Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4755 ~ 4762   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 8 i 6 . pp 4755 - 47 62           4755       Journ al  h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Novel B acteria F o ra ging Optim ization  for  Energ y - e ffi cient  Commu nicati on i n Wireless S ens or Netw or k       Hema vath i  P 1 ,  N anda kum ar  A   N 2   1 Jain  Univer si t y ,   India   2 Depa rtmen t of  Com pute r  Scie n ce   and Engi ne ering,  New Hori zo n  Coll ege   o f  Eng ine er ing, Indi a       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Dec   28 , 201 7   Re vised  Ju l   17 ,  201 8   Accepte d  J ul   29 , 2 01 8       Optimiza ti o n  technique s  base d  on  Sw arm - int el l ige nc e  has  bee n   rep orte d  t o   have   signif icant   bene fi ts  towa rds  addr essing  comm unic at io n  issues  in   W ire le ss   Sensor   Network  (W S N).  W e  rev ie wed  the   m ost  do mi nant   sw arm   int ellige n ce  t ec h nique   ca l le d   as   Bacte ri a  Forag ing  Optimiz at io n  (BFO )  to   find  tha t  the r e   are   ver y   l ess  signifi ca nt  m odel   towa rds  addr essing  the  proble m s  in  W S N.  The r efo re ,   th e  proposed  pap e r  int roduc ed  a  n ovel   BF O  al gorit hm   which   m ai nta ins  a  ver y   good  balanc e  bet wee n  th e  co m puta ti onal  and  comm unic ation  demands  of  a  sensor  node  u nli ke  th e  conv en ti onal   BF O   al gorit hm s.  Th e  signifi c ant   con tr ibut ion  of  the   pr oposed  stud y   is  t o  m ini m iz e   the   i te r at iv e  st eps  and  inc lusi on  of  m ini m izati on  o f  both   rec e ivi ng  /   tra nsm it ta n ce   po wer  in  en ti re   da ta   aggr egation  p roc ess.  Th e  stud y   ou tc om e   when  compare d  with  standa rd  en erg y - eff i cient  a l gorit hm   was   found  to  offe r   superior   net wor k  li fetim e  in  te r m s  of  highe r  res idua l  en erg y   as  well   as  data   tra nsm ission pe r form anc e.   Ke yw or d:   Ba ct erial  f orag ing   Energy e ff ic ie ncy   Op ti m iz ation   Sw arm  intel li gen ce   W i reless se nso r netw ork   Copyright   ©   201 8   Instit ut e  o f   Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Hem avathi P   Dep a rtm en t of   Com pu te r  Scie nce  and   Eng inee ring ,   Ba ng al or e  I ns ti tute o f  Tec hnol og y,  Ban galo re , In dia   Em a il :  he m avathi.resea rch@ gm ai l.co m       1.   INTROD U CTION     W i reless  S ens or   Netw ork   ( WSN)  has  bee n  a  dom inant  top ic   of  resea rc h  in   wireless   ne twork  from   m or e  than  a  de cade  ow i ng  to  it s  on go i ng  researc h  c halle ng e s  an d  it s  e nd le ss   op portu niti es  [1 ] .  The re  ar e   var i ou s   resea rc h  pro blem s  ass ociat ed  with  WSN  e. g.  sec uri ty   issues  [2 ] ,  routin g  iss ues  [3 ] ,  e ne rg y  iss ues  [4 ] ,   traff ic - relat ed  issues  [5 ] ,  des ign   iss ues  [6 ] ,   et c.  I n  par al le l  to  the  pro blem s,  there  is  al so   var i ou s   res earch - base d  so l ution  that  has  been   c on sist e ntly   evol vin g  t o  so l ve  t his.  O wing  to d esi gn  c on st raints  of  a  s en sor n ode ,   an  opti m iz at io n - base d  so l ution   is  the  m os t  pr efe rr e d  a ppr oach   in  a ddres sing   iss ues  in  WSN.  O ut  of  var i ous   form s  of   resea rch   te ch niques   in  op ti m iz ation   [ 7],  swa rm - i ntell igence  ba s ed  opti m iz at io n  is  now  becom ing   a   tren d  owin g  to   fo ll owin g  benefit s:  inclusio n  of   c ogniti ve  a nd   s ocial   intel li gen ce  that  off ers  bette r  gr a nula rity   in  so lvi ng   th e  op ti m iz ation   pro blem s,  bette r  converge nce  perform ance  com par ed  to  oth er  non - bi o  in sp ire d  te chn iq ues  and  sim pler  interp retat ion   of outc om es o wing t o i ts  m at ch  wi th  certai n  li ving  orga nism  [ 8].   Am on g  al l  this,  the  pro pose d  resea rch  work   has  e m ph asi zed  on   us in g  Ba ct eria  Foragi ng   Op ti m iz ation   ( BFO),  w hic h  is  base d  on  f or a ging  beh a viour   of  a  bacte ria  [ 9].  T he  f unda m ental   strat egy  of   t he   BFO  al go rithm   is  to  pe rm it   th e  cel l  i.e.  bacte ria  f or   a ggre ga ti ng   stoc hastic al ly   the  swar m   an d  le adi ng   it   to  the  po sit io n  of  optim a  as  m eans  to  process   in form ation   within  a   se nsor   node .  In  or der  to  do   this,   the re  ar e   seq uen ces   of   operati ons   bei ng  perform ed  by   the  BF O.  Th e  first  operati o n  is  know n  as   chemotaxis   w hi ch  th e   syst e m   de - rate s  the  cel lula r  c os t  ow i ng  to  t he  nearness   to   oth e r  bacteria   w hile  the  m ov em ent  of   t he  cel ls  is  carried   ou t  t owar ds   t he  pro cessed  surface   cost  one  by  on e .  T his  oper at ion   is  highly   it erati ve  in   orde r  t o  accom p li sh   bette r  ou tc om e.  T he  seco nd  oper at ion   is  cal le d  as  reprod uctio n   w hich  m eans  the  con ti nuat ion   of  a p a rtic ular ba ct eria t o nex t  ge ner at io n  i f  the y were  w it nes s ed  to  do wel l o ver a sam ple peri od  of  ti m e.    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4755   -   4762   4756   The  thir d  ope rati on   is  cal le d  as  el imina ti on - disp e rs al   wh e re  the  syst e m   rej ect s  the  cel ls  and   consi ders  acce pting  no vel  sa m ples  of   ra ndom   or igin  with  an  incl us io n  of  ve ry  m ini m al   pro bab il it y.  A  ty pical   BFO  al gorith m   is  or i gin al ly   m eant  fo r   s olv in g  op ti m iz ation   pro blem   with  co ntin uous  functi on.  O wing  to   it s  recursive  op e r at ion ,  it   al ways  works  on  a  giv e n  lo op s  i n  order   to  c onstruct  va rio us   f orm   of   exp li ci t  searc h  op e rati on  [10] .  The  desi gn  process  al so  us es  dif fer e nt   fo rm s  of   co eff ic ie nts  f or   m od el ing   swa rm ing   env i ronm ent  e.g . d e pth  an d  w idth o f   at tract ing  sig nal, w idt h  of  re pella nt  s ign al , and  heig ht  of r e pelle nt sign al .   The  co nv e ntio nal  con ce pt  co ns ide rs  that  he igh t  of   re pella nt  sign al   is  alw ay s  equ i valent  to  dep th  of   at tract ive  sign al .  A doption   of  a  sm al ler   ste p  siz e  i n  desig ning  BF O  is  ve ry  com m on   fo r   co ntin uing  the  sea rc h  f or  an   el it e  ou tc om e.  Conve ntio nal  BFO  al gorith m   a lso  co ns id ers  r ejecti ng  t he  half  of  cel l  popula ti on  ex cusively   durin g  t he  re pr oductio n wh ic h  a re r e porte d  t o hav e  lo wer h eal th sig nals.    The  co nce pt  of  BFO  was  al r eady  us e d  in  so lvin g  va rio us  op ti m iz at ion - base d  pro blem s.  Howe ver,  insp it e  of  s uc h  po te ntial   con c ept  of  opti m izati on ,  it s  util izati on   to wards  WSN  is  ye t  to  be  wit nesse d  a s  there   is  no  sta nd a r d  researc h  w ork  or  any  be nc hma rk e d  m od el   be ing  eve r  repo r te d  to   be   us in g  BFO   in   WSN.   So m e  of   t he  res earc h  at te m pts  of   BFO  to wards  WSN  are  m ai nly  to  pe rfo rm   sel ect ion   of   CH  with  no  pa rtic ular  fo c us   on  it s  it erati ve  op e rat ion .  T her e f or e ,  the  pro po se d  resea rch   w ork  intr oduces   a  te chn iq ue  wh ic h  enh a nces   the   conve ntion al   BFO  al gorith m   in  or de r  t o  opti m iz e  bo t h  c om pu ta ti onal   an d  c omm u nicat ion   perform ance  of  a  cel lular   no de.     The   pri m e  idea  of   t he  pro po se d  pa pe r  is  al so  to  m i nim iz e  the  am ount  of  energy  de pleti on   by  m aking  us e  of   it s  it e rati ve  operati on  involve d  in   enh a nced   BF O  desig n  pri nc iple.     Sect ion   1.1  di scusses  a bout   the  existi ng  li te ratur es  w her e  diff e re nt  te chn iq ues  of  BFO  in  dif fer e nt   op ti m iz ation   issues  a re  disc usse d  f ollo wed  by   discuss i on   of  resea rch  pro blem s  in  Sect i on   1.2  a nd  pro pos e d  so luti on  in  1.3.  Sect io n  2  di scusses  a bout   propose d  op t i m iz ation   al gorithm   i m ple m e ntati on   f ollo w ed  by  discuss i on  of   r esult analy sis i n  Sect io n 3. Fi nally , th e c oncl us ive  r em ark s  are  prov i ded in  Secti on 4.     1.1.   Back ground   This  sect ion   di scusses  the  e xisti ng   re searc h  ap proac hes  us e d  for  im ple m enting  the  ty pica l  swar m   intel li gen ce  of   Ba ct eria  Fora ging  Op ti m iz a t ion   (BF O) .   G upta   et   al .  [ 11]   hav e   prese nted   a  stu dy  w her e   BF O   was  us e d  for  m ini m iz ing   the   de gr ee   of  c olor  in   orde r  t o  e nhance   the   qua nt iz at ion   proce s s  of  a  c ol or e d  i m age.  Dasgu pta  et   al.   [12]  hav e  en han ce d   the  co nv e ntio nal  BFO  in  orde r  to  so lve  the  opti m i m iz at ion   prob le m s   associat ed  wit h  high - dim ension al  d at a. Che n  et  al. [ 13 ]  h a ve  ad dr esse d  the conv e rgenc e issue o f  co nv entional   BFO  by  inc orporati ng  the  a uto m at ic   fine  tun i ng  of  r un  l eng t h  durin g  e xecu ti on  o f  an   al gorithm .  Wei  et   al .   [14]  hav e  pres ented  an  a dap t ive  BFO  al gor it h m   al on g  with  co nv e ntio nal  search  opti m i zat ion   te chn i que  in   order   to  e nhan ce  the  accurac y  of   searc h.   S i m i la r  directi on  of  ada ptivene ss  has  bee n  a lso  i m ple m ent ed  by   Nasir  et   al .   [ 15]   co ns ide rin g  dif fer e nt  f or m s  of   m od al it i es  in  be nch m ark i ng  proce ss.  Panda  a nd  Nai k  [16]  hav e   im ple m e nted  a  c r os s - over  m echan is m   of   gen et ic   al gorithm   fo r  i m pr ovin g  the   operati ons  in   BF O   te chn iq ue.  Ma ng a ra j   et   al .   [ 17]   ha ve  us e d  B FO   f or  en ha ncing  the   desi gn  proce ss   in vo l ve d  i n  a nten na.  Ma o  et   al .  [18]  hav e   com bin el y  us ed  pa rtic le   swar m   op tim izati on   al ong  w it h  BFO  in  orde r  to  im pr ove  the   op ti m iz ation   pe rfor m ance  in vo l ved  in  desi gn   of  num erical   functi on.  Mon a j em i  et   al .  [19]  ha ve  app li ed   diffusi on   a dapt ion   f or   m od el ing   the  m otivit y  con cept  of  bacteria   in  or der   to  in vestig at e  the  networ ks   of   bacteria .    Si m il ar  app ro a ch  of   a dap ta ti on  al ong  with  e nh a ncem ent  in  rep r oductio n  s te p  is  carried  out  by  Daas  et   al .  [20].  BF O  al gorithm   was  al so   re porte d  to  be  use d  f or   optim iz ing   the  traf fic  pe rfor m ance  unde r   the  congesti on  sta te   as  seen  in  w ork  of  Jai n  et   al .  [21].  Usa ge   of   BFO  was   repor te d  to  be   us ed  f or  retai nin g  un i form   ou tp ut   of  po wer   i n  gr i d  syst em   as   seen   in  t he  w ork  of  Mi shra  et   al .  [ 22 ] .  M unoz   et   al .  [23]   ha ve  pr ese nted  a   br ie f  discuss i on  of   us i ng   the  com plex  functi on s  in vo l ve d  in  BFO  us i ng  sta ti st ic al   analy sis.  Ok aem e  and   Z anch et ta   [ 24]   ha ve  us e d  BF O  for  opti m iz ing   the  perf or m ance  of   the  c on t rol le r  desig n  involve d  in  el ect rical   dr ives.  BF O  w as  al so   repor t ed  to  be  us e d  fo r   el ect ric  veh ic le s  f or   e nh a ncin g  the  energy   eff ic ie ncy  as  s een  in  the  w ork  of  Sam anta  et   al .  [25].  BF O  al gorithm s  hav e  al so   bee n  inv e sti gated  in  sens or   netw ork  a par t  f ro m  o ther  opti m iz at ion  p r oblem s.A ri et al .     C .   S a m a n t a   et .  al .   Ha ve  us ed  BFO  al gorith m   fo r  assist in g  in  m ob il e  sensing   op e rati on   in  W irel es s   Sensor   Net wor k  ( WSN)   [26] .   Lal wa ni  an d  Das   ha ve  us e d  BFO   f or  pe rfor m ing   sel ect ion  of  t he  cl ust er  head  m ai nly  ta rg et ing  to  im pr ove   the  r outi ng  pe rfor m ance   [ 27] .  T he  te ch ni qu e   prese nted  y  Li  et   al   have  ne a rly   us e d  the  si m ilar  m echan is m   of   BF O  al ong  with  quant um   com pu ti ng   f or  enh a ncib f  it s  sta bili ty   rate   du ri ng  conve rg e nce  of  the  outc om e   [28] .  Pit chaim anickam   and   Ra dh a kri shnan  ha ve  ha ve  ap plied  BFO  te c hni qu e  on  cl us te rh ea d  sel ect ion   pr ocess   us in g  sim ulatio n - base d  a ppr oach   w her e  t he   stud y  ou tc om e  sh ows  en ha nced  protoc ol  op e ra ti on .   Usa ge  of   BFO   wa s  al s o  re ported   in  t he   w ork  of  Z ha o  et   al .   [ 30]   in   the  a rea  of  r obotics  us in g  na nor obots.  The refo re,   this  back gr ound   in form at ion   even tuall y  prov e d  that  BFO   was  inv est igat ed  f or   m ul ti ple  case  s tud ie s  of  opti m iz at ion   pr obl e m s.  The  ne xt  sect ion   outl ine s  the  issues  as so ci at ed  with  e xisti ng  researc h w ork.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Novel   Bacteri a F ora ging  Op ti miza ti on f or  E ner gy  …   ( He m ava t hi P )   4757   1.2.   The Pro blem   The  si gn i ficant  r esea rch p robl e m s ar e as  fo ll ow s:   a.   A  ty pical   BF O  al gorithm   su f fer s  from   conve rg e nce  prob le m s  as  well   as  it   inv ol ve s  too   m uch  it erati ve  ste ps  i n  it s s ub - op e ra ti on s t hat h as  not b ee n f ound t o be a ddresse d.   b.   Stud ie s  t ow a r ds   a pp ly in g  B FO   al go rithm   towa rd s  opti m iz ing   the  pe rfor m ance  of  WSN  is  le ss  exp l or e d  as  com par ed  to  oth e r op ti m iz a ti on   pro b le m s.   c.   Ther e   are   fe w   resea rch  im pl e m entat ion s  to wards  bala ncing  the   com pu t at ion   a nd  c omm un ic at ion  perform ance in   W S N usi ng BFO  al gorithm .   d.   Ther e  is  no  si ng le   resea rc h  work   t hat  confirm l y  m ini m i ze  the  dissipat ed  powe r  of  s ens or   no des  durin g data a ggre gatio n p r oc ess u si ng BF O.   Ther e f or e,  t he  pro blem   s ta teme nt  of   the  pr opos e d  stu dy  c an  be  sta te d  as  “ Maint ain in g  a  unif orm  ba l ance  betwe en  t he  c omp uta ti onal  perform an ce   of  BF O  al gor it hm   and  op ti ma l  e ner gy - ef f ic ie nt  da t a  de li ver y   perform an ce  in  WS N i s  chall eng i ng to  desi gn  and  i mp le me nt. ”     1.3.   The Pro posed  So lu tio n   Exten ding  ou t   pr i or   wor k  [ 31] ,  the  propos ed  syst em   aims   to  pe rfor m   optim iz at ion   of  the  ene rg y   perform ance  of   the  se nsor   no de   in W S N  by m ini m iz ing   the   it erati ve  ste ps i n  or der  to off e r  fa ste r  c onve r gen ce   pe r form ance  in  Ba ct eria  F oragi ng   O pti m i zat ion .  Fig ur e   1  highli gh ts  the  syst em   mo del  of   t he  propose d  op ti m iz ation .       N e t w o r k   P a r a m e t e r s C l u s t e r i n g   P a r a m e t e r s B a c t e r i a l   F o r a g i n g   O p t i m i z a t i o n   c h e m o t a c t i c   s t e p s r e p r o d u c t i o n   s t e p s e l i m i n a t i o n - d i s p e r s a l   s t e p s s w i m m i n g   s t e p s A l g o r i t h m   f o r   B a c t e r i a l   F o r a g i n g   O p t i m i z a t i o n A l g o r i t h m   f o r   O p t i m i z i n g   E n e r g y   a n d   p o s i t i o n   o f   C H U p d a t e   J c c A p p l y   J c c   L i m i t s U p d a t e   P o s i t i o n J c c   M i r r o r   E f f e c t A p p l y   P o s i t i o n   L i m i t s E v a l u a t i o n   o f   C o s t U p d a t e   P e r s o n a l ,   g l o b a l   B e s t n o d e - t o - C H   C H - B S   M i n i m i z e   E T X M i n i m i z e   E R X O p t i m i z a t i o n   F u n c t i o n     Figure  1. Pro pose d  Syst em   Mod el       Figure  1  highl igh ts  that  syst e m   ta kes  inp ut   of   net w ork  an d  cl us te ri ng   pa ram et ers  of   the  W SN   a nd   const ru ct s  a  no vel  bacteria l  forag i ng   opti m izati on   te chn i que  in  or de r  to  con s ecuti vely   con st ru ct   a  m ec han ism   that  can  opti m al l y  sel ect   a   cl us te rh ea d  in  orde r  to   en su re  that  it   pe rfor m s  m ini m iz at ion   of   th e  energy  dissipati on  wit h  res pect  to  both  transm it ta nce  and   receivi ng  energy.  T he  pro posed  syst e m   no t  only   m i nim iz es  the  it erati ve  ste ps   of  opti m izati on   but  al so   r edu ce s  the  tran sm it ta nce  ener gy  twic e  in  each  ste p s  that  res ults  in   sign ific a nt  im pro vem ent  of   netw ork  li feti m e  as  well   as  it   retai ns   a  good  bala nce  betwee n  ene r gy   and   thr oughput. T he  n e xt secti on i ll us trat es ab out al gorithm  i m p lem entat ion .       2.   ALGO RITH M  I MPLEME NTATIO N   This  par t  of   t he  pap e r  ou tl ines  the   op ti m i zat ion   al go rith m   fo r  bacteria l  forag i ng.  T he   pro pose d  syst e m   basically   intro duced  a  cor e  opti m izati on   al gorith m   that  is  us ed   fo r  tw o  m oti ves  i.e.  i)  pe rfor m ing  op ti m iz ation   a nd   ii )  m ini m izati on   of  e nerg y  factor   in volv ed,   a nd   ii i)  sel ect ion   of  a n  ef fect ive  cl us te r  heads.  This secti on il lustrate s t he  c ore al gorithm  b y spli tt ing  it  in  t wo sub - m od ul es.    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4755   -   4762   4758   2.1.   Algori t h m for B act eri al F oragin g  O pt im iz at ion   It  has  bee n  al read y  fou nd   th at   con ve ntio na l  us age  of  bac te rial   fo ra ging   beh a viour  cal ls  fo r  m uch   slow e r  c onve r gen ce   rate  i nsp it e  of   it s  el it e  outc om es.  The r efore,  t he  esse ntial   fo c us   of  t he  pro po se d  syst e m   is   to  ens ure  that  conve rg e nce  ra te   is  sp eed ene d  up   f or   faster  decisi on  m aking   durin g  op ti m iz at ion   pr ocess .  Th e   al gorithm  takes the inp ut of  N   (Num ber  of  No des ),   p   (pr obabili ty  o f  selec ti ng  C H) ,  E o   ( In it ia li zed E ne rg y) , N c   (Num ber   of  C hem otact ic   Ste ps ) ,  N re   ( Nu m ber   of  re pro duct ive  ste ps ) ,  N ed   (Num ber   of  el i m inati on - dis per sal   ste ps ) ,  N s   (Nu m ber   of   swim m ing   ste ps ),   S   (Num ber   of   Ba ct eria)  wh ic h  after  processi ng  yi el ds   an  ou tc om e  of  cost best   ( best cost  o f  ro uting). The si gn i ficant  steps o f  the  algorit hm s ar e as  foll ow s:   Algori th m  for  Bact eri al F or ag in g Op timi zat i on   Inpu t : N , p, E o , N c , N re , N ed , N s , S   Out p ut : c os t best   St ar t   1.  i nit N, p , E o ,  N c ,  N re ,  N ed ,  N s , S   2.   For   i= 1:S   3.        C om pu te  b ac (pos, J cc,  co st)   4.         If   bac( c ost best )<co st gbest   5.             gbest bac ( best)   6.         End   7.    cost best [N ed *N re *N c ]   8.         F or   l= 1:N ed   9.            F or   k= 1:N re   10.                Fo r   j = 1:Nc   11.                      For   i= 1:S   12.                          u pdat e J cc   13.                          A pply  J cc   li m it s   14.                          U pdat e posi ti on   15.                          J cc   E ff ect   16.                          A pply  Po sit ion   Lim it s   17.                           If   bac (c os t best )< cost best   18.                               gbe st ba c(Best )   19.                       End   20.                E n d   21.           End   22.      E nd   23. c os t best gb est   End   The  al gorithm   com pu te s  nu m ber   of  cl us te r  head   Nch   to  be   pr od uct  of   prob a bili ty   p  and  nu m ber   of   nodes  N.  T he  var ia ble  at trib ute  of  bacteria l  forag i ng  e. g.   siz e  (V size ) ,  m i nim u m   (V m in )  and  m axi m u m   (V m ax )  values  a re  init ia li zed.  The  lo wer   bound  V m i n   and   upper   bo und  V m ax   is  init ia li zed  to  be  0  and   100  re sp e c ti vely .  A  struct ur e  of  bacteria   bac   is  con side re d  by  po sit ion   pos ,  cost,  obj ect i ve   fu nctio n  J cc ,  be st  po sit ion   a nd  cost   (pos best ,  c os t best ).   F or  al l  num ber   of  bacteria   ( S)   in   Line - 2,   t he  c os t  of   bact eria  is  com pu t ed  with  resp ect   to  it s  nu t rient  f unct ion   c o ns ide rin g  it s  res pecti ve   posit ion .  Th is  m akes  the  process  le ss  it erati ve  com par ed  t o  conve ntion al   a ppr oach   a nd  m akes  the  c onve rg e nce  fa ste r.   If   the  best  c os t  of   th e  bacteri a  is  found  le ss   tha n  cost  of  t he  global  be st  tha n  be st  value   of b a ct eria  is  al locat e d  as g lo bal b e st  (Line - 5). The  com pu ta ti on  o f  bes t   cost  is  carrie d  ou t  by  pro du ct   of   i)  Nu m ber   of   el im inati on - disp e rsal  ste ps ,   ii )  Nu m ber   of   reprod uctive  s te ps ,   and ii i) Num ber   of  C hem otactic Steps  (Line - 7).    The  al gorithm   than  a pp ly   a  ve ry  un i qu e  ste ps   of   non - recursive  el im inatio n  disp e rsal  ste p  (Li ne - 8) ,   reprod uctive  s te p  (Line - 9),  and   c hem otactic  ste p  (Line - 10).   T he  upda ti ng   of  the  obj ect iv e  functi on   J cc     (Line - 12) ,  ap pl yi ng   the  lim its  of   J cc   (Line - 13),   up datin g  po sit io nal  inf orm ation   (Line - 14),   an d  ap pl yi ng   po sit io nal  li m its  (Line - 15).   If   the  best  c os t  of  the  bacteria   i s  f ound  le ss  th an  the  c os t  of  the  global  best  gb e st   than  the  be st  so luti on  of  the  bacteria   is  consi der e d  as  the  global  best  (Li ne - 18).   T his  pr ocess  of  opti m iz at ion   is  app li ed   f or  eff ic ie nt   sel ect ion   of  cl us te r he ad  wh e re  a  ne arest  no de  is  exp l or e d  for  th e  al l  the  cl us te r  no de.   Fo r  al l  the  num ber   of   cl us te rh ea d,   t he  dist ance  f ro m   al l  the  cl us te r  node   to  it s  resp ect ive  m e m ber   no de  is   com pu te d  f ollow e d  by  rem ov al   of   pri orl y  sel ect ed  cl us te r  hea d  a nd   sea rcgh  f or   nea re st  no de  to  c onsecuti ve   cl us te r head s.      2.2.   Algori t h m for O pt im iz ing Ener gy  and p os itio n  of   CH   This  al gorithm   is  m ai nly  res pons i ble  for  optim iz ing   the  energy  facto r  of   the  sens or  node  a nd   t o  perform   sel ecti on   of   cl us te r he ad   co ns i der in g  it s  po sit ion al   i nfor m at ion .  T he   al gorithm   ta k es  the  input  of  node   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Novel   Bacteri a F ora ging  Op ti miza ti on f or  E ner gy  …   ( He m ava t hi P )   4759   po sit io n  ( x node ,  y node )  that  after  processi ng   gen e rates  an  outc om e  of   E OTX   (O ptim iz ed  Transm i tt ed  E nergy) ,   E ORX (O ptim iz e d  Re cei ve d  E ne rg y) ,  pos (s ol best )( be st  posit io n  of  CH ).   T h e  ste ps   in vo l ved  in  this  al gorith m   are   as foll ows:   Algori th m  for  Op timi z ing Energ y and p osi tion   of CH   Inpu t : x node , y n ode   Out p ut :  E OTX , E ORX , s ol best   St ar t   1.   For   i= 1:N   2.        2 2 ) ( ) ( CH n o d e CH n o d e y y x x d   3.       E TX ϕ TX ( d , P L )   4.       E OTX (i) E(i) - E TX   5.       E RX μ RX (P L )   6.       E ORX (CH ( idc)=E (CH (idc )) - E RX   7.     F or   j =1:C H     8.       E TX = ϕ TX ( d,   P L *P c ount (j))   9.       E(C H(j )) E(C H(j )) - E TX   10.   so l best f ( bac, xyt em , V max , V m in , V size ,  gbest , E , BS (x,y),  s pee d)   11.   CH g ( pos(s ol best ),   Nc h, xy,  D id ,  E)   12.   pos (so l best ) x (C H), y(C H)   13.  End   14.  End   End   The  al gorithm   m ai nly   e m ph asi zes  on   tw o  diff e re nt  op e ra ti on s  i.e.  pe rfo rm ing   node - to - cl us te r hea d  com m un ic at ion  (Li ne - 1  t o  Li ne - 6) an d  cl us te rh ea d - to - base  sta ti on  co m m un ic at ion   (Line - 7  to  Line 12)  in  o r de r   to  app ly   opti m iz at ion   pr oc ess  durin g  co m ple te   sta ges  of   data  ag gregati on.  For  a ll   the  no des  ( Line - 1),   Eucli dea n  distance  d   is  com pu te d  bet ween   t he  node  po sit ion   ( x node ,  y node )  and   cl us te r hea d  posit ion   ( x CH ,  y CH )  (Line - 2).   The   stud y  us es   sta nd a r d  first  ord er  rad i o - e nerg y  m od el   ϕ TX  in  orde r  t o  c ompu te   the  t ran s m ittance   energy  E TX   (Line - 3),  w her e  t he  tran sm i tt ance  energy  is  lower e d  on  eac h  it erati on   r ound  (Li ne - 4)   in  orde r  to   com pu te   the  optim iz ed  tran s m ittance  ene rgy   E OTX .  Sim il a rly ,  the  al gorithm   al so   com pu te s  recei ving  energ y   of   t he  cl us te rhead  ( Line - 5)  f ollow e d  by  co m pu ta ti on   of  optim iz ed  receivin g  e nergy  E ORX   (Line - 6).  I t  can  be   al so   seen  t hat  com pu ta ti on   of  both  optim ized   tra ns m ittance  and   receivi ng   e ne rg y  is  c arr ie d  out  co nsi der in g  or i gin al   data  pa cket  P L .  The  nex t  phase  of   the  i m ple m ent at ion   of  the  al gorithm   con siders  on ly   the  cl us te r   heads ( Line - 7 onwa rd s ).     The  com pu ta ti on   of   tra ns m it t ance  ene r gy  E TX   is  carried  out   for  al l  the  cl us te rh ea ds   only   con si der i ng   distance  betw een  the   cl us te rh ea d  a nd  bas e  sta ti on   d ,   da ta   pac ket  P L ,   an d  nu m ber   of  cl us te r hea ds  P count     (Line - 8).  Eve n  in  this   ste p,  th e  al gorithm   per f or m s  m ini m i zat ion   of  the  t r ansm ittance  en erg y  E TX .   T herefo re,   the  pro po se d  s yst e m   per fo rm s  d ual  ste ps   m i nim iz at ion   of   transm it ta nce  e nergy  that  signi ficantl y  m axi m iz es  the  net wor k  li f et i m e.  Fu rthe r,  the  al gorit hm   app li es  a  cl us t erin g  f unct ion  f   on  the  basis  of   bacteria l  for agin g  with  res pect  to  bacteria   bac,  xy tem p  a  var ia ble  to  el i m inate   died  no de  co nsi der in g  posit io n  of   al l  nodes  wh ic h  is  ab ou t  t o  c om ple te   dep le te   it s  ene rg y,   V m a x ,  V m in ,  gb e st ,  ene rg y,   posit ion   of  bas e   sta ti on ,   an d  sp ee d    (Line - 10) .   This  is   co ns id ered  as  best  s olu ti on.   A noth er  op ti m al   fu nc ti on   g   is   co nst ru ct ed   in   Li ne - 11  that   co nsi ders  the  be st  po sit io n  as  per   fora ging  al gorithm ,  nu m ber   of  cl us te r  he ad,   ide ntit y  of  die d  no de  D id ,  an d  energy  E.  T herefo re,  Li ne - 11   is  con si der e d  a s  the  first  lo gic al   conditi on   for  the  sel ect io n  of   cl us te r head.   Th e   seco nd   l og ic al   conditi on  f or   t he  sel ect io n  of   cl us te r head   is  carried   out  on  the  basis  of  po sit ion   with   res pect  t o  best  s olu ti on  s ol best .  A  cl os er  look  int o  this  a lgorit hm   sh ows  that  pro pose d  syst e m   m a inly   co ntribute s  to wards   i)  m ini m iz es  t he  it erati ve  st eps  of   bacteri al   forag i ng  pr ocess,  ii )   offe r  m ulti ple  conditi on s  f or   s el ect ing  cl us te rh ea d,   ii i)  optim iz e  the  m echan ism   of   first  orde r  ra dio - e nergy  m od el ing   f or   reli a ble  energy  com pu ta ti on   to fur t her cl ai m   the appli cab il ity i n  real - ti m e senso rs.         3.   RESU LT   A N ALYSIS    As  th e  propos ed  syst em   fo c us es  on  op ti m i zat ion   i n  WSN  the refo re  th e  assessm ent  is  car ried  out  with  re sp ect   t o  netw ork  li fe tim e  as  well   as  com m un ic at ion   perform a nce.  For  this  pur po se ,  we  c on si der  resid ual  e nerg y  as  well   as   thr ough pu t  i n  order  to   asses s  the  e ne rg y  perform ance  and  data   ag gr e gati on   perform ance  in  WSN.  T he  stud y  ou tc om e   is  assessed  f or   100  sens or   nodes  with  0.0 5%  prob a bil it y  of   sel ect ion   of  cl ust erh ea d,   0.5  J ou le   of  init ia li zed  ene rg y,  a nd  2 00 0  bits  of  d a ta   pack et   siz e.  The  at tribit es  of  the  bacteria l  foragi ng   are  100  c hem otact ic   ste ps ,  4  re pro du ct i on   ste ps ,  2  ste ps   of  el i m inatio n - disp e rsal,  a nd   4  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4755   -   4762   4760   ste ps   of  swim m ing   ove r  100  bacteria .   T he  stud y  al s o  c on siders   wi dth   of  at tract ant  sig nal  as  0.9 9,   de pth   of  at tract ant sig na l t hat is g e ne rated  by b act e ria  as 1.5 , a nd h i ght o f rep el la nt  sign al   betwee n t wo b act e ria a s 2 . 0.   The  st ud y  outc om e  con side r s  com par in g  i ts  ou tc om e  with  the  sta nd a r d  LE ACH   al gorithm   for  ben c h m ark in g  Fr om   the  st ud y  outc om e  as  sh ow n  in  Figure  2  a nd  Figure  3 ,  it   sh ows  that  pr opos e d  op ti m iz ation   te chn i qu e s  offe rs  ex pone ntial ly   bette r  ou tc om e  as  co m par ed  to  existi ng   LEACH .  Fig ur e  2  sh ows   sust ai na nce  of  no des  i n  LE AC H  is  only   ti ll   700  rounds   with   ste e p  decli natio n  of  power  w he re as  the  pro po se d  syst e m   of fers  quit e  a  pr e dicti ve  pa tt ern   of  li near   patte rn   of   e nergy  diss ipati on.   Figure  3  s how s  that   increase d  in  th rou ghput  is  lim it ed  till   30 0  it erati on s  an d  than  al l  the  no des  dies  by  70 0  r ounds;  how ever,   pro po se d  syst em   of fer s  sig nif ic ant  li near   be hav i our  of  th r oughput   e nh a nc e m ent.  He nce ,  pr opos e d  syst e m   is   highly   reco m m end ed  for  an y  fo rm   of   e m e rg e ncy - base d  app li cat io ns   or   any  oth e r  app l ic at ion s  w her e   powe r   dem and s  are  t oo   high  i n  WSN.  Hen ce ,  pro po s ed  syst em   pro ved   t o  off e r  bette r  al gorithm   per f or m ance  with   r espect t o  e nergy o ptim iz at ion .             Figure  2 .   Com par at ive  Analy sis of Resi dual   Energy     Figure  3 .   Com par at ive  Analy sis of T hro ughput       4.   CONCL US I O N   T hi s   pa pe r   ha s   pr e s e nt e d  a   ve r y   s im pl e  a nd   ye t   hi gh y   e f f e c ti ve   op t im i za t i on  a l go r i t hm   t ha t   ha s   pr ov e d   t ha t   it   i s   f e a si bl e   t o  pe r f or m   en ha nc e m e nt   t o  ba c t e r i a l   f or a gi ng   op t im i z at io n  t e c hn i q ue s .   A f t e r   r e vi e w i ng   t he   e xi s t i ng   t e c hn iq ue s   of   ba c t e r i a l   f or a gi ng   t e c hn i q ue s ,   i t   ha s  be e n  f ou nd   t ha t   e xi s ti ng   i t er a t i ve   s t e ps   of   s uc h   a l go r i t hm   of f e r s   go o d  op t i m i z a ti on   bu t   a t  t he   c os t  of   c om pu t at i on a l  c om pl e xi ty   owi ng   t o  i nc l us i on   of   i t e r a ti on s .   T he   pr o po s e d  s y s t em   c on t r i bu t e s   t o  a n  a l go r i t h m   t o  ha ve   f a s t e r   c on ve r ge nc e   a c c om pl i s hi ng   on l y   w i t hi n 0 . 2 44 62  s e c on ds  i n c or e  i 3 p r oc e s s or   w he r e  a s  fo r  L E A C H  i t  i s  fo un d t o b e  0. 87 6 66  s e c o nd s .  Al t ho ug h ,   w e   ha ve   c he c k e d  f or   hi gh e r   i t e r a t i on   r o un ds   f or   a s s e s s i n g  i t s   ou t c om e ,   ou r   a l go r i t hm   i s   qui t e   pr e di c t i ve   i n  i t s   na t ur e   a n d  d oe s n’ t   r e q ui r e   e v e n  t o  be   a s s e s s e d  f o r   1 0%   o f   t ot a l   i te r a t i on s .   H e nc e ,   a p pl i c ab i l i ty   of   t he   a l go r i t hm   i s   qu i t e   go od   f or   e ne r gy - d em a nd e d  a pp l i c a t i on   i n  WS N   a s   i t   e xh i bi t s   go od   ba l a nc e   be t w e e n  e ne r gy   c on s e r va t i on   a nd   i nc r e a s e d   t h r ou gh pu t   pe r f o r m a nc e .       R E F E R E N C E S   [1]   R e z a z a d e h ,   J a v a d .   " F u n d am e n t a l   m e t r i c s   f o r   w i r e les s   s e ns o r   n e t w or k s   l o c a l i z a t i o n . "   I n t e r n a t i o n a l   J o u r n a l   o f   E l e c t r i c a l   a n d   C o m p u t e r   E n g i n e e r i n g   2 . 4   ( 2 0 1 2 ) :   4 5 2 .   [2]   A n w a r ,   R a j a   W a s e e m ,   e t   a l .   " Se c u r i t y   i n   W i r e l e s s   s e n s or   n e t wo r k :   A pp r o a c h e s  a n d   Is s u es . "   I nd o n e s i a n   J o u r n a l  o f  E l e c t r i c a l   E n g i n e e r i n g   a n d   C o m pu t e r   S c i e n c e   1 5 . 3   ( 2 0 1 5 ) :   5 8 4 - 5 9 0.   [3]   K h a n ,   A b d u l   W a h e e d ,   A b d u l  H a n a n   A b d u l lah ,   a n d   J a v e d   I q b a l   B a n g a s h.   " I s s u es   t o w a rd s   E f f i c i e n t   T i m e   S y n c h r o n i z a t i o n   i n   W i r e l e s s   S e n so r   N e t w o r ks . "   I nd o n e s i a n   J o u rn a l   o f   E l e c t r i c a l   E n g i n e e r i n g   a n d   C o m p u t e r   S c i e n c e   1 2 . 1 0   ( 2 0 1 4 ) :   7 5 09 - 7 5 2 2 .     [4]   N .   A b b i   a n d   S .   S h a r m a ,   " Co m pa r a t i v e   r e v i e w   o f   e v a l u a t i n g   a n d   d e p l e t i n g   e n e r g y  h o l e   p r o b l e m   i n   w i r e l e s s   s e nso r   n e t w o r k , "   2 01 6   O n l i n e   I n t e r n a t i o n a l   C o n f e r e n c e   o n   G r e e n   E n g in e e r i n g   a n d   T e c h n o l o g i e s   ( IC - GE T ) ,   C o i m b a t o re ,   2 0 1 6 ,   p p .   1 - 5.   [5]   A .   S h a r m a ,   R .   C h a k i   a n d   U .   B h a t t a c h a r ya ,   " A p p l i c a t i o n s   o f   w i r e l e s s   s e ns o r   n e t w o rk   i n   I n t e l l i g e n t   T r a f f i c   S y s t e m :   A   r e v i e w , "   2 0 1 1   3 r d   I n t e r n a t i o n a l   C o n f e r e n c e   o n   E l e c t r o n i c s   C o m p u ter   T e c h n o l o g y,   K a n ya k u m a r i ,   2 0 1 1 ,   p p .   5 3 - 57.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Novel   Bacteri a F ora ging  Op ti miza ti on f or  E ner gy  …   ( He m ava t hi P )   4761   [6]   S .   A .   I m a m ,   A .   C h o u d h a r y   a n d   V .   K .   S a c h a n ,   " D e s i g n   i ss u e s   f o r  w i r e l e s s   s e n so r   n e t w o r k s   a n d   sm a r t   h u m i d i t y   s e n s o r s  f o r   p r e c i s i o n   ag r i c u l t u r e :   A   re v i e w , "   2 0 1 5   In t e r n a t i o n a l   C o n f e r e n c e   o n   So f t   C om p u t i n g  T e c h n i q u e s   an d   I m p l em e n t a t i o n s  ( I C S C T I ) ,   F a r i da b a d ,   2 0 1 5 ,   p p .   1 8 1 - 187.   [7]   H .   H .   K e n c h a n na v a r ,   S .   B e e d a k a r   a n d   U .   P .   K u l ka r n i ,   " O p t i m i z a t i o n   t e c h n i q u e s   t o   i m p r o v e   l i f e t i m e o f   w i r e l e s s   s e n so r  n e t w o r k s :   A   r e v iew , "   2 0 1 5   I n t e r n a t i o n a l   C o n f e r e n c e   o n   E n e r g y  S ys t e m s   a n d   Ap p l i c a t i o n s ,   P u n e ,   2 0 1 5 ,   p p .   4 4 6 - 450.   [8]   T .   G u i ,   C .   M a ,   F .   W a n g   a n d   D .   E .   W i l k i n s ,   " S u r ve y   o n   s w a r m   i n t e l l i g e n c e   b a s e d   r o u t i n g   p r o t o c o l s   f o r   w i r e l e s s   s e n sor   n e t w o r k s :  A n  e xt e n s i v e   s t u d y , "   2 0 1 6   I E E E   I n t e r na t i o n a l   C o n f e r e n c e   o n   I n d us t r i a l   T e c h n o l o g y   ( I C I T ) ,   T a i p e i ,   2 0 1 6 ,   p p .   1 9 4 4 - 1949.   [9]   B i j a y a   K e t a n   P a n i g r a h i ,   Y u h u i   S h i ,   M e n g - H i o t   L i m ,   H a n d b o ok  o f   Sw a rm   I n t e lli g e n c e :   C o n c e p t s ,   P r i n c i p l e s   a nd   A p p l i c a t i o n s ,   S pr i n g e r   S c i e n c e   &   B u s i n e s s   M e d i a ,   2 0 1 1   [ 1 0]   J a s o n   B r ow n l e e ,   C l e v e r   A l g o r i t h m s :   N a t u r e - i ns p ir e d   P r o g r a m m i ng   R e c i p e s ,   J a s o n   B r o w n l e e ,   2 0 1 1   [ 1 1]   S .   G u p t a ,   V .   S h a r m a ,   N .   M o ha n ,   a n d   P . S .   S a n d h u ,   “ C o l o r   R e d u c t i o n   i n   R G B   b a s e d   o n   B a c t e r i a   F o r a g i n g   O p t i m i z a t i o n ” ,   I n   I n t e r n a t i o n a l   C o n f e r e n c e   o n   C o m p u t e r   a n d   C o m m u n i c a t i o n   T e c h n o l o g i e s   ( l C C C T ‘ ) ,     2 0 1 2 .   [ 1 2]   S .   D a s g u p t a ,   A .   B i s w a s ,   S .   D a s ,   B .   K .   P a n i g r a h i   a n d   A .   A b r a h a m ,   " A   m i c r o - b a c t er i a l   f o r a g i n g   a l g o r i t h m   f o r   h i gh - d i m e n s i o n a l   o p t im i z a t i o n , "   2 0 0 9   I E E E   C o n g r e s s   o n   E v o l u t i o n a r y   C o m p u t a t i o n ,   T r o n d h e i m ,   2 0 0 9 ,   p p .   7 8 5 - 792.   [ 1 3]   H .   C h e n ,   Y .   Z h u ,   a n d   K .   H u ,   " A da p t i v e   b a c t e r i a l   f o r a g i n g   o p t i m i z a t i o n ” ,   I n   A b s t r a c t   a n d   A p p l i e d   A n a l y s i s ,   v o l .   2 0 1 1 .   H i n d a w i   P u b l is hi n g   C o r p o r a t i o n ,   2 0 1 1 .   [ 1 4]   Z - H .   W e i ,   X .   Z h a o ,   K - W .   W a ng   a n d   Y .   X i o n g ,   “ B us   d i sp a t c h i n g   i n t e r v a l   o p t i m i z a t i o n   b a s e d   o n   a d a p t i v e   b a c t e r i a   f o r a g i n g   a l g o r i t h m ” ,   M a t h e m a t i c a l   P r o b l e m s   i n   E n g i n e e r i n g ,   2 0 1 2     [ 1 5]   A . N . K .   N a s i r ,   M . O . T o k h i ,   a n d   N .   G h a n i ,   " N o v e l   a d a p t i v e   b a c t e r i a   f o r a g i n g   a l g o r i t h m s   f o r   g l o ba l  o p t i m i z a t i o n ” ,   A p p l i e d   C o m p u t a tio n a l   I n t e l l i g e n c e   a n d   S o f t   C o m pu t i n g ,   2 0 1 4   [ 1 6]   R .   P a n d a   a n d   M . K .   N a i k ,   " A  c r o s s o v e r   b a c t e r i a l   f o r a g i n g   o p t i m i z a t i o n   a l g o r i t h m . "   A pp l i e d   C o m p u t a t i o n a l   I n t e l l i g e n c e   a n d   S o f t   C om p u t i n g , 2 0 1 2   [ 1 7]   B . B .   M a n g a r a j ,   M .   R .   J e n a ,   a n d   S . K .   M o h an t y ,   " B a c t e r i a   f o r a g i n g   a l g o r i t h m   i n   a n t e n n a  d e s i g n . "   A p p l i ed   C o m pu t a t i o n a l   I n t e l l i g e n c e   a n d   S o f t   C o m p u t i n g ,   20 1 6   [ 1 8]   L .   M a o ,   Y .   M ao ,   C .   Z h o u ,   C .   L i ,   X .   W e i ,   a n d  H .   Y a n g ,   " P a r tic l e   s w a r m   a n d   b a c t e r i a l   f o r a g i n g   i n s p i r e d   h y b r i d   a r t i f i c i a l   b e e   c o l o n y   a l g o r i t h m   f o r   n u m e r i c a l   f u n c t i o n   o p t i m i z a t i o n " ,   M a t h e m a t i c a l   P r o b l e m s   i n   E n g i n e e r i n g ,   2 0 1 6     [ 1 9]   S .   M o n a j e m i ,   S .   S a n e i   a n d   S .   H .   O n g ,   " A d v a n c e s   i n   b a c t e r i a   m o t i l i t y   m o d e l l i n g   v i a   d i f f u s i o n   a d a p t a t i o n , "   2 0 1 4   2 2 n d  E u r o p e a n   S i g n a l P r o c e s s i n g   C o n fer e n c e   ( E U S I P CO) ,   L i s b o n ,   2 0 1 4,   p p .   2 3 3 5 - 2339.   [ 2 0]   S .   M o n a j e m i ,     S .   S a n e i ,   a n d   S - H .   O n g ,   " Ad v a n c e s   i n   b a c t e r i a   m o t i l i t y   m o d e l l i n g   v i a   d i f f u s i o n   a d a pt a t i o n ” ,   I n   S i g n a l   P r o c e s s i ng   C o n fe r e n c e   ( E U S I P CO ) ,   2 0 1 4   P r o c e e d i n g s   o f   t h e   2 2 n d   E u r o p e a n ,   p p .   2 3 3 5 - 2 3 3 9 ,   2 0 1 4.   [ 2 1]   M . S .   D a a s ,   S .   Ch i k h i ,   a n d   M .   Ba t o u c h e ,   " B a c t e r i a l   f o r a g i n g   o p t im i z a t i o n   w i t h   do u b l e   r o l e   o f   r e pr o d u c t i o n   a n d   s tep  a d a p t a t i o n " ,     I n   P r o c e e d i n g s   o f   t h e   I n t e r n a t i o n a l   C o n f e r e n c e   o n   I n t e l l i g e n t   I n f o r m a t i o n   P r o c e ss i n g ,   S e c u r i t y  a n d   A d v a n c e d   C o m m u n i c a t i o n ,   p p .   7 1 ,   2 0 1 5 .   [ 2 2]   A .   K .   J a i n ,   S .   C .   S r i v a s t a v a ,   S .   N .   S i n g h   a n d   L .   S r i v a s t a v a ,   " B a c t e r i a   F o r a g i n g   O p tim i z a t i o n   B a s e d   B i d d i n g   S t r a t e g y  U n d e r   T r a n sm i s si o n   C o n g e s t i o n , "  i n   I E E E   S y s t e m s  J o u r n a l ,   v o l .   9 ,   n o .   1 ,   p p .   1 4 1 - 1 5 1 ,   M a r c h   2 0 1 5 .   [ 2 3]   Y .   M i s hr a ,   S .   Mi s h r a   a n d   F .   L i ,   " C o o r d i n a t e d   T un i n g   o f   D F IG - Ba s e d   W i n d  T u r bi n e s   a n d   B a t t e r i e s   Us i n g   B a c t e r i a   F o r a g i n g   T e c h n i q u e   f o r   M a i n t a i n i n g   C o n s t a n t   Gr i d   P o w e r   O u t p u t , "   i n   I E E E   S y s t e m s   J o ur n a l ,   v o l .   6 ,   n o .   1 ,   p p .   1 6 - 2 6 ,   M a r c h   2 0 1   [ 2 4]   M .   A .   M u ñ o z ,   S .   K .   H a l g a m u g e ,   W .   A l f o n s o   a n d   E .   F .   C a i c e d o ,   " S i m p l i f y i n g   t h e   B a c t e r i a   F o r a g i n g   O p t i m i z a t i o n   A l g o r i t h m , "   I E E E   C o n g r e ss   o n   E v o l u t i o n a r y   C o mp u t a t i o n ,   B a r c e l o n a ,   2 0 1 0 ,   p p .   1 - 7   [ 2 5]   N .   A .   O k a e m e   a n d   P .   Z a n c h e t t a ,   " H y b r i d   B a c t e r i a l   F o r a g i n g   O p t i m i z a t i o n   S t ra t e g y   f o r   A u t o m a t e d   E x p e r i m en t a l   C o n t r o l   D e s i gn   in   E l e c t r i c a l   D r i v e s , "   i n   I E E E   T r an s a c t i o n s   o n   I n du s t r i a l   I n f or ma t i c s ,   v o l .   9 ,   n o .   2 ,   p p .   6 6 8 - 6 7 8 ,   M a y   2013.   [ 2 6]   C .   S a m a n t a ,   S .   P .   P a n i g r a h i   a n d   B .   K .   P a n i g r a h i ,   " G e n e t i c - b a s e d   b a c t e r i a   f o r a g i n g   t o   o p t i m i s e   e n e r g y  m a n a g e m e n t   o f   h y b r i d   e l e c t r i c   v e h i c l e s , "   i n   I E T   E l e c t r i c a l   S y s t e m s   i n   T ra n sp o r t at i o n ,   v o l .   4 ,   n o .   3 ,   p p .   5 3 - 6 1 ,   S e p t e m b e r   2 0 1 4 .   [ 2 7]   A .   A .   A .   A r i ,   A .   G u e r o u i ,   N .   L a b r a o u i ,   B .   O .   Y e n k é ,   C .   T i t o u n a   a n d   I .   D a m a k o a ,   "A d a p t i v e   s c h e m e   f o r   c o l l a b o r a t i v e   m o b i l e   s e n s i n g   i n   w i r e l e s s   s e n so r   n e t w o r k s :   B a c t e r i a l   f o r a g i n g   o p t i m i z a t i o n   a p p r o a c h , "   2016   I E E E   2 7 t h   A n n u a l   I n t e r n a t i o n a l   S y m p o s i um   o n   P e rs o n a l ,   I n d o o r ,   a nd   M o b i l e   R a d i o   C o m mu n i c a t i o n s  ( P I M R C) ,   V a l e n c i a ,   2 0 1 6 ,   p p .   1 - 6.   [ 2 8]   P .   L a l w a n i   a n d   S .   D a s ,   " B a c t e r i a l   F o r a g i n g   O p t i m i z a t i o n   A l g o r i t h m   f o r   CH   s e l e c t i o n   a n d   r o u t i n g   i n   w i r e l e s s   s e n sor  n e t w o r k s , "   20 16  3 r d   I n t e r na t i o na l   C o n f e r e n c e   o n   R e c e n t   A d v a n c e s   i n   I n f o r ma t i o n   T e c h n o l o g y   ( R A I T ) ,   D h a n b a d,   2 0 1 6 ,   p p .   9 5 - 1 0 0.   [ 2 9]   F .   L i ,   Y .   Z h a n g ,   J .   W u   a n d   H .   L i ,   " Q u a n t u m   ba c t e r i a l   f o r a g i n g   o p t i m i z a t i o n   a l g o r i t h m , "   2 0 1 4  IE E E   C o n g r e ss   on  E v o l u t i o n a r y   C o m p u t a t i o n   ( C E C) ,  B e i j i n g ,   2 0 1 4 ,   p p .   1 2 6 5 - 1272.   [ 3 0]   B .   P i t c h a i m a n i c k a m   a n d   S .   R a d h a k r i s h n a n ,   " Ba c t e r i a   F o r a g i n g   A l g o r i t hm   b a se d   c l u s t e r i n g   i n   W i r e l e s s   S e n so r  N e t w o r ks , "   2 0 1 3  F i f t h   I n t e r n a t i o n a l   C o n f e r e n c e   o n   A d v a n c e d   C o m p u t i n g   ( I Co A C) ,   C h e n n a i ,   2 0 1 3 ,   p p .   1 9 0 - 195.   [ 3 1]   Q .   Y .   Z h a o ,   M .   L i ,   J .   L u o ,   Y .   L i   a n d   L .   D o u,   " A   n a n o ro b o t  s w a rm i n g   a l g or i t h m   b a s e d  o n  b a c t e r i a   f o r a g i n g   o p t i m i z a t i o n   t o   e r a d i c a t e   c a n c e r   c e l l s , "   2 0 1 4   I E E E   I n t e r n a t i o n a l   C o n f e r e n c e   o n   R o b o t i c s   a n d   B io m i m e t i c s   ( R O BI O  2 0 1 4) ,   B a l i ,   2 0 1 4 ,   p p .   2 5 9 9 - 2 6 0 4.   [ 3 2]   H e m a w a t h i . P   an d   T   G   B a s a v a r a j u .   A r t i c l e :   A n   I n v e s t i g a t i on a l   S t u d y   o f   E n e r g y   C o n s e r v a t i o n   T e c h n i q u e s   i n   H i e r a r c h i c a l   R o u t i n g   P r o t o c o l s  i n   W i r e l e s s   Se n s o r   N e t w o rk .   I n t e r n a t i o n a l   J o u r n a l   o f   C o m p u t e r   A p p l i c a t i o n s  1 0 1 ( 7 ) : 1 4 - 1 9 ,   S ep t e m b e r   2 0 1 4           Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4755   -   4762   4762   BIOGR AP HI ES OF  A UTH ORS         Hem ava th i  P  obta in ed  B. E  fro m   Manipa l  Instit ute   of  Techno log y ,   Manip al   ( Univer sit y   of   MA HE),   India.  She  completed  M.T ec h   from   Dr.  Am bedka r  Inst it ute  of  Te chno l og y   B anga lo re,  (VTU)  India.  H er  ar ea s  of   in te r est  ar e  W ireless   Sensor  Networ ks,  Adhoc  Ne tworks.  Curre nt l y   she  is pur suing   Phd unde r  J ai n  U nive rsit y ,   Bang a lore .             Dr.  Nanda kum a r  A  N   obt ai ned   his  B. Sc  in  197 2,   BE   degr ee  in   1976  both   fro m   unive rsit y   of   M y sore,   India  a nd  Ph.D  from   Berha npur  un ive rs ity   in  the   y e ar   2 008  aft e r  ge tt ing   M.T e ch   from  Univer sit y   Of  R oorke e  (pr ese nt  IIT   ROO RKEE)  in  the  y ea r   199 0.   He  is  workin g  as  Profess or,   New  horiz on  C oll eg e  of  Engi n ee ring  in  th e  de par tment  of  Co m pute r  scie nc e  and  engi n ee r ing,  Banga lor e.   His  rese arc h   is  in   t he  fi el d  of  Im age   proc essing,   pat t ern   r e cogni t i on,   interne t  of   thi ngs a nd   other s.  He is   a   li f e  m e m ber   of  ISTE .     Evaluation Warning : The document was created with Spire.PDF for Python.