WSN多目标优化基准测试框架

软件影响11（2022）100204原始软件出版物VLMOO：一个面向WSN的变长多目标优化问题基准测试框架Ahmed Mahdi Jubaira，Rosilah Hassana，Hassan a，Hasimi Sallehudina，Zeyad Ghaleb Al-Mekhlafib，Badiea Abdulkarem Mohammedc，Mohammad Salih AldaharbaCenter for Cyber Security，Faculty of Information Science and Technology，Universiti Kebangsaan Malaysia，43600，UKM Bangi，Selangor，Malaysiab沙特阿拉伯哈伊尔大学计算机科学与工程学院信息与计算机科学系c沙特阿拉伯哈伊尔大学计算机科学与工程学院计算机工程系哈伊尔81481自动清洁装置保留字：多目标优化变长优化WSN部署数学优化基准函数代码元数据A B标准无线传感器网络（WSN）管理具有多目标空间和变解空间的NP-难优化问题。这些问题被认为是具有挑战性的，需要在行为和性能方面仔细开发和充分理解的算法。本文介绍了一个开源基准测试框架，该框架支持多目标优化指标和网络措施之间的比较。作为其类型的第一个，该框架被指定为可变长度多目标优化（VLMOO）。它包括三组数学基准问题，多目标的无线传感器网络部署问题，和可变长度的性质。它是可扩展的和灵活的，使接口与其他算法与丰富的可视化图形生成的指标。当前代码版本V1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2021-149Reproducible Capsule的永久链接https://codeocean.com/capsule/9422747/tree/v1合法代码许可证Apache 2.0使用的代码版本控制系统使用的软件代码语言、工具和服务（MATLABR2018 b）编译要求，操作环境依赖性英特尔酷睿i5 CPU 3.2 GHz和12 GB内存。操作系统Windows，MATLAB.如果可用，链接到开发人员文档/手册问题支持电子邮件Ahmed.mahdi. gmail.com1. 介绍无线传感器网络（Wireless Sensor Network，WSN）的部署和管理随着网络规模的扩大而出现，并具有广泛的应用 物联网（IoT）应用及其与云系统的集成[1]。由于众多因素及其相互关系的性质，无线传感器网络的管理比部署更为复杂[2]。无线传感器网络管理的定义是通过从传感器收集数据，确保高服务质量（QoS），更长的寿命，避免能量泄漏，并保持能量消耗的均匀分布[3，4]。在数据中维护所有这些指标原文DOI：https://doi.org/10.1016/j.asoc.2021.107926。收集操作被定义为负载平衡[5]。无线传感器网络的负载均衡问题被认为是一个NP难题，由于物联网设备的资源有限，它是一个活跃的研究课题[6]。然而，一些令人沮丧的因素，例如在WSN中存在的用于负载平衡的各种优化算法之间进行客观比较的基准代码缺失，提供来自多目标优化（MOO）的优化措施;以及支持联网措施计算[7]。在本文中，我们提出了我们开发的多目标优化框架的源代码，该框架支持无线传感器网络中的负载平衡，使无线传感器网络管理和管理本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址：rosilah@ukm.edu.my（R. Hassan）。https://doi.org/10.1016/j.simpa.2021.100204接收日期：2021年10月25日;接收日期：2021年11月23日;接受日期：2021年12月3日2665-9638/©2021作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impacts上午朱拜尔河哈桑，H。Sallehudin等人软件影响11（2022）1002042Fig. 1. 基于SC-MOPSO的基准测试流程的概念图。无线传感器网络的部署，并评估了基准的数学函数与多目标性质的操作算法.我们的源代码是使用MATLAB 2020实现的。我们的框架的一个显着属性是它的支持变长搜索，这是最近的优化算法的一个新兴功能。它允许获得更多的最优性和效率，并避免包括优化算法的多次调用，每次调用具有不同的参数值。代码可以随时执行并生成各种场景和问题的优化结果，或者将其与外部优化算法进行接口，以便与现有算法进行比较评估2. 描述我们的可变长度多目标优化（VLMOO）的源代码包括各种功能，使其基准代码优化的WSN部署和/或开发和基准的可变长度多目标优化算法的基础上的数学函数和WSN问题。VLMOO包括我们最近开发的变长多目标优化和四个基准测试算法。我们最近发表的算法，称为社会类多目标粒子群优化（SC-MOPSO）[8]，是为了解决具有MOO和V-长度性质的困难优化问题而开发的。该算法扩展了粒子群优化算法的社会交互概念，将解空间分解为基于类的类，在他们的维度上。此外，它结合了类内和类间操作符，以确保解决方案的变化所需的动态到达帕累托前沿。基于SC-MOPSO的基准测试流程的概念图如图所示。1.一、其他包括的基准是非变异/变异多目标粒子群优化（MOPSO/m-MPSO）[9]，非支配排序遗传算法（NSGA-II）[10]和加权和变长粒子群优化（WS-VLPSO）[11]。集合覆盖对于显示两个帕累托集合之间的相对支配很重要[12]。为了使每对算法之间的比较，我们提出了一个矩阵图的覆盖集。一个集合覆盖比较的例子如图所示。二、框架中包含的其他指标包括许多非支配解决方案，超体积，delta和代际距离。此外，该框架包括编码具有MOO和/或可变长度性质的三组基准测试函数。两套 使用了具有V长度属性的多目标基准函数，即CEC 2020 [13]和Fonseca ZDT [14，15第三个包括基本的单峰和多峰测试函数[16]。此外，该框架还包括了无线传感器网络部署的数学问题作为应用基准图二. 我们框架评估中的集合覆盖邻接矩阵示例。3. 影响VLMOO允许对无限数量的变量长度的多目标优化算法进行客观的基准测试它有助于理解具有挑战性的数学问题和现实世界的无线传感器网络部署问题的解决行为。我们增加了MOO的标准评估指标的使用，即集合覆盖，超体积，生成距离，增量度量和非支配解的数量。此外，它还生成了通过优化实现的帕累托前沿的可视化，并在后者可用时将其与真实的帕累托前沿进行比较。与传统的定长算法不同，该框架提供了基于嵌入式变长算法求解变长优化问题的能力。这种可支持性对于解决具有超出WSNs部署的可变长度性质的广泛问题是有用的，例如云部署和机会性雾计算设置。在MATLAB环境2020 b中构建此框架可与MATLAB编码的最新功能对于从业者来说，它是可行的框架，以提供后端的无线管理系统，并使决策的灵活性与高的最优性，通过给决策者一组非支配的解决方案，以选择其中之一，用于操作系统的基础上，用户的偏好，从角度来看，在优化中涉及的各种目标。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢作者要感谢提供的支持，网络和通信技术（NCT）研究小组，FTSM，UKM在提供设施，在整个文件。作者还要感谢编辑和匿名评论者的宝贵意见和建议。引用[1]R.K. Dwivedi，N.库马里河Kumar，无线传感器网络与云的集成，以实现物联网的有效管理：综述，Adv. Data Inform。Sci. （2020）97-107.[2] S. Abdollahzadeh，N.J. Navimipour，无线传感器网络中的部署策略：全面综述，Comput。Commun. 91（2016）1-16.[3] M. Faheem，V.C.Gungor，MQRP：基于移动接收器的QoS感知数据收集工业4.0背景下基于无线传感器网络的智能电网应用协议-基于物联网，FutureGener。Comput. 系统82（2018）358-374。上午朱拜尔河哈桑，H。Sallehudin等人软件影响11（2022）1002043[4] R. Hassan，A.M. Jubair，K. Azmi，A. Bakar，物联网（IoT）CoAP应用协议中的自适应拥塞控制机制，2016年国际信号处理和通信会议，ICSC，IEEE，2016年，pp. 121比125[5] C. Gherbi，Z. Aliouat，M. Benmohammed，无线传感器网络中动态负载平衡和能源效率的自适应聚类方法，能源114（2016）647-662。[6] B. Pourghebleh，V. Hayyolalam，物联网负载平衡机制的全面和系统的回顾，集群计算。 （2019）1-21。[7] S.兰德哈瓦河Jain，MLBC：无线传感器网络中的多目标负载均衡分簇技术，应用。软计算74（2019）66[8] 朱拜尔河哈桑，A.H.M.阿曼，H.王文，基于粒子群算法的无线传感器网络优化设计，北京大学学报。（2021）107926.[9] M. Reyes-Sierra ， C.C. Coello，多目 标粒子群优化： 最先进的调查，国际 。J.Comput. 内特尔Res. 2（3）（2006）287[10] K.德布，S。阿格拉瓦尔A. Pratap，T. Meyarivan，一个快速的精英非支配排序遗传算法的多目标优化：NSGA-II，在：国际会议上并行问题求解从自然，施普林格，2000年，页。849 -858[11]A. Mohammadi，S.H. Zahiri，S.M. Razavi，P.N. 应用加权和变长粒子群优化设计 自 适 应 IIR 滤 波 系 统 ， 应 用 。 软 计 算 2021 （ 2021 ） 107529 ，http://dx.doi.org/10.1016/j.asoc.2021.107529s。[12] E. 齐茨勒湖 Thiele，多目标进化算法：一个比较案例研 究 和 强 度 帕 累 托 方 法 ， IEEE Trans. 评 价 Comput. 3 （ 4 ） （ 1999 ）257http://dx.doi.org/10.1109/4235.797969[13] P.N. Suganthan ，2020-Multimodal-multi-objective-benchmark ，2020， https：github.com/P-N-Suganthan/2020-Multimodal-Multi-Objective-Benchmark.[14] C.M. P.J.丰塞卡Fleming，多目标优化和多约束处理与进化算法。I. 一个统一的公 式 ， IEEE Trans.Cybern 系 统 A ： System. Humans 28 （ 1 ） （ 1998 ）26http://dx.doi.org/10.1109/[15] E. Zitzler，K.黛布湖Thiele，多目标进化算法的比较Rithms：Empirical results，Evolut. Comput. 8（2）（2000）173 http://dx.doi。org/10.1162/106365600568202。[16] J.J. Liang，A.K. Qin，P.N. Suganthan，S. Baskar，多峰函数全局优化的综合学习粒子群算法，IEEE Trans. 评价Comput. 10（3）（2006）281-295。