Lifetime maximization of hop-and-delay constrained wireless sensor networks with mobile agent

Abstract

Wireless Sensor Networks (WSNs) have emerged as an attractive and challenging research field. One of the main challenges in such networks lies in the constrained energy resources available to sensor nodes. Since the sensors are usually deployed in hostile environments and in large quantities, it is difficult or impossible to replace or recharge their batteries. A possible solution to save energy is to allow a mobile agent to move through the WSN to collect the data, but this approach increases the delay delivery of messages. In this work we use a communication forest, where the roots (cluster heads) of the trees are the sensors visited by the mobile agent; the other sensors send their information to the cluster heads using one or more hops. The problem is to define the cluster heads, the communication forest and the mobile agent path in order to minimize the total energy consumption within a limited delay. We introduce a Genetic Algorithm (GA) that defines the set of cluster heads using a specialized heuristic to evaluate the solutions. Results are presented for WSN with up to 80 nodes using different limits for the mobile agent path length, in order to control the delivery delay of messages. The optimality of the solutions for some instances with 20 and 30 nodes were confirmed by solving a Mixed-Integer Linear Programming formulation.

Extending the Lifetime of Wireless Sensor Networks using a Genetic Model for Defining Mobile Sinks

“…Typically, most of the literatures on mobile sinks consider the communication cost among sensor nodes, assuming that maximizing the network lifetime is similar of minimizing the energy consumption. [4][5][6] However, this is not the only factor to be analyzed, because we must also balance the residual battery energy of nodes when we intend to maximize the network lifetime. There are some researches that also consider the residual energy in the sensor nodes in order to better distribute the workload among the nodes and, consequently, increase the network lifetime.…”

“…Then, the heuristic uses a greed strategy to define the subset of locations that must be further optimized. Romao et al, 4 consider the node locations to limit the possible points where the drone can stop to collect data. Finally, Silva & Nascimento 10 propose a GRASP-based solution for finding better routes in order to save power and increase network lifetime.…”

Modelagem Genética para Estender o Tempo de Vida de Redes de Sensores Sem Fio com Sorvedouro Móvel

“…A maioria dos trabalhos considerados baseia-se somente no custo de comunicação entre nós sensores em suas abordagens, partindo do pressuposto que maximizar o tempo de vida da rede é equivalente a minimizar o consumo de energia (ROMAO et al 2013, TASHTARIAN et al, 2012ALMI'ANI et al, 2010). Embora esta correlação exista, este não é o único fator envolvido, também é preciso considerar a energia residual dos nós e a distribuição do consumo pelos nós da rede ao longo do seu tempo de vida.…”

“…Embora tal clusterização seja um bom critério para minimizar a quantidade média de saltos na rede como um todo, dependendo da topologia da rede é possível que o k-means crie clusters desbalanceados, deixando poucos nós com um número elevado de saltos que podem, consequentemente, causar a desconexão de um número significativo de nós. ROMAO et al (2013) propõem um algoritmo genético para determinar o conjunto de líderes de grupo que concentrarão os dados coletados, o roteamento de cada nó sensor para o respectivo líder de grupo, e um caminho visitando todos os líderes de grupo com tamanho menor que o máximo estabelecido. Para evitar um número excessivo de cálculos, o algoritmo genético foca apenas na seleção de quais nós sensores serão considerados como líderes de grupo, enquanto as outras etapas são feitas posteriormente.…”