💻 computer science

K-PSO Based Energy Aware Clustering Algorithm for Environmental Monitoring Wireless Sensor Networks

Diese Arbeit schlägt einen hybriden K-PSO-Clustering-Algorithmus vor, der K-Means und Partikelschwarmoptimierung kombiniert, um die Auswahl der Cluster-Heads in drahtlosen Sensornetzwerken zur Umweltüberwachung zu optimieren, wodurch die Energieeffizienz signifikant verbessert, die Netzwerklebensdauer verlängert und die Stabilität der Cluster-Heads im Vergleich zu traditionellen Methoden erhöht wird.

Ursprüngliche Autoren: Ayobami Adedokun, Folasade Dahunsi, Jide Popoola

Veröffentlicht 2026-07-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ayobami Adedokun, Folasade Dahunsi, Jide Popoola

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen riesigen Wald vor, in dem hunderte winziger, batteriebetriebener Roboter (Sensoren) verstreut sind, um die Umgebung zu überwachen – sie prüfen die Luftqualität, die Temperatur und die Luftfeuchtigkeit. Diese Roboter sind wie Wanderer in einem abgelegenen Gebiet; sie haben eine begrenzte Batterielebensdauer und können nicht einfach wieder aufgeladen werden. Wenn ihnen der Strom ausgeht, versagt das gesamte Überwachungssystem, und wir verlieren die Kontrolle darüber, was im Wald passiert.

Das Hauptproblem, das diese Forscher angegangen sind, ist: Wie halten wir diese Roboter so lange wie möglich am Leben, während sie ihre Arbeit verrichten.

Das Problem: Das Dilemma des „müden Boten“

In einem typischen Aufbau versucht jeder Roboter, seine Daten direkt an eine zentrale „Basisstation“ (wie ein Kommandozentrum) zu rufen. Das ist ineffizient. Es ist so, als würde man jeden Wanderer in einem riesigen Wald bitten, den ganzen Weg zum Kommandozentrum zu rennen, nur um ein einzelnes Blatt zu überbringen. Die Wanderer, die dem Zentrum am nächsten sind, werden schnell müde, und diejenigen, die weit weg sind, brennen ihre Batterien aus, während sie versuchen, über die Distanz hinweg laut zu rufen.

Um dies zu beheben, nutzen Wissenschaftler Clustering. Sie gruppieren die Roboter in kleine Teams. Ein Roboter in jedem Team wird zum „Teamkapitän“ (Cluster Head). Die anderen Roboter flüstern ihre Daten an den Kapitän, der sie dann zusammenpackt und an das Kommandozentrum übermittelt. Dies spart Energie, da die regulären Roboter nur eine kurze Distanz kommunizieren müssen.

Aber Kapitän zu sein, ist harte Arbeit. Wenn derselbe Roboter immer der Kapitän ist, stirbt er zuerst. Wenn die Teams schlecht gebildet werden, sind einige Kapitäne überfordert, während andere untätig bleiben.

Die alten Lösungen: Zwei fehlerhafte Ansätze

Die Arbeit untersucht zwei bestehende Wege, um diese Kapitäne auszuwählen, die beide Mängel aufweisen:

K-Means (Der „schnelle Organisator“): Diese Methode ist schnell. Sie gruppiert die Roboter schnell basierend darauf, wie nah sie beieinander liegen.
- Der Fehler: Es ist wie ein Lehrer, der schnell Sitzplätze basierend auf der Position der Schüler zuweist, ohne zu prüfen, wer müde ist oder wer einen schweren Rucksack trägt. Er wählt Kapitäne rein nach dem Standort aus und ignoriert deren Batteriestand. Manchmal wählt er einen Roboter, der bereits eine niedrige Batterieleistung hat, um den Kapitän zu spielen, was dazu führt, dass er schnell stirbt.
PSO (Der „globale Sucher“): Diese Methode ist von der Art und Weise inspiriert, wie Vögel flocken. Sie sucht im gesamten Wald nach dem perfekten Kapitän und berücksichtigt dabei die Batterielebensdauer und die Distanz.
- Der Fehler: Sie ist sehr gründlich, kann aber stecken bleiben. Stellen Sie sich einen Vogel vor, der nach dem besten Baum sucht, um zu landen; er könnte sich auf einem „guten“ Baum festbeißen, weil er Angst hat, weiter zu fliegen, um den „perfekten“ zu finden. Sie kann auch langsam und rechenintensiv sein.

