التوجيه اللاسلكي باستخدام نظرية الآلات واللغة الشكلية
الكلمات المفتاحية:
شبكات المستشعرات اللاسلكية، التوجيه، نظرية الآلات، الخلايا الذكية، آلات التعلم، اختيار رئيس العنقود، اختيار بوابة الربطالملخص
في شبكات المستشعرات اللاسلكية (WSNs)، لا يزال التوجيه يُعدّ من أبرز التحديات التي تؤثر على عمر الشبكة، واستهلاك الطاقة، وكفاءة نقل البيانات. وعلى الرغم من أن معظم الدراسات الحالية تركز على تحسين تغطية الشبكة أو تحسين مسارات التوجيه التكيفية، إلا أن النمذجة الصريحة لآليات تعيين رؤوس العناقيد (CH) وبوابات الربط (Gateway) لتحقيق توازن فعّال بين الكفاءة والقدرة على التكيف لم تحظَ بالاهتمام الكافي.
تسدّ هذه الدراسة هذه الفجوة من خلال تقديم معمارية توجيه جديدة تعتمد على نظرية الآلات المحدودة (Finite Automata) بهدف إدارة تعيينات رؤوس العناقيد والبوابات بشكل ديناميكي داخل شبكات WSN المعنقدة. يستخدم النظام المقترح كلًا من الآلات المحدودة الحتمية وغير الحتمية (DFA وNFA)، مما يتيح استجابات تكيفية وواعية للطاقة وفقًا للتغيرات في توفر الموارد وبنية الشبكة.
كما تُظهر عمليات المحاكاة الشاملة والتحليلات المقارنة مع نماذج قائمة—مثل الخلايا الذكية (Cellular Automata – CA) وآلات التعلم (Learning Automata – LA)—تفوقًا واضحًا من حيث قابلية التوسع، وانخفاض التعقيد، وزيادة عمر الشبكة. ومن خلال دمج الأسس النظرية لنماذج الآلات مع متطلبات التوجيه العملية، توفر هذه الدراسة أساسًا قويًا لإدارة شبكات WSN واسعة النطاق مستقبلًا.
المراجع
[1] Younis, M., & Akkaya, K. (2008). Strategies and techniques for node placement in wireless sensor networks: A survey. Ad Hoc Networks, 6(4), 621–655.
[2] Wang, J., Ghosh, R. K., & Das, S. K. (2010). A survey on sensor localization. Journal of Control Theory and Applications, 8(1), 2–11.
[3] Yiğitel, M. A., Incel, O. D., & Ersoy, C. (2011). QoS-aware MAC protocols for wireless sensor networks: A survey. Computer Networks, 55(8), 1982–2004.
[4] Catarinucci, L., De Donno, D., Mainetti, L., Palano, L., Patrono, L., Stefanizzi, M. L., & Tarricone, L. (2015). An IoT-aware architecture for smart healthcare systems. IEEE Internet of Things Journal, 2(6), 515–526.
[5] Maihöfer, C. (2004). A survey of geocast routing protocols. IEEE Communications Surveys & Tutorials, 6(2), 32–42.
[6] Yan, J., Zhou, M., & Ding, Z. (2016). Recent advances in energy-efficient routing protocols for wireless sensor networks: A review. IEEE Access, 4, 5673–5686.
[7] Shahraki, A., Taherkordi, A., Haugen, Ø., & Eliassen, F. (2020). Clustering objectives in wireless sensor networks: A survey and research direction analysis. Computer Networks, 180, 107376.
[8] Wang, S.-S., & Chen, Z.-P. (2013). LCM: A link-aware clustering mechanism for energy-efficient routing in wireless sensor networks. IEEE Sensors Journal, 13(2), 728–736.
[9] Erol-Kantarci, M., & Mouftah, H. T. (2011). Wireless sensor networks for cost-efficient residential energy management in the smart grid. IEEE Transactions on Smart Grid, 2(2), 314–325.
[10] Kumar, D., Aseri, T. C., & Patel, R. B. (2011). EECDA: Energy-efficient clustering and data aggregation protocol for heterogeneous wireless sensor networks. International Journal of Computers, Communications & Control, 6(1), 113–124.
[11] Hoffmann, R., Désérable, D., & Seredyński, F. (2022). Cellular automata rules solving the wireless sensor network coverage problem. Natural Computing, 21(3), 417–447.
[12] de Medeiros, R. P., Villanueva, J. M. M., & de Macedo, E. C. T. (2022). Lifetime increase for wireless sensor networks using cellular learning automata. Wireless Personal Communications, 123(4), 3413–3432.
[13] Gudla, S., & Kuda, N. R. (2022). Learning automata-based energy-efficient and reliable data delivery routing mechanism in wireless sensor networks. Journal of King Saud University – Computer and Information Sciences, 34(8), 5759–5765.
[14] Homaei, M. H. (2024). Learning automata-based enhancements to RPL: Pioneering load-balancing and traffic management in IoT. arXiv, 2408.08373.
[15] Seredyński, F., Szaban, M., Skaruz, J., Switalski, P., & Seredyński, M. (2025). Self-organizing wireless sensor networks solving the coverage problem: Game-theoretic learning automata and cellular automata-based approaches. Sensors, 25(5), 1467.
