University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Aliouat ,Zibouda |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheAnalyse des systèmes embarques , vérification des algorithmes de l’architecture TTA (time triggered architecture) / Aliouat ,Zibouda
Titre : Analyse des systèmes embarques , vérification des algorithmes de l’architecture TTA (time triggered architecture) Type de document : texte imprimé Auteurs : Aliouat ,Zibouda, Auteur ; M BATTOUCHE, Directeur de thèse Editeur : Setif:UFA Année de publication : 2007 Importance : 1 vol (146 f.) Format : 29 cm Catégories : Thèses & Mémoires:Informatique Mots-clés : TTA
TTP/C
GMP
Réintégration de noeuds
tolé rance aux fautesIndex. décimale : 004 Informatique Côte titre : DI/0053 Analyse des systèmes embarques , vérification des algorithmes de l’architecture TTA (time triggered architecture) [texte imprimé] / Aliouat ,Zibouda, Auteur ; M BATTOUCHE, Directeur de thèse . - [S.l.] : Setif:UFA, 2007 . - 1 vol (146 f.) ; 29 cm.
Catégories : Thèses & Mémoires:Informatique Mots-clés : TTA
TTP/C
GMP
Réintégration de noeuds
tolé rance aux fautesIndex. décimale : 004 Informatique Côte titre : DI/0053 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0053 DI/0053 Thèse Bibliothèque des sciences Français Disponible
Disponible
Titre : Application de l’Approche Clustering dans le Contexte de l’IoV Type de document : texte imprimé Auteurs : Senouci,Oussama, Auteur ; Aliouat ,Zibouda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (51 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : VANET
Internet des VéhiculesIndex. décimale : 004 - Informatique Résumé : Résumé:
Cette thèse de doctorat porte principalement sur le problème de l'optimisation de la charge et de
l'amélioration de la stabilité du réseau dans un environnement Internet des Véhicules (IoV). Dans ce
contexte, nous sommes intéressés par l’approche de regroupement pour répondre aux exigences d’un
tel environnement. Par conséquent, l'objectif général de ces travaux de recherche est de concevoir,
modéliser et simuler de nouveaux algorithmes de regroupement pour le réseau IoV. À cet égard, nous
commençons par analyser, à travers une revue critique de la littérature, un certain nombre
d’algorithmes de regroupement dans des VANET, afin de détecter certains problèmes encore en
suspens ou dont les solutions proposées doivent encore être améliorées. Ensuite, nous proposons trois
nouveaux algorithmes de regroupement pour les réseaux IoV, qui permettent d’améliorer leurs
performances, tout en garantissant un haut niveau de service requis par la fonction réalisée par ces
réseaux. Les algorithmes proposés ont pour objectif de réduire de manière significative les frais
généraux du réseau, de réduire la latence du réseau et d’augmenter le rapport de transmission entre un
grand nombre de véhicules connectés se déplaçant à grande vitesse. L'étude analytique et la simulation
d'évaluation des algorithmes proposés, réalisées à l'aide d'une combinaison du simulateur de réseau
NS2 et du générateur de mobilité VanetMobiSim, ont donné des résultats convaincants, supérieurs ÃNote de contenu :
Sommaire
Table of contents viii
List of gures x
List of tables xi
List of algorithms xii
Abbreviations xiii
Introduction 1
Background 9
1 Internet of Vehicles: An overview 9
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 IoVs' de nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 IoVs' network architecture . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 IoVs' applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Safety-oriented applications . . . . . . . . . . . . . . . . . . . . 14
1.4.2 User-oriented applications . . . . . . . . . . . . . . . . . . . . . 15
1.5 IoV's features, challenges and requirements . . . . . . . . . . . . . . . . 16
1.6 Wireless Access Technologies (WATs) for IoVs . . . . . . . . . . . . . . 18
1.6.1 Wireless LAN (WLAN) technology . . . . . . . . . . . . . . . . 19
1.6.2 WiMAX technology . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.3 Cellular wireless technology . . . . . . . . . . . . . . . . . . . . 20
1.6.4 Satellite technology . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.7 Simulations and mobility models for IoVs . . . . . . . . . . . . . . . . . 21
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 State of the art: Clustering in VANETs 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Clustering in VANETs: An overview . . . . . . . . . . . . . . . . . . . 26
2.2.1 Brief historical . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Clustering concepts . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Clustering procedural ow . . . . . . . . . . . . . . . . . . . . . 29
2.2.4 Performance metrics for clustering algorithms . . . . . . . . . . 31
2.3 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Taxonomy of clustering algorithms in VANETs . . . . . . . . . . . . . . 34
2.4.1 Heuristic clustering algorithms . . . . . . . . . . . . . . . . . . . 34
2.4.2 MANETs clustering algorithms . . . . . . . . . . . . . . . . . . 38
2.4.3 Position based clustering algorithms . . . . . . . . . . . . . . . . 40
2.4.4 Mobility based clustering algorithms . . . . . . . . . . . . . . . 42
2.4.5 Weight based clustering algorithms . . . . . . . . . . . . . . . . 44
2.4.6 Destination based clustering algorithms . . . . . . . . . . . . . . 45
2.4.7 Neighborhood based clustering algorithms . . . . . . . . . . . . 48
2.4.8 General comparison of clustering algorithms in VANETs . . . . 51
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Contributions 54
3 A New Heuristic Clustering Algorithm Based on RSU for IoV 54
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 De nitions and notations . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.1 Cluster formation . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.2 Cluster maintenance . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.3 Theoretical analysis . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.4.1 Experimental analysis . . . . . . . . . . . . . . . . . . . . . . . 79
3.4.2 Comparison metrics . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4 MCA-V2I: A Multi-hop Clustering Approach over Vehicle-to-Internet communication for improving VANETs performances 87
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1.1 VANET toward IoV: An overview . . . . . . . . . . . . . . . . . 87
4.1.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.1.3 Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2.2 System description . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.3.1 Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.3.2 Neighborhood discovery . . . . . . . . . . . . . . . . . . . . . . 98
4.3.3 Master CH selection . . . . . . . . . . . . . . . . . . . . . . . . 99
4.3.4 Announcement . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.3.5 Aliation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.3.6 Maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.3.7 Theoretical analysis . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.4 Performance evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.4.1 Cluster Head Lifetime (CHL) . . . . . . . . . . . . . . . . . . . 111
4.4.2 Cluster Member Lifetime (CML) . . . . . . . . . . . . . . . . . 112
4.4.3 Cluster Head Change Number (CHCN) . . . . . . . . . . . . . . 113
4.4.4 Cluster Number (CN) . . . . . . . . . . . . . . . . . . . . . . . 114
4.4.5 Clustering Overhead (CO) . . . . . . . . . . . . . . . . . . . . . 114
4.4.6 Message Delivery Latency (MDL) . . . . . . . . . . . . . . . . . 115
4.4.7 Message Delivery Ratio (MDR) . . . . . . . . . . . . . . . . . . 116
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5 An Ecient Weight-Based Clustering Algorithm using Mobility Re-
port for IoV 118
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.2 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.2 Cluster initialization . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.3 Cluster maintenance . . . . . . . . . . . . . . . . . . . . . . . . 126
5.2.4 Theoretical analysis . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.3 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.1 CH lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.2 CM lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.3 Clusters number . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.4 Clustering overhead . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Conclusion and future work 133
List of included publications 136
Bibliography 138Côte titre : DI/0042 En ligne : https://drive.google.com/file/d/1MdIb-j-7e4pJRb6GrIJjBkU5RsfxEQjr/view?usp=shari [...] Format de la ressource électronique : Application de l’Approche Clustering dans le Contexte de l’IoV [texte imprimé] / Senouci,Oussama, Auteur ; Aliouat ,Zibouda, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (51 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : VANET
Internet des VéhiculesIndex. décimale : 004 - Informatique Résumé : Résumé:
Cette thèse de doctorat porte principalement sur le problème de l'optimisation de la charge et de
l'amélioration de la stabilité du réseau dans un environnement Internet des Véhicules (IoV). Dans ce
contexte, nous sommes intéressés par l’approche de regroupement pour répondre aux exigences d’un
tel environnement. Par conséquent, l'objectif général de ces travaux de recherche est de concevoir,
modéliser et simuler de nouveaux algorithmes de regroupement pour le réseau IoV. À cet égard, nous
commençons par analyser, à travers une revue critique de la littérature, un certain nombre
d’algorithmes de regroupement dans des VANET, afin de détecter certains problèmes encore en
suspens ou dont les solutions proposées doivent encore être améliorées. Ensuite, nous proposons trois
nouveaux algorithmes de regroupement pour les réseaux IoV, qui permettent d’améliorer leurs
performances, tout en garantissant un haut niveau de service requis par la fonction réalisée par ces
réseaux. Les algorithmes proposés ont pour objectif de réduire de manière significative les frais
généraux du réseau, de réduire la latence du réseau et d’augmenter le rapport de transmission entre un
grand nombre de véhicules connectés se déplaçant à grande vitesse. L'étude analytique et la simulation
d'évaluation des algorithmes proposés, réalisées à l'aide d'une combinaison du simulateur de réseau
NS2 et du générateur de mobilité VanetMobiSim, ont donné des résultats convaincants, supérieurs ÃNote de contenu :
Sommaire
Table of contents viii
List of gures x
List of tables xi
List of algorithms xii
Abbreviations xiii
Introduction 1
Background 9
1 Internet of Vehicles: An overview 9
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 IoVs' de nitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 IoVs' network architecture . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 IoVs' applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.1 Safety-oriented applications . . . . . . . . . . . . . . . . . . . . 14
1.4.2 User-oriented applications . . . . . . . . . . . . . . . . . . . . . 15
1.5 IoV's features, challenges and requirements . . . . . . . . . . . . . . . . 16
1.6 Wireless Access Technologies (WATs) for IoVs . . . . . . . . . . . . . . 18
1.6.1 Wireless LAN (WLAN) technology . . . . . . . . . . . . . . . . 19
1.6.2 WiMAX technology . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.3 Cellular wireless technology . . . . . . . . . . . . . . . . . . . . 20
1.6.4 Satellite technology . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.7 Simulations and mobility models for IoVs . . . . . . . . . . . . . . . . . 21
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 State of the art: Clustering in VANETs 23
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Clustering in VANETs: An overview . . . . . . . . . . . . . . . . . . . 26
2.2.1 Brief historical . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Clustering concepts . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.3 Clustering procedural ow . . . . . . . . . . . . . . . . . . . . . 29
2.2.4 Performance metrics for clustering algorithms . . . . . . . . . . 31
2.3 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Taxonomy of clustering algorithms in VANETs . . . . . . . . . . . . . . 34
2.4.1 Heuristic clustering algorithms . . . . . . . . . . . . . . . . . . . 34
2.4.2 MANETs clustering algorithms . . . . . . . . . . . . . . . . . . 38
2.4.3 Position based clustering algorithms . . . . . . . . . . . . . . . . 40
2.4.4 Mobility based clustering algorithms . . . . . . . . . . . . . . . 42
2.4.5 Weight based clustering algorithms . . . . . . . . . . . . . . . . 44
2.4.6 Destination based clustering algorithms . . . . . . . . . . . . . . 45
2.4.7 Neighborhood based clustering algorithms . . . . . . . . . . . . 48
2.4.8 General comparison of clustering algorithms in VANETs . . . . 51
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Contributions 54
3 A New Heuristic Clustering Algorithm Based on RSU for IoV 54
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 De nitions and notations . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.1 Cluster formation . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3.2 Cluster maintenance . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3.3 Theoretical analysis . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.4.1 Experimental analysis . . . . . . . . . . . . . . . . . . . . . . . 79
3.4.2 Comparison metrics . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4 MCA-V2I: A Multi-hop Clustering Approach over Vehicle-to-Internet communication for improving VANETs performances 87
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1.1 VANET toward IoV: An overview . . . . . . . . . . . . . . . . . 87
4.1.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.1.3 Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.2.2 System description . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.3.1 Registration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.3.2 Neighborhood discovery . . . . . . . . . . . . . . . . . . . . . . 98
4.3.3 Master CH selection . . . . . . . . . . . . . . . . . . . . . . . . 99
4.3.4 Announcement . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.3.5 Aliation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.3.6 Maintenance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.3.7 Theoretical analysis . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.4 Performance evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.4.1 Cluster Head Lifetime (CHL) . . . . . . . . . . . . . . . . . . . 111
4.4.2 Cluster Member Lifetime (CML) . . . . . . . . . . . . . . . . . 112
4.4.3 Cluster Head Change Number (CHCN) . . . . . . . . . . . . . . 113
4.4.4 Cluster Number (CN) . . . . . . . . . . . . . . . . . . . . . . . 114
4.4.5 Clustering Overhead (CO) . . . . . . . . . . . . . . . . . . . . . 114
4.4.6 Message Delivery Latency (MDL) . . . . . . . . . . . . . . . . . 115
4.4.7 Message Delivery Ratio (MDR) . . . . . . . . . . . . . . . . . . 116
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5 An Ecient Weight-Based Clustering Algorithm using Mobility Re-
port for IoV 118
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.2 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2.1 Network model . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.2 Cluster initialization . . . . . . . . . . . . . . . . . . . . . . . . 120
5.2.3 Cluster maintenance . . . . . . . . . . . . . . . . . . . . . . . . 126
5.2.4 Theoretical analysis . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.3 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.1 CH lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.2 CM lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3.3 Clusters number . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3.4 Clustering overhead . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Conclusion and future work 133
List of included publications 136
Bibliography 138Côte titre : DI/0042 En ligne : https://drive.google.com/file/d/1MdIb-j-7e4pJRb6GrIJjBkU5RsfxEQjr/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0042 DI/0042 Thèse Bibliothèque des sciences Français Disponible
Disponible
Titre : Approche TDMA Cross-Layer Aware Délai de transmission hiérarchique dans un WSN Hétérogène Type de document : texte imprimé Auteurs : Boudi, Raid, Auteur ; Aliouat ,Zibouda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (69 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : RcsFhétérogène
Clustering
Délai
Tauxdefonctionnementducanal
Cross-LayerIndex. décimale : 004 - Informatique Résumé :
L’internetdesobjetsouIoTestunréseaudanslequellesobjetssontdetechnologies
hétérogènes. Unréseaudecapteurssansfilconstituelesobjetslesplusrépandusdans
l’IoT. Ildisposed’unnombreextrêmementimportantdecapteursà faiblepuissancequi
détectentlesconditionsenvironnementales,effectuentletraitementdesdonnéesetas-
surentlacommunicationentrelescomposantssansfil.Cescapteurscollaborententreeux
pourréaliserlestâchescomplexesviaunecommunicationsansfil.
