عنوان فارسی مقاله:الگوریتم بهینه‌سازی پلیکان پیشرفته برای انتخاب سر خوشه در شبکه‌های حسگر بی‌سیم ناهمگن

چکیده

در تحقیقات شبکه‌های حسگر بی‌سیم ناهمگن، خوشه‌بندی یکی از متداول‌ترین روش‌های صرفه‌جویی انرژی است. با این حال، روش‌های خوشه‌بندی موجود هنگام اعمال شبکه‌های حسگر بی‌سیم ناهمگن با چالش‌هایی مانند تعادل انرژی، ناهمگونی گره‌ها، کارایی الگوریتم و موارد دیگر مواجه هستند. در میان این چالش‌ها، یک رویکرد خوشه بندی به خوبی طراحی شده می‌تواند منجر به افزایش طول عمر گره شود. انتخاب کارآمد سر خوشه برای دستیابی به خوشه بندی بهینه بسیار مهم است. در این مقاله، ما یک الگوریتم بهینه‌سازی پلیکان پیشرفته برای انتخاب سر خوشه (EPOA-CHS) برای رسیدگی به این مسائل و افزایش انتخاب سر خوشه برای خوشه‌بندی بهینه پیشنهاد می‌کنیم. این روش فرآیند پرواز لوی را با الگوریتم سنتی POA ترکیب می‌کند که نه تنها سطح بهینه سازی الگوریتم را بهبود می‌بخشد، بلکه انتخاب سر خوشه بهینه را نیز تضمین می‌کند. روش نگاشت آشفته لجستیک سینوسی در مقداردهی اولیه جمعیت استفاده می‌شود و سر خوشه مناسب از طریق تابع برازش جدید انتخاب می‌شود. در نهایت، ما از MATLAB برای شبیه سازی ۱۰۰ گره حسگر در یک منطقه پیکربندی شده ۱۰۰ × ۱۰۰ متر مربع استفاده کردیم. این گره‌ها به چهار سناریو ناهمگن دسته بندی شدند: m = 0، α = ۰، m = 0.1، α = ۲، m = 0.2، α = ۳، و m = 0.3، α = ۱٫۵٫ ما تأیید را برای چهار جنبه انجام دادیم: کل انرژی باقیمانده، زمان بقای شبکه، تعداد گره‌های باقی‌مانده، و توان عملیاتی شبکه، در همه پروتکل‌ها. تحقیقات تجربی گسترده در نهایت نشان می‌دهد که روش EPOA-CHS از پروتکل‌های SEP، DEEC، Z-SEP و PSO-ECSM در این جنبه‌ها بهتر عمل می‌کند.

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: Enhanced Pelican Optimization Algorithm for Cluster Head Selection in Heterogeneous Wireless Sensor Networks

Abstract

In the research of heterogeneous wireless sensor networks, clustering is one of the most commonly used energy-saving methods. However, existing clustering methods face challenges when applied to heterogeneous wireless sensor networks, such as energy balance, node heterogeneity, algorithm efficiency, and more. Among these challenges, a well-designed clustering approach can lead to extended node lifetimes. Efficient selection of cluster heads is crucial for achieving optimal clustering. In this paper, we propose an Enhanced Pelican Optimization Algorithm for Cluster Head Selection (EPOA-CHS) to address these issues and enhance cluster head selection for optimal clustering. This method combines the Levy flight process with the traditional POA algorithm, which not only improves the optimization level of the algorithm, but also ensures the selection of the optimal cluster head. The logistic-sine chaotic mapping method is used in the population initialization, and the appropriate cluster head is selected through the new fitness function. Finally, we utilized MATLAB to simulate 100 sensor nodes within a configured area of 100 × 100 m2. These nodes were categorized into four heterogeneous scenarios: m = 0, a = 0, m = 0.1, a = 2, m = 0.2, a = 3, and m = 0.3, a = 1.5. We conducted verification for four aspects: total residual energy, network survival time, number of surviving nodes, and network throughput, across all protocols. Extensive experimental research ultimately indicates that the EPOA-CHS method outperforms the SEP, DEEC, Z-SEP, and PSO-ECSM protocols in these aspects.