پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 635 |
| تعداد مقالات | 9,313 |
| تعداد مشاهده مقاله | 67,881,169 |
| تعداد دریافت فایل اصل مقاله | 17,087,565 |
ارائه یک مدل مبتنی بر شبکههای عصبی SOM و الگوریتم گرگ خاکستری برای کاهش تاخیر و مصرف انرژی در اینترنت اشیا | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 خرداد 1404 اصل مقاله (1.43 M) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.32849.2600 | ||
| نویسندگان | ||
| مرتضی جابر عبید البو جاسم1؛ مهدی مزینانی* 2؛ عباس کوچاری3 | ||
| 1گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران | ||
| 2گزوه الکترونیک، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد شهرقدس، تهران، ایران | ||
| 3دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران | ||
| تاریخ دریافت: 10 دی 1402، تاریخ بازنگری: 11 خرداد 1403، تاریخ پذیرش: 10 دی 1403 | ||
| چکیده | ||
| در بهینه‌سازی محیط اینترنت اشیا (IoT)، راهکارهایی برای مشکلات شبکه از جمله مقیاس‌پذیری، مسیریابی، امنیت، مصرف انرژی، طول عمر شبکه، تراکم، ناهمگونی و کیفیت خدمات ضروری است. در این راستا، استفاده از روش‌های پیشرو در مدیریت مصرف انرژی برای ارزیابی آن، حائز اهمیت است. پژوهش کنونی با خوشه‌بندی گره‌های شبکه حسگر بی‌سیم (WSN)، با ترکیب الگوی شبکه عصبی SOM و الگوریتم بهینه‌ساز گرگ خاکستری (GWO)، این مقوله را ارزیابی کرده است. در شبکههای حسگر، لایه شبکه مشکلات مسیریابی را مدیریت می‌کند. از آنجایی که انتقال رادیویی به مقدار قابل توجهی انرژی نیاز دارد، بررسی کارایی توان و بهینه‌سازی آن ضروری است. در نتیجه، حفظ انرژی یک نگرانی حیاتی در شبکههای حسگر بی‌سیم است. تحقیقات اخیر بر روی توسعه الگوریتم‌های مسیریابی متمرکز شده است که انرژی کمتری را در طول ارتباطات مصرف می‌کنند و در نتیجه عمر شبکه را طولانی‌تر می‌کنند. شبکههای حسگر بی‌سیم با گره‌های بازیابی انرژی از گره‌هایی استفاده می‌کنند که می‌توانند انرژی را از محیط خود استخراج کنند. روش SOM-GWO و الگوریتم مسیریابی انرژی آگاه در این پژوهش پیشنهاد و تحلیل شده است. مقایسه پروتکل‌‌های LEACH، HEED، SOM-LEACH، EESOM، با پروتکل پیشنهادی SOM-GWO مشخص نمود که طول عمر شبکه به ترتیب 20، 14.8، 12.5 و 3.8 درصد افزایش یافته است. علاوه بر این، روش پیشنهادی در مقایسه با سایر الگوریتم‌ها دارای کاهش 37.5، 33.3، 16.6 و 6.25 درصدی در میانگین مصرف انرژی است. با توجه به داده‌های به‌دست‌آمده از شبیه‌سازی، الگوریتم پیشنهادی در طول عمر شبکه، نسبت تحویل بسته، توان عملیاتی و اشغال بافر عملکرد بهتری دارد. | ||
| کلیدواژه‌ها | ||
| حسگر بی‌سیم؛ اینترنت اشیا؛ الگوریتم گرگ خاکستری؛ شبکه عصبی SOM؛ مصرف انرژی؛ تاخیر | ||
| عنوان مقاله [English] | ||
| A Model Based Neural Network SOM and Grey Wolf Algorithm for Reducing Latency and Energy Consumption in IoT | ||
| نویسندگان [English] | ||
| Murtadha Jaber Obaid Albo Jasim1؛ Mahdi Mazinani2؛ Abbas Koochari3 | ||
| 1Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran. | ||
| 2Department of Electronic Engineering, Faculty of Engineering,, Shahr-e-Qods branch, Islamic Azad University, Tehran, Iran | ||
| 3Department of Computer engineering, science and research branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| In the optimization of the Internet of Things (IoT) environment, devising solutions for network challenges, including scalability, routing, reliability, security, energy efficiency, network lifetime, density, heterogeneity, and quality of service, is essential. In this context, the utilization of cutting-edge approaches for monitoring and managing energy consumption and end-to-end delay (E2ED) holds paramount significance. This research addresses these concerns by clustering wireless sensor network nodes as a subset of the Internet of Things, employing a combination of the Self-Organizing Map (SOM) neural network pattern and the Grey Wolf Optimizer (GWO) algorithm for evaluation. In wireless sensor networks, the network layer manages routing challenges, and optimizing the efficiency of power consumption is crucial due to the substantial energy requirements of radio transmission. Consequently, conserving energy becomes a critical consideration in wireless sensor networks. Recent studies have concentrated on developing energy-efficient routing algorithms that reduce energy consumption during communications, thereby extending the network's lifespan. This research introduces and analyzes the SOM-GWO method and an energy-efficient routing algorithm. Simulation is conducted using Python, and a comparative assessment is made against protocols like LEACH, HEED, SOM-LEACH, and EESOM. Results indicate respective increases of 20%, 14.8%, 12.5%, and 3.8% in network lifetime. Furthermore, the proposed method exhibits a reduction of 37.5%, 33.3%, 16.6%, and 6.25% in average energy consumption compared to conventional algorithms. Based on empirical data from simulations, the proposed algorithm excels in terms of network lifetime, packet delivery ratio, operational power, and buffer occupancy. | ||
| کلیدواژه‌ها [English] | ||
| Wireless Sensor Network, Internet of Things, Grey Wolf Optimize Algorithm, Self-Organizing Map Neural Network, Energy Consumption, Delay | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 22 تعداد دریافت فایل اصل مقاله: 20 |
||