بهبود بارگذاری داده ها با در نظر گرفتن مقدار مصرف انرژی و تازگی اطلاعات در شبکه اینترنت اشیاء صنعتی با کمک الگوریتم ژنتیک تقویتی
سیدابراهیم دشتی
1
(
دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی، جهرم، ایران
)
فاطمه مؤیدی
2
(
گروه مهندسی کامپیوتر، مجتمع آموزش عالی لارستان، لار، ایران
)
عادل سالمی
3
(
دانشکده برق و کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
)
الکلمات المفتاحية: بارگذاری, اینترنت اشیای صنعتی, الگوریتم ژنتیک, یادگیری تقویتی,
ملخص المقالة :
با افزایش روزافزون کاربرد اینترنت اشیا در زندگی روزمره و مخصوصاً صنعت، بهبود کارایی و زمان تأخیر با کمک بارگذاری دادهها یکی از اهداف این مسائل شده است. کنترل این عوامل باعث بهبود مصرف انرژی و استفاده طولانیتر از باتری اشیا خواهد شد. در این مقاله روشی برای بهبود پردازش دادههای حسگرها و محاسبات لبه و ابر در سیستمهای اینترنت اشیای صنعتی معرفی گردیده و معماری مطابق با دنیای واقعی در نظر گرفته شده است. در این معماری از سرورهای لبه با قابلیتهای محاسباتی در لبه شبکه به ویژه در ایستگاههای پایه استفاده میشود. درخواستهای حساس به تأخیر میتوانند از طریق کانالهای بیسیم به سرورهای لبه نزدیک منتقل شوند؛ در نتیجه ترافیک در شبکه مرکزی و تأخیر انتقال داده کاربر را به ویژه برای برنامههای صنعتی با حجم داده زیاد کاهش دهد. هدف در اینترنت اشیای صنعتی، مدیریت منابع شبکه، انتقال محاسبات و کمینهسازی مصرف انرژی در دستگاههای اینترنت اشیا با تضمین تازگی دادههای حسگر است. محیط شبکه و کارهای ورودی متغیر با زمان هستند. در این مقاله محیط مسئله و محدودیتهای آن با فرمول بیان گردیده و این مسئله با استفاده از الگوریتم ژنتیک و یادگیری تقویتی پیشنهادی حل شده است. راه حل پیشنهادی سبب بهبود محیط پویای مسئله برای بارگذاری دادهها و کارها با در نظر گرفتن انرژی و انتقال محاسبات و دادهها با درنظرگیری تازگی آنها شده است. نتایج نشاندهنده بهبود متوسط 40 درصدی نسبت به روشهای قبلی میباشد.
[1] K. Peng, et al., "Intelligent computation offloading and resource allocation in IIoT with end-edge-cloud computing using NSGA-III," IEEE Trans. on Network Science and Engineering, vol. 10, no. 5, pp. 3032-3046, Sept./Oct. 2022.
[2] J. Huang, H. Gao, S. Wan, and Y. Chen, "AoI-aware energy control and computation offloading for industrial IoT," Future Generation Computer Systems, vol. 139, pp. 29-37, Feb. 2023.
[3] H. Hu, T. Wang, and F. Feng, "Research on the deep deterministic policy algorithm based on the first-order inverted pendulum," Applied Sciences, vol. 13, no. 13, Article ID: 7594, 15 pp., 1 Jul. 2023.
[4] W. Huo, T. Zhao, F. Yang, and Y. Cheng, "An improved soft actor-critic based energy management strategy of fuel cell hybrid electric vehicle," J. of Energy Storage, pt. A, vol. 72, Article ID: 108243, Nov. 2023.
[5] R. Liu, C. Wang, A. Tang, Y. Zhang, and Q. Yu, "A twin delayed deep deterministic policy gradient-based energy management strategy for a battery-ultracapacitor electric vehicle considering driving condition recognition with learning vector quantization neural network," J. of Energy Storage, vol. 41, Article ID: 108147, Nov. 2023.
[6] M. Pan, Z. Li, and J. Qian, "Energy-efficient multiuser and multitask computation offloading optimization method," Intelligent and Converged Networks, vol. 4, no. 1, pp. 76-92, Mar. 2023.
[7] S. Tang, et al., "Computational intelligence and deep learning for next-generation edge-enabled industrial IoT," IEEE Trans. on Network Science and Engineering, vol. 10, no. 5, pp. 2881-2893, Sept./Oct. 2022.
[8] Z. Wang, Y. Ding, X. Jin, Y. Chen, and C. Gao, "Task offloading for edge computing in industrial Internet with joint data compression and security protection," The J. of Supercomputing, vol. 79, pp. 4291-4317, 2023.[1] K. Peng, et al., "Intelligent computation offloading and resource allocation in IIoT with end-edge-cloud computing using NSGA-III," IEEE Trans. on Network Science and Engineering, vol. 10, no. 5, pp. 3032-3046, Sept./Oct. 2022.
[2] J. Huang, H. Gao, S. Wan, and Y. Chen, "AoI-aware energy control and computation offloading for industrial IoT," Future Generation Computer Systems, vol. 139, pp. 29-37, Feb. 2023.
[3] H. Hu, T. Wang, and F. Feng, "Research on the deep deterministic policy algorithm based on the first-order inverted pendulum," Applied Sciences, vol. 13, no. 13, Article ID: 7594, 15 pp., 1 Jul. 2023.
[4] W. Huo, T. Zhao, F. Yang, and Y. Cheng, "An improved soft actor-critic based energy management strategy of fuel cell hybrid electric vehicle," J. of Energy Storage, pt. A, vol. 72, Article ID: 108243, Nov. 2023.
[5] R. Liu, C. Wang, A. Tang, Y. Zhang, and Q. Yu, "A twin delayed deep deterministic policy gradient-based energy management strategy for a battery-ultracapacitor electric vehicle considering driving condition recognition with learning vector quantization neural network," J. of Energy Storage, vol. 41, Article ID: 108147, Nov. 2023.
[6] M. Pan, Z. Li, and J. Qian, "Energy-efficient multiuser and multitask computation offloading optimization method," Intelligent and Converged Networks, vol. 4, no. 1, pp. 76-92, Mar. 2023.
[7] S. Tang, et al., "Computational intelligence and deep learning for next-generation edge-enabled industrial IoT," IEEE Trans. on Network Science and Engineering, vol. 10, no. 5, pp. 2881-2893, Sept./Oct. 2022.
[8] Z. Wang, Y. Ding, X. Jin, Y. Chen, and C. Gao, "Task offloading for edge computing in industrial Internet with joint data compression and security protection," The J. of Supercomputing, vol. 79, pp. 4291-4317, 2023.
[9] J. Xu, B. Yang, Y. Liu, C. Chen, and X. Guan, "Joint task offloading and resource allocation for multihop Industrial Internet of Things," IEEE Internet of Things J., vol. 9, no. 21, pp. 22022-22033, 1 Nov. 2022.
[10] J. Gao, et al., "A task offloading algorithm for cloud-edge collaborative system based on Lyapunov optimization," Cluster Computing, vol. 26, no. 1, pp. 337-348, Feb. 2023.
[11] س. ا. دشتی و ح. زارع، "افزایش کارایی الگوریتم تخلیه در محاسبات مه با کمک الگوریتم بهینه سازی ازدحام ذرات"، فصلنامه روشهای هوشمند در صنعت برق، سال 16، شماره 61، صص. 96-79، تابستان 1404.
[12] S. E. Dashti and A. M. Rahmani, "Dynamic VMs placement for energy efficiency by PSO in cloud computing," J. of Experimental & Theoretical Artificial Intelligence, vol. 28, no. 1-2, pp. 97-112, 2016.
[13] M. Sharma, et al., "Enabling security for the Industrial Internet of Things using deep learning, blockchain, and coalitions," Trans. on Emerging Telecommunications Technologies, vol. 32, no. 7, Article ID: e4137, Jul. 2021.
[14] D. Jiang, Y. Wang, Z. Lv, W. Wang, and H. Wang, "An energy-efficient networking approach in cloud services for IIoT networks," IEEE J. on Selected Areas in Communications, vol. 38, no. 5, pp. 928-941, May 2020.
[15] H. Kurniawati, "Partially observable Markov decision processes and robotics," Annual Review of Control, Robotics, and Autonomous Systems, vol. 5, pp. 253-277, 2022.
[16] Y. Song, et al., "RL-GA: a reinforcement learning-based genetic algorithm for electromagnetic detection satellite scheduling problem," Swarm and Evolutionary Computation, vol. 77, Article ID: 101236, Mar. 2023.