بهبود مصرف انرژی مسیریابی در شبکه مبتنی بر توپولوژی داینامیکبوسیله تنظیم و به ینه سازی هایپرپارامترهای الگوریتم های یادگیریعمیق با استفاده از هوش مصنوعی

در در سالهای اخیر، پیش بینی مصرف انر ژی ساختمان به عنوان یک رویکرد ضروری بر ای کنترل مصرف انرژی و کاهش انتشار کربندی اکسید مورد توجه جوامع عل می قرار گرفته است. بخش ساختمان یکی از مصرف کنندگان اصلی انرژی در جهان است که بر اساسمطالعات آما ری درصد بالایی از کل مصرف انرژی جهان را تش کیل می دهد به طور مثال در تحقیقات اخیر بیان شد که بخش ساختمان۳۶ درصد از کل مصرف انرژی جهانی و ۴۰ درصد از انتشار دی اکسید کربن مرتبط را تشکیل می دهد. بنابراین، پیشبینی مصرفانرژی ساختمان بر ای کاربردهای مختلف مدیریت انرژی ساختمان (به عنوان مثال، مدیریت سمت تقاضا و ارتقای اقدامات بهره وریانرژی)، و اجرای استراتژی های کنترل هوشمند نقش کلیدی دارد. پروتکل های مسیریابی کارآمد انرژی متعددی برای شبکه های بی سیمارائه شده است. تمامی این پروتکل ها سعی در انتخاب مسیری با انرژی بیشتر را دارند. وجود یک پروتکل مسیریابی کارآمد انرژیمی تواند طول عمر را افزایش دهد. ناحیه بندی یکی از موارد مهم در شبکه های بی سیم بکار رفته در ربا ت ها است. ناحیه بندی در انتخابیک مسیر کارآمد می تواند 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 بر ای شبکه های حسگر بیسیم بکار رفته در ربات های کاوشگر با استفادهاز سینک متحرک پرداخته می شود. نتایج پیاده سازی نشان می دهد که الگوریتم پیشنهادی دارای قابلیت اطمینان مناسب و کارایی بالاییبوده و می تواند اهداف مربوط به بهبود مصرف انرژی را در شبکه های حسگر رباتها به خوبی برآورده کند

Keywords:

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