоэффективная кластеризация (DEEC). CH, выбранный DEEC, зависит от отношения оставшейся энергии к средней энергии каждого узла в развитой сети. Авторы исследовали однородную систему, известную как протокол низкоэнергетической адаптивной иерархии кластеров (LEACH), и изучали её гетерогенность. Затем авторы разработали LEACH — гетерогенную систему, сравнивающую две системы: однородную и^{гетерогенную.} Метод, разработанный распределённой энергоэффективной техникой кластеризации, предлагается для гетерогенных удалённых сенсорных^{сетей 15}. Это усовершенствованная версия распределённого энергоэффективного кластерирования.

Эксперты предложили другую технику развития¹⁶. Новый алгоритм изменил среднюю вероятность появления верхних хабов, оставшаяся энергия которых не совпадает точно с пороговым остаточным значением энергии, что зависит от типичного пространства между хабами и BS, а не от обычной сетевой энергии.

Распределенное энергоэффективное^{кластерирование 17} увеличивало вероятность выбора протокола, учитывая среднее пространство между SN и WR, а также расстояние между суперузлами при выборе головок кластеров. Лучшая эффективность E-DEEC с точки зрения пропускной способности, срока службы системы и избыточной энергии отображается на основе результатов моделирования. Работа Нурелмадины и др. является ключевым элементом, который побуждает исследователей сосредоточиться на^{этой работе 18}. Беспроводные сенсорные сети (WSN) требуют тщательного размещения узлов, поскольку случайное развертывание приводит к появлению слепых зон и разрывов связей связей; Максимизация покрытия и совместное сохранение связности — это, таким образом, основная цель оптимизации, а не приятная задача. Предшествующее искусство показывает, что классические подходы роя (например, PSO/ACO) и стратегии развёртывания часто страдают от медленной сходимости и локальных оптимальных ловушек, что, в свою очередь, приводит к низкому покрытию и хрупкой^{связности 19}. Недавний метаэвристический обзор подчёркивает, что такие недостатки обычно связаны с несбалансированной динамикой исследования и эксплуатации; В ней рассматриваются гибриды, которые явно балансируют глобальный поиск и локальное уточнение, а также рассматривается, как можно спроектировать гибридные схемы управления/связания для достижения этой^{цели 19}. В тестах развертывания узлов, специфичных для WSN, Improved Chaotic Grey Wolf Optimizer (ICGWO) достиг ≥99% покрытия в различных условиях, со средним приростом до ~16% по сильным базовым значениям, демонстрируя, что гибридизация, управляемая хаосом, может значительно улучшить как покрытие, так и^{связность 20}. Дополнительно, гибрид Grey Wolf-Particle Swarm (HGWPSO) проверяет ту же логику проектирования в различных инженерных задачах, сообщая о улучшениях на 43-99% в нескольких бенчмарках и выделяя гибридизацию как надёжный путь к более быстрой конвергенции и лучшим^{решениям 19}. Разработанная техника, Самооптимизированный оптимизатор волков (SOWO), использует стратегии взаимодействия с одним и многопрыжком от поля к БС, которые не были^{реализованы 21}. Эта стратегия минимизирует энергопотребление узлов, избегая передачи нерелевантной информации с удалённых хабов в дальние БС.

Protocol

В этом разделе описывается разработанный гетерогенный протокол в этом сегменте. В этой технике организация делит сенсорные хабы на четыре логические области на основе заранее установленного расстояния по краям. Узлы шлюза и базовая станция (BS) размещаются снаружи в поле обнаружения и отдельно в центральной точке сети. Хаб, расстояние которого от узла шлюза меньше заранее определённого расстояния, выделяется полям 1 и 2. В такой ситуации узлы транслируют данные либо шлюзу, либо в BS с помощью прямой связи. Эти узлы представляют однородные узлы. Предположим, что межузловое пространство больше заранее определённого порогового пространства и ближе к узлу WR. В этом случае они расположены в областях 3 или 4, как показано на рисунке 1. Эти узлы называются гетерогенными хабами. Выборы проводятся в двух регионах, и их остаточная энергия используется для выбора CH. Информация из этих областей передаётся в BS с использованием подхода многохопового взаимодействия. CH в регионе 3 предоставляет окончательный отчёт узлам шлюза и интегрирует информацию перед её передачей в BS. Узлы в каждой области передают свою информацию другим узлам в пределах своего энергетического предела. Когда узлы не могут передавать информацию, они отдыхают, чтобы сохранить свою энергию.

Сетевая модель
Определение структуры сети приведено на рисунке 1. Эта сеть известна как G(L, BS, H_o, GW,_{H e}), где базовая станция представлена как BS, сетевой шлюз — GW, а однородные узлы представлены как H_o, гетерогенные узлы — как H_e и набор коммуникационных сетей, связывающих определённые узлы (каждый узел, включающий BS, H_o, GW,_{H e}) даются как L. Особенности сети следующие: (i) Как показано на рисунке 1, сеть разделена на четыре подсети в регионах 1, 2, 3 и 4. (ii) Минимум 1 узел в области 4 ассоциируется с узлом в области 3. (iii) WR подключён к базовой станции в зоне 2. (iv) Теперь WR и базовая станция соединены. Каждый узел в области 1 связан с BS. (v) Каждый узел в областях три и четыре не связан с BS.

Энергопотребление
В данном исследовании техника энергопотребления выглядит следующим образом: узлы WSN распределяются случайным образом и не имеют заранее определённых расположений. Исходя из межпространства между узлами, коммуникация приводит к потере значительной части энергии узла. Оба типа — передача и сбор информации — потребляют энергию. Таким образом, требуемая энергия для передачи пакета данных длиной (m) бит на расстояние равна:

(1)

Если E_TX указывает на энергию, используемую при передаче данных узлом, процесс передачи и получения одного бита данных имеет рассеивание энергии _{E elec} ε_fs коэффициента рассеивания энергии в свободном пространстве, _{ε mp} — это рассеивание энергии в многоступенчатом коэффициенте, а пространство передачи задаётся как кроссовер, который вычисляется как:

(2)

Ожидаемое от принимающего узла использование энергии для получения пакета данных с m -bit определяется следующим образом:

(3)

Указанная модель может определить энергию, которую использует CH. Энергия, используемая CHs, по сути включает три точки зрения: использование энергии для получения пакетов данных пользовательских узлов, ассоциирования информации и передачи объединённой информации в WR. Формула оценки задаётся следующим образом:

(4)

Количество узлов-членов представлено с _{помощью CM num}, а E_DA — это затраты, необходимые для агрегирования 1 бита данных; длина пакета — m. Энергия, потребляемая не-CH-хабом, — это просто использование энергии при передаче информации в WR, и числовая формула задаётся следующим образом:

(5)

Ниже приводится вычисление всей остаточной энергии для ^r-го раунда:

(6)

Если вся оставшаяся энергия задаётся как в раунде_{E tohR}(r - 1), количество CH, присутствующих в раунде, представлено как _{CH num}(r), N_alive(r) адресует общее количество активных узлов в раунде указанной сети, _{E Ch} (i) — использование энергии^ith CH, а E_non-CH(j) — энергию, используемую не-CH(j).

Отбор кластеров
Алгоритм использует интерпространства, рассчитанные от узла к WR, и энергию для выбора первичных кластеров системы, тем самым ограничивая общее количество CH в кластерах следующим образом: Согласно возрастающему показателю приспособленности SN, кластер активных SN делится на равные подмножества m (где m — желаемое количество кластеров, эквивалентное N/p, N указывает количество узлов сенсора и часть p CH. В каждом подмножестве первая голова кластера выбирается для сенсорного узла рядом с центральным положением. Каждый узел добавляется к ближайшей к нему голове кластера, чтобы создать начальный кластер на основе евклидового расстояния. Пространство между узлом, BS и остаточной энергией определяет приспособленность узла.

(7)

Если вес задаётся _{как 1}, первичная энергия равна E_i, остаточная энергия — E_r, а пространство от узла до WR отображается как_{d BS}. d_maxBS — максимальное межпространство между SN и WR, а d_MinBS указывает минимальное пространство между SN и WR.

Самооптимизируемый оптимизатор волков (SOWO)
CHs выбираются с помощью SOWO. В оптимизаторе для волков местоположение жертвы определяется по средней массе трёх волков (α, β и δ), как показано на рисунке 2. Учитывая дифференциацию между BS и узлом, а также пространство между остаточной энергией, балл приспособленности узла рассматривается как основной вес оптимизации серого волка, которая определяется с помощью уравнения (8). Начальное расположение добычи рассчитывается на основе уравнений (8) до (11) и техники оптимизации SOWO.

(8)

(9)

(10)

(11)

Если первичная масса волков α, β и δ равна ω_Iα, ω_Iβ и ω_Iδ соответственно, лучший показатель приспособленности для α волка — F_α, F_β и _{F δ}, которые вычислены с помощью уравнения 11. Отдельные узлы, эквивалентные трём самым высоким показателям фитнеса, — это α, β и δ волков. Разработанный протокол не меняет вес оптимизации серого волка, поскольку оценка приспособленности узла изменяется после завершения одной передачи данных. Для создания глобальной поисковой способности оптимизатора серого волка нагрузки активно изменяются векторами A и D. Здесь A обозначает вектор коэффициента, а удалённость от волка до добычи равна D. Уравнения (12) и (15) используются для определения A и D. Положение добычи и формула повышения нагрузки описываются следующим образом: (t + 1)^-я итерация:

(12)

(13)

(14)

(15)

Где задаётся расположение α волка, β волка и δ волка в итерации (t+1), эти точки вычисляются с помощью уравнения (15). На последнем этапе итерации CH выбирает, какой узел ближе к добыче из текущих узлов. Задача CH сложнее, поэтому остаточная энергия не может завершить задачу, что приводит к завершению работы узла. Поэтому выбор узла с максимальной оставшейся энергией и приближение к добыче крайне важен. Оставшаяся энергия узла и удалённость от узла до добычи используются как параметры для оценки приспособленности для выбора CH. Узел с меньшим показателем приспособленности определяется как голова кластера. Функция, используемая для вычисления значения приспособленности, задаётся как:

(16)

Если вес задаётся _{как 2}, оставшаяся энергия узла представлена как E_x, _{E max} — максимальная остаточная энергия, а E_min — минимальная энергия, оставшаяся в узлах кластера. Расстояние между добычей и узлом — d_p,_{d Maxp} — максимальное пространство между обнаружующим узлом и добычей, а d_Minp — минимальное пространство между SN и добычей.

Самооптимизирующий агент волка
Программные агенты контролируют и управляют размерами сетей и шлюзами узлов. Программные агенты заменяют традиционных клиентов и серверов, которые отличаются локальной стратегией коммуникации и мобильностью кода. Мониторинг — ключевой фактор для понимания систем управления. В связи с этой значимостью была предложена технология программного агента для мониторинга узлов внутри сетевой сети. Помимо мониторинга, агенты отвечают за обновление списка сетевых узлов. Эти данные необходимы из-за размера сети, поэтому процесс самонастройки может динамически настраивать параметры протокола маршрутизации. В контексте этой работы это наиболее желательные характеристики из многих, встречающихся в поведении программных агентов. Беспроводные агенты устанавливаются в контактах клиентских узлов mesh-роутера и самого маршрутизатора. При определении плотности сети агент выполняет определённые задачи на малых, стандартных и больших масштабах. Представлены партитуры по трём шкалам (малой, стандартной и большой). Агенты формируют основу автопроектирования предлагаемых протоколов. Эти агенты отвечают за проверку поведения сети, а также за пропускную способность, коэффициент потери пакетов данных, прерывания, пропускную способность, простой, динамические и спящие хабы и данные о соединении. Сетевые агенты стабильны на mesh-маршрутизаторах и обеспечивают возможность самооптимизации предлагаемых протоколов. Самоассоциация возникает в удалённых сетевых организациях путём внедрения возможностей self-x (оптимизация, настройка, исправление и безопасность¹⁹) в протокол маршрутизации. Эти возможности позволяют протоколам маршрутизации быть автономными, повышая производительность сети, устойчивость к отказам и защиту. Ниже приведено описание реализации указанных возможностей с акцентом на самоконфигурацию и самооптимизацию. Примечательно, что самофункции выполнялись на сетевых уровнях как расширения стандартных сервисов для протоколов маршрутизации (дополнительный файл 1).

Набор кластеров (CS)
CS — это совокупность нескольких кластеров в сети, а алгоритм кластеризации позволяет делить сеть на различные кластеры. В этом исследовании первые выбранные кластеры называются первыми CS, считаются настоящим идеальным CS, и вычисляется балл целевой функции текущего совершенного CS. Модифицированный оптимизатор серого волка (MGWO) может произвольно модифицировать все кластеры в текущем совершенном CS, чтобы получить новый кластер, и большинство новых кластеров фреймят другой CS; опять же, определяется целевой результат последней CS. Когда целевая функция текущего оптимального кластера выше, чем у нового кластера, новоопределенный кластер принимается как текущий идеал CS. Идеальный CS подвергается финальному этапу увольнения. Целевая функция описывается следующим образом:

(17)

Если вес представлен как ₃, сумма пространства между кластерами в CS задаётся как d_TCH, а вся удалённость между CH и WR отображается как d_TBS. Кластер и расстояние связи между CH и BS являются основой для удалённого мониторинга и проектирования целей. Если балл целевой функции ниже, это показывает, что определение головки кластера более разумно, CH идеален в кластере, а гарнитура кластера идеальна по сравнению со всей сетью. Алгоритм 2 (Дополнительный файл 2) описывает псевдокод SOWO.

Results

Здесь MATLAB R2024a сравнивает разработанные гетерогенные протоколы маршрутизации с использованием симуляций с протоколами маршрутизации. В симуляции сеть из 100 обнаруженных узлов используется произвольно с размерностью одного узла каждые 100 м. Узлы WR расположены в сети на расстояниях (50 м, 120 м) и (50 м, 50 м). Примерно 20 процентов однородных узлов с (m как 0,2 и как 1) имеют меньшую энергию, чем гетерогенные узлы. После развертывания все узлы остаются неподвижными. Симул...

Discussion

Предлагаемый SOWO использует WR и однородные узлы. Протокол стабильного выбора использует гетерогенные узлы в качестве CHs и содержит узел BS в центре кластера, окружённый сенсорными узлами. Повышенная энергия требуется, если базовая станция расположена вне области¹⁴. Это приводит к снижению энергии, и уровень энергии достигает нуля за очень короткий промежуток времени. Предлагаемая методика имеет низкую скорость снижения энергии по сравнению с традиционными метод...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
12-е поколение Intel(R) Core(TM) i5-1235U (1.30 ГГц)	Intel Corporation, США	–	Аппаратное обеспечение, используемое для выполнения симуляций
16 ГБ DDR4 RAM	Kingston Technology, США	–	Память, используемая во время запусков симуляции
MATLAB	MathWorks США	R2024a	Используется для реализации алгоритмов, запуска WSN-симуляций и анализа результатов
Microsoft Windows 11 Home	Корпорация Microsoft, США	Build 22631	Операционная система, используемая для запуска симуляций
Синтетический набор данных, сгенерированный в MATLAB	MathWorks, США	R2024a	Пользовательский набор данных, созданный для тестирования алгоритмов