پروژه متلب شبیه سازی شبکه‌های حسگر زیر آب و الگوریتم های مسیریابی در MATLAB
در این قسمت گزارشی از کلیت مقاله مورد نظر آورده شده است. برای پیاده سازی روش ارائه شده در مقاله ۱۷ تابع و اسکریپت در محیط متلب کدنویسی شده است که ۱۶ برنامه از الگوریتم ها و کدهای نوشته در مقاله استخراج شده است. و تنها تابع dijkstra.m از toolbox های موجود در اینترنت بدست آمده است. متاسفانه در مقاله هیچ توضیحی در مورد اینکه چه تغییراتی نیاز است تا در چه برنامه ای ایجاد گردد تا حالت های مختلف اجرا گردد ولی با بررسی چندین و چندین باره الگوریتم ها به این نتجه رسیدم که تغییرات اصلی را باید در فایل constantInit.m انجام داد. برای تغییر تعداد نودها می توان متغیر NumberNodes را تغییر داد. برای استفاده از حالت های مختلف باید مقدار mode را در این برنامه تغییر داد که مودهای مختلف در زیر آورده شده است:
مود ۱: farthest acoustic استفاده از greedy farthest algorithm
مود ۲: farthest radio استفاده از greedy farthest algorithm
مود ۳: shallowest acoustic استفاده از greedy shallowest algorithm
مود ۴: shallowest radio استفاده از greedy shallowest algorithm
مود ۵: un weighted shortest radio path استفاده از centralized shortest path algorithm
مود ۶: weighted shortest radio pathاستفاده از centralized shortest path algorithm
مود ۷و۸: مود نامعلوم با استفاده از greedy look ahead/back algorithm
برای تولید جدول ۵ و شکل ۴ کافی است فایل test1.m را اجرا نمایید: البته باید متذکر شوم که نتایج جدول از میانگین گرفتن ۵۰۰ بار اجرای این فایل حاصل می شود که برای کاهش زمان تست آن را فقط یکبار اجرا نمایید.
برای تولید جدول ۶ و شکل ۵ کافی است فایل test2.m را اجرا نمایید:
برای تولید جدول ۷ و شکل ۶ کافی است فایل test3.m را اجرا نمایید:
برای تولید جدول ۸ و شکل ۷ کافی است فایل test4.m را اجرا نمایید:
برای تولید جدول ۹ و شکل ۸ کافی است فایل test5.m را اجرا نمایید:
برای تولید جدول ۱۰ و شکل ۹ کافی است فایل test6.m را اجرا نمایید:
برای تولید جدول ۱۱ و شکل ۱۰ کافی است فایل test7.m را اجرا نمایید:
برای تولید جدول ۱۲ و شکل ۱۱ کافی است فایل test8.m را اجرا نمایید:
Simulating Underwater Sensor Networks and Routing Algorithms in MATLAB
Underwater networks are a field that has been gathering attention . Land – based methods of network construction from discovery to advanced routing are all well established .
Due to the unique constraints of operating in an underwater environment , many of these tried – and – true approaches need modification if they function at all . Peer discovery and lowlevel networking have been dealt with by previous research . In this thesis we describe and evaluate eight possible routing schemes with different system – knowledge requirements . We show that with a minimal set of information it is possible to achieve near – optimal results with energy costs considerably lower than centralized optimal algorithms .
We demonstrate this by constructing and evaluating a custom simulation environment in MATLAB . This is implemented in a mixed procedural and array – centric approach . Simulated networks are structured on a line topology . All nodes a spaced along the horizontal axis at a random depth . It is assumed that neighbor – discovery has been completed before the simulation starts , and all nodes have access to a global list of connected neighbors
شبیه سازی شبکه‌های حسگر زیر آب و الگوریتم های مسیریابی در MATLAB
شبکه‌های زیر آب رشته‌ای هستند که توجه را به خود جلب کرده‌اند . روش‌های مبتنی بر زمین برای ساخت شبکه از اکتشاف تا مسیریابی پیشرفته همگی به خوبی پایه‌ریزی شده‌اند .
با توجه به محدودیت‌های منحصر به فرد عملیات در یک محیط زیر آب ، بسیاری از این روش‌ها – و – درست اگر به تمام آن‌ها عمل کنند ، نیاز به اصلاح دارند . تحقیقات قبلی و شبکه‌های عصبی با تحقیقات قبلی مورد بررسی قرار گرفته‌اند . در این پایان‌نامه ، هشت طرح مسیریابی ممکن با نیازمندی‌های سیستم – دانش مختلف را توصیف و ارزیابی می‌کنیم . ما نشان می‌دهیم که با مجموعه حداقلی از اطلاعات دستیابی به نتایج نزدیک – بهینه با هزینه‌های انرژی به طور قابل‌توجهی کم‌تر از الگوریتم بهینه متمرکز است.
ما این را با ایجاد و ارزیابی محیط شبیه‌سازی سفارشی در MATLAB نشان می‌دهیم . این روش در رویکرد ترکیبی و رویکرد محور اجرا می‌شود . شبکه‌های شبیه‌سازی شده در یک توپولوژی خط تهیه می‌شوند . همه گره‌ها دارای فاصله در امتداد محور افقی در یک عمق تصادفی هستند . فرض می‌شود که کشف همسایه قبل از شروع شبیه‌سازی تکمیل شده‌است و همه گره‌ها به یک فهرست جهانی از همسایه‌های متصل دسترسی دارند .
لینک منبع:
https://cse.unl.edu/~carrick/papers/misc/MikeORourkeThesis.pdf
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد