TY - JOUR ID - 162103 TI - کنترل توأم فشرده سازی و ارسال داده ها در تجهیزات اینترنت اشیاء با انرژی تجدیدپذیر JO - علوم رایانش و فناوری اطلاعات JA - JCSIT LA - fa SN - 2676-5438 AU - نامجونیا, فرنوش AU - حکمی, وصال AD - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران Y1 - 2019 PY - 2019 VL - 17 IS - 2 SP - EP - KW - اینترنت اشیاء KW - بهینه سازی انرژی KW - برداشت انرژی KW - تطابق داده ها KW - فرآیند تصمیم گیری مارکُف مقیّد KW - فشرده سازی KW - محدودیت تأخیر KW - یادگیری تقویتی PDS KW - یادگیری تقویتی VE DO - N2 - یکی از مهم­ترین چالش­های توسعۀ اینترنت اشیاء، محدودیت انرژی تجهیزات است. در راستای کاهش مصرف انرژی، در این مقاله، ما مسئله کنترل توأم نرخ فشرده­سازی (با اتلاف) و تعداد بسته­های ارسالی در واحد زمان را برای یک گره اینترنت اشیاء مجهز به منبع انرژی تجدیدپذیر مطرح می­کنیم. نوآوری راهکار پیشنهادی در توجه هم­زمان به دو هدف بهینه­سازی یعنی: «سطح تطابق» داده­های دریافتی با داده­های اصلی و نیز رعایت قید تأخیر ارسال داده­هاست. برای این منظور، با استفاده از چارچوب ریاضی فرآیند تصمیم مارکُفی مقیّد، مسئله را در قالب یک بهینه­سازی تصادفی طرح می­کنیم با هدف بیشینه کردن متوسط «سطح تطابق» داده­ها در بلندمدت، ضمن ایجاد محدودیت در متوسط تأخیرِ گزارش رویدادهای حسگری. نامقیّدسازی مسئله با روش استاندارد «لاگرانژین» انجام می­شود. الگوریتم پیشنهادی ما برای محاسبۀ سیاست بهینۀ تطبیق­پذیر نیز بر مبنای دو تکنیک­ یادگیری تقویتی سریع به نام PDS و VE است که می­تواند با جداسازی پویایی سیستم به دو بخش قطعی و تصادفی، صرفاً با اتخاذ تصمیمات حریصانه و بدون نیاز به دانش آماری فرآیندهای تصادفیِ کانالِ بی­سیم، شارژ انرژی و وقوع رویدادهای حسگری، همگرایی به سیاست بهینه را تضمین نماید. کارایی سیاست­­های پیشنهادی با الگوریتم استاندارد Q-learning مورد مقایسه قرار گرفته و به لحاظ مصرف انرژی، میزان هدررفت بسته­های داده و هم­چنین «سطح تطابق» داده­های گزارش شده ارزیابی می­­شوند. نتایج نشان می­دهند که سطح تطابق داده­های گزارش شده در روش VE  نسبت به روش استاندارد Q-learning به میزان 63.741 درصد و روش PDS نسبت به روش استاندارد Q-learning میزان 61.845 درصد بهبود یافته است. UR - http://jcsit.ir/article_162103.html L1 - ER -