論文の概要: MIX-MAB: Reinforcement Learning-based Resource Allocation Algorithm for
LoRaWAN
- arxiv url: http://arxiv.org/abs/2206.03401v1
- Date: Tue, 7 Jun 2022 15:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 15:55:17.044737
- Title: MIX-MAB: Reinforcement Learning-based Resource Allocation Algorithm for
LoRaWAN
- Title(参考訳): MIX-MAB:LoRaWANのための強化学習に基づく資源配分アルゴリズム
- Authors: Farzad Azizi, Benyamin Teymuri, Rojin Aslani, Mehdi Rasti, Jesse
Tolvanen, and Pedro H. J. Nardelli
- Abstract要約: 本稿では,パケット配信率(PDR)の観点から資源配分アルゴリズムの改善に焦点をあてる。
そこで本稿では,EDが送信パラメータを分散的に設定できる資源割当アルゴリズムを提案する。
数値計算の結果,提案手法は収束時間やPDRの点で既存の手法よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 6.22984202194369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper focuses on improving the resource allocation algorithm in terms of
packet delivery ratio (PDR), i.e., the number of successfully received packets
sent by end devices (EDs) in a long-range wide-area network (LoRaWAN). Setting
the transmission parameters significantly affects the PDR. Employing
reinforcement learning (RL), we propose a resource allocation algorithm that
enables the EDs to configure their transmission parameters in a distributed
manner. We model the resource allocation problem as a multi-armed bandit (MAB)
and then address it by proposing a two-phase algorithm named MIX-MAB, which
consists of the exponential weights for exploration and exploitation (EXP3) and
successive elimination (SE) algorithms. We evaluate the MIX-MAB performance
through simulation results and compare it with other existing approaches.
Numerical results show that the proposed solution performs better than the
existing schemes in terms of convergence time and PDR.
- Abstract(参考訳): 本稿では、パケット配信率(PDR)、すなわち、長距離広帯域ネットワーク(LoRaWAN)において、エンドデバイス(ED)が送信したパケットの受信数の観点から、リソース割り当てアルゴリズムの改善に焦点を当てる。
送信パラメータの設定はPDRに大きく影響する。
強化学習(RL)を用いて,EDが送信パラメータを分散的に設定できる資源割当アルゴリズムを提案する。
資源割当問題をマルチアームバンディット(mab)としてモデル化し,探索・搾取のための指数重み(exp3)と逐次排除(se)アルゴリズムからなる2相アルゴリズムであるmix-mabを提案する。
シミュレーションの結果からMIX-MABの性能を評価し,他の既存手法と比較した。
数値計算の結果,提案手法は収束時間やPDRの点で既存の手法よりも優れていることがわかった。
関連論文リスト
- Semi-Supervised Learning Approach for Efficient Resource Allocation with
Network Slicing in O-RAN [5.6189692698829115]
Open Radio Access Network (O-RAN) は、ネットワークオペレーターにとって有望なソリューションである。
xAPP(x-applications)の効果的なコーディネーションの確保は、柔軟性の向上とネットワーク性能の最適化に不可欠である。
我々は、O-RANにおけるネットワークスライシングとリソースアロケーションのために、複数の独立したxAPPを協調させることを目的として、リソースアロケーション問題に革新的なアプローチを導入する。
論文 参考訳(メタデータ) (2024-01-16T22:23:27Z) - High Efficiency Inference Accelerating Algorithm for NOMA-based Mobile
Edge Computing [23.88527790721402]
デバイス、エッジサーバ、クラウド間の推論モデルを分割することで、EIの性能を大幅に向上させることができる。
B5G/6Gのキーとなる技術であるNOMAは、膨大な接続と高スペクトル効率を実現することができる。
本稿では,エッジでのモデル推論を高速化する効果的な通信資源割当アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-26T02:05:52Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-11T13:16:28Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - 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) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳(メタデータ) (2021-06-30T16:49:07Z) - Coding for Distributed Multi-Agent Reinforcement Learning [12.366967700730449]
ストラグラーは、様々なシステム障害が存在するため、分散学習システムで頻繁に発生する。
本稿では,ストラグラーの存在下でのMARLアルゴリズムの学習を高速化する分散学習フレームワークを提案する。
最大距離分離可能(MDS)コード、ランダムスパースコード、レプリケーションベースのコード、通常の低密度パリティチェック(LDPC)コードなど、さまざまなコーディングスキームも検討されている。
論文 参考訳(メタデータ) (2021-01-07T00:22:34Z) - 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) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-28T14:37:38Z)
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。