Deep Reinforcement Learning for Joint Power Control and Access Coordination in Energy Harvesting CIoT
Notice bibliographique
Résumé
The Internet of Things (IoT) has attracted a lot of interest owing to its various applications. Cognitive IoT (CIoT) networks utilize the cognitive radio (CR) technology to relieve spectrum congestion and boost network performance. In this context, this article proposes a novel deep reinforcement learning (DRL) approach for joint power control and channel access coordination, tailored to energy-constrained CIoT networks. Unlike the existing works, our approach considers coordination dynamics between the competing devices and adopts a realistic energy harvesting (EH) model. The goal of the CIoT transmitter is to meet the interference constraint imposed by the primary network and coordinate channel access with the other CIoT devices while optimizing its lifetime and performance. We model the joint power control and access coordination problem as a model-free Markov decision process (MDP) and introduce a novel deep Q-network (DQN) architecture. This architecture enables a CIoT transmitter to autonomously make decisions regarding EH and data transmission, while also regulating transmit power to maximize the network’s performance and lifetime. These decisions incorporate critical factors, such as channel occupancy by other devices, EH opportunities, and interference constraints without prior knowledge. Through extensive simulations we demonstrate that the proposed DQN strategy achieves faster convergence than the benchmarks, facilitating adaptive, energy-efficient, and realistic spectrum sharing in CIoT networks. Additionally, our algorithm consistently achieves higher performance in terms of average sum rate, interference ratio, and rewards compared to the benchmarks.
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 | 0,001 | 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 | 0,001 |
| 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 ».