💻 computer science

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

यह शोध पत्र एक हाइब्रिड K-PSO क्लस्टरिंग एल्गोरिदम का प्रस्ताव करता है जो पर्यावरणीय निगरानी वायरलेस सेंसर नेटवर्क में क्लस्टर हेड चयन को अनुकूलित करने के लिए K-Means और पार्टिकल स्वार्म ऑप्टिमाइज़ेशन को जोड़ता है, जो पारंपरिक तरीकों की तुलना में ऊर्जा दक्षता में उल्लेखनीय सुधार करता है, नेटवर्क के जीवनकाल को बढ़ाता है और क्लस्टर हेड की स्थिरता को बेहतर बनाता है।

मूल लेखक: Ayobami Adedokun, Folasade Dahunsi, Jide Popoola

प्रकाशित 2026-07-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ayobami Adedokun, Folasade Dahunsi, Jide Popoola

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक विशाल जंगल की कल्पना करें जहाँ पर्यावरण की निगरानी करने के लिए सैकड़ों छोटे, बैटरी से चलने वाले रोबोट (सेंसर) बिखरे हुए हैं—जो हवा की गुणवत्ता, तापमान और नमी की जाँच कर रहे हैं। ये रोबोट एक दूरदराज के इलाके में हाइकर (यात्रियों) की तरह हैं; उनके पास सीमित बैटरी जीवन है और उन्हें आसानी से रिचार्ज नहीं किया जा सकता। यदि उनकी शक्ति समाप्त हो जाती है, तो पूरा निगरानी तंत्र विफल हो जाएगा, और हम जंगल में जो कुछ भी हो रहा है उस पर नज़र खो देंगे।

मुख्य समस्या जिसे इन शोधकर्ताओं ने हल किया है वह यह है कि इन रोबोटों को उनके काम को करते हुए लंबे समय तक जीवित कैसे रखा जाए।

समस्या: "थका हुआ संदेशवाहक" की दुविधा

एक विशिष्ट सेटअप में, प्रत्येक रोबोट अपना डेटा सीधे एक केंद्रीय "बेस स्टेशन" (जैसे कि कमांड सेंटर) को चिल्लाकर भेजने की कोशिश करता है। यह अक्षम है। यह ऐसा ही है जैसे हर हाइकर को एक विशाल जंगल में एक अकेला पत्ता पहुँचाने के लिए कमांड सेंटर तक दौड़ने के लिए कहना। केंद्र के करीब रहने वाले हाइकर जल्दी थक जाते हैं, और दूर रहने वाले दूरी के कारण चिल्लाने की कोशिश में अपनी बैटरी जला देते हैं।

इसे ठीक करने के लिए, वैज्ञानिक क्लस्टरिंग (Clustering) का उपयोग करते हैं। वे रोबोटों को छोटी टीमों में समूहबद्ध करते हैं। प्रत्येक टीम में से एक रोबोट "टीम कैप्टन" (क्लस्टर हेड) बनता है। अन्य रोबोट कैप्टन को फुसफुसाकर अपना डेटा देते हैं, जो फिर उसे पैक करता है और कमांड सेंटर तक पहुँचाता है। इससे ऊर्जा बचती है क्योंकि सामान्य रोबोटों को केवल कम दूरी तक बात करनी पड़ती है।

हालाँकि, कैप्टन बनना कठिन काम है। यदि वही रोबोट हमेशा कैप्टन रहता है, तो वह सबसे पहले मर जाता है। यदि टीमें खराब तरीके से बनाई गई हैं, तो कुछ कैप्टन अत्यधिक काम के बोझ तले दब जाते हैं जबकि अन्य खाली बैठे रहते हैं।

पुराने समाधान: दो त्रुटिपूर्ण दृष्टिकोण

पेपर मौजूदा दो तरीकों की ओर देखता है, जिनमें दोनों में खामियां हैं:

K-Means (द "स्पीडी ऑर्गेनाइज़र"): यह तरीका तेज़ है। यह रोबोटों को उनके एक-दूसरे के करीब होने के आधार पर तेज़ी से समूहों में विभाजित करता है।
- खामी: यह एक ऐसे शिक्षक की तरह है जो छात्रों के बैठने के आधार पर सीटें तो जल्दी से आवंटित कर देता है, लेकिन यह नहीं देखता कि कौन थका हुआ है या किसके पास भारी बैग है। यह कैप्टन चुनने के लिए केवल स्थान पर विचार करता है, बैटरी स्तर की अनदेखी करता है। कभी-कभी, यह कम बैटरी वाले रोबोट को कैप्टन चुन लेता है, जिससे वह जल्दी मर जाता है।
PSO (द "ग्लोबल सर्चर"): यह तरीका पक्षियों के झुंड बनाने से प्रेरित है। यह एक आदर्श कैप्टन खोजने के लिए पूरे जंगल की खोज करता है, जिसमें बैटरी जीवन और दूरी दोनों पर विचार किया जाता है।
- खामी: यह बहुत विस्तृत है लेकिन फंस सकता है। कल्पना कीजिए कि एक पक्षी सबसे अच्छे पेड़ को खोजने के लिए देख रहा है; वह एक "अच्छे" पेड़ पर अटक सकता है क्योंकि उसे डर है कि वह "परफेक्ट" को खोजने के लिए और आगे नहीं उड़ पाएगा। यह धीमा और गणनात्मक रूप से भारी भी हो सकता है।

नया समाधान: K-PSO (द "हाइब्रिड कोच")

लेखकों ने K-PSO नामक एक नया तरीका बनाया है। इसे एक ऐसे कोच के रूप में सोचें जो "स्पीडी ऑर्गेनाइज़र" की गति को "ग्लोबल सर्चर" की बुद्धिमत्ता के साथ जोड़ता है।

यह इस प्रकार काम करता है, चरण-दर-चरण:

वॉर्म-अप (K-Means): सबसे पहले, एल्गोरिदम रोबोटों को उनके स्थान के आधार पर टीमों में तेज़ी से समूहित करता है। यह एक अच्छी शुरुआत देता है, जैसे एक कोच जल्दी से जिम क्लास को टीमों में विभाजित करता है।
फाइन-ट्यूनिंग (PSO): फिर, एल्गोरिदम टीम कैप्टन के चयन को परिष्कृत करने के लिए कदम उठाता है। यह केवल स्थान को नहीं देखता; यह जाँचता है:
- बैटरी स्तर: क्या यह रोबोट तरोताजा है या थका हुआ?
- दूरी: क्या यह कमांड सेंटर के करीब है?
- भीड़: क्या यह रोबोट कई अन्य लोगों से घिरा हुआ है (जिससे यह एक अच्छा हब बन जाता है)?
- पर्यावरण: क्या यहाँ नमी या गर्मी है? (पेपर नोट करता है कि आर्द्रता जैसे पर्यावरणीय कारक रेडियो संकेतों को कमजोर कर सकते हैं, जिससे डेटा भेजने के लिए अधिक ऊर्जा की आवश्यकता होती है, इसलिए एल्गोरिदम इसके लिए समायोजन करता है)।

इन दोनों को मिलाकर, K-PSO ऐसे कैप्टनों को चुनता है जो न केवल सही स्थान पर हैं बल्कि उनमें काम संभालने की ऊर्जा और क्षमता भी है।

परिणाम: दौड़ में कौन जीता?

शोधकर्ताओं ने कंप्यूटर प्रोग्राम (MATLAB) में 100 रोबोटों के साथ 1,000 "राउंड" (डेटा संग्रह के चक्र) के माध्यम से इसका अनुकरण किया। यहाँ क्या हुआ:

"स्पीडी ऑर्गेनाइज़र" (K-Means): राउंड 1,000 तक, सभी रोबोट मर चुके थे (0 जूल ऊर्जा बची)। पहला रोबोट बहुत जल्दी (राउंड 134 पर) मर गया।
"ग्लोबल सर्चर" (PSO): इसने बेहतर प्रदर्शन किया। राउंड 1,000 तक, रोबोटों के पास कुछ ऊर्जा बची थी (18.1 जूल)। पहला रोबोट बाद में मरा (राउंड 192 पर)।
"हाइब्रिड कोच" (K-PSO): यह स्पष्ट विजेता था। राउंड 1,000 पर, रोबोटों के पास 36.2 जूल ऊर्जा बची थी—PSO रोबोटों के पास मौजूद ऊर्जा से दोगुना! पहला रोबोट राउंड 264 तक नहीं मरा, और अंतिम रोबोट राउंड 961 तक जीवित रहा।

स्थिरता कारक (The Stability Factor):
पेपर ने यह भी देखा कि "टीम कैप्टन" कितनी बार बदला गया। K-PSO सिस्टम में, कैप्टन बहुत स्थिर थे (टीम बेतरतीब ढंग से नेता नहीं बदल रही थी)। अन्य सिस्टम में, नेतृत्व बहुत अधिक या अप्रत्याशित रूप से बदलता था, जिससे ऊर्जा बर्बाद होती थी।

निचोड़

पेपर का दावा है कि एक तेज़ समूहीकरण विधि को एक स्मार्ट, ऊर्जा-जागरूक खोज विधि के साथ मिलाकर, उन्होंने एक ऐसा सिस्टम बनाया है जो सेंसर नेटवर्क को बहुत लंबे समय तक जीवित रखता है।

बचाई गई ऊर्जा: रोबोटों ने अपनी बैटरी को बहुत लंबे समय तक चार्ज रखा।
नेटवर्क का जीवन: नेटवर्क पुराने तरीकों की तुलना में 300 से अधिक अतिरिक्त राउंड तक कार्यात्मक रहा।
विश्वसनीयता: "टीम कैप्टन" अधिक स्थिर थे, जिसका अर्थ है कि नेटवर्क उतनी बार क्रैश नहीं हुआ।

सरल शब्दों में, K-PSO एल्गोरिदम एक स्मार्ट मैनेजर की तरह है जो जानता है कि कौन थका हुआ है, कौन मजबूत है, और कौन सही जगह पर है, जिससे यह सुनिश्चित होता है कि काम निष्पक्ष रूप से साझा किया जाए ताकि पूरी टीम बहुत लंबे समय तक काम कर सके।

तकनीकी सारांश: पर्यावरणीय निगरानी वायरलेस सेंसर नेटवर्क के लिए K-PSO आधारित ऊर्जा सचेत क्लस्टरिंग एल्गोरिदम

समस्या विवरण
वायरलेस सेंसर नेटवर्क (WSNs) पर्यावरणीय निगरानी अनुप्रयोगों जैसे कि जंगल की आग का पता लगाने, वायु गुणवत्ता निगरानी और जल प्रदूषण ट्रैकिंग के लिए महत्वपूर्ण हैं। हालांकि, इन नेटवर्कों को एक मौलिक बाधा का सामना करना पड़ता है: सेंसर नोड्स सीमित, अक्सर गैर-पुनर्भरण योग्य (non-rechargeable) बैटरी शक्ति पर संचालित होते हैं। दीर्घकालिक पर्यावरणीय निगरानी में, समय से पहले ऊर्जा की कमी से कवरेज अंतराल, डेटा हानि और नेटवर्क विफलता होती है। जबकि क्लस्टरिंग प्रोटोकॉल (जैसे, LEACH, PEGASIS) क्लस्टर हेड्स (CHs) पर डेटा एकत्र करके ऊर्जा खपत को कम करने के लिए प्रस्तावित किए गए हैं, पारंपरिक तरीकों में महत्वपूर्ण सीमाएं हैं। यादृच्छिक CH चयन (LEACH) असमान ऊर्जा आवंटन का कारण बन सकता है, जबकि श्रृंखला-आधारित दृष्टिकोण (PEGASIS) उच्च विलंबता (latency) पेश करते हैं और नोड विषमता (heterogeneity) का ध्यान रखने में विफल रहते हैं। इसके अलावा, स्थिर एल्गोरिदम गतिशील पर्यावरणीय स्थितियों और विकसित होती ऊर्जा अवस्थाओं के अनुकूल होने में सक्षम नहीं होते हैं, जिसके परिणामस्वरूप अक्सर समय से पहले CH विफलता और कम नेटवर्क जीवनकाल होता है।

कार्यप्रणाली
लेखक एक हाइब्रिड K-PSO क्लस्टरिंग एल्गोरिदम का प्रस्ताव करते हैं जो K-Means की तीव्र अभिसरण (convergence) क्षमता को पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO) की वैश्विक खोज क्षमताओं के साथ एकीकृत करता है। कार्यप्रणाली इस प्रकार संरचित है:

नेटवर्क और ऊर्जा मॉडलिंग: अध्ययन में एक फर्स्ट-ऑर्डर रेडियो मॉडल का उपयोग किया गया है जिसे पर्यावरणीय कारकों को शामिल करने के लिए विस्तारित किया गया है। ऊर्जा अपव्यय मॉडल ट्रांसमिशन और रिसेप्शन लागतों को ध्यान में रखता है लेकिन विशिष्ट रूप से पर्यावरणीय चरों जैसे कि तापमान ( $T$ ), प्रकाश तीव्रता ( $C$ ), वायु गुणवत्ता ($AQ $), और आर्द्रता ($ H$) को शामिल करता है। ये कारक वास्तविक दुनिया के सिग्नल क्षीणन (attenção) और नोड दक्षता विविधताओं को दर्शाने के लिए ट्रांसमिशन ऊर्जा आवश्यकताओं को गतिशील रूप से समायोजित करते हैं।
हाइब्रिड क्लस्टरिंग फ्रेमवर्क:
- आरंभीकरण (K-Means): एल्गोरिदम स्थानिक निकटता के आधार पर सेंसर नोड्स को $k$ प्रारंभिक क्लस्टरों में विभाजित करके शुरू होता है, जो इंट्रा-क्लस्टर भिन्नता को न्यूनतम करता है। यह एक कम्प्यूटेशनल रूप से कुशल शुरुआती बिंदु प्रदान करता है।
- अनुकूलन (PSO): इन प्रारंभिक क्लस्टरों के भीतर क्लस्टर हेड्स (CHs) के चयन को परिष्कृत करने के लिए PSO का उपयोग किया जाता है। प्रत्येक कण (particle) एक संभावित CH कॉन्फ़िगरेशन का प्रतिनिधित्व करता है। एल्गोरिदम व्यक्तिगत सर्वश्रेष्ठ ($pbest $) और वैश्विक सर्वश्रेष्ठ ($ gbest$) स्थितियों के आधार पर कण के वेग और स्थिति को अपडेट करता है।
- फिटनेस फंक्शन: CHs का चयन एक बहु-उद्देश्यीय फिटनेस फंक्शन ( $F_t$ $F_{t}$ ) द्वारा संचालित होता है जो चार प्रमुख मापदंडों को संतुलित करता है:
  - अवशिष्ट ऊर्जा ( $E_{re}$ ): सामान्यीकृत शेष शक्ति।
  - बेस स्टेशन से दूरी ( $d_{bs}$ ): ट्रांसमिशन लागत को न्यूनतम करना।
  - नोड घनत्व ( $\rho$ ): प्रभावी डेटा एकत्रीकरण सुनिश्चित करना।
  - पर्यावरणीय गुणवत्ता कारक ( $Q_{En}$ ): एक संयुक्त मीट्रिक जो संवेदी पर्यावरणीय मापदंडों से प्राप्त होता है।
- बाधाएं: एल्गोरिदम उन बाधाओं को लागू करता है जो यह सुनिश्चित करती हैं कि चयनित CHs के पास पर्याप्त अवशिष्ट ऊर्जा हो, वे अधिकतम ट्रांसमिशन दूरी के भीतर हों, और न्यूनतम घनत्व एवं प्रसंस्करण क्षमता की आवश्यकताओं को पूरा करते हों।
सिमुलेशन वातावरण: एल्गोरिदम को विषम प्रारंभिक ऊर्जा स्तरों वाले 200 सेंसर नोड्स वाले $100m \times 100m$ क्षेत्र में MATLAB R2020a के भीतर कार्यान्वित किया गया था। इसके प्रदर्शन का बेंचमार्किंग स्टैंडअलोन K-Means और PSO के विरुद्ध किया गया।

प्रमुख योगदान

हाइब्रिड आर्किटेक्चर: पेपर एक फ्यूज्ड K-PSO फ्रेमवर्क पेश करता है जो स्थानिक विभाजन के लिए K-Means और ऊर्जा-सचेत CH अनुकूलन के लिए PSO का लाभ उठाता है, जिसका उद्देश्य K-Means के स्थानीय इष्टतम (local optima) जाल और स्टैंडअलोन PSO के धीमे अभिसरण को कम करना है।
पर्यावरणीय जागरूकता: पारंपरिक क्लस्टरिंग प्रोटोकॉल के विपरीत, प्रस्तावित मॉडल स्पष्ट रूप से पर्यावरणीय चरों (आर्द्रता, तापमान, वायु गुणवत्ता) को ऊर्जा अपव्यय और फिटनेस मूल्यांकन मॉडलों में एकीकृत करता है, जिससे यह गतिशील बाहरी निगरानी परिदृश्यों के लिए उपयुक्त बनता है।
गतिशील CH चयन: दृष्टिकोण एक भारित (weighted) फिटनेस फंक्शन का उपयोग करता है जो स्थिर थ्रेसहोल्ड पर निर्भर रहने के बजाय अवशिष्ट ऊर्जा, नोड घनत्व और पर्यावरणीय स्थितियों के आधार पर CH चयन को गतिशील रूप से समायोजित करता है।

परिणाम
1,000 राउंड के दौरान किए गए सिमुलेशन ने कई मेट्रिक्स में K-Means और स्टैंडअलोन PSO की तुलना में K-PSO एल्गोरिदम की श्रेष्ठता प्रदर्शित की:

क्लस्टर स्थिरता: K-PSO ने 10.50 के औसत CH काउंट और $\pm 0.25$ के मानक विचलन के साथ उच्चतम स्थिरता प्राप्त की। इसके विपरीत, K-Means ने उच्च परिवर्तनशीलता ( $\pm 0.52$ ) दिखाई और PSO ने मध्यम स्थिरता ( $\pm 0.40$ ) दिखाई।
ऊर्जा संरक्षण: राउंड 1,000 पर, औसत अवशिष्ट ऊर्जा K-PSO के लिए 36.2 J थी, जो PSO (18.1 J) और K-Means (0 J, पूर्ण रिक्तीकरण का संकेत) की तुलना में काफी बेहतर थी। K-PSO ने सिमुलेशन के दौरान लगातार उच्च अवशिष्ट ऊर्जा स्तर बनाए रखा।
नेटवर्क जीवनकाल: K-PSO एल्गोरिदम ने नोड विफलताओं में काफी देरी की:
- प्रथम नोड मृत्यु (FND): K-PSO के लिए राउंड 264 पर हुई, जबकि PSO के लिए 192 और K-Means के लिए 134 था।
- अंतिम नोड मृत्यु (LND): नेटवर्क K-PSO के साथ राउंड 961 तक जीवित रहा, जबकि PSO के लिए 814 और K-Means के लिए 655 था।

महत्व और दावे
लेखक दावा करते हैं कि K-PSO एल्गोरिदम प्रभावी रूप से ऊर्जा संरक्षण को बढ़ाता है, नोड मृत्यु में देरी करता है, और क्लस्टर हेड स्थिरता बनाए रखता है, जिससे पर्यावरणीय निगरानी के लिए उपयोग किए जाने वाले WSNs का परिचालन जीवनकाल बढ़ जाता है। अध्ययन का तर्क है कि ऊर्जा-कुशल CHs को बुद्धिमानी से चुनकर और संतुलित क्लस्टर बनाकर, हाइब्रिड दृष्टिकोण समय से पहले ऊर्जा रिक्तीकरण और अस्थिरता के संबंध में पारंपरिक प्रोटोकॉल की सीमाओं को संबोधित करता है। पेपर निष्कर्ष निकालता है कि K-PSO ऊर्जा-सीमित, गतिशील पर्यावरणीय सेटिंग्स में नेटवर्क व्यवहार्यता को बढ़ाने के लिए एक मजबूत समाधान है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में भौतिक टेस्टबेड पर वास्तविक समय में तैनाती और भविष्य कहनेवाला (predictive) ऊर्जा-विफलता मॉड्यूल के साथ एकीकरण शामिल हो सकता है, लेकिन वर्तमान अध्ययन सिमुलेशन-आधारित सत्यापन तक ही सीमित है।

समस्या: "थका हुआ संदेशवाहक" की दुविधा

पुराने समाधान: दो त्रुटिपूर्ण दृष्टिकोण

नया समाधान: K-PSO (द "हाइब्रिड कोच")

परिणाम: दौड़ में कौन जीता?

निचोड़

इसी तरह के और पेपर