الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 48000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
بهینه سازی کلونی با مکانیزم مهاجرت حریصانه برای پیاده سازی گره در شبکه های حسگر بی سیم
نام انگلیسی
Ant colony optimization with greedy migration mechanism for node deployment in wireless sensor networks
تعداد صفحه به فارسی
۴۰
تعداد صفحه به انگلیسی
۹
کلمات کلیدی به فارسی
شبکه های حسگر بی سیم, پیاده سازی گره, حفره انرژی, بهینه سازی کلونی مورچه, مهاجرت حریصانه / آزمندانه
کلمات کلیدی به انگلیسی
Wireless sensor networks, Node deployment, Energy hole, Ant colony optimization, Greedy migration
مرجع به فارسی
ژورنال شبکه و کاربردهای کامپیوتر
کالج مهندسی الکترونیک و اطلاعات، دانشگاه فناوری ساف چاینا، چین
الزویر
مرجع به انگلیسی
Journal of Network and Computer Applications; School of Electronic and Information Engineering, South China University of Technology, Guangzhou, China; Elsevier
کشور
چین
بهینه سازی کلونی با مکانیزم مهاجرت حریصانه برای پیاده سازی گره در شبکه های حسگر بی سیم
چکیده
پیاده سازی گره به عنوان یکی از مهمترین مسایل در شبکه های حسگر بی سیم به شمار می آید، چرا که چنین مؤلفه ای مشخص کننده هزینه پیاده سازی، قابلیت تشخیص و چرخه عمر شبکه ها می باشد. حل چنین مشکلی به عنوان یک مسئله بغرنج به شمار می آید که در بردارنده عوامل واقعی پیاده سازی نظیر هزینه پیاده سازی، تضمین اتصال، تراز بار و برخوردهای کانال است. در این مقاله، ما مسئله پوشش حریصانه / آزمندانه با توجه به هزینه پایین و تضمین اتصال (GCLC) را در نظر گرفته و یک رویکرد پیاده سازی جدید تحت عنوان ACO-Greedy را پیشنهاد می نماییم تا قابلیت مرتفع سازی چنین مسئله ای به وجود آید. این رویکرد بر مبنای بهینه سازی کلونی مورچه با مکانیزم مهاجرت حریصانه است، که به طور کامل قابلیت تکمیل پوشش ویژگی های مرتبط را داشته و به طور معنی داری سبب کاهش هزینه پیاده سازی می گردد. به علاوه، الگوریتم ACO-Greedy می تواند به طور قابل توجهی سبب تعدیل شعاع حسگری / ارتباطاتی گردیده تا از این طریق قابلیت تسکین مسئله حفره انرژی به وجود آمده و چرخه عمر شبکه نیز افزایش یابد. نتایج شبیه سازی معرف آن می باشند که رویکرد پیاده سازی شده ما نه تنها قابلیت کاهش معنی دار هزینه پیاده سازی را خواهد داشت، بلکه به طور کارآمدی می تواند مصرف نیرو در بین گره های حسگر را نیز تعدیل و تراز نموده و چرخه عمر شبکه در WSNهای مبتنی بر گرید / شبکه را افزایش دهد.
کلمات کلیدی:شبکه های حسگر بی سیم، پیاده سازی گره، حفره انرژی، بهینه سازی کلونی مورچه، مهاجرت حریصانه / آزمندانه
کلونی مهاجرت حریصانه گره شبکه حسگر بیسیم
۱- مقدمه
شبکه های حسگر بی سیم (WSNs) در خلال سالیان اخیر توجه زیادی را در اقصی نقاط جهان به خود جلب کرده است و مخصوصاً این امر با توجه به توسعه سیستم های میکرو ـ الکترو ـ مکانیکی (MEMS) و فناوری های مربوطه همراه با تکنولوژی ارتباطات بی سیم سیر تکاملی یافته است. یک WSN متشکل از تعداد زیادی از حسگرها می باشد که قابلیت حسگری، رایانش / محاسبه و برقراری ارتباطات، مشاهده و واکنش در برابر رخدادهای نسبی و یا پدیده های مربوطه در یک ناحیه خاص را خواهد داشت (Akyildiz و همکاران، ۲۰۰۲، Akkaya و Younis، ۲۰۰۵، Sohraby و همکاران، ۲۰۰۷). WSNs را می توان در کاربردهای گسترده ای در ارتباط با مسایل نظامی و شهری بکار گرفت، شامل نظارت محیطی، کنترل مسایل امنیتی، مراقبت های بهداشتی، تفریح های خانگی، کنترل ساختمان ها، مدیریت شبکه، رهگیری یک شی و موارد متعدد دیگر (Muhammad و همکاران، ۲۰۱۱، Daniel و Affonso، ۲۰۱۰) . به واسطه مزیت های بی شمار، این نوع از رویه پیاده سازی آسان، همراه با محدوده گسترده ارسال و خود سازماندهی، سبب شده است تا شبکه حسکر بیسیم جایگزین شبکه های متعارف کنونی گردد (Chin-Ling و I-Hsien، ۲۰۱۰).
…
در این مقاله، ما نسبت به بررسی و حل مسئله پوشش آزمندانه یا حریصانه با توجه به ویژگی های کم هزینه و تضمین اتصال (GCLC) اقدام خواهیم نمود. هدف این مسئله طراحی الگوریتمی می باشد که سبب خواهد شد تا ناحیه مورد نیاز تحت پوشش گره های پیاده سازی شده قرار گیرد. به علاوه، با توجه به ویژگی های تعریفی به وسیله تعداد زیادی از گره های پیاده شده در این شبکه، هزینه سیستمی نیز می بایست تا حد ممکن پایین باشد به گونه ای که کلیه گره ها قابلیت اتصال از طریق ویژگی های تک جهشی یا چند جهشی را داشته باشند. در این مقاله، یک رویکرد پیاده سازی جدید، تحت عنوان ACO-Greedy جهت حل مسئله GCLC پیشنهاد می شود. هدف رویکرد ما اجتناب از پدیدار شدن مسئله حفره انرژی، کاهش هزینه پیاده سازی، افزایش سرعت پوشش، و در نهایت حل بهتر مسئله GCLC می باشد. الگوریتم ACO-Greedy بر مبنای راهکار بهینه سازی کلونی مورچه (ACO) است، اما از طریق اضافه نمودن یک ویژگی جدید، یعنی مهاجرت حریصانه مورچه ها، قابلیت ارتقای ACO را نیز خواهد داشت. ACO به عنوان یک الگوریتم هوشمندانه تلقی می گردد که در آن قابلیت پدیدار شدن رفتارهای جمعی پیچیده از رفتار مورچه ها میسر خواهد بود. به عنوان یکی از الگوریتم های موفق و هوشمند «ازدحام / سوآرم»، چنین مؤلفه ای برای حل مسایل بهینه سازی ترکیبی NP ـ سخت کاملاً کارآمد خواهد بود، نظیر مسئله فروشنده دوره گرد (TSP) (Dorigo و Gambardella، ۱۹۹۷)، و مسئله تخصیص درجه دوم یا کوآدراتیک (QAP)، (Gambardella و همکاران، ۱۹۹۹). مسئله GCLC نیز به عنوان یک مسئله بهینه سازی ترکیبی قابل کاربرد تلقی می گردد، بنابراین ACO را می توان به عنوان یک مؤلفه مناسب برای حل این مسئله در نظر گرفت.
ادامه این مقاله به شرح ذیل سازماندهی شده است: (۱) ACO به صورت موفقیت آمیزی برای حل مسئله GCLC در WSNs بکار گرفته می شود. (۲) بر مبنای ایده توزیع گره غیریکنواخت، ما نسبت به طراحی مولفه شعاع حسگری / ارتباطاتی غیریکنواخت اقدام می نماییم که بر مبنای آن مشکل حفره انرژی به طور معنی داری تسکین یافته و چرخه عمر شبکه نیز به طور قابل توجهی ارتقاء خواهد یافت. (۳) با استفاده از طرح کارآمد انتخاب نقطه آبجکت در ACO، یک مقدار ابتکاری مشخص گردیده و قاعده به روزرسانی فرومون به صورت منطقی تعریف می گردد، که با توجه به آن تعداد کل حسگرهای پیاده سازی شده کاهش خواهد یافت. (۴) در ACO، برای اولین بار طرح مهاجرت حریصانه پیشنهاد می گردد، که در تعامل با تکمیل سریع پوشش بصورت کامل، و همچنین کاهش قابل توجه هزینه پیاده سازی خواهد بود.
