Abstract
Стаття присвячена дослідженню та аналізу застосування адаптивних алгоритмів управління технологією IoT в умовах обмежених ресурсів. В контексті швидко зростаючої популярності IoT, ефективне управління цією технологією в умовах обмежених обчислювальних, енергетичних та мережевих ресурсів стає вирішальним завданням. У роботі пропонуються методи адаптивного управління, спрямовані на оптимізацію використання ресурсів та підвищення продуктивності системи IoT. Проведено аналіз трьох адаптивних алгоритмів управління IoT, а саме: Q- learning, алгоритм нечіткої логіки та алгоритм колективного інтелекту. Досліджуються особливості, ефективність та придатність цих алгоритмів для застосування в умовах обмежених ресурсів, таких як обчислювальна потужність та енергоефективність. Як вирішення існуючої проблеми в статті запропоновано новий алгоритм: гібрид алгоритмів нечіткої логіки та колективного інтелекту. Новий алгоритм створює нові можливості для керування IoT-пристроями в умовах обмежених ресурсів, адже має кращі сторони обох алгоритмів, не маючи їх явних недоліків. Запропонований алгоритм має потенціал підвищення ефективності IoT-систем в середньому на 10-25%. Проте для досягнення кращих результатів, важливо також враховувати різні сценарії використання IoT-систем, оскільки ефективність алгоритмів може змінюватися залежно від конкретних умов. Наприклад, пристрої, що працюють у віддалених або важкодоступних місцях, вимагають більшої автономності та стійкості до обмежень мережевих ресурсів. Подібні фактори відіграють ключову роль у забезпеченні стабільної та надійної роботи IoT-систем у реальних умовах. Висновки статті спрямовані на визначення найбільш ефективного алгоритму управління IoT в умовах обмежених ресурсів. Результати досліджень можуть бути корисними для розробників та впроваджувачів IoT систем, спрямованих на оптимізацію використання ресурсів та підвищення продуктивності систем.
Published Version (
Free)
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callSimilar Papers
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
