---
type: paper
slug: gerard-kponhinto-2025-hybrid-bio-iot
title: >-
  A Hybrid Biologically-Inspired Optimization Algorithm for Data Gathering in
  IoT Sensor Networks
authors:
  - '[[gerard-kponhinto]]'
  - '[[sondes-khemiri-kallel]]'
  - '[[ado-adamou-abba-ari]]'
  - '[[abdelhak-mourad-gueroui]]'
  - '[[ousmane-thiare]]'
  - '[[junseokhwang]]'
year: 2025
venue: '[[journal-of-network-and-systems-management]]'
doi: 10.1007/s10922-025-09899-z
categories:
  - '[[ict-industries]]'
methods:
  - '[[metaheuristic-optimization]]'
  - '[[artificial-bee-colony]]'
  - '[[bacterial-foraging-optimization]]'
  - '[[hybrid-metaheuristic]]'
  - '[[multi-objective-optimization]]'
  - '[[cluster-tree-routing]]'
themes:
  - '[[mobile-wireless-sensor-networks]]'
  - '[[data-gathering]]'
  - '[[multi-objective-optimization]]'
  - '[[cluster-head-selection]]'
  - '[[network-lifetime-optimization]]'
last_updated: '2026-05-20T02:13:31+09:00'
---
# A Hybrid Biologically-Inspired Optimization Algorithm for Data Gathering in IoT Sensor Networks

*[[gerard-kponhinto]], [[sondes-khemiri-kallel]], [[ado-adamou-abba-ari]], [[abdelhak-mourad-gueroui]], [[ousmane-thiare]], [[junseokhwang]] (2025)* · [[journal-of-network-and-systems-management]] · [DOI ↗](https://doi.org/10.1007/s10922-025-09899-z)

> 자매 [[gerard-kponhinto-2025-sns-data-collection-iot]] (CCNC, SNS 메타휴리스틱) 의 확장 작업. [[artificial-bee-colony]] (ABC) 의 강한 global search 와 [[bacterial-foraging-optimization]] (BFO) 의 강한 local exploitation (swarming) 을 결합한 HBIP (Hybrid Bio-Inspired Optimization) 알고리즘 제안. 정적 IoT 에 적용 후 mobile IoT 까지 확장 — MOO-DGP (Multi-Objective Optimization-based Data Gathering Protocol) 로 velocity · cluster stability · link quality · energy consumption 동시 최적화. 시뮬레이션에서 HBIP 가 LEACH 대비 데이터 수집 +84.40%, BFO 단독 대비 +19.43%, ABC 단독 대비 +7.26% 향상. mobile 환경에서 MBC (Mobility-Based Clustering) 대비 packet delivery rate, control overhead, network lifespan, energy consumption 모두 우위.

- **RQ**: (i) IoT WSN 의 cluster head 선정 NP-hard 문제에 ABC 와 BFO 를 hybridize 하면 exploration-exploitation balance 를 개선할 수 있는가? (ii) mobile IoT (MWSN) 에서 다목적 (velocity, stability, link, energy) 최적화를 동시에 다루는 protocol 을 설계할 수 있는가?
- **방법론**: [[hybrid-metaheuristic]] — ABC (Karaboga 2005) 의 employed/onlooker/scout bee + BFO (Passino 2002) 의 chemotaxis/swarming/reproduction/elimination-dispersal 4 operation 결합. swarming step 을 ABC 의 exploitation phase 에 통합. [[multi-objective-optimization]], cluster-tree 라우팅, CC2538 RF radio (IEEE 802.15.4) 에너지 모델, free-space path loss (first-order radio, Heinzelman).
- **데이터**: 시뮬레이션 — static + mobile IoT 환경. CC2538 radio (low-power, 802.15.4 standard). MBC, LEACH, LEACH-Mobile, CBR-Mobile, ABC, BFO 등 baseline 다수.
- **주요 발견**: (i) **Static IoT**: HBIP 데이터 수집 LEACH 대비 +84.40%, BFO 대비 +19.43%, ABC 대비 +7.26%. (ii) **Mobile IoT (MOO-DGP)**: MBC 대비 effective data packet delivery rate, average control overhead, network lifespan, energy consumption 4 metric 전반 우위. (iii) BFO swarming 의 attractant-repellant 신호 dynamics 가 ABC 의 slow convergence 와 local optima trapping 두 약점을 동시에 보완. (iv) 기존 hybrid (HSA-PSO, ACO-PSO, FA-PSO, dragonfly-firefly 등) 대비 time / computational complexity 우위 — cascade hybrid 가 아닌 swarming-내장 hybrid 라 cost 낮음.
- **시사점**: hybrid 메타휴리스틱 설계는 cascade (algorithm 직렬 연결) 가 아니라 specific 단계 (BFO swarming → ABC exploitation) 의 targeted 통합이 효율적. mobile IoT 응용 (livestock monitoring, environmental sensing, healthcare) 에서 적용 가능.

![Cluster-tree 기반 데이터 수집 아키텍처. BS 가 cluster head 를 통해 sensor data 수집. 본 paper 의 HBIP 는 cluster head 선정과 cluster 형성 단계에서 ABC + BFO 의 hybrid optimization 으로 에너지 효율적 선택을 수행.](/papers/202504_KponhintoG_A_Hybrid_Biologically_Inspired_Optimization_Algorithm_for_Data_Gathering_in_IoT_Sensor_Networks/fig1.jpeg)

## 요약

[[junseokhwang]] 의 5기 ([[ict-innovation-in-developing-countries]] · 아프리카 ICT 협력) 라인의 IoT 분기 두 번째 paper. [[gerard-kponhinto-2025-sns-data-collection-iot]] (2025 CCNC, SNS 메타휴리스틱) 의 직계 확장 — 동일 author group (Paris-Saclay UVSQ + 세네갈 Gaston Berger + 카메룬 Maroua + SNU Global R&DB Center) 의 PASET-RSIF 펀딩 협력 결과물. 자매 paper 가 단일 메타휴리스틱 (SNS) 적용이었다면, 본 paper 는 hybrid (ABC + BFO) 로 진화. 추가로 mobile IoT 환경으로 scope 확장 — 자매 paper 의 static 한계를 넘어선다.

기존 metaheuristic 라인의 한계는 exploration-exploitation tradeoff. ABC 는 employed/onlooker/scout bee 의 다층 탐색으로 강한 exploration 을 제공하지만 slow convergence 와 local optima trapping. BFO 는 chemotaxis (swim/tumble) + swarming (cell-to-cell attractant/repellant 신호) 로 강한 local exploitation 이지만 단독으로는 global 탐색 약함. 본 paper 는 BFO 의 swarming step 만 ABC 의 employed bee + onlooker bee phase 에 끼워 넣어 ABC 의 exploration 을 유지하면서 BFO 의 local refinement 를 결합. 기존 cascade hybrid (HSA→PSO, ACO→PSO, FA→PSO 등 9 종 reviewed) 가 모두 "high time and computational complexity" 라는 단점이 있었던 것과 대비.

알고리즘 흐름은 3 phase. (i) **setup**: BS 가 모든 node 의 위치·잔여 에너지 정보 수집 후 threshold $\varepsilon_{thr}$ 이상 node 를 eligible CH set $P_{CH}$ 로 등록. (ii) **HBIP cluster head 선정**: bee 인구 $\mathcal{N} = \#P_{CH}$, 각 solution vector $\mathcal{B}_i$ 는 $\mathcal{D}$ 개 CH. employed bee 가 ABC 식 (1) 로 new position, BFO swarming (식 6-8) 으로 attractant-repellant 적용해 fitness 재계산, onlooker bee 가 식 (3) 의 probability 로 좋은 source 집중, scout bee 가 limit 초과 시 식 (4) 로 random 재배치. (iii) **steady phase**: cluster 내 (intra) + cluster 간 (inter) data transmission. mobile 확장 (MOO-DGP) 은 fitness function 에 velocity, link quality, cluster stability 추가.

결과의 함의는 셋. 첫째, static 환경에서 HBIP 의 LEACH 대비 +84.40% 데이터 수집 향상은 LEACH 의 random CH 선정이 얼마나 비효율적인지 보여준다. BFO 단독 대비 +19.43%, ABC 단독 대비 +7.26% 는 hybrid 의 marginal value 가 실재함을 입증. 둘째, mobile IoT 의 4-metric 동시 최적화 (velocity, stability, link, energy) 가 가능 — 단일 metric 최적화는 trade-off 를 무시. 셋째, swarming-내장 hybrid 가 cascade hybrid 보다 cost-effective — IoT 임베디드 시스템의 자원 제약에 적합. 한계: BS 중앙 집중 처리의 message exchange overhead 문제 (자매 paper 와 동일), 후속 작업은 distributed AI / federated learning 방향.

## 핵심 결과

**Static IoT 시뮬레이션** (HBIP vs baseline 3 종):

| Metric | HBIP vs LEACH | HBIP vs BFO | HBIP vs ABC |
|---|---:|---:|---:|
| 데이터 수집 (BS packets) | **+84.40%** | **+19.43%** | **+7.26%** |
| 네트워크 수명 | 우위 | 우위 | 우위 |
| 에너지 효율 | 우위 | 우위 | 우위 |

**Mobile IoT 시뮬레이션 (MOO-DGP vs MBC)**:

- Effective Data Packet Delivery Rate: MOO-DGP 우위
- Average Control Overhead: MOO-DGP 우위 (낮음)
- Network Lifespan: MOO-DGP 우위
- Energy Consumption: MOO-DGP 우위 (낮음)

**4 multi-objective fitness 요소**: Velocity (이동 속도), Cluster Stability (안정성), Link Quality (연결 품질), Energy Consumption (에너지 소비).

## 방법론 노트

[[artificial-bee-colony]] (ABC, Karaboga 2005) — 꿀벌 군집의 foraging 모방. 3 그룹: employed bee (food source 탐색), onlooker bee (대기), scout bee (random 탐색).

**Employed bee position update**:

$$
\vartheta_{ij} = \mathcal{B}_{ij} + \phi_{ij} \cdot (\mathcal{B}_{ij} - \mathcal{B}_{kj})
$$

$\phi_{ij} \in [-1, 1]$ random, $\mathcal{B}_k$ 는 주변 solution ($k \neq i$).

**Fitness function**:

$$
\text{fit}(\mathcal{B}_i) = \begin{cases} \frac{1}{1 + g(\mathcal{B}_i)}, & g(\mathcal{B}_i) \geq 0 \\ 1 + g(\mathcal{B}_i), & g(\mathcal{B}_i) < 0 \end{cases}
$$

**Onlooker bee selection probability**:

$$
p_i = \frac{\text{fit}(\mathcal{B}_i)}{\sum_{n=1}^{\mathcal{N}} \text{fit}(\mathcal{B}_n)}
$$

[[bacterial-foraging-optimization]] (BFO, Passino 2002) — E. coli 박테리아의 chemotaxis (swim/tumble) + swarming (cell-to-cell 신호) + reproduction + elimination-dispersal 4 operation.

**Chemotaxis step**:

$$
\Theta^i(m+1, n, l) = \Theta^i(m, n, l) + M(i) \cdot \frac{\Delta(i)}{\sqrt{\Delta(i)^T \Delta(i)}}
$$

**Swarming (cell-to-cell signal)** — 본 paper 의 HBIP 가 ABC 에 통합하는 핵심 부분:

$$
\mathcal{Z}_{cc}^i(\Theta, \Theta^i) = \sum_{i=1}^{\mathcal{N}} \left[ -d_{at} \exp\left(-\omega_{at} \sum_r (\Theta_r - \Theta_r^i)^2 \right) \right] + \sum_{i=1}^{\mathcal{N}} \left[ h_{rep} \exp\left(-\omega_{rep} \sum_r (\Theta_r - \Theta_r^i)^2 \right) \right]
$$

$d_{at}, \omega_{at}$ 는 attractant 신호의 depth/width, $h_{rep}, \omega_{rep}$ 는 repellant 신호의 height/width. attractant 는 nutrient-rich 영역으로 박테리아 유인, repellant 는 noxious 영역에서 후퇴 — 이 swarming dynamics 가 local exploitation 을 강화.

**에너지 모델 (first-order radio, Heinzelman)**:

$$
E_{TRX} = \begin{cases} k(E_{electr} + E_{fs} r^2), & r \leq d_{thres} \\ k(E_{electr} + E_{amp} r^4), & r > d_{thres} \end{cases}
$$

$d_{thres} = \sqrt{E_{fs} / E_{amp}}$. 자매 paper 와 동일한 radio 모델. 본 paper 의 차별점은 CC2538 RF transceiver (IEEE 802.15.4) 의 realistic low-power 모델 사용 — 자매 paper 의 일반 free-space model 보다 정확.

## 연구 계보

[[junseokhwang]] author page anchor 의 "개도국 ICT 혁신 — 아프리카 협력" 라인의 IoT 분기. 직계 ancestor 는 자매 [[gerard-kponhinto-2025-sns-data-collection-iot]] (2025 CCNC, SNS 메타휴리스틱) — 본 paper 의 reference [6] 가 그 paper. 자매 paper 는 단일 SNS 메타휴리스틱 + static 환경이었다면, 본 paper 는 hybrid (ABC + BFO) + mobile 환경으로 두 차원 확장. 동일 author group + PASET-RSIF (Pan-African Aluminum, Science, Engineering and Technology — Regional Scholarship and Innovation Fund) 펀딩.

기술적 reference 라인:
(i) **Clustering protocol**: LEACH (Heinzelman, Chandrakasan, Balakrishnan, HICSS 2000) 의 hierarchical clustering 원조. LEACH-Mobile [8], CBR-Mobile [9], MBC [10] 의 mobile extension 계보.
(ii) **메타휴리스틱 원조**: ABC (Karaboga 2005), BFO (Passino 2002) — 본 paper 의 hybrid base.
(iii) **Hybrid 메타휴리스틱**: HSA-PSO [16], ABC-ACO [17], ACO-PSO [18], PSO-FA [19], FA-PSO [20], dragonfly-firefly [21], AFSA-ACO [22], ABC-SA [23] 의 9 종 reviewed — 모두 cascade hybrid 로 high complexity. 본 paper 는 swarming-internal hybrid 로 cost 절감.
(iv) **에너지 모델**: Heinzelman first-order radio (2000), CC2538 RF (IEEE 802.15.4) [7].

[[junseokhwang]] 라인 내에서는 (i) [[ahp-mcdm]] / IoT 정책 측 (Na et al. 2023 IoT 규제) 의 기술-정책 종합의 기술 측 분기, (ii) [[gerard-kponhinto-2025-sns-data-collection-iot]] 와 함께 PASET 아프리카 협력 paper 라인.

## See also

- [[junseokhwang]]
- [[gerard-kponhinto]]
- [[gerard-kponhinto-2025-sns-data-collection-iot]]
- [[journal-of-network-and-systems-management]]
- [[artificial-bee-colony]]
- [[bacterial-foraging-optimization]]
- [[hybrid-metaheuristic]]
- [[multi-objective-optimization]]
- [[mobile-wireless-sensor-networks]]
- [[iot-networks]]
- [[ict-innovation-in-developing-countries]]