چکیده فارسی :

خوشه بندی می تواند به جمع آوری اطلاعات توپولوژی و کاهش اندازه جداول مسیریابی در شبکه­ های adhoc تلفن همراه یا MANET کمک کند. برای رسیدن به عدالت و مصرف انرژی یکنواخت ، هر سر خوشه باید به طور ایده آل از تعداد یکسانی از اعضای خوشه پشتیبانی کند. با این حال ، MANET یک سیستم پویا و پیچیده است و یکی از ویژگی های مهم آن داینامیک بودن این نوع توپولوژی است ، یعنی تغییر توپولوژی شبکه با گذشت زمان به دلیل عواملی مانند حفظ و نگهداری انرژی(مثلا فاصله نودها از هم حداکثر چقد باشد تا انرژی کمتری مصرف شود که این میشه تابع هدف ما و باید آپدیت مختصات برای یافتن نقطه مطلوب صورت پذیرد و…) و حرکت گره. با این حال ، MANET یک سیستم پویا و پیچیده است و یکی از ویژگی های مهم آن دینامیک توپولوژی است ، یعنی تغییر توپولوژی شبکه با گذشت زمان به دلیل عواملی مانند حفظ انرژی و حرکت گره. بنابراین ، در یک MANET ، یک الگوریتم خوشه بندی موثر باید به طور مؤثر با هر تغییر توپولوژی سازگار باشد و بار جدید متعادل مجموعه سرخوشه ها را به سرعت تنظیم کند. حفظ ساختار خوشه باید با هدف پایدار ماندن آن تا حد امکان برای کاهش سربار باشد. برای برطرف کردن این نیاز ، راه حل جدید باید به همان اندازه خوب باشد قطعات موجود در راه حل قبلی که ممکن است. برای برطرف کردن این نیاز ، راه حل جدید باید خیلی از پارت ­های خوب از راه ­حل قبلی که ممکن است را نگهداری کند.

در این مقاله ، ابتدا مسئله خوشه­ بندی متعادل بار پویا (DLBCP) را به یک مسئله بهینه­ سازی پویا فرموله­ بندی می­کنیم. سپس ، ما پیشنهاد می کنیم از یک سری یا دنباله ­ای از الگوریتم های ژنتیکی پویا (GAs) برای حل مشکل DLBCP در شبکه ­های MANET استفاده کنید.

در این الگوریتم ­های ژنتیکی پویا، هرکدامشان یک ساختار خوشه ­بندی امکان­پذیر را نشان می­دهند و سازگاری­شان بر اساس متریک(معیار) تعادل بار ارزیابی می­شود. تکنیک­ های پویای مختلفی برای کمک به تغییرات توپولوژیکی و راه ­حل ­های نزیک به کیفیت مناسب معرفی شده است.

نتایج تجربی نشان ­می­دهد که این الگوریتم ­های ژنتیک (GAs) می­توانند به خوبی برای حل مسئله خوشه ­بندی متعادل بار پوبا (DLBCP) کار کنند و عملکرد بهتری نسبت به الگوریتم ­های ژنتیک سنتی که الزامات بهینه ­سازی شبکه ­های پویا را در نظر نمی­ گرفتند داشته باشند.

چکیده انگلیسی:

Clustering can help aggregate the topology information and reduce the size of routing tables in a mobile ad hoc network (MANET). To achieve fairness and uniform energy consumption, each clusterhead should ideally support the same number of clustermembers. However, a MANET is a dynamic and complex system and its one important characteristic is the topology dynamics, that is, the network topology changes over time due to the factors such as energy conservation and node movement. Therefore, in a MANET, an effective clustering algorithm should efficiently adapt to each topology change and produce the new load balanced clusterhead set quickly. The maintenance of the cluster structure should aim to keep it as stable as possible to reduce overhead. To meet this requirement, the new solution should keep as many good parts in the previous solution as possible. In this paper, we first formulate the dynamic load balanced clustering problem (DLBCP) into a dynamic optimization problem. Then, we propose to use a series of dynamic genetic algorithms (GAs) to solve the DLBCP in MANETs. In these dynamic GAs, each individual represents a feasible clustering structure and its fitness is evaluated based on the load balance metric. Various dynamics handling techniques are introduced to help the population to deal with the topology changes and produce closely related solutions in good quality. The experimental results show that these GAs can work well for the DLBCP and outperform traditional GAs that do not consider dynamic network optimization requirements.