• صفحه اصلی
  • بهبود مصرف انرژي در اینترنت اشیا با استفاده از الگوریتم بهینه سازي گروه میگوها و چاهک متحرک

اشتراک گذاری

آدرس مقاله


کد مقاله : 1402061443913 بازدید : 2201 صفحه: 241 - 259

20.1001.1.27170411.1402.15.55.13.4

نوع مقاله: پژوهشی

بهبود مصرف انرژي در اینترنت اشیا با استفاده از الگوریتم بهینه سازي گروه میگوها و چاهک متحرک

محورهای موضوعی : فناوری اطلاعات و ارتباطات

شایسته طباطبائی 1 (هیات علمی دانشگاه)

تاریخ دریافت : 1402/06/14 تاریخ پذیرش : 1402/06/14 تاریخ انتشار : 1402/06/14

کلید واژه: شبکه حسگر بيسیم, الگوریتم بهینهسازي میگوها, خوشهبندي, چاهک متحرک, پروتکل AFSRP , استاندارد IEEE802.15.4,

چکیده مقاله :

فناوري اینترنت اشیا ) IoT ( شامل تعداد زیادي گرههاي حسگر است که حجم انبوهي از داده تولید ميکنند. مصرف بهینه انرژي گرههاي حسگر یک چالش اساسي در این نوع از شبکههاست. خوشهبندي گرههاي حسگر در دستههاي مجزا و تبادل اطلاعات از طریق سرخوشهها، یکي از راهکارهاي بهبود مصرف انرژي است. این مقاله یک پروتکل مسیریابي مبتني بر خوشهبندي جدید به نام 1KHCMSBA را ارائه ميدهد. پروتکل پیشنهادي بطور بیولوژیکي از ویژگيهاي جستجوي سریع و مؤثر الهام گرفته بر اساس رفتار غذایابي میگوها در الگوریتم بهینهسازي گروه میگوها براي خوشهبندي گرههاي حسگر استفاده ميکند. در پروتکل پیشنهادي همچنین از چاهک متحرک براي جلوگیري از مشکل نقطه داغ استفاده مي شود. فرآیند خوشهبندي در ایستگاه پایه با یک الگوریتم کنترل متمرکز انجام ميشود که از سطوح انرژي و موقعیت قرارگیري گرههاي حسگر آگاه است. بر خلاف سایر پروتکلهاي موجود در سایر تحقیقات، KHCMSBA مدل انرژي واقع بینانهاي را در شبکه در نظر ميگیرد که در شبیه ساز Opnet عملکرد آن مورد آزمایش قرار ميگیرد و نتایج حاصل از شبیه سازي با پروتکل ( Artifical Fish Swarm Routing Protocol) AFSRP مقایسه ميشوند. نتایج حاصل از شبیه سازي حاکي از عملکرد بهتر روش پیشنهادي از نظر انرژي مصرفي به میزان 71 / 12 درصد، نرخ گذردهي به میزان 22 / 14 درصد، تأخیر انتها به انتها به میزان 07 / 76 درصد، نسبت سیگنال به نویز به میزان 82 / 46 درصد نسبت به پروتکل AFSRP است.

چکیده انگلیسی:

Internet of Things (IoT) technology involves a large number of sensor nodes that generate large amounts of data. Optimal energy consumption of sensor nodes is a major challenge in this type of network. Clustering sensor nodes into separate categories and exchanging information through headers is one way to improve energy consumption. This paper introduces a new clustering-based routing protocol called KHCMSBA. The proposed protocol biologically uses fast and efficient search features inspired by the Krill Herd optimization algorithm based on krill feeding behavior to cluster the sensor nodes. The proposed protocol also uses a mobile well to prevent the hot spot problem. The clustering process at the base station is performed by a centralized control algorithm that is aware of the energy levels and position of the sensor nodes. Unlike protocols in other research, KHCMSBA considers a realistic energy model in the grid that is tested in the Opnet simulator and the results are compared with AFSRP (Artifical Fish Swarm Routing ProtocolThe simulation results show better performance of the proposed method in terms of energy consumption by 12.71%, throughput rate by 14.22%, end-to-end delay by 76.07%, signal-to-noise ratio by 82.82%. 46% compared to the AFSRP protocol

منابع و مأخذ:


[1] Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: a survey. Computer networks, 38(4), 393-422.
[2] Ritter, H., Schiller, J., Voigt, T., Dunkels, A., & Alonso, J. (2005, February). Experimental evaluation of lifetime bounds for wireless sensor networks. In Wireless Sensor Networks, 2005. Proceeedings of the Second European Workshop on (pp. 25-32). IEEE.‏
[3]Hammoudeh, M., & Newman, R. (2015). Adaptive routing in wireless sensor networks: QoS optimisation for enhanced application performance. Information Fusion, 22, 3-15.‏
[4]Shokouhifar, M., & Jalali, A. (2015). A new evolutionary based application specific routing protocol for clustered wireless sensor networks. AEU-International Journal of Electronics and Communications, 69(1), 432-441.‏
[5] Zowj, A. Y., Bongard, J. C., & Skalka, C. (2017). A Genetic Programming Approach to Cost-Sensitive Control in Wireless Sensor Networks. In Computational Intelligence in Wireless Sensor Networks (pp. 1-31). Springer, Cham.‏
[6] Hacioglu, G., Kand, V. F. A., & Sesli, E. (2016). Multi objective clustering for wireless sensor networks. Expert Systems with Applications, 59, 86-100.‏
[7] Magaia, N., Horta, N., Neves, R., Pereira, P. R., & Correia, M. (2015). A multi-objective routing algorithm for Wireless Multimedia Sensor Networks. Applied Soft Computing, 30, 104-112.‏
[8] Chen, D. R. (2016). An energy-efficient QoS routing for wireless sensor networks using self-stabilizing algorithm. Ad Hoc Networks, 37, 240-255.‏
[9] Tabatabaei, S., Rajaei, A., & Rigi, A. M. (2019). A Novel Energy-Aware Clustering Method via Lion Pride Optimizer Algorithm (LPO) and Fuzzy Logic in Wireless Sensor Networks (WSNs). Wireless Personal Communications, 1-23.
[10] Tabatabaei, S., shelebaf, A.(2020), A Novel Method for Clustering in WSNs via TOPSIS Multi-criteria Decision-Making Algorithm Logic in Wireless Sensor Networks (WSNs). Wireless Personal Communications, 1-17
[11] Tabatabaei, S., & Omrani, M. R. (2018). Proposing a method for controlling congestion in wireless sensor networks using comparative fuzzy logic. Wireless Personal Communications, 100(4), 1459-1476.
[12] Abidi, B., Jilbab, A., & Haziti, M. E. (2017). Wireless Sensor Networks in Biomedical: Wireless Body Area Networks. In Europe and MENA Cooperation Advances in Information and Communication Technologies (pp. 321-329). Springer International Publishing.
[13] Singh, R., & Verma, A. K. (2017). Energy efficient cross layer based adaptive threshold routing protocol for WSN. AEU-International Journal of Electronics and Communications, 72, 166-173.
[14] Sharma, R., Vashisht, V., & Singh, U. (2019). Fuzzy modelling based energy aware clustering in wireless sensor networks using modified invasive weed optimization. Journal of King Saud University-Computer and Information Sciences.‏
[15] Ebrahimi, S., & Tabatabaei, S. (2020). Using Clustering via Soccer League Competition Algorithm for Optimizing Power Consumption in WSNs (Wireless Sensor Networks). Wireless Personal Communications, 113(4), 2387-2402.‏
[16] Tabatabaei, S., & Rigi, A. M. (2019). Reliable routing algorithm based on clustering and mobile sink in wireless sensor networks. Wireless Personal Communications, 108(4), 2541-2558.‏
[17] Chen, D. R., Chen, L. C., Chen, M. Y., & Hsu, M. Y. (2019). A coverage-aware and energy-efficient protocol for the distributed wireless sensor networks. Computer Communications, 137, 15-31.‏
[18] S. Gorgich and S. Tabatabaei, "Proposing an Energy-Aware Routing Protocol by Using Fish Swarm Optimization Algorithm in WSN (Wireless Sensor Networks)," Wireless Personal Communications, pp. 1-21, 2021.
متن کامل:
الگوي تهيه مقالات

 

دو فصلنامه علمي

فناوري اطلاعات و ارتباطات ایران

سال  پانزدهم، شماره ‌55 و56 ، بهار و تابستان 1402

صفحات: 241 الی259

E:\E Drive\logo\iicta Logo0.JPG 

 

 

 

 

 

Improving energy consumption in the Internet of Things using the Krill Herd optimization algorithm and mobile sink

 

Shayesteh Tabatabaey*

*Faculty of Engineering, Saravan Higher Education Complex, Saravan, Iran

 

 

Abstract

Internet of Things (IoT) technology involves a large number of sensor nodes that generate large amounts of data. Optimal energy consumption of sensor nodes is a major challenge in this type of network. Clustering sensor nodes into separate categories and exchanging information through headers is one way to improve energy consumption. This paper introduces a new clustering-based routing protocol called KHCMSBA. The proposed protocol biologically uses fast and efficient search features inspired by the Krill Herd optimization algorithm based on krill feeding behavior to cluster the sensor nodes. The proposed protocol also uses a mobile well to prevent the hot spot problem. The clustering process at the base station is performed by a centralized control algorithm that is aware of the energy levels and position of the sensor nodes. Unlike protocols in other research, KHCMSBA considers a realistic energy model in the grid that is tested in the Opnet simulator and the results are compared with AFSRP (Artifical Fish Swarm Routing ProtocolThe simulation results show better performance of the proposed method in terms of energy consumption by 12.71%, throughput rate by 14.22%, end-to-end delay by 76.07%, signal-to-noise ratio by 82.82%. 46% compared to the AFSRP protocol.

 

 

Keywords: Wireless sensor network, Krill Herd optimization algorithm, clustering, mobile well, AFSRP protocol, IEEE802.15.4 standard.

 

 

 

 

 

 

 

 

 

بهبود مصرف انرژي در اینترنت اشیا با استفاده از الگوریتم بهينه سازي گروه ميگوها و چاهک متحرک

شایسته طباطبائی*

* دانشکده فنی مهندسی، مجتمع آموزش عالی سراوان، سراوان، ايران

تاریخ دریافت:25/01/1401                       تاریخ پذیرش: 16/08/1401

نوع مقاله: پژوهشی

 

 

چكیده

فناوری اینترنت اشیا (‏IoT) ‏شامل تعداد زیادی گره­های حسگر است که حجم انبوهی از داده تولید می‌کنند. مصرف بهینه انرژی گره­های حسگر یک چالش اساسی در این نوع از شبکه­هاست. خوشه­بندی گره­های حسگر در دسته­های مجزا و تبادل اطلاعات از طریق سرخوشه­ها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروتکل مسیریابی مبتنی بر خوشه­بندی جدید به نام1KHCMSBA را ارائه می­دهد. پروتکل پیشنهادی بطور بیولوژیکی از ویژگی­های جستجوی سریع و مؤثر الهام گرفته بر اساس رفتار غذایابی میگوها در الگوریتم بهینه­سازی گروه میگوها برای خوشه­بندی گرههای حسگر استفاده می­کند. در پروتکل پیشنهادی همچنین از چاهک متحرک برای جلوگیری از مشکل نقطه داغ استفاده می شود. فرآیند خوشه­بندی در ایستگاه پایه با یک الگوریتم کنترل متمرکز انجام می­شود که از سطوح انرژی و موقعیت قرارگیری گرههای حسگر آگاه است. بر خلاف سایر پروتکل­های موجود در سایر تحقیقات، KHCMSBA مدل انرژی واقع بینانه­ای را در شبکه در نظر می­گیرد که در شبیه ساز Opnet عملکرد آن مورد آزمایش قرار می­گیرد و نتایج حاصل از شبیه سازی با پروتکل­ ( Artifical Fish Swarm Routing Protocol) AFSRP مقایسه می­شوند. نتایج حاصل از شبیه سازی حاکی از عملکرد بهتر روش پیشنهادی از نظر انرژی مصرفی به میزان 71/۱2 درصد، نرخ گذردهی به میزان 22/14 درصد، تأخیر انتها به انتها به میزان ۰7/76 درصد، نسبت سیگنال به نویز به میزان ۸2/46 درصد نسبت به پروتکل AFSRPاست.

 

واژگان کلیدی: شبكه حسگر بی­سیم، الگوریتم بهینه­سازی میگوها، خوشه­بندی، چاهک متحرک، پروتکل AFSRP، استاندارد IEEE802.15.4.

 

 

 

 

 

 

 

[1]  Krill Heard Clustering Mobile Sink Based Algoriyhm

نویسنده مسئول: شایسته طباطبائی shtabatabaey@yahoo.com

1.       مقدمه1

توسعه و پیشرفت قابل توجه در الکترونیک دیجیتال، ارتباطات بی­سیم و مهمتر از همه در سیستم­های میکرو الکترومکانیکی (MEMS) باعث ایجاد گره­های حسگر کوچک، چند منظوره و کم هزینه می­شود. این گره­ها توانایی پردازش داده­ها، ارتباطات و همچنین پدیده­های فیزیکی را دارند. شبکه­های حسگر زمانی شامل مجموعه­ای از گره­های کوچک هستند که به طور همزمان برای رسیدن به یک هدف مشترک استفاده می­شوند. به این ترتیب تعداد زیادی از گره­های حسگر غیر متصل که به اصطلاح WSN­ها نامیده می­شوند ایجاد می­شود [1]. WSN­ها شامل گره­های حسگر کوچک است که برای نظارت بر پدیده­های فیزیکی مانند دما، رطوبت، ارتعاشات و غیره بر روی یک منطقه جغرافیایی مستقر شده­اند ]1[. به طور کلی، شبکه­های حسگر از فرصت­های جدید برای پشتیبانی از تعامل بین انسان­ها و جهان فیزیکی آنها حمایت می­کند و در طیف گسترده ای از حوزه ها مانند کاربردهای نظامی، امنیت عمومی، کاربرد های پزشکی، نظارت بر محیط زیست و کاربردهای تجاری استفاده می­شوند. با توجه به پیشرفت های فنی اخیر در مدارهای دیجیتال و آنالوگ کم توان، ارتباطات بی­سیم و سیستم­های میکرو الکترونیک، تولید سنسور­های کوچک، ارزان و چند منظوره از لحاظ فنی و اقتصادی امکان پذیر است. به طور معمول یک گره حسگر یک دستگاه کوچک است که شامل چهار جزء اساسی است: یک واحد سنجش برای دستیابی به اطلاعات از محیط، یک واحد پردازش برای پردازش داده­های جمع آوری شده، یک آنتن مورد استفاده برای ارتباطات بی­سیم و انتقال داده و یک واحد باتری برای تامین انرژی مورد نیاز. یک گره حسگر خود دارای محدودیت­های شدید منابع­، مانند قدرت باتری، محاسبات و قابلیت­های ارتباطی کم است. با این حال، گروهی از سنسورها با یکدیگر همکاری می­کنند تا بتواند وظایف بسیار بزرگتر را به راحتی انجام دهند. شبکه­های حسگر ممکن است حاوی صدها تا هزاران گره حسگر باشند که هدفشان ارسال داده­های حس شده خود به یک ایستگاه پایه است و این کاملاً نیازمند مصرف بهينه انرژی تا حد امکان است. همچنین پروتکل­های شبکه باید برای دستیابی به تحمل پذیری شکست در برابرشکست­های غیر­منتظره گره­ها طراحی شوند. علاوه بر این، پهنای باند کانال­های بی­سیم بسیار محدود است و با همه سنسورهای شبکه به اشتراک گذاشته شده است. بدین ترتیب، پروتکل­های مسیریابی و الگوریتم­های کنترل توپولوژی باید برای کاهش پهنای باند مورد نیاز قادر به انجام همکاری محلی باشند. همچنین گره­های حسگر قابلیت پردازش، ظرفیت ذخیره­سازی و دامنه ارتباطات محدودی دارند. برای طراحي يك پروتكل مسيريابي خوب و كارا برایWSN­ها، لازم است تمام این محدودیت­ها را در نظر بگیریم. در این مقاله، تمرکز اصلی نویسندگان روی عوامل طراحی اتصال، مصرف انرژي است، اما محدودیت­های دیگر مانند محدودیت­های سخت افزاری، مقیاس پذیری، ساختار شبکه پویا وخود پیکربندی را نیز در نظر گرفته اند. با توجه به اينكه برایWSN­ها، گره­های حسگر تنها می­توانند با یک منبع انرژی محدود مجهز شوند در بیشتر کاربردها، حتی جایگزینی منابع انرژي غیر ممکن است. معمولاً گره­های حسگر در یک محیط خصمانه قرار می­گیرند که باعث می­شود شارژ باتری غیرممکن باشد یا حداقل راحت نباشد. از سوی دیگر، بر اساس کاربردهای WSNطول عمر شبکه می­تواند مستلزم هفته­ها تا ماه ها یا حتی سال­ها باشد]۲[. بنابراین، انرژی باید خیلی بهينه مورد استفاده قرار گیرد و راه حل های طولانی کردن عمر شبکه در WSN­ها از اهمیت زیادی برخوردار است. خوشه­بندي يكي از روشهاي مناسب براي كاهش مصرف انرژي در شبكه­هاي WSN است دسته­بندي گرههاي حسگر در خوشه­هاي مجزا مي­تواند و استفاده از ارتباطات چند گامه از طريق سرخوشه­ها براي ارسال داده­ها خود مي­تواند باعث بهبود مصرف انرژي گردد بر اين اساس در مقاله حاضر سعي شده با استفاده از خوشه­بندي گرههای حسگر توسط الگوريتم بهينه سازي گروه ميگوها و چاهک متحرک اقدام به يافتن مسيرهاي بهينه به سينك كند تا مصرف انرژي را بهبود بخشد.

 

2.       کارهای مرتبط

در مقاله ]۳[ یک روش جدید بهینه­سازی مسیر مبتنی بر خوشه و یک پروتکل متعادل کننده بار به نام ROL ارائه شده است که از معیارهای کیفیت مختلف سرویس (QoS) برای برآورده سازی الزامات برنامه استفاده می­کند. ROL چند الزامات برنامه را ترکیب می­کند، به طور خاص برای ارائه یک راه حل جامع جهت تداوم شبکه، ارائه­ی تحویل پیام به موقع و بهبود بخشیدن به استحکام شبکه تلاش می­كند كه از ترکیبی از معیارهای مسیریابی استفاده می­کند که می­تواند با توجه به اولویت­های برنامه­های کاربردی در سطح کاربر به منظور بهبود عملکرد کلی شبکه پیکربندی شود كه برای این منظور، یک ابزار بهینه­سازی برای ایجاد تعادل در منابع ارتباطی برای محدودیت­ها و اولویت­های برنامه­های کاربردی کاربر توسعه داده شده است و خوشه­بندی توزیع شده (NDC) بر اساس جریان، یک الگوریتم را برای حفظ تعادل بار ارائه نموده­اند. NDC بصورت یکپارچه با هر الگوریتم خوشه بندی به طور مساوی، تا آنجا که ممکن است، با قطر و عضویت در خوشه­ها کار می­کند.

در مقاله ]۴[ یک پروتکل مسیریابی را در شبكه حسگر بي­سيم پیشنهاد کرده­اند که مصرف انرژی را بهبود بخشیده و برای کاربردهای خاص می­باشد. این الگوریتم برای انتخاب سرخوشه بهینه، برخی از مفاهیم مورد استفاده در شبکه­های حسگر بی­سیم (فاصله از ایستگله پایه، انرژی باقی مانده، فاصله بین سرخوشه­ها) را در نظر می­گیرد. پروتکل مسیریابی پیشنهادی پیچیده می­باشد و دارای برخی از پارامترهای قابل کنترل می­باشد. تنظیم کردن پارامترهای آن یک مسئله مهم برای دست یافتن به بهترین کارایی برای کاربردهای خاص می­باشد. نویسندگان در این مقاله یک الگوریتم ترکیبی براساس الگوریتم­های ژنتیک و شبیه­سازی حرارت پیشنهاد کرده­اند تا بتواند طول عمر شبکه را بهبود بخشند.

در مقاله ]۵[ از یک رویکرد برنامه­ریزی ژنتیک برای مسیریابی حساس به هزینه در شبکه­های حسگر بی­سیم استفاده کرده­اند. روش پیشنهادی یک رویکرد جایگزین برای تطبیق دادن خطای پیش‌بینی و هزینه پیش‌بینی، ساخت یک سلسله‌مراتب از مدل­ها است كه مدل­ها در لایه‌های پایین تر فقط به حسگرهای ارزان دسترسی دارند، درحالی‌که مدل­های لایه‌های بالاتر به زیرمجموعه بزرگ‌تری از حسگرها دسترسی دارند، شامل حسگرهای گران‌تر. در صورتی که حسگرهای ارزان‌تر از پیش‌بینی ترکیبی‌شان مطمئن باشند، مدل سراسری یک پیش‌بینی از یک لایه پایین تر برمی‌گرداند. در صورتی که چنین نباشند پیش‌بینی‌ها از یک لایه بالاتر رسم می‌شود. از یک روش متداول برای ارزیابی چگونگي تأثیرکلی مدل­ها با استفاده از محاسبه واریانس در پیش‌بینی‌های خودشان استفاده نموده و با در نظر گرفتن مقدار تفاوت بین واریانس پیش‌بینی در آموزش و آزمایش داده‌ها، توانستند به صورت پویا چگونگی محافظه کاری یا وفور مدل کلی سلسله‌مراتبی را تنظیم كنند.

در مقاله ]۶[ روش مسیریابی را برای استفاده در شبکه­های حسگر بی­سیم برحسب الگوریتم بهینه­سازی چند هدفه با استفاده از الگوریتم ژنتیک برای دسته­بندی و خوشه­بندی گره­های حسگر پیشنهاد نمودند. هدف آنها کاهش هزینه ارتباطی بین سرخوشه­ها و همچنین بین سرخوشه و گره­های عضو غیرسرخوشه است همچنین سعی دارند از انتخاب گره سرخوشه تنها نزدیک چاهک هم ممانعت به عمل می­آید و همچنین به این مسئله توجه می­شود که برای خوشه­ها تا جای ممکن گره­های بیشتری در نظر گرفته شود. هر راه حلی از راه حل­های بدست آمده با الگوریتم ژنتیک تکنولوژی شبکه­ای متفاوتی را نشان می­دهد که بر طبق اهداف خاص بهترین مسیر را انتخاب می­کند. در روش آنها طوری برنامه ریزی شده که چاهک از بین راه­حل­های موجود بهترین راه­حل را برای معیار مورد نظر انتخاب نماید. بر طبق نتایج بدست آمده روشهای پیشنهادی می­تواند طول عمر شبکه را پنج برابر بیشتر ازLEACH  کند و همچنین تعداد بسته­های رسیده به چاهک را هم دو برابر بیشتر ازLEACH می­نماید.

 در مقاله ]۷[ یک رویکرد چندهدفه جدید برای مسیریابی در شبکه­های حسگر بی­سیم برای کاربردهای چندرسانه‌ای پیشنهاد کرده­اند. روش پیشنهادی نیازمندی­های کیفیت خدمات از قبیل تأخیر و تعداد انتقال­های مورد انتظار را در نظر می­گیرد. تقریب­های کلاسیک تنها یک پارامتر کیفیت خدمات را بهینه می­کردند و ماهیت تناقض گونه این پارامترها را در نظر نمی­گرفتند که منجر به جواب­های نزدیک به بهینه می­شد. مطالعاتی که این روش را اعمال کرده­اند شاهد بهبود چشمگیر آن در کاربردهای مسیریابی آگاه از کیفیت خدمات بوده­اند.

