論文の概要: Enhanced Evolutionary Multi-Objective Deep Reinforcement Learning for Reliable and Efficient Wireless Rechargeable Sensor Networks

• arxiv url: http://arxiv.org/abs/2510.21127v1
• Date: Fri, 24 Oct 2025 03:30:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.377203
• Title: Enhanced Evolutionary Multi-Objective Deep Reinforcement Learning for Reliable and Efficient Wireless Rechargeable Sensor Networks
• Title（参考訳）: 信頼性・高能率無線充電型センサネットワークのための進化的多目的深部強化学習
• Authors: Bowei Tong, Hui Kang, Jiahui Li, Geng Sun, Jiacheng Wang, Yaoqi Yang, Bo Xu, Dusit Niyato,
• Abstract要約: ワイヤレス充電式センサネットワーク(WRSN)とモバイル充電機能は、ネットワーク寿命を延ばすための有望なソリューションを提供する。 WRSNは、ノード生存率の最大化と充電エネルギー効率の最大化の間の本質的にのトレードオフから、重要な課題に直面している。
• 参考スコア（独自算出の注目度）: 44.91945854166524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite rapid advancements in sensor networks, conventional battery-powered sensor networks suffer from limited operational lifespans and frequent maintenance requirements that severely constrain their deployment in remote and inaccessible environments. As such, wireless rechargeable sensor networks (WRSNs) with mobile charging capabilities offer a promising solution to extend network lifetime. However, WRSNs face critical challenges from the inherent trade-off between maximizing the node survival rates and maximizing charging energy efficiency under dynamic operational conditions. In this paper, we investigate a typical scenario where mobile chargers move and charge the sensor, thereby maintaining the network connectivity while minimizing the energy waste. Specifically, we formulate a multi-objective optimization problem that simultaneously maximizes the network node survival rate and mobile charger energy usage efficiency across multiple time slots, which presents NP-hard computational complexity with long-term temporal dependencies that make traditional optimization approaches ineffective. To address these challenges, we propose an enhanced evolutionary multi-objective deep reinforcement learning algorithm, which integrates a long short-term memory (LSTM)-based policy network for temporal pattern recognition, a multilayer perceptron-based prospective increment model for future state prediction, and a time-varying Pareto policy evaluation method for dynamic preference adaptation. Extensive simulation results demonstrate that the proposed algorithm significantly outperforms existing approaches in balancing node survival rate and energy efficiency while generating diverse Pareto-optimal solutions. Moreover, the LSTM-enhanced policy network converges 25% faster than conventional networks, with the time-varying evaluation method effectively adapting to dynamic conditions.
• Abstract（参考訳）: センサネットワークの急速な進歩にもかかわらず、従来のバッテリー駆動センサーネットワークは、遠隔およびアクセス不能な環境への展開を厳しく制限する、限られた運用寿命と頻繁なメンテナンス要件に悩まされている。 そのため、モバイル充電機能を備えた無線充電型センサネットワーク(WRSN)は、ネットワーク寿命を延ばすための有望なソリューションを提供する。 しかしながら、WRSNは、ノード生存率の最大化と、動的操作条件下での充電エネルギー効率の最大化との間の本質的にのトレードオフから、重要な課題に直面している。 本稿では,移動体充電器がセンサを移動・充電する典型的なシナリオについて検討し,エネルギー浪費を最小限に抑えながらネットワーク接続性を維持する。 具体的には,ネットワークノードの生存率と移動電荷エネルギー利用効率を複数の時間スロットで同時に最大化する多目的最適化問題を定式化する。 これらの課題に対処するために、時間的パターン認識のための長期記憶に基づくポリシーネットワークと、将来の状態予測のための多層パーセプトロンベースの予測インクリメントモデルと、動的嗜好適応のための時間変化パレートポリシー評価手法を統合した進化的多目的深層強化学習アルゴリズムを提案する。 大規模シミュレーションの結果,提案アルゴリズムはノード生存率とエネルギー効率のバランスをとる上で,多様なパレート最適解を生成する上で,既存手法よりも大幅に優れていた。 さらに、LSTM強化ポリシネットワークは従来のネットワークよりも25%高速に収束し、動的条件に効果的に適応する時間変化評価手法を提案する。

関連論文リスト

• Spatial Computing Communications for Multi-User Virtual Reality in Distributed Mobile Edge Computing Network [45.55309713021969]
  没入型バーチャルリアリティ(VR)アプリケーションは、レイテンシ、エネルギー効率、計算リソースに厳しい要件を課している。 本稿では,分散モバイルエッジコンピューティング(MEC)ネットワーク上でのマルチユーザVRのレイテンシとエネルギー要求を満たすために設計された,コンピューティング通信(SCC)の概念を紹介する。 提案するMO-CMPOは,教師付き学習・強化学習(RL)を優先重み付き微調整に統合した,ポリシー最適化による多目的整合モデルである。
  論文  参考訳（メタデータ） (2025-10-16T02:55:01Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  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。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
  Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。 VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。 本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T13:20:02Z)
• DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
  本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。 大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
  論文  参考訳（メタデータ） (2024-10-18T14:04:38Z)
• Distributed Multi-Objective Dynamic Offloading Scheduling for Air-Ground Cooperative MEC [13.71241401034042]
  本稿では,MORLとカーネル手法を統合した分散軌道計画とオフロードスケジューリング手法を提案する。 数値的な結果から,n段階の戻り値はカーネルベースのアプローチに有効であり,長期平均バックログ性能の大幅な向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-03-16T13:50:31Z)
• Adaptive Dynamic Programming for Energy-Efficient Base Station Cell Switching [19.520603265594108]
  無線ネットワークの省エネは、次世代のセルネットワークの進化に対する需要が増大しているため、重要になっている。 本稿では,ネットワーク電力消費量を減らすために,オンライン最適化と併用して,基地局のセルをオン/オフする近似動的プログラミング(ADP)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T14:50:12Z)
• 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)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。