Applications of the Osprey Optimization Algorithm in Distributed Systems: A Systematic Review

Subject Areas : New technologies in distributed systems and algorithmic computing

Saber Pahlavan ¹ , Aliakbar Neghabi ^{2 *}

1 - Department of Computer Engineering and Information Technology, Sabzevar Branch, Islamic Azad University, Sabzevar, Iran
2 - Department of Computer Engineering and Information Technology, Sab.C., Islamic Azad University, Sabzevar, Iran

Received: 2025-08-02 Accepted : 2025-09-07 Published : 2025-09-08

Keywords: Osprey Optimization Algorithm (OOA), Internet of Things (IoT), Meta-Heuristic Algorithms, Distributed Systems, Optimization,

Abstract :

The Osprey Optimization Algorithm (OOA), an emerging metaheuristic method, has recently gained significant attention in the field of distributed systems. Inspired by the predatory behavior of ospreys, the algorithm exhibits a strong capability to balance global exploration with local exploitation, thereby offering effective solutions for complex and multi-objective optimization problems. Over the past decade, distributed systems have become the backbone of modern technologies, enabling seamless cooperation among geographically dispersed components and supporting large-scale data processing and management. This article studies research on OOA applications in distributed systems. Nineteen selected studies were analyzed, covering domains such as the Internet of Things, cloud and fog computing, smart grids, microgrids, wireless sensor networks, and smart healthcare systems. The findings reveal that OOA can significantly reduce energy consumption, improve resource allocation, enhance data security, and increase the efficiency and resilience of distributed systems. Nevertheless, challenges remain, including computational complexity, sensitivity to parameter tuning, and the lack of real-world experimental validations. The results of this review highlight promising avenues for developing enhanced variants of the algorithm and extending its deployment in practical operational environments.

References:

[1] Abdullayev, I., Kosorukova, I., Klochko, E., Cho, W., & Joshi, G. (2024). Modeling of extended osprey optimization algorithm with Bayesian neural network: an application on Fintech to predict financial crisis. AIMS Math 9 (7): 17555–17577. In.
[2] Alahmari, S. Privacy-Aware Federated Learning Framework for Securing Iot Devices Using Chameleon Swarm Algorithm with Self Attentive Variational Autoencoder Model. Available at SSRN 4966315.
[3] Chintapalli, S. S. N., Singh, S. P., Frnda, J., Divakarachari, P. B., Sarraju, V. L., & Falkowski-Gilski, P. (2024). OOA-modified Bi-LSTM network: An effective intrusion detection framework for IoT systems. Heliyon, 10(8).
[4] Guo, G., Liu, P., & Zheng, Y. (2024). Early energy performance analysis of smart buildings by consolidated artificial neural network paradigms. Heliyon, 10(4).
[5] Guo, Z., Yin, Z., Lyu, Y., Wang, Y., Chen, S., Li, Y., Zhang, W., & Gao, P. (2024). Research on Indoor Environment Prediction of Pig House Based on OTDBO–TCN–GRU Algorithm. Animals, 14(6), 863.
[6] MidhulaSri, J., & Ravikumar, C. (2024). Offloading computational tasks for MIMO-NOMA in mobile edge computing utilizing a hybrid Pufferfish and Osprey optimization algorithm. Ain Shams Engineering Journal, 103136.
[7] Prasad, A., Gurung, S., & Sharma, K. (2024). Enhancement of Buffer Management and Data Transmission in Delay Tolerant Network Using Secant Osprey Optimization. International Journal of Communication Networks and Information Security, 16(1), 241-257.
[8] Somula, R., Cho, Y., & Mohanta, B. K. (2024). SWARAM: osprey optimization algorithm-based energy-efficient cluster head selection for wireless sensor network-based internet of things. Sensors, 24(2)..
[9] Waghmode, S., & Patil, B. M. (2024). Adaptive load balancing in distributed cloud environment: Hybrid Kookaburra-Osprey optimization algorithm. Intelligent Decision Technologies, 18(3), 1933-1954.
[10] Zuo, F., Zhang, D., Li, L., He, Q., & Deng, J. (2024). GSOOA-1DDRSN: Network traffic anomaly detection based on deep residual shrinkage networks. Heliyon.
[11] Prasad, A., Gurung, S., & Sharma, K. (2024). Enhancement of buffer management and data transmission in delay tolerant network using secant osprey optimization. International Journal of Communication Networks and Information Security, 16(1), 15-25.
[12] Dehghani, M., & Trojovský, P. (2023). Osprey optimization algorithm: A new bio-inspired metaheuristic algorithm for solving engineering optimization problems. Frontiers in Mechanical Engineering, 8, 1126450.
[13] Agrawal, P., Abutarboush, H. F., Ganesh, T., & Mohamed, A. W. (2021). Metaheuristic algorithms on feature selection: A survey of one decade of research (2009-2019). IEEE Access, 9, 26766–26791.

Full-Text:



Journal of New Technologies in Distributed Systems and Algorithmic Computing

Islamic Azad University of Sabzevar

E-ISSN: 3115-705X

https://sanad.iau.ir/journal/ntds

 

 

Research Article

Applications of the Osprey Optimization Algorithm in Distributed Systems: A Systematic Review

 

 

Saber Pahlavan1  | Ali Akbar Neghabi2*  

 

1Department of Computer Engineering and Information Technology, Islamic Azad University, Sabzevar Branch, Sabzevar, Iran, [e-mail]   2Department of Computer Engineering and Information Technology, Islamic Azad University, Sabzevar Branch, Sabzevar, Iran, [e-mail]           Correspondence *Ali Akbar Neghabi, Assistant Professor, Department of Computer Engineering and Information Technology, Islamic Azad University, Sabzevar Branch, Sabzevar, Iran, [e-mail]

 

Abstract

https://doi.org/10.82195/NTDS.2025.1213842

Main Subjects: Optimization Algorithms Received: 2 August 2025 Revised: 4 September 2025 Accepted: 7 September 2025

 The Osprey Optimization Algorithm (OOA), as a novel metaheuristic approach, has recently gained considerable attention in distributed systems due to its strong ability to balance global exploration and local exploitation. Inspired by the hunting behavior of ospreys, OOA demonstrates significant potential in solving complex and multi-objective optimization problems with high efficiency. Distributed systems, as the backbone of modern technologies, provide a platform for cooperation among geographically dispersed components, enabling large-scale data processing and resource management.This study presents a systematic review of research on the applications of OOA in distributed systems. Nineteen selected articles have been analyzed across different domains, including the Internet of Things (IoT), cloud and fog computing, smart grids, microgrids, wireless sensor networks, and smart healthcare systems. The findings reveal that OOA can effectively reduce energy consumption, improve resource allocation, enhance data security, and increase the reliability and efficiency of distributed environments.Nevertheless, several challenges remain, such as computational complexity, dependency on initial parameters, and limited real-world validation. The outcomes of this review highlight the strong potential of OOA for developing improved variants and for future deployment in practical large-scale distributed scenarios.

 

Keywords: Osprey Optimization Algorithm (OOA), Internet of Things (IoT), Meta-Heuristic Algorithms, Distributed Systems, Optimization.

 

پژوهشی

مروری نظام‌مند بر کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در سیستم های توزیع شده

صابر پهلوان 1| علی اکبر نقابی *2‌‌ 

 

1گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران،    [e-mail]   2گروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران،   [e-mail]                               نویسنده مسئول *علی اکبر نقابی، استادیار، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد سبزوار، سبزوار، ایران، [e-mail]

چکیده:

https://doi.org/10.82195/NTDS.2025.1213842

عنوان اصلی: الگوریتم های فراابتکاری تاریخ دریافت: 11 مرداد 1404   تاریخ بازنگری: 13 شهریور  1404 تاریخ پذیرش: 16 شهریور  1404 .

  الگوریتم فراابتکاری عقاب ماهیگیر به‌عنوان یکی از روش‌های نوین بهینه‌سازی، در سال‌های اخیر توجه زیادی در حوزه سیستم‌های توزیع‌شده به خود جلب کرده است. این الگوریتم با الهام از رفتار شکار عقاب ماهیگیر، توانایی ایجاد توازن میان جستجوی سراسری و محلی را دارد و می‌تواند مسائل پیچیده و چندمعیاره را بادقت و کارایی بالایی حل کند. سیستم‌های توزیع‌شده در دهه اخیر به ستون فقرات بسیاری از فناوری‌های نوین تبدیل شده‌اند و بستری برای همکاری میان اجزای پراکنده فراهم کرده‌اند. این مقاله مرور نظام‌مندی از پژوهش‌های انجام‌شده در زمینه کاربرد الگوریتم عقاب ماهیگیر در سیستم‌های توزیع‌شده ارائه می‌دهد. در این راستا، ۱۹ مقاله منتخب در حوزه‌های مختلف شامل اینترنت اشیا، رایانش ابری و مه، شبکه‌های برق هوشمند، ریزشبکه‌ها، شبکه‌های حسگر بی‌سیم و سامانه‌های سلامت هوشمند موردبررسی قرار گرفته است. نتایج نشان می‌دهد این الگوریتم قادر است مصرف انرژی را کاهش دهد، تخصیص منابع را بهبود بخشد، امنیت داده‌ها را افزایش دهد و در مجموع موجب بهبود پایداری و بهره‌وری سیستم‌های توزیع‌شده شود. بااین‌حال، چالش‌هایی مانند پیچیدگی محاسباتی، وابستگی به پارامترهای اولیه و کمبود آزمون‌های میدانی همچنان مطرح است. یافته‌های این پژوهش بیانگر ظرفیت بالای الگوریتم عقاب ماهیگیر برای توسعه نسخه‌های پیشرفته‌تر و کاربرد در محیط‌های عملیاتی آینده است.

 

کلیدواژه‌ها: الگوریتم عقاب ماهیگیر، اینترنت اشیا، الگوریتم‌های فراابتکاری، سیستم‌های توزیع شده، بهینه‌سازی

 

 

 

 

 

 

 

1- مقدمه

  الگوریتم‌های فراابتکاری¹ مجموعه‌ای از روش‌های پیشرفته بهینه‌سازی هستند که برای حل مسائل پیچیده، غیرخطی و با ابعاد بالا طراحی شده‌اند [1]. این الگوریتم‌ها با الهام از پدیده‌های طبیعی، فرآیندهای زیستی یا رفتارهای اجتماعی، به جستجوی راه‌حل‌های بهینه در فضاهای جستجوی وسیع می‌پردازند. ویژگی شاخص این الگوریتم‌ها، توانایی مقابله با مسائل بزرگ و پیچیده‌ای است که روش‌های کلاسیک یا دقیق در حل آن‌ها ناکارآمد هستند.کاربرد این الگوریتم‌ها طیف گسترده‌ای را شامل می‌شود؛ از مسائل مهندسی مانند بهینه‌سازی طراحی سازه‌ها، زمان‌بندی تولید و مسیریابی شبکه‌های حمل‌ونقل [2] تا حوزه‌های علوم داده شامل خوشه‌بندی، انتخاب ویژگی و یادگیری ماشین [4,3] و همچنین کاربردهای زیست‌محیطی برای مدیریت منابع و کاهش مصرف انرژی [5].

الگوریتم فراابتکاری عقاب ماهیگیر² برای اولین‌بار در سال 2023 توسط محمد دهقانی و پاول تروجوسکی معرفی شد .[6] این الگوریتم از رفتار شکار این پرنده الهام گرفته شده است. استراتژی‌های شکار عقاب ماهیگیر شامل پرواز بر فراز آب، شناسایی موقعیت طعمه، تمرکز بر هدف و شیرجه سریع  به‌صورت مدل‌سازی‌شده در این الگوریتم پیاده‌سازی شده‌اند. این روش با ترکیب متوازن دو مکانیزم کلیدی اکتشاف³ (جستجوی گسترده برای کشف نواحی جدید) و بهره‌برداری⁴ (جستجوی محلی دقیق در نواحی امیدبخش)، قادر به حل مسائل پیچیده در فضاهای جستجوی گسترده است. سادگی ساختار، انعطاف‌پذیری و قدرت جستجوی بالا، این الگوریتم را به یکی از روش‌های نوآورانه و کارآمد در حوزه بهینه‌سازی تبدیل کرده است.

در دهه اخیر، سیستم‌های توزیع‌شده⁵ به ستون فقرات بسیاری از فناوری‌های نوین تبدیل شده‌اند [4]. این سیستم‌ها با فراهم‌کردن بستری برای همکاری اجزای پراکنده در جغرافیاهای متفاوت، امکان پردازش و مدیریت داده‌ها را در مقیاس جهانی فراهم می‌کنند. آنچه اهمیت این سیستم‌ها را دوچندان کرده، تغییرات بنیادینی است که در نیازهای جوامع و صنایع رخ داده است که ار آنجمله می توان به افزایش وابستگی به سرویس‌های آنلاین، رشد تصاعدی داده‌ها، ضرورت واکنش بلادرنگ به رویدادها و تقاضا برای زیرساخت‌های پایدار و قابل اطمینان اشاره کرد [7]. نقش سیستم‌های توزیع‌شده محدود به مراکز داده یا شبکه‌های ارتباطی نیست؛ آن‌ها امروزه در سامانه‌های حمل‌ونقل هوشمند [8]، مدیریت انرژی شهری [9]، پایش محیط زیست [5]، هماهنگی عملیات‌های امدادی [8] و بسیاری از موارد دیگر نیز به‌کار گرفته می‌شوند.

گستردگی حوزه‌های کاربرد سیستم های توزیع شده، باعث شده است تا مسائل بهینه‌سازی در آن‌ها شکل و ابعاد جدیدی پیدا کنند. برای مثال، در یک شبکه حمل‌ونقل شهری، تصمیم‌گیری در مورد مسیرهای بهینه باید با در نظر گرفتن هزاران عامل متغیر از وضعیت ترافیک گرفته تا شرایط جوی و آن هم در کسری از ثانیه انجام شود. یا در یک شبکه برق هوشمند، تخصیص منابع باید هم‌زمان مصرف، تولید تجدیدپذیر و شرایط اضطراری را لحاظ کند [7]. از سوی دیگر، تحولات فناورانه آینده مانند گسترش محاسبات لبه‌ای و پردازش مه [4]، ورود ارتباطات G6، و استفاده گسترده از هوش مصنوعی در سیستم‌های کنترل [8]، مرزهای توانمندی سیستم‌های توزیع‌شده را جابه‌جا خواهند کرد. این پیشرفت‌ها فرصت‌هایی تازه اما در عین حال پیچیدگی‌های مدیریتی جدیدی به همراه می‌آورند. عواملی مانند تغییرات سریع در بار کاری [3]، تهدیدات امنیت سایبری پیچیده‌تر، و نیاز به هماهنگی بین‌المللی، مدیریت این سیستم‌ها را به یک مسئله بهینه‌سازی پویا و چندمعیاره تبدیل می‌کند. این شرایط، استفاده از الگوریتم‌های فراابتکاری قدرتمند را اجتناب‌ناپذیر می‌سازد.

الگوریتم عقاب ماهیگیر، باقابلیت ایجاد تعادل بین جستجوی سراسری و جستجوی محلی، یکی از گزینه‌ای ایده‌آل برای مواجهه با مسائل بهینه‌سازی پیچیده در سیستم‌های توزیع شده محسوب می‌شود و این مسئله اهمیت بررسی تحقیقات انجام‌گرفته در حوزه کاربرد الگوریتم عقاب ماهیگیر در حل چالش‌های سیستم‌های توزیع شده را نشان می‌دهد. هدف این پژوهش، بررسی کاربرد الگوریتم عقاب ماهیگیر و نسخه‌های ترکیبی آن در حل چالش‌های کلیدی سیستم‌های توزیع‌شده است. تمرکز بر حوزه‌هایی نظیر شبکه‌های حسگر بی‌سیم⁶، رایانش ابری⁷، رایانش مه⁸، شبکه‌های برق هوشمند⁹ و سایر زیرساخت‌های مرتبط         است، تا راهکارهایی عملی برای بهبود کارایی، کاهش مصرف انرژی و افزایش سطح امنیت ارائه شود.

2- ادبیات پژوهش

2-1- سیستم‌های توزیع شده

سیستم‌های توزیع‌شده به مجموعه‌ای از کامپیوترها یا گره‌های مستقل اطلاق می‌شود که در مکان‌های جغرافیایی مختلف پراکنده‌ و از طریق شبکه‌های ارتباطی با یکدیگر مرتبط شده‌اند. این سامانه‌ها به‌گونه‌ای طراحی شده‌اند که وظایف مشترکی را به‌صورت هماهنگ انجام دهند، درحالی‌که هر گره به‌صورت مستقل عمل می‌کند. برخلاف سیستم‌های متمرکز که همه پردازش‌ها در یک نقطه مرکزی انجام می‌شود، سیستم‌های توزیع‌شده با توزیع بار کاری و داده‌ها در نقاط مختلف، مزایایی همچون افزایش قابلیت اطمینان، مقیاس‌پذیری و بهبود عملکرد را فراهم می‌کنند.

ساختار معماری این سیستم‌ها معمولاً شامل سه‌لایه اصلی است که عبارت‌اند از:

1-       لایه سخت‌افزار: گره‌های محاسباتی را شامل می‌شود؛ این گره‌ها می‌توانند انواع مختلفی از دستگاه‌ها مانند سرورها، کامپیوترهای شخصی یا دستگاه‌های اینترنت اشیا باشند. هر گره توانایی انجام پردازش و ذخیره‌سازی داده را داراست.

2-       لایه شبکه: این لایه مسئول ارتباط بین گره‌ها بوده و وظیفه انتقال پیام‌ها و داده‌ها را به‌صورت قابل‌اعتماد و در زمان مناسب بر عهده دارد. استفاده از پروتکل‌های متنوعی نظیر TCP/IP برای تضمین ارتباط پایدار از اهمیت بالایی برخوردار است.

3-       لایه نرم‌افزار یا میانی¹⁰: این لایه به‌عنوان واسطه‌ای بین سخت‌افزار و نرم‌افزارهای کاربردی عمل می‌کند و وظایفی مانند هماهنگی، مدیریت منابع، کشف سرویس‌ها، امنیت، تضمین سازگاری داده‌ها و همگامی را انجام می‌دهد.

یکی از ویژگی‌های بارز سیستم‌های توزیع‌شده، افزایش تاب‌آوری و تحمل خطا است؛ بدین معنی که در صورت بروز مشکل در یکی از گره‌ها یا قطعی بخشی از شبکه، سیستم به‌صورت کلی از کار نمی‌افتد و سایر گره‌ها به فعالیت خود ادامه می‌دهند. این قابلیت برای سامانه‌های حیاتی و حساس به قطعی، نظیر بانک‌ها، مراکز داده و خدمات پزشکی، اهمیت بسیار زیادی دارد. باتوجه‌به رشد فزاینده کاربران و داده‌ها، مقیاس‌پذیری این سیستم‌ها به‌گونه‌ای است که می‌تواند تعداد گره‌ها افزایش داده شود بدون اینکه عملکرد سیستم به طور قابل‌توجهی کاهش یابد. از دیگر مزایای سیستم‌های توزیع شده دسترسی جغرافیایی به منابع مشترک است که به کاربران و دستگاه‌ها اجازه می‌دهد بدون توجه به موقعیت فیزیکی خود، به منابع و خدمات دسترسی داشته باشند. این ویژگی به‌ویژه در عصر اینترنت و خدمات ابری اهمیت فراوانی یافته است. افزون بر این، با توزیع بار کاری، این سیستم‌ها امکان بهینه‌سازی منابع سخت‌افزاری و نرم‌افزاری را فراهم می‌آورند که به کاهش هزینه‌های عملیاتی و افزایش بهره‌وری منجر می‌شود.

باوجود مزایا و گستردگی کاربرد سیستم‌های توزیع‌شده، این سیستم‌ها با چالش‌های متعددی روبرو هستند که از آن جمله می‌توان به تضمین همگامی و سازگاری داده‌ها میان‌گره‌ها، چالش‌های امنیتی و مخاطرات مربوط به نفوذ و حملات سایبری به دلیل افزایش تعداد نقاط دسترسی، پیچیدگی‌های مدیریت ارتباطات و هماهنگی بین گره‌ها اشاره نمود. در ادامه تعدادی از سیستم‌های توزیع شده توضیح داده می‌شود.

2-1-1  اینترنت اشیا¹¹:

  اینترنت اشیا به مجموعه‌ای از اشیا فیزیکی اطلاق می‌شود که از طریق اینترنت به یکدیگر متصل بوده و امکان جمع‌آوری، ارسال و تبادل داده‌ها را فراهم می‌کنند. این فناوری در حوزه‌های متنوعی همچون خانه‌های هوشمند، سلامت الکترونیک، حمل‌ونقل هوشمند و صنایع مختلف کاربرد دارد [10].

از مزایای به‌کارگیری اینترنت اشیا می‌توان به افزایش سطح اتوماسیون، بهبود کیفیت خدمات و فراهم‌سازی داده‌های دقیق و لحظه‌ای اشاره کرد. در مقابل، برخی از چالش‌ها و محدودیت‌های این فناوری شامل نگرانی‌های امنیتی و حفظ حریم خصوصی، نیاز به پهنای باند و منابع سخت‌افزاری بالا و همچنین پیچیدگی در مدیریت شبکه‌های گسترده است [11]. معماری آن چند لایه بوده و معمولا از لایه حسگرها، لایه شبکه، لایه پردازش داده و لایه کاربرد تشکیل شده است. در شکل (1) معماری اینترنت اشیا نشان داده شده است، این معماری شامل چهار لایه اصلی است که عبارتند از [3,5]:

 

شکل 1: معماری اینترنت اشیا .[12]

Figure 1. Internet of thing architecture .[12]

1-       لایه حسگر¹²: این لایه پایین‌ترین لایه در معماری چهار مرحله‌ای اینترنت اشیا است و به جمع‌آوری داده‌ها از محیط اطراف می‌پردازد. در این لایه از اشیای فیزیکی، حسگرها، و عملگرها استفاده می‌شود. حسگرها اطلاعاتی مانند دما، فشار، رطوبت، نور و حرکت را جمع‌آوری می‌کنند و عملگرها برای اعمال تغییرات در محیط استفاده می‌شوند. این داده‌ها به عنوان ورودی برای لایه‌های بالاتر عمل می‌کنند و نقشی اساسی در ارتباط دستگاه‌ها با محیط واقعی دارند  [12].

2-       لایه شبکه¹³: این لایه وظیفه انتقال داده‌های جمع‌آوری‌شده توسط حسگرها به لایه‌های بالاتر را بر عهده دارد. لایه شبکه شامل فناوری‌هایی مانند دروازه‌های اینترنتی  و پروتکل‌های شبکه است که امکان انتقال امن و سریع اطلاعات را فراهم می‌کنند. این لایه از طریق ارتباطات بی‌سیم مانند Wi-Fi، ZigBee و  LoRa یا سیمی مانند Ethernet، داده‌ها را انتقال داده و پایه اصلی ارتباط در سیستم اینترنت اشیا محسوب می‌شود [13].

3-       لایه پردازش داده¹⁴ :در این لایه داده‌های جمع‌آوری‌شده پردازش و تحلیل می‌شوند. این مرحله شامل واحدهای پردازشی، تحلیل داده‌ها، و سیستم‌های تصمیم‌گیری است. لایه پردازش داده از الگوریتم‌های پیشرفته‌ای مانند یادگیری ماشین و تحلیل داده‌های بزرگ، برای استخراج الگوها و تولید اطلاعات ارزشمند استفاده می‌کند. همچنین این لایه تصمیمات لازم را بر اساس تحلیل داده‌ها اتخاذ کرده و نتایج را برای اجرای اقدامات به لایه‌های دیگر ارسال می‌کند [14].

4-       لایه کاربرد¹⁵: این لایه بالاترین سطح در معماری اینترنت اشیا است و وظیفه مدیریت و نمایش اطلاعات پردازش‌شده را به کاربران نهایی برعهده دارد. در این لایه، اپلیکیشن‌های هوشمند برای نظارت، کنترل و مدیریت سیستم‌های اینترنت اشیا توسعه داده می‌شوند. لایه کاربرد داده‌های پردازش‌شده را در قالب رابط‌های کاربری، داشبوردها، و برنامه‌های کاربردی به کاربران ارائه می‌دهد و امکان تعامل مستقیم کاربران با سیستم را فراهم می‌کند [12].

2-1-2 رایانش ابری:

رایانش ابری به فناوری ارائه خدمات رایانشی از طریق اینترنت اشاره دارد که امکان دسترسی به منابعی مانند سرورها، فضای ذخیره‌سازی، پایگاه‌داده‌ها، شبکه‌ها و نرم‌افزارها را بدون نیاز به مدیریت مستقیم زیرساخت‌های فیزیکی فراهم می‌کند. این فناوری به کاربران و سازمان‌ها اجازه می‌دهد تا از خدمات اشتراکی و مقیاس‌پذیر بهره‌مند شوند و هزینه‌های سرمایه‌گذاری در تجهیزات و نگهداری آنها را کاهش دهند [16,15]. در رایانش ابری، سه مدل اصلی خدمات وجود دارد که هر یک با سطح متفاوتی از کنترل، انعطاف‌پذیری و مسئولیت میان ارائه‌دهنده و کاربر تعریف می‌شوندکه عبارتند از:

1-       زیرساخت به‌عنوان خدمت¹⁶: در این مدل، ارائه‌دهنده خدمات ابری منابع سخت‌افزاری پایه شامل سرورها، فضای ذخیره‌سازی، تجهیزات شبکه و ماشین‌های مجازی را به‌صورت مجازی در اختیار کاربران قرار می‌دهد. این منابع به‌صورت پویا قابل‌افزایش یا کاهش هستند و کاربران بدون نیاز به سرمایه‌گذاری در تجهیزات فیزیکی می‌توانند از آن‌ها استفاده کنند. کنترل سیستم‌عامل، نرم‌افزارها و پیکربندی‌ها در اختیار کاربر است و ارائه‌دهنده صرفاً مسئول تأمین و نگهداری زیرساخت فیزیکی است. این مدل برای سازمان‌هایی که به انعطاف‌پذیری بالا و کنترل کامل بر محیط محاسباتی نیاز دارند مناسب است. نمونه‌هایی از این خدمات شامل Amazon EC2 و Microsoft Azure Virtual Machines است [15]. 

2-       پلتفرم به‌عنوان خدمت¹⁷ :در این مدل یک بستر کامل توسعه و اجرای نرم‌افزار شامل سیستم‌عامل، پایگاه‌داده، ابزارهای برنامه‌نویسی و چارچوب‌های نرم‌افزاری در اختیار توسعه‌دهندگان قرار می‌گیرد. هدف این مدل کاهش پیچیدگی‌های مربوط به مدیریت زیرساخت و فراهم‌کردن محیطی آماده برای توسعه، تست و استقرار نرم‌افزار است. توسعه‌دهندگان می‌توانند بر روی منطق برنامه‌نویسی و طراحی محصول تمرکز کنند و تمام مسائل مربوط به پیکربندی سرورها، به‌روزرسانی سیستم‌عامل و امنیت زیرساخت توسط ارائه‌دهنده مدیریت می‌شود. نمونه‌هایی از این خدمات عبارت‌اند از Google App Engine و  Heroku [16].

3-       نرم‌افزار به‌عنوان خدمت¹⁸: در این مدل، نرم‌افزارهای کاربردی به طور کامل بر روی سرورهای ارائه‌دهنده اجرا می‌شوند و کاربران از طریق اینترنت و معمولاً با استفاده از مرورگر وب یا اپلیکیشن‌های اختصاصی به آن‌ها دسترسی پیدا می‌کنند. کاربران نیازی به نصب، به‌روزرسانی یا نگهداری نرم‌افزار ندارند و تمامی این موارد توسط ارائه‌دهنده انجام می‌شود. این مدل امکان دسترسی سریع، مقیاس‌پذیری بالا و به‌روزرسانی خودکار را فراهم می‌سازد و برای کاربران نهایی و سازمان‌ها که به دنبال کاهش هزینه‌های پشتیبانی و افزایش بهره‌وری هستند بسیار مناسب است. از نمونه‌های مشهور این مدل می‌توان به Google Workspace (شامل Gmail و Google Docs) و Microsoft 365 اشاره کرد [16].

 

شکل 2: معماری رایاتش ابری [12].

Figure 2: Cloud computing architecture [12].

در شکل 2 معماری رایانش ابری نشان داده شده است که شامل سه لایه اصلی شامل کاربران نهایی¹⁹، مراکز داده یا سرویس‌دهنده‌های ابری²⁰ که خدمات را ارائه می‌دهند، و شبکه اینترنت که ارتباط بین این دو را برقرار می‌کند. معماری ابری می‌تواند به‌صورت عمومی، خصوصی یا ترکیبی پیاده‌سازی شود که هرکدام ویژگی‌ها و کاربردهای خاص خود را دارند. این ساختار توزیع‌شده امکان بهینه‌سازی منابع و افزایش قابلیت اطمینان خدمات را فراهم می‌کند. رایانش ابری به‌عنوان یکی از فناوری‌های کلیدی در حوزه محاسبات توزیع‌شده، مزایای متعددی از جمله مقیاس‌پذیری بالا، کاهش هزینه‌های سرمایه‌ای و عملیاتی، امکان دسترسی به منابع از هر نقطه با استفاده از اتصال به اینترنت و افزایش سرعت توسعه و استقرار خدمات نرم‌افزاری را در اختیار قرار می‌دهد  با این حال، چالش‌هایی همچون مسائل امنیتی و دغدغه‌های مربوط به حفظ حریم خصوصی داده‌ها، وابستگی بالا به زیرساخت اینترنت پایدار، احتمال عدم انطباق با قوانین و مقررات مرتبط با حفاظت داده‌ها و ریسک بروز اختلال یا خرابی سرویس‌دهنده‌های ابری می‌تواند کارایی و قابلیت اطمینان این فناوری را تحت تأثیر قرار دهد [16].

2-1-3 رایانش مه:

رایانش مه یک الگوی محاسباتی توزیع‌شده است که به منظور کاهش فاصله بین دستگاه‌های کاربر و مراکز داده ابری ایجاد شده است. در این معماری به جای آنکه همه پردازش‌ها صرفاً در ابر انجام گیرد بخشی از پردازش، ذخیره‌سازی و مدیریت داده‌ها به لبه شبکه و نزدیک به منابع داده منتقل می‌شود. این رویکرد موجب کاهش تأخیر شبکه، بهینه‌سازی پهنای باند و بهبود پاسخ‌گویی سیستم‌ها می‌شود [15]. از نظر ساختاری، رایانش مه معمولاً شامل سه لایه اصلی است که عبارتند از: لایه کاربر یا دستگاه‌های انتهایی، لایه مه، و لایه ابر. این لایه‌ها در کنار هم امکان پردازش داده در نزدیکی منبع تولید، و در عین حال بهره‌مندی از قدرت محاسباتی ابر را فراهم می‌کنند [10]. در اینجا به توضیح این لایه ها خواهیم پرداخت:

1-       لایه کاربر یا دستگاه‌های انتهایی: این لایه شامل انواع حسگرها، دوربین‌ها، دستگاه‌های اینترنت اشیا و سایر دستگاه‌های هوشمند است که داده‌ها را تولید و جمع‌آوری می‌کنند. این دستگاه‌ها معمولاً محدودیت‌هایی از نظرپردازش و ذخیره‌سازی داشته و برای تحلیل‌های پیچیده‌تر نیاز به لایه‌های بالاتر دارند [11].

2-       لایه مه ²¹: لایه مه شامل گره‌های پردازشی است که در نزدیکی دستگاه‌های انتهایی و لبه شبکه قرار دارند، مانند روترها، سوئیچ‌ها، سرورهای کوچک یا مینی سرورها. این لایه وظیفه پردازش اولیه، فیلترکردن، تحلیل‌های ساده و مدیریت داده‌ها را بر عهده دارد. به‌این‌ترتیب، حجم داده‌های ارسال‌شده به ابر کاهش‌یافته و زمان پاسخ‌دهی بهبود می‌یابد [15]. 

3-        لایه ابر ²²: این لایه شامل مراکز داده‌ی بزرگ و قدرتمند است که قابلیت پردازش‌های سنگین، ذخیره‌سازی بلندمدت و تحلیل‌های پیشرفته داده را فراهم می‌کند. داده‌های پردازش‌شده در لایه مه در صورت نیاز برای تحلیل‌های جامع‌تر به این لایه ارسال می‌شوند. 

از مزایای استفاده از رایانش مه می‌توان به کاهش زمان پاسخ‌گویی در برنامه‌های حساس به تأخیر مانند خودروهای خودران، سیستم‌های پایش پزشکی و صنایع هوشمند اشاره کرد. همچنین، پردازش محلی در مه باعث می‌شود حجم کمتری از داده خام به ابر ارسال شود که این امر علاوه بر کاهش مصرف پهنای باند، امنیت و حریم خصوصی کاربران را نیز افزایش می‌دهد. رایانش مه به‌عنوان پلی میان رایانش ابری و دستگاه‌های لبه، نقش مهمی در بهبود عملکرد، امنیت و کارایی سیستم‌های هوشمند ایفا می‌کند و انتظار می‌رود با گسترش اینترنت اشیا و نیاز روزافزون به پردازش سریع و محلی، جایگاه آن در معماری‌های آینده فناوری اطلاعات بیش‌ازپیش تقویت شود.

2-1-4 شبکه‌های خودرویی ادهاک²³:

این شبکه‌ها نوعی شبکه بی‌سیم توزیع‌شده هستند که ارتباطات میان خودروها و زیرساخت‌های جاده‌ای را برقرار می‌کنند. شبکه‌های خودرویی ادهاک باهدف ایجاد ارتباطات سریع، پویا و ایمن میان وسایل نقلیه و ایستگاه‌های جاده‌ای طراحی شده‌اند تا به بهبود ایمنی رانندگی، مدیریت ترافیک و ارائه خدمات هوشمند در حوزه حمل‌ونقل کمک کنند. در این شبکه‌ها، خودروها به‌عنوان گره‌های متحرک عمل می‌کنند و ایستگاه‌های جاده‌ای نیز به‌عنوان گره‌های ثابت، وظیفه جمع‌آوری، پردازش و انتقال داده‌ها را بر عهده دارند. از جمله مزایای مهم شبکه‌های خودرویی می‌توان به ارتباط مستقیم بین خودروها بدون نیاز به زیرساخت ثابت اشاره کرد که باعث می‌شود سیستم به‌راحتی در مناطق مختلف قابل‌استفاده باشد. همچنین این شبکه‌ها توانایی پشتیبانی از تعداد زیادی خودرو که با سرعت‌های بالا در حال حرکت هستند را دارد که این ویژگی برای محیط‌های شهری و بزرگراه‌ها بسیار حیاتی است. علاوه بر این، این نوع شبکه می‌تواند به کاهش تصادفات و افزایش ایمنی جاده‌ها کمک کند چرا که اطلاعات مرتبط با وضعیت ترافیک و خطرات احتمالی به‌سرعت بین خودروها ردوبدل می‌شود. با این تغییر مکرر توپولوژی شبکه که حفظ ارتباط پایدار را دشوار می‌سازد، نیاز به پروتکل‌های خاص برای مدیریت دسترسی، امنیت و اطمینان از حریم خصوصی در این شبکه‌ها از جمله چالش‌هایی آن است. محدودیت‌های پهنای باند و احتمال تأخیر در انتقال داده‌ها از دیگر مشکلات بالقوه در این شبکه‌ها به شمار می‌روند [13].

معماری VANET به‌طورکلی از دو بخش اصلی تشکیل شده است که هر کدام نقش خاص و مهمی در عملکرد شبکه دارند و عبارت‌اند از:

1.       گره‌های متحرک (خودروها): هر خودرو در شبکه به‌عنوان یک گره متحرک عمل می‌کند که قادر است داده‌ها را تولید، دریافت و ارسال کند. این گره‌ها به دلیل حرکت مداوم و تغییر موقعیت، توپولوژی شبکه را به طور مداوم تغییر می‌دهند و ارتباطات بین خودروها باید با این تغییرات سریع سازگار شود. خودروها با استفاده از تجهیزات مخابراتی بی‌سیم مانند Wi-Fi به یکدیگر متصل می‌شوند و می‌توانند اطلاعاتی مانند سرعت، موقعیت، وضعیت جاده و هشدارهای ایمنی را به اشتراک بگذارند. این ارتباط مستقیم بین خودروها، تحت عنوان ارتباط خودرو به خودرو شناخته می‌شود [11].

2.       ایستگاه‌های جاده‌ای ثابت²⁴: علاوه بر خودروها، در طول جاده‌ها و خیابان‌ها ایستگاه‌های جاده‌ای ثابتی تعبیه می‌شود که نقش رابط و نقطه دسترسی به زیرساخت شبکه را دارند. این ایستگاه‌ها؛ داده‌های جمع‌آوری شده از خودروها را پردازش، ذخیره و در صورت نیاز به مراکز داده یا شبکه‌های ابری ارسال می‌کنند. همچنین ایستگاه‌ها می‌توانند اطلاعات مهمی مانند هشدارهای ترافیکی، وضعیت جاده، تغییرات جوی و قوانین رانندگی را به خودروها منتقل کنند. این نوع ارتباط به نام ارتباط خودرو به زیرساخت معروف است [13].

2-1-5 شبکه‌های حسگر بی‌سیم:

شبکه‌های حسگر بی‌سیم مجموعه‌ای از حسگرهای کوچک و خودمختار هستند که به صورت توزیع‌شده در محیط‌های مختلف مستقر می‌شوند و داده‌های محیطی مانند دما، رطوبت، حرکت و سایر پارامترهای فیزیکی را جمع‌آوری می‌کنند. این داده‌ها به صورت بی‌سیم به ایستگاه‌های پایه²⁵ یا مراکز کنترل ارسال می‌شوند تا پردازش و تحلیل شود ]12[ . به دلیل قابلیت نصب آسان و انعطاف‌پذیری بالا، این شبکه‌ها در محیط‌های سخت و دورافتاده کاربرد فراوانی دارند. از جمله نقاط قوت WSN می‌توان به توانایی پوشش گسترده محیط‌های نامناسب برای دسترسی مستقیم اشاره کرد. همچنین مصرف انرژی پایین حسگرها، که به کمک الگوریتم‌های بهینه‌سازی مدیریت می‌شود، موجب افزایش طول عمر شبکه می گردد.  قابلیت نصب آسان و انعطاف‌پذیری در طراحی شبکه نیز امکان پیاده‌سازی در کاربردهای مختلف را فراهم می آورد. با این حال، محدودیت منابع سخت‌افزاری مانند ظرفیت باتری و توان پردازشی محدود، چالشی جدی در این شبکه‌ها به شمار می‌آیند ]12[. از سوی دیگر، مسائل امنیتی نظیر آسیب‌پذیری در برابر حملات سایبری و خطرات دسترسی غیرمجاز به داده‌ها از مشکلات مهم این حوزه است ]12[. علاوه بر این، نویز و تداخل سیگنال در محیط‌های مختلف می‌تواند کیفیت انتقال داده‌ها را کاهش داده و موجب تأخیر یا از دست رفتن اطلاعات شود ]14[. کاربردهای شبکه‌های حسگر بی‌سیم گسترده است که از میان آن‌ها می‌توان به مانیتورینگ محیطی و کشاورزی هوشمند، مراقبت‌های پزشکی از راه دور، نظارت بر زیرساخت‌های حیاتی و صنایع است ]13[. معماری شبکه‌های حسگر بی‌سیم معمولاً از لایه های زیر تشکیل می شود:

1.       لایه حسگر: این لایه شامل گره‌های حسگر کوچک و خودمختاری است که به‌صورت پراکنده در محیط موردنظر مستقر می‌شوند. هر حسگر وظیفه جمع‌آوری داده‌های محیطی مانند دما، رطوبت، نور، فشار و حرکت را دارد. این داده‌ها معمولاً به‌صورت خام و با حجم کم هستند که نیاز به پردازش و پالایش دارند. حسگرها به دلیل محدودیت‌های سخت‌افزاری مانند ظرفیت باتری و توان پردازشی، باید مصرف انرژی خود را بهینه کنند ]13[.

2.       لایه پردازش محلی²⁶ : داده‌های جمع‌آوری شده در این لایه ابتدا پردازش اولیه می‌شوند. این پردازش می‌تواند شامل فشرده‌سازی داده، حذف نویز، ادغام داده‌های مشابه و تحلیل‌های اولیه باشد. هدف این لایه کاهش حجم داده‌هایی است که باید به مراحل بعدی ارسال شود تا مصرف انرژی و پهنای باند کاهش یابد. گره‌های پردازشی می‌توانند شامل حسگرهای پیشرفته‌تر یا گره‌های میانی با توان پردازشی بیشتر باشند .[14]

3.       لایه شبکه ارتباطی²⁷: این لایه مسئول انتقال داده‌ها از حسگرها و گره‌های پردازشی به ایستگاه پایه است. انتقال داده‌ها در WSN معمولاً از طریق شبکه‌ای از گره‌ها و به‌صورت چندمرحله‌ای انجام می‌شود، به‌طوری‌که داده‌ها از یک حسگر به حسگر دیگر و در نهایت به ایستگاه پایه منتقل می‌شوند. استفاده از روش‌های مسیریابی چندمرحله‌ای و سلسله‌مراتبی باعث می‌شود انرژی مصرفی در هر گره کاهش‌یافته و طول عمر کلی شبکه افزایش یابد. این لایه باید بتواند با شرایط متغیر محیطی، نویز و تداخل مقابله کند و انتقال داده‌ها را پایدار نگه دارد.

4.       ایستگاه پایه: ایستگاه پایه نقطه مرکزی شبکه است که داده‌های ارسال شده از سراسر شبکه را دریافت می‌کند. این مرکز معمولاً دارای توان پردازشی بالا، حافظه گسترده و قابلیت اتصال به شبکه‌های گسترده‌تر مانند اینترنت است. در این بخش داده‌ها ذخیره، تحلیل و پردازش‌های پیچیده‌تر انجام می‌شود. همچنین، ایستگاه پایه می‌تواند فرمان‌ها و تنظیمات کنترلی را به گره‌های حسگر ارسال کند تا شبکه به‌صورت هوشمند و بهینه کار کند.

با پیشرفت فناوری و توسعه الگوریتم‌های نوین، انتظار می‌رود شبکه‌های حسگر بی‌سیم نقش کلیدی در سامانه‌های هوشمند و اینترنت اشیا ایفا کرده و محدودیت‌های فعلی به‌مرور کاهش یابد  .[12]

2-1-6 سیستم موقعیت‌یابی داخلی مبتنی بر نور مرئی²⁸:

سیستم موقعیت‌یابی داخلی مبتنی بر نور مرئی یکی از فناوری‌های نوظهور در حوزه مکان‌یابی در محیط‌های بسته است که از چراغ‌های ²⁹LED به‌عنوان منبع ارسال سیگنال استفاده می‌کند. این سیستم‌ها با بهره‌گیری از ویژگی‌های نوری منحصربه‌فرد چراغ‌های LED، امکان تخمین دقیق موقعیت کاربران یا اشیا را فراهم می‌آورند. سیگنال‌های نوری از طریق فرستنده‌ها منتشر شده و توسط گیرنده‌هایی مانند دیودهای نوری گیرنده³⁰ یا دوربین‌های نوری دریافت می‌شوند [19]. سپس این داده‌ها توسط الگوریتم‌های پردازشی تحلیل و موقعیت دقیق تعیین می‌شود معماری IVLP معمولاً شامل سه لایه اصلی است: لایه فرستنده، لایه گیرنده، و لایه پردازش [20]:

ü       لایه فرستنده: این لایه شامل چراغ‌های LED است که به‌عنوان منابع نور و ارسال‌کننده سیگنال عمل می‌کنند. چراغ‌های LED علاوه بر تأمین روشنایی محیط، سیگنال‌های نوری مدوله‌شده را منتشر می‌کنند که این سیگنال‌ها حاوی اطلاعات موقعیت یا شناسه خاصی هستند. مدولاسیون سیگنال نوری معمولاً به‌گونه‌ای انجام می‌شود که برای چشم انسان قابل‌تشخیص نباشد؛ ولی توسط گیرنده‌های نوری قابل‌دریافت و تحلیل باشد. در این لایه، فناوری‌هایی مانند مدولاسیون پهنای پالس³¹یا مدولاسیون تقسیم فرکانس³² ممکن است به کار روند تا اطلاعات به شکل امن و دقیق منتقل شوند.

ü       لایه گیرنده: این لایه شامل حسگرهای نوری است که می‌توانند دیودهای نوری گیرنده، دوربین‌های یا سایر سنسورهای حساس به نور باشند. وظیفه اصلی این لایه، دریافت سیگنال‌های نوری ارسالی از چراغ‌های LED و اندازه‌گیری پارامترهایی نظیر شدت نور، فرکانس مدولاسیون و تغییرات زمانی سیگنال است. داده‌های جمع‌آوری شده در این مرحله، به‌صورت خام یا پردازش‌شده به لایه بعدی منتقل می‌شوند. کیفیت و نوع حسگرها تأثیر مستقیمی بر دقت و کارایی کل سیستم دارد.

ü       لایه پردازش: در این لایه، داده‌های دریافتی از گیرنده‌های نوری توسط الگوریتم‌های پیشرفته پردازش می‌شوند. این الگوریتم‌ها شامل روش‌های مختلفی مانند تعیین زمان پرواز نور³³، اندازه‌گیری شدت سیگنال دریافتی³⁴، یا روش‌های چندگانه مثل سه‌گانه سازی³⁵ و چندضلعی‌سازی³⁶ هستند. هدف اصلی این لایه، تحلیل داده‌ها به‌منظور استخراج مختصات دقیق موقعیت کاربر یا شیء است. علاوه بر این، در این لایه ممکن است الگوریتم‌های تصحیح خطا، فیلترهای کاهنده نویز و روش‌های بهینه‌سازی نیز به کار گرفته شوند تا دقت و پایداری سیستم افزایش یابد.

از مزایای این فناوری می‌توان به‌دقت بالا (معمولاً در حد چند سانتی‌متر)، عدم ایجاد تداخل با امواج رادیویی که آن را برای محیط‌های حساس به سیگنال فرکانس رادیویی مناسب می‌سازد و بهره‌گیری از زیرساخت روشنایی موجود اشاره کرد که هزینه‌های نصب و راه‌اندازی را کاهش می‌دهد. بااین‌حال، IVLP با محدودیت‌هایی نیز همراه است، از جمله نیاز به وجود خط دید مستقیم بین منبع نور و گیرنده، عملکرد ضعیف در شرایط نور محیطی شدید یا وجود موانع فیزیکی و نیاز به هماهنگی دقیق سخت‌افزار و نرم‌افزار برای حفظ کیفیت عملکرد می‌توان اشاره کرد. کاربردهای اصلی این سیستم شامل راهنمایی و ناوبری در فضاهای داخلی مانند مراکز خرید، موزه‌ها و بیمارستان‌ها، ردیابی دارایی‌ها و تجهیزات در محیط‌های صنعتی و انبارها، و پشتیبانی از سیستم‌های واقعیت افزوده در محیط‌های بسته است. در مجموع، سیستم موقعیت‌یابی داخلی مبتنی بر نور مرئی باتوجه‌به دقت بالا و سازگاری با محیط‌های حساس، یکی از گزینه‌های مؤثر و بهینه برای مکان‌یابی در فضای بسته به شمار می‌آید .[22]

2-1-7 ریزشبکه³⁷:

ریزشبکه یک سامانه انرژی کوچک، محلی و خودکفا است که می‌تواند به‌صورت متصل به شبکه اصلی برق یا به شکل کاملاً مستقل (حالت جزیره‌ای) عمل کند. این شبکه‌ها متشکل از منابع تولید انرژی مانند پنل‌های خورشیدی، توربین‌های بادی و ژنراتورهای دیزلی یا گازی، سامانه‌های ذخیره‌سازی انرژی، و مجموعه‌ای از مصرف‌کنندگان محلی هستند [11]. ریزشبکه‌ها با استفاده از سامانه‌های کنترلی هوشمند، امکان مدیریت هم‌زمان تولید و مصرف را فراهم کرده و به افزایش پایداری، قابلیت اطمینان و بهره‌وری سیستم انرژی کمک می‌کنند. معماری یک ریزشبکه معمولاً شامل سه بخش اصلی زیر است: 

1-       منابع تولید پراکنده³⁸: این بخش شامل تمام واحدهای تولید توان است که در مقیاس کوچک و در نزدیکی مصرف‌کنندگان قرار گرفته‌اند. مهم‌ترین نمونه‌های آن عبارت‌اند از: منابع انرژی تجدیدپذیر (شامل پنل‌های خورشیدی که انرژی خورشید را به برق تبدیل می‌کنند و توربین‌های بادی که انرژی جنبشی باد را به انرژی الکتریکی بدل می‌سازند)، منابع غیر تجدیدپذیر محلی (شامل ژنراتورهای دیزلی یا گازی که به‌عنوان پشتیبان برای مواقع کمبود انرژی تجدیدپذیر به کار می‌روند) و واحدهای تولید هم‌زمان برق و حرارت³⁹ (شامل سیستم‌هایی که راندمان کلی را از طریق استفاده هم‌زمان از انرژی حرارتی و الکتریکی افزایش می‌دهند) .[11]

2-       سیستم‌های ذخیره‌سازی انرژی: نقش اصلی این بخش، ایجاد تعادل بین عرضه و تقاضا، و تضمین پایداری سیستم در شرایط نوسان بار یا تغییرات ناگهانی تولید است. مهم‌ترین فناوری‌های ذخیره‌سازی شامل ذخیره‌سازهای الکتروشیمیایی (باتری‌های لیتیوم - یون، باتری‌های سرب - اسید پیشرفته و باتری‌های جریانی) و ذخیره‌سازهای مکانیکی (چرخ‌های طیار⁴⁰ که انرژی را به‌صورت جنبشی ذخیره می‌کنند) هستند .[11]

3-       زیرساخت کنترلی و مدیریتی: این بخش ستون فقرات عملکرد بهینه ریزشبکه است و شامل لایه‌های سخت‌افزاری و نرم‌افزاری برای نظارت، کنترل و بهینه‌سازی است که عبارت‌اند از:

ü       سیستم کنترل محلی:  وظیفه کنترل آنی منابع و بارهای متصل به هر واحد تولید یا ذخیره را بر عهده دارد.

ü       سیستم مدیریت انرژی⁴¹: الگوریتم‌های بهینه‌سازی تولید، ذخیره‌سازی و مصرف را بر اساس پیش‌بینی بار و شرایط شبکه اجرا می‌کند.

ü       سیستم حفاظت⁴²: برای شناسایی و رفع خطاها، جداسازی بخش‌های آسیب‌دیده و حفظ پایداری کل شبکه طراحی شده است.

ü       ارتباطات و اینترنت اشیا⁴³: تبادل داده بین اجزای ریزشبکه و شبکه اصلی یا اپراتورهای محلی از طریق پروتکل‌های ارتباطی امن و پایدار را برعهده دارد .[11]

این سه بخش به‌صورت هماهنگ و یکپارچه عمل کرده و با استفاده از فناوری‌های نوین، امکان بهره‌برداری بهینه، افزایش قابلیت اطمینان و کاهش اثرات زیست‌محیطی را فراهم می‌کنند.

2-1-8 شبکه‌های مقاوم در برابر تأخیر⁴⁴:

شبکه‌های مقاوم در برابر تأخیر نوعی معماری ارتباطی هستند که برای انتقال داده در محیط‌هایی با تأخیر زیاد، قطعی‌های مکرر یا دسترسی متناوب به شبکه طراحی شده‌اند. این معماری با بهره‌گیری از رویکرد ذخیره و ارسال⁴⁵، بسته‌های داده را در حافظه گره‌های واسط ذخیره کرده و تنها در زمان ایجاد مسیر ارتباطی پایدار، اقدام به ارسال آن‌ها به مقصد بعدی می‌کند. این ویژگی موجب می‌شود که این نوع شبکه‌ها در سناریوهایی که ارتباط پیوسته ممکن نیست، عملکرد قابل‌اعتمادی را ارائه دهد [24,23]. از مزایای استفاده از DTN می‌توان به پایداری بالا در شرایط ارتباطی دشوار، انعطاف‌پذیری در محیط‌های گوناگون نظیر فضا، اعماق دریا یا مناطق دورافتاده، عدم نیاز به اتصال دائمی بین مبدا و مقصد و همچنین قابلیت استفاده از گره‌های متحرک مانند ماهواره‌ها یا پهپادها برای حمل داده اشاره کرد. در مقابل، برخی معایب استفاده از DTN عبارتند از پیچیدگی مدیریت حافظه برای نگهداری موقت داده‌ها، زمان بالای تحویل پیام در برخی سناریوها، مصرف انرژی بیشتر در صورت نیاز به روشن ماندن طولانی‌مدت گره‌ها و دشواری در پیاده‌سازی و نگهداری به دلیل نیاز به پروتکل‌ها و نرم‌افزارهای اختصاصی. از طرف دیگر نیاز به ظرفیت ذخیره‌سازی بالا در گره‌ها، پیچیدگی در مدیریت صف‌ها و زمان‌بندی ارسال و افزایش ریسک‌های امنیتی به دلیل ذخیره موقت داده‌ها، از جمله محدودیت‌های اصلی آن به شمار می‌آید [25] .

معماری کلی شبکه‌های مقاوم در برابر تأخیر بر پایه مفهوم ذخیره، حمل و ارسال⁴⁶ طراحی شده است و هدف آن فراهم‌سازی ارتباط پایدار در محیط‌هایی با اتصالات ناپایدار، تأخیر بالا یا قطع و وصل‌های مکرر است. اجزای اصلی این معماری شامل موارد زیر است:

1.       گره‌ها ⁴⁷: شامل انواع مختلفی از گره‌ها است که می‌توانند ثابت یا متحرک باشند و قابلیت ذخیره داده برای مدت طولانی را دارند. این گره‌ها می‌توانند داده‌ها را دریافت، نگهداری و در صورت برقراری مسیر مناسب آن‌ها را به مقصد یا گره بعدی ارسال کنند.

2.       پروتکل لایه باندل ⁴⁸: یک‌لایه میانی بین لایه‌های سنتی شبکه مثل TCP/IP و برنامه‌های کاربردی که داده‌ها را به شکل بسته‌های بزرگ‌تر موسوم به باندل مدیریت می‌کند. این لایه مسئول ذخیره‌سازی، صف‌بندی و زمان‌بندی ارسال داده‌ها است.

3.       مکانیزم‌های ذخیره‌سازی و صف‌بندی: هر گره مجهز به فضای ذخیره‌سازی پایدار (مانند حافظه فلش یا دیسک) است تا داده‌ها را تا زمان دردسترس‌بودن مسیر مناسب نگه دارد.

4.       مکانیزم کشف و برقراری ارتباط: شامل پروتکل‌ها و الگوریتم‌هایی برای کشف گره‌های مجاور و ایجاد لینک ارتباطی به‌محض دردسترس‌بودن آن‌ها است.

5.       زیرساخت مدیریت و مسیریابی: از الگوریتم‌های خاص مسیریابی مانند Epidemic Routing یا  Prophet برای یافتن مسیرهای احتمالی بین گره‌ها در شرایطی که مسیر کامل از مبدأ تا مقصد در یک‌لحظه وجود ندارد، استفاده می‌شود [26].

2-1-9 سیستم های تولید برق⁴⁹:

این سامانه‌ها مجموعه‌ای از تجهیزات است که انرژی مکانیکی را به انرژی الکتریکی تبدیل می‌کند تا برق تولید شود. این سیستم‌ها انرژی را از منابع مختلف مانند سوخت‌های هسته‌ای، تجدیدپذیر، پتانسیل گرانشی یا فسیلی دریافت کرده و با استفاده از یک ژنراتور، آن را به برق تبدیل می‌کنند. اجزای اصلی یک سیستم تولید برق شامل منبع انرژی (توربین یا موتور)، ژنراتور (مولد برق)، سیستم خنک‌کاری، سیستم سوخت‌رسانی و سیستم کنترل و روغن‌کاری است. در اینجا به شرح این اجزا خواهیم پرداخت:

ü       منبع انرژی (موتور یا توربین): این بخش انرژی را از منابع اولیه فراهم می‌کند؛ مثلاً توربین گاز، توربین بخار، توربین آبی یا موتور درون‌سوز، انرژی مکانیکی لازم را تولید می‌کنند.

ü         ژنراتور : وظیفه اصلی آن تبدیل انرژی مکانیکی به انرژی الکتریکی از طریق القای الکترومغناطیسی است.

ü       سیستم سوخت‌رسانی: سوخت را از مخزن جمع‌آوری کرده، فیلتر می‌کند و به موتور تزریق می‌نماید تا فرایند تولید انرژی مکانیکی آغاز شود.

ü       سیستم خنک‌کاری: گرمای تولید شده توسط ژنراتور را دفع کرده و از آسیب دیدن قطعات جلوگیری می‌کند.

ü       سیستم روان‌کاری: قطعات متحرک ژنراتور را روغن‌کاری می‌کند تا اصطکاک کاهش یابد و عمر دستگاه افزایش پیدا کند.

سیستم کنترل: پارامترهایی مانند ولتاژ، فرکانس و سایر عملکردهای سیستم را تنظیم و کنترل می‌کند.

سیستم‌های تولید برق در نیروگاه‌های بزرگ، مراکز صنعتی، ساختمان‌های پرمصرف و حتی در مقیاس کوچک‌تر به‌صورت ژنراتورهای قابل‌حمل مورداستفاده قرار می‌گیرند. این سیستم‌ها زیرساخت‌های اساسی برای رشد صنعتی، اقتصادی و اجتماعی جوامع محسوب می‌شوند.

2-2- الگوریتم‌های فراابتکاری

الگوریتم‌های فراابتکاری روش‌هایی برای بهینه‌سازی هستند که راه‌حل‌های بهینه (یا تقریباً بهینه) مسائل بهینه‌سازی را پیدا می‌کنند. این الگوریتم‌ها فاقد وابستگی به مشتق هستند و ویژگی‌هایی مانند سادگی، انعطاف‌پذیری و توانایی جلوگیری از گیرافتادن در بهینه‌های محلی را دارند. رفتار این الگوریتم‌ها تصادفی است و فرایند بهینه‌سازی را با تولید راه‌حل‌های تصادفی آغاز می‌کنند. برخلاف روش‌های مبتنی بر جستجوی گرادیان، نیازی به محاسبه مشتق فضای جستجو ندارند .[10] این الگوریتم‌ها می‌توانند به‌سادگی برای حل مسائل خاص تغییر داده شوند. یکی از مهم‌ترین خاصیت آن‌ها توانایی جلوگیری از همگرایی زودهنگام است. به دلیل رفتار تصادفی، این الگوریتم‌ها به‌صورت جعبه سیاه عمل کرده و از گیر افتادن در بهینه‌های محلی اجتناب می‌کنند و فضای جستجو را به‌طور کارآمد و مؤثری بررسی می‌نمایند. الگوریتم‌های فراابتکاری برای حل مسائل بهینه‌سازی با تمرکز بر دو جنبه اصلی طراحی می‌شوند: اکتشاف و بهره‌برداری. اکتشاف به معنای جستجوی گسترده در فضای جستجو برای شناسایی نواحی امیدوارکننده و اجتناب از گرفتار شدن در بهینه‌های محلی است. در مقابل، بهره‌برداری به معنای جستجوی دقیق‌تر در نواحی شناسایی‌شده برای یافتن بهترین پاسخ ممکن است. تعادل بین این دو جنبه، عامل اصلی موفقیت الگوریتم‌های فراابتکاری است. الگوریتم‌هایی مانند الگوریتم ژنتیک، بهینه‌سازی ازدحام ذرات،  بهینه‌سازی کلونی مورچگان و الگوریتم عقاب ماهیگیر  از جمله الگوریتم‌های فراابتکاری هستند که با استفاده از این دو جنبه توانسته‌اند در حل مسائل پیچیده و چندبعدی عملکرد مؤثری داشته باشند. این الگوریتم‌ها در زمینه‌های مهندسی و علوم مختلف مانند مهندسی برق (بهینه‌سازی تولید توان)، مهندسی عمران (طراحی پل‌ها و ساختمان‌ها)، داده‌کاوی (طبقه‌بندی، پیش‌بینی و خوشه‌بندی) و بسیاری از زمینه های دیگر به‌کار گرفته شده‌اند .[12] 

الگوریتم‌های فراابتکاری معمولاً به چهار دسته اصلی تقسیم می‌شوند که عبارتند از: الگوریتم‌های مبتنی بر تکامل که الهام‌گرفته از تکامل طبیعی هستند و فرایند را با جمعیتی تصادفی آغاز می‌کنند. الگوریتم ژنتیک نمونه‌ای شناخته‌شده در این دسته است. الگوریتم‌های مبتنی بر هوش ازدحامی که از رفتار اجتماعی حشرات، حیوانات یا پرندگان الهام گرفته‌اند. مانند بهینه‌سازی ازدحام ذرات و بهینه‌سازی کلونی مورچه‌ها. الگوریتم‌های مبتنی بر قوانین فیزیکی که از قوانین فیزیکی الهام‌گرفته شده‌اند. مانند الگوریتم بازپخت شبیه‌سازی‌شده⁵⁰ و جستجوی هارمونی. الگوریتم‌های مبتنی بر رفتار انسانی که از رفتار انسانی الهام گرفته‌اند. مانند الگوریتم بهینه‌سازی مبتنی بر یادگیری آموزش و الگوریتم قهرمانی [26]. برای درک بهتر موضوع چند نمونه از انواع الگوریتم‌های فراابتکاری را با توجه به الهام گرفته شدن آنها از عناصر طبیعی، سال انتشار و نام نویسنده آن در جدول 1 مشاهده می شود.

 

 

جدول 1: چند نمونه از انواع الگوریتم‌های فراابتکاری

Table 1. Examples of meta-heuristic algorithms

نام الگوریتم	الهام از	سال ارایه	نام نویسنده و مرجع
الگوریتم تبرید شبیه‌سازی‌شده	سردشدن فلزات	1983	(Kirkpatrick et al.)[23]
جستجوی محلی	جستجوی محلی برای بهبود راه‌حل	1950	(Fred Glover)[21]
الگوریتم جستجوی ممنوعه	حافظه کوتاه‌مدت و بلندمدت برای اجتناب از تکرار	1986	(Fred Glover)[21]
الگوریتم ژنتیک	تکامل زیستی	1975	(John Holland) [27]
الگوریتم ازدحام ذرات	حرکت گروهی پرندگان و ماهی‌ها	1995	(Kennedy & Eberhart)[28]
الگوریتم کلونی مورچه‌ها	رفتار مورچه‌ها در یافتن مسیر	1992	(Marco Dorigo)[27]
الگوریتم زنبورعسل	رفتار زنبورهای عسل در جستجوی غذا	2005	(Karaboga & Basturk)[22]
الگوریتم گرگ خاکستری	رفتار شکار و همکاری گرگ‌ها	2014	(Mirjalili et al.)[29]
الگوریتم عقاب ماهیگیر	شکار عقاب‌های ماهیگیر	2021	(Mohammad Dehghani and Pavel Trojovský) [6]
الگوریتم خفاش	شبیه‌سازی رفتار خفاش‌ها در جهت‌یابی با امواج	2010	(Xin-She Yang)[30]

 

2-3  الگوریتم‌ عقاب ماهیگیر

  عقاب ماهیگیر یک پرنده شکارچی جهانی است که بیشتر رژیم غذایی آن را ماهی تشکیل می‌دهد و با ویژگی‌های ظاهری خاص و دید بسیار قوی قادر به شناسایی و شکار طعمه از ارتفاع بالاست. رفتارهای شکار این پرنده، شامل شناسایی مناطق مناسب، پرواز در ارتفاع برای یافتن طعمه و حمله سریع و دقیق به شکار، الهام‌بخش طراحی الگوریتم بهینه‌سازی عقاب ماهیگیر شده است. الگوریتم عقاب ماهیگیر یک الگوریتم فراابتکاری الهام‌گرفته از رفتار شکار عقاب ماهیگیر است که با تمرکز بر تعادل میان اکتشاف و بهره‌برداری طراحی شده است. این الگوریتم در فاز اول (شناسایی شکار) به بررسی گسترده فضای جستجو می‌پردازد تا از گیرافتادن در بهینه‌های محلی جلوگیری کند، و در فاز دوم (حمل شکار به موقعیت مناسب)، به جستجوی دقیق در بهترین مناطق شناسایی‌شده برای یافتن پاسخ بهینه می‌پردازد. از ویژگی‌های بارز این الگوریتم می‌توان به‌سادگی در پیاده‌سازی، انعطاف‌پذیری در حل مسائل مختلف، و توانایی اجتناب از بهینه‌های محلی اشاره کرد. این الگوریتم به دلیل ساختار کارآمد خود، در حل مسائل پیچیده مانند بهینه‌سازی شبکه‌های اینترنت اشیا، انتخاب ویژگی در یادگیری ماشین، و بهینه‌سازی مسیر بسیار مؤثر بوده است. از کاربردهای مهم الگوریتم عقاب ماهیگیر می‌توان به موارد زیر اشاره کرد: مهندسی و طراحی: برای بهینه‌سازی طراحی سازه‌ها، سیستم‌های انرژی و مدیریت منابع. لوم داده و هوش مصنوعی: در خوشه‌بندی داده‌ها، انتخاب ویژگی، و آموزش مدل‌های یادگیری ماشین. مسائل صنعتی: مانند زمان‌بندی تولید، بهینه‌سازی زنجیره تأمین و مسیریابی. سیستم‌های انرژی: برای بهینه‌سازی شبکه‌های برق هوشمند و کاهش مصرف انرژی. مسائل زیست‌محیطی: مانند مدیریت منابع آب و بهینه‌سازی استفاده از منابع طبیعی. این الگوریتم به دلیل سادگی، انعطاف‌پذیری و کارایی بالا در حل مسائل غیرخطی و پیچیده، به‌ویژه در مسائلی که فضای جستجو بزرگ و پرچالش است، موردتوجه قرار گرفته است. در شکل 2 دیاگرام الگوریتم عقاب ماهیگیر نشان‌داده‌شده است. در ادامه به بررسی بخش‌های مختلف این الگوریتم می‌پردازیم .[6]

 

شکل 2: دیاگرام الگوریتم بهینه‌سازی عقاب ماهیگیر[6]

Figure 2. Flowchart of the osprey optimization algorithm [6] 

·       بخش اول: شناسایی موقعیت و شکار ماهی

در این بخش، هدف الگوریتم این است که اعضای جمعیت (عقاب‌ها) موقعیت‌های بهتری پیدا کنند و با استفاده از اطلاعات موجود، موقعیت خود را بهینه کنند. مراحل این بخش به ترتیب زیر است:

ü       تعیین موقعیت‌های ماهی‌های شکار‌شده توسط عقاب: عقاب i-ام یکی از موقعیت‌های ماهی را به‌صورت تصادفی انتخاب می‌کند. از رابطه زیر برای به‌روزرسانی مجموعه موقعیت‌ها استفاده می‌شود:

                                                                                 (1)         

 

Fk  مقدار تابع هدف در موقعیت Xk است و Xbest بهترین موقعیت موجود تا این لحظه است.

ü       محاسبه موقعیت جدید عقاب در فاز اول: موقعیت جدید برای عضو i-ام الگوریتم از رابطه زیر محاسبه می‌شود:

      
                                                                                             (2) 

                                                             

 

و پارامترهایی هستند که مربوط به شناسایی و بهره‌برداری‌اند نیز یک عدد تصادفی است.

ü        بررسی حدود مجاز موقعیت‌ها: اطمینان حاصل می‌شود که موقعیت جدید از مرزهای مسئله تجاوز نکند که از رابطه زیر استفاده می‌شود:

  (3)
        

 

و به ترتیب حد پایین و بالای متغیر j-ام هستند.

ü       به‌روزرسانی عضو i_ام بر اساس عملکرد موقعیت جدید: اگر مقدار تابع هدف در موقعیت جدید بهتر باشد، موقعیت با استفاده از رابطه (4) به‌روزرسانی می‌شود:

, (4)                                                                                                             

 

·       بخش دوم: حمل ماهی به موقعیت مناسب

 این بخش شامل حرکت اعضای جمعیت به موقعیت‌های مناسب‌تر است تا به همگرایی بهینه برسد. مراحل این بخش به شرح زیر است:

ü       محاسبه موقعیت جدید عقاب در بخش دوم: موقعیت جدید عضو i_ام با استفاده از رابطه زیر محاسبه می‌شود:

  (5)                                                                              

 

در اینجا t شماره تکرار جاری است و rij یک عدد تصادفی است lbj و ubj حد پایین و بالای متغیر j-ام هستند.

