توسعه تخصيص وظايف به كاربران سنجش‌جمعي‌ سيار در اينترنت‌ اشياء با استفاده از پيش‌بيني تحرك كاربران، پيش‌بيني نرخ مشاركت كاربران و الگوريتم بهينه‌سازي نهنگ پيشرفته باينري

Development of Task Allocation to Mobile Crowdsensing Users in Internet of Things Using Users Mobility Prediction, Users Participation Rate Prediction and Binary Enhanced Whale Optimization Algorithm

در اين مقاله به توسعه تخصيص وظايف به كاربران در سنجش‌جمعي سيار (MCS) پرداخته خواهد شد. روش پيشنهادي به دو مرحله آموزش آفلاين و تخصيص وظايف تقسيم شده است. در مرحله آموزش آفلاين مكان آينده كاربران و نرخ مشاركت در بلوك‌هاي سنجش براي پيش‌بيني آموزش داده مي‌شوند. در مرحله تخصيص وظايف، وظايف به كاربران با توجه به مكان آينده آن‌ها و نرخ مشاركت در بلوك‌ها داده مي‌شود. اين تخصيص با توجه به اهداف آن كه حداكثر كردن كيفيت داده‌ها و حداقل كردن انرژي مصرفي كاربران مي‌باشد، توسط الگوريتم بهينه‌سازي نهنگ پيشرفته باينري (BE-WAO) انجام مي‌شود. در مرحله آموزش آفلاين براي پيش‌بيني مسير حركتي آينده كاربران از دو مجموعه‌داده دنياي واقعي استفاده شد؛ كه ميانگين MAE براي اين دو مجموعه‌داده 0/004579 و 0/00699 و براي پيش‌بيني نرخ مشاركت در بلوك‌ها 0/2465 به‌دست آمد. در مرحله تخصيص وظايف 11 سناريو تخصيص وظايف متفاوت با 110 شبيه‌سازي انجام شد؛ كه به‌طور ميانگين %70 باعث صرفه‌جويي انرژي مصرف كاربران شده و كيفيت داده‌ها به حداكثر رسيده است. همچنين نسبت به پژوهش ديگر %37/6 نرخ پوشش بهتري را كسب كرده است. BE-WAO بر اساس تابع ارزش %124 نسبت به الگوريتم تصادفي و %65 نسبت به الگوريتم حريصانه برتري داشته است.

This paper will discuss the development of task allocation to users in mobile crowdsourcing (MCS) in two phases of offline training and task allocation. The offline training phase trains users future locations and participation rates in sensing blocks to predict. In the task allocation phase, tasks are given to users according to their future location and participation rate in the blocks. This allocation is done by Binary Enhanced Whale Optimization Algorithm (BE-WAO) according to its goals of maximizing data quality and minimizing users energy consumption. In the offline training phase, two real-world datasets were used to predict the future movement path of users; that the average MAE for these two data sets was 0.004579 and 0.00699, and 0.2465 was obtained for predicting the participation rate in blocks. In the task allocation phase, 11 different task allocation scenarios were performed with 110 simulations; which has saved users energy consumption by an average of 70% and the quality of data has reached the maximum. Also, it has obtained a better coverage rate compared to the other research of 37.6%. Based on the cost function, BE-WAO was 124% and 65% superior to the random and greedy algorithms.