Int ern at i onal  Journ al  of El e ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   4 ,  A ugus t   2020 ,   pp.  4176 ~ 41 88   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 4 . pp 4176 - 41 88          4176       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Energy e ffici ent chaotic  wh ale opti mizati on  techni qu e for da ta  gathe ring in wi re less sens or netwo rk       Sridhar  R . 1 ,  N .   Gur upr asad 2   1 Depa rtment of I nform at ion  Sci e nce   and Engi ne e ring,   Glob al Academ y   of   T ec hno log y ,   Ind ia   2 Depa rtment of  Com pute r  Scie n ce   and Engi ne ering,  Globa l  Ac ad em y   of   T ec hnol og y ,   Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  J un  28, 2 019   Re vised Feb  5,  2020   Accepte d  Fe b 25,  2020       A  W ire le ss   Sen sor  Network  inc lude s  the   distr ibut ed  sensor  nodes  using  li m it ed  ene rg y ,   t o  m onit or  the   ph y sic al   envi ronm ent s  and  forward   to  the  sin k   node.   Ene rg y   is  the   m aj or   reso urc e  in  W SN   for  inc r ea sing  th e  net work   li fetim e.  Sever a l   works   have  be e n  done  in  thi s  fi el d  bu t   th e  ene r g y   eff i cient   dat a  g at her ing  is   stil l  not im prove d.   In  ord er  to  a m end  the   data  ga the ring  wit h   m ini m al   ene rg y  consum pti on,   a n  eff ic i ent   t ec h nique   call ed  ch aot i c  whale  m et ahe urist ic  en erg y   opt imize d   dat a   gat h e ring   ( CW MEODG)  is  int rodu ce d .   T he  m at hematica l  m odel   cal le d  Chaot i c  t ent   m ap  is  appl i ed  to     the   p ara m eters  used  in  th e  C W MEODG  te ch nique   for   findi n g  the  global   opti m um   soluti on  and  fast  conve rge nc e  rate.   Sim ula ti on  of  the   proposed     CW MEODG  te chni que  is  per f orm ed  with  diffe ren t  par ameters   such  as   ene rg y   consum pti on,   da ta   pa cket  del iv er y   ratio,   dat a  pa cke t  loss  rat io  an d   del a y   wi th  def er enc e  to  ded ic a ted  quant ity   of  se nsor  nodes  and  num ber   of  pac ke ts.  Th e  con seque nce s  discu ss ion  show s  tha t  the   CW MEOD G  te chni q u e   progre ss es  the   d at a   gat h eri ng   an d  net work  li fe tim e  with  m ini m um   del a y   as   well   as  pa cke t   lo ss   tha n  th e  st at e - of - the - ar t  m et ho ds.   Ke yw or d s :   Chaotic  tent m ap   Chaotic   wh al e  m et aheu risti c  op ti m iz ation   Data gat her i ng   Re sidu al  e nerg y   WSN   Copyright   ©   202 0   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 :   Sr id har R.,     Dep a rtm ent o f Info rm at ion  Sc ie nce and En gi neer i ng,    Global  A ca de m y of  Tec hnol og y,     Be ng al uru,   I ndia .   Em a il :  sri m ln77@ gm ai l.co m       1.   INTROD U CTION     Now  a  day’ s   adv a nces  in   m iniat ur iz at i on   ye t  reas onably   ef fici en t  wireless  co m m un ic at ion   equ i pm ent  and  i m pr ov e d  sm a ll - scal e  ener gy   su ppli es  that  hav e  c om bin ed  with  re duced   m anu factu rin g  costs   to  m ake  a  ne w  te chnolo gical   visio n  cal le d  w irel ess  sens or  netw ork.   I n  W SN ,   a  group  of  sens ors  are   de plo ye d  arb it ra rily   for  m on it or ing  an d  c ollec ti ng   th e  physi cal   conditi on s  a nd  a rrang i ng  the  c ollec te d  data  at   si nk  no de   for  f urt he r  pro cessi ng.  T he  WSN  is  em ploy ed  f or  sev eral   real - ti m e  app li cat ion s  s uch  a s  m i li ta ry,  m o nitor i ng  env i ronm ent,  agr ic ultur e,   hom e  autom at ion ,  sm art  trans portat io n,   healt h  ca re  a nd  s o  on.  In  WSN s ,  var i ous   sens or   node s c onvey thei r  c ollec te d  inf orm ation  t o  a  far - aw ay  b ase sta ti on  via sin k n od e .   Figure  1  il lustr at es  the  WSN   arch it ect ure  w her e  t he  nodes   are   scat te re d  i n  the  netw ork .   In   a   ty pical   WSN  topolo gy ,  on e  ca n  disti nguis h  betwee n  ordi nar y  wir el ess  sensor  node s  an d  base  sta ti on s  nam ed  sink s .   The  sin k  is  us ually   con necte d  to  a  power   s upply  and   it   is  capab le   of   pe rfor m ing   m or e  com plex  op er at ion s.   W i reles s  se nso r  node s  ha ve  a bili ty   to  transfer  ra w  sen sed  data  to  the  sin k.   Du e  t o  eco nom ic   reaso ns ,  nodes   are  usual ly   po wer e d  by  sm all  siz e  batte ries  that  in  m os t  app li cat ion   sce na rios  a re  e ven   i m po ssible  to  r eplace   or  rec harge.   Ever y  node   i n  WSN  s har e s  the  i nfo rm at ion   to   a no t he r  node  t hro ugh  the   ra dio   wav e s.   Data  gathe rin g  in  W S N  is  the  process  of  accum ulatin g  the  sta ti st ic s  from   the  sens or   no des  an d  directs  towa rd s   a si nk  per i od ic al ly  and  gu i ded to wards t he base stat ion .     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       Ener gy  ef fi ci en t chaoti c wh ale  opti miza ti on t echn i qu e  for  data g ath eri ng …  ( Sr idhar  R. )   4177       Figure  1 .   WSN  a rc hitec ture       The  e n er gy  supp li ed   to  eac h  sens or   node  a r e  the  esse ntial   chall enges  in  WSNs  du e  t o  high  pa cket   loss  a nd  delay .   The refor e ,  e ff i ci ent  pac ket  de li ver y  rati o  is   a lso  a  si gn i fican t  pro blem   in  WSN.  A no t her  issue  is  the  net work  m ay   con sist   of   a  la rg e  num ber   of  r at her  dif f eren t  nodes  i n  te rm s  of   sens ors,  c om pu ti ng   powe r,     and  m e m or y.  Re cent  re sea rch  pro ve d  th at   the  opti m i zat ion   te c hn i ques  pro vid e d  as  ef fici ent  energy   conser vation f or d at a  gathe ri ng in WS N.    A  pa rtic le   swar m   op tim iz at io n - base d  sel ect ion   (P S OBS)   Me thod  wa s  de velo ped   i n  [1 ]   fo r  am assin g  the  sta ti sti cs  fr om   the  senso r  nodes  with  the   help  of  the  m ob il e  sin k.   T hough  the  m et ho d  re du ce s  the  e nergy   util iz at ion ,  the  pack et   loss  dur ing   the  dat a  ga therin g  was  not  m ini m iz ed.   The  hybri d  ant  c olony  op ti m iz a ti on   and   par ti cl e  sw arm   op tim iz at i on   (A C OP S O)  Ce ntered   E nergy  Eff ect ive  C lusterin g  te ch ni qu e  wa s  intr oduce d  in  [2 ]   to  stre ngthe n  the  inte r - cl ust er  data  a m ass m ent  and   en ha nce  the   netw ork  li feti m e.  The  AC O PSO  te chn iq ue fai le d  to  im pr ov e  th e p ac ket del ive ry r at io  with m i ni m u m  d el ay .   A  m axi m u m   lif et i m e  data  ag gr e gatio n  tree  sche du li ng  (M LDATS)   al gor it h m   was  intr oduce d  [ 3]  to   save  the  se nso r  node s  ene rg y   for  at ta ining   t he  im pr ov e d  ne twork  li fes pa n.   But  the  al gorithm   fail ed  to  ob ta in   eff ic ie nt  data  aggre gation  i n  dynam ic   W S N .  A  Cl us te r - Ri ng   Me th o d  was  intr oduc ed  [ 4]   to  i m pro ve   the  energy  prof ic ie nt  gat heri ng   of  data  f or   exte ns ive  WSN.  Wh il e  changin g  the  topolo gy  of   ne twor k  dynam ic al l y, the a ppr oach pe rfor m ed  the  da ta  ag gre gation  bu t  fail ed  t o prov i de  acc ur at e  resu lt s.      An   A u ct ion - B ased  Sc hem e  was  de vel op e d  [5 ]   f or   gathe r ing   the  data  f r om   W S N  with   m ini m u m   energy  co nsu m pt ion .  T he  s chem e  fail ed  to  sel ect   the  op ti m al   senso r   nodes  for  in creasin g  the  ne twork  li fetim e.  A  Bayesi an  com pr essive  sensi ng  ga therin g  of  da ta   m et ho d  wa s  intr od uced   [6 ]   for  ens uri ng  th e  data   gathe rin g  an d  prolo ng  the  ne twork  li fetim e.  The  appr oach  fail ed  to  at ta i n  higher  data  pack et   delive r y  at    the  sink   no de.  A  Distribu te d  Op ti m a l  Mov e m ent  te chn iq ue  was  de velo ped   [ 7]  for  col le ct ing   the  data  with  m ini m al  loss  r at e.  But  the  energy  eff ic ie nt  data  gathe r ing   wa s  not  perform ed  to  inc rease  the  li fetim e     of n et work.   The  rendez vous - bas ed  data  c ongregati on  protoc ols  w ere  desig ne d  in  [ 8]   fo r   delay   in hib it ed  dat a   gathe rin g  in  WSN .  B ut  the  li fetim e  of   network   was  not  enri ched   since  it   f ai le d  to  sel ect   the  energy  eff i ci ent   nodes .  An  ef fici ent  struc ture - fr ee  data  a ggre gation   an d  deli ver y  (ESD AD)   te chn i que  was   intr oduce d  [9 ]   f or   i m pr ovin g  the   data  deli ver y  with  le sse r  e ne rg y  c onsu m ption.  T he  reli abi li ty   in  the  data   ag gr e gatio n  proces s   was  no t  i ncr ea sed.   A  sp a rsity   feedbac k - ba sed  c om pr essive  data  gat heri ng   proce dure  was  hoste d  [10]  f or   balancin g  the  vital it y  a m id  t he  sen sor  no de s.  The  proce dure  did   not  m inim iz e  the  total   energy  co nsu m pt ion  for fu rthe r  im pr ovin g data  gather i ng p e rfor m ance.   The  m ajo r  iss ue s  identifie d  from   the  existi ng   li te ratur e  a re  higher  pac ket  loss  rate,  l onge r   delay ,  la ck  of   im pr ov i ng   t he  netw ork  li fe tim e,  fail ur e  to  i m pr ov e  the  da ta   pack et   delivery  an d  so   on.    In   orde r  to  address   su c h  kind  of   issues,  a n  ef fici ent  te chn i qu e  cal le d  chao t ic   wh al e  m etah eu risti c  ene rg y  opti m iz ed   data   gathe rin g   (C WMEO D G)   i s  intr oduce d.  The  m ai n  ai ds   of  the   sugg e ste d  C W MEOD G  te c h nique  are   su m m arized as foll ow s;     To  i m pr ove  th e  data  gather in g  with  m ini m um  ener gy  cons um ption ,  C WMEODG  te ch ni qu e  is  dev el oped.    Fo r  e ach  se nsor  node  i n  th e  popula ti on ,  the  rem ai nin g  energy  is  cal culat ed.   In   fitness  cal culat io n,     the  resi du al   str eng t h  of  the   node  is  relat ed  with  the  t hr es ho l d  val ue.   If   the  ene rg y  of   the  node   is  m or e   pr e pondera nt t han the t hr es ho ld v al ue,   t he n  t he node is  d esi gn at e d  as  a c urren t  best.     The  ene r gy  of  the  current  be st  is  co m par ed  with  the  othe r  sens or   node s  to  fin d  the   glo bal  op ti m um   thr ough  the  fi tness  m easur e.  The  global  optim u m   is  det erm ined  by  app ly in g  the  c hao ti c  te nt  m ap  m at he m at ic a l m o del to th e al gorithm .     To  im pr ove  t he   delive ry  of  da ta   pac ket,  m ini m iz e  the  loss  r at e  an d  delay ,  t he  s ource   no de   pro pels  t he  da ta  pack et  t ow a r ds t he hig her ene rg y se nsor  no de  to  the  sin k n ode.    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.  10 , No .  4 ,  A ugus t  2020  :   4176   -   4188   4178     The  rest  of   t he   arti cl e  is  arr an ge d  into  five  dif fe ren t  s ect ion s.  S ect io n  2  outl ines  the  al li ed  w orks.    In  sect io n  3,   the  pro posed  C W MEO DG   proce dure  is  e xp la ine d  with   a  neat  dia gr a m .  In   sect ion  4,   si m ulati on   set ti ng   is   ex hib it e d  with  var i ou s   par am et ers.   Si m ula ti on   outc om es  are  deli be rated  i n  sect io n  5.     The de du ct io n  of p a per is  pr es ented  i n  sect io n  6.       2.   RE LATE D  W ORK   A n   a r t i f i c i a l   b e e   c o l o n y   ( A B C )   o p t i m i z e d   p a r t i c l e   s w a r m   o p t i m i z a t i o n   p r o c e d u r e   ( A B C - P S O )     w a s   i n t r o d u c e d   i n   [ 1 1 ]   f o r   i m p r o v i n g   t h e   l i f e s p a n   o f   n e t w o r k   b y   c o n s u m i n g   t h e   m i n i m u m   e n e r g y .   T h o u g h     t h e   a l g o r i t h m   i m p r o v e s   t h e   r o b u s t n e s s   a n d   t h e   r e l i a b i l i t y ,   e n e r g y   u t i l i z a t i o n   r a t e s   w e r e   n o t   m i n i m i z e d   a t     t h e   r e q u i r e d   l e v e l .   