شبکههای حسگر بیسیم متشکل از هزاران گره با انرژی باتری محدود هستند و مصرف بهینه انرژی گرههای حسگر یک چالش اساسی در این نوع از شبکههاست. خوشهبندی گرههای حسگر در دستههای مجزا و تبادل اطلاعات از طریق سرخوشهها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروت چکیده کامل
شبکههای حسگر بیسیم متشکل از هزاران گره با انرژی باتری محدود هستند و مصرف بهینه انرژی گرههای حسگر یک چالش اساسی در این نوع از شبکههاست. خوشهبندی گرههای حسگر در دستههای مجزا و تبادل اطلاعات از طریق سرخوشهها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروتکل مسیریابی مبتنی بر خوشهبندی جدید را به نام SFLCFBA ارائه میدهد. پروتکل پیشنهادی به طور بیولوژیکی از ویژگیهای جستجوی سریع و مؤثر الهامگرفته از الگوریتم قورباغه جهنده را که بر اساس رفتار غذایابی قورباغهها عمل میکند برای خوشهبندی گرههای حسگر استفاده میکند. در پروتکل پیشنهادی همچنین از منطق فازی به منظور محاسبه برازندگی گرهها، بر حسب دو معیار فاصله تا سینک و انرژی باقیمانده سطح باتری گره حسگر استفاده میشود. روش پیشنهادی در شبیهساز OPNET شبیهسازی شد و نتایج حاصل از شبیهسازی با پروتکل NODIC و استاندارد 4/15/802 IEEE مقایسه شدند. نتایج به دست آمده از شبیهسازی نشاندهنده عملکرد بهتر پروتکل پیشنهادی از نظر انرژی سطح باتری، نسبت سیگنال به نویز، تأخیر انتها به انتها و میزان بستههای تحویلشده به ایستگاه پایه یا سینک میباشد.
پرونده مقاله
استفاده از یک راهکار مسیریابی سلسلهمراتبی مبتنی بر تکنیکهای خوشهبندی و چاهک متحرک میتواند انرژی مصرفی در شبکههای حسگر بیسیم را به طرز قابل توجهی کاهش دهد. دو مسأله مهم در طراحی این راهکار سلسلهمراتبی، انتخاب حسگر شایستهتر به عنوان سرخوشه و نیز تخصیص بهینه چاهکه چکیده کامل
استفاده از یک راهکار مسیریابی سلسلهمراتبی مبتنی بر تکنیکهای خوشهبندی و چاهک متحرک میتواند انرژی مصرفی در شبکههای حسگر بیسیم را به طرز قابل توجهی کاهش دهد. دو مسأله مهم در طراحی این راهکار سلسلهمراتبی، انتخاب حسگر شایستهتر به عنوان سرخوشه و نیز تخصیص بهینه چاهکهای متحرک به مناطق بحرانی (یعنی مناطقی که ریسک ایجاد حفره انرژی در آنها بالا است) میباشد. از آنجایی که چاهکهای متحرک هزینه بالایی را به شبکه تحمیل میکنند، تعداد محدودی از آنها به کار گرفته میشوند. لذا تخصیص این تعداد محدود چاهک به شمار بالای درخواستهای واصلشده از نقاط بحرانی در دسته مسایل NP-hard است. بیشتر راهکارهای موجود با تطبیق یک روش تکاملی و اجرای آن توسط حسگرها سعی در حل این مسأله داشتهاند. این در حالی است که تکنولوژی به کار گرفته شده در طراحی حسگرهای امروزی و نیز منابع محاسباتی بسیار محدود آنها، اجراییشدن این روشها در شبکههای واقعی را دچار چالش میکند. به بیان دیگر، اجرای چنین ایدههایی از حد تئوری فراتر نمیرود. در نتیجه برای رسیدن به توازنی مناسب میان افزایش دقت و کاهش بار محاسباتی در مسیریابی مبتنی بر خوشهبندی چاهک متحرک یک روش نیمهمتمرکز بر اساس الگوریتم ژنتیک پیشنهاد میکنیم. در این روش، محاسبات سبکوزن از سنگینوزن جدا شده و اجرای دسته اول محاسبات بر عهده حسگرها و دسته دوم بر عهده ایستگاه پایه گذاشته میشود. اقدامات روبهرو در طراحی راهکار پیشنهادی انجام شده است: 1) انتخاب سرخوشه بر اساس پارامترهای تأثیرگذار محیطی و نیز تعریف تابع هزینه عضویت حسگر در خوشه، 2) مدلسازی ریاضی شانس یک ناحیه برای دریافت چاهک متحرک و 3) طراحی یک تابع برازش برای ارزیابی شایستگی هر تخصیص از چاهکهای متحرک به مناطق بحرانی در الگوریتم ژنتیک. در اقدامات اخیراً ذکرشده مینیممسازی تعداد و نیز طول پیامها مورد توجه قرار گرفته است. به طور خلاصه، مزیت مهم روش پیشنهادی امکان اجراییشدن آن در شبکههای حسگر واقعی (به دلیل جداسازی محاسبات سبکوزن از محاسبات سنگینوزن) در کنار ایجاد موازنهای مناسب میان اهداف تعریفشده است. نتایج شبیهسازی نشاندهنده بهبود در عملکرد روش پیشنهادی است.
پرونده مقاله
امروزه، خوشهبندی دادهها به دلیل حجم و تنوع دادهها بسیار مورد توجه قرار گرفته است. مشکل اصلی روشهای خوشهبندهای معمول این است که در دام بهینه محلی گرفتار میآیند. الگوریتمهای فراابتکاری به دلیل داشتن توانایی فرار از بهینههای محلی، نتایج موفقی را در خوشهبندی دادهه چکیده کامل
امروزه، خوشهبندی دادهها به دلیل حجم و تنوع دادهها بسیار مورد توجه قرار گرفته است. مشکل اصلی روشهای خوشهبندهای معمول این است که در دام بهینه محلی گرفتار میآیند. الگوریتمهای فراابتکاری به دلیل داشتن توانایی فرار از بهینههای محلی، نتایج موفقی را در خوشهبندی دادهها نشان دادهاند. الگوریتم بهینهسازی گرگ خاکستری از جمله این دسته الگوریتمها است که قابلیت بهرهبرداری خوبی دارد و در برخی از مسایل راه حل مناسبی ارائه داده است، اما اکتشاف آن ضعیف است و در بعضی از مسایل به بهینه محلی همگرا میشود. در این تحقیق برای بهبود خوشهبندی دادهها، نسخه بهبودیافتهای از الگوریتم بهینهسازی گرگ خاکستری به نام الگوریتم بهینهسازی چهارگرگ خاکستری ارائه شده که با استفاده از بهترین موقعیت دسته چهارم گرگها به نام گرگهای امگای پیشرو در تغییر موقعیت هر گرگ، قابلیت اکتشاف بهبود مییابد. با محاسبه امتیاز هر گرگ نسبت به بهترین راه حل، نحوه حرکت آن مشخص میشود. نتایج الگوریتم پیشنهادی چهارگرگ خاکستری با الگوریتمهای بهینهسازی گرگ خاکستری، بهینهسازی ازدحام ذرات، کلونی زنبور عسل مصنوعی، ارگانیسمهای همزیست و بهینهسازی ازدحام سالپ در مسأله خوشهبندی روی چهارده مجموعه دادگان ارزیابی شده است. همچنین عملکرد الگوریتم پیشنهادی با چند نسخه بهبودیافته از الگوریتم گرگ خاکستری مقایسه شده است. نتایج به دست آمده عملکرد قابل توجه الگوریتم پیشنهادی را نسبت به سایر الگوریتمهای فراابتکاری مورد مقایسه در مسأله خوشهبندی نشان میدهد. بر اساس میانگین معیار F روی تمام مجموعه دادگان، روش پیشنهادی 82/172% و الگوریتم بهینه ذرات 78/284% را نشان میدهد و در مقایسه با نسخههای بهبودیافته الگوریتم گرگ، الگوریتم EGWO که در رتبه بعدی است دارای میانگین معیار F برابر 80/656% میباشد.
پرونده مقاله
یک چالش مهم در شبکههای حسگر، جمعآوری داده با توجه به انرژی محدود گرهها است. استفاده از حسگرهای قابل شارژ برای جمعآوری اطلاعات و انتقال آنها به چاهک، مشکل محدودیت انرژی را تا حدی مرتفع مینماید. با توجه به نرخ پایین برداشت انرژی در گرههای قابل شارژ، مدیریت مصرف انرژ چکیده کامل
یک چالش مهم در شبکههای حسگر، جمعآوری داده با توجه به انرژی محدود گرهها است. استفاده از حسگرهای قابل شارژ برای جمعآوری اطلاعات و انتقال آنها به چاهک، مشکل محدودیت انرژی را تا حدی مرتفع مینماید. با توجه به نرخ پایین برداشت انرژی در گرههای قابل شارژ، مدیریت مصرف انرژی در این شبکهها امری ضروری است. الگوریتمهای موجود، جنبههای مهم جمعآوری آگاه به انرژی- شامل زمانبندی خواب گرهها، خوشهبندی و مسیریابی- را به صورت جامع بررسی نکردهاند و همچنین اکثر آنها از روشهای حریصانه و با کارایی پایین استفاده نمودهاند. در این مقاله، یک روش کارای مبتنی بر الگوریتم بهینهسازی ازدحام ذرات توسعهیافته به نام EDGR برای جمعآوری داده در شبکههای قابل شارژ ارائه شده است. در الگوریتم پیشنهادی، مسئله مورد نظر به سه مرحله زمانبندی خواب گرهها، خوشهبندی و مسیریابی، تقسیم گردیده و مراحل به ترتیب حل شدهاند. بر اساس نتایج شبیهسازی، الگوریتم EDGR مقدار متوسط و انحراف از معیار انرژی ذخیرهشده در گرهها و همچنین نرخ گمشدن بستهها را به مقدار قابل توجهي نسبت به روشهای پیشین بهبود داده است.
پرونده مقاله
امروزه شبکههای پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شدهاند و تشخیص انجمن در این شبکهها یکی از مهمترین مسائل در تحلیل آنها محسوب میشود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که میتواند درجه پیمانهایبودن هر انج چکیده کامل
امروزه شبکههای پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شدهاند و تشخیص انجمن در این شبکهها یکی از مهمترین مسائل در تحلیل آنها محسوب میشود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که میتواند درجه پیمانهایبودن هر انجمن را حداکثر نماید. روشهای تعبیه گراف یا یادگیری نمایش کمبعد از گرهها در گراف به علت قابلیت کاربردی گسترده آن در عملکرد شبکههای پیچیده پویا مانند تشخیص انجمن در شبکه، بسیار مورد توجه قرار گرفتهاند. در این مقاله، یک روش تعبیه گراف پویا مبتنی بر یادگیر عمیق پیشنهاد شده که گراف خروجی از مرحله تعبیه گراف را بهعنوان ورودی به مدل یادگیر جمعی میدهد تا با دقت قابل قبولی، انجمنها را در شبکه تشخیص دهد. همچنین یک الگوریتم حریصانه جدید به نام پیوند جمع برای بهینهسازی تابع هدف برای مجموعه دادههای مقیاس بزرگ در زمان بسیار کوتاه ارائه گردیده است. نشان داده شده که پارتیشن توافقی پیشنهادی نسبت به پارتیشنهای بهدستآمده از کاربرد مستقیم روشهای خوشهبندی جمعی رایج، به ساختارهای خوشهای واقعی نزدیکتر است. روش پیشنهادی بهدلیل استفاده از روش پیشپردازش مبتنی بر تعبیه گراف پیشنهادی و همچنین استفاده از روش خوشهبندی جمعی، توانسته کارایی مناسبی را در مقایسه با سایر روشهای رقیب از خود نشان دهد. نتایج تجربی آزمایشهای انجامشده حاکی از برتری روش پیشنهادی در مقایسه با روشهای رقیب است.
پرونده مقاله
ما در دنیایی زندگی میکنیم که وجود دوربینهای خانگی و قدرت رسانه باعث شده تا با حجم خیرهکنندهای از دادههای ویدئویی سر و کار داشته باشیم. مسلم است روشی که بتوان با کمک آن، این حجم بالای فیلم را با سرعت و بهینه مورد دسترسی و پردازش قرار داد، اهمیت ویژهای پیدا میکند. چکیده کامل
ما در دنیایی زندگی میکنیم که وجود دوربینهای خانگی و قدرت رسانه باعث شده تا با حجم خیرهکنندهای از دادههای ویدئویی سر و کار داشته باشیم. مسلم است روشی که بتوان با کمک آن، این حجم بالای فیلم را با سرعت و بهینه مورد دسترسی و پردازش قرار داد، اهمیت ویژهای پیدا میکند. با کمک خلاصهسازی ویدئویی این مهم حاصل شده و فیلم به یک سری فریم یا کلیپ کوتاه ولی بامعنی خلاصه میگردد. در این پژوهش سعی گردیده در ابتدا داده با کمک الگوریتم K-Medoids خوشهبندی شود؛ سپس در ادامه با کمک شبکه توجه گرافی کانولوشنالی، جداسازی زمانی و گرافی انجام گیرد و در گام بعدی با کمک روش ردکردن اتصال، نویزها و موارد تکراری حذف گردد. سرانجام با ادغام نتایج بهدستآمده از دو گام متفاوت گرافی و زمانی، خلاصهسازی انجام گیرد. نتایج به دو صورت کیفی و کمی و بر روی سه دیتاست SumMe، TVSum و OpenCv مورد بررسی قرار گرفت. در روش کیفی بهطور میانگین 88% نرخ صحت در خلاصهسازی و 31% میزان خطا دست یافته که به نسبت سایر روشها جزء بالاترین نرخ صحت است. در ارزیابی کمی نیز روش پیشنهادی، کارایی بالاتری نسبت به روشهای موجود دارد.
پرونده مقاله