ادامه این مبحث نیز به شرح ذیل می باشد. در بخش ۲، بررسی و بازنگری مرتبط با این مقاله ارائه می گردد. بخش ۳ ارائه دهنده ایده اصلی رویکرد ما است. الگوریتم پیشنهادی جدید با جزئیات آن در بخش ۴ ارائه می گردد. در بخش ۵، عملکرد رویکرد ما با استفاده از نتایج شبیه سازی مورد ارزیابی و تحلیل قرار خواهد گرفت. در نهایت بخش ۶ به نتیجه گیری می پردازد.
کلونی مهاجرت حریصانه گره شبکه حسگر بیسیم
۲- تحقیقات مرتبط
با توجه به مزیت های مختلف، نظیر سادگی، انعطاف پذیری، گسترش پذیری و قابلیت کاربرد، پیاده سازی گرید مبنا به طور گسترده ای در WSNs جهت حاصل آوردن ارتقای معنی دار بر حسب پوشش و اتصال پذیری شبکه بکار گرفته شده است (Moro و Monti، ۲۰۱۱، Fadi و Hossam، ۲۰۱۳). به علاوه، پیاده سازی گرید در صورتی که گره های حسگر گران تمام شوند و عملیات آنها به طور قابل توجهی تحت تأثیر موقعیت های آنها قرار داشته باشد به عنوان یک ضرورت مطرح خواهد شد. بنابر این، چنین موردی را می توان به عنوان یک رویه کاربردی گسترده قلمداد کرد که کاربردهای مختلفی در زمینه های گوناگون همانند نظارت بر ویژگی های سلامت هواپیما، کنترل آلایندگی ها، تشخیص آتش سوزی جنگلی و کنترل درختان چوب سرخ دارد (Fadi و Hossam، ۲۰۱۳). در این مبحث، پوشش WSNs گرید مبنا به طور گسترده ای مورد بررسی قرار گرفته است و رویکردهای مختلفی جهت حل برخی از مشکلات تجربی ارائه شده اند.
کلونی مهاجرت حریصانه گره شبکه حسگر بیسیم
۳- ایده اصلی
۳ـ۱٫ مدل سیستم
در این مقاله، ما برخی از فرضیات ساده، مشترک و واقعی را با توجه به این شبکه در نظر می گیریم:
یک چاهک یا ایستگاه مبنا وجود دارد که به صورت تصادفی در فیلد حسگری گرید مبنا واقع گردیده است. گره های حسگر و چاهک مربوطه همگی پس از پیاده سازی به صورت ثابت یا ایستگاهی خواهند بود.
کلیه گره های حسگر دارای انرژی اولیه یکسانی می باشند، در عین حال مقدار نامحدودی از انرژی برای چاهک مشخص می گردد.
…
۳ـ۲٫ ایده اصلی
در مدل WSN باینری، فیلد حسگری متشکل از نقاط گرید گسسته ای می باشد که بر روی آنها حسگرها را می توان پیاده ساخت و قابلیت تشخیص نقاط مورد نظر (PoIs) در محدوده شعاع حسگری نیز فراهم خواهد شد. هدف مسئله GCLC جستجوی برای یک راه حل است، یعنی مجموعه ای از تعداد کوچک نقاط تا حد ممکن از نقاط گرید کاندید، به گونه ای که یک گره قابلیت پیاده سازی بر روی هر نقطه گرید مجموعه مدنظر را داشته باشد. در نهایت، کلیه PoIها را می توان به وسیله گره های پیاده سازی شده تحت پوشش قرار داد. هر یک از اعضای این مجموعه تحت عنوان نقطه راه حل (PoS) خوانده می شود. به علاوه، هر PoS می بایست به وسیله یک جهش یا چندین جهش به چاهک متصل شود. به عنوان مثال، یک مدل WSN و یک راه حل به مسئله GCLC در شکل ۱ نشان داده شده اندَ، که در آن نقاط سیاه معرف PoIها و نقاط قرمز معرف PoSها هستند. در اینجا ستاره های سبز به عنوان چاهک مدنظر بوده و سایه ها معرف محدوده حسگری / ارتباطاتی گره ها می باشند.
کلونی مهاجرت حریصانه گره شبکه حسگر بیسیم
۴- توصیف الگوریتم
۴ـ۱٫ استراتژی انتخاب نقطه ـ آبجکت
هر مورچه اقدام به انتخاب یک نقطه با احتمال مشخص بر مبنای شدت فرومون و مطلوبیت اکتشافی می نماید. برای t اُمین تکرار، احتمال گذار آن مورچه از نقطه i به نقطه j به شرح ذیل خواهد بود:
۴ـ۲٫ استراتژی محدودسازی فرومون
به منظور ممانعت از رکود یا حالت ایستایی الگوریتم و یا همگرایی نابالغ در مقیاس های مختلف شبکه ها، فرآیند محدودسازی فرومون (Li و همکاران، ۲۰۱۰) به منظور محدودکردن مقدار فرومون در داخل محدوده های مشخص، عمدتاً tmin£tij£tmax، مدنظر می باشد.
۴ـ۳٫ طراحی شعاع حسگری ـ ارتباطاتی غیریکنواخت
توزیع گره به صورت غیریکنواخت به عنوان یک روش کارآمد برای تسکین مشکل حفره انرژی در WSNs به شمار می آید (Wu و همکاران، ۲۰۰۸). به منظور حل مسئله حفره انرژی، ما از راهکار پیاده سازی گره غیریکنواخت جهت قرار دادن گره های بیشتر در آن دسته از ناحیه هایی اقدام می نماییم که دارای ترافیک بیشتری می باشند، بنابراین، قابلیت ایجاد چگالی های گره مختلف در نواحی متفاوت را خواهیم داشت. علی الخصوص، ما قابلیت باریک سازی شعاع ارتباطاتی و یا شعاع حسگری گره ها که نزدیک به چاهک هستند را خواهیم داشت. به عبارت دیگر، این ویژگی با توجه به دوری یا نزدیکی به چاهک متفاوت خواهد بود. چنین موردی متفاوت از رویکردهای مرتبط با مسئله GCLC با توجه به ویژگی های WSNs گرید مبنا می باشد که در مبحث EasiDesign (Li و همکاران، ۲۰۱۰) و ACO-TCAT (Liu، ۲۰۱۲) مطرح شده است.
۴ـ۴٫ طرح مهاجرت حریصانه مورچه ها
تعریف ۲٫ (PoO): در ACO، در صورتی که یک مورچه از نقطه i به نقطه j بر مبنای احتمال فرمول (۵) حرکت نماید، نقطه i به صورت یک PoO (نقطه مبدأ یا منشأ) تعریف می گردد.
تعریف ۳٫ (PoD): در ACO، در صورتی که مورچه از نقطه i به نقطه j بر مبنای احتمال فرمول (۵) حرکت نماید، نقطه j به عنوان PoD (نقطه مقصد) تعریف می گردد.
۴ـ۵٫ فلوی الگوریتمی
فلوی الگوریتمی ACO-Greedy در الگوریتم یک نشان داده شده است.
الگوریتم ۱٫ ACO-Greedy
کلونی مهاجرت حریصانه گره شبکه حسگر بیسیم
۵- ارزیابی عملکرد
۵ـ۱٫ توصیف اصلی
در این بخش، ما نسبت به ارزیابی عملکرد راهکارهای پیاده سازی گرید مبنا برحسب هزینه پیاده سازی، تراز بار، و چرخه عمر شبکه اقدام می نماییم. در هر مورد، ما رویکرد خود را با استفاده از زبان برنامه نویسی C ++ 6.0 مورد تحلیل و اعتبارسنجی قرار خواهیم داد. متعاقباً، ما خواص روش های مختلف را بر مبنای برخی از نتایج عددی که با استفاده از شبیه سازی های گسترده مشخص شده اند را مورد بحث قرار می دهیم.
EasiDesign (Li و همکاران، ۲۰۱۰)، ACO-TCAT (Liu، ۲۰۱۱) و ACO-TCAT دارای برخی از مشابهت ها هستند، شامل ویژگی های ACO-based مبنا، گرید مبنا و جستجوی کم هزینه پوشش و موارد دیگر. بنابراین، ما اقدام به مقایسه این سه الگوریتم بر حسب عملکردهای مختلف می نماییم. به منظور حفظ سادگی آزمایش، ما صرفاً محیط مسطح بدون مانع را در نظر می گیریم.
۵ـ۲٫ میانگین هزینه پوشش
میانگین هزینه پوشش رویکردهای مختلف در شکل ۴ مقایسه شده است، که در آن مقدار محور افقی نشان دهنده موقعیت چاهک است که به وسیله (x, y) تعیین گردیده است. از این شکل، می توان به طور آشکار دریافت که چنین موردی نیازمند گره های پیاده شده بیشتری در EasiDesign در مقایسه با مورد مشابه در دو الگوریتم دیگر می باشد. چنین موردی را می توان در تعامل با طرح های مهاجرت در ACO-TCAT و ACO-Greedy برشمرد که هر دوی آنها سبب باریک شدگی آشکار فضای جستجو می شوند. در بیشتر موارد، هزینه پوشش در ACO-Greedy بزرگتر از این هزینه در ACO-TCAT می باشد. علت این امر به واسطه آن است که طرح مهاجرت حریصانه در ACO-Greedy می تواند به طور معنی داری سبب کاهش تعداد گره های پیاده سازی شده شود.
۵ـ۳٫ مقایسه مصرف انرژی
شکل ۵ عملکرد رویکردهای مختلف بر حسب انرژی باقیمانده پس از ۲۵ دور انتقال اطلاعات را مقایسه می نماید. برای سادگی، ما ۱۰ گره پیاده سازی شده اول را انتخاب می نماییم که به طور کلی نزدیک چاهک قرار گرفته و دارای مسئولیت های زیادی هستند. چنین موردی از این شکل بازتاب می یابد که مقادیر انرژی باقیمانده گره های مختلف در EasiDesign و ACO-TCAT به طور معنی داری متفاوت می باشند، در حالی که موارد تغییر در ACO-Greedy به صورت نسبتاً یکنواختی می باشند. بنابراین، در مقایسه با الگوریتم های دیگر، الگوریتم ACO-Greedy قابلیت بیشتری در خصوص تراز بار کاری هر گره و اجتناب از حفره انرژی دارد. دلیل این امر عمدتاً طراحی شعاع حسگری / ارتباطاتی غیریکنواخت می باشد که منجر به پیاده سازی ناهموار گره خواهد شد.
۵ـ۴٫ مقایسه نسبت گره های بازمانده
به منظور مطالعه زمان پدیداری حفره انرژی و میزان تراز بار، رویکردهای مختلف با توجه به نسبت گره های بازمانده در شکل ۶ مقایسه شده اند. با توجه به مدل مصرف انرژی همانند مورد فوق، از این شکل می توان اینگونه دریافت که اولین گره در مقایسه با الگوریتم های دیگر در الگوریتم ACO-Greedy دیرتر از بین خواهد رفت. به عبارت دیگر، الگوریتم ACO-Greedy به احتمال کمتری در معرض حفره انرژی خواهد بود. علت این امر طرح پیاده سازی غیریکنواخت گره برای رویکرد ما می باشد که در بالا ذکر شد. در مقایسه با الگوریتم های دیگر، از شکل های ۵ و ۶ می توان اینگونه استنباط نمود که قابلیت تراز بار به طور معناداری در الگوریتم ACO-Greedy ارتقا می یابد.
کلونی مهاجرت حریصانه گره شبکه حسگر بیسیم
۶- نتیجه گیری
در این مقاله، مشکل GCLC در WSNs مدنظر قرار گرفته و یک رویکرد پیاده سازی جدید تحت عنوان ACO-Greedy جهت حل این مسئله ارائه شده است. هدف این الگوریتم بکارگیری تعداد محتمل حداقلی حسگرها جهت تحت پوشش قرار دادن PoIهای از قبل تعیین شده و حفظ اتصال ارتباطاتی در یک محیط حقیقی می باشد. به علاوه، حفره انرژی را می بایست تا حد ممکن کنترل نمود. به همین دلیل، طرح شعاع حسگری / ارتباطاتی غیریکنواخت جهت تسکین مشکل حفره انرژی و امتداد چرخه عمر شبکه پیشنهاد شده است. به علاوه، طرح مهاجرت حریصانه نیز جهت تکمیل سریع پوشش کامل و کاهش متعاقب هزینه پوشش پیشنهاد شد. از نکته نظر تحلیل تئوریکی و نتایج شبیه سازی مشخص می گردد که رویکرد ما نه تنها قابلیت حفظ اتصال پذیری شبکه و میزان مصرف متوازن نیرو را خواهد داشت، بلکه قابلیت کاهش هزینه پیاده سازی را نیز میسر می سازد.
به علاوه ما نسبت به بررسی برخی از مسایل دیگر با توجه به الگوریتم پیاده سازی در آینده اقدام خواهیم نمود که شامل میزان تداخل سیگنال، ارتباط بین محدوده ارتباطاتی و برخورد پاکت، روش شبیه سازی و موارد دیگر خواهد بود.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
