گزارش خرابی لینک
اطلاعات را وارد کنید .
گزارش انتشار نسخه جدید
اطلاعات را وارد کنید .
no-img
سفارش تایپ ،ترجمه، مقاله، تحقیق ، پایان نامه

دانلود پروپوزال ارائه الگوریتم نوین پروتکل مکان دهی برای شبکه های حسگر بی سیم با استفاده از الگوریتم ژنتیک - سفارش تایپ ،ترجمه، مقاله، تحقیق ، پایان نامه


سفارش تایپ ،ترجمه، مقاله، تحقیق ، پایان نامه
adsads

ادامه مطلب

دانلود پروپوزال ارائه الگوریتم نوین پروتکل مکان دهی برای شبکه های حسگر بی سیم با استفاده از الگوریتم ژنتیک
فروردین 17, 1397
137 بازدید
گزارش نسخه جدید

دانلود پروپوزال ارائه الگوریتم نوین پروتکل مکان دهی برای شبکه های حسگر بی سیم با استفاده از الگوریتم ژنتیک


دانلود پروپوزال ارائه الگوریتم نوین پروتکل مکان دهی برای شبکه های حسگر بی سیم با استفاده از الگوریتم ژنتیک

قیمت 12000 تومان

برای دانلود برروی پرداخت آنلاین کلیک کنید

بیان مساله (تشریح ابعاد، حدود مساله، معرفی دقیق مساله، بیان جنبه­های مجهول و مبهم و متغیرهای مربوط به پرسش­های تحقیق، منظور تحقیق):

تکنولوژی مکان دهی گره امری مهم و حیاتی در کاربردهای مختلف از شبکه حسگر بیسیم می باشد و یکی از چالش های مهم در این شبکه ها به شمار می روند و در طی سالیان اخیر، روش ها و الگوریتم های مختلفی جهت برنامه ریزی مسیر در این شبکه ها طراحی و پیاده سازی شده اند. لازم است که هر ناوبر متحرک موقعیت جاری اش را در زمان های مختلف ارسال نماید که این امر ممکن است به دلیل بالا رفتن تعداد گره ها، جهت مکان دهی و استقرار گره ها در یک موقعیت زمان زیادی را طلب نماید. جهت حل این مشکل یعنی مکان دهی گره با زمان کمتر این مقاله و پیاده سازی به رویکری پیشنهادی به صورت الگوریتم مکان دهی محدوده باز (آزاد) پرداخته است که اصطلاحا آن را مکان دهی با ناوبر متحرک بر پایه سنجش فشرده نامیده ایم.

استفاده از الگوریتم های مکان دهی تخمین در گره های شبکه حسگر بیسیم را در پی دارد که مجموعه ای از آن ها مکان صحیح یک حسگر را نشان می دهند. این الگوریتم و اعمال آن باعث قوی شدن گره های دور افتاده از ناحیه خواهد شد. مکان یابی در شبکه های حسگر بیسیم بر پایه الگوریتم ژنتیک فاصله بین گره (گره های لنگر) و گره ناشناخته (گره های دور از محدوده) که خارج از شعاع ارتباطی گره های لنگر است را تقریب می زند.

الگوریتم ژنتیک یک روش جستجو در علم کامپیوتر برشمرده می شود که توسط آن می توان راه حل های تقریبی ای جهت بهینه سازی مسائل جستجو ارائه نمود. الگوریتم ژنتیک نوع خاصی از الگوریتم های تکاملی است که از روش های زیست شناسی  مانند توارث و جهش استفاده می کند. در حقیقت تکامل یک روش قدرتمند برای پردازش اطلاعات را ارائه می دهد. از لحاظ تئوری و عملی ثابت شده است که الگوریتم ها ژنتیک در فضای پیچیده، جستجوی قوی تری را فراهم کرده و کاربرد فراوانی در حوزه های مهندسی و علمی مانند بهینه سازی توابع، یادگیری ماشین، برنامه ریزی و مانند آن را دارند. روند استفاده از الگوریتم ژنتیک در حل مسئله به صورت زیر است: 1) جمعیتی از کروموزوم ها به صورت تصادفی ایجاد می شود، 2) برازش هر کدام از کروموزم ها داخل جمعیت ارزیابی می شود، 3) کروموزوم های جدیدی با حفت گیری ایجاد می شوند و در برخی از بیت ها عمل جهش به صورت تصادفی انجام می گیرد، 4) اعضای با برازش کمتر از جمعیت کنونی حذف می شوند، 5)  کروموزوم های جدید ارزیابی شده و در جمعیت وارد می شوند، 6) گام ها 3 تا 5 تا زمان همگرایی جمعیت تکرار می شوند. باید توجه داشت که برازش کل جمیعت با افزایش تعداد افراد برازنده در داخل جمعیت افزایش می یابد. با این حال، ممکن است تعداد افراد برازنده یا حتی برازنده تر، در زمان t-1 برابر با زمان t باشد. در تکامل، به جای افراد یا اجزا، جمعیت در نظر گرفته می شود.

