Meta-sezgisel Algoritmalara Dayalı Geliştirilmiş DV-Hop Yerelleştirme Algoritmalarına Genel Bir Bakış

Creative Commons License

Yıldız D.

5th International Symposium of Scientific Research and Innovative Studies (ISSRIS’25), Balıkesir, Turkey, 19 - 22 March 2025, pp.600-602, (Summary Text)

  • Publication Type: Conference Paper / Summary Text
  • City: Balıkesir
  • Country: Turkey
  • Page Numbers: pp.600-602
  • Ondokuz Mayıs University Affiliated: Yes

Abstract

Wireless Sensor Networks (WSNs) are large-scale distributed systems with irregular topologies, and in these systems, accurate determination of the locations of nodes is of critical importance. Localization in WSNs is a process where various algorithms are used to determine the locations of nodes. One of the widely used algorithms, Distance Vector-Hop (DV-Hop), estimates the distance using the number of hops between nodes. However, the classical DV-Hop algorithm stands out as a method that needs to be improved due to the error rate in location estimations. In this context, the integration of meta-heuristic algorithms is considered as an important strategy to increase the accuracy of the DV-Hop algorithm. Meta-heuristic algorithms are known as flexible and powerful approaches used to find optimal convergent solutions in large search spaces. Metaheuristic methods such as Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution (DE), and Bee Colony Optimization (ABC) are widely investigated to improve the performance of the DV-Hop algorithm. These methods provide a more accurate and reliable localization process by minimizing the estimated location errors. In addition, since metaheuristic algorithms have global optimization capacity, unlike classical methods, they can better adapt to the dynamic structure of the network topology. The integration of metaheuristic methods into the DV-Hop algorithm is generally based on two main stages: (i) improving the hop distance estimates and (ii) optimizing the location calculation process. While the hop distance of each node is calculated with a fixed average value in the classical DV-Hop algorithm, metaheuristic approaches provide a more realistic distance estimation by optimizing this process. For example, the PSO-based DV-Hop algorithm directs the movements of particles in the search area to minimize the error rates while determining the locations of the nodes. Similarly, GA-based approaches produce better solutions for global optimization by using genetic operators to determine node locations. In particular, hybrid metaheuristic methods allow the development of more efficient and accurate localization algorithms by combining different optimization techniques. For example, the combination of GA and PSO can significantly reduce the error rates of the DV-Hop algorithm by combining the global search capability of genetic operators with the fast convergence feature of PSO. In addition, evolutionary methods such as DE increase the localization accuracy by means of adaptive parameter updates. In this study, the effects of different metaheuristic algorithms on the DV-Hop localization algorithm are discussed in detail. The advantages and disadvantages of various metaheuristic methods are comparatively examined, and the approaches that provide the best performance are evaluated. Studies in the literature reveal that DV-Hop algorithms in which metaheuristic algorithms are integrated have significantly lower error rates compared to the classical DV-Hop algorithm. In addition, considering factors such as energy efficiency increases the applicability of metaheuristic algorithms. While traditional methods generally require less computational power, metaheuristic algorithms can include strategies that balance the processing costs since they provide higher accuracy. As a result, the integration of metaheuristic algorithms into the DV-Hop localization algorithm stands out as an effective method that increases the localization accuracy in WSNs. Such optimization techniques can also be used in more complex and dynamic network structures in the future and can contribute to WSNs providing more reliable localization solutions in various application areas. In particular, it is expected that such improved algorithms will be widely adopted in areas such as smart city applications, agricultural monitoring systems, disaster management, and the Internet of Things (IoT). Therefore, it is anticipated that studies on the integration of metaheuristic algorithms into localization processes will gain more importance in the future.

