برنامه زمان بندی مبتنی بر یادگیری خودکار برای استفاده جزئی ازWSN

در حال حاضر، شبکه های حسگر بیسیم((WSNs در دامنه وسیعی از حوزه ها به کار گرفته شده اند که در آن مصرف انرژی حسگر به دلیل محدودیتهای توان موجود، یک چالش مهم است. رویکردهای زمان بندی خواب اخیرا توجه جامعه علمی را به خود جلب کرده اند، چرا که آنها فرصت برگرداندن گره های اضافی شبکه به منظور صرفه جویی در انرژی و افزایش طول عمر شبکه بدون توقف فعالیتهای نظارتی انجام شده را فراهم می آورند. مطالعه ما بر روی مساله پوشش بخشی، هدف قرار دادن سناریوهایی که در آنها نظارت مستمر بخش محدودی از حوزه منافع کافی است تمرکز میکند. در این مقاله ما PCLA را ارایه میکنیم، یک الگوریتم جدید که متکی بر یادگیری Automata برای اجرای رویکردهای زمان بندی خواب است. هدف آن به حداقل رساندن تعداد حسگرها برای فعال کردن بخشی از منطقه مورد نظر برای حفظ اتصال بین حسگرها است. نتایج شبیه سازی نشان میدهد که چگونه PCLA میتواند حسگرها را به روشی کارآمد برای رفع محدودیتهای تحمیلی، انتخاب کند، بنابراین عملکرد خوب را از نظر پیچیدگی زمانی، نسبت کار - گره، مقیاس پذیری و طول عمر مفید تضمین میکند. علاوه بر این، PCLAدر مقایسه با وضعیت هنر قادر به تضمین عملکرد بهتر است.

کلیدواژه ها:

پوشش جزئی ، برنامه ریزی سنسور ، خودکار یادگیری (LA) ، شبکه های حسگر بی سیم ، PCLA