Bostan, AtilaSaedi, Osama Abd Ali Ibrahım Al2025-12-052025-12-052025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTTz5jwi7nGbCu6Zk4YS9NxPO0T3cHzmIUQO2odkKO_kWhttps://hdl.handle.net/20.500.12416/15762Kablosuz sensör ağları, tıp, bilim ve mühendislik alanlarındaki uygulamalarına duyulan acil ihtiyaç nedeniyle gün geçtikçe araştırmacıların ve yazarların dikkatini çekmektedir. Kablosuz sensör ağları, Nesnelerin İnterneti için hayati öneme sahiptir. Bu ağlar, verileri izlemek, takip etmek, kontrol etmek ve tespit etmek için hedeflenen bir alana dağıtılmış sensörlerden veya düğümlerden oluşur. Kablosuz sensör ağlarıyla karşı karşıya olan düğüm dağıtımı, enerji tüketimi, veri toplama ve düğüm yerelleştirmesi gibi birçok zorluk vardır. Bu çalışma, bu ağlarda belirli bir zamanda meydana gelen belirli bir olaydan çıkarılan verileri toplamak büyük önem taşıdığından, WSN'lerde yerelleştirmeye odaklanmaktadır. Burada, konumları bilinmeyen ağdaki sensörlerin fiziksel konumlarını tahmin etmek için yerelleştirmenin rolü ortaya çıkmaktadır. Dahası, bu konumların koordinatlarını bu ağlarda optimum rotayı belirlemek için kullanma potansiyeli, böylece enerji tüketimini en aza indirir ve bireysel düğümlerin ömrünü uzatır, bu nedenle yerelleştirme, kaynak açısından kısıtlı WSN'lerdeki en kritik zorluklardan birini temsil eder. Birçok araştırmacı, yerelleştirme sorunlarını performansı ve doğruluğu artırmak için optimizasyon sorunları olarak görmektedir. Yerelleştirme sorununu ele almanın en iyi yaklaşımı, klasik yöntemlerden daha fazla etkinlik gösteren sürü zekası algoritmalarını kullanmayı içerir. Bilim insanları, metasezgisel algoritmalara dayalı sürü zekasının, karmaşık optimizasyon görevlerinde ve dinamik çok modlu ortamlarda geleneksel optimizasyon yöntemlerinden daha iyi performans gösterdiğine dair oldukça önemli kanıtlar sundular, çünkü bunlar büyük bir alanda çözüm alanını keşfetme, değişen koşullara uyum sağlama, belirsizlikle başa çıkma ve çok amaçlı optimizasyon problemlerinde daha fazla esnekliğe sahip olma gibi dikkate değer bir yeteneğe sahipler ve karmaşık değişikliklere gerek kalmadan işleme izin veriyorlar. Bu çalışma, Afrika'daki Sekreter Kuşu'nun sürü davranışını simüle eden önerilen Sekreter Kuşu Optimizasyon algoritmasını kullanarak kablosuz sensörlerin yerini tahmin etmeyi amaçlamaktadır. Önerilen algoritmanın ve parçacık sürüsü optimizasyon algoritmasının (PSO) etkinliği arasında bir karşılaştırma yapıldı; simülasyon sonucu, SBOA'nın PSO'dan daha doğru olduğunu ve düğüm yerelleştirmesinde daha yüksek performansa sahip olduğunu gösterdi.Day after day, wireless sensor networks are attracting the attention of researchers and authors due to the urgent need for their applications in the fields of medicine, science, and engineering. Wireless sensor networks are vital to the Internet of Things. These networks consist of sensors, or nodes, distributed in a targeted area to monitor, track, control, and detect data. There are many challenges facing wireless sensor networks, such as node deployment, energy consumption, data collection, and node localization. This study focuses on localization in WSNs, as collecting data extracted from a given event that occurs at a time in these networks is of great importance. Here comes the role of localization to estimate the physical locations of sensors in the network whose locations are unknown. Furthermore, the potential of using the coordinates of these locations to determine the optimal route in these networks, thereby minimizing energy consumption and prolonging the lifespan of individual nodes, therefore, the localization represents one of the most critical challenges in resource-constrained WSNs. Many researchers consider localization problems as optimization problems to enhance performance and accuracy. The best approach to address the localization problem involves utilizing swarm intelligence algorithms, which have demonstrated greater effectiveness than classical methods. The scientists presented quite significant evidence for metaheuristic algorithms-based swarm intelligence outperforms traditional optimization methods in complex optimization tasks and dynamic multi-modal environments, as they have a remarkable ability to explore the solution area on a large domain, adapt to changing conditions, deal with uncertainty, and have greater flexibility with multi-objective optimization problems, allowing processing without the need for complex modifications. This study aims to predict the location of wireless sensors using the proposed Secretary Bird Optimization algorithm, which simulates the flocking behavior of the Secretary Bird in Africa. A comparison was conducted between the effectiveness of the proposed algorithm and the particle swarm optimization algorithm (PSO); the simulation outcome showed that SBOA is more accurate and has higher performance in node localization than PSO.enBilim ve TeknolojiScience and TechnologyMaster Thesis