فهرست مطالب سید ابراهیم دشتی رحمت آبادی
-
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.
کلید واژگان: بهبود تخصیص منابع, محاسبات لبه موبایل, الگوریتم بهینه سازی ازدحام ذرات, الگوریتم گرک خاکستری.}Mobile edge computing improves the experience of end users to achieve appropriate services and service quality. In this paper, the problem of improving resource allocation when offloading tasks based on mobile devices to edge servers in computing systems was investigated. Some tasks are processed locally and some are offloaded to edge servers. The main issue is that the offloaded tasks for virtual machines in computing networks are properly scheduled to minimize computing time, service cost, computing network waste, and the maximum connection of a task with the network. In this paper, it was introduced using the hybrid algorithm of particle swarm and gray wolf to manage resource allocation and task scheduling to achieve an optimal result in edge computing networks. The comparison results show the improvement of waiting time and cost in the proposed approach. The results show that, on average, the proposed model has performed better by reducing the work time by 10% and increasing the use of resources by 16%.
Keywords: Improving Resource Allocation, Mobile Edge Computing, Particle Swarm Optimization Algorithm, Gray Wolf Algorithm} -
فناوری اطلاعات پزشکی و خدمات بهداشتی و درمانی با رفاه ملی و معیشت مردم ارتباط دارد. ادغام پردازش ابری و اینترنت اشیا یک پیشرفت بزرگ در کاربرد پزشکی مدرن خواهد بود. در این تحقیق تمرکز بر روی بیماری مزمن دیابت می باشد که یکی از عوامل اصلی مرگ و میر در سراسر جهان محسوب می شود. این تحقیق تکنولوژی اطلاعات پزشکی را در زمینه اینترنت اشیا، به ویژه در زمینه کاربرد نظارت و مدیریت پزشکی بکار گرفته است. این مطالعه یک روش مبتکرانه مبتنی بر اینترنت اشیا را برای تشخیص دیابت معرفی می کند. یک معماری برای نظارت از راه دور و مدیریت پلت فرم ابر اطلاعات بهداشتی پیشنهاد و تحلیل می شود ، اطلاعات بیماران از طریق ابزارهای اینترنت اشیاء پوشیدنی و تعبیه شده بر حسب نیاز استفاده و جمع آوری می شود و در نهایت از طریق اینترنت شخص ارسال می شود. در این مقاله الگوریتم مبتنی بر الگوریتم ژنتیک و طبقه بندی ترکیبی برای تشخیص دیابت در راستای کمک به نظارت پزشکی ارایه شده است. از الگوریتم های ژنتیک برای انتخاب ویژگی های مرتبط بر اساس همبستگی آنها با وضعیت دیابت و وابستگی های بین ویژگی ها استفاده می کند. متعاقبا، یک مدل یادگیری مجموعه ای انباشته، با ادغام طبقه بندی کننده های SVM، KNN، ANN، درختان و GNB برای دقت بیشتر استفاده می شود. نتایج نشان دهنده عملکرد برتر رویکرد ما است و پتانسیل آن را برای بهبود مدیریت دیابت و نتایج مراقبت های بهداشتی برجسته می کند. روش پیشنهادی از سه روش ارزیابی شده است و نتایج حاصل نشان می دهد روش پیشنهادی از عملکرد بالاتری به میزان 9 تا 57 درصد نسبت به روش های پایه برخوردار بوده و به دقت 93 درصد رسیده است
کلید واژگان: سلامت هوشمند, یادگیری ماشین, اینترنت اشیا, یادگیری گروهی, بیماری دیابت}Medical information technology and health services are related to the national welfare and livelihood of the people. The integration of cloud computing and the Internet of Things will be a major breakthrough in modern medical applications. This study focuses on the chronic disease of diabetes, which is one of the leading causes of death worldwide. This research has applied medical information technology in the field of IoT, especially in the field of medical monitoring and management applications. A model architecture for remote monitoring and management of the health information cloud platform is proposed and analyzed, and then an algorithm based on genetic algorithm and hybrid classification for the diagnosis of diabetes is proposed for medical monitoring. The results show that the proposed method has a higher performance than the basic methods and has reached an accuracy of 94%.
Keywords: Smart health, machine learning, Internet of Things (IoT), Ensemble learning, diabetes} -
ارائه دهندگان سرویس کاربرد (ASP) با هدف کاهش هزینه های مالی به اجاره ماشین مجازی (VM) ارائه شده در محیط ابری روی می آورند. مهمترین مشخصه رایانش ابری که می تواند به ASP در کاهش هزینه کمک کند، خاصیت مقیاس پذیری منابع ابری است. از این رو ASP با تدارک مکانیزمی جهت مقیاس بندی خودکار منابع اجاره شده، سعی می کند از تامین بیش از نیاز و تامین کمتر از نیاز جلوگیری کند. محققان به ارائه مکانیزم ها و بررسی پارامترهای موثر در تصمیم گیری این مکانیزم می پردازند. اما به جز نحوه دستیابی به یک تصمیم مقیاس بندی، چگونگی اجرا کردن تصمیم از اهمیت بالایی برخوردار است. از دید نویسندگان این مقاله، اینکه در هنگام اجرای تصمیم مقیاس بندی پایین کدام ماشین اجاره شده برای آزادسازی انتخاب شود یک چالش اساسی است که می تواند در عملکرد مکانیزم تاثیرگذار باشد. در این مقاله با شبیه سازی چرخه کامل مدیریت خودکار منابع در شبیه ساز کلادسیم ، رویکردهای نوینی برای گزینش VM مازاد ارائه می شوند. تفاوت چشمگیر در نتایج و عملکرد مکانیزم مقیاس بندی در اثر اعمال هر کدام از رویکردهای پیشنهادی، بر اثربخشی و اهمیت سیاست گذاری در گزینش VM مازاد دلالت می کنند. همچنین نتایج نشان داد که رویکردهای آگاه به بار می توانند به بهبود کیفیت سرویس (18 %) از لحاظ کمی و کیفی و رویکرد آگاه به هزینه به کاهش هزینه (20 %) کمک کنند.
-
این مطالعه با هدف معرفی الگوهای مطلوب پیشبینی برای قیمت نفتخام ایران انجام شده است داده های مورد استفاده بهصورت هفتگی و شامل دورهی 2010-1997 میباشد و پیشبینی ها برای 10، 20 و 30 درصد داده های یاد شده انجام گرفته است. الگوهای مورد استفاده برای پیشبینی، شامل 4 الگوی شبکهی عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بوده است. شبکه های منتخب شامل شبکهی پیشخور پس انتشار، شبکهی آبشاری پس انتشار، شبکهی المان پس انتشار و شبکهی رگرسیون تعمیم یافته می باشد. همچنین توابع آموزش مورد استفاده در پیشبینی شامل توابع لونبرگ- مارکوآت و شبهی نیوتنی است. یافته های به دست آمده نشان میدهد برای پیشبینی 10 درصد از داده های قیمت نفتخام، الگوهای شبکهی رگرسیون تعمیم یافته و شبکهی آبشاری پس انتشار با تابع آموزش شبهی نیوتنی، به ترتیب با خطایی کمتر از 1 و کمتر از 2 درصد دارای بهترین عملکرد هستند. برای پیشبینی 20 درصد داده های قیمت نفتخام ایران، شبکهی پیشخور پس انتشار و شبکهی المان پس انتشار با تابع آموزش لونبرگ- مارکوآت، دارای عملکرد بهتر میباشند. در مورد 30 درصد از داده ها نیز شبکهی پیشخور پس انتشار مطلوب تر ارزیابی شده است. همچنین نتایج نشان میدهد بهطور نسبی با افزایش درصد داده های مورد استفاده در پیشبینی، دقت پیشبینی ها بهویژه با افزایش از 10 درصد به 20 درصد رو به افول میرود. دقت پیشبینی خودرگرسیون میانگین متحرک نیز پایینتر از الگوهای شبکهی عصبی ارزیابی میشود.
کلید واژگان: قیمت, پیشبینی نفتخام ایران, شبکهی عصبی مصنوعی, خودرگرسیون میانگین متحرک}The aim of this study is to introduce more optimal models to forecast Iranian crude oil prices. The study uses weekly data for the period 1987-2010, to separately forecast 10, 20 and 30 percent of data variables. The study applies 4 Artificial Neural Networks and one ARIMA regression model. The selected Artificial Neural Networks are Feed-Forward Back Propagation, Cascade Back Propagation, Elman Back Propagation and Generalized Regression. The experimental functions are Levenberg-Marquardt and Quasi-Newton BFG. The findings indicate that for 10 percent of price data networks of Generalized Regression and Quasi-Newton BFG based Cascade Back Propagation networks give the best forecasts with errors of less than 1 and 2 percent respectively. To forecast 20 percent of Iranian Crude oil prices Feed-Forward Back Propagation and Elman Back Propagation networks based on the Levenberg-Marquardt experimental functions had the best performance. In the case of 30 percent of price data also Feed-Forward Back Propagation was found more optimal. The results also indicate that as the percentage of data forecast increases prediction accuracy tends to decrease and this happens most markedly when we increase the percentage of data used from 10 percent to 20 percent. The study also reveals a lower forecasting power for the ARIMA model compared to all the other models.
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.