انرژی – ترکیب‌بندی کارآمد اینترنت قابل پیکربندی امور خدماتی

همراه با انطباق اینترنت اشیا (‏loT)‏برای پشتیبانی از کاربردهای صنعتی مختلف، هم‌کاری و هماهنگی اشیاء هوشمند یک استراتژی امیدوار کننده برای برآورده کردن الزامات است که فراتر از ظرفیت هر شیء هوشمند واحد است. برای پرداختن به این چالش، چارچوب خدماتی ردیف بالاتر پیشنهاد می‌شود، که در آن کارکردهای ارائه شده توسط اشیاء هوشمند در خدمات loT گنجانده می‌شوند، که به کلاس‌های خدماتی طبقه‌بندی می‌شوند. شبکه خدمات با در نظر گرفتن امکان اتصال بین کلاس‌های سرویس ساخته می‌شود، و زنجیره‌های کلاس خدمات با استفاده از تکنیک‌های سنتی ترکیب خدمات وب تولید می‌شوند، که در آن تخصص عملکردی الزامات خاص در نظر گرفته می‌شود. با در نظر گرفتن عواملی مانند محدودیت‌های فضایی و زمانی، کارآیی انرژی، و قابلیت اثبات خدمات loT، انتخاب خدمات loT برای معرفی کلاس‌های خدمات موجود در زنجیره به یک مساله بهینه‌سازی چند هدفه و چند محدودیتی کاهش می‌یابد. الگوریتم های ابتکاری، مانند الگوریتم ژنتیک (‏GA)‏، بهینه‌سازی کلونی مورچه‌ها (‏ACO)‏و بهینه‌سازی انبوه ذرات (‏PSO)‏، برای جستجوی ترکیبات بهینه خدمات loT بکار گرفته می‌شوند. یک ارزیابی

Along with the adaptation of Internet of Things (IoT) to support various industrial applications, the cooperation and coordination of smart things is a promising strategy for satisfying requirements that are beyond the capacity of any single smart thing. To address this challenge, a two-tier IoT service framework is proposed, where the functionalities provided by smart things are encapsulated into IoT services, which are categorized into service classes. The service network is constructed by considering the invocation possibility between service classes, and service class chains are generated using traditional Web service composition techniques, where the functional specification of certain requirements is considered. Considering factors such as spatial and temporal- constraints, energy efficiency, and the configurability of IoT services, selecting IoT services for the instantiation of service classes contained in chains is reduced to a multiobjective and multiconstrained optimization