کنترل مسیریابی چاهک‌های متحرک برای حداکثر کردن مقدار داده جمع‌آوری شده و طول عمر در شبکه‌های حسگر بی‌سیم زیرآب

نوع مقاله : علمی-پژوهشی

نویسنده

دانشکده فنی و مهندسی برق و کامپیوتر - دانشگاه آزاد اسلامی واحد اراک

چکیده

این مقاله یک مدل بهینه‌سازی برنامه‌ریزی صحیح خطی مختلط برای تعیین مسیر بهینه و مکان اقامت چاهک‌ها با توجه به مهلت زمانی و مصرف انرژی ارایه داده تا مقدار داده جمع‌آوری شده را در شبکه‌های حسگر بی‌سیم زیرآب حداکثر کند. حل این مساله در زمان چندجمله‌ای به دلیل متمرکز بودن امکان‌پذیر نیست. لذا برای حل این مساله، یک روش اکتشافی حریصانه و کاملا توزیع‌شده پیشنهاد شده تا مسیر و مکان اقامت چاهک‌ها را براساس حداکثر کردن مقدار داده‌های جمع‌آوری شده و نوع مهلت زمانی داده‌ها تعیین کند و تا زمانی‌که یک مکان، داده و انرژی داشته باشد، چاهک‌ها می‌توانند به‌طور مکرر به آنجا رفته و مقدار داده‌های جمع‌آوری شده را افزایش دهند. نتایج شبیه‌سازی روش‌های مختلف مسیریابی با مدل و الگوریتم پیشنهادی در شرایط شبکه‌های پراکنده و متراکم و مهلت‌های زمانی سخت و نرم نشان داده که مقدار داده جمع‌آوری شده حداقل 77 درصد بیشتر از روش‌های اکتشافی ‏غیرآگاهانه ‏TSP‏ و ‏LM‏ و 80 درصد بیشتر از روش ‏RS‏ است و مصرف انرژی حدود 45 درصد کمتر از روش TSP است و تاخیر انتها به انتها حدود 69 درصد کمتر از روش TSP است و بازدهی شبکه حدود 23 درصد بیشتر از روش TSP است.

کلیدواژه‌ها

عنوان مقاله [English]

Mobile Sink Routing Control to Maximize the Amount of Collected Data and Lifetime in Underwater Wireless Sensor Networks

نویسنده [English]

  • E. Kharati
Department of Computer Engineering, Faculty of Computer Engineering, Arak Branch, Islamic Azad University‎, Arak, Iran,
چکیده [English]

This paper presents a mixed linear programming optimization model for determining the optimal path and location of sinks with respect to dead time and energy consumption, in order to maximize the amount of collected data in underwater wireless sensor networks. Solving this problem in polynomial time is not possible due to be centralizing. So, to solve this problem, a heuristic and greedy and fully distributed algorithm are proposed to determine the movement of sinks and their location based on maximizing the amount of collected data and the type of dead time of data. As long as be in a place data and energy, sinks can be repeatedly traveled to increase the amount of collected data. By comparing and simulating different routing methods with proposed model and algorithm, the collected data in the proposed method for sparse and dense networks and in the soft and hard dead time is at least 77% higher than the unaware heuristic methods such as TSP and LM and is 80 percent more than the RS method, and the energy consumption is about 45% lower than the TSP method, and the end-to-end delay is about 69% less than the TSP method, and network efficiency is about 23% more than the TSP method.

کلیدواژه‌ها [English]

  • Underwater Wireless Sensor Networks
  • Mobility of Sink Controlled
  • Network Lifetime
  • Amount of Collected Data

مراجع

[1] E. Kharati, M. Khalily, H. Karmajani, “Increasing the Value of Collected Data and Reducing Energy Consumption by Using Network Coding and Mobile Sinks in Wireless Sensor Networks,” AUT Journal of Modeling and Simulation, doi: 10.22060/miscj.2019.15417.5133, 2019.
[2] E. Kharati, M. Khalily, H. Karmajani, “Optimized sink control to increase the lifetime of underwater wireless sensor networks,” Computer and Knowledge Engineering, https://doi.org/10. 76366/ cke.v1i2.60404, 2019.
[3] سیدهادی اقدسی و مقصود عباس‌پور، «الگوریتم توزیع‌شده جهت فراهم آوردن پوشش چندجانبه از هدف در شبکه‌های حسگر بصری»، مجله مهندسی برق دانشگاه تبریز، دوره 42، شماره 2، صفحه 63-53 ، 1392.
[4] محمود پرنده و سیدهادی اقدسی علمداری، «ارائه پروتکل ارسال داده انرژی-کارا مبتنی بر موقعیت برای شبکه‌های حسگر بصری»، مجله مهندسی برق دانشگاه تبریز، دوره 47، شماره 1، صفحه 38-29، 1396.
[5] F. Hanson, and S. Radic, “High bandwidth underwater optical communication,” Applied optics, vol. 47, no. 2, pp. 277-283, 2008.
[6] D. Anguita, D. Brizzolara, and G. Parodi, “Prospects and problems of optical diffuse wireless communication for underwater wireless sensor networks (UWSNs),” Wireless Sensor Networks: Application-Centric Design, pp. 275-300, 2010.
[7] S. Arnon, “Underwater optical wireless communication network,” Optical Engineering, vol. 49, no. 1, pp. 015001, 2010.
[8] J. Heidemann, M. Stojanovic, and M. Zorzi, “Underwater sensor networks: applications, advances and challenges,” Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 370, no. 1958, pp. 158-175, 2012.
[9] G. A. Hollinger, S. Choudhary, P. Qarabaqi, C. Murphy, U. Mitra, G. S. Sukhatme, M. Stojanovic, H. Singh, and F. Hover, “Underwater data collection using robotic sensor networks,” IEEE Journal on Selected Areas in Communications, vol. 30, no. 5, pp. 899-911, 2012.
[10] F. Tashtarian, M. H. Y. Moghaddam, K. Sohraby, and S. Effati, “On maximizing the lifetime of wireless sensor networks in event-driven applications with mobile sinks,” IEEE Transactions on Vehicular Technology, vol. 64, no. 7, pp. 3177-3189, 2014.
[11] S. Basagni, C. Petrioli, R. Petroccia, and D. Spaccini, “CARP: A channel-aware routing protocol for underwater acoustic wireless networks,” Ad Hoc Networks, vol. 34, pp. 92-104, 2015.
[12] M. Dong, K. Ota, A. Liu, and M. Guo, “Joint optimization of lifetime and transport delay under reliability constraint wireless sensor networks,” IEEE Transactions on Parallel and Distributed Systems, vol. 27, no. 1, pp. 225-236, 2015.
[13] A. Mehrabi, and K. Kim, “Maximizing data collection throughput on a path in energy harvesting sensor networks using a mobile sink,” IEEE Transactions on Mobile Computing, vol. 15, no. 3, pp. 690-704, 2015.
[14] C. Petrioli, R. Petroccia, J. R. Potter, and D. Spaccini, “The SUNSET framework for simulation, emulation and at-sea testing of underwater wireless sensor networks,” Ad Hoc Networks, vol. 34, pp. 224-238, 2015.
[15] Z. Fei, B. Li, S. Yang, C. Xing, H. Chen, and L. Hanzo, “A survey of multi-objective optimization in wireless sensor networks: Metrics, algorithms, and open problems,” IEEE Communications Surveys & Tutorials, vol. 19, no. 1, pp. 550-586, 2016.
[16] C. Abreu, F. Miranda, and P. Mendes, “Smart context-aware QoS-based admission control for biomedical wireless sensor networks,” Journal of Network and Computer Applications, vol. 88, pp. 134-145, 2017.
[17] P. Gjanci, C. Petrioli, S. Basagni, C. A. Phillips, L. Bölöni, and D. Turgut, “Path finding for maximum value of information in multi-modal underwater wireless sensor networks,” IEEE Transactions on Mobile Computing, vol. 17, no. 2, pp. 404-418, 2017.
[18] N. Javaid, S. Hussain, A. Ahmad, M. Imran, A. Khan, and M. Guizani, “Region based cooperative routing in underwater wireless sensor networks,” Journal of Network and Computer Applications, vol. 92, pp. 31-41, 2017.
[19] N. Sabor, S. Sasaki, M. Abo-Zahhad, and S. M. Ahmed, “A comprehensive survey on hierarchical-based routing protocols for mobile wireless sensor networks: review, taxonomy, and future directions,” Wireless Communications and Mobile Computing, vol. 2017, 2017.
[20] R. Logambigai, S. Ganapathy, and A. Kannan, “Energy–efficient grid–based routing algorithm using intelligent fuzzy rules for wireless sensor networks,” Computers & Electrical Engineering, vol. 68, pp. 62-75, 2018.
[21] C. Lv, Q. Wang, W. Yan, and J. Li, “A sparsity feedback-based data gathering algorithm for Wireless Sensor Networks,” Computer Networks, vol. 141, pp. 145-156, 2018.
[22]         I. L. Vasconcelos, I. C. Martins, C. M. Figueiredo, and A. L. Aquino, “A data sample algorithm applied to wireless sensor network with disruptive connections,” Computer Networks, vol. 146, pp. 1-11, 2018.
[23] Zhang. J, “Dynamic routing for data integrity and delay differentiated services in wireless sensor networks,” IEEE Transactions on Mobile Computing, vol. 14, pp. 328-343, 2014.
[24] A. Alsaafin, A. M. Khedr and Z. Aghbari, “Distributed trajectory design for data gathering using mobile sink in wireless sensor networks,” AEU-International Journal of Electronics and Communications, vol. 96, pp. 1-12, 2018‏.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار