دانلود ترجمه مقاله چارچوب مراقبت از سلامت الکترونیکی انرژی موثر با پشتیبانی EO-μGA

1. مقدمه 2. پیشینه تحقیق 3. تحقیقات مربوطه 4. روش پیشنهادی 5. نتایج شبیه سازی و تجزیه و تحلیل 6. نتیجه گیری

چکیده – رایانش لبه/مه این پتانسیل را دارد که صنعت مراقبت بهداشتی را از طریق ارائه خدمات بهداشتی بهتر و سریعتر به بیماران سرعت بخشد. در سیستم های مراقبت‌ بهداشتی، که هر ثانیه اهمیت زیادی برای این سیستمها دارد، رایانش لبه برای کاهش زمان بین جمع‌آوری و تجزیه و تحلیل داده بسیار مفید می باشد. در رایانش لبه، پیکربندی دستگاه های لبه شبکه به گونه‌ای است که می‌توانند به جای ارسال مستقیم داده‌های سلامت به ابر، تجزیه و تحلیل بحرانی را انجام داده و تصمیمات لازم را بگیرند. با این حال، طول عمر شبکه لبه یک عامل حیاتی است و بنابراین معماری شبکه کارآمد انرژی باید برای دستیابی به هدف فوق طراحی شود. در این راستا، این تحقیق تکنیک خوشه‌بندی مبتنی بر الگوریتم میکروژنتیک بهینه‌سازی اکسترمال (EO-μGA) را جهت مسیریابی کارآمد و افزایش طول عمر شبکه با صرفه‌جویی در مصرف باتری دستگاه‌های لبه شبکه ارائه می‌کند. بعلاوه، تابع برازش جدید با مجموعه‌ای از معیارهای مرتبط با دستگاه‌های لبه همچون ضریب انرژی، میانگین فاصله درون خوشه‌ای، میانگین فاصله تا سرخوشه در مرکز تجزیه و تحلیل داده، میانگین زمان خواب و بار محاسباتی برای انتخاب سرخوشه ای در نظر گرفته شده اند که مسئول مدیریت ارتباطات داده درون خوشه ای و بین خوشه ای است. نتایج شبیه ‌سازی نشان می ‌دهند که مدل خوشه ‌بندی مبتنی بر EO-μGA در مقایسه با الگوریتم‌های بهینه‌سازی پیشرفته مختلف، طول عمر شبکه بالاتر و حداقل میزان مصرف انرژی انتقال را در هر گره پیشنهاد می دهد.

The edge/fog computing has the potential to gear up the healthcare industry by providing better and faster health services to the patients. In healthcare systems where every second is crucial, the edge computing can be helpful to reduce the time between data capture and analytics in a powerful manner. In edge computing, the network edge devices are configured in such a manner that they can handle critical analysis and make necessary decisions instead of sending the captured health data directly to the cloud. However, lifetime of the edge network is a critical factor and thus an energy efficient network architecture has to be designed to achieve the above mentioned goal. In this regard, this research presents a new extremal optimization tuned micro genetic algorithm (EO-μGA) based clustering technique for the sake of efficient routing and prolonging network lifetime by saving the battery power of network edge devices. Moreover, a novel fitness function with a set of relevant criteria of edge devices such as energy factor, average intra-cluster distance, average distance to cluster leader over data analytics center, average sleeping time, and computational load has been considered for the selection of the cluster leader which will be responsible for managing intra-cluster and inter-cluster data communication. The simulation results show that the proposed EO-μGA based clustering model offers a higher network lifetime and a least amount of transmission energy consumption per node as compared to various state of the art optimization algorithms.

ترجمه این مقاله در 33 صفحه آماده شده و در ادامه نیز صفحه 23 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.