یک الگوریتم تکاملی ترکیبی کارآمد برای مسیریابی در شبکه‌های حسگر بی‌سیم زیر آب

سیر تکاملی سریع تکنولوژی ارتباطات بی‌سیم، تکتیک‌های الکترونیکی، تکنولوژی سنسور و فن‌آوری‌های کامپیوتر باعث ترویج پژوهش در شبکه‌های حسگر بی‌سیم زیر آب شده است. شبکه‌های حسگر بی‌سیم زیر آب، نوع خاصی از شبکه‌های بی‌سیم است که باعث دستاوردهای زیادی در بهره‌وری از اقیانوس‌ها شده است. با توجه به ویژگی‌های ذاتی محیط آب، پروتکل‌های مسیریابی برای شبکه‌های حسگر زیر آب با چالش‌های بسیاری از قبیل، تاخیر طولانی انتشار، نویز و مصرف انرژی بالا روبرو شده و به‌عنوان یکی از مسائل سخت شناخته می‌شوند. الگوریتم‌های تکاملی الهام گرفته از طبیعت ایده مناسبی برای حل مسائل بهینه‌سازی سخت می‌باشند. در این مقاله یک الگوریتم تکاملی ترکیبی مبتنی بر الگوریتم ژنتیک و الگوریتم کلونی مورچگان برای مسیریابی در شبکه‌های حسگر بی‌سیم زیر آب ارائه می‌شود. برای ارزیابی روش پیشنهادی چند مجموعه داده تست معتبر تهیه شده و روش پیشنهادی با الگوریتم ژنتیک و کلونی مورچگان مقایسه شده است. نتایج به دست آمده نشان می‌دهد که روش پیشنهادی دارای عملکرد موثرتری نسب به الگوریتم‌های مورد مقایسه بر اساس معیار مصرف انرژی، کوتاهی مسافت و پیچیدگی زمانی بوده است.

an efficient hybrid evolutionary algorithm for routing in underwater wireless sensor networks

the rapid evolution of wireless communication technology, electronic techniques, sensor technology, and computer technologies has promoted research in underwater wireless sensor networks. underwater wireless sensor networks are a special type of wireless networks that have made great strides in ocean productivity. due to the inherent characteristics of the water environment, routing protocols for underwater sensor networks face many challenges, such as long propagation delay, noise, and high energy consumption, and are known as one of the np-hard problems. evolutionary algorithms inspired by nature are a good idea for solving hard optimization problems. in this paper, a hybrid evolutionary algorithm based on genetic algorithm and ant colony algorithm is presented for routing in underwater wireless sensor networks. to evaluate the proposed method, several valid test datasets have been prepared and the proposed method has been compared with the genetic algorithm and the ant colony algorithm. the obtained results show that the proposed method has a more effective performance compared to the compared algorithms based on the criteria of energy consumption, short distance and time complexity.