-بهینه‌سازی انتخاب سرخوشه در شبکه‌های حسگر بی‌‌سیم با استفاده از الگوریتم کرم شب تاب و ژنتیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران. رایانامه: navid.moshtaghi@alumni.ut.ac.ir

2 کارشناسی ارشد مهندسی برق کنترل، دانشگاه صنعتی سجاد، مشهد، ایران. رایانامه: mh.olyaei123@sadjad.ac.ir

چکیده

شبکه‌های حسگر بیسیم نسل جدیدی از شبکه‌ها هستند که به طور کلی از تعداد زیادی گره تشکیل شده‌اند و ارتباط بین این گره‌ها بصورت بی‌سیم انجام می‌شود. در این مقاله، الگوریتم جدیدی برای بهبود عملکرد الگوریتم EAMMH ارائه شده است. برای این منظور، الگوریتم کرم شب تاب و الگوریتم ژنتیک، مدل سازی شده و به جای انتخاب تصادفی سرخوشه‌ها، روی جواب‌های احتمالی تمرکز شده است که دارای خصوصیات برتری نسبت به آنهاست و همچنین میزان بقای بیشتری دارد. نتایج مقایسه پروتکل‌های LEACH و EAMMH و روش پیشنهادی ما از نظر تعداد گره‌های مرده در مقایسه با تعداد زمان‌های اجرا برای 50 ، 100 و 200 گره نشان می‌دهد که تعداد گره‌های مرده برای شبیه سازی پروتکل LEACH تقریباً برابر با تعداد گره‌های مرده برای پروتکل EAMMH است، اما الگوریتم پیشنهادی در این مقاله تقریباً 10 درصد گره مرده کمتری نسبت به دو روش دیگر دارد، همچنین با افزایش تعداد گره‌ها (به تعداد 200 گره) تعداد گره‌های مرده روش پیشنهادی در مقایسه با الگوریتم‌های LEACH وEAMMH به ترتیب 35 درصد و 22 درصد کاهش یافته است.

کلیدواژه‌ها


عنوان مقاله [English]

Optimizing cluster head selection in wireless sensor networks using firefly and genetics algorithm

نویسندگان [English]

  • Navid Moshtaghi Yazdani 1
  • Mohammad Hasan Olyaei Torqabeh 2
1 PhD Student, Department of Electrical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran. Email: navid.moshtaghi@alumni.ut.ac.ir
2 Master of Electrical Control Engineering, Sajjad University of Technology, Mashhad, Iran. Email: mh.olyaei123@sadjad
چکیده [English]

Sensor networks are a new generation of networks. In this paper, an algorithm has been proposed to improve the performance of the EAMMH algorithm. For this purpose, the evolutionary firefly algorithm and genetic algorithm that itself has been modeled after natural biological evolution modeling have been used, and instead of randomly choosing cluster heads, it works on the possible answers that have superior attributes and also have a higher survival rate. The results of comparing LEACH and EAMMH protocols and the proposed method in terms of the number of dead nodes compared to the number of execution times based on 50, 100, and 200 nodes indicates that the number of dead nodes for the simulation of LEACH protocol is almost equal to the number of dead nodes for the EAMMH protocol, but the proposed algorithm has approximately 10 percent less dead nodes, but by an increase in the number of nodes (200 nodes) the number of dead nodes have decreased 35 percent and 22 percent compared to LEACH and EAMMH algorithms respectively.

کلیدواژه‌ها [English]

  • EAMMH
  • firefly algorithm
  • genetic algorithm
  • LEACH
  • Wireless Sensor Network
Arampatzis, T., Lygeros, J., & Manesis, S. (2005, June). A survey of applications of wireless sensors and wireless sensor networks. In Proceedings of the 2005 IEEE International Symposium on, Mediterrean Conference on Control and Automation Intelligent Control, 2005. (pp. 719-724). IEEE. DOI: https://doi.org/10.1109/.2005.1467103
Azad, A. P., & Chockalingam, A. (2006, April). Mobile base stations placement and energy aware routing in wireless sensor networks. In IEEE Wireless Communications and Networking Conference, 2006. WCNC 2006. (Vol. 1, pp. 264-269). IEEE. DOI: https://doi.org/10.1109/WCNC.2006.1683475
Bauer, P., Sichitiu, M., Istepanian, R., & Premaratne, K. (2000, November). The mobile patient: wireless distributed sensor networks for patient monitoring and care. In Proceedings 2000 IEEE EMBS International Conference on Information Technology Applications in Biomedicine. ITAB- ITIS 2000. Joint Meeting Third IEEE EMBS International Conference on Information Technol (pp. 17-21). IEEE. DOI: https://doi.org/10.1109/ITAB.2000.892341
Cao, Y., & He, C. (2006). A distributed clustering algorithm with an adaptive backoff strategy for wireless sensor networks. IEICE transactions on communications, 89(2), 609-613. DOI: https://doi.org/10.1093/ietcom/e89-b.2.609
Dimokas, N., Katsaros, D., & Manolopoulos, Y. (2010). Energy-efficient distributed clustering in wireless sensor networks. Journal of parallel and Distributed Computing, 70(4), 371-383. DOI: https://doi.org/10.1016/j.jpdc.2009.08.007
Ding, P., Holliday, J., & Celik, A. (2005, June). Distributed energy-efficient hierarchical clustering for wireless sensor networks. In International conference on distributed computing in sensor systems (pp. 322-339). Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/11502593_25
Handy, M. J., Haase, M., & Timmermann, D. (2002, September). Low energy adaptive clustering hierarchy with deterministic cluster-head selection. In 4th international workshop on mobile and wireless communications network (pp. 368-372). IEEE. DOI: https://doi.org/10.1109/MWCN.2002.1045790
Hassanzadeh, T., Meybodi, M. R., & Mahmoudi, F. (2011). An improved Firefly Algorithm for optimization in static environment. In Fifth Iran Data Mining Conference/IDMC. DOI: https://doi.org/10.1109/MySec.2014.6986037
Heinzelman, W. R., Chandrakasan, A., & Balakrishnan, H. (2000, January). Energy-efficient communication protocol for wireless microsensor networks. In Proceedings of the 33rd annual Hawaii international conference on system sciences (pp. 10-pp). IEEE. DOI: https://doi.org/10.1109/HICSS.2000.926982
Kuila, P., Gupta, S. K., & Jana, P. K. (2013). A novel evolutionary approach for load balanced clustering problem for wireless sensor networks. Swarm and Evolutionary Computation, 12, 48-56. DOI: https://doi.org/10.1016/j.swevo.2013.04.002
Li, C., Ye, M., Chen, G., & Wu, J. (2005, November). An energy-efficient unequal clustering mechanism for wireless sensor networks. In IEEE International Conference on Mobile Adhoc and Sensor Systems Conference, 2005. (pp. 8-pp). IEEE. DOI: https://doi.org/10.1109/MAHSS.2005.1542849
Mundada, M. R., CyrilRaj, V., & Bhuvaneswari, T. (2012). Energy aware multi-hop multi-path hierarchical (EAMMH) routing protocol for wireless sensor networks. European Journal of Scientific Research, 88(4), 520-530. DOI: https://doi.org/10.1109/ACCESS.2017.2784542
Perrig, A., Szewczyk, R., Tygar, J. D., Wen, V., & Culler, D. E. (2002). SPINS: Security protocols for sensor networks. Wireless networks, 8(5), 521-534. DOI: https://doi.org/10.1016/j.scico.2013.01.005
Pottie, G. J., & Kaiser, W. J. (2000). Wireless integrated network sensors. Communications of the ACM, 43(5), 51-58. DOI: https://doi.org/10.1145/332833.332838
Rabaey, J. M., Ammer, M. J., Da Silva, J. L., Patel, D., & Roundy, S. (2000). PicoRadio supports ad hoc ultra-low power wireless networking. Computer, 33(7), 42-48. DOI: https://doi.org/10.1109/2.869369
Sankarasubramaniam, Y., Akyildiz, I. F., Su, W., & Cayirci, E. (2002). Wireless sensor networks: A survey. Computer Networks, 38(4), 393-422. DOI: https://doi.org/10.1016/S1389-1286(01)00302-4
Wilson, J. S. (2004). Sensor technology handbook. Elsevier. DOI: https://doi.org/10.1016/B978-0-7506-7729-5.X5040-X
Yang, X. S. (2009, October). Firefly algorithms for multimodal optimization. In International symposium on stochastic algorithms (pp. 169-178). Springer, Berlin, Heidelberg. DOI: https://doi.org/10.1007/978-3-642-04944-6_14
Yang, X. S. (2010). Firefly algorithm, Levy flights and global optimization. In Research and development in intelligent systems XXVI (pp. 209-218). Springer, London. Rajaravivarma, V., Yang, Y., & Yang, T. (2003, March). An overview of wireless sensor network and applications. In Proceedings of the 35th Southeastern Symposium on System Theory, 2003. (pp. 432-436). IEEE. DOI: https://doi.org/10.1007/978-1-84882-983-1_15
Yick, J., Mukherjee, B., & Ghosal, D. (2008). Wireless sensor network survey. Computer networks, 52(12), 2292-2330. DOI: https://doi.org/10.1016/j.comnet.2008.04.002
CAPTCHA Image