مقایسه الگوریتم برنامه ریزی مسیر و مکان دهی مبتنی بر مقاوم سازی فاصله و مکان دهی بوسیله الگوریتم ژنتیک با MATLAB

 مقایسه الگوریتم برنامه ریزی مسیر و مکان دهی مبتنی بر مقاوم سازی فاصله و مکان دهی بوسیله الگوریتم ژنتیک با MATLAB

تکنولوژی مکان دهی گره امری مهم و حیاتی در کاربردهای مختلف از شبکه حسگر بیسیم می باشد و یکی از چالش های مهم در این شبکه ها به شمار می روند و در طی سالیان اخیر، روش ها و الگوریتم های مختلفی جهت برنامه ریزی مسیر در این شبکه ها طراحی و پیاده سازی شده اند. لازم است که هر ناوبر متحرک موقعیت جاری اش را در زمان های مختلف ارسال نماید که این امر ممکن است به دلیل بالا رفتن تعداد گره ها، جهت مکان دهی و استقرار گره ها در یک موقعیت زمان زیادی را طلب نماید. جهت حل این مشکل یعنی مکان دهی گره با زمان کمتر این مقاله و پیاده سازی به رویکری پیشنهادی به صورت الگوریتم مکان دهی محدوده باز (آزاد) پرداخته است که اصطلاحا آن را مکان دهی با ناوبر متحرک بر پایه سنجش فشرده (LMCS که مخفف شده Localization with Mobile Beacon based on Compressive Sensing است) نامیده ایم.

توضیحات بیشتر و تصاویر خروجی و در ادامه مطلب …

روش ایجاد وقفه قوی بر پایه مکان دهی در شبکه حسگر بیسیم می تواند برآورد مجموعه عضویت را انجام دهد که در آن حداکثر نقاط یا گره های دور از محدوده لازم و ضروری است که شناخته شوند و در واقع موقعیتی مناسب نیز برای آن ها در محدوده در نظر بگیریم. استفاده از این الگوریتم ها باعث تخمین در گره های شبکه حسگر بیسیم را در پی دارد که مجموعه ای از آن ها مکان صحیح یک حسگر را نشان می دهند و در پی آن باعث رضایت از ایده داده شده در این پروژه را شامل می شود.

این الگوریتم و اعمال آن باعث قوی شدن گره های دور افتاده از ناحیه را در پی خواهد داشت. مکان یابی در شبکه های حسگر بیسیم بر پایه الگوریتم ژنتیک فاصله بین گره (گره های لنگر) و گره ناشناخته (گره های دور از محدوده) که خارج از شعاع ارتباطی گره های لنگر است را تقریب می زند.

LMCS از CS یا سنجش فشرده استفاده می کند که این قابلیت را فراهم می آورد ه بتوان درجات حسگرهای بیسیم مرتبط و تمام نقاط ناوبر (چه متحرک چه غیر متحرک) را به دست آورد. این الگوریتم با توجه به درجه مرتبط گره های حسگر ارزش وزنی هر نقطه ناوبری برای مختصاتی که گره های زیادی در آن هستند، تصمیم می گیرد و مکان گره حسگر را تخمین می زند.

LMCA از همه گره ها جهت گوش کردن مستقیم به گره ناوبر سوال نمی کند و همین دلیل باعث می شود که روشی مناسب برای کاربردهای عملی نسبت به سایر الگوریتم های مکان دهی می باشد.

نتایج شبیه سازی نشان می دهد که روش LMCA نسبت به روش MAP یا حتی روش MDS-MAP کارایی بهتری در مکان دهی دارد و حتی در مکان هایی که محدوده رادیویی مناسب نیست و یا موانعی زیست محیطی وجود دارند بسیار کارا عمل می کند. این دلیل باعث شده است که الگوریتم LMCA یک روش کارا، موثر، اطمینان پذیر، پایا در زمینه مکان دهی باشد.