بهینه سازی مصرف انرژی در اینترنت اشیا با استفاده از الگوریتم های یادگیری ماشین رویکردی هوشمند برای مدیریت منابع در سیستم های کم مصرف

با گسترش روزافزون فناوری اینترنت اشیا (IoT)، تعداد زیادی از دستگاه های هوشمند به شبکه های ارتباطی متصل می شوند؛ بسیاری از این دستگاه ها با منابع انرژی محدود، به ویژه باتری، فعالیت می کنند. این موضوع، مسئله ی بهینه سازی مصرف انرژی را به یکی از چالش های اساسی در طراحی و پیاده سازی سامانه های IoT تبدیل کرده است. در این مقاله، مجموعه ای متنوع از الگوریتم های یادگیری ماشین و هوش مصنوعی—including الگوریتم های نظارت شده (مانند Random Forest، SVM، DNN)، بدون نظارت (مانند K-Means)، یادگیری تقویتی (نظیر DQN)، RL، (MARL، و الگوریتم های تکاملی مانند PSO مورد بررسی و تحلیل قرار گرفته اند. هدف، ارائه چارچوبی هوشمندانه برای مدیریت و کاهش مصرف انرژی در سامانه های IoT بدون لطمه به عملکرد و دقت دستگاه ها است. این الگوریتم ها از طریق وظایفی چون پیش بینی بار مصرفی، تصمیم گیری برای offload، خوشه بندی گره ها، زمان بندی هوشمند، و کنترل جمعی در شبکه، توانسته اند مزایایی نظیر کاهش مصرف انرژی، افزایش طول عمر باتری، کاهش تاخیر و بهبود QoS را به همراه داشته باشند. با بررسی مطالعات پیشین و تحلیل محدودیت ها و مزیت های هر الگوریتم، این مقاله مسیر روشنی برای انتخاب روش های بهینه سازی انرژی در شرایط مختلف کاربردی ارائه می دهد. یافته ها نشان می دهد که ترکیب روش های هوشمند می تواند نقشی کلیدی در توسعه نسل آینده سامانه های IoT ایفا کند.

کلیدواژه ها:

اینترنت اشیا ، مصرف انرژی ، یادگیری ماشین ، سیستم های توزیع شده