مقالات و تحقیق آماده
ارائه محصولات فایلی و دانلودی برای شما عزیزان
مقالات و تحقیق آماده
ارائه محصولات فایلی و دانلودی برای شما عزیزاندانلود کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP
فرمت فایل دانلودی: .rarفرمت فایل اصلی: m
حجم فایل: 3 کیلوبایت
قیمت: 35600 تومان
توضیحات:
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP (برنامه نویسی مبتنی بر بیان ژن).
این M فایل حاوی کد شبیه سازی متلب- محلی سازی نودها در شبکه WSN با استفاده از الگوریتم GEP می باشد.
در اسقرار دستی گره ها در یک شبکه حسگر بیسیم (manual Placement)، این امکان وجود دارد که موقعیت گره ها را طوری تنظیم کنیم که هر گره قادر به تعیین موقعیت خود در شبکه باشد. اما شرایطی پیش می آید ، که امکان چینش نظارت شده نودها وجود ندارد. بطور مشخص این محدودیت در مواردی بیشتر نمود پیدا میکند که:
1- پدیده هدف متحرک باشد و نیاز به ایجاد تغییرات سریع در معماری شبکه مطرح باشد. (ردگیری پرندگان مهاجر، ردیابی کلونی ماهیها در زیر آب ).
2- دسترسی به فضا یا منطقه مورد نظر مقدور نباشد (خاک دشمن هنگام وقوع جنگها، میادین مین، ، مناطق آلوده) ،
3- فاکتور محدودیت زمانی مطرح باشد
4- قابلیت سنسورها بعلت تفاوتهای سخت افزاری و نرم افزاری متفاوت، یا مستلزم محاسبات بسیار پیچیده باشد
5- ...
در چنین مواردی، از معماری چینش تصادفی (Random Placement) برای استقرار نودها استفاده میکنیم. مهمترین چالشی که در استقرار رندوم ممکن است بروز کند این است که تنها تعداد معدودی از سنسورها بتوانند موقعیتشان را شناسایی و اعلان کنند. در اصطلاح از این نودها با نام گره های لنگر شبکه(Anchor Nodes) یا گره فانوس دریایی (Beacon) یاد میشود.
برنامه نویسی مبتنی بر بیان ژن (Gene Expression Programming) یک الگوریتم یادگیری تکاملی برای ایجاد مدلهای بهبود یافته ی کامپیوتری است. این مدل ، ساختاری درختی دارد، که برای تعریف آن ، از "درخت بیان" (Expression tree) استفاده میکنیم. این ساختار درختی ، مشابه یک موجود زنده خودش را ، با تغییر اندازه ، تغییر شکل، و ترکیبهای مختلف ، تطبیق و آموزش میدهد.GEP هم گروه ، الگوریتم ژنتیک (GA) و برنامه نویسی ژنتیک(GP) است و وجوه تشابه زیادی با آنها دارد ولی از دیدگاه تخصصی الگوریتمهای تکاملی، با آنها تفاوتهای مشخص ساختاری و کاربردی دارد .بعبارت دیگر، GEP از قابلیتهای GA و GP بطور هدفمند و همزمان بهره میبرد. همانند سایر الگوریتمهای یادگیری، هدف از بکارگیری GEP استخراج روابط بین متغیرها در مجموعه ای از داده ها و سپس ایجاد مدل برای توضیح این روابط است.
مراحل کلی الگوریتم GEP برای ایجاد این مدل شامل این موارد است:
1-ایجاد جمعیت اولیه از راه حلهای کاندید
2- انتخاب و تولید مجدد جمعیتها در یک فرایند دوره ای(تکاملی)، با توجه به شاخص برازش
3- ایجاد تغییر و تنوع در جمعیتها، برای دستیابی به بهترین راه حل کاندید ، با استفاده از عملگرهای ژنتیک از قبیل جهش(mutation) و نوترکیبی(Recombination)..
یکی از بهترین عملکردهای الگوریتم GEP زمانی است که بدنبال رسیدن به مدلی بهینه در فضایی با متغیرهایی با تولید تصادفی هستیم.
در این شبیه سازی افراد (individuals) جمعیت اولیه را سنسورهای یک شبکه بیسیم با نودهای لنگر محدود و تصادفی ،در نظر گرفته ایم. با الگوریتم GEP فرایند یادگیری را به این جمعیت اعمال کرده ایم. بطوریکه همه نودها پس از فرایند آموزش و با واسطه قرار دادن نودهای لنگر قادر به تعیین و اعلام موقعیت خود نسبت به سایر گره ها در سراسر شبکه با باشند. پیاده سازی تنها در قالب یک mfile با 196 خط کدنویسی در نرم افزار متلب انجام شده . برنامه حافظه ی رم کمی را درگیر میکند لذا، زمان اجرایی آن نسبت به سایر الگوریتمهای تکاملی مشابه بسیار سریع تر است. سعی شده با تعریف ساختاری ساده و سلسله مراتبی ،این برنامه قابلیت تعمیم در مسایل و سناریوهای مشابه را دارا باشد. برای فهم بهتر مراحل، قطعه کدها را با عبارات ساده انگلیسی کامنت گذاری کرده ایم.
برای اجرا کافی است فایل برنامه با نام GEP_WSN.m را به Current folder متلب کپی کرده، با دابل کلیک باز کنید، سپاس با استفاده از آیکون Run در نوار ابزار متلب و یا با تایپ عبارت GEP_WSN در پنجره Command window و اینتر از صفحه کلید اجراکنید. نتایج گرافیکی در دو پنجره فیگور نمایش داده شده و نتایج محاسباتی در قالب ماتریس در پنجره Work space قابل مشاهده و ارزیابی خواهد بود.
برای مطالعات بیشتر ، مراجعه به لینکهای زیر پیشنهاد میشود:
کد متلب تعیین موقعیت گره های شبکه حسگر بیسیم با GEP (برنامه نویسی مبتنی بر بیان ژن).
این M فایل حاوی کد شبیه سازی متلب- محلی سازی نودها در شبکه WSN با استفاده از الگوریتم GEP می باشد.
در اسقرار دستی گره ها در یک شبکه حسگر بیسیم (manual Placement)، این امکان وجود دارد که موقعیت گره ها را طوری تنظیم کنیم که هر گره قادر به تعیین موقعیت خود در شبکه باشد. اما شرایطی پیش می آید ، که امکان چینش نظارت شده نودها وجود ندارد. بطور مشخص این محدودیت در مواردی بیشتر نمود پیدا میکند که:
1- پدیده هدف متحرک باشد و نیاز به ایجاد تغییرات سریع در معماری شبکه مطرح باشد. (ردگیری پرندگان مهاجر، ردیابی کلونی ماهیها در زیر آب ).
2- دسترسی به فضا یا منطقه مورد نظر مقدور نباشد (خاک دشمن هنگام وقوع جنگها، میادین مین، ، مناطق آلوده) ،
3- فاکتور محدودیت زمانی مطرح باشد
4- قابلیت سنسورها بعلت تفاوتهای سخت افزاری و نرم افزاری متفاوت، یا مستلزم محاسبات بسیار پیچیده باشد
5- ...
در چنین مواردی، از معماری چینش تصادفی (Random Placement) برای استقرار نودها استفاده میکنیم. مهمترین چالشی که در استقرار رندوم ممکن است بروز کند این است که تنها تعداد معدودی از سنسورها بتوانند موقعیتشان را شناسایی و اعلان کنند. در اصطلاح از این نودها با نام گره های لنگر شبکه(Anchor Nodes) یا گره فانوس دریایی (Beacon) یاد میشود.
برنامه نویسی مبتنی بر بیان ژن (Gene Expression Programming) یک الگوریتم یادگیری تکاملی برای ایجاد مدلهای بهبود یافته ی کامپیوتری است. این مدل ، ساختاری درختی دارد، که برای تعریف آن ، از "درخت بیان" (Expression tree) استفاده میکنیم. این ساختار درختی ، مشابه یک موجود زنده خودش را ، با تغییر اندازه ، تغییر شکل، و ترکیبهای مختلف ، تطبیق و آموزش میدهد.GEP هم گروه ، الگوریتم ژنتیک (GA) و برنامه نویسی ژنتیک(GP) است و وجوه تشابه زیادی با آنها دارد ولی از دیدگاه تخصصی الگوریتمهای تکاملی، با آنها تفاوتهای مشخص ساختاری و کاربردی دارد .بعبارت دیگر، GEP از قابلیتهای GA و GP بطور هدفمند و همزمان بهره میبرد. همانند سایر الگوریتمهای یادگیری، هدف از بکارگیری GEP استخراج روابط بین متغیرها در مجموعه ای از داده ها و سپس ایجاد مدل برای توضیح این روابط است.
مراحل کلی الگوریتم GEP برای ایجاد این مدل شامل این موارد است:
1-ایجاد جمعیت اولیه از راه حلهای کاندید
2- انتخاب و تولید مجدد جمعیتها در یک فرایند دوره ای(تکاملی)، با توجه به شاخص برازش
3- ایجاد تغییر و تنوع در جمعیتها، برای دستیابی به بهترین راه حل کاندید ، با استفاده از عملگرهای ژنتیک از قبیل جهش(mutation) و نوترکیبی(Recombination)..
یکی از بهترین عملکردهای الگوریتم GEP زمانی است که بدنبال رسیدن به مدلی بهینه در فضایی با متغیرهایی با تولید تصادفی هستیم.
در این شبیه سازی افراد (individuals) جمعیت اولیه را سنسورهای یک شبکه بیسیم با نودهای لنگر محدود و تصادفی ،در نظر گرفته ایم. با الگوریتم GEP فرایند یادگیری را به این جمعیت اعمال کرده ایم. بطوریکه همه نودها پس از فرایند آموزش و با واسطه قرار دادن نودهای لنگر قادر به تعیین و اعلام موقعیت خود نسبت به سایر گره ها در سراسر شبکه با باشند. پیاده سازی تنها در قالب یک mfile با 196 خط کدنویسی در نرم افزار متلب انجام شده . برنامه حافظه ی رم کمی را درگیر میکند لذا، زمان اجرایی آن نسبت به سایر الگوریتمهای تکاملی مشابه بسیار سریع تر است. سعی شده با تعریف ساختاری ساده و سلسله مراتبی ،این برنامه قابلیت تعمیم در مسایل و سناریوهای مشابه را دارا باشد. برای فهم بهتر مراحل، قطعه کدها را با عبارات ساده انگلیسی کامنت گذاری کرده ایم.
برای اجرا کافی است فایل برنامه با نام GEP_WSN.m را به Current folder متلب کپی کرده، با دابل کلیک باز کنید، سپاس با استفاده از آیکون Run در نوار ابزار متلب و یا با تایپ عبارت GEP_WSN در پنجره Command window و اینتر از صفحه کلید اجراکنید. نتایج گرافیکی در دو پنجره فیگور نمایش داده شده و نتایج محاسباتی در قالب ماتریس در پنجره Work space قابل مشاهده و ارزیابی خواهد بود.
برای مطالعات بیشتر ، مراجعه به لینکهای زیر پیشنهاد میشود:
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه
دانلود کد متلب تعیین موقعیت گره ها در شبکه حسگر بیسیم
کد متلب تعیین موقعیت گره ها در شبکه حسگر بیسیم
فرمت فایل دانلودی: .rarفرمت فایل اصلی: .m + pdf
حجم فایل: 320 کیلوبایت
قیمت: 31500 تومان
توضیحات:
کد متلب الگوریتم گرانش مرکزی در محدوده C شکل برای تعیین موقعیت گره ها در شبکه حسگر بیسیم (WSN).
ای فایل حاوی کد متلب پیاده سازی الگوریتم جدید (Centroid C-shape Range-free) با هدف متمرکزسازی بهینه در شبکه های حسگر بیسیم می باشد.
شبکه های حسگر بی سیم (WSN ها) شبکه ای از گره های حسگر بی سیم توزیع شده است که می توانند با همکاری هم نسبت به شرایط فیزیکی و یا محیطی ( دما، صدا، فشار، حرکت، لرزش و یا آلاینده ها و پدیده های دیگر) واکنش نشان داده و به نظارت ، جمع آوری و ارسال اطلاعات دریافتی از محیط پیرامون خود بپردازند. شبکه های حسگر بیسیم با چالش های بسیاری مانند حوزه تحت پوشش (coverage)، استقرار بهینه گره ها(optimal deployment)، ادغام داده ها (data aggregation) و محلی سازی یا همان تعیین موقعیت (localization ) روبروست. در بسیاری از موارد کاربردی، لازم است که موقعیت سنسوری که پدیده ای را تشخیص داده، بدون کمک از تکنولوژیهای اختصاصی تعیین موقعیت جغرافیایی (GPS) شناسایی کنیم. اهمیت این موضوع در مواردی که 1) GPS در دسترس نباشد ، 2) یا استفاده از آن عملی نباشد (محیط هایی مثل معادن ، چاههای حفاری نفتی ، تحت آبهای عمیق و... ) و 3) با توجه به هزینه بالای مصرف انرژی یا موقعیت خاص جغرافیایی مقرون به صرفه نیست برجسته تر و ضروری تر میشود. بهمین دلیل، محاسبه و تعیین موقعیت گره ها، یکی از موضوعات مهم در مباحث شبکه های حسگر بی سیم است.
به طور کلی، الگوریتمهای محلی سازی (localization) به دو دسته تقسیم میشوند:
1) الگوریتم های مبتنی بر محدوده (range-based)
2) الگوریتمهای بدون محدوده (range-free) .
الگوریتم های range-based به اندازه گیری فواصل واقعی بین گره ها میپردازند، در مقابل الگوریتم های range-free نسبت به تخمین فاصله بر اساس اطلاعات اتصال(connectivity information) مبادرت میکنند. در این شبیه سازی، ما یک الگوریتم جدید محلی سازی از نوع مستقل از محدوده (range-free) را مطرح و پیشنهاد کرده ایم . روش پیشنهادی از نوع مبتنی بر لنگر(Anchor-Based Solutions) و تعیین میانگین مرکز ثقل (Centroid) در محدوده های رندوم به شکل C (C-shape) میباشد. نتایج بدست آمده از شبیه سازی برای ارزیابی عملکرد این الگوریتم در مقایسه با دیگر الگوریتم های مشابه موجود مانندHOP DV- و DV-RSD و Basic-Centroid نشان می دهد که الگوریتم حاضر، از مزایای آشکاری نسبت به الگوریتم های رایج موجود ، برخوردار است. بررسی شاخصهای عملکرد سیستم نشان داد که، خطای نسبی این الگوریتم همواره کمتر از سایر الگوریتمهای هم هدف موجود میباشد.
این پیاده سازی مشتمل بر 4 mfile میباشد که شامل سه تابع و یک mfile برای فراخوانی و اجرا میباشد و با استفاده از توابع پایه در نرم افزار منلب کد نویسی و با موفقیت آزمایش شده است.
برای اجرای برنامه ، پوشه حاوی mfile ها را بعد از خارج کردن از حالت فشرده، به Current folder نرم افزار متلب کپی کنید و فایل با نام Centroid.m را باز کرده، Run نمایید. نتایج گرافیکی دردو Figure و نتایج محاسباتی در Command Widow و ماتریس متغیرهای محاسبه در Workspace متلب قابل مشاهده خواهد بود.
بعنوان منبع مکمل مطالعاتی مقاله لاتین بررسی کامل روشهای محلی سازی بدون محدوده (Range-Free Localization) پیوست گردیده و مطلعه آن برای درک بهتر به دوستان توصیه میشود.
کد متلب الگوریتم گرانش مرکزی در محدوده C شکل برای تعیین موقعیت گره ها در شبکه حسگر بیسیم (WSN).
ای فایل حاوی کد متلب پیاده سازی الگوریتم جدید (Centroid C-shape Range-free) با هدف متمرکزسازی بهینه در شبکه های حسگر بیسیم می باشد.
شبکه های حسگر بی سیم (WSN ها) شبکه ای از گره های حسگر بی سیم توزیع شده است که می توانند با همکاری هم نسبت به شرایط فیزیکی و یا محیطی ( دما، صدا، فشار، حرکت، لرزش و یا آلاینده ها و پدیده های دیگر) واکنش نشان داده و به نظارت ، جمع آوری و ارسال اطلاعات دریافتی از محیط پیرامون خود بپردازند. شبکه های حسگر بیسیم با چالش های بسیاری مانند حوزه تحت پوشش (coverage)، استقرار بهینه گره ها(optimal deployment)، ادغام داده ها (data aggregation) و محلی سازی یا همان تعیین موقعیت (localization ) روبروست. در بسیاری از موارد کاربردی، لازم است که موقعیت سنسوری که پدیده ای را تشخیص داده، بدون کمک از تکنولوژیهای اختصاصی تعیین موقعیت جغرافیایی (GPS) شناسایی کنیم. اهمیت این موضوع در مواردی که 1) GPS در دسترس نباشد ، 2) یا استفاده از آن عملی نباشد (محیط هایی مثل معادن ، چاههای حفاری نفتی ، تحت آبهای عمیق و... ) و 3) با توجه به هزینه بالای مصرف انرژی یا موقعیت خاص جغرافیایی مقرون به صرفه نیست برجسته تر و ضروری تر میشود. بهمین دلیل، محاسبه و تعیین موقعیت گره ها، یکی از موضوعات مهم در مباحث شبکه های حسگر بی سیم است.
به طور کلی، الگوریتمهای محلی سازی (localization) به دو دسته تقسیم میشوند:
1) الگوریتم های مبتنی بر محدوده (range-based)
2) الگوریتمهای بدون محدوده (range-free) .
الگوریتم های range-based به اندازه گیری فواصل واقعی بین گره ها میپردازند، در مقابل الگوریتم های range-free نسبت به تخمین فاصله بر اساس اطلاعات اتصال(connectivity information) مبادرت میکنند. در این شبیه سازی، ما یک الگوریتم جدید محلی سازی از نوع مستقل از محدوده (range-free) را مطرح و پیشنهاد کرده ایم . روش پیشنهادی از نوع مبتنی بر لنگر(Anchor-Based Solutions) و تعیین میانگین مرکز ثقل (Centroid) در محدوده های رندوم به شکل C (C-shape) میباشد. نتایج بدست آمده از شبیه سازی برای ارزیابی عملکرد این الگوریتم در مقایسه با دیگر الگوریتم های مشابه موجود مانندHOP DV- و DV-RSD و Basic-Centroid نشان می دهد که الگوریتم حاضر، از مزایای آشکاری نسبت به الگوریتم های رایج موجود ، برخوردار است. بررسی شاخصهای عملکرد سیستم نشان داد که، خطای نسبی این الگوریتم همواره کمتر از سایر الگوریتمهای هم هدف موجود میباشد.
این پیاده سازی مشتمل بر 4 mfile میباشد که شامل سه تابع و یک mfile برای فراخوانی و اجرا میباشد و با استفاده از توابع پایه در نرم افزار منلب کد نویسی و با موفقیت آزمایش شده است.
برای اجرای برنامه ، پوشه حاوی mfile ها را بعد از خارج کردن از حالت فشرده، به Current folder نرم افزار متلب کپی کنید و فایل با نام Centroid.m را باز کرده، Run نمایید. نتایج گرافیکی دردو Figure و نتایج محاسباتی در Command Widow و ماتریس متغیرهای محاسبه در Workspace متلب قابل مشاهده خواهد بود.
بعنوان منبع مکمل مطالعاتی مقاله لاتین بررسی کامل روشهای محلی سازی بدون محدوده (Range-Free Localization) پیوست گردیده و مطلعه آن برای درک بهتر به دوستان توصیه میشود.
پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.
دانلود سایر پروژه