دانلود رایگان ترجمه مقاله الگوریتم ژنتیک برای خوشه بندی و مسیریابی در شبکه های سنسور بی سیم (نشریه الزویر ۲۰۱۸)
این مقاله انگلیسی ISI در نشریه الزویر در ۳۰ صفحه در سال ۲۰۱۸ منتشر شده و ترجمه آن ۵۱ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
الگوریتم ژنتیک برای خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی در شبکه های سنسور بی سیم |
عنوان انگلیسی مقاله: |
Genetic Algorithm for Energy-Efficient Clustering and Routing in Wireless Sensor Networks |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | |
سال انتشار | ۲۰۱۸ |
تعداد صفحات مقاله انگلیسی | ۳۰ 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، فناوری اطلاعات و ارتباطات |
گرایش های مرتبط با این مقاله | کاربردهای ICT، سامانه های شبکه ای، شبکه های کامپیوتری، اینترنت و شبکه های گسترده، دیتا و امنیت شبکه |
چاپ شده در مجله (ژورنال) | مجله سیستم ها و نرم افزار – The Journal of Systems & Software |
کلمات کلیدی | شبکه های حسگر بی سیم، الگوریتم خوشه بندی، الگوریتم ژنتیک، بهره وری انرژی، چرخه عمر شبکه، مسیریابی |
کلمات کلیدی انگلیسی | wireless sensor networks – clustering algorithm – genetic algorithm – energy-efficiency – network life cycle – routing |
ارائه شده از دانشگاه | دانشکده فناوری اطلاعات، دانشگاه علوم پزشکی نانجینگ، چین |
نمایه (index) | Scopus – Master Journals – JCR |
شناسه شاپا یا ISSN | ۰۱۶۴-۱۲۱۲ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.jss.2018.09.067 |
ایمپکت فاکتور(IF) مجله | ۴٫۰۱۸ در سال ۲۰۱۹ |
شاخص H_index مجله | ۹۴ در سال ۲۰۲۰ |
شاخص SJR مجله | ۰٫۵۵۰ در سال ۲۰۱۹ |
شاخص Q یا Quartile (چارک) | Q2 در سال ۲۰۱۹ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | F1726 |
نشریه | الزویر – Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ترجمه ارزان – نقره ای ⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۵۱ صفحه (۳ 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 شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
ترجمه پاورقی | ندارد ☓ |
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 | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
کیفیت ترجمه | کیفیت ترجمه این مقاله پایین میباشد. |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده |
بخشی از مقاله انگلیسی |
Abstract Wireless sensor networks have been employed widely in various fields, including military, health care, and manufacturing applications. However, the sensor nodes are limited in terms of their energy supply, storage capability, and computational power. Thus, in order to improve the energy efficiency and prolong the network life cycle, we present a genetic algorithm-based energy-efficient clustering and routing approach GECR. We add the optimal solution obtained in the previous network round to the initial population for the current round, thereby improving the search efficiency. In addition, the clustering and routing scheme are combined into a single chromosome to calculate the total energy consumption. We construct the fitness function directly based on the total energy consumption thereby improving the energy efficiency. Moreover, load balancing is considered when constructing the fitness function. Thus, the energy consumption among the nodes can be balanced. The experimental results demonstrated that the GECR performed better than other five methods. The GECR achieved the best load balancing with the lowest variances in the loads on the cluster heads under different scenarios. In addition, the GECR was the most energy-efficient with the lowest average energy consumed by the cluster heads and the lowest energy consumed by all the nodes. ۱- Introduction Wireless sensor networks (WSNs) integrate sensor technology, embedded computing technology, distributed information processing technology, and communication technology. WSNs have been employed widely in various fields, including military, national defence, environmental monitoring, traffic management, health care, manufacturing, and disaster prevention applications [1]. In a WSN, the sensor nodes collaboratively collect and process environmental and physical information from the area covered by the network and send the information to observers [2]. A monitoring area often requires the deployment of a large number of sensor nodes, but the sensor nodes are limited in terms of their computational, storage, and communication capacities in order to reduce costs. For instance, Micaz [3] developed by CrossBow is a representative type of sensor node, which is equipped with an Atmegal28L microprocessor, CC2420 chip, 128 KB Flash, and 4 KB RAM. The sensor node is supplied with limited battery power and it is difficult to provide secondary energy to the nodes. Thus, network failure occurs after more than a certain percentage of the nodes die. Therefore, reducing the energy consumption of sensor nodes and prolonging the network life-cycle is the key challenge for WSNs. Previous studies have shown that the energy consumption required for transferring 1-bit is much more than that for processing 1-bit data [4]. Thus, reducing the transmitted or received data sizes for sensor nodes and optimizing data transmission routing between the nodes can effectively reduce the energy consumed by the network. Clustering algorithms [5] divide the network into multiple independent clusters, where each cluster comprises a cluster head (CH) node and multiple cluster member (CM) nodes. The CH node is responsible for receiving data from the CM nodes. By using effective data aggregation algorithms, the CH can remove redundant or incorrect data so the large amounts of collected data are merged into a small amount of meaningful information. Therefore, efficient clustering algorithms can reduce the data traffic and optimize the topology, thereby improving the energy efficiency of WSNs. |