یک الگوریتم خوشه‌بندی چندهدفه تطبیقی مبتنی بر حراج_پیش‌بینی برای ردیابی هدف متحرک در شبکه‌های حسگر بی‌سیم‌

ردیابی اهداف متحرک یکی از کاربردهای شبکه‌های حسگر است. در طراحی یک الگوریتم ردیابیِ هدف متحرک دو مساله کاهش انرژی مصرفی و بهبود کیفیت ردیابی حایز اهمیت است. یکی از راهکارهای کاهش مصرف انرژی، تشکیل خوشه ردیاب است و دو چالش مهم در تشکیل خوشه ردیاب زمان و چگونگی تشکیل آن است. به منظور کاهش تعداد پیام‌های مبادله‌شده برای تشکیل خوشه ردیاب، یک مکانیزم حراج تطبیق داده می‌شود. پیشنهاد هر حسگر در حراج با هدف برقراری موازنه‌ای مناسب میان طول عمر شبکه و دقت ردیابی به صورت پویا و مستقل ارائه می‌شود. از این گذشته، از آنجایی که خوشه ردیاب می‌بایست قبل از رسیدن هدف به ناحیه مورد نظر تشکیل شود (خصوصاً زمانی که سرعت هدف بالا است) جلوگیری از تاخیر در تشکیل خوشه ردیاب چالشی دیگر است. عدم توجه به چالش مذکور منجر به افزایش نرخ گمشدگی هدف و به تبع آن اتلاف انرژی می‌شود. برای غلبه بر این مشکل، پیش‌بینی موقعیت هدف در دو گام بعد توسط شبکه عصبی و تشکیل هم‌زمان خوشه‌های ردیاب در یک و دو گام بعد را پیشنهاد می‌دهیم. نتایج حاصل از شبیه‌سازی نشان‌دهنده عملکرد مناسب‌تر الگوریتم پیشنهادی در مقایسه با الگوریتم aasa است.

An Adaptive MultiObjective Clustering Algorithm based on Auction_Prediction for Mobile Target Tracking in Wireless Sensor Network

One of the applications of sensor networks is to track moving target. In designing the algorithm for target tracking two issues are of importance: reduction of energy consumption and improvement of the tracking quality. One of the solutions for reduction of energy consumption is to form a tracking cluster. Two major challenges in formation of the tracking cluster are when and how it should be formed. To decrease the number of messages which are exchanged to form the tracking cluster an auction mechanism is adopted. The sensor’s bid in an auction is dynamically and independently determined with the aim of establishing an appropriate tradeoff between network lifetime and the accuracy of tracking. Furthermore, since the tracking cluster should be formed and activated before the target arrives to the concerned region (especially in high speed of target), avoidance from delay in formation of the tracking cluster is another challenge. Not addressing the mentioned challenge results in increased target missing rate and consequently energy loss. To overcome this challenge, it is proposed to predict the target’s position in the next two steps by using neural network and then, simultaneously form the tracking clusters in the next one and two steps. The results obtained from simulation indicate that the proposed algorithm outperforms AASA (Auctionbased Adaptive Sensor Activation).