ارائه یک رویکرد توپولوژیکی هوشمند برای انتخاب جهت حسگرها در شبکه‌های حسگر جهت‌دار

یک شبکه حسگر جهت‌دار از مجموعه‌ای از گره‌های حسگر جهت‌دار تشکیل شده است که می‌توانند در چندین سمت تغییر جهت دهند تا پوشش ناحیه موردنظر را گسترش دهند. یکی از مسائل مهم در این شبکه‌ها فراهم کردن پوشش کافی برای انجام وظایف حسگری است. این مقاله به مسئله انتخاب جهت مناسب برای حسگرهای جهت‌دار به‌منظور ارائه پوشش کامل ناحیه در شبکه‌های حسگر جهت‌دار می‌پردازد. ما با استفاده از مفهوم مانستگی (homology) در توپولوژی جبری پوشش در شبکه‌های حسگر جهت‌دار را با استفاده از مجتمع‌های سادکی (simplicial complex) مدل می‌کنیم و مسئله انتخاب جهت مناسب برای حسگرهای جهت‌دار را به‌صورت یک برنامه‌ریزی خطی دودویی فرمول‌بندی می‌کنیم. سپس الگوریتمی مبتنی بر اتوماتای یادگیر سلولی نامنظم برای جهت‌دهی حسگرها پیشنهاد می‌کنیم. الگوریتم پیشنهادی بر اساس اندازه حفره‌های موجود در ناحیه تحت پوشش کار می‌کند. الگوریتم پیشنهادی برای یافتن حفره‌ها در شبکه حسگر از رویکردی مبتنی بر مانستگی استفاده می‌کند. نتایج شبیه‌سازی حدود 2% افزایش در میزان پوشش و همچنین کاهش چشمگیر در تعداد شرایط و متغیرهای مسئله بهینه‌سازی پیشنهادی را نشان می‌دهد.

presenting an intelligent topological approach for sensor orientation in directional sensor networks

directional sensor networks (dsns) consist of directional sensor nodes which can switch to several directions to extend their sensing ability to cover the interested area. one important problem in these networks is providing adequate coverage to fulfill the issued sensing tasks. this paper addresses the problem of selection and orientation of directional sensors for providing full area coverage in directional sensor networks. using the notion of homology in algebraic topology, we model the coverage of dsns by simplicial complexes and formulate the problem of selection and orientation of directional sensors as a binary linear programming. then, an algorithm based on irregular cellular learning automata for orientation of sensors is proposed to solve the problem in a reasonable time. the proposed algorithm works based on the size of the existing holes in the covered area. the proposed algorithm has adopted a homological approach to find holes in the sensor network. the simulation results show about 2% increase in the amount of coverage and also a significant decrease in the number of conditions and variables of the proposed optimization problem.