論文の概要: Anypath Routing Protocol Design via Q-Learning for Underwater Sensor Networks

• arxiv url: http://arxiv.org/abs/2002.09623v1
• Date: Sat, 22 Feb 2020 04:28:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 19:47:27.482435
• Title: Anypath Routing Protocol Design via Q-Learning for Underwater Sensor Networks
• Title（参考訳）: 水中センサネットワークのためのQラーニングによるAnypathルーティングプロトコルの設計
• Authors: Yuan Zhou, Tao Cao, and Wei Xiang
• Abstract要約: 本稿では,水中センサネットワークのためのQラーニングに基づくローカライズフリーな任意の経路ルーティングプロトコルを提案する。 センサノードの残エネルギーと深さ情報を共同で考慮し、Q値を算出する。 提案したルーティングプロトコルの性能を数学的に解析する。
• 参考スコア（独自算出の注目度）: 12.896530402853612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a promising technology in the Internet of Underwater Things, underwater sensor networks have drawn a widespread attention from both academia and industry. However, designing a routing protocol for underwater sensor networks is a great challenge due to high energy consumption and large latency in the underwater environment. This paper proposes a Q-learning-based localization-free anypath routing (QLFR) protocol to prolong the lifetime as well as reduce the end-to-end delay for underwater sensor networks. Aiming at optimal routing policies, the Q-value is calculated by jointly considering the residual energy and depth information of sensor nodes throughout the routing process. More specifically, we define two reward functions (i.e., depth-related and energy-related rewards) for Q-learning with the objective of reducing latency and extending network lifetime. In addition, a new holding time mechanism for packet forwarding is designed according to the priority of forwarding candidate nodes. Furthermore, a mathematical analysis is presented to analyze the performance of the proposed routing protocol. Extensive simulation results demonstrate the superiority performance of the proposed routing protocol in terms of the end-to-end delay and the network lifetime.
• Abstract（参考訳）: 水中モノインターネットにおける有望な技術として、水中センサーネットワークは学術と産業の両方から広く注目を集めている。 しかし、水中センサネットワークのためのルーティングプロトコルの設計は、高エネルギー消費と水中環境における遅延が大きいため、大きな課題である。 本稿では,Qラーニングに基づくローカライゼーションフリーな任意の経路ルーティング(QLFR)プロトコルを提案する。 最適ルーティングポリシを目標とし、ルーティングプロセスを通してセンサノードの残エネルギーと深さ情報を共同で考慮してQ値を算出する。 より具体的には、レイテンシの低減とネットワーク寿命の延長を目的として、Qラーニングのための2つの報酬関数(深さ関連およびエネルギー関連報酬)を定義する。 また、パケット転送のための新たな保持時間機構を、転送候補ノードの優先度に応じて設計する。 さらに,提案したルーティングプロトコルの性能を解析するために,数学的解析を行った。 広範にシミュレーションされた結果から,提案したルーティングプロトコルの性能は,エンドツーエンドの遅延とネットワーク寿命の観点から評価できる。

関連論文リスト

• A Neural Radiance Field-Based Architecture for Intelligent Multilayered View Synthesis [0.0]
  モバイルアドホックネットワーク(MANET)は、モバイルノードの巨大かつ合理的に密集したコミュニティで構成されている。 インフラストラクチャ間で最高のパケットルーティングを見つけることが大きな問題です。 本研究は、オンデマンドソースルーティングシステムを改善する手段として、Red Imported Fire Ants (RIFA) 戦略による最適経路選択を提案する。
  論文  参考訳（メタデータ） (2023-11-03T11:05:51Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Energy Efficient Routing For Underwater Acoustic Sensor Network Using Genetic Algorithm [0.0]
  水中音響センサネットワーク(UWASN)では、エネルギー信頼性の高いデータ伝送は難しい課題である。 ルーティング経路におけるデータ伝送のエネルギー効率を改善するための遺伝的アルゴリズムに基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-04-25T18:27:36Z)
• Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
  絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。 量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
  論文  参考訳（メタデータ） (2021-11-15T14:07:22Z)
• Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc Networks Formed by Passenger Planes [99.54065757867554]
  エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。 最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。 フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:56Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Fully-echoed Q-routing with Simulated Annealing Inference for Flying Adhoc Networks [6.3372141874912735]
  自己適応学習率のフルエコーQ-routingアルゴリズムを提案する。 提案手法は,アートqルーティングプロトコルの状況と比較して,7%から82%までのエネルギー消費量の削減と2.6倍のパケット配送率の向上を示した。
  論文  参考訳（メタデータ） (2021-03-23T22:28:26Z)
• Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
  不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。 本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:00:01Z)
• Accelerating Real-Time Question Answering via Question Generation [98.43852668033595]
  Ocean-Qは新しい質問生成(QG)モデルを導入し、大量のQAペアをオフラインで生成する。 入力された質問を候補QAプールとリアルタイムにマッチングし、質問エンコーディングなしで回答を予測する。 Ocean-Qは、既存の分散データベースシステムや検索エンジンに簡単にデプロイでき、大規模クエリを使用することができる。
  論文  参考訳（メタデータ） (2020-09-10T22:44:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。