Thuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dây

Thuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dâyThuật toán định tuyến dựa trên logic mờ tích hợp máy học nhằm cải tiến thời gian sống của mạng cảm biến không dây

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

-

Phan Tuấn Hải

THUẬT TOÁN ĐỊNH TUYẾN DỰA TRÊN LOGIC MỜ TÍCH HỢP MÁY HỌC NHẰM CẢI TIẾN THỜI GIAN SỐNG CỦA MẠNG CẢM BIẾN KHÔNG DÂY

Chuyên ngành: Hệ thống thông tin

Mã số: 8.48.01.04

TÓM TẮT ĐỀ ÁN TỐT NGHIỆP THẠC SĨ

TP HỒ CHÍ MINH – NĂM 2023

Đề án tốt nghiệp được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: PGS TS Trần Công Hùng

Phản biện 1: ……… Phản biện 2: ………

Đề án tốt nghiệp sẽ được bảo vệ trước Hội đồng chấm đề

án tốt nghiệp thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông

Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu đề án tốt nghiệp tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

MỞ ĐẦU

Mạng cảm biến không dây (WSN) đã có ứng dụng rộng rãi trong nhiều lĩnh vực, nhưng thời gian sống của các nút cảm biến ngắn do năng lượng bị giới hạn Để giải quyết vấn đề này, đề tài đề xuất một thuật toán định tuyến dựa trên logic mờ tích hợp máy học để kéo dài thời gian sống của WSN Mục tiêu chính là cải tiến hiệu suất và độ tin cậy của mạng cảm biến không dây

Bên cạnh phần mở đầu, phần kết luận và phần tài liệu tham khảo, phần nội dung chính của đề án được chia thành 4 chương chính như sau:

Chương 1: Tổng quan đề tài

Trong chương này sẽ trình bày các khái niệm về mạng cảm biến không dây (WSN), fuzzy logic, học máy Ngoài ra chương này còn trình bày về ứng dụng của WSN trong tất cả các lĩnh vực trong đời sống con người

Chương 2: Các công trình liên quan

Chương này sẽ trình bày các nghiên cứu trước đó về các thuật toán LEACH và các thuật toán cải tiến từ thuật

toán LEACH; các công trình liên quan tới fuzzy logic và học máy

Chương 3: Thuật toán đề xuất

Chương này sẽ trình bày chi tiết về cải tiến thuật toán LEACH-C, kết hợp fuzzy logic và phân cụm k-Means

Chương 4: Thực nghiệm và đánh giá

Chương này sẽ trình bày mô phỏng thuật toán đề xuất trên môi trường Matlab và so sánh hiệu quả sử dụng năng lượng với các thuật toán LEACH, LEACH-C và LEACH-CD

CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI

1.1 Giới thiệu chung

1.1.1 Mạng cảm biến không dây (WSN)

Mạng cảm biến không dây (WSN) là mạng kết nối các cảm biến qua kết nối không dây, hoạt động trong môi trường khắc nghiệt và có tuổi thọ từ vài tháng đến vài năm Tuy nhiên, một thách thức quan trọng của WSN là tiêu thụ năng lượng, và để kéo dài tuổi thọ của mạng, cần áp dụng các giải pháp tiết kiệm năng lượng

Hình 1.1: Một mạng cảm biến không dây điển hình

1.1.2 Đặc điểm và tính chất của WSN

Mạng cảm biến bao gồm các nút cảm biến đáp ứng các yêu cầu như cảm biến chính xác, tính toán, lưu trữ, và truyền thông Mỗi nút cảm biến có bốn thành phần cơ bản: cảm biến, xử lý, truyền thông không dây và nguồn điện, có thể bổ sung các thành phần khác như hệ thống tìm vị trí, sinh năng lượng và thiết bị di động tùy thuộc vào ứng dụng

Hình 1.2: Cấu trúc cơ bản một nút trong mạng cảm biến

1.1.3 Ứng dụng của WSN

Mạng cảm biến không dây (WSN) có nhiều ứng dụng quan trọng như: theo dõi và cảnh báo về điều kiện môi trường, đặc biệt trong lĩnh vực nông nghiệp; giám sát và điều khiển trong các hệ thống tự động hóa; hỗ trợ trong lĩnh vực giao thông; ứng dụng trong hệ thống SmartHome; ứng

dụng quân sự trong khảo sát và phát hiện nguy hiểm; và theo dõi sức khỏe trong lĩnh vực y tế

1.2 Fuzzy logic và ứng dụng trong mạng cảm biến không dây

Fuzzy Logic là một kỹ thuật trí tuệ nhân tạo sử dụng trong nhiều lĩnh vực như điều khiển tự động, điện tử, robot, truyền thông,…để xử lý thông tin không chắc chắn Có nhiều ứng dụng của fuzzy logic trong WSN như phân cụm

để kéo dài tuổi thọ mạng, chọn cluster head và ngăn ngừa xâm nhập

1.3 Học máy và ứng dụng trong mạng cảm biến không dây

Học máy là một phương pháp trí tuệ nhân tạo cho phép các ứng dụng phần mềm học từ dữ liệu và dự đoán kết quả mà không cần sự can thiệp của con người Nghiên cứu của Y Mekonnen đã chỉ ra khả năng ứng dụng của học máy trong mạng cảm biến, đặc biệt là trong lĩnh vực nông nghiệp, sử dụng cảm biến và Internet of Things (IoT) để tạo

ra một hệ thống nông nghiệp bền vững và giải quyết các thách thức và cơ hội trong lĩnh vực này.

CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN 2.1 Các công trình liên quan thuật toán LEACH

2.1.1 LEACH

LEACH phân chia hoạt động thành các vòng (round), mỗi vòng được bắt đầu với pha thiết lập (set-up phase): có quá trình chọn trưởng cụm CH và phân cụm; tiếp theo là pha ổn định (steady-state phase): có quá trình truyền

dữ liệu từ nút thành viên đến trưởng cụm CH và đến trạm gốc BS Để giảm khối lượng thông tin mào đầu truyền đi trong mạng, giai đoạn ổn định cần kéo dài hơn so với giai đoạn thiết lập Tuy nhiên, việc xác định trưởng cụm không xem xét đến năng lượng còn lại và vị trí của các nút mà chỉ căn cứ vào số lần trở thành trưởng cụm trong các vòng trước

đó dẫn tới ảnh hưởng tới hiệu suất của mạng

2.1.2 LEACH-C

Giao thức LEACH-C được phát triển để khắc phục nhược điểm của LEACH và được đánh giá cao trong ứng dụng mạng cảm biến không dây (WSN) Về cơ bản, LEACH-C hoạt động giống như LEACH, chỉ có điểm khác

biệt ở pha thiết lập (Set-up Phase), trong khi pha ổn định (Steady-state Phase) thì nó tiếp tục sử dụng từ giao thức LEACH Trái với LEACH, nơi mỗi nút có một xác suất để trở thành trưởng cụm, trong giao thức LEACH-C, quá trình chọn trưởng cụm và phân cụm được thực hiện bởi trạm gốc

BS Tuy nhiên, thuật toán khá phức tạp, gây tiêu hao năng lượng và có độ trễ cao

2.2 Các công trình liên quan đến Fuzzy Logic

Logic mờ (Fuzzy Logic - FL) được sử dụng để chuyển đổi dữ liệu sắc nét thành dữ liệu ngôn ngữ, và quá trình chuyển đổi từ dữ liệu mờ thành dữ liệu chính xác được thực hiện bằng defuzzifier Sử dụng logic mờ và hệ thống suy luận mờ (Fuzzy Inference System - FIS) giúp lựa chọn trưởng cụm phù hợp trong mạng cảm biến không dây (Wireless Sensor Network - WSN), làm giảm tiêu thụ năng lượng và tăng tuổi thọ của mạng

Hình 2.2: Cấu trúc của hệ thống suy luận mờ (FIS)

Hệ thống FIS (Fuzzy Inference System) trong đó Mờ hoá, Xây dựng luật mờ, Suy luận mờ và Giải mờ là các bước tuần tự, sử dụng công thức COG (Center of Gravity) để tính toán trung tâm trọng tâm trên hàm kết hợp đầu ra

