Deep Reinforcement Learning for Energy-Efficient Data Dissemination Through UAV Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The unprecedented growth in the number of connected devices has given rise to the Internet-of-Things (IoT) and led to an increasing demand for additional computational and communication resources. Within this context, unmanned aerial vehicles (UAVs) have shown to provide extended coverage, flexibility, and reachability. Motivated by this, in this paper, we develop a UAV-assisted data dissemination framework for IoT networks. To this end, we formulate a joint optimization problem that aims to minimize the total energy expenditure, i.e., the sum of the energy consumed by the UAV and all the spatially-distributed IoT devices. We propose a deep reinforcement learning approach to solve the joint device classification, device association, and path planning optimization problem. In particular, we aim to 1) train a double deep Q-network agent in order to classify devices into two classes, and then using this classification we 2) develop an association algorithm based on the nearest-neighbor heuristic for device association, and 3) develop a path planning algorithm based on the Lin-Kernighan heuristic. Simulation results show that the proposed approach efficiently reduces the energy consumption as compared with the benchmark approaches, i.e., brute force approach and baseline approach. Furthermore, obtained results show that our approach provides a near optimum solution with a fraction of the time required compared to the brute force approach.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle