論文の概要: Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks
- arxiv url: http://arxiv.org/abs/2309.08965v1
- Date: Sat, 16 Sep 2023 11:37:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 18:13:28.533132
- Title: Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks
- Title（参考訳）: LoRaネットワークにおけるエネルギー効率向上のための注意機構をもつマルチエージェント強化学習
- Authors: Xu Zhang, Ziqi Lin, Shimin Gong, Bo Gu and Dusit Niyato
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.96907334080273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long Range (LoRa) wireless technology, characterized by low power consumption
and a long communication range, is regarded as one of the enabling technologies
for the Industrial Internet of Things (IIoT). However, as the network scale
increases, the energy efficiency (EE) of LoRa networks decreases sharply due to
severe packet collisions. To address this issue, it is essential to
appropriately assign transmission parameters such as the spreading factor and
transmission power for each end device (ED). However, due to the sporadic
traffic and low duty cycle of LoRa networks, evaluating the system EE
performance under different parameter settings is time-consuming. Therefore, we
first formulate an analytical model to calculate the system EE. On this basis,
we propose a transmission parameter allocation algorithm based on multiagent
reinforcement learning (MALoRa) with the aim of maximizing the system EE of
LoRa networks. Notably, MALoRa employs an attention mechanism to guide each ED
to better learn how much ''attention'' should be given to the parameter
assignments for relevant EDs when seeking to improve the system EE. Simulation
results demonstrate that MALoRa significantly improves the system EE compared
with baseline algorithms with an acceptable degradation in packet delivery rate
(PDR).
- Abstract（参考訳）: 低消費電力と長距離通信を特徴とするLoRa無線技術は、産業用IoT(Industrial Internet of Things, IIoT)において実現可能な技術の1つである。
しかし,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(EE)は急激に低下する。
この問題に対処するためには、各エンドデバイス(ed)に対して、拡散係数や伝送電力などの伝送パラメータを適切に割り当てる必要がある。
しかし,LoRaネットワークの分散トラフィックと低デューティサイクルのため,異なるパラメータ設定下でのシステムEEの性能評価には時間を要する。
そこで,まず分析モデルを定式化し,システムeeを計算する。
そこで本研究では,LoRaネットワークのシステムEEの最大化を目的としたマルチエージェント強化学習(MALoRa)に基づく送信パラメータ割り当てアルゴリズムを提案する。
特に、MALoRaは、システムEEを改善するために、各EDをガイドするアテンションメカニズムを使用して、関連するEDのパラメータ割り当てにどの程度の'アテンション'を与えるべきかを学習する。
シミュレーションの結果,MALoRaは,パケット配信速度(PDR)の低下を許容できる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示された。
関連論文リスト
- Federated Learning With Energy Harvesting Devices: An MDP Framework [5.852486435612777]
フェデレートラーニング(FL)では、エッジデバイスがローカルトレーニングを実行し、パラメータサーバと情報を交換する必要がある。
実用FLシステムにおける重要な課題は、バッテリ限定エッジ装置の急激なエネルギー枯渇である。
FLシステムにエネルギー回収技術を適用し, エッジデバイスを連続的に駆動する環境エネルギーを抽出する。
論文 参考訳（メタデータ） (2024-05-17T03:41:40Z) - Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。
ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。
その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
論文 参考訳（メタデータ） (2023-12-31T10:03:08Z) - Energy Efficiency Optimization for Subterranean LoRaWAN Using A
Reinforcement Learning Approach: A Direct-to-Satellite Scenario [5.218556747366303]
地下のLoRaWANと非地球ネットワーク(NTN)の統合は、経済的および社会的利益をもたらす。
Co-SF干渉を最小限に抑えるために、準直交拡散因子(SF)をエンドデバイスに効果的に割り当てることは依然として困難である。
システムのエネルギー効率を最適化するための強化学習(RL)に基づくSF割当方式を提案する。
論文 参考訳（メタデータ） (2023-11-03T06:33:56Z) - Energy-Efficient Design for a NOMA assisted STAR-RIS Network with Deep
Reinforcement Learning [78.50920340621677]
同時送信・再構成可能なインテリジェントサーフェス(STAR-RIS)は、無線ネットワークの性能を高めるための有望な補助装置であると考えられている。
本稿では,非直交多重アクセス(NOMA)ネットワークにおけるエネルギー効率(EE)問題について検討する。
基地局の送信ビームフォーミングベクトルとSTAR-RISの勾配行列を協調的に最適化することにより,EEを最大化する。
論文 参考訳（メタデータ） (2021-11-30T15:01:19Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - 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) - Optimal Power Allocation for Rate Splitting Communications with Deep
Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。
ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文 参考訳（メタデータ） (2021-07-01T06:32:49Z) - Intelligent Resource Allocation in Dense LoRa Networks using Deep
Reinforcement Learning [5.035252201462008]
LoRaDRLのマルチチャネル方式を提案する。
その結果,提案アルゴリズムは長距離広帯域ネットワーク (LoRaWAN) のパケット配信率 (PDR) を有意に改善するだけでなく,
また,LoRaDRLの出力により最先端技術の性能が向上し,PDRでは500%以上の改善が得られた。
論文 参考訳（メタデータ） (2020-12-22T07:41:47Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話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） (2020-04-15T21:25:13Z)
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。