[논문 리뷰] Genetic Algorithm Based Optimization of Clustering in Ad Hoc Networks

Bhaskar Nandi, Subhabrata Barman외 1명|arXiv (Cornell University)|2010. 02. 10.

Mobile Ad Hoc Networks참고 문헌 2인용 수 24

한 줄 요약

이 논문은 모바일 애드 hoc 네트워크(MANETs)에서 노드의 차수, 잔여 배터리 전력, 이동성 및 노드 간 거리와 같은 가중치 기반 클러스터 헤드(CH) 선택을 위한 유전 알고리즘(GA) 기반 최적화를 제안한다. GA 접근법은 결정론적 가중치 클러스터링 알고리즘(WCA)에 비해 네트워크 연결성을 향상시키지만, 모든 지표에서 일관되게 WCA를 능가하지는 않으며, 연결성과 기타 성능 요소 사이의 상충 관계를 보여준다.

ABSTRACT

In this paper, we have to concentrate on implementation of Weighted Clustering Algorithm with the help of Genetic Algorithm (GA).Here we have developed new algorithm for the implementation of GA-based approach with the help of Weighted Clustering Algorithm (WCA) (4). ClusterHead chosen is a important thing for clustering in adhoc networks. So, we have shown the optimization technique for the minimization of ClusterHeads(CH) based on some parameter such as degree difference, Battery power (Pv), degree of mobility, and sum of the distances of a node in adhoc networks. ClusterHeads selection of adhoc networks is an important thing for clustering. Here, we have discussed the performance comparison between deterministic approach and GA based approach. In this performance comparison, we have seen that GA does not always give the good result compare to deterministic WCA algorithm. Here we have seen connectivity (connectivity can be measured by the probability that a node is reachable to any other node.) is better than the deterministic WCA algorithm (4).

연구 동기 및 목표

• 모바일 애드 혹 네트워크(MANETs)에서 효율적이고 동적인 클러스터 헤드(CH) 선택 문제를 해결하기 위해.
• 네트워크 연결성과 에너지 효율성을 유지하면서 CH 수를 줄이기 위해.
• 노드 수준의 다수의 매개변수인 차수 차이, 잔여 배터리 전력, 이동성 및 노드 간 거리 기반으로 유전 알고리즘(GA)을 사용한 CH 선택 최적화를 위해.
• 제안된 GA 기반 접근법과 결정론적 가중치 클러스터링 알고리즘(WCA) 간의 성능를 비교하기 위해.
• 동적 MANET 환경에서 연결성, CH 수, 알고리즘 복잡성 간의 상충 관계를 평가하기 위해.

제안 방법

• 네트워크 연결성을 극대화하고 CH 수를 최소화하기 위해, 노드 간 차수 차이, 잔여 배터리 전력(Pv), 이동성 정도 및 노드에서 이웃 노드들까지의 거리 합계의 네 가지 핵심 매개변수를 기반으로 잠재적 CH 집합을 평가하기 위한 피트니스 함수를 설계하였다.
• 선택, 교차 및 변이 연산을 통해 인구 집단의 잠재적 CH 구성이 진화하도록 유전 알고리즘을 적용하여, 연결성을 극대화하면서도 CH 수를 최소화하는 방향으로 최적화를 수행하였다.
• 특정 세대 수에 도달할 때까지 반복적으로 개선되며, 네트워크 전반의 노드 간 가용성 확률을 높이는 구성이 우선시되는 방식으로 해를 향상시켰다.
• 기준 비교를 위해 WCA가 사용되었으며, 두 접근법 모두 동일한 네트워크 조건에서 평가되었다.
• 에너지 효율성, 안정성 및 연결성 간 균형을 이루기 위해 노드 특성의 가중치 집합을 최적화 과정에 통합하였다.
• 지정된 세대 수를 거친 후 도달한 최고의 피트니스 값을 기반으로 최종 CH 집합이 선정되었다.

실험 결과

연구 질문

• RQ1 GA 기반 CH 선택 접근법은 MANET에서 결정론적 WCA에 비해 네트워크 연결성을 향상시키는가?
• RQ2 GA 방법이 선정한 클러스터 헤드 수는 결정론적 WCA에 비해 어떻게 다른가?
• RQ3 GA 기반 접근법은 동적 애드 혹 네트워크에서 에너지 효율성, 이동성 및 연결성 간에 얼마나 잘 균형을 이루는가?
• RQ4 GA 기반 방법은 결정론적 방법에 비해 더 나은 장기적 네트워크 안정성과 낮은 CH 오버헤드를 달성할 수 있는가?
• RQ5 GA 기반 최적화에서 연결성 향상와 계산 오버헤드 사이의 상충 관계는 어떠한가?

주요 결과

• GA 기반 접근법은 노드 간 가용성 확률 측정 기준으로 결정론적 WCA보다 더 높은 네트워크 연결성을 달성한다.
• GA가 선정한 클러스터 헤드 수가 최소화되어 있어 스케일러빌리티 향상과 신호 오버헤드 감소를 의미한다.
• 연결성 향상에도 불구하고 GA는 모든 성능 지표에서 WCA를 일관되게 능가하지 않으며, 최적화 목표 간의 상충 관계를 보여준다.
• 피트니스 함수는 잔여 배터리 전력과 이동성과 같은 다수의 노드 수준 매개변수를 효과적으로 균형 잡아 클러스터 안정성을 향상시킨다.
• 노드 이동성과 에너지 수준이 크게 변동하는 동적 환경에서도 제안된 방법이 뛰어난 강건성을 보였다.
• 성능 비교 결과, 연결성이 GA 접근법의 우월성을 뒷받침하는 핵심 요소임을 확인하였으며, 다른 지표가 균일하게 향상되지는 않음을 시사한다.