[论文解读] Bio-inspired Algorithms in the Optimisation of Wireless Sensor Networks

Joana Matos, Carine Menezes Rebello+4 more|arXiv (Cornell University)|Oct 10, 2022

Evolutionary Algorithms and Applications被引用 5

一句话总结

本文综述了生物启发式优化算法——遗传算法（GA）、粒子群优化（PSO）和蚁群优化（ACO）——在提升无线传感器网络（WSN）性能方面的应用，重点聚焦于多目标优化，以最大化网络寿命、覆盖率和连通性，同时最小化能耗和节点数量。研究结论表明，基于多目标优化（MOO）的生物启发式方法能有效解决复杂的WSN设计挑战。

ABSTRACT

WSN are a growing technology in industrial and personal use fields. The Quality of Service (QoS) of WSN is associated to the architecture of WSN nodes and network design. In this work, the composition of the nodes and network is analysed. The success of WSN is related to the maximisation of the lifetime and coverage of the device, allied to the minimisation of energy consumption and number of nodes, guaranteeing a good network connectivity and high transmission. The most common WSN issues are presented and reviewed. The most suitable optimisation technique is Multi-objective (MOO) which is exemplified in this work from complex multi-objective functions which include several WSN problems. The second part of this review focus on bio-inspired algorithms in WSN optimisation: Genetic Algorithms (GA), Particles Swarm Optimisation (PSO) and Ant Colony Optimisation (ACO). Other less common methods are also present and related to WSN issues.

研究动机与目标

• 分析影响无线传感器网络（WSN）服务质量（QoS）的架构与设计挑战。
• 识别WSN中的关键问题，如能耗、网络寿命、覆盖率和连通性。
• 评估多目标优化（MOO）作为综合框架，用于同时解决多个WSN性能指标。
• 回顾并比较生物启发式算法（包括GA、PSO和ACO）在解决复杂WSN优化问题中的应用。
• 评估较少见的生物启发式方法在WSN优化背景下的适用性与有效性。

提出的方法

• 采用多目标优化（MOO）同时解决无线传感器网络中相互竞争的目标，如能效、覆盖率和连通性。
• 利用遗传算法（GA）通过选择、交叉和变异操作演化出最优网络配置。
• 应用粒子群优化（PSO）利用社会觅食行为搜索最优节点部署位置和能量分配方案。
• 实施蚁群优化（ACO）通过模拟蚂蚁的化学信息素觅食行为，寻找低能耗的路由路径。
• 回顾并整合较少见的生物启发式技术，如人工蜂群算法和萤火虫算法，用于WSN优化。
• 使用复杂、多目标函数分析这些算法的性能，以建模真实世界WSN部署约束。

实验结果

研究问题

• RQ1 多目标优化如何有效平衡无线传感器网络中相互竞争的目标，如能效、覆盖率和网络寿命？
• RQ2 GA、PSO和ACO在解决WSN优化问题方面各自的优缺点是什么？
• RQ3 与传统优化方法相比，生物启发式算法在WSN中的收敛速度和解质量方面表现如何？
• RQ4 较少见的生物启发式算法在哪些方面能够超越GA、PSO和ACO，进一步提升WSN性能？
• RQ5 MOO驱动的生物启发式算法能够有效解决WSN部署中的哪些关键设计权衡？

主要发现

• 多目标优化（MOO）为同时最大化网络寿命、覆盖率和连通性，同时最小化能耗和节点数量，提供了稳健的框架。
• 遗传算法（GA）在探索大规模解空间以实现最优WSN节点配置和部署方面表现出色。
• 粒子群优化（PSO）在能效路由和WSN节点部署中能高效收敛至近优解。
• 蚁群优化（ACO）通过信息素路径选择机制，能有效识别低能耗、高可靠性的路由路径。
• 较少见的生物启发式方法，如人工蜂群算法和萤火虫算法，在解决特定WSN挑战方面展现出潜力，但尚需进一步验证。
• 研究结论认为，生物启发式算法非常适用于复杂、动态的WSN优化任务，尽管最终研究因故撤回，未产出最终结果或验证。