論文の概要: Minimizing the energy depletion in wireless rechargeable sensor networks using bi-level metaheuristic charging schemes

• arxiv url: http://arxiv.org/abs/2505.16482v1
• Date: Thu, 22 May 2025 10:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.216372
• Title: Minimizing the energy depletion in wireless rechargeable sensor networks using bi-level metaheuristic charging schemes
• Title（参考訳）: バイレベルメタヒューリスティック充電方式を用いた無線充電型センサネットワークにおけるエネルギー損失の最小化
• Authors: Huynh Thi Thanh Binh, Le Van Cuong, Dang Hai Dang, Le Trong Vinh,
• Abstract要約: 本稿では,WRSNのエネルギー損失を最小限に抑えるため,二段階最適化方式を踏襲した新しい部分充電方式を提案する。 充電経路の最適化と充電時間の最適化をそれぞれ上層と下層とみなす2つの近似アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.387337528923525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Wireless Rechargeable Sensor Networks (WRSNs) that leveraged the advantage of wireless energy transfer technology have opened a promising opportunity in solving the limited energy issue. However, an ineffective charging strategy may reduce the charging performance. Although many practical charging algorithms have been introduced, these studies mainly focus on optimizing the charging path with a fully charging approach. This approach may lead to the death of a series of sensors due to their extended charging latency. This paper introduces a novel partial charging approach that follows a bi-level optimized scheme to minimize energy depletion in WRSNs. We aim at optimizing simultaneously two factors: the charging path and time. To accomplish this, we first formulate a mathematical model of the investigated problem. We then propose two approximate algorithms in which the optimization of the charging path and the charging time are considered as the upper and lower level, respectively. The first algorithm combines a Multi-start Local Search method and a Genetic Algorithm to find a solution. The second algorithm adopts a nested approach that utilizes the advantages of the Multitasking and Covariance Matrix Adaptation Evolutionary Strategies. Experimental validations on various network scenarios demonstrate that our proposed algorithms outperform the existing works.
• Abstract（参考訳）: 近年,無線エネルギー伝達技術を利用した無線充電型センサネットワーク(WRSN)が,限られたエネルギー問題を解決する上で有望な機会となっている。 しかし、非効率な充電戦略は充電性能を低下させる可能性がある。 多くの実用的な充電アルゴリズムが導入されたが、これらの研究は主に完全充電方式で充電経路を最適化することに焦点を当てている。 このアプローチは、充電遅延の延長による一連のセンサの死亡につながる可能性がある。 本稿では,WRSNのエネルギー損失を最小限に抑えるため,二段階最適化方式を踏襲した新しい部分充電方式を提案する。 充電経路と時間という2つの要素を同時に最適化することを目的としている。 そこで本研究では,まず,解析された問題の数学的モデルを定式化する。 次に、充電経路の最適化と充電時間の最適化をそれぞれ上層と下層とみなす2つの近似アルゴリズムを提案する。 最初のアルゴリズムはマルチスタート局所探索法と遺伝的アルゴリズムを組み合わせて解を求める。 第2のアルゴリズムは、マルチタスクと共分散行列適応進化戦略の利点を利用するネストされたアプローチを採用する。 各種ネットワークシナリオに対する実験的検証により,提案アルゴリズムが既存手法より優れていることを示す。

関連論文リスト

• Unsupervised Deep Unfolded PGD for Transmit Power Allocation in Wireless Systems [0.6091702876917281]
  本稿では,反復射影勾配(PGD)アルゴリズムをニューラルネットワークの層に深く展開し,ステップサイズパラメータを学習する,単純な低複素性TPCアルゴリズムを提案する。 高密度デバイス間通信(D2D)における性能評価の結果,提案手法は2回以上の繰り返し回数で反復アルゴリズムよりも優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T19:51:21Z)
• Joint Age-based Client Selection and Resource Allocation for Communication-Efficient Federated Learning over NOMA Networks [8.030674576024952]
  FL(Federated Learning)では、分散クライアントは、自身のトレーニングデータをローカルに保持しながら、共有グローバルモデルを共同でトレーニングすることができる。 本稿では,非直交多重アクセス(NOMA)を利用した無線ネットワーク上でのFLにおける各ラウンドの総時間消費を最小化することを目的とした,クライアント選択とリソース割り当ての協調最適化問題を定式化する。 さらに、各ラウンドで選択されていないクライアントのFLモデルを予測し、FL性能をさらに向上するために、サーバサイド人工知能ニューラルネットワーク(ANN)を提案する。
  論文  参考訳（メタデータ） (2023-04-18T13:58:16Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
  バイレベル最適化は、幅広い機械学習モデルに適用されている。 既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。 そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-30T05:29:52Z)
• Controller-based Energy-Aware Wireless Sensor Network Routing using Quantum Algorithms [15.607213703199209]
  古典的なプロセッサの代わりに量子プロセッサを使うための証明法を示し、最適解や準最適解を迅速に見つける。 小さなネットワークに対する予備的な結果は、量子コンピューティングを用いたこのアプローチには大きな可能性があり、ネットワークアルゴリズムの有効性の他の重要な改善への扉を開く可能性があることを示している。
  論文  参考訳（メタデータ） (2021-10-12T20:16:21Z)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning [12.845204986571053]
  本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。 考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。 提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
  論文  参考訳（メタデータ） (2021-03-31T11:02:29Z)
• Nature-Inspired Algorithms for Wireless Sensor Networks: A Comprehensive Survey [2.064612766965483]
  本稿では、無線センサネットワーク(WSN)の最適カバレッジに関する自然に着想を得た最適化アルゴリズムに焦点を当てる。 我々は、WSNにおいて最適なカバレッジを得るために、2つの自然に着想を得たアルゴリズムの性能を比較した。 シミュレーションの結果,LOはネットワークカバレッジが向上し,LOの収束速度はIGA-BACAよりも高速であることが確認された。
  論文  参考訳（メタデータ） (2020-12-24T05:30:04Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Energy Minimization in UAV-Aided Networks: Actor-Critic Learning for Constrained Scheduling Optimization [30.742052801257998]
  無人航空機 (UAV) の応用においては、UAVの限られたエネルギー供給と貯蔵がインテリジェントなエネルギー保存ソリューションの開発を引き起こしている。 本稿では,データ転送スケジューリングホバリング時間を最適化するエネルギーDSOSソリューションについて検討する。
  論文  参考訳（メタデータ） (2020-06-24T10:44:28Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。