مسیریابی و تعیین سطح مدولاسیون گره ها در شبکه های حسگر بی سیم مبتنی بر مقیاس بندی پویای مدولاسیون با استفاده از الگوریتم ژنتیک

یک چالش اساسی در شبکه ‌های حسگر بی ‌سیم، افزایش طول عمر آنها با توجه به انرژی محدود گره‌ها است. برای حل این مشکل، راهکارهای مختلفی پیشنهاد شده که از آن جمله می‌توان به مکانیسم مقیاس بندی پویای مدولاسیون (dms) اشاره نمود. با تنظیم سطح مدولاسیون گره‌ها، می‌توان بین پارامترهای انرژی مصرفی و زمان ارسال داده توازن برقرار کرده و میزان انرژی مصرفی را تا حد قابل توجهی کاهش داد. برای بیشینه نمودن کارایی شبکه‌های حسگر مبتنی بر dms، هر دو مسئله مسیریابی و تعیین سطح مدولاسیون گره‌ها باید بررسی شوند. مقالات موجود یا مسئله مسیریابی را بررسی نکرده‌اند و یا روش‌هایی حریصانه و با کارایی پایین ارائه داده‌اند. با توجه به کاستی‌های روش‌های پیشین، در این مقاله روشی کارا مبتنی بر الگوریتم ژنتیک برای مسیریابی و تعیین سطح مدولاسیون گره‌ها ارائه شده که این مسائل را در دو مرحله مطالعه کرده است. براساس نتایج شبیه سازی، الگوریتم پیشنهادی به طور متوسط میانگین انرژی مصرفی گره‌ها، انحراف از معیار انرژی مصرفی گره‌ها، و طول عمر شبکه را، به ترتیب 72 %، 88 %، و 112 % نسبت به روش‌های پیشین بهبود داده است.

routing and determining the modulation level of nodes in dynamic modulation scaling-enabled wsns using genetic algorithm

a critical issue in designing wireless sensor networks (wsns) is to prolong their lifetime considering the limited energy resources of the nodes. one approach to mitigate this problem is to apply dynamic modulation scaling (dms) technique. by adjusting the modulation level of the nodes, the amount of energy exhausted and the required time for data transmission are balanced. accordingly, the energy consumption throughout the network reduces substantially. the routing problem should be considered along with modulation level adjustment to enhance performance. the existing dms-based algorithms either did not concern the routing problem or proposed greedy and low-quality solutions. hence, we propose an effective algorithm which comprises two phases, namely routing and determining the modulation level of nodes. the proposed scheme exploits genetic algorithm to improve performance. simulation results demonstrate that the proposed algorithm improves the average exhausted energy by sensors, the standard deviation of consumed energy by sensors, and the network lifetime, by 72%, 88%, and 112%, respectively.