اینترنت اشیای سبز با الگوریتم های یادگیری انرژی کارا

اینترنت اشیاء سبز (Green IoT) به عنوان گرایشی نوین در حوزه هوشمندسازی سامانه های ارتباطی و محاسباتی، تمرکز خود را بر کاهش مصرف انرژی، کاهش ردپای کربن و بهینه سازی عملکرد اجزای متصل قرار داده است. هدف از این مقاله بررسی و طراحی چارچوبی مبتنی بر الگوریتم های یادگیری انرژی کارا جهت بهبود کارایی و پایداری سامانه های IoT است. رویکرد پیشنهادی از یادگیری تقویتی عمیق (DRL) و یادگیری فدرال (FL) بهره می گیرد تا با حداقل مصرف انرژی بیشینه کیفیت سرویس (QoS) حاصل شود. مدل پیشنهادی بر مدیریت منابع توزیع شده در معماری لایه ای Edge-Fog Cloud متمرکز است و از یک تابع پاداش چندهدفه استفاده می کند که همزمان مصرف توان و نرخ داده را بهینه می سازد. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی قادر است مصرف انرژی را تا ۳۱% کاهش و کارایی ارتباطی را تا ۲۳% افزایش دهد که این امر پایداری بلندمدت شبکه های IoT را تضمین می کند.

کلیدواژه ها:

اینترنت اشیای سبز ، یادگیری تقویتی ، عمیق ، یادگیری فدرال ، هوش ، لبه ، مصرف انرژی ، بهره وری ارتباطی