Enerji ve düğüm ömrü analizi için heterojen bir ağ modeli için yeni bir kendi-optimize edilmiş kurt optimizatorunun modellenmesi

Summary

Araştırma, kablosuz sensör ağlarında enerji duyarlı kümeleme ve yönlendirme için kendi kendine optimize edilmiş bir kurt optimizatoru (SOWO) uygulama ve değerlendirme protokolü sunar; ömrü, veri verimini ve kalıntı enerjiyi artırmak için adım adım ayarlar ve tekrarlanabilir değerlendirme sunar.

Abstract

Gözetim, bilgi toplama ve yüksek riskli ortamlardan daha güvenli yerlere veri iletimi gibi hayati hizmetler hâlâ Kablosuz Sensör Ağları (WSN) tarafından sağlanmaktadır. Bu hizmetler, bu amaçla yapılandırılmış enerji verimli yönlendirme protokollerinin çoğunluğu tarafından geliştirilmiştir. Uzak merkezlerin enerji kullanımını daha verimli azaltmak için homojen bir yönlendirme protokolü uygulanır; ancak bu protokol için enerji kullanım oranı daha yüksek, daha düşük güvenilirlik ve daha uzun süre kullanıldığında Kablosuz Yönlendirici (WR) veya baz istasyonuna (BS) daha olumsuz bilgi yayımlanır. Bu dezavantajları aşmak için, bu araştırmada modifiye edilmiş Kendi Optimize Kurt Optimizatoru (SOWO) kullanılmıştır. Mevcut yaklaşıma heterojen düğümlerin dahil edilmesi, kalan enerjiye göre kafayı seçmek, bağlantılar boyunca çok katmanlı bir etkileşim stratejisi getirir. Enerji deliği ortadan kaldırma yönteminin kullanılması, geliştirilmiş yönlendirme tekniğinin temelini oluşturur. Her yaklaşım ağın ömrünü uzatmayı ve enerji tüketimini azaltmayı amaçlar. Bulgulara dayanarak, önerilen yönlendirme şeması mevcut sistemlere kıyasla daha üstün tutarlılık süreleri, kalıntı enerji, veri taşıma hızları ve ağ ömrü göstermektedir. Araştırma, sıkı düğüm başına enerji bütçeleri altında ömür süresini ve sürekli teslimatı maksimize etme sorununu ele alırken yük/adalet dengesini koruyor. Simülasyon sonuçları, mevcut algoritmalara göre ağ kararlılığı ve kalıntı enerjide sırasıyla %3,4 ve %32,22 bir iyileşme göstermektedir.

Introduction

Kablosuz Sensör Ağları (WSN) ve Nesnelerin İnterneti (IoT) çeşitli teknolojik konularda yaygın olarak^{uygulanır. 1}. WSN'ler, farklı koşullarda eşyaların taşınmasına yardımcı olmak için kullanılmıştır; örneğin robotların farklı görevleri yerine getirmesi gibi. Başlangıcından beri, IoT özellikle güvensiz alanlardan veri toplama^{konusunda temel destek sağlamıştır 2}. Bu tekniklerin şu anda farklı sistemlerde kullanılmasının özel nedenleri^{vardır 3}; örneğin bahçecilik, tıbbi hizmetler, ekolojik gözlem, askeri soruşturma, yapısal yönetim, trafik yönetimi, su seviyesi değişimlerinin izlenmesi gibi alanlarda⁴.

Kablosuz ağ ortamında, veri genellikle toplanır ve daha fazla işlem için baz istasyonu (BS) olarak bilinen bir alıcı düğümüne^{yayınlanır 5}. Sensör düğümleri, sınırlı kaynaklarını verimli kullanarak ağın performansını sürekli artırır. Çalışmalarla^{ilgili 6}, düğüm enerjisinin azalmasını azaltmak ve ağ ömrünü iyileştirmek için mekanizmler geliştirmek kablosuz sensör ağ performansını^{artırabilir 7}. Daha yüksek enerji için farklı sensör düğüm birimleri kullanılır: iletişim birimleri, veri işleme birimleri ve sensörler. İlk iletişim birimi en çok enerji^{tüketen sistemdir.} Kablosuz sensör ağları ortamında, maksimum enerji verimli teknikler yaygın olarak kullanılan hiyerarşik yönlendirme protokolleri^{olarak kabul edilir 9}. Veriler komşu düğümlerden alındığında, Küme Başı (CH) tek ve çoklu hop etkileşimlerini kullanarak ağ durumunu BS'ye bildirir; bu durum BS'den uzaklıklarına dayanır. Bu tür yönlendirme teknikleri araştırma¹⁰. bölümünde verilmiştir.

İlgili literatürde WSN'ler için birkaç küme tabanlı yönlendirme algoritması öngörülmektedir. Moridi ve ^ark.11'de destekleyici ağın ömrünü ardışık olarak uzatan hiyerarşik bir yönlendirme şeması önerildi. Dikkate alınan ağ, ağ seçimi için yönlendirme tekniği geliştiren sınav^{çalışması 12'ye} göre uygun şekilde seçilmiştir.

Priyadharshini ve ^ark.13 , dağıtık enerji verimli kümeleme (DEEC) olarak bilinen olasılık tabanlı kümeleme protokolünü tanımlar. DEEC tarafından seçilen CH, geliştirilmiş ağdaki kalan enerjinin her düğümün ortalama enerjisine oranına bağlıdır. Yazarlar, düşük enerjili adaptif küme hiyerarşisi (LEACH) protokolü olarak bilinen homojen bir sistemi incelemiş ve heterojenliğini incelemiştir. Yazarlar daha sonra LEACH'i geliştirdiler; bu, homojen ve heterojen¹⁴ olmak üzere iki sistemi karşılaştıran heterojen bir sistemdir. Dağıtık enerji etkili kümeleme tekniğiyle geliştirilen bir yöntem, heterojen uzak sensör ağları^{için önerilmiştir 15}. Bu, Dağıtık Enerji Etkili kümelemenin geliştirilmiş varyantıdır.

Uzmanlar başka bir ilerleme tekniği^önerdi. Yeni algoritma, kalan enerjisi tam olarak eşik kalıntı enerji değeri olmayan üstün hub'ların ortalama olasılığını değiştirdi; bu değer, merkezler ile BS arasındaki tipik uzaya bağlı olağan ağ enerjisi yerine değişti.

Dağıtık Enerji Etkili kümeleme¹⁷ , küme başları seçerken SN'ler ve WR arasındaki ortalama alanı ve süper düğümler arasındaki mesafeyi dikkate alarak protokolün seçilme olasılığını artırdı. E-DEEC'in verimliliği, sistem ömrü ve fazla enerji açısından daha iyi olması, simülasyon sonuçlarıyla gösterilir. Nurelmadina ve ark.'ın çalışmaları, araştırmacıları bu çalışmaya odaklanmaya teşvik eden kritik^{unsurdur 18}. Kablosuz sensör ağları (WSN'ler), rastgele dağıtım kör noktalar ve kırık bağlantılar yarattığı için düğüm yerleştirmelerini dikkatli gerektirir; Bu nedenle, kapsamayı en üst düzeye çıkarmak ve bağlantıyı birlikte korumak, hoş bir şey olmaktan ziyade temel bir optimizasyon hedefidir. Önceki bilgiler, klasik sürü yaklaşımlarının (örneğin PSO/ACO) ve geçici dağıtım stratejilerinin genellikle yavaş yakınsamaya ve yerel optimal tuzaklara maruz kaldığını, bunun da düşük kapsama ve kırılgan bağlantı^{yarattığını göstermektedir 19}. Yakın zamanda yapılan bir meta-sezgisel inceleme, bu tür eksikliklerin genellikle dengesiz bir keşif-sömürü dinamiğinden kaynaklandığını vurgular; Yerel arama ile yerel iyileştirmeyi açıkça dengeleyen hibritleri savunur ve hibrit kontrol/bağlama şemalarının bunu başarmak için nasıl tasarlanabileceğini analiz^{eder 19}. WSN'ye özgü düğüm dağıtım testlerinde, Geliştirilmiş Kaotik Gri Kurt Optimizer (ICGWO) birden fazla ortamda ≥%99 kapsama sağlamış ve güçlü temellere göre ortalama %~16'ya kadar kazanç elde etmiş; bu da kaos yönlendirilmiş hibritleşmenin hem kapsamayı hem de bağlantıyı önemli ölçüde^{artırabileceğini göstermektedir 20}. Ayrıca, Gri Kurt-Parçacık Sürüsü hibriti (HGWPSO), aynı tasarım mantığını çeşitli mühendislik görevlerinde doğrular; birkaç kıyaslama vakasında %43-99 oranında iyileşmeler bildirir ve hibritleşmeyi daha hızlı yakınsamaya ve daha iyi çözümlere sağlam bir yol olarak^vurgular. Geliştirilen teknik, Kendi Kendine Optimize Edilen Kurt Optimizörü (SOWO), sahadan BS'ye yapılan tek zıplama ve çoklu atış etkileşim stratejilerini^{kullanır ve bu} stratejiler gerçekleşmedi 21. Bu strateji, uzak merkezlerden uzak BS'ye alakasız bilgi yayınını önleyerek düğümlerin enerji kullanımını en aza indirir.

Protocol

Bu bölüm, bu segmentte geliştirilen heterojen protokolü açıklar. Bu teknikte, organizasyon sensör merkezlerini önceden belirlenmiş kenar mesafesine göre dört mantıksal alana ayırır. Gateway düğümleri ve baz istasyonu (BS) dış olarak algılama alanına ve ağın merkez noktasına ayrı olarak yerleştirilir. Kapı düğümünden uzaklığı önceden belirlenmiş mesafeden daha az olan hub, 1 ve 2 alanlarına ayrılır. Bu durumda, düğümler veriyi doğrudan iletişim yoluyla ya gateway düğümüne ya da BS'ye yayar. Bu düğümler homojen düğümleri temsil eder. Diyelim ki düğümler arası uzay, önceden belirlenmiş eşik uzayından daha büyük ve WR düğümüne daha yakın. Bu durumda, Şekil 1'de gösterildiği gibi 3 veya 4. bölgelerde yer alırlar. Bu düğümlere heterojen hub'lar denir. İki bölgede seçimler yapılır ve kalan enerjileri CH seçilmek için kullanılır. Bu alanlardan gelen bilgiler çoklu sıçrama etkileşim yaklaşımıyla BS'ye gönderilir. Bölge 3'teki CH, son raporu gateway düğümlerine sunar ve bilgiyi BS'ye yayınlamadan önce bütünleştirir. Her bölgedeki düğümler, enerji sınırları içindeki diğer düğümlerle bilgilerini iletir. Düğümler bilgi gönderemediğinde, enerjilerini korumak için dinlenirler.

Ağ modeli
Ağ yapısının tanımı Şekil 1'de verilmiştir. Bu ağ, Baz istasyonu BS olarak sağlandığı, ağ geçidi GW olarak sağlandığı ve homojen düğümler H o olarak _{gösterildiği}, heterojen düğümler H_e ve belirli düğümleri bağlayan iletişim ağları kümesi (BS dahil olan her düğüm, H_o, GW, H_e) L olarak verilir. Ağın özellikleri şunlardır: (i) Şekil 1'de gösterildiği gibi, ağ 1, 2, 3 ve 4. bölgelerde dört alt ağa bölünmüştür. (ii) 4. bölgede en az 1 düğüm, 3. alandaki bir düğümle ilişkilendirilir. (iii) WR 2. bölgedeki baz istasyonuna bağlıdır. (iv) Şimdi, WR ve baz istasyonu bağlantılıdır. Alan 1'deki her düğüm BS ile ilişkilidir. (v) Üçüncü ve dördüncü alanlardaki her düğüm BS ile bağlantılı değildir.

Enerji tüketimi
Bu araştırmada enerji kullanım tekniği şöyledir: WSN'lerin düğümleri rastgele paylaşılır ve önceden belirlenmiş konumları yoktur. Düğümler arasındaki boşluk temelinde, iletişim bir düğümün enerjisinin önemli bir kısmının kaybına neden olur. Bilgi iletimi ve toplama iki türü enerji tüketir. Bu nedenle, (m) bit uzunluğunda bir veri paketini mesafe boyunca iletmek için gereken enerji şudur:

(1)

E_TX, düğümün veri iletimi sırasında kullanılan enerjiyi gösterirken, bir bit verinin iletimi ve alınması sürecinin enerji dağılımı E_elec, ε_fs ise serbest alan enerji dağılma katsayısı olarak görülür, ε_mp çok yönlü katsayıcılık tekniğinin enerji dağılımı anlamına gelir ve iletim alanı kesişme olarak verilir; bu da şu şekilde hesaplanır:

(2)

Alıcı düğümün m -bitlik bir veri paketi elde etmek için beklenen enerji kullanımı aşağıdaki şekilde belirlenir:

(3)

Bahsedilen model, CH'nin kullandığı enerjiyi belirleyebilir. CH'lerin kullandığı enerji temelde üç bakış açısını içerir: kullanıcı düğümlerinin veri paketlerini elde etme enerjisi kullanımı, bilgi ilişkilendirme ve kaynaşmış bilginin WR'ye gönderilmesi. Tahmin formülü şöyle verilir:

(4)

Üye düğüm sayısı CM_num kullanılarak temsil edilir ve E_DA, 1 bit veriyi toplamak için gereken masraftır; Paketin uzunluğu M'dir. CH olmayan hub tarafından tüketilen enerji, WR'ye ileten bilgi için kullanılan enerji kullanımıdır ve sayısal formül şöyle verilir:

(5)

Aşağıda, r^. tur için tüm kalıntı enerjinin nasıl hesaplandığı gösterilmiştir:

(6)

Kalan enerjinin tamamı E_tohR(r - 1) turunda olduğu gibi verildiğinde, turda bulunan CH'lerin sayısı CH_numarası(r) olarak gösterilir, N_canlı(r) sağlanan ağın turundaki toplam aktif düğümleri hitap eder, E_Ch (i) i^. CH'nin enerji kullanımını temsil eder ve E_non-CH(j) tarafından kullanılan enerjiyi gösterir.

Küme seçimi
Algoritma, düğümden WR'ye ve enerjiye hesaplanan boşlukları kullanarak sistemin birincil kümelerini seçer; böylece kümelerdeki toplam CH'leri kısıtlar: SN'lerin artan uygunluk puanına göre, aktif SN kümesi m'nin eşit alt kümelerine bölünür (burada m, istenen küme sayısı N/p'ye eşdeğerdir, N, sensör düğüm sayısını, p CH'nin kısmını gösterir. Her alt kümede, merkez konumuna yakın sensör düğümü için ilk küme başı seçilir. Her düğüm, Öklid mesafesine dayalı olarak başlangıç kümesi oluşturmak için en yakın küme başına eklenir. Düğüm, BS ve kalıntı enerji arasındaki boşluk, düğümün uygunluk puanını belirler.

(7)

Ağırlık ₁ olarak verildiğinde, birincil enerji E_i, kalıntı enerji E_r olarak verilir ve düğümden WR'ye olan uzay d_BS olarak gösterilir. d_maxBS, SN ile WR arasındaki maksimum boşluk arasıdır ve d_MinBS ise SN ile WR arasındaki minimum uzayı gösterir.

Kendi kendine optimize edilen kurt optimizörü (SOWO)
CH'ler SOWO kullanılarak seçilir. Kurt optimizatorunda, avın konumu, Şekil 2'de gösterildiği gibi üç kurdun (α, β ve δ) ortalama kütlesi kullanılarak belirlenir. BS ile düğüm arasındaki fark ve kalıntı enerji arasındaki boşluk göz önüne alındığında, düğümün uygunluk puanı, Denklem (8) kullanılarak belirlenen gri kurt optimizasyonunun birincil ağırlığı olarak kabul edilir. Avın başlangıç konumu, (8)'den (11'e) denklemler ve SOWO'nun optimizasyon tekniği temelinde hesaplanır.

(8)

(9)

(10)

(11)

Kurtların birincil kütlesi α, β ve δ sırasıyla ω_Iα, ω_Iβ ve ω_Iδ olduğunda, α kurt için en iyi uygunluk puanı F_α, F_β ve _{F δ} olup, bunlar Denklem 11 kullanılarak hesaplanır. Üç en yüksek fitness puanına eşdeğer bireysel düğümler α, β ve δ kurtlardır. Geliştirilen protokol, gri kurt optimizasyonunun ağırlığını değiştirmez çünkü düğümün uygunluk puanı bir veri iletimi tamamlandıktan sonra değişir. Gri kurt optimizatorunun dünya çapındaki arama kapasitesini oluşturmak için, yükler A ve D vektörleri tarafından aktif olarak değiştirilir. Burada, A katsayıyı vektörünü gösterir ve kurttan avına olan mesafe D'dir. (12) ve (15) denklemleri A ve D'yi belirlemek için kullanılır. Avın konumu ve yük yükseltme formülü şu şekilde tanımlanır: (t + 1)^-ci yineleme:

(12)

(13)

(14)

(15)

Eğer α kurt, β kurt ve δ kurt'un yerleri (t+1) yinelenmesinde belirtildiğinde, bu konumlar Denklem (15) kullanılarak hesaplanır. Yinelemenin son aşamasında, CH mevcut düğümler arasında avına daha yakın olan düğümü seçer. CH'nin görevi daha karmaşıktır, bu yüzden kalıntı enerji görevi tamamlayamaz, bu da düğümün sonlanmasına yol açar. Bu yüzden, kalan en yüksek enerjiye sahip düğümü seçmek ve avına daha yakın olmak çok önemlidir. Düğümün kalan enerjisi ve düğümden avına olan uzaklığı, CH seçilmek için kullanılan uygunluk puanı parametreleri olarak kullanılır. Daha düşük uygunluk puanına sahip düğüm, küme başı olarak tanımlanır. Uygunluk değerini hesaplamak için kullanılan fonksiyon şu şekilde verilir:

(16)

Ağırlık ₂ olarak verildiğinde, düğümün kalan enerjisi E_x olarak temsil edilir, E_max maksimum kalıntı enerjidir ve E_min küme düğümlerinde kalan minimum enerjidir. Av ile düğüm arasındaki mesafe d_p'dir, d_Maxp tespit düğümü ile av arasındaki maksimum boşluk ve d_Minp SN ile av arasındaki minimum boşluktur.

Kendini optimize eden kurt ajanı
Yazılım ajanları ağ boyutlarını ve düğüm geçitlerini izler ve yönetir. Yazılım ajanları, yerel iletişim stratejisi ve kod mobilitesinde farklılık gösteren geleneksel istemci ve sunucuların yerini alır. İzleme, yönetim sistemlerini anlamada kritik bir faktördür. Bu önem nedeniyle, ağ ağı içindeki düğüm geçitlerini izlemek için yazılım ajanı teknolojisi önerildi. İzlemenin yanı sıra, ağ düğümlerinin listesini güncellemek ajanların sorumluluğundadır. Bu veriler, ağ boyutu nedeniyle gereklidir, böylece kendi yapılandırma süreci yönlendirme protokolü parametrelerini dinamik olarak yapılandırabilir. Bu çalışma bağlamında, yazılım ajanlarının davranışında bulunan birçok özellik arasında en arzu edilen özelliklerdir. Kablosuz ajanlar, mesh yönlendiricinin istemci düğüm ilişkilerine ve yönlendiricinin kendisine kurulur. Ağ yoğunluğunu tanımlarken, ajan küçük, standart ve büyük ölçeklerde belirli görevleri yerine getirir. Üç ölçek (küçük, standart ve büyük) için notalar temsil edilir. Ajanlar, önerilen protokollerin otomatik tasarım kapasitesinin temelini şekillendirir. Bu ajanlar, ağ davranışının doğrulamasından sorumludur; ayrıca veri akışını, veri paket kaybı oranını, kesintiyi, veri akışını, kullanılmalığını, dinamik ve uykuda olan hub'ları ile bağlantıya dair verileri üstlenir. Ağ ajanları mesh yönlendiricilerde stabildir ve önerilen protokollerin kendi kendini optimizasyon yeteneğini sağlar. Ağ uzak organizasyonlarında, yönlendirme protokolüne self-x kapasitelerinin (optimizasyon, kurulum, düzeltme ve güvenlik¹⁹) yerleştirilmesiyle öz-ilişkilendirme ortaya çıkar. Bu yetenekler, yönlendirme protokollerinin otonom olmasını sağlar, ağ performansını, arıza toleransını ve korumayı artırır. Aşağıda, bahsedilen yeteneklerin yürütülmesi, özellikle kendi kendine yapılandırma ve kendi optimizasyonuna vurgu yapılmaktadır. Özellikle, kendi fonksiyonları, rota protokolleri için standart hizmetlerin (Ek Dosya 1) uzantısı olarak ağ katmanlarında yürütülmüştür.

Küme kümesi (CS)
CS, bir ağdaki birden fazla kümeden oluşan bir koleksiyondur ve kümeleme algoritması bir ağın çeşitli kümelere bölünmesine olanak tanır. Bu araştırmada, ilk seçilen kümelere ilk CS denir, mevcut ideal CS olarak kabul edilir ve mevcut mükemmel CS'nin hedef fonksiyon puanı hesaplanır. Modifiye Grey Wolf Optimizer (MGWO), mevcut mükemmel CS'deki tüm kümeleri keyfi olarak değiştirerek başka bir küme oluşturabilir ve yeni oluşturulan kümelerin çoğu başka bir CS çerçeveler; yine, en son CS'nin hedef fonksiyon puanı belirlenir. Mevcut optimal kümenin hedef fonksiyon puanı en yeni kümeden yüksek olduğunda, yeni belirlenen küme mevcut ideal CS olarak alınır. Mükemmel CS, sonlandırmanın son aşamasına doğru çerçevelenir. Hedef fonksiyon şöyle tanımlanır:

(17)

Ağırlık ₃ olarak temsil edildiğinde, CS'deki kümeler arasındaki boşluk toplamı d_TCH olarak verilir ve CH ile WR arasındaki tüm uzaklık d_TBS olarak gösterilir. CH ile BS arasındaki küme ve iletişim mesafesi, uzaktan izleme ve hedef takibi tasarımının temelini oluşturur. Eğer hedef fonksiyon puanı daha düşükse, küme başlığı belirlemenin daha mantıklı olduğu, CH'nin kümede ideal olduğu ve küme kulaklığının tüm ağla karşılaştırıldığında mükemmel olduğu gösterilir. Algoritma 2 (Ek Dosya 2) SOWO sözde kodunu tanımlar.

Results

Burada, MATLAB R2024a geliştirilen heterojen yönlendirme protokollerini simülasyonlar kullanarak yönlendirme protokolleriyle karşılaştırır. Simülasyonda, her 100 m'de bir düğüm boyutlu 100 tespit düğümünden oluşan 100 ağ keyfi olarak kullanılır. WR düğümleri ağda (50 m, 120 m) ve (50 m, 50 m) konumlarındadır. Yaklaşık %20'si homojen düğümlerin (m olarak 0.2 ve 1 olarak) heterojen düğümlere göre daha az enerjiye sahiptir. Dağıtımdan sonra tüm düğümler sabit kalır. Bu araştırmada ...

Discussion

Önerilen SOWO, WR'ler ve homojen düğümler kullanır. Kararlı seçim protokolü, CH olarak heterojen düğümleri kullanır ve kümenin ortasında, sensör düğümleriyle çevrili bir BS düğümü içerir. Baz istasyonu bölge^14'ün dışına yerleştirilirse artan enerji gereklidir. Bu da enerjinin azalmasına yol açar ve enerji seviyesi çok kısa sürede sıfıra ulaşır. Önerilen teknik, geleneksel yöntemlere kıyasla daha düşük enerji azaltma oranına sahiptir. Bu, enerji tasarrufu metodoloj...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
12. Nesil Intel(R) Core(TM) i5-1235U (1.30 GHz)	Intel Corporation, ABD	–	Simülasyon yürütmesinde kullanılan donanım
16 GB DDR4 RAM	Kingston Teknoloji, ABD	–	Simülasyon çalışmaları sırasında kullanılan bellek
MATLAB	MathWorks USA	R2024a	Algoritmaların uygulanması, WSN simülasyonlarının çalıştırılması ve sonuçların analizi için kullanılır
Microsoft Windows 11 Home	Microsoft Corporation, ABD	Yapı 22631	Simülasyonları çalıştırmak için kullanılan işletim sistemi
MATLAB'da Oluşturulan Sentetik Veri Seti	MathWorks, ABD	R2024a	Algoritma testi için oluşturulan özel veri seti