A n t   C o l o n y   O p t i m i z a t i o n   A l g o r i t h m   w a s   d e s i g n e d   i n   [ 1 2 ]   f o r   d i p p i n g   t h e   n o d e   e n e r g y     a n d   e n h a n c i n g   t h e   n e t w o r k   l i f e s p a n .   T h e   o p t i m i z a t i o n   a l g o r i t h m   d i d   n o t   e f f e c t i v e l y   p r o v i d e   t h e   g l o b a l     o p t i m u m   s o l u t i o n .   In  [ 13 ] ,   Vi vac it y  Su pe rv isi on  a nd  Cr os s - la ye r  O ptim iz a ti on   Me th od  was  i ntrod uce d  inte nded   at   reducin g  the  ti m e - aver a ge  rat e  of   e nergy  de pleti on .  The  al gorithm   fail ed  to  perf or m   the   delay   reducti on   i n    the  data  gat he rin g  pract ic e.  The  pa rtic le   swar m   op ti m izati on - base d  cl us te rin g  al go rithm   was  dev e lope d    in  [ 14 ]   for  pe rfor m ing   da ta   colle ct ion   wi th  le sser  c ons um ption   of  e ne rg y  a nd  tra nsm issi on   delay   us in g    the m ob il e sin k.   The  alg or it h m  f ai le d  to m ini m iz e the  packet  loss  in  d at a   colle ct ion .   An  ada ptive  a ncho r  sel ect io n  al go rithm   was  intr oduce d  in  [ 15]   us i ng  m ob il e  colle cto r ,  to   am ass     the  da ta   f ro m   the  sel ect ed   se ns ors   an d  m ain ta in  t he  c ons um ption   of   en erg y.   T he  al go rithm   fail ed  to   sel e ct   op ti m al   ener gy  eff ic ie nt  sen s or   nodes .    A  P areto - O pti m al   Cl us te rin g  Me thod  was  intr oduced   i n  [ 16 ]   f or  data   aggre gation  a nd  i m pr ovin g  th e  networ k  li fetim e  by  achieving   bette r  energ y  saving s .  But  the  perform ance  of   delay  whil e p e rfor m ing  the  dat a g at he rin g was  no t  m ini mize d.   In   [17],  delay - eff ic ie nt  traf fic   adap ti ve  (DE TA)   m et ho d  w as  introd uced   aim ed  at   collecti ng   the  data   from   senso r  node s  us in g  le s ser  co nsum pti on   of   e nergy.  Th ough  the  m et hod  co ns ide r ably   reduces  the  data   c o l l e c t i o n   d e l a y ,   t h e   d a t a   p a c k e t   d e l i v e r y   p r o p o r t i o n   w a s   n o t   e n r i c h e d .   A  u n i c a s t   t r e e - b a s e d   d a t a   g a t h e r i n g   p r o t o c o l   ( U T D G )   w a s   d e s i g n e d   i n   [ 1 8 ]   t o   i m pr o v e   t h e   m e s s a g e   d i s t r i b u t i o n   r a t e s   w i t h  m i n i m um  c om m u n i c a t i o n  o v e r h e a d   a s   w e l l   a s   d e l a y .   B u t   t h e   d a t a   l o s s   r a t e   w a s   n o t   m i n i m i z e d   d u r i n g   t h e   d a t a   c o l l e c t i o n .   An  ant  c olony op ti m iz ation   ( ACO )  procedu re  wa s  de sig ne d  in   [ 19 ]  u sin g  a  m ob il e  sink  for  g at he rin g  the  data  and   in creasin g  the  ne twork  li fes pan.   The  al gorithm   fail ed  to  trans m it  the  data  pack et   with  m inim u m   delay .   An  on - dem and   m ob il e  si nk   trave rsal  (ODMST )  proce dure  was  desi gn e d  [2 0]  to  ag gregate     the  inf or m at ion   from   CHs  throu gh   the  m obil e  sink .  The  c onve rg e nce  of  proce dures  in  la rg e  scal e  of  WSN  was  no t  at ta in ed  in   an  e ff e c ti ve  m ann er.  A  novel  ba ct eria  f or a ging  optim iz at ion   (BFO )   al gor it hm   was   introd uced  in  [21]  f or  ene r gy   eff ic ie nt  c om m un ic at ion   i n  WSN.  The   al gorithm   m a i ntains  good  st abili ty  betwee n  the  com pu ta ti on al   and   com m un ic at ion   de m a nd s  of   a  se nsor  node.   Howev e r,   the  c os t  of  com pu ta ti on al   com plexity   was  no t  s uffici ent .  A  no vel  ap proach   of   a nt  col on y  op ti m iz a tio n  (A C O)   al gorithm   was  im ple m ented  in   [ 22]   f or  inf or m at ion   tra ns m issi on   in  t he  WSN.   I n  t hi s  m e tho d  op ti m al   ro utin g  is  base d   on   the  bo t h  th e  node  m ob il ity  and   the  ene rg y  of  the  no de.   T h e   i n t r o d u c e d   m e t h o d   o b t a i n   i m p r o v e m e n t   i n     t h e   e n e r g y   c o n s u m p t i o n   o f   t h e   n o d e s   p e r   t r a n s m i s s i o n .   H o w e v e r ,   t h e   p e r f o r m a n c e   o f   d e l a y   d u r i n g   i n f o r m a t i o n   t r a n s m i s s i o n   w a s   n o t   c o n s i d e r e d .     A  hi gh - le vel  a dap ti ve   po wer  m anag em ent  ci rcu it   (P MC )  was  pr ese nted   in  [ 23 ]   to  ac hi eve  ene rgy   eff ic ie nt  data  transm issi on .  Howe ver,  the  m ini m iz at ion   of   en d - to - en d  delay   was  not  su ff ic ie nt.  A  novel  routin g  protoc ol  f or  WSN’s  was  desig ne d  in  [ 24] .  I n  t he   intr oduce d  protoc ol,  tra ns m i tt ing   da ta   proc ess  i s   done  in   a  hie rar c hal  way  with  im pr ov e d  Q oS   i n  the   netw ork.   H ow eve r,   t he  pe rfor m ance  of  energy   m ini m iz at ion   was  not  en ough.  A n  e nergy - e ff ic ie nt  ha ndov er  m echan is m   was  intr oduce d  in  [25]  for  ach ie ving   higher   pac ket  delivery  rati o  durin g  data  tra ns m issi on   in  WSN.  B ut  the   pack et   l os s   rat e  was   not  c ons idere d.   The  issue s  i de ntifie d  f ro m   t he  ab ove - sai d  rev ie w s  are  ov e rc om e  by  pr ese ntin g  a  ne w  proce dure  cal le d  C W MEO DG   t echn i qu e .  The  proce dure  of  the  C W ME ODG  te chn i qu e  is   exp la ine d  wit h  the  neat  dia gram   in   the n e xt secti on.       3.   RESEA R CH MET HO DOL OGY   In  WSN,  se ve ral  se ns or  node s  ha ve  t he  ca pab il it y  to  se nse   an d  f orwards  t he  i nfor m at ion   t o  si nk   node.     The  sin k  node  tu rn s  a s  a  data  colle c tor  to  assem bl e  the  facts  fr om   all  senso r  node s  for  fu t ure  us e .   Thro ughout   th e  data  gat her in g  process ,  t he  energy  reso urc e  is  esse ntial   to  upsurg e  the   li fesp an   of  net work.   The  sin k  node   and   sen sor  no des  bala nce  th e  energy  in  the  data  gather i ng  process .  Ba sed  on  this  obje ct ive,   chao ti c  wh al e  m et aheu risti c  energy  op ti m i zed  data  gat h e rin g  (C WME ODG)  is  intr oduce d.  T he  f ol lowi ng  syst e m   m od el  is u se d for  orga nizing t he  pro pose d  C W ME O DG tec hniq ue.     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       Ener gy  ef fi ci en t chaoti c wh ale  opti miza ti on t echn i qu e  for  data g ath eri ng …  ( Sr idhar  R. )   4179   3.1.   Org an iz at io n  mod el   Con si der  the   wireless   sen sor  netw ork   ( W SN )   a rr a nged   in   the   gr a ph  ‘ = ( , ) ’  w her e   ‘ ’  represe nts  a  ve rtic es  i.e.  num ber   of   se nsor  node s  de no te d  a s  ‘ =  1 ,  2 ,  3 … , ’  and   a  set   ‘ ’  de no te s   an  ed ges  i.e.  c onnecti on  bet ween   t he  node s  in  a  sensing  zon e .  The  node s  are  orga nize d  in  the  s quare   area  for   m on it or ing   a nd  colle ct in g  the  data  pac ke ts   1 ,  2 ,  3 …    and   t ran s m itti ng   to  the   sink   node  ( )  thr ough  the  n ei ghbori ng  no de s    1 ,  2 ,  3 , … .  .  Ba se d  on  t he   ab ove - sai d  sys tem   m od el ,  the   pro pose d  C W MEO DG t echn i qu e  is  des ign e d.     3.2.   Chaotic  whale  met ah euri s tic energ y op tim iz ed da t a gath eri ng  in  WS N   The  C W ME O DG   te ch nique   is  e m plo ye d  to  pe r form   the  data  colle ct ion   in  W S N  wit h  m ini m u m   energy  co nsu m pt ion .  T he  conve ntion al   wh al e  op ti m izati on   al gorith m   is  sti l l  no t  eff ic ie nt  to  perform     the  bette r  so lu ti on .  I n  orde r  to  at ta in  the  go od  co nver gence  rate  and   ob ta in  the  glo bal ly   op tim al  so luti on,   c hao ti c  wh al e  m et aheu risti c  op ti m iz ation   is   em plo ye d  by  t un i ng  the  ce rta in  pa ram et ers  us e d  in  t he  al gorithm .  The  cha otic  w hale  op ti m iz ati on   al go rithm   i s  the  m et aheu r ist ic   wh ic h  pro vid es  bette r  sol ution s  with  m ini m al  com pu ta ti on al   effor t.  T he  C WMEO D G  m et hod  ex pe nd s   the  energy  as   m ajo r  r eso urc e  to  upsurge  ne twork   li fesp an  in data  g at he rin g proc ess. T he  a rch it ect ur e  diag ram  of C W ME O D G  te ch nique is   sh ow n  in   F i gur e 2 .     In it ia ll y,  the  de dicat ed  qu a ntit y  of   se nsor  no des  is  posit ione d  in  net work  for  c ollec ti ng   data  pac kets   from  the en vir on m ental  co nd it ion s. Afte r  ac cum ulati ng  the  d at a  pack et s,  the se nsor n od e s en e rg y i s c om pu te d  to  fi nd  opti m a l  node  us i ng  c hao ti c  wh al e   m et aheu risti c  op ti m iz ation   t echn i qu e .  Af te r  fi nd i ng  the  energy   eff ic ie nt  nodes ,  the  c ollec te d  data  pa ckets  a r e  sent  t ow a r ds  sin k  to   en rich   the  netw ork  li fesp a n.  T he  de ta il ed  process  of C W MEOD G  te c hniqu e is  d esc rib ed  in  the  f ollo wing secti on.           Figure  2 .   A rch i te ct ur e  diag ra m  o f  pro posed   C W MEO DG t echn i qu e       The   po pu la ti ons  of  t he  sens or  nodes    1 , 2 ,  3 … ,   are   init ia li zed  in  t he  WSN   f or  c ollec ti ng    the  data  packet s   1 ,  2 ,  3 …    from   the  e nviro nm ent.  At  first,  al l  t he  node s  in   ne tw ork  hav e   e qu i vale nt   e n e r g y   l e v e l .   S e n s o r   n o d e   e n e r g y   i s   p r o c e s s e d   b y   t h e   p r o d u c t   o f   p o w e r   a n d   t i m e .   T h e   e n e r g y   i s   m a t h e m a t i c a l ly   com pu te d  as  fo ll ow s,       = ∗   (1)     Fr om   (1),     repr esents  the  e nergy  of  the  node s,    de note s  a  powe r  in  watt s,    denotes  a  ti m e   in  seco nds  ( Se c).  The  e ne rg y  of  ever y  si ng le   no de  is  quantifi e d  as   unit   of  joul e  ( J) .  Af te r   th e  data  c ollec ti on ,  t he  e nergy  of  eac h  sens or   node   ge ts de gr a ded an d  the  r em ai nin g (i.e.  resid ual)  en e rg y  of the  nodes  are  c ompu te d  as  foll ows,     = −   (2)     In   ( 2) ,     repres ents  the  resid ua l  energy,    de no te s  a   total   e nergy,    si gn i fies  the  c onsu m ed  e nergy  of   sens or  nod e s.  The  nodes  resi du al   e nergy  is use d  f or  ide ntifyi ng   se nsor  no des  wh ic h  util i ze  the  m or e  en erg y   i n  the  data  colle ct ion .  T her e f or e ,   an  eff ic ie nt  optim iz at ion   te c hn i qu e  is  us e d  to  sel ect   ener gy   eff ic ie nt  node s  for   da ta   gathe rin g  in  W S N.   T he  C W MEO DG   t echn i qu e  c ompu te s  the  fit ne ss  of   eac h  sen so r  node  f or   s el ect ing    the opti m al  to  perform  d at a ga therin g  i n WS N.   The  f it ness   is com pu te d  as  foll ow s ,      = ≥   (3)   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.  10 , No .  4 ,  A ugus t  2020  :   4176   -   4188   4180   Fr om   ( 3) ,     denotes  a   resi du a l  ene rg y,     re presents   the   th r esh old   f or  the   resi du al   ene r gy.  Ba se d  on     the  fitness  m e asur e ,  the  curr ent  best  op ti m al   ener gy  eff ic ie nt  sensor  no de  is  sel ect ed.   In   orde r  to  identify     the  gl ob al   best   optim al   sensor  no des,  th ree  ph a ses  a re  car r ie d  out  s uc h  as   encircli n g  pre y,  ex plo it at ion  ph a se,  and ex plorat io n ph a se.  Fo ll owed  b y,  g l ob al  optim al  sen sor  nod e s ar e  sele ct ed  f or d at a  gat her in g  i n WS N.     3.2.1. E ncir cl ing  prey   Encircli ng  pr e y  is  the  fi rst   le vel  of   t he   cha otic  w hal e  m e ta heu risti c  optim iz at ion   te chn i que.    In   t h is  phase ,   the  w hale  (i. e.  sen sor  node )  disc overs  t he   locat ion  of  the  prey   an d  encircle s  them   since    the  locat ion   is  no t  known  previo us ly   in  the  search  sp ace .  Du e  to  this,  th e  pr op os e d  op t i m iz ation   al gorithm   consi ders  that  the  current  bes t  senso r  node  is  cl os e  to  an  op ti m al .  