توزیع متعادل مصرف انرژی در شبکه‌های حسگر بی سیم با استفاده از …

شکل ‏۳‑۳: پیغام‌دهی در فاز اول الگوریتم

فاز دوم

در این فاز زمانی، تمام گرههای شبکه به شناسایی محیط اطراف خود که به صورت تصادفی در آن قرار گرفتهاند، میپردازند. این فاز زمانی با پیغام تایمر دوم شروع میشود و گرههای حسگر شبکه هر کس به نوبه خود، پیغام سلام[۸۸] ایجاد میکند و با شعاع ارسال محدود به محیط اطراف خود میفرستد. هر گره که پیغام سلام گرهی دیگری را دریافت میکند آن را با یک پیغام تصدیق[۸۹] پاسخ میدهد. پیغام تصدیق نشاندهنده آن است که دو گره در محدوده نزدیک همدیگر قرار دارند. هر گرهای که پیغام تصدیق برای پیغام سلام خود دریافت کند؛ مقدار درجه پیوستگی در شبکه خود را یک واحد افزایش میدهد. در پایان متغیر درجه پیوستگی در شبکه برای هر گره در این فاز زمانی مشخص شده است.
پیغامهای این فاز زمانی شامل پیغام تایمر دوم، پیغام سلام و پیغام تصدیق سلام است که در شکل ۳-۴ ملاحظه میکنید.
شکل ‏۳‑۴: پیغامدهی در فاز دوم الگوریتم

برای دانلود متن کامل این پایان نامه به سایت  jemo.ir  مراجعه نمایید.

فاز سوم

در این فاز زمانی، که با پیغام تایمر سوم شروع میشود گرههای دستیار که از قبل مشخص شدهاند، شروع به گرفتن اعضا برای خوشهی خود و جمعآوری اطلاعات اولیه گرههای در برد خود میکنند. و به این شکل خوشهها تشکیل میشود. هر گره که پیغامی از گرهی دستیار اطراف خود دریافت کند، اگر تا آن زمان عضو خوشهای نشده باشد و این اولین پیغام از طرف گره دستیاری به او باشد. عضو خوشهای میشود که گره دستیار نماینده اوست و اطلاعات خود را که شامل اطلاعات مکان، سطح انرژی، درجه پیوستگی و تعداد دفعاتی است که سرخوشه شده است؛ را به گره دستیار فرستنده پیام میفرستد.
پیغامهای تایمر سوم، دستیار برای تشکیل خوشه و پیغام اطلاعات گرهها در جواب پیغام دستیارها پیغامهایی هستند که در این فاز زمانی بین گرههای شبکه رد و بدل میشوند. شکل ۳-۵ نشان دهنده پیغامهای این فاز زمانی است.
شکل ‏۳‑۵: پیغامدهی در فاز سوم الگوریتم

فاز چهارم

این فاز زمانی که با پیغام تایمر چهارم شروع میشود فاز اصلی دوره زمانی است و در آن ابتدا در گرههای دستیار الگوریتم کوچ پرندگان برای انتخاب سرخوشه بهینه اجرا میشود. گره دستیار مشخصات گرهی سرخوشه انتخاب شده به اطلاع اعضای خوشه میرساند. سپس گره سرخوشه مدیریت خوشه را بر عهده میگیرد و گرههای دیگر را که قابلیت این را دارند که عضو خوشه شوند را به خوشه اضافه میکند و پس از آن گرهها شروع به ارسال دادههایی که از محیط حس کردهاند میکنند. گرههای حسگر پیغامهای دادهای[۹۰] خود را به سرخوشهی خود میفرستند و گرهی سرخوشه پس از جمعآوری و فشردهسازی آنها را برای سینک اطلاعات یا دیگر گره سرخوشهی نزدیک به سینک میفرستد. گرههای حسگر دادههای خود را با برد کم و مصرف انرژی کمتر برای سرخوشهی خود ارسال میکنند و گرهی سرخوشه مسئول ارسال این اطلاعات به سینک است که در فاصله بیشتری قرار دارد. به همین دلیل مصرف انرژی سرخوشه بیشتر است و مصرف انرژی در دیگر گرههای شبکه و در نتیجه کل شبکه کاهش مییابد.
همانطور که در شکل ۳-۶ مشاهده میکنید پیغامهایی که در این فاز زمانی بین گرههای شبکه رد و بدل میشود شامل پیغام تایمر چهارم برای شروع فاز، پیغام دستیارها برای مشخص کردن سرخوشه در شبکه، پیغام عضوگیری نهایی سرخوشهها برای خوشه و پیغامهای داده است.
شکل ‏۳‑۶: پیغامدهی در فاز چهارم الگوریتم
الگوریتم طوری طراحی شده است که در هر دور زمانی کل فرایند کاری تکرار میشود. الگوریتم برای شبکههای حسگری که در آنها حسگرها متحرک هستند نیز مناسب است.
برای بررسی شبکه حسگر بیسیم متحرک نیاز داریم یک مدل حرکت انتخاب کنیم.

مدلهای حرکت

مدلهای حرکت به دستههای مختلفی تقسیم میشوند. دو دسته اصلی برای مدلهای حرکت، ردگیری[۹۱] و ساختگی[۹۲] است. در مدلهای ردگیری الگوی حرکت یک الگوی حرکتی ضبط شده واقعی از محیط حقیقی در مورد مسئله خاصی است. مدلهای ردگیری اطلاعات دقیقی را فراهم میکنند. بهویژه برای زمانهایی که تعداد زیادی عامل در محیط است و یا دورهی ضبط کردن طولانی است. اما برای محیطهای جدید( مانند شبکههای بیسیم) این دسته از مدلهای حرکتی مناسب نیستند زیرا معمولا تازه ایجاد شدهاند و از قبل وجود ندارند که رفتار آنها ضبط شده باشد.
دستهی دوم از مدلهای حرکتی مورد استفاده، مدلهای حرکتی ساختگی هستند، که سعی میکنند رفتار واقعی عوامل را در محیط واقعی تقلید کنند.
شبکههای بیسیم معمولا از مدلهای حرکتی ساختگی جهت آزمایش استفاده میکنند. در ادامه بعضی از مدلهای حرکتی ساختگی را شرح کوتاهی میدهیم.
مدلهای حرکتی ساختگی به دو دسته گروهی و فردی تقسیم میشوند. در دسته گروهی عاملها به صورت گروهی حرکت میکنند. و در دسته فردی هر عامل به صورت منحصر به فرد بر اساس الگوی حرکتی نوشته شده حرکت میکند.

مدل حرکتی پیادهروی تصادفی

در این مدل یک عضو شبکه از یک مکان به مکان دیگر تغییر مکان میدهد که این مکان جدید بر حسب جهت و شتاب تصادفی انتخاب میشود. انتخاب سرعت تصادفی از بین سرعت کمینه و سرعت بیشینه از قبل تعیین شده است. و جهت انتخابی از بین ۰ تا ۲π است.
نمونههای دیگری از این مدل نوشته شده است که در آن حرکت در جهتی خاص به اندازه زمان تصادفی t ادامه پیدا میکند و یا به طول مسیر D این جهت حرکت ادامه پیدا میکند.
مدل حرکتی پیاده روی تصادفی یک مدل حرکتی بدون حافظه است زیرا عاملها هیچ دانشی از مکان و سرعت قبلی خود ندارند. سرعت و جهت عاملها مستقل از سرعت و جهت گذشته است. این ویژگی می تواند باعث حرکات غیرواقعی مانند توقفهای ناگهانی و چرخش نوک تیز شود شکل ۳-۷٫
.
شکل ‏۳‑۷: مدل حرکتی پیادهروی تصادفی با زمان تصادفی t[52]
در شکل۳-۷ مدل حرکتی پیادهروی تصادفی را برای زمانی نشان میدهد که فرض کردیم هر عامل مقدار زمان تصادفی t را در همان مسیر انتخابی میماند. مقدار زمان تصادفی t نیز حد کمینه و بیشینه دارد.
شکل ‏۳‑۸: مدل پیادهروی تصادفی با مسافت پیمایشی d در مسیر انتخابی[۵۲]
برد حرکتی اعضای شبکه با توجه به تنظیم حداکثر فاصله و زمان در ابتدا و نقطه شروع حرکت اعضا قابل تغییر است شکل ۳-۸٫

مدل حرکتی ایستگاه تصادفی

این مدل حرکتی مانند مدل حرکتی پیادهروی تصادفی است با این شرط که شامل مکث زمانی در جهت یا سرعت میشود.
اعضای شبکه با ماندن در یک محل برای دوره زمانی شروع میکنند و پس از تمام شدن دوره زمانی یک قسمت را به صورت تصادفی به عنوان مقصد انتخاب میکنند و با سرعتی بین سرعت کمینه و سرعت بیشینه (که به صورت تصادفی بر حست توزیع یکنواخت انتخاب شده است.) به طرف آن حرکت میکنند. اگر فاز مکث زمانی t برابر با ۰ باشد مدل ایستگاه تصادفی مانند مدل پیادهروی تصادفی است.[۵۲]
شکل ‏۳‑۹: مدل حرکتی ایستگاه تصادفی[۵۲]
این مدل حرکت بسیار پر استفاده است. مدل حرکتی معرف خوبی برای حرکت اعضا در محیط واقعی نمیتواند باشد زیرا مقدار همسایگی اعضا در ۶۰۰ ثانیه اول شبیهسازی بسیار متغیر است. شکل۳-۱٫
شکل ‏۳‑۱۰: متوسط همسایگی عاملها در مدل حرکتی ایستگاه تصادفی[۵۲]
این مدل حرکتی را به عنوان نمونه از مدلهای حرکتی پایهای معروف به عنوان الگوریتم حرکتی پیادهسازی کرده و بر روی شبکه حسگر بیسیم متحرک اعمال کردیم و نتایج آن را بررسی کردیم.

مدل حرکتی امتداد تصادفی

در مدلهای حرکتی قبلی تراکم جمعیتی عاملها در مرکز و وسط محیط شبیهسازی بیشتر از مناطق کنارههای محیط بود. در مدل حرکتی امتداد تصادفی هر عامل یک مسیر انتخاب شده که آن را تصادفی انتخاب کرده است، تا لبههای انتهایی شبکه ادامه میدهد. این نحوه تعریف باعث میشود که تراکم عاملها در مرکز شبکه کم شود و در لبههای انتهایی شبکه افزایش یابد. شکل۳-۱۱٫
شکل ‏۳‑۱۱: مدل حرکتی امتداد تصادفی

مدل حرکتی جامع منطقه شبیه سازی[۹۳]

در مدل حرکتی جامع منطقه شبیهسازی یک رابطه بین جهت و سرعت قبلی انتخاب شده برای حرکت با انتخابهای حال وجود دارد که باعث میشود اعضای شبکه به حرکت قبلی خود مقید شوند. برای نشان دادن حرکت هر یک از اعضا به وسیله دو پارامتر جهت حرکت و سرعت نشان داده میشود. فرمول به روز رسانی سرعت، جهت و موقعیت بر حسب گام زمانی Δt به شکل زیر است: