Sensor Placement in Sensor Networks using Hierarchical Genetic Algorithm
Publish place: 16th Iran"s Electrical Engineering Student Conference
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: English
View: 1,039
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- 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:
ISCEE16_145
تاریخ نمایه سازی: 21 تیر 1393
Abstract:
In this paper optimal sensor placement in sensornetworks using hierarchical genetic algorithm (HGA) isdiscussed. In the sensor placement issue, in addition to meet thefull coverage of the network need, minimizing the cost ofsensors must also be considered. The problem as a whole andfor an arbitrary network is NP-complete, and so far no optimalanalytical solution is proposed. So much work was done in asmart way and particular evolutionary methods have been used.Research was carried out using standard genetic algorithmssucceed to find a solution for any arbitrary network, but in thecase of optimal number of sensors and minimizing the cost havenot been so successful. The results of this study show that usinghierarchical genetic algorithm offers not only solution with fullcoverage for any network, but also significantly reduce costsand the cost is near optimal. The algorithm is also comparedwith other methods previously proposed, like simulatedannealing and modified PSO, the proposed algorithm shows itshigh performance.
Keywords:
Authors
S. Reza Mirabdolhagh
Department of Information Technology, Kermanshah University of Technology, Kermanshah, I. R. Iran
Wafa Barkhoda
Department of Information Technology, Kermanshah University of Technology, Kermanshah, I. R. Iran
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 :