مشخصات

زبان

بانک اطلاعاتی

فایل ها

توضیحات

m فایل متلب ، فیلم نحوه اجرا و داکیومنت ۳۰ صفحه ای در فایل word برای تشریح روش کار و نتایج شبیه سازی دارد.

۶۶,۰۰۰ تـــــومان

مطالب مرتبط

کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب

  • یکشنبه ۲۴ اسفند ۱۳۹۹
  • بازدید ۱۶ نفر

کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب

کاهش مصرف انرژی در شبکه MANET با یادگیری تقویتی در MATLAB

در این بخش پروژه شبیه سازی کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در نرم افزار MATLAB به همراه داکیومنت آماده کردیه ام که توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است. یکی از الگوریتم های مسیریابی واکنشی در شبکه های موردی موبایل (MANET) الگوریتم مسیریابی گلبرگی می باشد که در این بخش به معرفی آن می پردازیم.

الگوریتم مسیریابی گلبرگی

در پروتکل مسیریابی گلبرگی با توجه به منبع و مقصد، شبکه از روش همه پخشی استفاده می‌کند تا بتواند بسته اطلاعاتی را به گیرنده ارسال کند. همه پخشی به انتقال اطلاعات درون ناحیه ایی خاص محدود می‌شود که ما آن را پتال (گلبرگ) می ‌خوانیم. گلبرگ را می توان با اعتبار سنجی پارامترها نشان داد و بر مبنای هر انتقالِ انجام شده تعریف نمود. این تکنیک همچنین اجازه می‌دهد تا تعداد انتقال ها در گلبرگ کاهش یابد و در ضمن انتقال بیشتری هم انجام شود. تا زمانیکه پروتکل دچار همه پخشی است، گره های منفرد نیازی به حفظ اطلاعات قبلی و یا نگهداری هر مسیرِ انتها به انتها را ندارند.

الگوریتم مسیریابی گلبرگی فرصت طلب

در پروتکل مسیریابی گلبرگی فرصت طلب (OPR) با استفاده از مفهوم مسیریابی جغرافیایی از اطلاعات موقعیت برای ارسال بسته های داده، در یک روش مسیریابی گام به گام (چندگامی) استفاده می شود. برای انتخاب فرستنده گام بعد با حداقل تکرار و پیشروی مثبت به مقصد از ارسال سیل آسا جهت دار استفاده می شود. نیازی به حفظ مسیرهای انتها به انتها نیست؛ بنابراین بهره وری و مقیاس پذیری GR ها زیاد است. با این وجود، در الگوریتم مسیریابی جغرافیایی (GR) به عدم دقت اطلاعات موقعیت بسیار حساس است. در بهره برداری از ارسال حریصانه، همسایه ای که از فرستنده نسبتا دور باشد به عنوان گام بعد انتخاب می شود.

معرفی پروژه

در این پروژه سعی داریم با استفاده از پایش سرعت حرکت گره ها، تعیین عرض گلبرگ و انتخاب آگاهانه گره های گام بعدی، بهترین و بهینه ترین مسیر را برای مسیریابی داده ها انتخاب می کنیم به نحوی که نرخ اتلاف بسته کاهش و مصرف انرژی گره ها کاهش یابد. استفاده از مدل‌ های ریاضی در شناسایی سیستم‌ های واقعی همواره موجب به وجود آمدن شناختی دقیق تر از آن سیستم‌ها گردیده است زیرا می توان رفتار سیستم در حالتها و شرایط مختلف را پیش بینی نمود و سیاست لازم در برخورد با چنین رفتاری را از قبل اتخاذ نمود. در صورتی که تحرک گره‌ها افزایش یابد، با استنباط از تحرک بالای گره‌ها و خروج آنها از ناحیه تحت پوشش مسیر ایجاد شده، با استفاده از یادگیری تقویتی (Reinforcement Learning) و مفهوم پاداش و جریمه، عرض گلبرگ را افزایش می‌ دهیم تا با ارسال پیام و کشف مسیر در یک ناحیه بزرگتر، پایداری مسیرها افزایش یابد. با این کار با توجه به افزایش قابلیت اطمینان مسیر، نرخ تحویل بسته به مقصد افزایش خواهد یافت.

پارامترهای شبیه سازی

برای شبیه سازی با نرم افزار متلب انجام شده که شامل ۱۰۰ گره متحرک می باشد که در یک محدوده به ابعاد ۱۰۰ متر در ۱۰۰ متر استقرار یافته اند. هر گره دارای انرژی اولیه یک ژول می باشد. تعداد ۱۰۰۰ عمل ارسال بسته به همراه مسیریابی لازم (از طریق روش پیشنهادی) به مقصد مشخصی رخ خواهد داد. سرعت گره ها بین یک تا ۵ متر بر ثانیه متفاوت است. انتخاب گره مناسب در سمت و سوی حرکت گره مقصد بسته ، باعث کاهش مصرف انرژی و بهبود طول عمر شبکه می شود.

کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب

ارزیابی طرح پیشنهادی

ارزیابی طول عمر شبکه

برای ارزیابی عملکرد طرح پیشنهادی، شبیه سازی را با مقادیر مختلف تعداد بسته ارسالی در شبکه اجرا نمودیم. همانگونه که در شکل زیر می بینیم مجموع انرژی مصرفی گره ها در طرح پیشنهادی همواره کمتر از طرح پایه است، لذا طول عمر شبکه در طرح پیشنهادی بیشتر از طرح پایه است. دلیل این امر به خاطر این است که در طرح ما ، حتی با وجود تحرک گره ها، در بهینه ترین و کوتاهترین مسیر ، داده به مقصد هدایت خواهد شد. در نتیجه میزان اتلاف بسته پایین خواهد بود و  ارسال مجدد کمتری در طرح انجام خواهد شد.

کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب

شکل مقایسه مجموع انرژی مصرفی گره‌ها در طرح پیشنهادی و طرح پایه

ارزیابی نرخ تحویل موفق بسته ها به مقصد

در صورتی که عرض گلبرگ بر مبنای میزان اتلاف بسته در شبکه تعیین شده باشد، با افزایش نرخ اتلاف بسته، سعی می شود تا با افزایش عرض گلبرگ، گره های بیشتری در پروسه ارسال گام به گام بسته شرکت نمایند. به عبارت دیگر ارسال سیل آسای بسته در محدوده گلبرگ، گره های بیشتری را شامل می‌شود. در نتیجه تحویل موفق بسته به مقصد به خاطر افزونگی ارسال کنندگان بسته افزایش می یابد. حالتی را در نظر بگیرید که از سه ارسال کننده گام بعدی، دو تا از محدوده گلبرگ خارج شده اما با توجه به عرض مناسب گلبرگ، هنوز گره سوم در محدوده ارسال سیگنال گره جاری است و به عنوان گره گام بعدی انتخاب می‌شود. PDR، درصد تعداد بسته‌ های تحویل شده بصورت موفق به کل بسته‌ های ارسالی می‌ باشد. در شکل زیر می بینیم که نرخ تحویل بسته به مقصد های تعیین شده در طرح پیشنهادی همواره بیشتر از طرح‌ پایه است پس قابلیت اطمینان شبکه برای طرح پیشنهادی بیشتر از طرح پایه است و حتی با وجود تحرک گره ها، میزان اتلاف بسته پایین خواهد بود.

کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب

شکل ارزیابی نرخ تحویل موفق بسته ‌های ارسالی به مقصد

ارزیابی تاخیر انتها به انتها

میانگین تاخیر انتها به انتها، میانگین زمان استفاده شده برای تحویل یک بسته از گره مبدا به گره مقصد را مشخص می‌ کند. می ‌دانیم که پروتکل های مسیریابی فعال عملکرد بهتری از نظر تاخیر نسبت به روش ‌های واکنشی دارند اما در عوض نرخ تحویل داده پایین است. در ادامه میانگین زمان تاخیر انتها به انتها را که برای هر بسته ارسالی بصورت تفاضل زمان دریافت از زمان ارسال است محاسبه نمودیم. همانگونه که در شکل زیر می‌ بینیم که تاخیر انتها به انتها در انتقال داده در طرح پیشنهادی بهتر از طرح‌ پایه است. دلیل این امر انتخاب بهینه مسیر و کاهش تعداد ارسال مجدد بسته ها می ‌باشد.

کاهش مصرف انرژی در شبکه MANET با مسیریابی گلبرگی و یادگیری تقویتی در متلب

شکل مقایسه میانگین تاخیر انتها به انتها در ارسال بسته ها به مقصد های تعیین شده

 


تصویر 1
تصویر 2
تصویر 3
تصویر 4
تصویر 5
تصویر 6
باکس دانلود
شناسه:
۶۳۵۰
توضیحات:
m فایل متلب ، فیلم نحوه اجرا و داکیومنت ۳۰ صفحه ای در فایل word برای تشریح روش کار و نتایج شبیه سازی دارد.
قیمت:
۶۶,۰۰۰ تـــــومان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است