論文の概要: Deep Reinforcement Learning Based Power Allocation for Minimizing AoI
and Energy Consumption in MIMO-NOMA IoT Systems
- arxiv url: http://arxiv.org/abs/2303.06411v1
- Date: Sat, 11 Mar 2023 14:09:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 19:10:57.614184
- Title: Deep Reinforcement Learning Based Power Allocation for Minimizing AoI
and Energy Consumption in MIMO-NOMA IoT Systems
- Title（参考訳）: MIMO-NOMA IoTシステムにおけるAoI最小化のための深層強化学習に基づく電力配分
- Authors: Hongbiao Zhu, Qiong Wu, Qiang Fan, Pingyi Fan, Jiangzhou Wang, and
Zhengquan Li
- Abstract要約: マルチインプットマルチアウトおよび非直交マルチアクセス(MIMO-NOMA)インターネットオブシング(IoT)システムは、リアルタイムアプリケーションをサポートするために、チャネル容量とスペクトル効率をはっきりと改善することができる。
情報時代(AoI)はリアルタイム応用にとって重要な指標であるが,AoIを最小化する文献は存在しない。
MIMO-NOMA IoTシステムでは,SICプロセスでは伝送速度が一定ではなく,ノイズも一定である。
深部強化学習(DRL)に基づくMIMO-NOMA IoTシステム
- 参考スコア（独自算出の注目度）: 27.19355345123451
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-input multi-out and non-orthogonal multiple access (MIMO-NOMA)
internet-of-things (IoT) systems can improve channel capacity and spectrum
efficiency distinctly to support the real-time applications. Age of information
(AoI) is an important metric for real-time application, but there is no
literature have minimized AoI of the MIMO-NOMA IoT system, which motivates us
to conduct this work. In MIMO-NOMA IoT system, the base station (BS) determines
the sample collection requirements and allocates the transmission power for
each IoT device. Each device determines whether to sample data according to the
sample collection requirements and adopts the allocated power to transmit the
sampled data to the BS over MIMO-NOMA channel. Afterwards, the BS employs
successive interference cancelation (SIC) technique to decode the signal of the
data transmitted by each device. The sample collection requirements and power
allocation would affect AoI and energy consumption of the system. It is
critical to determine the optimal policy including sample collection
requirements and power allocation to minimize the AoI and energy consumption of
MIMO-NOMA IoT system, where the transmission rate is not a constant in the SIC
process and the noise is stochastic in the MIMO-NOMA channel. In this paper, we
propose the optimal power allocation to minimize the AoI and energy consumption
of MIMO- NOMA IoT system based on deep reinforcement learning (DRL). Extensive
simulations are carried out to demonstrate the superiority of the optimal power
allocation.
- Abstract（参考訳）: マルチインプットマルチアウトおよび非直交マルチアクセス(MIMO-NOMA)インターネットオブシング(IoT)システムは、リアルタイムアプリケーションをサポートするために、チャネル容量とスペクトル効率をはっきりと改善することができる。
情報時代(AoI)はリアルタイムアプリケーションにとって重要な指標だが,MIMO-NOMA IoT システムの AoI を最小化する文献は存在しない。
MIMO-NOMA IoTシステムでは、基地局(BS)がサンプル収集要求を決定し、各IoTデバイスに送信電力を割り当てる。
各装置は、サンプル収集要求に従ってデータをサンプリングするかを決定し、割り当てられた電力を採用して、MIMO-NOMAチャネルを介してサンプルデータをBSに送信する。
その後、BSは逐次干渉キャンセル(SIC)技術を用いて、各デバイスから送信されるデータの信号を復号する。
サンプル収集要求と電力配分は、AoIとシステムのエネルギー消費に影響を与える。
伝送速度がSICプロセスでは一定ではなく,MIMO-NOMAチャネルではノイズが確率的である,MIMO-NOMA IoTシステムのAoIとエネルギー消費を最小限に抑えるために,サンプル収集要求や電力配分を含む最適なポリシを決定することが重要である。
本稿では,深部強化学習(DRL)に基づくMIMO-NOMA IoTシステムのAoIとエネルギー消費を最小化するための最適電力割り当てを提案する。
最適電力割当の優位性を示すために,広範なシミュレーションを行った。
関連論文リスト
- Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。
我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。
具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
論文 参考訳（メタデータ） (2024-08-26T14:28:51Z) - An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications [0.0]
同時にエネルギー効率を向上しながら、データの不完全性に対して堅牢なIoTベースの機械学習システムを構築することが重要である。
ENAMLEは、同時に欠落するデータの影響を緩和するための、能動的でエネルギーに配慮した技術である。
本研究では,ENAMLEのエネルギー効率を示す2つの異なるデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2024-03-15T15:01:48Z) - 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) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳（メタデータ） (2021-04-04T03:17:26Z) - Massive MIMO As an Extreme Learning Machine [83.12538841141892]
低分解能アナログ・デジタルコンバータ(ADC)を用いたMIMOシステムによる自然極端学習機械(ELM)の試作
受信した信号にランダムなバイアスを加え、ELM出力の重みを最適化することにより、システムはハードウェアの障害に効果的に取り組むことができる。
論文 参考訳（メタデータ） (2020-07-01T04:15:20Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。