ü       بررسی حدود مجاز موقعیت‌ها: با استفاده از رابطه (6) اطمینان حاصل می‌شود که موقعیت‌های جدید همچنان در بازه معتبر قرار دارند:

 (6)                                                                                               

ü       به‌روزرسانی عضو i-ام بر اساس عملکرد موقعیت جدید: اگر مقدار تابع هدف در موقعیت جدید بهتر باشد، موقعیت با استفاده از رابطه زیر به‌روزرسانی می‌شود:

 (7)                                                                                                            

 

·       بخش سوم: پایان الگوریتم:

در این مرحله بهترین راه‌حل پیدا شده در طول الگوریتم ذخیره می‌شود. این مرحله نشان‌دهنده پایان الگوریتم عقاب ماهیگیر است.  

3- روش انتخاب مقالات

در روند انتخاب مقالات، یک جستجوی جامع در پایگاه‌داده‌های اصلی دانشگاهی  از جمله Elsevier ، IEEE Xplore، Wiley و نیز جستجوگر Google scholar انجام شد. استراتژی جستجو شامل استفاده از کلمات کلیدی خاص مانند " Osprey optimization algorithm" و "Osprey algorithm " بود. در ابتدا، بیش از 782 منبع از جمله مقالات، کتاب‌ها، پایان‌نامه‌ها و ثبت اختراع که از سال 2023 تا 2025 منتشر شده بودند، بازیابی شدند. در مرحله بعد ابتدا کتاب‌ها، پایان‌نامه‌ها و ثبت اختراع‌ها حذف شده و سپس با بررسی دقیق‌تر چکیده‌ی مقالات، تعداد 96 مقاله مرتبط که به طور مستقیم در روش پیشنهادی آنها از الگوریتم عقاب ماهیگیر استفاده شده بود، شناسایی شدند. در آخرین مرحله و با بررسی دقیق‌تر، مقالات مرتبط در حوزه سیستم‌های توزیع شده که در روش پیشنهادی آنها از الگوریتم فراابتکاری عقاب ماهیگیر استفاده کرده بودند به تعداد 19 مقاله مورد شناسایی قرار گرفت. شکل 3 نشان‌دهنده‌ی نمای کلی از فرایند اجرا شده برای انتخاب مقالات در این مطالعه است. بر اساس نوع سیستم توزیع شده استفاده شده در مقالات، آنها به چهار دسته مقالات مرتبط با:  اینترنت اشیا (شامل: رایانش ابری، رایانش مه، شبکه‌های خودرویی ادهاک، شبکه‌های حسگر بی‌سیم، سیستم موقعیت‌یابی داخلی مبتنی بر نور مرئی، ریزشبکه، شبکه‌های مقاوم در برابر تأخیر)، شبکه‌های برق هوشمند، سیستم‌های تولید برق و دیگر سیستم‌های توزیع شده دسته‌بندی شدند. دسته‌بندی این مقالات در جدول 2 مشاهده می‌شود. توزیع مقالات بر اساس سال انتشار و انتشارات آنها به ترتیب در شکل‌های 4 و 5  نشان‌داده‌شده است. شکل 4  نشان می‌دهند که تعداد مقالات منتشر شده در سال‌های 2024 و 2025 افزایش‌یافته است که نشان‌دهنده توجه محققین به کاربرد الگوریتم عقاب ماهیگیر در حوزه‌های مختلف است. شکل 5  نشان می‌دهد که الگوریتم فراابتکاری عقاب ماهیگیر بیشترین توجه را در انتشارات IEEE  به خود اختصاص داده است و انتشارات SAGE و Elsevier در رتبه‌های بعدی قرار دارند.

 

 

شکل 3: روش انتخاب مقالات 

Figure 3. Selection paper method

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 2: دسته بندی مقالات انتخابی Table 2: Categorization of selected papers

 

دسته	مرجع	عنوان مقاله	سال انتشار	حوزه کاربرد	انتشارات
اینترنت اشیا	[11]	Privacy-Aware Federated Learning Framework for Securing IoT Devices Using Chameleon Swarm Algorithm with Self Attentive Variational Autoencoder Model	2024	امنیت دستگاه‌های IoT، یادگیری فدرال	Elsevier
	[10]	OOA-modified Bi-LSTM network: An effective intrusion detection framework for IoT systems	2024	تشخیص نفوذ در IoT	Elsevier
	[12]	SWARAM: osprey optimization algorithm-based energy-efficient cluster head selection for wireless sensor network-based internet of things	2024	انتخاب سرخوشه بهینه در WSN	MDPI
	[14]	CM-OOA: An energy-efficient clustering algorithm for wireless sensor networks using chaotic mapping and Osprey Optimization	2025	خوشه‌بندی بهینه WSN	SAGE
	[31]	Multi-Objective Osprey Optimization Algorithm-Based Resource Allocation in Fog-IoT	2025	تخصیص منابع در Fog-IoT	Science and Information Organization
	[34]	An IoT enabled healthcare framework for arrhythmia detection based on QoS aware trust aided osprey routing protocol and ensemble learning	2024	تشخیص آریتمی قلبی، سلامت IoT	Springer
شبکه ی برق هوشمند	[2]	Demand side management in residential smart grid using Osprey Optimization Algorithm	2023	مدیریت مصرف انرژی در شبکه برق خانگی	IEEE
	[3]	Optimal sizing of autonomous microgrid using Osprey Optimization Algorithm	2023	تعیین اندازه بهینه میکروگرید	IEEE
	[5]	A resilient Mod Osprey optimization algorithm (MOOA) based effective demand side management for solar PV tied smart grid networks	2024	مدیریت تقاضای انرژی در شبکه خورشیدی	IEEE
	[9]	A novel approach to smart grid energy management using the Osprey Optimization Algorithm	2025	مدیریت انرژی شبکه‌ی هوشمند	IEEE
سیستم‌های تولید برق	[24]	Enhanced frequency control of a hybrid microgrid integrated with EV aggregator using [FOI-(PDN+1)] controller optimized by osprey optimization algorithm	2025	کنترل فرکانس میکروگرید هیبریدی	IOP Publishing
	[26]	An intelligent approach for the short-term generation scheduling of a hydrothermal power system employing the osprey optimization algorithm	2023	زمان‌بندی تولید کوتاه‌مدت هیدروترمال	IEEE
	[7]	Osprey optimization algorithm for load frequency control in renewable and non-renewable energy based three-area power generating system	2025	کنترل فرکانس بار در سیستم‌های ترکیبی	IEEE
سایر سیستم‌های توزیع شده	[13]	Adaptive load balancing in distributed cloud environment: Hybrid Kookaburra-Osprey optimization algorithm	2024	بالانس بار در محیط ابری توزیع‌شده	SAGE
	[32]	Osprey Optimization Algorithm and Position-Aware Graph Neural Network for Enhanced Vehicle-to-Grid Control System	2025	کنترل Vehicle-to-Grid	IEEE
	[25]	Indoor visible light positioning based on backward propagation neural network and improved osprey optimization algorithm	2025	موقعیت‌یابی داخلی نور مرئی	IEEE
	[33]	A multi-strategy improved Osprey Optimization Algorithm for UAV path planning	2024	مسیر‌یابی پهپاد	IEEE
	[4]	Application of improved Osprey Optimization Algorithm in path planning of planar mobile robots	2025	مسیر‌یابی ربات‌های سطحی	IEEE
	[8]	Wind power uncertainty is taken into consideration while using the Osprey Optimization Algorithm for hydro-thermal-wind complementary scheduling	2024	زمان‌بندی ترکیبی هیدروترمال-باد	IEEE

 

 

 

 

 

 

سال انتشار

شکل 4: تعداد مقالات انتخابی چاپ شده بر اساس سال انتشار

Figure 4: The number of selected published articles based on the year of publication

 

 

 

 

شکل 5: نمودار تعداد مقالات انتخابی بر اساس مجلات چاپ شده

Figure 3. The number of selected articles published in different journals

4- مروری بر تحقیقات مرتبط با کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در سیستم های توزیع شده: 

  الگوریتم فراابتکاری عقاب ماهیگیر  طی سال‌های اخیر توجه پژوهشگران را در حوزه‌های مختلف بهینه‌سازی جلب کرده است. مطالعات متعددی در زمینه اینترنت اشیا، شبکه‌ی برق هوشمند، سیستم‌های تولید برق و سایر سیستم‌های توزیع‌شده انجام شده که نشان‌دهنده توانمندی بالای این الگوریتم در حل مسائل پیچیده و غیرخطی است. در ادامه، پژوهش‌های انجام‌شده مرور می‌شوند.

4-1 کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در اینترنت اشیا:

  کتکار و همکاران (2024) چالش اصلی امنیت و حریم خصوصی در دستگاه‌های IoT را بررسی کرده‌اند. با وجود استفاده از یادگیری فدرال برای جلوگیری از انتقال مستقیم داده‌ها، همچنان خطر حملات استنتاجی و نفوذ وجود دارد و این موضوع یکی از موانع جدی در پذیرش گسترده IoT محسوب می‌شود. برای رفع این مشکل، نویسندگان یک چارچوب ترکیبی معرفی کردند که در آن الگوریتم عقاب ماهیگیر برای بهینه‌سازی فرآیند تجمیع مدل‌های فدرال به‌کار گرفته شده است. در کنار آن، الگوریتم Chameleon Swarm قابلیت جستجوی سراسری و مدل Self-Attentive VAE توانایی استخراج ویژگی‌های دقیق‌تر را فراهم کرده اند. این ترکیب توانسته است دقت مدل را افزایش داده و نشت اطلاعات را نسبت به روش‌های رایج کاهش دهد. از مزایای این روش می‌توان به افزایش دقت و امنیت اشاره کرد، اما پیچیدگی محاسباتی بالای آن محدودیت جدی محسوب می‌شود و اجرای آن در دستگاه‌های IoT کوچک دشوار است. نویسندگان برای آینده پیشنهاد داده‌اند نسخه‌های سبک‌وزن OOA توسعه یابد، از روش‌های رمزنگاری سبک استفاده شود و چارچوب پیشنهادی در شبکه‌های ناهمگن و در مقیاس وسیع‌تر آزمایش گردد .[11]

Golande و همکاران (2024) به مسئله امنیت در سامانه‌های اینترنت اشیا پرداخته‌اند، جایی که حملات نفوذی می‌تواند عملکرد شبکه را مختل کند و امنیت داده‌ها را به خطر اندازد. چالش اصلی در این حوزه، طراحی روشی است که هم دقت بالایی در تشخیص نفوذ داشته باشد و هم در برابر حجم بالای داده‌ها و ترافیک پیچیده، کارایی خود را حفظ کند. برای حل این مشکل، نویسندگان چارچوبی ترکیبی بر پایه الگوریتم عقاب ماهیگیر و شبکه Bi-LSTM ارائه کرده‌اند. در این ساختار، OOA وظیفه بهینه‌سازی پارامترهای شبکه را برعهده دارد و Bi-LSTM توانایی مدل‌سازی وابستگی‌های زمانی در داده‌های حملات را فراهم می‌سازد. نتایج تجربی مقاله نشان داده است که این روش در مقایسه با مدل‌های سنتی، دقت بیشتری در شناسایی نفوذ و کاهش نرخ خطا داشته است. مزیت اصلی این روش، افزایش دقت و کاهش هشدارهای کاذب است، اما در مقابل پیچیدگی محاسباتی و نیاز به داده‌های آموزشی باکیفیت از نقاط ضعف آن به شمار می‌رود. نویسندگان پیشنهاد کرده‌اند در پژوهش‌های آینده، از نسخه‌های ساده‌تر الگوریتم برای محیط‌های محدود منابع استفاده شود و روش‌های ترکیبی با یادگیری انتقالی جهت بهبود عملکرد در شرایط داده‌های نامتوازن به‌کار گرفته شوند .[10]

مصرف بالای انرژی گره‌ها و کاهش طول عمر شبکه یکی از مشکلات اساسی در اینترنت اشیا مبتنی بر شبکه‌های حسگر بی‌سیم است. این چالش زمانی جدی‌تر می‌شود که تعداد حسگرها زیاد باشد و ارتباط میان آن‌ها منجر به تخلیه سریع باتری شود. به‌منظور رفع این مسئله، Deshpande و همکاران (2024) رویکردی به نام SWARAM را معرفی کرده‌اند که بر پایه الگوریتم عقاب ماهیگیر طراحی شده است. در این رویکرد، وظیفه انتخاب سرخوشه‌ها به کمک OOA انجام می‌شود تا تعادل بار میان گره‌ها حفظ گردد. این کار نه‌تنها مصرف انرژی را بهینه می‌کند، بلکه پایداری ارتباطات و پوشش شبکه را نیز بهبود می‌بخشد. نتایج آزمایش‌ها نشان داد که روش پیشنهادی نسبت به الگوریتم‌های سنتی توانسته است طول عمر شبکه را به شکل قابل‌توجهی افزایش دهد.  SWARAM توانایی بالایی در کاهش مصرف انرژی و توزیع بار شبکه دارد، اما نقطه ضعف آن نیاز به پردازش محاسباتی بیشتر و حساسیت نسبت به شبکه های مقیاس بزرگ است. نویسندگان پیشنهاد کرده‌اند در آینده این الگوریتم با روش‌های پیش‌بینی بار و انرژی ترکیب شود و همچنین در شبکه‌های ناهمگن و محیط‌های متحرک مورد آزمایش قرار گیرد .[12]

Patel و همکاران (2025) مسئله خوشه‌بندی در شبکه‌های حسگر بی‌سیم را به‌عنوان یک چالش کلیدی در افزایش طول عمر شبکه و کاهش مصرف انرژی بررسی کرده‌اند. در این نوع شبکه‌ها، انتخاب بهینه سرخوشه‌ها اهمیت ویژه‌ای دارد زیرا نقش اساسی در مدیریت انرژی، کاهش تأخیر و بهبود بهره‌وری کل سیستم ایفا می‌کند. برای حل این مسئله، در این پژوهش الگوریتم CM-OOA معرفی شده است که در واقع از نسخه‌ ی اصلاح‌شده ای از الگوریتم عقاب ماهیگیر که از نگاشت آشوبی ⁵¹جهت بهبود فرایند جستجو و توزیع یکنواخت‌تر سرخوشه‌ها بهره می‌برد، استفاده شده است. استفاده از این ترکیب موجب شده است که الگوریتم از همگرایی زودهنگام اجتناب کرده و بتواند نتایج پایدارتری در انتخاب سرخوشه‌ها ارائه دهد. نتایج شبیه‌سازی ها نشان می دهد که این روش در مقایسه با الگوریتم‌های سنتی WSN، هم در کاهش مصرف انرژی و هم در افزایش طول عمر شبکه تاثیر داشته و همچنین نرخ از دست رفتن بسته‌ها به شکل محسوسی کاهش یافته است. با این حال، محدودیت اصلی این رویکرد آن است که در شبکه‌هایی با مقیاس بسیار بزرگ یا دارای پویایی بالا، ممکن است زمان همگرایی افزایش یابد. نویسندگان پیشنهاد کرده‌اند که در آینده، استفاده از نسخه‌های سبک‌تر الگوریتم و آزمون در محیط‌های واقعی WSN می‌تواند راهی برای افزایش کارایی و کاربردپذیری عملی آن باشد .[14]

یکی از چالش‌های مهم در معماری Fog-IoT مدیریت منابع میان‌لایه مه و دستگاه‌های انتهایی است؛ زیرا تقاضای هم‌زمان برای پردازش داده‌ها، ذخیره‌سازی و ارتباطات، موجب فشار مضاعف بر زیرساخت‌ها می‌شود. این مشکل در شرایطی که تعداد زیادی از دستگاه‌ها به طور هم‌زمان داده تولید می‌کنند، به شکل پررنگ‌تری دیده می‌شود و منجر به افزایش تأخیر و کاهش بهره‌وری کل سیستم می‌گردد. برای غلبه بر این چالش، در پژوهشی که توسط Reddy و همکاران (2025) ارائه شده، از نسخه چندهدفه الگوریتم عقاب ماهیگیر بهره گرفته شده است. در این روش، چندین تابع هدف شامل کاهش تأخیر، صرفه‌جویی در انرژی و بهبود بهره‌وری تخصیص منابع به‌طور هم‌زمان بهینه‌سازی می‌شوند. استفاده از این نسخه چندهدفه، امکان برقراری توازن میان معیارهای متضاد را فراهم کرده و نسبت به رویکردهای تک‌هدفه عملکرد جامع‌تری داشته است. نتایج شبیه‌سازی نشان می دهد که روش پیشنهادی توانسته است نسبت به سایر روش‌ها، هم در کاهش زمان پاسخگویی و هم در کاهش بار روی سرورهای مه بهبود چشمگیری ایجاد کند. همچنین، توانسته نیازهای چندمعیاره محیط‌های Fog-IoT را برآورده سازد و انعطاف‌پذیری بالایی در شرایط متغیر شبکه داشته باشد. بااین‌حال، از محدودیت‌های گزارش‌شده می‌توان به پیچیدگی محاسباتی و نیاز به تنظیم دقیق پارامترها اشاره کرد. نویسندگان در ادامه پیشنهاد کرده‌اند که برای آینده، می‌توان نسخه‌های سبک‌تر و سازگار با منابع محدود IoT را توسعه داد و همچنین آزمایش‌های میدانی در محیط‌های واقعی را انجام داد تا کارایی عملی این رویکرد بیش‌تر سنجیده شود .[31]

در حوزه سلامت هوشمند، یکی از چالش‌های مهم، تشخیص دقیق و بلادرنگ آریتمی‌های قلبی در بستر اینترنت اشیا است. مشکل اصلی در این سناریو، محدودیت منابع دستگاه‌های پوشیدنی و حسگرها، کیفیت پایین برخی کانال‌های ارتباطی و همچنین نیاز به حفظ اعتماد و امنیت داده‌های پزشکی است. بسیاری از چارچوب‌های موجود، یا تمرکز خود را تنها بر روی دقت تشخیص قرار داده‌اند و یا نتوانسته‌اند پایداری شبکه و اعتماد میان‌گره‌ها را تضمین کنند. برای رفع این چالش، نویسندگان یک چارچوب ترکیبی مبتنی بر اینترنت اشیا پیشنهاد داده‌اند که از پروتکل مسیریابی مبتنی بر عقاب ماهیگیر به همراه مکانیزم اعتماد و کیفیت سرویس استفاده می‌کند. در کنار آن، روش یادگیری ترکیبی برای تحلیل داده‌های قلبی به‌کارگرفته‌شده است تا دقت تشخیص آریتمی افزایش یابد. ترکیب این دو بخش باعث شده سیستم علاوه بر انتخاب مسیرهای امن و بهینه در شبکه اینترنت اشیا، از نظر تشخیص زودهنگام بیماری‌های قلبی نیز عملکرد قابل‌توجهی داشته باشد. نتایج شبیه‌سازی نشان می‌دهد که این چارچوب نسبت به روش‌های متداول، توانسته است در معیارهایی همچون دقت تشخیص، کاهش تأخیر شبکه و افزایش اعتماد میان‌گره‌ها عملکرد بهتری ارائه دهد. بااین‌حال، نویسندگان اشاره کرده‌اند که پیچیدگی محاسباتی بخش یادگیری ترکیبی و وابستگی شدید به کیفیت داده‌ها می‌تواند محدودیت‌هایی ایجاد کند. پیشنهاد شده است که در تحقیقات آینده از نسخه‌های سبک‌تر الگوریتم OOA و مدل‌های یادگیری کم‌هزینه‌تر برای استفاده در دستگاه‌های پوشیدنی با منابع محدود بهره گرفته شود و همچنین چارچوب روی شبکه‌های پزشکی در مقیاس بزرگ‌تر و شرایط واقعی بیمارستانی مورد ارزیابی قرار گیرد  [34].

4-2 کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در شبکه های برق هوشمند:

   یکی از مسائل کلیدی در شبکه‌های هوشمند خانگی، مدیریت سمت تقاضا ⁵² است. افزایش بار خانگی و ورود تجهیزات هوشمند باعث ایجاد نوسانات مصرف و در نتیجه افزایش فشار بر شبکه شده است. چالش اصلی در این حوزه، طراحی رویکردی است که بتواند ضمن پاسخگویی به نیاز کاربران، مصرف را بهینه کرده و هزینه‌های انرژی را کاهش دهد. عدم تعادل بین تولید و مصرف و نبود سازوکارهای کنترل هوشمند از مشکلات مهم در این شبکه‌ها هستند. مدیریت سمت تقاضا (DSM) یکی از مهم‌ترین وظایف در یک شبکه هوشمند است که باعث می‌شود تا مشتریان آگاهانه در مورد مصرف انرژی خود تصمیم‌گیری کنند و به ارائه‌دهندگان انرژی کمک می‌کند تا تقاضای پیک بار را کاهش و شکل مشخصات بار را تغییر و اصلاح کنند. برای حل این چالش Nanibabu و همکاران (۲۰۲۳) الگوریتم فراابتکاری عقاب ماهیگیر را به‌عنوان ابزار اصلی بهینه‌سازی پیشنهاد کرده‌اند. این الگوریتم در فرایند DSM به‌گونه‌ای به‌کارگرفته‌شده است که برنامه‌ریزی بار خانگی را بهینه کرده و تعادل مناسبی میان هزینه، راحتی کاربران و کارایی شبکه ایجاد کند. نتایج شبیه‌سازی نشان داده است که رویکرد پیشنهادی قادر است هزینه برق مصرفی را به شکل قابل‌توجهی کاهش داده و بار پیک شبکه را مدیریت نماید. همچنین، باعث بهبود راندمان سیستم و سازگاری با بارهای متنوع خانگی می‌شود. در مقابل، یکی از محدودیت‌ها، نیاز به تنظیم دقیق پارامترهای الگوریتم و زمان محاسباتی نسبتاً بالا در سناریوهای بزرگ‌تر است. نویسندگان پیشنهاد کرده‌اند که در آینده، از ترکیب الگوریتم عقاب ماهیگیر با روش‌های یادگیری ماشین و شبکه‌های عصبی برای بهبود سرعت و دقت تصمیم‌گیری استفاده گردد [2].

در حوزه طراحی و بهره‌برداری میکروگریدهای مستقل، یکی از مهم‌ترین چالش‌ها تعیین اندازه ی بهینه اجزای تولید و ذخیره‌سازی انرژی است. اگر این فرآیند به‌درستی انجام نشود، می‌تواند منجر به افزایش هزینه سرمایه‌گذاری، کاهش قابلیت اطمینان یا هدررفت انرژی تولیدی شود. مسئله اصلی در این پژوهش Sagor و همکاران، دستیابی به مدلی بود که بتواند به صورت هم‌زمان هزینه‌ها را کاهش داده و پایداری عملکرد میکروگرید را تضمین کند. برای پاسخ به این نیاز، از الگوریتم فراابتکاری عقاب ماهیگیر به‌عنوان ابزار بهینه‌سازی استفاده شده است. این الگوریتم به دلیل توانایی بالای آن در اکتشاف فضای جستجو و جلوگیری از گیر افتادن در بهینه‌های محلی، برای مسأله تعیین اندازه اجزای میکروگرید به‌کار گرفته شده است. مدل پیشنهادی شامل منابع تجدیدپذیر مانند پنل خورشیدی، توربین بادی و همچنین سیستم‌های ذخیره‌سازی است که با کمک OOA اندازه بهینه هر یک تعیین شده است. نتایج به‌دست‌آمده نشان می دهند که این رویکرد در مقایسه با روش‌های مرسوم، هزینه کلی سیستم را کاهش داده و سطح پایداری و قابلیت اطمینان را افزایش می‌دهد. همپنین، موجب بهبود توازن میان هزینه سرمایه‌گذاری و هزینه‌های عملیاتی شده و توانسته است عملکرد پایدار میکروگرید را در شرایط مختلف بار تضمین کند. با این حال، وابستگی شدید به کیفیت داده‌های ورودی و افزایش بار محاسباتی در شبکه‌های بزرگ از محدودیت‌های این روش است. نویسندگان پیشنهاد کرده‌اند که در مطالعات آینده، ترکیب الگوریتم با مدل‌های پیش‌بینی بار و تولید انرژی تجدیدپذیر و همچنین استفاده از نسخه‌های موازی‌سازی‌شده OOA می‌تواند باعث ارتقاء سرعت و دقت فرآیند بهینه‌سازی شود [3].

یکی از چالش‌های اصلی در شبکه‌های برق هوشمند متصل به انرژی خورشیدی، مدیریت تقاضای بار است. نوسان ذاتی تولید انرژی خورشیدی و تغییرات پیش‌بینی‌ناپذیر مصرف، سبب بروز مشکلاتی در تعادل عرضه و تقاضا می‌شود که در صورت عدم کنترل، می‌تواند منجر به افزایش هزینه‌ها و کاهش پایداری شبکه گردد. به گفته‌ی Sumee Jasmine و Krishnaparamathma، این چالش زمانی پیچیده‌تر می‌شود که شبکه ترکیبی از منابع پراکنده و مصرف‌کنندگان متنوع باشد. برای رفع این مشکل، این محققان نسخه بهبود‌یافته‌ای از الگوریتم عقاب ماهیگیر، موسوم به  ⁵³MOOAرا پیشنهاد کرده‌اند. این نسخه با اصلاحات در مکانیسم جستجو و بهره‌برداری، توانسته است فرایند مدیریت سمت تقاضا (DSM) را در یک شبکه PV-Grid بهینه‌سازی کند. به بیان نویسندگان، استفاده از MOOA باعث شده است بارهای الکتریکی به‌صورت هوشمند زمان‌بندی شوند، به‌گونه‌ای که هم‌زمان بارهای پیک کاهش‌یافته و بهره‌برداری از انرژی خورشیدی به حداکثر برسد. نتایج شبیه‌سازی نشان داده است که روش پیشنهادی در مقایسه با الگوریتم‌های مرسوم، کاهش محسوسی در هزینه انرژی و بهبود قابل‌توجهی در پایداری سیستم ایجاد کرده است. مزایای اصلی این مدل شامل کاهش بار پیک، بهبود بازده انرژی تجدیدپذیر و افزایش قابلیت اعتمادپذیری شبکه است. بااین‌حال، نویسندگان مقاله به محدودیت‌هایی همچون نیاز به داده‌های دقیق مصرف لحظه‌ای و پیچیدگی محاسباتی اشاره کرده‌اند که می‌تواند مانع استفاده گسترده آن در مقیاس‌های بزرگ شود. نویسندگان این تحقیق، پیشنهاد داده‌اند که از تلفیق MOOA با روش‌های یادگیری ماشین برای پیش‌بینی بار و تولید استفاده شود، و همچنین آزمون عملی آن در شبکه‌های واقعی انجام گردد [5].

یکی از مسائل اساسی در مدیریت انرژی شبکه‌های برق هوشمند، پیچیدگی ناشی از تنوع منابع انرژی و تغییرات مداوم در الگوهای مصرف است. این موضوع باعث می‌شود که هم توازن بار و تولید و هم کاهش تلفات انرژی با چالش‌های قابل‌توجهی مواجه شوند. به گفته‌ی محققان، عدم وجود الگوریتم‌های کارآمد برای برنامه‌ریزی بهینه انرژی در محیط‌های پویا و نامطمئن، یکی از مشکلات اصلی شبکه‌های هوشمند به شمار می‌رود. برای مقابله با این چالش، Rudrapogu و همکاران استفاده از الگوریتم فراابتکاری عقاب ماهیگیر را به‌عنوان رویکردی نوین پیشنهاد داده‌اند. این الگوریتم با ویژگی‌های اکتشاف گسترده و بهره‌برداری هدفمند، توانسته است راه‌حل مناسبی برای بهینه‌سازی تخصیص منابع و مدیریت بار ارائه کند. بر اساس شبیه‌سازی‌ها، استفاده از الگوریتم عقاب ماهیگیر توانسته است در مقایسه با روش‌های مرسوم، کاهش چشمگیری در تلفات انرژی، افزایش راندمان سیستم، بهبود پایداری شبکه و کاهش هزینه‌های عملیاتی را محقق سازد. بااین‌حال، وابستگی این الگوریتم به پارامترهای اولیه و همچنین پیچیدگی محاسباتی در مقیاس‌های بزرگ، می‌تواند به‌عنوان محدودیت روش پیشنهادی مطرح شود. آن‌ها پیشنهاد کرده‌اند که در تحقیقات آتی، توسعه نسخه‌های سبک‌تر و ترکیب OOA با یادگیری ماشین و الگوریتم‌های پیش‌بینی بار، می‌تواند کارایی این روش را بیش‌ازپیش افزایش دهد [9].

4-3 کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در سیستم های تولید برق:

  افزایش سهم انرژی‌های تجدیدپذیر در شبکه‌های تولید برق، به‌ویژه در ریزشبکه‌های هیبریدی، چالش‌های جدی در زمینه پایداری و کنترل فرکانس ایجاد کرده است. وجود منابعی همچون انرژی خورشیدی و بادی با ماهیت متغیر و غیرقابل‌پیش‌بینی، سبب بروز نوسانات فرکانسی و تهدید قابلیت اطمینان شبکه می‌شود. علاوه بر این، ادغام واحدهای ذخیره‌سازی انرژی و ناوگان خودروهای برقی، نیازمند الگوریتم‌های کنترلی دقیق و انعطاف‌پذیر است تا بتوانند به تعادل بار و تولید کمک کنند. این شرایط پیچیده ضرورت توسعه‌ی راهکارهای بهینه‌سازی نوین را آشکار می‌سازد. برای پاسخ به این نیاز، Santra و همکاران (۲۰۲۵) از الگوریتم فراابتکاری عقاب ماهیگیر برای تنظیم پارامترهای کنترل‌کننده پیشنهادی FOI-(PDN+1) استفاده کرده‌اند. ایده اصلی این روش آن است که الگوریتم بتواند ضمن جستجوی کارآمد در فضای وسیع پارامترها، بهترین مقادیر را برای کاهش انحرافات فرکانسی بیابد. شبیه‌سازی‌ها نشان داده‌اند که استفاده از این ترکیب نه‌تنها پایداری دینامیکی سیستم را بهبود داده، بلکه زمان بازیابی فرکانس پس از اغتشاش را نیز کاهش‌یافته است. مزیت اصلی این کار، دقت بالای الگوریتم در یافتن مقادیر بهینه و توانایی آن در جلوگیری از گیرافتادن در بهینه‌های داده است. بااین‌حال، پیچیدگی محاسباتی و نیاز به توان پردازشی بیشتر از محدودیت‌های روش است. به‌عنوان پیشنهادها آتی، گسترش الگوریتم برای استفاده در ریزشبکه‌های بزرگ‌تر، آزمون در محیط‌های واقعی و همچنین ترکیب با تکنیک‌های یادگیری ماشین می‌تواند مسیرهای تحقیقاتی ارزشمندی باشد .[24]

نیروگاه‌های زمین گرمایی با استفاده از منابع تولید هیدرو حرارتی مانند آب و بخار کار می‌کنند. برای دسترسی به این منابع، نیروگاه‌های زمین گرمایی مخازن زمین گرمایی زیرزمینی را حفاری می‌کنند. منابع هیدروترمال به سطح زمین لوله‌کشی می‌شوند، جایی که از آنها برای چرخاندن توربینی که به یک ژنراتور متصل است استفاده می‌شود. یکی از مسائل بنیادین در این نیروگاه‌ها، زمان‌بندی کوتاه‌مدت تولید در آنها می باشد. این فرآیند به دلیل وجود محدودیت‌های عملیاتی، تغییرات غیرقابل‌پیش‌بینی در تقاضای بار و وابستگی به منابع متنوع انرژی، به طور ذاتی پیچیده محسوب می‌شود. روش‌های کلاسیک بهینه‌سازی، در مواجهه با چنین پیچیدگی‌هایی معمولاً دچار همگرایی کند و گیرافتادن در بهینه محلی می‌شوند. برای غلبه بر این مشکلات، Pasupulati و دیگر همکاران، بهره‌گیری از الگوریتم عقاب ماهیگیر به‌عنوان یک روش فراابتکاری هوشمند را برای بهینه‌سازی در این نیروگاه‌ها پیشنهاد کرده‌اند. این الگوریتم باتکیه‌بر ویژگی‌های اکتشافی قوی و جستجوی متوازن، موفق شده است زمان‌بندی تولید نیروگاه‌های آبی و حرارتی را بهینه کند. نتایج آزمایش‌ها حاکی از آن است که استفاده از OOA نه‌تنها باعث کاهش هزینه سوخت و بهبود تخصیص توان تولیدی شده، بلکه در مقایسه با الگوریتم‌های متداول، توانسته به پایداری بالاتر و نرخ همگرایی سریع‌تر دست یابد. باوجود این دستاوردها، عملکرد الگوریتم در شرایط بار بسیار متغیر یا قیود سخت عملیاتی ممکن است کاهش یابد. به همین دلیل، پیشنهاد شده است در آینده، ترکیب OOA با الگوریتم‌های پیش‌بینی بار مبتنی بر یادگیری عمیق یا توسعه نسخه‌های چندهدفه آن، می‌تواند به بهبود چشمگیر کیفیت زمان‌بندی و کاهش ریسک‌های عملیاتی کمک کند [26].

یکی از مسائل کلیدی در سیستم‌های تولید برق، کنترل فرکانس بار است که در حضور منابع تجدیدپذیر و غیر تجدیدپذیر با چالش‌های بیشتری همراه می‌شود. تغییرات ناگهانی در توان تولیدی ناشی از منابع خورشیدی و بادی و همچنین تغییرات بار مصرفی می‌تواند منجر به انحرافات فرکانسی و کاهش پایداری شبکه گردد. این مشکل در سیستم‌های چند ناحیه‌ای به دلیل وابستگی متقابل بین مناطق مختلف پیچیده‌تر نیز می‌شود. برای غلبه بر این چالش، Rahman و همکاران (2025) از الگوریتم عقاب ماهیگیر برای تنظیم پارامترهای کنترل‌کننده در یک سیستم سه‌ناحیه‌ای شامل منابع انرژی تجدیدپذیر و غیرتجدیدپذیر استفاده کرده اند. استفاده از الگوریتم عقاب ماهیگیر توانسته است با تنظیم بهینه ضرایب کنترلی، انحرافات فرکانسی را کاهش داده و پاسخ دینامیکی سیستم را بهبود بخشد. نتایج شبیه‌سازی نشان می دهد که روش پیشنهادی در مقایسه با الگوریتم‌های مرسوم مانند PSO و GA عملکرد سریع‌تر و دقیق‌تری در کاهش نوسانات فرکانس ارائه می‌دهد. از مزایای این رویکرد می‌توان به کاهش خطای پایدار، بهبود زمان نشست، و توانایی سازگاری با تغییرات بار و تولید اشاره کرد. در مقابل، یکی از معایب اصلی آن نیاز به توان پردازشی نسبتاً بالا برای اجرای الگوریتم در زمان واقعی است. نویسندگان پیشنهاد کرده‌اند که در تحقیقات آینده، ترکیب الگوریتم عقاب ماهیگیر  با کنترل‌کننده‌های تطبیقی و یادگیری ماشین مورد بررسی قرار گیرد تا قابلیت پیاده‌سازی در شبکه‌های عملی بیشتر شود [7].

هدف اصلی مسئله برنامه‌ریزی کوتاه‌مدت تولید هیدرو حرارتی⁵⁴ (SHGS)، تعیین استراتژی بهینه برای تولید انرژی آبی و حرارتی به‌منظور کمینه‌کردن هزینه سوخت نیروگاه‌های حرارتی، با در نظرگیری محدودیت‌های مختلف عملیاتی و فیزیکی است. Ponnuru Sudhakiran و همکاران (2024) در پژوهش خود راه حلی برای زمان‌بندی کوتاه‌مدت تولید هیدروحرارتی (SHTS) در حضور منابع بادی پرداختند. یکی از مشکلات اصلی در این حوزه، عدم قطعیت توان بادی است که به‌طور مستقیم بر هزینه تولید و پایداری سیستم تأثیر می‌گذارد. ترکیب منابع آبی، حرارتی و بادی در عین حال که موجب کاهش مصرف سوخت‌های فسیلی می‌شود، به دلیل نوسانات تولید بادی، برنامه‌ریزی تولید را به یک مسئله بهینه‌سازی پیچیده تبدیل می‌کند. برای مقابله با این چالش، نویسندگان از الگوریتم عقاب ماهیگیر به‌عنوان روش اصلی بهینه‌سازی استفاده کردند. در این رویکرد، الگوریتم توانسته است با در نظر گرفتن قیود عملیاتی واحدهای آبی و حرارتی (مانند ظرفیت مخازن و بارگذاری شیرهای حرارتی) و همچنین عدم قطعیت تولید بادی، یک برنامه زمان‌بندی بهینه ارائه دهد. نتایج شبیه‌سازی روی سیستمی با ۴ واحد آبی، ۸ واحد حرارتی و ۲ واحد بادی نشان داده است که روش پیشنهادی در مقایسه با الگوریتم‌های مرسوم، هزینه کل سوخت را کاهش داده و پایداری سیستم را افزایش داده است که باعث کاهش هزینه اقتصادی، توانایی مدیریت عدم قطعیت منابع تجدیدپذیر و بهبود انعطاف‌پذیری شبکه نیز شده است. با این حال، یکی از محدودیت‌ها پیچیدگی محاسباتی و زمان بالای اجرا در سیستم‌های ‌مقیاس بزرگ است. نویسندگان پیشنهاد داده‌اند که در آینده، الگوریتم عقاب ماهیگیر با مدل‌های پیش‌بینی دقیق‌تر توان بادی و همچنین روش‌های بهینه‌سازی چندهدفه ترکیب شود تا بتواند نتایج بهتری برای بهره‌برداری عملی ارائه کند [8].

4-4 کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در سایر سیستم‌های توزیع‌شده:

  کی و همکاران (2024) به یکی از چالش‌های مهم در محیط‌های ابری توزیع‌شده یعنی بالانس بار و مدیریت منابع پرداخته‌اند. در چنین محیط‌هایی، توزیع غیربهینه بار پردازشی می‌تواند منجر به کاهش کارایی، افزایش زمان پاسخ و حتی افت کیفیت خدمات شود. برای غلبه بر این چالش، در این پژوهش یک رویکرد ترکیبی معرفی شده است که الگوریتم عقاب ماهیگیر را با الگوریتم کوکابورا⁵⁵ ادغام می‌کند. هدف از این ترکیب، استفاده هم‌زمان از قابلیت‌های اکتشافی قوی KOA و توانایی بهره‌برداری دقیق OOA است تا فرآیند تخصیص منابع و توزیع بار میان سرورها به شکل کارآمدتری انجام گیرد. نتایج شبیه سازی نشان می دهد که روش پیشنهادی توانسته است زمان اجرای وظایف را کاهش داده و نرخ استفاده از منابع را بهبود بخشد. همچنین، نسبت به روش‌های غیر ترکیبی مقایسه شده عملکرد پایدارتری ارائه داده و بین اکتشاف و بهره‌برداری تعادل برقرار کند که باعث شده است کیفیت سرویس ارتقا یابد. با این حال، پیچیدگی محاسباتی بالا و نیاز به تنظیم دقیق پارامترها از جمله محدودیت‌های آن به شمار می‌آید. نویسندگان پیشنهاد کرده‌اند که در آینده نسخه‌های ساده‌تر و مقیاس‌پذیرتری از این رویکرد توسعه یافته و همچنین عملکرد آن در شرایط پویا و چندابر مورد آزمایش قرار گیرد .[13]

مدیریت تبادل انرژی میان خودروهای برقی و شبکه انرژی الکتریکی یکی از چالش‌های کلیدی در سیستم‌های فناوری شارژ دوطرفه⁵⁶ است. به‌عبارت‌دیگر، مشکل اصلی در این حوزه، بهینه‌سازی جریان توان و پایداری شبکه در شرایطی است که تعداد بالایی خودرو الکتریکی به‌صورت هم‌زمان به شبکه متصل می‌شوند. علاوه بر این، تغییرات تصادفی در الگوهای شارژ و دشارژ خودروها موجب می‌شود پیش‌بینی و کنترل بار شبکه پیچیده‌تر گردد. برای رفع این چالش، Venkatesh و همکاران رویکردی ترکیبی شامل الگوریتم عقاب ماهیگیر و شبکه عصبی گرافی آگاه از موقعیت ⁵⁷پیشنهاد کرده‌اند. در این ساختار، الگوریتم عقاب ماهیگیر مسئول بهینه‌سازی تخصیص منابع و جریان توان است، درحالی‌که شبکه عصبی گرافی با تحلیل ارتباطات مکانی خودروها و ایستگاه‌های شارژ، تصمیمات کنترلی هوشمندتری اتخاذ می‌کند. این ترکیب موجب شده است که هم پایداری ولتاژ و فرکانس شبکه بهبود یابد و هم میزان اتلاف انرژی و هزینه عملیاتی کاهش پیدا کند. نتایج شبیه‌سازی‌ها نشان می‌دهد که روش ترکیبی توانسته نسبت به الگوریتم‌های کلاسیک و حتی برخی مدل‌های هوش مصنوعی مستقل، کارایی بالاتری در کاهش نوسانات و افزایش بهره‌وری شبکه داشته باشد. بااین‌حال، از معایب آن می‌توان به پیچیدگی پیاده‌سازی و نیاز به داده‌های گسترده برای آموزش شبکه عصبی اشاره کرد. نویسندگان پیشنهاد کرده‌اند که در آینده، این چارچوب با روش‌های سبک‌تر یادگیری ماشین و مدل‌های پیش‌بینی بار بلادرنگ ترکیب شود تا امکان استفاده در مقیاس بزرگ‌تر شبکه‌های V2G فراهم گردد [32].

سامانه مکان‌یابی مبتنی بر نور مرئی (VLP) به طور گسترده به‌عنوان یک راه‌حل امیدبخش برای مکان‌یابی در محیط‌های داخلی در جایی که فناوری‌های مرسوم مانند GPS کارایی ندارند شناخته شده است. به‌عنوان یکی از دو فناوری متداول VLP، روش‌های مبتنی بر برد⁵⁸ به دلیل هزینه پایین و پیاده‌سازی آسان، توجه قابل‌ملاحظه‌ای را به خود جلب کرده‌اند. در اکثر روش‌های موجود VLP مبتنی بر برد، لازم است قدرت سیگنال دریافتی از هر چراغ LED به فاصله تبدیل شود تا موقعیت هدف تخمین زده شود. بااین‌حال، به دلیل تأثیر چندمسیره بودن و نویز، خطای تبدیل قدرت سیگنال دریافتی به فاصله قابل‌اغماض نیست که این امر معمولاً منجر به خطای مکان‌یابی بزرگی می‌شود. علاوه بر این، باعث کاهش کیفیت خدمات در کاربردهایی نظیر راهنمایی در مراکز خرید، بیمارستان‌ها یا سیستم‌های واقعیت افزوده می‌گردد. راهکاری که Shi و همکاران ارائه کرده‌اند، ترکیب یک شبکه عصبی پس انتشار⁵⁹ با نسخه بهبود‌یافته‌ای از الگوریتم عقاب ماهیگیر⁶⁰ است. در این ساختار، الگوریتم فراابتکاری وظیفه تنظیم بهینه پارامترهای شبکه عصبی را بر عهده دارد تا فرایند یادگیری با سرعت بیشتر و دقت بالاتر انجام شود. این ترکیب موجب شده است که مدل پیشنهادی نسبت به شبکه‌های عصبی متداول، عملکرد بهتری در کاهش خطای مکان‌یابی و مقاومت در برابر تغییرات نوری محیط داشته باشد. از نتایج کلیدی پژوهش می‌توان به بهبود دقت مکان‌یابی تا سطح سانتی‌متری و همچنین پایداری عملکرد در حضور نویز اشاره کرد. باوجود این، مدل پیشنهادی به دلیل پیچیدگی محاسباتی و نیاز به داده‌های آموزشی متنوع در محیط‌های واقعی با محدودیت‌هایی مواجه است. نویسندگان توصیه کرده‌اند که در تحقیقات آینده، نسخه‌های سبک‌تر الگوریتم عقاب ماهیگیر و روش‌های یادگیری تطبیقی مورداستفاده قرار گیرد تا سیستم در مقیاس بزرگ‌تر و در شرایط عملیاتی واقعی نیز قابلیت استقرار داشته باشد [25].

یافتن مسیر بهینه برای پهپادها در محیط‌هایی با موانع پیچیده و شرایط متغیر یک چالش مهم است. مسیر‌یابی پهپاد نه‌تنها باید کوتاه‌ترین و  ایمن‌ترین مسیر را ارائه دهد، بلکه لازم است در شرایطی با محدودیت انرژی و تهدیدهای محیطی نیز کارا باشد. روش‌های متداول بهینه‌سازی اغلب دچار مشکل همگرایی زودرس یا افزایش زمان محاسباتی می‌شوند که مانع استفاده از آن‌ها در کاربردهای بلادرنگ می‌گردد. راهکار پیشنهادی توسط Yang و همکاران استفاده از یک نسخه چند استراتژی بهبود‌یافته از الگوریتم عقاب ماهیگیر است. در این رویکرد، ترکیبی از عملگرهای جستجوی محلی، مکانیزم‌های اکتشاف گسترده و تکنیک‌های تنظیم پویا به کار گرفته می‌شوند تا تعادل مناسبی میان اکتشاف و بهره‌برداری برقرار گردد. این تغییرات باعث شده است تا الگوریتم بتواند از گیرافتادن در بهینه‌های محلی اجتناب کرده و به راه‌حل‌های دقیق‌تری در زمان کمتر دست یابد. نتایج آزمایش‌ها نشان داده است که روش ارائه‌شده توانسته است نسبت به الگوریتم‌های پایه و برخی فراابتکاری‌های مرسوم، مسیرهای کوتاه‌تر، مصرف انرژی پایین‌تر و سرعت محاسباتی بالاتر را برای پهپادها فراهم کند. بااین‌حال، نویسندگان اذعان کرده‌اند که عملکرد الگوریتم در محیط‌های بسیار پویای سه‌بعدی یا شرایطی که پهپادها به‌صورت گروهی عمل می‌کنند هنوز بهینه نیست. به همین دلیل، پیشنهاد شده که در آینده، این الگوریتم با یادگیری تقویتی و مدل‌های پیش‌بینی محیطی ترکیب شود تا قابلیت سازگاری آن در سناریوهای پیچیده و مقیاس بزرگ افزایش یابد [33].

یکی از چالش‌های کلیدی در حوزه رباتیک متحرک، طراحی مسیر بهینه برای حرکت در محیط‌های دوبعدی با موانع متعدد است. روش‌های سنتی در چنین شرایطی معمولاً یا به دلیل پیچیدگی بالای محیط دچار خطا می‌شوند و یا توانایی کافی برای تطبیق با تغییرات سریع محیط را ندارند. علاوه بر این، بسیاری از الگوریتم‌های موجود با مشکل سرعت پایین و همگرایی زودهنگام به بهینه محلی مواجه هستند که موجب کاهش دقت در مسیریابی می‌شود. در روش استفاده شده توسط Liu و همکاران، یک نسخه بهبودیافته از الگوریتم عقاب ماهیگیر برای حل مسئله مسیریابی ربات‌های سطحی ارائه شده است. این نسخه شامل مکانیزم‌های ترکیبی اکتشاف و بهره‌برداری است که با استفاده از استراتژی‌های تطبیقی و تکنیک‌های جستجوی محلی پیشرفته، به الگوریتم اجازه می‌دهد فضای جستجو را به طور کارآمدتری پوشش دهد. در نتیجه، ربات قادر به یافتن مسیر کوتاه‌تر، ایمن‌تر و با برخورد کمتر به موانع خواهد بود. بررسی‌های تجربی نشان می‌دهد که این روش نسبت به الگوریتم‌های پایه و سایر روش‌های فراابتکاری، از نظر سرعت همگرایی، کاهش طول مسیر و صرفه‌جویی در انرژی مصرفی عملکرد بهتری دارد. بااین‌حال، نویسندگان اشاره کرده‌اند که در محیط‌های دینامیک و چندعاملی که ربات‌ها به‌صورت گروهی عمل می‌کنند، این الگوریتم هنوز محدودیت‌هایی دارد و پیشنهاد داده‌اند که الگوریتم عقاب ماهیگیر بهبود‌یافته با سیستم‌های یادگیری ماشینی و شبکه‌های عصبی عمیق ترکیب شود تا بتواند در محیط‌های پویا و در شرایط بلادرنگ نیز کارایی مناسبی ارائه کند [4].

5- نتیجه گیری و پیشنهادات آتی

  مرور گسترده پژوهش‌های انجام‌شده نشان داد که الگوریتم فراابتکاری عقاب ماهیگیر به‌عنوان یکی از روش‌های نوین بهینه‌سازی، جایگاه ویژه‌ای در حل مسائل پیچیده سیستم‌های توزیع‌شده پیدا کرده است. در این مطالعه، ۱۹ مقاله منتخب که به کاربردهای الگوریتم فراابتکاری عقاب ماهیگیر در زمینه‌های مختلف از جمله اینترنت اشیا، شبکه‌های برق هوشمند، کنترل فرکانس، مدیریت انرژی، مکان‌یابی و مسیر‌یابی، و کاربردهای سلامت هوشمند پرداخته‌اند، موردبررسی قرار گرفت. یافته‌ها نشان می‌دهد که این الگوریتم به دلیل ساختار ساده، توانایی ایجاد تعادل بین اکتشاف و بهره‌برداری و قابلیت انطباق با شرایط متغیر محیطی، عملکرد مناسبی در مقایسه با الگوریتم‌های دیگر داشته است. نتایج تحقیقات نشان می‌دهد که الگوریتم فراابتکاری عقاب ماهیگیر به طور خاص در بهینه‌سازی کنترل فرکانس در سیستم‌های قدرت هیبریدی و مدیریت منابع انرژی تجدیدپذیر عملکرد قابل‌توجهی داشته است. مقالات مرور شده بیانگر این موضوع هستند که ترکیب الگوریتم فراابتکاری عقاب ماهیگیر با روش‌های کنترلی پیشرفته و الگوریتم‌های یادگیری ماشین، توانسته است پایداری سیستم‌های قدرت را افزایش داده و هزینه‌ها را کاهش دهد. از سوی دیگر، در حوزه اینترنت اشیا، کاربرد الگوریتم فراابتکاری عقاب ماهیگیر در افزایش امنیت شبکه‌ها، مدیریت انرژی در خانه‌های هوشمند و بهینه‌سازی عملکرد دستگاه‌های متصل موردتوجه بوده و نتایج مثبتی را نشان داده است. از منظر سیستم‌های ارتباطی و مکان‌یابی، استفاده از الگوریتم فراابتکاری عقاب ماهیگیر در مسیریابی ربات‌ها، پهپادها و سیستم‌های مبتنی بر نور مرئی به افزایش دقت، کاهش خطا و بهبود کیفیت سرویس کمک کرده است. همچنین، مطالعات نشان دادند که ترکیب این الگوریتم با شبکه‌های عصبی و مدل‌های مبتنی بر یادگیری عمیق، می‌تواند کارایی آن را در محیط‌های پیچیده و پویا بیشتر کند. در حوزه سلامت هوشمند نیز استفاده از الگوریتم فراابتکاری عقاب ماهیگیر به‌عنوان ابزاری برای بهینه‌سازی تشخیص، پایش و تخصیص منابع، افق‌های جدیدی را گشوده است.

