ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

بهینه سازی تخصیص منابع مه در اینترنت اشیا با رویکرد یادگیری تقویتی عمیق

Year: 1400
COI: IRANWEB07_026
Language: PersianView: 409
This Paper With 10 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

دانوش چمنی - دانش آموخته ی کارشناسی مهندسی کامپیوتر-هوش مصنوعی، گروه مهندسی کامپیوتر، دانشکده ی مهندسی پردیس فارابی، دانشگاه تهران
پارسا وفایی - دانش آموخته ی کارشناسی مهندسی کامپیوتر-هوش مصنوعی، گروه مهندسی کامپیوتر، دانشکده ی مهندسی پردیس فارابی، دانشگاه تهران
زهرا موحدی - استادیار، گروه مهندسی کامپیوتر، دانشکده ی مهندسی پردیس فارابی، دانشگاه تهران

Abstract:

محاسبات مه یک پارادایم نوظهور است که مفهوم ابر را تا لبه گسترش می دهد. این پارادایم، منابع محاسباتی، ذخیره سازی، کنترل و قابلیتهای شبکه را برای تحقق برنامه های کاربردی اینترنت اشیا فراهم می کند. در مفهوم محاسبات مه، دستگاه های اینترنت اشیا، داده ها و محاسبات پیچیده را به گره های مه در اطرافشان بارگذاری می کنند. در این مقاله، به مسئله ی تخصیص بهینه منابع محدود گره های مه به برنامه های اینترنت اشیا می پردازیم. در واقع، مسئله ی تخصیص منابع را می توان به صورت یک سیستم تصمیم گیری آنلاین در نظر گرفت که در آن گره های مه باید تصمیم بگیرند که آیا درخواست های دریافتی از دستگاه های اینترنت اشیا را به صورت محلی پردازش کنند یا آن ها را به گره های ابر در فواصل دور فرستند. رویکردهای کنونی برای تخصیص منابع مه از انطباق پذیری کافی در محیط های دارای نویز و عدم قطعیت برخوردار نیستند. به همین منظور، وجود الگوریتم های متکی به یادگیری در این حوزه امری ضروری است. در این مقاله، در مرحله ی اول مسئله تخصیص منابع مه به عنوان یک فرایند تصمیم گیری مارکوف مدلسازی شده است. سپس روشی بر پایه ی رویکرد یادگیری تقویتی عمیق جهت حل این مسئله پیشنهاد شده است. در واقع، بر اساس الگوریتم گرادیان سیاست، گره های مه یاد میگیرند که چگونه وظایف IoT را به روشی بهینه برنامه ریزی کنند.روش پیشنهادی با رویکرد غیر یادگیری مقایسه شده است که در آن وظایف بر اساس طول اجرایشان و بدون در نظر گرفتن اولویت وظایف، به گره های مه تخصیص داده می شوند. نتایج به دست آمده با توجه به پاداش تجمعی در طول فرایند اجرای الگوریتم پیشنهادی، حاکی از یادگیری سیاست تخصیص منابع بهصورت برخط است. این امر منجر به بهبود معیارهای میانگین تاخیر و میانگین تاخیر در شرایط سخت برای سیستمی با اولویت های مختلف وظایف، در مقایسه با روش غیر یادگیری میشود.

Keywords:

Paper COI Code

This Paper COI Code is IRANWEB07_026. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1236908/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
چمنی، دانوش و وفایی، پارسا و موحدی، زهرا،1400،بهینه سازی تخصیص منابع مه در اینترنت اشیا با رویکرد یادگیری تقویتی عمیق،7th International Web Research Conference،Tehran،https://civilica.com/doc/1236908

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 72,847
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

New Papers

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support