بهبود مصرف انرژی با استفاده از توپولوژی پویا شبکه چندزنجیره ای مبتنی بر تنظیم و بهینه سازی هایپرپارامترهای الگوریتم های یادگیری عمیق بااستفاده از هوش مصنوعی

در در سالهای اخیر، پیشبینی مصرف انرژی ساختمان به عنوان یک رویکرد ضروری برای کنترل مصرف انرژی و کاهشانتشار کربن دی اکسید مورد توجه جوامع علمی قرار گرفته است. بخش ساختمان یکی از مصرف کنندگان اصلی انرژی درجهان است که بر اساس مطالعات آماری درصد بالایی از کل مصرف انرژی جهان را تشکیل می دهد به طور مثال درتحقیقات اخیر بیان شد که بخش ساختمان ۳۶ درصد از کل مصرف انرژی جهانی و ۴۰ درصد از انتشار دی اکسید کربنمرتبط را تشکیل می دهد. بنابراین، پیشبینی مصرف انرژی ساختمان برای کاربردهای مختلف مدیریت انرژی ساختمان(به عنوان مثال، مدیریت سمت تقاضا و ارتقای اقدامات بهره وری انرژی)، و اجرای استراتژی های کنترل هوشمند نقشکلیدی دارد. پروتکل های مسیریابی کارآمد انرژی متعددی برای شبکه های بی سیم ارائه شده است. تمامی این پروتکل هاسعی در انتخاب مسیری با انرژی بیشتر را دارند. وجود یک پروتکل مسیریابی کارآمد انرژی میتواند طول عمر را افزایشدهد. ناحیه بندی یکی از موارد مهم در شبکه های بیسیم بکار رفته در ربات ها است. ناحیه بندی در انتخاب یک مسیر کارآمدمیتواند بسیار مناسب باشد. در این مقاله، با در نظر گرفتن ناحیه بندی در گره های شبکه حسگر بی سیم، به ارائه یکپروتکل مسیریابی نوین جهت بهبود مصرف انرژی چند زنجیره برای شبکه های حسگر بی سیم بکار رفته در ربات های کاوشگربا استفاده از سینک متحرک پرداخته میشود. نتایج پیاده سازی نشان میدهد که الگوریتم پیشنهادی دارای قابلیت اطمینانمناسب و کارایی بالایی بوده و میتواند اهداف مربوط به بهبود مصرف انرژی را در شبکه های حسگر ربات ها به خوبی برآورده کند.

Keywords:

شبکه , هوش مصنوعی , یادگیری عمیق , مصرف انرژی , توپولوژی , هایپرپارامتر , AIDeepleaming