بااین‌حال، مرور مقالات بیانگر برخی محدودیت‌ها و چالش‌ها نیز بود. در بسیاری از موارد، الگوریتم فراابتکاری عقاب ماهیگیر همچنان با مسائلی نظیر وابستگی به تنظیمات اولیه، افزایش زمان محاسباتی در مقیاس‌های بزرگ و دشواری در سازگاری با داده‌های بلادرنگ مواجه است. علاوه بر این، بسیاری از پژوهش‌ها در سطح شبیه‌سازی و محیط‌های آزمایشگاهی باقی‌مانده‌اند و هنوز شواهد کافی از کاربردهای عملی و صنعتی الگوریتم فراابتکاری عقاب ماهیگیر در مقیاس واقعی وجود ندارد. این مسئله نشان می‌دهد که برای توسعه و به‌کارگیری این الگوریتم در صنایع حساس مانند انرژی، حمل‌ونقل و بهداشت، نیازمند تحقیقات عمیق‌تر و آزمون‌های میدانی گسترده هستیم. جدول 3 مزایا و معایب مقالات بررسی شده را بطور خلاصه نشان می دهد.

 

جدول 3: خلاصه ای از مقالات بررسی شده

Table 3. Summary of selected papers

مرجع	روش استفاده شده	هدف اصلی	مزایا	محدودیت‌ها
[11]	Osprey + یادگیری فدرال	امنیت دستگاه‌های IoT	حفظ حریم خصوصی، کاهش حملات	پیچیدگی محاسباتی بالا
[10]	OOA + Bi-LSTM	تشخیص نفوذ در IoT	دقت بالا در تشخیص حملات	نیاز به دیتاست‌های گسترده‌تر
[12]	OOA در انتخاب سرخوشه WSN	افزایش طول عمر شبکه	مصرف انرژی کمتر، توزیع متوازن بار	کاهش کارایی در شبکه‌های متراکم
[13]	OOA + Kookaburra (ترکیبی)	بالانس بار در رایانش ابری	بهبود تخصیص منابع، کاهش زمان پاسخ	سربار پردازشی بالا
[14]	OOA + نقشه آشوب	خوشه‌بندی WSN	کاهش مصرف انرژی، پایداری شبکه	عدم توجه به امنیت ارتباطات
[31]	OOA چندهدفه	تخصیص منابع در Fog-IoT	بهینه‌سازی چندمعیاره، کاهش تأخیر	آزمایش فقط در شبیه‌سازی
[24]	OOA + کنترل‌کننده FOI-(PDN+1)	کنترل فرکانس میکروگرید	بهبود پایداری دینامیکی سیستم	هزینه محاسباتی بالا
[2]	OOA برای DSM	مدیریت مصرف انرژی خانگی	کاهش پیک‌بار، بهره‌وری بیشتر	عدم ارزیابی میدانی
[3]	OOA برای طراحی میکروگرید	اندازه‌گذاری بهینه منابع	هزینه کمتر، راندمان بالاتر	نادیده‌گرفتن عدم قطعیت منابع
[32]	OOA + GNN	Vehicle-to-Grid	بهبود کنترل و پایداری شبکه	نیاز به زیرساخت محاسباتی قوی
[25]	OOA + شبکه عصبی	موقعیت‌یابی داخلی نور مرئی	دقت بالا، عدم تداخل RF	حساسیت به نور محیطی
[26]	OOA برای SHTS	زمان‌بندی کوتاه‌مدت هیدروترمال	کاهش هزینه تولید، بهینه‌سازی منابع	پیچیدگی در مدل‌سازی
[9]	OOA برای مدیریت انرژی	هماهنگی منابع در شبکه‌ی هوشمند	بهبود بهره‌وری انرژی، پایداری بیشتر	نیاز به داده‌های زمان واقعی
[33]	OOA چند استراتژی	مسیر‌یابی پهپاد	یافتن مسیر بهینه در موانع پیچیده	زمان محاسباتی نسبتاً بالا
[4]	OOA بهبودیافته	مسیر‌یابی ربات‌های سطحی	دقت بالا در محیط‌های بسته	محدودیت در محیط‌های پویا
[7]	OOA برای LFC سه ناحیه‌ای	کنترل فرکانس بار	پایداری بیشتر سیستم قدرت	نیاز به تنظیمات پیچیده
[5]	OOA اصلاح‌شده (MOOA)	مدیریت تقاضا PV-Smart Grid	کاهش هزینه و بهبود بهره‌وری	تست فقط در محیط شبیه‌سازی
[8]	OOA با عدم قطعیت باد	زمان‌بندی هیدروترمال - باد	لحاظ‌کردن منابع تجدیدپذیر	افزایش پیچیدگی محاسبات
[34]	OOA + یادگیری ensemble	سلامت IoT (تشخیص آریتمی)	دقت بالا، کاربرد پزشکی	مصرف انرژی زیاد حسگرها

 

برای تحقیقات آینده، چند مسیر کلیدی پیشنهاد می‌شود:

 

·       توسعه نسخه‌های سبک‌وزن و سازگار با محیط‌های محدود منابع، به‌ویژه در اینترنت اشیا و دستگاه‌های پوشیدنی.

 

·       ترکیب الگوریتم عقاب ماهیگیر با مدل‌های یادگیری ماشین و یادگیری عمیق برای افزایش دقت و سرعت همگرایی در محیط‌های پویا.

 

·       گسترش آزمون‌های عملی و میدانی در مقیاس صنعتی و شهری به‌منظور ارزیابی قابلیت اطمینان الگوریتم در شرایط واقعی.

 

·       طراحی نسخه‌های چندهدفه برای مدیریت هم‌زمان معیارهای متضاد مانند هزینه، انرژی، امنیت و کیفیت خدمات.

به‌طورکلی، می‌توان نتیجه گرفت که الگوریتم عقاب ماهیگیر نه‌تنها پتانسیل بالایی برای ارتقای کارایی و تاب‌آوری سیستم‌های توزیع‌شده دارد، بلکه در صورت رفع محدودیت‌های فعلی، می‌تواند به یکی از ابزارهای اصلی در مدیریت نسل آینده زیرساخت‌های هوشمند تبدیل شود.

 

6- مراجع

 

[1]        D. C. Tansel Dokeroglua, Tayfun Kucukyilmaz, "A survey on pioneering metaheuristic algorithms between 2019 and 2024," Computers & Industrial Engineering (preprint on arXiv), 2024.

[2]        S. Nanibabu, Baskaran, S., & Marimuthu, P., "Demand side management in residential smart grid using Osprey Optimization Algorithm," 2023 IEEE 3rd Mysore Sub Section International Conference (MysuruCon), 2023.

[3]        A. R. Sagor, Ahmad, S., Ahmed, A., Hazari, M. R., Jahan, E., Hossain, C. A., Ogliari, E., & Mannan, M. A., "Optimal sizing of autonomous microgrid using Osprey Optimization Algorithm," 2023 IEEE 3rd Mysore Sub Section International Conference (MysuruCon), 2023.

[4]        Z. Liu, & Hui, L., "Application of improved Osprey Optimization Algorithm in path planning of planar mobile robots," Proceedings of the 2025 7th International Conference on Information Science, Electrical and Automation Engineering (ISEAE), IEEE, 2025, doi: 10.1109/ISEAE64934.2025.11042112.

[5]        A. S. Jasmine, & Krishnaparamathma, M., "A Resilient Mod Osprey Optimization Algorithm (MOOA) Based Effective Demand Side Management for Solar PV tied Smart Grid Networks," 2024 International Conference on Integration of Emerging Technologies for the Digital World (ICIETDW), IEEE, 2024, doi: 10.1109/ICIETDW61607.2024.10939457.

[6]        M. D. a. P. Trojovský, "Osprey optimization algorithm: A new bio-inspired metaheuristic algorithm for solving engineering optimization problems," IEEE Access, vol. 9, 2023, doi: 10.3389/fmech.2022.1126450.

[7]        J. N. F. Abidur Rahman Sagor1, Sazzad Hossain Sahed1, Shameem Ahmad1, Md. Rifat Hazari1, Md. Shahariar Parvez1, Kazi Firoz Ahmed1, and Mahamudul Hassan2, "Osprey Optimization Algorithm for Load Frequency

Control in Renewable and Non-renewable Energy based Three-Area Power Generating System," Proceedings of the 4th International Conference on Robotics, Electrical and Signal Processing Techniques (ICREST), 2025, doi: 10.1109/ICREST63960.2025.10914392.

[8]        J. R. b. Ponnuru Sudhakiran a, M. Dhinakaran c, Baburao Pasupulati "Wind power uncertainty is taken into consideration while using the Osprey Optimization Algorithm for hydro-thermal-wind complementary scheduling," 2024 Third International Conference on Electrical, Electronics, Information and Communication Technologies (ICEEICT), IEEE, 2024, doi: 10.1109/ICEEICT61591.2024.10718537.

[9]        N. Rudrapogu, Hemalatha, N., Warkad, S. B., Jayanthi, A., Vinoth, K., & Jayaram, B, "A novel approach to smart grid energy management using the Osprey Optimization Algorithm," Proceedings of the Fourth International Conference on Sentiment Analysis and Deep Learning (ICSADL-2025), IEEE, 2025.

[10]        S. S. SSN Chintapalli, J Frnda, PB Divakarachari, VL Sarraju, P Falkowski-Gilski, "OOA-modified Bi-LSTM network: An effective intrusion detection framework for IoT systems," Heliyon, Research article vol. 10, no. 8, 2024.

[11]        A. Dr. Saad A, "Privacy-Aware Federated Learning Framework for Securing IoT Devices Using Chameleon Swarm Algorithm with Self Attentive Variational Autoencoder Model," (in ENGLISH), SSRN review 2020.

[12]        Y. C. Ramasubbareddy Somula 1, * and Bhabendu Kumar Mohanta, "SWARAM: Osprey Optimization Algorithm-Based Energy-Efficient Cluster Head Selection for Wireless Sensor Network-Based Internet of Things," sensors, 2024, doi: https://doi.org/10.3390/s24020521.

[13]        S. W. s. g. c. a. B. M. P. a. a. a. affiliations, "Adaptive load balancing in distributed cloud environment: Hybrid Kookaburra-Osprey optimization algorithm," Sage Journals, Research article vol. 18, no. 3, 2024, doi: https://doi.org/10.3233/IDT-240672.

[14]        W. S. Songhao Jia, Cai Yang, Shuya Jia, Yaohui Yuan, Huiyuan Chen, Haiyu Zhang, "CM-OOA：An Energy-Efficient Clustering Algorithm for Wireless Sensor Networks Using Chaotic Mapping and Osprey Optimization," Informatika, vol. 49, no. 12, 2025, doi: https://doi.org/10.31449/inf.v49i12.7840.

[15]        P. Mell, & Grance, T., "The NIST Definition of Cloud Computing," NIST Special Publication 800-145, 2011.

[16]        M. Armbrust, Fox, A., Griffith, R., Joseph, A. D., Katz, R. H., Konwinski, A., ... & Zaharia, M., "A View of Cloud Computing," Communications of the ACM, vol. 53, no. 4, 2010.

[17]        T.-H. D. M. Yoo, "TDOA-based indoor positioning using visible light," Photonics, vol. 3, no. 4, 2014, doi: https://doi.org/10.3390/photonics3040085.

[18]        R. M. Flavio Bonomi, Jiang Zhu, Sateesh Addepalli, "Fog Computing and Its Role in the Internet of Things," Proceedings of the First Edition of the MCC Workshop on Mobile Cloud Computing, 2012.

[19]        Z. Yang, Wu, C., & Liu, Y, Indoor positioning technologies: Techniques, trends and challenges (no. 4). 2018.

[20]        X. F. Parth H. Pathak, Pengfei Hu, and Prasant Mohapatra, "Visible Light Communication, Networking, and

Sensing: A Survey, Potential and Challenges," IEEE Communications Surveys & Tutorials, vol. 17, no. 4, 2015, doi: https://doi.org/10.1109/COMST.2015.2476474.

[21]        F. Glover, "Future Paths for Integer Programming and Links to Artificial Intelligence.” Computers & Operations Research 13, 533-549," Computers & Operations Research, vol. 13, no. 5, 1986, doi: https://doi.org/10.1016/0305-0548(86)90048-1.

[22]        D. K. B. Basturk, "A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm," Journal of Global Optimization, vol. 39, no. 3, 2007, doi: https://doi.org/10.1007/s10898-007-9149-x.

[23]        C. D. G. S. Kirkpatrick, Jr., M. P. Vecchi, "Optimization by Simulated Annealing," Science, vol. 220, no. 4598, 1983, doi: https://doi.org/10.1126/science.220.4598.671.

[24]        S. Santra, Mondal, S., & De, M., "nhanced frequency control of a hybrid microgrid integrated with EV aggregator using [FOI-(PDN+1)] controller optimized by osprey optimization algorithm," Engineering Research Express (IOP Publishing), vol. 7, no. 2, 2025.

[25]        T. Shi, Liang, Z., Dong, B., & Zhang, J., " Indoor visible light positioning based on backward propagation neural network and improved osprey optimization algorithm," Proceedings of the 10th International Conference on Computer and Communication Systems (ICCCS 2025), IEEE, 2025.

[26]        M. S. Baburao Pasupulati, Amosedinakaran S,R Sreedhar,Sudhakiran P,Vinoth John Prakash S, "An intelligent approach for the short-term generation scheduling of a hydrothermal power system employing the osprey optimization algorithm," 2023 IEEE 3rd Mysore Sub Section International Conference (MysuruCon), 2023, doi: DOI: 10.1109/ICCIGST60741.2024.10717630.

[27]        C. R. Reeves, Genetic Algorithms. 2010.

[28]        J. K. a. R. Eberhart2, "Particle Swarm Optimization," IEEE International Conference on Neural Networks (ICNN 1995), 1995, doi: 10.1109/ICNN.1995.488968.

[29]        S. Mirjalili, Mirjalili, Seyed Mohammad, Lewis, Andrew, "Grey wolf optimizer," Advances in Engineering Software, vol. 69, 2014, doi: https://doi.org/10.1016/j.advengsoft.2013.12.007.

[30]        X.-S. Yang, "A New Metaheuristic Bat-Inspired Algorithm," Nature Inspired Cooperative Strategies for Optimization (NICSO 2010), 2010, doi: 10.1007/978-3-642-12538-1_6.

[31]        E. Nagarjun, Chouhan, D., & S. M., D. K, "Multi-Objective Osprey Optimization Algorithm-Based Resource Allocation in Fog-IoT," International Journal of Advanced Computer Science and Applications (IJACSA), vol. 16, no. 2, 2025.

[32]        K. Venkatesh, Dhasmana, G., Deokar, S. U., Thacker, C., Saravanan, K. G., & Padmashini, R. K., "Osprey Optimization Algorithm and Position-Aware Graph Neural Network for Enhanced Vehicle-to-Grid Control System," IEEE MysuruCon 2023 (Proceedings), 2025.

[33]        L. Yang, Wang, W., & Xu, B, "A multi-strategy improved Osprey Optimization Algorithm for UAV path planning," Proceedings of the 2024 7th International Conference on Robotics, Control and Automation Engineering (RCAE), IEEE, 2024, doi: 10.1109/RCAE62637.2024.10834189.

[34]        V. A. K. A. L. G. K. V. D. M. S. V. H. Bhutnal, "An IoT enabled healthcare framework for arrhythmia detection based on Qos aware trust aided osprey routing protocol and ensemble learning," Multimedia Tools and Applications, vol. 83, 2024, doi: https://doi.org/10.1007/s11042-023-17773-w.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1]  Meta-heuristic algorithms

[2]  Osprey optimization algorithm

[3]  Exploration

[4]  Exploitation

[5]  Distributed system

[6]  Wireless sensor network

[7]  Cloud computing

[8]  Fog computing

[9]  Smart grig

[10]  Middleware

[11]  Internet of Things (IoT)

[12]  Sensing layer

[13]  Network layer

[14]  Data processing layer

[15]  Application layer

[16]  Infrastructure as a Service (IaaS)

[17]  Platform as a Service (PaaS)

[18]  Software as a Service (SaaS)

[19]  End Users

[20]  Cloud servers

[21]  Fog layer

[22]  Cloud layer

[23]  Vehicular Ad hoc NETwork (VANET)

[24]  Roadside Units (RSUs)

[25]  Base stations

[26]  Local processing layer

[27]  Communication layer

[28]  Indoor Visible Light Positioning (IVLP)

[29]  Light Emitting Diode (LED)

[30]  Photodiodes

[31]  Pulse Width Modulation (PWM)

[32]  Orthogonal Frequency Division Multiplexing (OFDM)

[33]  Time of flight

[34]  Received signal strength

[35]  Trilateration

[36]  Multilateration

[37]  Microgrid

[38]  Distributed generation

[39]  Combined Heat and Power (CHP)

[40]  Flywheels

[41]  Energy Management System (EMS)

[42]  Protection system

[43]  IoT integration

[44]  Delay Tolerant Networks (DTN)

[45]  Store and forward

[46]  Store-Carry-Forward

[47]  Nodes

[48]  Bundle Protocol

[49]  Power generating system

[50]  Simulated Annealing (SA)

[51]  Chaotic mapping

[52]  Demand Side Management (DSM)

[53]  Mod Osprey Optimization Algorithm (MOOA)

[54]  Short term HydroThermal generation Scheduling (SHTS)

[55]  Kookaburra Optimization Algorithm (KOA)

[56]  Vehicle to Grid (V2G)

[57]  Position aware graph neural network

[58]  Range based VLP

[59]  Backward propagation neural network

[60]  Improved OOA (IOOA)

---