Η παρούσα διπλωματική εργασία πραγματεύεται το πρόβλημα ελέγχου ισχύος και τοπολογίας σε ασύρματα αισθητήρια δίκτυα (Wireless Sensor Networks– WSNs) μέσω χρήσης Νευρωνικών Δικτύων Γράφων (Graph Neural Networks – GNNs), βασισμένα σε GCN (Graph Convolutional Network), GAT (Graph Attention Network) και  GraphSAGE (Graph Sample and Aggregate). Στόχος είναι η εκπαίδευση μοντέλων που να προβλέπουν την κατάλληλη ισχύ εκπομπής για κάθε κόμβο, ώστε να επιτυγχάνεται η ελάχιστη δυνατή κατανάλωση ενέργειας και ταυτόχρονα αν είναι δυνατό να διατηρείται η συνδεσιμότητα του δικτύου. Υλοποιήθηκαν και αξιολογήθηκαν τρία διαφορετικά GNN μοντέλα, με διάφορους συνδυασμούς χαρακτηριστικών εισόδου και με δεδομένα εισόδου που παρήχθησαν από κλασικές τοπολογίες ελέγχου, και συγκεκριμένα της MECN και LMST. Τα αποτελέσματα δείχνουν ότι το μοντέλο το οποίο συνδυάζει residual connections και τεχνικές regularization, υπερτερεί ως προς το σφάλμα πρόβλεψης και τη γενίκευση. Παρ’ όλα αυτά, κανένα μοντέλο δεν κατάφερε να διατηρήσει πλήρη συνδεσιμότητα του δικτύου, υποδεικνύοντας την ανάγκη για περαιτέρω βελτιώσεις.

This thesis addresses the problem of power and topology control in Wireless Sensor Networks (WSNs) through the use of Graph Neural Networks (GNNs), based on GCN (Graph Convolutional Network), GAT (Graph Attention Network) and GraphSAGE (Graph Sample and Aggregate). The objective is to train models that can predict the appropriate transmission power for each node, in order to achieve minimal energy consumption while, if possible, maintaining network connectivity. Three different GNN models were implemented and evaluated, using various combinations of input features and data generated from classical topology control algorithms, specifically MECN and LMST. The results indicate that the model incorporating residual connections and regularization techniques outperforms the others in terms of prediction error and generalization capability. Nevertheless, no model was able to consistently maintain full network connectivity, highlighting the need for further improvements.