💻 computer science

Adaptive Quantum-Inspired Swarm Learning (AQISL) for Energy-Efficient Cluster Head Selection in IoT Infrastructure

Este artículo propone el algoritmo de Aprendizaje de Enjambre de Inspiración Cuántica Adaptativa (AQISL, por sus siglas en inglés) para optimizar la selección de cabeceras de clúster en redes IoT a gran escala, reduciendo eficazmente el consumo de energía, la pérdida de paquetes y la latencia de transmisión, al tiempo que mejora el equilibrio de carga y la estabilidad general de la red.

Autores originales: C. Bala Subramanian, R. Ramkumar, S Shanmugapriya

Publicado 2026-10-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: C. Bala Subramanian, R. Ramkumar, S Shanmugapriya

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagine un vasto y silencioso paisaje salpicado de miles de diminutos dispositivos alimentados por baterías. Estos son los sensores del Internet de las Cosas, que monitorean silenciosamente todo, desde la humedad en un invernadero hasta la integridad estructural de un puente. Son los ojos y oídos de un mundo moderno, pero enfrentan una limitación fundamental: funcionan con energía finita. Una vez que sus baterías se agotan, se quedan en silencio y la red que forman comienza a desmoronarse. En muchos escenarios del mundo real, como el monitoreo ambiental remoto o zonas de desastre, reemplazar estas baterías es imposible. El desafío, entonces, no es solo lograr que estos dispositivos se comuniquen entre sí, sino asegurar que lo hagan sin agotar su energía demasiado rápido. Para resolver esto, los ingenieros suelen agrupar estos dispositivos en pequeños vecindarios llamados clústeres. Dentro de cada vecindario, se elige a un dispositivo para que actúe como líder, o "jefe de clúster". Este líder reúne la información de sus vecinos, la combina en un solo mensaje y lo envía a una estación base central. Este método ahorra energía porque los dispositivos ordinarios solo necesitan susurrar sus datos a un líder cercano, en lugar de gritar su información a través de toda la red hacia la estación base. Sin embargo, elegir al líder adecuado es un rompecabezas difícil. Si el mismo dispositivo es elegido con demasiada frecuencia, se agota rápido, dejando un vacío en la red. Si se elige al dispositivo equivocado, el mensaje podría perderse o tardar demasiado en llegar.

Los investigadores C. Bala Subramanian, R. Ramkumar y Shanmugapriya S., de la Academia de Investigación y Educación Kalasalingam en la India, han propuesto una nueva forma de resolver este rompecabezas. Desarrollaron un sistema llamado Aprendizaje de Enjambre de Inspiración Cuántica Adaptativa, o AQISL, diseñado para seleccionar inteligentemente al mejor líder para cada clúster en cualquier momento. Su enfoque combina dos formas distintas de resolución de problemas. La primera se basa en los principios de la mecánica cuántica, no para construir una computadora cuántica, sino para utilizar un estilo matemático que permite que existan muchas posibilidades a la vez. Esto ayuda al sistema a explorar una amplia gama de soluciones potenciales sin quedarse estancado en una única opción subóptima. La segunda parte imita el comportamiento de un enjambre, como una bandada de aves o una colonia de hormigas, donde los miembros individuales aprenden de sus propias experiencias y del éxito colectivo del grupo. Al combinar estas dos ideas, el algoritmo puede adaptarse a las condiciones cambiantes en tiempo real, como cuando la batería de un dispositivo se agota o cuando la topología de la red cambia.

Los investigadores probaron su idea utilizando una simulación por computadora que modelaba una gran red de nodos sensores dispersos en un área cuadrada. En este entorno virtual, los dispositivos se comunicaban, consumían energía y morían tal como lo harían en el mundo real. El equipo comparó su nuevo método AQISL contra varias técnicas establecidas, incluyendo métodos de selección aleatoria más antiguos y otros algoritmos de optimización avanzados. Los resultados mostraron una clara ventaja para el nuevo enfoque. En las simulaciones, la red que utilizaba AQISL duró significativamente más que aquellas que utilizaban métodos tradicionales. Específicamente, el primer dispositivo en la red AQISL sobrevivió durante 890 rondas de comunicación, mientras que el primer dispositivo en una red LEACH estándar murió después de solo 520 rondas. Cuando la mitad de los dispositivos de la red se habían quedado sin energía, el sistema AQISL había alcanzado las 1,320 rondas, en comparación con las 780 rondas del método estándar. Esta extensión de la vida útil sugiere que el algoritmo es mucho mejor distribuyendo la carga de trabajo, asegurando que ningún dispositivo sea sobreexplotado mientras otros permanecen inactivos.

Más allá de mantener viva la red, el nuevo método mejoró la calidad de la comunicación misma. Las simulaciones indicaron que el sistema AQISL redujo el número de mensajes perdidos al 7.9 por ciento, una mejora significativa respecto a la tasa de pérdida del 18.5 por ciento observada en el método LEACH estándar. El tiempo que tardaban los datos en viajar desde un sensor hasta la estación base, conocido como retardo, también se redujo a un promedio de 102 milisegundos, lo cual es más rápido que los 160 milisegundos registrados para otros métodos líderes. La energía consumida por la red en cada ronda de comunicación cayó a 0.52 Julios, una cifra inferior a los 0.74 Julios requeridos por otros algoritmos sofisticados. Quizás lo más importante es que el sistema mantuvo un alto grado de equilibrio. Los investigadores midieron un "índice de equilibrio de carga" de 0.91 para su método, lo que indica que el drenaje de energía se distribuyó de manera muy uniforme en toda la red, evitando la formación de "agujeros de energía" donde grupos de dispositivos muertos dejarían a la red ciega.

El estudio sugiere que este enfoque híbrido ofrece una solución robusta para el futuro de las redes de sensores a gran escala. Si bien el método requirió que se enviaran ligeramente más datos de control entre los dispositivos para coordinar el proceso de selección, el intercambio valió la pena por las ganancias en estabilidad y eficiencia. Los investigadores señalan que la capacidad del algoritmo para adaptarse a condiciones dinámicas lo hace particularmente adecuado para entornos donde los dispositivos pueden moverse o fallar inesperadamente. Al simular estas interacciones complejas, el equipo demostró que es posible crear una red que no solo sea más duradera, sino también más confiable y eficiente. Los hallazgos apuntan hacia un futuro donde el Internet de las Cosas pueda operar de manera más autónoma, gestionando sus propios recursos con un nivel de inteligencia que imita la sabiduría colectiva de la naturaleza, asegurando que la vasta red de dispositivos conectados continúe funcionando mucho después de que las baterías iniciales de otro modo habrían fallado.

Resumen Técnico: Aprendizaje de Enjambre de Inspiración Cuántica Adaptativo (AQISL) para la Selección de Cabeceras de Clúster en Infraestructuras IoT con Eficiencia Energética

1. Declaración del Problema

La construcción de redes Internet de las Cosas (IoT) a gran escala enfrenta desafíos significativos en cuanto a la eficiencia de la comunicación y la conservación de la energía. La mayoría de los nodos IoT funcionan con baterías y suelen desplegarse en áreas remotas donde la recarga o el reemplazo son impracticables. En estas redes, la transmisión de datos es la operación que más energía consume. Si bien el agrupamiento (clustering) es un enfoque estándar para organizar los nodos jerárquicamente y reducir la sobrecarga de comunicación mediante la agregación de datos en una Cabecera de Clúster (CH), la selección de la CH óptima sigue siendo un problema complejo.

Los métodos existentes sufren de varias limitaciones:

Protocolos Tradicionales (p. ej., LEACH, HEED): A menudo dependen de una selección aleatoria o basada en parámetros estáticos, lo que conduce a un consumo de energía desequilibrado, la muerte prematura de los nodos y una vida útil de la red subóptima.
Algoritmos Metaheurísticos (p. ej., GA, PSO, ABC): Aunque ofrecen capacidades de búsqueda global, frecuentemente sufren de convergencia prematura (quedarse atrapados en óptimos locales), alta complejidad computacional y tiempos de convergencia lentos, lo que los hace menos adecuados para entornos IoT dinámicos y a gran escala.
Enfoques de Aprendizaje Automático (Machine Learning): Aunque son adaptativos, a menudo incurren en una sobrecarga computacional y requisitos de memoria que exceden las capacidades de los nodos sensores con recursos limitados.

El desafío central es desarrollar un mecanismo de selección de CH que equilibre la exploración y la explotación, se adapte a las condiciones dinámicas de la red (niveles de energía, cambios en la topología) y minimice el consumo de energía sin incurrir en costos computacionales excesivos.

2. Metodología: Aprendizaje de Enjambre de Inspiración Cuántica Adaptativo (AQISL)

El artículo propone el algoritmo Adaptive Quantum-Inspired Swarm Learning (AQISL), un enfoque híbrido que integra el modelado probabilístico de inspiración cuántica con principios de inteligencia de enjambre para optimizar la selección de la CH.

2.1 Componentes Principales

Representación de Inspiración Cuántica:
- Cada nodo se representa mediante un modelo de probabilidad cuántica, lo que le permite existir en múltiples estados simultáneamente. Esto se define por amplitudes de probabilidad ( $\alpha$ y $\beta$ ) donde $|\alpha|^2 + |\beta|^2 = 1$ .
- El estado se actualiza utilizando un mecanismo de puerta de rotación (Ecuaciones 6 y 7) para evolucionar las probabilidades a lo largo de las iteraciones. Este mecanismo mejora la diversidad de las soluciones y mitiga el riesgo de convergencia prematura común en las metaheurísticas tradicionales.
- Un nodo se selecciona como CH si su probabilidad $P_i$ supera un umbral dinámico $\tau$ .
Estrategia de Aprendizaje de Enjambre:
- El algoritmo emplea un mecanismo similar a la Optimización de Enjambre de Partículas (PSO) donde las soluciones candidatas actualizan sus posiciones y velocidades basándose en las experiencias individuales mejores ( $P_{best}$ ) y globales ( $G_{best}$ ).
- Se utiliza un peso de inercia adaptativo ( $\omega$ ) para equilibrar la exploración (etapas iniciales) y la explotación (etapas posteriores).
- El enjambre aprende de las experiencias colectivas para converger más rápido hacia configuraciones de CH óptimas.
Diseño de la Función de Aptitud (Fitness Function):
- El algoritmo evalúa las configuraciones candidatas de la CH utilizando una función de aptitud compuesta ( $F_i$ $F_{i}$ ) que integra:
  1. Energía Residual ( $E_{res}$ ): Prioriza los nodos con mayor energía restante.
  2. Distancia a la Estación Base ( $d_{bs}$ ): Favorece a los nodos más cercanos al sumidero para reducir la energía de transmisión.
  3. Densidad de Nodos ( $\rho$ ): Considera el número de nodos en las proximidades para asegurar una agregación de datos eficiente.
- Se incorporan modelos de energía de transmisión y recepción para calcular los costos totales de comunicación.

2.2 Flujo de Trabajo del Algoritmo

El proceso AQISL involucra 13 pasos, que van desde la configuración de la red y la generación de la población candidata hasta las actualizaciones iterativas de los estados cuánticos y las posiciones del enjambre. El algoritmo recalcula dinámicamente los valores de aptitud, actualiza las probabilidades de selección y selecciona el conjunto óptimo de CHs ( $CH_{opt}$ ) que maximiza la función de aptitud asegurando al mismo tiempo el equilibrio de carga.

3. Contribuciones Clave

El estudio identifica tres contribuciones primarias:

Nuevo Algoritmo Híbrido: El desarrollo de AQISL, que combina de manera única el modelado probabilístico de inspiración cuántica con el aprendizaje de enjambre para lograr un equilibrio superior entre la exploración global y la explotación local.
Función de Aptitud Integrada: La creación de una función de aptitud unificada que optimiza simultáneamente la energía residual, la distancia a la estación base y la densidad de nodos, abordando múltiples restricciones en un solo paso de optimización.
Mecanismo Adaptativo: La implementación de un sistema adaptativo capaz de responder a las condiciones dinámicas de la red, tales como niveles de energía fluctuantes y cambios en la topología, sin requerir un reentrenamiento extensivo o el ajuste manual de parámetros.

4. Resultados Experimentales

El método propuesto fue evaluado utilizando simulaciones en MATLAB en un área cuadrada 2D con nodos de sensores distribuidos aleatoriamente. El rendimiento de AQISL se comparó contra métodos tradicionales y basados en metaheurísticas, incluyendo la selección de CH de LEACH, HEED, PSO-basado, ABC-basado y BCO-basado.

Métricas Clave de Desempeño:

Vida Útil de la Red: AQISL extendió significativamente la vida útil de la red. La "Primera Muerte de Nodo" ocurrió en 890 rondas (comparado con 520 para LEACH y 760 para BCO) y la "Muerte de la Mitad de los Nodos" ocurrió en 1320 rondas (comparado con 780 para LEACH y 1140 para BCO).
Eficiencia Energética: El consumo de energía por ronda se redujo a 0.52 J, superando a PSO (0.74 J) y ABC (0.69 J).
Confiabilidad: La pérdida de paquetes se minimizó al 7.9%, una mejora significativa respecto a LEACH (18.5%) y BCO (10.4%).
Latencia: El retardo extremo a extremo se redujo a 102 ms, comparado con 160 ms para HEED y 142 ms para PSO.
Equilibrio de Carga: El Índice de Equilibrio de Carga mejoró a 0.91, indicando una distribución más uniforme del consumo de energía entre los nodos.
Sobrecarga de Control: Aunque AQISL tuvo una sobrecarga de control ligeramente mayor (4900 bits) en comparación con LEACH (4200 bits), se mantuvo por debajo de otros enfoques metaheurísticos como BCO (5700 bits) y ABC (5400 bits).

5. Significado y Reivindicaciones

El artículo afirma que AQISL ofrece una solución estable, eficiente en energía y confiable para la selección de CH en entornos IoT a gran escala y dinámicos. Al prevenir eficazmente la convergencia prematura y equilibrar el compromiso entre exploración y explotación, el algoritmo asegura:

Vida Útil de Red Extendida: Mediante la optimización de la distribución de energía y la reducción de los costos de comunicación.
Robustez Mejorada: Al adaptarse a los cambios dinámicos en la energía de los nodos y la topología de la red.
Mejor Calidad de Servicio: Evidenciado por una menor pérdida de paquetes, menor latencia y mayor rendimiento (throughput).

Los autores concluyen que, si bien la sobrecarga de control es marginalmente mayor que la de los métodos probabilísticos simples como LEACH, las ganancias sustanciales en longevidad de la red, eficiencia energética y confiabilidad validan a AQISL como un enfoque superior para la gestión de infraestructuras IoT futuras. El estudio enfatiza que el método es escalable y adecuado para entornos de dispositivos heterogéneos donde la conservación de la energía es crítica.