پروتکل بهینه سازی ازدحام ذرات و مسیریابی شبکه های بی سیم (مقاله ترجمه شده)

چکیده

بسیاری از تکنیک های مسیریابی مبتنی بر کلاستربندی برای شبکه‌های حسگر بی‌سیم (WSN ها) در راه‌کارهای پیشین مطرح شده است. با این حال، بسیاری از پروتکل‌های پیشنهادی بر انتخاب سرخوشه (CH) تاکید کرده و چگونگی ارسال مجدد داده‌های جمع‌آوری شده توسط سرخوشه به ایستگاه پایه (BS) را نادیده می‌گیرند. علاوه بر این، آن‌ها تمایل به استفاده از اطلاعات غیر واقع‌بینانه و پارامترهای فرضی دارند. این نمونه‎ها شامل استفاده از محدوده انتقال متناهی و آگاه از مکان است. آن‌ها همچنین از یک مدل انرژی که اساساً برای مدل‌سازی قدرت رادیویی مصرفی در شبکه‌های بی‌سیم است استفاده می‌کنند. در این مقاله، دو فرموله بندی برنامه‌ریزی خطی (LP) برای مشکل کلاستربندی و مسیریابی ارائه‌شده است که شامل دو الگوریتم براساس الگوریتم ازدحام ذرات هستند (PSO). الگوریتم کلاستربندی، بهینه‌ترین مجموعه سرخوشه را می‌یابد به گونه‌ای که انرژی مصرفی، کیفیت خوشه‌بندی و پوشش شبکه بیشینه شود. الگوریتم مسیریابی با یک روش کدگذاری و تابع عملکرد توسعه‌یافته و بهینه‌ترین درخت مسیریابی را که این سر خوشه‌ها را به ایستگاه پایه (BS) متصل می‌کند را می‌یابد. این دو الگوریتم سپس با یک پروتکل دو لایه‎ برای ارائه کامل و عملی مدل خوشه‌بندی ترکیب می‌شوند. تأثیر استفاده از یک شبکه واقعی و الگوی واقعی انرژی مصرفی در ارتباطات مبتنی بر خوشه‌بندی برای WSN مورد بررسی قرار خواهد گرفت. شبیه‌سازی‌های گسترده‌ای در 50 مدل WSN همگن و ناهمگن ارزیابی و با پروتکل‌های مبتنی بر خوشه‌بندی مقایسه شده است. نتایج نشان می‌دهد که پروتکل پیشنهادی در شرایط مختلف معیارهای عملکرد مانند مقیاس‌پذیری، نرخ تحویل بسته (PDR) در سرخوشه و تحویل بسته داده‌ها به BS بهتر از سایر پروتکل‌ها عمل می‌کند.

مقدمه

پس زمینه

شبکه‌های حسگر بی‌سیم (WSN) تکنولوژی قدرتمندی به همراه هزاران برنامه کاربردی می‌باشند. این نوع شبکه‌ها به تکنولوژی مهمی در تشخیص کاربردهایی شامل کاربردهای پایش (مانیتورینگ) پدیده‌ها و کاربردهای  پردازش داده‌های سنگین مثل عملیات ارتشی و مانیتورینگ محیط‌های حساس و سیستم‌های surveillance تبدیل‌شده‌اند.

هر WSN شامل ده‌ها تا هزاران گره حسگر است که از طریق کانال‌های بی‌سیم برای share کردن اطلاعات و پردازش‌های همکار (Yu et al., 2006) ارتباط برقرار می‌کنند. همواره، گره‌ها در مناطق وسیع به شکل ایستا قرار داده می‌شوند. به هر حال، این گره‌ها می‌توانند موبایل بوده و یا در محیط حرکت داشته باشند.

راه‏کارهای پیشین

روش‌های خوشه‌بندی به طور گسترده به منظور بهبود عملکرد WSN ها مورد مطالعه قرار گرفته است (Tyagi and Kumar, 2013; Younis et al., 2006;Abbasi and Younis, 2007). ما تعدادی از راه‌کارهای پیشین را براساس روش‌های اکتشافی و فرا اکتشافی مورد بررسی قرار داده‌ایم.

روش‌ های اکتشافی

خوشه‌بندی سلسله مراتبی انرژی پایین (LEACH) () یکی از اغلب الگوریتم‌های مسیریابی مبتنی بر خوشه‌بندی توزیع‌شده در WSNها است که روش‌هایی تأثیرگذار در طول عمر شبکه می‌باشند. هر گره، از یک الگوریتم تصادفی در هر دور برای تعیین اینکه آیا در این دور باید به عنوان یک CHباشد یا خیر، استفاده می‌کند. گره‌هایی که به عنوان CHبودند، مجدداً نمی‌توانند در دور P به عنوان CHانتخاب گردند و P درصد مورد نیاز برای ایجاد سرخوشه است. بنابراین، هر نود دارای احتمالی برابر با 1/P است که به عنوان سرخوشه در هر دور انتخاب گردد. CHها، بدون بررسی انرژی باقیمانده یا ویژگی‌های دیگر انتخاب می‌شوند. این مکانیزم تصادفی در انتخاب سر خوشه‌ها، توزیع خوشه‌ها در شبکه را تضمین نمی‌کند (Arboleda and Nasser, 2006).

بررسی اجمالی بهینه‌ سازی ازدحام ذرات

بهینه‌سازی ازدحام ذرات (PSO)، یک روش بهینه‌سازی تصادفی مبتنی بر جمعیت است که توسط Kennedy and Eberhart (1995) ارائه‌شده است و از رفتار اجتماعی پرندگان الهام گرفته است. تا به حال، سه استاندارد PSO به نام های PSO2006، 2007 و 2011 ارائه‌شده است. تمامی این روش‌های ارائه‌شده، مفهوم یکسانی دارند. با این حال، آن‌ها تفاوت‌های اندکی نیز دارند.

ورژن اصلی PSO

پس از یافتن دو مقدار بهینه، ذره i، هر دو سرعت و مکان خود را به ترتیب با استفاده از معادله (1a) و (1b) بروز می‌کند.

r1 و r2، متغیرهای تصادفی در بازه [0و1] هستند. c1 و c2 ، فاکتورهای یادگیری هستند. wوزن فاکتور برای کنترل سرعت ذره‌ها است.

مدل سیستم

مدل WSN

مدل پیشنهادی ما، شامل یک شبکه WSNدولایه و N گره حسگر و Kسرخوشه و یک ایستگاه پایه است. هر گره حسگر دارای یک ID منحصربه‌فرد و یک ایستگاه پایه با ID=0 دارد. در فرآیند تشکیل خوشه، هر گره حسگر به تنها یک خوشه تعلق دارد و هر سرخوشه، به عنوان سرخوشه ی دقیقاً یک خوشه انتخاب می‌شود.

ما فرض می‌کنیم که تمام گره‌ها پس از استقرار ثابت هستند و مکان هر دو گره‌های حسگر و سر خوشه‌ها ناشناخته هستند. ما تراکم شبکه را در حالت‌های مختلف بررسی کردیم. علاوه براین، ما هردو تنظیمات شبکه به صورت همگن و ناهمگن را نیز بررسی کردیم.

تشکیل LP برای مشکل خوشه‌ بندی و مسیریابی

در این بخش، ما تشکیل و یا همان فرموله بندی Lp را برای خوشه‌بندی و مسئله مسیریابی در WSNارائه می‌دهیم. ما از روش مجموع وزن‎دار برای ساختن مقدار تابع هدف چندهدفه در هر دو مسئله مسیریابی و خوشه‌بندی استفاده کرده‌ایم. این روش کارا و مناسب است (Konak et al., 2006) که برای اجرای WSNمناسب است.

زیر بخش بعدی، مدل شبکه استفاده‌شده را در این مقاله با بررسی نکاتی که باید مدنظر قرار گیرند، توصیف می‌کند.

تذکرات مورد استفاده

ما در مدل خود، موارد زیر را به عنوان ورودی دریافت می‌کنیم:

• N: تعداد کل گره‌های حسگر

• K: تعداد کل سر خوشه‌ها (K=5%*N).

• InitialE(CH p,k): انرژی اولیه CH ها K در ذره P.

• E(CHp,k): انرژی باقیمانده CH تا K در ذره P.

• RSSI(ni,CHp,k): مقدار RSSI برای لینک از گره ni تا سرخوشه CHp,k.

• minRSSI: بدترین مقدار RSSI بین تمام جفت ارتباطات که معمولاً به 97 ست می‌شود.

• |Cp,k|: تعداد اعضای خوشه k از ذره p.

پروتکل پیشنهادی

در این مقاله، یک پروتکل دولایه PSOمتمرکز برای حل مسئله خوشه‌بندی و مسیریابی در WSN ارائه‌شده است. پروتکل با نام TPSO-CR نام‌گذاری شده است. حرف T در ابتدای این نامکذاری به معنای دو لایه بودن آن است.

در TPSO-CR، زمان عملیاتی شبکه به دور تقسیم شده است. هر دور (راند)، شامل دو فاز است، فاز تنظیم و فاز حالت پایدار. در مرحله راه‌اندازی، شبکه پیکربندی می‌گردد. BSبهترین مجموعه CH و گره‌های وابسته را خواهد یافت. فاز تنظیم شامل گام‌های زیر است:

1. کشف همسایه: در این گام، هر گره حسگر در شبکه، یک پیام Hello که شامل IDگره است، به همه ارسال می‌کند. هر گره که این پیام را دریافت کند، جدول همسایگی خود را با نام ID گره دریافتی، بروز می‌کند.

2. کنترل پخش اطلاعات: TPSO-CR از روش سیل‌آسا برای انتقال داده‌های کنترلی به BS ها استفاده می‌کند.

الگوریتم خوشه‌بندی

براساس اطلاعات که BSدریافت می‌کند، BS میانگین سطح انرژی تمامی گره‌ها را محاسبه می‌کند. تنها گره‌هایی با سطح انرژی بالاتر از میانگین، به منظور کاندید شدن در CHقانونی هستند (البته در این دور). این کار ادامه می‌یابد تا تنها یک گره به عنوان سرخوشه انتخاب گردد. در ادامه، BS، اولین لایه از TPSO-CRرا برای یافتن k تا بهترین CH، اجرا می‌کند.

شبیه‌ سازی و نتایج

در این بخش، کارایی TPSO-CRدر برابر سایر پروتکل‏های شناخته شده LEACH، EHE-LEACH، EEHC، SA-LEACH-C، PSO-Cو GA توسط Rahmanian et al (2011)، بررسی شده است.

شبیه‏سازی در Castaliaشبیه سازی شده است که براساس پلتفرم OMNeT++ است و می‏تواند برای تست پروتکل‎های WSN در محیط واقعی و مدل رادیو استفاده شود. (Rastegarnia and Solouk, 2011). این محیط، چارچوب واقعی را برای اعتبارسنجی یک الگوریتم پیش از پیاده سازی ایجاد می‎کند (Patil and Hadalgi, 2012). مقایسه‏‎ی روش TPSO-CR و سایر روش‎های شناخته شده در ادامه آورده شده است.

نتیجه گیری و کارهای آتی

در این مقاله، مسئله خوشه‌بندی و مسیریابی در WSN مورد مطالعه قرار گرفت. یک پروتکل الهام گرفته‌شده از PSO ارائه‌شده است. پروتکل در دو سطح اجرا می‌شود: ابتدا بهترین CHها و خوشه‌های انجمنی یافت می‌شود. اگر چه دومین لایه، مسئله ارتباطات بین خوشه‌ای را با یافتن بهینه‌ترین درخت مسیریابی حل می‌کند. پروتکل توسعه‌یافته و در شبکه‌ای واقعی مورد آزمایش قرار گرفت و انرژی مصرفی آن مدل‌سازی شد. شبیه سازی‌های گسترده انجام‌شده و نتایج پروتکل پیشنهادی ارائه شد. نرخ تحویل بسته در خوشه‌ها و BSها مورد آزمایش قرار گرفت. افزایش پوشش شبکه و حفظ مصرف انرژی قابل‌اثبات است. علاوه براین، پروتکل هیچ فرضیات غیرواقعی نمی‌پذیرد. برای مثال، کشف GPSبرای کشف مکان.

جهت تحقیقات آینده می‌توان از نتایج ارائه‌شده الهام گرفت. پروتکل می‌تواند توسعه‌یافته و خوشه‌بندی سلسله مراتبی دو لایه‌ای را ایجاد کند. این کار می‌تواند باکیفیت لینک بهتر و توان بالاتری انجام شود. یک کنترل تطبیقی می‌تواند به منظور افزایش انرژی شبکه بهره وری سازگار گردد.

این مقاله ISI در سال 2015 در نشریه الزویر و در مجله برنامه های کاربردی شبکه و کامپیوتر، توسط دانشکده مهندسی برق و علوم کامپیوتر منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله پروتکل بهینه سازی ازدحام ذرات و مسیریابی شبکه های بی سیم در سایت ای ترجمه مراجعه نمایید.