T29837
انگلیسی
Energy-efficient sleep scheduling and clustering in heterogeneous WSNs using Forest Optimization Algorithm
Dissertation
Mohammed Thaer Kamil
Electronic and computer Engineering
1402
89p.
cd.
M.S.
Artificial Intelligence
1402/06/28
Wireless Sensor Networks (WSNs) are the main component in the Internet of Things (IoT) architecture, gather essential and meaningful data, and forward it to the base station (BS). The lack of access to power sources and the limited energy of the batteries of these sensors that make up the wireless sensor network have led to the design of energy consumption optimization solutions for these types of networks. In this research, using methods based on two important energy consumption optimization strategies, we try to improve the energy consumption of the wireless sensor network. First, we use clustering and choosing the optimal cluster head using the forest optimization algorithm. In the next step, by using the nodes' sleep schedule, we try to cover the maximum area under surveillance by using the lowest number of active nodes. This will result in less energy consumption with fewer nodes. The results of experiments show that the forest optimization method has 18.2% less energy consumption in the selection of cluster heads than the genetic algorithm. On the other hand, by selecting the appropriate cluster head and timing the sleep of the network nodes with the particle swarm optimization algorithm, we have reached a 24.3% optimal energy consumption compared to genetics.
شبکه‌های حسگر بی‌سیم (WSN) جزء کلیدی معماری اینترنت اشیا (IoT) هستند که داده‌های ضروری و معنادار را جمع‌آوری می‌کنند و سپس آن را به ایستگاه پایه (BS) ارسال می‌کنند.عدم دسترسی به منابع برق و توان محدود باتری این حسگرها که شبکه حسگر بی سیم را تشکیل می دهند، منجر به طراحی راهکارهایی برای بهینه سازی مصرف برق این نوع شبکه ها شده است. در این مقاله با استفاده از روش‌های مبتنی بر دو استراتژی مهم بهینه‌سازی مصرف انرژی، تلاش می‌کنیم تا مصرف انرژی یک شبکه حسگر بی‌سیم را بهبود بخشیم. ابتدا از خوشه بندی استفاده می کنیم و با استفاده از الگوریتم بهینه سازی جنگل، سر خوشه بهینه را انتخاب می کنیم. در مرحله بعد با استفاده از برنامه خواب گره سعی می کنیم با استفاده از حداقل تعداد گره فعال، حداکثر مساحت تحت نظارت را پوشش دهیم. این منجر به مصرف انرژی کمتر با گره های کمتر می شود. نتایج تجربی نشان می دهد که روش بهینه سازی جنگل 2/18 درصد مصرف انرژی کمتری در انتخاب سر خوشه نسبت به الگوریتم ژنتیک دارد. از سوی دیگر، با انتخاب سر خوشه و زمان خواب مناسب گره های شبکه با استفاده از الگوریتم بهینه سازی ازدحام ذرات، به مصرف انرژی بهینه 24.3 درصد نسبت به وراثت رسیدیم.
زمان‌بندی خواب و خوشه‌بندی در شبکه‌های حسگر ناهمگون با استفاده از الگوریتم بهینه‌سازی جنگل
Particle Swarm Optimization, Forest Optimization, Sleep Scheduling, Cluster Head Selection
بهینه سازی ازدحام ذرات، بهینه سازی جنگل، برنامه ریزی خواب، انتخاب سر خوشه
Thaer Kamil,
Mohammed
Producer
Farzinvash,
Mortazavi,
Leili
Seyed Amir
Thesis advisor
Consulting advisor
Tabriz
ایران
Central library of Tabriz University
20231220
ارشد پایاننامه QA76.T4 1402
Mohammed Thaer Kamil
عبادی
e
TL
276903
a
Y
