کنترل مسیریابی چاهک‌های متحرک برای حداکثر کردن مقدار داده جمع‌آوری شده و طول عمر در شبکه‌های حسگر بی‌سیم زیرآب

این مقاله یک مدل بهینه‌سازی برنامه‌ریزی صحیح خطی مختلط برای تعیین مسیر بهینه و مکان اقامت چاهک‌ها با توجه به مهلت زمانی و مصرف انرژی ارایه داده تا مقدار داده جمع‌آوری شده را در شبکه‌های حسگر بی‌سیم زیرآب حداکثر کند. حل این مساله در زمان چندجمله‌ای به دلیل متمرکز بودن امکان‌پذیر نیست. لذا برای حل این مساله، یک روش اکتشافی حریصانه و کاملا توزیع‌شده پیشنهاد شده تا مسیر و مکان اقامت چاهک‌ها را براساس حداکثر کردن مقدار داده‌های جمع‌آوری شده و نوع مهلت زمانی داده‌ها تعیین کند و تا زمانی‌که یک مکان، داده و انرژی داشته باشد، چاهک‌ها می‌توانند به‌طور مکرر به آنجا رفته و مقدار داده‌های جمع‌آوری شده را افزایش دهند. نتایج شبیه‌سازی روش‌های مختلف مسیریابی با مدل و الگوریتم پیشنهادی در شرایط شبکه‌های پراکنده و متراکم و مهلت‌های زمانی سخت و نرم نشان داده که مقدار داده جمع‌آوری شده حداقل 77 درصد بیشتر از روش‌های اکتشافی ‏غیرآگاهانه ‏tsp‏ و ‏lm‏ و 80 درصد بیشتر از روش ‏rs‏ است و مصرف انرژی حدود 45 درصد کمتر از روش tsp است و تاخیر انتها به انتها حدود 69 درصد کمتر از روش tsp است و بازدهی شبکه حدود 23 درصد بیشتر از روش tsp است.

Mobile Sink Routing Control to Maximize the Amount of Collected Data and Lifetime in Underwater Wireless Sensor Networks

This paper presents a mixed linear programming optimization model for determining the optimal path and location of sinks with respect to dead time and energy consumption, in order to maximize the amount of collected data in underwater wireless sensor networks. Solving this problem in polynomial time is not possible due to be centralizing. So, to solve this problem, a heuristic and greedy and fully distributed algorithm are proposed to determine the movement of sinks and their location based on maximizing the amount of collected data and the type of dead time of data. As long as be in a place data and energy, sinks can be repeatedly traveled to increase the amount of collected data. By comparing and simulating different routing methods with proposed model and algorithm, the collected data in the proposed method for sparse and dense networks and in the soft and hard dead time is at least 77% higher than the unaware heuristic methods such as TSP and LM and is 80 percent more than the RS method, and the energy consumption is about 45% lower than the TSP method, and the endtoend delay is about 69% less than the TSP method, and network efficiency is about 23% more than the TSP method.