فهرست مقالات Particle Swarm Algorithm

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - استفاده از خوشه¬بندی در پروتکل مسیریابی AODV برای شبکه-های بین خودرویی بر روی سناریوی بزرگراه
  امین فیضی وحید ستاری نائینی مجید  محمدی
  شبکه های بین خودرویی زیرمجموعه‌ای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزر چکیده کامل

  شبکه های بین خودرویی زیرمجموعه‌ای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ برای مسیریابی محسوب می شود که برای مسیریابی در این شبکه ها، پروتکل های مسیریابی باید قوی و قابل‌اعتماد باشد. یکی از پروتکل های مسیریابی شناخته ‌شده در شبکه‌های بین خودرویی، پروتکل مسیریابیAODV است. اعمال این پروتکل مسیریابی بر روی شبکه های بین خودرویی نیز دارای مشکلاتی می‌باشد که با افزایش مقیاس شبکه و تعداد گره ها، تعداد پیام های کنترلی در شبکه افزایش می یابد. یکی از روش‌های کاهش سربار در پروتکل AODV، خوشه بندی کردن گره های شبکه است. در این مقاله برای خوشه بندی کردن گره ها از الگوریتم تغییریافته K-Means و برای انتخاب سر خوشه از الگوریتم ازدحام ذرات استفاده شده است. نتایج بدست آمده از روش پیشنهادی باعث بهبود بار مسیریابی نرمال شده و افزایش نرخ تحویل بسته در مقایسه با پروتکل مسیریابی AODV شده است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - Lifetime Improvement Using Cluster Head Selection and Base Station Localization in Wireless Sensor Networks
  maryam najimi Sajjad  Nankhoshki
  10.7508/jist.2018.02.006
  The limited energy supply of wireless sensor networks poses a great challenge for the deployment of wireless sensor nodes. In this paper, a sensor network of nodes with wireless transceiver capabilities and limited energy is considered. Clustering is one of the most eff چکیده کامل

  The limited energy supply of wireless sensor networks poses a great challenge for the deployment of wireless sensor nodes. In this paper, a sensor network of nodes with wireless transceiver capabilities and limited energy is considered. Clustering is one of the most efficient techniques to save more energy in these networks. Therefore, the proper selection of the cluster heads plays important role to save the energy of sensor nodes for data transmission in the network. In this paper, we propose an energy efficient data transmission by determining the proper cluster heads in wireless sensor networks. We also obtain the optimal location of the base station according to the cluster heads to prolong the network lifetime. An efficient method is considered based on particle swarm algorithm (PSO) which is a nature inspired swarm intelligence based algorithm, modelled after observing the choreography of a flock of birds, to solve a sensor network optimization problem. In the proposed energy- efficient algorithm, cluster heads distance from the base station and their residual energy of the sensors nodes are important parameters for cluster head selection and base station localization. The simulation results show that our proposed algorithm improves the network lifetime and also more alive sensors are remained in the wireless network compared to the baseline algorithms in different situations. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - تخمین تراوایی با بکارگیری لاگ های پتروفیزیکی و روش های هوش مصنوعی: مطالعه موردی در مخزن آسماری میدان نفتی اهواز
  ابوذر محسنی پور بهمن  سلیمانی ایمان زحمتکش ایمان ویسی
  تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مد چکیده کامل

  تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR) محاسبه شد. سپس با ساخت مدل ساده شبکه عصبی مصنوعی و همچنین ترکیب آن با الگوریتم های بهینه سازی رقابت استعماری (ANN-ICA) و ازدحام ذرات (ANN-PSO) تراوایی تخمین زده شد. در نهایت نتایج حاصل با مقایسه تراوایی COATES و تراوایی SDR تخمین زده شده نسبت به مقدار واقعی، مورد بررسی قرار گرفتند و دقت تخمین از نظر مجموع مربع خطا و ضریب همبستگی مقایسه شد. نتایج حاصل از این مطالعه، بیانگر افزایش دقت تخمین تراوایی با استفاده از ترکیب الگوریتم های بهینه سازی با شبکه عصبی مصنوعی بود. نتایج حاصل از این روش می تواند به عنوان روشی قدرتمند جهت بدست آوردن سایر پارامترهای پتروفیزیکی استفاده شود. پرونده مقاله