بهبود مصرف انرژی در شبکه‌های حسگر بی‌سیم با استفاده از الگوریتم مگس میوه و منطق فازی.

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی، دانشگاه ولایت ایرانشهر، ایرانشهر، ایران

2 دانشکده مهندسی، مجتمع آموزش عالی سراوان، سراوان، ایران

چکیده

فرستنده‌های اطلاعات در شبکه‌های حسگر بی‌سیم منابع ذخیره و انرژی محدودی دارند. یکی از حیاتی ترین مسائل در طراحی این شبکه‌ها استفاده بهینه از انرژی است، چرا که شارژ یا جایگزینی باتری در گره‌های حسگر تقریباً غیر ممکن است. در راستای رفع محدودیت‌های انرژی در شبکه‌های حسگر، بکارگیری الگوریتم‌های خوشه‌بندی می‌تواند نقشی موثر ایفا کند. در واقع، این الگوریتم‌ها با یک خوشه‌بندی مناسب و انتخاب سرخوشه‌های بهینه به متعادل کردن بار شبکه کمک می‌کنند که این امر به کاهش مصرف انرژی و متعاقباً افزایش طول عمر شبکه منتهی خواهد شد.
بر این اساس در این مقاله، به منظور انتخاب بهترین گره‌ها به عنوان سرخوشه، روشی جدید بر اساس الگوریتم مگس میوه و منطق فازی پیشنهاد شده است. در پروتکل پیشنهادی، از منطق فازی جهت محاسبه پارامتر شدت بو در الگوریتم مگس میوه استفاده می‌شود. گره‌های کاندید سرخوشه شدن از سه پارامتر فاصله تا سینک، میزان انرژی باقیمانده باتری و فاصله تا مرکز خوشه به عنوان ورودی منطق فازی (جهت محاسبه شدت بو) استفاده می‌کنند. با شبیه سازی روش پیشنهادی و مقایسه آن با پروتکل های شناخته شده AFSRPو پروتکل DCRRP می‌توان دریافت که پروتکل پیشنهادی عملکرد بسیار بهتری از نظر مصرف انرژی، تأخیر ارسال داده و نسبت سیگنال به نویز نسبت به AFSRP و DCRRP دارد. بطوریکه نرخ تاخیر انتها به انتها به میزان 40/2 درصد نسبت به سناریوی پروتکل AFSRP و به میزان 48/19 درصد نسبت به سناریوی پروتکل DCRRP، نرخ تأخیر دسترسی به رسانه نسبت به پروتکل DCRRP به میزان 81/2 درصد، نرخ گذردهی به میزان 16/6 درصد نسبت به سناریو پروتکل AFSRP و همچنین به میزان 31/4 درصد نسبت به سناریو پروتکل DCRRP، نرخ تحویل با موفقیت بسته‌های داده به میزان 18/2درصد نسبت به سناریو پروتکل AFSRP و همچنین به میزان 93/1 درصد نسبت به سناریو پروتکل DCRRP، نسبت سیگنال به نویز به میزان 93/2 درصد نسبت به سناریو پروتکل AFSRP و همچنین به میزان 41/0 درصد نسبت به سناریو پروتکل DCRRP و میانگین انرژی مصرفی باتری به میزان 57/9 درصد نسبت به سناریوی پروتکل AFSRP و همچنین به میزان 71/10 درصد نسبت به سناریو پروتکل DCRRP بهبود یافته است.

کلیدواژه‌ها

موضوعات


[1] Mali, G. U., Gautam, D. K. (2018). Shortest path evaluation in wireless network using fuzzy logic. Wireless Personal Communications, 100(4), 1393-1404.
 
[2] Kiran, M. P. R. S., Prasad, Y. R. V., Rajalakshmi, P. (2018). Modeling and analysis of IEEE 802.15. 4 multi-hop networks for IoT applications. Wireless Personal Communications, 100(2), 429-448.
 
[3] Kumar, A., Webber, J. L., Haq, M. A., Gola, K. K., Singh, P., Karupusamy, S., Alazzam, M. B. (2022). Optimal cluster head selection for energy efficient wireless sensor network using hybrid competitive swarm optimization and harmony search algorithm. Sustainable Energy Technologies and Assessments, 52, 102243.
 
[4] Ding, X. X., Liu, Y. N., Yang, L. Y. (2021). An Optimized Cluster Structure Routing Method Based on LEACH in Wireless Sensor Networks. Wireless Personal Communications, 121(4), 2719-2733.
 
[5] Kotary, D. K., Nanda, S. J. (2021). A Distributed Neighbourhood DBSCAN Algorithm for Effective Data Clustering in Wireless Sensor Networks. Wireless Personal Communications, 121(4), 2545-2568.
 
[6] Senthil, G. A., Raaza, A., Kumar, N. (2022). Internet of Things Energy Efficient Cluster-Based Routing Using Hybrid Particle Swarm Optimization for Wireless Sensor Network. Wireless Personal Communications, 122(3), 2603-2619.
 
[7] Tay, M., Senturk, A. (2022). A New Energy-Aware Cluster Head Selection Algorithm for Wireless Sensor Networks. Wireless Personal Communications, 122(3), 2235-2251.
 
[8] Mohanadevi, C., Selvakumar, S. (2021). A qos-aware, hybrid particle swarm optimization-cuckoo search clustering based multipath routing in wireless sensor networks. Wireless Personal Communications, 1-17.
 
[9] Zhao, M., Chong, P. H. J., Chan, H. C. (2017). An energy-efficient and clusterparent based RPL with power-level refinement for low-power and lossy networks. Computer Communications, 104, 17-33.
 
[10] Bouaziz, M., Rachedi, A., Belghith, A. (2017). EKF-MRPL: Advanced mobility support routing protocol for internet of mobile things: Movement prediction approach. Future Generation Computer Systems.
 
[11] Zhang, W., Han, G., Feng, Y., Lloret, J. (2017). IRPL: An energy efficient routing protocol for wireless sensor networks.Journal of Systems Architecture, 75, 35-49.
 
[12] Gorgich, S., Tabatabaei, S. (2021). Proposing an energy-aware routing protocol by using fish swarm optimization algorithm in WSN (wireless sensor networks). Wireless Personal Communications, 119(3), 1935-1955.
 
[13] 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.
 
[14] Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.