يك الگوريتم تكاملي تركيبي كارآمد براي مسيريابي در شبكه‌هاي حسگر بي‌سيم زير آب

An efficient hybrid evolutionary algorithm for routing in underwater wireless sensor networks

سير تكاملي سريع تكنولوژي ارتباطات بي‌سيم، تكتيك‌هاي الكترونيكي، تكنولوژي سنسور و فن‌آوري‌هاي كامپيوتر باعث ترويج پژوهش در شبكه‌هاي حسگر بي‌سيم زير آب شده است. شبكه‌هاي حسگر بي‌سيم زير آب، نوع خاصي از شبكه‌هاي بي‌سيم است كه باعث دستاوردهاي زيادي در بهره‌وري از اقيانوس‌ها شده است. با توجه به ويژگي‌هاي ذاتي محيط آب، پروتكل‌هاي مسيريابي براي شبكه‌هاي حسگر زير آب با چالش‌هاي بسياري از قبيل، تاخير طولاني انتشار، نويز و مصرف انرژي بالا روبرو شده و به‌عنوان يكي از مسائل سخت شناخته مي‌شوند. الگوريتم‌هاي تكاملي الهام گرفته از طبيعت ايده مناسبي براي حل مسائل بهينه‌سازي سخت مي‌باشند. در اين مقاله يك الگوريتم تكاملي تركيبي مبتني بر الگوريتم ژنتيك و الگوريتم كلوني مورچگان براي مسيريابي در شبكه‌هاي حسگر بي‌سيم زير آب ارائه مي‌شود. براي ارزيابي روش پيشنهادي چند مجموعه داده تست معتبر تهيه شده و روش پيشنهادي با الگوريتم ژنتيك و كلوني مورچگان مقايسه شده است. نتايج به دست آمده نشان مي‌دهد كه روش پيشنهادي داراي عملكرد موثرتري نسب به الگوريتم‌هاي مورد مقايسه بر اساس معيار مصرف انرژي، كوتاهي مسافت و پيچيدگي زماني بوده است.

The rapid evolution of wireless communication technology, electronic techniques, sensor technology, and computer technologies has promoted research in underwater wireless sensor networks. Underwater wireless sensor networks are a special type of wireless networks that have made great strides in ocean productivity. Due to the inherent characteristics of the water environment, routing protocols for underwater sensor networks face many challenges, such as long propagation delay, noise, and high energy consumption, and are known as one of the NP-hard problems. Evolutionary algorithms inspired by nature are a good idea for solving hard optimization problems. In this paper, a hybrid evolutionary algorithm based on genetic algorithm and ant colony algorithm is presented for routing in underwater wireless sensor networks. To evaluate the proposed method, several valid test datasets have been prepared and the proposed method has been compared with the genetic algorithm and the ant colony algorithm. The obtained results show that the proposed method has a more effective performance compared to the compared algorithms based on the criteria of energy consumption, short distance and time complexity.