論文の概要: Optimising Energy Efficiency in UAV-Assisted Networks using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2204.01597v1
• Date: Mon, 4 Apr 2022 15:47:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 17:24:59.382298
• Title: Optimising Energy Efficiency in UAV-Assisted Networks using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いたUAV支援ネットワークにおけるエネルギー効率の最適化
• Authors: Babatunji Omoniwa, Boris Galkin, Ivana Dusparic
• Abstract要約: 無人航空機(UAV)のエネルギー効率(EE)最適化について検討する。 最近のマルチエージェント強化学習手法は2次元軌道設計を用いてシステムのEEを最適化する。 協調型マルチエージェント分散Double Deep Q-Network (MAD-DDQN) アプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.6985600125290907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this letter, we study the energy efficiency (EE) optimisation of unmanned aerial vehicles (UAVs) providing wireless coverage to static and mobile ground users. Recent multi-agent reinforcement learning approaches optimise the system's EE using a 2D trajectory design, neglecting interference from nearby UAV cells. We aim to maximise the system's EE by jointly optimising each UAV's 3D trajectory, number of connected users, and the energy consumed, while accounting for interference. Thus, we propose a cooperative Multi-Agent Decentralised Double Deep Q-Network (MAD-DDQN) approach. Our approach outperforms existing baselines in terms of EE by as much as 55 -- 80%.
• Abstract（参考訳）: 本稿では,無人航空機(UAV)のエネルギー効率 (EE) の最適化について検討する。 最近のマルチエージェント強化学習アプローチは、2次元軌道設計を用いてシステムのEEを最適化し、近くのUAV細胞からの干渉を無視している。 我々は,各UAVの3次元軌道,接続ユーザ数,消費エネルギーを協調的に最適化し,干渉を考慮したシステムEEの最大化を目指す。 そこで本稿では,MAD-DDQN(Multi-Agent Decentralized Double Deep Q-Network)アプローチを提案する。 私たちのアプローチは、EEの点で既存のベースラインを最大55-80%上回ります。

関連論文リスト

• Multi-UAV Multi-RIS QoS-Aware Aerial Communication Systems using DRL and PSO [34.951735976771765]
  無人航空機(UAV)は、地上の利用者に無線サービスを提供する学術・産業の研究者の注目を集めている。 UAVの限られたリソースは、そのようなアプリケーションにUAVを採用する上での課題を引き起こす可能性がある。 システムモデルでは,地域をナビゲートするUAVスワムを考慮し,RISをサポートした地上ユーザへの無線通信により,UAVのカバレッジを向上させる。
  論文  参考訳（メタデータ） (2024-06-16T17:53:56Z)
• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• UAV Swarm-enabled Collaborative Secure Relay Communications with Time-domain Colluding Eavesdropper [115.56455278813756]
  航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。 本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
  論文  参考訳（メタデータ） (2023-10-03T11:47:01Z)
• Density-Aware Reinforcement Learning to Optimise Energy Efficiency in UAV-Assisted Networks [2.6985600125290907]
  本稿では,DACEMAD-DDQN(Double Deep Q-network)アプローチを提案する。 その結果,65%～85%のエネルギー効率(EE)において,最先端のMARLアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2023-06-14T23:43:18Z)
• Optimization for Master-UAV-powered Auxiliary-Aerial-IRS-assisted IoT Networks: An Option-based Multi-agent Hierarchical Deep Reinforcement Learning Approach [56.84948632954274]
  本稿では,無人航空機(MUAV)搭載のIoT(Internet of Things)ネットワークについて検討する。 本稿では、インテリジェント反射面(IRS)を備えた充電可能な補助UAV(AUAV)を用いて、MUAVからの通信信号を強化することを提案する。 提案モデルでは,IoTネットワークの蓄積スループットを最大化するために,これらのエネルギー制限されたUAVの最適協調戦略について検討する。
  論文  参考訳（メタデータ） (2021-12-20T15:45:28Z)
• Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points [3.502112118170715]
  固定翼UAVセルアクセスポイントのエネルギー効率を最適化する多エージェント深部強化学習手法を提案する。 提案手法では,UAVの3次元軌道を一連の時間経過で調整できるDueling Deep Q-Network (DDQN) エージェントを備える。
  論文  参考訳（メタデータ） (2021-11-03T14:49:17Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Multi-Agent Deep Reinforcement Learning Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing [99.27205900403578]
  無人航空機(UAV)支援移動エッジコンピューティング(MEC)フレームワークを提案する。 我々は,全ユーザ機器(UE)の地理的公正性と,各UAVのUE負荷の公平性を共同で最適化することを目的としている。 提案手法は他の従来のアルゴリズムよりもかなり性能が高いことを示す。
  論文  参考訳（メタデータ） (2020-09-23T17:44:07Z)

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。