COG = ʃ µA(x) * xdx / ʃ µA(x)dx (2.2)

Trong đó ∫ là tích hợp đại số, và µA là hàm mức độ của tập A Để hoàn chỉnh, tác giả liệt kê 5 phương pháp defuzzification được cung cấp trong công cụ logic mờ:

1 Centroid (trọng tâm): trọng tâm của khu vực

2 Bisector (phân giác): phân giác của khu vực

3 Mom: giá trị tối đa có ý nghĩa

4 Som: giá trị tuyệt đối tối đa nhỏ nhất

5 Lom: giá trị tuyệt đối tối đa lớn nhất

CHEF Fuzzy (Cluster Head Election mechanism using Fuzzy logic)

Giao thức CHEF sử dụng Fuzzy Logic với 27 quy tắc IF-THEN và ba mô tả (mức năng lượng, mật độ, tính trung tâm) để tối đa hóa tuổi thọ của mạng cảm biến không dây (WSN) Nút trong mạng sử dụng cơ chế lựa chọn CH cục bộ, dựa trên giá trị ngẫu nhiên và ngưỡng Popt để xác định cơ hội và ứng cử viên cho CH

Popt = p × α (2.3) Với: p là tỉ lệ mong muốn trở thành trưởng cụm

α là một giá trị không đổi xác định tỷ số giữa ứng cử viên cho cụm chủ

Các nút sau đó lắng nghe thông điệp ứng cử viên từ các nút trong phạm vi bán kính r trong phương trình:

r=√𝜋.𝑁.𝑝𝑎𝑟𝑒𝑎 (2.4) Nút có cơ hội lớn nhất được chọn là CH Sau khi lựa chọn CH, các thông tin như: thông điệp quảng cáo tham gia

CH, và giai đoạn trạng thái ổn định sẽ giống như trong

LEACH Các FIS sử dụng 2 biến: năng lượng còn lại và khoảng cách giữa các nút, một đầu ra và 9 quy tắc IF-THEN

Bảng 2.1: Chín quy tắc mờ if-then của thuật toán CHEF

Fuzzy

STT Năng lượng

của nút

Khoảng cách địa phương

Cơ hội (chance)

nhất mà chúng ta có thể sử dụng trong thực tế Quá trình này được gọi là giải mờ và chúng bao gồm COA (Center of Area) như là một phương pháp giải mờ như phương trình:

(2.5) Trong đó, 𝜇chance là chức năng của tập biến mờ Nhận xét:

- Năng lượng và khoảng cách được xem xét trong việc chọn các trưởng cụm CH và cuối cùng tuổi thọ mạng được nâng lên

- Bằng cách sử dụng logic mờ, tổng chi phí được giảm thiểu do chi phí từ quá trình tập trung để chọn trưởng cụm CH được giảm

- Hai trưởng cụm CH không thể tồn tại trong khoảng cách R

2.3 Các công trình liên quan đến học máy

Các nghiên cứu trong lĩnh vực mạng cảm biến không dây (WSN) đã đề xuất sử dụng mobile sink để giảm tải cho các nút cảm biến và cải thiện hiệu suất mạng thông qua việc

xác định thứ tự thu thập dữ liệu tối ưu và áp dụng phương pháp học máy như lập trình tuyến tính và phương pháp học Bayesian để giải quyết các vấn đề trong WSN.

CHƯƠNG 3: THUẬT TOÁN ĐỀ XUẤT 3.1 Mô hình nghiên cứu

Học viên đề xuất một chiến lược để tối ưu việc sử dụng năng lượng trong WSN thông qua sự kết hợp giữa tập

mờ và phương pháp phân cụm k-Means

3.2 Thuật toán đề xuất

Định tuyến phân cụm lấy ý tưởng thứ tự từ

LEACH-C, trong đó sử dụng fuzzy logic để lọc ra các nút đủ điều kiện làm CH từ đó phân cụm k-Means để giảm thiểu năng lượng tiêu thụ và tối ưu năng lượng Các nút cảm biến được triển khai ngẫu nhiên trong khu vực, cảm biến được tổ chức thành các cụm theo k-Means và các CH được chọn dựa trên thứ tự xử lý của thuật toán LEACH-C

Tương tự trong giai đoạn thiết lập của LEACH-C, mỗi nút gửi thông tin về vị trí hiện tại của nó (có thể được xác định bằng GPS) và mức năng lượng còn lại cho trạm gốc BS, nhưng thuật toán đề xuất sẽ tính toán trạng thái của các nút thông qua fuzzy logic và kết hợp với khoảng cách

ngắn nhất giữa các CH làm ngưỡng tham số đầu vào cho Means để phân cụm Các trưởng cụm có vai trò thu thập thông tin từ các nút trong cụm của nó, lưu dữ liệu vào một

k-bộ đệm, và sau đó truyền dữ liệu tới trạm gốc BS

Đề án này sử dụng fuzzy logic và mô hình mờ để bầu chọn các nút có đủ điều kiện làm trưởng cụm trong mạng cảm biến không dây (WSN) Qua hàng chục thí nghiệm, các hàm thành viên và quy tắc suy luận Mamdani được thiết lập cho biến đầu vào status, message và biến đầu

ra decision, nhằm đạt hiệu quả tốt trong việc đánh giá năng lượng tiêu thụ và tuổi thọ của WSN Các sự kết hợp của các quy tắc được hiển thị trong Bảng sau:

Bảng 3.1: Tập mờ đề xuất

Status Message Decision

5 Good Immediate Multiple

8 Excellent Immediate Single

Thuật toán 1: Hàm mờ, Thuật toán dựa vào tập mờ,

xác định trạng thái của các nút qua các vòng

Hình 3.6: Hệ thống suy diễn mờ FIND_NODES_FUZZY(Nodes, N, type)

1 Gán arr = [] // mảng rỗng

2 Gán i = 1

3 Trong khi i < N thì

4 outStat = Mamdani(Nodes[i].status, Nodes[i].message) // Fuzzy

5 nếu outStat = type thì

a arr.append(Nodes[i])

6 kết thúc nếu

7 kết thúc trong khi

8 Trả về arr

Thuật toán đề xuất sử dụng logic mờ để tính toán trạng thái và tìm ra tập các nút đủ điều kiện làm trưởng cụm (CH), sau đó điều khiển việc phân bố các CH dựa trên khoảng cách tối thiểu giữa chúng để đảm bảo phân bố công bằng trong toàn mạng

Thuật toán 2: Tính toán ra khoảng cách ngắn nhất

của các CH qua mỗi vòng

CALC_MIN_DIST(N, p, dimX, dimY)

số lượng cụm mong muốn Sơ đồ phân cụm dựa trên khoảng cách tối thiểu giữa các trưởng cụm (CH)

Thuật toán 3 sử dụng đầu vào từ thuật toán 1 và thuật toán 2, kết hợp với phân cụm k-Means, để giảm thời gian

và không gian lưu trữ

Thuật toán 3: Phân cụm k-Means dựa trên khoảng

CH là trọng tâm của C

4) Sau đó, duyệt lại các nút không thuộc tập Nodes, và đưa vào các cụm tương ứng bằng cách tính toán khoảng cách tới các CH

Hình 3.7: Lưu đồ hoạt động của thuật toán đề xuất

CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ 4.1 Môi trường thực nghiệm

Năng lượng tổng hợp dữ

liệu, EDA

5 nJ/bit

Hệ số năng lượng của mạch

khuếch đại truyền (ETX ,

ERX)

50nJ/bit

Thời gian mô phỏng (rmax) 1000 vòng

Mô phỏng được thực hiện bằng phần mềm Matlab R2023a để kiểm tra giải pháp đề xuất LEACH_FK (LEACH kết hợp Fuzzy logic và k-Means) đối với năng lượng tiêu thụ trong mạng cảm biến không dây Các tiêu chí đánh giá hiệu suất bao gồm thời gian sống của mạng, số nút còn sống, năng lượng còn lại trong mạng và năng lượng trung bình của mạng Hiệu suất của LEACH_FK được so sánh với các thuật toán LEACH, LEACH-C và LEACH-

CD

4.2 Kết quả thí nghiệm mô phỏng

Hình 4.1: Mạng khởi tạo ban đầu bởi fuzzy logic

Hình 4.1 cho thấy khởi tạo các nút trong WSN một cách ngẫu nhiên theo các tham số được cài đặt như bảng 4.1

Hình 4.2: k-Means thay đổi các cụm và trọng tâm của cụm

Hình 4.2 chụp lại các cụm do k-Means phân cụm qua các vòng trong WSN Với ý tưởng sử dụng k-Means, WSN càng về sau càng ít nút tham gia do các nút chết dần, và sẽ càng hiệu quả hơn về sau Trong cùng cấu hình mạng, ta chạy lần lượt các thuật toán và thu được kết quả từ hình 4.3 đến hình 4.6

Hình 4.3: Kết quả chạy thuật toán đề xuất LEACH-FK

Thuật toán LEACH-FK đã thành công trong việc kéo dài tuổi thọ của mạng cảm biến không dây (WSN) thông qua quản lý năng lượng, phân bố công việc hiệu quả

và cân bằng tải giữa các nút, như được thể hiện trong biểu

đồ Hình 4.3 với mạng duy trì hoạt động ổn định và nút cuối

cùng chết sau 1000 vòng, sau khi nút đầu tiên hết pin sau

280 vòng

Hình 4.4: Kết quả chạy thuật toán LEACH

Biểu đồ ở hình 4.4 cho thấy tuổi thọ của mạng cảm biến không dây (WSN) giảm theo thời gian, khi nút đầu tiên hết pin sau 119 vòng và các nút khác dần chết, cuối cùng cả mạng đều chết sau 433 vòng Kết quả này cho thấy thuật toán LEACH không đạt được mục tiêu kéo dài tuổi thọ của mạng, có thể do tiêu thụ năng lượng không cân đối, quản lý công việc không hiệu quả

Hình 4.5: Kết quả chạy thuật toán LEACH-C

Từ biểu đồ ở hình 4.5, ta thấy tuổi thọ của mạng cảm biến không dây (WSN) tăng theo thời gian Nút đầu tiên hết pin sau 224 vòng, và các nút khác tiếp tục hoạt động cho đến khi nút cuối cùng chết sau 499 vòng Kết quả này cho thấy thuật toán LEACH-C đạt được mục tiêu kéo dài tuổi thọ của mạng bằng cách tiết kiệm năng lượng, phân bố công việc hiệu quả và cân bằng tải giữa các nút

Hình 4.6: Kết quả chạy thuật toán LEACH-CD

Từ biểu đồ ở hình 4.6, với thuật toán LEACH-CD thì tuổi thọ của WSN được cải thiện Nút đầu tiên ngừng hoạt động ở vòng thứ 268, và mạng ngừng hoạt động ở vòng

519 Ta có thể thấy việc kết hợp LEACH-C và Dijkstra và

áp dụng mobile sink giúp tiết kiệm năng lượng và cân bằng tải hơn

KẾT LUẬN

1 Kết quả nghiên cứu của đề tài

Đề án đã đề xuất một cách cải tiến thời gian sống của WSN bằng cách sử dụng fuzzy logic để lọc ra các nút có khả năng trở thành CH, sau đó tính toán khoảng cách tối thiểu giữa các CH nhằm phân bổ đều các cụm trong mạng

để giảm tiêu hao năng lượng truyền thông, tiếp theo dựa vào tập các nút có khả năng trở thành CH và khoảng cách tối thiểu sử dụng k-Means để phân cụm Với sự kết hợp này giúp cho việc phân cụm được tối ưu hơn, giảm tính phức tạp của thuật toán, tiết kiệm thời gian tính toán và vùng nhớ Ngoài ra, việc phân bổ đều các cụm trong mạng bằng khoảng cách tối thiểu giữa các CH cũng giảm năng lượng tiêu thụ khi truyền thông giữa các nút Do đó, chiến lược kết hợp fuzzy logic để xác định CH sau đó dùng k-Means

để phân cụm tương ứng giúp cải thiện thời gian sống của mạng cảm biến không dây trong môi trường cảm biến đồng nhất