Die neue Lösung: K-PSO (Der „hybride Coach“)

Die Autoren haben eine neue Methode namens K-PSO entwickelt. Denken Sie an einen Coach, der die Geschwindigkeit eines „schnellen Organisators“ mit der Weisheit eines „globalen Suchers“ kombiniert.

So funktioniert es, Schritt für Schritt:

Das Aufwärmen (K-Means): Zuerst gruppiert der Algorithmus die Roboter schnell in Teams basierend auf ihrem Standort. Dies gibt einen guten Ausgangspunkt, wie ein Trainer, der schnell eine Sportklasse in Teams aufteilt.
Das Feintuning (PSO): Dann greift der Algorithmus ein, um die Wahl des Teamkapitäns zu verfeinern. Er schaut nicht nur auf den Standort; er prüft:
- Batteriestand: Ist dieser Roboter frisch oder müde?
- Distanz: Ist er nah am Kommandozentrum?
- Menschenmenge: Ist dieser Roboter von vielen anderen umgeben (was ihn zu einem guten Knotenpunkt macht)?
- Umgebung: Ist es feucht oder heiß? (Die Arbeit stellt fest, dass Umweltfaktoren wie Luftfeuchtigkeit Funksignale schwächen können, was mehr Energie erfordert, um Daten zu senden, sodass der Algorithmus dies anpasst).

Durch die Kombination dieser beiden wählt K-PSO Kapitäne aus, die nicht nur am richtigen Ort sind, sondern auch die Energie und Kapazität haben, die Aufgabe zu bewältigen.

Die Ergebnisse: Wer hat das Rennen gewonnen?

Die Forscher haben dies in einem Computerprogramm (MATLAB) mit 100 Robotern über 1.000 „Runden“ (Zyklen der Datenerfassung) simuliert. Hier ist das Ergebnis:

Der „schnelle Organisator“ (K-Means): Bis zur Runde 1.000 waren alle Roboter tot (0 Joule Restenergie). Der erste Roboter starb sehr früh (bei Runde 134).
Der „globale Sucher“ (PSO): Er schnitt besser ab. Bei Runde 1.000 hatten die Roboter noch etwas Energie übrig (18,1 Joule). Der erste Roboter starb später (bei Runde 192).
Der „hybride Coach“ (K-PSO): Dies war der klare Gewinner. Bei Runde 1.000 hatten die Roboter noch 36,2 Joule Energie – doppelt so viel wie die PSO-Roboter! Der erste Roboter starb erst bei Runde 264, und der allerletzte Roboter überlebte bis Runde 961.

Der Stabilitätsfaktor:
Die Arbeit untersuchte auch, wie oft sich der „Teamkapitän“ änderte. In dem K-PSO-System waren die Kapitäne sehr stabil (das Team wechselte nicht ständig wahllos die Führung). In den anderen Systemen änderte sich die Führung zu oft oder zu unvorhersehbar, was Energie verschwendet.

Das Fazstring:

Die Arbeit behauptet, dass sie durch die Mischung einer schnellen Gruppierungsmethode mit einer smarten, energiebewussten Suchmethode ein System geschaffen haben, das das Sensornetzwerk viel länger am Leben erhält.

Gespeicherte Energie: Die Roboter hielten ihre Batterien viel länger geladen.
Netzwerklebensdauer: Das Netzwerk blieb über 300 zusätzliche Runden lang funktionsfähig im Vergleich zu den alten Methoden.
Zuverlässigkeit: Die „Teamkapitäne“ waren stabiler, was bedeutet, dass das Netzwerk nicht so oft abstürzt.

Einfach ausgedrückt: Der K-PSO-Algorithmus ist wie ein intelligenter Manager, der genau weiß, wer müde, wer stark und wer am richtigen Platz ist, und so sicherstellt, dass die Arbeit fair verteilt wird, damit das gesamte Team viel länger weiterarbeiten kann.

Technische Zusammenfassung: K-PSO basierter energiebewusster Clustering-Algorithmus für drahtlose Sensornetzwerke zur Umweltüberwachung

Problemstellung
Drahtlose Sensornetzwerke (WSNs) sind entscheidend für Anwendungen der Umweltüberwachung wie Waldbranderkennung, Luftqualitätsüberwachung und Wasserverschmutzungsverfolgung. Diese Netzwerke stehen jedoch vor einer grundlegenden Einschränkung: Sensorknoten arbeiten mit begrenzter, oft nicht wiederaufladbarer Batterieenergie. Bei der langfristigen Umweltüberwachung führt eine vorzeitige Erschöpfung der Energie zu Abdeckungslücken, Datenverlust und Netzwerkausfällen. Obwohl Clustering-Protokolle (z. B. LEACH, PEGASIS) vorgeschlagen wurden, um den Energieverbrauch durch die Aggregation von Daten an Cluster-Heads (CHs) zu senken, weisen traditionelle Methoden erhebliche Einschränkungen auf. Die randomisierte CH-Auswahl (LEACH) kann zu einer ungleichmäßigen Energieverteilung führen, während kettenbasierte Ansätze (PEGASIS) eine hohe Latenz aufweisen und die Heterogenität der Knoten nicht berücksichtigen. Zudem mangelt es statischen Algorithmen an der Anpassungsfähigkeit an dynamische Umweltbedingungen und sich entwickelnde Energiezustände, was häufig zu vorzeitigen CH-Ausfällen und verkürzten Netzwerklebensdauern führt.

Methodik
Die Autoren schlagen einen hybriden K-PSO Clustering-Algorithmus vor, der die schnelle Konvergenz von K-Means mit den globalen Suchfähigkeiten von Particle Swarm Optimization (PSO) integriert. Die Methodik ist wie folgt strukturiert:

Netzwerk- und Energiemodellierung: Die Studie verwendet ein First-Order Radio Model, das um Umweltfaktoren erweitert wurde. Das Energieverbrauchsmodell berücksichtigt sowohl Übertragungs- als sich empfangsseitige Kosten als auch die einzigartige Einbeziehung von Umweltvariablen wie Temperatur ( $T$ ), Lichtintensität ( $C$ ), Luftqualität ($AQ$) und Luftfeuchtigkeit ( $H$ ). Diese Faktoren passen die Übertragungsenergieanforderungen dynamisch an, um reale Signaldämpfung und Variationen der Knoteneffizienz widerzuspiegeln.
Hybrides Clustering-Framework:
- Initialisierung (K-Means): Der Algorithmus beginnt mit der Partitionierung der Sensorknoten in $k$ vorläufige Cluster basierend auf räumlicher Nähe, wodurch die Varianz innerhalb der Cluster minimiert wird. Dies bietet einen recheneffizienten Ausgangspunkt.
- Optimierung (PSO): PSO wird eingesetzt, um die Auswahl der Cluster-Heads innerhalb dieser vorläufigen Cluster zu verfeinern. Jedes Partikel repräsentiert eine potenzielle CH-Konfiguration. Der Algorithmus aktualisiert die Partikelgeschwindigkeit und -position basierend auf der persönlichen Bestleistung ($pbest$) und der globalen Bestleistung ($gbest$).
- Fitnessfunktion: Die Auswahl der CHs wird durch eine multikriterielle Fitnessfunktion ( $F_t$ $F_{t}$ ) gesteuert, die vier Schlüsselparameter ausbalanciert:
  - Restenergie ( $E_{re}$ ): Normalisierte verbleibende Leistung.
  - Distanz zur Basisstation ( $d_{bs}$ ): Minimierung der Übertragungskosten.
  - Knotendichte ( $\rho$ ): Gewährleistung einer effektiven Datenaggregation.
  - Umweltqualitätsfaktor ( $Q_{En}$ ): Eine zusammengesetzte Metrik, die aus den erfassten Umweltparametern abgeleitet wird.
- Constraints: Der Algorithmus erzwingt Constraints, die sicherstellen, dass ausgewählte CHs über ausreichende Restenergie verfügen, sich innerhalb der maximalen Übertragungsdistanz befinden und die Mindestdichte sowie die Verarbeitungskapazität erfüllen.
Simulationsumgebung: Der Algorithmus wurde in MATLAB R2020a in einem $100m \times 100m$ Feld mit 200 Sensorknoten mit heterogenen initialen Energiewerten implementiert. Die Leistung wurde gegen Standalone K-Means und PSO evaluiert.

Wesentliche Beiträge

Hybride Architektur: Die Arbeit führt ein fusioniertes K-PSO-Framework ein, das K-Means für die räumliche Partitionierung und PSO für die energiebewusste CH-Optimierung nutzt, um die lokalen Optima-Fallen von K-Means und die langsame Konvergenz von Standalone-PSO zu mildern.
Umweltbewusstsein: Im Gegensatz zu vielen traditionellen Clustering-Protokollen integriert das vorgeschlagene Modell explizit Umweltvariablen (Luftfeuchtigkeit, Temperatur, Luftqualität) in die Energieverbrauchs- und Fitnessbewertungsmodelle, was es für dynamische Außenüberwachungsszenarien geeignet macht.
Dynamische CH-Auswahl: Der Ansatz verwendet eine gewichtete Fitnessfunktion, die die CH-Auswahl dynamisch basierend auf Restenergie, Knotendichte und Umweltbedingungen anpasst, anstatt sich auf statische Schwellenwerte zu verlassen.

Ergebnisse
Simulationen über 1.000 Runden zeigten die Überlegenheit des K-PSO-Algorithmus gegenüber K-Means und Standalone-PSO über mehrere Metriken hinweg:

Cluster-Stabilität: K-PSO erreichte die höchste Stabilität mit einer mittleren CH-Anzahl von 10,50 und einer Standardabweichung von $\pm 0,25$ . Im Gegensatz dazu zeigte K-Means eine hohe Variabilität ( $\pm 0,52$ ) und PSO eine mittlere Stabilität ( $\pm 0,40$ ).
Energieeinsparung: In Runde 1.000 betrug die durchschnittliche Restenergie für K-PSO 36,2 J, was PSO (18,1 J) und K-Means (0 J, was auf vollständige Erschöpfung hindeutet) deutlich übertraf. K-PSO hielt durchgehend höhere Restenergieniveaus während der Simulation aufrecht.
Netzwerklebensdauer: Der K-PSO-Algorithmus verzögerte den Knotentod signifikant:
- Erster Knotentod (FND): Trat bei Runde 264 für K-PSO auf, verglichen mit 192 für PSO und 134 für K-Means.
- Letzter Knotentod (LND): Das Netzwerk überlebte bis Runde 961 mit K-PSO, im Vergleich zu 814 für PSO und 655 für K-Means.

Bedeutung und Behauptungen
Die Autoren behaupten, dass der K-PSO-Algorithmus die Energieeinsparung effektiv verbessert, den Knotentod verzögert und die Stabilität der Cluster-Heads aufrechterhält, wodurch die operative Lebensdauer von WSNs für die Umweltüberwachung verlängert wird. Die Studie stellt fest, dass durch die intelligente Auswahl energieeffizienter CHs und die Bildung ausgewogener Cluster der hybride Ansatz die Einschränkungen traditioneller Protokolle hinsichtlich vorzeitiger Energieerschöpfung und Instabilität adressiert. Die Arbeit kommt zu dem Schluss, dass K-PSO eine robuste Lösung zur Verlängerung der Netzwerklebensfähigkeit in energiebeschränkten, dynamischen Umgebungen ist. Die Autoren schlagen vor, dass zukünftige Arbeiten eine Echtzeit-Implementierung auf physischen Testbeds und die Integration mit prädiktiven Energieausfallmodulen beinhalten könnten, jedoch ist die aktuelle Studie auf eine validierungsbasierte Simulation beschränkt.

Das Problem: Das Dilemma des „müden Boten“

Die alten Lösungen: Zwei fehlerhafte Ansätze

Die neue Lösung: K-PSO (Der „hybride Coach“)

Die Ergebnisse: Wer hat das Rennen gewonnen?

Das Fazstring:

Mehr davon