مجموعه ای از کروموزوم ها جمعیت[1] را تشکیل می دهند. با تاثیر عملگرهای ژنتیکی بر روی هر جمعیت، جمعیت جدیدی با همان تعداد کروموزوم تشکیل می شود. تابع فیتنس یا برازش [2] یک شاخص برای کارایی مستقل در حیطه کار را می دهد. اصطلاحاتی نیز در حیطه تابع برازش یا فیتنس وجود دارد که می توان به پنجره بندی[3] ، نورمال سازی خطی[4] اشاره کرد.

عملگر تکثیر[5] نیز بدین صورت است که اصولا زاد و ولد ددر دو مرحله صورت می گیرد: کروموزو های والدین در بیت های کروموزوم فرزند کپی شده و سپس برخی توابع که کروموزوم های فرزند را تغییر می دهند بر روی هر فرزند اعمال می شوند. سه عملگر اساسی عبارتند از :

1.   تقاطع[6].

2.    جهش[7].

3.    جهش معکوس[8].

عملگر تقاطع، قدرتمندترین حامی الگوریتم های ژنتیک محسوب شده و معمولا احتمال وقوع بالایی را با خود همراه دارد. عملگر جهش، دارای اهمیت کمتری نسبت به عملگر تقاطع بوده و احتمال وقوع کمتری را به خود اختصاص می دهد. پارامترها در حین شبیه سازی تغییر می یابند و با پیشرفت شبیه سازی و تغییر کمتر جمعیت، عملگر جهش اهمیت بیشتری می یابد. تقاطع نیروی محرکه الگوریتم ژنتیک است که از زاد و ولد استفاده می کند که تقریبا در تمامی گونه های پیچیده بر روی زمین مورد استفاده قرار می گیرد. الگوریتم ژنتیک اولیه از مولد اعداد تصادفی برای انتخاب نطقه ای تصادفی در هر والد استفاده می کند  که در آن تقاطع الگوریتم زنتیک رخ می دهد.

جهش باعث جستجو در فضاهای دست نخورده مساله می شود و می توان استنباط کرد که مهمترین وظیفه جهش اجتناب از همگرایی به بهینه محلی است.

در الگوریتم ژنتیک بعد از اینکه یک عضو در جمعیت جدید به وجود آمد، هر ژن آن در صورتی که دارای احتمال جهش باشد، جهش می بابد.

عملگر وارونگی[9] عملگری است که به دلیل مقبولیت زیستی اش در الگوریتم ژنتیک اولیه مورد استفاده قرار می گیرد. به طور کلی می توان گفت در عملگر وارونگی یکی از کروموزومها در هر زمان انتخاب می شودو سپس دو نقطه به صورت تصادفی انتخاب شده و جای آن دو با هم عوض می شود.

استراتژی های مختلفی برای انتخاب افراد از داخل جمعیت، جهت زاد و ولد وجود دارد. عملگر انتخاب از بین کروموزوم های موجود در یک جمعیت، تعدادی کروموزوم را برای تولید مثل انتخاب می کند و کروموزوم های برازنده تر شانس بیشتری دارند تا برای تولید مثل انتخاب شوند.

پژوهش های اخیر نشان داده است که الگوریتم پایه ژنتیک ارتباط بین گره ها در یک شبکه که از قبل مکان دهی روی آن لحاظ گردیده است به منظور رسیدن به کمترین مصرف انرژی را کاهش می دهد. پژوهش های بعدی با توسعه تابع فیتنس این امر را گسترش دادند بدین صورت که سرخوشه در هر خوشه بر پایه انرژی و مرحله ارتباط با گره های دیگر انتخاب می شود. در شبکه سنسوری بیسیم، اگر گره ها ثابت باشد، امکان حل مشکلات مانند مصرف انرژِی و پوشش شبکه ای توسط موقعیت مناسب در حالت اولیه شبکه میسر می گردد. می توان هزینه ارتباط بین گره ها را با موقعیت مناسب کاهش داد. به منظور رسیدن به بهترین موقعیت اولیه به منظور مکان دهی، از دو تابع فیتنس استفاده شده است.

مکان دهی با ناوبر متحرک بر پایه سنجش فشرده ، از ارتباط اطلاعات با هم به منظور قرار گیری در موقعیت همه گره های حسگر استفاده می کند. در ابتدا یک ناوبر متحرک به صورت متناوب یا در یک دوره مشخص پیغامی را ارسال می کند و هر گره حسگر شمارش هاپ از موقعیت (موقعیت اولیه) را دریافت می کند که در واقع ارسال کننده و انتشار کننده پیغام، ناوبر متحرک است. ناوبر متحرک اطلاعات مرتبط با هم بین همه نقاط از گره حسگر استفاده شده را دریافت می کند. سپس از همه اطلاعات مرتبط با هم برای محاسبه درجه همبستگی بین گره های حسگر و همه نقاط ناوبر توسط سنجش فشرده[10] استفاده می کند. در نهایت توسط درجه همبستگی می توان موقعیت همه گره های حسگر را به دست آورد. لازم به ذکر است که این الگوریتم پیشنهادی کاستی هایی هم دارد از جمله اینکه به گره های حسگر جهت ارتباط اطلاعات نیاز دارد و همینطور از انرژی گره های حسگر نیز استفاده می کند.

 

[1] Population

[2] Fitness Function

[3] Windowing

[4] Linear Normalization

[5] Reproduction Operator

[6] Crossover

[7] Mutation

[8] Reversal

[9] Inversion Operator

[10] CS

 



دیدگاه ها


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *