論文の概要: Large Scale Global Optimization Algorithms for IoT Networks: A
Comparative Study
- arxiv url: http://arxiv.org/abs/2102.11275v1
- Date: Mon, 22 Feb 2021 18:59:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 05:44:18.655841
- Title: Large Scale Global Optimization Algorithms for IoT Networks: A
Comparative Study
- Title(参考訳): IoTネットワークのための大規模グローバル最適化アルゴリズムの比較研究
- Authors: Sotirios K. Goudos, Achilles D. Boursianis, Ali Wagdy Mohamed, Shaohua
Wan, Panagiotis Sarigiannidis, George K. Karagiannidis, Ponnuthurai N.
Suganthan
- Abstract要約: 本研究では,無線センサネットワーク(WNS)の高次元での最適化について,分散検出の電力配分に着目して検討する。
大規模グローバル最適化(LGSO)問題に対処するために設計された4つのアルゴリズムを適用し比較する。
我々は,300次元,600次元,800次元の場合には,アルゴリズムの性能をいくつかの異なるケースで評価した。
- 参考スコア(独自算出の注目度): 29.884417706421218
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of Internet of Things (IoT) has bring a new era in communication
technology by expanding the current inter-networking services and enabling the
machine-to-machine communication. IoT massive deployments will create the
problem of optimal power allocation. The objective of the optimization problem
is to obtain a feasible solution that minimizes the total power consumption of
the WSN, when the error probability at the fusion center meets certain
criteria. This work studies the optimization of a wireless sensor network (WNS)
at higher dimensions by focusing to the power allocation of decentralized
detection. More specifically, we apply and compare four algorithms designed to
tackle Large scale global optimization (LGSO) problems. These are the memetic
linear population size reduction and semi-parameter adaptation (MLSHADE-SPA),
the contribution-based cooperative coevolution recursive differential grouping
(CBCC-RDG3), the differential grouping with spectral clustering-differential
evolution cooperative coevolution (DGSC-DECC), and the enhanced adaptive
differential evolution (EADE). To the best of the authors knowledge, this is
the first time that LGSO algorithms are applied to the optimal power allocation
problem in IoT networks. We evaluate the algorithms performance in several
different cases by applying them in cases with 300, 600 and 800 dimensions.
- Abstract(参考訳): IoT(Internet of Things)の出現は、現在のネットワーク間サービスを拡張し、マシン間通信を可能にすることによって、通信技術の新たな時代をもたらした。
iotの大規模デプロイメントは、最適な電力割り当ての問題を引き起こす。
最適化問題の目的は、核融合センターの誤差確率が一定の基準を満たすとき、WSNの総消費電力を最小化する実現可能な解を得ることである。
本研究では,分散検出の電力割当に着目し,高次元の無線センサネットワーク(wns)の最適化について検討する。
具体的には,大規模グローバル最適化(LGSO)問題に対処するために設計された4つのアルゴリズムを適用し,比較する。
これらは、機械的線形人口削減と半パラメータ適応(MLSHADE-SPA)、コントリビューションに基づく協調的共進化再帰的微分グループ化(CBCC-RDG3)、スペクトルクラスタリング-微分的進化的協調的共進化(DGSC-DECC)による微分グループ化(EADE)である。
著者の知る限りでは、LGSOアルゴリズムがIoTネットワークの最適電力割り当て問題に適用されたのはこれが初めてである。
我々は,300次元,600次元,800次元の場合には,いくつかの異なるケースでアルゴリズムの性能を評価する。
関連論文リスト
- Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Adaptive Consensus: A network pruning approach for decentralized
optimization [0.5432724320036953]
ネットワーク内の各ノードが局所関数を持つネットワークベースの分散最適化問題を考える。
目的は、すべての局所関数の和を最小化するコンセンサス解を集合的に達成することである。
本稿では,通信量を削減する適応的ランダム化通信効率アルゴリズムフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-06T00:28:10Z) - Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A
Machine Learning Approach [102.00221938474344]
再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。
損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。
解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-04-13T13:52:22Z) - DESTRESS: Computation-Optimal and Communication-Efficient Decentralized
Nonconvex Finite-Sum Optimization [43.31016937305845]
インターネット・オブ・シング、ネットワークセンシング、自律システム、有限サム最適化のための分散アルゴリズムのためのフェデレーション学習。
非有限サム最適化のためのDecentralized STochastic Recursive MethodDESTRESSを開発した。
詳細な理論的および数値的な比較は、DESTRESSが事前の分散アルゴリズムにより改善されていることを示している。
論文 参考訳(メタデータ) (2021-10-04T03:17:41Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳(メタデータ) (2021-09-17T08:55:48Z) - Limited-Fronthaul Cell-Free Hybrid Beamforming with Distributed Deep
Neural Network [0.0]
近接最適解は、アクセスポイント(AP)とネットワークコントローラ(NC)の間で大量の信号交換を必要とする。
本稿では,AP と NC 間の通信オーバーヘッドをゼロあるいは限定して協調ハイブリッドビームフォーミングを行うことができる2つの非教師なしディープニューラルネットワーク(DNN)アーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-06-30T16:42:32Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-01-02T15:21:08Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳(メタデータ) (2020-09-05T21:44:39Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z)
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。