بهینه سازی مصرف انرژی در شبکه های حسگر بی سیم با استفاده از الگوریتم ترکیبی

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,695

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

IRCEM01_063

تاریخ نمایه سازی: 25 آذر 1395

Abstract:

محدودیت انرژی، از مهمترین موضوعاتی در طراحی شبکه های حسگر بی سیم می باشد. تجمع داده ها و ارسال چند گامی و سلسله مراتبی داده ها روشی مؤثرجهت کاهش مصرف انرژی و بهبود ذخیره سازی انرژی در شبکه های حسگر بی سیم می باشد. الگوریتم های خوشه بندی شبکه ای به دلیل قابلیت اطمینان و همچنین انعطاف پذیری بالا نسبت به سایر الگوریتم های خوشه بندی بسیار عمومیت دارند. با این وجود در این روش نیازمند تعیین مناسب اندازه و تعداد خوشه ها هستیم. در این پژوهش یک الگوی ارسال داده با استفاده از تلفیقی از ارتباطات چند گاهمی و ارسالات سلسله مراتبی ارائه شده است که در محتوی آن روشی برای انتخاب تعداد و اندازه مناسب خوشه ها بر اساس بهینه سازی همزمان انرژی درون خوشه ای و انرژی ارسال داده ها به پایگاه اصلی وجود دارد. در این پژوهش با استفاده از الگوریتم بهینه سازی ژنتیک تعداد و اندازه خوشه ها بهینه می گردند. در الگوریتم ارائه شده ابدا محیط تحت پوشش گره های حسگر که یک فضای داره ای شکل می باشد به قطاع های گوناگون تقسیم گشته و سرخوشه های هر قطاع (که آن را سرخوشه های محلی می نامیم) در طی دفعات مختلف ارسال بر اساس حداکثر انرژی باقیمانده میان گره های موجود در هر قطاع انتخاب می شوند. سرخوشه های سلسله مراتبی نیز با توجه به سازوکاری مشخص از میان سرخوشه های محلی که در یک خوشه سلسله مراتبی واقع هستند بر اساس پارامترهایی از قبیل فاصله سرخوشه محلی تا سینک، مجموع انرژی و تعداد گره های موجود در هر قطاع انتخاب می شوند.

Keywords:

شبکه های حسگر , الگوریتم ترکیبی , بهینه سازی ژنتیک و سرخوشه

Authors

سیدمعروف حسینی

دانش آموخته مقطع کارشناسی ارشد دانشگاه آزاد قشم

عباسعلی رضایی

استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، 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 :
  • اقبا لی، آ رش، 5 138، بهبو د کا ر ...
  • عسگریا ن، حمید، 1 9 13، بهبو د ا نر ...
  • ا حمد، 0 139 _ پیش بینی شا خل ها ...
  • بر د ا ر پشتیبا ن، تئو ری آشو ب ...
  • yue J, Zhang W, (2012), Energy Efficient and balanced cluster-based ...
  • Hong W.C, Dong, Y, Chen Y, (2012), SVR with hybrid ...
  • Jirong G, Mingcang J, (2010), Housing price forecasting based on ...
  • Anker T, Bickson D, Dolev D, Hod B, (2008), Efficient ...
  • Huang S.C, (2008), Online option price forecasting by using unscented ...
  • Chang B. R, Tsai H.F, (2008), forecast approach using neural ...
  • Wang T, Yang T.L.X, Zhang D, (2009), An energy efficient ...
  • Zarandi, M.H.F, Rezaee B, (2009), A 2-type fuzzy rule-based expert ...
  • Chang P.C, & liu J, (2008), A TSK type fuzzy ...
  • Zhuang Y, Pan J, Wu G, (2009), _ Energy- optimal ...
  • Vidhyapriya R, Vanathi P.T, (2008), "Energy efficient grid-based routing in ...
  • networks, " International Journal of Intelligent Computing and Cybernetics, vol. ...
  • Panditharathne C, Sen S.J, (2009), Energy efficient _ ommunication protocols ...
  • Liu KH, Cai L, Shen X, (2008), _ :Exclus ive-region ...
  • Arms S.W, Galbreath J.H, Townsend C.P, Churchill D.L, Corneau B, ...
  • Hang S.C, chaung P.J, Wu G, (2010), chaos based support ...
  • Wang A, Yang D, Sun D, (2012), A clustering algorithm ...
  • Kim K.J, Han Y, (2008), Genetic algorithm approach to feature ...
  • Qui M, Zhang G.P, (2008), trend time series modeling and ...
  • Anastasi G, Conti M, Francesco M.D, Passarella A, (2009), Energy ...
  • Zhou Z, Xiang X, Wang X, Pan J, (2011), A ...
  • Lei J, Yates R, Greenstein L, (2009), A generic model ...
  • Abdulla A, Nishiyama H, Kato N, (2012), Extending the lifetime ...
  • نمایش کامل مراجع