• Home
  • Sensors Positioning in IoT-Based Smart Parking Systems with Grasshopper Optimization Algorithm

Share To

Article Url


Manuscript ID : 1402092445070 Visit : 112 Page: 207 - 216

Article Type: Original Research

Sensors Positioning in IoT-Based Smart Parking Systems with Grasshopper Optimization Algorithm

Subject Areas : electrical and computer engineering

Ahmad Baratian 1 , Esmaeil Kheirkhah 2

1 - Department of Computer Engineering, Mashhad Branch, Islamic Azad niversity, Mashhad, Iran
2 - Department of Computer, Mashhad Branch, Islamic Azad University, Mashhad, Iran

Received: 2023-12-15 Accepted : 2024-05-01 Published : 2024-12-31

Keywords: Grasshopper optimization algorithm, smart parking system, sensor positioning,

Abstract :

Considering the growth of the population of cities and the number of vehicles that are increasing exponentially, a challenge in parking lots is the positioning of vehicles. In a smart parking system, the driver can park without delay and by spending less energy; But its requirement is to use sensors (empty parking spaces) and parking guides for this purpose. With the progress of research in the Internet of Things, researchers have provided promising solutions in the smart parking system based on wireless sensors. Among these researches is the use of the gray wolf algorithm (GWO) in the optimal positioning of wireless sensors in the Internet of Things parking environment. In this article, due to the search power and high convergence of the Grasshopper Optimization Algorithm (GOA), this algorithm is used for the first time in the positioning of wireless sensors in the parking lot. The grasshopper optimization algorithm is used to determine the best anchor nodes to collect data from other sensors; So that it can reduce the positioning error and energy consumption of the sensors and increase their lifespan. The results showed that the proposed method was able to achieve an average improvement of 5.92% in reducing the positioning error, 6.43% in reducing the amount of energy consumption and 23.6% in increasing the lifetime of the network compared to the gray wolf algorithm. Also, the proposed method has been able to have more time for the first node to die, and this is an important advantage in smart parking because the efficiency of all sensors in the parking environment is required.

References:

[1] P. Sadhukhan, "An IoT-based E-parking system for smart cities," in Proc. Int. Conf. on Advances in Computing, Communications and Informatics, pp. 1062-1066, Udupi, India, 13-16 Sept. 2017.
[2] M. Ramasamy, S. G. Solanki, E. Natarajan, and T. M. Keat, "IoT based smart parking system for large parking lot," in Proc. IEEE 4th Int. Symp. in Robotics and Manufacturing Automation, 4 pp., Perambalur, India, 10-12 Dec. 2018.
[3] A. M. Said, A. E. Kamal, and H. Afifi, "An intelligent parking sharing system for green and smart cities based IoT," Computer Communications, vol. 172, pp. 10-18, Apr. 2021.
[4] Y. Geng and C. G. Cassandras, "A new 'smart parking' system infrastructure and implementation," Procedia-Social Behav. Sci., vol. 54, pp. 1278-1287, Oct. 2012.
[5] Y. He, L. R. Tang, X. J. Liu, and S. Y. Ji, "Decision theory-based localization algorithm in smart park," Wireless Pers. Commun., vol. 100, no. 3, pp. 1023-1046, 2018.
[6] A. Payal, C. S. Rai, and B. V. R. Reddy, "Artificial neural networks for developing localization framework in wireless sensor networks," in Proc. Int. Conf. on Data Mining and Intelligent Computing, 6 pp., Delhi, India, 5-6 Sept. 2014.
[7] P. H. Namin and M. A. Tinati, "Node localization using particle swarm optimization," in Proc. Int. Conf. on Intelligent Sensors, Sensor Networks and Information Processing, pp. 288-293, Adelaide, Australia, 6-9 Dec. 2011.
[8] S. Goyal and M. S. Patterh, "Modified bat algorithm for localization of wireless sensor network," Wireless Pers. Commun., vol. 86, no. 2, pp. 657-670, 2016.
[9] S. Mumtaz, et al., "Massive Internet of Things for industrial applications: addressing wireless IIoT connectivity challenges and ecosystem fragmentation," IEEE Ind. Electron. Mag., vol. 11, no. 1, pp. 28-33, Mar. 2017.
[10] S. Sarem, S. Mirjalili, and A. Lewis, "Grasshopper optimisation algorithm: theory and application," Advances in Engineering Software, vol. 105, pp. 30-47, Mar. 2017.
[11] س. م. ر. امامی میبدی، ب. تارویردی‌زاده، ع. هادی و معمارزاده طهران، "ارایه روشی نوین جهت مکان‌یابی اشیاء متحرک با استفاده از آنتن‌های مونوپل و ماتریس پراکندگی بمنظور افزایش کیفیت خدمت در هوشمندسازی پارکنیگ‌ها،" نشریه علمی پژوهشی مهندسی و مدیریت کیفیت، سال 7، شماره 4، صص. 286-271، اسفند 1396.‎
[12] ج. جنتی و د. نظرپور،" مدیریت انرژی پارکینگ هوشمند خودروهای برقی در یک ریزشبکه با در نظر گرفتن اثرات برنامه پاسخ‌گویی بار،" مجله مهندسی برق دانشگاه تبریز، سال 47، شماره 2، صص. 467-455، شهریور 1396.‎
[13] M. H. Amini, M. P. Moghaddam, and O. Karabasoglu, "Simultaneous allocation of electric vehicles' parking lots and distributed renewable resources in smart power distribution networks," Sustainable Cities and Society, vol. 28, pp. 332-342, Jan. 2017.
[14] ف. باشتنی، ر. احدی و ب. رضائی خبوشان،" زمان‌بندی شارژ خودروهای برقی در پارکینگ هوشمند با در نظر گرفتن رضایت صاحبان خودرو‌ها،" مجموعه مقالات دوازدهمین کنفرانس بین¬ المللی انجمن ایرانی تحقیق در عملیات، صص. 15-9، بابلسر، ایران، 12-11 اردیبهشت 1398.
[15] S. R. Rizvi, S. Zehra, and S. Olariu, "Aspire: an agent-oriented smart parking recommendation system for smart cities," IEEE Intelligent Transportation Systems Magazine, vol. 11, no. 4, pp. 48-61, Winter 2018.
[16] س. زینلیان و ن. فرزانه بهالگردی، "یک روش پیشنهاددهنده جای پارک خالی کنار خیابان چند معیاره مبتنی بر الگوریتم PSO ،" نشریه مهندسی برق و الکترونیک ایران، سال 18، شماره 3، صص. 26-18، پائیز 1400.
[17] S. Djahel and F. Nait-Abdesselam, "Towards a smart parking management system for smart cities," in Proc. IEEE Int. Smart Cities Conf., pp. 542-546, Casablanca, Morocco, 14-17 Oct. 2019.
[18] A. Athira, S. Lekshmi, P. Vijayan, and B. Kurian, "Smart parking system based on optical character recognition," in Proc. 3rd Int. Conf. on Trends in Electronics and Informatics, pp. 1184-1188, Tirunelveli, India, 23-25 Apr. 2019.
[19] C. Tang, X. Wei, C. Zhu, W. Chen, and J. J. P. C. Rodrigues, "Towards smart parking based on fog computing," IEEE Access, vol. 6, pp. 70172-70185, 2019.
[20] M. R. M. Veeramanickam, et al., "IoT based smart parking model using Arduino UNO with FCFS priority scheduling," Measurement: Sensors, vol. 24, Article ID: 100524, Dec. 2022.
[21] G. Rocco, C. Pipino, and C. Pagano, "An overview of urban mobility: revolutionizing with innovative smart parking systems," Sustainability, vol. 15, Article ID: 13174, 17 pp., 2023.
[22] T. Anusha and M. Pushpalatha, "Efficient communication model for a smart parking system with multiple data consumers," Smart Cities, vol. 5, no. 4, pp. 1536-1553, 2022.
[23] A. Raj and S. D. Shetty, "Smart parking systems technologies, tools, and challenges for implementing in a smart city environment: a survey based on IoT & ML perspective," Int. J. Mach. Learn. & Cyber., vol. 15, pp. 2673-2694, 2024.
[24] E. Karbab, D. Djenouri, S. Boulkaboul, and A. Bagula, "Car park management with networked wireless sensors and active RFID," in Proc. IEEE Int. Conf. Electro/Inf. Technol., pp. 373-378, DeKalb, IL, USA, 21-23 May 2015.
[25] S. N. Ghorpade, M. Zennaro, and B. S. Chaudhari, "GWO model for optimal localization of IoT-enabled sensor nodes in smart parking systems," IEEE Trans. on Intelligent Transportation Systems, vol. 22, no. 2, pp. 1217-1224, Feb. 2020.
[26] ب. شایسته، و حکمی، س. ا. مصطفوی و ا. اکبری ازیرانی،" ارائه روشی نوین برای محاسبه اعتماد در کاربردهای اینترنت اشیاء،" مجله مهندسی برق دانشگاه تبریز، سال 50، شماره 2، صص. 455-437، شهریور 1399.‎
Full-Text:
معرفي يک روش جديد خوشه‌يابي خودکار

نشریه مهندسی برق و مهندسی کامپیوتر ایران، ب- مهندسی کامپیوتر، سال 22، شماره 3، پاییز 1403                                                                                       207

مقاله پژوهشی

جایابی حسگرها در سیستم‌های پارکینگ هوشمند مبتنی بر 
اینترنت اشیا با الگوریتم هوش جمعی ملخ

احمد براتیان و اسماعیل خیرخواه

 

 

1 

چکیده: با توجه به رشد جمعیت شهرها و تعداد وسایل نقلیه که به صورت تصاعدی در حال افزایش است، یک چالش در پارکینگ‌ها، جایابی وسایل نقلیه است. در یک سیستم پارکینگ هوشمند، راننده می‌تواند بدون تأخیر و با صرف انرژی کمتر پارک کند؛ ولی الزام آن استفاده از حسگرها (جای پارک خالی) و راهنماهای پارکینگ برای این منظور است. با پیشرفت تحقیقات در اینترنت اشیا، محققان در سیستم‌ پارکینگ هوشمند مبتنی بر حسگرهای بی‌سیم، راهکارهای امیدوارکننده‌ای ارائه نمودند. از جمله این تحقیقات، استفاده از الگوریتم گرگ خاکستری (GWO) در موقعیت‌یابی بهینه حسگرهای بی‌سیم در محیط اینترنت اشیای پارکینگ است. در این مقاله با توجه به قدرت جستجو و همگرایی بالای الگوریتم بهینه‌سازی ملخ (GOA) برای اولین بار از این الگوریتم در جایابی حسگرهای بی‌سیم در پارکینگ استفاده شده است. الگوریتم بهینه‌سازی ملخ برای مشخص‌کردن بهترین گره‌های لنگر برای جمع‌آوری داده از سایر حسگرها به‌کار می‌رود؛ به طوری که بتواند خطای موقعیت‌یابی و میزان مصرف انرژی حسگرها را کاهش و طول عمر آنها را افزایش دهد. نتایج نشان داد که روش پیشنهادی توانسته به طور میانگین بهبود %92/5 در کاهش خطای موقعیت‌یابی، %43/6 در کاهش میزان مصرف انرژی و %23/6 در افزایش میزان طول عمر شبکه نسبت به الگوریتم گرگ خاکستری داشته باشد. همچنین روش پیشنهادی توانسته زمان بیشتری برای مرگ اولین گره داشته باشد و این یک مزیت مهم در پارکینگ‌های هوشمند بوده است؛ زیرا کارایی تمام حسگرها در محیط پارکینگ الزامی می‌باشد.

 

کلیدواژه: الگوریتم بهینه‌سازی ملخ، پارکینگ هوشمند، جایابی حسگرها، موقعیت‌یابی حسگرها.

1-       مقدمه

شهرهای هوشمند و برنامه‌ریزی شهری بر توسعه کشورها بسیار تأثیرگذار می‌باشند. آنها با اخذ یک تصمیم هوشمند و مؤثر در زمان درست، قدرت تصمیم‌گیری جوامع را افزایش می‌دهند. در این مقاله روشی برای پارکینگ‌های هوشمند بر مبنای اینترنت اشیا در شهرهای هوشمند پیشنهاد شده است. با توسعه اقتصاد و پیشرفت شهرنشینی، مردم کلان‌شهرها در اوقات فراغت یا انجام کارهای روزمره خود به مکان‌هایی با مراجعین زیاد و پارکینگ‌های وسیع مانند مراکز خرید یا سازمان‌های بزرگ مراجعه می‌کنند و به محض رسیدن به مقصد، باید وقت زیادی را صرف یافتن یک فضای خالی در پارکینگ‌های موجود در آن مکان نمایند. بنابراین جستجوی این فضای خالی، باعث ایجاد مشکلات جدی در حوزه‌ پارکینگ خودرو شده و در بسیاری از نقاط به کابوسی برای رانندگان تبدیل شده است. به منظور حل این مشکل، بسیاری از رانندگان از تلفن‌های هوشمند یا راهنماهای وسیله نقلیه برای یافتن پارکینگ‌های موجود در اطراف خود که توسط متولیان پارکینگ تدارک دیده شده، استفاده می‌کنند. با این حال چنین سیستم‌هایی فقط می‌توانند محل پارکینگ‌های اطراف را تعیین کنند و دیگر نمی‌توانند اطلاعاتی درباره مکان دقیق فضاهای خالی یا ظرفیت موجود در این پارکینگ‌ها ارائه دهند. بنابراین چگونگی یافتن یک پارکینگ که بتواند تعداد فضای موجود برای پارک در یک پارکینگ را مشخص کند، اهمیت داشته و لازمه این کار، جایابی مناسب حسگرها برای پوشش پارکینگ و مشخص‌شدن فضاهای پارک خالی است [1] تا [3].

تاکنون برای پارکینگ هوشمند در بستر اینترنت اشیا، مدل‌های مختلفی ارائه شده که در این مدل‌ها، فقط به مبحث رزرو فضای پارک پرداخته شده است. اما مسئله این است که موقعیت‌یابی شبکه حسگرهای بی‌سیم 2(WSN) در بستر اینترنت اشیا چگونه می‌تواند برای تشخیص فضا‌های خالی پارک در پارکینگ‌ها استفاده شود؟ موقعیت‌یابی حسگرها در پارکینگ هوشمند یک مسئله‌ بهینه‌سازی است؛ زیرا هدف، انتخاب گره‌های لنگر برای جمع‌آوری داده‌ها از حسگرها (سایر گره‌ها) و ارسال این داده‌ها به ایستگاه پایه است. در این خصوص، بهینه‌سازی خطی ترکیبی در زمان متوالی برای تعداد گره‌ها در پارکینگ می‌تواند استفاده ‌شود تا با موقعیت‌یابی مناسب حسگرها، کاربران را به پارکینگ مناسب در هر منطقه هدایت کند [4]. در نظریه تصمیم‌گیری مبتنی بر الگوریتم موقعیت‌یابی حسگرهای بی‌سیم برای شهرهای هوشمند، شبیه‌سازی‌ها برای موقعیت‌های مختلف پارکینگ ساده مانند فضای باز، زیرزمین و خیابان‌ها انجام شده و سازگاری خوبی را برای همه موقعیت‌ها نشان می‌دهد [4].

برخی مدل‌های ارائه‌شده در رابطه با پارکینگ هوشمند از طرح نظارت بر دروازه استفاده می‌کنند. در طرح نظارت بر دروازه، از شبکه‌ حسگرهای بی‌سیم و سامانه شناسایی با امواج رادیویی 3(RFID) برای پارکینگ و نظارت بر دروازه استفاده شده است. این طرح، یک مدل کم‌هزینه و ساده است که در آن فرض می‌شود برچسب‌های رادیوفرکانس به کاربران مشترک اختصاص داده شده است یا می‌تواند به صورت پویا در ورودی پارکینگ، توسط کاربران ارائه شود. همچنین طرح پارکینگ مبتنی بر امواج رادیویی، توسط پروتکل Zigbee و GSM، شرایط یک پارکینگ امن را با واردکردن رمزهای عبور دوطرفه فراهم می‌کند [5]. در اکثر طرح‌های گزارش‌شده از حسگرهای بی‌سیم و رادیوفرکانس بر روی «قراردادن سازماندهی‌شده‌ حسگر در پارکینگ» و استفاده از «شبکه عصبی پیشرو و شبکه عصبی رگرسیون» برای موقعیت‌یابی حسگر تمرکز شده است [6]. از آنجا که پیچیدگی الگوریتم، ارتباط نزدیکی با زمان اجرای آن دارد، بنابراین استفاده از الگوریتم‌های پیچیده، زمان محاسبه 
و موقعیت‌یابی حسگرها را زمان‌بر خواهد کرد. موقعیت‌یابی حسگرهای بی‌سیم مبتنی بر الگوریتم‌های تکاملی از جمله الگوریتم بهینه‌سازی ازدحام ذرات 4(PSO) از نظر زمان محاسبه بهتر بوده است؛ اما در میزان خطای موقعیت‌یابی، پیشرفت چندانی نشان نمی‌دهد [7]. همچنین الگوریتم خفاش برای موقعیت‌یابی حسگرهای بی‌سیم که از رفتار خفاش‌ها برای یافتن طعمه در تاریکی با کمک امواج ارسالی الهام گرفته است، آزمایش شده است. در این کار، محققان الگوریتم خفاش را بهبود داده‌اند تا دقت موقعیت‌یابی را در بازه زمانی کوتاه محاسبه کنند و افزایش دهند [8]. در این مقاله، ما روشی جدید با استفاده از الگوریتم هوش جمعی ملخ [9] برای موقعیت‌یابی حسگرهای بی‌سیم در پارکینگ هوشمند ارائه نموده‌ایم. مسئله پیداکردن موقعیت بهینه برای قراردادن حسگرهای بی‌سیم در سیستم‌های پارکینگ هوشمند، یک مسئله پیچیده است که نیازمند رویکردهای پیشرفته برای حل آن می‌باشد. این مسئله از نظر پیچیدگی محاسباتی به عوامل مختلفی مانند «تعداد سنسورها و ابعاد فضا»، «محدودیت‌ها و قیدها»، «هدف مسئله»، «روش‌های حل» و ... بستگی دارد که باید در نظر گرفته شوند. افزایش تعداد سنسورها و ابعاد فضایی که باید پوشش دهند، پیچیدگی مسأله را افزایش می‌دهد. این باعث افزایش تعداد متغیرها و محدودیت‌ها در مسئله می‌شود که به تجزیه‌ و تحلیل مسئله، سختی بیشتری اضافه می‌کند. همچنین محدودیت‌هایی مانند موانع فیزیکی، فاصله مجاز بین سنسورها و نیاز به پوشش کلیه مناطق پارکینگ، نیازمند در نظر گرفتن محدودیت‌های خاص در فرایند جستجو و تصمیم‌گیری هستند که باعث افزایش پیچیدگی مسئله می‌شوند. از طرفی در مسائل بهینه‌سازی، معمولاً هدف مشخصی برای به‌دست‌آوردن راه‌حل وجود دارد. این هدف می‌تواند مینیمم‌کردن خطاهای مکانی حسگرها، بیشینه‌کردن پوشش، کمینه‌کردن هزینه‌ها و ... باشد که اضافه‌کردن این هدف‌ها به مسئله، پیچیدگی را افزایش می‌دهد. به طور کلی، پیچیدگی مسئله بهینه‌سازی موقعیت‌یابی سنسورها در سیستم‌های پارکینگ هوشمند به عوامل فراوانی بستگی دارد که باید در هر مورد خاص بررسی شود. در واقع نوآوری این تحقیق، استفاده از الگوریتم هوش جمعی ملخ برای اولین بار به منظور حل مسئله‌ موقعیت‌یابی (جایابی) حسگرهای بی‌سیم در پارکینگ هوشمند با تعیین موقعیت حسگرهای ارسال‌کننده و حسگرهای لنگر است.

2-       مرور ادبیات

تحقیقات زیادی در رابطه با هوشمندسازی پارکینگ‌ها چه در داخل و چه در خارج از کشور صورت گرفته که در آن از سیستم‌های چندلایه برای انجام پژوهش‌های مورد نظر استفاده شده است. در ادامه به برخی از این پژوهش‌ها اشاره می‌شود.

پژوهشی که با عنوان ارائه روشی نوین جهت مکان‌یابی اشیای متحرک با استفاده از آنتن‌های مونوپل به‌منظور افزایش کیفیت خدمت در هوشمندسازی پارکینگ‌ها صورت گرفت، تأیید می‌کند که موقعیت‌یابی خودرو در محیط پارکینگ به عنوان عاملی مهم جهت هوشمندسازی پارکینگ‌ها است که در نتیجه آن، هدایت خودرو امکان‌پذیر بوده و عاملی جهت افزایش کیفیت خدمت‌رسانی در پارکینگ فراهم می‌شود. با توجه 
به بسته‌بودن محیط پارکینگ، موقعیت‌یابی اجسام در آن از دسته مکان‌یابی‌های اجسام در محیط‌های سرپوشیده می‌باشد. استفاده از امواج رادیویی و روش‌های مربوط به آن به‌منظور مکان‌یابی در محیط سرپوشیده، از جمله راهکارهای ارائه‌شده در این زمینه است. در برخی روش‌های دیگر این حوزه، تنها با استفاده از تجهیزات موجود در محیط (مشابه رادارهای مکان‌یاب)، مکان جسم در فضای سرپوشیده محاسبه می‌گردد. از معایب هر دوی این روش‌ها می‌توان به نیاز به تجهیزات اضافی با قیمت‌های بالا، حساسیت بسیار زیاد نسبت به شرایط محیطی و پارازیت‌های موجود اشاره نمود [10]. در این پژوهش تلاش شده تا با بهره‌گیری از آنتن‌های مونوپل و استفاده از ماتریس پراکندگی، فرایند مکان‌یابی انجام پذیرد. بدین منظور در ابتدا محیط پارکینگ با صفحه‌ای شامل چند آنتن مونوپل شبیه‌سازی شده و با استفاده از نرم‌افزار مبتنی بر المان محدود، ماتریس پراکندگی برای حالت عدم حضور و حضور جسم در شرایط محیطی مختلف، شبیه‌سازی گردیده است. پس از محاسبه ماتریس‌های پراکندگی، داده‌های مورد نیاز انتخاب شده و با استفاده از شبکه عصبی، هر یک از این مقادیر به یک موقعیت جسم نسبت داده می‌شود. در فاز بعد به ازای قرارگرفتن جسم در موقعیت جدید، ماتریس پراکندگی مربوط به‌دست آمده و با مقایسه با اطلاعات جمع‌آوری‌‌شده در مرحله قبل، مکان جسم محاسبه می‌شود. این فرایند مشابه با الگوریتم اثر انگشت می‌باشد؛ با این تفاوت که به‌جای استفاده از مقادیر توان سیگنال، از ماتریس پراکندگی استفاده شده است. از مزایای این روش می‌توان به عدم نیاز به کالیبراسیون و اندازه‌گیری دقیق موقعیت آنتن‌ها، قابلیت توسعه‌پذیری و ارائه راهکاری جدید جهت کاهش هزینه‌ها و افزایش دقت محاسبه موقعیت جسم اشاره کرد [11].

در پژوهش‌های دیگری در حوزه پارکینگ هوشمند، به استفاده از خودروهای برقی و ارتباط این خوردوها با اشیا در شبکه اینترنت اشیا پرداخته شده است. به‌عنوان مثال در [12] به مدیریت انرژی پارکینگ هوشمند خودروهای برقی در یک ریزشبکه (پارکینگ هوشمند) با درنظرگرفتن اثرات برنامه پاسخ‌گویی بار پرداخته شده و در آن پارکینگ هوشمند در دو نقش پاسخ‌گویی بار و منبع تولید انرژی برای شبکه توزیع ایفای نقش می‌کند که منجر به سیستم پارکینگ هوشمند با کاهش هزینه‌ها شده است. در [13] با عنوان تخصیص همزمان پارکینگ وسایل نقلیه الکتریکی و منابع تجدیدپذیر توزیع‌شده نیز موضوع پارکینگ وسایل نقلیه مورد توجه قرار گرفته است. در خصوص زمان‌بندی شارژ خودروهای برقی در پارکینگ هوشمند در [14] ‌یک مدل ریاضی به منظور تعیین استراتژی‌ بهینه شارژ خودروهای برقی در پارکینگ‌های هوشمند با هدف حداکثرنمودن سود پارکینگ و با درنظرگرفتن رضایت صاحبان خودروها، معرفی شده است.

در پژوهش‌های دیگری در حوزه پارکینگ هوشمند، به استفاده از سیستم توصیه‌گر سعی شده است یک سیستم هوشمند پارکینگ برای شهرهای هوشمند با استفاده از اینترنت اشیا ارائه شود و اشغال وسایل نقلیه را به‌طور دقیق در زمان واقعی بررسی کرده تا رانندگان را به محل پارک موجود هدایت کند؛ بنابراین ازدحام ترافیک و بار محیطی مربوطه را کاهش دهد. نشان داده شده که پیشرفت‌های اخیر در شبکه‌های حسگر بی‌سیم، محاسبات ابری و فناوری‌های کلان‌داده می‌تواند با تکامل اینترنت اشیا این نیاز را برطرف کند [15]. در [16] نیز یک روش توصیه‌گر جای پارک خالی کنار خیابان چندمعیاره مبتنی بر الگوریتم گروه ذرات انجام شده است. زمانی که رانندگان قصد دارند در کنار خیابان پارک کنند، معیارهای زیادی را مد نظر دارند؛ از قبیل فاصله از مقصد مورد نظر، هزینه پرداختی، یافتن سریع‌تر جای پارک و ... . در مقالات کمی به مسأله یافتن جای پارک بر اساس معیارهای متعدد رانندگان توجه شده است. هدف در این مقاله، یافتن جای پارک مطلوب رانندگان بر اساس معیارهای مشخص‌شده آنها و پیشنهاد مناسب‌ترین موارد ممکن بوده است.

مدیریت پارکینگ هوشمند با هدف استفاده از فناوری‌های پیشرفته، سنجش و نظارت برای استفاده بهینه از مکان‌های پارکینگ و سهولت پارک برای رانندگان با هدایت آنها به پارکینگ‌های موجود، در نتیجه استرس و تأخیر بی‌مورد را کاهش می‌دهد که باعث بهترشدن شرایط رانندگی می‌شود. ایده توسعه پارکینگ هوشمند با سهولت کمتری در مصرف منابعی که به تدریج از بین می‌روند، پارک را آسان‌تر و سریع‌تر کرده است. در [17] سیستم مدیریت پارکینگ‌ یک بستر سنجش را پشتیبانی می‌کند که توسط یک برنامه تلفن همراه پشتیبانی می‌شود تا تعامل رانندگان در زمان واقعی با زیرساخت پارکینگ را امکان‌پذیر کند؛ به‌گونه‌ای که زمان جستجوی رانندگان را برای یک مکان خالی پارکینگ در پارکینگ‌های بزرگ به حداقل برساند. سیستم مدیریت پارکینگ و برنامه تلفن همراه دارای عملکردی هستند که از افزایش جمعیت در پارکینگ جلوگیری می‌کند. در [18] توسعه یک سیستم مدیریت هوشمند پارکینگ با استفاده از اینترنت اشیا انجام شد. سیستم پیشنهادی امکانات متعددی از جمله جستجو برای جای پارک، رزرو، پرداخت، دریافت اعلان، نمایش آمار و نظارت بر وضعیت پارک را فراهم می‌کند. در اين مقاله از اينترنت اشيا و با استفاده از سخت‌افزار و حسگرهاي قابل پشتيباني براي شناسايي و در دسترس بودن پاركينگ و شناسايي آنها براي كنترل فرايندهاي دسترسي بهره گرفته شده است. همچنین در [19] سیستم پارکینگ هوشمند بر اساس تشخیص مختصات نوری انجام شد. در این تحقیق، تشخیص فضای خالی پارکینگ در ابتدا با استقرار تعدادی حسگر در پارکینگ انجام می‌شود؛ اما پیشرفت پردازش تصویر این امکان را فراهم کرده است که می‌تواند از تصاویر منطقه پارکینگ برای کشف فضای خالی استفاده شود.

Veeramanickam و همکارانش [20] در مقاله خود مدل پارکینگ هوشمند مبتنی بر اینترنت اشیا را با استفاده از مدل آردوینو UNO در پیاده‌سازی پیشنهاد کردند. در مدل آنها، مادون قرمز غیرعامل با سنسورهای مافوق صوت استفاده شده که به تشخیص مکان پارک موجود کمک می‌کند و به سیستم امکان می‌دهد اولویت‌بندی را بر اساس 5FCFS زمان‌بندی پارکینگ‌ها بر اساس تعداد اسلات‌های خالی پیدا کند.

Rocco و همکارانش در [21]، یک امکان‌سنجی را با هدف پیشنهاد طراحی یک معماری پارکینگ هوشمند که قادر به ارائه خدمات جدید با بهره‌برداری از آخرین فناوری‌های اینترنت اشیا باشد، ارائه دادند. تلاش آنها برای تعریف الزامات و انتخاب‌های فنی بود که بتوان برای طراحی سیستمی انجام داد که به پارادایم نوآوری و کارایی در پارکینگ هوشمند پایبند باشد. نتایج آزمایش‌های آنها نشان داده که سیاست پارکینگ مبتنی بر رزرو پیشنهادی، پتانسیل ساده‌سازی عملیات سیستم‌های پارکینگ و همچنین کاهش تراکم ترافیک شهرها را دارد. همچنین Anusha و همکارانش در [22] مدل‌های ارتباطی مختلف سیستم پارکینگ هوشمند 6(SPS) را با تغییر تعداد جمع‌آوری‌کننده‌های داده اشغال، موقعیت آنها، چرخه‌های قدرت ترکیبی و استراتژی‌های تجمیع داده‌ها بررسی کردند. علاوه بر این، یک قالب داده مختصر را برای انتشار مؤثر داده‌ها پیشنهاد نمودند. بر اساس مطالعات شبیه‌سازی آنها، یک مدل جمع‌آوری چندگانه به همراه یک تکنیک تطبیق داده‌ها بهترین روش برای تحقق یک سیستم پارکینگ هوشمند کارآمد است.

Raj و همکارانش [23] در مقاله خود راه‌حل‌های پارکینگ هوشمند را از منظر فنی مرتبط با اینترنت اشیا و یادگیری ماشین که دو حوزه محبوب در حال پیشرفت هستند، تحلیل کرده‌اند. هدف آنها ارائه یک خلاصه کامل در مورد اکوسیستم پارکینگ هوشمند یا SP است که به محققان کمک کند تا مبانی و دانش عمیق فناوری‌ها، معماری‌ها و سایر الگوهای تکاملی مورد استفاده در توسعه SPS را بدانند. با توجه به بررسی و تحلیل جامع انجام‌شده در تحقیق، آنها دریافتند که SPS با تاکتیک‌های چندگانه در SC آینده تسلط خواهد داشت. آنها همچنین چالش‌های مختلف و جذب فناوری‌های پیشرفته مختلف را مورد بحث قرار دادند که می‌توانند در توسعه سیستم‌های پارکینگ جدید مورد استفاده قرار گیرند که به نفع محققان آینده و سایر افراد علاقه‌مند به اجرای SPS است.

جدول 1 خلاصه برخی از مطالعات پرداخته‌شده در مرور ادبیات را نشان داده و همچنین به ابزارها، تکنیک‌ها و کارهای آینده‌ بیان‌شده در این مقالات اشاره می‌کند.

همان طور که مشخص است، یکی از موضوعات مهم و قابل توجه وضعیت حمل‎ونقل شهری، مسئله پارکینگ خودروها در فضای شهر می‌باشد. ضرورت توجه به این امر باعث شده که در دهه‌های اخیر، راهکارهای متعددی برای ساماندهی و مدیریت وضعیت پارک خوردوها در فضاهای درون‌شهری ارائه گردد که در این میان، توجه به تکنولوژی‌های روز و نقش و جایگاه آنها در مدیریت این فضاها روزبه‌روز در حال افزایش می‌باشد. در این ارتباط شاید یکی از به‌روزترین پارکینگ‌های هوشمند 
در سطح دنیا، پارکینگ‎های حسگرهای بی‌سیم و دوربین‎محور ‎باشد که ظرفیت قابل ‌توجهی را هم از نظر مدیریت حمل‎ونقل شهری و هم از نظر درآمدزایی برای مدیریت شهری فراهم نموده است. نکته مهم در استفاده از حسگرهای بی‌سیم در پارکینگ هوشمند، مصرف انرژی گره‌ها و کارایی آنها در پوشش محیط پارکینگ است که نیازمند بهینه‌سازی مکان مطلوب حسگرها و نحوه مناسب جمع‌آوری داده این حسگرها در بستر اینترنت اشیاست. در این مقاله به ارائه راهکاری در این خصوص پرداخته شده که در قسمت بعد شرح داده خواهد شد.

3-       روش پیشنهادی

مدل پارک هوشمند بر اساس نمونه اولیه پارکینگ پیشنهادشده توسط کرباب و همکاران در نظر گرفته شده [۲۴] که برای پارکینگ در فضای باز در الجزایر آزمایش گردیده است. این نمونه اولیه دارای چهارچوب چندلایه مبتنی بر حسگرها، مقیاس‌پذیری را ارائه می‌دهد و هدف آن ارائه خدمات مختلف پارکینگ به کاربران است. این چهارچوب شامل لایه حسگر، لایه شبکه، لایه میان‌افزار و لایه برنامه است که در شکل 1 نشان داده شده است. در لایه حسگر، گره‌های حسگر در پارکینگ مستقر شده 
و به دو دسته گره‌های حسگر بی‌سیم ساده (فرستنده) و گره‌های لنگر 
با قابلیت اتصال به اینترنت اشیا طبقه‌بندی می‌شوند. علاوه بر این، دستگاه‌های  رادیوفرکانس  در  دروازه  پارکینگ  قرار  می‌گیرند.  خودروها  با 

img0 

شکل 1:  چهارچوب پارکینگ هوشمند [۲۵].

 

img0 

شکل 2:  جاهای حسگرها در یک پارکینگ هوشمند نمونه [۲۵].

 

 

[1] این مقاله در تاریخ 24 آذر ماه 1402 دریافت و در تاریخ 17 فروردین ماه 1403 بازنگری شد.

احمد براتیان، گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران، (email: baratian.ahmad.22@gmail.com).

اسماعیل خیرخواه (نویسنده مسئول)، گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران، (email: e.kheirkhah@gmail.com).

[2] . Wireless Sensor Network

[3] . Radio Frequency Identification

[4] . Particle Swarm Optimization

[5] . First Come First Serve

[6] . Smart Parking System

جدول 1: خلاصه برخی از کارهای مرتبط.

 

مقاله

مسائل پرداخته‌شده

مشارکت

پارامترها و نتایج

کار آینده

[11]

مشکل پارک در شبکه IoT فوق متراکم

حداقل محاسبه

زمان و مکان

وضعیت کاربر تلفن همراه و پویا مورد بررسی قرار می‌گیرد.

[12]

فناوری‌های ارتباطی فعلی نمی‌توانند خواسته‌های پارکینگ‌های هوشمند را به‌صورت کامل برآورده کنند.

معماری G5 مبتنی بر IoT ارائه شده است.

سرعت انتقال بالا، پوشش زیاد، تأخیر کم و قابلیت اطمینان بالا

کاربرد ترکیبی محاسبات ابری در تولید

[13]

عدم وجود راه حل‌های شارژ پایانه‌های تلفن همراه در G5 در مکان‌یابی پارکینگ

زمان شارژ و مقدار شارژر بهینه شده است.

تعداد شارژر و زمان ‌(های) شارژ

فرایند شارژ دوبعدی

[15]

محیط پیچیده بی‌سیم صنعتی و منابع ارتباطی محدود در پارک هوشمند

بهبود دقت برآورد با منابع ارتباطی محدود

هزینه و زمان

باید معیارهای کاربردمحور بیشتری در نظر گرفته شود.

[14]

ازدحام پردازش داده و شبکه ارتباطی در پارکینگ هوشمند

بهبود عملکرد Io-IoT، استفاده و QoS

زمان و پردازش

ادغام اطلاعات و DRL در نظر گرفته خواهد شد.

[۲۶]

انتقال داده از مشکل بارگذاری در پارکینگ هوشمند

بهبود بازده تخلیه

زمان و پردازش

توسط دانش ماتریس خصوصی محدود شده است.

[17]

مصرف انرژی در بستر محاسبات لبه در پارکینگ هوشمند

برآورد مصرف انرژی سیستم عامل‌های IoT مبتنی بر ابر

زمان و انرژی

فقط کار بر اساس دوربین در سناریوهای دیگر اعمال نمی‌شود.

[18]

مشکل در شبکه بی‌سیم در پارکینگ هوشمند

راه حل ارائه‌شده در لایه‌های مختلف برای بهبود استحکام شبکه

زمان و انرژی

تدوین سیاست‌های تخصیص منابع

[19]

افزایش بهره‌وری انرژی در پارکینگ هوشمند

افزایش بهره‌وری انرژی در مدیریت تولید زمان واقعی

مصرف انرژی، زمان (دقیقه)

REEOM با MM و WM ادغام خواهد شد.

[16]

تصمیم تخلیه را برای هر کار در پارکینگ هوشمند

تأخیر محاسبه کاهش می‌یابد و خدمات محاسباتی مه را با تأخیر کم انجام می‌دهد.

تأخیر (ثانیه)، کیفیت، هزینه کل

ورود پویای وظایف محاسباتی در نظر گرفته نمی‌شود.

 

 

استفاده از برچسب‌های رادیوفرکانس شناسایی می‌شوند. لایه شبکه، ارتباطی را از فرستنده به گره‌های لنگر و سپس به دروازه و نهایتاً 
به کاربران ارائه می‌دهد. الگوریتم‌های بهینه‌سازی و نظارت‌ها در لایه میان‌افزار برای شناسایی وضعیت و ارائه خدمات هوشمند استفاده می‌شود. لایه برنامه خدمات مختلفی را تعریف کرده و به کاربران ارائه می‌دهد.

به طور کلی، تلفن‌های همراه به پایگاه داده پارکینگ متصل گردیده 
و برای وضعیت پارکینگ‌ها در زمان واقعی به‌روز می‌شوند. در سیستم پیشنهادی پارکینگ هوشمند، فرض می‌شود برچسب‌های رادیوفرکانس به کاربران مشترک اختصاص داده می‌شود یا می‌تواند به صورت پویا در بخش ورودی به کاربران به‌صورت لحظه‌ای ارائه شود. این سیستم، بلیط و راهنمای خودکار خودروها را برای حرکت به سمت محل پارک از پیش تعیین‌شده هدایت می‌کند. در صورت عدم تخصیص پیش‌بینی جای پارک، با درنظرگرفتن موقعیت فعلی خودرو، نزدیک‌ترین محل موجود بازیابی و اختصاص داده می‌شود.

طرح یک سیستم پارکینگ هوشمند که در آن گره لنگر مشخص است در شکل 2 نشان داده شده است. هر جای پارک دارای یک گره ساده حسگر بی‌سیم با قابلیت اینترنت اشیاست که با حسگر اولتراسونیک قرار گرفته شده است.

هنگامی که یک ماشین در محل پارک تشخیص داده می‌شود، آدرس و محل گره حسگر نصب‌شده در آن شکاف از طریق نزدیک‌ترین گره لنگر به مدیر پارکینگ اعلام می‌شود. این سیستم مدیریت پارکینگ را قادر می‌سازد تا پایگاه داده را به‌روز، تعرفه را دریافت و همچنین تأیید کند که خودروی شناسایی‌شده مجاز به دسترسی به شکاف است یا خیر.

در اکثر مدل‌های پارکینگ هوشمند گزارش‌شده، گره‌های حسگر بی‌سیم در محدوده پارکینگ با محدودیت موقعیت جغرافیایی قرار می‌گیرند که منجر به پوشش ضعیف و ناتوانی در انتقال داده‌های حس‌شده به دروازه می‌شود. از این رو گره‌های لنگر در سیستم پارکینگ هوشمند با جایابی مطلوب برای افزایش پوشش و اتصال گره‌های حسگر گنجانده شده‌اند. برای جایابی بهینه گره‌های لنگر و فرستنده در پارکینگ، فرض می‌‌شود که شبکه حسگر بی‌سیم با تعداد img0 گره لنگر و تعداد img0 گره فرستنده که در آن img0 است، در فضای دوبعدی مستقر هستند. مدل بهینه‌سازی دوهدفه است که شامل مختصات img0 گره فرستنده و همچنین موقعیت img0 گره لنگر است. محدودیت‌ها باعث می‌شود تا مختصات ارزیابی‌شده به مقادیر واقعی نزدیک شوند و همچنین توپولوژی منحصربه‌فردی را ایجاد کند [۲۵].

برای محدودیت فاصله در فضای جستجو، تابع هدف دارای یک فرایند دومرحله‌ای است:

-        در مرحله‌ اول، گره فرستنده با استفاده از نشانگر قدرت سیگنال دریافتی و زمان رسیدن سیگنال دریافتی از گره لنگر، فاصله‌ تا گره لنگر را تعیین می‌کند.

-        در مرحله دوم، اطلاعات بازیابی‌شده در مرحله اول برای تعیین موقعیت گره‌های فرستنده استفاده می‌شود.

الگوریتم بهینه‌سازی برای به حداقل رساندن خطای جایابی با این فرض استفاده می‌شود که گره لنگر img0 و دیگر گره‌های img0 در محدوده ارتباطی یکدیگر قرار دارند و تأثیر اندازه‌گیری نویز نیز شبیه‌سازی شده است. هر گره لنگر در منطقه خود، فاصله خود را از تمام گره‌های فرستنده مجاور خود تعیین می‌کند. img0 یعنی فاصله بین img0 و img0 به صورت رابطه زیر محاسبه می‌شود

img0        (1)

که در آن img0 فاصله واقعی بین گره img0 و گره img0 است که توسط (2) تعیین می‌شود و img0 خطای متغیر است [۲۵]

img0        (2)

که img0 و img0 به ترتیب موقعیت مختصات گره img0 و img0 هستند [۲۵].

اگر img0 محدوده ارتباطی گره لنگر img0 باشد، مجموعه گره‌هایی که می‌توانند با گره لنگر متصل شوند img0 می‌باشد و مکمل آن img0 
است. اگر img0، آن گاه img0 و اگر img0، آن گاه img0 است. خطای img0 دارای مقدار تصادفی با توزیع یکنواخت در محدوده‌ img0 و img0 مقدار تصادفی با توزیع یکنواخت است که img0 و img0 فاصله بین گره لنگر img0 و بقیه گره‌هاست [۲۵].

در مرحله دوم، توابع هدف img0 و img0 برای محدودیت فاصله در فضا و محدودیت توپولوژی هندسی به ترتیب در (3) و (5) تعریف شده است

img0        (3)

که در آن img0 مجموعه گره‌های موجود در شبکه و img0 فاصله بین گره img0 و img0 است که توسط (4) محاسبه می‌شود

img0        (4)

img0        (5)

img0        (6)

در روابط فوق img0 متغیری برای تعیین تأثیر محدوده ارتباطی گره لنگر بر روی img0 می‌باشد. تعیین مختصات گره‌ها می‌تواند به عنوان بررسی راه حل بهینه برای بهینه‌سازی چندهدفه که با کاهش مقادیر هر دو تابع هدف به دست می‌آید، تلقی شود [۲۵].

در این مقاله، اهداف به‌صورت یک تابع هدف تبدیل شده تا با الگوریتم هوش جمعی ملخ به‌صورت تک‌هدفه حل شود؛ لذا داریم

img0        (7)

در (7)، تابع img0 و img0 باید کمینه شوند تا نهایتاً برآیند نهایی تابع هدف کمینه شود. در این رابطه، img0 و img0 دو ضریب به عنوان وزن هستند که به دلیل دارابودن اهمیت یکسان، این دو متغیر نسبت به سایر متغیرها در تابع هدف مورد مطالعه در این شبیه‌سازی‌ها، مقدار یک برای آنها در نظر گرفته شده است. در (7) مقدار کمینه img0 را img0 می‌نامیم که در ادامه از آن استفاده خواهد شد.

در این مقاله، یک الگوریتم جایابی مبتنی بر الگوریتم هوش جمعی ملخ برای حل مسئله جایابی حسگرهای بی‌سیم در سیستم‌های پارکینگ هوشمند ارائه شده است. الگوریتم بهینه‌سازی ملخ دارای مکانیسم جستجوی قوی در فضای مسئله است و در بهینه‌سازی توابعی با ابعاد بالا نشان داده که از دقت بالایی برای رسیدن به راه حل بهینه سراسری برخوردار است و به علت حرکت دسته‌جمعی ملخ‌ها به ناحیه‌ای از فضا که راه حل بهینه سراسری در آن منطقه است، راه حل بهینه مسئله با دقت بیشتری پیدا می‌شود که این خود باعث دقت همگرایی بالای این الگوریتم است.

3-1 نگاشت مراحل الگوریتم بهینه‌سازی ملخ برای جایابی حسگرها در پارکینگ هوشمند

نگاشت مراحل الگوریتم بهینه‌سازی ملخ برای جایابی حسگرها در پارکینگ هوشمند به شرح زیر است:

1- تولید تصادفی جمعیت ملخ‌ها در فضای جستجو

-        هر ملخ یک آرایه است. به تعداد همه حسگرها برای هر حسگر، حسگری به عنوان سرخوشه یا لنگر مشخص می‌شود. به عنوان مثال برای پارکینگی با 7 حسگر، در شکل 3 برای حسگر 1، 
حسگر 6 سرخوشه می‌باشد و برای حسگرهای 2 تا 5، حسگر 7 سرخوشه است.

همان طور که مشخص است، ملخ در شکل 3 به صورت رشته عددی 6777767 است.

2- تعیین مقدار پارامترهای مسئله از جمله حد بالا و پایین فضای جستجو  و  همچنین  حد  پایین img0 و  حد  بالا img0 ناحیه  آسایش  و 

img0 

شکل 3: نمایش ملخ بصورت یک رشته عددی.

 

img0 

شکل 4:  نمونه‌ای از رندسازی در جواب‌های تولیدشده.

 

img0 

شکل 5:  نمونه جواب‌های تولیدشده خارج از فضای جستجو.

 

حداکثر تعداد دور تکامل1

-        به عنوان مثال برای پارکینگی با 7 حسگر، برای هر ملخ حد پایین فضای جستجو عدد 1111111 و حد بالای آن 777777 است.

3- محاسبه برازندگی هر ملخ با استفاده تابع بهینه‌سازی

-        برازندگی در این مسئله با استفاده از (7) که در بخش قبل شرح داده شد، محاسبه می‌شود.

4- مشخص‌کردن بهترین ملخ (ملخ با برازندگی بهتر یعنی دارای مقدار کمینه در (7)) در متغیر img0. img0 متغیری است که در این مرحله اولین مقدار خود را می‌گیرد و سپس در صورت پیداشدن مقدار بهتر طی مرحله 5، مقدار آن تغییر خواهد کرد و بنابراین در انتهای الگوریتم (مرحله 6) بهترین مقدار برای img0 استخراج خواهد شد.

5- تا وقتی که به شرط خاتمه نرسیده است

img0:

5-1 به‌روزرسانی ناحیه آسایش با استفاده از رابطه زیر

img0        (8)

-        ‌در محاسبه ناحیه آسایش، میزان حد پایین img0 و حد بالای img0 ناحیه آسایش، مقادیری ثابت بوده و پیش‌فرض الگوریتم هستند و img0 تعداد تکرار فعلی و img0 حداکثر تعداد تکرار است.

5-2 برای هر ملخ انجام شود:

5-2-1 نرمال‌سازی فاصله ملخ‌ها در بازه [1,4]

5-2-2 به‌روزرسانی مکان هر ملخ با استفاده از رابطه زیر

img0        (9)

در رابطه فوق img0 حد بالا در بعد img0ام، img0 حد پایین در بعد img0ام، img0 یک ثابت برای کم‌کردن منطقه آسایش، img0 یک تابع برای تعریق فشار نیروی اجتماعی بین ملخ‌ها، img0 مقدار بعد img0ام در هدف (بهترین جوابی که تاکنون دیده شده است) و img0 ملخ img0ام است.

-        با توجه به این که جواب‌ها در هر ملخ به صورت عدد اعشاری است، بعد  از  انجام  به‌روزرسانی  ملخ‌ها  با  استفاده  از  رندسازی،  هر  ملخ  به 

img0 

شکل 6:  فلوچارت روش پیشنهادی.

 

        صورت عدد صحیح اصلاح می‌گردد. مثلاً در شکل 4 ملخ بعد از تغییر دارای اعداد اعشاری است و به‌صورت رندشده اصلاح می‌شود.

5-2-3 در صورتی که ملخی از فضای جستجو خارج شده است، به فضای جستجو برگردانده شود.

-        مثلاً ملخ شکل 5 یک جواب خارج از فضای جستجو است؛ زیرا به گره 8 اشاره دارد ولی تعداد گره‌های شبکه 7 عدد است.

5-3 به‌روزرسانی img0 در صورتی که ملخی با برازندگی بهتر پیدا شود.

5-4 اضافه‌نمودن شماره تکرار داخلی الگوریتم img0

6- برگرداندن بهترین ملخ img0 به عنوان جواب نهایی

3-2 فلوچارت الگوریتم هوش جمعی ملخ برای موقعیت‌یابی حسگرهای بی‌سیم

در شکل 6 فلوچارت الگوریتم هوش جمعی ملخ برای موقعیت‌یابی حسگرهای بی‌سیم آمده است.

4-       شبیه‌سازی و نتایج

روش پیشنهادی بر روی یک سیستم با مشخصات سخت‌افزاری زیر شبیه‌سازی می‌گردد:

-        نوع سیستم2: bit 64

-        مقدار حافظه RAM: GB 4

-        پردازنده اصلی: img0

-        پردازنده گرافیگی: M710 GeForce

برای شبیه‌سازی نیاز به تولید شبکه حسگر بی‌سیم است که پارامترهایی ازجمله تعداد گره شبکه، طول و عرض محیط شبیه‌سازی، انرژی اولیه هر حسگر و انرژی ارسال و دریافت اطلاعات در هر حسگر شبکه باید در آن مشخص گردد. در جدول ۲ تنظیمات عددی با توجه به مقاله‌های این حوزه انتخاب شده است.

img0 

شکل ۷:  مقایسه خطای موقعیت‌یابی بین روش پیشنهادی و روش GWO.

 

جدول 2: پارامترهاي شبيه‌سازي.

 

پارامتر

مقادیر

تعداد گره شبکه

10 الی 200

طول و عرض محیط

200 × 200

انرژی اولیه

J 5/0

انرژی الکتریکی

nJ/bit 50

انرژی ارسال

2pJ/bit/m 10

انرژی دریافت

4pJ/bit/m 0013/0

انرژی جمع‌آوری داده

nJ/bit/signal 5

سایز بسته‌ها

Bits 4000

دامنه انتقال

10 تا 40

 

4-1 بررسی مدل پیشنهادی در خطای موقعیت‌یابی

برای آزمایش و تجزیه و تحلیل عملکرد روش پیشنهادی برای سیستم‌های پارکینگ هوشمند، شبیه‌سازی‌های گسترده‌ای انجام شده است. گره‌های حسگر به طور تصادفی در منطقه موقعیت‌یابی مستقر می‌شوند تا دقت هر الگوریتم موقعیت‌یابی را آزمایش کنند. خطای موقعیت‌یابی به عنوان فاصله بین مختصات واقعی گره‌های ناشناخته img0 و مختصات برآوردشده img0 تعریف می‌شود.

از خطای میانگین مربع ریشه 3(RMSE) به عنوان معیار آماری استاندارد برای اندازه‌گیری عملکرد استفاده شده است؛ زیرا برای داده‌هایی با نمونه‌های بیشتر، بازسازی توزیع خطا قابل اطمینان‌تر است. RMSE نابرابری مثلث را برای معیار تابع فاصله که برای محدودیت فاصله فضایی مورد استفاده در مدل ضروری است، برآورده می‌کند. علاوه بر این RMSE معیار بهتری برای توزیع عادی نسبت به توزیع یکنواخت است.

در شکل ۷، خطای موقعیت‌یابی در بیست شبکه آزمایش شده و مقدار خطای موقعیت‌یابی همواره بین صفر و یک است. در شکل ۷، نمودار خطی خطای موقعیت‌یابی به ازای بیست شبکه مختلف با تعداد گره مختلف از 10 الی 200 گره برای الگوریتم بهینه‌سازی ملخ 4(GOA) و الگوریتم  بهینه‌سازی  گرگ  خاکستری  5(GWO)  نشان  داده  شده  است.

جدول 3: مقایسه خطای موقعیت‌یابی بین روش پیشنهادی و روش GWO.

 

تعداد گره شبکه

روش GA

روش PSO

روش پایه GWO

روش پیشنهادی GOA

10

4452/0

435/0

4188/0

3790/0

20

4754/0

4652/0

4590/0

4157/0

30

5172/0

507/0

4908/0

4494/0

40

5291/0

5189/0

5127/0

4853/0

50

5499/0

5397/0

5235/0

4905/0

60

5475/0

5373/0

5311/0

4987/0

70

5592/0

549/0

5328/0

5055/0

80

5562/0

546/0

5398/0

5085/0

90

5718/0

5616/0

5454/0

5139/0

100

5617/0

5515/0

5453/0

5187/0

110

5778/0

5676/0

5514/0

5242/0

120

5734/0

5632/0

5570/0

5271/0

130

5815/0

5713/0

5551/0

5307/0

140

5762/0

566/0

5598/0

5333/0

150

591/0

5808/0

5646/0

5356/0

160

5773/0

5671/0

5609/0

5370/0

170

5904/0

5802/0

5640/0

5376/0

180

584/0

5738/0

5676/0

5395/0

190

5919/0

5817/0

5655/0

5416/0

200

5847/0

5745/0

5683/0

5425/0

میانگین

55707/0

54687/0

5356/0

5057/0

 

تعداد حسگر لنگر در هر شبکه، یک‌دهم تعداد حسگرها است و در واقع هدف، موقعیت‌یابی درست این حسگرهای لنگر در بین حسگرهای دیگر است. محور img0 نشان‌دهنده تعداد گره‌ها و محور img0 نشان‌دهنده خطای میانگین مربع ریشه در هر شبکه ‌می‌باشد.

همان طور که در شکل ۷ مشخص شده است، در تعداد گره بالای شبکه به علت وجود موقعیت‌های بیشتر گره‌ها، خطای میانگین مربع ریشه بیشتر است؛ ولی با افزایش تعداد گره شبکه، موقعیت‌یابی حسگرها مشکل‌تر بوده و نیاز به دقت روش تکاملی است. همان طور که در جدول 3 مشخص است، روش پیشنهادی و روش پایه بر روی بیست شبکه مختلف از نظر تعداد گره شبکه ارزیابی شده است.

میانگین میزان بهبود نتایج روش پیشنهادی در بیست شبکه مختلف، 28/2 درصد نسبت به روش پایه بیشتر بوده است. همچنین در این جدول نتایج دو روش الگوریتم ژنتیک 6(GA) و گروه ذرات (PSO) نیز ذکر شده است.

همان طور که از جدول 3 مشخص است با افزایش تعداد گره‌ها، نمودار نرخ خطا افزایش خطی داشته است؛ اما روش پیشنهادی توانسته به طور میانگین 5057/0 خطا داشته باشد، در صورتی که روش GWO توانسته به طور میانگین 5356/0 خطا داشته باشد که بهبود 92/5 درصدی را در روش پیشنهادی نشان ‌می‌دهد. همچنین روش‌های GA و PSO به ترتیب 55707/0 و 54687/0 خطا داشته‌اند که روش پیشنهادی نسبت به روش GA بهبود 16/10 درصدی و نسبت به روش PSO بهبود 14/8 درصدی داشته است.

جدول 4: مقایسه مصرف انرژی بین روش پیشنهادی و روش GWO.

 

تعداد گره شبکه

روش GA

روش PSO

روش پایه GWO

روش پیشنهادی GOA

10

79

82

77

71

20

87

89

86

79

30

95

96

92

83

40

91

94

89

83

50

89

91

88

81

60

92

93

89

84

70

94

97

92

87

80

92

94

91

87

90

98

99

95

88

100

94

97

92

86

110

97

99

96

90

120

97

98

94

90

130

94

100

95

89

140

102

104

101

94

150

102

102

98

91

160

102

105

100

96

170

103

105

102

98

180

125

126

122

116

190

131

134

129

124

200

141

143

140

132

میانگین

35/100

4/102

4/98

45/92

 

جدول 5: مقايسه نتايج چهار الگوريتم از نظر زمان مرگ گره‌ها بر اساس تعداد دور الگوریتم.

 

‌تعداد گره

الگوریتم

زمان مرگ اولین گره

زمان مرگ نیمی از گره‌ها

زمان مرگ آخرین گره

100

GA

3

130

180

PSO

2

164

361

GWO

4

202

399

GOA

34

190

389

 

4-2 بررسی مدل پیشنهادی از دیدگاه مصرف انرژی

مصرف انرژی برای الگوریتم پیشنهادی GOA و الگوریتم GWO 
در شکل ۸ آمده است. محور img0 نشان‌دهنده تعداد گره و محور img0 نشان‌دهنده انرژی مصرفی است. همان طور که در شکل ۸ مشخص است، انرژی مصرف‌شده برای الگوریتم GWO نسبت به الگوریتم GOA با توجه به تعداد گره‌ها بیشتر است؛ زیرا در الگوریتم GWO برای ارسال بسته‌ها از برخی مسیرهای بهینه استفاده نشده که منجر به اتلاف انرژی شده است.

در جدول 4، مصرف انرژی با تعداد گره‌های مختلف برای چهار روش متفاوت با درج انرژی مصرف‌شده مقایسه شده است. نتایج این جدول در حالتی استخراج گردیده که شبکه‌های مختلف ساخته‌شده با تعداد گره مختلف از نظر انرژی مصرف‌شده بر اساس کیلوژول در 300 دور ارسال پیام در شبکه مقایسه شده‌اند. در واقع میزان مصرف انرژی شبکه در هر چهار روش در تعداد دور ارسال پیام ثابت در شبکه اندازه‌گیری شده است. همان طور که در جدول 4 درج شده است، میانگین میزان نتایج روش پیشنهادی در بیست شبکه مختلف برابر 45/92 بوده و روش GWO برابر 4/98  بوده  است  که  بهبود  43/6  درصدی  روش  پیشنهادی  نسبت  به  روش 

img0 

شکل ۸:  مقایسه مصرف انرژی بین روش پیشنهادی و روش GWO.

 

پایه GWO را نشان ‌می‌دهد. همچنین میانگین میزان نتایج در روش‌های GA و PSO به ترتیب 35/100 و 4/102 می‌باشد که روش پیشنهادی نسبت به روش GA بهبود 55/8 درصدی و نسبت به روش PSO بهبود 76/10 درصدی داشته است.

4-3 بررسی مدل پیشنهادی از دیدگاه زمان مرگ گره‌ها

در این بخش، روش پیشنهادی (GOA) از نظر زمان مرگ گره‌ها با روش GWO [۲۵] و الگوریتم PSO و ژنتیک مقايسه شده است. در واقع در این قسمت، زمان مرگ اولين گره مورد بررسی قرار گرفته که شماره دوري كه در آن اولين گره شبكه به دليل اتمام انرژي از كار مي‌افتد و همچنین زمان مرگ نيمي از گره‌ها که شمار‌ه دوري كه در آن نيمي از گره‌هاي شبكه به دليل اتمام انرژي از كار افتاده باشند و زمان مرگ آخرين گره شامل شماره دوري كه در آن آخرين گره شبكه به دليل اتمام انرژي از كار مي‌افتد، در نظر گرفته شده است.

نتايج به‌دست‌آمده از GOA در مقایسه با سایر روش‌ها از نظر مرگ گره‌ها بر اساس تعداد دور7 هر الگوریتم در جدول 5 آمده است. نتايج با ميانگين‌گيري از جامعه آماري (20 اجرا به ازای هر الگوريتم در شبکه‌ای با 100 گره و در 400 دوره) به دست آمده است.

همان طور که در جدول 5 مشاهده ‌می‌شود، روش GOA توانسته که زمان مرگ اولین گره را با تأخیر بیشتری نسبت به سایر روش‌ها داشته باشد؛ ولی در روش GWO زمان مرگ آخرین گره با زمان تأخیر بیشتری است. اين نتايج ثابت مي‌كنند كه الگوريتم پيشنهادي مي‌تواند طول عمر شبكه را بهتر از GA و الگوریتم PSO تضمين كند. اين ويژگي در كاربردهايي كه پوشش شبكه‌اي در آنها از اهميت بالایی برخوردار است، حائز اهميت مي‌باشد. همچنین زمان مرگ اولین گره در روش پیشنهادی نشان ‌می‌دهد که در كاربردهايی از جمله پارکینگ هوشمند که نیاز به پايش همه محیط است و به‌تعويق‌انداختن زمان مرگ اولین گره بسیار مهم‌تر از زمان مرگ آخرين گره ‌می‌باشد، روش پیشنهادی ‌می‌تواند مدل برتری باشد. در مقابل ممكن است در برخي از كاربردها، افزايش طول عمر كلي شبكه (به‌تعويق‌افتادن زمان مرگ آخرين گره) مطلوب‌تر باشد؛ براي مثال در پايش دوره‌اي آب و هوا که در این خصوص روش الگوریتم GWO برتری دارد.

img0 

شکل ۹:  مقايسه كارايي از لحاظ تعداد گره‌هاي زنده به شماره دورهاي الگوريتم.

 

همان طور که در شکل ۹ مشخص است، GOA توانسته در 100 گره شبکه، طول عمر شبكه را بر اساس زمان مرگ اولين گره، نسبت به سایر روش‌ها با تأخیر بیشتری داشته باشد؛ ولی الگوریتم GWO مرگ آخرین گره را با تأخیر بیشتری دارد. در شکل ۹ دلیل رفتار روش پیشنهادی می‌تواند در انتخاب مناسب مکان گره‌های لنگر باشد که بدین جهت انرژی مصرفی گره‌ها در کمترین میزان خود است و مرگ اولین گره در این شبکه نسبت به سایر روش‌ها دیرتر انجام می‌شود. مرگ اولین گره در روش‌های دیگر زودتر انجام می‌شود و این موضوع برای کاربردهایی از جمله پارکینگ هوشمند که باید تمام حسگرها ظرفیت پارکینگ را نشان دهند، مطلوب نیست. اما در روش پیشنهادی، مرگ اولین گره دیرتر بوده ولی در عوض مرگ آخرین گره که تمام شبکه بدون انرژی می‌شود زودتر اتفاق می‌افتد. همچنین نتایج با تعداد گره بالاتر در جدول 6 آمده است. همان طور که از جدول 6 مشخص است با افزایش تعداد گره در شبکه نیز زمان مرگ اولین گره در روش پیشنهادی از سایر روش‌ها بیشتر است. روش GOA از نظر پیچیدگی و زمان اجرا از الگوریتم GWO کمتر است؛ زیرا اپراتورهای این الگوریتم نسبت به الگوریتم GWO کمتر بوده و زمان پردازش کمتری را صرف می‌کند. روش پیشنهادی نسبت به الگوریتم PSO زمان بیشتری را صرف نموده است؛ اما نسبت به GA زمان اجرای کمتری داشته است.

باید توجه داشت که در جدول‌های 5 و 6، زمان مرگ گره‌ها بر اساس تعداد دورهایی که شبکه نیاز به تعیین سرخوشه داشته و الگوریتم به این تعداد دور نیاز داشته است، لحاظ و مقایسه شده است. این دورها در الگوریتم‌های مختلف لزوماً در زمان‌های یکسانی اتفاق نمی‌افتند؛ زیرا برای انجام این دورها در هر الگوریتم، دو شرط «حد بالای زمانی» و «ازدست‌دادن تعدادی گره مشخص» وجود دارد. به‌عنوان مثال ممکن است یک دور در یک الگوریتم، بعد از مرگ سه گره اتفاق افتاده و در یک الگوریتم دیگر، پس از مرگ یازده گره اتفاق بیفتد؛ بنابراین زمان طی‌شدن یک دور یک الگوریتم، لزوماً با زمان طی‌شده‌ یک دور در یک الگوریتم دیگر برابر نخواهد بود.

5-       نتیجه‌گیری

در این مقاله با توجه به قدرت همگرایی بالای الگوریتم هوش جمعی ملخ، برای اولین بار استفاده از این الگوریتم در جایابی بهینه حسگرها در پارکینگ  ارائه  شده  است.  الگوریتم  پیشنهادی  در  مقایسه  با  الگوریتم  گرگ 

جدول 6: مقايسه نتايج چهار الگوريتم از نظر زمان مرگ گره‌ها بر اساس تعداد دور الگوریتم در 500 گره.

 

‌تعداد گره

الگوریتم

زمان مرگ اولین گره

زمان مرگ نیمی از گره‌ها

زمان مرگ آخرین گره

500

GA

8

141

201

PSO

4

168

361

GWO

5

218

412

GOA

41

241

396

 

خاکستری نشان داده که توانسته با خطای جایابی کمتری مکان حسگرها را مشخص نماید. نتايج شبيه‌سازي روش جديد موقعیت‌یابی با استفاده از GOA ارائه گرديد. جهت مقایسه بهتر نتایج، شبکه‌هایی با تعداد مختلف گره تولید شد. سپس با نتايج نموداري و آماري حاصل از شبيه‌سازي، اثبات گرديد كه روش GOA از لحاظ خطای جایابی، مصرف انرژی، طول عمر شبکه و افزايش طول عمر مفيد شبكه (به تعويق انداختن زمان مرگ اولين گره) نسبت به روش‌های دیگر از جمله الگوریتم گرگ خاکستری بهتر بوده است. در واقع روش پیشنهادی توانسته به طور میانگین بهبود 92/5 درصدی در کاهش خطای جایابی داشته باشد. در خصوص ميزان مصرف انرژي شبكه، در هر دو روش میزان انرژی مصرفی در تعداد دور ارسال پيام ثابت در شبكه اندازهگيري شد و نتايج نشان داد كه ميانگين ميزان مصرف انرژي در بیست شبکه مختلف برابر ۴۵/92 درصد و برای روش GWO برابر ۴/98 درصد است كه بهبود ۴۳/۶ درصدي در كاهش مصرف انرژي بااستفاده از روش پيشنهادي را نشان مي‌دهد. در روش پیشنهادی، میانگین طول عمر شبکه 15/1709 ثانیه و در روش GWO با طول عمر شبکه 85/1608 ثانیه بود که این نشان ‌می‌دهد روش پیشنهادی به طور میانگین، بهبود 23/6 درصدی را در افزایش طول عمر شبکه داشته است. همچنین مشاهده شد که روش پيشنهادي توانسته زمان مرگ اولین گره با تأخیر بیشتری را نسبت به سایر روش‌ها داشته باشد؛ ولی در روش GWO، زمان مرگ آخرین گره با زمان تأخیر بیشتری اتفاق افتاد. اين نتايج ثابت کرد كه الگوريتم پيشنهادي مي‌تواند طول عمر شبكه را بهتر از الگوریتم ژنتیک و الگوریتم گروه ذرات تضمين كند. اين ويژگي در كاربردهايي از جمله پارکینگ هوشمند كه پوشش شبكه‌اي در آنها از اهميت خاصي برخوردار است، حائز اهميت مي‌باشد. همچنین زمان مرگ اولین گره در روش پیشنهادی نشان ‌می‌دهد در كاربردهاي پايشي يا رديابي همانند پارکینگ هوشمند که به تعويق انداختن زمان اولین مرگ گره بسیار مهم‌تر از زمان آخرين مرگ گره ‌می‌باشد، روش پیشنهادی مدل برتری است.

با توجه به کارایی مدل پیشنهادی به نظر می‌رسد که استفاده از راهکارهای بهبود الگوریتم تکاملی از جمله ترکیب با الگوریتم‌های تکاملی دیگر و یا اضافه‌کردن نگاشت‌های آشوب می‌تواند به قدرت همگرایی و ارتقای‌ نتایج در حوزه جایابی حسگرها کمک نماید. همچنین با توجه به شباهت جایابی حسگر به مسئله خوشه‌بندی شبکه برای انتخاب سرخوشه در کاربردهای حسگر بی‌سیم، استفاده از پروتکل‌های مطرح در این حوزه از جمله پروتکل لیچ قابل استفاده است.

مراجع

[1]       P. Sadhukhan, "An IoT-based E-parking system for smart cities," in Proc. Int. Conf. on Advances in Computing, Communications and Informatics, pp. 1062-1066, Udupi, India, 13-16 Sept. 2017.

[2]       M. Ramasamy, S. G. Solanki, E. Natarajan, and T. M. Keat, "IoT based smart parking system for large parking lot," in Proc. IEEE 4th Int. Symp. in Robotics and Manufacturing Automation, 4 pp., Perambalur, India, 10-12 Dec. 2018.

[3]       A. M. Said, A. E. Kamal, and H. Afifi, "An intelligent parking sharing system for green and smart cities based IoT," Computer Communications, vol. 172, pp. 10-18, Apr. 2021.

[4]       Y. Geng and C. G. Cassandras, "A new 'smart parking' system infrastructure and implementation," Procedia-Social Behav. Sci., vol. 54, pp. 1278-1287, Oct. 2012.

[5]       Y. He, L. R. Tang, X. J. Liu, and S. Y. Ji, "Decision theory-based localization algorithm in smart park," Wireless Pers. Commun., vol. 100, no. 3, pp. 1023-1046, 2018.

[6]       A. Payal, C. S. Rai, and B. V. R. Reddy, "Artificial neural networks for developing localization framework in wireless sensor networks," in Proc. Int. Conf. on Data Mining and Intelligent Computing, 6 pp., Delhi, India, 5-6 Sept. 2014.

[7]       P. H. Namin and M. A. Tinati, "Node localization using particle swarm optimization," in Proc. Int. Conf. on Intelligent Sensors, Sensor Networks and Information Processing, pp. 288-293, Adelaide, Australia, 6-9 Dec. 2011.

[8]       S. Goyal and M. S. Patterh, "Modified bat algorithm for localization of wireless sensor network," Wireless Pers. Commun., vol. 86, no. 2, pp. 657-670, 2016.

[9]       S. Mumtaz, et al., "Massive Internet of Things for industrial applications: addressing wireless IIoT connectivity challenges and ecosystem fragmentation," IEEE Ind. Electron. Mag., vol. 11, no. 1, pp. 28-33, Mar. 2017.

[10]       S. Sarem, S. Mirjalili, and A. Lewis, "Grasshopper optimisation algorithm: theory and application," Advances in Engineering Software, vol. 105, pp. 30-47, Mar. 2017.

[11]       س. م. ر. امامی میبدی، ب. تارویردی‌زاده، ع. هادی و معمارزاده طهران، "ارایه روشی نوین جهت مکان‌یابی اشیاء متحرک با استفاده از آنتن‌های مونوپل و ماتریس پراکندگی بمنظور افزایش کیفیت خدمت در هوشمندسازی پارکنیگ‌ها،" نشریه علمی پژوهشی مهندسی و مدیریت کیفیت، سال 7، شماره 4، 
صص. 286-271، اسفند 1396.‎ 

[12]       ج. جنتی و د. نظرپور،" مدیریت انرژی پارکینگ هوشمند خودروهای برقی در یک ریزشبکه با در نظر گرفتن اثرات برنامه پاسخ‌گویی بار،" مجله مهندسی برق دانشگاه تبریز، سال 47، شماره 2، صص. 467-455، شهریور 1396.‎

[13]       M. H. Amini, M. P. Moghaddam, and O. Karabasoglu, "Simultaneous allocation of electric vehicles' parking lots and distributed renewable resources in smart power distribution networks," Sustainable Cities and Society, vol. 28, pp. 332-342, Jan. 2017.

[14]       ف. باشتنی، ر. احدی و ب. رضائی خبوشان،" زمان‌بندی شارژ خودروهای برقی در پارکینگ هوشمند با در نظر گرفتن رضایت صاحبان خودرو‌ها،" مجموعه مقالات دوازدهمین کنفرانس بین­ المللی انجمن ایرانی تحقیق در عملیات، صص. 15-9، بابلسر، ایران، 12-11 اردیبهشت 1398.

[15]       S. R. Rizvi, S. Zehra, and S. Olariu, "Aspire: an agent-oriented smart parking recommendation system for smart cities," IEEE Intelligent Transportation Systems Magazine, vol. 11, no. 4, pp. 48-61, Winter 2018.

[16]       س. زینلیان و ن. فرزانه بهالگردی، "یک روش پیشنهاددهنده جای پارک خالی کنار خیابان چند معیاره مبتنی بر الگوریتم PSO ،" نشریه مهندسی برق و الکترونیک ایران، سال 18، شماره 3، صص. 26-18، پائیز 1400.

[17]       S. Djahel and F. Nait-Abdesselam, "Towards a smart parking management system for smart cities," in Proc. IEEE Int. Smart Cities Conf., pp. 542-546, Casablanca, Morocco, 14-17 Oct. 2019.

[18]       A. Athira, S. Lekshmi, P. Vijayan, and B. Kurian, "Smart parking system based on optical character recognition," in Proc. 3rd Int. Conf. on Trends in Electronics and Informatics, pp. 1184-1188, Tirunelveli, India, 23-25 Apr. 2019.

[19]       C. Tang, X. Wei, C. Zhu, W. Chen, and J. J. P. C. Rodrigues, "Towards smart parking based on fog computing," IEEE Access, vol. 6, pp. 70172-70185, 2019.

[20]       M. R. M. Veeramanickam, et al., "IoT based smart parking model using Arduino UNO with FCFS priority scheduling," Measurement: Sensors, vol. 24, Article ID: 100524, Dec. 2022.

[21]       G. Rocco, C. Pipino, and C. Pagano, "An overview of urban mobility: revolutionizing with innovative smart parking systems," Sustainability, vol. 15, Article ID: 13174, 17 pp., 2023.

[22]       T. Anusha and M. Pushpalatha, "Efficient communication model for a smart parking system with multiple data consumers," Smart Cities, vol. 5, no. 4, pp. 1536-1553, 2022.

[23]       A. Raj and S. D. Shetty, "Smart parking systems technologies, tools, and challenges for implementing in a smart city environment: a survey based on IoT & ML perspective," Int. J. Mach. Learn. & Cyber., vol. 15, pp. 2673-2694, 2024.

[24]       E. Karbab, D. Djenouri, S. Boulkaboul, and A. Bagula, "Car park management with networked wireless sensors and active RFID," in Proc. IEEE Int. Conf. Electro/Inf. Technol., pp. 373-378, DeKalb, IL, USA, 21-23 May 2015.

[25]       S. N. Ghorpade, M. Zennaro, and B. S. Chaudhari, "GWO model for optimal localization of IoT-enabled sensor nodes in smart parking systems," IEEE Trans. on Intelligent Transportation Systems, vol. 22, no. 2, pp. 1217-1224, Feb. 2020.

[26]       ب. شایسته، و حکمی، س. ا. مصطفوی و ا. اکبری ازیرانی،" ارائه روشی نوین برای محاسبه اعتماد در کاربردهای اینترنت اشیاء،" مجله مهندسی برق دانشگاه تبریز، سال 50، شماره 2، صص. 455-437، شهریور 1399.‎

 

احمد براتیان در سال 1402 مدرك كارشناسي ارشد مهندسي کامپیوتر- نرم­افزار خود را از دانشگاه آزاد اسلامی مشهد دريافت نمود. زمينه‎هاي علمي مورد علاقه نام­برده عموماً مربوط به حوزه مهندسی نرم­افزار مي‎باشد. به­طور خاص ایشان توجه و علاقه­مندی 
ویژه­ای به حوزه اینترنت اشیاء و کاربرد روش­های هوش مصنوعی در حل مسائل مربوط به این حوزه دارند.

 

اسماعیل خیرخواه دانش­آموخته دکترای کامپیوتر از دانشگاه ملی مالزی UKM) ) است. ایشان در حال حاضر عضو هیأت علمی دانشگاه آزاد اسلامی مشهد می­باشد. علایق تحقیقاتی او در حوزه مهندسی نیازمندی­های داده­محور، مهندسی نرم­افزار اتکاپذیر و انواع متدولوژی های توسعه نرم افزار است. علاقه اصلی ایشان مطالعات تجربی در مهندسی نرم­افزار است، جایی که می­تواند رویکردهای تجزیه و تحلیل دقیق داده ­ها را اعمال کند و از روش­های یادگیری ماشین و روش­های هوش مصنوعی در جهت بهبود فرایند مهندسی نرم­افزار بهره­مند شود. اینترنت اشیا و مسائل مربوط به مهندسی نرم­افزار در حوزه اینترنت اشیا از دیگر حوزه­های مورد علاقه دکتر خیرخواه می­باشد.

 

 

[1] . Maximum Number of Iteration

[2] . System Type

[3] . Root Mean Square Error

[4] . Grasshopper Optimization Algorithm

[5] . Grey Wolf Optimization

[6] . Genetic Algorithm

[7] . Round

 

 


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2025

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]