DRL-AdCAR: Adaptive Coding-Aware Routing With Maximum Coding Opportunities and High-Quality via Deep Reinforcement Learning in FANET
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
Research on flying ad-hoc networks (FANETs) has become important with the development of unmanned aerial vehicle (UAV) systems. Routing design in FANET is a major challenge due to its inherent characteristics, including dynamic network topology and network self-organization. Coding-aware routing based on network coding improves the performance of the network by selecting paths with more coding opportunities. However, current methods are mostly used in networks with relatively fixed topologies, which are difficult to adapt to the FANET environment. To address these issues, we propose an adaptive coding-aware routing algorithm via deep reinforcement learning (DRL-AdCAR). First, we transform the routing problem into a Markov decision model. Then, coding opportunities, coding gains, and link quality are considered simultaneously in the reward function to avoid the drawbacks of coding-aware routing algorithms that simply aim to increase coding opportunities while greatly affecting other aspects of network performance. In addition, we present an improvement of the deep deterministic policy gradient (DDPG) algorithm for FANET, combining the gated recurrent unit (GRU) and long short-term memory networks (LSTM) algorithms to replace the traditional neural network structure, which ensures prediction accuracy and improves the training efficiency. The experimental results showed that DRL-AdCAR can adaptively select the transmission paths with the most suitable coding opportunities according to environmental changes in FANET, improving coding performance and enhancing the network throughput and packet delivery rate.
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 | 0,000 | 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 | 0,000 | 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 découle