کاربرد بهینه سازی مسیر کم مصرف انرژی چندین پهپاد با یادگیری تقویتی چندعاملی تکاملی در جمع آوری داده برای شبکه های اینترنت اشیاء شهر هوشمند

شهرهای هوشمند به شبکه های اینترنت اشیاء (IoT) و حسگرهای بی سیم پراکنده برای پایش بلادرنگ ترافیک، کیفیت هوا، مدیریت زیرساخت ها و خدمات شهروندی وابسته هستند. محدودیت انرژی حسگرها و پوشش ناکافی ایستگاه های پایه ثابت چالش های جدی ایجاد می کند. این مقاله یک چارچوب ترکیبی نوین را برای بهینه سازی مسیر ۳ پهپاد چرخشی به عنوان ایستگاه پایه متحرک در شبکه های حسگر بی سیم (WSN) پیشنهاد می کند که با استفاده از یادگیری تقویتی عمیق چندعاملی تکاملی چندمعیاره و مدل واقعی مصرف انرژی (شامل پرواز افقی، معلق ماندن، چرخش، صعود بر موانع سه بعدی و باد تصادفی)، جمع آوری داده کم مصرف انرژی را ممکن می سازد. معماری دو لایه ای شامل بهینه ساز هیبریدی GA-PSO-Whale برای برنامه ریزی اولیه و EMO-MARL با مکانیزم توجه بین عاملی و تکامل جمعیت محور برای بهبود آنلاین است. شبیه سازی ها 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 ماموریت، ۱۹-۳۰ درصدی تاخیر جمع آوری داده (Age of Information - AoI) و پوشش بیش از ۹۷ درصدی حسگرها را نشان می دهد. این رویکرد طول عمر شبکه IoT شهر هوشمند را ۳۲-۴۱ درصد افزایش می دهد و به سیستم های حمل ونقل هوشمند (ITS) کمک شایانی می کند.

کلیدواژه ها:

شهر هوشمند ، سیستم های حمل ونقل هوشمند ، اینترنت اشیاء شهری ، پهپاد به عنوان ایستگاه