{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2770"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2770","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Déploiement optimal des nœuds de capteurs employant le clustering K-means et un algorithme génétique","abstract":"Au cours des dernières décennies, les réseaux de capteurs sans fil ont reçu un nouvel essor grâce à la miniaturisation des composants électroniques. Ces composants ont permis de fabriquer de petits systèmes équipés de dispositifs de mémoire, de microprocesseurs, de communication et de capteurs. Ces systèmes sont appelés \"nœuds de capteurs\". Lorsqu’ils sont déployés dans une zone d’intérêt, ils interagissent et communiquent entre eux de façon autonome pour former un réseau de capteurs capable de transmettre des informations à la station de base. Les réseaux de capteurs sont utilisés dans plusieurs domaines d’application tels que la santé, le transport, l’armée et l’agriculture. Cependant, ces applications sont particulièrement sensibles sur la qualité de la couverture du terrain et sur la connectivité du réseau. De plus, plusieurs chercheurs s’intéressent aux problèmes soulevés par ces applications, tels que l’énergie, la couverture, la connectivité et le chevauchement, en d’autres termes le problème de déploiement de nœuds. Dans ce projet de mémoire, nous abordons le problème du déploiement de nœuds dans une application spécifique qui est la prévention des incendies dans les forêts. Nous proposons une approche de déploiement comprenant deux phases : une phase de représentation de la zone basée sur un algorithme d’apprentissage non supervisé qui est le clustering K-means et une phase de déploiement de nœuds de capteurs basée sur l’algorithme génétique. L’objectif de la première phase est de déterminer les points d’intérêt à couvrir en tenant compte de la structure de la zone géographique. En ce qui concerne la deuxième phase, son objectif est de déterminer l’emplacement optimal des nœuds de capteurs en tenant compte de différentes contraintes telles que la couverture, la connectivité, le coût de déploiement et le chevauchement entre les nœuds. Les simulations réalisées ont démontré la performance de notre solution à optimiser le déploiement de nœuds de capteurs dans des zones géographiques à grande et petite échelle tout en assurant une couverture maximale, une connectivité totale du réseau, un nombre minimum de nœuds et un chevauchement minimal. En outre, les résultats expérimentaux ont prouvé l’efficacité de notre approche pour fournir des solutions optimales.","abstract_html":"Au cours des dernières décennies, les réseaux de capteurs sans fil ont reçu un nouvel essor grâce à la miniaturisation des composants électroniques. Ces composants ont permis de fabriquer de petits systèmes équipés de dispositifs de mémoire, de microprocesseurs, de communication et de capteurs. Ces systèmes sont appelés &quot;nœuds de capteurs&quot;. Lorsqu’ils sont déployés dans une zone d’intérêt, ils interagissent et communiquent entre eux de façon autonome pour former un réseau de capteurs capable de transmettre des informations à la station de base. Les réseaux de capteurs sont utilisés dans plusieurs domaines d’application tels que la santé, le transport, l’armée et l’agriculture. Cependant, ces applications sont particulièrement sensibles sur la qualité de la couverture du terrain et sur la connectivité du réseau. De plus, plusieurs chercheurs s’intéressent aux problèmes soulevés par ces applications, tels que l’énergie, la couverture, la connectivité et le chevauchement, en d’autres termes le problème de déploiement de nœuds. Dans ce projet de mémoire, nous abordons le problème du déploiement de nœuds dans une application spécifique qui est la prévention des incendies dans les forêts. Nous proposons une approche de déploiement comprenant deux phases : une phase de représentation de la zone basée sur un algorithme d’apprentissage non supervisé qui est le clustering K-means et une phase de déploiement de nœuds de capteurs basée sur l’algorithme génétique. L’objectif de la première phase est de déterminer les points d’intérêt à couvrir en tenant compte de la structure de la zone géographique. En ce qui concerne la deuxième phase, son objectif est de déterminer l’emplacement optimal des nœuds de capteurs en tenant compte de différentes contraintes telles que la couverture, la connectivité, le coût de déploiement et le chevauchement entre les nœuds. Les simulations réalisées ont démontré la performance de notre solution à optimiser le déploiement de nœuds de capteurs dans des zones géographiques à grande et petite échelle tout en assurant une couverture maximale, une connectivité totale du réseau, un nombre minimum de nœuds et un chevauchement minimal. En outre, les résultats expérimentaux ont prouvé l’efficacité de notre approche pour fournir des solutions optimales.","abstract_has_math":false,"creators":["Larbi, Rihem"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021-04-26","date_published":"2021-04-26","updated_at":"2026-11-18T22:09:03Z","subjects":["WSN, K-means, algorithme génétique"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2770"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2770","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2770/1/LARBI_Rihem.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2770","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Larbi, Rihem"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021-04-26"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["WSN, K-means, algorithme génétique"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2770","https://espace.etsmtl.ca/id/eprint/2770/1/LARBI_Rihem.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Au cours des dernières décennies, les réseaux de capteurs sans fil ont reçu un nouvel essor grâce à la miniaturisation des composants électroniques. Ces composants ont permis de fabriquer de petits systèmes équipés de dispositifs de mémoire, de microprocesseurs, de communication et de capteurs. Ces systèmes sont appelés \"nœuds de capteurs\". Lorsqu’ils sont déployés dans une zone d’intérêt, ils interagissent et communiquent entre eux de façon autonome pour former un réseau de capteurs capable de transmettre des informations à la station de base. Les réseaux de capteurs sont utilisés dans plusieurs domaines d’application tels que la santé, le transport, l’armée et l’agriculture. Cependant, ces applications sont particulièrement sensibles sur la qualité de la couverture du terrain et sur la connectivité du réseau. De plus, plusieurs chercheurs s’intéressent aux problèmes soulevés par ces applications, tels que l’énergie, la couverture, la connectivité et le chevauchement, en d’autres termes le problème de déploiement de nœuds. Dans ce projet de mémoire, nous abordons le problème du déploiement de nœuds dans une application spécifique qui est la prévention des incendies dans les forêts. Nous proposons une approche de déploiement comprenant deux phases : une phase de représentation de la zone basée sur un algorithme d’apprentissage non supervisé qui est le clustering K-means et une phase de déploiement de nœuds de capteurs basée sur l’algorithme génétique. L’objectif de la première phase est de déterminer les points d’intérêt à couvrir en tenant compte de la structure de la zone géographique. En ce qui concerne la deuxième phase, son objectif est de déterminer l’emplacement optimal des nœuds de capteurs en tenant compte de différentes contraintes telles que la couverture, la connectivité, le coût de déploiement et le chevauchement entre les nœuds. Les simulations réalisées ont démontré la performance de notre solution à optimiser le déploiement de nœuds de capteurs dans des zones géographiques à grande et petite échelle tout en assurant une couverture maximale, une connectivité totale du réseau, un nombre minimum de nœuds et un chevauchement minimal. En outre, les résultats expérimentaux ont prouvé l’efficacité de notre approche pour fournir des solutions optimales."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Déploiement optimal des nœuds de capteurs employant le clustering K-means et un algorithme génétique"]}]}],"canonical_facts":{"dc:creator":["Larbi, Rihem"],"dc:date":["2021-04-26"],"dc:description":["Au cours des dernières décennies, les réseaux de capteurs sans fil ont reçu un nouvel essor grâce à la miniaturisation des composants électroniques. Ces composants ont permis de fabriquer de petits systèmes équipés de dispositifs de mémoire, de microprocesseurs, de communication et de capteurs. Ces systèmes sont appelés \"nœuds de capteurs\". Lorsqu’ils sont déployés dans une zone d’intérêt, ils interagissent et communiquent entre eux de façon autonome pour former un réseau de capteurs capable de transmettre des informations à la station de base. Les réseaux de capteurs sont utilisés dans plusieurs domaines d’application tels que la santé, le transport, l’armée et l’agriculture. Cependant, ces applications sont particulièrement sensibles sur la qualité de la couverture du terrain et sur la connectivité du réseau. De plus, plusieurs chercheurs s’intéressent aux problèmes soulevés par ces applications, tels que l’énergie, la couverture, la connectivité et le chevauchement, en d’autres termes le problème de déploiement de nœuds. Dans ce projet de mémoire, nous abordons le problème du déploiement de nœuds dans une application spécifique qui est la prévention des incendies dans les forêts. Nous proposons une approche de déploiement comprenant deux phases : une phase de représentation de la zone basée sur un algorithme d’apprentissage non supervisé qui est le clustering K-means et une phase de déploiement de nœuds de capteurs basée sur l’algorithme génétique. L’objectif de la première phase est de déterminer les points d’intérêt à couvrir en tenant compte de la structure de la zone géographique. En ce qui concerne la deuxième phase, son objectif est de déterminer l’emplacement optimal des nœuds de capteurs en tenant compte de différentes contraintes telles que la couverture, la connectivité, le coût de déploiement et le chevauchement entre les nœuds. Les simulations réalisées ont démontré la performance de notre solution à optimiser le déploiement de nœuds de capteurs dans des zones géographiques à grande et petite échelle tout en assurant une couverture maximale, une connectivité totale du réseau, un nombre minimum de nœuds et un chevauchement minimal. En outre, les résultats expérimentaux ont prouvé l’efficacité de notre approche pour fournir des solutions optimales."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2770","https://espace.etsmtl.ca/id/eprint/2770/1/LARBI_Rihem.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["WSN, K-means, algorithme génétique"],"dc:title":["Déploiement optimal des nœuds de capteurs employant le clustering K-means et un algorithme génétique"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:09:03Z"}