مروری بر الگوریتمهای خوشهبندی در شبکههای حسگر بیسیم با استفاده از آتاماتای یادگیر

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 468

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IAUFASA02_234

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

با وجود پیشرفتهای صورت گرفته در شبکههای حسگر بیسیم، گرههای حسگر به دلیل تعداد زیاد، اندازه کوچک و روش قرارگیری اقتضایی، هنوز هم برای تامین انرژی خود، متکی به باتریهایی با توان اندک میباشند. همچنین معمولاً به دلیل بهکارگیری این نوعشبکهها در محیطهای خشن و غیرقابل دسترس، امکان شارژ مجدد یا تعویض گرههای حسگر وجود ندارد. بنابراین یکی از مهمترین مسایل در شبکههای حسگر بیسیم، مساله محدودیت شدید انرژی است. شبکه حسگر بیسیم یک شبکه بدون سیم میباشد که از دستگاههای مستقل پخش شده در محیط با توانایی حس نمودن تغییرات محیط،جهت نظارت بر آن تشکیل شده است. این شبکه دارایمحدودیتهایی از جمله منابع انرژی، حافظه و فضای ذخیرهسازی میباشد. کاهش مصرف انرژی و افزایش طول عمر گرهها از مهمترین اهداف طراحی این شبکهها است و برای نیل به این اهدافتاکنون روشهای متعددی مطرح شده است از جمله خوشهبندی گرهها که الگوریتمهای متفاوتی برای آن عنوان شده است. آتاماتا نیز یک شیء انتزاعی است که تعداد محدودی عمل را میتواندانجام دهد و هر عملی که انجام میدهد، توسط محیطی احتمالی ارزیابی میگردد و پاسخی به آتاماتا داده میشود. آتاماتا از این پاسخ استفاده نموده و عمل بعدی را انتخاب میکند. در طی این پروسهآتاماتا یاد میگیرد که چگونه بهترین عمل را انتخاب نماید. نحوه استفاده از پاسخ محیط به عمل انتخابی آتاماتا که در جهت انتخاب عمل بعدی آتاماتا استفاده میشود، توسط الگوریتم یادگیری آتاماتا[ مشخصمیگردد. [ 1 تعدادی از کارهای انجام شده در زمینه خوشهبندی در شبکههای حسگر بیسیم عبارتند از: الگوریتم خوشهبندی توزیعشده در [ 2] گرهها را ثابت و با وزنهایمقدار داده شده، در نظر میگیرد. الگوریتم خوشهبندی وزندهی شده چندین خصوصیت را در یک پارامتر (وزن) ترکیب میکند که این پارامتر در خوشهبندی استفاده میشود. در این الگوریتم توزیع شدهفرض اصلی در این است که در طول اجرای الگوریتم، توپولوژی شبکه تغییر نمیکند یعنی، فرض میشود که یک پیام ارسالشده توسط یک گره به درستی طی یک مدت زمان محدود به همه همسایگانش میرسد که هر گره نیز میداند که بایستی وزن و شناسههمسایگان خود را نیز داشته باشد. هر گره نقش خود را که سرخوشه است و یا یک گره عادی تنها بسته به تصمیمگیری همسایگان خود وبا توجه به وزنهای بزرگتر انتخاب میکند. بنابراین، در ابتدا، فقط آن دسته از گرهها که وزن بزرگتر دارند در محدوده خود یک پیام به همسایگان خود پخش میکنند و همسایگان بر این اساس سرخوشهخود را انتخاب میکنند

نویسندگان

غزال میربیگی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه علوم و تحقیقات خمین

جواد اکبری ترکستانی

عضو هیات علمی دانشکده مهندسی کامپیوتر دانشگاه علوم و تحقیقات اراک

محمد خلیلی درمنی

عضو هیات علمی گروه مهندسی کامپیوتر دانشگاه علوم و تحقیقات خمین

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 :
  • A. A Abdel Azim Youssef and A Scalable Anchorfree Localization, ...
  • S. Basagni, Distributed Clustering Algorithm for Ad-hoc Networks, in International ...
  • S. Banerjee and S. Khuller, A Clustering Scheme for Hierarchical ...
  • E.Hansen and].Neander and M.Nolin and M.Bjorkman, Efficient Cluster Formation for ...
  • L.Chunwang and C.Wei Wang, A CFOSS layer design of clustering ...
  • G. Gupta and M. Younis, Load balanced clustering in wireless ...
  • S. Raghuwanshi and A. Mishra, A Self adpative clustering based ...
  • O. Younis and S. Fahmy, Distributed Clustering in Ad-hoc Sensor ...
  • G. Gupta and M. Younis, Load balanced clustering in wireless ...
  • A.Allouche and].paul and C.Maurice and S.Gencho, Notes _ Cellular Automata, ...
  • M. Ahmadinia and M.R. Meybodi, Clustering in wireless SenSor networks ...
  • M. Esmaashari and M. R. Meybodi, A Cellular Learning Automata ...
  • Gh. Mirbeygi and]. Akbari Torkestani and M. Khalili Dermani, A ...
  • N. Farajzadeh, and M. R. Meybodi, Learning Automata-bas ed Clustering ...
  • M. Esnaashari1 and M. R. Meybodi, Irregular Cellular Learning Automata ...
  • نمایش کامل مراجع