Yazar "Karabekir, Baybars" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim
    Öğe
    Energy efficient clustering-based mobile routing algorithm on WSNs
    (IEEE, 2021) Aydın, Muhammed Ali; Karabekir, Baybars; Zaim, Abdül Halim
    In this paper, we propose and discuss two types of algorithms to improve energy efficiency in Wireless Sensor Networks. An efficient approach for extending the life of a network is known as ‘‘sensor clustering’’ in wireless sensor networks. In proposed algorithms, the study area where sensor nodes are randomly distributed is divided into clusters. In each cluster, the sensor that is the closest to the cluster center and has the highest residual energy is chosen as the cluster head. To make this choice, a greedy approach and artificial neural network methods are applied. In addition, to reduce the energy consumption of cluster heads, a mobile sink is used. The list of routes to be used by the mobile sink is calculated with the genetic algorithm. According to the route information, the mobile sink moves to the clusters and initiates the data collection process for each cluster. We compared our models according to the round value at which all sensor nodes run out of energy and the energy consumption by the network per round. Simulation results show that the proposed models increase the energy efficiency and extend the network lifespan.
  • Küçük Resim
    Öğe
    Energy-efficient clustering-based mobile routing algorithm for wireless sensor networks
    (İstanbul Üniversitesi Cerrahpaşa, 2021) Karabekir, Baybars; Aydın, Muhammed Ali; Zaim, Abdül Halim
    In this paper, we propose and investigate two types of algorithms for improving energy efficiency in wireless sensor networks. Clustering sensors in wireless sensor networks is considered an effective approach to prolonging network lifetime. In this paper, we divide the study area into clusters at 30-m2 intervals. In each cluster, the sensor that is the closest to the cluster center and has the highest residual energy is selected as the cluster head. In addition, a mobile sink is used to reduce the energy consumption of the cluster heads. The mobile sink travels to all clusters starting with the nearest cluster and collects data from the cluster heads. In the first model, cluster head selection is performed and the mobile sink route is calculated using a greedy approach. In the second model, cluster head selection is performed using an artificial neural network, and the mobile sink route is calculated using a greedy approach. We compared our models with the energy-efficient scalable routing algorithm by the first node dies parameter, all nodes die, and the residual energy of the network for each round condition. The simulation results demonstrated that the proposed models improved the energy efficiency and extended the network lifetime
  • Küçük Resim
    Öğe
    IOT mesh network tasarımı
    (İstanbul Ticaret Üniversitesi, 2021) Karabekir, Baybars; Zaim, Abdul Halim; Aydın, Muhammed Ali
    ÖZET Bu çalışmada, Kablosuz Algılayıcı Ağlarda (KAA) enerji verimliliğini artırmak için dört tür algoritma araştırılarak önerilmiştir. KAA’larda kümeleme, sensör düğümlerin ve ağın aktif yaşam süresini uzatmak için etkili bir yaklaşım olarak kabul edilmektedir. Bu çalışmada, iki boyutlu düzlem alanı 30 ??2aralıklarla kümelere ayrılmıştır. Her kümede, küme merkezine en yakın olan ve en yüksek artık enerjiye sahip olan sensör düğümü, Küme Başı (KB) olarak seçilir. Çalışmamızda ek olarak KB’lerin enerji tüketimini azaltmak için Mobil Baz İstasyon (MBİ) kullanılmıştır. MBİ, en yakın kümeden başlayarak tüm kümeleri gezerek KB’lerden veri toplamaktadır. Önerilen ilk modelde, KB seçimi, açgözlü yaklaşım kullanılarak gerçekleştirilmekte ve MBİ’nin kullandığı güzergah listesi, Gezgin Satıcı Problemi (GSP) kullanılarak hesaplanmaktadır. İkinci modelde, KB seçimi Yapay Sinir Ağı (YSA) kullanılarak gerçekleştirmekte, MBİ’nin kullandığı güzergah listesi, GSP kullanılarak hesaplanmaktadır. Üçüncü modelde, KB seçimi, açgözlü yaklaşım kullanılarak gerçekleştirmekte ve MBİ’nin kullandığı güzergah listesi, Genetik Algoritma (GA) kullanılarak hesaplanmaktadır. Dördüncü modelde, KB seçimi YSA kullanılarak gerçekleştirilmekte ve MBİ’nin kullandığı güzergah listesi için GA yöntemi kullanılmaktadır. Modellerimizi, tüm sensör düğümlerin enerjilerinin bittiği tur değerine, ağda aktif düğüm sayısının bittiği duruma kadar ağın çalışma sürelerine ve tur başına ağın harcadığı enerji değerlerine göre karşılaştırdık. Simülasyon sonuçları, önerilen modellerin enerji verimliliğini artırdığını ve ağ ömrünü uzattığını göstermektedir. Anahtar Kelimeler: Eneji Verimliliği, Kablosuz Sensör Ağlar, LEACH ABSTRACT In this study, we propose and investigate four types of algorithms for improving energy efficiency in Wireless Sensor Networks (WSN). Clustering sensors in WSN’s is considered an effective approach to prolonging network lifetime. In this study, we divide the study area into clusters at 30 ??2 intervals. In each cluster, the sensor that is the closest to the cluster center and has the highest residual energy is selected as the Cluster Head (CH). In addition, a Mobile Sink (MS) is used to reduce the energy consumption of the CHs. The MS travels to all clusters, starting with the nearest cluster and collects data from the CHs. In the first model, CH selection is performed using a greedy approach and the MS route is calculated using a Travelling Salesman Problem (TSP). In the second model, CH selection is performed using an Artificial Neural Network (ANN), and the MS route is calculated using a TSP. In the third model, CH selection is performed using a greedy approach, and the MS route is calculated using a Genetic Algorithm (GA). In the fourth model, CH selection is performed using an ANN, and the MS route is calculated using a GA. We compared our models with the energy-efficient scalable routing algorithm by the all nodes die, network operation time and the energy consumption of the network for each round condition. The simulation results demonstrated that the proposed models improved the energy efficiency and extended the network lifetime. Keywords: Energy Efficiency, LEACH, Wireless Sensor Networks. İÇİNDEKİLER İÇİNDEKİLER . i ÖZET . iii ABSTRACT . iv TEŞEKKÜR . v ŞEKİLLER DİZİNİ . vi ÇİZELGELER DİZİNİ . viii SİMGELER VE KISALTMALAR DİZİNİ . ix 1. GİRİŞ. 1 2. LİTERATÜR ÖZETİ . 4 2. 1. Kablosuz Algılayıcı Ağlar . 4 2. 2. KAA’larda Enerji Verimliliği ve Ağ Ömrünü Uzatma . 4 2. 2. 1. KAA’larda kapsama alanı ile enerji verimliliği . 5 2. 2. 1. 1. KAA’larda alan veya bölge kapsama . 5 2. 2. 1. 2. KAA’larda nokta veya hedef kapsama . 6 2. 2. 1. 3. KAA’larda bariyer kapsama . 7 2. 2. 2. KAA’larda kümeleme ile enerji verimliliği . 7 2. 2. 2. 1. Kümeleme ve KB seçimi . 9 3. PROBLEM TANIMI VE MODEL OLUŞTURMA . 13 3. 1. Problemin Tanımı . 13 3. 2. Enerji Modeli . 13 3. 3. BLE Sensörler . 14 3. 4. Gezgin Satıcı Problemi . 15 3. 5. Açgözlü Yaklaşım . 16 3. 6. Yapay Sinir Ağları . 17 3. 7. Genetik Algoritmalar . 18 3. 8. Varsayımlarımız . 20 3. 9. Önerilen Modelimiz . 21 3. 9. 1. Ağ modeli . 21 3. 9. 2. Mobil yönlendirme . 22 3. 9. 2. 1. Gezgin satıcı problemi ile güzergâh listesinin oluşturulması . 24 3. 9. 2. 2. Genetik algoritma ile güzergâh listesinin oluşturulması . 25 3. 9. 3. Küme başı seçimi . 25 3. 9. 3. 1. Açgözlü yaklaşım ile küme başı seçimi . 26 3. 9. 3. 2. Yapay sinir ağı ile küme başı seçimi . 28 3. 9. 4. Veri aktarımı. 28 3. 9. 5. Açgözlü yaklaşım ile küme başı seçimi ve gezgin satıcı problemi ile mobil yönlendirme modeli . 30 3. 9. 6. Yapay sinir ağları ile küme başı seçimi ve gezgin satıcı problemi ile mobil yönlendirme modeli . 32 3. 9. 7. Açgözlü yaklaşım ile küme başı seçimi ve genetik algoritma ile mobil yönlendirme modeli . 35 3. 9. 8. Yapay sinir ağları ile küme başı seçimi ve genetik algoritma ile mobil yönlendirme modeli . 37 4. SİMULASYON SONUÇLARI VE TARTIŞMA . 41 4. 1. Çalışma Süresi ve Tur Sayısına Göre Sonuçlar ve Tartışma . 43 4. 2. Harcanan Enerjiye Göre Sonuçlar ve Tartışma . 48 5. SONUÇ VE ÖNERİLER . 54 5. 1. Sonuç . 54 5. 2. Öneriler . 56 KAYNAKLAR . 57 EKLER. 62 EK A. Açgözlü&GSP Modeli Matlab Kodları . 63 EK B. YSA&GSP Modeli Matlab Kodları . 74 EK C. Açgözlü&GA Modeli Matlab Kodları . 85 EK D. YSA&GA Modeli Matlab Kodları . 97 ÖZGEÇMİŞ . 109