طراحی یک روش خوشه بندی انرژی اگاه مبتنی بر الگوریتم ژنتیک در شبکه حسگر بی سیم ناهمگن

خوشه بندی یکی از تکنیک های موثر برای مدیریت مناسب انرژی و افزایش طول عمر در شبکه های حسگر بی سیم می باشد. یکی از پارامترهای حائز اهمیت در ساخت خوشه های بهینه، انتخاب سرخوشه مناسب است که علاوه بر افزایش طول عمر شبکه و داده دریافتی در چاهک، کاهش انرژی اتلافی را به دنبال خواهد داشت. در این مقاله ابتدا به بررسی چند الگوریتم خوشه بندی مبتنی بر روش های هوش محاسباتی پرداخته شده و سپس نسبت به ارائه دو الگوریتم خوشه بندی انرژی آگاه در شبکه های ناهمگن مبتنی بر الگوریتم ژنتیک تحت عناوین eagca و *eagca اقدام شده است. الگوریتم های پیشنهادی با استفاده از اطلاعاتی از گره ها مانند ترافیک گره، انرژی باقی مانده گره، انرژی گره های همسایه و فاصله محلی به انتخاب سرخوشه بهینه ودر نهایت ایجاد خوشه بهینه اقدام می کنند. نتایج شبیه سازی‌ها، توانایی این الگوریتم ها را در ایجاد خوشه مناسب و یافتن سرخوشه بهینه، به خوبی نشان می‌دهد. هم چنین روش های پیشنهادی با دیگر روش های خوشه بندی از جمله leach و eaerp در پارامترهایی نظیر تعداد گره های زنده، داده دریافتی در چاهک و طول عمر شبکه مقایسه شده است. نتایج مقایسه ها، ناظر بر عملکرد بهتر الگوریتم های eagca و *eagca نسبت به سایر الگوریتم ها در افزایش طول عمر شبکه و افزایش داده دریافتی در چاهک می باشد.

Design of an energy aware clustering scheme based on genetic algorithm in heterogeneous wireless sensor networks

One of the most effective techniques for energy management in wireless sensor networks is clustering. How to establish clusters and the method used to choose cluster heads are the most important factors in creating optimal clusters. In fact, appropriate cluster head selection results in longer network lifetime and more data delivery to the sink. In this paper, after exploring clustering algorithms based on computational intelligence techniques and evaluating the strengths and weaknesses of each, we provide two novel clustering schemes termed as Energy Aware Genetic Clustering Algorithm (EAGCA) and EAGCA*. In these centralized algorithms, we try to achieve an optimal clustering by using global information such as number of neighbor nodes, the energy of neighbor nodes, local distance and local traffic load on each node. Compared to some wellknown clustering algorithms such as LEACH and EAERP, simulation results demonstrate that EAGCA and EAGCA* are able to create more appropriate clusters in terms of energy consumption, life time and total number of received data to the sink.