طراحی یک روش خوشه بندی انرژی اگاه مبتنی بر الگوریتم ژنتیک در شبکه حسگر بی سیم ناهمگن
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 249
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-6-3_002
تاریخ نمایه سازی: 6 دی 1400
Abstract:
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.
Keywords:
الگوریتم تکاملی , الگوریتم ژنتیک , خوشه بندی انرژی آگاه , خوشه بندی شبکه حسگر بی سیم , شبکه حسگر بی سیم ناهمگن
Authors
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 Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :