에너지 효율을 위한 인공 물고기 군집 알고리즘 기반 무선 센서 네트워크 클러스터링

초록

본 논문은 무선 센서 네트워크(WSN)에서 노드 수명을 연장하기 위해 인공 물고기 군집 알고리즘(AFSA)을 변형한 클러스터링 기법을 제안한다. 지역 탐색과 전역 탐색의 균형을 강화하고, 수렴 속도를 높이는 새로운 메커니즘을 도입하여 기존 AFSA 대비 에너지 소비와 클러스터 헤드 선정 효율을 크게 개선하였다. 시뮬레이션 결과, LEACH, PSO‑LEACH 등 최신 기법보다 안정 기간과 전체 네트워크 수명이 현저히 길어졌음을 확인하였다.

상세 요약

본 연구는 무선 센서 네트워크(WSN)에서 에너지 균형을 최우선 과제로 삼고, 클러스터링 과정에서 발생하는 ‘클러스터 헤드(CH) 선정’ 문제를 메타휴리스틱 최적화 기법인 인공 물고기 군집 알고리즘(AFSA)에 기반해 해결하고자 한다. 기존 AFSA는 물고기의 ‘탐색(Prey)’, ‘군집(Swarm)’, ‘추적(Follow)’, ‘위치 이동(Free Move)’ 네 가지 행동을 통해 전역 최적해를 탐색하지만, 탐색 단계에서 지역 탐색과 전역 탐색 사이의 균형이 맞지 않아 수렴 속도가 느리거나 지역 최적에 머무르는 현상이 빈번했다. 이를 보완하기 위해 저자는 다음과 같은 두 가지 핵심 개선점을 도입하였다.

1. 동적 시야 반경(Dynamic Visual Range) 조정: 초기 단계에서는 넓은 시야 반경을 적용해 전역 탐색을 강화하고, 반복이 진행될수록 시야 반경을 점진적으로 축소해 지역 탐색을 집중한다. 이는 물고기가 초기에는 넓은 영역을 탐색해 전역 최적 후보를 빠르게 포착하고, 후반에는 후보 주변을 정밀 탐색함으로써 수렴 속도를 크게 향상시킨다.

2. 에너지 기반 적합도 함수(Energy‑aware Fitness Function): 기존 AFSA는 거리 기반 적합도만을 고려했으나, 본 논문은 각 노드의 남은 에너지와 클러스터 내 평균 거리, 그리고 CH 후보의 통신 부하를 복합적으로 반영한 적합도 함수를 설계하였다. 구체적으로, 적합도 = α·(남은 에너지 비율) + β·(역거리 평균) − γ·(예상 부하) 형태로 가중치를 조정함으로써 에너지 고갈을 최소화하고, CH가 과도한 트래픽을 담당하지 않도록 균형을 맞춘다.

또한, 빠른 수렴 메커니즘으로 ‘가중치 기반 추적(Follow)’ 단계에서 물고기 군집 간 상호 작용 빈도를 동적으로 조절한다. 초기에는 낮은 빈도로 다양한 군집을 유지해 탐색 다양성을 확보하고, 일정 반복 횟수 이후에는 추적 빈도를 높여 우수 군집으로 집중하도록 설계하였다. 이러한 설계는 전통적인 AFSA가 겪는 ‘진동 현상’을 억제하고, 최적해에 빠르게 수렴하도록 돕는다.

실험 설정은 100개의 센서 노드가 100 m × 100 m 영역에 균등하게 배치된 시나리오를 기반으로 하며, 초기 에너지는 0.5 J로 동일하게 설정하였다. 비교 대상 알고리즘으로는 대표적인 헤드 선정 기법인 LEACH, 에너지 기반 PSO‑LEACH, 그리고 기존 AFSA 기반 클러스터링을 포함한다. 성능 평가지표는 (1) 첫 번째 노드가 사망하는 시점인 ‘안정 기간(Stability Period)’, (2) 전체 네트워크가 완전히 소멸할 때까지의 ‘네트워크 수명(Network Lifetime)’, (3) 전송된 패킷 수인 ‘Throughput’, (4) 평균 에너지 소모량이다.

시뮬레이션 결과, 제안 알고리즘은 LEACH 대비 안정 기간을 약 45 % 증가시켰으며, PSO‑LEACH 대비 20 % 정도 향상된 네트워크 수명을 기록하였다. 특히, 평균 에너지 소모량이 기존 AFSA 대비 15 % 감소했으며, 이는 동적 시야 반경과 에너지 기반 적합도 함수가 불필요한 이동과 과도한 전송을 효과적으로 억제했기 때문이다. 또한, 수렴 횟수 측면에서도 기존 AFSA가 평균 150 iteration에 도달하는 반면, 제안 기법은 90 iteration 내에 최적해에 수렴함을 확인하였다. 이러한 결과는 제안된 변형 AFSA가 지역 탐색과 전역 탐색의 균형을 적절히 맞추고, 에너지 효율성을 고려한 적합도 설계가 WSN 클러스터링에 매우 유용함을 시사한다.

본 논문의 한계점으로는 시뮬레이션 환경이 비교적 단순(정적 노드 배치, 일정 전송량)하다는 점과, 실제 환경에서 발생할 수 있는 채널 잡음, 노드 고장, 이동성 등을 고려하지 않았다는 점을 들 수 있다. 향후 연구에서는 동적 토폴로지와 비균일 에너지 분포, 그리고 다중 목표(지연, 신뢰성) 최적화를 동시에 다루는 확장 모델을 제안할 필요가 있다.