Routing and Indoor Localization in IoT Networks: Intelligent Approaches Based on Metaheuristics and Deep Learning
Routage et localisation en intérieur dans les réseaux IoT : approches intelligentes basées sur les métaheuristiques et l'apprentissage profond
Résumé
The rapid expansion of the Internet of Things (IoT) has revolutionized many aspects of our daily lives. On the other hand, it has led to the appearance of new challenges, particularly in indoor localization and routing optimization, due to the dynamic nature and constant topological scalability of IoT networks and their deployment environment.
%In fact, efficient routing and accurate indoor location ensure the adequate functioning of IoT applications. In this thesis, we deal with these challenges through the use of AI by combining metaheuristic optimization with Deep Learning techniques. The main objective of this work is to develop a hybrid approach for precise indoor localization of mobile connected objects by combining deep learning with metaheuristics. Then, the proposed method is used to develop geographic and multi-objective routing in IoT networks having mesh architecture. This routing approach is called multi-objective as it utilizes metaheuristic optimization to consider simultaneously several criteria. It is essentially applied to improve the network performance, by minimizing the transmission delays and maximizing the employment of the available resources, and, thereby, to ensure the optimal performance of IoT applications. Our contributions are evaluated through real experiments, simulations and comparative studies demonstrating that the introduced approaches outperform other existing solutions, based on several comparison metrics combined.
L'expansion rapide de l'Internet des Objets (IoT) a révolutionné de nombreux aspects de notre vie quotidienne. Cependant, elle a également introduit de nouveaux défis, notamment en matière de localisation en intérieur puis d'optimisation de routage, en raison de la nature dynamique et de l'évolutivité topologique constante des réseaux IoT et de leur environnement de déploiement. En effet, un routage efficace et une localisation précise sont essentiels pour assurer le bon fonctionnement des applications IoT. Dans cette thèse, nous abordons ces défis par l'utilisation de l'IA, en combinant l'optimisation par métaheuristiques avec les techniques d'apprentissage profond. Notre objectif principal est donc de proposer une approche hybride de localisation en intérieur précise d'objets connectés mobiles en combinant l'apprentissage profond avec les métaheuristiques. Puis, nous réinvestissons cette méthode pour développer un routage géographique et multi-objectifs pour les réseaux IoT à architecture maillée. Cette approche de routage est qualifiée de multi-objectifs, car elle utilise l'optimisation métaheuristique pour prendre en compte plusieurs critères simultanément. Son objectif est d'améliorer les performances du réseau en réduisant les retards de transmission et en maximisant l'utilisation des ressources disponibles, assurant ainsi des performances optimales pour les applications IoT. Nos contributions sont évaluées à travers des expérimentations réelles, des simulations et des études comparatives démontrant que les approches introduites surpassent d'autres solutions existantes, en se basant sur plusieurs métriques de comparaison combinées.
Fichier principal
manuscript_eng.pdf (19)
Télécharger le fichier
manuscrit_fr.pdf (16)
Télécharger le fichier
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
Commentaire | La version principale de cette thèse est en anglais. Une traduction complète en français est fournie en tant que données supplémentaires. |