توصيفگر ها :
شبكه حسگرهاي بيسيم , كنترل توان ارسال , مهاجرت در كانال , يادگيري تقويتي
چكيده فارسي :
شبكه حسگرهاي بيسيم بهعنوان يكي از فناوريهاي مهم و فراگير، نقش كليدي در كاربردهايي مانند خودروهاي خودران، جراحي از راه دور و كنترل دستگاههاي صنعتي ايفا ميكند. استفاده گسترده از اين فناوري باعث شده تا انواع شبكه با استانداردها و پروتكلهاي ارتباطي مختلف، تدوين و استفاده شود. يك شبكه حسگر بيسيم از تعدادي گره و پيوند ارتباطي تشكيل شده است كه اين گرهها در ابعاد و تعداد مختلف، از طريق پيوندهاي ارتباطي با يكديگر به تبادل اطلاعات ميپردازند.
در شبكه حسگرهاي بيسيم، به دليل مشترك بودن بستر ارتباطي با ديگر فرستنده و گيرندههاي موجود در شبكه، داشتن يك ارتباط قابل اطمينان به يك چالش بزرگ تبديل شده است. از طرف ديگر، وجود اثراتي مانند محوشدگي چند مسيره و اثر افت مسير، به پيچيدگي ارتباط اين نوع شبكه، افزوده است. يك ارتباط قابل اطمينان به ارتباطي گفته ميشود كه بتواند در شرايط محيطي مختلف با تغييرات گوناگون، با حداقل تاخير و از دست رفتن داده، به تبادل اطلاعات بپردازد.
براي داشتن يك شبكه حسگر بيسيم قابل اطمينان، تا كنون رويكردها و مكانيزمهاي گوناگوني معرفي و پياده سازي شده است. يكي از مهمترين رويكردهاي موجود، كنترل توان ارسال در گرههاي فرستنده است. توان ارسال به مقدار انرژي الكترومغناطيسي گفته ميشود كه يك گره براي ارسال داده مصرف ميكند. توان ارسال در گرههاي مختلف متفاوت است و ميتواند مقادير مختلفي داشته باشد. افزايش توان ارسال با احتمال دريافت داده توسط گيرنده و مصرف انرژي در گره فرستنده، رابطه مستقيم دارد.
با توجه به كاربرد بسياري از شبكههاي حسگر بيسيم، از باتري به عنوان منبع تامين كننده انرژي در آنها استفاده ميشود. در نتيجه، به علت محدود بودن منبع انرژي، نميتوان پيامها را با حداكثر توان ممكن ارسال كرد. همچنين، ارسال با توان بالا باعث ايجاد ازدحام در شبكه، گم شدن بستههاي گرههاي ديگر و افزايش مصرف انرژي در ديگر گرهها ميگردد، كه در نتيجه، از عمر شبكه و قابليت اطمينان آن كاسته ميشود. از طرف ديگر، در زمانهايي كه اختلالات فركانسي و تغييرات محيطي دائمي در شبكه افزايش يابد، كنترل توان ارسال نميتواند به تنهايي عملكرد شبكه را بهبود دهد و نياز است كه شبكه به كانال فركانسي ديگري مهاجرت كند. با درنظر گرفتن تمامي اين موارد، وجود يك رويكرد پويا در كنترل توان ارسال براي هر گره به صورت تطبيقي به همراه مهاجرت در كانال، يك امر حياتي براي بقاء يك شبكه حسگر بيسيم محسوب ميشود. كنترل توان تطبيقي به روشي گفته ميشود كه بتواند براي هر گره در شبكه به صورت پويا و با توجه به تغييرات شبكه، بهترين توان ارسال ممكن را انتخاب نمايد تا ضمن كنترل مصرف انرژي و افزايش طول عمر گره، قابليت اطمينان شبكه را نيز افزايش دهد.
در همين راستا، در اين پژوهش به معرفي و بررسي رويكرد كنترل توان ارسال به صورت تطبيقي به همراه مهاجرت در كانال پرداخته ميشود. در اين رويكرد از علم يادگيري تقويتي براي انتخاب توان ارسال مناسب براي هر گره استفاده شده است تا هر گره بتواند با استفاده از روند يادگيري كه از محيط داشته، بهترين توان ارسال را به صورت پويا پيشبيني كند. تركيب اين روش با مهاجرت در كانال باعث شده كه بتوان از آن به عنوان يك رويكرد كاربردي ياد كرد. با بررسي نتايج حاصل در آزمايشهاي انجام شده براي اين رويكرد و مقايسه آن با حالت ايدهآل و يكي از روشهاي پايه كنترل توان، ميتوان مشاهده نمود كه ضمن انتخاب توان ارسال مناسب در محيط پويا، مصرف انرژي هر گره در طولاني مدت نسبت به حالت پايه، به مقدار ايدهآل نزديكتر شده و دادهها در گرههاي مختلف با نرخ موفقيت بالاتري توسط گيرنده دريافت ميشوند. در ارزيابيهاي انجام شده، نرخ دريافت بسته در گرههاي مختلف بين 2 تا 8 درصد نسبت به روش پايه بهبود داشته و در مدت طولاني، مصرف انرژي بسيار پايينتري را از خود نشان داده است.
چكيده انگليسي :
Wireless sensors network, as a key and widespread technology, play a crucial role in applications such as autonomous vehicles, remote surgery, and industrial device control. The extensive use of this technology has led to the development and adoption of various network types with different communication standards and protocols. A wireless sensor network consists of multiple nodes and communication links, where nodes—varying in size and number—exchange information through these links.
In wireless sensors network, achieving reliable communication is a significant challenge due to the shared communication medium with other transmitters and receivers in the network. Additionally, factors such as multipath fading and path loss further increase the complexity of communication in these networks. A reliable connection is one that can maintain data exchange with minimal delay and packet loss under various environmental conditions and changes.
Several approaches and mechanisms have been introduced and implemented to enhance the reliability of wireless sensors network. One of the most important approaches is transmission power control in transmitting nodes. Transmission power refers to the amount of electromagnetic energy a node consumes to send data. Different nodes have varying transmission power levels, which directly affect both the probability of successful data reception and energy consumption at the transmitter node.
Since many wireless sensors network rely on batteries as their energy source, the limited energy supply prevents the continuous use of maximum transmission power. Moreover, high transmission power can lead to network congestion, packet loss in neighboring nodes, and increased energy consumption in other nodes, ultimately reducing network lifetime and reliability. On the other hand, when frequency interference and environmental changes increase, transmission power control alone is insufficient to maintain network performance, making channel migration necessary. Considering these factors, a dynamic approach to transmission power control, combined with adaptive channel migration, is essential for the survival of a wireless sensor network. Adaptive power control refers to a method that dynamically selects the optimal transmission power for each node based on network changes, ensuring energy efficiency, prolonged node lifespan, and enhanced network reliability.
In this research, we introduce and examine an adaptive transmission power control approach combined with channel migration. This approach leverages reinforcement learning to determine the optimal transmission power for each node, allowing nodes to dynamically predict the best transmission power based on their learning from the environment. The integration of this method with channel migration makes it a practical and effective approach. Experimental results comparing this method to both an ideal scenario and a baseline power control approach demonstrate that, in a dynamic environment, nodes select appropriate transmission power levels, leading to long-term energy consumption closer to the ideal case while achieving a higher data reception success rate at the receiver.
