論文の概要: Energy-Efficient Flying LoRa Gateways: A Multi-Agent Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2502.03377v1
• Date: Wed, 05 Feb 2025 17:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:23:52.607383
• Title: Energy-Efficient Flying LoRa Gateways: A Multi-Agent Reinforcement Learning Approach
• Title（参考訳）: エネルギー効率の良いLoRaゲートウェイ:マルチエージェント強化学習アプローチ
• Authors: Abdullahi Isa Ahmed, El Mehdi Amhoud,
• Abstract要約: 無人航空機(UAV)に搭載された空飛ぶLoRaゲートウェイを配備し、LoRaエンドデバイス(ED)からデータを収集し、中央サーバに送信する。 我々の主な目的は、送信電力(TP)、拡散係数(SF)、帯域幅(W)、EDアソシエーションの合同最適化により、無線LoRaネットワークのグローバルシステムエネルギー効率(EE)を最大化することである。
• 参考スコア（独自算出の注目度）: 1.1970409518725493
• License:
• Abstract: With the rapid development of next-generation Internet of Things (NG-IoT) networks, the increasing number of connected devices has led to a surge in power consumption. This rise in energy demand poses significant challenges to resource availability and raises sustainability concerns for large-scale IoT deployments. Efficient energy utilization in communication networks, particularly for power-constrained IoT devices, has thus become a critical area of research. In this paper, we deployed flying LoRa gateways (GWs) mounted on unmanned aerial vehicles (UAVs) to collect data from LoRa end devices (EDs) and transmit it to a central server. Our primary objective is to maximize the global system energy efficiency (EE) of wireless LoRa networks by joint optimization of transmission power (TP), spreading factor (SF), bandwidth (W), and ED association. To solve this challenging problem, we model the problem as a partially observable Markov decision process (POMDP), where each flying LoRa GW acts as a learning agent using a cooperative Multi-Agent Reinforcement Learning (MARL) approach under centralized training and decentralized execution (CTDE). Simulation results demonstrate that our proposed method, based on the multi-agent proximal policy optimization (MAPPO) algorithm, significantly improves the global system EE and surpasses the conventional MARL schemes.
• Abstract（参考訳）: 次世代モノのインターネット(NG-IoT)ネットワークの急速な発展に伴い、コネクテッドデバイスの増加が電力消費の急増につながっている。 このエネルギー需要の増加は、リソースの可用性に重大な課題をもたらし、大規模なIoTデプロイメントに対するサステナビリティ上の懸念を提起する。 通信ネットワークにおける効率的なエネルギー利用、特に電力制約型IoTデバイスは、研究の重要領域となっている。 本稿では、無人航空機(UAV)に搭載された空飛ぶロラゲートウェイ(GW)を配備し、ロラエンドデバイス(ED)からデータを収集し、中央サーバに送信する。 我々の主な目的は、送信電力(TP)、拡散係数(SF)、帯域幅(W)、EDアソシエーションの合同最適化により、無線LoRaネットワークのグローバルシステムエネルギー効率(EE)を最大化することである。 この課題を解決するために、我々は、この問題を部分的に観測可能なマルコフ決定プロセス(POMDP)としてモデル化し、各飛行するLoRa GWは、集中トレーニングおよび分散実行(CTDE)の下で協調的マルチエージェント強化学習(MARL)アプローチを用いて学習エージェントとして機能する。 シミュレーションの結果,提案手法はマルチエージェント近似ポリシ最適化(MAPPO)アルゴリズムに基づいて,グローバルシステムEEを大幅に改善し,従来のMARLスキームをはるかに上回ることを示す。

関連論文リスト

• 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 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)
• 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)
• Leveraging AI and Intelligent Reflecting Surface for Energy-Efficient Communication in 6G IoT [14.027983498089084]
  人工知能(AI)とインテリジェント反射面(IRS)による6G IoTのための省エネルギー通信システムを提案する。 まず、IRS対応データ伝送やAIによるネットワークリソース管理メカニズムなど、スマートで効率的な通信アーキテクチャを設計します。 第3に,提案された最適化モデルを解決するために,深層強化学習(DRL)によるネットワークリソース制御と割り当ての手法を提案する。
  論文  参考訳（メタデータ） (2020-12-29T11:56:28Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Constrained Deep Reinforcement Learning for Energy Sustainable Multi-UAV based Random Access IoT Networks with NOMA [20.160827428161898]
  太陽エネルギーの無人航空機(UAV)がIoTデバイスからリモートサーバにデータを中継する無線IoTネットワークの大規模チャネルアクセスを改善するために,非直交多重アクセス技術を適用した。 IoTデバイスは、アダプティブ$p$パーセンスタントスロット付きAlohaプロトコルを使用して共有無線チャネルにアクセスし、ソーラーパワーのUAVは、SICを採用して、IoTデバイスから受信した複数のデータをデコードしてアクセス効率を向上させる。
  論文  参考訳（メタデータ） (2020-01-31T22:05:30Z)

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。