The  c urren t  best  opt i m al  senso r  node  is   sel ect ed  base d  on   fitness  com pu ta ti on.  Af te r   find i ng   the  c urre nt  best  sens or   node,   the  posit ion   of   t he  w hale  is   updated   to wards  t he  sea rc h  a gen t   f or  com par in g  with  oth e r   so l ution  (i.e .  wh al e )  to   fi nd  the  e nergy  op ti m iz ed  sens or   node . T he posi ti on   up date pr ocess  is  expresse d  as  fo ll ow s,       ( + 1 ) = ( ) − .   (4)     = | . ( ) − ( ) |   (5)     In   ( 4),  ( + 1 )   denote s  an   update d  l ocati on  of  the   sen sor  node s, ( )   re pr e sents   the   posit io n  vect or  of    the  prey .  is  a  coeffic ie nt  vect or,    represents the  distanc e  be tween  t he  posit ion  v ect or o f  t he  pr ey   ( )   an d  the  posit ion  ve ct or   of   t he  w hale  ( ) .  In   ( 5) ,     represe nts  the   coeffic ie nt  ve ct or .  As  m entione d   a bove,     an d    pa ram eter s  us e d  f or  s hr i nk i ng  the  e ncircli ng  m ec han ism .  O n  c on t rar y  to   a  c onve ntion al   w hale   op ti m iz ation   a lgorit hm ,  the  pro po se d  w ha le   op ti m iz ation   def i nes  th e   two  pa ram eter s    an d    wi th    the ch a otic m a p value.  T hese  par am et ers  are  def i ned as  fo ll ow s ,     = ( 2 ∗ − 1 )   (6)     = 2 ∗   (7)     Fr om   ( 6) ,     de no te s   com pone nt  wh ic h  is   dec rem ented  f ro m   2  t o  0  t hroug hout   the  seq ue nc e  of  rep et it ion s .     denotes  a n  assess m ent  obta ine d  from   the  c hao t ic   m ap.   T he  pr opos e d  opti m i zat ion  te ch niqu e   us e s  t he  te nt  c hao ti c  m ap  f or  identify in g  t he   global  optim um   so luti on.  T he  te nt  is  a  s ha pe  of  the   grap h  w hic h  is sh own  i n  Fi gure  3 .   Fi gure  3 i ll us trat es a cha otic t ent m ap.  Th e  m ap  funct ion  is  expre sse d  as  foll ows,     + 1 = { ∗                                                < 0 . 5 ∗ ( 1 − )                ≥ 0 . 5   (8)     Fr om   (8 ) , + 1   is  the  real  value d  f un ct io n  of   the  chao ti c  te nt  m ap  in  the  range   from   0  to  1  in  the  un it   inter va l.  Hen ce   the  c ha otic  te nt  m ap  is  cal le d  as  a   di screte - ti m e  dy nam ic al   sys tem .    is  pa ram eter   ra nge s  from   0  t o  1  and ch oosin g  t he value  of  para m et er  = 2 .           Figure  3 .   Cha ot ic  tent m ap   v n   V n + 1   0   1   0 . 5   1   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       Ener gy  ef fi ci en t chaoti c wh ale  opti miza ti on t echn i qu e  for  data g ath eri ng …  ( Sr idhar  R. )   4181   3.2.2. E xp l oitation ph as e   The  ex plo it at io n  phase is t he  second level o f t he  op ti m iz a ti on  techn i qu e . Th is segm ent is  al so  k no wn  as  a  Bu bb le - ne t  at ta cking   te ch nique. I n  t he  e xp l oitat ion  p ha se,  the d ist ance   betwee n  the whale   an d  locat i on  of   the  prey   is  co m pu te d.   I n  thi s  phase,  a   hel ix   eq uatio n  is   form ulate d  w it h  the  locat io n  of  t he  prey   an d    the  wh al e ’s  lo cat ion   to  fo ll ow  the  helix - s hap e d  m otion   of   hum pb ack   wh al es.  T he  updatin g  res ults  are  expresse d usin g  the  ch a otic t e nt m ap  as foll ows,     ( + 1 ) = ′ ∗  ( 2 ) + ′ ( )   (9)     ′ = | ( ) ′ − ( ) |   (10)     In   ( 10),  ( + 1 )   re presents  t he  update  po sit io n  of  the   sen sor  nodes , ′   denotes   an   up dated   di sta nc e   betwee n  the  ‘ ’th  w hale  posit ion ( )   to  the  pre y  po sit ion   ( ) ′ ,    denotes  a  co nst ant  for  outl inin g    the  lo gar it hm i c  curve  st ru ct ur e .  E xponenti al   functi on  ‘ ’   is  the  base  of   natu ral  lo gar it hm s.    rep re sent s     the v al ue of  th e cha otic t ent  m ap  ( 0,1) .   The  hum pb ack   wh al es  encl ose   the  pr ey   in  a  dw in dlin g  ci r cl e  and   al so   a  coile d  struct ured  path way   con c urre ntly .  In   orde r  to  perf or m   these  con c urren t  pe rfo rm ances,  c on si de r  that  there  is  a  po ssi bili ty   of   0.5  to  el ect  eit her  dw ind li ng circl e  or  helix - s ha ped  m od el . Th e  pre ci se m od el  is expresse d  as  fol lows ,     ( + 1 ) = { ′ ( ) − .                                                                   ;                     < 0 . 5 ′ ∗  ( 2 ) + ′ ( )       ;             ≥ 0 . 5   (11)     In (11),   ( + 1 )   repres ents the   up dated po sit io n of t he  sen s or  nodes ,  ‘ ’  is a  pro bab il it y rang es  fro m  [0, 1].     3.2.3. E xp l oration  phase   The  final  ph ase  of   the  pro po se d  cha otic  wh al e  m et aheu risti c  op ti m iz at ion   te chn iq ue  is     the  ex plorat ion  ph a se  i.e.  sea r ches  f or  prey .  The  global  opt i m u m   so luti on   is  ob ta ine d  by  updatin g  the  w hale' s   po sit io n  with   a   ra ndom ly   chosen   w hale  rath er  t han  the   c urre nt   best   wh al e.  T his   m echan ism   us es  t he  | | > 1   wh ic h  hi gh li ghts  the  ex plorat ion   a nd  pe rm i ts  the  pr opose d  c hao ti c   wh al e  m et aheu risti c  optim iz at io n  al gorithm  that perform s a g lo bal searc h. T he  upd at in g be ha vior is e xpress ed  as  foll ows:     = | .  ( ) − ( ) |   (12)     ( + 1 ) =  ( ) − .   (13)     Fr om   (13),  ( )   den otes  a n  a rb it r ary  locat ion  ve ct or   of   a  ha phazar d  wh al e.   Finall y,  the  ch aotic   w hale   m et aheu risti c  op ti m iz ation   al gorithm   is  st oppe d  by  sat isfyi ng   the  te r m inati on   crit erio n.   By   th is  way,     energy  ef fici en t  sensor  nodes  are  sel ect ed  from   the  popu la t ion .     A fter  t hat,  the  le sse r  ene rg y  se nsor  node s  ar e   e m plo ye d  to  di rect  the  colle ct ed  data  packet s  towards  ne arest  highe r  e nergy  sen sor  node s  f or   tr ans f err in g    the  pack et s  to  the  sink   no de .  The  Eucli dea n  distance  m easur e  is  us e d  for   find in g  nei ghborin g  highe r  energy  nodes  in  t he  se arch space . T he  Eu cl idea n dis ta nce is c om pu te d  as  fo ll ows ,     = √ ∑ ( ( ) − ℎ ( ) ) 2   (14)     Fr om   ( 14),   re pr ese nts  t he  E uclidean   distance,   ( )   de no te s   le sser  e nergy  sens or  no des   and  ℎ ( )   represe nts  the   higher   ene r gy  sens or  no des.   Lesser  e ne rg y  sens or  no des  f ind   t he  neig hb or i ng  hi gh e r  e nergy  sens or   nodes  t o  tran sm i t  the  pack et s  to wa rds  sink .  Af te r  th at ,  the  source  node  se nds  accum ulate d  packet s  to     the s in k  t hroug h  the  adjace nt  higher  stre ng t h sens or no des.   Figure  4  il lustr at es  a  data  gat her i ng  thr ough   the  op ti m al   e nergy  ef fici ent   sens or  nodes.  In  F ig ur e   4,   the  sou rce  node  ( S)  pro pels   the  data  pac ke t  to  nea rest  hi gh   e ne rg y  se ns or  nodes   w hi ch  is  re presen te d  i n    gr ee n  colo r.   T he  higher  e nergy  sens or   no de s  direct  the  data  pack et s  towards  sin k  no de  represe nted   in  red  colo r.   Th e  sin k  node  c ollec ts  data  pack et s  from   the  highe r  energy  no des   that  ensu es  in   ref inin g  the  li fetim e     of n et work.   The  al gorithm i c ex planati on  of C W ME O DG  te chn iq ue  is  pr esented  as  fo ll ow s ,   Inp ut: N um ber  of se ns or  node s ( i.e.  whale )    1 ,  2 ,  3 … , , N um ber   of d at a p ac kets   1 ,  2 ,  3 …    Ou t pu t:   Im pr oved  en e r gy ef fici ent d at a  gath erin g     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.  10 , No .  4 ,  A ugus t  2020  :   4176   -   4188   4182       Figure  4 .   Data  gathe rin g  in   WSN       Begin    1. Initialize the populations of sensor nodes   1 ,  2 ,  3 … ,   2.   for each     3.      Compute residual energy    4.      Calculate the      5.           If ( ≥ ) then   6.                Select the current best   solution     7.          end if   8.   While  ( <    )   9.       if  ( < 0 . 5 )   10.              if ( | | <1) then   11.                   Update the location of the present search representative using  (4)   12.                 else if ( | | ≥ 1) then   13.                     Select a random position of whale   ( )   14.                   update the location of the present search representative using (13)   15.            end if   16.        else if ( ≥ 0 . 5 )   17.          update   the location of the present best solution (9)   18.     end if   19.     Go to step 4   20.     t=t+1   21:    end while   22. Yield the optimal energy efficient nodes   23:   Less energy nodes finds neighboring high energy nodes using    24.    ( ) send     to  ℎ ( )   25.   Source node sends a    to sink through  ℎ ( )   End   Algorithm 1 Chaotic Whale Metaheuristic Energy Optimized Data Gathering     Algorithm   1  descr i bes  t he  chao ti c  wh al e   m e ta heu risti c   ene rg y  op ti m iz ed  data  ga therin g  with   m ini m u m   dela y  and   lo ss .  T he  popula ti ons   of   the  se nsor   nodes  are  ini ti al iz ed  arb it rar il y.  Fo r  eac h  node,  resid ual  ene rgy   is  assessed.  Rel ia nt  on   t he  energy,  the   fitn ess  is  com pu te d  f or  each   sen s or  nod e s.  T he  r esi du al   energy  is  c ompare d  by  m eans  of  the   th reshold  value   f or  i den t ify in g  t he  current  best  se arch  age nt  (i .e.   sens or   nodes ).   Af te r  f ind in g  the  c urr ent  best  age nt,   the  pro posed  C W MEO DG   t echn i qu e  pe rfo rm s  three  diff e ren t   processes  by  tun i ng   the  certa in  par am et ers  us in g  cha otic  t ent  m ap  values .  Af te r  that,  th e  fitness  is  com pu te d  to  fin d  the  gl ob al   e nergy  eff ic ie nt  sen sor   nodes.   P re dicat ed  on  the  te nt  m ap,   the   fast  conve rg e nce  of     the  al gorithm   i s  at ta ined  an d  sel ect s  the  ene rg y  ef fici ent  se ns or  nodes  am ong  the  de dica te d  quantit y  of  nodes   dep l oyed  i n  th e   netw ork .  Af t er  fi nd i n g  the  energy  ef fici ent  no des,  the  l esser  e nergy  s ens or   node s  tr ansfe r     the  com po se d  data  to  the   ne arb y  op ti m al   e nergy  ef fici ent   node  t hroug h  the  Eu cl idean   distance  m easur e .    The  s ource  no de  the n  directs   the  colle ct ed  pack et s  t o  the  sink   ov e r  the  energy  eff ic ie nt   sensor  no des   with  m ini m u m   del ay .  This  pro cess  ups urges   the  pac ket   delivery  p r oport ion   a nd   netw ork  li f et i m e.   The  ab ove - e xpla ined  al gorithm ic  pr oces se s  are  execu te d  in  the  si m ula ti on   to  sho w  the  perform ance  of   the  sugg est e d  C W MEO DG   t echn i qu e  t han   the  e xisti ng   optim iz at ion   te c hn i qu e .   The  si m ula ti on   res ults  are  discusse d i n ne xt secti on.       4.   SIMULATI O N  SET TI NGS   An  ef fici ent  C W MEO DG  te chn i qu e   an d  existi ng  m eth ods  PS OBS  [1 ]   a nd  AC O PSO  [ 2]  are   i m ple m ented  in  NS2. 34  net work  sim ulator.   Total ly   50 0  sens or  no des   a re  distrib uted   i n  a   s qu a re   re gi on  of  2   ( 15 00  m   *  15 00  m )  fo r   data  gat her i ng  in   WSN .  T he   m ob il it y  m od el   in  t he   sim ula ti on   is   us e d  as  Ra ndom   Wayp oin t.  T he   nu m ber   of   data  pac kets  us e d  f or   th e  si m ulati on   pur po s es  are  var i ed  f ro m   25   t o  25 0.    The  se nsor   no des   s pee d  is  se t  as  0 - 20m /se c   an d  the   sim ul at ion   ti m e  is  30 0  sec.  The   dy nam ic   so ur ce  r ou ti ng   (D SR )  prot ocol   is  app li ed  for   carrying   ou t  e nergy  eff ect ive   data  gather i ng  in  WSN.  The  var i ou s  sim ulati on  factors a nd the ir v al ues  a re lis te d  in  Table  1.   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       Ener gy  ef fi ci en t chaoti c wh ale  opti miza ti on t echn i qu e  for  data g ath eri ng …  ( Sr idhar  R. )   4183   T h e   m o d e l   i s   p e r f o r m e d   w i t h   r e v e r e n c e   t o   q u a n t i t y   o f   s e n s o r   n o d e s   a n d   d a t a   p a c k e t s .   T h e   v a r i o u s   p e r f o r m a n c e   m e t r i c s   s u c h   a s   e n e r g y   u t i l i z a t i o n ,   p a c k e t   d e l i v e r y   p r o p o r t i o n ,   l o s s   r a t e   o f   d a t a   p a c k e t   a n d   d e l a y     a r e   c o m p u t e d   u s i n g   t h e   a b o v e   s a i d   s i m u l a t i o n   s e t t i n g s .   T h e   r e s u l t s   o f   d i f f e r e n t   p a r a m e t e r s   a r e   d i s c u s s e d   i n     n e x t   s e c t i o n .       Table  1 .   Sim ul at ion   facto rs   Si m u latio n  Factors   Valu es   Si m u lato r   NS2 .34   Netwo rk Ran g e   1 5 0 0 m  * 1 5 0 0 m   Qu an tity  of  sen so r  n o d es   50,   100,   150,   2 0 0 ,   250,   300,   3 5 0 ,   4 0 0 ,   450,   500   Mob ility  m o d el   Ran d o m   W a y  po in t  m o d el   Qu an tity  of  Data  p acket s   25,   50,   75,   100,   1 2 5 ,   150,   175,   200,   2 2 5 ,   250   Sen so r  n o d es sp eed   0 - 2 0 m /s   Si m u latio n  T i m e   3 0 0 sec   Nu m b e r  o f  T r acks   10   Proto co l   DSR       5.   RESU LT S  AND DI SCUS S ION S   The  sim ulati on   ou tc om es  of   pro j ect ed  C WM EODG  te ch nique  an d  e xisti ng   opti m iz at ion   te chn iq ue s   nam ely  PSO BS  [1 ]   an d  AC OP S O  [ 2]  are  discusse d  with   var io us   par am et ers  su c h  as  c on s um ption   of   energy,  data  pac ket  de li ver y  pro portion,  data  pac ke t  loss  rate  an d  delay .  Per for m ance  of   C W MEOD G  t ech nique  is   evaluate d  with   the  existi ng   m et ho ds   us in g  ta ble  values  a nd   gr a phic al   resu lt s.  F or   eac h  sect ion,  the  sam ple   m at he m at ic a l  cal culat ion   is  pro vid e d  for  sh owin g  the  pe rfor m ance  resu lt s  of   the  propose d  C W M EO D G   te chn iq ue a nd  existi ng m et ho ds .     5.1.   Si mulati on  re sults  of ener gy u tili z at ion   Con s um ption   of   e ne rg y  is  ca lc ulate d  as  a n  a m ou nt  of  vita li ty   sp ent  by  s ens or   nodes   f or  se ns in g  a nd   gathe rin g  the  data  from   the  env i ronm ental   conditi ons.  Th e  m at he m atica l  fo r m ula  fo r  c al culat ing   the  energy   consum ption   is  expres sed  as  f ollows,            =           ∗   (        )   (15)     Fr om   (15 ),   de note s  e nergy  co ns um ption  of  s ens or   node .  T he   co nsum ption   of  e nergy  is  r est r ai ned  in  te r m s   of jo ule ( J ).   Sa m ple  m at he m a ti cal  calc ulati on   for  e nergy c onsu m ption :     Pr op os e d  C WMEODG  te ch ni qu e:   Total   qua ntit y  of   sens or   nodes  are  ta ke n  as  50,  ene rg y   con s um ption   f or  sing le  se nsor  nod e  is  0.54 J oule , th e n  the  tota l ener gy c on s um pt ion  is c ompu te d  as ,         = 50 ∗ 0 . 54  = 27          Existi ng   PS O BS:   Total   nu m ber   of   se nsor  nodes  a re  ta ke n  as  50,  e nerg y  con s um ption  for  sin gle  sen so r   node  is  0.65J oule , th e n  t he  t ot al  en er gy cons um ption  is c om pu te d  as,         = 50 ∗ 0 . 65  = 32 . 5  ≈ 33          Existi ng   ACO PSO :  T otal  num ber   of   sens or  nodes  are  ta ke n  as  50,  e nergy  consum ption   f or   sin gle  se ns or   node  is  0.8Jo ule, the n  the  tota l ener gy c on s um pt ion  is c ompu te d  as ,            = 50 ∗ 0 . 8  = 40        The  sim ulati on   outc om es  of  the  en er gy  util iz at ion   of  the  se ns or  nodes  via  thr ee  diff e re nt  op ti m iz ation   te chn i qu e s  nam el y  CW ME O DG,  PS OBS  [ 1]  an d  AC OPSO  [2 ]   are   des cribe d  in  T a bl e  2.   For     the  si m ulati on   pur po ses ,  the   de finite   qua ntit y  of  sen sor  node s  is  ta ke n  f ro m   50  to  500.  T he   var i ous  nu m ber   of   sens or   node s  are  co ns i der e d  an d  it   re ported  f or  eac h  in sta nce.  At  fir s t  50   num ber   of   sens or  no de s  are  consi der e d,  27 J  ene rg y  c ons um ption   is  at ta ined  i n  the   pro posed   C WMEODG,  exis ti ng   P SO BS   [ 1]  an d  ACOPSO  [2 ]   at ta ins  33 J  a nd  40 J  resp ect i ve ly .  In   this  cal culat ion ,  t he  no des  ene r gy  util iz at ion   is  com pu te d  after  se ns in g  a nd  gat her i ng   t he   data.  T he  res ults  il lustrate   that  the p r opose d  C W ME O DG  te chn i qu e   co nsum e s  le sser  e nergy than  the c onve nt ion al  opti m iz a ti on  tech ni qu 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.  10 , No .  4 ,  A ugus t  2020  :   4176   -   4188   4184   Total ly   te n  vari ou s  runs  are  pe rfor m ed  thr ough   dif fer e nt  qu antit y  of   sens or  node s.  T he  outc om es  of  the  C W ME O DG   schem e  is  com par ed  by  m eans  of  tw o  pr ese nt  te ch ni qu e s  PS OBS  [ 1]  an d  AC OPSO  [2 ] .     T he  c om par iso n  res ults  sho w  that  the  C W M EODG  te c hn i que  m ini m iz es  c on s um ption   of   energy  by  12 %   and  19% whe n rela te d  to e xisti ng  op ti m iz ation  te chn i qu e s.       Table  2.  T ab ul arizat ion   f or  e ne rg y  util iz at ion   Qu an tity  of  Sens o r   n o d es   Energy  co n su m p ti o n  ( Jo u le)   CWM EOD G   PSOBS   ACOPSO   50   27   33   40   100   35   39   45   150   39   47   51   200   42   50   54   250   46   53   58   300   48   56   60   350   55   59   63   400   57   61   64   450   61   65   69   500   63   68   73       5.2.   Simul at i on  re sults  of d ata  p acke t  deli ver y ra tio   Data  pac ket  de li ver y  rati o  is  m easur ed   as  th e  pro portio n  of  the  qu a ntit y  of  pac ket  c orrec tl y  received   at  the sin k  no de  to  the total  q uan ti ty  o f  pa ck et s p ropell ed fr om   the so urce  node.  T he  data  p acket deli ve r y rati o  is pr eci sel y c om pu te d  as foll ow s ,      =  .    .   ∗ 100   ( 16)     Fr om   ( 16),     den otes   data   pa c ket  delivery   r at io,     de note s   a  data  pac ket  co rr ect ly   r ece ived,     represe nts a d a ta  p acket  pro pe ll ed  from  so ur c e nod e . T he  pa cket d el ive ry ra ti o  is m easur ed  in  pe rcen ta ge  ( %) .   Sam ple  m at he m at ic al   cal cula ti on   for dat a  pa cket d el i ver y  r at io:     Pr op os e d  C WMEODG  te ch nique:    De fin it e  qu a ntit y  of   pac kets  re c ei ved   at   si nk  node  is  21  an d    the qua ntit y of   pack et s  sen t i s   25. T he n  the  dat a p ack et  d el i ver y  rati o  is c om pu te d  as,      = 21 25 ∗ 100 = 84%         Existi ng   PS OB S:  Def i nite  qu a ntit y  of   pac ket s  receive d  at   sink   node  is  20   and   t he  qua ntit y  of   pa ckets  se nt   is 2 5.  T he n  the  d at a  packet  d e li ver y rati o i s c om pu te d  as ,       = 20 25 ∗ 100 = 80%         Existi ng   ACO PSO :  De finite   qu a ntit y  of   pa ckets  receive d  at   sink   node  is  19   an d  the  qu antit y  of   pack e ts   sent is  25. T he n  the  d at a  pac ke t deli ver y  rati o  is c om pu te d as,      = 19 25 ∗ 100 = 76 %.     Table  3  de scri bes  the  va rio us  si m ulati on   resu lt s  of   data  pack et   de li very   rati o  with  de fer e nce  to     a  de finite   qua nt it y  of   sen sor  node s  in   WSN.  The  m od el   ou t com es  cl early   sh ow  t hat  the   C W MEO DG  m et ho d  increases   the  data  pack et   de li ver y  rati o  w hen  an al yz ed  t o  oth e r  te ch ni qu e s  P SO BS   [ 1]  an d  AC OPSO  [ 2].     In  T able  3,  let   us  c onsider  the  num ber  of d at a p ac kets   are  25, 2 1  pa ckets c orrectl y ac cept ed  at  sin k n od e  u si ng   C W MEO DG  t echn i qu e   a nd  their  per ce nta ge  is  84%.   T he   de finite   qu a ntit y  of   data  pa ckets  acce pta ble  at    the  sink   node  us in g  PS OBS  [1 ]   an d  AC OPSO  [ 2]  are  20   and   19  res pe ct ively .  The  equ i valent  pe rc entage   value o f  P SO B S [1] an d ACO PSO [ 2] are  80 % an d 7 6% res pecti vely .   Af te r   pe rfor m ing  the  te n  occ urren ce s  wit h  a  dif fer e nt  c ount  of  pack et s ,  the  pro pose d  data  pac ket  delivery  res ults  are  com par ed  us in g  the  exi sti ng   res ults.  Then   the  a ver a ge   value  is  ta ken   for  the  com par iso n  resu lt s.  T he  a ve rag e  resu lt s  pro ve  that  the  pro posed  C WM EODG  te ch nique  co ns ide ra bly  a m end s  the  data   pack et  d el ive r y  rati o  by  6%   c om par ed  t o  the   PS OBS [ 1]. S i m il arly ,  the  propose d  C WM EODG  te c hniq ue  al s o  increases  the  da ta  p ack et  d el i ver y  rati o by 12% c om par ed wit h  the  o t her  existi ng tech niq ue  A C OP S O [2 ] .       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       Ener gy  ef fi ci en t chaoti c wh ale  opti miza ti on t echn i qu e  for  data g ath eri ng …  ( Sr idhar  R. )   4185   Table  3.  T ab ul arizat ion   f or   da ta  p acket  d el iv ery rati o   Qu an tity   o f  Data  P ackets   Data pack et deliv e ry   ratio ( %)   CWM EOD G   PSOBS   ACOPSO   25   84   80   76   50   90   86   82   75   89   84   77   100   88   83   79   125   85   81   77   150   83   79   75   175   89   81   77   200   90   86   81   225   88   84   82   250   89   82   78       5.3.   Simul at i on  re sults  of d ata  p acke t  los s r at e   Data  pac ket  lo ss  rate  is  asses sed  as  t he  pro portio n  of   def i nite  qu a ntit y  of   pack et s  l os t  at   sink   node  t o  the  total   quant it y  of   pac kets  pro pelle d  f ro m   the  source  no de.   T he  data  pa cket  loss  rate  is  com pu te d  us in g    the m at he m atic al  eq uati on,      =  .   .   ∗ 100   (17)     Fr om   ( 17),     den otes   data   pac ket  los s  rate,     denotes  a   data  pac ket  l os s,      r epr ese nts  data  pack e t   sent  from   so urce  node .  The   data  pack et   l os s  rate  is  as sessed  in  per c entage  ( %).   S a m ple  m at he m at ic a l   cal cul at ion   for dat a p ac ket l oss rate :     Pr op os e d  C WMEODG  te ch ni qu e:   De finite   qu a ntit y  of   data  pack et s  l os t  at   the  sink   node   is  4  an d  qu a nt it y  of d at a  pac kets  tran sm it te d  is 25. T he pac ket loss rat e is cal culat ed  as  foll ows,      = 4 25 ∗ 100 = 16%         Existi ng   PS OBS:   Def init e  qu antit y  of   data  pack et s  lo st  at   the  sink   node  i s  5  an d  qua ntit y  of   data  packet s  transm itted is  25. T he pac ket loss rat e is cal culat ed  as  foll ows,      = 5 25 ∗ 100 = 20%         Existi ng  AC O PSO :  Def i nite  qu a ntit y  of  dat a  pac kets  lost  at   the  sin k  node  is   6  a nd  qu antit y  of   pac ke ts   transm itted is  25. T he pac ket loss rat e is cal culat ed  as  foll ows,      = 6 25 ∗ 100 = 24% .     T a b l e   4   d e s c r i b e s   a   d a t a   p a c k e t   l o s s   r a t e   v e r s u s   a   q u a n t i t y   o f   d a t a   p a c k e t s .   T h e   l o s s   r a t e   i s   m e a s u r e d   a t     t h e   s i n k   n o d e   w h i c h   r e s u l t s   i n   i m p r o v i n g   t h e   d a t a   g a t h e r i n g   e f f i c i e n c y   w h e n   c o m p a r e d   t o   c o n v e n t i o n a l   o p t i m i z a t i o n   m e t h o d s .   T h e   s i n k   n o d e   a c t s   l i k e   a   d a t a   c o l l e c t o r   a n d   g a t h e r s   t h e   d a t a   f r o m   t h e   h i g h e r   e n e r g y     s e n s o r   n o d e s .         Table  4.  T ab ul arizat ion   f or   da ta  p acket  loss  ra te   Qu an tity   o f   Data P ackets   Data pack et los s r a te ( %)   CWM EOD G   PSOBS   ACOPSO   25   16   20   24   50   10   14   18   75   11   16   23   100   12   17   21   125   15   19   23   150   17   21   25   175   11   19   23   200   10   14   19   225   1 2   16   18   250   11   18   22       Evaluation Warning : The document was created with Spire.PDF for Python.