Anzeige
Erschienen in:
01.04.2025
SJO-MRL: Energy efficient path selection algorithm for WSNs
verfasst von: Mohana Bhindu K, Yogesh Palanichamy
Erschienen in: Peer-to-Peer Networking and Applications | Ausgabe 2/2025
EinloggenAktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by (Link öffnet in neuem Fenster)
Abstract
Der Artikel stellt einen innovativen energieeffizienten Wegeauswahlalgorithmus für Wireless Sensor Networks (WSNs) vor, der Salar-Jelly Optimized Markov Reinforcement Learning verwendet. Sie befasst sich mit der entscheidenden Herausforderung der Energieeffizienz in WSNs, die für Anwendungen wie Umweltüberwachung, Ereigniserkennung und Gesundheitswesen von entscheidender Bedeutung sind. Der vorgeschlagene Algorithmus kombiniert biologisch inspirierte Optimierungstechniken mit Verstärkungslernen, um die Leistung und Langlebigkeit des Netzwerks zu verbessern. Das HEED-Protokoll wird für die Auswahl des Clusterkopfes verwendet und der Markov Reinforcement Learning-Algorithmus für die Pfadauswahl. Zusätzlich wird eine Schlafplanung implementiert, um den Energieverbrauch weiter zu optimieren. Der Artikel hebt die einzigartige Integration von Quallen- und Lachsoptimierung hervor, die die Effizienz der Planung von Sensorknoten verbessert. Die Forschung zielt darauf ab, eine umfassende Lösung für die energieeffiziente Datenübertragung in WSNs bereitzustellen, die sie für Experten auf diesem Gebiet zu einer wertvollen Lektüre macht.
KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
Abstract
Wireless Sensor Network (WSN) comprises a group of sensors spread out in a specific area to observe environmental events and communicate data amongst themselves via wireless connections. The effective path selection in networks involves choosing optimal routes for data transmission considering parameters like distance, speed, energy efficiency, content of the data, terrestrial coordinates of sensor nodes, ordering of data, traffic, security, QoS parameters, past data current network conditions, etc. It is crucial for optimizing network performance by minimizing energy consumption and ensuring reliable data transmission. This research introduces a new model called Salar-Jelly Optimization based Markov Reinforcement Learning (SJO-MRL) for choosing paths in WSN. Implementing clustering techniques for data gathering is crucial in minimizing energy usage and prolonging the network's durability. The cluster head (CH) is nominated using the Hybrid Energy Efficient Distributed Clustering Protocol (HEED), considering various factors like node energy level, communication cost, the energy level of neighboring nodes, elect threshold, residual energy distribution, periodic re-clustering, randomized CH selection, and so on. The proposed algorithm uses the Markov Reinforcement Learning model to find optimal paths by learning behavior. Including sleep scheduling in data gathering can further encourage energy efficiency. A nature-inspired Hybrid Salar-jelly-based optimization combines Jellyfish and Salmon Optimization to mimic natural processes to schedule when nodes should be in an active (awake) or inactive (sleep) state. Offline model training optimizes computational resources. The results obtained show that at a specific time (99 ms), there is a very low delay of 0.9900 ms, and the data throughput is high at 499.89 bps. The energy used is also quite low, at 0.0319 J. Similarly, during training percentage (TP) 90, this model achieved a high accuracy rate of 95.73%, sensitivity of 96.42%, and specificity of 95.92%.
