BOUTAOUI Nada2025-01-252025-01-252025-01-25https://dspace.estin.dz/handle/123456789/40L’efficacité énergétique dans les réseaux de capteurs sans fil (WSN) est un problème d’optimisation des ressources entre les nœuds capteurs, qui doit respecter les contraintes opérationnelles pour maximiser la durée de vie et les performances du réseau. En substance, atteindre une efficacité énergétique optimale dans les WSN signifie être capable d’équilibrer la consommation d’énergie, la qualité des données et la fiabilité des réseaux dans différents scénarios de déploiement. Ce problème est devenu de plus en plus complexe en raison de la croissance rapide des applications IoT, des technologies de capteurs hétérogènes et des environnements opérationnels dynamiques. Pour cette raison, il est devenu un sujet de grande priorité pour les chercheurs qui travaillent au développement de méthodes efficaces afin que la gestion de l’énergie puisse être réalisée facilement et efficacement par les opérateurs et les concepteurs de WSN. Le présent travail de recherche comprend une étude bibliographique sur différentes approches suivies dans l’optimisation énergétique des WSN, en se concentrant sur les avancées les plus récentes qui ont intégré des techniques d’apprentissage automatique et des méthodes basées sur les graphes. Dans ce qui suit, nous parlerons de certaines approches classiques d’économie d’énergie, des techniques modernes d’apprentissage automatique, y compris l’apprentissage par renforcement (RL), et du potentiel des réseaux de neurones convolutifs sur graphes (GCN) et de l’apprentissage fédéré (FL) pour relever les défis de l’efficacité énergétique dans les WSN.Energy efficiency in WSNs is a problem of resource optimization among sensor nodes that needs to meet the operational constraints for maximum network lifetime and performance. In essence, achieving optimal energy efficiency in WSNs means bing capable of balancing power consumptions, quality of data, and reliability of networks within various deployment scenarios. This issue has become increasingly complicated due to the rapid growth of IoT applications, heterogeneous sensor technologies, and dynamic operation environments. Because of this, it has become a topic of top priority for researchers who are working on the development of proficient methods so that energy management can be done easily and effectively by WSNs operators and designers. The present research work includes a bibliographic study on different approaches followed in WSN energy optimization, focusing on the most recent advances that have incorporated ML and Graph-based techniques. In the following, we will talk about some classic energy-saving approaches, modern ML techniques including Reinforcement Learning (RL), and the potential of Graph Convolutional Networks (GCNs) and Federated Learning (FL) in addressing energy efficiency challenges in WSNs.enWireless Sensor NetworksEnergy EfficiencyMachine LearningGraph Convolutional NetworksFederated LearningReinforcement Learning.Thesis