Dans cecontexte,nousavonsproposédeuxapprochesMACbaséessurlesinfor-
mations deroutageClose-ReLO(CloseRemainingLeavesOrdering)etTDMA-CADH
(TDMA Cross-layerApproachAwareDelayinHeterogeniousWSN),toutenassurantles
contraintesliéesà laconsommationd’énergieetladuréedevieduréseau.L’idéeprincipale
de cesapprochesétaitlaminimisationdesdélaisetd’augmenterletauxdefonctionne-
mentducanal.Où,cesalgorithmescontribuentà l’optimisationdescaractéristiquesd’un
RCSF.Afindevaliderlesaméliorationsapportéesparnosapproches,nousavonsconduit
une simulationà l’aided’unsimulateurréseauNS3(NetworkSimulatorNS3),dansla-
quelle lesperformancesdenosapprochessontévaluéesetcomparéesaveclesapproches
déjà existantes,à savoir,Rand-LO(RandomLeavesOrdering),Depth-LO(DepthLeaves
Ordering) etDepth-ReLO(DepthRemainingLeavesOrdering).Côte titre : MAI/0373 En ligne : https://drive.google.com/file/d/1IL3peYBd6TEKuuP5Z56chbrGuB3Xrpbx/view?usp=shari [...] Format de la ressource électronique : Approche TDMA Cross-Layer Aware Délai de transmission hiérarchique dans un WSN Hétérogène [texte imprimé] / Boudi, Raid, Auteur ; Aliouat ,Zibouda, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (69 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : RcsFhétérogène
Clustering
Délai
Tauxdefonctionnementducanal
Cross-LayerIndex. décimale : 004 - Informatique Résumé :
L’internetdesobjetsouIoTestunréseaudanslequellesobjetssontdetechnologies
hétérogènes. Unréseaudecapteurssansfilconstituelesobjetslesplusrépandusdans
l’IoT. Ildisposed’unnombreextrêmementimportantdecapteursà faiblepuissancequi
détectentlesconditionsenvironnementales,effectuentletraitementdesdonnéesetas-
surentlacommunicationentrelescomposantssansfil.Cescapteurscollaborententreeux
pourréaliserlestâchescomplexesviaunecommunicationsansfil.
Dans cecontexte,nousavonsproposédeuxapprochesMACbaséessurlesinfor-
mations deroutageClose-ReLO(CloseRemainingLeavesOrdering)etTDMA-CADH
(TDMA Cross-layerApproachAwareDelayinHeterogeniousWSN),toutenassurantles
contraintesliéesà laconsommationd’énergieetladuréedevieduréseau.L’idéeprincipale
de cesapprochesétaitlaminimisationdesdélaisetd’augmenterletauxdefonctionne-
mentducanal.Où,cesalgorithmescontribuentà l’optimisationdescaractéristiquesd’un
RCSF.Afindevaliderlesaméliorationsapportéesparnosapproches,nousavonsconduit
une simulationà l’aided’unsimulateurréseauNS3(NetworkSimulatorNS3),dansla-
quelle lesperformancesdenosapprochessontévaluéesetcomparéesaveclesapproches
déjà existantes,à savoir,Rand-LO(RandomLeavesOrdering),Depth-LO(DepthLeaves
Ordering) etDepth-ReLO(DepthRemainingLeavesOrdering).Côte titre : MAI/0373 En ligne : https://drive.google.com/file/d/1IL3peYBd6TEKuuP5Z56chbrGuB3Xrpbx/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0373 MAI/0373 Mémoire Bibliothèque des sciences Français Disponible
DisponibleBio-Inspired Based Base Station Placement in IoT Sensor Network for Energy Efficiency and Latency Minimization / Mohamed ElAmine Benharoune
Titre : Bio-Inspired Based Base Station Placement in IoT Sensor Network for Energy Efficiency and Latency Minimization Type de document : document électronique Auteurs : Mohamed ElAmine Benharoune ; Aliouat ,Zibouda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (122 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT)
Wireless Sensor Network (WSN)
Mobile Base Station
Bioinspiration
Energy Efficiency
Network Lifetime
Latency MinimizationIndex. décimale : 004 Informatique Résumé :
The Internet of Things (IoT) is one of the latest technologies that connects objects, people and
surroundings by means of intelligent networks so that it is able to collect and transmit data in
real-time. Of the many applications of the IoT, some rely on autonomous devices deployed in
complex or even hostile environments to provide continuous monitoring or observation. Wireless
sensor networks (WSNs) are widely used in this context. However, these networks face a crucial
challenge: extending their lifespan by optimising the parameters that have a direct impact
on energy consumption, in particular the position of the base station, the placement of which
has a significant influence on the energy load of the sensors.
The use of bio-inspired approaches, based on the behaviour of natural phenomena, is a promising
way forward. These methods can be used to generate adaptive and resilient solutions to complex
optimisation problems.
In this context, we propose three solutions aimed at reducing energy consumption while maintaining
good performance in terms of latency. The first approach is based on a hybrid between
the Particle Swarm Optimisation (PSO) algorithm and the Genetic Algorithm (GA), exploiting
both the exploration capabilities of the PSO and the controlled randomness of the GA to avoid local
optima. Next, we introduce an improved version of the Whale Optimisation Algorithm (WOA),
enriched by a personalised initialisation of the population. Finally, a hybrid approach combining
WOA and PSO is proposed to benefit from their respective advantages. Our contributions are
evaluated using extensive simulations and compared with other bio-inspired algorithms. The results
obtained are promising in terms of energy efficiency and network lifetime extension, while
maintaining good performance in terms of latency.Note de contenu : Sommaire
General Introduction 1
I Internet of Things, Wireless Sensor Network, Optimization and Bio-
Inspired Algorithm 3
1 Internet of Things, Wireless Sensor Networks, Clustering 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Internet of Things . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Base Station . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Topology of Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . 9
1.3.4 Application of WSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.4.1 Military Application . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.2 Environmental-Habitat Applications . . . . . . . . . . . . . . . 10
1.3.4.3 Health Applications . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.4 Home Applications . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 WSN Challenges and Problems . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Clustering in Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Two-tiered Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Clustering-Based Approaches in WSNs . . . . . . . . . . . . . . . . . . . 13
1.4.2.1 Clustering Based on Cluster Head Election (Leader-First Approach) 13
1.4.2.2 Group-Based Clustering (Follower-First Approach) . . . . . . . 14
1.4.3 The protocol LEACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Bio-Inspired Optimization Algorithms 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Definition of Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Optimization problem Minima . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Optimization Problems Taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Determinist Techniques (Exact) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Non-Determinist Techniques (Approximate Methods) . . . . . . . . . . . 20
2.3.2.1 Meta-Heuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2.2 Metaheuristics Methods Classification . . . . . . . . . . . . . . 21
2.4 Bio-Inspired Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Bio-Inspired Algorithm Taxonomy . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1.1 Evolutionary Algorithm . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1.2 Swarm Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.1 Essential Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.2 Genetic Operations . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.2.3 Genetic Algorithm flow chart . . . . . . . . . . . . . . . . . . . 27
2.4.2.4 Advantages and Limitations . . . . . . . . . . . . . . . . . . . . 28
2.4.2.5 Application of Genetic Algorithm (GA) in Wireless Sensor Networks
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.3 Particle Swarm Optimization algorithm . . . . . . . . . . . . . . . . . . . 29
2.4.3.1 Mathematical Formulation . . . . . . . . . . . . . . . . . . . . 30
2.4.3.2 Particle Swarm Optimization Workflow . . . . . . . . . . . . . . 30
2.4.3.3 Advantages and limitation . . . . . . . . . . . . . . . . . . . . . 33
2.4.3.4 Application in WSN . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Whale Optimization Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4.1 Whale Optimization Algorithm Operations: . . . . . . . . . . . 35
2.4.4.2 Whale Optimization Algorithm Workflow . . . . . . . . . . . . . 37
2.4.4.3 Whale Optimization Algorithm advantages and limitations . . . 38
2.4.4.4 Whale Optimization Algorithm Applications in WSN . . . . . . 39
2.5 Comparison of the algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II Modeling, simulation setup, and contributions 43
3 Modeling and Simulations setup 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Network Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4 Energetic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Traffic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 Latency Calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7 Network Communication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7.1 Cluster head selection, assigning nodes, and network communication . . 50
3.8 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.9 Network parameters for simulation . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.10 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 PSO-GA Approach 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 PSO-GA Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 66
4.4.2 Comparison strategies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.3.1 Average Energy Consumption and Communication Latency . . 68
4.4.3.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.3.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.3.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 75
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 WOA-4 Approach 77
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 WOA-4 Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2.1 Average Energy Consumption and Communication Latency . . 84
5.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 89
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 WOA-PSO Approach 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.3 WOA-PSO Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 103
6.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.4.2.1 Average Energy Consumption and Communication Latency . . 104
6.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 106
6.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 110
6.4.2.5 Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
General Conclusion 113Côte titre : MAI/0997 Bio-Inspired Based Base Station Placement in IoT Sensor Network for Energy Efficiency and Latency Minimization [document électronique] / Mohamed ElAmine Benharoune ; Aliouat ,Zibouda, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (122 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT)
Wireless Sensor Network (WSN)
Mobile Base Station
Bioinspiration
Energy Efficiency
Network Lifetime
Latency MinimizationIndex. décimale : 004 Informatique Résumé :
The Internet of Things (IoT) is one of the latest technologies that connects objects, people and
surroundings by means of intelligent networks so that it is able to collect and transmit data in
real-time. Of the many applications of the IoT, some rely on autonomous devices deployed in
complex or even hostile environments to provide continuous monitoring or observation. Wireless
sensor networks (WSNs) are widely used in this context. However, these networks face a crucial
challenge: extending their lifespan by optimising the parameters that have a direct impact
on energy consumption, in particular the position of the base station, the placement of which
has a significant influence on the energy load of the sensors.
The use of bio-inspired approaches, based on the behaviour of natural phenomena, is a promising
way forward. These methods can be used to generate adaptive and resilient solutions to complex
optimisation problems.
In this context, we propose three solutions aimed at reducing energy consumption while maintaining
good performance in terms of latency. The first approach is based on a hybrid between
the Particle Swarm Optimisation (PSO) algorithm and the Genetic Algorithm (GA), exploiting
both the exploration capabilities of the PSO and the controlled randomness of the GA to avoid local
optima. Next, we introduce an improved version of the Whale Optimisation Algorithm (WOA),
enriched by a personalised initialisation of the population. Finally, a hybrid approach combining
WOA and PSO is proposed to benefit from their respective advantages. Our contributions are
evaluated using extensive simulations and compared with other bio-inspired algorithms. The results
obtained are promising in terms of energy efficiency and network lifetime extension, while
maintaining good performance in terms of latency.Note de contenu : Sommaire
General Introduction 1
I Internet of Things, Wireless Sensor Network, Optimization and Bio-
Inspired Algorithm 3
1 Internet of Things, Wireless Sensor Networks, Clustering 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Internet of Things . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Base Station . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Topology of Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . 9
1.3.4 Application of WSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.4.1 Military Application . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.2 Environmental-Habitat Applications . . . . . . . . . . . . . . . 10
1.3.4.3 Health Applications . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.4 Home Applications . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 WSN Challenges and Problems . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Clustering in Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Two-tiered Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Clustering-Based Approaches in WSNs . . . . . . . . . . . . . . . . . . . 13
1.4.2.1 Clustering Based on Cluster Head Election (Leader-First Approach) 13
1.4.2.2 Group-Based Clustering (Follower-First Approach) . . . . . . . 14
1.4.3 The protocol LEACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Bio-Inspired Optimization Algorithms 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Definition of Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Optimization problem Minima . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Optimization Problems Taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Determinist Techniques (Exact) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Non-Determinist Techniques (Approximate Methods) . . . . . . . . . . . 20
2.3.2.1 Meta-Heuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2.2 Metaheuristics Methods Classification . . . . . . . . . . . . . . 21
2.4 Bio-Inspired Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Bio-Inspired Algorithm Taxonomy . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1.1 Evolutionary Algorithm . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1.2 Swarm Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.1 Essential Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.2 Genetic Operations . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.2.3 Genetic Algorithm flow chart . . . . . . . . . . . . . . . . . . . 27
2.4.2.4 Advantages and Limitations . . . . . . . . . . . . . . . . . . . . 28
2.4.2.5 Application of Genetic Algorithm (GA) in Wireless Sensor Networks
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.3 Particle Swarm Optimization algorithm . . . . . . . . . . . . . . . . . . . 29
2.4.3.1 Mathematical Formulation . . . . . . . . . . . . . . . . . . . . 30
2.4.3.2 Particle Swarm Optimization Workflow . . . . . . . . . . . . . . 30
2.4.3.3 Advantages and limitation . . . . . . . . . . . . . . . . . . . . . 33
2.4.3.4 Application in WSN . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Whale Optimization Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4.1 Whale Optimization Algorithm Operations: . . . . . . . . . . . 35
2.4.4.2 Whale Optimization Algorithm Workflow . . . . . . . . . . . . . 37
2.4.4.3 Whale Optimization Algorithm advantages and limitations . . . 38
2.4.4.4 Whale Optimization Algorithm Applications in WSN . . . . . . 39
2.5 Comparison of the algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II Modeling, simulation setup, and contributions 43
3 Modeling and Simulations setup 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Network Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4 Energetic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Traffic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 Latency Calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7 Network Communication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7.1 Cluster head selection, assigning nodes, and network communication . . 50
3.8 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.9 Network parameters for simulation . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.10 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 PSO-GA Approach 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 PSO-GA Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 66
4.4.2 Comparison strategies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.3.1 Average Energy Consumption and Communication Latency . . 68
4.4.3.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.3.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.3.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 75
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 WOA-4 Approach 77
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 WOA-4 Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2.1 Average Energy Consumption and Communication Latency . . 84
5.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 89
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 WOA-PSO Approach 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.3 WOA-PSO Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 103
6.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.4.2.1 Average Energy Consumption and Communication Latency . . 104
6.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 106
6.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 110
6.4.2.5 Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
General Conclusion 113Côte titre : MAI/0997 Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire
Titre : Bio-Inspired Based Base Station Placement in IoT Sensor Network for Energy Efficiency and Latency Minimization Type de document : document électronique Auteurs : Mohamed ElAmine Benharoune ; Aliouat ,Zibouda, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (122 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT)
Wireless Sensor Network (WSN)
Mobile Base Station
Bioinspiration
Energy Efficiency
Network Lifetime
Latency MinimizationIndex. décimale : 004 Informatique Résumé :
The Internet of Things (IoT) is one of the latest technologies that connects objects, people and
surroundings by means of intelligent networks so that it is able to collect and transmit data in
real-time. Of the many applications of the IoT, some rely on autonomous devices deployed in
complex or even hostile environments to provide continuous monitoring or observation. Wireless
sensor networks (WSNs) are widely used in this context. However, these networks face a crucial
challenge: extending their lifespan by optimising the parameters that have a direct impact
on energy consumption, in particular the position of the base station, the placement of which
has a significant influence on the energy load of the sensors.
The use of bio-inspired approaches, based on the behaviour of natural phenomena, is a promising
way forward. These methods can be used to generate adaptive and resilient solutions to complex
optimisation problems.
In this context, we propose three solutions aimed at reducing energy consumption while maintaining
good performance in terms of latency. The first approach is based on a hybrid between
the Particle Swarm Optimisation (PSO) algorithm and the Genetic Algorithm (GA), exploiting
both the exploration capabilities of the PSO and the controlled randomness of the GA to avoid local
optima. Next, we introduce an improved version of the Whale Optimisation Algorithm (WOA),
enriched by a personalised initialisation of the population. Finally, a hybrid approach combining
WOA and PSO is proposed to benefit from their respective advantages. Our contributions are
evaluated using extensive simulations and compared with other bio-inspired algorithms. The results
obtained are promising in terms of energy efficiency and network lifetime extension, while
maintaining good performance in terms of latency.Note de contenu : Sommaire
General Introduction 1
I Internet of Things, Wireless Sensor Network, Optimization and Bio-
Inspired Algorithm 3
1 Internet of Things, Wireless Sensor Networks, Clustering 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Internet of Things . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Base Station . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Topology of Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . 9
1.3.4 Application of WSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.4.1 Military Application . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.2 Environmental-Habitat Applications . . . . . . . . . . . . . . . 10
1.3.4.3 Health Applications . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.4 Home Applications . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 WSN Challenges and Problems . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Clustering in Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Two-tiered Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Clustering-Based Approaches in WSNs . . . . . . . . . . . . . . . . . . . 13
1.4.2.1 Clustering Based on Cluster Head Election (Leader-First Approach) 13
1.4.2.2 Group-Based Clustering (Follower-First Approach) . . . . . . . 14
1.4.3 The protocol LEACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Bio-Inspired Optimization Algorithms 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Definition of Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Optimization problem Minima . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Optimization Problems Taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Determinist Techniques (Exact) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Non-Determinist Techniques (Approximate Methods) . . . . . . . . . . . 20
2.3.2.1 Meta-Heuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2.2 Metaheuristics Methods Classification . . . . . . . . . . . . . . 21
2.4 Bio-Inspired Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Bio-Inspired Algorithm Taxonomy . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1.1 Evolutionary Algorithm . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1.2 Swarm Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.1 Essential Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.2 Genetic Operations . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.2.3 Genetic Algorithm flow chart . . . . . . . . . . . . . . . . . . . 27
2.4.2.4 Advantages and Limitations . . . . . . . . . . . . . . . . . . . . 28
2.4.2.5 Application of Genetic Algorithm (GA) in Wireless Sensor Networks
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.3 Particle Swarm Optimization algorithm . . . . . . . . . . . . . . . . . . . 29
2.4.3.1 Mathematical Formulation . . . . . . . . . . . . . . . . . . . . 30
2.4.3.2 Particle Swarm Optimization Workflow . . . . . . . . . . . . . . 30
2.4.3.3 Advantages and limitation . . . . . . . . . . . . . . . . . . . . . 33
2.4.3.4 Application in WSN . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Whale Optimization Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4.1 Whale Optimization Algorithm Operations: . . . . . . . . . . . 35
2.4.4.2 Whale Optimization Algorithm Workflow . . . . . . . . . . . . . 37
2.4.4.3 Whale Optimization Algorithm advantages and limitations . . . 38
2.4.4.4 Whale Optimization Algorithm Applications in WSN . . . . . . 39
2.5 Comparison of the algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II Modeling, simulation setup, and contributions 43
3 Modeling and Simulations setup 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Network Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4 Energetic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Traffic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 Latency Calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7 Network Communication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7.1 Cluster head selection, assigning nodes, and network communication . . 50
3.8 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.9 Network parameters for simulation . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.10 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 PSO-GA Approach 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 PSO-GA Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 66
4.4.2 Comparison strategies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.3.1 Average Energy Consumption and Communication Latency . . 68
4.4.3.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.3.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.3.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 75
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 WOA-4 Approach 77
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 WOA-4 Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2.1 Average Energy Consumption and Communication Latency . . 84
5.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 89
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 WOA-PSO Approach 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.3 WOA-PSO Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 103
6.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.4.2.1 Average Energy Consumption and Communication Latency . . 104
6.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 106
6.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 110
6.4.2.5 Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
General Conclusion 113Côte titre : MAI/0997 Bio-Inspired Based Base Station Placement in IoT Sensor Network for Energy Efficiency and Latency Minimization [document électronique] / Mohamed ElAmine Benharoune ; Aliouat ,Zibouda, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (122 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet of Things (IoT)
Wireless Sensor Network (WSN)
Mobile Base Station
Bioinspiration
Energy Efficiency
Network Lifetime
Latency MinimizationIndex. décimale : 004 Informatique Résumé :
The Internet of Things (IoT) is one of the latest technologies that connects objects, people and
surroundings by means of intelligent networks so that it is able to collect and transmit data in
real-time. Of the many applications of the IoT, some rely on autonomous devices deployed in
complex or even hostile environments to provide continuous monitoring or observation. Wireless
sensor networks (WSNs) are widely used in this context. However, these networks face a crucial
challenge: extending their lifespan by optimising the parameters that have a direct impact
on energy consumption, in particular the position of the base station, the placement of which
has a significant influence on the energy load of the sensors.
