优化物联网雾计算:通过基于利亚普诺夫的长期短期记忆粒子群优化算法对能源消耗进行优化
Sheng Pan1, Chenbin Huang1, Jiajia Fan1
1School of Computer Science and Technology, Zhejiang Normal University, Jinhua 321004, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
本研究介绍了一种新的雾计算算法,可以优化可充电物联网 (IoT) 网络中的任务分配和资源管理. 该方法通过减少延迟和能源消耗来提高效率和用户体验.
科学领域:
- 计算机科学 计算机科学
- 网络工程 网络工程
- 人工智能的人工智能
背景情况:
- 物联网 (IoT) 系统在边缘到云通信中面临着高延迟的挑战.
- 越来越多的物联网设备是数据生产者和消费者,要求高效的资源管理.
- 传统的云计算模型难以满足实时智能服务的需求.
研究的目的:
- 引入一种基于雾计算原则的新型分层计算网络.
- 开发一个算法来优化用户任务和分配可充电网络中的计算资源.
- 为了解决性能限制,并优化低功耗边缘设备的利用.
主要方法:
- 一个混合算法,结合了基于Lyapunov的控制,动态的长短期内存 (LSTM) 网络和粒子群集优化 (PSO).
- 雾服务器可以动态训练LSTM网络,用于预测任务数据功能预测.
- 利亚普诺夫函数用于可充电网络中的动态资源控制.
主要成果:
- 与传统方法相比,拟议的算法证明了优越的能源效率和资源配置优化.
- 基于预测数据特征的预测性任务分配可以改善卸载决策.
- 在可充电网络中优化低功耗设备的利用和有效的资源管理.
结论:
- 新的雾计算方法显著提高了物联网系统的效率和用户体验.
- 该算法有效地减少了延迟和能源消耗,克服了边缘设备的限制.
- 这项研究为管理复杂,可充电物联网环境中的资源和任务提供了强大的解决方案.
关键词:
这是LSTM的LSTM.利亚普诺沃夫是什么意思?公共服务人员 (PSO)雾计算 雾计算 雾计算物联网 (IoT) 的物联网 (IoT) 的物联网.预测性分配分配的预测性分配.系统稳定性 系统稳定性更多相关视频
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.5K
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
13.0K
