Lifetime Improvement in Wireless Sensor Networks using Hybrid Differential Evolution and Simulated Annealing (DESA)

ABSTRACT

The major concerns in Wireless Sensor Networks (WSN) are energy efficiency as they utilize small sized batteries, which can neither be replaced nor be recharged. Hence, the energy must be optimally utilized in such battery operated networks. One of the traditional approaches to improve the energy efficiency is through clustering. In this paper, a hybrid differential evolution and simulated annealing (DESA) algorithm for clustering and choice of cluster heads is proposed. As cluster heads are usually overloaded with high number of sensor nodes, it tends to rapid death of nodes due to improper election of cluster heads. Hence, this paper aimed at prolonging the network lifetime of the network by preventing earlier death of cluster heads. The proposed DESA reduces the number of dead nodes than Low Energy Adaptive Clustering Hierarchy (LEACH) by 70%, Harmony Search Algorithm (HSA) by 50%, modified HSA by 40% and differential evolution by 60%.

INTRODUCTION

Wireless Sensor Networks (WSNs) consist of large number of tiny nodes which are either manually or randomly deployed in diversified applications. The network considered is of homogeneous or heterogeneous in nature. Eventually due to the energy consumption being dependent on the distance between the cluster head and the node or the base station and the node, the energy of the nodes reduces in each and every round. The network totally dies when all the nodes present in the network have zero energy. Thus, the energy must be optimally used . Optimization is the procedure of finding the conditions that minimize the death of the nodes . Optimization in general can be either heuristic or meta-heuristic. Heuristics work on one problem at a time. Meta-heuristics on the other hand work on a set of problems at a time. Heuristics take full advantage of the particularities of the problem and they are greedy in nature in the sense that the solution gets trapped in local minimum and fails to find the global optimum . However, meta-heuristics are problem dependent and do not take advantage of the particularities of the problem and find the global minimum. On the other hand, heuristics is tailored to solve a specific problem.

چکیده

نگرانی عمده در شبکه های سنسور بی سیم (WSN) صرفه جویی در مصرف انرژی است زیرا از باتری های کوچک استفاده می کنند که نمی توانند جایگزین شوند و یا شارژ شوند. از این رو، در چنین شبکه هایی با باتری، انرژی باید به طور مطلوب مورد استفاده قرار گیرد. یکی از رویکردهای سنتی برای بهبود بهره وری انرژی از طریق خوشه بندی است. در این مقاله، یک الگوریتم تفاضلی ترکیبی و الگوریتم شبیه سازی آنیل (DESA) برای خوشه بندی و انتخاب سر خوشه پیشنهاد شده است. با توجه به اینکه سرهای خوشه معمولا با تعداد زیاد گره های حسگر بیش از حد بارگذاری می شوند، به علت انتخاب نادرست از خوشه ها، مرگ و میر ناشی از گره ها منجر به مرگ می شود. از این رو، این مقاله با هدف جلوگیری از مرگ زودهنگام شبکه های خوشه ای، طول عمر شبکه شبکه را افزایش داده است. DESA پیشنهادی، تعداد گره های مرده را از سلسله مراتب خوشه بندی سازگار با انرژی کم (LEACH) 70٪، الگوریتم جستجوی هماهنگ (HSA) 50٪، HSA 40٪ و تفاضل تفاضل 60٪ را کاهش می دهد.

مقدمه

شبکه های سنسور بی سیم (WSNs) شامل تعداد زیادی از گره های کوچک است که به صورت دستی یا به طور تصادفی در برنامه های متنوع اعمال می شوند. شبکه در نظر گرفته شده است همگن یا ناهمگون در طبیعت. در نهایت به دلیل اینکه مصرف انرژی وابسته به فاصله بین سر خوشه و گره یا ایستگاه پایه و گره است، انرژی گره ها در هر دور کاهش می یابد. شبکه زمانی که تمام گره های موجود در شبکه انرژی صفر دارند، کاملا می میرد. بنابراین، انرژی باید به طور مطلوب استفاده شود. بهینه سازی روش یافتن شرایطی است که مرگ گره ها را به حداقل برساند. بهینه سازی به طور کلی می تواند به صورت اکتشافی یا فراشناختی باشد. اکتشافات بر روی یک مشکل در یک زمان کار می کنند. از سوی دیگر، متا-اوریستی ها در یک زمان به یک مجموعه از مشکلات کار می کنند. Heuristics به طور کامل از ویژگی های مشکل استفاده می کند و آنها در طبیعت حریص هستند به این معنی که راه حل می شود در حداقل محلی به دام افتاده و نتواند برای بهینه سازی جهانی. با این حال، متا-اکتشافی ها وابسته به مشکالت هستند و از ویژگی های مشکل استفاده نمی کنند و حداقل جهان را پیدا می کنند. از سوی دیگر، اکتشافی ها برای حل یک مشکل خاص طراحی شده اند.

Year: 2016

Publisher: ELSEVIER

By : Sweta Potthuri, T. Shankar , A. Rajesh