در مقاله ]۸[ از یک الگوریتم خود پایدار برای مسیریابی آگاه از کیفیت خدمات و کارآمد از نظر انرژی برای شبکه­های حسگر بی­سیم استفاده کرده­اند. این الگوریتم سعی در ایجاد شبکه­هایی با کمترین میزان مصرف انرژی و مسیریابی بلادرنگ سخت2 دارد که در ابتدا مسیرهای چند گامی موردی را درون خوشه ایجاد می‌کند و همچنین تعداد گره­های درون خوشه را برای رسیدن به حداکثر میزان تأخیر قابل ‌تحمل برای بسته­های داده انتقالی از گره­های عضو به سرخوشه را کنترل می­کند. سپس یک الگوریتم مسیریابی تطبیقی برای انتقال داده­های تجمیع شده از سرخوشه به ایستگاه پایه با استفاده از مسیرهای مختلف و بر اساس مقدار برچسب عمر آن‌ها پیشنهاد شده است. در نهایت این الگوریتم می­تواند نیازمندی‌های کیفیت خدمات را برآورد کرده و طول عمر شبکه را نیز افزایش دهد. شبکه‌های حسگر بی‌سیم از تعداد زیادی از گره‌های حسگر با انرژی محدود تشکیل شده است که باتری گره­های حسگر به راحتی، قابل شارژ مجدد نیستند. بنابراین، در سالهای اخیر، روش­های خوشه­بندی به عنوان راه­حل­هایی مناسب برای حل مشکل ذخیره­ی انرژی در شبکه­­های حسگر بی­سیم  معرفی شده­اند که تاثیر زیادی در صرفه جویی در انرژی و مقیاس­پذیری شبکه دارند. در ادامه به مطالعات انجام یافته در خصوص بهبود مصرف انرژی اشاره می­شود.

در مقاله ]۹[، روش خوشه­بندی گره­های حسگر بعنوان روشی برای افزایش طول عمر شبکه حسگر بی­سیم مورد توجه قرار می­گیرد و به منظور بهبود مصرف انرژی با استفاده از الگوریتم گله شیرها و منطق فازی گره­های حسگر را به دسته­هایی بنام خوشه تقسیم می­کند. الگوریتم گله شیرها با استفاده از دو معیار انرژی سطح باتری و فاصله تا چاهک بهترین گره­ها را به عنوان سرخوشه انتخاب می­کند سپس باقی گر­ه­ها که خود سرخوشه نیستند بر حسب فاصله به نزدیکترین سرخوشه وصل شده و بدین ترتیب خوشه­ها تشکیل می­شود. پس از تشکیل خوشه­ها برای تسهیل در مسیریابی داده از یک Backbone مجازی مستقیم (DVB) که از سرخوشه­ها ساخته شده است استفاده می­گردد که به سمت چاهک ریشه دارد. نتايج حاصل از شبيه سازي پروتکل پيشنهادي در OPNET، با روش منطق فازی و پروتکل استاندارد IEEE802.15.4 مقايسه شده است. به طور کلي مشاهده شد که پروتکل پيشنهادي، رفتار بهتري نسبت به پروتکل استاندارد IEEE802.15.4­ دارد و از نظر نرخ گذردهی نیز رفتار بهتری نسبت به منطق فازی دارد. روش پيشنهادي آنها به دليل انتخاب مسيرهاي پايدار کارآيي کلي شبکه را بهبود بخشيده و قابليت اطمينان تحويل بسته را افزايش می­دهد. استفاده از منطق فازی بهمراه الگوریتم گله شیرها هزینه پردازشی بالایی دارد همچنین تولید ضریب باروری در الگوریتم گله شیرها برای تولید مثل و جمعیت اولیه به صورت تصادفی صورت می گیرد که می­تواند منجر به کاهش کارایی الگوریتم گردد.

به منظور کاهش مصرف انرژی در شبکه حسگر بی­سیم در مقاله ]۱۰[ یک روش خوشه بندی با استفاده از الگوریتم تصمیم­گیری چند ­معیاره TOPSIS3 برای شبکه حسگر بی­سیم ارائه شده است. كه قادر به خوشه‌بندي گره‌هاي شبكه بر اساس سطح انرژي گره‌ها مي‌باشد. اين پروتكل با استفاده از تعداد مشخصي از گره‌هاي پرانرژي در شبكه و اعمال آن‌ها به عنوان سرخوشه، نقشه خودسازماندهي، نزديك‌ترين گره‌هاي كم‌انرژي را جذب گره‌هاي پرانرژي مي‌كند؛ به طوري كه خوشه‌ها لزوماً از گره‌هاي مجاور تشكيل نشده و در واقع براساس پارامتر سطح انرژي و همسايگي، فاصله تا چاهک و حجم کار انجام یافته، خوشه‌هايي با انرژي متوازن تشكيل خواهند شد. نتایج شبیه سازی با OPNET نشان می­دهد که طرح پیشنهادی دارای عملکرد بهتری نسبت به پروتکل شناخته شده مانند IEEE802.15.4 از نظر مصرف انرژی و طول عمر شبکه برای شبکه­های حسگر می­باشد. از امتیازات مهم این روش آن است که به طور همزمان می­تواند از شاخص­ها و معیارهای عینی و ذهنی استفاده نموده و خروجی آن می­تواند ترتیب اولویت گزینه­ها را مشخص و این اولویت را به صورت کمی بیان می­کند. در این روش تضاد و تطابق بین شاخص­ها در نظر گرفته می­شود و روش کار ساده است و نتایج مدل کاملاً منطبق با روش­های تجربی است. ایراد این روش حجم پردازشی بسیاری بالا و محاسبات پیچیده ریاضی است. با توجه به محدودیت منابع در شبکه‌های حسگر بی­سیم و تعداد گره‌های حسگر توزیع‌شده جهت پوشش محیط عملیاتی، ازدحام و تراکم اطلاعات در گره‌های میانی رخ خواهد داد؛ زیرا گره‌های حسگر برای ارسال اطلاعات خود با گره‌های حسگر همسایه برای دسترسی به کانال ارتباطی بی‌سیم رقابت می‌نمایند و با توجه به تعداد زیاد گره‌ها و محدودیت منابع آن‌ها ارسال اطلاعات از طریق کانال مشترک باعث ایجاد تراکم و ازدحام خواهد شد. ازدحام اطلاعات در شبکه‌های حسگر بی‌سیم، تأثیر منفی بر روی کارایی این شبکه‌ها داشته و باعث کاهش گذردهی، افزایش انرژی مصرفی به ازای هر بسته ارسالی، افزایش تأخیر و افزایش تعداد بسته‌های از دست ‌رفته می‌شود. از طرف دیگر، الگوی ترافیکی متمرکز در شبکه‌های حسگر بی‌سیم، باعث ایجاد ازدحام در این شبکه‌های می‌گردد؛ زیرا تمامی اطلاعات به سمت یک چاهک ارسال می‌گردند. درصورتی‌که بار تزریقی به شبکه از ظرفیت آن بیشتر شده و یا پهنای باند پیوند ارتباطی به خاطر مشکلات کانال‌های بی‌سیم کاهش یابد، ازدحام رخ خواهد داد؛ بنابراین جهت کاهش تعداد بسته‌های از دست ‌رفته به خاطر ازدحام بافر گره‌ها و ارسال اطلاعات به ‌موقع و کارآمد از لحاظ انرژی مصرفی و جلوگیری از بن‌بست شبکه، در مقاله ]۱۱[، يک روش جديد کنترل ازدحام با استفاده از منطق فازی برای اين نوع شبکه ها پیشنهاد شده است در روش پيشنهادی با استفاده از سه پارامتر اصلی ميزان انرژي باقي مانده سطح گره، چگالي بار و پهناي باند در دسترس تشخیص، اعلان و کنترل ازدحام صورت می­گیرد. نتايج ارزيابي که با شبيه­ساز OPNET ورژن 11.5 انجام شده، نشان می­­دهد که با استفاده از اين روش ميانگين تأخير رسيدن بسته­ها کاهش مي­يابد و نيز انرژی کمتری از گره­ها مصرف و طول عمر شبکه نيز افزايش مي­يابد. از معایب این روش این است که این الگوریتم بدلیل استفاده از منطق فازی هزینه پردازش بالایی دارد.

در مقاله ]۱۲[ یک الگوریتم مسیریابی سلسله مراتبی خوشه‌بندی شده برای استفاده در شبکه حسگر بی‌سیم بدنی پیشنهاد شده که شامل چهار فاز است که در فاز استقرار، گره حسگر به صورت تصادفی در شبکه پخش می­شود در فاز دوم گره دروازه بر حسب انرژی درونی و فاصله بین گره و ایستگاه پایه انتخاب می­شود در فاز خوشه­بندی ابتدا گره­ها طبق الگوریتم LEACH خوشه­­بندی می­شوند سپس هر سرخوشه به دروازه مناسب وصل می­شود در فاز انتقال به منظور کاهش مصرف انرژی داده‌ها از طریق سرخوشه به گره دروازه و از آنجا به مخزن ارسال می‌شوند. از مزایای این روش این است که الگوریتم پیشنهادی توانسته است با به‌کارگیری خوشه‌بندی بار شبکه را روی گره­های سر خوشه به صورت متوازن پخش کند و برای کاهش مصرف انرژی یک ارتباط چند گامی و ترکیب داده‌ها از حسگرهای مختلف برای از بین بردن انتقال‌ها افزونه و کاهش تعداد انتقال‌ها استفاده نموده است. در روش پیشنهادی کارایی‍ متوسط‍ الگوریتم ‍تحلیل ‍نشده ‍است.

همچنین‍ روش ‍پیشنهادی ‍مقیاس ‌پذیر نیست و برای شبکه­هایی با تعداد گره زیاد جواب مناسب را پیدا نمی­کند.

درمقاله ]۱۳[ یک الگوریتم مسیریابی بین لایه­ای برای شبکه­های حسگر بی­سیم به منظور بهبود مصرف انرژی پیشنهاد شده که با استفاده از مدل شبکه خوشه هایی با بار متوازن را ایجاد و همچنین با استفاده از مدل انرژی رادیو روی محاسبه میزان انرژی مصرف شده در هنگام ارسال اطلاعات، دریافت و تجمیع داده تمرکز کرده است. از مزایای این روش این است که گره­ها داده افزونه را ادغام می نمایند تا بتوانند انرژی بیشتری را حفظ کنند همچنین در نظر گرفته شده است که فاصله نسبی از طریق قدرت سیگنال تخمین زده می­شود نیاز نیست شبکه مجهز به GPS باشد. از معایب روش پیشنهادی این است که اولاً ارتباطات بین خوشه­ای را تحت بررسی قرار نداده همچنین نحوه­ی ارسال داده از سرخوشه به چاهک در مقاله مطرح نشده است.

شارما4 و همكاران در مقاله ]14[، یک روش تکاملی مبتنی بر خوشه‌بندی با استفاده از الگوریتم علف هرز تهاجمی بهینه ‌شده مبتنی بر مدل‌سازی فازی برای شبکه­­های حسگر بی­سیم پیشنهاد دادند که قادر به انتخاب مناسب‌ترین گره به عنوان سرخوشه برای افزایش طول عمر شبکه و نیز حفاظت از انرژی در شبکه‌های حسگر است. نویسندگان از یک مدل استنتاج فازی برای ارزیابی تناسب هر گره در شبکه استفاده نمودند. نتایج حاصل از شبیه‌سازی نشان‌دهنده کاهش قابل‌توجه در تعداد گره‌های مرده در هر دور از اجرا، و کاهش مصرف انرژی در حسگرها است. علاوه بر این، روش پیشنهادی آن‌ها مدت پایداری شبکه را تا ۴۵ درصد در مقایسه با پروتکل زنبور عسل مصنوعی و ۱۸ درصد در مقایسه با پروتکل کوانتومی زنبور عسل مصنوعی افزایش می‌دهند. مزیت این روش در استفاده از الگوریتم علف هرز تهاجمی بهینه ‌شده که قابلیت تطابق‌پذیری و تصادفی بودن را داراست و قادر به یافتن سریع بهینه سراسری است و همچنین استفاده از مدل استنتاج فازی که دقت بالایی برخواردار می­باشد است. ایراد این روش هزینه پردازشی بالا بدلیل استفاده از منطق فازی به‌همراه الگوریتم علف هرز تهاجمی بهینه شده است.

نویسندگان در مقاله ]15[ مصرف انرژی به عنوان يکي از چالش برانگيزترين مشکلات موجود در شبکه هاي حسگر، برای کاربردهای مختلف این شبکه­ها مورد مطالعه قرار دادند سپس به منظور ارائه يک روش مناسب برای خوشه­بندی يک روش جدید با استفاده از الگوریتم لیگ فوتبال ارايه نمودند. روش پيشنهادي با پروتکل­IEEE802.15.4 و پروتکل  NODIC با شبيه ساز OPNETشبیه سازی شده و نتایج شبیه­سازی نظير انرژی مصرفی، تأخیر انتها به انتها، نرخ سیگنال به نویز، احتمال موفقیت ارسال داده به چاهک و نرخ گذردهی به منظور بررسي چگونگي عملکرد روش پیشنهادی استخراج شده­­اند. با توجه به نتایج شبیه سازی روش پيشنهادي آنها، رفتار بهتري نسبت به پروتکل IEEE802.15.4 و پروتکل NODIC دارد و به دليل انتخاب مسيرهاي پايدارتر با گره‌هایی با انرژی بالا کارآيي کلي شبکه را بهبود بخشيده و قابليت اطمينان تحويل بسته را افزايش داده است. از طرفی در پروتكل پيشنهادي، در مرحله تشكيل خوشه­ها، گره­هایی با بالاترين انرژي بعنوان سرخوشه انتخاب ­مي­شوند لذا مسيری با گره­های مناسب برای انتقال داده­ها انتخاب می­شود که تا انتهاي فاز انتقال داده خاموش نمی­شوند بنابراين تعداد بسته از دست رفته در روش پيشنهادي آن‌ها کمتر خواهد بود در نتیجه تأخير انتها به انتها كاهش يافته است. همچنین در الگوریتم پیشنهادی آنها از ترکیب جستجوی محلی و سراسری استفاده می­شود تا عملکرد بهتری را ارائه نماید چرا که جستجوی محلی بیشتر منجر به افتادن در دام بهینه­­های محلی و تمرکز بیشتر بر روی جستجوی سراسری باعث کاهش سرعت همگرایی و بعضاْ به دست نیامدن جواب قابل قبول می­باشد. بنابراین در روش پیشنهادی آن‌ها سعی شده تا از قابلیت جستجوی سراسری و محلی به صورت ترکیبی استفاده شود.

  نویسندگان در مقاله ]16[ یک پروتکل مسیریابی مطمئن مبتنی بر خوشه بندی و چاهک سیار در شبکه حسگر بی­سیم ارائه دادند که با استفاده از چاهک سیار و خوشه­بندی، طول عمر شبکه را افزایش می­دهد. همچنین با تصمیم گیری در خصوص انتخاب بهترین سرخوشه­ جایگزین در زمان رخ دادن خطا، به صورت محلی و پویا باعث افزایش قابلیت اطمینان در شبکه می­شود. در روش پیشنهادی، استفاده از چاهک­ سیار و خوشه­بندی فازی پیشنهاد شده است تا بتواند ضمن برقراری تعادل بار، به مصرف انرژی یکنواخت در سراسر شبکه کمک کند. پروتکل پیشنهادی که DCRRP 5 نام دارد بصورت توزیع شده عمل می­کند و قادر است تاخیر گزارش داده را به حداقل برساند. نتايج حاصل از شبيه سازي پروتکل پيشنهادي در OPNET، با پروتکل NODIC 6 در حالت خطا و بدون خطا مقايسه شده است. به طور کلي مشاهده شد که روش پيشنهادي نویسندگان، رفتار بهتري نسبت به پروتکل NODIC را نشان مي­دهد. از معایب این روش، این است که پس از تحرک چاهک چند گره بعنوان چاهک در محل اولیه چاهک باقی می­مانند و گره‌ها بایستی در صورت وجود داده، به گره‌های نماینده چاهک سیار اطلاع دهند که خود این مسئله باعث مصرف انرژی خواهد شد.

نویسندگان در مقاله ]17[ یک روش آگاه از انرژی پوشش شبکه با حداقل درخت پوشا بنام 7CEMST  برای شبکه­های حسگر بی­سیم مبتنی بر خوشه­بندی چند گامی که چگالی گره­های حسگر و همپوشانی محدوده پوشش­دهی آنها را در نظر می­گیرد پیشنهاد شده است. CEMST از سه مرحله تشکیل خوشه، ساخت مسیر و بازسازی تشکیل شده است در مرحله تشکیل خوشه سرخوشه­ها و اعضای آنها را از نظر انرژی باقیمانده و میزان همپوشانی بین اعضا تعیین می­کند. همچنین اندازه خوشه را متناسب با انرژی باقیمانده، تراکم گره و فاصله متوسط تا گره چاهک تعیین می­کند. در مرحله ساخت مسیر، مسیرهای درون خوشه­ای ساخته می­شوند در مرحله بازسازی زمانی‌که باتری گره­ای تمام می­شود یا پیوندهای درون خوشه­ای به دلیل از بین رفتن حسگر قطع می­شوند، اجرا می­شود. برای صرفه جویی در انرژی، گره­های قطع شده را دوباره متصل می­کند و سرخوشه­های جایگزین را بدون اجرای مجدد الگوریتم خوشه­بندی تعیین می­کند. CEMST ساختارهای خوشه­ای مناسب­تر و مسیرهای با مصرف انرژی مناسب­تر را ایجاد می­کند، بنابراین طول عمر شبکه افزایش می­یابد. نتایج شبیه سازی نشان می­دهد که CEMST ساختارهای خوشه­بندی مناسبی را تولید و پوشش­دهی بهتر و طول عمر شبکه را به نسبت روش­های پیشین افزایش می­دهد. عیب این روش این است که مرحله ساخت مسیر و تعیین مسیرهای درون خوشه­ای هزینه پردازشی بالایی دارد.

در مقاله ]۱۸[ یک پروتكل مسیریابی آگاه از انرژی با استفاده از الگوریتم بهینه­سازی ازدحام ماهی­ها بنام AFSRP در شبکه­های حسگر بی­سیم ارائه نمودند که میزان انرژی مصرفی را بهبود می­بخشد. پروتکل پیشنهادی با پروتکلERA 8 در شبيه ساز OPNET11.5 شبیه سازی نمودند و نتايج شبیه سازی نشان داد که پروتکل پيشنهادي آنها داراي عملکرد بهتري نسبت به پروتکلERA از نظر مصرف انرژي، تأخیر انتها به انتها، تأخیر دسترسی به رسانه، نرخ گذردهی، احتمال موفقیت ارسال به چاهک و نسبت سیگنال به نویز مي­باشد. 

در مقاله ]۱9[ به منظور مدیریت بهینه مصرف انرژی و مدیریت تعداد گره­های حسگر از روش­ خوشه­بندی و انتخاب سرخوشه­های  کارآمد بر اساس دو الگوریتم ژنتیک و الگوریتم بیهنه­سازی گروه میگوها استفاده شده است. که یکبار با استفاده از الگوریتم ژنتیک و بار دیگر با استفاده از الگوریتم بهینه سازی میگوها عمل خوشه­بندی را برای مقیاس­های مختلف از شبکه حسگرانجام شده است. الگوریتم ژنتیک به عنوان یک روش انتخاب سرخوشه موجب انتخاب خوشه­های بهینه می­شود که سرخوشه­ها را بر اساس انرژی باقیمانده گره انتخاب می­کند که در این روش یک مصالحه متقابل بین، فاصله بین خوشه­ای و درون خوشه­ای در نظر گرفته شده است. در روش خوشه­بندی با الگوریتم بهینه سازی میگوها خوشه­ها با مجموعه بهینه گره ممکن در هر دور تشکیل می­شوند و درعمل خوشه­بندی با هدف بهینه سازی هزینه­های انرژی در حسگرها، معیار انتخاب سرخوشه بر حسب انرژی باقیمانده گره­های حسگر در نظر گرفته شده است. نتایج شبیه سازی نشان می­دهد که در خوشه­بندی شبکه حسگر با استفاده از الگوریتم بهینه سازی میگوها، طول عمر شبکه در مقیاس های مختلف شبکه نسبت الگوریتم ژنتیک و LEACH بهبود یافته است. تفاوت این روش با روش پیشنهاد شده مقاله حاضر (KHCMSBA) این است که در روش KHCMSBA در انتخاب سرخوشه­ها علاوه بر معیار انرژی باقیمانده گره­های حسگر معیار فاصله تا چاهک را نیز در نظر گرفته است همچنین برای سرخوشه­های با فاصله دورتر از سینک، با اعلام به چاهک و با استفاده از چاهک متحرک موجب صرفه جویی بیشتر در انرژی مصرفی می­شود.

در مقاله ]20 [با توجه به این مسئله که ارتباط بین گره‌ها، بیشترین مصرف انرژی را دارد و استفاده از یک الگوریتم خوشه‌بندی مناسب می‌تواند نقش حیاتی در افزایش طول عمر شبکه ایفا کند یک الگوریتم خوشه­بندی متمرکز آگاه از انرژی با استفاده از الگوریتم بهینه­سازی میگوها برای افزایش طول عمر شبکه پیشنهاد شده است. در روش پیشنهادی انرژی باقیمانده جهت انتخاب سرخوشه­ها در نظر گرفته شده است. نتایج شبیه­سازی حاکی از آن است که الگوریتم الگوریتم بهینه­سازی میگوها با توزیع یکنواخت سرخوشه­ها در سراسر شبکه، موجب تشکیل خوشه­های بهینه و در نتیجه طول عمر شبکه را نسبت به الگوریتم­های مانند Leach ، Leach-C و PSO به حداکثر می­رساند. تفاوت روش این مقاله با روش پیشنهاد شده مقاله حاضر (KHCMSBA) این است که در روش KHCMSBA نه تنها از خوشه­بندی متمرکز استفاده شده است بلکه در انتخاب سرخوشه­ها علاوه بر معیار انرژی باقیمانده گره­های حسگر معیار فاصله تا چاهک را نیز در نظر گرفته است که موجب کاهش زمان ارسال داده و کاهش نرخ از دست دادن داده می­شود. همچنین یک ستون فقرات مجازی مستقیم که ریشه آن در گره چاهک می­باشد برای تمام سرخوشه­ها ایجاد شده که این امر به نوبه خود موجب کاهش مصرف انرژی در بحث ارتباط بین گره‌ها خواهد شد.

در مقاله ]21[ با توجه به اینکه استقرار خودسرانه گره‌های حسگر متحرک یا ثابت در طول سال‌ها یک مسئله چالش برانگیز در شبکه‌های حسگر بی‌سیم بوده است و شناسایی مکان دقیق گره­های حسگر متحرک به دلیل حرکت آنها دشوار است و در شبکه­های حسگر با مقیاس بزرگ سیستم موقعیت جهانی (GPS) برای هر گره حسگر هزینه مصرف انرژی بالایی دارد از این رو، از الگوریتم فرابتکاری بهینه­سازی گروه میگوها برای یافتن مکان گره­های غیر لنگر با استفاده از گره­های لنگر متحرک استفاده شده است. گره­های لنگر متحرک دارای واحدهای GPS هستند و مکان دقیق خود را در فواصل زمانی معین پخش می­کنند تا مکان گره­های غیر لنگر را پیدا کنند. در این مقاله دو عملگر ژنتیکی یعنی متقاطع و جهش به الگوریتم اضافه می‌شوند تا رفتار گره‌­های لنگر متحرک را تحلیل کنند. نتایج  شبیه­سازی حاکی از به­حداقل رسیدن خطای تعیین مکان، خطای انتشار، خطای میانگین مربعات و میانگین خطای مطلق است که عملکرد بهتر الگوریتم مکان یابی مبتنی بر الگوریتم بهینه­سازی گروه میگوها با کمترین میزان خطا در مقایسه با الگوریتم بهینه‌سازی ازدحام ذرات و الگوریتم مکان یابی IAL است. 

