Loading...
خوشه بندی و کاهش مصرف انرژی در WSN با متلب
در این بخش پروژه شبیه سازی خوشه بندی و کاهش مصرف انرژی در WSN با الگوریتم ترکیبی در نرم افزار MATLAB به همراه گزارش کار آماده کرده ایم که در آن از سه الگوریتم شامل الگوریتم ژنتیک ، الگوریتم K-Means و سیستم فازی استفاده شده است. در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.
مدیریت بهینه انرژی در شبکه WSN
یکی از روش های کسب اطلاعات محیطی که تحقیقات زیادی را به خود معطوف کرده شبکه های حسگر بی سیم (WSN) می باشد. با وجود پیشرفت های صورت گرفته در این نوع شبکه ها گره های سنسوری به تعداد زیاد و اندازه های کوچک، هنوز هم جهت تامین انرژی خود به باتری های با توان کم متکی هستند. همینطور معمولا به دلیل استفاده از این نوع شبکه ها در محیط های خشن و غیر قابل دسترس، امکان شارژ مجدد یا تعویض گره های حسگر وجود ندارد. بنابراین یکی از مهم ترین مسائل در شبکه های حسگر بی سیم (Wireless sensor networks)، مسئله مدیریت بهینه انرژی می باشد. از آن جایی که شبکه های حسگر بی سم به شدت طول عمر شبکه و پوشش شبکه ای آن وابسته است، پروتکل های ارائه شده در این نوع شبکه ها، می بایست افزایش طول عمر شبکه را مورد توجه قرار دهند.
افزایش طول عمر شبکه
جهت افزایش طول عمر شبکه می بایست دو معیار کاهش مصرف انرژی و توزیع صحیح مصرف انرژی در بین نود های حسگر مدنظر قرار گرفته شود. با توجه به اینکه پروتکل های مسیریابی عملکرد شبکه را تا حد بالایی تحت تاثیر قرار می دهد، نیاز به ارائه الگوریتم های مسیریابی انرژی آگاه جدید جهت افزایش طول عمر شبکه از طریق برقراری توازن مناسب بین دو معیار ذکر شده، به خوبی احساس می شود. یکی از روش های مناسب برای طول عمر شبکه های حسگر بی سیم استفاده از مسیریابی سلسله مراتبی می باشد. در این نوع مسیریابی از خوشه بندی گره های حسگر استفاده می گردد. در الگوریتم های خوشه بندی گره سرخوشه بار اضافی زیادی را به علت برخی از فعالیت ها مثل تجمیع داده، ارسال داده ها به سمت چاهک و غیره متحمل می شود. از این رو گره های سرخوشه نسبت به دیگر گره ها در معرض مرگ بیشتری قرار دارند و انتخاب سرخوشه مناسب یک چالش در خوشه بندی می باشد که می توان با کمک ترکیب الگوریتم های فراابتکاری یا بهینه سازی گره ها را به صورت مناسب خوشه بندی کرد و بهترین گره را برای انتقال داده انتخاب کرد، به طوری که افزایش طول عمر گره ها را برای انتقال داده ها داشته باشیم.
معرفی پروژه
فلوچارت روند کلی طرح پیشنهادی در شکل 1 آورده شده است. ابتدا گره های حسگر به صورت تصادفی در محیط پراکنده می شوند. شکل 2 این موضوع را نشان می دهد. مختصات اولیه چاهک در مرکز محیط است. در این شکل 100 گره حسگر در محیطی به ابعداد 100 متر 100 پراکنده شده اند که مختصات چاهک 50 و 50 می باشد. حسگرها با دایره های توخالی آبی رنگ و چاهک با علامت + مشکلی مشخص هستند.
شکل 1 – فلوچارت روند اجرای طرح پیشنهادی
شکل 2 – گره ها با توزیع تصادفی در محیط
بعد از استقرار گره ها در محیط، با استفاده از الگوریتم ژنتیک، تعداد مناسب برای سرخوشه ها و همچنین نقاط مناسب برای قرارگیری سرخوشه ها به منظور افزایش کارآیی شبکه حسگر بی سیم بدست می آیند. شکل 3 به این موضوع اشاره دارد. ستاره های مشکلی توپر نقاط مناسب برای سرخوشه ها را مشخص می کنند. در این مثال تشکیل 5 خوشه در محیط می تواند مناسب باشد.
شکل 3 – نقاط بدست آمده از الگوریتم ژنتیک
الگوریتم معروف K-MEANS برای تعیین نقاط میانی کارآیی بسیار زیادی دارد. مسئله اصلی در این الگوریتم تعداد نقاط اولیه و همچنین مختصات آن ها است که در صورت انتخاب مناسب آن ها، جواب سریع تر و دقیق تری بدست می آید. از این رو، خروجی الگوریتم ژنتیک به عنوان نقاط و مختصات اولیه آن ها درنظر گرفته می شود. شکل 4 خروجی الگوریتم KMEANS نقاط بهینه برای قرارگیری سرخوشه ها را با ستاره توخالی سبز رنگ نشان می دهد.
شکل 4 – نقاط بهینه برای قرارگیری سرخوشه ها
برای تعیین گره هایی که سرخوشه باشند، از بین گره های نزدیک به هر نقطه، یک گره به عنوان سرخوشه انتخاب می شود. انتخاب سرخوشه براساس سیستم فازی که در شکل 5 نشان داده شده است، انجام می شود.
شکل 5 – سیستم فازی برای تعیین سرخوشه
براساس ورودی های این سیستم فازی، گره ای شانس بیشتر برای سرخوشه شدن دارد که فاصله اش تا نقطه مورد نظر کم، فاصله ای تا سایر نقاط زیاد و انرژی بیشتری داشته باشد. شانس انتخاب گره به عنوان سرخوشه براساس قوانین فازی بدست می آید. بدیهی است که در اطراف نقاط، گره با بیشترین شانس به عنوان سرخوشه انتخاب می شود. شکل شماره 6 سرخوشه های انتخابی براساس سیستم فازی را نشان می دهد. در این شکل سرخوشه های انتخاب شده از بین گره ها با نقاط قرمز رنگ مشخص شده اند. بعد از انتخاب سرخوشه، عمل خوشه بندی انجام می شود.
شکل 6 – سرخوشه های انتخاب شده
خوشه بندی با ارسال پیام از سرخوشه ها آغاز می شود. سایر گره ها براساس فاصله تا سرخوشه، نزدیک ترین سرخوشه را انتخاب و این موضوع را به آن سرخوشه اطلاع می دهد و بدین صورت خوشه تشکیل می گردد. شکل 7 خوشه های ایجاد شده را نشان می دهد. بین اعضای خوشه و سرخوشه یک خط چین به رنگ سیاه وجود دارد که خوشه ها را از هم متمایز می کند. اطلاعات از اعضای خوشه به سرخوشه و از سرخوشه به چاهک ارسال می شود.
شکل 7 – خوشه های ایجاد شده
بعد از ارسال تعدادی مشخص از اطلاعات از گره ها به چاهک به روش خوشه بندی، برای توازن بار در شبکه و عدم خاموشی سریع سرخوشه های جاری، عمل خوشه بندی مجددا انجام می شود تا سایر گره ها نیز شانس سرخوشه شدن داشته باشند. با خاموشی تمام گره ها، شبکه پایان می یابد.
نتایج شبیه سازی در MATLAB
ما شبیه سازی را به صورت توابع مختلف انجام داده ایم. یک تابع برای شبیه سازی روش MOFCA، یک تابع شبیه سازی روش FUCARH، یک تابع شبیه سازی روش LEACH و یک تابع شبیه سازی روش پیشنهادی طراحی شده است. برای اجرای هم زمان و استخراج شبیه سازی در شرایط یکسان (تعداد گره ها، ابعاد شبکه، انرژی اولیه گره ها، مختصات گره ها و غیره) یک تابع اصلی با نام نتایج (nataej.m) طراحی شده که این فایل باید اجرا شود.
شکل 8 – FND/HND/LND
در این شکل خاموشی اولین گره FND، خاموشی نیمی از گره ها HND و خاموشی تمام گره ها (LND) نشان داده شده است. معیارهای بررسی کارآیی روش ها در شبکه حسگر بی سیم هستند. مشخص است که روش پیشنهادی طول عمر بیشتری دارد.
شکل 9 – روند خاموشی گره ها
روش خاموشی گره ها در دورهای مختلف در روش پیشنهادی بسیار ملایم است که این موضوع دلالت بر کارآیی این روش دارد.
شکل 10 – میزان مصرف انرژی
میزان مصرف انرژی یکی دیگر از معیارهایی برای ارزیابی روش ها در شبکه حسگر بی سیم است. مصرف انرژی در روش پیشنهادی از سایر روش های بررسی شده کم تر است که این نیز بر کارآیی روش پیشنهادی دلالت دارد.
تصاویری از خروجی
هیچ نظری ثبت نشده است