تأثیر و کارکرد اینترنت اشیا در مدل‌سازی بهینه‌سازی مصرف انرژی
الموضوعات : فصلنامه اقتصاد محاسباتیامیرعباس فرهمند 1 , مهدی جعفری 2 , امیرحسن کسرائی 3
1 - استادیار، گروه مدیریت تکنولوژی ، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار، گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران .
3 - دانشجوی دکتری تخصصی, گروه مدیریت صنعتی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
الکلمات المفتاحية: بهینه‌سازی, مصرف انرژی, الگوریتم بهینه‌سازی, اینترنت اشیا, مدل‌سازی مصرف انرژی,
ملخص المقالة :
ساختمان هوشمند، ساختمانی است که اجزای داخلی آن با یک منطق منسجم و سازگار با یکدیگر تعامل دارند. این ساختمان با یکپارچه‌سازی سیستم‌ها، ساختار، خدمات، مدیریت و روابط متقابل آن‌ها، محیطی پویا و مقرون‌به‌صرفه ایجاد می‌کند. ساختمان‌های هوشمند با استفاده از فناوری‌های پیشرفته، میزان انرژی موردنیاز برای سرمایش و گرمایش را کاهش می‌دهند. این امر باعث کاهش هزینه‌های عملیاتی و مصرف انرژی می‌شود، بدون اینکه آسایش ساکنین به خطر بیفتد. اینترنت اشیا (IoT) به دنبال هوشمندسازی اشیا و محیط‌ها است. این فناوری با اتصال اشیاء به اینترنت، آن‌ها را قادر می‌سازد تا با یکدیگر و با انسان‌ها تعامل داشته باشند. در این راستا، ساختارهای هوشمند نیز یکی از دغدغه‌های اصلی اینترنت اشیا هستند. رشد اینترنت اشیا، توسعه پروتکل‌های جدید مسیریابی مبتنی بر معماری را برای شبکه‌های حسگر بی‌سیم ضروری کرده است. این پروتکل‌ها با کاهش مصرف انرژی، طول عمر و عملکرد این شبکه‌ها را افزایش می‌دهند و درعین‌حال محدودیت‌های باتری گره‌های اینترنت اشیا را برطرف می‌کنند. هدف این تحقیق، توسعه یک مدل انتقال داده برای مسیریابی داده‌های اینترنت اشیا در ساختمان‌های هوشمند است. ازجمله راهکارهای موجود برای مسیریابی داده‌های اینترنت اشیا در ساختمان‌های هوشمند، استفاده از روش‌های خوشه‌بندی هوشمند اشیاء و بهینه‌سازی ازدحام ذرات (PSO)، بهینه‌سازی ازدحام ذرات آشفته (CPSO) و بهینه‌سازی ازدحام ذرات مرتبه آشفته کسری (FCPSO) است. الگوریتم پیشنهادی برای به حداقل رساندن مصرف انرژی در اینترنت اشیا، به دلیل توانایی آن در کاهش تعداد پارامترهای تأثیرگذار بر عملکرد، می‌تواند گزینه مناسبی باشد. این قابلیت، هدف بسیاری از رویکردهای بهینه‌سازی است.
Al-Ali, A. R., El-Hag, A., Bahadiri, M., Harbaji, M., & El Haj, Y. A. (2011). Smart home renewable energy management system. Energy Procedia, 12, 120-126.
Al-Ali, A. R., Zualkernan, I. A., Rashid, M., Gupta, R., & AliKarar, M. (2017). A smart home energy management system using IoT and big data analytics approach. IEEE Transactions on Consumer Electronics, 63(4), 426-434.
Al-Sodairi, S., & Ouni, R. (2018). Reliable and energy-efficient multi-hop LEACH-based clustering protocol for wireless sensor networks. Sustainable computing: informatics and systems, 20, 1-13.
Arjunan, S., & Pothula, S. (2019). A survey on unequal clustering protocols in wireless sensor networks. Journal of King Saud University-Computer and Information Sciences, 31(3), 304-317.
Behera, T. M., Mohapatra, S. K., Samal, U. C., Khan, M. S., Daneshmand, M., & Gandomi, A. H. (2019). Residual energy-based cluster-head selection in WSNs for IoT application. IEEE Internet of Things Journal, 6(3), 5132-5139.
Braham, M., Miller, T., Duerr, A. E., Lanzone, M., Fesnock, A., LaPre, L., ... & Katzner, T. (2015). Home in the heat: dramatic seasonal variation in home range of desert golden eagles informs management for renewable energy development. Biological Conservation, 186, 225-232.
Brown, J., Abate, A., & Rogers, A. (2021). Disaggregation of household solar energy generation using censored smart meter data. Energy and Buildings, 231, 110617.
Chakchouk, N. (2015). A survey on opportunistic routing in wireless communication networks. IEEE Communications Surveys & Tutorials, 17(4), 2214-2241.
Ever, E., Shah, P., Mostarda, L., Omondi, F., & Gemikonakli, O. (2019). On the performance, availability and energy consumption modelling of clustered IoT systems. Computing, 101, 1935-1970.
Fanian, F., & Rafsanjani, M. K. (2019). Cluster-based routing protocols in wireless sensor networks: A survey based on methodology. Journal of Network and Computer Applications, 142, 111-142.
Gajjar, S., Sarkar, M., & Dasgupta, K. (2016). FAMACROW: Fuzzy and ant colony optimization based combined mac, routing, and unequal clustering cross-layer protocol for wireless sensor networks. Applied Soft Computing, 43, 235-247.
Huang, X. (2020). Quality of service optimization in wireless transmission of industrial Internet of Things for intelligent manufacturing. The International Journal of Advanced Manufacturing Technology, 107, 1007-1016.
Jesudurai, S. A., & Senthilkumar, A. (2019). An improved energy efficient cluster head selection protocol using the double cluster heads and data fusion methods for IoT applications. Cognitive systems research, 57, 101-106.
Karunanithy, K., & Velusamy, B. (2019). CSDGP: cluster switched data gathering protocol for mobile wireless sensor networks. IET Communications, 13(18), 2973-2985.
Kashfi Nishaburi, M., Malekiniya, M., Ghasemzadeh, M., Abbasgholi, A. (2022). Optimization of Energy Consumption in Smart Cities Based on the Internet of Things. 2nd International Conference on Electrical, Computer and Mechanical Engineering, Tehran. [In Persian]
Kavand, H., Ahmadi, S. T. (2020). Green Internet of Things: Reducing Energy Consumption in the Internet of Things, Challenges and Methods. 2nd National Conference on Creative Ideas in Sustainable Energies, Kermanshah. [In Persian]
Kumar, A., Sharma, S., Goyal, N., Singh, A., Cheng, X., & Singh, P. (2021). Secure and energy-efficient smart building architecture with emerging technology IoT. Computer Communications, 176, 207-217.
Kumar, V., & Kumar, S. (2016). Energy balanced position-based routing for lifetime maximization of wireless sensor networks. Ad Hoc Networks, 52, 117-129.
Li, H., & Liu, J. (2016). Double cluster based energy efficient routing protocol for wireless sensor network. International Journal of Wireless Information Networks, 23, 40-48.
Malathi, L., Gnanamurthy, R. K., & Chandrasekaran, K. (2015). Energy efficient data collection through hybrid unequal clustering for wireless sensor networks. Computers & Electrical Engineering, 48, 358-370.
Mazinani, A., Mazinani, S. M., & Mirzaie, M. (2019). FMCR-CT: An energy-efficient fuzzy multi cluster-based routing with a constant threshold in wireless sensor network. Alexandria Engineering Journal, 58(1), 127-141.
Mba, L., Meukam, P., & Kemajou, A. (2016). Application of artificial neural network for predicting hourly indoor air temperature and relative humidity in modern building in humid region. Energy and Buildings, 121, 32-42.
Miles, B., Bourennane, E. B., Boucherkha, S., & Chikhi, S. (2020). A study of LoRaWAN protocol performance for IoT applications in smart agriculture. Computer Communications, 164, 148-157.
Misra, S., Chatterjee, S., & Obaidat, M. S. (2014). On theoretical modeling of sensor cloud: A paradigm shift from wireless sensor network. IEEE Systems journal, 11(2), 1084-1093.
Neamatollahi, P., Abrishami, S., Naghibzadeh, M., Moghaddam, M. H. Y., & Younis, O. (2017). Hierarchical clustering-task scheduling policy in cluster-based wireless sensor networks. IEEE Transactions on Industrial Informatics, 14(5), 1876-1886.
Padidegaran Moghaddam, F., & Asadi, H. (2017). Review of Methods and Equipment for Smart Building. 4th International Conference on New Findings in Science and Technology, Qom, Soroush Hekmat Mortazavi Islamic Studies and Research Center. [In Persian]
Panag, T. S., & Dhillon, J. S. (2018). Dual head static clustering algorithm for wireless sensor networks. AEU-International Journal of Electronics and Communications, 88, 148-156.
Salehi, S., Farbeh, H. (2021). Optimization of Energy Consumption in the Internet of Things Based on Software-Defined Networking. Journal of Soft Computing and Information Technology, 10(2), 27-38. [In Persian]
Sangwan, A., & Singh, R. P. (2015). Survey on coverage problems in wireless sensor networks. Wireless Personal Communications, 80, 1475-1500.
Sedik, A., Hammad, M., Abd El-Samie, F. E., Gupta, B. B., & Abd El-Latif, A. A. (2021). Efficient deep learning approach for augmented detection of Coronavirus disease. Neural Computing and Applications, 1-18.
Shin, J. H., & Hwang, J. (2012). Intelligent energy information service based on a multi-home environment. Procedia Computer Science, 10, 197-204.
Stergiou, C. L., Psannis, K. E., & Gupta, B. B. (2020). IoT-based big data secure management in the fog over a 6G wireless network. IEEE Internet of Things Journal, 8(7), 5164-5171.
Sun, H. C., & Huang, Y. C. (2012). Optimization of power scheduling for energy management in smart homes. Procedia engineering, 38, 1822-1827.
Taherkhani, A. (2022). Using Artificial Intelligence to Optimize Energy Consumption in the Internet of Things. 9th National Congress on Recent Advances in Electrical and Computer Engineering in Iran, Tehran. [In Persian]
Tartibion, Z., Haghparast, M. (2021). Optimization of Energy Consumption in Internet of Things Using Fuzzy System in Smart Buildings. Journal of Elite in Science and Engineering, 6(6), 80-94.[In Persian]
Thangaramya, K., Kulothungan, K., Logambigai, R., Selvi, M., Ganapathy, S., & Kannan, A. (2019). Energy aware cluster and neuro-fuzzy based routing algorithm for wireless sensor networks in IoT. Computer Networks, 151, 211-223.
Wang, J., Cao, J., Li, B., Lee, S., & Sherratt, R. S. (2015). Bio-inspired ant colony optimization based clustering algorithm with mobile sinks for applications in consumer home automation networks. IEEE Transactions on Consumer Electronics, 61(4), 438-444.
Xiuwu, Y., Qin, L., Yong, L., Mufang, H., Ke, Z., & Renrong, X. (2019). Uneven clustering routing algorithm based on glowworm swarm optimization. Ad Hoc Networks, 93, 101923.
Xu, L., Collier, R., & O’Hare, G. M. (2017). A survey of clustering techniques in WSNs and consideration of the challenges of applying such to 5G IoT scenarios. IEEE Internet of Things Journal, 4(5), 1229-1249.
Yan, R. (2017). Optimization approach for increasing revenue of perishable product supply chain with the Internet of Things. Industrial Management & Data Systems, 117(4), 729-741.
Younis, O., & Fahmy, S. (2004). HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networks. IEEE Transactions on mobile computing, 3(4), 366-379.
