طراحی یک روش خوشه بندی انرژی اگاه مبتنی بر الگوریتم ژنتیک در شبکه حسگر بی سیم ناهمگن

سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 218

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-6-3_002

تاریخ نمایه سازی: 6 دی 1400

چکیده مقاله:

  خوشه­بندی یکی از تکنیک­های موثر برای مدیریت مناسب انرژی و افزایش طول عمر در شبکه­های حسگر بی سیم می­باشد. یکی از پارامترهای حائز اهمیت در ساخت خوشه­های بهینه، انتخاب سرخوشه مناسب است که علاوه بر افزایش طول عمر شبکه و داده دریافتی در چاهک، کاهش انرژی اتلافی را به دنبال خواهد داشت. در این مقاله ابتدا به بررسی چند الگوریتم خوشه­بندی مبتنی بر روش­های هوش محاسباتی  پرداخته شده و سپس نسبت به ارائه دو الگوریتم خوشه بندی انرژی آگاه در شبکه­های ناهمگن مبتنی بر الگوریتم ژنتیک تحت عناوین EAGCA  و *EAGCA  اقدام شده است. الگوریتم های پیشنهادی با استفاده از اطلاعاتی از گره ها مانند ترافیک گره، انرژی باقی­مانده گره، انرژی گره­های همسایه و فاصله محلی  به انتخاب سرخوشه بهینه ودر نهایت ایجاد خوشه بهینه اقدام می­کنند. نتایج شبیه­سازی ها، توانایی این الگوریتم ها را در ایجاد خوشه مناسب و یافتن سرخوشه بهینه، به خوبی نشان می دهد. هم­چنین روش های پیشنهادی با دیگر روش­های خوشه بندی از جمله LEACH و EAERP در پارامترهایی نظیر تعداد گره­های زنده، داده دریافتی در چاهک و طول عمر شبکه مقایسه شده است. نتایج مقایسه ها، ناظر بر عملکرد بهتر الگوریتم های EAGCA و *EAGCA  نسبت به سایر الگوریتم ها در افزایش طول عمر شبکه و افزایش داده دریافتی در چاهک می­باشد.    

کلیدواژه ها:

الگوریتم تکاملی ، الگوریتم ژنتیک ، خوشه بندی انرژی آگاه ، خوشه بندی شبکه حسگر بی سیم ، شبکه حسگر بی سیم ناهمگن

نویسندگان

مهدی هنرمند

دانشجوی کارشناسی ارشد، دانشکده مهندسی کامپیوتر- دانشگاه آزاد اسلامی واحد نجف آباد- اصفهان- ایران

علی قیاسیان

استادیار، گروه برق دانشکده فنی و مهندسی- دانشگاه شهرکرد- شهرکرد- ایران

حسین سعیدی

استاد، دانشکده مهندسی برق و کامپیوتر- دانشگاه صنعتی اصفهان- اصفهان- ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :