Search based gravitational algorithm

LIFETIME ENHANCEMENT IN WIRELESS SENSOR
NETWORKS WITH FUZZY LOGIC USING SBGA
ALGORITHM

Conteúdo
● ABSTRACT
● 1. INTRODUCTION
● 1.1. Sensor node deployment
● 1.2. Lifetime enhancement
● 1.3. Security considerations
● 2. ALGORITHM ANALYSIS
● 3. ALGORITHM DESIGN
● 3.1. Proposed solution
● 3.2. Estimation of residual energy
● 3.3. Estimation of link quality
● 3.4. Estimation of load
● 3.5. Node cost estimation using Fuzzy logic
● 3.5.1. Defuzzification of node cost
● 3.5.2. Algorithm for fuzzy application phase
● 3.6. Search based gravitational algorithm (SBGA)
● 3.6.1. Law of gravity
● 3.6.2. Law of motion
● 3.6.3. Algorithm for SGBA phase
● 4. SIMULATION RESULTS
● 4.1. Simulation model and parameters
● 4.2. Performance metrics
● 4.3. Results
● 4.3.1. Dense scenario based on rate
● 4.3.2. Sparse scenario based on rate
● 5. CONCLUSIONS

Abstract
A rede de sensores sem fio (WSN) apresenta muitos desafios devido ao ambiente de mobilidade crítica, como grandes atraso de
propagação e capacidade limitada de largura de banda dos canais de comunicação.
O artigo propõe lógica Fuzzy e protocolo de roteamento gravitacional baseado em pesquisa (FSBGRP) para melhoria. O Algoritmo
Gravitacional Baseado em Pesquisa (SBGA) é usado para pesquisar os caminhos.
Como o SBGA encontra o ótimo global mais rápido, tem maior taxa de convergência.
Para estimar o custo do nó usando a lógica fuzzy, os parâmetros como qualidade do link, energia residual e carga do sistema são
utilizados.
Os resultados da simulação provam que o protocolo proposto funciona bem em comparação com os protocolos existentes.

Introduction: 1.1. Sensor node deployment
Um nó sensor é composto por quatro elementos em conjunto com uma unidade sensora, uma unidade de processamento, um
unidade transceptor e uma unidade de potência.
A rede de sensores é comumente implantado para detectar os parâmetros físicos, ou seja, luz, pressão, som etc.
As limitações das RSSFs incluem o armazenamento de energia, capacidade de computação, distâncias de memória e
comunicação.

Introduction: 1.2. Lifetime enhancement
O tempo de vida das redes é medido como o tempo gasto para o primeiro nó falha devido ao esgotamento de energia.
O desempenho dos sensores permanece o mesmo durante toda a vida útil da rede.

Introduction: 1.3. Security considerations
Um ataque direto contra um protocolo de roteamento é direcionar as informações de roteamento trocadas entre nós.
Ao falsificar, alterar ou reproduzir informações de roteamento, adversários podem ser capazes de criar aumentos de loops de
roteamento, latência de ponta a ponta.
A maioria dos trabalhos existentes não considerou problemas como energia, o custo do nó.
Algoritmo A-Star consome enorme memória para manter os dados dos nós atuais.
Para superar esses problemas, foi usado no artigo a lógica fuzzy e o algoritmo de busca Gravitacional
O SBGA é usado para pesquisar os caminhos aleatoriamente dos nós implantados. Ele tende a encontrar o melhor global mais
rápido do que outros algoritmos, ou seja, maior taxa de convergência.
Dentro abordagem fuzzy para estimar o custo do nó, o parâmetros vinculam a qualidade e a distância do nó coletor estão incluídos
além da energia e da carga.

Algorithm Analysis
Vamos aprender algo novo !

2. ALGORITHM ANALYSIS
Imad S. Alshawi et al [10] propuseram um novo método de roteamento para WSN para estender a vida útil da rede usando uma
combinação de uma abordagem fuzzy e o A-Star.
Os resultados da simulação demonstram que o tempo de vida da rede alcançado por este método poderia ser aumentado em
quase 25% mais do que o obtido pelo algoritmo A-star e por quase 20% a mais do que o obtido pela abordagem fuzzy.

2. ALGORITHM ANALYSIS
Chongmyung Park et al [8] propuseram um novo protocolo de roteamento baseado em um algoritmo genético
em que os nós sensores estão cientes da taxa de tráfego de dados para monitorar o congestionamento da rede.
Abdul Mannan et al [9] propuseram uma técnica de aprendizagem de rede neural para aumentar a média da vida da bateria.
Nós de sensores começam a enviar dados para a Estação Base (BSN);

Algorithm Design

3. ALGORITHM DESIGN 3.1. Proposed
solution
Como uma solução para os problemas acima, este documento propõe desenvolver uma técnica de roteamento melhorada para
aprimoramento de vida útil em WSN. A Figura 1 mostra a estrutura de fluxo do metodologia proposta. O método proposto começa
com as aplicações de lógica fuzzy com as entradas de custos de nó.

3. ALGORITHM DESIGN 3.2. Estimation of
residual energy
A energia residual (Er) de cada nó sensor (Ni) é estimado usando a seguinte fórmula.
Onde Ei = Energia inicial do nó.
Etx & Erx = energia utilizada no momento da transmissão e recepção de dados.
Nós com maior energia restante participam na transmissão e recepção mais os nós com poder limitado.

link quality
A qualidade do link (LQi) do nó Ni é estimada com base nas transmissões bem sucedidas de pacotes de dados para os vizinhos.
É definido como média móvel exponencial, onde as transmissões no passado são menos significativas do que transmissões atuais
na avaliação do desempenho do link. Considere o cenário para transmitir o pacote de dados (q) de Ni para seu nó vizinho Nj

load
A carga do nó é estimada em termos de comprimento da fila. Estima-se usando a seguinte equação.
Cada nó executa o balanceamento de carga entre os nós com base no comprimento da fila.

3. ALGORITHM DESIGN 3.5. Node cost
estimation using Fuzzy logic
Nesta etapa, o custo do nó é estimado por meio da fuzzificação. A figura abaixo mostra a aplicação de regras difusas na estimativa
do custo do nó. Figura 3, 4, 5 mostra a função de associação para a entrada variáveis.

3. ALGORITHM DESIGN 3.5.1.
Defuzzification of node cost

3. ALGORITHM DESIGN 3.5.2. Algorithm for
fuzzy application phase
Passo 1: Obtenha o custo dos nós como entradas da rede.
Passo 2: Coloque a ponderação como qualidade de link.
Passo 3: Obtenha a saída como o custo do nó escolhido.

3. ALGORITHM DESIGN 3.6. Search based
gravitational algorithm (SBGA)
O algoritmo de otimização depende da lei de gravidade, onde os agentes são considerados objetos e seu desempenho é medido
por suas massas. Todos estes objetos se atraem pela força gravitacional.
Essa força provoca um movimento global de todos os objetos em direção ao objetos com massas mais pesadas. Assim, as massas
cooperam usando uma forma direta de comunicação através força gravitacional.
No SBGA, cada massa (agente) possui quatro especificações: posição, massa inercial, massa gravitacional ativa e massa
gravitacional passiva.
O algoritmo de busca gravitacional é um algoritmo de otimização heurística que vem ganhando interesse na
comunidade científica recentemente. Algoritmo de busca gravitacional (GSA) é um algoritmo de busca
populacional proposto por Rashedi et al. Em 2009. O GSA baseado na lei da gravidade e interações de
massa. A solução na população de GSAs é chamada agentes, esses agentes interagem uns com os outros
através da força da gravidade.

3. ALGORITHM DESIGN 3.6.1. Law of gravity
O SBGA poderia ser considerado como um sistema isolado de massas. É como um pequeno mundo artificial de massas
obedecendo às leis newtonianas da gravitação e movimento.
Cada partícula atrai outra partícula. A força gravitacional entre duas partículas é diretamente proporcional ao produto de suas
massas e inversamente proporcional à distância entre elas.

3. ALGORITHM DESIGN 3.6.2. Law of
motion
A velocidade atual de qualquer massa é igual à soma da fração de sua velocidade anterior e do variação na
velocidade.
Variação na velocidade ou aceleração de qualquer massa é igual à força atuada no sistema dividido por
massa de inércia. Agora, considere um sistema com agentes N (massas).
A posição do agente i é dado por:
Em um momento específico, a força atuando sobre a massa "i" massa “j” é definida do seguinte modo

3. ALGORITHM DESIGN 3.6.2. Law of
motion
Massas de gravidade e inércia são simplesmente calculadas pela avaliação da aptidão (Fitness).
Massa mais pesada é um agente mais eficiente. Isso significa que agentes melhores têm maiores atrações e
andam mais devagar. Assumindo a igualdade da massa gravitacional e inércia, os valores das massas são
calculados usando o mapa de aptidão.
As massas gravitacionais e de inércia são atualizadas usando as seguintes equações:

SGBA phase
Massas de gravidade e inércia são simplesmente calculadas pela avaliação da aptidão (Fitness).
Massa mais pesada é um agente mais eficiente. Isso significa que agentes melhores têm maiores atrações e
andam mais devagar. Assumindo a igualdade da massa gravitacional e inércia, os valores das massas são
calculados usando o mapa de aptidão.
As massas gravitacionais e de inércia são atualizadas usando as seguintes equações:

SGBA phase
Passo 1: Pesquise a identificação.
Passo 2: Inicialize o sistema aleatoriamente.
Passo 3: Revise a fitness ação dos agentes.
Passo-4: Update G(t), best(t), worst(t) and Mi(t) for i = 1,2,. . .,N.
Passo 5: Calcule a força total em diferentes direções.
Passo 6: Calcule a aceleração e velocidade.
Passo-7: Atualize a posição dos agentes.
Passo-8: Repita os passos 3 a 8, até que o critério de parada seja
alcançado

Recaptulando

Search based gravitational algorithm

4. SIMULATION RESULTS :4.1. Simulation
model and parameters
Denso se o seu número de sensores é da mesma ordem que o quadrado do número de ligações na rede,
digamos V2/2, ou V2/10, ou V2/100, ou algo assim.
Esparso se seu número de ligações é da mesma ordem que o número de sensores, digamos 10V, ou V/2, ou
algo assim.

5. CONCLUSIONS
O Algoritmo A-Star consome muita memória para manter os dados dos nós atuais. SBGA tende a encontrar o
melhor global mais rápido do que outros algoritmos têm uma maior taxa de convergência.
O artigo propõe desenvolver uma técnica de roteamento aprimorada para aprimoramento de vida útil em
WSN.
Na abordagem fuzzy para estimar o custo do nó, os parâmetros vinculam a qualidade, energia e carga.
A constante gravitacional ajusta a precisão da pesquisa, diminuindo com o tempo;
O SBGA é um algoritmo sem memória. No entanto, funciona de forma eficiente como os algoritmos
com memória. Mostra a boa taxa de convergência do SBGA.

REFERENCES
[1] Zhou. J., Mu. C. 2006. Density domination of QoS Control with localized information
in wireless sensor networks. In Proceedings of the 6th International Conference on ITS
Telecommunications, pp. 21–23.
[2] Ayon Chakraborty, Kaushik Chakraborty, Swarup Kumar Mitra and M. K. Naska. 2009.
“An Optimized Lifetime Enhancement Scheme for Data Gathering in Wireless Sensor
Networks” Wireless Communication and senor Networks (WCSN), fifth IEEE conference
at Allahabad.
[3] Pallavi D. Joshi and G. M. Asutkar. 2012. “Lifetime Enhancement of WSN by
heterogeneous Power Distributions to nodes: A Design Approach” International
Journal of Applied Information Systems (IJAIS) Vol. 3, No.6.

REFERENCES
[4] Anitha, M. Selvi and Dr. N. Saravana Selvam. 2013. “Life Time Enhancement
Techniques in Wireless Sensor Network: A Survey”, International Journal of Emerging
Technology and Advanced Engineering. Vol 3, Issue 10.
[5] Priyanka, M. Lokhande and A. P. Thakare. 2013. “Maximization of lifetime and
minimization of Delay for performance Enhancement of WSN” International Journal of
technology and management Vol.2 No.1.
[6] Hadi Jamali Rad, Bahman Abolhassani and Mohammed Abdizadeh. 2010. “Lifetime
Optimization via network sectoring in cooperative wireless sensor networks”, Journal of
Wireless Sensor Networks, Vol. 2, No. 12, Dec.

REFERENCES
[7] Lalit Saraswat and Dr. Sachin Kumar. 2012. “Balancing the network overload for the
lifetime enhancement of wireless sensor networks”,IJESAT International Journal of
engineering Science and advanced technology. Vol.2 and Issue 2.
[8] Chongmyung Park, Harksoo Kim and Inbum Jung. 2010. “Traffic-aware routing
protocol for wireless sensor networks”, IEEE Inform.Sci.Appl International conference.
pp 1-8.
[9] Abdul Mannan. 2012. “Self organizing Maps based Life Enhancement Framework for
wireless sensor Networks”, International Arab Journal of etechnology, Vol. 2, No.4.
[10]Imad S. Alshawi, Lianshan Yan, Wei pan and Bin Luo. 2012. “Lifetime Enhancement
in wireless sensor networks using Fuzzy Approach and A- star Algorithm”, IEEE sensor
journal. Vol. 12 and No. 10.

REFERENCES
[11]Vinh TRAN QUANG and Takumi MIYOSHI. 2008. “Adaptive Routing Protocol with
Energy efficient and event clustering for wireless sensor networks”, IEICE transactions.
Vol. E 91-B, No 9.
[12]Stefano Basagni, Chiara Petrioli, Roberto Petroccia and Daniele Spaccini. 2012.
“Channel-aware routing protocol for Underwater wireless sensor networks”, IEEE
Conference, OCEANS, May.

The harder you work for something,
the greater you'll feel when you
achieve it.

Search based gravitational algorithm

Mais conteúdo relacionado

Mais de CRISLANIO MACEDO (20)

Último (16)

Search based gravitational algorithm