در مقاله ]22[ با توجه به اینکه در شبکه­های حسگر پروتکل مسیریابی مناسب نقش مهمی در برقراری ارتباط بین گره­های حسگر دارد و مصرف انرژی دستگاه­ها را کاهش می­دهد یک رویکرد  کارآمد مسیریابی مبتنی بر خوشه­بندی برای بهبود مصرف انرژی و تقویت عمر شبکه پیشنهاد شده است. با توجه به ماهیت  NP-Hardبودن خوشه­بندی، از الگوریتم بهینه سازی گروه میگوها در این مقاله برای انتخاب گرههای سرخوشه و گره­های میانی مورد نیاز برای مسیریابی استفاده شده است. نتایج شبیه سازی حاکی از آن است که روش پیشنهادی بهتر از بهینه سازی ازدحام ذرات و جستجوی فاخته از نظر طول عمر شبکه عمل کرده و طول عمر کل شبکه را حداقل 11.1 ٪ افزایش داده است. در این روش فقط معیار انرژی سطح باتری برای انتخاب سرخوشه­ها استفاده شده است ولی در روش پیشنهاد شده در مقاله حاضر KHCMSBA)) در انتخاب سرخوشه­ها نه تنها از معیار انرژی باقیمانده گره­های حسگر استفاده شده بلکه معیار فاصله تا چاهک را نیز در نظر گرفته است همچنین از چاهک متحرک نیز برای فواصل دورکه سرخوشه مستقیم قادر به ارسال داده نباشد نیز استفاده شده که موجب کاهش مصرف انرژی و زمان ارسال داده و کاهش نرخ از دست دادن داده می­شود.

در مقاله ]23[ از دو رویکرد متمرکز ترکیبی که از الگوریتم­های بهینه­سازی کلونی پروانه و کلونی مورچه به همراه گره سینک ثابت و سینک متحرک، به منظور خوشه­بندی در شبکه­های حسگر استفاده شده است. الگوریتم­ بهینه­سازی کلونی پروانه سر خوشه­های بهینه را تعیین می­کند، و الگوریتم بهینه­سازی کلونی مورچه مسیریابی آگاه از انرژی را انجام می دهد، در نتیجه موجب کاهش مصرف انرژی و به حداکثر رساندن طول عمر شبکه می­شود.علاوه بر این، در این مقاله، از گره سینک متحرک برای کاهش ارتباطات چندگامه بین سرخوشه­ها و گره­های سینک استفاده می­شود، از این رو باعث حل مشکل مسئله نقطه داغ و افزایش طول عمر شبکه می­شود. نتایج شبیه­سازی نشان داد که الگوریتم ترکیبی کلونی پروانه و کلونی مورچه به همراه گره سینک ساکن عملکردی بهتری از نظر انرژی باقیمانده گره­ها نسبت به الگوریتم­های CRWO ، ERP و IHSbeer دارد.

در مقاله ]24[ با هدف کاهش مصرف انرژی در شبکه­های حسگر یک روش خوشه­بندی تحمل­پذیرخطا با قابلیت مسیریابی آگاه از انرژی برای بهبود طول عمر شبکه را پیشنهاد داده است. هدف روش پیشنهادی انتخاب مؤثر سرخوشه­ها و مسیرهای بهینه به سمت مقصد با مکانیسم تحمل­پذیری خطا است. این روش شامل سه فرآیند اصلی یعنی خوشه­بندی مبتنی بر شعله (MFO) برای انتخاب سرخوشه و ایجاد خوشه­ها، فرآیند تحمل­پذیری خطا برای افزایش طول عمر گره­های شبکه و مسیریابی مبتنی بر عنکبوت اجتماعی (SSO) نیز برای انتخاب بهینه مسیرها می­باشد. نتایج شبیه­سازی روش پیشنهادی نشان دهنده افزایش طول عمر بیشتر شبکه در روش پیشنهادی نسبت به روش­های EAFTC-RIS ، FUCCAR-GWSO ، FBECS ، MLSLEEP و خوشه­بندی مبتنی برکلونی زنبور است.

در مقاله ]25[  یک روش مسیریابی جایگشت کارآمد را برای یک شبکه اینترنت اشیا تک گامه پیشنهاد می­کند. در یک شبکه اینترنت اشیا مواردی وجود دارد که اشیا باید با یکدیگرارتباط برقرار کنند. به عنوان مثال، در یک شبکه وسایل نقلیه خودمختار، زمانی که یک وسیله نقلیه بایستی جهت خود را تغییر دهد، باید به سایر وسایل نقلیه در همان شبکه هشدار دهد. این به عنوان مشکل مسیریابی جایگشت شناخته می­شود. به طور دقیق‌تر، مشکل مسیریابی جایگشت در اینترنت اشیا زمانی رخ می‌دهد که برخی از چیزهای شبکه دارای مواردی هستند که به دیگران تعلق دارند. از دو مرحله تشکیل شده است: در مرحله اول، مشکل مسیریابی جایگشت را در یک محیط تک گامه با یک تک کانال حل می­کند که این مرحله با پروتکل مسیریابی برای شبکه‌های کم مصرف RPL مقایسه شد که انرژی کارآمدتری داشت و در مرحله دوم ازیک الگوریتم خوشه‌بندی برای بهبود پروتکل قبلی خود (از نظر مصرف انرژی) استفاده کردند و در نهایت، پروتکل قبلی را به یک شبکه با کانال­های متعدد تعمیم دادند. راه حل پیشنهادی از تکنیک بیداری و خواب برای بهبود مصرف انرژی حسگرها استفاده می­کند. نتایج شبیه سازی نشان می دهد که روش پیشنهادی برای حل مشکل مسیریابی جایگشت از نظر صرفه‌جویی در انرژی، زمانی که حجم داده‌ها برای مسیریابی زیاد است، بهتر عمل می‌کند و برای شبکه‌های اینترنت اشیا در یک محیط تک گامه مناسب است. ایراد این روش این است که جنبه امنیتی را که یکی از چالش­های شبکه­های اینترنت اشیا است، مدیریت نمی­کند علاوه بر این، قابلیت تحمل­پذیری خطا را که تضمین می­کند اینترنت اشیا در حضور برخی از حسگرهای معیوب به کار خود ادامه می دهد، را ندارد.

در مقاله ]26 [به منظور به حداکثر رساندن طول عمر شبکه یک روشی جدید برای مسیریابی مبتنی بر خوشه در شبکه حسگر بی­سیم ارائه شده است. این روش در دو مرحله انجام شده است که شامل انتخاب بهینه سرخوشه از طریق الگوریتم میدان الکتریکی مصنوعی جدید (ML-AEFA) و انتقال داده­ها از طریق الگوریتم گرگ خاکستری  است. در روش پیشنهادی، انتخاب سرخوشه بهینه با در نظر گرفتن انرژی، درجه گره، فاصله بین گره‌های حسگر، فاصله بین سرخوشه­ها و ایستگاه پایه و زمان مرگ گره انجام می‌شود. نتایج شبیه­سازی نشان می­دهد که عملکرد روش پیشنهادی از نظر افزایش طول عمر شبکه­ای با صد گره حسگر نسبت به روش­های MSA، AEFA، BOA + ACO بهبود یافته است.

 

3.       روش پیشنهادی

در اين بخش به توضيح مختصری در خصوص الگوریتم بهینه­ سازی میگو می­پردازیم در نهایت نحوه استفاده از الگوریتم بهینه­ سازی میگو برای خوشه­بندی شبکه­های حسگر بیان می­شود.

الگوریتم بهینه‌سازی گروه میگوها9 (KH) روشی الهام گرفته شده از طبیعت می‌باشد که برای حل مسائل بهینه­سازی پیشنهاد شده است. این الگوریتم توسط گندمی10 در سال 2012 ارائه شده است. این الگوریتم مبتنی بر رفتار غذایی میگوها است. کمترین فاصله هر میگو از غذا و مرکز تجمع میگوهای دیگر به عنوان تابع هدف برای حرکت میگوها می‌باشد. در الگوریتم بهینه­سازی گروه میگوها حرکت میگوها توسط سه فاکتور اصلی فرمول‌بندی می‌شود: (1) حرکت ایجاد شده توسط سایر موجودات (2) رفتار غذایابی (3) پراکندگی تصادفی. در ادامه به توضیح دقیق این الگوریتم می‌پردازیم. میگوهای قطب جنوب یکی از جانوران دریایی هستند که مورد مطالعه قرار گرفته­اند. یکی از توانایی‌های میگو تشکیل گروه‌های بزرگ می‌باشد. در طول سه دهه اخیر چندین مطالعه تحقیقاتی برای فهم بوم‌شناسی و رفتار گروهی میگوها صورت گرفته است. زمانی که شکارچیانی مانند خوکهای آبی، پنگوئنها یا مرغان دریایی به میگوها حمله می‌کنند، با شکار میگوها، تراکم آنها را کاهش می‌دهند. شکل­گیری دسته میگوها بعد از حمله بستگی به فاکتورهای زیادی دارد. ازدحام میگوها با اهداف (1) افزایش تراکم میگوها (2) یافتن غذا، شکل می‌گیرد. از این ویژگی‌ها در ساخت الگوریتم بهینه‌سازی گروه میگوها استفاده شده است. جذب میگوها به مکان‌های پرتراکم و یافتن غذا به عنوان تابع هدف در نظر گرفته می‌شود، که در نهایت منجر می‌شود، میگوها در اطراف بهینه سراسری گرد هم می‌آیند. در این فرآیند، میگوها زمانی که به دنبال غذا و بیشترین تراکم می‌گردند به سمت بهترین راه‌حل حرکت می‌کنند. در سیستمهای طبیعی، برازش هر موجود ترکیبی از فاصله از غذا و بیشترین تراکم در ازدحام میگوها می‌باشد. در فضاهای چندین بعدی، الگوریتم باید قادر به جستجوی چندین بعد باشد. بنابراین مدل لاگرانژی رابطه 1 برای فضای تصمیم n بعدی مورد استفاده قرار می‌گیرد.

(1)                                                    

که Ni حرکت ایجاد شده توسط سایر موجودات می‌باشد، Fi حرکت غذایابی می‌باشد و Di پراکندگی فیزیکی –i امین میگو می‌باشد. که در حرکت ایجاد شده توسط سایر موجودات، میگوها سعی می‌کنند که به سمت مرکز تراکم گروه حرکت کنند حرکت غذایابی با توجه به موقعیت غذا و تجربه قبلی میگو رد مورد موقعیت غذا مدل می­شود و در پراکندگی فیزیکی میگوها را به صورت یک فرآیند تصادفی مدل می­شوند که قادر به انجام حرکتهای اتفاقی و کاملا تصادفی هستند.

در الگوریتم پیشنهادی فرض می­شود هر حسگر به منزله یک میگو است و گره چاهک منبع اصلی غذا باشد که میگوها تمایل دارند به آنجا بروند. حسگرها به صورت تصادفي و يکپارچه در محیط شبیه سازی قرار گرفته­اند و حسگرها مجهز به GPS مي­باشند و مکان آنها براي سينک و حسگرهای دیگر مشخص است.

مراحل خوشه­بندی گرههای حسگر توسط الگوریتم بهینه­سازی گروه میگوها بشرح زیر است.

ابتدا هر گره حسگر یک پیغام سلام را برای شناسی همسایه­ها در رنج خود پخش می­کند گرههای همسایه با دریافت پیغام سلام پیغام پاسخ را تولید و مقدار انرژی و شناسه خود و موقعیت فیزیکی خود را که از طریق GPS بدست آورده­اند در بسته درج و به سمت گره ارسال کننده پیغام سلام می­فرستند هر گره فرستنده سلام با دریافت هر پیغام پاسخ از همسایه اطلاعات همسایه­هایش را استخراج و در جدول همسایگی خود نگه می­دارد. علاوه بر آن هر گره اطلاعاتی نظیر شناسه همسایه­هایش را از این بسته پاسخ سلام استخراج و بهمراه شناسه خود، انرژی باقی­مانده و فاصله خود تا چاهک به طرف چاهک می­فرستد. لازم بذکر است هر گره از موقعیت فیزیکی چاهک اطلاع دارد و موقعیت خود را هم از طریق GPS بدست می­آورد و فاصله اقلیدسی خود تا چاهک را محاسبه می­کند و به طرف چاهک ارسال می­کند. با توجه به این مسئله که اجرای الگوریتم بصورت توزیع شده در داخل گرههای حسگر هزینه پردازشی بالایی خواهد داشت لذا در روش پیشنهادی الگوریتم خوشه­بندی برای صرفه­جویی بیشتر در انرژی گرههای حسگر بصورت متمرکز داخل چاهک اجرا خواهد شد بنابراین هر گره قبل از اجرای الگوریتم خوشه­بندی اطلاعاتی نظیر شناسه خود، شناسه همسایه­ها، مقدار انرژی سطح باتری و فاصله تا چاهک را داخل یک بسته قرار داده و به سمت چاهک می­فرستد. چاهک پس از دریافت همه بسته­ها از تمامی گرههای حسگر اقدام به اجرای الگوریتم خوشه­بندی می­کند و پس از تعیین سرخوشه­ها توسط الگوریتم بهینه­سازی گروه میگوها شناسه سرخوشه­ها را به تمامی گرههای شبکه اطلاع رسانی می­کند. در روش پیشنهادی فرض شده که گره­های حسگر ثابت هستند و متحرک در نظر گرفته نشده­اند برای مدل کردن سرعت حرکت ما سرعت ارسال بسته به چاهک یا منبع غذا را در نظر گرفتیم بدین صورت که هر چه قدر فاصله گره به چاهک نزدیکتر سرعت حرکتش افزایش می­یابد. ضمناً با توجه به اینکه فضای شبیه­سازی سه بعدی در نظر گرفته شده است بنابراین از مدل لاگرانژی رابطه 1 برای فضای تصمیم استفاده می­گردد. خوشه­بندی نیز در روش پیشنهادی بر حسب دو معیار انرژی سطح باتری و فاصله تا چاهک انجام خواهد شد لذا حسگری که فاصله کمتر تا چاهک دارد و انرژی بالایی دارد برای سرخوشه شدن در الویت قرار می­گیرد. روند کار بدین صورت زیر است:

1. تشکیل جمعیت اولیه: هر راه حل را یک مجموعه از گره­های حسگر که کاندید سرخوشه شدن هستند در نظر گرفته می­شود لذا 10 تا راه­حل تصادفی تولید می­کنیم. با توجه به اینکه تعداد خوشه­هایی که می­خواهیم تشکیل دهیم به ازای 50 گره حسگر پنج تا است بنابراین هر راه­حل را آرایه­ای پنج تایی در نظر می­گیریم که عناصر آرایه همان شناسه گرههای حسگر کاندید سرخوشه شدن است. شکل 1 نمونه­ای از یک راه­حل را نشان می­دهد که گرههای حسگر با شناسه 40، 25، 45، 11 و 10 را بطور تصادفی بعنوان سرخوشه انتخاب نموده است.

img0 

شکل1. نمونه­ای از یک راه­حل در روش پیشنهادی

 

2. محاسبه برازش میگوها یا گرههای حسگر: طبق رابطه 1 برازش برای مدل سه بعدی پیشنهادی شامل مجموع Ni حرکت ایجاد شده توسط سایر موجودات و Fi حرکت غذایابی و Di پراکندگی فیزیکی –i امین حسگر می‌باشد که در ادامه هر کدام از رفتارهای حرکتی سه گانه مطرح شده در رابطه 1 تشریح خواهد شد.

 2-1.حرکت ایجاد شده توسط سایر گرههای حسگر: در الگوریتم پیشنهادی هر گره سعی می­کند سریعتر داده­های خود را به چاهک ارسال کند. جهت حرکت  از طریق تراکم محلی ازدحام (تاثیر محلی)، مقصد حرکت ازدحام (تاثیر هدف) و عواملی که ازدحام از آنها دوری می‌کند، تقریب زده می‌شود. این حرکت می‌تواند به صورت رابطه 2 نشان داده شود.

 

(2)                             

به صورتی که  طبق رابطه 3 محاسبه خواهد شد.

 

(3)

و Nmax که بیشترین سرعت می‌باشد و معمولا 0.01 متر بر ثانیه در نظر گرفته می‌شود، وزن اینرسی حرکت در بازه [0,1]، نیز آخرین حرکت انجام شده ،  تاثیر محلی ایجاد شده توسط همسایگان گره حسگر و  تاثیر جهت هدف می‌باشد که توسط بهترین میگو تعیین می‌گردد.

تأثیر همسایگان می‌تواند به صورت نسبت جذابیت به دفع کنندگی بین موجودات برای جستجوی محلی در نظر گرفته شود. تاثیر همسایگان در حرکت موجودات را به صورت رابطه 4 در نظر گرفته شده است.

(4)                        

(5)                               

(۶)                         

به صورت که  و  بهترین و بدترین مقادیر برازندگی گرههای حسگر تا کنون هستند؛ Ki بیانگر برازندگی i امین حسگر می‌باشد. Kj مقدار برازندگی j امین همسایه (j=1,2,…..NN) می‌باشد. X نمایانگر موقعیت مربوطه می‌باشد و NN تعداد همسایگان است. همچنین مقدار مثبت کوچک  به مخرج اضافه می‌شود. که برابر 0.5 فرض شده است. سمت راست روابط 4 تا 6 شامل تعدادی بردار واحد و تعدادی مقدار برازندگی نرمال شده می‌باشد. بردارها نشان دهنده جهت‌های همسایگان مختلف می‌باشند و هر مقدار نشان دهنده تاثیر آن همسایه است. بردار همسایه می‌تواند جذب کننده و یا دافع باشد زیرا مقدار نرمال شده می‌تواند مثبت و یا منفی باشد. در رابطه 8 تأثیر بهترین تابع برازش در i امین حسگر نشان داده شده است. برای محاسبه برازندگی­ها از منطق فازی و برحسب دو معیار فاصله گره حسگر تا چاهک و مقدار انرژی مصرفی استفاده می شود. در ادمه به توضیح محاسبه برازندگی پرداخته می شود:

همانطور که عنوان شد در شناسایی همسایه­ها هر گره که در فاصله حسی11 یک حسگر باشد و پیغام سلام را از آن دریافت کرده بایستی پیغام پاسخ را به همسایه خود ارسال نماید که فاصله حسی برای جستجوی میگوها، همانند شکل 2 تعیین شود.

img0 

شکل2. نمایشی از فاصله قابل احساس میگوها

 

 (8)                     

که ضریب تاثیر میگو با بیشترین برازندگی بر i امین میگو می‌باشد. این ضریب بر این اساس تعریف می‌شود که  که راه حل به بهینه سراسری همگرا شود. مقدار  طبق رابطه 9 محاسبه می‌شود:

      =2(rand+ )     (9)    

که rand مقدار تصادفی بین 1,0 می‌باشد و به منظور افزایش قابلیت پویش در نظر گرفته شده است. I شماره تکرار و Imax بیشترین تکرارها می‌باشد.

2-2.حرکت غذایابی: حرکت غذایابی با دو پارامتر موثر اصلی فرمول‌بندی می‌شود. اولی موقعیت غذا که همان موقعیت فیزیکی چاهک است و دومی تجربه قبلی درباره موقعیت غذا می‌باشد. طبق رابطه ۱۰:

(10)                                           =   

(11)                             

که  برابر با سرعت غذایابی، وزن اینرسی حرکت غذایابی در بازه [0,1]،  آخرین حرکت غذایابی، جاذبه غذا و  اثر بهترین برازندگی i امین میگو تاکنون می‌باشد. مقدار سرعت غذایابی 0.02 (ms-1) در نظر گرفته شد. تاثیر غذا به صورت موقعیت آن تعریف می‌شود (موقعیت فیزیکی چاهک). ابتدا چاهک توسط هر گره شناسایی و سپس سعی در فرمول بندی جاذبه آن نمود. جاذبه چاهک برای i امین حسگر می‌تواند به صورت 12 تعیین شود.

(12)                         

که  ضریب جاذبه غذا می‌باشد. از آنجایی که تاثیر چاهک در دسته حسگرها در طول زمان کاهش می‌یابد، ضریب غذا را می‌توانیم به صورت 13 تعریف کنیم:

 (13)                                        = 2(1-)        

جاذبه غذا به صورت امکان جذب ازدحام میگوها به سمت بهینه سراسری یا همان چاهک تعریف می‌شود. بر اساس این تعریف، بسته­های حسگرها از طریق مسیرها بعد از چند بار تکرار و تعیین سرخوشه­ها از طریق سرخوشه به چاهک خواهد رسد. تأثیر بهترین برازندگی i امین حسگر با استفاده از رابطه 14 تعیین می‌گردد:

(14)  =

 به صورتی که  بهترین موقعیت دیده شده قبلی در i امین موجود می‌باشد.

2-3 پراکندگی فیزیکی: پراکندگی فیزیکی حسگرها را می‌توان یک فرآیند تصادفی در نظر گرفت. این حرکت را می‌‎توان به صورت بیشترین سرعت پراکندگی و بردار تصادفی جهت که در رابطه 15 آورده شده بیان نمود:

(15) Di=Dmax (1-)

کهDmax برابر با بیشترین سرعت پراکندگی می‌باشد و  بردار جهت تصادفی است که آرایه‌هایش مقادیر تصادفی بین 1, -1 هستند.

3. مدل کردن حرکت میگوها یا همان حرکت حسگرها: عموماً، حرکتهای تعریف شده، موقعیت حسگرها را دائما به سمت بهترین برازندگی تغییر می‌دهد. حرکت غذایابی و حرکت ایجاد شده توسط سایر گرههای حسگر، دارای دو استراتژی محلی و سراسری می‌باشد. این دو به صورت موازی با یکدیگر کار می‌کنند تا الگوریتم گروه میگوها را قدرتمند سازند. مطابق با فرمول­بندی­‌های این حرکت برایi  امین حسگر، اگر مقدار برازش مربوط به هر یک از موقعیتهای ذکر شده در فوق (, Kbest, Kfood) بهتر از برازندگی I امین حسگر باشد، آن موقعیت دارای اثر جاذبه می‌باشد، در غیر اینصورت دارای اثر دافعه است.

با استفاده از پارامترهای موثر مختلف حرکت در طول زمان، بردار موقعیت یک حسگر در طول بازه t تا t+ توسط رابطه 16 بدست می‌آید:

(16)

با توجه به این که  یکی از مهمترین ثابتها است و باید به دقت برای مسائل بهینه سازی تنظیم شوند لذا می­توان مقدار ثابت را با استفاده از رابطه 17 بدست آورد:

(17)    

به صورتی کهNV تعداد کل متغیرها می­باشد و  و  به ترتیب حد بالا و حد پایین j امین متغیر (j=1,2,…………..,NV) می‌باشند. بنابراین قدرمطلق تفاوت آنها گستره فضای جستجو را نشان می‌دهد. به صورت تجربی مقدار Ct در بازه [0,2] بدست آمده است. همچنین واضح است که مقدار کوچک پارامتر Ct امکان کاوش دقیق فضای جستجو را فراهم می‌آورد.

4. اجرای عملگر بازترکیب: برای افزایش کارآیی فرآیند جستجو. عملگرهای تولید مثل الگوریتم ژنتیک به بهینه‌سازی گروه میگوها اضافه شده‌اندکه عبارتند از عملگرهای بازترکیب و جهش. عملگر بازترکیب با احتمال بازترکیب Cr  کنترل می‌شود. بدین صورت که با تولید عدد تصادفی از توزیع یکنواخت در باز [0,1] ،m امین مولفه Xi ، Xi,m طبق رابطه ۱۸ محاسبه می‌شود:

 

  

(۱۸)

                                  

که  r  با استفاده از این احتمال بازترکیب جدید، احتمال بازترکیب برای بهینه سراسری برابر با صفر و با کاهش برازندگی افزایش می‌یابد.

اجرای عملگر جهش: عملگر جهش، در الگوریتم بهینه‌سازی گروه میگوها، با احتمال (Mu) کنترل می‌شود. جهش تطبیقی رابطه ۱۹ را برای این الگوریتم بکار برده ایم:

 

 (۱۹)

 

به صورتی که  و  عددی بین صفر و یک می‌باشد. با استفاده از این احتمال جهش جدید احتمال جهش برای بهینه سراسری برابر با صفر و با کاهش برازندگی افزایش می‌یابد.

