دانلود ترجمه مقاله پروتکل خوشه بندی انرژی کارآمد مبتنی بر الگوریتم فراابتکاری بهبود یافته

1. مقدمه 2. کارهای مرتبط 3. الگوریتم فراابتکاری کلونی زنبور عسل مصنوعی (ABC) استاندارد 4. انواع ABC 5. مشارکت نویسنده 6. الگوریتم فراابتکاری کلونی زنبور عسل مصنوعی بهبودیافته (iABC) 7. Beecluster – الگوریتم خوشه بندی پیشنهادی 8. نتایج شبیه سازی و بحث و بررسی 9. نتیجه گیری

چکیده – خوشه بندی انرژی کارآمد یک مساله بهینه سازی NP-سخت به خوبی پذیرفته شده در شبکه های حسگر بی سیم (WSNها) است. پارادایم متنوعی از هوش محاسباتی (CI) از جمله الگوریتم های تکاملی (EA)، یادگیری تقویتی (RL)، سیستمهای ایمنی مصنوعی (AIS)، و الگوریتم فراابتکاری کلونی زنبورعسل مصنوعی (ABC) که اخیرا ارائه شده برای خوشه بندی انرژی کارامد در WSNها استفاده شده است. ABC به دلیل سهولت استفاده و ماهیت انطباقیش، نسبت به سایر الگوریتم های فراابتکاری، توجهات زیادی را برای حل مسائل بهینه سازی در WSN به خود جلب کرده است. با این حال، معادله جستجوی آن، که به لحاظ استخراج نسبتا ضعیف می باشد و نیازمند ذخیره سازی پارامترهای کنترلی خاص هست، در عدم کفایت آن نقش دارد. بنابراین ما یک الگوریتم فراابتکاری کلونی زنبورعسل مصنوعی بهبود یافته (iABC) را با یک معادله جستجوی راه حل بهبود یافته برای بهبود قابلیت های استخراج آن ارائه داده ایم. علاوه بر این، به منظور افزایش همگرایی سراسری الگوریتم فراابتکاری پیشنهادی، یک روش نمونه برداری جمعیت بهبود یافته از طریق توزیع student's-t معرفی شده است، که نیازمند تنها یک پارامتر کنترلی برای محاسبه و ذخیره هست، و از این رو کارآیی الگوریتم فراابتکاری پیشنهادی افزایش می یابد. الگوریتم فراابتکاری پیشنهادی، توازن خوبی را در بین قابلیت های جستجوی اکتشافی و استخراجی با حداقل الزامات حافظه، حفظ می کند، علاوه بر این، استفاده از توزیع student's-t فشرده نوع اول، آن را برای نیازهای سخت افزاری محدود WSN مناسب می کند. علاوه بر این، یک پروتکل خوشه بندی انرژی کارآمد مبتنی بر الگوریتم فراابتکاری iABC معرفی شده است، که قابلیت های فراابتکاری پیشنهادی را برای بدست آوردن رهبران خوشه بهینه (CHs) به ارث می برد و بهره وری انرژی را در WSN ها بهبود می بخشد. نتایج شبیه سازی نشان می دهد که پروتکل خوشه بندی پیشنهادی از پروتکل های شناخته شده دیگر که مبتنی بر تحویل بسته، گذردهی، مصرف انرژی، طول عمر شبکه و زمان تاخیر که معیارهای عملکردی هستند، عملکرد بهتری دارد.

Energy efficient clustering is a well accepted NP-hard optimization problem in Wireless sensor networks (WSNs). Diverse paradigm of Computational intelligence (CI) including Evolutionary algorithms (EAs), Reinforcement learning (RL), Artificial immune systems (AIS), and more recently, Artificial bee colony (ABC) metaheuristic have been used for energy efficient clustering in WSNs. Due to ease of use and adaptive nature, ABC arose much interest over other population-based metaheuristics for solving optimization problems in WSNs. However, its search equation, which is comparably poor at exploitation and require storage of certain control parameters, contributes to its insufficiency. Thus, we present an improved Artificial bee colony (iABC) metaheuristic with an improved solution search equation to improve its exploitation capabilities. Additionally, in order to increase the global convergence of the proposed metaheuristic, an improved population sampling technique is introduced through Student's − t distribution, which require only one control parameter to compute and store, hence increase efficiency of proposed metaheuristic. The proposed metaheuristic maintain a good balance between exploration and exploitation search abilities with least memory requirements, moreover the use of first of its kind compact Student's − t distribution, make it suitable for limited hardware requirements of WSNs. Further, an energy efficient clustering protocol based on iABC metaheuristic is introduced, which inherit the capabilities of the proposed metaheuristic to obtain optimal cluster heads (CHs) and improve energy efficiency in WSNs. Simulation results shows that the proposed clustering protocol outperforms other well known protocols on the basis of packet delivery, throughput, energy consumption, network lifetime and latency as performance metric.