Maximizing Age-Energy Efficiency in Wireless Powered Industrial IoE Networks: A Dual-Layer DQN-Based Approach
Notice bibliographique
Résumé
This paper investigates the age of information (AoI) and energy efficiency of wireless powered industrial Internet of Everything (IIoE) network, where multiple low-power IIoE devices (IIoEDs) are wirelessly charged by a hybrid access point (HAP) to transmit their sensing information to the control nodes. To enhance the system’s information timeliness with high energy efficiency, we define a novel performance metric, i.e., age-energy efficiency (AEE), which depicts the achievable AoI gain per unit energy consumption. Then, an optimization problem is formulated to maximize the system long-term AEE by jointly optimizing the IIoEDs scheduling and the HAP’s transmit power. Due to the non-convexity of the formulated problem and the intractable challenges with discrete binary variables, we first model the problem as a two-stage discrete-time Markov decision process (MDP) with carefully designed state spaces, action spaces, and reward functions. We then propose a deep reinforcement learning (DRL)-based approach to find the effective scheduling strategy and transmit power. To improve the accuracy of the learned policy, we design a dual-layer deep Q-network (DLDQN) algorithm with fast convergence. Simulation results show that our proposed DLDQN algorithm can improve the AEE by at least 25% when the number of IIoEDs exceeds 50 compared with benchmarks. Moreover, with the proposed DLDQN algorithm, the system long-term AEE can be improved with the increase of the number of IIoEDs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».