چکیده
در رویکرد خوشه بندی، گره های حسگر در یک خوشه گروه بندی می شوند. گره های یک شبکه خوشه بندی دارای قابلیت های مصرف کم باتری و پردازش محدود هستند. این گره ها به صورت پیوسته داده ها را با سرخوشه تبادل می کنند که به نوعی تبدیل داده به ایستگاه پایه خود است. تعداد اندکی از این گره ها در شبکه ممکن است معیوب باشند یا ممکن است به علت توان کم باتری خود از پردازش مادام العمر داده پشتیبانی نکنند. همه این گره های حسگر، دما، رطوبت، صدا و آلودگی را از محیط اندازه می گیرند و داده های جمع آوری شده را برای پردازش بیشتر به ابر ارسال می کنند. مکانیزم تحمل پذیری در برابر خطای این گره ها با به کار گیری الگوریتم ژنتیک حل می شود که این کار را با استفاده از تکنیک کروموزوم برای شناسایی و جلوگیری از گره های معیوب در شبکه انجام می دهد. این کار تحقیقاتی پیشنهادی منجر به افزایش تشخیص گره های معیوب در یک شبکه، افزایش راندمان و طول عمر شبکه، و دستیابی به نتایج بهینه سازی انرژی در زمینه اینترنت اشیاء (IoT) میشود. ارزیابی عملکرد نشان می دهد که دقت داده در الگوریتم ژنتیک (GA) در مقایسه با الگوریتم انتشار مستقیم (DD) و الگوریتم بردار مسافت مورد تقاضای موردی (AODV) بیشتر است.
1-مقدمه
ابزار خوشه بندی شبکه از مسیریابی داده برای مفهوم اینترنت اشیاء (IoT) پشتیبانی می کند. هنگامی که باتری تعدادی از گره ها در یک شبکه خوشه ای ضعیف شود یا گره ها دچار خطا شوند، مابقی گره ها باید وظیفه را بدون هیچ گونه وقفه در انتقال طرح مسیر یابی انجام دهند و گره های دارای خطا شناسایی می شوند، که منجر به جلوگیری از ایجاد راه مسیریابی نهایی می شود تا خوشه بندی در مفهوم اینترنت اشیاء (IoT) عملکرد بهتری داشته باشد…