A localization mechanism method in IoT using grasshopper optimization algorithm and DVHop algorithm

Günümüzde, Kablosuz sensör ağları (WSN'ler), nesnelerin İnterneti (IoT) ve kablosuz vücut alanı ağları (WBAN'lar) gibi farklı bilgisayar ağları bilgileri aktarır, kaynakları paylaşır ve bilgileri işler. IoT, çeşitli akıllı cihazları birbirine bağlayan ve bilgi izlemek ve toplamak için WSN'ler gibi heterojen bileşenlerden oluşabilen yeni bir ağdır. Belirli avantajlarla karakterize edilen IoT, her biri tarım, ekosistem, arama ve kurtarma, yangınlar vb. hakkında çevresel bilgi toplamak için birkaç sensöre sahip farklı düğüm türleri içerir. Modern dünyadaki kapsamlı uygulamalara ve yüksek esnekliğe rağmen, IoT belirli zorluklarla karşı karşıyadır. en önemlileri yönlendirme, enerji tüketimi ve yerelleştirmeyi içerir. Yerelleştirme, diğer ağ sorunlarına yol açar ve bu nedenle IoT'deki en önemli zorluk olarak kabul edilebilir. Yerelleştirme, küresel konumlandırma sisteminden (GPS) yoksun olan ve kendi konumlarını ve konumlarını tahmin etmek için ağ sensörleri ve topoloji bilgilerini kullanmaya ihtiyaç duyan nesnelerin konumlarını ve konumlarını belirlemeyi amaçlayan bir süreci ifade eder. Mesafe vektör sekmesi (DV-Hop) algoritması, menzilden bağımsız bir yerelleştirme tekniğidir; buradaki en büyük zorluk, iki düğüm arasındaki atlama sayısının tüm düğümler için aynı olan bir sayı ile çarpılmasıdır. yerelleştirme doğruluğu. Bu yazıda, GPS'siz bir ağ düğümü, GPS'li üç bağlantı düğümünden atlamaları belirler. Akıllı nesnelerin konumu daha sonra bu bağlantı düğümlerinden olan mesafelere göre tahmin edilebilir. Ardından, hatayı azaltmak için yakınlarda birkaç konum oluşturulabilir. Daha sonra, yerelleştirme hatasını en aza indirmek için her konum çekirge optimizasyon algoritmasının (GOA) bir üyesi olarak kabul edilebilir. Önerilen algoritmanın uygulanmasından elde edilen sonuçlara göre çekirge optimizasyonu, kelebek optimizasyonu, ateş böceği ve sürü optimizasyonu algoritmalarına göre daha düşük yerelleştirme hatası ile karakterize edilmektedir. Sonuçlardan, önerilen yöntemin diğer yöntemlere göre yüksek performansa sahip olduğunu ve FA, BOA, GOA (Önerilen), PSO ve DV-Hop için yerelleştirme hatasının sırasıyla 1.940, 0.530, 0.416, 0.490 ve 0.238 olduğunu elde ettik.