ارائه یک مدل مبتنی بر شبکه‌های عصبی SOM و الگوریتم گرگ خاکستری برای کاهش تاخیر و مصرف انرژی در اینترنت اشیا

نویسندگان

1 گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه مهندسی برق و الکترونیک، واحد شهرقدس، دانشگاه آزاد اسلامی، شهرقدس، ایران

3 گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

doi
10.22075/jme.2024.32849.2600
چکیده

در بهینه‌سازی محیط اینترنت اشیا (IoT)، راهکارهایی برای مشکلات شبکه از جمله مقیاس‌پذیری، مسیریابی، امنیت، مصرف انرژی، طول عمر شبکه، تراکم، ناهمگونی و کیفیت خدمات ضروری است. در این راستا، استفاده از روش‌های پیشرو در مدیریت مصرف انرژی برای ارزیابی آن، حائز اهمیت است. پژوهش کنونی با خوشه‌بندی گره‌های شبکه حسگر بی‌سیم (WSN)، با ترکیب الگوی شبکه عصبی SOM و الگوریتم بهینه‌ساز گرگ خاکستری (GWO)، این مقوله را ارزیابی کرده است. در شبکه‌‌های حسگر، لایه شبکه مشکلات مسیریابی را مدیریت می‌کند. از آنجایی که انتقال رادیویی به مقدار قابل توجهی انرژی نیاز دارد، بررسی کارایی توان و بهینه‌سازی آن ضروری است. در نتیجه، حفظ انرژی یک نگرانی حیاتی در شبکه‌‌های حسگر بی‌سیم است. تحقیقات اخیر بر روی توسعه الگوریتم‌های مسیریابی متمرکز شده است که انرژی کمتری را در طول ارتباطات مصرف می‌کنند و در نتیجه عمر شبکه را طولانی‌تر می‌کنند. شبکه‌های حسگر بی‌سیم با گره‌های بازیابی انرژی از گره‌هایی استفاده می‌کنند که می‌توانند انرژی را از محیط خود استخراج کنند. روش SOM-GWO و الگوریتم مسیریابی انرژی آگاه در این پژوهش پیشنهاد و تحلیل شده است. مقایسه پروتکل‌‌های LEACH، HEED، SOM-LEACH، EESOM، با پروتکل پیشنهادی SOM-GWO مشخص نمود که طول عمر شبکه به ترتیب 20، 14.8، 12.5 و 3.8 درصد افزایش یافته است. علاوه بر این، روش پیشنهادی در مقایسه با سایر الگوریتم‌ها دارای کاهش 37.5، 33.3، 16.6 و 6.25 درصدی در میانگین مصرف انرژی است. با توجه به داده‌های به‌دست‌آمده از شبیه‌سازی، الگوریتم پیشنهادی در طول عمر شبکه، نسبت تحویل بسته، توان عملیاتی و اشغال بافر عملکرد بهتری دارد.