A Learning Automata Based Data Aggregation Method for Sensor Networks
محل انتشار: دوازدهمین کنفرانس سالانه انجمن کامپیوتر ایران
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,346
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI12_010
تاریخ نمایه سازی: 23 دی 1386
چکیده مقاله:
One way to reduce energy consumption in wireless sensor networks is to reduce the number of packets being transmitted in the network. Data aggregation technique, in which packets with related information are combined together in intermediate nodes before further forwarding towards their destination, shown to be a good solution for this purpose. It is clear that more related information along the paths each packet traverse results in higher aggregation ratio. If the information each node has, varies from time to time, finding paths along which more nodes with related information exist becomes a complicated task. In this paper, a learning automata based data aggregation method in sensor networks will be proposed. Each node of the sensor network is equipped with a learning automaton which learns the path along which the aggregation ratio is maximum. Simulation results show that the proposed method performs well in situations where nodes having related information vary during
the network's lifetime.
کلیدواژه ها:
نویسندگان
Esnaashari
Soft Computing Laboratory, Computer Engineering and Information Technology Department Amirkabir University of Technology, Tehran, Iran
Esnaashari
Institute for Studies in Theoretical Physics and Mathematics (IPM) School of Computer Science, Tehran, Iran
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 :