خوشه بندي در شبكه هاي حسگر بي سيم با استفاده از آتوماتاهاي يادگير سلولي محمد احمدي نيا دانشگاه آزاد اسلامي واحد كرمان ايران ahmadna@gmal.com محمدرضا ميبدي دانشكده مهندسي كامپيوتر دانشگاه صنعتي اميركبير تهران ايران mmeybod@aut.ac.r چكيده: شبكههاي حسگر بي سيم كه براي نظارت و كنترل يك محيط خاص مورد استفاده قرار مي گيرند از تعداد زيادي گره حسگر ارزان قيمت تشكيل شدهاند كه به صورت متراكم در يك محيط پراكنده مي شوند. يكي از عمدهترين چالشها در اين نوع شبكهها محدوديت مصرف انرژي است كه مستقيما طول عمر شبكه حسگر را تحت تا ثير قرار مي دهد. خوشه بندي بعنوان يكي از روشهاي شناخته شدهاي است كه بطور گستردهاي براي مواجه شدن با اين چالش مورد استفاده قرار مي گيرد. در اين مقاله روشي كارا براي خوشه بندي شبكه هاي حسگر بي سيم با استفاده از تكنيك اتوماتاي يادگيرسلولي اراي ه گرديده است. روش اراي ه شده در چند مرحله نودهاي سرخوشه را بر اساس پارامترهاي مختلف مثل ميزان انرژي و تعداد همسايگان و... شناسايي مي نمايد و خوشه هايي متوازن با سر خوشه هايي با انرژي بالاتر نسبت به نودهاي معمولي ايجاد مي نمايد. جهت ارزيابي روش پيشنهادي با استفاده از شبيه ساز J-sm آزمايشاتي انجام گرفته است و روش اراي ه شده با تعدادي از بهترين الگوريتمهاي خوشه بندي مقايسه گرديده است. نتايج شبيه سازي عملكرد مطلوب روش اراي ه شده را نشان مي دهند. واژههاي كليدي: شبكههاي حسگر بي سيم خوشه بندي اتوماتاهاي يادگير سلولي كيفيت سرويس. 1- مقدمه شبكههاي حسگر بي سيم كه براي نظارت و كنترل يك محيط خاص مورد استفاده قرار مي گيرند از تعداد زيادي گره حسگر ارزان قيمت تشكيل شدهاند كه به صورت متراكم در يك محيط پراكنده مي شوند. اطلاعات جمع آوري شده بوسيله حسگرها بايد به يك ايستگاه پايه منتقل شوند. در ارسال مستقيم هر حسگر مستقيما اطلاعات را به مركز مي فرستد. كه به دليل فاصله زياد حسگرها از مركز انرژي زيادي مصرف مي كنند. در مقابل طراحي هايي كه فواصل ارتباطي را كوتاهتر مي كنند مي توانند دوره حيات شبكه را طولاني تر كنند. و لذا ارتباط- هاي چندگامي در اين گونه شبكهها مفيدتر و مقرون به صرفهتر از ارتباطهاي تكگامي هستند. اما در ارتباطهاي چندگامي نيز بيشتر انرژي نودها صرف ايجاد ارتباط با حسگرهاي ديگر ميشود كه منجر به مصرف زياد انرژي در حسگرها ميگردد. يكي از راه حلهاي اين مشكل خوشهبندي گرهها است. خوشه بندي كردن به اين صورت است كه شبكه را به تعدادي خوشه هاي مستقل قسمت بندي مي كنيم كه هر كدام يك سر خوشه دارند كه همه اطلاعات را از گره هاي داخل خوشه اش جمع آوري مي كند. سپس اين سر خوشه ها اطلاعات را مستقيما يا به صورت گام به گام با تعداد گامهاي كمتر و صرفا با استفاده از نودهاي سرخوشه به مركز اصلي ارسال مي كنند. خوشه بندي كردن مي تواند به ميزان زيادي هزينه هاي ارتباطي اكثر گره ها را كاهش دهد. در اين مقاله روشي كارا براي خوشه بندي شبكه هاي حسگر بي سيم با استفاده از تكنيك اتوماتاي يادگيرسلولي اراي ه گرديده است. ادامه مقاله بدين صورت سازماندهي شده است در بخش 2 خلاصهاي از كارهاي انجام شده اراي ه مي گردد. سپس آتوماتاي يادگيرسلولي كه بعنوان استراتژي اصلي يادگيري در الگوريتم پيشنهادي است در بخش 3 باختصار شرح داده ميشود. در بخش 4 الگوريتم پيشنهادي و در بخش 5 نتايج شبيهسازيها ارايه ميگردد. بخش پاياني مقاله نتيجه- گيري ميباشد. 1
- 2 كارهاي انجام شده در اين بخش تعدادي از كارهاي انجام شده در زمينه خوشه بندي در شبكه هاي حسگر بي سيم اراي ه مي گردد: الگوريتم خوشه بندي توزيع شده در [1] نودهارا ثابت و با وزنهاي مقدار داده شده در نظر مي گيرد. الگوريتم خوشه بندي وزن دهي شده چندين خصوصيت را در يك پارامتر تركيب مي كند كه اين پارامتر در خوشه بندي استفاده مي شود. در [2] استفاده از يك درخت پوشا پيشنهاد شده است تا خوشه هاي با خواص مناسب ايجاد گردد. در اين الگوريتم انرژي به عنوان پارامتر اصلي مورد تاكيد قرار نمي گيرد. در[ 3 ] يك الگوريتم خوشه بندي غير فعال براي استفاده در مسيريابي مبتني بر درخواست در شبكه هاي حسگر پيشنهاد گرديده است. در[ 4 ] يك روش خوشه بندي اراي ه گرديده است كه مبتني است بر درجه (متصل بودن) و پايينترين شناسه نود. [5] LEACH يك پروتكل توزيع داده با كاربرد ويژه است كه با استفاده از خوشه بندي عمر شبكه را افزايش مي دهد. در[ 6 ] اراي ه دهنده گان از يك روش خوشه بندي تصادفي شبيه LEACH استفاده كرده اند اما روشي جهت محاسبه مقادير بهينه پارامترهاي الگوريتم از قبل بكار برده اند و از ارسال چند گامي براي ارتباطات درون خوشه اي و بين خوشه اي استفاده نموده اند. در [7] يك ساختار سلسله مراتبي چند سطحي پيشنهاد گرديده است كه سرخوشه ها بر اساس درجه و انرژي باقيمانده شان انتخاب مي گردند. [8] شبكه حسگر را در تعداد ثابتي تكرار با استفاده از درجه نود به عنوان پارامتر اصلي خوشه بندي مي كند. در[ 9 ] نويسنده گان تاثير روش هاي ارتباطي مختلف (تك گامي و چند گامي ( بر روي كارايي پروتكلهاي خوشه بندي را مورد مطالعه قرار مي دهند. پروتكل HEED كه در [10] آمده است يك پروتكل توزيع شده است كه مستقل از نحوه توزيع نودها بر اساس پارامتر اصلي مقدار انرژي باقيمانده سرخوشه ها را انتخاب مي نمايد. در اين پروتكل يك پارامتر دوم نيز مورد استفاده قرار مي گيرد كه مي تواند نزديكي به همسايه باشد. يونيس و همكارانش در [11] درجه نود يا يك معماري مسيريابي سلسله مراتبي بر پايه مدل سه لايه اي اراي ه دادند كه خوشه ها بر اساس فاكتورهاي زيادي از قبيل دامنه ارتباطي تعداد و نوع نودهاي حسگر و مكان جغرافيايي ايجاد مي گردند. [12] در با استفاده از آتوماتاهاي يادگير روشي براي خوشه بندي گره ها معرفي مي گردد كه از انرژي باقيماندة گرهها و تعداد همسايگي براي انتخاب گرههاي سرخوشه استفاده مي كند. 3- آتوماتاهاي يادگير سلولي اتوماتاي يادگير ماشيني با حالات محدود ميتواند تعداد محدودي عمل را انجام دهد. است كه هر عمل انتخاب شده توسط يك محيط تصادفي ارزيابي شده و پاسخي به اتوماتاي يادگير داده ميشود. اتوماتاي يادگير از اين پاسخ استفاده نموده و عمل خود را براي مرحله بعد انتخاب ميكند. در طي اين فرآيند اتوماتاي يادگير فرا ميگيرد كه چگونه بهترين عمل را از بين اعمال مجاز خود انتخاب نمايد. شكل 1 ارتباط بين اتوماتاي يادگير و محيط را نشان ميدهد. β ( n) آتوماتاي يادگير محيط شكل 1 : ارتباط بين اتوماتاي يادگير و محيط آتوماتاي يادگير سلولي آتوماتاي يادگير سلولي نامنظم نامنظم α ( n) :(ICLA) (ICLA) يك يك آتوماتاي يادگير سلولي (CLA) است كه محدوديت ساختار مستطيلي گريد درCLA را ندارد. كاربردهاي زيادي هستند كه نمي توانند با گريد هاي مستطيلي مدل شوند مثل شبكه هاي حسگر بي سيم سيستمهاي ايمني مصنوعي كاربردهاي مربوط به گراف و.... يك ICLA به صورت يك گراف بدون جهت تعريف مي گردد كه هر گره گراف يك سلول را مشخص مي كند كه به يك آتوماتاي يادگير مجهز است. آتوماتاي يادگير در واقع يك سلول مشخص وضعيتش را بر اساس بردار احتمالات اعمالش تعيين مي كند. 2
4- خوشه بندي در شبكه هاي حسگر بي سيم با استفاده از آتوماتاهاي يادگير سلولي در اين بخش قصد داريم يك روش خوشه بندي در شبكه هاي حسگر بي سيم اراي ه دهيم كه از تكنيك آتوماتاهاي يادگيرسلولي استفاده مي نمايد. در اين روش ما فرض مي كنيم كه تمام نودهاي شبكه حسگر يكسانند و هر نود شبكه دو حالت مي تواند داشته باشد: 1) نود سرخوشه 2) CH نود معمولي CN ميزان مصرف انرژي در حالت سرخوشه نسبت به حالت معمولي بالاترمي باشد. در روش پيشنهادي معيارهاي اصلي كه مد نظر قرار مي گيرند عبارتند از: 1) ميزان انرژي مصرفي: بدين صورت كه نودهاي با انرژي بالاتر احتمال سرخوشه شدنشان بالاتر مي رود. در ضمن خوشه هاي توليد شده اندازه متعادلي خواهند داشت. 2) متصل بودن شبكه: جهت متصل بودن شبكه حسگر بايد هر نود معمولي بايد يك نود سرخوشه همسايه داشته باشد كه بتواند داده هايش را بدان ارسال نمايد. الگوريتم پيشنهادي شامل دو فاز مي باشد فاز خوشه بندي و فاز حالت پايدار كه در فاز خوشه بندي با استفاده از تكنيك آتوماتاهاي يادگير سلولي نودهاي حسگر يكي از حالتهاي سرخوشه يا معمولي را انتخاب مي كنند و خوشه ها تشكيل شده و هر نوع معمولي سرخوشه خود را شناسايي مي نمايد. سپس فاز حالت پايدار شروع مي گردد كه در فاز حالت پايدار, نودهاي معمولي براساس برنامه زمانبندي كه سرخوشه براي آنها تعيين نموده است داده هاي جمع آوري شده را به سر خوشه ارسال مي دارند و سر خوشه نيز اطلاعات را به نود سينك مي فرستد. تشريح فازهاي مختلف الگوريتم در ادامه آمده است: فاز خوشه بندي: در اين فاز خوشه ها بايد شكل گيرند و نودهاي سرخوشه مشخص شوند. تعيين نودهاي سرخوشه در دو مرحله انجام مي گيرد. اين فاز خود شامل سه مرحله مي باشد. كه در ادامه اين سه مرحله را شرح مي دهيم: مرحله 1 در مرحله اول خوشه بندى هر نود در پيامي تعداد هسايگانش را اطلاع نودهاى مجاور مي رساند. سپس هر نودي كه نسبت به تمام نودهاي مجاورش بيشترين تعداد همسايه را دارا باشد خودش را به عنوان سرخوشه انتخاب كرده و به اطلاع هسايگانش نيز مي رساند. نودهايي كه در اين مرحله به عنوان سرخوشه انتخاب مي گردند يا در همسايگي نود سرخوسه اي قرار دارند وارد مراحل يادگيري بعدي نمي شوند و وضعيت انها پايدار مي گردد. مرحله 2 در اين مرحله نودهايي كه در مرحله قبل وضعيتشان مشخص نشده است با استفاده از تكنيك آتوماتاهاي يادگيرسلولي نامنظم( ICLA ) وضعيتشان را تعيين مي نمايند. جهت استفاده از اين تكنيك متناظر با شبكه حسگريك آتوماتاهاي يادگيرسلولي نامنظم در نظر مي گيريم كه هر نودي در شبكه كه در مرحله قبل به وضعيت پايدار نرسيده است معادل است با يك سلول در دو سلول درICLA. ICLA در صورتي همسايه اند كه فاصله نودهاي متناظر كمتر از برد ارتباطي باشد. آتوماتاي متناظرهر نود مي تواند يكي از دو الفباي CN, CH را براساس بردار احتمالاتش انتخاب نمايد كه انتخاب CH معادل با سر خوشه شدن نود و انتخاب CN معادل با معمولي در نظر گرفته شدن نود مي باشد. در هر دور آتوماتاي هر نود بر اساس احتمال منتسب به هريك از اعمالش يكي را به طور تصادفي انتخاب مي كند. با هر انتخاب ميزان احتمال سر خوشه شدن نود براساس پارامترهاي مختلف كاهش يا افزايش مي يابد. پارامترهايي كه جهت خوشه بندي در نظر گرفته مي شوند عبارتنداز: 1) ميزان انرژي نود. 2) تعداد همسايه هاي نود. 3) تعداد نودهاي سرخوشه همسايه. به طور كلي مي توان پارامترهاي مذكور را به دو دسته كلي تقسيم بندي نمود: پارامترهاي مربوط به انرژي كه سعي در انتخاب نودهاي با انرژي بيشتر به عنوان سر خوشه دارند و پارامترهاي مربوط به چگونگي و كيفيت زير ساخت خوشه بندي كه اين پارامترها سعي در تشكيل تعداد مناسب خوشه ها و ايجاد خوشه هاي متوازي دارند. به جهت اينكه بتوان اين دو دسته پارامترها را به ميزان دلخواه در تشكيل خوشه ها شركت داد دو ضريب براي اين دو دسته پارامترها در نظر گرفته ايم به گونه اي كه مجموع اين ضرايب برابر با يك مي شود. 3
با توجه به پارامترهاي ذكر شده در بالا با انتخاب هر عمل توسط آتوماتاي نود ميزان احتمال انجام آن عمل تغيير مي يابد. براي پاداش يا جريمه عمل انتخاب شده از روابط( 1 ) و (2) استفاده مي گردد. كه a ضريب پاداش و b ضريب جريمه مي باشد. p( n+ 1) = p( n) + a[1 p( n)] (1) p ( n+ 1) = 1 p ( n+ 1) j p( n+ 1) = (1 b) p( n) p ( n+ 1) = 1 p ( n 1) j (2) در هر دور هر نود پس از انتخاب يك عمل بر اساس روابط β (3) و (4) سيگنال تقويتي β را محاسبه مي نمايد. اگر برابر با يك شود عمل انتخابي با استفاده از رابطه (2) جريمه مي گردد. ( 1 )پاداش دريافت مي كند. و اگر برابر با صفر شود طبق رابطه اگر عمل انتخابي سرخوشه شدن نود باشد( 1 ) ( α) n = β از رابطه (4) بدست مي ايد: مقدار n) ( 0 : w. ψ( n) + w.