بخشی از مقاله
چکیده
شبکههای حسگر بیسیم از صدها تا هزاران گره حسگر تشکیل شده است که معمولا به صورت تصادفی در محیط پخش می شوند. امروزه از این شبکه ها درکاربرد های بسیاری میتوان بهره گرفت. وظیفه این گره های حسگر جمعآوری داده از محیط اطراف می باشد و سپس این داده ها را به سرخوشه خود و در نهایت برای پردازش های بعدی به سمت گره مقصد ارسال می کنند اما مشکل اصلی در این شبکه ها انرژی محدود گره هاست.
هدف از این روش، تشکیل خوشههایی با انتخاب سرخوشهی مناسب و قرارگیری گره مقصد متحرک در مکان بهینه در هر مرحله میباشد، بهطوریکه کاهش مصرف انرژی برای حسگرها و افزایش طول عمر سرخوشهها و تعادل مصرف انرژی در شبکه، فراهم گردد. مکان بهینهی گره مقصد در شبکه نیز با بهرهگیری از الگوریتم بهینه-سازی مبتنی بر آموزش و یادگیری بدست میآید. نتایج شیبیهسازی نشان میدهند که اعمال روش پیشنهادیِ قرارگیری گره مقصد متحرک در مکان بهینه، افزایش طول عمر، متوازن گشتن مصرف انرژی ، در مقایسه با دو روش گره مقصد ثابت و قرارگیری گره مقصد متحرک در مکان تصادفی، به همراه داشته است.
.1 مقدمه
هر شبکه حسگر بیسیم متشکل از تعداد زیادی گرههای حسگر می باشد. اندازه این گرهها می تواند بسیار کوچک باشد. محدودیت هایی را که می توان برای شبکه حسگر برشمرد شامل پهنای باند کم، توان پردازشی محدود و پایین بودن سطح انرژی می باشد. انرژی هر گره وابسته به انرژی باتری آن میباشد و با پایان یافتن انرژی آن ،گره میمیرد و از شبکه خارج می شود. بنابراین در تمام الگوریتمهای مربوط به شبکههای حسگر باید به دو مقوله کاهش مصرف انرژی و افزایش طول عمر شبکه توجه نمود.
از جمله این الگوریتمها، الگوریتمهای مسیریابی میباشد که هدف آن ارسال دادههای تجمیع شده به سمت گره مرکزی میباشد. از الگوریتم های مسیریابی در شبکههای حسگر بیسیم میتوان به الگوریتمهای سلسله مراتبی مبتنی بر خوشهبندی اشاره نمود. در این الگوریتمها،گرههایی که به عنوان سرخوشه انتخاب شدهاند، دادههای تجمیع شدهای که از گرههای معمولی جمعآوری نموده است به گره مقصد ارسال می نماید. از مزیتهای خوشهبندی نسبت به ارسال مستقیم دادهها به گره مقصد می توان به موارد زیر اشاره کرد:مسیرها به صورت محلی در خوشهها ایجاد میگردد، پهنای باند کاهش مییابد، هر گره وظیفه خود را در زمان مشخص انجام خواهد داد و همین باعث کاهش مصرف انرژی گردیدهاست.
از جمله معایب خوشهبندی، مصرف زیاد انرژی توسط سرخوشهها است. بنابراین امروزه بسیاری از تحقیقات به استفاده از گره مقصد متحرک در شبکههای حسگر بیسیم روی آوردهاند. در میان حسگرها، گره مقصد دارای ظرفیت و انرژی نامحدود میباشد و با حرکت در شبکه مانع از دور افتادن برخی سرخوشهها از خود شده و همین باعث کاهش مصرف انرژی و تعادل مصرف انرژی در شبکه میگردد. برای افزایش طول عمر شبکه و همچنین افزایش بازده شبکه گره مقصد در هر مرحله در مکانهای بهینه قرار میگیرد.
هدف این مقاله این است که با خوشه بندی گرههای حسگر بیسیم و همچنین با قرار گیری گره مقصد در مکان بهینه در هر مرحله، طول عمر شبکه افزایش یابد.در این مقاله مکان بهینه گره مقصد در هر مرحله با استفاده از الگوریتم بهینه ساز مبتنی بر آموزش و یادگیری بدست میآید. الگوریتم بهبنهسازی فوق دارای دو فاز بهینهسازی میباشد که شامل فاز معلم و فاز دانشآموز میباشد. مزیت استفاده از این الگوریتم این است که پارامترهای کمتری نسبت به سایر الگوریتمهای بهینه سازی داراست.
در ادامه سایر بخشهای مقاله به شرح زیر ارائه میگردد:
· در بخش دوم به کارهای مرتبط در این زمینه پرداخته میشود.
· در بخش سوم الگوریتم پیشنهادی معرفی شده و شبیه سازی میگردد.
· نتایج و شبیه سازیها در بخش جهارم ارائه میگردد.
· بخش پنجم نیز نتیجه گیری میشود.
2. کارهای مرتبط
در استفاده از گره مقصد متحرک در شبکه، مسئلهای که باید به آن پرداخت ساختار حرکت آن در شبکه میباشد. در اینجا بررسی و دستهبندی الگوریتمهایی که به این موضوع پرداختهاند، از دیدگاه مکان قرارگیری گره مقصد متحرک، ارائه میگردد. مکان قرارگیری یا نقاط توقف گره مقصد متحرک در شبکه بنا به کاربردی که دارد، می-تواند به سه روش مشخص گردد: نقاط تصادفی1، نقاط مشخص و ثابت2 و در نهایت نقاط بهینه.[1] 3 در روش قرارگیری گره مقصد متحرک در نقاط تصادفی، مکان آن در شبکه بر اساس ساختار تصادفی میباشد.
این روش گرچه با قرارگیری گره مقصد در هر مرحله در مکان تصادفی باعث ایجاد توزیع تصادفی ترافیک ومصرف انرژی در سرتاسر شبکه میشود، اما موجب تاخیر زیاد در ارسال تک گامه می گردد. در [2] خصوصیات و کارایی چهار نوع مختلف از حرکت تصادفی و حرکت با الگوی مشخص گره مقصد متحرک در شبکههای حسگر بیسیم مورد بررسی قرار گرفته است که با روش تکگامه دادهها را ارسال میکنند. نتایج شبیهسازی بهبود بهتری هم در روش تصادفی و هم در روش الگوی مشخص، در مقایسه با بهکارگیری گره مقصد ثابت از لحاظ کل مصرف انرژی نشان میدهد. اما از میان این دو روش، حرکت تصادفی گره مقصد افزایش بیشتری در طول عمر شبکه، به-خصوص شبکههای محتمل خطا4 نشان داده است.
در روش قرارگیری گره مقصد متحرک در مکانهای با الگوی مشخص، گره مقصد به طور پیدرپی در یک مسیر معین حرکت میکند. در محیطهای واقعی که شبکههای حسگر بیسیم در آنها بهکار برده میشوند، مخصوصاً محیطهای شهری و صنعتی، موانع زیاد کوچک و بزرگی در محیط موجود است. ولی در این روش چون گره مقصد در یک مسیر مشخص حرکت میکند، لذا ترافیک زیادی به آن مسیرها اعمال میشود و تعادل مصرف انرژی به هم میریزد.
در مقالهی [3]، طرحی برای یک مورد خاص پیشنهاد شده است. در این کار حسگرهای شبکه، فضای خالی را در پارکینک یک ساختمان که در دورتادور آن واقع است، جستجو میکنند. در روش کنترل شده یا بهینه، حرکت گره مقصد تابعی از متغیرهای شبکه مانند سطح انرژی گرهها، جهت و یا تمایل جریان ترافیک و … میباشد. در این روش حرکت گره مقصد بهطور پیوسته مطابق با بهینه شدن شبکه در یک یا چند پارامتری از آن، میباشد.
هر چند در هر سه روش تصادفی، مشخص و بهینه، هدف از حرکت گره مقصد افزایش بازده شبکه میباشد، اما از آنجاییکه در روش بهینه گره مقصد به جایی منتقل میشود که بهطور مستقیم یک یا چند پارامتر از شبکه بهبود مییابند، قطعاً این روش بهبودی بیشتری در بازده شبکه بهجا میگذارد. در [4] گره مقصد به سمت گرههای با انرژی باقیماندهی بیشتر رهنمون میشود. الگوریتم مسیریابی آگاه از مسیر برای تحقق بخشیدن به این روش به کار گرفته شده است. نویسنده در نهایت نشان داده که استفاده از روش پیشنهادی او طول عمر شبکه را در مقایسه با گره مقصد ثابت و گره مقصد متحرک با حرکت تصادفی افزایش میدهد. در [5] مکان بهینهی گره مقصد با استفاده از الگوریتم ژنتیک مشخص میگردد.
.3 الگوریتم پیشنهادی
روش پیشنهادی به جستجوی مکانی در شبکه میباشد، که زمان از دست رفتن اولین سرخوشه در شبکه، ماکزیمم گردد. از آنجاییکه جستجوی کل شبکه برای یافتن مکان بهینه امکانپذیر نمیباشد، لذا از الگوریتم بهینهسازی آموزش و یادگیری برای رسیدن به هدف فوق، بهره گرفته شده است. الگوریتم آموزش و یادگیری، در یک روند تکاملی، مکان بهینه را بر اساس شرط فوق، برای گره مقصد در شبکه پیدا میکند.
با روش پیشنهادی، گره مقصد متحرک در شبکه، در مکانی قرار داده میشود که بهترین خوشهبندی از لحاظ طول عمر سرخوشهها را برای شبکه بههمراه داشته باشد. همچنین با کمک این الگوریتم، بهطور هوشمند تشخیص داده میشود که در چه زمانی از طول عمر شبکه، مکان گره مقصد تغییر کند. انگیزهی بهرهگیری از الگوریتم آموزش و یادگیری، وجود پارامترهای تصادفی کمتر نسبت به سایر الگوریتمهای تصادفی، و نتیجهی بهتر نسبت به آنها، میباشد.
در روش پیشنهادی، با بهکارگیری تؤام ساختار خوشهبندی و گره مقصد متحرک، طول عمر شبکه افزایش یافته است، همچنین کاهش مصرف انرژی هم در گرهها و هم سرخوشهها را در برداشته است. نتایج شبیهسازی با استفاده از این روش، افزایش چشمگیری را در طول عمر شبکه و نیز زمان سپری شده تا رسیدن به اولین گره مرده در شبکه که دورهی استقرار1 نام گرفته، نسبت به دو روش گره مقصد ثابت وگره مقصد متحرک در مکان تصادفی نشان میدهد. همچنین سطح انرژی باقیماندهی موجود در گرهها در روش پیشنهادی نسبت به دو روش دیگر بسیار بیشتر است. متوازن شدن مصرف انرژی و مقیاسپذیری شبکه، از دیگر نتایجی هستند که با به-کارگیری روش پیشنهادی در شبکه بهدست آمدهاند.
مدل ریاضی
در این مقاله، برای محاسبه انرژی مصرف شده در ارسال بیسیم، از مدل رادیویی مصرف انرژی که در [6] به کار رفته، استفاده شده است. انرژیای که در دریافت k بیت از داده در مدار گیرنده مصرف میشود عبارتست از: - 1 - در فرمول بالا ثابتی است که به پارامترهای مختلفی چون، کدینگ دیجیتالی، مدولاسیون، فیلترینگ و گستردگی سیگنال بستگی دارد و نشان میدهد که برای دریافت و یا ارسال یک بیت در مدار چه مقدار انرژی مصرف شده است.