Kablosuz Algılayıcı Ağlar (KAA’lar), düzensiz topolojilere sahip büyük ölçekli dağıtılmış sistemlerdir ve bu sistemlerde düğümlerin konumlarının doğru bir şekilde belirlenmesi kritik bir öneme sahiptir. KAA'larda yerelleştirme, düğümlerin konumlarını belirlemek amacıyla çeşitli algoritmaların kullanıldığı bir süreçtir. Yaygın kullanılan algoritmalardan biri olan Uazklık Vektörü-Atlama (Distance Vector-Hop, DV-Hop) algoritması, düğümler arasındaki atlama sayısını kullanarak mesafe tahmini yapmaktadır. Ancak, klasik DV-Hop algoritması, konum tahminlerindeki hata oranı nedeniyle geliştirilmesi gereken bir yöntem olarak öne çıkmaktadır. Bu bağlamda, meta-sezgisel algoritmaların entegrasyonu, DV-Hop algoritmasının doğruluğunu artırmada önemli bir strateji olarak değerlendirilmektedir. Meta-sezgisel algoritmalar, geniş arama uzaylarında optimal yakınsayan çözümler bulmak için kullanılan esnek ve güçlü yaklaşımlar olarak bilinmektedir. Genetik Algoritma (GA), Parçacık Sürü Optimizasyonu (PSO), Diferansiyel Evrim (DE) ve Arı Kolonisi Optimizasyonu (ABC) gibi meta-sezgisel yöntemler, DV-Hop algoritmasının performansını artırmak için yaygın olarak araştırılmaktadır. Bu yöntemler, tahmini konum hatalarını minimize ederek daha doğru ve güvenilir bir yerelleştirme süreci sunmaktadır. Ayrıca, meta-sezgisel algoritmalar, klasik yöntemlerin aksine küresel eniyileme kapasitesine sahip olduklarından, ağ topolojisinin dinamik yapısına daha iyi uyum sağlayabilirler. Meta-sezgisel yöntemlerin DV-Hop algoritmasına entegrasyonu, genellikle iki temel aşamaya dayanmaktadır: (i) atlama mesafesi tahminlerinin iyileştirilmesi ve (ii) konum hesaplama sürecinin optimize edilmesi. Klasik DV-Hop algoritmasında, her düğümün atlama mesafesi sabit bir ortalama değer ile hesaplanırken, meta-sezgisel yaklaşımlar bu süreci optimize ederek daha gerçekçi bir mesafe tahmini yapılmasını sağlamaktadır. Örneğin, PSO tabanlı DV-Hop algoritması, düğümlerin konumlarını belirlerken hata oranlarını minimize etmek için parçacıkların arama alanındaki hareketlerini yönlendirmektedir. Benzer şekilde, GA tabanlı yaklaşımlar, düğüm konumlarını belirlemek için genetik operatörleri kullanarak global optimizasyona yönelik daha iyi çözümler üretmektedir. Özellikle hibrit meta-sezgisel yöntemler, farklı optimizasyon tekniklerini bir araya getirerek daha verimli ve hassas yerelleştirme algoritmalarının geliştirilmesine olanak tanımaktadır. Örneğin, GA ile PSO'nun birleşimi, genetik operatörlerin küresel arama yeteneği ile PSO'nun hızlı yakınsama özelliğini bir araya getirerek DV-Hop algoritmasının hata oranlarını önemli ölçüde azaltabilmektedir. Bunun yanı sıra, DE gibi evrimsel yöntemler, adaptif parametre güncellemeleri sayesinde yerelleştirme doğruluğunu artırmaktadır. Bu çalışmada, farklı meta-sezgisel algoritmaların DV-Hop yerelleştirme algoritması üzerindeki etkileri detaylı bir şekilde ele alınmaktadır. Çeşitli meta-sezgisel yöntemlerin avantajları ve dezavantajları karşılaştırmalı olarak incelenerek, en iyi performansı sağlayan yaklaşımlar değerlendirilmektedir. Literatürde yapılan çalışmalar, meta-sezgisel algoritmaların entegre edildiği DV-Hop algoritmalarının, klasik DV-Hop algoritmasına kıyasla belirgin ölçüde daha düşük hata oranlarına sahip olduğunu ortaya koymaktadır. Ayrıca, enerji verimliliği gibi faktörlerin de göz önünde bulundurulması, meta-sezgisel algoritmaların uygulanabilirliğini artırmaktadır. Geleneksel yöntemler genellikle daha az hesaplama gücü gerektirirken, meta-sezgisel algoritmalar daha yüksek doğruluk sağladıkları için işlem maliyetlerini dengeleyen stratejiler içerebilmektedir. Sonuç olarak, meta-sezgisel algoritmaların DV-Hop yerelleştirme algoritmasına entegrasyonu, KAA’lardaki yerelleştirme doğruluğunu artıran etkili bir yöntem olarak öne çıkmaktadır. Bu tür optimizasyon teknikleri, gelecekte daha karmaşık ve dinamik ağ yapılarında da kullanılabilir ve KAA'ların çeşitli uygulama alanlarında daha güvenilir yerelleştirme çözümleri sunmasına katkıda bulunabilir. Özellikle, akıllı şehir uygulamaları, tarımsal izleme sistemleri, afet yönetimi ve nesnelerin interneti (IoT) gibi alanlarda bu tür geliştirilmiş algoritmaların yaygın olarak benimsenmesi beklenmektedir. Bu nedenle, meta-sezgisel algoritmaların yerelleştirme süreçlerine entegrasyonu üzerine yapılan çalışmaların, gelecekte daha fazla önem kazanacağı öngörülmektedir.