تحقیق در مورد الگوریتم های ژنتیک

اختصاصی از فی فوو تحقیق در مورد الگوریتم های ژنتیک دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 تعداد صفحه20

بخشی از فهرست مطالب

چکیده موضوع ………………………………………………………………………

مقدمه……………………………………………………

الگوریتم ژنتیک چیست؟…………………………………… ……………………………………

ایده اصلی …………………………………………………………………………………

الگوریتم ژنتیک ……………………………………………………………………….

سود و کد الگوریتم………………………………………………………..

روش های نمایش ………………………………………………………….

روش های انتخاب ………………………………………………………..

روش های تغییر ……………………………………………………………..

نقاط قوت الگوریتم های ژنتیک... ……………………………………

نقاط ضعف الگوریتم های ژنتیک. ……………………………………

نمونه هایی از کاربردهای الگوریتم های ژنتیک در دنیای امروز……………………………………..

یک مثال ساده با جزئیات …………………………………….

هایپر هیوریستیک ...................

چکیده 

     الگوریتم های ژنتیک از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو استفاده می کنند.الگوریتم های ژنتیک اغلب گزینه خوبی برای تکنیک های پیش بینی  بر مبنای رگرسیون هستند.همان طور ساده،خطی وپارامتری یک گفته می شود،به الگوریتم های ژنتیک می توان غیر پارامتریک گفت.

     مختصراً گفته می شود که الگوریتم ژنتیک (یا GA) یک تکنیک برنامه نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل نمسئله استفاده می کند.مسئله ای که باید حل شود ورودی است و راه حلها طبق یک الگو کد گذاری می شودومتریک که تابع fitness هم نام دارد هر راه حل کاندید را ارزیابی می کندکه اکثر آنها به صورت تصادفی انتخاب می شوند.

کلاً این الگوریتم ها از بخش های زیر تشکیل می شوند :

تابع برازش  - نمایش – انتخاب – تغییر

که در ادامه آنها را توضیح خواهیم داد.

مقدمه

     هنگامی که لغت تنازع بقا به کار می‌رود اغلب بار ارزشی منفی آن به ذهن می‌آید. شاید همزمان قانون جنگل به ذهن برسد و حکم بقای قوی‌تر!
   البته برای آنکه خیالتان راحت شود می‌توانید فکر کنید که همیشه هم قوی‌ترین‌ها برنده نبوده‌اند. مثلا دایناسورها با وجود جثه عظیم و قوی‌تر بودن در طی روندی کاملا طبیعی بازی بقا و ادامه نسل را واگذار کردند در حالی که موجوداتی بسیار ضعیف‌تر از آنها حیات خویش را ادامه دادند. ظاهرا طبیعت بهترین‌ها را تنها بر اساس هیکل انتخاب نمی‌کند! در واقع درست‌تر آنست که بگوییم طبیعت مناسب ترین‌ها (Fittest) را انتخاب می‌کند نه بهترین‌ها.

    قانون انتخاب طبیعی بدین صورت است که تنها گونه‌هایی از یک جمعیت ادامه نسل می‌دهند که بهترین خصوصیات را داشته باشند و آنهایی که این خصوصیات را نداشته باشند به تدریج و در طی زمان از بین می‌روند.

   مثلا فرض کنید گونه خاصی از افراد، هوش بسیار بیشتری از بقیه افراد یک جامعه یا کولونی دارند. در شرایط کاملا طبیعی این افراد پیشرفت بهتری خواهند کرد و رفاه نسبتا بالاتری خواهند داشت و این رفاه خود باعث طول عمر بیشتر و باروری بهتر خواهد بود(توجه کنید شرایط طبیعیست نه در یک جامعه سطح بالا با ملاحظات امروزی یعنی طول عمر بیشتر در این جامعه نمونه با زاد و ولد بیشتر همراه است). حال اگر این خصوصیت(هوش)ارثی باشد به طبع در نسل بعدی همان جامعه تعداد افراد باهوش به دلیل زاد و ولد بیشتر این‌گونه افراد بیشتر خواهد بود. اگر همین روند را ادامه دهید خواهید دید که در طی نسل‌های متوالی دائما جامعه نمونه ما باهوش و باهوش‌تر می‌شود. بدین ترتیب یک مکانیزم ساده طبیعی توانسته است در طی چند نسل عملا افراد کم هوش را از جامعه حذف کند علاوه بر اینکه میزان هوش متوسط جامعه نیز دائما در حال افزایش است(البته امکان داشت اگر داروین بی‌عرضگی افراد باهوش امروزی را می‌دید کمی در تئوری خود تجدید نظر می‌کرد اما این مسئله دیگریست!).

    بدین ترتیب می‌توان دید که طبیعت با بهره‌گیری از یک روش بسیار ساده(حذف تدریجی گونه‌های نامناسب و در عین حال تکثیر بالاتر گونه‌های بهینه) توانسته است دائما هر نسل را از لحاظ خصوصیات مختلف ارتقا بخشد.

   البته آنچه در بالا ذکر شد به تنهایی توصیف کننده آنچه واقعا در قالب تکامل در طبیعت اتفاق می‌افتد نیست. بهینه‌سازی و تکامل تدریجی به خودی خود نمی‌تواند طبیعت را در دسترسی به بهترین نمونه‌ها یاری دهد. اجازه دهید تا این مساله را با یک مثال شرح دهیم.

دانلود تحقیق الگوریتم بهینه سازی Bayesian

اختصاصی از فی فوو دانلود تحقیق الگوریتم بهینه سازی Bayesian دانلود با لینک مستقیم و پر سرعت .

تعداد صفحات : 62 صفحه        -        

قالب بندی :  word           

الگوریتم بهینه سازی Bayesian

مراجع‌را می‌توان به عنوان یک ترازوی خوب برای مقایسه روشهای مختلف بکار برد. بعنوان مثال: مراجع استراتژی، انتخاب و جایگزینی را بکار گرفتند که با r BOA ها یکسانند. در‌بین الگوریتم‌های متنوع‌دانش سرپرستی برای انجام دادن مدلهای مخلوط، دسته بندی یک کاندیدای مناسب برحسب بازدهی محاسباتی دیده شده است. 

بطور کلی EDAها یک تقریب تقسیمی را بکار می‌گیرند که تلاش می‌کند یک مجموعه از اطلاعات‌چند بعدی را به تعدادی‌زیر مجموعه دسته بندی کند. مثالهای محتمل شامل الگوریتم K- Means و الگوریتم رهبر تصادفی (RLA) است.

مکانیزم آنها در زیر به صورت مختصر شرح داده شده است:

الگوریتم K- means نمونه‌های داده را به K زیر مجموعه غیر تهی تقسیم می‌کند. مختصات میانگین حسابی گروههای رایج محاسبه می‌شود و هر نمونه به نزدیکترین تقسیم‌بندی اشاره می‌کند. پروسه ادامه می‌یابد تا زمانیکه گمارش دیگری اتفاق نیافتد. در RLA هر نمونه تصادفی انتخاب شده متعلق به نزدیکترین طبقه بندی که رهبر آن فاصله با نمونه‌اش زیر حد داده شده قرار دارد. نتیجه پس از فقط یکبار مرور کردن هر نمونه بدست می‌آید.

توجه کنید که الگوریتم RLA سریعتر از الگوریتم K- means است. (RLA) تا حدودی کمتر دقیق است. علاوه بر این تکرار که در مدلهای مختلف استفاده می‌شود (در مدل انتخاب) کمتر از مدلهای جاسازی است. بنابراین الگوریتم K- means و RLA (با حدی به میزان 0.3) به ترتیب کاندیداهای مناسبی برای مدل انتخاب و مدل جاسازی هستند. مدل جاسازی و مدل نمونه برداری با توجه به کارایی‌شان برای مسائل بزرگ تجزیه پذیر، براساس اصل حداکثر ترکیب زیر مسئله‌ها انجام داده می‌شوند.

نتایج کارایی r BOA 

علاوه بر این توزیع احتمال نرمال به علت فواید ذاتی (خصوصیات تقریب نزدیک و تجزیه مناسب و آسان) آن به کار گرفته شده است. انتخاب کوتاه که نیمه بالای جامعه را انتخاب می‌کند و BIC با Eq، (5،6) که  پارامتر تنظیم آن 0.5 است برای یادگیری یک مدل آماری استفاده نشده بودند. سیاست تجزیه بدترین نیمه جامعه را با نسل جدید تولید شده جایگزین می‌کند. (یعنی جایگزینی نخبه‌ها) چون هیچ اطلاعات قدیمی در ساختار مسئله وجود ندارد. ما 1-  را برای تعداد والده‌های مجاز در نظر می‌گیریم، هیچ محدودیتی در مدل انتخاب وجود ندارد. هر آزمایش وقتی که بهینه پیدا شود یا تعداد نسلها به دویست برسد پایان داده می‌شود. همه نتایج بعد از 100 اجرا میانگین گرفته می‌شود.

شکل 5،7 میانگین تعداد محاسباتی را Rboa انجام می‌دهد تا بهینه RDP را با ،  نشان می‌دهد. همچنین این شکل نتیجه PSNR با  را نشان می‌دهد.

.5.7 نتایج آزمایشگاهی و مذاکره

 5. بهینه سازی الگوریتم Bayesian

اندازه مسئله n

(a) نتایج برای RDP با

اندازه مسئله n

(b) نتایج برای RNSP  با

شکل .5.7 موضوع قابل تجزیه درباره کارایی  r BOA

اندازه جمعیت تدارک دیده از روی مشاهده و تجربه معین در کنار روش دو بخشی بطوریکه بهینه برپا گردد.

نتایج مشاهده برای RDP و RNSP به ترتیب و با دقت  و  (جاسازی) تقریب زده شده است.

بدینسان r BOA می‌تواند مسئله قابل تجزیه (افزایشی) محدود سخت بوسیله پیچیدگی Sub- quadratic (به استثنای Near- quadratic) رفع کردن.

به عبارت دیگر رشد عدد تخمین با توجه به اندازه مسئله (یعنی مقیاس پذیری) به نظر می‌رسد که به Sub- quadratic باشد. جزئیات تحقیق در بخش 3، 7، 5 یافت می‌شود.

MBOA

شکل 5،8 مقایسه کارایی Rboa و مشکلات آنرا مطالعه می‌کند (MBOA، m IDEA و EGNA). مانند مراجع کاربردی و قابل تجزیه (RNSP و RDP).

از اینرو مسئله قابل تجزیه عبارت است از زیر برنامه m، اشکال مسئله قابل اجرا نگهداری کردن همزمان m، اشکال مسئله قابل اجرا، مختصر N= r.m در برابر سادگی. شکل (a) 5،8  نسبت صحیح BBها را چنانچه به RDD اعمال می‌شوند با و تغییر m مقایسه می‌کند. ترکیب یک RBOA جزء، مختصر K=1 برای مدل گزینش بکار گرفته می‌شود.

جمعیت تدارک دیده با N= 100m، نتیجه نشان داده شده برای یافتن راه حل rAOB و MBOA بهتر کردن محاسبه زیاد آنها بجز mI AED و ANGE.

گرچه MBOA در برابر Rboa تا حدی بالاتر بنظر می‌آید، با مفهوم آماری آن مخالفت دارد. جدول 5،1 اثبات پشتیبانی آن هست. همچنین بزرگتر شدن اندازه مسئله خراب کردن EGNA و mIDEA کردن از لحاظ دست یافتن کارایی در صورتیکه وضعیت راه حل پایدار بسرعت و Rboa برای آنکه مشاهده گردد. از شکل (a) 5،7 و (a) 5،8 واضح است.

افزایش رفتار MBOA و Sub- quadratic Rboa در برابر RDP در صورتیکه m IDEA و EGNA تشریحی مقیاس پذیری دارد. شکل (b) 5،8 نشان می‌دهد BB- wise مقادیر کار برگشت داده شده با الگوریتم‌ها برای RNSP با  مختلف m. ترکیب نمونه‌ها برای گزینش مدل جزء سه ترکیب (K=3) استفاده شده. یک مدل خطی، مختصر، ‌‌N= 200m بکار رفته برای جمعیت تدارک دیدن. در نتیجه RDP، برای آنکه مشاهده کارایی MBOA و Rboa آثار یکسان صرف نظر از اندازه مسئله. می‌توانیم در نظر بگیریم آنها یک Sub- quadratic مقیاس پذیر RNSP دارند. با وجود این نتایج نشان می‌دهد r BOA نسبتا بهتر از MBOA است با توجه به کیفیت مسئله.

ترجمه مقاله رمزنگاری تصویر با استفاده از الگوریتم RSA موازی با استفاده از CUDA

اختصاصی از فی فوو ترجمه مقاله رمزنگاری تصویر با استفاده از الگوریتم RSA موازی با استفاده از CUDA دانلود با لینک مستقیم و پر سرعت .

این مقاله ترجمه مقاله انگلیسی Image Encryption Using Parallel RSA Algorithm on CUDA  می باشد . /

سال انتشار : 2014/

تعداد صفحه مقاله انگلیسی : 4 /

تعداد صفحه ترجمه : 6/

فرمت فایل ترجمه : Word /

مقاله اصلی به زبان انگلیسی را می توانید رایگان از اینجا دریافت نمایید ./

ضمنا پیاده سازی این مقاله با نرم افزار متلب در سایت جهت تهیه دوستان در اینجا موجود است . /

چکیده

در این مقاله در مورد رمزگذاری و رمزگشایی تصویر با استفاده از الگوریتم  بحث می کنیم که قبلاً برای رمزگذاری متن استفاده شده بود. در عصر امروز، این نگرانی بسیار مهمی است که باید بگونه ای اجرا شود که دسترسی غیرمجاز را بتوان جلوگیری کرد. در نظر داریم یک الگوریتم  عمومی ایجاد کنیم که می تواند با دیگر تکنیک های پردازش تصویر ترکیب شود و روش های جدید و بازده رمزگذاری و رمزگشایی بهتر را فراهم سازد. یکی از چنین پیاده سازی ها با استفاده از روش آشکار سازی لبه و تبدیل تصاویر به شکل فیلتر شده خود می باشد.  سکویی برای پیاده سازی الگوریتم موازی با استفاده از  با پشتیبانی  است. تکنیک زیر برروی  با ملاحظه فرآیند تعامل میزبان و قطعه، پیاده سازی شده است. بنابراین، برای اینکه الگوریتم کارآمدتر شود، الگوریتم را با استفاده از بلوک  و روش شبکه موازی کاری می کنیم./1005/

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی آدرس ایمیل:

[e-mail]

شماره جهت ارتباط پیامکی :

09337843121

توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

ترجمه مقاله مقایسه کارایی اجرای سریال و موازی الگوریتم بهینه سازی کلونی مورچگان برای حل مسئله فروشنده دوره‌گرد

اختصاصی از فی فوو ترجمه مقاله مقایسه کارایی اجرای سریال و موازی الگوریتم بهینه سازی کلونی مورچگان برای حل مسئله فروشنده دوره‌گرد دانلود با لینک مستقیم و پر سرعت .

این مقاله ترجمه مقاله انگلیسی Performance Comparison of Sequential and Parallel
Execution of the Ant Colony Optimization Algorithm
for Solving the Traveling Salesman Problem می باشد . /

سال انتشار : 2013 /

تعداد صفحه مقاله انگلیسی : 5 /

تعداد صفحه ترجمه : 10/

فرمت فایل ترجمه : Word /

مقاله اصلی به زبان انگلیسی را می توانید رایگان از اینجا دریافت نمایید ./

ضمنا پیاده سازی این مقاله با نرم افزار متلب در سایت جهت تهیه دوستان در اینجا موجود است . /

چکیده

الگوریتم بهینه سازی مورچگان یک الگوریتم فرا ابتکاری است که با ایده گرفتن از طبیعت برای مسائلی مانند فروشنده دوره‌گرد و دیگر مسائل ترکیبی بهینه‌سازی راه‌حل پیدا می‌کند . این الگوریتم به عنوان یکی از بهترین متدهای محاسباتی با کارایی بالا برای حل مسئله فروشنده دروه‌گرد در نظر گرفته می شود . در این مقاله تاثیر موازی سازی الگوریتم بهینه‌سازی کلونی مورچگان روی افزایش کارایی‌، برای مسئله TSP مورد مطالعه قرار می‌گیرد .یکی از دلایل موازی‌سازی این الگوریتم کاهش زمان مورد نیاز جهت یافتن راه‌حل در حالی که کیفیت جواب با حالت غیر موازی یکسان باشد ./1005/

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی آدرس ایمیل:

[e-mail]

شماره جهت ارتباط پیامکی :

09337843121

توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

دانلود مقاله مقایسه و بررسی دو الگوریتم در بهره وری انرژی در شبکه های حسگر بی سیم

اختصاصی از فی فوو دانلود مقاله مقایسه و بررسی دو الگوریتم در بهره وری انرژی در شبکه های حسگر بی سیم دانلود با لینک مستقیم و پر سرعت .

مشخصات این فایل
عنوان: مقایسه و بررسی دو الگوریتم در بهره وری انرژی در شبکه های حسگر بی سیم
فرمت فایل: word( قابل ویرایش)
تعداد صفحات: 17

این مقاله درمورد مقایسه و بررسی دو الگوریتم در بهره وری انرژی در شبکه های حسگر بی سیم می باشد.

خلاصه آنچه در مقاله مقایسه و بررسی دو الگوریتم در بهره وری انرژی در شبکه های حسگر بی سیم می خوانید .

توصیف مدل چرخه  پیشنهادی
در ECHERP، فرض می شد BS که انرژی نامحدود دارد و ثدرت را انتقال می دهد. هم چنین دستور می شد که BS در یک جایگاه ثابت واقع شده است و داخل یا دور از زمینه حساس می باشد. فاصله طولانی ترین BS و مرکز زمینه حساس بزرگتر از انرژی مصرفی برای هر نود که به BS منتقل می شوند. همه نودهای شبکه فرض گرفته می شوندکه در زمینه حساس قرار دارند و به طور غالب در دسته ها گروه بندی شده اند. یکی از نودها انتخاب شده است تا به عنوان سردسته این گروه باشند. بنابراین تعداد سردسته ها با تعداد دسته ها برابر است. این سر دسته ها قادرند مستقیم به ایستگاه پایه را با هزینه انرژی منطقی را انجام دهند. سردسته ها بیشتر در فاصله جایگاه هایی از ایستگاه پایه قرار دارند که به عنوان دومین، سومین در نظر گرفتند.این سرگروه ها داده ها به سطح بالاتر سرگروهها انتقال می دهند. علاوه بر این به خاطر رسیدن به مصرف انرژی متعادل شده و افزایش طول عمر شبکه است. مهمترین ویژگی ECHRP در راس فرآیند انتخاب است. در این پروتکل به انتخاب سرگروه اطلاعات معمولی و انرژی مصرق شده در شبکه به عنوان یک سیستم طولی قاعده بندی شده اند. در اکثر پروتکلها نود با بالاترین انرژی در گروه به عنوان سرگروه انتخاب می شود. این انتخاب ممکن است به ناکارآمدی آن منجر شود که در نمونه های زیر مشاهده می شود. اجازه می دهد که نود در شکل 1 اینگونه فرض کنیم که انرژی بیشتری نسبت به نودهای دیگر در همان گروه دارد. پس نود انتخاب شده به عنوان سرگروه جدید انتخاب شده است. بنابراین این بقیه نودها را مجبور می کند تا داده ها را در جهت مخالف با ایستگاه پایه بفرستد و در نتیجه انرژی بیشتری مصرف می شود. به طور آشکارا، این یک فرآیند موثر انرژی نیست. و با انتخاب کردن سرگروه ها با انرژی موثر بیشتری جلوگیری می شود. مراحلی که در تشکیل دسته ها هستن و سپس سرگروه ها را به ترتیب زیر انتخاب می کنند :
1-BS یک تقسیم زمانی چند جانبه (TDMA) برنامه را ایجاد می کندو نودهایی را برای خبر کردن خودشان
درخواست می کند فرآیند مشابه با پروتکلهای دیگر است.
2- هر نود یک پیام کلی را برای خبر کردن میزان انرژی اش و موقعیت آن نسبت به همسایه هاش دارد. بر اساس این اطلاعات مبادله شده هر نود میز اظلاعات همسایه را سطح انرژی را ثبت می کند تشکیل می دهد و جایگاه هایی برای همسایه هایش به وجود می آورد و در طول تطبیق اطلاعات با همسایه هایش آنرا می فرستد.

این تشکیل تا زمانیکه اطلاعات از همه نودها در شبکه به BS فرستاده می شوند و به BS اجازه می دهند تا یک دانش کلی از شبکه داشته باشد. در این مرحله همه نودها کاندیدای سرگروهی هستند و هر نود یک ID واحد دارد.
3- به محض اینکه آگهی نود کامل شد BS الگوریتم حذف گاسین می رود و با تعداد چرخه هایی که هر نود می تواند سرگروه باشد رقابت می کند و سعی دارد تا عمر شبکه را کاهش دهد. در اولین مرحله از انتخاب سرگروه، BS نزدیکترین نود را برای خودش انتخاب می کند تا بالاترین سطح سرگروه را داشته باشد.
علاوه بر این بعضی از نودها از BS که هرگونه پیام مستقیم را دریافت نمی کنند در سطح پایین سرگروه ها در نظر گرفته می شوند. تعداد کلی نودها که در سرگروه ها قرار دارند 5 درصد از تعداد کل نودهای شبکه است و این می تواند در رسیدن به یک اجرای خوب در شبکه هماهنگ با مجموعه پارامترهای مختلف مفید باشد.میانگین های دیگر همچنین ممکن است مورد استفاده قرار گیرند.
4- BS جدیدا IDS واحد را برای سرگروه انتخاب کرده اند و اعضای گروهایشان و نودهایی که از این اطلاعات برای شکل و ورود به گروه استفاده می کنند. بنابراین هر نود دانشی از تعداد دفعاتی که یک سرگروه می تواند داشته باشد و تعداد دفعاتی که نمی تواند داشته باشد. BS با الگوریتم حذف گاسین رقابت می کند تعداد مبنایی از چرخه هایی که نودها می تواند در راس گروه باشد و این اطلاعات را به نود ها بفرستد.
5- سطح پایین تر سر گروه ها که مستقیماً به BS منتقل نمی شوند. آنها از سطح بالاتری برای سه گروه ها به عنوان تکرار کنندگان فوری داده هایشان به BS استفاده می کنند.
6- هر سر گروه یک برنامه TDMA را ایجاد می کند و این برنامه با نودهای در گروهش به خاطر هر نود را با خبر کنند تا آنرا انتقال دهند. به علاوه اینکه عنصر رادیویی در هر نود این امکان را فراهم می کند تا در تمام دوره خاموش باشد به جز در طول دوره انتقال. با این وجود، اتلاف انرژی هر سنسور شخص به طور قابل توجهی کاهش یافته است.
- سپس انتقال داده ها شروع می شود. نودها براساس زمان تخصیص یافته انتقال داده ها را با توجه به اتفاقهای حسی شده برای سرگروه هایشان می فرستند. قدرت انتقال در هر نود برای به حداقل رساندن ضروری است تعدیل می کند تا به سطح مجاورش برسد.
8- هر سطح پایین تر سرگروه داده ها را جمع می کند و سپس داده ها را بالاب سرگرده ها تا زمانیکه داده ها به ایستگاه پایه برسند متراکم می کند. چرخه انتقال داده ها کامل شده بود و پروتکل از 4 مرحله برای چرخش بعدی ادامه پیدا می کند.
9- در مورد اینکه تغییری در مکان شناسی شبکه در نتیجه هرگونه تغییر در جایگاه نود ایجاد شود یا در کل اتلاف انرژی نود BS دوباره از الگوریتم حذف گاسین برای تعیین سرگروه انتخابی استفاده می کنند.
10- اجرای پروتکل به محض اینکه همه نودها در شبکه به آخر انرژی رسیدند انجام می شود.
نمودار زیر ECHERP را در شکل 2 نشان می دهد.

الگورینم حذف گاسین در پروتکل پیشنهاد شده که در شکل 3 آمده مورد استفاده قرار می گیرد. پروتکل پیشنهاد شده تنها یک گروه بندی را اجرا می کند. در اینجا پروتکل می تواند از زمان و انرژی مصرفی برای گروه بندی مجدد خودداری کند. امرژی توسط نودها در شبکه مصرف می شوند که در سیستم طولی مدل گذاری شده اند و BS از الگوریتم حذف گاسین برای رقابت با انرژِ مصرفی توسط نود را مورد استفاده قرار می دهد و اگر سرگروه در چرخه بعدی با توجه به ترکیبهای احتمالی مدنظر است. بنابراین ترکیب انرژی کلی مصرفی را کاهش می دهد و شبکه طولانی شده را انتخاب می کند. فرایند حذف گاسین در دو مرحله انجام شده است. در طول اولین مرحله استفاده از تکنیک حذف جلویی ترتیب سیستم انرژی مصرفی را بازگردانی می کند و تکنیک تعویض، درجه سیستم انرژی مصرف را بازگردانی می کند که کاهش یافته است. این عمل را استفاده عملکردهای این ردیف اولیه بوجود می آید. در مرحله دوم تکنیک تعویض به خاطر پیدا کردن راه حلی برای سیستم بالا می باشد. انرژی مصرفی در سرگروه براساس پذیرش پیامدهای فرستاده شده به آن از طریق نودهای گروه و انتقال داده ها از پیامهای فرستاده از گروه به سطح بالاتر سرگروه یا ایستگاه پایه صورت می گیرد. انرژی مصرفی سرگروه براساس انتقال داده ها از پیامهای فرستاده شده به سرگروع بدست می آید. اجازه دهیم که فرض کنیم که بسته شامل ندهای K، ماتریکس A که انرژی مصرفی را در هر نود در دسته و K تعداد ندهای در دسته می باشند.   انرژی مصرفی توسط ند i اگر ند j در سرگروه باشد. علاوه بر این   انرژی باقی مانده ند i را تعیین می کند در حالیکه   زمان را نشان می دهد و ند i می تواند یک سرگروه باشد. در این روش ماتریکسهای B و x تشکیل شده اند. بنابراین    در معادله 3 نشان داده شده است.

بخشی از فهرست مطالب مقاله مقایسه و بررسی دو الگوریتم در بهره وری انرژی در شبکه های حسگر بی سیم

الگوریتم ها
1- مقدمه
2- کار ارتباط یافته
1-3 توصیف مدل انرژی پذیرفته شده
توصیف مدل چرخه  پیشنهادی
 نتایج
منابع: