بهینه سازی همزمان انتخاب سرخوشه و مسیر در WSN با استفاده از الگوریتم Hermit Crab Shell Exchange و یادگیری تقویتی فدرال

شبکه های حسگر بی سیم به دلیل محدودیت شدید منابع، انرژی، توان پردازشی و آسیب پذیری در برابر حملات، با چالش های اساسی در زمینه انتخاب سرخوشه و مسیریابی کارآمد مواجه هستند. در این پژوهش، یک روش نوین برای بهینه سازی همزمان فرآیند انتخاب سرخوشه و مسیریابی ایمن در شبکه های حسگر بی سیم ارائه می شود که مبتنی بر ترکیب الگوریتم Hermit Crab Shell Exchange و یادگیری تقویتی فدرال است. در روش پیشنهادی هر گره حسگر به عنوان یک عامل یادگیری Q در نظر گرفته می شود که با بهره گیری از سازوکار یادگیری فدرال، سیاست های مسیریابی را به صورت غیرمتمرکز و بدون نیاز به تبادل داده های خام با مرکز آموزش می دهد. این رویکرد ضمن کاهش سربار ارتباطی، حریم خصوصی داده ها را حفظ کرده و مقیاس پذیری شبکه را بهبود می بخشد. الگوریتم Hermit Crab Shell Exchange به منظور بهینه سازی خوشه بندی اولیه و تولید مسیرهای با کیفیت بالا به کار گرفته شده است و با فراهم سازی شرایط اولیه مناسب، سرعت همگرایی فرآیند یادگیری تقویتی را افزایش می دهد. تابع هدف پیشنهادی به گونه ای طراحی شده است که مصرف انرژی، تاخیر انتها به انتها و امنیت مسیر را به صورت همزمان در نظر بگیرد. نتایج شبیه سازی نشان می دهد که روش پیشنهادی در مقایسه با روش های مرجع بهبود قابل توجهی در شاخص های عملکردی از جمله دقت طبقه بندی، نرخ تحویل بسته، تاخیر، نسبت از دست دادن بسته، نرخ خطای بیت و طول عمر شبکه ارائه می دهد؛ همچنین تحلیل پیچیدگی محاسباتی بیانگر آن است که روش پیشنهادی با حذف ترم های مربعی غالب و استفاده از ساختار فدرال هزینه محاسباتی کمتری نسبت به روش های کلاسیک و یادگیری تقویتی متمرکز دارد. نتایج حاصل نشان می دهد که رویکرد پیشنهادی گزینه ای کارآمد، مقیاس پذیر و قابل اعتماد برای بهبود عملکرد و پایداری شبکه های حسگر بی سیم، به ویژه در شبکه های بزرگ و پویا محسوب می شود.

کلیدواژه ها:

شبکه های حسگر بی سیم ، یادگیری تقویتی فدرال ، انتخاب سرخوشه ، مسیریابی امن ، بهینه سازی مصرف انرژی ، الگوریتم