بهینه سازی مصرف انرژی در ربات های صنعتی می تواند هزینه های عملیاتی را کاهش دهد، عملکرد را بهبود بخشد و طول عمر ربات را در طول ساخت قطعه افزایش دهد. در سال های اخیر با پیشرفت علم و فناوری، فناوری های جدیدی مانند محاسبات ابری، داده انبوه و غیره به طور مداوم ظهور کرده اند و از فناوری رایانش ابری در تحقیقات ربات ها استفاده شده است که باعث شده ربات طراحی شده عملکرد بلادرنگ بالایی داشته باشد. و راندمان انرژی بالا، هزینه کم و یک سری مزایا. یکی از مهم ترین جنبه های این فناوری استفاده از آن در نظارت مستمر بر عملکرد ربات ها دارد که می تواند تضمین کننده عملکرد بهینه آن شود. در این تحقیق ابتدا مرروی بر روش های کاهش مصرف انرژی ارائه شده است و در ادامه میزان اثرگذاری استفاده از فناوری محاسبات لبه در کاهش انرژی تجزیه و تحلیل شده است. برای این منظور استفاده از الگوریتم های بهینه سازی عملکرد ربات شامل خط سیر و زمان های کاری آن توسط لبه کنترل می شود. نتایج شبیه سازی های نشان می دهد که با استفاده از فناوری لبه می توان به میزان قابل توجهی انرژی مصرفی را کاهش داد.

پشتیبانی از برنامه‌های کاربردی حساس به تأخیر و نیازمند محاسبات سنگین برای دستگاه‌های همراه با ظرفیت باتری محدود و منابع محاسباتی کم به‌سختی امکان‌پذیر است. توسعه فناوری‌های رایانش لبه همراه و انتقال توان بی‌سیم به دستگاه‌های همراه امکان می‌دهند تا وظایف محاسباتی خود را به سرورهای لبه برون‌سپاری کنند و انرژی را برای افزایش طول عمر باتری خود برداشت کنند. با این حال برون‌سپاری محاسبات با چالش‌هایی مانند منابع محاسباتی محدود سرور لبه، کیفیت کانال ارتباطی موجود و زمان محدود برای برداشت انرژی مواجه است. ما در این مقاله مسئله مشترک برون‌سپاری محاسبات و تخصیص منابع غیرمتمرکز را در محیط پویای رایانش لبه همراه مطالعه می‌کنیم. برای این منظور یک طرح برون‌سپاری مبتنی بر یادگیری تقویتی عمیق چندعامله را پیشنهاد می‌دهیم که همکاری بین دستگاه‌های همراه را برای تنظیم استراتژی‌هایشان در نظر می‌گیرد. به طور خاص، ما یک نسخه بهبودیافته الگوریتم گرادیان سیاست قطعی عمیق چندعامله را با به‌کارگیری ویژگی‌های clipped double Q-learning، به‌روزرسانی با تأخیر سیاست، هموارسازی سیاست هدف و بازپخش تجربه اولویت‌بندی‌شده پیشنهاد می‌دهیم. نتایج شبیه‌سازی نشان می‌دهند طرح برون‌سپاری پیشنهادی، عملکرد همگرایی بهتری نسبت به سایر روش‌ها دارد و همچنین میانگین مصرف انرژی، میانگین تأخیر پردازش و نرخ شکست وظیفه را کاهش می‌دهد.

