پوشش‌دهی اهداف و نواحی در شبکۀ حسگر بی‌سیم با استفاده از الگوریتم‌های تحلیلی و تکاملی در حل مسائل بهینه‌سازی

شبکۀ حسگر بی‌سیم، متشکل از مجموعه‌ای از حسگرهای توزیع مکانی‌شده با ساختار ازپیش‌معین یا تصادفی است. مسئلۀ پوشش‌دهی، یکی از شاخص‌های عملکردی این شبکه، شامل سه دسته پوشش‌دهی اهداف، نواحی و مرز است. مسئلۀ مدنظر این مقاله به تحلیل مسائل پوشش‌دهی اهداف و نواحی در یک شبکه با پخش تصادفی معطوف است. در این راستا، الگوریتم تحلیلی شدیدترین نزول مبتنی بر قاعده‌های آرمیجو و وولف برای نخستین‌بار برای حل مسئلۀ پوشش‌دهی اهداف پیشنهاد می‌شود و در مسئلۀ پوشش‌دهی نواحی از یک روش ترکیبی مبتنی بر روش شدیدترین نزول و الگوریتم‌های تکاملی وراثتی و جهش قورباغه‌ای به‌هم‌آمیخته استفاده می‌شود. بر مبنای ارزیابی عملکرد روش‌های پیشنهادی در سناریوهای مختلف، مشخص می‌شود استفاده از روش شدیدترین نزول در مقایسه با الگوریتم وراثتی به پیچیدگی محاسباتی کمتر و دقت بالاتر در پوشش‌دهی اهداف منجر می‌شود و مهم‌تر اینکه این روش، قابلیت مدیریت نحوۀ حرکت حسگرها به مقصد را نیز دارا است. نتایج در مسئلۀ پوشش‌دهی نواحی نیز نشان می‌دهند الگوریتم‌ جهش قورباغه‌ای به‌هم‌آمیخته در مقایسه با الگوریتم وراثتی، دقت بیشتری در پوشش‌دهی دارد؛ البته این افزایش در ازای پیچیدگی بالاتر حاصل می‌شود.

Target and Areas Coverage in Wireless Sensor Networks Using Analytical and Evolutionary Algorithms

Wireless sensor network (WSN) is a set of spatially distributed sensors with the predetermined or randomly structure. Coverage, as an important performance indicator of WSNs, is subdivided into three classes of target coverage, area coverage and barrier coverage. This paper investigates problems of target and area coverage for a randomly distributed WSN. To this end, the analytical algorithm of steepest descent (SD) with Armijo and Wolf rules is suggested as a new solution for target coverage, and the SD algorithm along with evolutionary Genetic and Shuffled Frog Leaping algorithms (GA and SFLA) are utilized for the maximization of area coverage. According to the results of performance evaluation over different scenarios, it is confirmed that utilizing SD algorithm for the target coverage could increase the coverage accuracy and reduce the computational complexity compared with the evolutionary method the GA. Moreover, the SD algorithm can manage sensors movement towards targets. Furthermore, in the case of area coverage, the results reveal that SFLA provides more coverage accuracy in comparison with the GA although this improvement leads to more complexity of the SFLA.