یک استراتژی شارژ چند هدفه تحت عدم قطعیت برای شبکه‌های حسگر قابل شارژ بی‌سیم از طریق بهینه¬سازی استقرار چند پهپاد به کمک الگوریتم فراابتکاری

محورهای موضوعی : مهندسی کامپیوتر و فناوری اطلاعات

پیمان حبیبی ¹ (گروه مهندسی برق، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران)
گوران  حسنی فرد ² (هیات علمی)
عبدالباقی قادرزاده ³ (گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران)
آریز  نصرت پور ⁴ (گروه مهندسی برق، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران)

تاریخ دریافت : 1402/09/18 تاریخ پذیرش : 1402/11/07 تاریخ انتشار : 1402/11/19

کلید واژه: استراتژی شارژ چندهدفه, شبکه‌های حسگر قابل شارژ بی‌سیم, پهپادهای قابل شارژ, K-means, الگوریتم شاهین¬هریس ,

چکیده مقاله :

در این مقاله، به ارائه یک رویکرد برنامه¬ریزی برای مسیر حرکت پهپادهای قابل شارژ و زمان¬بندی شارژ گره¬های حسگر تحت عدم قطعیت در میزان انتقال داده و مصرف انرژی در گره¬ها با کمک الگوریتم¬های شاهین¬ هریس و بهینه¬سازی مبتنی بر گرادیان پرداخته شده است. در این کار با در نظر گرفتن نابرابری¬ها و عدم قطعیت در محدودیت باتری و مصرف انرژی گره¬ها، استراتژی‌های زمان‌بندی جدید برای شبکه‌های حسگر قابل شارژ بی‌سیم به منظور افزایش توان عملیاتی شارژ و افزایش طول عمر شبکه ارائه شده است. در ابتدا با کمک اطلاعات موقعیت و انرژی باقیمانده گره¬ها، خوشه¬بندی گره¬ها به تعداد پهپادها توسط روش K-means ارائه شده است. سپس با توجه به تعریف تابع چندهدفه CUAV و به کمک الگوریتم¬های پیشنهادی، مسیریابی و زمان¬بندی شارژ هر یک از پهپادها از مبدا یکسان برنامه¬ریزی می¬شود. در تابع هدف تعریف شده تمام عدم قطعیت¬ها و نابرابری¬های شبکه برای تاخیر و مصرف انرژی و باتری گره¬ها لحاظ شده است. شبیه¬سازی تحت نرم¬افزار متلب انجام شد. نتایج نشان داد که روش پیشنهادی مبتنی بر روش بهینه¬سازی شاهین ¬هریس جواب¬های بهتری از لحاظ افزایش طول¬ عمر شبکه و کاهش تاخیر و بهینه¬سازی مصرف انرژی توسط پهپادها را حاصل کرده است.

چکیده انگلیسی:

Here, a planning approach for CUAVs movement path and charging schedule of sensor nodes under uncertainty in data transfer rate and energy consumption in nodes with the help of Harris Hawks Optimization (HHO) and gradient-based optimization (GBO) algorithms have been presented. By considering the inequalities and uncertainty in the battery limit and energy consumption of the nodes, we will achieve new scheduling strategies for WRSNs to increase the charging throughput and increase the network lifetime. Initially, with the help of information about the position and remaining energy of the nodes, clustering of the nodes into the number of drones has been done by the K-means method. According to the definition of the multi-purpose function of CUAV and with the help of the proposed algorithms, the routing and charging schedule of each of the drones is planned. In the defined objective function, all uncertainties and inequalities of the network are included for the delay and consumption of energy and battery of the nodes. The simulation was done under MATLAB software. The results showed that the proposed method based on HHO has achieved better solutions in terms of increasing the network lifetime and reducing the delay and optimizing energy consumption.

منابع و مأخذ:

[1] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci, "A survey on sensor networks," IEEE
Communications magazine, vol. 40, pp. 102-114, 2002. [2] G. V. Merrett, N. R. Harris, B. M. Al-Hashimi, and N. M. White, "Energy managed reporting for wireless
sensor networks," Sensors and Actuators A: Physical, vol. 142, pp. 379-389, 2008. [3] S. Guo, C. Wang, and Y. Yang, "Joint mobile data gathering and energy provisioning in wireless rechargeable
sensor networks," IEEE Transactions on Mobile Computing, vol. 13, pp. 2836-2852, 2014. [4] M. Angurala, M. Bala, and S. S. Bamber, "Performance analysis of modified AODV routing protocol with
lifetime extension of wireless sensor networks," IEEE Access, vol. 8, pp. 10606-10613, 2020. [5] E. F. Orumwense and K. Abo-Al-Ez, "A Charging Technique for Sensor Nodes in Wireless Rechargeable Sensor Networks for Cyber-physical Systems," in 2021 International Conference on Electrical, Computer and
Energy Technologies (ICECET), 2021, pp. 1-6. [6] Y. Hong, C. Luo, D. Li, Z. Chen, X. Wang, and X. Li, "Energy efficiency optimization for multiple chargers in
Wireless Rechargeable Sensor Networks," Theoretical Computer Science, 2022. [7] S. Liang, Z. Fang, G. Sun, C. Lin, J. Li, S. Li, et al., "Charging UAV deployment for improving charging performance of wireless rechargeable sensor networks via joint optimization approach," Computer Networks,
vol. 201, p. 108573, 2021. [8] S. Priyadarshani, A. Tomar, and P. K. Jana, "An efficient partial charging scheme using multiple mobile
chargers in wireless rechargeable sensor networks," Ad Hoc Networks, vol. 113, p. 102407, 2021. [9] Y. Dong, G. Bao, Y. Liu, M. Wei, Y. Huo, Z. Lou, et al., "Instant on-demand charging strategy with multiple
chargers in wireless rechargeable sensor networks," Ad Hoc Networks, vol. 136, p. 102964, 2022. [10] Q. Qian, J. OKeeffe, Y. Wang, and D. Boyle, "Practical Mission Planning for Optimized UAV-Sensor Wireless
Recharging," arXiv preprint arXiv:2203.04595, 2022. [11] Y. Dong, Y. Wang, S. Li, M. Cui, and H. Wu, "Demand‐based charging strategy for wireless rechargeable
sensor networks," ETRI Journal, vol. 41, pp. 326-336, 2019. [12] Y. Jia, W. Jiahao, J. Zeyu, and P. Ruizhao, "Multiple Mobile Charger Charging Strategy Based on Dual
Partitioning Model for Wireless Rechargeable Sensor Networks," IEEE Access, vol. 10, pp. 93731-93744, 2022. [13] M. Tian, W. Jiao, and J. Liu, "The charging strategy of mobile charging vehicles in wireless rechargeable
sensor networks with heterogeneous sensors," IEEE Access, vol. 8, pp. 73096-73110, 2020. [14] R. Kumar and J. C. Mukherjee, "On-demand vehicle-assisted charging in wireless rechargeable sensor
networks," Ad Hoc Networks, vol. 112, p. 102389, 2021. [15] J. Li, G. Sun, A. Wang, M. Lei, S. Liang, H. Kang, et al., "A many-objective optimization charging scheme for wireless rechargeable sensor networks via mobile charging vehicles," Computer Networks, vol. 215, p. 109196,
2022. [16] Y. Jiang, Q. Luo, Y. Wei, L. Abualigah, and Y. Zhou, "An efficient binary Gradient-based optimizer for feature
selection," Math. Biosci. Eng, vol. 18, pp. 3813-3854, 2021. [17] H.-P. Kriegel, E. Schubert, and A. Zimek, "The (black) art of runtime evaluation: Are we comparing
algorithms or implementations?," Knowledge and Information Systems, vol. 52, pp. 341-378, 2017. [18] A. A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, and H. Chen, "Harris hawks optimization: Algorithm
and applications," Future generation computer systems, vol. 97, pp. 849-872, 2019. [19] L. He, L. Kong, Y. Gu, J. Pan, and T. Zhu, "Evaluating the on-demand mobile charging in wireless sensor
networks," IEEE Transactions on Mobile Computing, vol. 14, pp. 1861-1875, 2014. [20] T. Zou, S. Lin, Q. Feng, and Y. Chen, "Energy-efficient control with harvesting predictions for solar-powered
wireless sensor networks," Sensors, vol. 16, p. 53, 2016.