يك الگوريتم خوشه‌بندي چندهدفه تطبيقي مبتني بر حراج_پيش‌بيني براي رديابي هدف متحرك در شبكه‌هاي حسگر بي‌سيم‌

An Adaptive Multi-Objective Clustering Algorithm based on Auction_Prediction for Mobile Target Tracking in Wireless Sensor Network

رديابي اهداف متحرك يكي از كاربردهاي شبكه‌هاي حسگر است. در طراحي يك الگوريتم رديابيِ هدف متحرك دو مسأله كاهش انرژي مصرفي و بهبود كيفيت رديابي حايز اهميت است. يكي از راهكارهاي كاهش مصرف انرژي، تشكيل خوشه ردياب است و دو چالش مهم در تشكيل خوشه ردياب زمان و چگونگي تشكيل آن است. به منظور كاهش تعداد پيام‌هاي مبادله‌شده براي تشكيل خوشه ردياب، يك مكانيزم حراج تطبيق داده مي‌شود. پيشنهاد هر حسگر در حراج با هدف برقراري موازنه‌اي مناسب ميان طول عمر شبكه و دقت رديابي به صورت پويا و مستقل ارائه مي‌شود. از اين گذشته، از آنجايي كه خوشه ردياب مي‌بايست قبل از رسيدن هدف به ناحيه مورد نظر تشكيل شود (خصوصاً زماني كه سرعت هدف بالا است) جلوگيري از تأخير در تشكيل خوشه ردياب چالشي ديگر است. عدم توجه به چالش مذكور منجر به افزايش نرخ گمشدگي هدف و به تبع آن اتلاف انرژي مي‌شود. براي غلبه بر اين مشكل، پيش‌بيني موقعيت هدف در دو گام بعد توسط شبكه عصبي و تشكيل هم‌زمان خوشه‌هاي ردياب در يك و دو گام بعد را پيشنهاد مي‌دهيم. نتايج حاصل از شبيه‌سازي نشان‌دهنده عملكرد مناسب‌تر الگوريتم پيشنهادي در مقايسه با الگوريتم AASA است.

One of the applications of sensor networks is to track moving target. In designing the algorithm for target tracking two issues are of importance: reduction of energy consumption and improvement of the tracking quality. One of the solutions for reduction of energy consumption is to form a tracking cluster. Two major challenges in formation of the tracking cluster are when and how it should be formed. To decrease the number of messages which are exchanged to form the tracking cluster an auction mechanism is adopted. The sensor’s bid in an auction is dynamically and independently determined with the aim of establishing an appropriate tradeoff between network lifetime and the accuracy of tracking. Furthermore, since the tracking cluster should be formed and activated before the target arrives to the concerned region (especially in high speed of target), avoidance from delay in formation of the tracking cluster is another challenge. Not addressing the mentioned challenge results in increased target missing rate and consequently energy loss. To overcome this challenge, it is proposed to predict the target’s position in the next two steps by using neural network and then, simultaneously form the tracking clusters in the next one and two steps. The results obtained from simulation indicate that the proposed algorithm outperforms AASA (Auction-based Adaptive Sensor Activation).