دانلود ترجمه مقاله پیاده سازی خوشه بندی با انرژی کارآمد با استفاده از الگوریتم کرم شب تاب

1. مقدمه 1.2. خوشه بندی در شبکه حسگر بی سیم 2. تحقیقات مرتبط 3. مدل سیستم 3.1. مدل شبکه 3.2. مدل انرژی رادیویی 3.3. تشریح پروتکل 3.3.1. جذابیت و شدت نور 3.4. آماده سازی خوشه با استفاده از الگوریتم کرم شب تاب 4. نتایج شبیه سازی 5. نتیجه گیری

چکیده – شبکه حسگر بی سیم (WSN) فناوری بزرگ و بسیار جالب توجه با کاربردهای مختلف مانند نظارت بر شرایط غیر قابل دسترس در یک منطقه خاص می باشد. هر گره حسگر از یک باتری، فرستنده، گیرنده و پردازنده تشکیل شده است. امکان تعویض یا شارژ باتری در هر زمان وجود ندارد. بنابراین، حداکثر کردن طول عمر شبکه از طریق کاهش مصرف انرژی در همه گره های شبکه و تعادل بار، چالش های عمده در مطالعه پروتکل های مسیریابی در WSN می باشند. در این مقاله، خوشه بندی با انرژی کارآمد در شبکه های حسگر بی سیم با استفاده از الگوریتم کرم شب تاب در ایستگاه مبنا پیاده سازی شده است. یک تابع هزینه جدید برای حداقل کردن فاصله درون خوشه تعریف می شود تا مصرف انرژی شبکه بهینه سازی گردد. بهبود عملکرد با پروتکل های قبلی LEACH (سلسله مراتب خوشه بندی تطبیقی کم انرژی) و PSO-C (بهینه سازی متمرکز ازدحام ذرات) مقایسه می شود.

Wireless Sensor Network (WSN) is a major and very interesting technology employed in different applications like monitoring the inaccessible conditions in a specific area. Each sensor node consists of a battery, transmitter, receiver and a processor. Replacing or recharging the battery is not possible every time. Therefore maximizing the network lifetime by decreasing the energy consumption of the entire sensor nodes and load balancing are the main challenges in the research of the routing protocols in WSNs. In this paper, Energy efficient clustering for wireless sensor networks using Firefly algorithm is implemented at the base station. A new cost function has been defined to minimize the intra-cluster distance to optimize the energy consumption of the network. The improvement in performance is presented in comparison with the previous protocols LEACH (Low Energy Adaptive Clustering Hierarchy) and PSO-C (Centralized Particle Swarm Optimization).