Metody strojového učení pro optimalizaci řízení monitorovacího systému

Abstract

Bezdrátové senzorové sítě se neustále rozvíjí a pokrývají rozsáhlou oblast každodenního života zasahující do průmyslových, komerčních i dalších sfér. Jejich cílem je usnadňovat člověku život a práci. Rozšíření bezdrátových senzorových sítí je způsobeno zejména vysokým pokrokem, rozvojem a nárůstem počítačových technologií, což sebou samozřejmě nese zvyšující se výpočetní výkon. Tento fakt je důsledkem stále se zvyšujících požadavků na veškeré aspekty IoT zařízení. Rostoucí požadavky jako je funkčnost, propracovanost a efektivnost aplikací způsobují vznik nových náročnějších a sofistikovanějších trendů v aplikační oblasti. Koncept digitálního dvojčete lze využít pro pokročilou správu energie, včetně nastavení adaptivních pracovních cyklů v IoT zařízeních. Spolu s použitím metod strojového učení docílíme vývoje propracovanějších a efektivnějších návrhů modelů, jež řeší optimalizaci bezdrátových koncových zařízení a sítí jako celku.

V práci bude řešena optimalizace a správa bezdrátového koncového zařízení pomocí metod nastavení pracovního cyklu. Návrh optimalizace bude později doplněn algoritmem, který bude aplikovat fuzzy logiku a diferenční evoluci. Navržený algoritmus bude ověřen pomocí simulace s technikou digitálního dvojčete.

Wireless sensor networks are constantly evolving. Wireless sensor networks cover a wide area of everyday life, reaching into industrial, commercial and other spheres. Their goal is to make everyday life easier. The expansion of wireless sensor networks is due to the high progress, development and growth of computer technologies. Of course, these facts inherently lead to increasing computing power. The increasing demands on all aspects of the device, such as functionality, sophistication and efficiency of applications are the result of the ever emerging new, more demanding and sophisticated trends in the application area. The concept of digital twin can be used for advanced energy management to set up adaptive duty cycles in Internet of Things devices. Together with~the use of machine learning methods, we will achieve the development of more sophisticated and efficient design models that address the optimization of wireless sensor nodes and~networks as a whole.

The optimization and management of the wireless sensor node will be addressed in this thesis using duty cycle setup and scheduling methods. The optimization design will be later complemented with an algorithm that will apply fuzzy expret rules and differential evolution. The proposed algorithm will be verified through simulation with digital twin technique.