DOI: https://doi.org/10.1038/s41598-025-01841-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40369115
تاريخ النشر: 2025-05-14
المؤلف: G. Pushpa وآخرون
الموضوع الرئيسي: شبكات الاستشعار اللاسلكية الموفرة للطاقة
نظرة عامة
تتناول هذه البحث التحدي المتمثل في تحقيق تغطية مثلى في الشبكات اللاسلكية الاستشعار (WSNs) ضمن بيئات ديناميكية، حيث تفشل تقنيات التحسين التقليدية مثل الخوارزميات الجينية وتحسين سرب الجسيمات بسبب نقص قدراتها على التعلم الذاتي في الوقت الحقيقي. يقترح المؤلفون نموذجًا هجينًا جديدًا يجمع بين التعلم العميق المعزز (DRL) والشبكات العصبية البيانية (GNN). يسهل مكون DRL اتخاذ قرارات تكيفية لتعديلات عقد الاستشعار بناءً على ملاحظات أداء الشبكة في الوقت الحقيقي، بينما يعزز GNN الوعي المكاني من خلال التقاط الاعتماديات العلائقية بين عقد الاستشعار، مما يؤدي إلى تحسين كفاءة التغطية. يظهر نموذج DRL-GNN المقترح تحسينات كبيرة، حيث يحقق نسبة تغطية تصل إلى 96.4%، وكفاءة طاقة تبلغ 95.8%، وتقليل التداخل إلى 5.2%، متفوقًا على الطرق التقليدية.
في الختام، لا يعزز دمج DRL وGNN في هذا النموذج التكيف وكفاءة التشغيل في WSNs فحسب، بل يعالج أيضًا قيود التقنيات الحالية. ومع ذلك، يقدم النموذج تعقيدًا حسابيًا، خاصة في الشبكات الكبيرة، ويتطلب أداؤه في السيناريوهات الواقعية ذات المتغيرات غير المتوقعة مزيدًا من التحقق. ستركز الأبحاث المستقبلية على تقليل هذا العبء الحسابي مع الحفاظ على قدرات التعلم والتكيف للنموذج، إلى جانب الاختبار في العالم الحقيقي لضمان قابلية تطبيق أوسع عبر مختلف تطبيقات WSN.
النتائج
تم التحقق من نتائج نموذج التغطية المثلى المقترح لشبكات الاستشعار اللاسلكية (WSNs)، باستخدام التعلم العميق المعزز (DRL) مع الشبكات العصبية البيانية (GNN)، من خلال محاكاة MATLAB. تم تقييم الأداء باستخدام مقاييس مختلفة، بما في ذلك نسبة التغطية، وكفاءة الطاقة، وتداخل التغطية، ومعدل النقل، والكمون، واستهلاك الطاقة، وعمر الشبكة. تشير النتائج الرئيسية إلى أن التركيبة المثلى لمعدل التعلم (LR) وعامل الخصم (DF) (0.001، 0.99) حققت أعلى نسبة تغطية وكفاءة طاقة، متفوقة على التركيبات الأخرى. يتكيف النموذج بفعالية مع مواضع العقد لتقليل فجوات التغطية وتعزيز الأداء العام للشبكة، مما يظهر أهمية المكافآت طويلة الأجل في تحسين التغطية.
كشفت التحليلات الإضافية أنه مع زيادة عدد العقد، تحسنت نسبة التغطية وكفاءة الطاقة بشكل كبير، حيث حققت التكوين المكون من 50 عقدة أعلى كفاءة طاقة تبلغ حوالي 0.92 بحلول التكرار 1000. تؤكد النتائج قدرة النموذج على التكيف ديناميكيًا مع ظروف الشبكة المتغيرة وكثافات العقد، مما يزيد من التغطية ويقلل من التكرار التشغيلي. بالإضافة إلى ذلك، ساهمت قدرة GNN على إدارة العلاقات المكانية بين العقد في تقليل نسب التداخل، مما يعزز الكفاءة العامة للشبكة. تسلط هذه النتائج الضوء على فعالية نهج DRL-GNN في تحسين أداء WSN في النشر العملي.
المناقشة
تقدم قسم المناقشة في ورقة البحث مراجعة شاملة للتطورات الأخيرة في تحسين التغطية لشبكات الاستشعار اللاسلكية (WSNs). يصنف المنهجيات الحالية إلى خوارزميات تحسين تقليدية، وخوارزميات هجينة مستوحاة من الطبيعة، ونهج قائم على التعلم الآلي، مع تسليط الضوء على نقاط القوة والقيود الخاصة بكل منها. بشكل ملحوظ، استخدمت دراسات مختلفة تقنيات تحسين مثل خوارزمية الغرير العسل، والخوارزميات الجينية، وتحسين أسد النمل، حيث أظهرت كل منها تحسينات في كفاءة التغطية، واستهلاك الطاقة، وعمر الشبكة. ومع ذلك، تواجه هذه الطرق غالبًا تحديات، بما في ذلك زيادة التعقيد الحسابي ونقص التكيف مع ظروف الشبكة الديناميكية.
تؤكد الفجوة البحثية المحددة على الحاجة إلى نموذج تحسين متعدد الأهداف يعالج في الوقت نفسه التغطية وكفاءة الطاقة وعمر الشبكة، خاصة في سياق البيئات الديناميكية. يقدم العمل المقترح نموذجًا جديدًا يدمج التعلم العميق المعزز (DRL) والشبكات العصبية البيانية (GNN) لتحسين مواضع عقد الاستشعار ديناميكيًا. يهدف هذا النهج إلى زيادة التغطية مع تقليل التداخل واستهلاك الطاقة، مستفيدًا من DRL لاتخاذ القرارات في الوقت الحقيقي وGNN لنمذجة الاعتماديات المكانية بين العقد. يتم التحقق من فعالية النموذج المقترح من خلال النتائج التجريبية، مما يظهر أداءً معززًا مقارنة بأساليب التحسين التقليدية.
القيود
تُلاحظ خوارزمية الغرير العسل لقدراتها المحسنة في التغطية التي تم تحقيقها من خلال تحسين المعلمات، مما يحسن بشكل فعال التوازن بين الاستكشاف والاستغلال في سياقات حل المشكلات. ومع ذلك، فإن أحد القيود الكبيرة لهذه التقنية هو اعتمادها على ضبط المعلمات لتحقيق الأداء الأمثل. قد تعيق هذه المتطلبات قابليتها للتطبيق في السيناريوهات التي لا يمكن فيها ضبط إعدادات المعلمات بسهولة أو حيث تكون الموارد الحسابية محدودة.
DOI: https://doi.org/10.1038/s41598-025-01841-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40369115
Publication Date: 2025-05-14
Author(s): G. Pushpa et al.
Primary Topic: Energy Efficient Wireless Sensor Networks
Overview
This research addresses the challenge of achieving optimal coverage in Wireless Sensor Networks (WSNs) within dynamic environments, where traditional optimization techniques such as genetic algorithms and particle swarm optimization fall short due to their lack of real-time self-learning capabilities. The authors propose a novel hybrid model that combines Deep Reinforcement Learning (DRL) with Graph Neural Networks (GNN). The DRL component facilitates adaptive decision-making for sensor node adjustments based on real-time network performance feedback, while the GNN enhances spatial awareness by capturing relational dependencies among sensor nodes, thereby optimizing coverage efficiency. The proposed DRL-GNN model demonstrates significant improvements, achieving a coverage ratio of up to 96.4%, energy efficiency of 95.8%, and reducing overlap to 5.2%, outperforming traditional methods.
In conclusion, the integration of DRL and GNN in this model not only enhances adaptability and operational efficiency in WSNs but also addresses the limitations of existing techniques. However, the model introduces computational complexity, particularly in large-scale networks, and its performance in real-world scenarios with unpredictable variables requires further validation. Future research will focus on reducing this computational burden while maintaining the model’s learning and adaptive capabilities, alongside real-world testing to ensure broader applicability across various WSN applications.
Results
The results of the proposed optimal coverage model for Wireless Sensor Networks (WSNs), utilizing Deep Reinforcement Learning (DRL) with Graph Neural Networks (GNN), were validated through MATLAB simulations. The performance was assessed using various metrics, including coverage ratio, energy efficiency, coverage overlap, throughput, latency, energy consumption, and network lifetime. Key findings indicate that the optimal combination of learning rate (LR) and discount factor (DF) of (0.001, 0.99) yielded the highest coverage ratio and energy efficiency, outperforming other combinations. The model effectively adapts node placements to minimize coverage gaps and enhance overall network performance, demonstrating the importance of long-term rewards in optimizing coverage.
Further analysis revealed that as the number of nodes increased, the coverage ratio and energy efficiency improved significantly, with the configuration of 50 nodes achieving the highest energy efficiency of approximately 0.92 by the 1000th iteration. The results underscore the model’s capability to dynamically adjust to varying network conditions and node densities, thereby maximizing coverage and minimizing operational redundancy. Additionally, the GNN’s ability to manage spatial relationships among nodes contributed to reduced overlap ratios, enhancing the overall efficiency of the network. These findings highlight the effectiveness of the DRL-GNN approach in optimizing WSN performance in practical deployments.
Discussion
The discussion section of the research paper provides a comprehensive review of recent advancements in coverage optimization for Wireless Sensor Networks (WSNs). It categorizes existing methodologies into traditional optimization algorithms, nature-inspired hybrid algorithms, and machine learning-based approaches, highlighting their respective strengths and limitations. Notably, various studies have employed optimization techniques such as the Honey Badger Algorithm, Genetic Algorithms, and Ant Lion Optimization, each demonstrating improvements in coverage efficiency, energy consumption, and network lifetime. However, these methods often face challenges, including increased computational complexity and a lack of adaptability to dynamic network conditions.
The identified research gap emphasizes the need for a multi-objective optimization model that simultaneously addresses coverage, energy efficiency, and network lifetime, particularly in the context of dynamic environments. The proposed work introduces a novel model that integrates Deep Reinforcement Learning (DRL) and Graph Neural Networks (GNN) to optimize sensor node positions dynamically. This approach aims to maximize coverage while minimizing overlap and energy consumption, leveraging DRL for real-time decision-making and GNN for modeling spatial dependencies among nodes. The proposed model’s effectiveness is validated through experimental results, demonstrating enhanced performance compared to traditional optimization methods.
Limitations
The Honey Badger algorithm is noted for its enhanced coverage capabilities achieved through parameter optimization, which effectively improves the balance between exploration and exploitation in problem-solving contexts. However, a significant limitation of this technique is its dependence on the fine-tuning of parameters to attain optimal performance. This requirement may hinder its applicability in scenarios where parameter settings are not easily adjustable or where computational resources are limited.