کاهش مصرف انرژی در ردیابی سوسک حنایی خرما با شبکه های حسگر بی سیم با استفاده از الگوریتم های تکاملی مبتنی بر طبیعت (الگوریتم مگس میوه و الگوریتم بهینه سازی گله شیرها)
محورهای موضوعی : هوش مصنوعی و رباتیک
شایسته طباطبائی
1
,
حسن نصرتی ناهوک
2
1 - هیات علمی دانشگاه
2 - دانشگاه سراوان
کلید واژه: خوشه بندي, شبکه هاي حسگر بي سيم, سوسک سرخرطومی, رديابي هدف, الگوریتم مگس میوه, الگوریتم گله شیرها.,
چکیده مقاله :
سوسک سرخرطومی خرما یکی از آفات جدی نخلستان‌ها است که به درختان خرما در سراسر جهان حمله کرده و موجب نابودی آن‌ها می‌شود. تشخیص و ردیابی اولیه این آفت برای جلوگیری از گسترش و کاهش آسیب‌های ناشی از آن بسیار حیاتی است. شبکه‌های حسگر بی‌سیم (WSN) به عنوان فناوری نویدبخش برای نظارت و شناسایی این آفت در مزارع خرما مطرح هستند. با این حال، WSNها با چالش‌های مختلفی از جمله محدودیت‌های انرژی، پهنای باند و منابع محاسباتی روبرو هستند. از این رو، نیاز به روش‌های کارآمد و هوشمند برای بهینه‌سازی عملکرد WSN در تشخیص و ردیابی این آفت احساس می‌شود. در این مقاله، روشی نوین برای ردیابی این آفت در شبکه‌های حسگر ارائه شده است که با ترکیب دو الگوریتم هوشمند، شامل الگوریتم مگس میوه و الگوریتم بهینه‌سازی گله شیرها، به خوشه‌بندی گره‌ها می‌پردازد و بدین ترتیب در مصرف انرژی باتری گره‌ها صرفه‌جویی می‌کند. نتایج شبیه‌سازی این روش نشان می‌دهد که در مقایسه با پروتکل LPOBC، پروتکل پیشنهادی عملکرد بهتری از نظر مصرف انرژی، تأخیر انتها به انتها و نرخ گذردهی دارد. به طور خاص، تأخیر انتها به انتها به میزان 28.286 درصد، نرخ گذردهی به میزان 13.80 درصد و میانگین انرژی مصرفی باتری به میزان 11.86 درصد بهبود یافته است.
The red palm weevil is one of the most serious pests threatening date palm groves worldwide, causing significant damage and even the destruction of palm trees. Early detection and tracking of this pest are critical to preventing its spread and minimizing the associated damage. Wireless Sensor Networks (WSNs) have emerged as a promising technology for monitoring and identifying this pest in date palm plantations. However, WSNs face various challenges, including limited energy, bandwidth, and computational resources. Therefore, efficient and intelligent methods are required to optimize WSN performance in detecting and tracking this pest. This paper proposes a novel approach that combines two intelligent algorithms—namely, the Fruit Fly Optimization Algorithm (FOA) and the Lion Swarm Optimization (LSO) algorithm—for node clustering in WSNs. The proposed method enhances energy efficiency by reducing the battery consumption of sensor nodes. Simulation results demonstrate that, compared to the LPOBC protocol, the proposed protocol outperforms in terms of energy consumption, end-to-end delay, and throughput. Specifically, end-to-end delay is reduced by 28.286%, throughput is improved by 13.80%, and average battery energy consumption is decreased by 11.86%.