توسعه تخصیص وظایف به کاربران سنجش‌جمعی‌ سیار در اینترنت‌ اشیاء با استفاده از پیش‌بینی تحرک کاربران، پیش‌بینی نرخ مشارکت کاربران و الگوریتم بهینه‌سازی نهنگ پیشرفته باینری

در این مقاله به توسعه تخصیص وظایف به کاربران در سنجش‌جمعی سیار (mcs) پرداخته خواهد شد. روش پیشنهادی به دو مرحله آموزش آفلاین و تخصیص وظایف تقسیم شده است. در مرحله آموزش آفلاین مکان آینده کاربران و نرخ مشارکت در بلوک‌های سنجش برای پیش‌بینی آموزش داده می‌شوند. در مرحله تخصیص وظایف، وظایف به کاربران با توجه به مکان آینده آن‌ها و نرخ مشارکت در بلوک‌ها داده می‌شود. این تخصیص با توجه به اهداف آن که حداکثر کردن کیفیت داده‌ها و حداقل کردن انرژی مصرفی کاربران می‌باشد، توسط الگوریتم بهینه‌سازی نهنگ پیشرفته باینری (be-wao) انجام می‌شود. در مرحله آموزش آفلاین برای پیش‌بینی مسیر حرکتی آینده کاربران از دو مجموعه‌داده دنیای واقعی استفاده شد؛ که میانگین mae برای این دو مجموعه‌داده 0/004579 و 0/00699 و برای پیش‌بینی نرخ مشارکت در بلوک‌ها 0/2465 به‌دست آمد. در مرحله تخصیص وظایف 11 سناریو تخصیص وظایف متفاوت با 110 شبیه‌سازی انجام شد؛ که به‌طور میانگین %70 باعث صرفه‌جویی انرژی مصرف کاربران شده و کیفیت داده‌ها به حداکثر رسیده است. همچنین نسبت به پژوهش دیگر %37/6 نرخ پوشش بهتری را کسب کرده است. be-wao بر اساس تابع ارزش %124 نسبت به الگوریتم تصادفی و %65 نسبت به الگوریتم حریصانه برتری داشته است.

development of task allocation to mobile crowdsensing users in internet of things using users mobility prediction, users participation rate prediction and binary enhanced whale optimization algorithm

this paper will discuss the development of task allocation to users in mobile crowdsourcing (mcs) in two phases of offline training and task allocation. the offline training phase trains users future locations and participation rates in sensing blocks to predict. in the task allocation phase, tasks are given to users according to their future location and participation rate in the blocks. this allocation is done by binary enhanced whale optimization algorithm (be-wao) according to its goals of maximizing data quality and minimizing users energy consumption. in the offline training phase, two real-world datasets were used to predict the future movement path of users; that the average mae for these two data sets was 0.004579 and 0.00699, and 0.2465 was obtained for predicting the participation rate in blocks. in the task allocation phase, 11 different task allocation scenarios were performed with 110 simulations; which has saved users energy consumption by an average of 70% and the quality of data has reached the maximum. also, it has obtained a better coverage rate compared to the other research of 37.6%. based on the cost function, be-wao was 124% and 65% superior to the random and greedy algorithms.