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

技術要約：環境モニタリング無線センサーネットワークのためのK-PSOベースのエネルギー認識型クラスタリングアルゴリズム

問題提起
無線センサーネットワーク（WSN）は、森林火災検知、大気質監視、水質汚染追跡などの環境モニタリングアプリケーションにおいて極めて重要である。しかし、これらのネットワークは根本的な制約に直面している。すなわち、センサーノードは限定的で、多くの場合、充電不可能なバッテリー電力で動作することである。長期的な環境モニタリングにおいて、早期のエネルギー枯渇は、カバレッジのギャップ、データの損失、およびネットワークの失敗を招く。データの集約を行うためにクラスターヘッド（CH）を利用するクラスタリングプロトコル（LEACHやPEGASISなど）が提案されているが、従来の手法には重大な限界がある。ランダムなCH選択（LEACH）は不均一なエネルギー割り当てを招く可能性があり、連鎖ベースのアプローチ（PEGASIS）は高いレイテンシを導入し、ノードの異質性を考慮できない。さらに、静的なアルゴリズムは、動的な環境条件や進化するエネルギー状態に対する適応性に欠けており、その結果、CHの早期故障やネットワーク寿命の短縮を引き起こすことが多い。

手法
著者らは、K-Meansの迅速な収束性と粒子群最適化（PSO）のグローバル探索能力を統合したハイブリッドなK-PSOクラスタリングアルゴリズムを提案している。手法は以下のように構成される：

1. ネットワークおよびエネルギーモデリング： 本研究では、環境要因を含む拡張された一次無線モデル（First-Order Radio Model）を利用している。エネルギー散逸モデルは、送信および受信コストを考慮するだけでなく、温度（$T$）、光強度（$C$）、大気質（$AQ$）、および湿度（$H$）といった環境変数を独自に組み込んでいる。これらの要因は、現実世界の信号減衰やノード効率の変化を反映するように、送信エネルギー要件を動的に調整する。
2. ハイブリッドクラスタリングフレームワーク：
   • 初期化 (K-Means)： アルゴリズムは、空間的な近接性に基づいてセンサーノードを$k$個の予備的なクラスターに分割することから始まる。これにより、クラスター内の分散を最小化し、計算効率の高い出発点を提供する。
   • 最適化 (PSO)： これらの予備的なクラスター内でのクラスターヘッド（CH）の選択を精緻化するために、PSOが採用される。各粒子は、潜在的なCH構成を表す。アルゴリズムは、個人の最良位置（$pbest$）およびグローバルな最良位置（$gbest$）に基づいて、粒子の速度と位置を更新する。
   • 適合度関数： CHの選択は、以下の4つの主要パラメータのバランスをとる多目的適合度関数（$F_t$）によって駆動される：
     • 残留エネルギー（$E_{re}$）：正規化された残存電力。
     • 基地局までの距離（$d_{bs}$）：送信コストの最小化。
     • ノード密度（$\rho$）：効果的なデータ集約の確保。
     • 環境品質係数（$Q_{En}$）：感知された環境パラメータから導出される複合指標。
   • 制約条件： アルゴリズムは、選択されたCHが十分な残留エネルギーを持ち、最大送信距離内にあり、かつ最小密度および処理能力の要件を満たすことを保証する制約を課す。
3. シミュレーション環境： アルゴリズムは、不均一な初期エネルギーレベルを持つ200個のセンサーノードを含む$100\text{m} \times 100\text{m}$のフィールド内で、MATLAB R2020aを用いて実装された。性能は、スタンドアロンのK-MeansおよびPSOと比較してベンチマーク評価された。

主な貢献

• ハイブリッドアーキテクチャ： 本論文は、空間的な分割のためにK-Meansを活用し、エネルギー認識型のCH最適化のためにPSOを活用する、融合されたK-PSOフレームワークを導入している。これは、K-Meansの局所最適解への陥りやすさと、スタンドアロンのPSOの収束の遅さを軽減することを目的としている。
• 環境認識性： 従来の多くのクラスタリングプロトコルとは異なり、提案されたモデルは環境変数（湿度、温度、大気質）をエネルギー散逸および適合度評価モデルに明示的に統合しており、動的な屋外モニタリングシナリオに適している。
• 動的なCH選択： このアプローチは、静的な閾値に依存するのではなく、残留エネルギー、ノード密度、および環境条件に基づいて動的に調整される重み付き適合度関数を利用している。

結果
1,000ラウンドにわたるシミュレーションの結果、K-PSOアルゴリズムは、いくつかの指標においてK-MeansおよびスタンドアロンのPSOに対して優位性を示した：

• クラスター安定性： K-PSOは、平均CH数10.50および標準偏差$\pm 0.25$という最も高い安定性を達成した。対照的に、K-Meansは高い変動性（$\pm 0.52$）を示し、PSOは中程度の安定性（$\pm 0.40$）を示した。
• エネルギー保存： ラウンド1,000において、K-PSOの平均残留エネルギーは36.2 Jであり、PSO（18.1 J）およびK-Means（0 J、全枯渇を示す）を大幅に上回った。K-PSOはシミュレーションを通じて一貫して高い残留エネルギーレベルを維持した。
• ネットワーク寿命： K-PSOアルゴリズムは、ノードの故障を大幅に遅延させた：
  • 最初のノード死亡 (FND)： K-PSOではラウンド264で発生したが、PSOでは192、K-Meansでは134であった。
  • 最後のノード死亡 (LND)： ネットワークはK-PSOではラウンド961まで生存したが、PSOでは814、K-Meansでは655であった。

意義と主張
著者らは、K-PSOアルゴリズムがエネルギー保存を効果的に高め、ノードの死亡を遅らせ、クラスターヘッドの安定性を維持することで、WSNの運用寿命を延ばすと主張している。本研究は、エネルギー効率の高いCHをインテリジェントに選択し、バランスの取れたクラスターを形成することにより、ハイブリッドアプローチが、早期のエネルギー枯渇や不安定性に関する伝統的なプロトコルの限界に対処することを断言している。本論文は、K-PSOがエネルギー制約のある動的な環境設定において、ネットワークの生存可能性を延ばすための堅牢なソリューションであると結論付けている。著者らは、今後の課題として、物理的なテストベッドへのリアルタイム展開や、予測的なエネルギー故障モジュールの統合が挙げられるとしているが、現在の研究はシミュレーションベースの検証に限定されている。