The use of bio-inspired approaches, based on the behaviour of natural phenomena, is a promising
way forward. These methods can be used to generate adaptive and resilient solutions to complex
optimisation problems.
In this context, we propose three solutions aimed at reducing energy consumption while maintaining
good performance in terms of latency. The first approach is based on a hybrid between
the Particle Swarm Optimisation (PSO) algorithm and the Genetic Algorithm (GA), exploiting
both the exploration capabilities of the PSO and the controlled randomness of the GA to avoid local
optima. Next, we introduce an improved version of the Whale Optimisation Algorithm (WOA),
enriched by a personalised initialisation of the population. Finally, a hybrid approach combining
WOA and PSO is proposed to benefit from their respective advantages. Our contributions are
evaluated using extensive simulations and compared with other bio-inspired algorithms. The results
obtained are promising in terms of energy efficiency and network lifetime extension, while
maintaining good performance in terms of latency.Note de contenu : Sommaire
General Introduction 1
I Internet of Things, Wireless Sensor Network, Optimization and Bio-
Inspired Algorithm 3
1 Internet of Things, Wireless Sensor Networks, Clustering 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Internet of Things . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 IoT Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Base Station . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Topology of Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . 9
1.3.4 Application of WSN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.4.1 Military Application . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.2 Environmental-Habitat Applications . . . . . . . . . . . . . . . 10
1.3.4.3 Health Applications . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.4.4 Home Applications . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.5 WSN Challenges and Problems . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Clustering in Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Two-tiered Wireless Sensor Network . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Clustering-Based Approaches in WSNs . . . . . . . . . . . . . . . . . . . 13
1.4.2.1 Clustering Based on Cluster Head Election (Leader-First Approach) 13
1.4.2.2 Group-Based Clustering (Follower-First Approach) . . . . . . . 14
1.4.3 The protocol LEACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Bio-Inspired Optimization Algorithms 17
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Definition of Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Optimization problem Minima . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Optimization Problems Taxonomy . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Determinist Techniques (Exact) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Non-Determinist Techniques (Approximate Methods) . . . . . . . . . . . 20
2.3.2.1 Meta-Heuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2.2 Metaheuristics Methods Classification . . . . . . . . . . . . . . 21
2.4 Bio-Inspired Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Bio-Inspired Algorithm Taxonomy . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1.1 Evolutionary Algorithm . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1.2 Swarm Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.1 Essential Terms . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.2 Genetic Operations . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.2.3 Genetic Algorithm flow chart . . . . . . . . . . . . . . . . . . . 27
2.4.2.4 Advantages and Limitations . . . . . . . . . . . . . . . . . . . . 28
2.4.2.5 Application of Genetic Algorithm (GA) in Wireless Sensor Networks
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.3 Particle Swarm Optimization algorithm . . . . . . . . . . . . . . . . . . . 29
2.4.3.1 Mathematical Formulation . . . . . . . . . . . . . . . . . . . . 30
2.4.3.2 Particle Swarm Optimization Workflow . . . . . . . . . . . . . . 30
2.4.3.3 Advantages and limitation . . . . . . . . . . . . . . . . . . . . . 33
2.4.3.4 Application in WSN . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4 Whale Optimization Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4.1 Whale Optimization Algorithm Operations: . . . . . . . . . . . 35
2.4.4.2 Whale Optimization Algorithm Workflow . . . . . . . . . . . . . 37
2.4.4.3 Whale Optimization Algorithm advantages and limitations . . . 38
2.4.4.4 Whale Optimization Algorithm Applications in WSN . . . . . . 39
2.5 Comparison of the algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
II Modeling, simulation setup, and contributions 43
3 Modeling and Simulations setup 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Network Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4 Energetic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5 Traffic Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 Latency Calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7 Network Communication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.7.1 Cluster head selection, assigning nodes, and network communication . . 50
3.8 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.1 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.9 Network parameters for simulation . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.10 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 PSO-GA Approach 59
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 PSO-GA Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 66
4.4.2 Comparison strategies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4.3.1 Average Energy Consumption and Communication Latency . . 68
4.4.3.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.3.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.3.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 75
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 WOA-4 Approach 77
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 WOA-4 Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4.2.1 Average Energy Consumption and Communication Latency . . 84
5.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 89
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6 WOA-PSO Approach 91
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.3 WOA-PSO Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4 Simulation and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.4.1 Algorithms Simulation parameters . . . . . . . . . . . . . . . . . . . . . . 103
6.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.4.2.1 Average Energy Consumption and Communication Latency . . 104
6.4.2.2 Average Standard Deviation of Energy Consumption and Communication
Latency . . . . . . . . . . . . . . . . . . . . . . . . 106
6.4.2.3 Network Lifetime . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.4.2.4 Average Execution Time . . . . . . . . . . . . . . . . . . . . . . 110
6.4.2.5 Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
General Conclusion 113Côte titre : MAI/0997 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0997 MAI/0997 Mémoire Bibliothèque des sciences Anglais Disponible
DisponiblePermalinkPermalinkPermalink
PermalinkPermalink
Permalink
Permalink
Permalink
PermalinkPermalink