فراگیری کاربردهای نوظهور چالش های جدیدی را در زمینه های مصرف انرژی، پردازش محاسبات و ذخیره سازی داده ها ایجاد کرده است. محاسبات لبه ای دسترسی چندگانه به عنوان یک الگوی محاسباتی نوین که می تواند بارکاری دستگاه های کاربران را به سرورهای قدرتمند موجود در محل آنها با صرف کمترین زمان و انرژی ممکن منتقل کرده و از این طریق موجب بهبود کیفیت ارائه خدمات و کارایی اجرای وظایف شود، امیدواری هایی را ایجاد نموده است. با توجه به اینکه در نظر گرفتن امکان بارسپاری وظایف و تخصیص منابع به صورت توأمان در این الگوی محاسباتی یکی از اصلی ترین محورهای توجه برای کاربردهای آگاه از کارایی می باشد، در این مقاله به بررسی ریزدانه ی این مسئله در شرایط پویا و متغیر با زمان پرداخته شده است. هدف ایده ی پیشنهادی در این مقاله، کاهش هزینه ی نرمال شده ی سیستم ناشی از جمع وزن دار زمان تکمیل وظایف و میزان انرژی مصرفی آنها می باشد که این امر با ارائه ی راه حلی بر اساس یادگیری تقویتی بعد از فرموله سازی و مدل کردن مسئله صورت گرفته است. نتایج شبیه سازی های انجام شده تحت سناریوهای مختلف، بیانگر بهبود معیارهای زمان تکمیل وظایف و انرژی مصرفی آنها نسبت به سایر روش های موجود بوده که نهایتاً، به طور متوسط، منجر به کاهش 22 و 24 درصدی در سناریوهای ارزیابی هزینه ی نرمال شده ی سیستم شده است.

محاسبات لبه سیار، تکنولوژی نوینی برای بهبود مشکل تأخیر، ظرفیت و منابع موجود در محیط محاسبات ابری سیار است. هدف اصلی در محاسبات لبه سیار، زمان بندی پویا و بارگذاری بهینه با کمترین هزینه در استفاده از منابع است. ما در این مقاله، از یک مدل سیستم سه سطحی دستگاه های سیار، لبه و ابر استاندارد، استفاده و دو الگوریتم بارگذاری و زمان بندی را پیشنهاد می کنیم. یک الگوریتم تصمیم گیری برای بارگذاری وظایف مبتنی بر الگوریتم کوله پشتی حریصانه در سمت دستگاه سیار است که وظایف با انرژی مصرفی بالا را برای بارگذاری انتخاب می کند و باعث صرفه جویی در انرژی مصرفی دستگاه می شود. همچنین در سمت MEC، یک الگوریتم زمان بندی پویا را با اولویت بندی وظایف مبتنی بر فازی جهت اولویت بندی و زمان بندی وظایف بر اساس دو معیار ارائه می کنیم. نتایج عددی نشان می دهند که کار ارائه شده در مقایسه با سایر روش ها باعث کاهش زمان انتظار وظایف برای اجرا، تأخیر و بار سیستم می شود و تعادل سیستم با کمترین تعداد منابع تأمین می گردد و سیستم ارائه شده، مصرف باتری را در دستگاه هوشمند تا حدود 90% کاهش می دهد. نتایج نشان می دهند که بیش از 92% وظایف با موفقیت در محیط لبه اجرا می شوند.

برای لبهk اتم های کربن در بلور مولکولی فنانترین و ایزومر آن، آنتراسین، محاسبه شد. در این دو ساختار، اتم های کربن غیرمعادل طیف های اتلاف متفاوتی نزدیک لبه نمایش می دهند، که این نتیجه ای از طول پیوند متفاوت کربن-کربن به عنوان رفتار مشخصه ای برای بلورهای مولکولی است. طول های پیوند کوتاه تر ساختارهای طیفی در ELNESرا به انرژی های بالاتر هل می دهند. در آنتراسین، مکان انرژی آستانه لبه به دلیل گاف نواری کمتر در انرژی های پایین تر ظاهر می شود. در آستانه لبه Kکربن در آنتراسین، یک شکافتگی قوی برای بیشینه ساختاری π *به دو بیشینه ساختاری قابل مشاهده است. در مقایسه با لبه Kکربن در آنتراسین، به دلیل طول پیوند بزرگ تر کربن-کربن در فنانترین، مکان بیشینه ساختار اصلی σ یک جابه جایی قرمز نشان می دهد. طیف اتلاف فنانترین بلوری شامل انتقال الکترون از اوربیتال s1 کربن به حالت های π * و σ *است. در آنتراسین، دو ساختار اول که دارای بیشترین شدت می باشند، سهم هایی از اوربیتال های π *را شامل می شوند. احتساب تقریب حفره مغزه با استفاده از ابریاخته ها و نیز تنظیم نیم زاویه جمع کننده در مقدار جادویی آن برای حصول طیف های ELNESمنطقی و قابل قبول ضروری است. متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه های تلفن همراه به سرورهای لبه در سیستم های محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیه شده برای ماشین های مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمان بندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.