دانلود مقاله انگلیسی رایگان:صرفه جویی در وقت و هزینه در برنامه ریزی کاربردهای اینترنت اشیا-مبتنی بر مه با استفاده از روش یادگیری تقویتی عمیق - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Saving time and cost on the scheduling of fog-based IoT applications using deep reinforcement learning approach Saving time and cost on the scheduling of fog-based IoT applications using deep reinforcement learning approach
    Saving time and cost on the scheduling of fog-based IoT applications using deep reinforcement learning approach

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Saving time and cost on the scheduling of fog-based IoT applications using deep reinforcement learning approach


    ترجمه فارسی عنوان مقاله:

    صرفه جویی در وقت و هزینه در برنامه ریزی کاربردهای اینترنت اشیا-مبتنی بر مه با استفاده از روش یادگیری تقویتی عمیق


    منبع:

    Sciencedirect - Elsevier - Future Generation Computer Systems, 110 (2020) 1098-1115. doi:10.1016/j.future.2019.09.060


    نویسنده:

    Pegah Gazori, Dadmehr Rahbari, Mohsen Nickray


    چکیده انگلیسی:

    Due to the rapid growth of intelligent devices and the Internet of Things (IoT) applications in recent years, the volume of data that is generated by these devices is increasing ceaselessly. Hence, moving all of these data to cloud datacenters would be impossible and would lead to more bandwidth usage, latency, cost, and energy consumption. In such cases, the fog layer would be the best place for data processing. In the fog layer, the computing equipment dedicates parts of its limited resources to process the IoT application tasks. Therefore, efficient utilization of computing resources is of great importance and requires an optimal and intelligent strategy for task scheduling. In this paper, we have focused on the task scheduling of fog-based IoT applications with the aim of minimizing long-term service delay and computation cost under the resource and deadline constraints. To address this problem, we have used the reinforcement learning approach and have proposed a Double Deep Q-Learning (DDQL)-based scheduling algorithm using the target network and experience replay techniques. The evaluation results reveal that our proposed algorithm outperforms some baseline algorithms in terms of service delay, computation cost, energy consumption and task accomplishment and also handles the Single Point of Failure (SPoF) and load balancing challenges.
    Keywords: Fog computing | Task scheduling | Deep reinforcement learning | Double Q-Learning | Service delay | Computation cost


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 18
    حجم فایل: 842 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi