یک پروتکل مسیریابی پویا برای بهینه‌سازی انرژی و تاخیر در شبکه‌های حسگر بی‌سیم با استفاده از الگوریتمpla و یادگیری تقویتی عمیق

رشد و توسعه سریع اطلاعات در شبکه‌های اینترنت اشیا، منجر به گسترش مقیاس شبکه‌های حسگر بی‌سیم نیز شده است. مصرف انرژی گره‌ها در شبکه بسیار مهم و حیاتی است، استفاده از پروتکلهای مسیریابی مبتنی بر الگوریتم‌های یادگیری ماشین بر بهبود مصرف انرژی گره‌های شبکه بسیار موثر است. همچنین مدل‌های هوش مصنوعی می‌توانند به کاهش تاخیر انتها به انتها در شبکه و افزایش طول عمر شبکه کمک کنند. به همین منظور این مقاله یک مدل خوشه‌بندی با استفاده از الگوریتم (pla) و یک پروتکل مسیریابی بر اساس یادگیری تقویتی عمیق برای شبکه‌های حسگر بی‌سیم را پیشنهاد می‌کند. مدل پیشنهادی مبتنی بر الگوریتم (pla) برای انتخاب سرخوشه‌های بهینه از نظر مرکزیت گره و انرژی باقیمانده را با هم ادغام می‌کند. سپس، شبکه‌ کانولوشن گراف و یادگیری تقویتی عمیق برای ساخت مسیرهای انتقال برای سرخوشه‌ها، انطباق با تغییرات توپولوژی شبکه و تعادل مصرف انرژی و عملکرد در نظر گرفته می‌شود. شبکه‌های حسگر بی‌سیم در بسیاری از کاربردها مانند نظارت بر ترافیک، نظارت بر محیط و نظارت بر میدان جنگ مورد استفاده قرار گرفته‌اند که می‌تواند برای فرماندهی انتظامی جمهوری اسلامی ایران (فراجا) به جهت فعالیت در عرصه نظم و امنیت که با حجم بسیار گسترده‌ای از اطلاعات در حوزه‌های گوناگون اجتماعی، امنیتی، اقتصادی و فرهنگی در ارتباط است و همچنین برای نیروهای مسلح بسیار کلیدی و مهم باشد. نتایج آزمایشات نشان می‌دهد که رویکرد پیشنهادی از نظر مصرف انرژی، طول عمر شبکه و تاخیر انتها به انتها نسبت به روشهای موجود عملکرد بهتری دارد.

an adaptive routing protocol for energy and delay optimization in wireless sensor networks using pla algorithm and deep reinforcement learning

the rapid growth and development of information in internet of things networks has also led to the expansion of the scale of wireless sensor networks. the energy consumption of nodes in the network is significant and vital. the use of routing protocols based on machine learning algorithms is very effective in improving the energy consumption of network nodes. also, artificial intelligence models can help reduce end-to-end delay in the network and increase the lifetime of the network. for this purpose, this paper proposes a clustering model using the algorithm (pla) and a routing protocol based on deep reinforcement learning for wireless sensor networks. the proposed model, based on the algorithm (pla), integrates the optimal cluster heads in terms of node centrality and residual energy. then, the convolutional graph network and deep reinforcement learning are considered to construct transmission paths for the cluster heads, adapt to network topology changes, and balance energy consumption and performance. wireless sensor networks have been used in many applications such as traffic monitoring, environmental monitoring, and battlefield monitoring, which can be very key and essential for the islamic republic of iran police command (farja) to operate in the field of order and security, which is associated with massive volume of information in various social, security, economic, and cultural fields, and also for the armed forces. experimental results show that the proposed approach performs better than existing methods in terms of energy consumption, network lifetime, and end-to-end delay.