بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
افزایش طول عمر شبکه حسگر بی سیم با استفاده از الگوریتم ترکیبی زنبور عسل با منطق فازی
چکیده
شبکه حسگر بی سیم، شبکه ای شامل صدها یا هزاران حسگر با محدودیت محاسباتی، انرژی و حافظه هستند.. در شبکههای حسگر بیسیم، پروتکلهای مسیریابی مبتنی بر خوشهبندی از طریق تقسیم گرههای همسایه به خوشههای مجزا و انتخاب سرخوشههای محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گرههای شبکه، بهترین کارایی را از لحاظ افزایش طول عمر، کاهش مصرف باتری و سایر پارامترها را در مقایسه با سایر روشهای مسیریابی به دست میآورند. با این وجود، بیشتر پروتکلهای خوشهبندی ارایه شده تاکنون، تنها نزدیکی جغرافیایی(همسایگی) را به عنوان پارامتر تشکیل خوشهها در نظر گرفتهاند. در این نوع شبکه ها گره های حسگر برای تامین انرزی خود به باتری هایی با توان اندک وابسته می باشند. در این تحقیق، با ترکیب الگوریتم زنبورعسل با منطق فازی طول عمر شبکه حسگر بی سیم را افزایش داده ایم که با استفاده از منطق فازی بهترین گره ها را بر اساس پارامترهای تعداد همسایه ها، مرکزیت، میزان انرژی باقیمانده، و تعداد دفعاتی که گره سرخوشه نبوده است، را بعنوان سرخوشه انتخاب و با استفاده از الگوریتم زنبور عسل اقدام به ارسال داده ها برای سرخوشه ها می نمائیم.
کلمات کلیدی: شبکه های حسگر بی سیم، خوشه بندی، الگوریتم زنبور عسل، منطق فازی، افزایش طول عمر، کاهش مصرف
-1 مقدمه
شبکه حسگر بی سیم، نسل جدیدی از سیستم های تعبیه شده بلادرنگ با محدودیت محاسباتی، انرژی و حافظه هستند.[1] این گره های حسگر کوچک شامل سه بخش حسگر، پردازنده و واحد فرستنده/گیرنده میباشند. ارتباط بین حسگرها اغلب از طریق یک کانال رادیویی صورت می پذیرد. بطور کلی یک شبکه حسگر بی سیم شامل تعداد زیادی گره حسگر است که برای اندازه گیری و سنجش یک پارامتر، داده های آنها بصورت دسته جمعی مورد تحلیل و بررسی قرار داده می شود. هدف اصلی در شبکه های حسگر بی سیم نظارت و کنترل شرایط، تغییرات جوی، فیزیکی و یا شیمیایی در محیطی با محدوده معین می باشد.[2] در این مقاله مسیریابی مبتنی بر خوشه بندی مورد توجه می باشد. بیشتر روشهای خوشه بندی مبتنی بر نزدیکی جغرافیایی هستند. در [3] خوشه بندی براساس تعداد گره ها و نحوه مدیریت داخلی خوشه ها، اندازه خوشه ها و نیز میزان
همپوشانی خوشه ها مد نظر قرار گرفته است. در [4] انتخاب سرخوشه بصورت تصادفی صورت می گیرد که به هر گره یک عدد تصادفی بین صفر و یک نسبت داده می شود و با میزان آستانه سرخوشه مقایسه می شود. گرهی به عنوان سرخوشه انتخاب می شود که عدد تصادفی آن کمتر از اندازه آستانه باشد. در [5] برای انتخاب سرخو شه ها از ترکیب هزینه های انرژی و ارتباطاتی بین گره ها استفاده می شود. ولی روش پیشنهاد شده در این مقاله با کارهای قبلی دارای این تفاوت است که انتخاب سرخوشه ها براساس معیارهای تعداد همسایه ها، مرکزیت، میزان انرژی باقیمانده، و تعداد دفعاتی که گره سرخوشه نبوده است، بدست می آید.
منطق فازی راهکاری است که به وسیله آن می توان سیستم های پیچیده را با آسانی و با انعطاف بسیار بیشتر مدلسازی کرد بهمین جهت در این مقاله برای انتخاب سرخوشه ها از منطق فازی استفاده می کنیم و سپس برای مبادله اطلاعات الگوریتم زنبور عسل را بکار می بریم. ادامه مقاله بصورت زیر می باشد: در قسمت (2) فازهای راهکار پیشنهادی ارائه شده است. در قسمت (3) نتایج شبیه سازی و در قسمت (4) نتیجه گیری ارائه شده است.
-2 فازهای راهکار پیشنهادی
-1-2 فاز یک : انتخاب مجموعه سرخوشه مناسب
در این مرحله سرخوشه ها انتخاب و به دنبال آن اعضای سرخوشه ها تعیین می شوند. در این مرحله، هر پارامتر شانس خود را با منطق فازی و براساس توصیف های تعداد همسایه ها، مرکزیت، میزان انرژی باقیمانده، و تعداد دفعاتی که گره سرخوشه نبوده است، بدست می آورد. گره هایی که قابلیت بالاتری دارند بعنوان کاندیدای سرخوشه معرفی می شوند که این امر از ارسال اطلاعات گره هایی که قابلیت سرخوشه بودن را ندارند جلوگیری می کند. سرخوشه های انتخاب شده، سرخوشه شدن خود را با ارسال پیامی به همسایگان خود اطلاع می دهند .حسگرهای عادی پیغام های دریافت شده را بررسی می کنند و سرخوشه ای را که تعداد گام کمتری با حسگر جاری فاصله داشته باشد بعنوان سرخوشه مربوط به این حسگر عادی انتخاب می کند و چنانچه بیش از یک سرخوشه با این مشخصات وجود داشته باشد یکی از این سرخوشه ها بصورت تصادفی انتخاب خواهد شد. ایستگاه پایه به ازاء هر خوشه، جدولی برای دستیابی چند گانه با تقسیم زمانی ایجاد کرده و این جدول نیز به سرخوشه ها ارسال می گردد، جدول TDMA برای زمانبندی انتقال داده های گره های حسگر بکار میرود و نیز به گره های حسگر امکان میدهد تا رسیدن برش زمانی مربوط به خود، آنتن رادیویی خود را خاموش کرده و انرژی خود را ذخیره کنند.
-2-2 فاز دوم: انتقال
در این گام اعضای خوشه داده های بدست آمده را به سرخوشه براساس زمانبند TDMA ارسال کرده و پس از دریافت کامل اطلاعات، سرخوشه ها عمل فشرده سازی داده ها را انجام داده و به سرخوشه های همجوار ارسال می کنند.
-3-2 فاز سوم: کنترل فازی
منطق فازی منطق افکار انسانی است که انعطاف پذیری بیشتری نسبت به محاسباتی دارد که کامپیوترها انجام میدهند. منطق فازی، ویژگیهای منحصر به فرد مختلفی را برای مسائل کنترلی ارائه میدهد .این موضوعذاتاً انعطاف پذیر نیست زیرا نیاز به ورودیهای دقیق ندارد و ممکن است به راحتی با برنامه نویسی با شکست مواجه شود.[6]
ما از سیستم فازی شکل 1 استفاده می کنیم:
شکل -1 اجزای سیستم فازی
در روش پیشنهادی مدل فازی استفاده شده مدل معروف ممدانی است. پارامترهای ورودی در کنترل کننده منطق فازی در روش پیشنهادی شامل موارد زیر است: تعداد همسایه ها، مرکزیت، میزان انرژی باقیمانده، تعداد دفعاتی که گره سرخوشه نبوده است.جهت محاسبه تعداد همسایه ها، هر حسگر در ابتدای شروع کار شبکه پیام ADV خود را در شعاعی مشخص برای گره های همسایه ارسال می کند. بدین ترتیب هر حسگر با توجه به انرژی سیگنال دریافتی، تعداد همسایه های خود را محاسبه می کند. برای محاسبه مرکزیت، هر گره فاصله اش را با همسایگان خود که در شعاع m قرار دارند، محاسبه می کند و مجموع آنها مشخص کننده مقدار متغیر مرکزیت می باشد. هر چه این عدد کمتر باشد، گره مرکزیت بیشتری دارد و همچنین به منظور مصرف انرژی توزیع شده، شانس یک گره برای سرخوشه شدن با افزایش دورهایی که آن گره سرخوشه نبوده بیشتر می شود.
متغیرهای زبانی برای هر یک ورودیها عبارتند از:
تعداد همسایه ها
مرکزیت {center , med , far} =
میزان انرژی باقیمانده {low , med , high} =
تعداد دورهایی که گره سرخوشه نبوده است {low , med , high} =
-1-3-2 محاسبه توابع عضویت
مجموعه های فازی با محدودهای از مقادیر واقعی به نام دامنه و تابع عضویت توصیف میشوند که مجموعه به آنها نگاشت میشود. یک تابع عضویت یک مقدار صحیح ( دقیق ) بین 0 و 1 را به یک نقطه در دامنه مجموعه ی فازی اختصاص میدهد. یک مجموعه فازی کاملاً بوسیله تابع عضویت خود توصیف می گردد. لیست کردن تمام زوج های تعریف کننده یک تابع عضویت ، کاری غیر عملی است یک راه مختصر و مفید تر بیان آن بصورت یک فرمول ریاضی است. مشهورترین این فرمولها عبارتند از : زنگوله ای ، مثلثی و قطعه به قطعه درجه 2 ، یک مسئله را می توان با تمام روشهای فوق نشان داد ولی با دقت های متفاوت.
ما در اینجا از فرمول مثلثی استفاده می کنیم، یک تابع عضویت مثلثی بوسیله 3 پارامتر A و B وC بصورت زیر مشخص می شود.
شکل -2 نمودار تابع عضویت
و فرمول آن بصورت زیر می باشد
حال برای هر یک از پارامترهای فازی یک مجموعه جهانی (X) در نظر می گیریم و ها را از روی فرمول مثلثی بالا مشخص می کنیم بعنوان مثال:
تعداد همسایه ها Low
تعداد همسایه ها Med
تعداد همسایه ها High
10 همسایه زیاد است، 8 همسایه 0,8 زیاد و 6 همسایه 0,6 زیاد است.
شکل 3 شمای کلی استفاده از توابع ورودی و خروجی و فرمول ممدانی را نشان می دهد.
شکل -3 شمای کلی توابع ورودی و خروجی و فرمول ممدانی
توابع عضویت که مقادیر دقیق را به مقادیر فازی تبدیل می کنند در شکل 4 نشان داده شده است.
شکل -4 توابع عضویت ورودی
در اینجا نیاز به فرمولی داریم که مقادیر N1 تا Nn را محاسبه کرده (گره ها) تا در انتها متوجه شویم که بایستی کدامیک از گره ها بعنوان سرخوشه انتخاب شود که از روشهای استدلال فازی می توانیم استفاده کنیم برخی از روشهای استدلال فازی روش ممدانی ، روش تاکاچی و ... می باشند ، که از بین اینها روش ممدانی بهتر عمل می کند و این روش ساختار داده ای از اعمال Min و Max است.
طبق این فرمول N1 تا Nn را محاسبه می کنیم
بعد از اعمال فرمول ممدانی نتایج بصورت جدول 1 بدست می آید.
جدول -1 بانک قوانین فازی
