論文の概要: Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2505.03230v2
• Date: Wed, 21 May 2025 01:03:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.503942
• Title: Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach
• Title（参考訳）: エネルギー効率の高いUAV支援SWIPT-MECのための共同資源管理 : 深層強化学習アプローチ
• Authors: Yue Chen, Hui Kang, Jiahui Li, Geng Sun, Boxiong Wang, Jiacheng Wang, Cong Liang, Shuang Liang, Dusit Niyato,
• Abstract要約: 6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
• 参考スコア（独自算出の注目度）: 50.52139512096988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of simultaneous wireless information and power transfer (SWIPT) technology in 6G Internet of Things (IoT) networks faces significant challenges in remote areas and disaster scenarios where ground infrastructure is unavailable. This paper proposes a novel unmanned aerial vehicle (UAV)-assisted mobile edge computing (MEC) system enhanced by directional antennas to provide both computational resources and energy support for ground IoT terminals. However, such systems require multiple trade-off policies to balance UAV energy consumption, terminal battery levels, and computational resource allocation under various constraints, including limited UAV battery capacity, non-linear energy harvesting characteristics, and dynamic task arrivals. To address these challenges comprehensively, we formulate a bi-objective optimization problem that simultaneously considers system energy efficiency and terminal battery sustainability. We then reformulate this non-convex problem with a hybrid solution space as a Markov decision process (MDP) and propose an improved soft actor-critic (SAC) algorithm with an action simplification mechanism to enhance its convergence and generalization capabilities. Simulation results have demonstrated that our proposed approach outperforms various baselines in different scenarios, achieving efficient energy management while maintaining high computational performance. Furthermore, our method shows strong generalization ability across different scenarios, particularly in complex environments, validating the effectiveness of our designed boundary penalty and charging reward mechanisms.
• Abstract（参考訳）: 6G Internet of Things (IoT)ネットワークにおける同時無線情報通信(SWIPT)技術の統合は、地上インフラが利用できない遠隔地や災害シナリオにおいて大きな課題に直面している。 本稿では、指向性アンテナにより強化された無人航空機(UAV)による移動エッジコンピューティング(MEC)システムを提案し、地上IoT端末の計算資源とエネルギーサポートを提供する。 しかしながら、これらのシステムは、UAVのエネルギー消費、終端バッテリーレベル、計算資源割り当てのバランスをとるために、UAVのバッテリー容量の制限、非線形エネルギー収穫特性、動的タスク到着といった様々な制約の下で複数のトレードオフポリシーを必要とする。 これらの課題に包括的に対処するために,システムエネルギー効率と終端バッテリーの持続性を同時に考慮した双目的最適化問題を定式化する。 次に、マルコフ決定過程(MDP)としてハイブリッド解空間を用いてこの非凸問題を再構成し、その収束と一般化能力を高めるためのアクション単純化機構を備えた改良されたソフトアクター・クリティック(SAC)アルゴリズムを提案する。 シミュレーションの結果,提案手法は様々なシナリオにおいて,高い計算性能を維持しつつ,効率的なエネルギー管理を実現する。 さらに,提案手法は,特に複雑な環境において,設計した境界ペナルティとチャージ報酬機構の有効性を検証し,様々なシナリオにまたがる強力な一般化能力を示す。

関連論文リスト

• Energy-Efficient Flying LoRa Gateways: A Multi-Agent Reinforcement Learning Approach [8.65375886947338]
  無人航空機(UAV)に搭載された空飛ぶLoRaゲートウェイを配置し、LoRaのエンドデバイスからデータを収集し、それを中央サーバに送信する。 我々の主な目的は、送信電力、拡散係数、帯域幅、ユーザ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を最大化することである。
  論文  参考訳（メタデータ） (2025-02-05T17:16:40Z)
• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• 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)
• 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)
• 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)

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。