چکیده فارسی‌:

در شبکه های سنسوری بی سیم (WSNs)، کارایی شبکه معمولا تحت تاثیر محدودیت انرژی است. به وسیله یک الگوریتم خوشه بندی خوش ساخت ، مصرف انرژی WSNs می تواند به طور مشخصی کاهش یابد. در این مقاله، یک الگوریتم خوشه بندی وزن دار چند هدفه(IMOWCA) با قید های اضافی برای انتخاب سر خوشه ها در WSNs ارائه شده است. IMOWCA با هدف کنترل یک WSN ایجاد شده تا بتوان از آن برای محیط های بحرانی استفاده کرد یعنی در مکان هایی که هر سنسور بر اساس موقعیت مکانی که دارند کار خود را به درستی انجام دهند.بعلاوه، برای انجام دادن کامل وظیفه ی محول شده به آن ، سنسور تلاش میکند تا سطح کیفیت ارتباط را با گره های همسایه اش ارتقا دهد. الگوریتم پیشنهادی ما شبکه را به خوشه های مختلفی تقسیم میکند و سنسور هایی که بیشترین کارمدی را دارند بر اساس انرژی باقیمانده شان برای ارتباط با ایستگاه اصلی (BS)انتخاب میکند. IMOWCA از چهار پارامتر اصلی استفاده میکن : ECi¹ ، DDi²، DCi ³ و DMi⁴ . برای متعادل کردن انرژی مصرفی در خوشه های مختلف شکل گرفته شده، یک ایستگاه اصلی الگوریتم ژنتیک ایجاد شده است. نتایج شبیه سازی نشان میدهند که الگوریتم های پیشنهادی در زمینه پوشش دهی مکان های مناسب و کارامد دارای نقاط ضعفی هستند که با در نظر گرفتن نگهداری انرژی در WSNs صورت میگیرد.

کلید واژه ها: شبکه های حسگر بی سیم، خوشه، انرژی، هزینه ماموریت، الگوریتم ژنتیک

چکیده انگلیسی‌:

In Wireless Sensor Networks (WSNs), the network’s performance is usually influenced by energy constraint. Through a well-designed clustering algorithm, WSN’s energy consumption can be decreased evidently. In this paper, an Improved Multi-Objective Weighted Clustering Algorithm (IMOWCA) is proposed using additional constraints to select cluster heads in WSN. IMOWCA aims at handling a WSN in some critical circumstances where each sensor satisfies its own mission depending on its location. In addition to fulfill its mission, the sensor tries to improve the quality of communication with its neighboring nodes. Our proposed algorithm divides the network into different clusters and selects the best performing sensors based on residual energy to communicate with the Base Station (BS). IMOWCA uses four critical parameters: EC i : Energetic Characteristic of sensor i, DD i : Degree Difference of sensor i, DC i : Sum of distances between sensor i and its neighbors and DM i : Mission distance of sensor i. To balance the consumed energy in different formed clusters, a Base Station Genetic Algorithm (BGA) is developed. Simulation results demonstrate that the proposed algorithms are advantageous in terms of convergence to the appropriate locations and efficients in regard to energy conservation in WSNs.