Published January 1, 2023
| Version v1
Publication
Open
Bayes-Q-Learning Algorithm in Edge Computing for Waste Tracking
Creators
- 1. PSG INSTITUTE OF TECHNOLOGY AND APPLIED RESEARCH
- 2. Taif University
- 3. Mansoura University
- 4. Michigan State University
Description
The major environmental hazard in this pandemic is the unhygienic disposal of medical waste.Medical wastage is not properly managed it will become a hazard to the environment and humans.Managing medical wastage is a major issue in the city, municipalities in the aspects of the environment, and logistics.An efficient supply chain with edge computing technology is used in managing medical waste.The supply chain operations include processing of waste collection, transportation, and disposal of waste.Many research works have been applied to improve the management of wastage.The main issues in the existing techniques are ineffective and expensive and centralized edge computing which leads to failure in providing security, trustworthiness, and transparency.To overcome these issues, in this paper we implement an efficient Naive Bayes classifier algorithm and Q-Learning algorithm in decentralized edge computing technology with a binary bat optimization algorithm (NBQ-BBOA).This proposed work is used to track, detect, and manage medical waste.To minimize the transferring cost of medical wastage from various nodes, the Q-Learning algorithm is used.The accuracy obtained for the Naïve Bayes algorithm is 88%, the Q-Learning algorithm is 82% and NBQ-BBOA is 98%.The error rate of Root Mean Square Error (RMSE) and Mean Error (MAE) for the proposed work NBQ-BBOA are 0.012 and 0.045.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتمثل الخطر البيئي الرئيسي في هذا الوباء في التخلص غير الصحي من النفايات الطبية. لا تتم إدارة النفايات الطبية بشكل صحيح وستصبح خطراً على البيئة والبشر. تعد إدارة النفايات الطبية مشكلة رئيسية في المدينة والبلديات في جوانب البيئة واللوجستيات. يتم استخدام سلسلة توريد فعالة مع تقنية الحوسبة المتطورة في إدارة النفايات الطبية. تشمل عمليات سلسلة التوريد معالجة جمع النفايات والنقل و التخلص من النفايات. تم تطبيق العديد من الأعمال البحثية لتحسين إدارة الهدر. تتمثل المشكلات الرئيسية في التقنيات الحالية في الحوسبة الطرفية غير الفعالة والمكلفة والمركزية التي تؤدي إلى الفشل في توفير الأمن والجدارة بالثقة والشفافية. للتغلب على هذه المشكلات، ننفذ في هذه الورقة خوارزمية تصنيف Naive Bayes وخوارزمية Q - Learning فعالة في تقنية حوسبة الحافة اللامركزية مع خوارزمية تحسين الخفافيش الثنائية (NBQ - BBOA). يستخدم هذا العمل المقترح لتتبع النفايات الطبية واكتشافها وإدارتها. لتقليل تكلفة نقل الهدر الطبي من مختلف العقد، يتم استخدام خوارزمية Q - Learning. تم الحصول على الدقة لخوارزمية Naïve Bayes هو 88 ٪، وخوارزمية Q - Learning هي 82 ٪ و NBQ - BBOA هي 98 ٪. معدل خطأ متوسط الجذر التربيعي (RMSE) ومتوسط الخطأ (MAE) للعمل المقترح NBQ - BBOA هو 0.012 و 0.045.Translated Description (French)
Le principal danger environnemental dans cette pandémie est l'élimination non hygiénique des déchets médicaux.Le gaspillage médical n'est pas correctement géré, il deviendra un danger pour l'environnement et les humains.La gestion du gaspillage médical est un problème majeur dans la ville, les municipalités dans les aspects de l'environnement et de la logistique.Une chaîne d'approvisionnement efficace avec une technologie informatique de pointe est utilisée dans la gestion des déchets médicaux.Les opérations de la chaîne d'approvisionnement comprennent le traitement de la collecte des déchets, le transport et élimination des déchets.De nombreux travaux de recherche ont été appliqués pour améliorer la gestion du gaspillage.Les principaux problèmes des techniques existantes sont l'informatique de périphérie inefficace, coûteuse et centralisée qui conduit à l'échec de la sécurité, de la fiabilité et de la transparence.Pour surmonter ces problèmes, dans cet article, nous mettons en œuvre un algorithme de classification Naïf Bayes efficace et un algorithme Q-Learning en technologie informatique de périphérie décentralisée avec un algorithme d'optimisation binaire bat (NBQ-BBOA).Ce travail proposé est utilisé pour suivre, détecter et gérer les déchets médicaux.Pour minimiser le coût de transfert du gaspillage médical à partir de divers nœuds, l'algorithme Q-Learning est utilisé.La précision obtenue pour l'algorithme Naïf Bayes est de 88 %, l'algorithme Q-Learning est de 82 % et NBQ-BBOA est de 98 %. Le taux d'erreur de l'erreur quadratique moyenne (RMSE) et de l'erreur moyenne (MAE) pour le travail proposé NBQ-BBOA est de 0,012 et 0,045.Translated Description (Spanish)
El principal peligro ambiental en esta pandemia es la eliminación antihigiénica de los desechos médicos. Los desechos médicos no se gestionan adecuadamente, se convertirán en un peligro para el medio ambiente y los seres humanos. La gestión de los desechos médicos es un problema importante en la ciudad, los municipios en los aspectos del medio ambiente y la logística. Una cadena de suministro eficiente con tecnología informática de punta se utiliza en la gestión de los desechos médicos. Las operaciones de la cadena de suministro incluyen el procesamiento de la recolección de desechos, el transporte y eliminación de residuos. Se han aplicado muchos trabajos de investigación para mejorar la gestión del desperdicio. Los principales problemas en las técnicas existentes son la computación periférica ineficaz, costosa y centralizada, lo que conduce a fallas en la provisión de seguridad, confiabilidad y transparencia. Para superar estos problemas, en este documento implementamos un algoritmo clasificador Naive Bayes eficiente y un algoritmo Q-Learning en tecnología informática periférica descentralizada con un algoritmo de optimización de murciélagos binarios (NBQ-BBOA). Este trabajo propuesto se utiliza para rastrear, detectar y gestionar los residuos médicos. Para minimizar el costo de transferencia del desperdicio médico desde varios nodos, se utiliza el algoritmo Q-Learning. La precisión obtenida para el algoritmo Naïve Bayes es del 88%, el algoritmo Q-Learning es del 82% y el NBQ-BBOA es del 98%. La tasa de error del error cuadrático medio (RMSE) y del error medio (MAE) para el trabajo propuesto NBQ-BBOA es de 0,012 y 0,045.Files
TSP_IASC_33879.pdf.pdf
Files
(967.3 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:4d2e1bb6816169dcb28b5ab79f07fa96
|
967.3 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- خوارزمية Bayes - Q - Learning في حوسبة الحواف لتتبع النفايات
- Translated title (French)
- Algorithme Bayes-Q-Learning en Edge Computing pour le suivi des déchets
- Translated title (Spanish)
- Algoritmo Bayes-Q-Learning en Edge Computing para el seguimiento de residuos
Identifiers
- Other
- https://openalex.org/W4313585983
- DOI
- 10.32604/iasc.2023.033879
References
- https://openalex.org/W1191812766
- https://openalex.org/W2335252028
- https://openalex.org/W2752979437
- https://openalex.org/W2756307580
- https://openalex.org/W2797319902
- https://openalex.org/W2803762988
- https://openalex.org/W2807072073
- https://openalex.org/W2807432709
- https://openalex.org/W2887979871
- https://openalex.org/W2896068046
- https://openalex.org/W2896650746
- https://openalex.org/W2898069736
- https://openalex.org/W2899407823
- https://openalex.org/W2934430302
- https://openalex.org/W2946428791
- https://openalex.org/W2970889210
- https://openalex.org/W2983983697
- https://openalex.org/W3000938554
- https://openalex.org/W3014943700
- https://openalex.org/W3024301388
- https://openalex.org/W3044274068
- https://openalex.org/W3047295571
- https://openalex.org/W3081530559
- https://openalex.org/W3093914449
- https://openalex.org/W3096325357
- https://openalex.org/W3103906052
- https://openalex.org/W3108970169
- https://openalex.org/W3115326848
- https://openalex.org/W3120264963
- https://openalex.org/W3133681037
- https://openalex.org/W3134558178
- https://openalex.org/W3137808482
- https://openalex.org/W3158025454
- https://openalex.org/W3163508094
- https://openalex.org/W3185780518
- https://openalex.org/W3187700800
- https://openalex.org/W3196751864
- https://openalex.org/W3204510919
- https://openalex.org/W3207872601
- https://openalex.org/W3209903954
- https://openalex.org/W3209949649
- https://openalex.org/W3210978176
- https://openalex.org/W4210881599
- https://openalex.org/W4213054635
- https://openalex.org/W4220952783
- https://openalex.org/W4221074749
- https://openalex.org/W4221127224
- https://openalex.org/W4281628072
- https://openalex.org/W4281891510
- https://openalex.org/W4285209616