An on-demand coverage based self-deployment algorithm for big data perception in mobile sensing networks

شبکه های حسگر تلفن همراه به طور گسترده ای در زمینه های مختلف برای ادراک داده های بزرگ مانند حمل و نقل هوشمند، سلامت پزشکی و سنجش محیط زیست مورد استفاده قرار گرفته است. با این حال، در برخی از محیط های پیچیده و مناطق غیر قابل دسترس از ناراحتی برای انسان، ایجاد شبکه های حسگر تلفن همراه، طرح گره ها و کنترل توپولوژی شبکه برای دستیابی به داده های بزرگ عملکرد داده ها به طور فزاینده ای تبدیل شدن به یک مسئله اصلی در برنامه های کاربردی شبکه های حسگر تلفن همراه. برای مقابله با این مشکل، ما یک الگوریتم خودپرداز مبتنی بر پوشش تحت پوشش جدید برای درک اطلاعات بزرگ بر اساس شبکه های حسگر تلفن همراه در این مقاله ارائه می دهیم. اولا، با در نظر گرفتن ویژگی های گره های حسگر تلفن همراه، ما مدل ماشین سازی سلولی را گسترش می دهیم و یک مدل اتوماتای ​​سلولی تلفن همراه جدید را برای اثربخشی پردازش تکاملی مکانی و زمانی گره ها پیشنهاد می دهیم. دوم، بر اساس نظریه اتوماتای ​​یادگیری و اطلاعات تاریخی حرکت گره، ما یک مدل خودکار اتوماتیک یادگیری تلفن همراه جدید را بررسی می کنیم که در آن گره ها می توانند به صورت خود سازگارانه و هوشمندانه بهترین مسیر حرکت با مصرف انرژی کم تصمیم بگیرند. در نهایت، ما یک الگوریتم بهینه سازی جدید را پیشنهاد می دهیم که می تواند به سرعت حل مسئله نصب خودکارشناسی گره را حل کند، بدین ترتیب، ما بهترین طرح استقرار گره ها را در یک زمان کوتاه بدست می آوریم. نتایج شبیه سازی گسترده نشان می دهد که الگوریتم پیشنهاد شده در این مقاله الگوریتم های موجود را تا 40٪ از لحاظ میزان رضایت از پوشش شبکه، تکرار الگوریتم، مراحل متوسط ​​حرکت گره ها و مصرف انرژی گره ها از این رو، ما معتقدیم که کار ما کمک خواهد کرد تا سناریوهای سنجش پذیری در سطح مقیاس بزرگ در شبکه های حسگر تلفن همراه به کار گرفته شود.