 4. تعیین سرخوشه­ها توسط چاهک: بعد از برقراری شرط خاتمه یعنی صد دور اجرای الگوریتم گره­هایی که دارای برازندگی بالاتری هستند بعنوان سرخوشه انتخاب می­شوند. چاهک یک پیغام اعلان سرخوشه را که حاوی شناسه گره­های حسگر با بیشترین برازندگی است تولید و به اطلاع تمامی گره­ها می­رساند.

5. مرحله تعیین اعضا خوشه و تشکیل خوشه: گره­های سرخوشه یک پیغام اعلان سرخوشه را که حاوی شناسه خود و موقعیت قرار گیری­شان است را در رنج خود پخش می­کنند همه گره­های حسگر که در رنج سرخوشه قرار دارند این پیغام را دریافت می­کنند در صورتیکه گره همسایه خود سرخوشه نباشد و از دو تا سرخوشه پیغام را دریافت کرده باشد فاصله اقلیدسی خود را با سرخوشه می­سنجند و به نزدیکترین سرخوشه پیغام اتصال را که حاوی شناسه و مقدار انرژی باقی ماند­شان است می­فرستد بدین ترتیب اعضا خوشه نیز مشخص می­شود. گرههای سرخوشه با دریافت پیغام اتصال از اعضای خوشه خود اطلاعات اعضا را در جدول اعضا نگهداری می­کند. جهت سهولت مسیریابی داده به گره چاهک، یک ستون فقرات مجازی مستقیم که ریشه آن در گره چاهک می­باشد برای تمام سرخوشه­ها ایجاد می­شود. در آغاز گره چاهک یک پیغام درخواست مسیر را به تمام سرخوشه­هایی که در محدوده R2 آن هستند ارسال می­نماید که این پیغام شامل اطلاعاتی همچون شناسه گره (ID)، سطح (L) و اطلاعات مکانی می­باشد. وقتی که سرخوشه u یک پیغام را دریافت می­کند، گره سطح خود را یک مقدار افزایش داده و گره چاهک را به ‌عنوان پدر خود انتخاب می­کند به همین ترتیب سرخوشه u یک پیغام درخواست مسیر را مجدداً به تمام سرخوشه­هایی که در محدوده آن قرار دارند ارسال می­کند که پیغام شامل اطلاعاتی همچون ID، سطح،  و اطلاعات مکانی سرخوشهu  می­باشد. اگر یک سرخوشه مانند v پیغام را دریافت کند که سطح آن کوچک‌تر یا مساوی سطح گره u باشد، آن پیغام را نادیده می­گیرد. در غیر این صورت، مقدار سطح را به مقدار یکی بزرگ‌تر از سطح u افزایش داده و آن را به‌عنوان یکی از والدین خود قرار می­دهد. به همین صورت این مراحل ادامه پیدا می­کند و همه سرخوشه­ها پیغام درخواست مسیر را برای تکمیل کردن فرآیند ایجاد ستون فقرات مجازی مستقیم همه پخشی می­کنند. شبه کد روش پیشنهادی در شکل 3 آورده شده است.

6. مرحله چاهک متحرک: در مواردی که حسگر دریافت کننده داده، با یک گام توانایی ارسال ندارد، از روابط چندگامی استفاده می­کند. از طرفی، زیاد شدن تعداد گام­ها باعث می­شود گره­های بیشتری در طول مسیر بسته را بافر کنند، که این مساله، پردازش و سربار بالایی خواهد داشت. بنابراین استفاده از چاهکی که قابلیت تحرک داشته باشد و به کم شدن گام­های مختلف در مسیریابی­های متعدد در شبکه کمک کند، بسیار ضروری است در مرحله تشکیل خوشه­ها جدولی در چاهک وجود دارد که حاوی فیلدهایی نظیر شناسه گرههای سرخوشه، موقعیت جغرافیایی و انرژی باقیمانده سرخوشه­ها است که در هر دور با تغییر انرژی باقیمانده سرخوشه­ها و حتی گره­ای که به عنوان سرخوشه انتخاب شده است، به روز می­شود. بعد از این­که جمع­آوری داده توسط سرخوشه­ها تمام شد، گره­های سرخوشه پیامی به چاهک ارسال می­کنند و انرژی باقیمانده خود را بعد از یک دور ردوبدل کردن پیام به چاهک اطلاع داده و به چاهک اعلام می­کنند که داده برای ارسال دارند. حالا نوبت چاهک است که شروع به دریافت داده کند. یکی از راه­حل­های مطرح شده استفاده از چاهک متحرک و نحوه­ی تصمیم­گیری در انتخاب محل جابه­جایی است. باتوجه به این­که در هر دور یک مکان تصادفی برای چاهک انتخاب و تعبیه شده است، چاهک با توجه به انرژی باقیمانده­ی سرخوشه­ها که در جدولش موجود است، تصمیم­گیری را انجام خواهد داد. اگر انرژی باقیمانده­ی سرخوشه­ها بیش از 50% کل انرژی اولیه­ی آن­ها باشد، چاهک به مکانی­که به صورت تصادفی برایش تعبیه شده نقل مکان می­کند، اما اگر کمتر از 50% باشد چاهک به سمت منطقه پرتراکم حرکت می­کند و قبل از حرکت گره­ای را به عنوان نماینده­ خود در مکان تعبیه­ شده­اش قرار می­دهد تا مسئول جمع­آوری داده از سرخوشه باشد. حالا سرخوشه­ها توسط چاهک از هردو مختصات مشخص شده برای دریافت داده مطلع خواهند شد، و داده را به نزدیک­ترین آن­ها با استفاده از چند گام یا تک­گامه ارسال می­کنند. در انتها چاهک به جایگاه اصلی­اش بازمی­گردد و داده­ها را از گره­ی نماینده دریافت خواهد کرد. سپس دوباره انجام فعالیت خوشه­ها آغاز می­شود و دور بعدی نیز به همین روش شروع خواهد شد.   

img0 

شکل ۳. شبه کد الگوریتم پیشنهادی

4.       شبیه سازی روش پیشنهادی

1.4 محیط شبیه­سازی

در اين مقاله براي شبيه­سازي روش پيشنهادي و مقايسه آن با پروتکل AFSRP از نرم افزار شبيه­سازي OpnetModeler12 نسخه 11.5 استفاده شده است. پارامترهاي شبيه­سازي در جدول (1) نشان داده شده است. با توجه به شكل 4 در روش پيشنهادي ما همبندي شبكه را 60 گره در نظر گرفته­ايم كه دو سناريو، كه سناريو اول گره­هاي حسگر بصورت تصادفي بر اساس پروتکل AFSRP در محيط پراكنده شده­اند و در سناريو دوم گره­ها بصورت تصادفي در محيط پخش شده­اند كه با روش پيشنهادي (الگوريتم بهینه­سازی گروه میگوها) خوشه­بندي مي­شوند الگوریتم پیشنهادی KHCMSBA  نامگذاری شده است. براي هر دو سناريو هم­بندي يكساني را فرض كرده­ايم در ادامه نتايج شبيه­سازي پروتكل پيشنهادي بر اساس سناريو­ها آورده شده است.

 

جدول ۱. پارامترهاي شبيه سازي

مقدار

پارامتر

تصادفی

روش پخش گره­ها در محیط

1000m × 1000m× 1000m

اندازه محيط شبيه­سازي

CBR

نوع ارسال

1024 byte

اندازه بسته

پیوسته

مدل باتری

250 ثانیه

زمان شبيه سازي

IEEE802.15.4

پروتکل لايه mac

400 ژول

مقدار اوليه انرژي

1

تعداد چاهک

60

تعداد گره­ها

100 متر

برد انتقال راديويي

C:\Documents and Settings\Administrator\Local Settings\Temporary Internet Files\Content.Word\untitled.bmp 

شكل4. نمايي از توپولوژی شبکه مدل شبيه­سازي شده

2.4 معیارهای کارایی در روش پیشنهادی

به منظور بررسي كارايي روش پيشنهادي از معيارهاي زير استفاده مي­شود.

انرژي مصرفي: انرژي مصرفي برابر است با مجموع انرژي استفاده شده توسط گره­هاي درون شبكه كه انرژي استفاده شده براي يك گره معادل مجموع انرژي استفاده شده براي ارتباطات، شامل انتقال و انتقال و انتظار مي­باشد.

تأخير انتها به انتها: عبارت است از زماني كه طول مي­كشد تا يك بسته داده از فرستنده به گيرنده انتقال داده شود. براي محاسبه ميانگين تأخير انتها به انتها، تأخير انتها به انتهاي تمام بسته­­ها كه توسط گيرندگان دريافت مي­شود محاسبه مي­شود و ميانگين آنها محاسبه مي­شود.

تأخير دسترسي به رسانه: برابرمدت زمان بين دريافت بسته توسط لايهMAC  تا زماني كه بطور كامل بر روي رسانه بي­سيم قرار داده شود. دليل بررسي تأخير دسترسي به رسانه اين است كه بسياري از كاربردهاي چند رسانه­اي داراي محدوديت تأخير هستند و بعد از اين زمان داده مورد نظر كاربري ندارد.

نرخ گذردهي: به عنوان كل بسته­هاي دريافت شده توسط گيرنده­ها تقسيم بر زمان بين دريافت اولين بسته و آخرين بسته تعريف مي­شود. در واقع برابر با تقسيم اندازه فايل در آن زمان، در واحد مگابيت بر ثانيه، مي­باشد.

نرخ سيگنال به نويز: نسبت سيگنال به نويز معياري جهت نمايش ميزان سيگنال مفيد در مقابل سيگنال مزاحم يا نويز است. اين عدد در واقع ميزان قدرت نويز تحميل شده به يك سيگنال در مقابل قدرت خود سيگنال را نمايش مي­دهد. اين شاخص هرچه بيشتر باشد بهتر بوده و نشان دهنده سيگنال مفيد بيشتري است.

3.4 نتایج شبیه­سازی

شکل 5 به مقايسه ميانگين انرژي مصرفي باتری گره­های شبکه براي سناريو الگوريتم­ پيشنهادي KHCMSBA و پروتکلAFSRP مي­پردازد. محور عمودي انرژي مصرفي و محور افقي زمان شبيه­سازي را نشان می­دهد. چنانکه مشاهده می­شود پروتکلAFSRP داراي مصرف انرژي بیشتری مي­باشد. در پروتکلAFSRP برای انتخاب سرخوشه به جایگاه قرارگیری گره تمرکز کرده، گره­ای که فاصله کمتری تا چاهک داشته و انرژی باقیمانده بیشتری از حد آستانه داشته به عنوان سرخوشه انتخاب می­شود، در صورت عدم وجود گره­ با ویژگی­های ذکر شده، این الگوریتم خوشه­بندی مجدد را انجام نمی­دهد از طرفی در پروتکلAFSRP اطلاعات داده جمع آوري شده توسط گره­های سرخوشه مستقيماً به گره سينک ارسال می­شوند. در صورتي ‌كه در روش پيشنهادي KHCMSBA از گره­هایی به ‌عنوان سرخوشه براي ارسال و انتقال داده استفاده مي­شود که انرژي بيشتر و فاصله کمتری تا چاهک داشته باشند. همچنین با توجه به اينكه گره‌هاي عضو نيز با توجه به فاصله­شان به گره سرخوشه مي­پيوندند لذا براي ارسال داده از گره عضو به سرخوشه نيز نيازي نيست انرژي مصرفي زيادي صرف شود لذا در روش پیشنهادی مصرف انرژی بهینه است.

 

شکل 5. ميانگين انرژي مصرفي شبکه

 

شکل 6 به مقايسه تأخير انتها به انتها براي سناريوهاي روش پيشنهادي KHCMSBA و سناريوي پروتکلAFSRP مي­پردازد. محور عمودي تأخير انتها به انتها و محور افقي زمان شبيه سازي است. چنانکه مشاهده مي­شود در پروتکلAFSRP در همان دورهای ابتدایی ممکن است انرژی گره‌های سرخوشه کاهش یابد و نتواند اطلاعات حس شده را قبل از رسیدن چاهک به سمت این سرخوشه انتقال دهد، لذا تأخیر زیاد می­شود. اما در روش KHCMSBA چون در خوشه­بندي سرخوشه­ها از بين گره‌ها با انرژي بيشتر و فاصله کمتر به چاهک متحرک انتخاب مي‌شوند و اعضاء خوشه نيز بر حسب فاصله به سرخوشه مي‌پيوندند، لذا تأخير انتها به انتها كاهش يافته است.