( λ 2 + τ( n) 2) > 0 (3) e u β() n 1 : otherwse = به طوري كه: e ( n) e ( n) N N µ µ ψ ( n) = λ = e ( n) e ( n) N N µ µ e ميزان انرژي باقيمانده نود در دور nام مي باشد. ( n) N تعداد eµ ميانگين انرژي همسايگان نود و( n ( همسايگان نود و ميانگين تعداد همسايگان نودهاي N µ همسايه نود مي باشد. 1 : α ( n) > 0 τ ( n) = j = 0 1 : N j otherwse α j عمل انتخابي نود j است. ( n) ضريب ثابت پارامتر ثابت w e w u ميزان وزن اختصاص داده شده به انرژي در الگوريتم خوشه بندي است. و ضريب ميزان وزن اختصاص داده شده به پارامترهاي مربوط به كيفيت زير ساخت خوشه بندي مي باشد. اگر عمل انتخاب شده انتخاب نود به عنوان نود معمولي باشد β از رابطه (4) محاسبه مي ( n) مقدار (α ( n) = 0) شود: 1 : w. ψ( n) + w.( λ 2 + τ( n) 2) > 0 (4) e u β() n = 0 : otherwse اين مرحله درچندين دور انجام مي گيرد در هر دور هر نود حسگر براساس بردار احتمالاتش يكي ازوضعيتهاي سر خوشه شدن و سر خوشه نشدن را انتخاب مي كند و يك پيام به صورت پخشي به تمام همسايگان ارسال مي نمايد كه پيام حاوي عمل انتخابي نود ميزان انرژي باقيمانده و تعداد همسايگانش مي باشد. پس از مدت زماني مشخص كه تمام نودها پيامهاي همسايگانشان را دريافت كردند. هر نود به عمل انتخابي اش براساس روابط (1) و (2) پاداش يا جريمه مي دهد و در حقيقت احتمال سر خوشه شدن نود را افزايش يا كاهش مي دهد و در دور بعد نودها براساس احتمال جديد حالت جديدي را انتخاب نموده و عمليات تكرار مي گردد. هر نود كه احتمال سرخوشه شدنش به نزديك صفر يا يك برسد. بر اساس بردار احتمال يك حالت را انتخاب مي كند و به وضعيت پايدار مي رسد. اين الگوريتم به تعداد دفعات معيني ادامه مي يابد. در اين زمان تمام نودها حالتشان را انتخاب نموده و اين مرحله به پايان مي رسد. مرحله 3 پس از مشخص شدن وضعيت نودها و تعيين سرخوشه ها در دو مرحله قبلي نوبت به شكل گيري خوشه ها مي رسد. در اين مرحله نودهاي سرخوشه پيامهايي حاوي موقعيت جغرافيايي شان را به نودهاي همسايه به صورت پخشي ارسال مي نمايند. سپس نودهاي معمولي از بين همسايگان سرخوشه نزديكترين نود را به عنوان سر خوشه انتخاب مي نمايند. جهت ايجاد خوشه هر نود معمولي يك بسته JOIN_PACKET به سر خوشه اش ارسال مي كند و نودهاي سر خوشه با جمع آوري اين بسته ها اعضاي خوشه را شناسايي و خوشه را شكل مي دهند و سپس يك برنامه زمانبندي ايجاد نموده و با ارسال پخشي يك بسته زمانبندي (SCH_PACKET) به اعضاي خوشه زمان ارسال داده هاي هر عضو خوشه را به آنها اعلام مي دارند. فاز حالت پايدار پس از فاز خوشه بندي و تشكيل خوشه ها فاز حالت پايدار شروع مي شود در فاز حالت پايدار نودهاي معمولي به صورت تناوبي و با فواصل زماني مشخص داده هايشان را به نودهاي سر خوشه ارسال مي نمايند و نودهاي سر خوشه نيز داده ها را به نود سينك مي 4
فرستند. جهت جلوگيري از تداخل در ارسال داده ها نودهاي عضو خوشه از يك برنامه زمانبندي جهت ارسال داده ها استفاده مي كنند. نودهاي سر خوشه انرژي بيشتري از بقيه نودها مصرف مي كنند و سرشعتر از بين رفته و شبكه مختل مي گردد. جهت جلوگيري از بوجود آمدن اين مشكل ما از تغيير نودهاي سرخوشه در يك خوشه استفاده مي كنيم. بدين صورت كه هر گاه مقدار انرژي باقيمانده نود سر خوشه از مقدار انرژي نودهاي خوشه بيش از يك حد آستانه بيشتر باشد سر خوشه بودن را به نودي كه بيشترين انرژي را دارا است واگذار مي كنند. 5- شبيه سازي در اين بخش كارايي الگوريتم پيشنهادي با استفاده از آزمايشات مختلف مورد ارزيابي قرار مي گيرد. جهت انجام آزمايشات از نرم افزار شبيه ساز شبكه J-Sm استفاده شده است. در اين آزمايشات نتايج حاصل از عملكرد الگوريتم خوشه بندي پيشنهادي را با الگوريتمهاي خوشه بندي HEED LEACH و Extended HEED و الگوريتم مبتني بر اتوماتاهاي يادگير اراي ه شده در[ 13 ] (ICLA) مقايسه نموده ايم. در شبيه سازي انجام شده محيط حسگري 100 100 متر در نظر گرفته شده است و فرض گرديده است برد راديويي حسگرها 20 متر مي باشد. درضمن انرژي اوليه هريك ازنودهاي حسگر به صورت تصادفي از بازه [2 1.8], انتخاب مي گردد.آزمايشات براي تعداد گره هاي حسگر Nبرابربا 500,400,300,200,100,50 انجام گرفته است وهر آزمايش براي هر تعداد حسگر 10 بار تكرار گرديده است ونتايج حاصل ميانگين نتايج در 10 اجرا مي باشد. مقادير w e w u و را برابر با 0.5 و مقادير آزمايش اول در آزمايش اول هدف مقايسه چگونگي وكيفيت زير ساخت خوشه بندي روش پيشنهادي با روشهاي مورد ارزيابي, مي باشد. كه اين كيفيت بر اساس معيارهاي تعداد سرخوشه ها درصد خوشه هاي خالي و نسبت ميانگين سطح انرژي سرخوشه ها به ميانگين سطح انرژي اعضا مورد ارزيابي قرار مي گيرد. نتايج اين دسته از آزمايشات در اشكال 5 تا 8 نمايش داده شده است. شكل 5 تعداد سرخوشه هاي ايجاد شده در روش پيشنهادي را در مقايسه با روشهاي مورد مقايسه را با تعداد نودهاي مختلف نشان مي دهد. همانگونه كه مشاهده مي گردد تعداد نودهاي سرخوشه ايجاد شده در روش پيشنهادي نسبت به بقيه روشها كمتر مي باشد و تقريبا برابر با روش ICLA مي باشد. شكل 6 شكل : 5 مقايسه تعداد خوشه هاي ايجاد شده در روشهاي مختلف درصد خوشه هاي خالي ايجاد شده و شكل 7 نسبت ميانگين انرژي سرخوشه ها نسبت به ميانگين انرژي نودهاي معمولي در روش خوشه بندي پيشنهادي را در مقايسه با روشهاي ديگر نشان مي دهند. حاكي از عملكرد بهتر روش پيشنهادي مي باشد. كه نتايج شكل 6 : مقايسه درصد خوشه هاي خالي ايجاد شده در روشهاي مختلف خوشه بندي a و b را برابر 0.1 در نظر گرفته ايم. جهت مقايسه عملكرد الگوريتم معيارهاي متفاوتي مد نظر قرار گرفته شده اند. معيارهاي مورد نظر عبارتند از 1 )تعداد خوشه ها 2) درصد خوشه هاي 3) نسبت سطح انرژي ميانگين سرخوشه ها به سطح انرژي ميانگين اعضا 4) طول عمر شبكه. به منظور ارزيابي اين دو دسته معيارها دو نوع آزمايش انجام گرفته است كه در ادامه شرح مي دهيم. 5
شكل 7: مقايسه نرخ ميانگين انرژي سرخوشه ها نسبت به ميانگين انرژي نودهاي معمولي 2 آزمايش دوم در آزمايش شماره طول عمر شبكه كه يكي از معيارهاي اصلي كيفيت سرويس در شبكه هاي حسگر است مورد بررسي قرار گرفته است. نتايج ارزيابي در شكل 8 نشان داده شده است. مشاهده مي گردد كه طول عمر شبكه در حالتي كه از الگوريتم پيشنهادي استفاده شده است بيشتر از طول عمر شبكه در استفاده از الگوريتمهاي مورد مقايسه مي باشد. شكل 8: مقايسه طول عمر شبكه در روشهاي مختلف خوشه بندي 6- جمع بندي در اين مقاله جهت افزايش طول عمر شبكه هاي حسگر بي سيم كه يكي از پارامترهاي اصلي كيفيت سرويس در شبكه هاي حسگر مي باشد روشي براي خوشه بندي نودها در شبكه هاي حسگر بر اساس ICLA اراي ه گرديد. در اين روش خوشه بندي ما پارامترهاي مختلفي مثل توازن اندازه خوشه ها انرژي خوشه ها و... را مد نظر قرار داديم. نتايج آزمايشات نشان داد كه روش اراي ه شده نسبت به ديگر روشهاي خوشه بندي خوشه هاي متوازنتري ايجاد نموده و طول عمر شبكه را افزايش مي دهد. مراجع [1] S. Basagn, Dstrbuted Clusterng Algorthm for Adhoc Networks, n Internatonal Symposum on Parallel Archtectures, Algorthms, and Networks (I-SPAN),1999. [2] S. Banerjee and S. Khuller, A Clusterng Scheme for Herarchcal Control n Mult-hop Wreless Networks, n Proceedngs of IEEE INFOCOM, Aprl2001. [3] M. Gerla and T. J. Kwon, On Demand Routng n Large Ad Hoc Wreless Networks WCNC,2000. [4] C. R. Ln and M. Gerla, Adaptve Clusterng for Moble Wreless Networks, n IEEE J. Select. Areas Commun., September1997. [5] W. R. Henzelman, A. Chandrakasan, and H. Balakrshnan, An Applcaton-Specfc Protocol Archtecture for Wreless McrosensorNetworks, IEEE Transactons on Wreless Communcatons, vol.1,no.4, pp.660 670, October2002. [6] S. Bandyopadhyay and E. Coyle, An Energy- Effcent Herarchc alclusterng Algorthm for Wreless Sensor Networks, IEEE INFOCOM, Aprl2003. [7] D. Estrn, R. Govndan, J. Hedemann, and S. Kumar, Next Century Challenges: Scalable Coordnaton n Sensor Networks, n Proceedngs of the ACM/IEEE Internatonal Conference on Moble Computng and Networkng (MOBICOM), August 1999. [8] H. Chan and A. Perrg, ACE: An Emergent Algorthm for Hghly Unform ClusterFormaton, n Proceedngs of the Frst European Workshop on Sensor Networks(EWSN), January2004. [9] V. Mhatre and C. Rosenberg, Desgn Gudelnes for Wreless Sensor Networks Communcaton: Clusterng and Aggregaton, Ad-hoc Networks ournal,2004. [10] O. Youns and S. Fahmy, "Dstrbuted Clusterng n Ad-hoc Sensor Networks: A Hybrd, Energy-Effcent Approach", In Proc. of IEEE INFOCOM, March 2004. [11] J. Kulk, W. R. Henzelman, and H. Balakrshnan, Negotaton-Based Protocols for Dssemnatng Informaton n Wreless Sensor Networks, ACM Wreless Networks, vol. 8, no. 2-3, pp. 169 185, 2002. [12] Farajzadeh, N. and Meybod, M. R., "Learnng Automata-based Clusterng Algorthm for Sensor Networks", Proceedngs of 12 th Annual CSI Computer Conference of Iran, Shahd Behesht Unversty, Tehran, Iran, pp.780-787, Feb.20-22,2007. [13] Esnaashar, M. and Meybod, M. R., "A Cellular Learnng Automata based Clusterng Algorthm for Wreless Sensor Networks", Sensor Letters,2008. 6