|
|
|
|
بهبود مصرف انرژی مسیریابی در شبکه مبتنی بر توپولوژی داینامیک بوسیله تنظیم و بهینه سازی هایپرپارامترهای الگوریتم‌های یادگیری عمیق با استفاده از هوش مصنوعی
|
|
|
|
|
|
|
|
نویسنده
|
خدادادی محمدحسین ,ریاضی لادن ,یزدانی سمانه
|
|
منبع
|
اولين كنفرانس ملي پژوهش و نوآوري در هوش مصنوعي - 1402 - دوره : 1 - اولین کنفرانس ملی پژوهش و نوآوری در هوش مصنوعی - کد همایش: 02230-75197 - صفحه:0 -0
|
|
چکیده
|
در سال‌های اخیر، پیش‌بینی مصرف انرژی ساختمان به‌عنوان یک رویکرد ضروری برای کنترل مصرف انرژی و کاهش انتشار کربن دی اکسید مورد توجه جوامع علمی قرار گرفته است. بخش ساختمان یکی از مصرف کنندگان اصلی انرژی در جهان است که بر اساس مطالعات آماری درصد بالایی از کل مصرف انرژی جهان را تشکیل می دهد به طور مثال در تحقیقات اخیر بیان شد که بخش ساختمان 36 درصد از کل مصرف انرژی جهانی و 40 درصد از انتشار دی اکسید کربن مرتبط را تشکیل می دهد. بنابراین، پیش‌بینی مصرف انرژی ساختمان برای کاربردهای مختلف مدیریت انرژی ساختمان (به عنوان مثال، مدیریت سمت تقاضا و ارتقای اقدامات بهره‌وری انرژی)، و اجرای استراتژی‌های کنترل هوشمند نقش کلیدی دارد. پروتکل‌های مسیریابی کارآمد انرژی متعددی برای شبکه‌های بی‌سیم ارائه شده است. تمامی این پروتکل‌ها سعی در انتخاب مسیری با انرژی بیشتر را دارند. وجود یک پروتکل مسیریابی کارآمد انرژی می‌تواند طول عمر را افزایش دهد. ناحیه‌بندی یکی از موارد مهم در شبکه‌های بی‌سیم بکار رفته در رباتها است. ناحیه‌بندی در انتخاب یک مسیر کارآمد می‌تواند بسیار مناسب باشد. در این مقاله، با در نظر گرفتن ناحیه‌بندی در گره‌های شبکه حسگر بی‌سیم، به ارائه یک پروتکل مسیریابی نوین جهت بهبود مصرف انرژی چند زنجیره برای شبکه‌های حسگر بی‌سیم بکار رفته در رباتهای کاوشگر با استفاده از سینک متحرک پرداخته می‌شود. نتایج پیاده‌سازی نشان می‌دهد که الگوریتم پیشنهادی دارای قابلیت اطمینان مناسب و کارایی بالایی بوده و می‌تواند اهداف مربوط به بهبود مصرف انرژی را در شبکه‌های حسگر رباتها به خوبی برآورده کند.
|
|
کلیدواژه
|
شبکه ، هوش مصنوعی ، یادگیری عمیق ،مصرف انرژی ، توپولوژی،هایپرپارامتر،deeplearning
|
|
آدرس
|
, iran, , iran, , iran
|
|
پست الکترونیکی
|
samaneh.yazdani@gmail.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
improving the energy consumption of routing in a network based on dynamic topology by adjusting and optimizing the hyperparameters of deep learning algorithms using artificial intelligence
|
|
|
|
|
Authors
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|