Un Análisis Comparativo de Algoritmos Avanzados de Enrutamiento y Selección de Cabezas de Clúster Usando Interpolación de Lagrange
Autores: Mabunga, Zoren P.; Dela Cruz, Jennifer C.; Maaliw, Renato R.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un Análisis Comparativo de Algoritmos Avanzados de Enrutamiento y Selección de Cabezas de Clúster Usando Interpolación de Lagrange
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Telecomunicaciones
Palabras clave
Optimización de gansos salvajes
Redes de sensores inalámbricos
Métrica de rendimiento
Interpolación de Lagrange
Rendimiento del algoritmo
Selección de cabezas de clúster
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
Este documento presenta una métrica de rendimiento unificada para evaluar el algoritmo de optimización de gansos salvajes cronológicos (CWGO) en redes de sensores inalámbricos (WSNs). La métrica combina factores clave de rendimiento: consumo de energía, retraso, distancia y confianza, en una sola medida utilizando la interpolación de Lagrange, proporcionando una evaluación más completa de los algoritmos de WSN. Evaluamos CWGO en comparación con E-CERP, EECHIGWO, DUCISCA y DE-SEP en configuraciones de nodos de sensores estáticos y dinámicos en varias tecnologías inalámbricas, incluyendo LoRa, Wi-Fi, Zigbee y Bluetooth de baja energía (BLE). Los resultados muestran que CWGO supera consistentemente a los otros algoritmos, especialmente en configuraciones de nodos más grandes, demostrando su escalabilidad y robustez en entornos estáticos y dinámicos. Además, la métrica unificada revela brechas de rendimiento significativas con EECHIGWO, que tiene un rendimiento inferior en todas las tecnologías inalámbricas. DUCISCA y DE-SEP muestran resultados moderados y fluctuantes, subrayando sus limitaciones en redes más grandes. Mientras que E-CERP tiene un rendimiento competitivo, generalmente se queda atrás de CWGO. La métrica unificada ofrece una visión holística del rendimiento del algoritmo, transmitiendo comparaciones más claras a través de múltiples factores. Este estudio enfatizó la importancia de un enfoque de evaluación unificado para los algoritmos de WSN y posiciona a CWGO como una solución superior para la selección eficiente de cabezas de clúster y la optimización de enrutamiento en diversos escenarios de WSN. Aunque CWGO demuestra un rendimiento superior en simulaciones, futuras investigaciones deberían validar estos hallazgos en implementaciones del mundo real, teniendo en cuenta las limitaciones de hardware y en un entorno altamente dinámico. Una mayor optimización de la eficiencia computacional de la métrica unificada podría mejorar su aplicabilidad en tiempo real en WSNs más grandes, con recursos energéticos limitados.
Descripción
Este documento presenta una métrica de rendimiento unificada para evaluar el algoritmo de optimización de gansos salvajes cronológicos (CWGO) en redes de sensores inalámbricos (WSNs). La métrica combina factores clave de rendimiento: consumo de energía, retraso, distancia y confianza, en una sola medida utilizando la interpolación de Lagrange, proporcionando una evaluación más completa de los algoritmos de WSN. Evaluamos CWGO en comparación con E-CERP, EECHIGWO, DUCISCA y DE-SEP en configuraciones de nodos de sensores estáticos y dinámicos en varias tecnologías inalámbricas, incluyendo LoRa, Wi-Fi, Zigbee y Bluetooth de baja energía (BLE). Los resultados muestran que CWGO supera consistentemente a los otros algoritmos, especialmente en configuraciones de nodos más grandes, demostrando su escalabilidad y robustez en entornos estáticos y dinámicos. Además, la métrica unificada revela brechas de rendimiento significativas con EECHIGWO, que tiene un rendimiento inferior en todas las tecnologías inalámbricas. DUCISCA y DE-SEP muestran resultados moderados y fluctuantes, subrayando sus limitaciones en redes más grandes. Mientras que E-CERP tiene un rendimiento competitivo, generalmente se queda atrás de CWGO. La métrica unificada ofrece una visión holística del rendimiento del algoritmo, transmitiendo comparaciones más claras a través de múltiples factores. Este estudio enfatizó la importancia de un enfoque de evaluación unificado para los algoritmos de WSN y posiciona a CWGO como una solución superior para la selección eficiente de cabezas de clúster y la optimización de enrutamiento en diversos escenarios de WSN. Aunque CWGO demuestra un rendimiento superior en simulaciones, futuras investigaciones deberían validar estos hallazgos en implementaciones del mundo real, teniendo en cuenta las limitaciones de hardware y en un entorno altamente dinámico. Una mayor optimización de la eficiencia computacional de la métrica unificada podría mejorar su aplicabilidad en tiempo real en WSNs más grandes, con recursos energéticos limitados.