Learning Aided Joint Sensor Activation and Mobile Charging Vehicle Scheduling for Energy-Efficient WRSN-Based Industrial IoT
Notice bibliographique
Résumé
In this paper, the joint sensor activation and mobile charging vehicle scheduling for wireless rechargeable sensor network (WRSN) based industrial Internet of Things (IIoT) is studied. In the proposed framework, an optimal sensor set is selected to collaboratively execute a bundle of heterogeneous industrial tasks (e.g., production-line monitoring), meeting the quality-of-monitoring (QoM) of each individual task, and we consider that a mobile charging vehicle (MCV) is scheduled for recharging sensors before their charging deadlines, i.e., time instants of running out of their batteries, in order to prevent from any potential service interruptions (which is one of the key features of IIoT). Our goal is to jointly optimize the sensor activation and MCV charging scheduling for minimizing the system energy consumption, subject to tasks' QoM requirements, sensor charging deadlines and the energy capacity of the MCV. Unfortunately, solving this problem is nontrivial, because it involves solving two tightly coupled NP-hard optimization problems. To address this issue, we design a novel scheme integrating reinforcement learning and marginal product based approximation algorithms, and prove that it is not only computationally efficient but also theoretically bounded with a guaranteed performance in terms of the approximation ratio. Simulation results show the feasibility of the proposed scheme and demonstrate its superiority over counterparts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».