رقم المقالة : 1402061443913 زيارة : 2566 الصفحة: 241 - 259

نوع المخطوط: المحکّمة

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

الموضوعات :

1 - هیات علمی دانشگاه

تاريخ الإرسال : 20 الثلاثاء , صفر, 1445 تاريخ التأكيد : 20 الثلاثاء , صفر, 1445 تاريخ الإصدار : 20 الثلاثاء , صفر, 1445

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

ملخص المقالة :

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.

المصادر:

[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.

نص كامل:

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 نام ¹KHCMSBA 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.

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.

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.

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 OpnetModeler ¹² 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.

[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

شارک

عنوان URL للمقالة

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

رایمگ

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية