کاربرد بهینه سازی مسیر کم مصرف انرژی چندین پهپاد با یادگیری تقویتی چندعاملی تکاملی در جمع آوری داده برای شبکه های اینترنت اشیاء شهر هوشمند

چکیده مقاله

شهرهای هوشمند به شبکه های اینترنت اشیاء IoT و حسگرهای بی سیم پراکنده برای پایش بلادرنگ ترافیک، کیفیت هوا، مدیریت زیرساخت ها و خدمات شهروندی وابسته هستند محدودیت انرژی حسگرها و پوشش ناکافی ایستگاه های پایه ثابت چالش های جدی ایجاد می کند این مقاله یک چارچوب ترکیبی نوین را برای بهینه سازی مسیر ۳ پهپاد چرخشی به عنوان ایستگاه پایه متحرک در شبکه های حسگر بی سیم WSN پیشنهاد می کند که با استفاده از یادگیری تقویتی عمیق چندعاملی تکاملی چندمعیاره و مدل واقعی مصرف انرژی شامل پرواز افقی، معلق ماندن، چرخش، صعود بر موانع سه بعدی و باد تصادفی ، جمع آوری داده کم مصرف انرژی را ممکن می سازد معماری دو لایه ای شامل بهینه ساز هیبریدی GA PSO Whale برای برنامه ریزی اولیه و EMO MARL با مکانیزم توجه بین عاملی و تکامل جمعیت محور برای بهبود آنلاین است شبیه سازی ها در محیط شهری با ۲۰۰ حسگر پراکنده در منطقه ۱۰۰×۱۰۰ متر و سناریوهای مسطح و منطقه کوهستانی با یک کوه به عنوان مانع فیزیکی که پهپادها باید آن را دور بزنند و مجاز به عبور مستقیم از روی کوه نیستند با ۳ پهپاد انجام شده و کاهش ۲۸ ۳۵ درصدی مصرف انرژی کل ناوگان، ۲۲ ۳۱ درصدی مسافت و زمان ماموریت، ۱۹ ۳۰ درصدی تاخیر جمع آوری داده Age of Information AoI و پوشش بیش از ۹۷ درصدی حسگرها را نشان می دهد این رویکرد طول عمر شبکه IoT شهر هوشمند را ۳۲ ۴۱ درصد افزایش می دهد و به سیستم های حمل ونقل هوشمند ITS کمک شایانی می کند

کلیدواژه‌ها

نویسندگان

عبداله مستاجران

دانشجوی کارشناسی ارشد معماری کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه شاهد، تهران، ایران

وحید حقیقت دوست

دانشجوی کارشناسی ارشد معماری کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه شاهد، تهران، ایران

مستاجران، عبداله و حقیقت دوست، وحید،1404،کاربرد بهینه سازی مسیر کم مصرف انرژی چندین پهپاد با یادگیری تقویتی چندعاملی تکاملی در جمع آوری داده برای شبکه های اینترنت اشیاء شهر هوشمند،بیستمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک،تهران

ارائه‌شده در

مجموعه مقالات سومین همایش ملی و اولین همایش بین المللی مدیریت مقصد گردشگری: (اقتصاد دریا)25 بهمن 1404 · بابلسر