Egységes megerősítéses tanulási keretrendszer adaptív rajintelligencia-algoritmusokhoz vezeték nélküli szenzorhálózatokban
A Unified Reinforcement Learning Framework for Adaptive Swarm Intelligence in Wireless Sensor Networks
Keywords:
Wireless Sensor Networks, Reinforcement Learning, Swarm Intelligence, Cluster-Head Selection, Energy Efficiency, /, vezetéknélküli szenzorhálózatok, megerősítéses tanulás, klaszterfej-kiválasztás, energiahatékonyságAbstract
This paper presents RL-SI, a network-aware reinforcement-learning framework for controlling ABC, continuous ACO, GWO, and PSO during energy-aware cluster-head selection in wireless sensor networks. Algorithm-specific Double-DQN policies employ a shared 13-variable state representation and six control actions. Fixed and RL-guided variants are evaluated in 120 simulations covering networks of 50, 250, and 1000 nodes and five layouts per configuration. RL-SI most consistently improves packet-delivery reliability and often reduces optimizer runtime, particularly at larger scales, while its effects on network lifetime and energy preservation remain algorithm-dependent.
Kivonat
A tanulmány az RL-SI, a hálózat állapotát figyelembe vevő megerősítéses tanulási keretrendszert mu-tatja be az ABC, a folytonos ACO, a GWO és a PSO energiahatékony klaszterfej-kiválasztásának vezérlésére vezeték nélküli szenzorhálózatokban. Az algoritmusspecifikus Double-DQN szabályozók kö-zös, 13 változós állapotleírást és hat vezérlési műveletet alkalmaznak. A fix és az RL-vezérelt változatokat 120 szimulációban, 50, 250 és 1000 csomópontos hálózatokon értékeltük. Az RL-SI legkövetkezetesebben a csomagkézbesítés megbízhatóságát javította, és gyakran csökkentette a futási időt, míg az élettartamra és az energiamegőrzésre gyakorolt hatása algoritmusfüggő maradt.
References
[1] W. R. Heinzelman, A. Chandrakasan, and H. Balakrishnan, “Energy-Efficient Communication Protocol for Wireless Microsensor Networks,” Proceedings of the 33rd Hawaii International Conference on System Sciences, IEEE, 2000. doi:10.1109/HICSS.2000.926982.
[2] N. M. A. Latiff, C. C. Tsimenidis, and B. S. Sharif, “Energy-Aware Clustering for Wireless Sensor Networks Using Particle Swarm Optimization,” 18th IEEE International Symposium on Personal, Indoor and Mobile Radio Communications, IEEE, 2007, pp. 1–5. doi:10.1109/PIMRC.2007.4394521.
[3] X. Li, B. Keegan, F. Mtenzi, T. Weise, and M. Tan, “Energy-Efficient Load Balancing Ant Based Routing Algorithm for Wireless Sensor Networks,” IEEE Access, vol. 7, pp. 113182–113196, 2019. doi:10.1109/ACCESS.2019.2934889.
[4] Z. Wang, H. Ding, B. Li, L. Bao, and Z. Yang, “An Energy Efficient Routing Protocol Based on Improved Artificial Bee Colony Algorithm for Wireless Sensor Networks,” IEEE Access, vol. 8, pp. 133577–133596, 2020. doi:10.1109/ACCESS.2020.3010313.
[5] M. Kaddi, M. Omari, K. Salameh, and A. Alnoman, “Energy-Efficient Clustering in Wireless Sensor Networks Using Grey Wolf Optimization and Enhanced CSMA/CA,” Sensors, vol. 24, no. 16, Article 5234, 2024. doi:10.3390/s24165234.
[6] R. Durgut, M. E. Aydin, and I. Atli, “Adaptive Operator Selection with Reinforcement Learning,” Information Sciences, vol. 581, pp. 773–790, 2021. doi:10.1016/j.ins.2021.10.025.
[7] F. Zhao, Z. Wang, L. Wang, T. Xu, and N. Zhu, “A Multi-Agent Reinforcement Learning Driven Artificial Bee Colony Algorithm with the Central Controller,” Expert Systems with Applications, vol. 219, Article 119672, 2023. doi:10.1016/j.eswa.2023.119672.
[8] J. Pei, Y. Mei, J. Liu, M. Zhang, and X. Yao, “Adaptive Operator Selection for Meta-Heuristics: A Survey,” IEEE Transactions on Artificial Intelligence, vol. 6, no. 8, pp. 1991–2012, 2025. doi:10.1109/TAI.2025.3545792.
