پروتکل مسیریابی ترکیبی انرژی کارآ بر اساس الگوریتم ازدحام ماهی مصنوعی

عنوان فارسی مقاله:پروتکل مسیریابی ترکیبی انرژی کارآ بر اساس الگوریتم ازدحام ماهی مصنوعی و بهینه‌سازی کلونی مورچه‌ها برای WSN

چکیده

شبکه‌های حسگر بی‌سیم WSNنوع خاصی از شبکه‌های خود مدیریت توزیع‌شده با تأمین انرژی و توانایی ارتباط محدود هستند. مهمترین چالش یک پروتکل مسیریابی مصرف انرژی و افزایش طول عمر شبکه است. بسیاری از الگوریتم‌های مسیریابی کم مصرف از توسعه بهینه سازی کلنی مورچه (ACO) الهام گرفته شده‌اند. با این حال، به دلیل نقص های ذاتی، الگوریتم های مسیریابی مبتنی بر ACO رفتار همگرایی کندی دارند و مستعد پدیده رکود زودرس هستند که مانع از کشف مسیر بیشتر، به ویژه در یک شبکه در مقیاس بزرگ می شود. این مقاله یک الگوریتم مسیریابی ترکیبی را با ترکیب الگوریتم ازدحام ماهی مصنوعی AFSAو ACO برای رسیدگی به این مسائل پیشنهاد می‌کند. ما از AFSA برای انجام کشف مسیر اولیه به منظور یافتن سریع مسیرهای امکان پذیر استفاده می کنیم. در الگوریتم کشف مسیر، ما یک الگوریتم ترکیبی را با ترکیب عامل جمعیت در AFSA و استراتژی انتخاب مسیر شبه تصادفی در ACO ارائه می‌کنیم. علاوه بر این، این مقاله با در نظر گرفتن سطوح انرژی و طول مسیر، یک روش به روز رسانی فرمون بهبود یافته را ارائه می‌کند. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی از افتادن الگوریتم مسیریابی در بهینه‌سازی و رکود محلی جلوگیری می‌کند، در حالی که سرعت همگرایی مسیریابی را افزایش می‌دهد، که در یک شبکه در مقیاس بزرگ برجسته‌تر است. علاوه بر این، ارزیابی شبیه‌سازی گزارش می‌دهد که الگوریتم پیشنهادی بهبود قابل‌توجهی را از نظر طول عمر شبکه نشان می‌دهد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Situational Awareness: Techniques, Challenges, and Prospects

Abstract

Situational awareness (SA) is defined as the perception of entities in the environment, comprehension of their meaning, and projection of their status in near future. From an Air Force perspective, SA refers to the capability to comprehend and project the current and future disposition of red and blue aircraft and surface threats within an airspace. In this article, we propose a model for SA and dynamic decision-making that incorporates artificial intelligence and dynamic data-driven application systems to adapt measurements and resources in accordance with changing situations. We discuss measurement of SA and the challenges associated with quantification of SA. We then elaborate a plethora of techniques and technologies that help improve SA ranging from different modes of intelligence gathering to artificial intelligence to automated vision systems. We then present different application domains of SA including battlefield, gray zone warfare, military- and air-base, homeland security and defense, and critical infrastructure. Finally, we conclude the article with insights into the future of SA.