Агрегація даних у бездротових сенсорних мережах за допомогою технологій обчислювального інтелекту

О. О. Семенова; А. С. Луцишин; А. В. Джус; В. В. Мартинюк

doi:10.36910/6775-2524-0560-2025-60-26

О. О. Семенова https://orcid.org/0000-0001-5312-9148
А. С. Луцишин https://orcid.org/0009-0005-4612-5823
А. В. Джус https://orcid.org/0009-0005-3583-5766
В. В. Мартинюк https://orcid.org/0009-0006-8421-0348

DOI: https://doi.org/10.36910/6775-2524-0560-2025-60-26

Ключові слова: нечіткий контролер, нейронна мережа, генетичний алгоритм, бездротова сенсорна мережа, агрегація даних, інтелектуальні технології

Анотація

У статті розглядається проблема ефективної агрегації даних у бездротових сенсорних мережах (БСМ), що є важливою процедурою для зменшення енергоспоживання, мінімізації надлишкової передачі та подовження часу життя мережі. Зважаючи на обмежені ресурси вузлів БСМ, традиційні методи агрегації даних не завжди здатні ефективно функціонувати в умовах гетерогенного середовища. У цьому контексті особливу увагу приділено застосуванню технологій обчислювального інтелекту, таких як нейронні мережі, генетичні алгоритми, нечітка логіка, що дозволяють адаптивно здійснювати агрегацію залежно від характеристик середовища та мережі. В той же час, поєднання нечіткої логіки, еволюційних алгоритмів та штучних нейронних мереж у єдиній гібридній системі надає можливість використовувати сильні сторони кожної технології, забезпечуючи високу адаптивність та точність агрегації даних. У межах проведеного дослідження розроблено модель системи нечіткого виведення для агрегації даних, яка враховує такі параметри вузлів, як залишкова енергія, навантаження та відстань до базової станції. Модель реалізовано у середовищі MATLAB за допомогою інструменту Fuzzy Logic Designer. Для підвищення ефективності роботи системи здійснено її оптимізацію за допомогою генетичного алгоритму, що дало змогу налаштувати функції належності. На фінальному етапі модель було перетворено у адаптивну систему нейро-нечіткого виведення ANFIS, яку було навчено на основі симульованих даних у MATLAB. Результати моделювання підтверджують, що запропонований підхід забезпечує гнучке та енергоефективне управління процесом агрегації в умовах динамічного середовища БСМ.

Посилання

1. Osamy, W., Khedr, A. M., Salim, A., AlAli, A. I., & El-Sawy, A. A. (2022). Recent Studies Utilizing Artificial Intelligence Techniques for Solving Data Collection, Aggregation and Dissemination Challenges in Wireless Sensor Networks: A Review. Electronics, 11(3), 313.
2. Ajobiewe, D. N. (2021). Data Aggregation in Wireless Sensor Networks: Emerging Research Areas. Journal of Mathematical Sciences & Computational Mathematics, 3(1), 88–101.
3. Roy, N. R., & Chandra, P. (2019). Analysis of Data Aggregation Techniques in WSN. In Advances in Intelligent Systems and Computing (pp. 571–581). Springer Singapore.
4. Idan Saeedi, I. D., & Al-Qurabat, A. K. M. (2021). A Systematic Review of Data Aggregation Techniques in Wireless Sensor Networks. Journal of Physics: Conference Series, 1818(1), 012194.
5. Kulkarni, R. V., Forster, A., & Venayagamoorthy, G. K. (2011). Computational Intelligence in Wireless Sensor Networks: A Survey. IEEE Communications Surveys & Tutorials, 13(1), 68–96.