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

Resumo Técnico: Algoritmo de Agrupamento Consciente de Energia Baseado em K-PSO para Redes de Sensores Sem Fio de Monitoramento Ambiental

Definição do Problema
As Redes de Sensores Sem Fio (RSSF) são críticas para aplicações de monitoramento ambiental, como detecção de incêndios florestais, vigilância da qualidade do ar e rastreamento de poluição da água. No entanto, essas redes enfrentam uma restrição fundamental: os nós sensores operam com energia de bateria limitada e, frequentemente, não recarregável. No monitoramento ambiental de longo prazo, o esgotamento prematuro de energia leva a lacunas de cobertura, perda de dados e falha da rede. Embora protocolos de agrupamento (ex: LEACH, PEGASIS) tenham sido propostos para reduzir o consumo de energia através da agregação de dados em Chefes de Cluster (CHs), os métodos tradicionais sofrem de limitações significativas. A seleção aleatória de CH (LEACH) pode levar a uma alocação de energia desigual, enquanto abordagens baseadas em cadeias (PEGASIS) introduzem alta latência e não consideram a heterogeneidade dos nós. Além disso, algoritmos estáticos carecem de adaptabilidade às condições ambientais dinâmicas e aos estados de energia em evolução, resultando frequentemente em falhas prematuras de CH e redução da vida útil da rede.

Metodologia
Os autores propõem um algoritmo de agrupamento híbrido K-PSO que integra a convergência rápida do K-Means com as capacidades de busca global da Otimização por Enxame de Partículas (PSO). A metodologia é estruturada da seguinte forma:

1. Modelagem de Rede e Energia: O estudo utiliza um Modelo de Rádio de Primeira Ordem estendido para incluir fatores ambientais. O modelo de dissipação de energia contabiliza os custos de transmissão e recepção, mas incorpora de forma única variáveis ambientais como temperatura ($T$), intensidade de luz ($C$), qualidade do ar ($AQ$) e umidade ($H$). Esses fatores ajustam dinamicamente os requisitos de energia de transmissão para refletir a atenuação de sinal e as variações de eficiência dos nós no mundo real.
2. Estrutura de Agrupamento Híbrida:
   • Inicialização (K-Means): O algoritmo começa particionando os nós sensores em $k$ clusters preliminares baseados na proximidade espacial, minimizando a variância intra-cluster. Isso fornece um ponto de partida computacionalmente eficiente.
   • Otimização (PSO): O PSO é empregado para refinar a seleção dos Chefes de Cluster dentro desses clusters preliminares. Cada partícula representa uma configuração potencial de CH. O algoritmo atualiza a velocidade e a posição das partículas com base nas melhores posições pessoal ($pbest$) e global ($gbest$).
   • Função de Aptidão (Fitness Function): A seleção de CHs é impulsionada por uma função de aptidão multiobjetivo ($F_t$) que equilibra quatro parâmetros principais:
     • Energia Residual ($E_{re}$): Potência restante normalizada.
     • Distância até a Estação Base ($d_{bs}$): Minimizando o custo de transmissão.
     • Densidade de Nós ($\rho$): Garantindo uma agregação de dados eficaz.
     • Fator de Qualidade Ambiental ($Q_{En}$): Uma métrica composta derivada dos parâmetros ambientais sentidos.
   • Restrições: O algoritmo impõe restrições garantindo que os CHs selecionados possuam energia residual suficiente, estejam dentro da distância máxima de transmissão e atendam aos requisitos mínimos de densidade e capacidade de processamento.
3. Ambiente de Simulação: O algoritmo foi implementado no MATLAB R2020a em um campo de $100m \times 100m$ contendo 200 nós sensores com níveis de energia iniciais heterogêneos. O desempenho foi comparado com K-Means e PSO independentes.

Principais Contribuições

• Arquitetura Híbrida: O artigo introduz uma estrutura fundida K-PSO que aproveita o K-Means para o particionamento espacial e o PSO para a otimização de CH consciente de energia, visando mitigar as armadilhas de ótimos locais do K-Means e a convergência lenta do PSO independente.
• Consciência Ambiental: Diferente de muitos protocolos de agrupamento tradicionais, o modelo proposto integra explicitamente variáveis ambientais (umidade, temperatura, qualidade do ar) nos modelos de dissipação de energia e avaliação de aptidão, tornando-o adequado para cenários de monitoramento externo dinâmicos.
• Seleção Dinâmica de CH: A abordagem utiliza uma função de aptidão ponderada que ajusta dinamicamente a seleção de CH com base na energia residual, densidade de nós e condições ambientais, em vez de depender de limiares estáticos.

Resultados
Simulações realizadas ao longo de 1.000 rodadas demonstraram a superioridade do algoritmo K-PSO sobre o K-Means e o PSO independente em várias métricas:

• Estabilidade de Cluster: O K-PSO alcançou a maior estabilidade com uma contagem média de CH de 10,50 e um desvio padrão de $\pm 0,25$. Em contraste, o K-Means mostrou alta variabilidade ($\pm 0,52$) e o PSO mostrou estabilidade média ($\pm 0,40$).
• Conservação de Energia: Na rodada 1.000, a energia residual média para o K-PSO foi de 36,2 J, superando significativamente o PSO (18,1 J) e o K-Means (0 J, indicando esgotamento total). O K-PSO manteve consistentemente níveis de energia residual mais altos durante toda a simulação.
• Vida Útil da Rede: O algoritmo K-PSO retardou significativamente as falhas dos nós:
  • Primeira Morte de Nó (FND): Ocorreu na rodada 264 para o K-PSO, comparado a 192 para o PSO e 134 para o K-Means.
  • Última Morte de Nó (LND): A rede sobreviveu até a rodada 961 com o K-PSO, comparado a 814 para o PSO e 655 para o K-Means.

Significância e Alegações
Os autores alegam que o algoritmo K-PSO aumenta efetivamente a conservação de energia, retarda a morte dos nós e mantém a estabilidade do Chefe de Cluster, prolongando assim a vida útil operacional das RSSFs usadas para monitoramento ambiental. O estudo afirma que, ao selecionar inteligentemente CHs energeticamente eficientes e formar clusters equilibrados, a abordagem híbrida aborda as limitações dos protocolos tradicionais em relação ao esgotamento prematuro de energia e instabilidade. O artigo conclui que o K-PSO é uma solução robusta para estender a viabilidade da rede em ambientes ambientais dinâmicos e com restrição de energia. Os autores sugerem que trabalhos futuros poderiam envolver a implantação em tempo real em bancadas de teste físicas e a integração com módulos preditivos de falha de energia, mas o presente estudo é limitado à validação baseada em simulação.