الگوریتم خوشه بندی برای شبکه های حسگر بی سیم با بهره وری انرژی
چکیده
خوشه‌بندی در شبکه‌های حسگر بی‌سیم (WSN) با حفظ بهره‌وری انرژی یک مسئله بهینه‌سازی NP-hard است. برای طراحی مکانیزم‌های خوشه‌بندی با حفظ بهره‌وری انرژی در WSNها از حوزه‌های مختلف هوش محاسباتی (CI) از جمله الگوریتم‌های تکاملی (EA)، یادگیری تقویتی (RL)، سیستم‌های ایمنی مصنوعی (AIS) و جدیدتر از همه کلونی مورچه مصنوعی (ABC) استفاده شده است. به دلیل کاربرد آسان و ماهیت تطبیقی ABC، این الگوریتم از سایر الگوریتم‌های فرااکتشافی مبتنی بر جمعیت، محبوبیت بیشتری برای حل مسائل بهینه‌سازی در WSN پیدا کرده است. اما معادله جستجوی این الگوریتم که در اکتشاف نسبتاً ضعیف است و نیاز به ذخیره یک سری پارامتر کنترلی دارد، منجر به ناکارآمدی آن شده است. بنابراین ما یک الگوریتم فراتکاملی کلونی زنبور عسل بهبود یافته (iABC) را ارائه می‌دهیم که معادله جستجوی آن برای افزایش قابلیت‌های اکتشافی الگوریتم، بهبود یافته است. بعلاوه ما برای افزایش نرخ همگرایی سراسری متاهیوریستک پیشنهادی، یک تکنیک نمونه برداری جمعیتی پیشرفته از طریق توزیع تی – استیودنت ارائه می‌دهیم که فقط به محاسبه و ذخیره یک پارامتر کنترلی نیاز دارد و به همین دلیل بهره‌وری روش فراتکاملی پیشنهادی را افزایش می‌دهد. روش فراتکاملی پیشنهادی همزمان با داشتن حداقل میزان نیاز به حافظه، منجر به حفظ تعادل بین اکتشاف و بهره برداری می‌شود. بعلاوه استفاده از توزیع تی – استیودنت فشرده که برای اولین بار مطرح می‌شود، این الگوریتم را با نیازهای سخت‌افزاری محدود WSN مناسب کرده است. همچنین یک پروتکل خوشه‌بندی با بهره‌وری انرژی بر اساس روش فراتکاملی iABC معرفی می‌کنیم که از قابلیت‌های روش فراتکاملی ذکر شده برای پیدا کردن سرخوشه بهینه و بهبود بهره‌وری انرژی در WSN استفاده می‌کند. نتایج شبیه سازی‌ها نشان می‌دهد که پروتکل خوشه‌بندی پیشنهادی از نظر تحویل بسته‌ها، توان عملیاتی، مصرف انرژی، طول عمر شبکه و تاخیر (که به عنوان معیار کارایی در نظر گرفته شده) بهتر عمل می‌کند.
Abstract
Energy efficient clustering is a well accepted NP-hard optimization problem in Wireless sensor networks (WSNs). Diverse paradigm of Computational intelligence (CI) including Evolutionary algorithms (EAs), Reinforcement learning (RL), Artificial immune systems (AIS), and more recently, Artificial bee colony (ABC) metaheuristic have been used for energy efficient clustering in WSNs. Due to ease of use and adaptive nature, ABC arose much interest over other population-based metaheuristics for solving optimization problems in WSNs. However, its search equation, which is comparably poor at exploitation and require storage of certain control parameters, contributes to its insufficiency. Thus, we present an improved Artificial bee colony (iABC) metaheuristic with an improved solution search equation to improve its exploitation capabilities. Additionally, in order to increase the global convergence of the proposed metaheuristic, an improved population sampling technique is introduced through Student0 s − t distribution, which require only one control parameter to compute and store, hence increase efficiency of proposed metaheuristic. The proposed metaheuristic maintain a good balance between exploration and exploitation search abilities with least memory requirements, moreover the use of first of its kind compact Student0 s − t distribution, make it suitable for limited hardware requirements of WSNs. Further, an energy efficient clustering protocol based on iABC metaheuristic is introduced, which inherit the capabilities of the proposed metaheuristic to obtain optimal cluster heads (CHs) and improve energy efficiency in WSNs. Simulation results shows that the proposed clustering protocol outperforms other well known protocols on the basis of packet delivery, throughput, energy consumption, network lifetime and latency as performance metric.
چکیده
1. مقدمه
2. کارهای مرتبط
3. روش های فراتکاملی استاندارد الگوریتم کلونی زنبور عسل (ABC)
3-1 مرحله شروع به کار
3-2 مرحله به کارگیری زنبور کارگر
3-3 مرحله زنبور ناظر
3-4 مرحله زنبور دیده بان
4. انواع الگوریتم ABC
5. سهم نویسنده
6. الگوریتم فراتکاملی بهبود یافته کولونی زنبور (iABC)
6-1 مرحله بهبود یافته آغاز به کار
6-2 معادله جستجوی بهبود یافته راهکار
7. روش Beecluster- پروتکل پیشنهادی خوشه بندی
7-1 نشانه گذاری ها برای مدل شبکه
7-2 موقعیت بهینه BS
7-3 مرحله انتخاب بهینه CH
7-4 مرحله تشکیل خوشه
7-5 مرحله ارسال داده
8. نتایج شبیه سازی و بحث
9. نتیجه گیری
منابع
Abstract
1. Introduction
2. Related work
3. Standard artificial bee colony (ABC) metaheuristic
3.1. Initialization Phase
3.2. Employed Bee Phase
3.3. Onlooker Bee Phase
3.4. Scout Bee Phase
4. ABC variants
5. Author's contribution
6. Improved artificial bee colony (iABC) metaheuristic
6.1. Improved Initialization Phase
6.2. Improved solution search equation
7. Beecluster - proposed clustering protocol
7.1. Notations for network model
7.2. Optimal BS position
7.3. Optimal CH selection phase
7.4. Cluster Formation phase
7.5. Data Transmission phase
8. Simulation results and discussion
9. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه