دانلود ترجمه مقاله الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

 

 

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۳۲ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۴۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم با کارایی انرژی مبنی بر روشی فراابتکاری پیشرفته

عنوان انگلیسی مقاله:

Energy efficient clustering protocol based on improved metaheuristic in wireless sensor networks

 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۳۲ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article) 
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی فناوری اطلاعات، کامپیوتر و برق
گرایش های مرتبط با این مقاله مهندسی الکترونیک، شبکه های کامپیوتری، مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) مجله کاربردهای شبکه و کامپیوتر – Journal of Network and Computer Applications
کلمات کلیدی شبکه های حسگر بی سیم، خوشه بندی با حفظ بهره وری انرژی، فراتکاملی کلونی  مصنوعی
کلمات کلیدی انگلیسی Energy efficient clustering – Wireless sensor networks – improved Artificial bee colony (iABC) metaheuristic
ارائه شده از دانشگاه کاپورتاله، پنجاب، هند
نمایه (index) Scopus – Master journals – JCR
نویسندگان Palvinder Singh Mann، Satvir Singh
شناسه شاپا یا ISSN ISSN ۱۰۸۴-۸۰۴۵
شناسه دیجیتال – doi https://doi.org/10.1016/j.jnca.2017.01.031
ایمپکت فاکتور(IF) مجله ۷٫۰۹۲ در سال ۲۰۱۸
شاخص H_index مجله ۷۷ در سال ۲۰۱۹
شاخص SJR مجله ۰٫۹۰۳ در سال ۲۰۱۸
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۸
بیس است  
مدل مفهومی دارد  
پرسشنامه ندارد 
متغیر دارد  
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۰۰۵۰
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود در فایل ورد و PDF
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۴۰ صفحه (شامل ۲ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه نشده است 
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
منابع انتهای متن به صورت انگلیسی درج شده است  

 

فهرست مطالب

چکیده
۱- مقدمه
۲- کارهای مرتبط
۳- روش های فراتکاملی استاندارد الگوریتم کلونی زنبور عسل (ABC)
۳-۱- مرحله شروع به کار
۳-۲- مرحله به کارگیری زنبور کارگر
۳-۳- مرحله زنبور ناظر
۳-۴- مرحله زنبور دیده بان
۴- انواع الگوریتم ABC
۵- سهم نویسنده
۶- الگوریتم فراتکاملی بهبود یافته کولونی زنبور (iABC)
۶-۱- مرحله بهبود یافته آغاز به کار
۶-۲- معادله جستجوی بهبود یافته راهکار
۷- روش Beecluster- پروتکل پیشنهادی خوشه بندی
۷-۱- نشانه گذاری ها برای مدل شبکه
۷-۲- موقعیت بهینه BS
۷-۳- مرحله انتخاب بهینه CH
۷-۴- مرحله تشکیل خوشه
۷-۵- مرحله ارسال داده
۸- نتایج شبیه سازی و بحث
۹- نتیجه گیری
منابع

 

بخشی از ترجمه

چکیده

خوشه‌بندی در شبکه‌های حسگر بی‌سیم (WSN) با حفظ بهره‌وری انرژی یک مسئله بهینه‌سازی NP-hard است. برای طراحی مکانیزم‌های خوشه‌بندی با حفظ بهره‌وری انرژی در WSNها از حوزه‌های مختلف هوش محاسباتی (CI) از جمله الگوریتم‌های تکاملی (EA)، یادگیری تقویتی (RL)، سیستم‌های ایمنی مصنوعی (AIS) و جدیدتر از همه کلونی مورچه مصنوعی (ABC) استفاده شده است. به دلیل کاربرد آسان و ماهیت تطبیقی ABC، این الگوریتم از سایر الگوریتم‌های فرااکتشافی مبتنی بر جمعیت، محبوبیت بیشتری برای حل مسائل بهینه‌سازی در WSN پیدا کرده است. اما معادله جستجوی این الگوریتم که در اکتشاف نسبتاً ضعیف است و نیاز به ذخیره یک سری پارامتر کنترلی دارد، منجر به ناکارآمدی آن شده است. بنابراین ما یک الگوریتم فراتکاملی کلونی زنبور عسل بهبود یافته (iABC) را ارائه می‌دهیم که معادله جستجوی آن برای افزایش قابلیت‌های اکتشافی الگوریتم، بهبود یافته است. بعلاوه ما برای افزایش نرخ همگرایی سراسری متاهیوریستک پیشنهادی، یک تکنیک نمونه برداری جمعیتی پیشرفته از طریق توزیع تی – استیودنت ارائه می‌دهیم که فقط به محاسبه و ذخیره یک پارامتر کنترلی نیاز دارد و به همین دلیل بهره‌وری روش فراتکاملی پیشنهادی را افزایش می‌دهد. روش فراتکاملی پیشنهادی همزمان با داشتن حداقل میزان نیاز به حافظه، منجر به حفظ تعادل بین اکتشاف و بهره برداری می‌شود. بعلاوه استفاده از توزیع تی – استیودنت فشرده که برای اولین بار مطرح می‌شود، این الگوریتم را با نیازهای سخت‌افزاری محدود WSN مناسب کرده است. همچنین یک پروتکل خوشه‌بندی با بهره‌وری انرژی بر اساس روش فراتکاملی iABC معرفی می‌کنیم که از قابلیت‌های روش فراتکاملی ذکر شده برای پیدا کردن سرخوشه بهینه و بهبود بهره‌وری انرژی در WSN استفاده می‌کند. نتایج شبیه سازی‌ها نشان می‌دهد که پروتکل خوشه‌بندی پیشنهادی از نظر تحویل بسته‌ها، توان عملیاتی، مصرف انرژی، طول عمر شبکه و تاخیر (که به عنوان معیار کارایی در نظر گرفته شده) بهتر عمل می‌کند.

 

۹- نتیجه گیری

این مقاله روش فراتکاملی iABC را براساس اولین cPDF نوع Student-t خود و معادله جستجوی بهبود یافته راهکار الهام گرفته شده از DE به نام ABC/rand-to-opt/1 را به منظور بهبود قابلیت های بهره برداری و نرخ همگرایی فراتکاملی ABC ارائه می کند. به منظور نمایش بهبود، فراتکاملی پیشنهادی براساس توابع معیار تک و چند حالته با فراتکاملی استاندارد مورد ارزیابی قرار گرفته است. همچنین روش Beencluster پیشنهاد داده شده است که یک پروتکل خوشه بندی براساس فراتکاملی پیشنهادی برای شبکه های WSN است که CHهای بهینه را براساس معادله جستجوی بهبود یافته و یک تابع تناسب موثر انتخاب می کند. علاوه بر این، موقعیت بهینه BS از طریق ارزیابی تحلیلی معادلات انرژی در شبکه های WSN محاسبه شده است. در نهایت، عملکرد پروتکل پیشنهادی با پروتکل های برای اثبات اعتبار آن براساس معیارهای مختلف مقایسه شده است. نتایج شبیه سازی نشان می دهد که روش Beecluster تقریباً بین ۲۹ تا ۱۲۷ درصد انرژی کمتری نسبت به پروتکل های دیگر مصرف می کند و طول عمر شبکه را به میزان ۱۴ تا ۱۹ درصد افزایش می دهد و درعین حال بیشترین تعداد پکت را با حداقل تاخیر انتها به انتها در سناریوهای مختلف شبکه WSN تحویل می دهد. اهمیت موقعیت بهینه BS نیز با کاهش درصد در مصرف انرژی در طی تغییر مسافت با تعداد نودهای حسگر مورد تحلیل قرار گرفته است. پروتکل پیشنهادی می بایست در سناریو واقعی از نودهای حسگر پیاده سازی شود تا عملکرد واقعی آن ارزیابی شود.

 

بخشی از مقاله انگلیسی

Abstract

Energy efficient clustering is a well accepted NP-hard optimization problem in Wireless sensor networks (WSNs). Diverse paradigm of Computational intelligence (CI) including Evolutionary algorithms (EAs), Reinforcement learning (RL), Artificial immune systems (AIS), and more recently, Artificial bee colony (ABC) metaheuristic have been used for energy efficient clustering in WSNs. Due to ease of use and adaptive nature, ABC arose much interest over other population-based metaheuristics for solving optimization problems in WSNs. However, its search equation, which is comparably poor at exploitation and require storage of certain control parameters, contributes to its insufficiency. Thus, we present an improved Artificial bee colony (iABC) metaheuristic with an improved solution search equation to improve its exploitation capabilities. Additionally, in order to increase the global convergence of the proposed metaheuristic, an improved population sampling technique is introduced through Student0 s − t distribution, which require only one control parameter to compute and store, hence increase efficiency of proposed metaheuristic. The proposed metaheuristic maintain a good balance between exploration and exploitation search abilities with least memory requirements, moreover the use of first of its kind compact Student0 s − t distribution, make it suitable for limited hardware requirements of WSNs. Further, an energy efficient clustering protocol based on iABC metaheuristic is introduced, which inherit the capabilities of the proposed metaheuristic to obtain optimal cluster heads (CHs) and improve energy efficiency in WSNs. Simulation results shows that the proposed clustering protocol outperforms other well known protocols on the basis of packet delivery, throughput, energy consumption, network lifetime and latency as performance metric.

 

۹- Conclusions

This paper presents an iABC metaheuristic, based on first of its kind student’s-t cPDF and DE inspired improved solution search equation ABC/rand-to-opt/1, to improve exploitation capabilities a well as convergence rate of existing ABC metaheuristic. To demonstrate its improvement, we evaluated the proposed metaheuristic on scalable uni-modal and multi-modal benchmark functions with standard metaheuristic. Further, we proposed Beecluster, a clustering protocol based on the proposed metaheuristic for WSNs, which selects optimal CHs based on an improved search equation and an efficient fitness function. In addition to this , we calculated optimal position of BS, through analytical evaluation of energy equations in WSNs. At last we compare the performance of the proposed protocol with other protocols to prove its validness over various performance metrics. Simulation results show that Beecluster consumes approximately 29 % to 127% less energy as compared to other protocols and prolong network life approximately by 14 % to 19 % while delivering highest number of packets with minimum end-to-end delay in diverse WSNs scenarios. The significance of optimal BS position is also analysed with percentage reduction in energy consumption over varying distance with number of sensor nodes. Further, the proposed protocol needs to be implemented on real test bed scenario of sensor nodes, which are deployed to work on a real world application framework to judge its performance.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

الگوریتم خوشه‌بندی برای شبکه‌های حسگر بی‌سیم با کارایی انرژی مبنی بر روشی فراابتکاری پیشرفته

عنوان انگلیسی مقاله:

Energy efficient clustering protocol based on improved metaheuristic in wireless sensor networks

 

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا