بخشی از مقاله
چکیده
مهمترین چالش در شبکههای حسگر بیسیم، مصرف انرژی است. لذا بازدهی انرژی باید بعنوان یک هدف کلیدی در طراحی شبکههای حسگر مدنظر قرار گیرد.در شبکههای حسگر بیسیم فرآیند انتقال بستهها باید براساس انرژی گرهها و سرخوشه طراحی شود. خوشهبندی راهکاری مناسب برای کاهش مصرف انرژی و ترافیک در شبکه است. برای اینکه گرههای حسگر بتوانند بستهها را به سرخوشه و سپس سرخوشه اطلاعات جمعآوری شده را به چاهک انتقال دهد، باید انرژی مصرف کنند. یکی از عمدهترین چالشها در این نوع شبکهها، محدودیت مصرف انرژی است که مستقیما طول عمرشبکه حسگر را تحت تاثیر قرار می دهد. روش کلی کار در این مقاله، پیشنهاد یک مدل ترکیبی بااستفاده از برنامهریزی اصطلاح ژن و LEACH برای خوشهبندی شبکههای حسگر بیسیم برمبنای بکارگیری معیارهایی مانند انرژی باقیمانده گرهها، انرژی کل شبکه و فاصله گره تا چاهک است. نتایج شبیهسازی نشان میدهد که کارایی مدل پیشنهادی برمبنای فاکتورهایی مانند انرژی باقیمانده، تعداد گرههای زنده و تعداد بستههای ارسالی به چاهک در در مقایسه با LEACH بهتر است و شبکه در از دست دادن گرههای حسگر تعادل متوازنی دارد.
واژگان کلیدی: شبکههای حسگر بیسیم، خوشهبندی، برنامهریزی اصطلاح ژن، LEACH
مقدمه
در سالهای اخیر، با توجه به پیشرفتهای اساسی در زمینه طراحی مدارات مجتمع، مخابرات بیسیم و طراحی حسگرها، نوع خاصی از شبکههای بیسیم تحت عنوان شبکههای حسگر بیسیم مورد توجه محققین و صنایع مختلف قرار گرفته است. این شبکهها باید به صورت خودکار و بدون دخالت افراد بتواند به مدت طولانی وظایف محول شده را انجام دهند C. Lin et . - al,2016 - یک شبکه حسگر بیسیم عبارتست از تعداد زیادی حسگرهای کوچک باتوان پایین که در ارسال و دریافت میتواند ابزاری مؤثر برای گردآوری داده در محیطهای گوناگون باشد. دادههای جمعآوری شده توسط هر حسگر از طریق شبکه با مرکز پردازش ارتباط دارند که این دادهها برای تعیین مشخصات محیط یا شناسایی یک رویداد استفاده میشوند.
شبکههای حسگر بیسیم، با توجه به نوع کاربردشان، اطلاعات مربوط به رخدادهای گوناگون را از محیط عملیاتی خود جمعآوری کرده و ضمن پردازش اولیه، آنها را به چاهک گزارش مینمایند . - X. Liu,2016 - بیشترین انرژی گرهها صرف ارسال و دریافت میشود. انرژی مصرفی برای انتقال اطلاعات با فاصلهی فرستنده و گیرنده رابطه عکس دارد، بنابراین گرههایی که از چاهک دورترند انرژی قابل ملاحظهای را صرف ارسال اطلاعات به چاهک میکنند. بهترین روش برای گرههای حسگر استفاده از خوشهبندی است - . - G. Hacioglu et al,2016 یکی از مهمترین چالشهای این نوع شبکههای حسگر بیسیم، طول عمر و در واقع مصرف انرژی گرههاست که بوسیله خوشهبندی قابل پیشگیری و جبران است.
در واقع به دلیل فاصله زیاد هر کدام از گرههای حسگرها، انرژی زیادی از آنها کسر میشود. حال بوسیله خوشهبندی میتوانیم شبکه را به تعدادی خوشههای مستقل تقسیم-بندی نماییم که هر کدام از این خوشهها دارای یک سرخوشه خواهند بود - . - C. Gherbi et al,2016 وظیفه اصلی سرخوشهها جمع آوری اطلاعات از گرههای داخل خوشه است. سپس سرخوشهها اطلاعات را پس از جمعآوری از همه گرههای خوشه، به سوی چاهک جهت پردازش و تحلیل دادهها ارسال میکنند.در این مقاله ابتدا به بررسی چالشهای الگوریتمهای خوشهبندی شبکههای حسگر بیسیم میپردازیم و سپس روش جدیدی بر مبنای الگوریتم برنامهریزی اصطلاح ژنی - - C. Ferreira,2001 برای خوشهبندی شبکههای حسگر بیسیم ارائه خواهیم داد.
در دهه اخیر روشهای هوش مصنوعی به خاطر قابلیت شبیه-سازی فرایندهای پیچیده، در زمینههای مختلف بهینهسازی کاربرد زیادی پیدا کردهاند. برنامهریزی اصطلاح ژنی که جزء الگوریتمهای تکاملی محسوب میشود، قادر به بهینهسازی ساختار مسائل پیچیده و مؤلفههای آن میباشد.روش برنامهریزی اصطلاح ژن جزو روشهای تکاملی محسوب میشود که مبنای آنها براساس نظریه تکامل داروین استوار است. الگوریتمهای یاد شده اقدام به تعریف یک تابع هدف در قالب معیارهای کیفی نموده و سپس تابع هدف را برای مقایسه جوابهای مختلف حل مسئله در یک فرآیند گام به گام به کار میگیرند و در نهایت، جواب مناسب را ارائه مینمایند.
تفاوت اساسی موجود بین الگوریتم ژنتیک و برنامهریزی بیان ژن به طبیعت هریک از افراد برمیگردد، به نحوی که افراد در الگوریتم ژنتیک ردیفهای خطی با طول ثابت میباشند - کروموزمها - ولی در برنامهریزی اصطلاح ژن، به صورت ساختار درختی می-باشند.ساختار کلی این مقاله بشرح زیر سازماندهی شده است: در بخش دوم تحقیقات انجام شده در رابطه به خوشهبندی شبکههای حسگر بیسیم را توضیح میدهیم. در بخش سوم، مدل پیشنهادی را توضیح میدهیم. در بخش چهارم، ارزیابی و نتایج و مقایسه مدل پیشنهادی با مدلهای دیگر را توضیح میدهیم و نهایتا در فصل پنجم به نتیجهگیری و کارهای آینده خواهیم پرداخت.
در چند سال اخیر تحقیقات زیادی بر روی شبکههای حسگر بیسیم صورت گرفته است. یکی از مسائل مهم در شبکههای حسگر بیسیم که باید مد نظر قرار گیرد کاهش مصرف انرژی حسگرها از طریق مسیریابی بهینه است. بنابراین، انرژی حسگرها، از طریق باتری تامین میگردد و به دلیل تعداد زیاد حسگرها و در دسترس نبودن محیط، امکان تعویض یا شارژ مجدد باتری حسگرها وجود ندارد با تخلیه باطری یک حسگر در حقیقت عمر حسگر به اتمام میرسد و با از بین رفتن تعدادی از حسگرها و نقض مسئله پوشش و اتصال شبکه، عمر شبکه حسگر به اتمام میرسد. مهمترین فاکتور برای طول عمر بالا در شبکههای حسگر بیسیم، خوشهبندی کارا است. خوشهبندی باید به گونهای باشد که تراکم و تعداد خوشهها متوازن ودر مسیریابی بستهها مشکلی وجود نداشته باشد. با ازدست دادن بستها، طول عمر شبکه به دلیل ارسال مجدد شدیداً کاهش مییابد.
مدل ABC برای خوشهبندی گرههای حسگر و به منظور افزایش طول عمر شبکه پیشنهاد شده است - P.S. Mann and S. . - Singh,2017 از ABC به منظور بهینهسازی خوشهبندی و انتخاب بهترین گره برای سرخوشه استفاده شده است. در معادله - - 1 انرژی مصرف شده برای هر سرخوشه تعریف شده است.همچنین با استفاده از ABC بهینهترین مسیرها برای ارسال داده به چاهک پیدا میشود و با این کار طول عمر شبکه افزایش مییابد. مقایسهها نشان داده است که ABC در مقایسه با PSO و LEACH کارایی بهتری از لحاظ طول عمر شبکه و تعداد بستههای ارسالی دارد.مدل ترکیبی FA و SA با FIS برای خوشهبندی گرههای حسگر پیشنهاد شده است . - Z.M. Zahedi et al ,2016 -
سیستمی که یک نگاشت از ورودی به خروجی را با استفاده از منطق فاز فرموله میکند به نام سیستم استنتاج فازی شناخته میشود. این سیستم از تعدادی عبارت»اگر -آنگاه« ساخته شده است. برخلاف پروتکلهای پیشنهاد شده برای خوشهبندی در این مدل از FA و FIS برای خوشهبندی و از SA برای بهینهسازی محلی استفاده شده است. در بهینهسازی محلی هدف کاهش مسیر ارسال دادهها است. برای خوشهبندی گرهها از مدل فازی C-Means استفاده شده است. فاصله هر سرخوشه طبق معادله - - 2 تعریف شده است.مقایسهها نشان داده که مدل ترکیبی در مقایسه با مدلهای LEACH-DT، LEACH و LEACH-FL کارایی بهتری از لحاظ تعداد گرههای زنده و طول عمر شبکه دارد.مدل - S. Gajjar et al,2016 - FAMACROW که ترکیبی از FL و ACO است برای مسیریابی و خوشهبندی پیشنهاد شده است.
مدل فازی به منظور کاهش مصرف انرژی، چیدمان گرهها و افزایش کیفیت بین لینکهای گرهها استفاده شده است. مدل ACO به منظور مسیریابی چندگانه بین سرخوشهها استفاده شده است. همسایگی سرخوشهها طبق معادله - - 3 تعریف شده است.در معادله - - 3 ، پارامتر N تعداد کل گرههای حسگر، d - n,i - فاصله بین گره n و نود همسایهاش - - i است. نتایج نشان داده که مدل ترکیبی در مقایسه با مدلهای دیگر کارایی انرژی را تا %41، طول عمر شبکه را 75%-88 و تعداد بستههای ارسالی را تا 82% بهبود داده است.SABET و NAJI مدل - M. Sabet and H. Naji ,2016 - MLRC که یک روش چند سطحی خودسازمانده برای خوشهبندی گرههای حسگر است را پیشنهاد کردهاند. در مدل آنها گرهها برمبنای محیط توزیع و خوشهبندی میشوند. و برای ارسال دادهها به چاهک از روش سلسله مراتبی و لحاظ کردن انرژی هر سرخوشه استفاده شده است. انتخاب سرخوشهها طبق معادله - - 4 تعریف شده است.