 

 

شکل6. تأخير انتها به انتها

 

شکل7 نرخ گذردهي را­ برای دو سناریو را نشان مي­دهد. محور افقي زمان شبيه­سازي و محور عمودي تعداد بیت های داده تحويل داده شده در زمان يا نرخ گذردهي را نشان مي­دهد. با توجه به شکل 7 در پروتکلAFSRP نسبت به روش پيشنهادي KHCMSBA نسبت بسته‌هايي كه با موفقيت به گره چاهک تحويل داده شده به كل بسته‌هاي انتقال داده شده، بدليل ايجاد ازدحام و خاموش شدن احتمالي گره كم است. در صورتي‌كه در روش پيشنهادي KHCMSBA بدلیل استفاده از چاهک متحرک و ارسال داده از طریق سرخوشه­ها با فاصله کمتر به چاهک نرخ گذردهی افزایش می­یابد. لذا مسير پیدا شده به چاهک تا انتهاي فاز انتقال داده تغيير نمي­كندو نرخ بسته تحويل داده شده به گره چاهک بيشتر خواهد بود.

شکل8 نسبت سيگنال به نويز براي سناريوهاي روش پیشنهادی KHCMSBA و سناریو پروتکلAFSRP را نشان می­دهد. محور افقي زمان شبيه­سازي و محور عمودي نسبت 

 

شکل7. نرخ گذردهي

 

سيگنال به نويز را نشان مي­دهد. با توجه به شکل 8 پروتکلAFSRP نسبت به روش پیشنهادی KHCMSBA نسبت سيگنال به نويز كمتري دارد زيرا ممكن است پروتکلAFSRP موقع ارسال داده تعداد بيت‌هايي كه دچار خطا شده­اند افزایش یافته و نسبت سيگنال به نويز كاهش يابد. هم‌چنين ممكن است سيگنال اطلاعات ارسال شده در پروتکلAFSRP در اثر ازدحام و ايجاد اغتشاش از بين برود و احتمال نويز بالا برود، بنابراین كيفيت داده­هاي ارسالي كاهش يابد. در روش KHCMSBA داده از طریق سرخوشه­های نزدیک به چاهک ارسال می­شود یا از طریق خود چاهک متحرک دریافت می ­شود لذا احتمال وقوع اغتشاش کاهش می­یابد و نسبت سیگنال به نویز افزایش می­یابد.

 

 

شکل 8. نسبت سيگنال به نويز

 

 

5.       نتیجه گیری

در این مقاله الگوریتم جدیدی پیشنهاد شده است که به خوشه­بندی گره­های حسگر در شبکه­های حسگر بی­سیم با استفاده از الگوریتم بهينه­سازي گروه ميگوها می­پردازد تا بتواند مشکل مصرف انرژی را بهبود بخشد. نوآوری روش پیشنهادی در استفاده از الگوریتم بهینه­­سازی گروه میگوها جهت تعیین مناسب­ترین گره­های سرخوشه و استفاده از یک ستون فقرات مجازی مستقیم برای تمام سرخوشه­ها که ریشه آن در گره چاهک است به منظور سهولت ارسال داده­ها و افزایش قابلیت اطمیینان انتقال داده در سرخوشه­های نزدیک چاهک و استفاده از چاهک متحرک برای سرخوشه­های با فاصله دورتر از چاهک به منظور حل مشکل نقطه داغ می باشد که ترکیب روش­های استفاده شده موجب بهبود مصرف انرژی نسبت به پروتکل های دیگر که تنها از الگوریتم بهینه­سازی گروه میگوها برای خوشه­بندی استفاده می­کنند می­شود. در روش پیشنهادی درون خوشه­ها، گره­ها طرح مسیریابی تک گامه را برای برقراری ارتباط با سرخوشه اتخاذ می­کنند، که در دریافت بسته­های داده از همه اعضای خوشه داده­های جمع آوری شده را در مسیر پیش محاسبه شده به گره چاهک متحرک منتقل می­کنند. در ارتباط بین خوشه­ای گره همسایه با حداکثر انرژی باقی مانده انتخاب شده است روش پیشنهادی از انتقال داده­ها به چاهک از مسیرهای طولانی جلوگیری می­کند، به‌این ترتیب انرژی مصرفی شبکه را به حداقل می­رساند از طرفی در شبکه­های حسگر با چاهک ثابت،  بدلیل اینکه گره های نزدیک به چاهک بدلیل استفاده بیش از حد از انرژی باتری­شان برای ارسال داده سایر گره­های حسگر موجود در شبکه با احتمال بیشتر نسبت به سایر گره‌ها منابع باتری خود را تخلیه می­کنند که این امر منجر به شکست توپولوژی و کاهش پوشش حسی می­شود، لذا احتمال از دست دادن داده افزایش می­یابد. بر این اساس استفاده از چاهک متحرک می­تواند این مشکل را حل کند روش پیشنهادی و AFSRP ]۱۸[ در شبیه ساز OPNET شبیه سازی و نتایج نشان می­دهد که روش پیشنهادی برای ویژگی­های شبکه نظیر بهبود مصرف  انرژی، نرخ از دست دادن بسته­های داده، نرخ گذردهی، تأخیر انتها به انتها بهتر عمل می­کند.

 

 

مراجع

[1] Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: a survey. Computer networks, 38(4), 393-422.

[2] Ritter, H., Schiller, J., Voigt, T., Dunkels, A., & Alonso, J. (2005, February). Experimental evaluation of lifetime bounds for wireless sensor networks. In Wireless Sensor Networks, 2005. Proceeedings of the Second European Workshop on (pp. 25-32). IEEE.‏

[3]Hammoudeh, M., & Newman, R. (2015). Adaptive routing in wireless sensor networks: QoS optimisation for enhanced application performance. Information Fusion, 22, 3-15.‏

[4]Shokouhifar, M., & Jalali, A. (2015). A new evolutionary based application specific routing protocol for clustered wireless sensor networks. AEU-International Journal of Electronics and Communications, 69(1), 432-441.‏

[5] Zowj, A. Y., Bongard, J. C., & Skalka, C. (2017). A Genetic Programming Approach to Cost-Sensitive Control in Wireless Sensor Networks. In Computational Intelligence in Wireless Sensor Networks (pp. 1-31). Springer, Cham.‏

[6] Hacioglu, G., Kand, V. F. A., & Sesli, E. (2016). Multi objective clustering for wireless sensor networks. Expert Systems with Applications, 59, 86-100.‏

[7] Magaia, N., Horta, N., Neves, R., Pereira, P. R., & Correia, M. (2015). A multi-objective routing algorithm for Wireless Multimedia Sensor Networks. Applied Soft Computing, 30, 104-112.‏

[8] Chen, D. R. (2016). An energy-efficient QoS routing for wireless sensor networks using self-stabilizing algorithm. Ad Hoc Networks, 37, 240-255.‏

[9] Tabatabaei, S., Rajaei, A., & Rigi, A. M. (2019). A Novel Energy-Aware Clustering Method via Lion Pride Optimizer Algorithm (LPO) and Fuzzy Logic in Wireless Sensor Networks (WSNs). Wireless Personal Communications, 1-23.

[10] Tabatabaei, S., shelebaf, A.(2020), A Novel Method for Clustering in WSNs via TOPSIS Multi-criteria Decision-Making Algorithm Logic in Wireless Sensor Networks (WSNs). Wireless Personal Communications, 1-17

[11] Tabatabaei, S., & Omrani, M. R. (2018). Proposing a method for controlling congestion in wireless sensor networks using comparative fuzzy logic. Wireless Personal Communications, 100(4), 1459-1476.

[12] Abidi, B., Jilbab, A., & Haziti, M. E. (2017). Wireless Sensor Networks in Biomedical: Wireless Body Area Networks. In Europe and MENA Cooperation Advances in Information and Communication Technologies (pp. 321-329). Springer International Publishing.

[13] Singh, R., & Verma, A. K. (2017). Energy efficient cross layer based adaptive threshold routing protocol for WSN. AEU-International Journal of Electronics and Communications, 72, 166-173.

[14] Sharma, R., Vashisht, V., & Singh, U. (2019). Fuzzy modelling based energy aware clustering in wireless sensor networks using modified invasive weed optimization. Journal of King Saud University-Computer and Information Sciences.‏

[15] Ebrahimi, S., & Tabatabaei, S. (2020). Using Clustering via Soccer League Competition Algorithm for Optimizing Power Consumption in WSNs (Wireless Sensor Networks). Wireless Personal Communications, 113(4), 2387-2402.‏ 

[16]        Tabatabaei, S., & Rigi, A. M. (2019). Reliable routing algorithm based on clustering and mobile sink in wireless sensor networks. Wireless Personal Communications, 108(4), 2541-2558.‏

[17]        Chen, D. R., Chen, L. C., Chen, M. Y., & Hsu, M. Y. (2019). A coverage-aware and energy-efficient protocol for the distributed wireless sensor networks. Computer Communications, 137, 15-31.‏

 

[18]        S. Gorgich and S. Tabatabaei, "Proposing an Energy-Aware Routing Protocol by Using Fish Swarm Optimization Algorithm in WSN (Wireless Sensor Networks)," Wireless Personal Communications, pp. 1-21, 2021.

[19] Karthick, P. T., & Palanisamy, C. (2019). Optimized cluster head selection using krill herd algorithm for wireless sensor network. Automatika: časopis za automatiku, mjerenje, elektroniku, računarstvo i komunikacije, 60(3), 340-348.

[20] Shopon, M., Adnan, M. A., & Mridha, M. F. (2016, December). Krill herd based clustering algorithm for wireless sensor networks. In 2016 International workshop on computational intelligence (IWCI) (pp. 96-100). IEEE.

[21] Sabbella, V. R., Edla, D. R., Lipare, A., & Parne, S. R. (2020). An efficient localization approach in wireless sensor networks using krill herd optimization algorithm. IEEE Systems Journal, 15(2), 2432-2442.

[22] Sadrishojaei, M., Navimipour, N. J., Reshadi, M., & Hosseinzadeh, M. (2022). A new clustering-based routing method in the mobile internet of things using a krill herd algorithm. Cluster Computing, 25(1), 351-361.

[23] Amutha, J., Sharma, S., & Sharma, S. K. (2022). An energy efficient cluster based hybrid optimization algorithm with static sink and mobile sink node for Wireless Sensor Networks. Expert Systems with Applications, 203, 117334.

[24] Mansour, R. F., Alsuhibany, S. A., Abdel-Khalek, S., Alharbi, R., Vaiyapuri, T., Obaid, A. J., & Gupta, D. (2022). Energy Aware Fault Tolerant Clustering with Routing Protocol for Improved Survivability in Wireless Sensor Networks. Computer Networks, 109049.

[25] Bomgni, A. B., Sindjoung, M. L. F., Tchibonsou, D. K., Velempini, M., & Myoupo, J. F. (2022). NESEPRIN: A new scheme for energy-efficient permutation routing in IoT networks. Computer Networks, 214, 109162.

[26] Malisetti, N., & Pamula, V. K. (2022). Energy efficient cluster based routing for wireless sensor networks using moth levy adopted artificial electric field algorithm and customized grey wolf optimization algorithm. Microprocessors and Microsystems, 93, 104593.

 

 

 

241

 

[1] نویسنده مسئول: شایسته طباطبائی shtabatabaey@yahoo.com

[2]  Hard Real Time

[3]  Technique for Order Preference by Similarity to Ideal Solution

[4]  Sharma

[5]  Distributed Clustering Reliable Routing Protocol

[6]  Novel Distributed Clustering

[7]  Coverage- and Energy-aware Method with Minimum Spanning Trees

[8]  Energy-aware Routing Algorithm

[9]   Krill Herd (KH)

[10]   Gandomi

[11]  Sensing distance

[12]  Optimized Network Engineering Tool


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1403-1396

صفحه اصلی| عضویت/ ورود| درباره رایمگ| تماس با ما|
[English] [العربية] [en] [ar]