كنترل توأم فشرده سازي و ارسال داده ها در تجهيزات اينترنت اشياء با انرژي تجديدپذير

يكي از مهم ترين چالش هاي توسعۀ اينترنت اشياء، محدوديت انرژي تجهيزات است. در راستاي كاهش مصرف انرژي، در اين مقاله، ما مسئله كنترل توأم نرخ فشرده سازي (با اتلاف) و تعداد بسته هاي ارسالي در واحد زمان را براي يك گره اينترنت اشياء مجهز به منبع انرژي تجديدپذير مطرح مي كنيم. نوآوري راهكار پيشنهادي در توجه هم زمان به دو هدف بهينه سازي يعني: «سطح تطابق» داده هاي دريافتي با داده هاي اصلي و نيز رعايت قيد تأخير ارسال داده هاست. براي اين منظور، با استفاده از چارچوب رياضي فرآيند تصميم ماركُفي مقيّد، مسئله را در قالب يك بهينه سازي تصادفي طرح مي كنيم با هدف بيشينه كردن متوسط «سطح تطابق» داده ها در بلندمدت، ضمن ايجاد محدوديت در متوسط تأخيرِ گزارش رويدادهاي حسگري. نامقيّدسازي مسئله با روش استاندارد «لاگرانژين» انجام مي شود. الگوريتم پيشنهادي ما براي محاسبۀ سياست بهينۀ تطبيق پذير نيز بر مبناي دو تكنيك يادگيري تقويتي سريع به نام PDS و VE است كه مي تواند با جداسازي پويايي سيستم به دو بخش قطعي و تصادفي، صرفاً با اتخاذ تصميمات حريصانه و بدون نياز به دانش آماري فرآيندهاي تصادفيِ كانالِ بي سيم، شارژ انرژي و وقوع رويدادهاي حسگري، همگرايي به سياست بهينه را تضمين نمايد. كارايي سياست هاي پيشنهادي با الگوريتم استاندارد Qlearning مورد مقايسه قرار گرفته و به لحاظ مصرف انرژي، ميزان هدررفت بسته هاي داده و هم چنين «سطح تطابق» داده هاي گزارش شده ارزيابي مي شوند. نتايج نشان مي دهند كه سطح تطابق داده هاي گزارش شده در روش VE  نسبت به روش استاندارد Q-learning به ميزان 63.741 درصد و روش PDS نسبت به روش استاندارد Q-learning ميزان 61.845 درصد بهبود يافته است.