ارایه روش جدید مسیریابی مبتنی بر خوشه بندی در شبکه‌های حسگر بی سیم با بکارگیری الگوریتم بهینه سازی جست و جوی غذای سفره ماهی

انرژی گره‌ها در شبکه‌های حسگر بی‌سیم انرژی محدود است، لذا یکی از چالش‌های اساسی در چنین شبکه‌هایی مصرف انرژی میباشد. به منظور بهبود مصرف انرژی، معمولاً روش‌های مبتنی بر خوشه‌بندی مورد استفاده قرار می‌گیرند. به این صورت که از میان گره‌های موجود، گره‌هایی به عنوان سرخوشه انتخاب می‌شوند که وظیفه‌ی تجمیع داده‌های دریافتی از حسگرها و ارسال اطلاعات به گره مرکزی را دارند. در این مقاله به منظور انجام خوشه بندی و حفظ تعادل بار در گره‌های شبکه، از الگوریتم لیچ در دور اول و از الگوی حرکتی سیکلون در مانتا ری‌ها در دورهای بعدی استفاده شده است. بکارگیری این رویکرد، منجر به انتخاب گره سرخوشه از مکان متراکم هر خوشه می‌شود که موجب کاهش انرژی مصرفی گره‌ها در هنگام تبادل اطلاعات می‌گردد. رویکرد ارائه شده در محیط شبیه سازی متلب، پیاده‌سازی شده و با روشهای ارائه شده قبلی در دو سناریوی مختلف، مقایسه شده است. نتایچ بدست آمده بیانگر افزایش میانگین انرژی باقیمانده گره‌ها به میزان 27% و نیز تعداد گره‌های زنده به میزان 14% می‌باشد.

Introducing a new clusteringbased routing method in wireless sensor networks using the fish tablecloth search optimization algorithm

Sensor nodes have limited energy in wireless networks, so one of the main challenges in these networks is the energy consumption. Clusteringbased methods are commonly used to improve energy consumption. In this way, clusters are selected from the existing nodes and have the task of aggregating the received data from the sensors and sending information to the sink. In this paper, the Leach algorithm is used in the first round and in the following rounds, the cyclone movement pattern in manta ray is used to perform clustering and load balancing in network. Using this approach causes to select the clusterhead from the high density location of each cluster, which reduces the energy consumption of the nodes during the data transfer. The proposed approach is implemented in MATLAB simulation and compared with the previously presented methods in two different scenarios. The results indicate an improvement about 27% and 14% respectively, in terms of the remaining energy of the nodes and the number of live nodes in a large number of nodes in network.