فایل ورد کامل الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم با کارایی انرژی مبنی بر روشی فراابتکاری پیشرفته

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم با کارایی انرژی مبنی بر روشی فراابتکاری پیشرفته،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۵ صفحه

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.

– نتیجه گیری

این مقاله روش فراتکاملی iABC را براساس اولین cPDF نوع Student-t خود و معادله جستجوی بهبود یافته راهکار الهام گرفته شده از DE به نام ABC/rand-to-opt/1 را به منظور بهبود قابلیت های بهره برداری و نرخ همگرایی فراتکاملی ABC ارائه می کند. به منظور نمایش بهبود، فراتکاملی پیشنهادی براساس توابع معیار تک و چند حالته با فراتکاملی استاندارد مورد ارزیابی قرار گرفته است. همچنین روش Beencluster پیشنهاد داده شده است که یک پروتکل خوشه بندی براساس فراتکاملی پیشنهادی برای شبکه های WSN است که CHهای بهینه را براساس معادله جستجوی بهبود یافته و یک تابع تناسب موثر انتخاب می کند. علاوه بر این، موقعیت بهینه BS از طریق ارزیابی تحلیلی معادلات انرژی در شبکه های WSN محاسبه شده است. در نهایت، عملکرد پروتکل پیشنهادی با پروتکل های برای اثبات اعتبار آن براساس معیارهای مختلف مقایسه شده است. نتایج شبیه سازی نشان می دهد که روش Beecluster تقریباً بین تا درصد انرژی کمتری نسبت به پروتکل های دیگر مصرف می کند و طول عمر شبکه را به میزان تا درصد افزایش می دهد و درعین حال بیشترین تعداد پکت را با حداقل تاخیر انتها به انتها در سناریوهای مختلف شبکه WSN تحویل می دهد. اهمیت موقعیت بهینه BS نیز با کاهش درصد در مصرف انرژی در طی تغییر مسافت با تعداد نودهای حسگر مورد تحلیل قرار گرفته است. پروتکل پیشنهادی می بایست در سناریو واقعی از نودهای حسگر پیاده سازی شود تا عملکرد واقعی آن ارزیابی شود.

عنوان انگلیسی:Energy efficient clustering protocol based on improved metaheuristic in wireless sensor networks~~en~~

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.

– Conclusions

This paper presents an iABC metaheuristic, based on first of its kind student’s-t cPDF and DE inspired improved solution search equation ABC/rand-to-opt/1, to improve exploitation capabilities a well as convergence rate of existing ABC metaheuristic. To demonstrate its improvement, we evaluated the proposed metaheuristic on scalable uni-modal and multi-modal benchmark functions with standard metaheuristic. Further, we proposed Beecluster, a clustering protocol based on the proposed metaheuristic for WSNs, which selects optimal CHs based on an improved search equation and an efficient fitness function. In addition to this , we calculated optimal position of BS, through analytical evaluation of energy equations in WSNs. At last we compare the performance of the proposed protocol with other protocols to prove its validness over various performance metrics. Simulation results show that Beecluster consumes approximately 29 % to 127% less energy as compared to other protocols and prolong network life approximately by 14 % to 19 % while delivering highest number of packets with minimum end-to-end delay in diverse WSNs scenarios. The significance of optimal BS position is also analysed with percentage reduction in energy consumption over varying distance with number of sensor nodes. Further, the proposed protocol needs to be implemented on real test bed scenario of sensor nodes, which are deployed to work on a real world application framework to judge its performance.

$$en!!