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
طبقهبندی چندبرچسبی یکی از مسائل مهم در یادگیری ماشین است که کارایی الگوریتمهای این طبقهبندی با افزایش ابعاد مسأله به شدت کاهش مییابد. انتخاب ویژگی، یکی از راهکارهای اصلی برای کاهش ابعاد در مسائل چندبرچسبی است. انتخاب ویژگی چندبرچسبی یک راهکار NP Hard است و
تا کنون چکیده کامل
طبقهبندی چندبرچسبی یکی از مسائل مهم در یادگیری ماشین است که کارایی الگوریتمهای این طبقهبندی با افزایش ابعاد مسأله به شدت کاهش مییابد. انتخاب ویژگی، یکی از راهکارهای اصلی برای کاهش ابعاد در مسائل چندبرچسبی است. انتخاب ویژگی چندبرچسبی یک راهکار NP Hard است و
تا کنون تعدادی راهکار مبتنی بر هوش جمعی و الگوریتمهای تکاملی برای آن ارائه شده است. افزایش ابعاد مسأله منجر به افزایش فضای جستجو و به تبع، کاهش کارایی و همچنین کاهش سرعت همگرایی این الگوریتمها میشود. در این مقاله یک راهکار هوش جمعی ترکیبی مبتنی الگوریتم دودویی بهینهسازی ازدحام ذرات و استراتژی جستجوی محلی برای انتخاب ویژگی چندبرچسبی ارائه شده است. برای افزایش سرعت همگرایی، در استراتژی جستجوی محلی، ویژگیها بر اساس میزان افزونهبودن و میزان ارتباط با خروجی مسأله به دو دسته تقسیمبندی میشوند. دسته اول را ویژگیهایی تشکیل میدهند که شباهت زیادی به کلاس مسأله و شباهت کمتری به سایر ویژگیها دارند و دسته دوم
هم ویژگیهای افزونه و کمتر مرتبط است. بر این اساس، یک اپراتور محلی
به الگوریتم بهینهسازی ازدحام ذرات اضافه شده که منجر به کاهش ویژگیهای غیر مرتبط و افزونه هر جواب میشود. اعمال این اپراتور منجر به افزایش سرعت همگرایی الگوریتم پیشنهادی در مقایسه با سایر الگوریتمهای ارائهشده در این زمینه میشود. عملکرد روش پیشنهادی با شناختهشدهترین روشهای انتخاب ویژگی، بر روی مجموعه دادههای مختلف مقایسه گردیده است. نتایج آزمایشها نشان دادند که روش پیشنهادی از نظر دقت، دارای عملکردی مناسب است.
پرونده مقاله