پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 660 |
| تعداد مقالات | 9,647 |
| تعداد مشاهده مقاله | 68,705,920 |
| تعداد دریافت فایل اصل مقاله | 48,198,407 |
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 | ||
| دوره 23، شماره 82، مهر 1404، صفحه 65-83 اصل مقاله (886.32 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.32849.2600 | ||
| نویسندگان | ||
| مرتضی جابر عبید البو جاسم1؛ مهدی مزینانی* 2؛ عباس کوچاری1 | ||
| 1گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2گروه مهندسی برق و الکترونیک، واحد شهرقدس، دانشگاه آزاد اسلامی، شهرقدس، 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 Koochari1 | ||
| 1Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran | ||
| 2Department of Electrical and Electronic Engineering, ShQ.C., Islamic Azad University, Shahr-e Qods, 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 | ||
|
[1] Shende, Dipali K, S.S. Sonavane, and Yogesh Angal. "A comprehensive survey of the routing schemes for IoT applications." Scalable Computing: Practice and Experience 21, no. 2 (2020): 203-216. [2] Al-Karaki, Jamal N, and Ahmed E. Kamal. "Routing techniques in wireless sensor networks: a survey." IEEE Wireless Communications 11, no. 6 (2004): 6-28. [3] Cordina, Mario, and Carl J. Debono. "Increasing wireless sensor network lifetime through the application of SOM neural networks." In 2008 3rd International Symposium on Communications, Control and Signal Processing, pp. 467-471. IEEE, 2008. [4] Mirjalili, Seyedali, Seyed Mohammad Mirjalili, and Andrew Lewis. "Grey wolf optimizer." Advances in Engineering Software 69 (2014): 46-61. [5] Kulakov, Andrea, Danco Davcev, and Goran Trajkovski. "Application of wavelet neural-networks in wireless sensor networks." In Sixth International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing and First ACIS International Workshop on Self-Assembling Wireless Network, pp. 262-267. IEEE, 2005. [6] Oldewurtel, Frank, and Petri Mahonen. "Neural wireless sensor networks." In 2006 International Conference on Systems and Networks Communications (ICSNC'06), pp. 28-28. IEEE, 2006. [7] Merah, Malha, Zibouda Aliouat, and Mohamed Sofiane Batta. "A hybrid neural network and graph theory based clustering protocol for dynamic iot networks." In 2022 International Conference on Advanced Aspects of Software Engineering (ICAASE), pp. 1-7. IEEE, 2022. [8] Shen, Yan, and Xunbo Li. "Wavelet neural network approach for dynamic power management in wireless sensor networks." In 2008 International Conference on Embedded Software and Systems, pp. 376-381. IEEE, 2008. [9] Salcedo-Sanz, Sancho, and Xin Yao. "A hybrid Hopfield network-genetic algorithm approach for the terminal assignment problem." IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) 34, no. 6 (2004): 2343-2353. [10] Sing, Ranumayee, Sourav Kumar Bhoi, Niranjan Panigrahi, Kshira Sagar Sahoo, Nz Jhanjhi, and Mohammed A. AlZain. "A whale optimization algorithm based resource allocation scheme for cloud-fog based IoT applications." Electronics 11, no. 19 (2022): 3207. [11] Kumar, Sumit, Virender Kumar, Saket Kumar Choudhary, Alireza Salamat, and Rubén González Crespo. "Comparative study on ant colony optimization (ACO) and K-means clustering approaches for jobs scheduling and energy optimization model in internet of things (IoT)." IJIMAI 6, no. 1 (2020): 107-116. [12] Kumar, Sushil, Omprakash Kaiwartya, Manisha Rathee, Neeraj Kumar, and Jaime Lloret. "Toward energy-oriented optimization for green communication in sensor enabled IoT environments." IEEE Systems Journal 14, no. 4 (2020): 4663-4673. [13] Khosravi, Mohammad Reza, Mohammad Kazem Moghimi, and Habib Rostami. "A Review of Energy-Aware Routing Methods Based on Physical Partitioning in Dense Acoustic Sensor Networks and Underwater Internet of Things" Journal of Marine Science and Technology 25, no.4 (2021). (in Persian) [14] Sarlak, Amir, and Hossein Mohammadi Nejad. "Routing to Reduce Energy Consumption in the Internet of Things by PSOKHM Clustering." In Fourth International Conference on Interdisciplinary Research in Electrical Engineering, Computer Science, Mechanics, and Mechatronics in Iran and the Islamic World, Tehran, Iran, 2020. (in Persian) [15] Asgari, Maryam, Mahmoud Fathi, Mohammad Shahvardi, and Mahmoud Soheili Niyr. "An efficient method for reducing energy consumption in Internet of Things routing" In Electrical Engineering and Computer Engineering in Iran, Tehran, Iran, 2019. (in Persian) [16] Merah, Malha, Zibouda Aliouat, and Chafia Kara-Mohamed. "An energy efficient self organizing map based clustering protocol for iot networks." In 2022 IEEE 9th International Conference on Sciences of Electronics, Technologies of Information and Telecommunications (SETIT), pp. 197-203. IEEE, 2022. [17] Heinzelman, Wendi Rabiner, Anantha Chandrakasan, and Hari Balakrishnan. "Energy-efficient communication protocol for wireless microsensor networks." In Proceedings of the 33rd Annual Hawaii International Conference on System Sciences, pp. 10-pp. IEEE, 2000. [18] Younis, Ossama, and Sonia Fahmy. "HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networks." IEEE Transactions on Mobile Computing 3, no. 4 (2004): 366-379. [19] Nayak, Padmalaya, G.K. Swetha, Priyanka Kaushal, and D.G. Padhan. "Cluster formation algorithm in wsns to optimize the energy consumption using self-organizing map." In IoT and Analytics for Sensor Networks: Proceedings of ICWSNUCA 2021, pp. 11-22. Springer Singapore, 2022. | ||
|
آمار تعداد مشاهده مقاله: 220 تعداد دریافت فایل اصل مقاله: 132 |
||