Wireless Sensor Network (WSN) is a major and very interesting technology, which consists of small battery powered sensor nodes with limited power resources. The sensor nodes are inaccessible to the user once they are deployed. Replacing the battery is not possible every time. Hence in order to improve the lifetime of the network, energy efficiency of the net- work needs to be maximized by decreasing the energy consumption of all the sensor nodes and balancing energy consumption of every node. Several protocols have been proposed earlier to improve the network lifetime using optimization algorithms. Firefly is a metaheuristic approach. In this paper, Energy efficient clustering for wireless sensor networks using Firefly and Jumper Firefly algorithms are simulated. A new cost function has been defined to minimize the intra- cluster distance to optimize the energy consumption of the network. The performance is compared with the existing protocol LEACH (Low Energy Adaptive Clustering Hierarchy).


翻译:无线传感器网络(WSN)是一项令人感兴趣的重要技术,由电力资源有限的小型电池动力传感器节点组成。一旦安装了传感器节点,用户便无法进入传感器节点。不能每次都更换电池。因此,为了改善网络的寿命,需要通过减少所有传感器节点的能源消耗和平衡每个节点的能源消耗来最大限度地提高网络的能源效率。早些时候已经提出了几项协议,以便利用优化算法改善网络寿命。消防是一种美术方法。在本文件中,模拟了使用Firefly和跳跃式火焰算法的无线传感器网络的节能组合。确定了一个新的成本功能,以最大限度地减少集群内的距离,优化网络的能源消耗。将绩效与现有的协议LACH(Low Econfrontive Grouping Hierarchy)进行比较。

0
下载
关闭预览

相关内容

[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
Arxiv
8+阅读 · 2019年2月15日
Feature Denoising for Improving Adversarial Robustness
Arxiv
15+阅读 · 2018年12月9日
Learning to Importance Sample in Primary Sample Space
Arxiv
3+阅读 · 2018年4月3日
VIP会员
相关VIP内容
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Top
微信扫码咨询专知VIP会员