Efficient Energy Congestion Control Scheme for Wireless Sensor Networks using Adaptive Neuro Fuzzy Inference System with Black Widow Optimization
محل انتشار: مجله سیستم های فازی، دوره: 20، شماره: 6
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 72
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJFS-20-6_011
تاریخ نمایه سازی: 18 آذر 1402
چکیده مقاله:
Network congestion is one of the major issues in wireless sensor networks (WSNs) that result in packet loss, reduced network lifetime, low throughput and energy waste. Determining a better path to mitigate the congestion is a better approach to improve the performance of WSNs. In this paper, an adaptive neuro-fuzzy inference system (ANFIS) based path determination approach is proposed to mitigate the congestion with black widow optimization (BWO) algorithm. The proposed approach first develops a framework to mitigate the congestion in WSNs. Then it forecast the buffer occupancy with the exponential smoothing technique. Finally, ANFIS is applied in the proposed approach for determining the path with appropriate weights by considering the remaining energy, hop count and buffer occupancy. Here, the hop count, buffer occupancy and remaining energy are considered as the input factors for the ANFIS. The simulation results of the proposed method show better quality of service, high energy, low delay, high packet delivery ratio with number of increasing alive nodes when compared to existing methods.
کلیدواژه ها:
نویسندگان
Abdul Ali
Sathyabama Institute of Science and Technology, Chennai, India
M. Vadivel
Associate Professor / ECE Dept., Vidya Jyothi Institute of Technology, Aziz Nagar, Chilkur Balaji Road, Hyderabad, Telangana-۵۰۰ ۰۷۵
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :