| کاربرد بهینهسازی مسیر کممصرف انرژی چندین پهپاد با یادگیری تقویتی چندعاملی تکاملی در جمعآوری داده برای شبکههای اینترنت اشیاء شهر هوشمند |
| کد مقاله : 1316-NAEC |
| نویسندگان |
|
عبداله مستاجران *، وحید حقیقت دوست دانشگاه شاهد |
| چکیده مقاله |
| شهرهای هوشمند به شبکههای اینترنت اشیاء ( IoT) و حسگرهای بیسیم پراکنده برای پایش بلادرنگ ترافیک، کیفیت هوا، مدیریت زیرساختها و خدمات شهروندی وابسته هستند. محدودیت انرژی حسگرها و پوشش ناکافی ایستگاههای پایه ثابت چالشهای جدی ایجاد میکند. این مقاله یک چارچوب ترکیبی نوین را برای بهینهسازی مسیر ۳ پهپاد چرخشی بهعنوان ایستگاه پایه متحرک در شبکههای حسگر بیسیم (WSN) پیشنهاد میکند که با استفاده از یادگیری تقویتی عمیق چندعاملی تکاملی چندمعیاره و مدل واقعی مصرف انرژی (شامل پرواز افقی، معلق ماندن، چرخش، صعود بر موانع سهبعدی و باد تصادفی)، جمعآوری داده کممصرف انرژی را ممکن میسازد. معماری دو لایهای شامل بهینهساز هیبریدی GA-PSO-Whale برای برنامهریزی اولیه و EMO-MARL با مکانیزم توجه بینعاملی و تکامل جمعیتمحور برای بهبود آنلاین است. شبیهسازیها 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 مأموریت، ۱۹-۳۰ درصدی تأخیر جمعآوری داده (Age of Information - AoI) و پوشش بیش از ۹۷ درصدی حسگرها را نشان میدهد. این رویکرد طول عمر شبکه IoT شهر هوشمند را ۳۲-۴۱ درصد افزایش میدهد و به سیستمهای حملونقل هوشمند ( ITS) کمک شایانی میکند. |
| کلیدواژه ها |
| شهر هوشمند، سیستمهای حملونقل هوشمند، اینترنت اشیاء شهری، پهپاد بهعنوان ایستگاه پایه متحرک |
| وضعیت: پذیرفته شده |
