Particle Swarm Optimization in Wireless-Sensor Networks: A Brief Survey

توضیحات

ABSTRACT

Wireless-sensor networks (WSNs) are networks of autonomous nodes used for monitoring an environment. Developers of WSNs face challenges that arise from communication link failures, memory and computational constraints, and limited energy. Many issues in WSNs are formulated as multidimensional optimization  problems, and approached through bioinspired techniques. Particle swarm optimization (PSO) is a simple, effective, and computationally efficient optimization algorithm. It has been applied to address WSN issues such as optimal deployment, node localization, clustering, and data aggregation. This paper outlines issues in
WSNs, introduces PSO, and discusses its suitability for WSN applications. It also presents a brief survey of how PSO is tailored to address these issues.

INTRODUCTION

WIRELESS-SENSOR networks (WSNs) are an emerging tech- nology  that has potential applications in  surveillance, environment and habitat monitoring, structural monitoring, healthcare, and disaster  management . A WSN monitors an environment by sensing its physical properties. It is a network of tiny,  inexpensive autonomous nodes that can acquire, process, and transmit sensory data over wireless medium. One or more powerful base stations serve as the final destination of the data. The properties of WSNs that  pose technical challenges include dense ad-hoc deployment, dynamic topology, spatial distribution, and  constrains in bandwidth, memory, computational resources, and energy.  WSN issues such as node  deployment, localization, energy-aware clustering, and data aggregation are often formulated as optimization problems. Traditional analytical optimization techniques require enormous computational efforts, which grow exponentially as the problem size increases. An optimization method that requires moderate memory and computational resources and yet produces good results is desirable, especially for implementation on an individual sensor node. Bioinspired optimization methods are computationally efficient alternatives to analytical methods. Particle swarm optimization (PSO) is a popular multidimensional optimization technique.  Ease of implementation, high quality of solutions, computational efficiency, and speed of convergence are strengths of the PSO. Literature is replete with applications of PSO in WSNs. The objective of this paper is to give a flavor of PSO to researchers in WSN and to give a qualitative  treatment of optimization problems in WSNs to PSO researchers in order to promote PSO in WSN applications.

چکیده

شبکه های حسگر بی سیم (WSNs) شبکه هایی از گره های مستقل هستند که برای نظارت بر محیط استفاده می شوند. توسعه دهندگان WSN ها با چالش هایی مواجه هستند که از شکست های ارتباطی، حافظه و محدودیت های محاسباتی و انرژی محدود است. بسیاری از مسائل در WSN ها به عنوان مسائل بهینه سازی چند بعدی به کار گرفته می شود و از طریق تکنیک های بیوفیزیکی به کار می روند. بهینه سازی ذرات ذرات (PSO) یک الگوریتم بهینه سازی ساده، موثر و محاسباتی کارآمد است. این برنامه برای حل مسائل WSN مانند استقرار بهینه، محلی سازی گره، خوشه بندی و جمع آوری داده ها اعمال شده است. این مقاله مسائل مربوط به WSN ها را مشخص می کند، PSO را معرفی می کند و مناسب بودن آن برای برنامه های WSN را مورد بحث قرار می دهد. این همچنین یک بررسی مختصر از چگونگی طراحی PSO برای حل این مسائل را ارائه می دهد.

مقدمه

شبکه های بی سیم حسگر (WSNs) یک تکنولوژی در حال ظهور است که دارای برنامه های بالقوه در نظارت، نظارت بر محیط زیست و زیستگاه، نظارت ساختاری، مراقبت های بهداشتی و مدیریت بحران است. یک WSN با کنترل خواص فیزیکی محیط را نظارت می کند. این یک شبکه گره های کوچک و ارزان است که می توانند داده های حسی را از طریق رسانه بی سیم دریافت، پردازش و انتقال دهند. یک یا چند ایستگاه پایه قوی به عنوان مقصد نهایی داده ها عمل می کنند. خواص WSN هایی که چالش های فنی را شامل می شوند عبارتند از: انعطاف پذیری ad-hoc، توپولوژی دینامیکی، توزیع فضایی و محدودیت در پهنای باند، حافظه، منابع محاسباتی و انرژی. مسائل WSN مانند استقرار گره، محلی سازی، خوشه بندی انرژی آگاه و جمع آوری داده ها اغلب به عنوان مشکلات بهینه سازی صورت می گیرد. تکنیک های بهینه سازی تحلیلی سنتی نیازمند تلاش های محاسباتی فراوانی است که با افزایش اندازه مشکل افزایش می یابد. یک روش بهینه سازی که نیاز به حافظه متوسط ​​و منابع محاسباتی دارد و نتایج خوبی تولید می کند، به ویژه برای اجرای گره حسگر فردی مطلوب است. روش های بهینه سازی Bioinspired جایگزین های کارآمد برای روش های تحلیلی هستند. بهینه سازی ذرات ذرات (PSO) تکنیک بهینه سازی چندبعدی محبوب است. سهولت اجرای، کیفیت بالا راه حل ها، کارایی محاسباتی و سرعت همگرایی، نقاط قوت PSO است. ادبیات با برنامه های PSO در WSNs تکمیل شده است. هدف از این مقاله این است که عطر و طعم PSO را به محققان WSN ارائه دهیم و یک روش کیفی در زمینه مسائل بهینه سازی در WSN ها را به محققان PSO جهت ارتقاء PSO در برنامه های WSN ارائه دهیم.

Year: 2014

Publisher : IEEE

By : Raghavendra V. Kulkarni , Ganesh Kumar Venayagamoorthy

File Information: English Language/ 6 Page / size: 282 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1393

ناشر : IEEE

کاری از :  Raghavendra V. Kulkarni , Ganesh Kumar Venayagamoorthy

اطلاعات فایل : زبان انگلیسی / 6 صفحه / حجم : KB 282

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود