چکیده فارسی :

خوشه بندی می تواند به جمع آوری اطلاعات توپولوژی و کاهش اندازه جداول مسیریابی در شبکه­ هاي adhoc تلفن همراه يا MANET کمک کند. برای رسیدن به عدالت و مصرف انرژی یکنواخت ، هر سر خوشه باید به طور ایده آل از تعداد يکساني از اعضای خوشه پشتیبانی کند. با این حال ، MANET یک سیستم پویا و پیچیده است و یکی از ویژگی های مهم آن دايناميک بودن اين نوع توپولوژي است ، یعنی تغییر توپولوژی شبکه با گذشت زمان به دلیل عواملی مانند حفظ و نگهداري انرژی(مثلا فاصله نودها از هم حداکثر چقد باشد تا انرژي کمتري مصرف شود که اين ميشه تابع هدف ما و بايد آپديت مختصات براي يافتن نقطه مطلوب صورت پذيرد و…) و حرکت گره. با این حال ، MANET یک سیستم پویا و پیچیده است و یکی از ویژگی های مهم آن دینامیک توپولوژی است ، یعنی تغییر توپولوژی شبکه با گذشت زمان به دلیل عواملی مانند حفظ انرژی و حرکت گره. بنابراین ، در یک MANET ، یک الگوریتم خوشه بندی موثر باید به طور مؤثر با هر تغییر توپولوژی سازگار باشد و بار جديد متعادل مجموعه سرخوشه ها را به سرعت تنظیم کند. حفظ ساختار خوشه باید با هدف پایدار ماندن آن تا حد امکان برای کاهش سربار باشد. برای برطرف کردن این نیاز ، راه حل جدید باید به همان اندازه خوب باشد قطعات موجود در راه حل قبلی که ممکن است. برای برطرف کردن این نیاز ، راه حل جدید باید خيلي از پارت ­هاي خوب از راه ­حل قبلي که ممکن است را نگهداري کند.

در این مقاله ، ابتدا مسئله خوشه­ بندي متعادل بار پويا (DLBCP) را به يک مسئله بهينه­ سازي پويا فرموله­ بندي مي­کنيم. سپس ، ما پیشنهاد می کنیم از یک سری يا دنباله ­اي از الگوریتم های ژنتیکی پویا (GAs) براي حل مشکل DLBCP در شبکه ­هاي MANET استفاده کنيد.

در اين الگوريتم ­هاي ژنتيکي پويا، هرکدامشان يک ساختار خوشه ­بندي امکان­پذير را نشان مي­دهند و سازگاري­شان بر اساس متريک(معيار) تعادل بار ارزيابي مي­شود. تکنيک­ هاي پوياي مختلفي براي کمک به تغييرات توپولوژيکي و راه ­حل ­هاي نزيک به کيفيت مناسب معرفي شده است.

نتايج تجربي نشان ­مي­دهد که اين الگوريتم ­هاي ژنتيک (GAs) مي­توانند به خوبي براي حل مسئله خوشه ­بندي متعادل بار پوبا (DLBCP) کار کنند و عملکرد بهتري نسبت به الگوريتم ­هاي ژنتيک سنتي که الزامات بهينه ­سازي شبکه ­هاي پويا را در نظر نمي­ گرفتند داشته باشند.

چکیده انگلیسی:

Clustering can help aggregate the topology information and reduce the size of routing tables in a mobile ad hoc network (MANET). To achieve fairness and uniform energy consumption, each clusterhead should ideally support the same number of clustermembers. However, a MANET is a dynamic and complex system and its one important characteristic is the topology dynamics, that is, the network topology changes over time due to the factors such as energy conservation and node movement. Therefore, in a MANET, an effective clustering algorithm should efficiently adapt to each topology change and produce the new load balanced clusterhead set quickly. The maintenance of the cluster structure should aim to keep it as stable as possible to reduce overhead. To meet this requirement, the new solution should keep as many good parts in the previous solution as possible. In this paper, we first formulate the dynamic load balanced clustering problem (DLBCP) into a dynamic optimization problem. Then, we propose to use a series of dynamic genetic algorithms (GAs) to solve the DLBCP in MANETs. In these dynamic GAs, each individual represents a feasible clustering structure and its fitness is evaluated based on the load balance metric. Various dynamics handling techniques are introduced to help the population to deal with the topology changes and produce closely related solutions in good quality. The experimental results show that these GAs can work well for the DLBCP and outperform traditional GAs that do not consider dynamic network optimization requirements.