عنوان فارسی مقاله:مدل بهینه‌سازی وظیفه مبتنی بر گربه و موش برای جمع‌آوری بهینه داده‌ها در کشاورزی هوشمند

چکیده

جمع‌آوری داده‌ها از مزارع کشاورزی خسته‌کننده است و به روش‌های جدید برای تولید نتایج قابل اعتماد نیاز دارد. ترکیب شبکه‌های حسگر لبه و بی‌سیم (WSN) برای کشاورزی هوشمند، جمع‌آوری کارآمد داده‌ها را از مزارع دور تا حد زیادی امکان‌پذیر کرد. اتخاذ یک الگوریتم بهینه‌سازی برای دستیابی به وظیفه جمع‌آوری داده‌ها در کار پیشنهادی اولویت‌بندی شده است و یک چارچوب جدید و مؤثر برای جمع‌آوری داده‌ها پیشنهاد شده است. چارچوب پیشنهادی ابتدا داده‌ها را از مزارع کشاورزی از طریق حسگرها جمع آوری می‌کند و سپس آن را به سرور لبه منتقل می‌کند. مسیر بین سنسورها و سرور لبه با استفاده از مدل بهینه‌سازی وظیفه مبتنی بر گربه و موش (CMTO) به‌طور بهینه به دست می‌آید. داده‌های دریافت شده از طریق مسیر بهینه منتقل می‌شوند و سپس سرور لبه داده‌ها را بر اساس معیارهای کیفیت داده مانند دقت، صحت، کامل بودن و قابلیت اطمینان بدست می‌آورد و ارزیابی می‌کند. سپس داده‌های معتبر شناسایی شده و برای ذخیره سازی به سرورهای ابری منتقل می‌شوند. شبیه سازی کار در پلتفرم پایتون انجام شده و با استفاده از مجموعه داده توصیه کننده محصول ارزیابی می‌شود. ارزیابی‌ها کارایی روش را در مقایسه با الگوریتم‌های پیشرفته موجود ثابت کرد. کار پیشنهادی همچنین تا ۱۲٫۵ درصد بهبود از نظر مصرف انرژی، ۷٫۱۴ درصد بهبود از نظر تأخیر ارتباطات، ۴ درصد بهبود از نظر هزینه اجرا، ۲٫۲۷ درصد بهبود از نظر کامل بودن، ۱٫۱۲ درصد بهبود در از نظر دقت، ۹٫۵۲ درصد بهبود از نظر صحت، و ۳٫۳۷ درصد بهبود از نظر قابلیت اطمینان ارائه کرد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Cat and Mouse Based Task Optimization Model for Optimized Data Collection in Smart Agriculture

Abstract

Data collection from agricultural fields is tiring and requires novel methodologies to produce reliable outcomes. The combination of edge and wireless sensor networks (WSN) for smart farming enabled the efficient collection of data from remote fields to a vast extent. Adopting an optimization algorithm to achieve the data collection task is prioritized in the proposed work, and a new and effective data collection framework is proposed. The proposed framework initially collects the data from the agricultural fields via sensors and then transmits it to the edge server. The path between the sensors and the edge server is optimally obtained using the cat and mouse based task optimization (CMTO) model. The sensed data are transmitted through the optimal route, and then the edge server obtains and evaluates the data based on the data quality metrics such as precision, correctness, completeness and reliability. The valid data are then identified and transferred to the cloud servers for storage. The simulation of the work is done in Python platform and evaluated using the crop recommender dataset. The evaluations proved the method's efficacy compared to the existing state-of-the-art algorithms. The proposed work also provided upto 12.5% of improvement in terms of energy consumption, 7.14% of improvement in terms of communication latency, 4% of improvement in terms of execution cost, 2.27% of improvement in terms of completeness, 1.12% of improvement in terms of precision, 9.52% of improvement in terms of correctness, and 3.37% of improvement in terms of reliability.