KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi / 2020 / Cilt: 12 - Sayı: 3

Kablosuz Sensör Ağlarında Konum Belirlemede Parçacık Sürü Optimizasyonu, Yarasa Algoritması, Diferansiyel Gelişim Algoritması ve Ateşböceği Algoritması Yöntemlerinin Karşılaştırılması

Comparison of Particle Swarm Optimization, Bat Algorithm, Differential Evolution Algorithm and Firefly Algorithm Methods in Localization of Wireless Sensor Networks

Ahmet Sami DOĞRU
Tolga EREN
Sayfa
52–64
Yayın Tarihi
2020-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

KSA’ların kompleksliğine göre optimizasyon metotlarının verimi değişkenlik göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kablosuz sensör ağlarında konumlandırma birçok alanda her geçen gün önemli bir konu haline gelmektedir.
📊
Temel Bulgular & Veri:KSA’ların kompleksliğine göre optimizasyon metotlarının verimi değişkenlik göstermektedir.
💡
Sonuç & Katkı:Bu çalışmada sezgisel optimizasyon yöntemlerinden olan PSO, YA, DGA ve AA Matlab ortamında bir örnek düğüm dağılımına uygulanmış olup sonuçlar gözlemlenmiştir.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Parçacık sürü optimizasyonu · Yarasa algoritması · Diferansiyel gelişim algoritması

Özet

Kablosuz sensör ağlarında konumlandırma birçok alanda her geçen gün önemli bir konu haline gelmektedir. Askeri uygulamalar, acil yardım, coğrafi takip gibi uygulamalarda sensörlerin yerini hata payı en düşük ve hızlı bir şekilde bulmak çok önemlidir. Kablosuz sensör ağlarında (KSA), konum tespiti çok yönlü bir optimizasyon sorunu olarak belirtilmektedir. KSA’ların kompleksliğine göre optimizasyon metotlarının verimi değişkenlik göstermektedir. Bu çalışmada, Parçacık Sürü Optimizasyonu (PSO), Yarasa Algoritması (YA), Diferansiyel Gelişim Algoritması (DGA) ve Ateşböceği Algoritması (AA) yöntemleri KSA’larda konum belirleme sorununun çözülmesi hedefi ile kıyaslanmıştır. Önerilen yöntemler, doğada bulunan canlıların karakteristiğinden ilham alınarak keşfedilmiş optimizasyon yöntemleridir. Bu çalışmada sezgisel optimizasyon yöntemlerinden olan PSO, YA, DGA ve AA Matlab ortamında bir örnek düğüm dağılımına uygulanmış olup sonuçlar gözlemlenmiştir.

Abstract

Positioning in wireless sensor networks is becoming an important issue in many areas every day. It is very important to find the location of the sensors quickly and with low error rate in applications such as military applications, emergency assistance, geographic tracking. In wireless sensor networks (WSN), location detection is cited as a multidimensional optimization problem. The efficiency of optimization methods varies according to the complexity of WSN’s. In this article, Particle Swarm Optimization (PSO), Bat Algorithm (BA), Differential Evolution Algorithm (DEA) and Firefly Algorithm (FA) methods were compared with the goal of solving the positioning problem in WSN. The proposed methods are optimization methods that are inspired by the characteristics of living beings in nature. In this study, heuristic optimization methods PSO, BA, DEA and FA were applied to a sample node distribution in Matlab environment and the results were observed.

🔖

Bu Makaleye Atıf Yap

DOĞRU, A. S., EREN, T. (2020). Kablosuz Sensör Ağlarında Konum Belirlemede Parçacık Sürü Optimizasyonu, Yarasa Algoritması, Diferansiyel Gelişim Algoritması ve Ateşböceği Algoritması Yöntemlerinin Karşılaştırılması. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, Cilt: 12 - Sayı: 3, 52–64. https://ajindex.com/articles/889279

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Akyildiz IF, Su W, Sankarasubramaniam Y et al. Wireless sensor networks: a survey. Computer Networks 2002; 38(4): 393–422.
  2. Aspnes J, Eren T, Goldenberg D et al. A theory of network localization. IEEE Transactions on Mobile Computing 2006; 5(12): 1663–1678.
  3. Aloor, G. & Lillykutty, J. (2008). Localization in Wireless Sensor Networks using Particle Swarm Optimization, 2008 IET International Conference on Wireless, Mobile and Multimedia Networks, Beijing, 2008, pp. 227-230, doi: 10.1049/cp:20080185. Barak, N., Gaba, N. & Aggarwal, S. (2016). Localization of sensor nodes using modified particle swarm optimization in wireless sensor networks, 2016 Int. Conf. Adv. Comput. Commun. Informatics, ICACCI 2016, pp. 2608–2613, 2016.
  4. Bozkurt, N. (2015). Sinyal Alım Gücü Ağırlıklı Ortalamaya Dayalı Ağ Konumlandırması İçin Kablosuz Ağlarda Referans Düğümlerinin Yerleştirilmesi, Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği, 2015.
  5. Çetin, E. (2011). Rüzgar Enerjisi Dahil Olan Güç Sistemlerinde Ekonomik Yük Dağıtımı Probleminin Çözümü, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, 2011.
  6. Demirdelen, T. (2018). Kuru Tip Transformatör Optimizasyonuna Yeni Bir Yaklaşım: Ateş Böceği Algoritması, Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 33(1): 87-96, 2018.
  7. Doğru A.S., Temel B., Eren T. (2019). Kablosuz Sensör Ağlarında Konum Belirlemede Parçacık Sürü Optimizasyonu ve Yarasa Algoritması Yöntemlerinin Karşılaştırılması, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 11(3): 793-801, 2019
  8. Ekinci S. (2015). Power system stabilizer design for multi-machine power system using bat search algorithm, Sigma Mühendislik ve Fen Bilimleri Dergisi, 33(4): 627-637, 2015. Eren T., (2019). Conditions for Unique Localizability in Cooperative Localization of Wireless ad hoc and Sensor Networks. Cooperative Localization and Navigation: Theory, Research, and Practice: 31-48.
  9. Gao, C. (Ed.), Zhao, G. (Ed.), Fourati, H. (Ed.). Boca Raton: CRC Press.
  10. Eren T, The effects of random geometric graph structure and clustering on localizability of sensor networks, International Journal of Distributed Sensor Networks, vol. 13, no.12, pp. 1-14, 2017.
  11. Eren T, Graph invariants for unique localizability in cooperative localization of wireless sensor networks: rigidity index and redundancy index, Ad Hoc Networks, vol. 44, pp. 32-45, 2016. Eren T, “Cooperative localization in wireless ad hoc and sensor networks using hybrid distance and bearing (angle of