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

Technische Samenvatting: K-PSO Gebaseerd Energiebewust Clusteringalgoritme voor Milieuoverwakingsdraadloze Sensornetwerken

Probleemstelling
Draadloze sensornetwerken (WSN's) zijn cruciaal voor toepassingen in milieumonitoring, zoals het detecteren van bosbranden, de bewaking van luchtkwaliteit en het volgen van waterverontreiniging. Deze netwerken worden echter geconfronteerd met een fundamentele beperking: sensorknooppunten werken op beperkte, vaak niet-herlaadbare batterijvoeding. Bij langdurige milieumonitoring leidt voortijdige energieuitputting tot dekkingsgaten, gegevensverlies en netwerkuitval. Hoewel clusteringprotocollen (bijv. LEACH, PEGASIS) zijn voorgesteld om het energieverbruik te verminderen door gegevens te aggregeren bij Cluster Heads (CH's), kampen traditionele methoden met aanzienlijke beperkingen. Willekeurige CH-selectie (LEACH) kan leiden tot een ongelijkmatige energieverdeling, terwijl ketengebaseerde benaderingen (PEGASIS) hoge latentie introduceren en geen rekening houden met knoopheterogeniteit. Bovendien missen statische algoritmen het aanpassingsvermogen aan dynamische omgevingsfactoren en evoluerende energiestaten, wat vaak resulteert in voortijdige uitval van CH's en een verkort netwerkbestaan.

Methodologie
De auteurs stellen een hybride K-PSO clusteringalgoritme voor dat de snelle convergentie van K-Means integreert met de globale zoekcapaciteiten van Particle Swarm Optimization (PSO). De methodologie is als volgt gestructureerd:

1. Netwerk- en Energiemodellering: De studie maakt gebruik van een First-Order Radio Model dat is uitgebreid met omgevingsfactoren. Het energieverbruikmodel houdt rekening met transmissie- en ontvangstkosten, maar incorporeert uniek omgevingsvariabelen zoals temperatuur ($T$), lichtintensiteit ($C$), luchtkwaliteit ($AQ$) en luchtvochtigheid ($H$). Deze factoren passen de transmissie-energievereisten dynamisch aan om reflecties van real-world signaalattenuatie en variaties in knoopefficiëntie weer te geven.
2. Hybride Clusteringframework:
   • Initialisatie (K-Means): Het algoritme begint met het partitioneren van de sensorknooppunten in $k$ voorlopige clusters op basis van ruimtelijke nabijheid, waarbij de intra-cluster variantie wordt geminimaliseerd. Dit biedt een computationeel efficiënt startpunt.
   • Optimalisatie (PSO): PSO wordt ingezet om de selectie van Cluster Heads binnen deze voorlopige clusters te verfijnen. Elk deeltje (particle) vertegenwoordigt een potentiële CH-configuratie. Het algoritme werkt de snelheid en positie van deeltjes bij op basis van de persoonlijke beste ($pbest$) en globale beste ($gbest$) posities.
   • Fitnessfunctie: De selectie van CH's wordt gedreven door een multi-objectieve fitnessfunctie ($F_t$) die vier sleutelparameters balanceert:
     • Resterende Energie ($E_{re}$): Genormaliseerde resterende kracht.
     • Afstand tot de Basisstation ($d_{bs}$): Minimalisering van de transmissiekosten.
     • Knooppunctendichtheid ($\rho$): Zorgen voor effectieve gegevensaggregatie.
     • Omgevingskwaliteitsfactor ($Q_{En}$): Een samengestelde metriek afgeleid van waargenomen omgevingsparameters.
   • Restricties: Het algoritme handhaaft restricties die garanderen dat geselecteerde CH's beschikken over voldoende resterende energie, binnen de maximale transmissieafstand liggen en voldoen aan de minimale dichtheids- en verwerkingscapaciteitseisen.
3. Simulatieomgeving: Het algoritme werd geïmplementeerd in MATLAB R2020a binnen een $100m \times 100m$ veld met 200 sensorknooppunten met heterogene initiële energieniveaus. De prestaties werden gebenchmarkt tegen standalone K-Means en PSO.

Belangrijkste Bijdragen

• Hybride Architectuur: Het artikel introduceert een gefuseerd K-PSO framework dat K-Means gebruikt voor ruimtelijke partitionering en PSO voor energiebewuste CH-optimalisatie, met als doel de lokale optima-vallen van K-Means en de trage convergentie van standalone PSO te mitigeren.
• Omgevingsbewustzijn: In tegenstelling tot veel traditionele clusteringprotocollen, integreert het voorgestelde model expliciet omgevingsvariabelen (luchtvochtigheid, temperatuur, luchtkwaliteit) in de energieverbruik- en fitnessevaluatiemodellen, waardoor het geschikt is voor dynamische buitenmonitoringscenario's.
• Dynamische CH-selectie: De aanpak maakt gebruik van een gewogen fitnessfunctie die de CH-selectie dynamisch aanpast op basis van resterende energie, knooppunctendichtheid en omgevingscondities, in plaats van te vertrouwen op statische drempelwaarden.

Resultaten
Simulaties uitgevoerd over 1.000 rondes toonden de superioriteit van het K-PSO algoritme aan ten opzichte van K-Means en standalone PSO over verschillende metrieken:

• Clusterstabiliteit: K-PSO bereikte de hoogste stabiliteit met een gemiddeld CH-aantal van 10,50 en een standaarddeviatie van $\pm 0,25$. In contrast hiermee vertoonde K-Means een hoge variabiliteit ($\pm 0,52$), en PSO een gemiddelde stabiliteit ($\pm 0,40$).
• Energiebesparing: Bij ronde 1.000 was de gemiddelde resterende energie voor K-PSO 36,2 J, wat aanzienlijk beter presteert dan PSO (18,1 J) en K-Means (0 J, wat duidt op totale uitputting). K-PSO behield consistent hogere resterende energieniveaus gedurende de simulatie.
• Netwerklevensduur: Het K-PSO algoritme vertraagde de knoopuitval aanzienlijk:
  • Eerste Knoopsterfte (FND): Gebeurde bij ronde 264 voor K-PSO, vergeleken met 192 voor PSO en 134 voor K-Means.
  • Laatste Knoopsterfte (LND): Het netwerk overleefde tot ronde 961 met K-PSO, vergeleken met 814 voor PSO en 655 voor K-Means.

Betekenis en Claims
De auteurs beweren dat het K-PSO algoritme effectief de energiebesparing verhoogt, de knoopsterfte vertraagt en de Cluster Head stabiliteit behoudt, waardoor de operationele levensduur van WSN's die worden gebruikt voor milieumonitoring wordt verlengd. De studie stelt dat door intelligent energie-efficiënte CH's te selecteren en gebalanceerde clusters te vormen, de hybride aanpak de beperkingen van traditionele protocollen met betrekking tot voortijdige energieuitputting en instabiliteit aanpakt. Het artikel concludeert dat K-PSO een robuuste oplossing is voor het verlengen van de netwerklevensduur in energiebeperkte, dynamische omgevingen. De auteurs suggereren dat toekomstig werk de integratie van real-time implementatie op fysieke testbeds en integratie met voorspellende energie-uitvalsmodules zou kunnen omvatten, maar de huidige studie is beperkt tot validatie op basis van simulaties.