پروتکل مسیریابی مبنی بر الگوریتم ژنتیک برای شبکه های جمع آوری انرژی حسگر بی سیم

چکیده

پروتکل های مسیریابی سنتی دیگر مناسب شبکه های جمع آوری انرژی حسگر بی سیم (EH-WSN) که توسط انرژی حاصل از محیط زیست به جای باتری ها تغذیه می شوند؛ نیستند. به جای به حداقل رساندن مصرف انرژی و به حداکثر رساندن طول عمر شبکه، چالش اصلی در EH-WSN به حداکثر رساندن عملکرد کار  تحت محدودیت های جمع آوری انرژی است. در این مطالعه، نویسندگان یک نیروی کارآمد الگوریتم مسیریابی متمرکز بر اساس جمع آوری انرژی ژنتیکی مبتنی بر الگوریتم مسیریابی خوشه بندی نابرابر عملکرد بهینه تطبیقی (EHGUC-OAPR) را پیشنهاد کردند که شامل دو بخش است: (1) جمع آوری انرژی ژنتیکی مبتنی برالگوریتم خوشه بندی نابرابر EHGUCو (2) الگوریتم مسیریابی تطبیقی  بهینه عملکرد (OAPR). اول، ایستگاه پایه (BS) از الگوریتم EHGUC برای تشکیل خوشه از اندازه نابرابر و انتخاب سر خوشه مرتبط استفاده می کند که در آن خوشه های نزدیک به BS اندازه کوچکتر دارند. سپس، BS الگوریتم OAPR را برای ساخت مسیریابی بهینه در هر سر خوشه اتخاذ می کند. نتایج عددی نشان می دهد که EHGUC-OAPR نه تنها به خوبی به کار EH-WSN می آید، بلکه دارای یک بهبود بزرگ در تعادل انرژی شبکه و نسبت تحویل داده است. 

1. مقدمه

شبکه های حسگر بی سیم سنتی همیشه توسط باتری ها برای استفاده آسان طراحی شده اند. با این حال، به دلیل ظرفیت محدود باتری، به حداکثر رساندن عمر شبکه به مهم‌ترین چالش مورد مطالعه در شبکه های حسگر بی سیم تبدیل شد. پژوهش پروتکل مسیریابی یکی از روش های اصلی افزایش عمر شبکه است؛ زیرا به طور کلی قدرت انتقال بخش عمده تلفات توان گره های حسگر بی سیم است کلاس جدیدی از شبکه های حسگر بی سیم که انرژی از محیط زیست (انرژی خورشیدی، باد، ارتعاش و غیره) برداشت می کنند دلیل توانایی های ذاتی خود از خود کفا بودن در حال ظهور است [1-3]. هنگامی که تلفات توان کمتر از قدرت برداشت در چرخه کار خاص است، شبکه های جمع آوری انرژی حسگر بی سیم (EH-WSN) هرگز به جز در زمان خراب شدن سخت افزاری از سرویس خارج نمی شوند. بنابراین هدف از بهینه سازی مسیریابی در EH-WSN دیگر گسترش طول عمر شبکه نیست، بلکه، به حداکثر رساندن حجم کار کردن است که می تواند بطور خودکار تحت محدودیت های قدرت محیط زیست داده شده پایدار شود. به تازگی چندین روش اختصاصی پیشنهاد شده است [4، 5]. به این معنا که گره با نرخ جمع آوری انرژی بالاتر (به عنوان مثال گره هایی که بیشتر در معرض نور خورشید هستند) بیشتر برای رله بسته ها به ایستگاه پایه نسبت به آنهایی که نرخ پایین تری دارند ترجیح داده می شود. Zhi و همکاران. [6] یک پروتکل مسیریابی فرصت طلب (EHOR) برای EH-WSN طراحی کرده اند که از روش فضاسازی برای گروه گره ها استفاده کرده و انرژی باقی‌مانده گره و فاصله از فرستنده را در نظر گرفته اند. در [7، 8]، یک مدل انرژی سلول‌های خورشیدی با مسیریابی جغرافیایی به منظور بهبود عملکرد شبکه ترکیب شده است. راه حل دیگر توسط Bogliolo و همکاران ارائه شده است. [9] و بیشتر در [10]، ایده اصلی این است که شبکه به عنوان یک شبکه جریان مدل شده و راه حل با حل‌کردن مشکل حداکثر جریان برای به حداکثر رساندن توان عملیاتی بدست آید. همانطور که در تمام این دستاوردها وجود دارد، گره های بی سیم باید برخی از ارتباطات و محاسبات را در سطحی خاص در مرحله تشکیل مسیریابی که حساس به گره خود است [11]، پردازش کنند. بنابراین یک الگوریتم متمرکز در حال اجرا در ایستگاه پایه (BS) با ایجاد همبستگی با مصرف انرژی، جمع آوری انرژی و قابلیت اطمینان انتقال بسته نفعی بزرگ برای گره های بی سیم دارد که آنها را در کسب داده ها و انتقال مقرون به صرفه تر می کند.بر روی الگوریتم ژنتیک (GA) و الگوریتم تکامل تا حد زیادی تحقیق شده و در پروتکل مسیریابی شبکه های حسگر بی سیم (WSN) مورد استفاده قرار گرفته اند [12-15]، برای بهینه‌سازی عملکرد شبکه، عمدتا بر طراحی تابع تناسب تمرکز شده است. در میان تمام تحقیقات، پروتکل‌های خوشه‌بندی مبتنی بر بهینه سازی ژنتیکی برخی از توجه ها [16، 17] را به خود جلب کرد ه اند، این روش دارای مزایای کاهش اتلاف انرژی و افزایش طول عمر سیستم به طور موثر، همچنین بهبود تخصیص منابع و پهنای باند قابلیت استفاده مجدد می باشد.

Abstract

Traditional routing protocols are no longer suitable for the energy harvesting-wireless sensor networks (EH-WSN), which is powered by the energy harvested from environment instead of batteries. Rather than minimising the energy consumption and maximising the network lifetime, the main challenge in EH-WSN is to maximise its working performance under energy harvesting constraints. In this study, the authors propose a centralised power efficient routing algorithm energy harvesting genetic-based unequal clustering-optimal adaptive performance routing algorithm (EHGUC-OAPR) which contains two parts: (i) energy harvesting genetic-based unequal clustering algorithm EHGUC and (ii) optimal adaptive performance routing algorithm (OAPR). First, the base station (BS) uses EHGUC algorithm to form clusters of unequal size and select associated cluster heads, in which the clusters closer to the BS have smaller size. Then, the BS adopts OAPR algorithm to construct an optimal routing among each cluster heads. The numerical results show that EHGUC-OAPR is not only well applied to EH-WSN, but also has a great improvement in network energy balance and data delivery ratio.

1 Introduction

Traditional wireless sensor network is always powered by batteries for easy to use. However, because of the limited battery capacity, maximising network lifetime become the most important challenge being studied in wireless sensor network. Routing protocol research is one of the main approaches of extending network life because generally the transmission power is the major component of wireless sensor node’s power dissipation. A new class of wireless sensor network that harvest energy from the environment (solar, wind, vibration etc.) is emerging because of its intrinsic capability of self-sustainable [1–3]. When the power dissipation is less than the power harvested in a specific working cycle, the energy harvesting-wireless sensor networks (EH-WSN) would never break down expect for hardware failure. So the objective of routing optimisation in EH-WSN no longer be extending network lifetime, but be maximising the workload that can be autonomously sustained by it under given environment power constraints. Recently several dedicated approaches have been proposed [4, 5]. That is, nodes with higher energy harvesting rates (e.g. nodes that are exposed to more sunlight) are more preferable for relaying packets to the base station than those with lower rates. Zhi et al. [6] have designed an opportunistic routing protocol (EHOR) for EH-WSN, which uses a regioning approach to group nodes and takes residual energy of node and distance from sender into consideration. In [7, 8], a solar cell energy model is incorporated into geographic routing to improve network performance. Another solution is proposed by Bogliolo et al. [9] and further extended in [10], the main idea is to model the network as a flow network and obtain the solution by solving the maxflow problem to maximise throughput. As in all these achievements, wireless nodes have to process some communications and computations on a certain level in the routing forming stage, which is sensitive to the node itself [11]. So a centralised algorithm running in the base station (BS) by building the correlation of power consumption, energy harvesting and packet transmitting reliability would do a great favour to the wireless nodes, which makes them more economical in data acquisition and transmission. Genetic algorithm (GA) and evolution algorithms have been greatly researched and applied in the routing protocol of wireless sensor networks (WSN) [12–15], the focus is mainly concentrated on the design of fitness function to optimise network performance. Among all the research, genetic optimization-based clustering protocol has gained some attention [16, 17], this approach has the advantages of reducing energy dissipation and enhancing system lifetime effectively, as well as enhancing resource allocation and bandwidth reusability.

چکیده

1. مقدمه

2. مدل سیستم و فرمولاسیون مسئله

2.1 مدل شبکه

2.2 مدل رادیو

2.3 مدل انرژی

3. الگوریتم EHGUC-OAPR

3.1 فاز تنظیم

3.2 الگوریتم EHGUC

3.3 الگوریتم OAPR

3.4 تنظیم خوشه و به روز رسانی مسیر یابی

4. شبیه سازی و تجزیه و تحلیل

5. نتیجه گیری

Abstract

1 Introduction

2 System model and problem formulation

2.1 Network model

2.2 Radio model

2.3 Energy model

3 EHGUC-OAPR algorithm

3.1 Set-up phase

3.2 EHGUC algorithm

3.3 OAPR algorithm

3.4 Cluster adjustment and routing update

4 Simulation and analysis

5 Conclusions