Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Truyền thông xanh trong IoT với cảm biến: phương pháp tối ưu hóa tích hợp dựa trên cảm hứng vật lý
Tóm tắt
Truyền thông xanh đóng vai trò quan trọng trong IoT với cảm biến. Năng lượng là yếu tố trung tâm trong ứng dụng thông minh của IoT giúp các cảm biến hoạt động. Việc tiêu thụ năng lượng nhanh chóng gây cản trở cho sự hoạt động hiệu quả của các cảm biến. Cần có một phương án tiết kiệm năng lượng để ngăn chặn việc giảm nhanh năng lượng từ các cảm biến trong IoT. Các kỹ thuật metaheuristic rất hiệu quả để giải quyết những vấn đề như vậy với giải pháp gần tối ưu, trong khi các kỹ thuật heuristic không phù hợp cho những vấn đề này vì chúng có thể trở thành vấn đề NP-khó trong các mạng cảm biến có mật độ dày. Hầu hết các kỹ thuật tiết kiệm năng lượng dựa trên tối ưu hóa đều gặp phải vấn đề tiêu thụ năng lượng không ổn định vì các nút gần trạm gốc (BS) phải chịu tải giao thông nhiều hơn. Trong bài báo này, một phương án tối ưu hóa tích hợp giữa bầy đàn nguyên tử và lực điện từ (iASEF) được đề xuất để vượt qua vấn đề tiêu thụ năng lượng. iASEF gồm có (a) một vấn đề lập trình tuyến tính về phân cụm, bao gồm hàm mục tiêu và các ràng buộc dựa trên mức độ của nút, khoảng cách trong cụm, năng lượng còn lại của nút và khoảng cách giữa các cụm, (b) vấn đề định tuyến tối ưu. Tối ưu hóa tìm kiếm nguyên tử đã được sử dụng để giải quyết vấn đề tuyến tính nhằm tìm đầu cụm tối ưu (CH) giữa các cảm biến. Tối ưu hóa lực điện từ đã được sử dụng để giải quyết vấn đề định tuyến nhằm tìm bước nhảy tiếp theo để chuyển tiếp dữ liệu giữa CH và BS. Kết quả mô phỏng cho thấy phương án iASEF được đề xuất đạt được sự cải thiện đáng kể so với các thuật toán tiên tiến nhất.
Từ khóa
#truyền thông xanh #IoT #cảm biến #tối ưu hóa năng lượng #tối ưu hóa metaheuristicTài liệu tham khảo
Shaikh, F. K., Zeadally, S., & Exposito, E. (2015). Enabling technologies for green internet of things. IEEE Systems Journal,11(2), 983–994.
Arshad, R., Zahoor, S., Shah, M. A., Wahid, A., & Yu, H. (2017). Green IoT: An investigation on energy saving practices for 2020 and beyond. IEEE Access,5, 15667–15681.
Alaa, M., Zaidan, A. A., Zaidan, B. B., Talal, M., & Kiah, M. L. M. (2017). A review of smart home applications based on Internet of Things. Journal of Network and Computer Applications,97, 48–65.
Kamilaris, A., Gao, F., Prenafeta-Boldu, F. X., & Ali, M. I. (2016). Agri-IoT: A semantic framework for Internet of Things-enabled smart farming applications. In 2016 IEEE 3rd World Forum on internet of things (WF-IoT) (pp. 442–447). IEEE.
Yoo, Hyun, & Chung, Kyungyong. (2018). Mining-based lifecare recommendation using peer-to-peer dataset and adaptive decision feedback. Peer-to-Peer Networking and Applications,11(6), 1309–1320.
Singh, Karishma, Singh, Karan, et al. (2018). Congestion control in wireless sensor networks by hybrid multi-objective optimization algorithm. Computer Networks,138, 90–107.
Ahmed Aziz and Karan Singh. (2019). Lightweight security scheme for Internet of Things. Wireless Personal Communications,104(2), 577–593.
Aziz, Ahmed, Singh, Karan, et al. (2019). Effective algorithm for optimizing compressive sensing in IoT and periodic monitoring applications. Journal of Network and Computer Applications,126, 12–28.
Azharuddin, M., Kuila, P., & Jana, P. K. (2015). Energy efficient fault tolerant clustering and routing algorithms for wireless sensor networks. Computers & Electrical Engineering,41, 177–190.
Wang, A., Yang, D., & Sun, D. (2012). A clustering algorithm based on energy information and cluster heads expectation for wireless sensor networks. Computers & Electrical Engineering,38(3), 662–671.
Chamam, Ali, & Pierre, Samuel. (2010). A distributed energy-efficient clustering protocol for wireless sensor networks. Computers & Electrical Engineering,36(2), 303–312.
Zungeru, A. M., Ang, L. M., & Seng, K. P. (2012). Classical and swarm intelligence based routing protocols for wireless sensor networks: A survey and comparison. Journal of Network and Computer Applications,35(5), 1508–1536.
Biswas, A., Mishra, K. K., Tiwari, S., & Misra, A. K. (2013). Physics-inspired optimization algorithms: A survey. Journal of Optimization, 2013, 438152. https://doi.org/10.1155/2013/438152.
Aziz, A., et al. (2019). Optimising compressive sensing matrix using chicken swarm optimisation algorithm. IET Wireless Sensor Systems,9(5), 306–312.
Amgoth, T., et al. (2015). Energy-aware routing algorithm for wireless sensor networks. Computers & Electrical Engineering,41, 357–367.
Lalwani, P., et al. (2018). BERA: A biogeography-based energy saving routing architecture for wireless sensor networks. Soft Computing,22(5), 1651–1667.
Heinzelman, W. B., et al. (2002). An application-specific protocol architecture for wireless microsensor networks. IEEE Transactions on Wireless Communications,1(4), 660–670.
Heinzelman, W. R., et al. (2000). Energy-efficient communication protocol for wireless microsensor networks. In Proceedings of the 33rd annual Hawaii international Conference on system sciences (pp. 8020).
Aderohunmu, F. A., et al. (2011). A deterministic energy-efficient clustering protocol for wireless sensor networks. In 2011 Seventh international Conference on intelligent sensors, sensor networks and information processing (pp. 341–346). IEEE.
Lindsey, S., et al. (2002). PEGASIS: Power-efficient gathering in sensor information systems. In Proceedings, IEEE aerospace Conference (Vol. 3). IEEE.
Nigam, G. K., & Dabas, C. (2018). ESO-LEACH: PSO based energy efficient clustering in LEACH. Journal of King Saud University-Computer and Information Sciences.
Rao, P. S., et al. (2017). A particle swarm optimization based energy efficient cluster head selection algorithm for wireless sensor networks. Wireless Networks,23(7), 2005–2020.
Elhabyan, R. S., et al. (2015). Two-tier particle swarm optimization protocol for clustering and routing in wireless sensor network. Journal of Network and Computer Applications,52, 116–128.
Ari, A. A. A., et al. (2016). A power efficient cluster-based routing algorithm for wireless sensor networks: Honeybees swarm intelligence based approach. Journal of Network and Computer Applications,69, 77–97.
Mann, P. S., et al. (2017). Artificial bee colony metaheuristic for energy-efficient clustering and routing in wireless sensor networks. Soft Computing,21(22), 6699–6712.
Ozturk, C., Hancer, E., & Karaboga, D. (2015). Dynamic clustering with improved binary artificial bee colony algorithm. Applied Soft Computing,28, 69–80.
Khabiri, M., & Ghaffari, A. (2018). Energy-aware clustering-based routing in wireless sensor networks using cuckoo optimization algorithm. Wireless Personal Communications,98(3), 2473–2495.
Rao, P. S., & Banka, H. (2017). Novel chemical reaction optimization based unequal clustering and routing algorithms for wireless sensor networks. Wireless Networks,23(3), 759–778.
Shankar, T., Shanmugavel, S., et al. (2016). Hybrid HSA and PSO algorithm for energy efficient CH selection in wireless sensor networks. Swarm and Evolutionary Computation,30, 1–10.
Jiang, A., et al. (2018). An effective hybrid routing algorithm in WSN: Ant colony optimization in combination with hop count minimization. Sensors,18(4), 1020.
Gupta, G. P., et al. (2018). Integrated clustering and routing protocol for wireless sensor networks using Cuckoo and Harmony Search based metaheuristic techniques. Engineering Applications of Artificial Intelligence,68, 101–109.
Lalwani, P., et al. (2017). CRWO: Clustering and routing in wireless sensor networks using optics inspired optimization. Peer-to-Peer Networking and Applications,10(3), 453–471.
RejinaParvin, J., & Vasanthanayaki, C. (2015). Particle swarm optimization-based clustering by preventing residual nodes in wireless sensor networks. IEEE Sensors Journal,15(8), 4264–4274.
Zhao, W., Wang, L., et al. (2019). Atom search optimization and its application to solve a hydrogeologic parameter estimation problem. Knowledge-Based Systems,163, 283–304.
Agwa, A. M., El-Fergany, A. A., et al. (2019). Steady-state modeling of fuel cells based on atom search optimizer. Energies,12(10), 1884.
Almagboul, M. A., et al. (2019). Atom search optimization algorithm based hybrid antenna array receive beamforming to control sidelobe level and steering the null. AEU-International Journal of Electronics and Communications,111, 152854.
Elaziz, M. A., et al. (2019). Automatic Data Clustering based on Hybrid Atom Search Optimization and Sine-Cosine Algorithm. In 2019 IEEE congress on evolutionary computation (CEC) (pp. 2315–2322). IEEE.
Hekimoğlu, Baran. (2019). Optimal tuning of fractional order PID controller for DC motor speed control via chaotic atom search optimization algorithm. IEEE Access,7, 38100–38114.
Yang, B., et al. (2020). Fast atom search optimization based MPPT design of centralized thermoelectric generation system under heterogeneous temperature difference. Journal of Cleaner Production,248, 119301.
Abedinpourshotorban, H., et al. (2016). Electromagnetic field optimization: A physics-inspired metaheuristic optimization algorithm. Swarm and Evolutionary Computation,26, 8–22.
Albreem, M. A., El-Saleh, A. A., Isa, M., Salah, W., Jusoh, M., Azizan, M. M., & Ali, A. (2017). Green internet of things (IoT): An overview. In 2017 IEEE 4th International Conference on Smart Instrumentation, Measurement and Application (ICSIMA) (pp. 1–6). IEEE