رویکرد بهینه‌سازی شده برای مکانیابی گره‌های حسگر در شبکه‌های حسگر بی‌سیم دوبعدی با استفاده از الگوریتم بهینه‌سازی مبتنی بر شوق یادگیری و آموزش

عنوان فارسی مقاله:رویکرد بهینه‌سازی شده برای مکانیابی گره‌های حسگر در شبکه‌های حسگر بی‌سیم دوبعدی با استفاده از الگوریتم بهینه‌سازی مبتنی بر شوق یادگیری و آموزش

چکیده

شبکه‌های حسگر بی‌سیم (WSN) پتانسیل فوق‌العاده‌ای برای ارتباط با دنیای فیزیکی و جمع‌آوری داده‌ها دارند. تخمین داده، طول عمر طولانی، استقرار، مسیریابی، زمان‌بندی وظایف، ایمنی و مکانیابی مشکلات اصلی عملکرد شبکه‌های بی‌سیم است. WSN ها از گره‌های حسگر تشکیل شده‌اند که با حداقل توان باتری برای نظارت و آشکارسازی رخدادها در میدان حسگر تنظیم شده‌اند. تشخیص مکان کار دشواری است، اما در بسیاری از برنامه‌های WSN یک ویژگی حیاتی است. مکان یابی همه گره‌های حسگر به طور مؤثر برای به دست آوردن مکان دقیق یک رخداد یک چالش حیاتی است. پایش حیوانات، ردیابی اجسام متحرک، و تشخیص آتش سوزی جنگل تنها تعدادی از کاربردهایی هستند که نیاز به تعیین دقیق مکان دارند. برای مقابله با چالش‌های مکانیابی در WSN، الگوریتم‌های مکانیابی متنوعی در منابع موجود است. هدف این تحقیق استفاده از استراتژی‌های مختلف بهینه سازی برای حل مسئله مکانیابی است. در این کار، یک الگوریتم اصلاح شده مبتنی بر اشتیاق یادگیری مبتنی بر بهینه‌سازی آموزش-یادگیری (mLebTLBO) برای مقابله با یک مسئله مکانیابی دوبعدی با استفاده از مفهوم یک گره انحصاری و گره‌های هدف متحرک استفاده می‌شود. یک الگوریتم LebTLBO اصلاح شده به دنبال افزایش کارایی کلی با ارزیابی توانایی‌های اکتشاف و بهره‌برداری است. نتایج محاسباتی نشان می‌دهد که این تکنیک با توجه به خطاهای مکانیابی در یک محیط دوبعدی WSN از سایر روش‌ها 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: Optimized Approach for Localization of Sensor Nodes in 2D Wireless Sensor Networks Using Modified Learning Enthusiasm-Based Teaching Learning-Based Optimization Algorithm

Abstract

Wireless Sensor Networks (WSNs) have a wonderful potential to interconnect with the physical world and collect data. Data estimation, long lifespan, deployment, routing, task scheduling, safety, and localization are the primary performance difficulties for WSNs. WSNs are made up of sensor nodes set up with minimal battery power to monitor and reveal the occurrences in the sensor field. Detecting the location is a difficult task, but it is a crucial characteristic in many WSN applications. Locating all of the sensor nodes efficiently to obtain the precise location of an occurrence is a critical challenge. Surveillance, animal monitoring, tracking of moving objects, and forest fire detection are just a few of the applications that demand precise location determination. To cope with localization challenges in WSNs, there is a variety of localization algorithms accessible in the literature. The goal of this research is to use various optimization strategies to solve the localization problem. In this work, a modified learning enthusiasm-based teaching–learning-based optimization (mLebTLBO) algorithm is used to cope with a 2D localization problem applying the notion of an exclusive anchor node and movable target nodes. A modified LebTLBO algorithm seeks to increase overall efficiency by assessing the exploration and exploitation abilities. The computational results reveal that this technique outperforms others with respect to localization errors in a 2D environment of WSN.