آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,717
تعداد دریافت فایل اصل مقاله4,032,573
غفاری, علی, محمودی, رضا. (1400). مسیریابی آگاه از انرژی در شبکه‌های حسگر بی‌سیم با ترکیب الگوریتم‌های شبکه‌ عصبی چند لایه پرسپترون و تبرید شبیه‌سازی شده. پدافند الکترونیکی و سایبری, 9(3), 133-142.
علی غفاری; رضا محمودی. "مسیریابی آگاه از انرژی در شبکه‌های حسگر بی‌سیم با ترکیب الگوریتم‌های شبکه‌ عصبی چند لایه پرسپترون و تبرید شبیه‌سازی شده". پدافند الکترونیکی و سایبری, 9, 3, 1400, 133-142.
غفاری, علی, محمودی, رضا. (1400). 'مسیریابی آگاه از انرژی در شبکه‌های حسگر بی‌سیم با ترکیب الگوریتم‌های شبکه‌ عصبی چند لایه پرسپترون و تبرید شبیه‌سازی شده', پدافند الکترونیکی و سایبری, 9(3), pp. 133-142.
غفاری, علی, محمودی, رضا. مسیریابی آگاه از انرژی در شبکه‌های حسگر بی‌سیم با ترکیب الگوریتم‌های شبکه‌ عصبی چند لایه پرسپترون و تبرید شبیه‌سازی شده. پدافند الکترونیکی و سایبری, 1400; 9(3): 133-142.

مسیریابی آگاه از انرژی در شبکه‌های حسگر بی‌سیم با ترکیب الگوریتم‌های شبکه‌ عصبی چند لایه پرسپترون و تبرید شبیه‌سازی شده

پدافند الکترونیکی و سایبری
دوره 9، شماره 3 - شماره پیاپی 35، آذر 1400، صفحه 133-142    اصل مقاله (695.2 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
علی غفاری* 1؛ رضا محمودی2
1دانشیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد تبریز، تبریز، ایران
2دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد تبریز ، تبریز، ایران
تاریخ دریافت: 29 دی 1399،  تاریخ بازنگری: 25 اسفند 1399،  تاریخ پذیرش: 13 فروردین 1400 
چکیده
هدف اصلی شبکه­های حسگر بی­سیم نظارت، ثبت و اعلام شرایط خاص از مکان‌های مختلف و کاربردهای مختلف به گره چاهک یا کاربر نهایی می‌باشد. شبکه‌های حسگر بی‌سیم کاربردهای زیادی از جمله نظارت بر وضعیت بیماران، ردیابی هدف، نظارت بر جنگلها و مراتع، میدان نبرد و ... دارند. در این شبکه­ها، یکی از محدودیت­های ذاتی انرژی می­باشد. زیرا انرژی مصرفی از طریق باتری تامین می­شود که دارای طول عمر محدودی می­باشد. خوشه‌بندی به‌دلیل تجمیع داده­ها، یکی از روش‌های مناسب برای صرفه­جویی در انرژی مصرفی بوده و انتخاب سرخوشه­های مناسب باعث افزایش طول عمر شبکه­های حسگر بی­سیم می­باشد. با توجه به این که خوشه­بندیجزء مسایل NP-hardمی‌باشد، الگوریتم­های فراابتکاری برای این مساله مناسب است. در این مقاله، یک روشمسیریابی آگاه از انرژیبرای شبکه‌های حسگر بی‌سیم با ترکیب الگوریتم‌های شبکه‌ عصبی چند لایه پرسپترون و تبرید شبیه‌سازی شده ارایه شده است. در روش پیشنهادی،برای تعیین سرخوشه از الگوریتم‌ فراابتکاری تبرید شبیه­سازی شده و برای تعیین اعضای هر خوشه از شبکه‌های عصبی چند لایه پرسپترون استفاده شده است. بعد از فرایند خوشه­بندی، با ایجاد جداول مسیریابی مناسب در بین سرخوشه­ها، داده‌ها از گره مبدا به چاهک ارسال می­گردد.  نتایج حاصل از شبیه‌سازی روش پیشنهادی نشان می‌دهد که این روش پارامترهای انرژی مصرفی، نرخ تحویل بسته و توان عملیاتی را  بهبود می­دهد.
کلیدواژه‌ها
شبکه‌های حسگر بی‌سیم؛ مسیریابی؛ خوشه‌بندی؛ مصرف انرژی؛ شبکه‌های عصبی چند لایه پرسپترون؛ تبرید شبیه‌سازی شده
عنوان مقاله [English]
Energy-aware routing in wireless sensor networks using MLP and simulated annealing algorithms
نویسندگان [English]
Ali Ghaffari1؛ Reza Mahmoudi2
1Associate Professor, Department of Computer Engineering, Islamic Azad University, Tabriz Branch, Tabriz, Iran
2Master student, Department of Computer Engineering, Islamic Azad University, Tabriz Branch, Tabriz, Iran
چکیده [English]
The main purpose of wireless sensor networks (WSNs) is to monitor, record and announce specific conditions from different locations and different applications to the well node or end user. Wireless sensor networks have many applications such as patient status monitoring, target tracking, forest and rangeland monitoring, battlefield, and so on. In these networks, energy is one of the inherent limitations. Because the energy consumed is supplied by a battery, which has a limited lifespan. Clustering is one of the best ways to save energy due to data aggregation, and selecting the right clusters increases the lifespan of wireless sensor networks. Since clustering is one of the NP-hard problems, metaheuristic algorithms are suitable for this problem. In this paper, an energy-aware and cluster-based routing method for WSNs with a combination of multilayer perceptron (MLP)neural network algorithm and simulated annealing (SA) is presented. In the proposed method, the simulated annealing metaheuristic algorithm is simulated to determine the cluster head (CH) and multilayer perceptron neural networks are used to determine the members of each cluster. After the clustering process, data is sent from the source node to the well by creating appropriate routing tables among the headers. The simulation results of the proposed method show that this method improves the parameters of energy consumption, package delivery rate and throughput.
کلیدواژه‌ها [English]
Wireless Sensor Networks, Routing, Clustering, Energy Consumption, Neural Networks MLP, Simulated Annealing
مراجع
 

[1]   S. Alizadeh and A. Ghaffari, “An Energy-efficient hirerchical Clustering protocole in wireless sensor networks,” in 2010 3rd International Conference on Computer Science and Information Technology,

pp.413-418, 2010.##

 

[3]   A. Beheshtiasl and A. Ghaffari, “Secure and trust-aware routing scheme in wireless sensor networks,” Wireless Personal Communications, vol. 107, pp. 1799-1814, 2019.##

[4]   Z. Heidary Ghiri and G. Mirjalily, “Energy-Harvesting Aware Multi-Hop Routing in Wireless Sensor Networks for Defense Applications,” Electronic and Cyber Defense, vol. 8, pp. 63-73, 2020.##

[5]   M. Dibaei and A. Ghaffari, “TSIS: A Trust-Based Scheme for Increasing Security in Wireless Sensor Networks,” Majlesi Journal of Electrical Engineering, vol. 11, pp. 45-52, 2017.##

[6]   A. Ghaffari, “An energy efficient routing protocol for wireless sensor networks using A-star algorithm,” Journal of applied research and technology, vol. 12, pp. 815-822, 2014.##

[7]   A. Ghaffari, “Congestion control mechanisms in wireless sensor networks: A survey,” Journal of network and computer applications, vol. 52, pp. 101-115, 2015.##

[8]   A. Ghaffari and S. Nobahary, “FDMG: Fault detection method by using genetic algorithm in clustered wireless sensor networks,” Journal of AI and Data Mining, vol. 3, pp. 47-57, 2015.##

[9]   A. Ghaffari and A. Rahmani, “Fault tolerant model for data dissemination in wireless sensor networks,” in 2008 International Symposium on Information Technology, pp. 1-8, 2008.##

[10] A. Ghaffari, A. Rahmani, and A. Khademzadeh, “Energy-efficient and QoS-aware geographic routing protocol for wireless sensor networks,” IEICE Electronics Express, vol. 8, pp. 582-588, 2011.##

[11] A. Ghaffari and V. A. Takanloo, “QoS-based routing protocol with load balancing for wireless multimedia sensor networks using genetic algorithm,” World Applied Sciences Journal, vol. 15, pp. 1659-1666, 2011.##

 [12]  D. KeyKhosravi, A. Ghaffari, A. Hosseinalipour, and B. A. Khasragi, “New Clustering Protocol to Decrease Probability Failure Nodes and Increasing the Lifetime in WSNs,” Int. J. Adv. Comp. Techn., vol. 2, pp. 117-121, 2010.##

[13] M. Khabiri and A. Ghaffari, “Energy-aware clustering-based routing in wireless sensor networks using cuckoo optimization algorithm,” Wireless Personal Communications, vol. 98, pp. 2473-2495, 2018.##

[14] E. Mohsenifard and A. Ghaffari, “Data aggregation tree structure in wireless sensor networks using cuckoo optimization algorithm,” Information Systems & Telecommunication, vol. 4, pp. 182-190, 2016.##

[15] I. Mosavvar and A. Ghaffari, “Data aggregation in wireless sensor networks using firefly algorithm,” Wireless Personal Communications, vol. 104, pp. 307-324, 2019.##

[16] S. Pattnaik and P. K. Sahu, “Assimilation of fuzzy clustering approach and EHO‐Greedy algorithm for efficient routing in WSN,” International Journal of Communication Systems, vol. 33, p. e4354, 2020.##

[17] A. Barzin, A. Sadegheih, H. K. Zare, and M. Honarvar, “A hybrid swarm intelligence algorithm for clustering-based routing in wireless sensor networks,” Journal of Circuits, Systems and Computers, vol. 29, p. 2050163, 2020.##

[18] M. Selvi, S. S. Kumar, S. Ganapathy, A. Ayyanar, H. K. Nehemiah, and A. Kannan, “An energy efficient clustered gravitational and fuzzy based routing algorithm in WSNs,” Wireless Personal Communications, pp. 1-30, 2020.##

[19] S. Tabibi and A. Ghaffari, “Energy-efficient routing mechanism for mobile sink in wireless sensor networks using particle swarm optimization algorithm,” Wireless Personal Communications, vol. 104, pp. 199-216, 2019.##

[20] K. Thangaramya, K. Kulothungan, S. Indira Gandhi, M. Selvi, S. Santhosh Kumar, and K. Arputharaj, “Intelligent fuzzy rule-based approach with outlier detection for secured routing in WSN,” Soft Computing, pp. 1-15, 2020.##

[21] D. Mehta and S. Saxena, “Hierarchical WSN protocol with fuzzy multi-criteria clustering and bio-inspired energy-efficient routing (FMCB-ER),” Multimedia Tools and Applications, pp. 1-34, 2020.##

[22] D. Mehta and S. Saxena, “MCH-EOR: Multi-objective cluster head based energy-aware optimized routing algorithm in wireless sensor networks,” Sustainable Computing: Informatics and Systems, vol. 28, p. 100406, 2020.##

[23] V. Rajaram and N. Kumaratharan, “Multi-hop optimized routing algorithm and load balanced fuzzy clustering in wireless sensor networks,” Journal of Ambient Intelligence and Humanized Computing, pp. 1-9, 2020.##

[24] O. Deepa and J. Suguna, “An optimized QoS-based clustering with multipath routing protocol for wireless sensor networks,” Journal of King Saud University-Computer and Information Sciences, 2017.##

[25]  Z. Heidary Ghiri, Gh. Mirjalily, “Energy-Harvesting Aware Multi-Hop Routing in Wireless Sensor Networks for Defense Applications,” Journal of  Electronical & Cyber Defence, vol. 8, no. 4,  Serial no. 32, 2021. (In Persian)##

آمار
تعداد مشاهده مقاله: 476
تعداد دریافت فایل اصل مقاله: 263