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

Resumen Técnico: Algoritmo de Agrupación Consciente de la Energía Basado en K-PSO para Redes de Sensores Inalámbricos de Monitoreo Ambiental

Planteamiento del Problema
Las Redes de Sensores Inalámbricos (WSN, por sus siglas en inglés) son críticas para aplicaciones de monitoreo ambiental como la detección de incendios forestales, la vigilancia de la calidad del aire y el seguimiento de la contaminación del agua. Sin embargo, estas redes enfrentan una restricción fundamental: los nodos sensores operan con energía de batería limitada y, a menudo, no recargable. En el monitoreo ambiental a largo plazo, el agotamiento prematuro de la energía conduce a brechas de cobertura, pérdida de datos y fallos en la red. Aunque se han propuesto protocolos de agrupación (por ejemplo, LEACH, PEGASIS) para reducir el consumo de energía mediante la agregación de datos en Cabezas de Clúster (CH), los métodos tradicionales sufren limitaciones significativas. La selección aleatoria de CH (LEACH) puede provocar una asignación de energía desigual, mientras que los enfoques basados en cadenas (PEGASIS) introducen una alta latencia y no tienen en cuenta la heterogeneidad de los nodos. Además, los algoritmos estáticos carecen de la adaptabilidad necesaria ante las condiciones ambientales dinámicas y los estados de energía en evolución, lo que a menudo resulta en fallos prematuros de los CH y una reducción de la vida útil de la red.

Metodología
Los autores proponen un algoritmo de agrupación híbrido K-PSO que integra la convergencia rápida de K-Means con las capacidades de búsqueda global de la Optimización por Enjambre de Partículas (PSO). La metodología se estructura de la siguiente manera:

1. Modelado de Red y Energía: El estudio utiliza un Modelo de Radio de Primer Orden extendido para incluir factores ambientales. El modelo de disipación de energía contabiliza los costos de transmisión y recepción, pero incorpora de manera única variables ambientales como la temperatura ($T$), la intensidad de la luz ($C$), la calidad del aire ($AQ$) y la humedad ($H$). Estos factores ajustan dinámicamente los requerimientos de energía de transmisión para reflejar la atenuación de la señal en el mundo real y las variaciones en la eficiencia de los nodos.
2. Marco de Agrupación Híbrido:
   • Inicialización (K-Means): El algoritmo comienza particionando los nodos sensores en $k$ clústeres preliminares basados en la proximidad espacial, minimizando la varianza intra-clúster. Esto proporciona un punto de partida computacionalmente eficiente.
   • Optimización (PSO): Se emplea PSO para refinar la selección de las Cabezas de Clúster dentro de estos clústeres preliminares. Cada partícula representa una configuración potencial de CH. El algoritmo actualiza la velocidad y la posición de las partículas basándose en las mejores posiciones personales ($pbest$) y globales ($gbest$).
   • Función de Aptitud (Fitness Function): La selección de los CH es impulsada por una función de aptitud multiobjetivo ($F_t$) que equilibra cuatro parámetros clave:
     • Energía Residual ($E_{re}$): Potencia restante normalizada.
     • Distancia a la Estación Base ($d_{bs}$): Minimizando el costo de transmisión.
     • Densidad de Nodos ($\rho$): Asegurando una agregación de datos efectiva.
     • Factor de Calidad Ambiental ($Q_{En}$): Una métrica compuesta derivada de los parámetros ambientales detectados.
   • Restricciones: El algoritmo impone restricciones que aseguran que los CH seleccionados posean suficiente energía residual, estén dentro de la distancia máxima de transmisión y cumplan con los requisitos mínimos de densidad y capacidad de procesamiento.
3. Entorno de Simulación: El algoritmo fue implementado en MATLAB R2020a dentro de un campo de $100m \times 100m$ que contiene 200 nodos sensores con niveles de energía iniciales heterogéneos. El rendimiento se comparó con K-Means independiente y PSO independiente.

Contribuciones Clave

• Arquitectura Híbrida: El artículo introduce un marco K-PSO fusionado que aprovecha K-Means para la partición espacial y PSO para la optimación de la energía de los CH, con el objetivo de mitigar las trampas de óptimos locales de K-Means y la convergencia lenta de PSO independiente.
• Conciencia Ambiental: A diferencia de muchos protocolos de agrupación tradicionales, el modelo propuesto integra explícitamente variables ambientales (humedad, temperatura, calidad del aire) en los modelos de disipación de energía y de evaluación de la aptitud, lo que lo hace adecuado para escenarios de monitoreo exterior dinámicos.
• Selección Dinámica de CH: El enfoque utiliza una función de aptitud ponderada que ajusta dinámicamente la selección de CH basándose en la energía residual, la densidad de nodos y las condiciones ambientales, en lugar de depender de umbrales estáticos.

Resultados
Las simulaciones realizadas durante 1,000 rondas demostraron la superioridad del algoritmo K-PSO sobre K-Means y PSO independiente en varias métricas:

• Estabilidad de Clúster: K-PSO logró la mayor estabilidad con un conteo medio de CH de 10.50 y una desviación estándar de $\pm 0.25$. En contraste, K-Means mostró una alta variabilidad ($\pm 0.52$), y PSO mostró una estabilidad media ($\pm 0.40$).
• Conservación de Energía: En la ronda 1,000, la energía residual promedio para K-PSO fue de 36.2 J, superando significativamente a PSO (18.1 J) y K-Means (0 J, indicando agotamiento total). K-PSO mantuvo consistentemente niveles de energía residual más altos durante toda la simulación.
• Vida Útil de la Red: El algoritmo K-PSO retrasó significativamente las muertes de los nodos:
  • Primera Muerte de Nodo (FND): Ocurrió en la ronda 264 para K-PSO, comparado con 192 para PSO y 134 para K-Means.
  • Última Muerte de Nodo (LND): La red sobrevivió hasta la ronda 961 con K-PSO, comparado con 814 para PSO y 655 para K-Means.

Significancia y Reivindicaciones
Los autores afirman que el algoritmo K-PSO mejora efectivamente la conservación de la energía, retrasa la muerte de los nodos y mantiene la estabilidad de la Cabeza de Clúster, prolongando así la vida operativa de las WSN utilizadas para el monitoreo ambiental. El estudio sostiene que, al seleccionar inteligentemente CH que sean eficientes energéticamente y formar clústeres equilibrados, el enfoque híbrido aborda las limitaciones de los protocolos tradicionales respecto al agotamiento prematuro de la energía y la inestabilidad. El artículo concluye que K-PSO es una solución robusta para extender la viabilidad de la red en entornos ambientales dinámicos y con restricciones de energía. Los autores sugieren que el trabajo futuro podría involucrar el despliegue en tiempo real en bancos de pruebas físicos y la integración con módulos predictivos de falla de energía, pero el estudio actual está limitado a la validación basada en simulaciones.