Çok amaçlı nsga-ıı ve mopso optimizasyon algoritmaları ilekablosuz algılayıcı ağlarında optimum küme başı yeri seçimive kümelemesi

Abstract

Bu tezde sunucu konumlandırma problemininözel bir durumu kablosuz algılayıcı ağlarının tasarımı için kullanılmıştır. Bu problem np-zorkombinatoryel problemlerin kategorisinde yer almaktadır. Problemin çözümü ile hem kümeleme hem de optimum küme başı konumunun belirlenmesi gerçekleştirilmiştir. Tanımlanan problem ilk başta tek amaçlı dekompozisyon ağırlıklı toplam genetik algoritma yaklaşımı ile incelenmiştir.Daha sonra çok amaçlı yaklaşımlarıyla çözülmüştür. Bu konu zaten bir çok amaçlı problemdir. Elde edilen sonuçlardan görülmüştür ki dekompozisyon yöntemine dayalı çok amaçlı evrimsel algoritması, doğrusalyaklaşımından dolayı pareto cephesinin tüm noktalarını keşfedememektedir. Ayrıca pareto cephesindeki her cevabı bulmak için algoritma baştan koşturulmalıdır. Bu sayılan sorunlar;mağlup olmayan sıralama genetik algoritma ve çok amaçlı parçacık sürü optimizasyonu yöntemlerinin kullanımı ile giderilmiştir.Bu tarz algoritmalar yüksek doğrulukla pareto cephesinin tümünü tek sefer koşturulmasıyla bulabilmektedir. AncakNSGA-IIalgoritmasındakipopülasyon sayısının artması işlem karmaşıklığı ve işlem yükünü oldukca çoğaltmaktadır. Bu durum kablosuz algılayıcı ağlarının kısıtlı işlemcilerinde kullanılmak için uygun değildir. Bu sebeplerlehız artışı, işlemyükü ve karmaşıklığın azaltılması doğrultusunda MOPSOalgoritma kullanılmıştır. MOPSO algoritma sürekli bir algoritmadır. Diğer taraftan problem ikili türdendir. Dolayısıyla MOPSO algoritmaPSO Çekirdeğini sigmoid fonksiyonu aracılığıyla bir ikili algoritmaya dönüştürülerek problem için istenilen çözüme ulaşılmıştır. In this study one special case of the Hub Location Problem known as Wireless Sensor Network Design is used for problem definition and solving, which lies in the field of NP-hard combinatorial problems.This concept has been studied for optimal selection of cluster head location in wireless sensor networks and also clustering. The defined problem is a multi-objective and binary inherently. The optimal solutions for location of head nodes and the members of clusters arefound by genetic algorithm via converting the problem to single objective by weighted-sum decomposition.However MOEA/D methodsare not able to explore all parts of the Pareto Front due to their linear approach. Moreover the programs which are usedMOEA/D algorithms can explore one pareto-front point at each run hence the programs must re-run several times. In order to solve these defects multi-objective optimization algorithms should be used to solveinherently multi-objective problems. Therefore we usedNSGA-II and MOPSOalgorithms. It can be seen that these algorithmscan explore all the points of pareto-front accurately with a single run. However the speed of NSGA-II algorithm falls quickly by growing initial population which lead to the computational load. This is not acceptable for the limited processors of the wireless sensor networks.TheMOPSOalgorithm is used to handle long convergence duration of pareto-front and increased computational load. MOPSO algorithm is continuous in nature, but the problem is binary in nature.Soour problem has reached to desired solution by converting MOPSOto binaryalgorithm via Sigmoid Function.