СИСТЕМНЫЙ АНАЛИЗ, МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ ПО ПОВЫШЕНИЮ ЭНЕРГОЭФФЕКТИВНОСТИ НАСЕЛЕННОГО ПУНКТА
https://doi.org/10.34822/1999-7604-2020-1-6-12
Аннотация
Города сегодня сталкиваются с множеством проблем, среди которых ключевой является проблема энергоэффективности. Данной теме посвящено множество работ как в нашей стране, так и за рубежом. Одним из способов повышения энергоэффективности умного города является управление энергопотреблением в умных домах. В работе дан анализ двух способов повышения энергоэффективности умных городов с помощью системы обучения агентов и интернета вещей. Произведен сравнительный анализ предложенных методов по критерию «Степень снижения потребления энергии».
Об авторах
И. В. Кутуев
Управление информационных технологий и связи города Сургута, Сургут, Россия
Россия
E-mail: kutuevivan@gmail.com
Россия
E-mail: kutuevivan@gmail.com
Д. А. Федоров
Сургутский государственный университет, Сургут, Россия
Россия
Россия
К. И. Бушмелева
Сургутский государственный университет, Сургут, Россия
Россия
Россия
Список литературы
1. Умный город: концепция, стандартизация и реализация смарт-сити. URL: http://1234g.ru/novosti/smart-city (дата обращения: 19.11.2019).
2. Технология ценозависимого потребления. URL: https://so-ups.ru/?id=dr (дата обращения: 19.11.2019).
3. Кутуев И. В., Бушмелева К. И. Анализ информационных систем используемых для расчета искусственного освещения // Инновационные, информационные и коммуникационные технологии : сб. трудов XV Междунар. науч.-практ. конф. / под. ред. С. У. Увайсова. М. : Ассоциация выпускников и сотрудников ВВИА им. проф. Жуковского, 2019. С. 71–75.
4. Ивашкин Ю. А. Мультиагентное моделирование в имитационной системе Simplex3. М. : Лаборатория знаний, 2016. 350 с.
5. Mahapatra C., Moharana A. K., Leung V. C. M. Energy Management in Smart Cities Based on Internet of Things: Peak Demand Reduction and Energy Savings // Sensors (Basel). 2017. No. 17 (12). URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5751629/ (дата обращения: 22.11.2019).
6. Армирование обучения. Reinforcement learning. URL: https://ru.qwe.wiki/wiki/Rein forcement_learning (дата обращения: 23.03.2020).
7. Sarangi S. R., Goel S., Singh B. Energy Efficient Scheduling in IoT Networks // SAC 2018: Symposium on Applied Computing, April 9–13, 2018, Pau, France. ACM, NewYork, NY, USA, 8 p. https://doi.org/10.1145/3167132.3167213.
8. Yan L., Luo J., Jha N. K. Joint Dynamic Voltage Scaling and Adaptive Body Biasing for Heterogeneous Distributed Real-time Embedded Systems // IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 2005. Vol. 24, No. 7. P. 1030–1041.
Рецензия
Для цитирования:
Кутуев И.В., Федоров Д.А., Бушмелева К.И. СИСТЕМНЫЙ АНАЛИЗ, МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ ПО ПОВЫШЕНИЮ ЭНЕРГОЭФФЕКТИВНОСТИ НАСЕЛЕННОГО ПУНКТА. Вестник кибернетики. 2020;(1 (37)):6-12. https://doi.org/10.34822/1999-7604-2020-1-6-12
For citation:
Kutuev I.V., Fedorov D.A., Bushmeleva K.I. SYSTEM ANALYSIS, METHODS AND ALGORITHMS FOR DECISION MAKING TO INCREASE THE ENERGY EFFICIENCY OF SETTLEMENT. Proceedings in Cybernetics. 2020;(1 (37)):6-12. (In Russ.) https://doi.org/10.34822/1999-7604-2020-1-6-12
Просмотров:
465
Послать статью по эл. почте 